一种高光谱土壤有效硼含量预测方法

1.本发明涉及化学检测技术领域，更具体的说是涉及一种高光谱土壤有效硼含量预测方法。


背景技术：

2.硼作为一种必需的微量元素，在作物开花、受精、增产和品质方面起着举足轻重的作用。在质地粗糙的砂质钙质土壤中，硼可以作为关键的限制微量营养元素之一。缺硼可能是作物生产的一个主要制约因素，硼缺乏在全球范围内发生，被认为是作物生长中第二个最重要的微量营养元素限制因素。并且由于硼含量通常是土壤中所有化学元素中含量最少的，因此快速准确地检测土壤中有效硼含量具有重要意义。然而，目前土壤有效硼检测方法(如姜黄素法、甲亚胺-h酸法)主要依靠化学分析，存在检测效率低、成本高和潜在环境污染等缺点。
3.可见近红外(vis-nir)高光谱可以提供一种无损、实时、快速、原位检测作物和土壤理化性质的方法。因此，vis-nir在农业中被广泛用于监测有机化合物和矿质养分。tahmasbianet等人利用基于实验室的高光谱图像(400-1000nm)分析来预测土壤碳、氮及其同位素组成；偏最小二乘回归(plsr)模型给出了所有测试组合物的决定系数(r2)》0.8。tamburini小组通过近红外光谱研究了水分和粒径大小对土壤中总有机碳定量预测的影响，发现标准正态变量(snv)和二阶导数结合plsr回归算法给出了最佳的预测结果。金秀等人利用vis-nir光谱预测土壤有效钾含量并发现boosting算法(gbrt和adaboost)表现出最好的r2。尽管近红外光谱在过去几十年中引起了广泛关注并在土壤科学中得到了很大发展，但vis-nir模型在预测土壤有效矿物质方面的准确性和通用性仍不令人满意，尤其是微量元素含量。
4.因此，如何根据可见近红外高光谱实现土壤中硼含量的准确预测是本领域技术人员亟需解决的问题。


技术实现要素：

5.有鉴于此，本发明提供了一种高光谱土壤有效硼含量预测方法，通过室内非成像可见近红外(vis-nir)高光谱采集分析土壤光谱数据，利用理化分析确定硼含量。首先将采集的可见近红外高光谱数据采用去趋势校正(dt)进行预处理转换，再结合支持向量机融合径向基高斯核函数(svm_rbf)的回归算法建立土壤有效硼含量预测模型，从而实现根据土壤有效硼含量预测模型利用土壤光谱数据预测土壤有效硼含量。并且本发明采用光谱数据通过去趋势校正(dt)、savitzky-golay卷积平滑等29种预处理方法进行转换，并通过elasticnet、ridge、支持向量机融合径向基高斯核函数(svm_rbf)等9种回归算法进一步建模，生成270种模型预测方法，通过模型的决定系数r2、相对分析误差rpd、rpiq等参数对土壤有效硼预测建立的模型的准确性、可靠性和稳定性进行评价，证明本发明dt+svm_rbf结合方法为最优方法，明确本发明方法的有益效果。本发明可为土壤肥料微量元素信息遥感
监测提供参考。
6.为了实现上述目的，本发明采用如下技术方案：
7.一种高光谱土壤有效硼含量预测方法，包括以下具体步骤：
8.步骤1：采集土壤可见近红外高光谱数据；
9.步骤2：对土壤可见近红外高光谱数据进行预处理变换获得模型数据；
10.步骤3：所述模型数据采用回归算法构建vis-nir光谱模型，进行训练获得土壤有效硼含量预测模型；
11.步骤4：将待预测土壤高光谱图像输入所述土壤有效硼含量预测模型，预测获得土壤有效硼含量。
12.优选的，所述步骤2中预处理过程为：首先对所述土壤可见近红外高光谱数据去噪处理删除噪声无效波段，然后采用去趋势校正方法将去噪高光谱数据进行去趋势校正处理。
13.优选的，去除采集的土壤可见近红外高光谱数据中前面噪声无效波段，取350-1655nm(1306个波段)区域的光谱数据。
14.优选的，所述步骤3中回归算法采用支持向量机与径向基神经网络高斯核函数，将所述模型数据映射到高维特征空间，构建vis-nir光谱模型。
15.经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种高光谱土壤有效硼含量预测方法，利用可见近红外高光谱提供一种无损、实时、快速、准确、室内检测土壤有效硼含量，采用预处理方法对光谱数据进行转换，并进一步利用回归算法进行建模，利用建立的模型对采集的光谱数据进行分析计算，获得光谱数据对应土壤的有效硼含量预测。解决了利用波段在200-1700nm之间的非成像高光谱仪快速无损检测土壤有效硼含量的问题，以及目前利用中红外光谱(2500-25000纳米)、his成像高光谱(400-1000纳米)、机载成像高光谱预测硼精度不足问题，大大提升了预测精度。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
17.图1附图为本发明提供的高光谱土壤有效硼含量预测方法流程图；
18.图2附图为本发明提供的土壤采样区示意图；
19.图3附图为本发明提供的各种预处理变换前平均光谱示意图；
20.图4附图为本发明提供的各种预处理变换后平均光谱示意图；
21.图5附图为本发明提供的所有通过预处理转换的测试数据集回归模型的r2值示意图；
22.图6附图为本发明提供的不同预处理变换的回归模型rpiq值示意图。
具体实施方式
23.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.本发明实施例公开了一种高光谱土壤有效硼含量预测方法，通过预处理建模根据可见近红外高光谱预测土壤有效硼含量，首先将采集的可见近红外高光谱数据进行预处理转换，对所述土壤可见近红外高光谱数据去噪处理删除噪声无效波段，并采用去趋势校正方法将去噪高光谱数据进行去趋势校正处理；再结合回归算法建立土壤有效硼含量预测模型，从而实现根据土壤有效硼含量预测模型利用土壤光谱数据预测土壤有效硼含量，回归算法采用支持向量机与径向基神经网络高斯核函数，将所述模型数据映射到高维特征空间，构建vis-nir光谱模型。能够实现利用可见近红外高光谱无损、实时、快速、准确、室内检测土壤有效硼含量。
25.实施例
26.采集土壤样本进行多种预处理和回归算法建模预测效果对比。
27.(1)采集土壤样品
28.某省南部典型山区共采集黄红壤土样品188份，如图2所示，采集地理坐标为东经117
°
29
′7″
～118
°
11
′1″
，北纬30
°8′
23
″
～30
°
22
′
25
″
。采用对角线取样法取样，取样深度在0-20cm之间。在去除植物根系、碎石和杂物后，采集纯土样品1.5kg进行编号、风干、研磨、过直径2mm筛。通过vis-nir和甲亚胺-h酸比色法对每个样品进行高光谱分析和有效硼理化检测。
29.vis-nir测量使用便携式非成像光谱仪(ocean optics ofs-1700)进行，光谱范围为200-1700nm，光谱分辨率在200-950纳米为2nm，950-1700纳米为5nm。重采样间隔为1nm。200-349nm之间的测量值被过滤为噪声。去噪处理将原始的1501个波段变成为1306个波段。
30.将处理后的2mm土壤颗粒置于样品容器中，样品容器用一块黑布覆盖，防止杂散光干扰。每个土壤样品随机选取3组进行光谱测量，取平均光谱值作为土壤光谱数据。
31.(2)预处理变换
32.总共使用了29种方法进行预处理变换，包括单独应用或组合应用去趋势校正(dt)、一阶导数变换(fd)、二阶导数变换(sd)、对数变换(lg)、均值中心化(mc)、多元散射校正(msc)、标准正态变量变换(snv)和savitzky-golay卷积平滑(sg)，如表1所示。其中，sg处理一般用于去除光谱曲线的边缘带，显着消除高频噪声的影响，提高信噪比，最大限度保留原始光谱信号的峰值特征。尽管fd和sd可以有效消除线性基线效应，但处理后噪声会被放大。snv用于校准土壤粒径和表面散射的影响，而mc和dt减少光谱偏移。因此，各种预处理方法的组合，可以整合其优势，消除其劣势。
33.1)savitzky-golay卷积平滑
34.savitzky-golay(sg)卷积平滑是土壤高光谱数据分析中常用的去噪算法，由于光谱仪探测器本身和环境因子的干扰，导致土壤光谱中存在一定量的噪声信号，对光谱进行平滑处理可以提高光谱信噪比，从而降低噪声给预测精度带来的影响。sg算法是对移动平均平滑的改进，其基于局域多项式最小二乘法拟合移动窗口内各点的系数ck，光谱在第i处波长经sg平滑后的值为：
[0035][0036]
式中，m为该波长一侧平滑窗口内的点数，为归一化指数，ck为平滑系数，其中，窗口大小和多项式阶数对曲线处理效果有影响。
[0037]
2)导数变换
[0038]
导数变换的作用是去除基线漂移的影响并加强土壤光谱线性特征，因此常被用于光谱分析中的预处理变换。对原始光谱进行一阶导数(first derivative,fd)变换可以消除基线常量的影响，进行二阶导数(second derivative,sd)变换则可以去除一次线性基线的影响。
[0039]
x
i,fd
＝x
′i[0040]
x
i,sd
＝x
″i[0041]
3)标准正态变换
[0042]
标准正态变换(standard normal variate,snv)方法主要用来消除土壤粒径大小、光程变化以及表面散射对光谱所带来的影响，由于土壤颗粒大小不均匀且土壤表面不平滑，从而产生散射现象，形成干扰信号。常用的光谱增强散射校正方法有标准正态变换(snv)和多元散射校正(multiplicative scatter correction,msc)。snv先对所有的样本取平均值处理，得到平均光谱用原始光谱变量减去平均值，再除以样本的标准方差，算法的过程按照以下公式逐条光谱i逐个波长j进行转换：
[0043][0044]
式中：x
ij，snv
是经过snv算法处理后的光谱，n为变量的个数，x
ij
是第i个样本的第j个变量的值，是所有样本光谱平均值。
[0045]
4)多元散射校正
[0046]
多元散射校正(multiplicative scatter correction，msc)预处理算法类似于标准正态变换算法(standard normal variate，snv)，但比snv更为复杂。msc能够有效消除或者减弱土壤样品间散射导致的基线偏移影响误差。
[0047]
多元散射校正具体的计算过程：把全部样本的原始光谱a)λ)变换成理想的基准粒度的光谱a0(λ)，根据最小二乘法指定α和β值，设定两个因子的推定值分别为α
′
和β
′
，由公式a(λ)＝α0a0(λ)+β+e(λ)可得到一下变换式：
[0048]
a0(λ)＝[a(λ)-β]/α
[0049]
获取α
′
和β
′
的光谱数据可以使用所有土壤样本的平均光谱，如下公式所示：
[0050][0051]
线性回归方程为：
[0052][0053]
式中：a
i，msc
表示第i个土壤样本的光谱数据，a为建模集光谱矩阵，通过线性回归分析可求得α和β值。
[0054]
5)对数变换
[0055]
将土壤原始反射率光谱进行对数变换(logarithmic transformation，lg)，即可得到土壤的吸收光谱，使光谱强度和目标浓度呈线性关系，将土壤原始光谱反射率转化为吸收率。国内外专家学者通过研究证明该方法能够增加土壤属性的预测模型精度，是一种常见的光谱预处理方法。以10为底的对数，对原始光谱xi进行变换，公式如下：
[0056]
x
i，lg
＝log(1/xi)
[0057]
6)均值中心化
[0058]
均值中心化处理(mean centering，mc)在机器学习算法中、回归分析和神经网络训练的过程中被运用，能够消除因数据自身变异和数据间相差较大所引起的误差，可以避免各光谱特征较大值或较小值的影响。在建模前，将光谱信号数据和土壤属性数据均进行0均值中心化标准化处理，经过处理的数据符合标准正态分布，即均值为0，标准差为1。在对光谱矩阵进行均值中心化处理的同时，也要对待测理化值进行数据标准化处理。光谱在波长i处经mc处理后如下式所示：
[0059][0060]
式中，xi表示在波长i处的光谱反射率，表示全部样本反射率的平均值。
[0061]
7)数据去趋势
[0062]
dislodge tendency(dt)，即数据去趋势，在光谱分析中常被用来消除或减弱漫反射光谱的基线漂移等问题，该方法首先是按多项式将光谱xi的吸光度和波长拟合成一条趋势线di，再将di从xi减掉，减小总体变化，即：
[0063]
x
i，dt
＝x
i-di。
[0064]
表1用于土壤样品可见近红外光谱的预处理方法
[0065][0066][0067]
(3)回归算法
[0068]
总共使用了9种算法进行回归。其中，支持向量回归(svr)是机器学习领域的一种流行算法。不同的核函数，包括线性、多项式、sigmoid和径向基函数(rbf)，用于将输入映射到高维特征空间。
[0069]
假设样本为(xi,yi)，i＝1,2,3,
…
,n；其中xi＝(x
i1
,x
i2
,x
i3
,
…
,x
ip
)
t
是维度为p的解释变量，yi为第i个观测值对应的响应变量。在样本xi升级到高维数据空间里的最优线性函数为：
[0070][0071]
其中ω是权重，b为偏置项。
[0072]
在高维度中引入不敏感误差函数ε，具体定义为
[0073][0074]
不敏感误差函数ε分别有线性不敏感误差函数、二次不敏感误差函数、huber不敏感误差函数。
[0075]
径向基函数中常用高斯函数，其表示1个取值仅仅依赖于离原点距离的实值函数，是回归算法中常用的非线性核函数，公式如下：
[0076][0077]
公式中，为两个特征向量之间的平方欧几里得距离；σ是一个自由参数。
[0078]
sigmoid函数，也被称为s型生长曲线，其公式定义如下所示：
[0079][0080]
岭回归是一种专用于共线性数据分析的有偏估计回归方法，本质是改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于最小二乘法。当线性回归模型具有高度相关的自变量时，岭回归通过创建岭回归估计量来估计多元回归模型的系数，这提供了更准确的岭参数近似值。
[0081]
套索回归执行变量选择和正则化，以提高模型的预测准确性和可解释性。套索过程鼓励使用较少参数的简单稀疏模型，并且非常适合具有较高多重共线性水平的模型。
[0082]
弹性网是一种正则化回归方法，将套索和岭回归方法的惩罚线性积分，以有效地收缩系数(如在岭回归中)并将某些系数设置为零(如在套索中)。
[0083]
(4)评价指标
[0084]
本发明采用决定系数(r2)、均方根误差(rmse)和性能偏差比(rpd)作为预测评估指标。
[0085]
[0086][0087][0088]
其中，n为预测集中样本的个数，yi为第i个样本的实际化学测量值，为第i个样本的模型预测值，为yi的平均值；
[0089]
s.d是标准差，根据不同的rpd值，将模型分为不同的级别，如表2所示。
[0090]
表2基于rpd值的不同模型的类别
[0091]
rpdlevelrpd≤1.4c1.4＜rpd≤2.0brpd＞2.0a
[0092]
由于土壤物理性质和化学含量通常表现出有偏差的正态分布，与rpd相比，性能与iq(rpiq)的比率是更好的指标。rpiq是iq与rmse的比率，其中iq是第三个四分位数q3(样本的75％)和第一个四分位数q1(样本的25％)之间的差值。rpiq值越大，表明模型性能越好。
[0093]
iq＝q3-q1(4)
[0094][0095]
综上所述，比较了r2、rmse、rpd和rpiq，以进行回归模型比较。
[0096]
(5)对比结果
[0097]
1)土壤样本统计
[0098]
将188个土壤样本根据kennard-stone方法按照7:3的比例分成训练集和测试集，得到131个样本的训练集和57个样本的测试集。统计指标表明，两组土壤有效硼含量的分布模式不同，有利于模型训练和普适性，如下表3所示。
[0099]
表3土壤有效硼样品统计
[0100][0101]
预处理是准确vis-nir光谱分析的必要步骤。采用了各种预处理方法来过滤噪声并降低复杂性。图3-图4显示了具有不同预处理的反射光谱(rs)。由于sg方法通常用于降低光谱噪声和平滑曲线，因此它总是与其他预处理方法相结合，图3为未经savitzky-golay(sg)处理的平均光谱图像，图4为经savitzky-golay(sg)处理的平均光谱。由图示可以看出，除散射校正方法、snv和msc外，其他方法均显著修改了光谱曲线的图案。fd、sd和lg几乎
彻底重塑了曲线。
[0102]
2)不同回归模型的性能评估
[0103]
预处理变换和回归算法相结合，共生成了270个vis-nir光谱模型。图5展示了测试集的每个模型的r2值。无论采用哪种预处理变换，使用rbf核的svm方法在测试数据的预测中都表现出最高的r2值，具有rbf核的pls模型次之。无论采用何种回归模型，sd、msc+sd或snv+sd的预处理通常会产生最差的r2，尤其是对于snv+sd。模型的rpd水平和rpiq显示在表4和图6中，图6所示为不同预处理变换的回归模型rpiq值。与r2结果一致，带有rbf核的svm和带有rbf的pls产生了最多的a级结果。elasticnet和lasso模型的性能通常不如其他模型。
[0104]
下表4展示了每个模型的rpd水平，以确定预处理的影响。a级表示模型的稳定性最高，而c级表示稳定性最低。在没有任何预处理的情况下，rs数据集没有达到a级(表4)。elasticnet、lasso和svm_sigmoid模型呈现为c级，而ridge、svm_linear和svm_rbf模型将其级别提高到b。经过dt、lg、snv、msc、snv+dt、sg+dt或sg+snv+dt预处理后，并通过svm_rbf进一步回归，vis-nir数据可以生成a级模型(表4)。这表明dt或snv比其他预处理变换更可取。
[0105]
表4不同预处理变换的回归模型的rpd水平
[0106]
[0107][0108]
表5展示了基于预处理类型的rpd水平的统计数据。尽管预计预处理变换会降低噪声并提高准确性，但一些变换产生的结果比原始光谱更差，尤其是对于fd和sd。大多数包含fd和sd的转换导致所有的c级，这强烈表明这两种转换不适用于基于vis-nir数据的有效硼预测。与原始rs数据相比，dt和lg方法将整体性能提高到更好的水平。msc和snv的性能在某些模型中有所提高，但在其他模型中有所下降。尽管sg处理是nir数据分析中使用的典型预处理，但未检测到可观察到的改善。
[0109]
表5基于预处理的不同模型的rpd水平统计
[0110]
[0111][0112]
表6显示了基于回归方法的不同模型rpd水平的统计结果。pls模型产生了最多的a级结果，这表明其预测的稳定性。
[0113]
表6基于回归方法的不同模型的rpd水平统计
[0114][0115]
(6)vis-nir预测有效硼的有利模型
[0116]
不同的回归算法与不同的预处理相结合，为每种回归算法生成最佳模型。elasticnet和svm_rbf需要结合dt预处理来呈现最佳模型，而ridge、svm_linear和svm_sigmoid是lg的最佳搭档。sg转换方法优先用于pls。sg是lasso回归的最佳选择。所有这些组合都导致r2≥0.72，并且svm_rbf给出了最高的r2(0.82)和最佳的rpd水平(a级)。因此，不同的回归算法对应于不同的预处理以实现最佳性能，并且dt+svm_rbf在本发明实施例的所有测试模型中表现最佳。与r2和rpd水平结果一致，svm_rbf的rpiq值在这些模型中最高。综上所述，svm_rbf算法在通过vis-nir预测土壤有效硼含量方面表现出最佳性能。最佳模型的性能和参数如下表7所示。
[0117]
表7最佳模型的性能和参数
[0118]
[0119][0120]
在本发明的验证过程中进行29个预处理转换，加上原始rs数据，与9种回归算法相结合，基于土壤样品的vis-nir光谱生成了270个预测土壤有效硼含量的模型。在所有生成的模型中，带有dt预处理的svm_rbf模型和带有sg_snv_dt变换的pls_rbf模型显着优于其他模型，并分别给出r2值为0.82、0.80和rpd级别a，如表7所示。svm广泛用于vis-nir光谱的校准，非线性rbf核为高斯核。
[0121]
由于样本数量远少于特征数量，即频率数量，因此这里的高斯核起到了降维的作用。当r2、rmse、rpd和rpiq指标用于性能评估时，pls_rbf模型的性能实际上与svm_rbf的性能相差不大，如表7所示。最好的两个模型都利用了rbf模型，这表明了高斯核在预测土壤有效矿物质方面的有效性，并巩固了降维对土壤含量预测的必要性。dt预处理方法过滤了这一趋势并反映真实波动，从而消除欺骗性的相关性。此外，dt转换通常发生在snv之后，结果也表明svm_rbf模型中单独的snv和snv+dt预处理显示出a级结果，如表4所示。无论采用何种回归算法，当与其他变换叠加时，dt预处理似乎都能普遍提高模型性能。该结果还表明，当使用回归算法进行良好调整时，snv可能会生成可接受的土壤有效硼预测模型。
[0122]
同时，如表7所示，rbf内核(svm或pls)生成了最多的a级模型，svm_rbf模型的r2值为0.82最大，如表7所示。这表明rbf核可能特别适用于某些(但不是全部)预处理。相比之下，svm_rbf模型的预测精度要更高。
[0123]
尽管预处理转换有望平滑曲线、降低噪声并提高模型性能，但并非所有预处理在土壤有效硼预测中都是有效的。作为土壤光谱曲线的标准准备，savitzky-golay几乎用于每一次近红外分析。然而，结果表明sg对模型性能改进的贡献很小。在某些模型中，它甚至导致性能更差，例如在elasticnet模型中dt+sg与单独使用dt，如表4所示。此外，sd变换导致几乎所有模型的性能严重下降，强烈表明该方法不适用于基于vis-nir的土壤有效化学含量预测分析。
[0124]
综上可知，最优的土壤硼含量预测模型是从dt预处理的光谱数据中生成的，带有rbf核函数的svm算法，其次是sg_snv_dt变换，带有rbf核的pls。在svm_rbf模型的c200000、
gamma1的参数下，达到了0.82的高r2值和rpd级别a。svm_rbf算法明显优于其他算法，并且在大多数情况下sd预处理导致性能较差。
[0125]
实施例2
[0126]
(1)采集实验样本。
[0127]
实验样本是2018年7月16日到7月19日在某省两地油菜田采集的，因油菜是喜硼作物，需硼量高且吸硼能力强，对硼素营养非常敏感。共计采集了200份土壤样本(其中有效样本188份)，采集时间恰好是油菜成熟收割以后，这一时期的数据受其他外界因素影响少，并且能很好的表明土壤有效硼信息。数据采集主要是包括野外土壤样品采集以及室内光谱测量。采集土壤时，为减少土壤样本营养元素成分含量分布不均造成的误差，且具有代表性，采用对角线式采样法。
[0128]
采样过程为：首先将土壤表面的植被和石块等杂质去除，然后用取土器采集耕作层20cm深度的土壤，再将采集的土壤进行充分的混合，利用“四分法”去掉多余的土壤，收集1.5kg左右的纯土壤样本作为1份实验样本。最后使用无菌密封袋装袋，并且使用黑色记号笔在袋子上做好标记方便识别。
[0129]
测量获取土壤光谱在实验室内进行，实验操作需两名人员配合工作，选在每天上午9点至下午16点的时间段，以确保光线充足稳定，减少干扰。首先将前面经过风干、研磨、过筛的土壤样品装进直径4.5cm，深2.5cm的实验室土壤铝盒中，底部垫上一层厚实丝绒黑布，丝绒黑布的作用是避免杂散光干扰。然后用钢尺使土样表面平坦光滑，接着一人手持光谱仪反射探头压实土壤，保持平稳静止五秒钟，防止杂光干扰以及漏光，同时另一名辅助人员利用电脑打开仪器控制uspectral-rit软件进行光谱采集，对于每个土壤样本，固定选取3处进行光谱测量，每个土壤样本测量3条光谱，取其平均值作为土壤样本的原始光谱dn值。为了减少实验误差，整个实验参与人员、实验步骤、操作流程皆维持固定不变。
[0130]
光谱采集的仪器选用蔚海光学仪器有限公司生产的便捷式地物非成像光谱仪(型号：ofs-1700)，波段范围是200nm-1700nm，实验工作环境温度为常温。在实验室内搭建地物非成像高光谱采集系统用于采集土壤样本的非成像高光谱数据，该系统主要由ofs-1700光谱仪、标准地物反射探头、联想thinkpade450电脑和光纤等部件组成。
[0131]
ofs-1700光谱仪的光谱范围为200nm-1700nm(由于光谱的首尾部分存在较大的噪声，通常截去首尾噪声较大的光谱区域，选取350-1655nm作为光谱研究区域)，其内部是由两个不同的传感器组合而成(在进行土壤光谱测量过程中两个传感器的连接部分会产生大量噪声，在建模分析的过程中为了所建立的预测模型具有更加稳定的效果，应删掉两个传感器连接部分具有较大噪声的波段)，由于两个传感器的光谱分辨率不相同，因此单个光谱数据采集的时间也会有所差异。在利用ofs-1700光谱仪采集土壤近红外高光谱数据的时候，标准地物反射探头通过光纤和光谱仪连接，反射探头里面的光源发出的光经土壤反射进入到光谱仪，光谱仪中的传感器对反射进来的光做出响应，仪器内部把土壤反射的光转换成为亮度值(dn值)，再通过uspectral-rit软件把光谱仪采集到的dn值(注意：这里光谱仪测得的直接数据是土壤的亮度值，非反射率)以txt文件的形式保存下来，txt文件里面包括两项内容，第一列是各个波长点的波长数值，第二列则是每个波长点所对应的dn值。在每个土壤样本测量之前首先对光谱仪进行一次标准白板校正，并且分别保存白板在信号明和信号暗时的dn值文件，然后利用上述同样的方法对土壤样本进行光谱测量，保存下土壤样
本在信号明和信号暗时的dn值文件，再通过公式计算得到土壤光谱反射率数据。
[0132]
反射率计算公式：
[0133]
式中：r表示被测样本反射率值，s
样本明
表示把探头放在被测物体上，开灯状况下的dn值数据，s
样本暗
表示把探头放在被测物体上，关灯状况下的dn值数据，s
标准明
表示把探头放在标准白板上，开灯状况下的dn值数据，s
标准暗
表示把探头放在标准白板上，关灯状况下的dn值数据。
[0134]
(2)对采集的土壤样本进行土壤相关理化参数的测量。
[0135]
采集的土壤样本数据送到了安徽农业大学资源与环境学院，并由专业人员测量土壤相关的理化参数。
[0136]
(3)采用本发明的vis-nir光谱模型对土壤样本光谱进行预测分析，获得土壤有效硼含量预测数值，与通过土壤参数测量获得的有效硼含量进行对比，验证本发明的预测可靠性。
[0137]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0138]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。