详情

原文传递一种实时预测土壤水分和全氮含量的方法

专利名称：	一种实时预测土壤水分和全氮含量的方法
摘要：	本发明提出了一种实时预测土壤水分和全氮含量的方法，对土壤样本进行数据采集，以水分敏感波长和氮敏感波长的吸光度值作为输入自变量，建立含水状态下的土壤全氮含量预测模型；根据该模型建立多输出变量的预测模型；根据该预测模型的输出结果预测土壤水分和全氮含量。本发明基于不同类型土壤，通过敏感波长选择建立了一种通用型的光谱预测模型，无需进行复杂的光谱数据预处理和水分修正的工作，即可实现对不同类型土壤水分和全氮含量进行预测。相比于采集样本后再进行分析，本发明可在现场连续采集光谱信息的同时可以同步连续输出水分和全氮含量，保证了数据的实时性、真实性和可持续性，拓展了土壤水分和全氮含量的原位、实时和可持续监测应用。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	北京安赛博技术有限公司
发明人：	王琴琴;黄思源;张昊
专利状态：	有效
申请日期：	2019-07-30T00:00:00+0800
发布日期：	2019-11-15T00:00:00+0800
申请号：	CN201910697300.2
公开号：	CN110455726A
代理机构：	北京棘龙知识产权代理有限公司
代理人：	戴丽伟
分类号：	G01N21/31(2006.01);G;G01;G01N;G01N21
申请人地址：	101100北京市通州区中关村科技园区通州园光机电一体化产业基地政府路2号(A-3)
主权项：	1.一种实时预测土壤水分和全氮含量的方法，其特征在于，所述方法包括：对土壤样本进行数据采集，根据所述数据采集结果获取水分敏感波长和氮敏感波长；以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入自变量，建立含水状态下的土壤全氮含量预测模型；根据所述含水状态下的土壤全氮含量预测模型建立多输出变量的预测模型；根据所述多输出变量的预测模型的输出结果获取预测土壤水分和全氮含量。 2.根据权利要求1所述的方法，其特征在于，在所述对土壤样本进行数据采集之前，所述方法还包括对所述土壤样本进行预处理的过程，所述对所述土壤样本进行预处理的具体过程为：对所述土壤样本一次分组分为三组N1、N2和N3；将三组中的其中两组进行二次分组分为N21至N2i和N31至N3i；在所述N21至N2i中分别添加含量不同的蒸馏水，混合均匀后静置一段时间；在所述N31至N3i中分别添加含量不同的尿素溶液，混合均匀后静置一段时间。 3.根据权利要求1所述的方法，其特征在于，所述对土壤样本进行数据采集，根据所述数据采集结果获取水分敏感波长的具体过程为：对所述添加有蒸馏水的N21至N2i组土壤样本进行光谱分析，获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据；将所述添加有蒸馏水的N21至N2i组土壤样本进行烘干，获取含水率数据；将所述烘干后的N21至N2i组土壤样本碾磨后进行光谱分析和全氮检测，获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据以及全氮含量数据；根据所述可见-近红外吸收光谱数据获取不同含水率的土壤中含水率与吸收峰强度之间的关系；根据所述不同含水率的土壤中含水率与吸收峰强度之间的关系获取所述水分敏感波长。 4.根据权利要求1或3所述的方法，其特征在于，所述对土壤样本进行数据采集，根据所述数据采集结果获取氮敏感波长的具体过程为：将所述添加有尿素溶液的N31至N3i组土壤样本进行光谱分析，获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据；将所述添加有尿素溶液的N31至N3i组土壤样本进行烘干，获取含水率数据；将所述烘干后的N31至N3i组土壤样本碾磨后进行光谱分析和全氮检测，获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据以及全氮含量数据；根据所述可见-近红外吸收光谱数据获取不同全氮含量的土壤中全氮含量与吸收峰强度之间的关系；根据所述不同全氮含量的土壤中全氮含量与吸收峰强度之间的关系获取所述氮敏感波长。 5.根据权利要求1所述的方法，其特征在于，以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入变量，建立含水状态下的土壤全氮含量预测模型的具体过程为：以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入自变量，土壤全氮含量作为输出因变量，采用第一误差反向传播神经网络和非线性最小二乘算法进行模型训练，建立含水状态下的土壤全氮含量预测模型。 6.根据权利要求5所述的方法，其特征在于，所述第一神经网络结构包括一个隐含层、三个隐含节点和一个输出层，所述隐含层使用tanh激活函数作为传递函数，学习率为0.1，输出层函数为线性函数，迭代次数最大为1000次。 7.根据权利要求1或5所述的方法，其特征在于，所述根据所述含水状态下的土壤全氮含量预测模型建立多输出变量的预测模型的具体过程为：以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入自变量，土壤水分含量和土壤全氮含量作为输出因变量，采用第二误差反向传播神经网络和非线性最小二乘算法进行模型训练，建立多输出变量的预测模型。 8.根据权利要求7所述的方法，其特征在于，所述第二神经网络结构包括一个隐含层、五个隐含节点和两个输出层，所述隐含层使用tanh激活函数作为传递函数，学习率为0.1，输出层函数为线性函数，迭代次数最大为1000次。
所属类别：	发明专利