本发明涉及土壤属性检测的，特别是涉及一种利用原状土壤剖面光谱反演土壤中重金属含量的方法。
背景技术：
1、目前国内外检测重金属含量的方法大部分以实验室理化分析为主，借助分析仪器测定样品中重金属含量。土壤重金属含量的传统理化测试分析方法主要包括原子吸收分光光度法（aas）、原子荧光光谱法（afs）、电感耦合等离子体发射光谱（icp-aes）和电感耦合等离子体质谱（icp-ms）等。尽管这些技术检测重金属含量的检出限都比较低，具有较高的灵敏度和准确度高，但均需要对样品进行酸消解或微波消解等预处理，存在成本高、耗时长、操作复杂且易形成二次污染等问题，难以满足便捷高效地检测大量土壤样品的重金属含量的需求。因此，开发便捷高效的土壤重金属含量的检测技术是十分必要的，对土壤重金属污染的深入研究以及环境安全和人体健康均有重要意义。
2、可见光-近红外反射光谱法（vis-nir）作为一种新兴的近地传感技术，能够利用电磁波表现出的吸收特征对土壤属性进行分析。不同土壤物质组分内部电子的运动和核的跃迁所需要的能量不同，而能量等级与电磁波的波长、频率相关，因此不同波段的电磁波作用于土壤样本时产生不同的光谱特征。在可见光波段，吸收光谱产生主要是由于带电粒子所致，与矿物质中铁离子的含量密切相关。在近红外波段，吸收光谱产生主要是由于oh-、so42-、co32-等离子团中不同离子键特有的吸收能量不同所致。由于vis-nir具有分析快速、无破坏性、成本较低且可一次预测多种元素等优势，在预测土壤属性方面有着较为广泛的应用。目前，vis-nir已经被成功应用于土壤有机质、氮、磷、钾、铁氧化物、粘粒和重金属含量等土壤属性的预测。
3、申请号为201810233070.x的发明专利公开了一种联合土壤室内外光谱的重金属含量反演方法，首先，基于土壤室内光谱的系列光谱预处理，构建土壤重金属含量反演的全要素主成分逐步回归模型，并提取特征波段主成分；然后，采用kennard-stone算法选择合适的转换集构建土壤室内、室外光谱的关联转换模型，并同样对转换后的土壤室外光谱做系列光谱预处理；最后，融合重金属含量的土壤室内光谱反演模型提取的特征波段主成分，构建基于转换处理后的土壤室外光谱的重金属含量高光谱反演的回归模型。
4、申请号为202010427959.9的发明专利公开了一种联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其步骤包括：步骤s1：土壤样品采集及土壤光谱测定；步骤s2：ks-ds算法构建光谱转换模型；步骤s3：光谱预处理及相关分析；步骤s4：融合室内外光谱的支持向量机重金属含量反演模型构建，进行检测。
5、申请号为202111309905.3的发明专利公开了一种基于高光谱遥感技术估算土壤重金属含量的方法，实施步骤如下：1）获取待监测区域的土壤样品，在实验室自然风干与研磨处理后，分别测定土壤样品光谱反射率及土壤铬、钴、铜和砷四种重金属元素含量；2）对原始光谱数据进行savitzky-golay平滑滤波和光谱重采样后，利用不同的光谱变换方法，将反射率数据与重金属元素数据进行相关性分析，获得各重金属元素建模波段；3）利用不同的建模方法对反射率数据与重金属含量进行回归方程拟合，构建出高光谱估算模型，并依据建模决定系数、验证决定系数、均方根误差和相对分析误差四个评价指标对每种重金属元素下的模型进行评价，得到每种重金属元素最佳的估算模型。
6、尽管上述发明所述方法可获得土壤重金属元素含量，检测精度较高，但它们均需要先将土壤样品进行风干、研磨和过筛（例如100目、60目）后放置于盛样器皿中，然后测量其高光谱数据，不能直接检测原状土壤剖面的重金属含量。为此，亟需找到一种可在原状土壤剖面上直接测量高光谱数据，并反演重金属元素含量的方法。
技术实现思路
1、本发明为解决背景技术中存在的技术问题，提供了一种利用原状土壤剖面光谱反演土壤中重金属含量的方法。
2、本发明采用以下技术方案：一种利用原状土壤剖面光谱反演土壤中重金属含量的方法，至少包括以下步骤：
3、s1土壤剖面样品预处理：采集检测区域若干份土壤剖面样品，在每份土壤剖面样品从表面向内部依次划分若干个连续土层；
4、s2有效高光谱检测：每个土层样品上均匀选取n个测量点位，每个测量点位重复5次光谱测量，得到40条光谱曲线，计算40条光谱数据的平均值，作为该土层的有效高光谱数据；
5、s3检测重金属的标准含量值：对每个土层进行至少四种重金属含量检测，得到每种重金属的的标准含量值；
6、s4未知土壤样品中重金属含量反演：
7、首先，以有效高光谱数据作为预测变量，重金属的标准含量值作为相应变量，使用至少一种机器学习算法分别建立若干个高光谱反演模型；基于评估指标，确定每种土壤重金属元素的最优高光谱反演模型；
8、其次，根据最优高光谱反演模型反演出未知土壤样品中的重金属含量。
9、其中，构建所述高光谱反演模型具体过程如下：
10、s41建模集和测试集划分：采用主成分分析法检测有效高光谱数据的均匀性，利用霍特林统计量检验方法识别与剔除异常有效高光谱数据；使用kennard-stone算法将保留的有效高光谱数据划分为建模集和测试集，其中建模集和测试集的比例为按照7:3；
11、s42确定最佳参数组合：采用网格搜索和十折交叉验证法优化每种机器学习算法的参数，即每种算法分别赋予初始取值范围和搜索间距，得到对应的参数组合；对每种重金属元素，采用网格搜索和十折交叉验证法分别对所有参数组合进行筛选得到对应的最佳参数组合；
12、s43基于所述最佳参数组合，有效高光谱数据为预测变量，重金属的标准含量值为响应变量，建立有效高光谱数据与不同重金属元素的标准含量值之间的映射关系，即为高光谱反演模型。
13、进一步，所述机器学习算法至少包括：plsr算法、cubist算法、gpr算法和svm算法；
14、对应的，所述若干个高光谱反演模型分别为plsr反演模型、cubist预测模型、gpr预测模型和svm预测模型。
15、进一步，所述评估指标至少包括：决定系数、均方根误差和林氏一致性相关系数；所述最优高光谱反演模型的筛选流程如下：
16、分别对不同高光谱反演模型预测四种重金属的的标准含量值的评估值进行效果判断，按照以下标准进行判断：
17、式中，lccc表示林氏一致性相关系数。
18、进一步，所述四种土壤重金属元素分别为：砷（as）、铜（cu）、铅（pb）、锌（zn）。
19、进一步，plsr反演模型的最佳参数组合是十折交叉验证的均方根误差值不再明显变化时所对应的参数组合；
20、cubist反演模型、gpr反演模型和svm反演模型的最佳参数组合是十折交叉验证的均方根误差值最小时所对应的参数组合。
21、进一步，步骤s2中还包括对有效高光谱数据的预处理，具体过程如下：表观吸收率、一阶导数、二阶导数、savitzky-golay平滑、gap-segment导数、去趋势、标准正态变量变换、连续统去除处理方法中的一种或多种组合。
22、本发明的有益效果：本发明可快速、准确地预测原状土壤剖面中as、cu、pb、zn元素含量，弥补了传统实验室化学分析方法和常规可见-近红外光谱技术存在的不足。通过模型评估和优化筛选出，稳健性强，预测精度高的机器学习模型，可推广应用至全国类似的农田原状土壤剖面不同重金属含量预测，用于研究土壤剖面不同重金属元素的分布、迁移特征，评估土壤重金属污染程度等。
1.一种利用原状土壤剖面光谱反演土壤中重金属含量的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的利用原状土壤剖面光谱反演土壤中重金属含量的方法，其特征在于，构建所述高光谱反演模型具体过程如下：
3.根据权利要求1或2中任意一项所述的利用原状土壤剖面光谱反演土壤中重金属含量的方法，其特征在于，所述机器学习算法至少包括：plsr算法、cubist算法、gpr算法和svm算法；
4.根据权利要求1所述的利用原状土壤剖面光谱反演土壤中重金属含量的方法，其特征在于，所述评估指标至少包括：决定系数、均方根误差和林氏一致性相关系数；所述最优高光谱反演模型的筛选流程如下：
5.根据权利要求1所述的利用原状土壤剖面光谱反演土壤中重金属含量的方法，其特征在于：所述四种土壤重金属元素分别为：砷（as）、铜（cu）、铅（pb）、锌（zn）。
6.根据权利要求3所述的利用原状土壤剖面光谱反演土壤中重金属含量的方法，其特征在于：
7.根据权利要求1所述的利用原状土壤剖面光谱反演土壤中重金属含量的方法，其特征在于，步骤s2中还包括对有效高光谱数据的预处理，具体过程如下：表观吸收率、一阶导数、二阶导数、savitzky-golay平滑、gap-segment导数、去趋势、标准正态变量变换、连续统去除处理方法中的一种或多种组合。
