基于可见光近红外光谱技术的土壤铜含量估算方法技术

本发明专利技术涉及的一种基于可见光近红外光谱技术的土壤铜含量估算方法，其是通过(1)土壤样本的采集，(2)可见光近红外光谱测定，(3)光谱的预处理，(4)土壤铜含量参考值的测定，(5)估算模型的建立和(6)未知样本土壤的铜含量估算6个步骤实现，基于可见光近红外光谱技术，利用小波神经网络法建立土壤的可见光近红外反射率光谱与铜含量之间的估算模型，从而将未知土壤样本的可见光近红外反射率光谱代入估算模型中，从而确定未知土壤样本的铜含量，本发明专利技术的测定无需与样本直接接触，是完全的无损测量，而且操作过程和土壤铜含量的计算方法简单，测定速度大大加快，而且无需添加其他化学试剂等，环保无污染。

【技术实现步骤摘要】

本专利技术涉及光谱数据的处理和土壤检测领域，具体涉及一种基于可见光近红外光谱技术的土壤铜含量估算方法。
技术介绍
铜(Cu)是植物中氧化酶或细胞特定的结构组件所不可缺少的组成部分，铜含量的升高，能够强烈影响植物中染色质(光合作用器官)的生长和衰老过程。土壤中铜含量的减少，会影响植物的光合作用和代谢过程，而土壤中铜含量的升高，会导致植物吸收了过量的铜，使得植物细胞膜及多种细胞器的膜系统易受损伤，影响植物的过合作用过程。因而，准确、及时地估算土壤中的含量显得尤为重要。申请号为201310112158.3的专利技术公开了一种测定土壤中金属元素汞的方法，所述测定法包括以下步骤：(1)预处理：取未知土壤样本1g作为试样，将该待测试样浸泡于消解液1中，然后加热到80℃-100℃之间某一温度恒温30分钟；该消解液1为HNO3与HCL的混合溶液100mL；再向该混合溶液中加入消解液2,然后加热到120℃-140℃之间某一温度恒温30分钟,该消解液2是HNO3与HClO4的混合溶液100mL；冷却至室温后取经过处理过的试液10ml，用水定容到50ml作为测定用试液备用；(2)金属汞元素测定所需工作曲线的绘制：移取一组已知汞含量的标准土壤样品，采用步骤(1)预处理相同的消解方法进行消解得到一组均匀的标准土壤样品溶液；然后引入到电感耦合等离子体原子发射光谱仪中测定，绘制测定标准工作曲线；该工作曲线的相关系数≥0.999，以满足未知土壤样本测定金属汞的要求；(3)土壤中金属汞元素测定：将步骤(1)中的待测试液引入电感耦合等离子体原子发射光谱仪，根据步骤(2)得到的标准工作曲线确定待测试样中金属汞元素的含量。申请号为201210449109.4的专利技术公开了一种土壤中全量钒的测定方法，所述测定法包括以下步骤：(1)未知土壤样本样品预处理：先称取土壤样品放于锥形瓶中，加入王水，在有通风厨的电炉上加热冒烟到近干，取下土壤样品冷却后加入高氯酸，再加热并冒白烟，消除硝酸在土壤样品近粘稠状后取下冷却加入稀盐酸溶解后，用蒸馏水过滤定容到容量瓶中，摇匀静置得含钒土壤溶液待测；(2)土壤中全量钒测定：取含钒土壤溶液于比色管中，依次加入显色剂、过氧化氢溶液和盐酸溶液；再依次加入掩蔽剂后静置后摇匀放置，用比色皿于575nm波长处测定有色络合物的吸光度，并记录测量结果，待分析计算；(3)结果计算。可见光近红外光谱技术是指利用可见光和近红外光谱波段包含的细致丰富的光谱特征描述，主要根据物质的光谱来鉴别物质及确定它的化学组成和相对含量的方法。土壤有机质、铁锰氧化物以及粘土矿物对土壤重金属有吸附或赋存关系，土壤中的这些组分影响土壤反射率光谱形态及反射率的大小，同时在土壤反射率光谱中显示其特定的光谱吸收特性，这就为利用土壤可见光近红外反射光谱定量估算土壤中的铜元素含量提供了理论依据。上述方法测试步骤多、操作复杂、试剂用量大、检测周期长，误差大。因此，需要提供一种能够快速、准确地估算土壤中铜含量的方法。目前，针对于尾矿区域中土壤铜含量的可见光近红外快速测定未见报道。可见光近红外光谱分析技术在土壤重金属含量估算有着广阔的应用前景。
技术实现思路
针对现有技术的不足，本专利技术提出测定速度快、测定结果准确可靠、能够实现无损测量的一种基于可见光近红外光谱技术的土壤铜含量估算方法。为了实现上述目的，本专利技术所采用的技术方案由以下步骤组成：(1)土壤样本的采集在尾矿区域农田内采集土壤表层样本作为参考土壤，分为n份，n≥10，去除杂质；(2)可见光近红外光谱测定用光谱仪获取每份参考土壤的反射率光谱数据，波谱范围为350～2500nm；(3)光谱的预处理对参考土壤的反射率光谱中的可见光近红外反射率光谱进行包络线去除，得到包络线去除之后的参考土壤的可见光近红外反射率光谱；(4)土壤铜含量参考值的测定采用火焰原子吸收分光光度法对每份参考土壤中的总铜含量进行测定，得到每份参考土壤的铜含量参考值；(5)估算模型的建立采用小波神经网络建立可见光近红外反射率光谱与参考土壤铜含量参考值之间的估算模型，其中小波神经网络公式如下：yj=Σi=1Mwjiψi(x1,x2,x3,...,xNi)+yj‾,i=1,2,...,M;j=1,2,...,N0---(1)]]>式中，ψi(x1,x2,x3,...,xNi)是多维小波函数，ψi(x1,x2,x3,...,xNi)=Πk=1Niψ(xkwik-tikλik),k=1,2,...,N;i=1,2,3,...,M---(2)]]>表示Morlet小波函数；(3)Ni代表输入层的数目，wik表示网络连接权重，tik表示伸缩因子，λik表示平移因子，k表示输入层数，i表示隐含层层数；wji是连接第i个隐含层的小波神经元与第j个输出结点的输出权重系数，需要一个偏差值来处理非零均值函数；(6)未知样本土壤铜含量估算采集未知土壤样本的反射率光谱，经步骤(3)的预处理后，将所得光谱参数输入到步骤(5)的估算模型中，即可估算出未知土壤样本的铜含量。上述述步骤(3)中，预处理方法可由以下步骤组成：(3.1)将步骤(2)采集的每份参考土壤的反射率光谱保留350～1230nm范围内的可见光近红外反射率光谱，剔除其余光谱波段；(3.2)对(3.1)保留的可见光近红外反射率光谱做均一化平滑处理，将光谱仪所采集的每份参考土壤的10条光谱曲线取平均值作为该参考土壤所对应的光谱曲线；(3.2)按照式(1)计算出包络线，对参考土壤的光谱进行包络线去除；CR=ρλρcλ]]>其中：λ表示特定的波长，ρλ表示特定波长的光谱反射率，ρcλ表示相关联的反射率包络线。上述步骤(5)的具体方法由以下步骤组成：(5.1)网络初始化随机初始化小波神经网络的伸缩因子tik、平移因子λik和网络连接权重wji，设置网络学习速率η；(5.2)样本分类用步骤(3)所得参考土壤样品的可见光近红外反射率光谱与步骤(4)所得的铜含量参考值数据集来建模，采用交叉验证方法优化小波神经网络模型，设定交叉验证的范围n，将输入样本数据均分成n组，任意选取其中n-1组子集数据作为训练集，剩余1组作为验证集；(5.3)估算输出将训练集输入小波神经网络，其中输入层为参考土壤样品的可见光近本文档来自技高网...

【技术保护点】
一种基于可见光近红外光谱技术的土壤铜含量估算方法，由以下步骤：(1)土壤样本的采集在尾矿区域农田内采集土壤表层样本作为参考土壤，分为n份，n≥10，去除杂质；(2)可见光近红外光谱测定用光谱仪获取每份参考土壤的反射率光谱数据，波谱范围为350～2500nm；(3)光谱的预处理对参考土壤的反射率光谱中的可见光近红外反射率光谱进行包络线去除，得到包络线去除之后的参考土壤的可见光近红外反射率光谱；(4)土壤铜含量参考值的测定采用火焰原子吸收分光光度法对每份参考土壤中的总铜含量进行测定，得到每份参考土壤的铜含量参考值；(5)估算模型的建立采用小波神经网络建立包络线去除后的可见光近红外反射率光谱与参考土壤铜含量参考值之间的估算模型，其中小波神经网络公式如下：yj=Σi=1Mwjiψi(x1,x2,x3,...,xNi)+yj‾i=1,2,...,M;j=1,2,...,N0---(1)]]>式中，ψi(x1,x2,x3,...,xNi)是多维小波函数，ψi(x1,x2,x3,...,xNi)=Πk=1Niψ(xkwik-tikλik)k=1,2,...,N;i=1,2,3,...,M---(2)]]>表示Morlet小波函数；    (3)Ni代表输入层的数目，wik表示网络连接权重，tik表示伸缩因子，λik表示平移因子，k表示输入层数，i表示隐含层层数；wji是连接第i个隐含层的小波神经元与第j个输出结点的输出权重系数，需要一个偏差值来处理非零均值函数；(6)未知样本土壤的铜含量估算测量未知样本土壤的反射率光谱，经步骤(3)的预处理后，将所得光谱参数输入到步骤(5)的估算模型中，即可估算出未知土壤样本的铜含量。...

【技术特征摘要】
1.一种基于可见光近红外光谱技术的土壤铜含量估算方法，由以下步骤：
(1)土壤样本的采集
在尾矿区域农田内采集土壤表层样本作为参考土壤，分为n份，n≥10，
去除杂质；
(2)可见光近红外光谱测定
用光谱仪获取每份参考土壤的反射率光谱数据，波谱范围为350～
2500nm；
(3)光谱的预处理
对参考土壤的反射率光谱中的可见光近红外反射率光谱进行包络线去
除，得到包络线去除之后的参考土壤的可见光近红外反射率光谱；
(4)土壤铜含量参考值的测定
采用火焰原子吸收分光光度法对每份参考土壤中的总铜含量进行测定，
得到每份参考土壤的铜含量参考值；
(5)估算模型的建立
采用小波神经网络建立包络线去除后的可见光近红外反射率光谱与参考
土壤铜含量参考值之间的估算模型，其中小波神经网络公式如下：
yj=Σi=1Mwjiψi(x1,x2,x3,...,xNi)+yj‾i=1,2,...,M;j=1,2,...,N0---(1)]]>式中，ψi(x1,x2,x3,...,xNi)是多维小波函数，
ψi(x1,x2,x3,...,xNi)=Πk=1Niψ(xkwik-tikλik)k=1,2,...,N;i=1,2,3,...,M---(2)]]>表示Morlet小波函数；    (3)
Ni代表输入层的数目，wik表示网络连接权重，tik表示伸缩因子，λik表
示平移因子，k表示输入层数，i表示隐含层层数；
wji是连接第i个隐含层的小波神经元与第j个输出结点的输出权重系数，
需要一个偏差值来处理非零均值函数；
(6)未知样本土壤的铜含量估算
测量未知样本土壤的反射率光谱，经步骤(3)的预处理后，将所得光谱
参数输入到步骤(5)的估算模型中，即可估算出未知土壤样本的铜含量。
2.根据权利要求1所述的基于可见...

【专利技术属性】
技术研发人员：吕杰，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西;61