本發(fā)明涉及一種基于對數(shù)比變換和記憶學(xué)習(xí)模型的土壤碳組分預(yù)測方法，屬于土壤檢測。

背景技術(shù)：

1、土壤有機碳（soc）是衡量土壤肥力的核心指標，其動態(tài)變化對農(nóng)業(yè)生產(chǎn)力、生態(tài)系統(tǒng)穩(wěn)定性和氣候調(diào)節(jié)具有關(guān)鍵作用。soc的化學(xué)組成和結(jié)構(gòu)復(fù)雜，由不同穩(wěn)定性、分解速率和功能的碳組分構(gòu)成。近年來，越來越多的研究將soc分為結(jié)構(gòu)、組成和功能不同的礦物結(jié)合有機碳（maoc）和顆粒有機碳（poc）組分，這為深入了解土壤碳庫的穩(wěn)定性、儲存機制以及其在土壤中的多樣化生態(tài)功能提供了全新的視角。

2、土壤中maoc和poc含量的檢測方法以實驗室傳統(tǒng)物理篩分法為主。篩分后土壤粒徑小于63?μm的組分（即黏粒+壤粒）用于測定maoc，該組分與土壤礦物質(zhì)結(jié)合緊密，穩(wěn)定性較高，能夠在土壤中長期固存；大于63?μm的組分用于測定poc，該組分由未完全分解的植物殘體組成，是不穩(wěn)定的短期碳庫，易受環(huán)境擾動影響。目前，基于傳統(tǒng)物理篩分方法的土壤碳組分檢測技術(shù)存在效率低、成本高的缺點，限制了土壤碳組分大尺度時空演變規(guī)律的研究。因此，亟需建立一種針對土壤m(xù)aoc和poc的高通量檢測方法，以加強對土壤碳庫結(jié)構(gòu)和功能的跨尺度研究。

3、近年來，傅里葉紅外變換光譜傳感技術(shù)被廣泛應(yīng)用于計量土壤學(xué)領(lǐng)域，通過中紅外（mir）光譜反演建模實現(xiàn)土壤屬性的快速、高精度預(yù)測。對于土壤碳組分來說，土壤m(xù)ir光譜能夠有效捕捉土壤有機成分的特征吸收峰，反映出這些成分的分子振動信息，因此建立mir與土壤碳組分之間的物理響應(yīng)模型，有利于實現(xiàn)大尺度、高密度的土壤碳組分數(shù)據(jù)獲取。目前，針對土壤碳組分的光譜預(yù)測方法的研究較少，現(xiàn)存問題可總結(jié)為兩個方面：

4、第一個方面，過往研究均是針對不同土壤碳組分進行獨立預(yù)測建模，建模結(jié)果對maoc的預(yù)測精度較高，而對poc的預(yù)測精度則不理想。這是因為poc是一種具有高度動態(tài)性的不穩(wěn)定碳組分，其動態(tài)變化受到土壤侵蝕、耕作等地表外動力過程的顯著影響尤為嚴重。此外，單獨建模的預(yù)測結(jié)果會導(dǎo)致部分樣本的maoc和poc百分比之和遠大于100%，與其作為組成型數(shù)據(jù)（compositional?data）的現(xiàn)實不符。

5、第二個方面，過往研究大多通過全局建模的方式對特定研究區(qū)的土壤屬性進行光譜預(yù)測建模。這種“全局建?！钡姆绞竭m用于小尺度研究，而當空間尺度變大時，土壤屬性與光譜吸收特征間的映射關(guān)系復(fù)雜化，導(dǎo)致全局預(yù)測模型對于土壤碳組分局部變異的預(yù)測精度變低。

技術(shù)實現(xiàn)思路

1、針對土壤碳組分傳統(tǒng)檢測方法繁瑣和poc組分光譜預(yù)測模型精度較低的問題，本發(fā)明提供一種基于對數(shù)比變換和記憶學(xué)習(xí)模型的土壤碳組分預(yù)測方法。

2、本發(fā)明是這樣實現(xiàn)的，

3、一種基于對數(shù)比變換和記憶學(xué)習(xí)模型的土壤碳組分預(yù)測方法，該方法包括：

4、s1?采集土壤樣品，進行soc組分物理篩分實驗，利用碳氮分析儀測定maoc組分的含量和poc組分的含量；

5、s2?將maoc組分的含量和poc組分的含量進行對數(shù)比變換得到土壤碳組分對數(shù)比變換數(shù)據(jù)；

6、s3?利用傅里葉變換紅外光譜儀獲取土壤m(xù)ir（紅外）光譜數(shù)據(jù)，對土壤m(xù)ir光譜數(shù)據(jù)進行包括重采樣、平滑和散射校正的預(yù)處理；

7、s4?利用步驟s2獲取的土壤碳組分對數(shù)比變換數(shù)據(jù)和步驟s3獲取的土壤m(xù)ir光譜數(shù)據(jù)，生成訓(xùn)練集和驗證集；

8、s5?利用步驟s4中訓(xùn)練集，以土壤m(xù)ir光譜數(shù)據(jù)為自變量，土壤碳組分對數(shù)比變換結(jié)果為因變量，采用基于記憶學(xué)習(xí)算法（mbl）建立土壤光譜特征與土壤碳組分的回歸模型，并應(yīng)用于驗證集獲得預(yù)測結(jié)果；

9、s6?將步驟s5中預(yù)測結(jié)果進行逆對數(shù)比變換，得到maoc組分的含量和poc組分的含量的預(yù)測值，對比預(yù)測值與兩個有機碳組分的實測值，評價回歸模型預(yù)測的精度；

10、s7利用回歸模型對實時采集的土壤樣品進行maoc組分的含量和poc組分的含量的預(yù)測。

11、進一步地，s1具體包括：

12、在風(fēng)干并篩分至<2?mm的土壤樣品中加入質(zhì)量百分比濃度為0.5%?的六偏磷酸鈉溶液并放置在搖床上振蕩分散，用去離子水在63?μm篩上沖洗分散的土壤樣品，收集<63?μm的組分用于測定maoc組分，收集>63?μm的組分用于測定poc組分，將兩部分土壤樣品烘干至恒重，完成篩分后，將兩個組分土壤樣品研磨過150?μm土篩，使用質(zhì)量百分比濃度為10%?的鹽酸去除無機碳，利用碳氮分析儀分別測定maoc組分的含量和poc組分的含量。

13、進一步地，將maoc組分的含量和poc組分的含量進行對數(shù)比變換包括：對數(shù)比變換公式為：

14、，

15、其中，是maoc組分的含量和poc組分的含量的對數(shù)比函數(shù)。

16、進一步地，s5具體包括：

17、s51?利用記憶學(xué)習(xí)算法進行土壤碳組分的光譜預(yù)測建模，對于驗證集中的每一個待預(yù)測樣本，在訓(xùn)練集中按照光譜相似性計算選擇訓(xùn)練子集；

18、s52?利用光譜相似性計算選擇訓(xùn)練子集的過程通過k-近鄰算法進行，即為每個待預(yù)測樣本選擇由k個訓(xùn)練樣本組成的子集，并使用加權(quán)平均偏最小二乘法為每個待預(yù)測樣本建立回歸模型，k的最大值小于訓(xùn)練集總樣本個數(shù)，最小值設(shè)置為20，在k值變化區(qū)間內(nèi)，使用近鄰交叉驗證（nnv）方法評估不同k值對應(yīng)的回歸模型的均方根誤差，均方根誤差最小的回歸模型對應(yīng)的k值選為最優(yōu)的回歸模型，用于獲得最終預(yù)測結(jié)果?。

19、進一步地，光譜相似性計算包括：

20、s511利用主成分分析對用于訓(xùn)練集的土壤m(xù)ir光譜數(shù)據(jù)進行降維并建立投影模型為：

21、，

22、其中為訓(xùn)練集輸入的土壤m(xù)ir光譜數(shù)據(jù)，在主成分分析中被分解為兩個矩陣：為分數(shù)矩陣，是載荷矩陣，表示重建誤差；

23、s512通過載荷矩陣將待預(yù)測樣本的土壤m(xù)ir光譜數(shù)據(jù)投影到相同主成分的投影空間上，生成待預(yù)測樣本的土壤m(xù)ir光譜數(shù)據(jù)的分數(shù)矩陣：

24、，

25、其中，為的轉(zhuǎn)置矩陣；

26、s513在投影空間中計算待預(yù)測樣本與訓(xùn)練集每個樣本間的馬氏距離，并以馬氏距離作為光譜相似性的評估標準，馬氏距離是根據(jù)待預(yù)測樣本觀測值在分數(shù)矩陣中的投影分數(shù)向量和訓(xùn)練集樣本觀測值在分數(shù)矩陣s中的投影分數(shù)向量計算得到：

27、，

28、其中是使用累積方差法所選取的主成分的數(shù)量，是投影分數(shù)向量和的協(xié)方差矩陣的逆矩陣，是的轉(zhuǎn)置矩陣。

29、進一步地，所述逆對數(shù)比變換的公式為：

30、，

31、，

32、其中，是土壤樣品的總土壤有機碳含量，是礦物結(jié)合有機碳含量預(yù)測值，是顆粒有機碳含量預(yù)測值。

33、本發(fā)明與現(xiàn)有技術(shù)相比，有益效果在于：

34、本發(fā)明相較于傳統(tǒng)的實驗室土壤有機碳物理篩分法，可以快速無損地獲取高精度的maoc組分的含量和poc組分的含量數(shù)據(jù)。通過對數(shù)比變換方法將兩個土壤碳組分視為組成型數(shù)據(jù)進行預(yù)測建模，可在有效提高poc預(yù)測精度的同時，將兩個組分之和始終保持為100%，從而達到降低整體預(yù)測誤差、消除預(yù)測產(chǎn)生的異常值的目的?；谟洃泴W(xué)習(xí)算法的局部回歸模型充分考慮了土壤m(xù)ir光譜特征與碳組分之間存在的非線性關(guān)系，將土壤屬性與光譜特征間的全局復(fù)雜關(guān)系進行局部簡化處理，可有效提高基于大尺度土壤光譜數(shù)據(jù)庫的土壤碳組分預(yù)測精度，為土壤碳循環(huán)和土壤退化等研究提供便捷可靠的數(shù)據(jù)獲取途徑。