CN117951532B - 基于土壤全氮近红外光谱的云边协同检测系统及方法 - Google Patents

Abstract

本申请实施例提供一种基于土壤全氮近红外光谱的云边协同检测系统及方法，涉及借助于测定材料的化学或物理性质来测试或分析材料技术领域，该系统包括：传感器终端、边缘设备和云服务器；其中，所述传感器终端用于采集实时土壤光谱数据；所述边缘设备用于基于训练后的土壤全氮检测模型输出实时土壤全氮检测结果；基于实时土壤光谱数据和历史土壤光谱数据确定用于训练所述土壤全氮检测模型的第一光谱数据集。本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测系统及方法，以传感器终端、边缘设备和云服务器为依托，通过引入边缘计算、云计算等技术，能够提高小样本情况下近红外检测模型特征提取的稳定性。

Description

基于土壤全氮近红外光谱的云边协同检测系统及方法

技术领域

本申请涉及借助于测定材料的化学或物理性质来测试或分析材料技术领域，尤其涉及一种基于土壤全氮近红外光谱的云边协同检测系统及方法。

背景技术

化学分析法是传统的土壤氮素检测方法，也是当前土壤全氮检测的标准方法。然而，这类方法常常需要花费较大的时间、人力、物力和财力。对此，光谱分析技术所展现的无损、快速、高效、环境友好等特点，使其在土壤属性检测任务中具有突出的优势。其中，近红外（Near infrared, NIR）光谱能反应C-H、N-H、O-H等含氢基团振动的倍频和合频信息，故其可被用作土壤全氮含量检测任务。不同于其他光谱分析技术，近红外光谱基本重叠了大量其他成分的相关信息，使得它的图谱显示出结构复杂、谱峰重叠严重、被测物质成分的有效信息谱带较宽、光谱变动较大和光谱数据干扰噪声较多等特点，而这些特点对土壤全氮含量检测又提出了很大的挑战。

近年来，以深度学习为代表的数据驱动方法在特征挖掘、波谱检测技术中得到了广泛的关注，其特点是在待检测物质特征未知、先验知识缺乏的情况下，实现待检测物质的有效特征挖掘。然而，现有的土壤样品检测条件与需求制约着数据驱动方法的有效应用：高昂的检测成本限制着大规模土壤全氮真值的获取，这使得小样本估算大范围农田全氮含量成为目前土壤全氮含量检测的常见现象与最为经济、实用的方式。但现有技术在小样本情况下近红外检测模型的特征提取并不稳定。

发明内容

本申请实施例提供一种基于土壤全氮近红外光谱的云边协同检测系统及方法，用以解决相关技术在小样本情况下近红外检测模型的土壤光谱特征提取不稳定的技术问题。

第一方面，本申请实施例提供一种基于土壤全氮近红外光谱的云边协同检测系统，所述云边协同检测系统包括：

传感器终端、边缘设备和云服务器；

其中，所述传感器终端用于采集实时土壤光谱数据，以及将所述实时土壤光谱数据发送至所述边缘设备；

所述边缘设备用于接收所述传感器终端发送的实时土壤光谱数据，基于训练后的土壤全氮检测模型输出实时土壤全氮检测结果，以及将所述实时土壤光谱数据发送至所述云服务器；

所述云服务器用于存储历史土壤光谱数据和所述历史土壤光谱数据对应的标签信息，接收所述边缘设备发送的实时土壤光谱数据，基于所述实时土壤光谱数据和所述历史土壤光谱数据确定用于训练所述土壤全氮检测模型的第一光谱数据集，以及将所述第一光谱数据集发送至所述边缘设备。

在一些实施例中，所述边缘设备还用于基于所述第一光谱数据集训练所述土壤全氮检测模型，所述土壤全氮检测模型的训练步骤包括：

复制所述第一光谱数据集得到第二光谱数据集；

基于特征选择器获取所述第一光谱数据集的第一光谱特征图谱，并获取所述第二光谱数据集的第二光谱特征图谱；

融合所述第一光谱特征图谱和所述第二光谱特征图谱，得到融合后的光谱特征图谱，基于所述融合后的光谱特征图谱确定土壤全氮特征波段，所述土壤全氮特征波段用于表示根据重要程度排名确定的光谱波段；

基于所述土壤全氮特征波段训练所述土壤全氮检测模型，确定所述土壤全氮检测模型的预测器参数。

在一些实施例中，所述基于所述实时土壤光谱数据和所述历史土壤光谱数据确定用于训练所述土壤全氮检测模型的第一光谱数据集，包括：

对所述实时土壤光谱数据进行平均，获取平均光谱数据；

对所述平均光谱数据和所述历史土壤光谱数据进行余弦相似性比较，确定所述第一光谱数据集。

在一些实施例中，所述传感器终端包括：

光谱仪、控制单元和通信单元；

所述光谱仪用于采集实时土壤光谱数据；

所述控制单元用于读取所述实时土壤光谱数据、数据通信、电源监控；

所述通信单元用于向所述边缘设备发送实时土壤光谱数据。

在一些实施例中，所述边缘设备包括智能终端，所述智能终端用于接收所述传感器终端发送的实时土壤光谱数据，以及向本地设备发送所述实时土壤光谱数据。

在一些实施例中，所述边缘设备还包括本地设备，所述本地设备用于接收所述智能终端发送的所述实时土壤光谱数据，基于训练后的土壤全氮检测模型输出实时土壤全氮检测结果，以及向所述智能终端发送所述实时土壤全氮检测结果。

在一些实施例中，所述本地设备还用于向所述云服务器发送所述实时土壤光谱数据，接收所述云服务器发送的第一光谱数据集。

在一些实施例中，所述本地设备还用于训练所述土壤全氮检测模型。

第二方面，本申请实施例还提供一种基于土壤全氮近红外光谱的云边协同检测方法，包括：

基于传感器终端采集实时土壤光谱数据；

基于云服务器和所述实时土壤光谱数据，确定用于训练土壤全氮检测模型的第一光谱数据集；

基于边缘设备和所述第一光谱数据集，训练所述土壤全氮检测模型；

基于训练后的土壤全氮检测模型输出实时土壤全氮检测结果。

在一些实施例中，所述土壤全氮检测模型的训练步骤包括：

复制所述第一光谱数据集得到第二光谱数据集；

基于特征选择器获取所述第一光谱数据集的第一光谱特征图谱，并获取所述第二光谱数据集的第二光谱特征图谱；

融合所述第一光谱特征图谱和所述第二光谱特征图谱，得到融合后的光谱特征图谱，基于所述融合后的光谱特征图谱确定土壤全氮特征波段，所述土壤全氮特征波段用于表示根据重要程度排名确定的光谱波段；

基于所述土壤全氮特征波段训练所述土壤全氮检测模型，确定所述土壤全氮检测模型的预测器参数。

本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测系统及方法，以传感器终端、边缘设备和云服务器为依托，通过引入边缘计算、云计算等技术，充分利用云服务器的存储优势和边缘设备的部署优势进行土壤全氮含量检测，能够提高小样本情况下近红外检测模型特征提取的稳定性。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作一简单的介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测系统的结构示意图；

图2是本申请实施例提供的土壤全氮检测模型的流程图；

图3是本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测方法的流程示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1是本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测系统的结构示意图，如图1所示，所述基于土壤全氮近红外光谱的云边协同检测系统100包括：传感器终端101、边缘设备102和云服务器103；

其中，所述传感器终端用于采集实时土壤光谱数据，以及将所述实时土壤光谱数据发送至所述边缘设备；

所述边缘设备用于接收所述传感器终端发送的实时土壤光谱数据，基于训练后的土壤全氮检测模型获取实时土壤全氮检测结果，以及将所述实时土壤光谱数据发送至所述云服务器；

所述云服务器用于存储历史土壤光谱数据和所述历史土壤光谱数据对应的标签信息，接收所述边缘设备发送的实时土壤光谱数据，基于所述实时土壤光谱数据和所述历史土壤光谱数据确定用于训练所述土壤全氮检测模型的第一光谱数据集，以及将所述第一光谱数据集发送至所述边缘设备。

具体地，传感器终端主要用于采集实时土壤光谱数据，可以利用光谱仪来采集，考虑到实际使用的便携性，可以利用手持光谱仪。

边缘设备主要根据训练后的土壤全氮检测模型对实时土壤光谱数据进行检测，得到实时土壤全氮检测结果。同时在边缘设备内还能够进行土壤全氮检测模型的训练与更新，从而获得能够满足土壤全氮含量检测需求的检测模型。

云服务器则是用于汇集不同地点内采集而来的土壤样品光谱信息（即历史土壤光谱数据）与标签信息（即土壤全氮真值），并下载相似的小样本数据集（即第一光谱数据集）至本地设备以供模型训练。其中，云服务器内存储的光谱信息会与实时传输而来的光谱信息进行比对，以筛选出可用作当前地块下的光谱数据集以供本地设备进行检测模型训练。

本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测系统，以传感器终端、边缘设备和云服务器为依托，通过引入边缘计算、云计算等技术，充分利用云服务器的存储优势和边缘设备的部署优势进行土壤全氮含量检测，能够提高小样本情况下近红外检测模型特征提取的稳定性。

在一些实施例中，所述边缘设备还用于基于所述第一光谱数据集训练所述土壤全氮检测模型，所述土壤全氮检测模型的训练步骤包括：

复制所述第一光谱数据集得到第二光谱数据集；

基于特征选择器获取所述第一光谱数据集的第一光谱特征图谱，并获取所述第二光谱数据集的第二光谱特征图谱；

融合所述第一光谱特征图谱和所述第二光谱特征图谱，得到融合后的光谱特征图谱，基于所述融合后的光谱特征图谱确定土壤全氮特征波段，所述土壤全氮特征波段用于表示根据重要程度排名确定的光谱波段；

基于所述土壤全氮特征波段训练所述土壤全氮检测模型，确定所述土壤全氮检测模型的预测器参数。

具体地，图2是本申请实施例提供的土壤全氮检测模型的流程图，如图2所示，首先，对第一光谱数据集进行复制操作以获取新的光谱数据集；其次，将第一光谱数据集和第二光谱数据集送至特征选择器分别获取不同数据集下的光谱特征图谱；最后，对不同数据集获取的光谱特征图谱利用公式（1）进行混合，依此筛选土壤全氮特征波段，并根据土壤全氮特征波段进行土壤全氮含量预测器的训练、测试，以获得土壤全氮含量的预测器。

（1）

其中，分别表示不同的特征图谱，为混合后的特征信息，为人工设置的参数。

值得一提的是，可以根据K-Top算法来筛选土壤全氮特征波段，根据光谱特征图谱的重要程度自大到小进行排序，从中筛选出前K个光谱波段，其中K为人为设置的数量。

本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测系统，通过土壤全氮检测模型可以实现小样本情况下光谱稳定特征的融合与提取。

在一些实施例中，所述基于所述实时土壤光谱数据和所述历史土壤光谱数据确定用于训练所述土壤全氮检测模型的第一光谱数据集，包括：

对所述实时土壤光谱数据进行平均，获取平均光谱数据；

对所述平均光谱数据和所述历史土壤光谱数据进行余弦相似性比较，确定所述第一光谱数据集。

具体地，传感器终端对待检测地块进行光谱采集，并将光谱数据传输至边缘设备。边缘设备一方面通过检测模型进行土壤全氮含量的实时预测；另一方面则将一定时段内的光谱信息存储至本地存储单元内，稍后一并将其传输至云服务器端。在云服务器端进行光谱数据的筛选、比较，具体操作如下：首先，对来自边缘设备的光谱数据进行平均操作以获得平均光谱，并以此为基准根据公式（2）对云服务器存储单元内的光谱数据进行余弦相似性比较，据此进行光谱数据的筛选。

（2）

其中，表示样本数据量，分别为样本信息。其次，在边缘设备内将下载而来的光谱信息进行数据集划分（即训练集与测试集），将其用作土壤全氮检测模型的训练，最终将模型用作土壤全氮含量预测器的更新。

本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测系统，云服务器通过对获得的边缘设备内的光谱信息进行对比，并将相似的光谱信息下载至边缘设备以供检测模型的训练与更新，可以提高检测结果的准确率。

在一些实施例中，所述传感器终端包括：

光谱仪、控制单元和通信单元；

所述光谱仪用于采集实时土壤光谱数据；

所述控制单元用于读取所述实时土壤光谱数据、数据通信、电源监控；

所述通信单元用于向所述边缘设备发送实时土壤光谱数据。

具体地，传感器终端主要包括光谱仪、控制单元、通信单元、供电/稳压单元、以及镜头、外壳等辅助单元。其中，光谱仪波段范围为900至1700nm，包含117个波段信息；控制单元选用树莓派Zero开发板进行研发，分别实现光谱波段信息读取、数据通信、电源监控等功能；通信单元则选用低功耗蓝牙（Bluetooth Low Energy, BLE）进行数据通信，实现传感器终端与边缘设备的信息传输；供电单元则以可充电电池为载体进行能量供给，稳压单元则以稳压芯片为主保证传感器运行的稳定；镜头、外壳等辅助单元则通过隔离自然光、保护镜头等功能实现光谱信息的有效采集。

本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测系统，以传感器终端、边缘设备和云服务器为依托，通过引入边缘计算、云计算等技术，充分利用云服务器的存储优势和边缘设备的部署优势进行土壤全氮含量检测，能够提高小样本情况下近红外检测模型特征提取的稳定性。

在一些实施例中，所述边缘设备包括智能终端，所述智能终端用于接收所述传感器终端发送的实时土壤光谱数据，以及向本地设备发送所述实时土壤光谱数据。

在一些实施例中，所述边缘设备还包括本地设备，所述本地设备用于接收所述智能终端发送的所述实时土壤光谱数据，基于训练后的土壤全氮检测模型获取实时土壤全氮检测结果，以及向所述智能终端发送所述实时土壤全氮检测结果。

在一些实施例中，所述本地设备还用于向所述云服务器发送所述实时土壤光谱数据，接收所述云服务器发送的第一光谱数据集。

在一些实施例中，所述本地设备还用于训练所述土壤全氮检测模型。

具体地，边缘设备主要利用Web服务进行跨设备系统的土壤氮素含量检测，具体包括智能终端和本地设备。其中，智能终端主要用于野外作业场景下的传感器终端通信、光谱数据分析以及数据展示等环节。本地设备用于与智能终端设备通信以获取现场光谱数据，并返回土壤全氮含量预测值（即实时土壤全氮检测结果）；同时，与云服务器通信上传光谱数据/下载相似光谱数据集，并在本地设备内进行检测模型训练，以获得能够满足土壤全氮含量检测需求的检测模型。

本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测系统，以传感器终端、边缘设备和云服务器为依托，通过引入边缘计算、云计算等技术，充分利用云服务器的存储优势和边缘设备的部署优势进行土壤全氮含量检测，能够提高小样本情况下近红外检测模型特征提取的稳定性。

图3是本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测方法的流程示意图，如图3所示，本申请实施例提供一种基于土壤全氮近红外光谱的云边协同检测方法，执行主体为云边协同检测系统，该方法包括：

步骤301，基于传感器终端采集实时土壤光谱数据；

步骤302，基于云服务器和所述实时土壤光谱数据，确定用于训练土壤全氮检测模型的第一光谱数据集；

步骤303，基于边缘设备和所述第一光谱数据集，训练所述土壤全氮检测模型；

步骤304，基于训练后的土壤全氮检测模型获取实时土壤全氮检测结果。

具体地，传感器终端对待检测地块进行光谱采集，并将光谱数据传输至边缘设备。边缘设备一方面通过检测模型进行土壤全氮含量的实时预测；另一方面则将一定时段内的光谱信息存储至本地存储单元内，稍后一并将其传输至云服务器端。云服务器端进行光谱数据的筛选、比较，选出第一光谱数据集，边缘设备利用第一光谱数据集训练检测模型，并根据训练后的检测模型得到实时土壤全氮检测结果。

在一些实施例中，所述土壤全氮检测模型的训练步骤包括：

复制所述第一光谱数据集得到第二光谱数据集；

基于特征选择器获取所述第一光谱数据集的第一光谱特征图谱，并获取所述第二光谱数据集的第二光谱特征图谱；

融合所述第一光谱特征图谱和所述第二光谱特征图谱，得到融合后的光谱特征图谱，基于所述融合后的光谱特征图谱确定土壤全氮特征波段，所述土壤全氮特征波段用于表示根据重要程度排名确定的光谱波段；

基于所述土壤全氮特征波段训练所述土壤全氮检测模型，确定所述土壤全氮检测模型的预测器参数。

本申请实施例提供的基于土壤全氮近红外光谱的云边协同检测方法，以传感器终端、边缘设备和云服务器为依托，通过引入边缘计算、云计算等技术，充分利用云服务器的存储优势和边缘设备的部署优势进行土壤全氮含量检测，能够提高小样本情况下近红外检测模型特征提取的稳定性。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

另外需要说明的是：本申请实施例中术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。

本申请实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。

本申请中的“基于A确定B”表示确定B时要考虑A这个因素。并不限于“只基于A就可以确定出B”，还应包括：“基于A和C确定B”、“基于A、C和E确定B”、基于“A确定C，基于C进一步确定B”等。另外还可以包括将A作为确定B的条件，例如，“当A满足第一条件时，使用第一方法确定B”；再例如，“当A满足第二条件时，确定B”等；再例如，“当A满足第三条件时，基于第一参数确定B”等。当然也可以是将A作为确定B的因素的条件，例如，“当A满足第一条件时，使用第一方法确定C，并进一步基于C确定B”等。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于土壤全氮近红外光谱的云边协同检测系统，其特征在于，所述云边协同检测系统包括：

传感器终端、边缘设备和云服务器；

其中，所述传感器终端用于采集实时土壤光谱数据，以及将所述实时土壤光谱数据发送至所述边缘设备；

所述边缘设备用于接收所述传感器终端发送的实时土壤光谱数据，基于训练后的土壤全氮检测模型输出实时土壤全氮检测结果，以及将所述实时土壤光谱数据发送至所述云服务器；

所述边缘设备还用于基于第一光谱数据集训练所述土壤全氮检测模型，所述土壤全氮检测模型的训练步骤包括：

复制所述第一光谱数据集得到第二光谱数据集；

基于特征选择器获取所述第一光谱数据集的第一光谱特征图谱，并获取所述第二光谱数据集的第二光谱特征图谱；

融合所述第一光谱特征图谱和所述第二光谱特征图谱，得到融合后的光谱特征图谱，基于所述融合后的光谱特征图谱确定土壤全氮特征波段，所述土壤全氮特征波段用于表示根据重要程度排名确定的光谱波段；

基于所述土壤全氮特征波段训练所述土壤全氮检测模型，确定所述土壤全氮检测模型的预测器参数；

所述云服务器用于存储历史土壤光谱数据和所述历史土壤光谱数据对应的标签信息，接收所述边缘设备发送的实时土壤光谱数据，基于所述实时土壤光谱数据和所述历史土壤光谱数据确定用于训练所述土壤全氮检测模型的第一光谱数据集，以及将所述第一光谱数据集发送至所述边缘设备。

2.根据权利要求1所述的基于土壤全氮近红外光谱的云边协同检测系统，其特征在于，所述基于所述实时土壤光谱数据和所述历史土壤光谱数据确定用于训练所述土壤全氮检测模型的第一光谱数据集，包括：

对所述实时土壤光谱数据进行平均，获取平均光谱数据；

对所述平均光谱数据和所述历史土壤光谱数据进行余弦相似性比较，确定所述第一光谱数据集。

3.根据权利要求1所述的基于土壤全氮近红外光谱的云边协同检测系统，其特征在于，所述传感器终端包括：

光谱仪、控制单元和通信单元；

所述光谱仪用于采集实时土壤光谱数据；

所述控制单元用于读取所述实时土壤光谱数据、数据通信、电源监控；

所述通信单元用于向所述边缘设备发送实时土壤光谱数据。

4.根据权利要求1所述的基于土壤全氮近红外光谱的云边协同检测系统，其特征在于，所述边缘设备包括智能终端，所述智能终端用于接收所述传感器终端发送的实时土壤光谱数据，以及向本地设备发送所述实时土壤光谱数据。

5.根据权利要求4所述的基于土壤全氮近红外光谱的云边协同检测系统，其特征在于，所述边缘设备还包括本地设备，所述本地设备用于接收所述智能终端发送的所述实时土壤光谱数据，基于训练后的土壤全氮检测模型获取实时土壤全氮检测结果，以及向所述智能终端发送所述实时土壤全氮检测结果。

6.根据权利要求5所述的基于土壤全氮近红外光谱的云边协同检测系统，其特征在于，所述本地设备还用于向所述云服务器发送所述实时土壤光谱数据，接收所述云服务器发送的第一光谱数据集。

7.根据权利要求5所述的基于土壤全氮近红外光谱的云边协同检测系统，其特征在于，所述本地设备还用于训练所述土壤全氮检测模型。

8.一种基于土壤全氮近红外光谱的云边协同检测方法，其特征在于，包括：

基于传感器终端采集实时土壤光谱数据；

基于云服务器和所述实时土壤光谱数据，确定用于训练土壤全氮检测模型的第一光谱数据集；

基于边缘设备和所述第一光谱数据集，训练所述土壤全氮检测模型；所述土壤全氮检测模型的训练步骤包括：

复制所述第一光谱数据集得到第二光谱数据集；

基于特征选择器获取所述第一光谱数据集的第一光谱特征图谱，并获取所述第二光谱数据集的第二光谱特征图谱；

融合所述第一光谱特征图谱和所述第二光谱特征图谱，得到融合后的光谱特征图谱，基于所述融合后的光谱特征图谱确定土壤全氮特征波段，所述土壤全氮特征波段用于表示根据重要程度排名确定的光谱波段；

基于所述土壤全氮特征波段训练所述土壤全氮检测模型，确定所述土壤全氮检测模型的预测器参数；

基于训练后的土壤全氮检测模型获取实时土壤全氮检测结果。