[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

摘要

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。

主权项

1.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，其特征在于，包括以下步骤：(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)采用典型相关性分析结合线性插值(CCA‑LI)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；其中，典型相关性分析结合线性插值(CCA‑LI)算法具体步骤为：1)采用CCA算法求出转移矩阵F:采用Kennard‑Stone算法从主样品校正集X_主中筛选出与从样品标准集X_标样品个数一样的矩阵X_主cca，根据X_主cca和X_标计算矩阵C,由矩阵C计算特征值与特征向量，其相关公式如下：将每一个非零特征值ρ所对应的特征向量w_m和w_s分别归为矩阵W_m和W_s，即为X_主cca和X_标的典型相关系数W_m和W_s，对X_主cca和X_标进行CCA分解，计算出X_主cca和X_标的典型相关成分L_m和L_S，最终得到转移矩阵F，公式如下：L_m＝X_主cca×W_mL_S＝X_标×W_sF＝W_s×F₁×F₂2)根据转移矩阵F，分别对从样品标准集X_标和未知集X_未光谱进行转换，得到经CCA算法转换后的标准集X_标F和未知集X_未F相关公式如下：X_标F＝X_标·FX_未F＝X_未·F3)建立预测值校正函数:用主模型分别对从样品标准集和未知集转化后的光谱矩阵进行预测,分别计算标准集中每个样品与未知集中的第i个样品的共生距离D(i)，共生距离D(i)为转化光谱的欧氏距离与化学预测值的绝对偏差之和，计算公式为：d₂(p,i)＝|Y_标F(p)‑Y_未F(i)|其中，m为光谱波长点数，X_标F和X_未F分别为标准集和未知集的转换后的光谱矩阵，Y_标F和Y_未F分别为标准集和未知集经转换矩阵F转换后的预测值，d₁(p,i)为标准集中第p个样品与未知集中第i个样品之间光谱的欧式距离，d₂(p,i)为标准样品中第p个样品与未知样品中第i个样品之间预测值的绝对值偏差，d₁(i)和d₂(i)分别为d₁(p,i)和d₂(p,i)中p取1‑n所有值组成的向量，n为标准集的样品个数；寻找D(i)中2个最小值对应的序列p₁和p₂，根据标准集中的第p₁、p₂个样品对应的预测值和实测值，建立插值函数,将未知集中第i个样品的预测值代入插值函数，得到校正后的预测值Y_未p，相关公式如下：其中，Y_标(p₁)和Y_标(p₂)为标准集养分含量的实测值。