本技術(shù)涉及生物質(zhì)發(fā)酵堆肥，特別是涉及一種堆肥腐熟度確定方法、設備及介質(zhì)。

背景技術(shù)：

1、堆肥技術(shù)(composting)能夠?qū)⒖缮锝到獾膹U物轉(zhuǎn)化為衛(wèi)生、無公害和腐殖質(zhì)類物質(zhì)，從而回收寶貴的營養(yǎng)物質(zhì)，提高土壤肥力和農(nóng)作物生產(chǎn)質(zhì)量。在農(nóng)業(yè)生產(chǎn)中，使用未腐熟的有機肥會造成微生物的繁殖，導致土壤缺氧，而且還會找招來地下害蟲啃食植物根莖，寄生蟲、病原體在土地中傳播，也會增加農(nóng)作物大面積爆發(fā)疾病的風險。因此，通過堆肥腐熟度評估確保堆肥產(chǎn)品的安全可利用就變得至關(guān)重要。

2、在堆肥發(fā)酵過程中，微生物將有機質(zhì)中的碳氮進行轉(zhuǎn)化，部分成為二氧化碳、氨氣等氣體，使得堆肥內(nèi)部碳氮含量發(fā)生變化，堆肥中碳氮物質(zhì)變化成為評估產(chǎn)品腐熟的重要指標。但傳統(tǒng)碳氮測定方法成本高、耗時長、工作量大，目前隨著近紅外光譜分析技術(shù)的發(fā)展，已經(jīng)產(chǎn)生了多種基于近紅外光譜對堆肥的各化學成分進行測定的方法。而隨著機器學習的發(fā)展，多種不同的機器學習模型被提出和應用在該方面。多種特征提取算法也被應用于篩選特征波段，用以消除干擾因素，降低數(shù)據(jù)維度，提高模型精度。在多數(shù)研究中已經(jīng)證明，結(jié)合特征波段提取的機器學習模型可以通過近紅外光譜數(shù)據(jù)對堆肥的總碳、總氮等指標達到很好的預測精度。

3、然而，由于各地堆肥原料成分復雜，導致物料中碳、氮組分差異明顯，傳統(tǒng)的用來評估堆肥腐熟度的一些指標比如碳氮比、有機質(zhì)削減率、氨氮、硝氮等指標往往具有一定的片面性，難以形成統(tǒng)一的標準，迫切需要開發(fā)快速準確、簡便高效評估堆肥腐熟度評估方法。因此，結(jié)合近紅外光譜分析技術(shù)及腐熟度評價模型，構(gòu)建了一種快速準確、簡便高效的堆肥腐熟度評估方法。

技術(shù)實現(xiàn)思路

1、本技術(shù)的目的是提供一種堆肥腐熟度確定方法、設備及介質(zhì)，能夠提高堆肥是否腐熟的效率和準確度。

2、為實現(xiàn)上述目的，本技術(shù)提供了如下方案：

3、第一方面，本技術(shù)提供了一種堆肥腐熟度確定方法，包括：

4、獲取待評估堆肥的初始總有機碳含量、初始總氮含量和實時光譜信息；所述待評估堆肥為經(jīng)腐熟堆肥法處理的堆肥；所述初始總有機碳含量為待評估堆肥經(jīng)腐熟堆肥法處理前的總有機碳含量；所述初始總氮含量為待評估堆肥經(jīng)腐熟堆肥法處理前的總氮含量；

5、對所述實時光譜信息依次進行預處理和特征波段提取處理，得到實時特征光譜數(shù)據(jù)；

6、將所述實時特征光譜數(shù)據(jù)輸入到總有機碳含量檢測模型中，得到待評估堆肥的實時總有機碳含量；所述總有機碳含量檢測模型是基于多個堆肥的歷史特征光譜數(shù)據(jù)以及歷史總有機碳含量，利用梯度提升回歸算法構(gòu)建的；

7、根據(jù)所述實時總有機碳含量和所述初始總有機碳含量，得到實時有機質(zhì)削減率；

8、將所述實時特征光譜數(shù)據(jù)輸入到總氮含量檢測模型中，得到待評估堆肥的實時總氮含量；所述總氮含量檢測模型是基于多個堆肥的歷史特征光譜數(shù)據(jù)以及歷史總氮含量，利用梯度提升回歸算法構(gòu)建的；

9、根據(jù)所述實時總有機碳含量、所述初始總有機碳含量、所述實時總氮含量和所述初始總氮含量，得到實時碳氮比削減率；

10、將所述實時有機質(zhì)削減率和所述實時碳氮比削減率輸入到堆肥腐熟度確定模型中，得到堆肥腐熟度檢測結(jié)果；所述堆肥腐熟度確定模型是利用多個堆肥的歷史有機質(zhì)削減率和歷史碳氮比削減率，對支持向量機模型進行訓練后得到的；所述堆肥腐熟度檢測結(jié)果為是否腐熟。

11、可選地，對所述實時光譜信息依次進行預處理和特征波段提取處理，得到實時特征光譜數(shù)據(jù)，包括：

12、利用多項式平滑算法對所述實時光譜信息進行處理，得到實時平滑光譜數(shù)據(jù)；

13、對所述實時平滑光譜數(shù)據(jù)進行多元散射校正，得到實時去噪光譜數(shù)據(jù)；

14、對所述實時去噪光譜數(shù)據(jù)進行一階微分處理，得到實時微分光譜數(shù)據(jù)；

15、對所述實時微分光譜數(shù)據(jù)進行特征波段提取處理，得到實時特征光譜數(shù)據(jù)。

16、可選地，在獲取待評估堆肥的初始總有機碳含量、初始總氮含量和實時光譜信息之前，還包括：

17、制備多個堆肥樣本，并以堆肥樣本是否腐熟為標簽對堆肥樣本進行標注；

18、確定每個堆肥樣本的歷史總有機碳含量、初始總有機碳含量、歷史總氮含量和初始總氮含量；

19、獲取每個堆肥樣本的歷史光譜信息；

20、對所述歷史光譜信息依次進行預處理和特征波段提取處理，得到歷史特征光譜數(shù)據(jù)；

21、以歷史特征光譜數(shù)據(jù)和歷史總有機碳含量為數(shù)據(jù)對，構(gòu)建第一訓練集；

22、以歷史特征光譜數(shù)據(jù)和歷史總氮含量為數(shù)據(jù)對，構(gòu)建第二訓練集；

23、基于堆肥樣本的歷史總有機碳含量和初始總有機碳含量，確定每個堆肥樣本的歷史有機質(zhì)削減率；

24、基于堆肥樣本的歷史總有機碳含量、初始總有機碳含量、歷史總氮含量和初始總氮含量，確定每個堆肥樣本的歷史碳氮比削減率；

25、確定同一堆肥樣本的歷史有機質(zhì)削減率和歷史碳氮比削減率為輸入數(shù)據(jù)對；

26、以輸入數(shù)據(jù)對和標簽為數(shù)據(jù)對，構(gòu)建第三訓練集。

27、可選地，在以歷史特征光譜數(shù)據(jù)和歷史總有機碳含量為數(shù)據(jù)對，構(gòu)建第一訓練集之后還包括：

28、以歷史特征光譜數(shù)據(jù)為輸入，以歷史總有機碳含量為輸出，利用梯度提升回歸算法構(gòu)建總有機碳含量檢測模型。

29、可選地，在以歷史特征光譜數(shù)據(jù)和歷史總氮含量為數(shù)據(jù)對，構(gòu)建第二訓練集之后還包括：

30、以歷史特征光譜數(shù)據(jù)為輸入，以歷史總氮含量為輸出，利用梯度提升回歸算法構(gòu)建總氮含量檢測模型。

31、可選地，在以輸入數(shù)據(jù)對和標簽為數(shù)據(jù)對，構(gòu)建第三訓練集之后還包括：

32、以輸入數(shù)據(jù)對為輸入，以標簽為輸出，對支持向量機模型進行訓練，得到堆肥腐熟度確定模型。

33、可選地，所述歷史有機質(zhì)削減率為：

34、

35、其中，ci,r為第i個堆肥樣本的歷史有機質(zhì)削減率，c0為第i個堆肥樣本的初始總有機碳含量，ci為第i個堆肥樣本的歷史總有機碳含量。

36、可選地，所述歷史碳氮比削減率為：

37、

38、

39、

40、其中，ri,r為第i個堆肥樣本的歷史碳氮比削減率，r0為第i個堆肥樣本的初始碳氮比，ri為第i個堆肥樣本的歷史碳氮比，ni為第i個堆肥樣本的歷史總氮含量，n0為第i個堆肥樣本的初始總氮含量。

41、第二方面，本技術(shù)提供了一種計算機設備，包括：存儲器、處理器以存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)上述堆肥腐熟度確定方法。

42、第三方面，本技術(shù)提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述堆肥腐熟度確定方法。

43、根據(jù)本技術(shù)提供的具體實施例，本技術(shù)公開了以下技術(shù)效果：

44、本技術(shù)提供了一種堆肥腐熟度確定方法、設備及介質(zhì)，通過探究影響堆肥過程中有機質(zhì)及總氮含量變化的理化指標特征，同時收集堆肥樣本的近紅外光譜數(shù)據(jù)，通過堆肥樣本的光譜數(shù)據(jù)與有機質(zhì)與總氮含量的關(guān)系，建立起堆肥過程中堆肥有機質(zhì)與總氮含量的快速預測模型，提出使用堆肥有機質(zhì)削減率及碳氮比削減率共同建立堆肥腐熟度確定模型，從而對堆肥腐熟程度進行判斷，為判斷堆肥品質(zhì)提供技術(shù)支撐，對堆肥腐熟度判斷提供了一種新思路，具有重要的現(xiàn)實意義。