一种集成机器学习的土壤重金属浓度检测方法及系统技术方案

本发明专利技术公开了一种集成机器学习的土壤重金属浓度检测方法及系统，涉及计算机应用技术领域，所述方法包括：得到目标光谱数据，其中包括多类重金属光谱数据；提取目标重金属光谱数据，预处理得到目标光谱处理结果；得到目标理化指标参数，其中包括多个理化指标的多个参数；筛选得到目标指标参数因素；依次训练得到支持向量机矫正模型、循环神经网络矫正模型、梯度提升决策树矫正模型，融合得到智能矫正模型；处理得到输出信息；得到重金属浓度检测结果。解决了现有技术中对土壤中重金属检测效率低、检测准确度不够的技术问题。达到了提高土壤中重金属检测的智能化程度，进而提高土壤中重金属检测效率，同时提高土壤中重金属检测精度的技术效果。度的技术效果。度的技术效果。

【技术实现步骤摘要】
一种集成机器学习的土壤重金属浓度检测方法及系统


[0001]本专利技术涉及计算机应用
，尤其涉及一种集成机器学习的土壤重金属浓度检测方法及系统。

技术介绍

[0002]重金属是影响生态环境质量的重要污染物，因其持久性、毒性和生物累积放大作用等给生态系统和人类健康带来巨大威胁。其中，土壤重金属污染问题一直较为突出，示范性的如镉、铅、汞、铜、铬、砷、镍、铁、锰、锌等土壤重金属严重威胁食品安全、农业生产以及生态环境。此外，由于重金属污染物一旦进入环境介质中短期内难以被及时发现，因此，对土壤中的重金属种类及其污染程度进行快速准确的评估极为重要。现有技术中一般通过在现场采集样品后在实验室强酸高温进行提取，进而通过用大型台式仪器进行实验室分析，示范性的如原子吸收光谱仪、原子荧光光谱仪、电感耦合等离子体发射光谱仪等，存在前处理和测定过程繁琐、分析周期长，进而导致检测效率低的技术问题。此外，由于土壤理化性质，如温度、含水率、电导率等的影响，导致土壤重金属检测准确性不高，影响检测可靠性。因此，研究利用计算机技术对土壤中的重金属进行快速、准确的检测，具有重要意义。
[0003]然而，现有技术中通过化学分析法对土壤中重金属进行检测时存在检测效率低的问题，通过X射线荧光光谱法对土壤中重金属进行检测时，由于忽略土壤理化性质对荧光强度的影响，导致土壤重金属检测存在准确度不够的技术问题。

技术实现思路

[0004]本专利技术的目的是提供一种集成机器学习的土壤重金属浓度检测方法及系统，用以解决现有技术中通过化学分析法对土壤中重金属进行检测时存在检测效率低的问题，通过X射线荧光光谱法对土壤中重金属进行检测时，由于忽略土壤理化性质对荧光强度的影响，导致土壤重金属检测存在准确度不够的技术问题。
[0005]鉴于上述问题，本专利技术提供了一种集成机器学习的土壤重金属浓度检测方法及系统。
[0006]第一方面，本专利技术提供了一种集成机器学习的土壤重金属浓度检测方法，所述方法通过一种集成机器学习的土壤重金属浓度检测系统实现，其中，所述方法包括：通过能谱仪对目标土壤进行检测，得到目标光谱数据，其中，所述目标光谱数据包括多类重金属光谱数据；提取所述多类重金属光谱数据中的目标重金属光谱数据，并对所述目标重金属光谱数据进行预处理，得到目标光谱处理结果；通过理化指标仪对所述目标土壤进行检测，得到目标理化指标参数，其中，所述目标理化指标参数包括多个理化指标的多个参数；对所述多个理化指标的多个参数进行筛选，并根据筛选结果得到目标指标参数因素；依次训练得到支持向量机矫正模型、循环神经网络矫正模型、梯度提升决策树矫正模型，并利用集成学习方法原理进行融合得到智能矫正模型；将所述目标光谱处理结果与所述目标指标参数因素作为所述智能矫正模型的输入信息，处理得到所述智能矫正模型的输出信息；基于所述智
能矫正模型的输出信息，得到所述目标土壤的重金属浓度检测结果。
[0007]第二方面，本专利技术还提供了一种集成机器学习的土壤重金属浓度检测系统，用于执行如第一方面所述的一种集成机器学习的土壤重金属浓度检测方法，其中，所述系统包括：检测获得模块，所述检测获得模块用于通过能谱仪对目标土壤进行检测，得到目标光谱数据，其中，所述目标光谱数据包括多类重金属光谱数据；处理获得模块，所述处理获得模块用于提取所述多类重金属光谱数据中的目标重金属光谱数据，并对所述目标重金属光谱数据进行预处理，得到目标光谱处理结果；矫正获得模块，所述矫正获得模块包括：检测模块，所述检测模块用于通过理化指标仪对所述目标土壤进行检测，得到目标理化指标参数，其中，所述目标理化指标参数包括多个理化指标的多个参数；筛选模块，所述筛选模块用于对所述多个理化指标的多个参数进行筛选，并根据筛选结果得到目标指标参数因素；训练模块，所述训练模块用于依次训练得到支持向量机矫正模型、循环神经网络矫正模型、梯度提升决策树矫正模型，并利用集成学习方法原理进行融合得到智能矫正模型；矫正模块，所述矫正模块用于将所述目标光谱处理结果与所述目标指标参数因素作为所述智能矫正模型的输入信息，处理得到所述智能矫正模型的输出信息；获得模块，所述获得模块用于基于所述智能矫正模型的输出信息，得到所述目标土壤的重金属浓度检测结果。
[0008]本专利技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：通过能谱仪对目标土壤进行检测，得到目标光谱数据，其中，所述目标光谱数据包括多类重金属光谱数据；提取所述多类重金属光谱数据中的目标重金属光谱数据，并对所述目标重金属光谱数据进行预处理，得到目标光谱处理结果；通过理化指标仪对所述目标土壤进行检测，得到目标理化指标参数，其中，所述目标理化指标参数包括多个理化指标的多个参数；对所述多个理化指标的多个参数进行筛选，并根据筛选结果得到目标指标参数因素；依次训练得到支持向量机矫正模型、循环神经网络矫正模型、梯度提升决策树矫正模型，并利用集成学习方法原理进行融合得到智能矫正模型；将所述目标光谱处理结果与所述目标指标参数因素作为所述智能矫正模型的输入信息，处理得到所述智能矫正模型的输出信息；基于所述智能矫正模型的输出信息，得到所述目标土壤的重金属浓度检测结果。通过利用能谱仪检测得到目标土壤的目标光谱数据，实现了对土壤中的重金属污染物进行快速直接检测的技术目标。通过对能谱仪检测到的目标光谱数据进行预处理，得到处理后的目标光谱处理结果，实现了为后续智能化矫正土壤重金属检测结果提供可靠、有效的矫正基础的技术目标。通过理化指标仪对目标土壤的各个理化指标进行数据监测采集，进而通过筛选确定目标指标参数因素，实现了为后续矫正土壤重金属检测结果提供矫正因素约束的技术目标。通过集成学习原理构建智能矫正模型，达到了为后续智能化矫正目标土壤的重金属检测结果提供模型基础的技术效果。通过智能矫正模型分析得到输出信息，进而确定重金属浓度检测结果，达到了提高土壤中重金属检测的智能化程度，进而提高土壤中重金属检测效率，同时通过智能矫正模型的自动化检测矫正，达到了提高土壤中重金属检测准确度和精密度的技术效果。
[0009]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0010]为了更清楚地说明本专利技术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示例性的，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。
[0011]图1为本专利技术一种集成机器学习的土壤重金属浓度检测方法的流程示意图；图2为本专利技术一种集成机器学习的土壤重金属浓度检测方法中得到目标光谱处理结果的流程示意图；图3为本专利技术一种集成机器学习的土壤重金属浓度检测方法中得到第一预处理结果的流程示意图；图4为本专利技术一种集成机器学习的土壤重金属浓度检测方法中利用集成学习方法原理进行融合得到智能矫正模型的流程示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种集成机器学习的土壤重金属浓度检测方法，其特征在于，所述土壤重金属浓度检测方法应用于土壤重金属浓度检测系统，所述土壤重金属浓度检测系统与能谱仪、理化指标仪通信连接，包括：通过所述能谱仪对目标土壤进行检测，得到目标光谱数据，其中，所述目标光谱数据包括多类重金属光谱数据；提取所述多类重金属光谱数据中的目标重金属光谱数据，并对所述目标重金属光谱数据进行预处理，得到目标光谱处理结果；通过所述理化指标仪对所述目标土壤进行检测，得到目标理化指标参数，其中，所述目标理化指标参数包括多个理化指标的多个参数；对所述多个理化指标的多个参数进行筛选，并根据筛选结果得到目标指标参数因素；依次训练得到支持向量机矫正模型、循环神经网络矫正模型、梯度提升决策树矫正模型，并利用集成学习方法原理进行融合得到智能矫正模型；将所述目标光谱处理结果与所述目标指标参数因素作为所述智能矫正模型的输入信息，处理得到所述智能矫正模型的输出信息；基于所述智能矫正模型的输出信息，得到所述目标土壤的重金属浓度检测结果。2.根据权利要求1所述的方法，其特征在于，所述提取所述多类重金属光谱数据中的目标重金属光谱数据，并对所述目标重金属光谱数据进行预处理，得到目标光谱处理结果，包括：构建光谱预处理模型，其中，所述光谱预处理模型包括第一光谱预处理层、第二光谱预处理层、第三光谱预处理层；通过所述第一光谱预处理层对所述目标重金属光谱数据进行异常数据剔除，得到第一预处理结果；通过所述第二光谱预处理层对所述第一预处理结果进行降噪平滑处理，得到第二预处理结果；通过所述第三光谱预处理层对所述第二预处理结果进行本底扣除处理，得到第三预处理结果；将所述第三预处理结果作为所述目标光谱处理结果。3.根据权利要求2所述的方法，其特征在于，所述通过所述第一光谱预处理层对所述目标重金属光谱数据进行异常数据剔除，得到第一预处理结果，包括：基于所述目标重金属光谱数据，得到目标重金属的多个光谱数据；利用箱型图原理对所述多个光谱数据进行位置划分，得到光谱数据位置划分结果；获得预设异常数据位置；基于所述预设异常数据位置对所述光谱数据位置划分结果进行遍历，并根据遍历结果得到目标光谱异常数据；将所述目标光谱异常数据从所述目标重金属光谱数据进行剔除，得到所述第一预处理结果。4.根据权利要求1所述的方法，其特征在于，所述对所述多个理化指标的多个参数进行筛选，并根据筛选结果得到目标指标参数因素，包括：提取所述多个理化指标中的目标理化指标，并匹配得到所述目标理化指标的目标参
数；获得所述目标理化指标的目标参数阈值；判断所述目标参数是否满足所述目标参数阈值；若是，将所述目标理化指标添加至所述目标指标参数因素。5.根据权利要求1所述的方法，其特征在于，所述依次训练得到支持向量机矫正模型、循环神经网络矫正模型、梯度提升决策树矫正模型，包括：基于算法原理分析组建...

【专利技术属性】
技术研发人员：李慧明，高翔，钱新，邓力刚，张远航，杨万如，李德虎，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：