[发明专利]基于土壤可见-近红外光谱库的土壤全氮实时检测方法

说明书

技术领域

本发明涉及土壤全氮快速检测方法，具体地说是涉及一种基于土壤可见-近红外光谱库的土壤全氮实时检测方法。

背景技术

土壤全氮是土壤肥力三要素的重要组成部分，是影响作物生长发育的重要营养元素，其浓度含量将影响农作物的产量和品质。传统化学分析方法测定土壤全氮含量存在速度慢、费用高、污染环境等不足，无法满足精准农业对田间土壤全氮含量快速检测和数字制图的要求。光谱分析技术能够快速简便地检测土壤属性信息，并且具有环保、不破坏、田间实地分析、多种属性同时检测等优点。快速检测土壤全氮含量，对精准农业的实施、高效利用化肥资源等工作具有指导性意义。

然而目前已建立的局部区域土壤全氮光谱检测模型由于各区域土类及成土母质存在较大差异，难以外推至其他区域。同一地区不同单位重复采样浪费资源且共享性差，各自建立的预测模型稳定性和普适性较差。因此，大样本土壤光谱库的构建以及研究基于库的土壤全氮快速检测普适性强的方法非常必要。

近年来国际上对基于大尺度土壤光谱库土壤关键属性的预测研究有一些探索。Peng Yi等(2013)利用来自丹麦全国2688个土壤样品建立的光谱库，采用Spiking方法对局部地区35个样本的有机碳含量进行了建模预测；Stevens等(2013)利用来自于23个国家约20000个样本的欧洲尺度光谱库信息，采用偏最小二乘回归、BRT（Boosted regression trees）、Cubist、随机森林和支持向量机等对土壤氮、有机碳、CEC、pH和粘土矿物等多种属性进行预测。目前国际上基于光谱库对土壤氮属性研究的只有Stevens研究团队，但预测方法中没有应用局部加权回归算法。

国内虽然陆续开展了利用土壤光谱预测氮含量的研究，但大部分是小尺度范围的探索及应用。基于大尺度光谱库的土壤属性预测研究最新进展是史舟等（2013）基于1581个样本的光谱数据采用模糊k均值聚类结合偏最小二乘方法建立有机质预测模型。然而，还没有人将局部加权回归算法应用于大尺度土壤光谱库的土壤全氮含量预测研究。

发明内容

本发明的目的在于提供一种基于土壤可见-近红外光谱库的土壤全氮实时检测方法，是利用局部加权回归模型，对待检测土壤样本的可见近红外光谱数据进行分析，得出全氮含量的方法。

本发明采用的技术方案的步骤如下：

步骤1)测量全国各地土壤样本的可见-近红外光谱数据和全氮含量数据，构建土壤可见近红外光谱-全氮数据库；

步骤2)采集多个待检测土壤样本的可见-近红外光谱数据；

步骤3)采用局部加权回归算法，对每一待检测样本从光谱库中挑选建模样本构成定标子集，从而构建基于土壤可见-近红外光谱数据库的全氮线性回归模型，得出待检测样本的全氮含量，并对预测模型进行精度评定。

步骤1)中，所述的测量全国各地土壤样本的可见-近红外光谱数据和全氮含量数据，构建土壤可见近红外光谱-全氮数据库的具体步骤如下：

步骤(1.1)采集全国各地土壤样本的光谱数据；

步骤(1.2)用化学方法分析全国各地土壤样本的全氮含量；

步骤(1.3)对所述光谱数据进行预处理，构建土壤可见近红外光谱-全氮数据库。

步骤(1.2)中，所述用化学方法分析是用半微量开氏法测定。

步骤(1.3)中，所述光谱数据进行预处理的方法为基于最小二乘的Savitzky-Golay经典平滑滤波与一阶微分变换相结合的方法。

步骤2)中，所述采集多个待检测土壤样本的可见-近红外光谱数据，采集方法及光谱预处理方法和构建光谱库所述方法一致。

步骤3)中，所述采用局部加权回归算法，对每一待检测样本从光谱库中挑选建模样本构成定标子集，从而构建基于土壤可见-近红外光谱数据库的全氮线性回归模型，得出待检测样本的全氮含量的具体步骤如下：

①对光谱库中所有样本的预处理后光谱数据进行主成分分析(PCA)，定义为得分矩阵，定义为载荷矩阵；

②确定用于每个局部建模集的主成分数(A)和样本数(C)；

对每一个待检测样本：

③计算得分