[发明专利]基于红外光谱智能鉴定模型的土壤有机质快速检测方法

摘要

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。

主权项

1.一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)：通过相关指标对PLSR中不同建模集数目所建立的不同模型进行评价，其中相关指标为样本的标准差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；(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；步骤(2)中的采集中红外光声光谱信息，采集波长范围为4000‑400cm‑1，扫描分辨率为4cm‑1；动镜速率为0.3162cm‑1s，32次连续扫描取平均光谱；步骤(6)中两样本之间的马氏距离D计算公式如下：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Matlab2013a软件计算得出；步骤(7)中，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，……，以间隔为数目为5个递增，依次类推，直至光矩阵的最大数目930个为建模集输入，分别采用Leave‑one‑out交叉验证方法，建立PLSR预测模型；步骤(5)的采集待测土壤样本中红外光声光谱信息，采集波长范围为4000‑400cm‑1，扫描分辨率为4cm‑1；动镜速率为0.3162cm‑1s，32次连续扫描取平均光谱，对待测样本的光谱进行预处理并测定化学参考值；步骤(8)中对不同建模数目所建立的模型进行评价，其具体过程如下：其中y是样本的化学测试值；y'为样本预测值，为样品化学参考值的均值，y_i中的i表示样品数，n为样品容量；i为从第一个土壤样本到第n个的计数。