一种土壤总氮的红外光谱分析方法技术

本发明专利技术属于土壤总氮含量分析技术领域，具体涉及一种土壤总氮的红外光谱分析方法。本发明专利技术的分析方法包括如下步骤：步骤1，采集土壤样品的近红外光谱，得到近红外光谱数据；步骤2，通过SG平滑算法对所述近红外光谱数据进行预处理；步骤3，通过预测模型对经过步骤2预处理后的近红外光谱数据进行预测，得到总氮含量结果。本发明专利技术在对土壤总氮的红外光谱分析方法中加入了预处理步骤，同时对预处理算法、建模算法、建模参数等进行了优选，能够提高模型预测土壤总氮含量的准确性，在农业、环保和生物研究等领域具有很好的应用前景。究等领域具有很好的应用前景。究等领域具有很好的应用前景。

【技术实现步骤摘要】
一种土壤总氮的红外光谱分析方法


[0001]本专利技术属于土壤总氮含量分析
，具体涉及一种土壤总氮的红外光谱分析方法。

技术介绍

[0002]土壤中营养元素的含量不仅影响植被和农作物的生长，同时还会影响区域生态质量以及动植物种群的分布。因此，对土壤中营养元素的测定已成为现代环境科学、农业科学以及生态学等领域的迫切需求。
[0003]氮是许多生物进行生化反应所需要的基本元素，是构成DNA、RNA等生物分子的四种基本元素之一，同时其也是蛋白质的组成元素之一。氮元素还在植物的光合作用中起作用，它在相关化学反应中用来制造叶绿素分子。土壤氮(总氮)可以促进农作物叶、根和茎的生长发育，因此总氮能够影响农作物生长的品质。因此，土壤的总氮含量的测定对农作物生长、相关科学研究和环境监控等是非常重要的。
[0004]目前，普遍用于土壤中总氮分析的国家标准方法(HJ 717
‑
2014)为一种基于实验室分析的化学方法，该方法虽然能够准确分析土壤中的总氮含量，但是却存在分析速度慢、操作复杂、分析成本高、容易造成二次污染，并且很难应用于野外现场分析。
[0005]因此，人们开始开发其他的土壤总氮分析技术。近红外光谱法是一种基于光谱技术的物理分析法，具有分析速度快、低成本、无试剂消耗、以及能实现多组分同时测定，并且仪器小巧轻便，可适用于野外分析等优点受到人们的广泛关注。中国专利技术专利申请“CN108982406A一种基于算法融合的土壤氮素近红外光谱特征波段选取方法”公开了一种利用近红外光谱数据分析土壤总氮含量的方法，该方法中利用向后区间偏最小二乘法BIPLS与竞争自适应权重采样法CARS融合的方式，分别选择出土壤的近红外光谱特征区间与特征变量，对两种算法的结果进行优化融合后确定该土壤的近红外光谱特征区间；再次用PLS算法建立特征波段光谱与土壤氮素含量之间的预测模型。
[0006]通常土壤中化学成分复杂，且氮元素相对于其他大量含有的元素属于含量较低的元素。因此在测量土壤的近红外光谱吸收时，会发现与含氮化合物相关的吸收强度都比较小，且容易被噪音或其他波峰干扰或叠加。因此若直接对近红外光谱的原始谱图进行分析，将难以获得准确的土壤总氮分析结果。

技术实现思路

[0007]针对现有技术的缺陷，本专利技术提供一种土壤总氮的红外光谱分析方法，目的在于对土壤总氮含量进行准确的分析。
[0008]一种土壤总氮的红外光谱分析方法，包括如下步骤：
[0009]步骤1，采集土壤样品的近红外光谱，得到近红外光谱数据；
[0010]步骤2，通过SG平滑算法对所述近红外光谱数据进行预处理；
[0011]步骤3，通过预测模型对经过步骤2预处理后的近红外光谱数据进行预测，得到总
氮含量结果。
[0012]优选的，所述土壤样品采集自成都平原。
[0013]优选的，步骤3包括如下步骤：采用全波长预测模型对所述预处理后的近红外光谱数据进行预测，得到总氮含量结果；所述全波长预测模型通过PLSR算法或ANN算法建模得到。
[0014]优选的，所述全波长预测模型通过PLSR算法建模得到。
[0015]优选的，所述PLSR算法的主成分数量设置为10。
[0016]优选的，步骤3包括如下步骤：
[0017]步骤3A，采用CARS算法或Random
‑
frog算法从所述预处理后的近红外光谱数据中选择特征波长，获得特征波长范围内的近红外光谱数据；
[0018]步骤3B，采用特征波长预测模型对所述特征波长范围内的近红外光谱数据进行预测，得到总氮含量结果；所述特征波长预测模型通过PLSR算法建模得到。
[0019]优选的，所述特征波长为1430
±
1nm、1431
±
1nm、1435
±
1nm、1442
±
1nm、1445
±
1nm、1456
±
1nm、1461
±
1nm、1465
±
1nm、1477
±
1nm、1482
±
1nm、2873
±
1nm、2885
±
1nm、2909
±
1nm和2920
±
1nm；
[0020]或所述特征波长为1430
±
1nm、1431
±
1nm、1435
±
1nm、1442
±
1nm、1445
±
1nm、1456
±
1nm、1461
±
1nm、1465
±
1nm、1477
±
1nm、1482
±
1nm、2873
±
1nm、2885
±
1nm、2909
±
1nm和2920
±
1nm。
[0021]本专利技术还提供一种计算机设备，用于土壤总氮的红外光谱分析，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述土壤总氮的红外光谱分析方法。
[0022]本专利技术还提供一种土壤总氮的红外光谱分析系统，包括：
[0023]红外光谱采集和/或输入装置，用于采集和/或输入近红外光谱数据；
[0024]上述计算机设备，用于分析近红外光谱数据，得到总氮含量结果。
[0025]本专利技术还提供一种计算机可读存储介质，其特征在于：其上存储有计算机程序，所述计算机程序用于实现上述土壤总氮的红外光谱分析方法。
[0026]本专利技术对土壤总氮的红外光谱分析方法进行了改进，在通过模型进行预测前加入了红外光谱数据的预处理步骤，同时，本专利技术还对预处理算法、模型建模方法等进行了优化。通过对预测结果的相关系数、决定系数、均方根误差和相对分析误差等参数进行比较可知，本专利技术的方法用于预测土壤总氮含量具有更好的准确性。
[0027]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0028]以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一步的详细说明。但不应将此理解为本专利技术上述主题的范围仅限于以下的实例。凡基于本专利技术上述内容所实现的技术均属于本专利技术的范围。
附图说明
[0029]图1为土壤样品的近红外光谱原始数据；
[0030]图2为通过SG平滑算法处理后的近红外光谱数据；
[0031]图3为通过移动平均法处理后的近红外光谱数据；
[0032]图4为通过一阶导数法处理后的近红外光谱数据；
[0033]图5为通过二阶导数法处理后的近红外光谱数据；
[0034]图6为通过标准正态变化处理后的近红外光谱数据；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种土壤总氮的红外光谱分析方法，其特征在于，包括如下步骤：步骤1，采集土壤样品的近红外光谱，得到近红外光谱数据；步骤2，通过SG平滑算法对所述近红外光谱数据进行预处理；步骤3，通过预测模型对经过步骤2预处理后的近红外光谱数据进行预测，得到总氮含量结果。2.按照权利要求1所述的分析方法，其特征在于：所述土壤样品采集自成都平原。3.按照权利要求1所述的分析方法，其特征在于，步骤3包括如下步骤：采用全波长预测模型对所述预处理后的近红外光谱数据进行预测，得到总氮含量结果；所述全波长预测模型通过PLSR算法或ANN算法建模得到。4.按照权利要求3所述的分析方法，其特征在于：所述全波长预测模型通过PLSR算法建模得到。5.按照权利要求4所述的分析方法，其特征在于：所述PLSR算法的主成分数量设置为8。6.按照权利要求1所述的分析方法，其特征在于，步骤3包括如下步骤：步骤3A，采用CARS算法或Random
‑
frog算法从所述预处理后的近红外光谱数据中选择特征波长，获得特征波长范围内的近红外光谱数据；步骤3B，采用特征波长预测模型对所述特征波长范围内的近红外光谱数据进行预测，得到总氮含量结果；所述特征波长预测模型通过PLSR算法建模得到。7.按照权利要求6所述的分析方法，其特征在于：所述特征波长为1430
±
1nm、1431
±
1nm、1435
±
1nm、1442
±
1nm、1445
±
1nm、1456
±
1nm、1461
±
1nm、1465
±
1nm、1477
...

【专利技术属性】
技术研发人员：冷庚，刘哲，许文波，贾海涛，罗欣，常乐，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：