基于红外光谱智能鉴定模型的土壤有机质快速检测方法：采集土壤样品；采集中红外光声光谱信息，连续多次扫描取平均光谱；采用化学方法分析土壤样品的有机质含量；将光谱信息预处理；采集待测土壤样本的中红外光声光谱信息；取平均光谱并预处理；测定待测样本的化学参考值；计算待测样本与训练样本间马氏距离，由小到大建立新序列矩阵；新序列矩阵根据待测样本的特点，建立不同建模数目的预测模型；对模型参数进行评价，选择最佳建模数目并优化，得到智能土壤鉴定模型。本发明专利技术针对每个样品光谱建立符合其光谱特征“一样本一模型”的智能鉴定模型，能有效降低土壤背景干扰及变异性影响，智能鉴定模型普适性强，模型稳健，有效提高预测精确性。
【技术实现步骤摘要】
本专利技术属于农业信息化领域，具体设及一种基于中红外光声光谱建立智能鉴定模 型对检测±壤有机质含量的快速、精确、无损的测定方法。
技术介绍
±壤有机质是±壤的重要组成部分，也是农田±壤肥力和±壤质量的重要指标， ±壤有机质含量的快速检测对于农田精准施肥具有重要意义。 目前传统的测定±壤有机质含量一般采用重铭酸钟容量法、水合热重铭酸钟氧 化-比色法等，运些方法需要对样本进行预处理、操作复杂、成本较高、测试周期长、且需要 大量化学试剂，易污染环境，不适合大规模快速测定要求。 近年来红外光谱技术已经用于±壤的定性定量分析。中红外光光声光谱是一种基 于现代光声转换的红外光谱，其原理是将红外光入射到光声附件的样品池中，样品受到红 外光照射后产生热效应，光声池中的气体受到热效应后转化为热波，热波被敏感的微音器 检测，得到红外光声光谱。红外光声光谱测样无需前处理、对样品无损、可实现原位测定，在 农业中显示出很好的应用潜力。 将红外光谱与化学计量学方法相结合，构建预测模型，可实现对±壤有机质含量 的预测，该类模基于给定样本进行模型构建，模型单一稳定，且校正集和验证集相对固定。 但±壤结构复杂，背景干扰大，且±壤变异系数大，不同采样点±壤具有不同特征，易受背 景干扰影响，且建模样本数过少或过多都会影响模型的精确度和普适性。如何将红外光谱 与化学计量学相结合，构建和优化模型，实现±壤性质快速、精确的预测，对±壤有机质含 量的测定具有重要的意义，也是该领域的研究重点与难点。
技术实现思路
针对上述问题，本专利技术提供一种智能化学计量学建模方法，可W实现对±壤有机 质含量快速、精确、无损的检测。通过检测上壤样品的红外光声光谱信息，将待测的样品光 谱与已知光谱样本通过相似性进行排序鉴定，针对每一种±壤样品不同特征，选择最相似 ±壤光谱矩阵与最佳建模样本数目建立化SR模型预测，形成"一样一模型"的智能鉴定模 型，能够有效降低±壤背景干扰。该方法与W往单纯采用区域全部±壤样本光谱预测建模 方法相比，其模型稳定性和预测精度大大提高，模型普适性更强，实现了对±壤样品有机质 进行快速、精确的检测。 本专利技术的技术方案如下： 一种基于红外光谱智能鉴定模型的±壤有机质快速检测方法快速、精确、无损的模型 建立方法，包含W下步骤： (1) :采集±壤样品，划分训练样本和待测样本； (2) :±壤训练样本取样，置于傅里叶变换中红外光谱仪-光声附件样品池中，采集中红 外光声光谱信息，连续多次扫描，取平均光谱； (3) :采用化学方法分析步骤(1)中已测光谱的±壤样品的有机质含量； (4) :将步骤(2)采集的光谱信息进行预处理，采用消噪、平滑、标准化预处理； 巧）：待测±壤样本取样，置于傅里叶变换中红外光谱仪-光声附件样品池中，采集中红 外光声光谱信息;连续多次扫描，取平均光谱，并通过步骤(4)的方法对待测样本的光谱进 行预处理。根据步骤(3)方法，测定待测样本的化学参考值； (6) :每次提取一个预处理好待测样本光谱，通过马氏距离方法进行计算比较，并根据 待测样本与训练样本间的马氏距离建立从小到大的新序列矩阵； (7) :新序列矩阵根据待测样本的特点，通过偏最小二乘回归(PLSR)方法建立各自的预 测模型，并根据不同建模集数目得到不同的化SR模型； (8) :通过相关指标如样本的标准差SD、相关系数R2,均方根误差RMSEW及模型预测性 能综合性评价指标RPD，W及验证模型的均方根误差RMSEP和预测样本的均方根误差 PRMSECV的比值对化SR中不同建模集数目所建立的不同模型进行评价； (9) :通过步骤(6)、（7)、（8)的方法，对每一个待测样本进行模型的建立与优化，得到最 佳"一样一模型"的智能上壤鉴定模型。 将待测样本光谱带入模型，对有机质含量进行计算与预测，得出预测值;然后利用 步骤(5)化学方法所得化学参考值与智能鉴定模型预测所得的预测值进行比较，所构建的 智能鉴定模型对化学参考值基本一致，预测结果可靠。 更优化和更具体地说，本专利技术各步骤操作方法如下： (1):采集±壤样品，对采集的样本进行风干、研磨并通过2mm孔筛。划分训练样本和待 测样本。 (2):±壤训练样本取样每份100-200mg，置于傅里叶变换中红外光谱仪(Nicolet 6700 Jhermo Fisher Scientific,USA)-光声附件(PA 300，MTEC,USA)样品池中，采集中红 外光声光谱信息，采集波长范围为4000-400cm-i，扫描分辨率为4cm-i;动镜速率为0.3162cm -Is，32次连续扫描取平均光谱，测试之前采用炭黑进行背景校正。 (3):采用化学方法分析步骤（1)中已测光谱的±壤样品的有机质含量，优选方法 为水合热重铭酸钟氧化-比色法。 (4):将步骤(2)采集的光谱信息进行预处理，采用消噪、平滑、标准化预处理(杜昌 文，《±壤红外光声光谱原理及应用》，科学出版社，北京，2012版）。具体方法如下:去噪平滑 方法采用小波滤波进行，Matlab软件中提供很多数字滤波函数，采用mtmt函数进行，其 语法结构为： =butter(n,wn, ' low'） SpectrumF = filtfi It (b,a, spectrum) 其中变量a，b为尺数程序定义了一个n阶截止频率为wn的己特沃兹滤波器，low表示截 止频率为wn的低通滤波，光谱Spectr皿滤波后，返回值为SpectrumF。标准化采用Matlab软件中提供的标准化函数： =mapminmas( spectrum) 其中pn是标准后的数据，PS是含有原数据平均数与标准差信息的数据。 (5):采集待测±壤样本取样每份100-200mg，置于傅里叶变换中红外光谱仪 (Nicolet6700,Thermo Fisher Scientific,USA)-光声附件（PA 300，MTEC,USA)样品池中， 采集中红外光声光谱信息，采集波长范围为4000-400cnfi，扫描分辨率为4cnfi;动镜速率为 0.3162cnfis，32次连续扫描取平均光谱，并通过步骤(4)的方法对待测样本的光谱进行预处 理。根据步骤(3)方法，测定待测样本的化学参考值。 (6):每次提取一个待测样本，将经步骤(4)预处理好的待测样本光谱通过马氏距 离方法进行计算比较。两样本之间的马氏距离的十算公式如下：其中X为训练样本的光谱数据向量，y为待测样本的光谱数据向量，S为待测样本协方差 矩阵;计算待测样本与训练样本的马氏距离，并将马氏距离按照从小到大排序组成新序列 集，该计算方法可通过Mat lab 2013a软件计算得出。 (7):新序列矩阵根据待测样本的特点，通过偏最小二乘回归(PLSR)方法建立各自 的预测模型。每个待测的样本的预测模型中，建模的样本数目分别为25个、30个、35个、40 个，……，W间隔为数目为5个递增，依次类推，直至光矩阵的最大数目为建模集输入，分别 采用Leave-one-out交叉验证方法，得到不同建模集数目的化SR预测模型。 (8):通过相关指当前第1页1 2 3 本文档来自技高网...
【技术保护点】
一种基于红外光谱智能鉴定模型的土壤有机质快速检测方法，其特征在于，步骤如下：(1)：采集土壤样品，划分训练样本和待测样本；(2)：土壤训练样本取样，置于傅里叶变换中红外光谱仪‑光声附件样品池中，采集中红外光声光谱信息，连续多次扫描，取平均光谱；(3)：采用化学方法分析步骤(1)中已测光谱的土壤样品的有机质含量；(4)：将步骤(2)采集的光谱信息进行预处理，采用消噪、平滑、标准化预处理；(5)：待测土壤样本取样，置于傅里叶变换中红外光谱仪‑光声附件样品池中，采集中红外光声光谱信息；连续多次扫描，取平均光谱，并通过步骤(4)的方法对待测样本的光谱进行预处理；根据步骤(3)方法，测定待测样本的化学参考值；(6)：每次提取一个预处理好待测样本光谱，通过马氏距离方法进行计算比较，并根据待测样本与训练样本间的马氏距离建立从小到大的新序列矩阵；(7)：新序列矩阵根据待测样本的特点，通过偏最小二乘回归(PLSR)方法建立各自的预测模型，并根据不同建模集数目得到不同的PLSR模型；(8)：通过相关指标如样本的标准差SD、相关系数R2，均方根误差RMSE以及模型预测性能综合性评价指标RPD，以及验证模型的均方根误差RMSEP和预测样本的均方根误差PRMSECV的比值对PLSR中不同建模集数目所建立的不同模型进行评价；(9)：通过步骤(6)、(7)、(8)的方法，对每一个待测样本进行模型的建立与优化，得到最佳“一样一模型”的智能土壤鉴定模型。...
【技术特征摘要】
【专利技术属性】
技术研发人员：杜昌文，马菲，周健民，
申请(专利权)人：中国科学院南京土壤研究所，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。