1.一种土壤湿润状态下同时预测多种土壤属性的方法，用于实现目标区域中待检测土壤的土壤含水量、有机质、氧化铁、砂粒、粘粒和粉粒含量预测，其特征在于，首先执行如下步骤A至步骤D，获得目标区域所对应的上述六种土壤属性的预测模型，然后执行如下步骤I至步骤III，获得目标土壤区域中待检测土壤的上述六种土壤属性预测结果：步骤A.根据目标区域所对应的已有土壤资料数据，提取其中来自目标区域、分别对应不同土壤含水量的土壤样品的土壤光谱，并且其中所对应的不同土壤含水量中覆盖目标土壤区域低于风干土壤含水量至饱和土壤含水量的含水量的范围，然后进入步骤B；

步骤B.针对各条土壤光谱，获得土壤原始光谱，然后进入步骤C；

步骤C.基于土壤原始光谱数据，排除非400‑2400nm波段和存在空值的数据，筛选过后的数据进行分数阶微分的处理；

步骤D.搭建1DCNN，将事先进行过分数阶微分处理的光谱数据作为自变量传入网络，输出的结果为一个1*6维的向量，分别对应预测土壤中的水分、有机质、氧化铁、砂粒、粉粒和粘粒含量，获取最优模型和最佳微分阶数；

步骤I.采集目标土壤区域中待检测土壤，并获取待检测土壤所对应的土壤光谱，然后进入步骤II；

步骤II.按步骤C的方法，获得待检测土壤的土壤分数阶微分光谱，然后进入步骤III；

步骤III.以步骤D确定的最佳微分阶数的光谱为自变量，采用步骤D中目标土壤区域所筛选的最优1DCNN模型进行计算，获得待检测土壤所对应的含水量、有机质、氧化铁、砂粒、粉粒、粘粒含量。

2.根据权利要求1所述的一种土壤湿润状态下同时预测多种土壤属性的方法，其特征在于，所述步骤C包括如下步骤：步骤C1.基于二维矩阵的数据格式，按照下列方程逐行、逐列运算，计算原始光谱的分数阶微分式中，f(x)为对应波段反射率；v为阶数；Γ(·)为伽玛(gamma)函数；m为微分的上下限之差，即波段范围；

步骤C2.按照上述公式，v分别取0，0.1，0.2，0.3，……，2，v按照上述规律逐个取值分别对应原始光谱，0.1阶微分光谱，0.2阶微分光谱，0.3阶微分光谱，……，2阶微分光谱，然后进入步骤D。

3.根据权利要求1所述的一种土壤湿润状态下同时预测多种土壤属性的方法，其特征在于，所述步骤D包括如下步骤：步骤D1.对于原始光谱数据，分别搭建1DCNN，将事先进行过分数阶微分处理的光谱数据作为自变量传入网络，输出的结果为一个1*6维的向量，分别对应预测土壤中的水分、有机质、氧化铁、砂粒、粉粒和粘粒含量；

步骤D2.每完成一个数据的训练保存一次loss，利用反向传播算法更新权重和偏置，重复训练，每一次训练都使用visdom实现loss的可视化，直到loss不再发生明显变化,此时保存训练的次数，作为以后训练epoch初始值选择的依据，同时保存训练好的模型；

步骤D3.计算训练集水分、有机质、氧化铁、砂粒、粉粒和粘粒含量实测值和模型预测值2

的决定系数R、均方根误差RMSE和相对分析误差RPD；

步骤D4.对于0.1阶、0.2阶，……，2阶微分光谱，均按照步骤D1到D3执行，获取训练好的模型；

2

步骤D5.比较每个阶数的微分光谱所对应模型获得的决定系数R、均方根误差RMSE和相2

对分析误差RPD，选取R 最高、RMSE最小且RPD最高的微分阶数光谱对应的训练模型为最佳训练模型。