[發明專利]基于紅外光譜智能鑒定模型的土壤有機質快速檢測方法

有效

• 申請號: 201510816704.0
• 申請日: 2015-11-23
• 公開（公告）號: CN105486655B
• 公開（公告）日: 2018-12-18
• 發明（設計）人: 杜昌文;馬菲;周健民
• 申請（專利權）人: 中國科學院南京土壤研究所
• 主分類號: G01N21/3563
• 分類號: G01N21/3563
• 代理公司: 江蘇致邦律師事務所 32230
• 代理人: 栗仲平

1.一種基于紅外光譜智能鑒定模型的土壤有機質快速檢測方法，其特征在于，步驟如下：

(1)：采集土壤樣品，劃分訓練樣本和待測樣本；

(2)：土壤訓練樣本取樣，置于傅里葉變換中紅外光譜儀-光聲附件樣品池中，采集中紅外光聲光譜信息，連續多次掃描，取平均光譜；

(3)：采用化學方法分析步驟(1)中已測光譜的土壤樣品的有機質含量；

(4)：將步驟(2)采集的光譜信息進行預處理，采用消噪、平滑、標準化預處理；

(5)：待測土壤樣本取樣，置于傅里葉變換中紅外光譜儀-光聲附件樣品池中，采集中紅外光聲光譜信息；連續多次掃描，取平均光譜，并通過步驟(4)的方法對待測樣本的光譜進行預處理；根據步驟(3)方法，測定待測樣本的化學參考值；

(6)：每次提取一個預處理好待測樣本光譜，通過馬氏距離方法進行計算比較，并根據待測樣本與訓練樣本間的馬氏距離建立從小到大的新序列矩陣；

(7)：新序列矩陣根據待測樣本的特點，通過偏最小二乘回歸(PLSR)方法建立各自的預測模型，并根據不同建模集數目得到不同的PLSR模型；

(8)：通過相關指標對PLSR中不同建模集數目所建立的不同模型進行評價，其中相關指標為樣本的標準差SD、相關系數R²，均方根誤差RMSE以及模型預測性能綜合性評價指標RPD，以及驗證模型的均方根誤差RMSEP和預測樣本的均方根誤差PRMSECV的比值；

(9)：通過步驟(6)、(7)、(8)的方法，對每一個待測樣本進行模型的建立與優化，得到最佳“一樣一模型”的智能土壤鑒定模型；

步驟(2)中的采集中紅外光聲光譜信息，采集波長范圍為4000-400cm^-1，掃描分辨率為4cm^-1；動鏡速率為0.3162cm^-1s，32次連續掃描取平均光譜；

步驟(6)中兩樣本之間的馬氏距離D計算公式如下：

其中x為訓練樣本的光譜數據向量，y為待測樣本的光譜數據向量，S為待測樣本協方差矩陣；計算待測樣本與訓練樣本的馬氏距離，并將馬氏距離按照從小到大排序組成新序列集，該計算方法可通過Matlab2013a軟件計算得出；

步驟(7)中，新序列矩陣根據待測樣本的特點，通過偏最小二乘回歸PLSR方法建立各自的預測模型；每個待測的樣本的預測模型中，建模的樣本數目分別為25個、30個、35個、40個，……，以間隔為數目為5個遞增，依次類推，直至光矩陣的最大數目930個為建模集輸入，分別采用Leave-one-out交叉驗證方法，建立PLSR預測模型；

步驟(5)的采集待測土壤樣本中紅外光聲光譜信息，采集波長范圍為4000-400cm^-1，掃描分辨率為4cm^-1；動鏡速率為0.3162cm^-1s，32次連續掃描取平均光譜，對待測樣本的光譜進行預處理并測定化學參考值；

步驟(8)中對不同建模數目所建立的模型進行評價，其具體過程如下：

其中y是樣本的化學測試值；y'為樣本預測值，為樣品化學參考值的均值，y_i中的i表示樣品數，n為樣品容量；i為從第一個土壤樣本到第n個的計數。

2.根據權利要求1所述的基于紅外光譜智能鑒定模型的土壤有機質快速檢測方法，其特征在于，步驟(2)中測試之前采用炭黑進行背景校正。

3.根據權利要求1或2所述的基于紅外光譜智能鑒定模型的土壤有機質快速檢測方法，其特征在于，步驟(3)中的“采用化學方法分析土壤樣品的有機質含量”，所述方法為水合熱重鉻酸鉀氧化-比色法。