一种土壤电导率检测系统及方法
技术领域
本发明涉及土壤电导率检测技术领域，具体是指一种土壤电导率检测系统及方法。
背景技术
植物需要从土壤中吸收养分如各种无机盐，土壤中盐分含量的多少能够直接影响到植物的生长，对农业来说能够直接影响到作物的产量。实际上土壤盐含量较高或者较低都不利于作物的生长。土壤盐分较低，植物不能充分吸收足够营养供生长；土壤盐分含量过高，则会导致土壤过度盐碱化的问题，从而造成土壤污染等情况。所以通过科学的方法对土壤盐分进行监测并开展精准施肥管理，提高化肥施用效率，减少浪费和过度使用，不仅能够节约经济成本，提高作物产量的同时能够减少对环境的污染。
现阶段，农业中通常使用土壤的电导率来评估土壤的含盐量实际状况。在一定的浓度范围内，土壤溶液含盐量与电导率呈现正相关，土壤含盐量越高，电导率值就越大。现有技术中电导率测量通常在实验室条件下能够获取较为精准的结果，但是测量过程相对复杂，耗时间，成本相对较高，并且无法满足大面积实时测量的需求。而在农田现场应用的土壤电导率测量设备精度相对较低，故发展更为便捷、高效、精准并且可以原位实时监测土壤电导率的方法，以确定各种田间电导率时空分布的差异，为普及推广现代精细农业的具有重大意义。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供一种应用多频域反射频率来实现实时预测土壤导电率的土壤电导率检测系统及方法，通过应用频域反射技术，获取多个土壤的频域反射频率，并对获取的反射频率进行初步归一化处理，进而采用神经网络算法建立土壤电导率的预测模型，实现对土壤电导率的检测。
本发明采取的技术方案如下：本发明一种土壤电导率检测系统，包括数据采集模组、数据处理模组和土壤电导率预测模型，所述数据采集模组采集土壤样本数据，所述数据处理模组对所有获取的土壤样本数据进行数据处理，并将经数据处理后的数据传输给所述土壤电导率预测模型。
进一步地，所述土壤样本数据包括在不同含水率和含盐量条件下的土壤的频域反射频率及其对应的土壤电导率数据。
进一步地，所述土壤电导率预测模型采用反向神经网络结构，所述反向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。
本发明还公开了一种土壤电导率检测方法，包括如下步骤：
步骤一，采集土壤样本数据，包括在不同含水率和含盐量条件下的土壤的频域反射频率及其对应的土壤电导率数据，并保存至数据采集模组；
采集全国各地不同地理位置的表层农田土样，控制土样体积含水率在5％以内，碾磨土样，过2mm孔筛备用；
对上述的每一种土壤称取3等份22kg的土壤样品，3等份土壤样品分别逐步加入300g蒸馏水、300g浓度为1％的氯化钠溶液、300g浓度为2％的氯化钠溶液并混合均匀，使用固定的工装和不同频率的两台频率采集设备测量土壤在各个频率的频域反射值，待数据稳定后记录土壤频率，并保存至数据采集模组；然后利用差重法测得3等份土壤样品中每一组土壤的真实体积含水率；3等份土壤样品中每一组称取20.00g烘干的土壤样品，以1m：5V的比例加入蒸馏水，震荡30分钟后过滤提取滤液，采用电导率仪测量滤液的实际电导率值，记录稳定电导率读数并保存至数据采集模组中；
步骤二，基于在空气中和在浓度为1％的氯化钠溶液中的频率，利用数据处理模组对所有获取的土壤频率进行归一化数据处理；
基于频率采集设备在空气中和1％浓度的氯化钠溶液中测得的频率，对所有实验获取的频率通过数据处理模组进行归一化数据处理，处理公式如下：
其中，SF为归一化后的频率数值；Fa为频率采集设备在空气中所测得的频率；Fs为频率采集设备测得的土壤频率；Fsw为频率采集设备在1％的氯化钠盐水中测得的频率；
步骤三，以归一化后的数据作为输入自变量，所测的土壤电导率作输出因变量，采用反向传播神经网络算法建立土壤电导率预测模型；
基于不同频率的两台频率采集设备所采集的土壤在各个频率的频域反射值，通过上述方法进行归一化，以归一化后的频率数据作为输入自变量，所测得的土壤电导率作为输出因变量，采用如图2所示的反向传播神经网络结构进行训练，建立土壤电导率的预测模型，隐含层使用tansig激活函数作为传递函数，输出层函数为线性函数，采用Levenberg-Marquardt训练算法训练模型，学习率为0.1，迭代次数为1000次；
依据所获取的土壤数据，采用K-重交叉验证的验证方法进行土壤电导率预测模型训练，训练结果如图3和图4所示，训练集的拟合优度R2为0.86，均方根误差为0.223S/m，验证集的R2为0.93，RMSE为0.170S/m，实现了较高精度的土壤电导率预测结果。
进一步地，所述不同频率的两台频率采集设备具有3组频率，所述不同频率的两台频率采集设备中一台频率为147MHz和20MHz，所述不同频率的两台频率采集设备中另一台为14MHz。
采用上述结构本发明取得的有益效果如下：本方案本申请创新采用多个频率协同建立分析预测模型，因农田环境复杂，土壤类型之间存在差异，应用多个频率点检测能减少单个频率可能因环境因素造成的测量偏差，提高土壤电导率的预测精度；本方案创新采用神经网络算法建立土壤电导率预测模型，实现了高精度的土壤电导率的预测；本方案可以直接搭载在现有的设备上，在一台设备上集成3种频率，实现实时、原位、可持续的土壤电导率监测。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明一种土壤电导率检测系统的流程图；
图2为本发明一种土壤电导率检测方法反向神经网络结构图；
图3为本发明一种土壤电导率检测方法利用反向传播神经网络算法拟合的训练集结果图；
图4为本发明一种土壤电导率检测方法利用反向传播神经网络算法拟合的验证集结果图。
其中，1、数据采集模组，2、数据处理模组，3、土壤电导率预测模型。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1-4所示，本发明一种本发明一种土壤电导率检测系统，包括数据采集模组1、数据处理模组2和土壤电导率预测模型3，所述数据采集模组1采集土壤样本数据，所述数据处理模组2对所有获取的土壤样本数据进行数据处理，并将经数据处理后的数据传输给所述土壤电导率预测模型3。
进一步地，所述土壤样本数据包括在不同含水率和含盐量条件下的土壤的频域反射频率及其对应的土壤电导率数据。
进一步地，所述土壤电导率预测模型3采用反向神经网络结构，所述反向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。
本发明还公开了一种土壤电导率检测方法，包括如下步骤：
步骤一，采集土壤样本数据，包括在不同含水率和含盐量条件下的土壤的频域反射频率及其对应的土壤电导率数据；
采集全国各地不同地理位置的表层农田土样，剔除石块、树根等杂质，在自然环境下风干,控制土样体积含水率在5％以内，碾磨土样，过2mm孔筛备用；
对上述的每一种土壤称取3等份22kg的土壤样品用于实验，实验中采用的不同频率的两台频率采集设备为INSENTEK，型号为智墒ETY-40，具有3组频率，其中一台频率为147MHz和20MHz，另一台为14MHz；
第一份土样逐步加入300g蒸馏水并混合均匀，每次加入蒸馏水后使用固定的工装和设备测量土壤各个频率的频域反射值，待数据稳定后记录土壤频率，采集完频率数据后，用环刀取2份100ml土壤，放入铝盒中，然后在105℃的烘箱中烘干12小时，根据差重法测得每一组土壤的真实体积含水率，称取20.00g烘干的土壤样品，以1m：5V的比例加入蒸馏水，震荡30分钟后过滤提取滤液，采用HANNA 8733电导率仪测量滤液的实际电导率值，记录稳定电导率读数；
第二份土样依次加入300g浓度为1％的氯化钠溶液并混合均匀，每次加入氯化钠溶液后使用同样的的工装和设备测量土壤的频域反射值，待数据稳定后记录土壤频率，采集完频率数据后，用环刀取2份100ml土壤，放入铝盒中，然后在105℃的烘箱中烘干12小时，根据差重法测得每一组土壤的真实体积含水率，采用同样的方法测量每一组的土壤电导率值；
第三份土样依次加入300g浓度为2％的氯化钠溶液并混合均匀，每次加入氯化钠溶液后使用同光固定的工装和设备测量土壤的频域反射值，待数据稳定后记录土壤频率。采集完频率数据后，用环刀取2份100ml土壤，放入铝盒中，然后在105℃的烘箱中烘干12小时，根据差重法测得每一组土壤的真实体积含水率，采用同样的方法测量每一组的土壤电导率值；
每天在开展实验测量之前，需将不同频率的两台频率采集设备分别放置于含氯化钠浓度为1％的盐溶液和空气中，测量和采集其对应的频域反射数据，待数据稳定后记录，采集数据期间，测试的环境需在无人的条件下进行，避免产生人为干扰，并且保证至少有10分钟稳定的测量数据；
步骤二，基于在空气中和在浓度为1％的氯化钠溶液中的频率，利用数据处理模组对所有获取的土壤频率进行归一化数据处理；
基于频率采集设备在空气中和1％浓度的氯化钠溶液中测得的频率，对所有实验获取的频率通过数据处理模组进行归一化数据处理，处理公式如下：
其中，SF为归一化后的频率数值；Fa为频率采集设备在空气中所测得的频率；Fs为频率采集设备测得的土壤频率；Fsw为频率采集设备在1％的氯化钠盐水中测得的频率；
步骤三，以归一化后的数据作为输入自变量，所测的土壤电导率作输出因变量，采用反向传播神经网络算法建立土壤电导率预测模型；
基于不同频率的两台频率采集设备所采集的土壤在各个频率的频域反射值，通过上述方法进行归一化，以归一化后的频率数据作为输入自变量，所测得的土壤电导率作为输出因变量，采用如图2所示的反向传播神经网络结构进行训练，建立土壤电导率的预测模型，隐含层使用tansig激活函数作为传递函数，输出层函数为线性函数，采用Levenberg-Marquardt训练算法训练模型，学习率为0.1，迭代次数为1000次；
依据所获取的土壤数据，采用K-重交叉验证的验证方法进行土壤电导率预测模型训练，训练结果如图3和图4所示，训练集的拟合优度R2为0.86，均方根误差(RMSE)为0.223S/m，验证集的R2为0.93，RMSE为0.170S/m，实现了较高精度的土壤电导率预测结果。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
