一种堆肥腐熟度确定方法、设备及介质

本技术涉及生物质发酵堆肥，特别是涉及一种堆肥腐熟度确定方法、设备及介质。

背景技术：

1、堆肥技术(composting)能够将可生物降解的废物转化为卫生、无公害和腐殖质类物质，从而回收宝贵的营养物质，提高土壤肥力和农作物生产质量。在农业生产中，使用未腐熟的有机肥会造成微生物的繁殖，导致土壤缺氧，而且还会找招来地下害虫啃食植物根茎，寄生虫、病原体在土地中传播，也会增加农作物大面积爆发疾病的风险。因此，通过堆肥腐熟度评估确保堆肥产品的安全可利用就变得至关重要。

2、在堆肥发酵过程中，微生物将有机质中的碳氮进行转化，部分成为二氧化碳、氨气等气体，使得堆肥内部碳氮含量发生变化，堆肥中碳氮物质变化成为评估产品腐熟的重要指标。但传统碳氮测定方法成本高、耗时长、工作量大，目前随着近红外光谱分析技术的发展，已经产生了多种基于近红外光谱对堆肥的各化学成分进行测定的方法。而随着机器学习的发展，多种不同的机器学习模型被提出和应用在该方面。多种特征提取算法也被应用于筛选特征波段，用以消除干扰因素，降低数据维度，提高模型精度。在多数研究中已经证明，结合特征波段提取的机器学习模型可以通过近红外光谱数据对堆肥的总碳、总氮等指标达到很好的预测精度。

3、然而，由于各地堆肥原料成分复杂，导致物料中碳、氮组分差异明显，传统的用来评估堆肥腐熟度的一些指标比如碳氮比、有机质削减率、氨氮、硝氮等指标往往具有一定的片面性，难以形成统一的标准，迫切需要开发快速准确、简便高效评估堆肥腐熟度评估方法。因此，结合近红外光谱分析技术及腐熟度评价模型，构建了一种快速准确、简便高效的堆肥腐熟度评估方法。

技术实现思路

1、本技术的目的是提供一种堆肥腐熟度确定方法、设备及介质，能够提高堆肥是否腐熟的效率和准确度。

2、为实现上述目的，本技术提供了如下方案：

3、第一方面，本技术提供了一种堆肥腐熟度确定方法，包括：

4、获取待评估堆肥的初始总有机碳含量、初始总氮含量和实时光谱信息；所述待评估堆肥为经腐熟堆肥法处理的堆肥；所述初始总有机碳含量为待评估堆肥经腐熟堆肥法处理前的总有机碳含量；所述初始总氮含量为待评估堆肥经腐熟堆肥法处理前的总氮含量；

5、对所述实时光谱信息依次进行预处理和特征波段提取处理，得到实时特征光谱数据；

6、将所述实时特征光谱数据输入到总有机碳含量检测模型中，得到待评估堆肥的实时总有机碳含量；所述总有机碳含量检测模型是基于多个堆肥的历史特征光谱数据以及历史总有机碳含量，利用梯度提升回归算法构建的；

7、根据所述实时总有机碳含量和所述初始总有机碳含量，得到实时有机质削减率；

8、将所述实时特征光谱数据输入到总氮含量检测模型中，得到待评估堆肥的实时总氮含量；所述总氮含量检测模型是基于多个堆肥的历史特征光谱数据以及历史总氮含量，利用梯度提升回归算法构建的；

9、根据所述实时总有机碳含量、所述初始总有机碳含量、所述实时总氮含量和所述初始总氮含量，得到实时碳氮比削减率；

10、将所述实时有机质削减率和所述实时碳氮比削减率输入到堆肥腐熟度确定模型中，得到堆肥腐熟度检测结果；所述堆肥腐熟度确定模型是利用多个堆肥的历史有机质削减率和历史碳氮比削减率，对支持向量机模型进行训练后得到的；所述堆肥腐熟度检测结果为是否腐熟。

11、可选地，对所述实时光谱信息依次进行预处理和特征波段提取处理，得到实时特征光谱数据，包括：

12、利用多项式平滑算法对所述实时光谱信息进行处理，得到实时平滑光谱数据；

13、对所述实时平滑光谱数据进行多元散射校正，得到实时去噪光谱数据；

14、对所述实时去噪光谱数据进行一阶微分处理，得到实时微分光谱数据；

15、对所述实时微分光谱数据进行特征波段提取处理，得到实时特征光谱数据。

16、可选地，在获取待评估堆肥的初始总有机碳含量、初始总氮含量和实时光谱信息之前，还包括：

17、制备多个堆肥样本，并以堆肥样本是否腐熟为标签对堆肥样本进行标注；

18、确定每个堆肥样本的历史总有机碳含量、初始总有机碳含量、历史总氮含量和初始总氮含量；

19、获取每个堆肥样本的历史光谱信息；

20、对所述历史光谱信息依次进行预处理和特征波段提取处理，得到历史特征光谱数据；

21、以历史特征光谱数据和历史总有机碳含量为数据对，构建第一训练集；

22、以历史特征光谱数据和历史总氮含量为数据对，构建第二训练集；

23、基于堆肥样本的历史总有机碳含量和初始总有机碳含量，确定每个堆肥样本的历史有机质削减率；

24、基于堆肥样本的历史总有机碳含量、初始总有机碳含量、历史总氮含量和初始总氮含量，确定每个堆肥样本的历史碳氮比削减率；

25、确定同一堆肥样本的历史有机质削减率和历史碳氮比削减率为输入数据对；

26、以输入数据对和标签为数据对，构建第三训练集。

27、可选地，在以历史特征光谱数据和历史总有机碳含量为数据对，构建第一训练集之后还包括：

28、以历史特征光谱数据为输入，以历史总有机碳含量为输出，利用梯度提升回归算法构建总有机碳含量检测模型。

29、可选地，在以历史特征光谱数据和历史总氮含量为数据对，构建第二训练集之后还包括：

30、以历史特征光谱数据为输入，以历史总氮含量为输出，利用梯度提升回归算法构建总氮含量检测模型。

31、可选地，在以输入数据对和标签为数据对，构建第三训练集之后还包括：

32、以输入数据对为输入，以标签为输出，对支持向量机模型进行训练，得到堆肥腐熟度确定模型。

33、可选地，所述历史有机质削减率为：

34、

35、其中，ci,r为第i个堆肥样本的历史有机质削减率，c0为第i个堆肥样本的初始总有机碳含量，ci为第i个堆肥样本的历史总有机碳含量。

36、可选地，所述历史碳氮比削减率为：

37、

38、

39、

40、其中，ri,r为第i个堆肥样本的历史碳氮比削减率，r0为第i个堆肥样本的初始碳氮比，ri为第i个堆肥样本的历史碳氮比，ni为第i个堆肥样本的历史总氮含量，n0为第i个堆肥样本的初始总氮含量。

41、第二方面，本技术提供了一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述堆肥腐熟度确定方法。

42、第三方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述堆肥腐熟度确定方法。

43、根据本技术提供的具体实施例，本技术公开了以下技术效果：

44、本技术提供了一种堆肥腐熟度确定方法、设备及介质，通过探究影响堆肥过程中有机质及总氮含量变化的理化指标特征，同时收集堆肥样本的近红外光谱数据，通过堆肥样本的光谱数据与有机质与总氮含量的关系，建立起堆肥过程中堆肥有机质与总氮含量的快速预测模型，提出使用堆肥有机质削减率及碳氮比削减率共同建立堆肥腐熟度确定模型，从而对堆肥腐熟程度进行判断，为判断堆肥品质提供技术支撑，对堆肥腐熟度判断提供了一种新思路，具有重要的现实意义。