[发明专利]基于典型相关性分析及线性插值的土壤养分模型转移方法

说明书

本发明属于一种模型转移方法，公开了基于典型相关性分析及线性插值的土壤养分模型转移方法，步骤如下：1)获取不同地区间土壤光谱数据，并设定主、从样品；2)划分主样品校正集和检验集，以偏最小二乘法建立主样品校正模型，并对其模型效果进行评价；3)划分从样品标准集和未知集；4)对从样品进行光谱预处理；5)采用典型相关性分析结合线性插值(CCA‑LI)算法模型转移，得到从样品未知集的预测结果。本发明实现了运用一个土壤养分含量模型，解决不同地区间土壤养分含量预测的难题，在保证该模型预测效果的同时，减少了土壤养分化学方法测量的时间，降低成本，节省人力物力，快速、简单的实现土壤养分的预测。

技术领域

本发明涉及一种模型转移方法，具体涉及基于典型相关性分析及线性插值的土壤养分模型转移方法。

背景技术

光谱中包含丰富的物质信息，且光谱分析技术具有无损、快速等优点，在农业、食品、工业等领域已有广泛的应用。采用光谱数据以及相关化学值进行建模，能够快速实现对未知样品化学值的预测，但这种光谱模型对未知样品的预测具有一定的局限性，只能够针对一定范围内的未知样品进行预测。不同温度、不同仪器、不同测量条件、不同地区间样品的光谱均会导致预测结果不准确。为解决这一问题，一种方法是采集样品光谱及化学值重新建立模型，该方法耗时耗力；另一种方法对原模型进行模型转移解决模型不适配等问题，简单、快速的提高未知样品的预测结果。

针对不同温度、不同仪器、不同测量条件下的模型转移主要采用直接校正法(DS)、分段直接校正(PDS)、正交信号法(OSC)、小波变换(WT)、专利算法(Shenk's)等算法，在一定程度上能解决模型受仪器性能变化、分析时间、测量条件等方面的影响。针对不同地区间样品的模型转移主要为添加新样本于原模型中，重新建立模型，这种方法不仅耗时，同时修订后的模型预测效果会降低，不能够实现对不同地区间未知样品的准确预测。目前基于光谱技术针对不同地区间土壤养分进行模型转移尚没有成熟的算法较好的预测结果，因此提供一种快速、准确实现不同地区间土壤养分模型转移方法是很有必要的。

发明内容

本发明为解决不同地区间土壤养分模型转移的问题，采用以下述技术方案予以实现：

基于典型相关性分析及线性插值的土壤养分模型转移方法，步骤如下：

(1)采集某一地区土壤样品，测得其光谱数据和养分化学值，并将该土壤样品作为主样品，用于主样品模型的建立；

(2)采集其他地区土壤样品，采用与主样品同样的光谱仪测得其光谱数据和养分化学值，将其作为从样品，用于对主样品模型的预测；

(3)采用Kennard-Stone算法划分土壤主样品的校正集和检验集；以偏最小二乘法(PLS)建立主样品校正集模型，并对主样品检验集进行预测，根据绝对系数R²和相对分析误差RPD判断主样品模型效果；

(4)采用Kennard-Stone算法划分土壤从样品的标准集和未知集，其中标准集用于主样品校正集模型转移的标准样品，未知集用于检验模型转移后土壤样品的预测结果；

(5)对主样品校正集和检验集及从样品标准集和未知集进行光谱预处理；

(6)分别采用多种算法对从样品进行模型转移，代入原主样品校正模型，得到土壤从样品未知集的预测结果；

(7)对从样品未知集化学值和预测值进行评价分析，推荐出效果最好的模型转移算法，将此算法用于该从样品地区土壤的样品预测，用校准后的模型进行大批量速测。

步骤(1)、(2)中，采用可见-近红外光谱、近红外光谱等光谱数据。

步骤(1)、(2)中，测量全氮、全磷、全钾等土壤养分含量。

步骤(5)中，光谱预处理包括无预处理、谱区选择、平滑求导、SNV、MSC、归一化等。