1.一种改进的DBN‑MORF土壤重金属含量预测方法，其特征在于：包括基于SSA的参数优化部分和基于改进的DBN‑MORF的重金属含量预测部分；

基于SSA的参数优化部分包括：采用具有佳点集策略的SSA对DBN的参数进行全局优化，优化的参数包括：DBN的学习率、DBN各层网络的神经元个数、正向训练次数和反向微调次数；

基于改进的DBN‑MORF的重金属含量预测部分包括以下步骤：S1：土壤样本的获取和预处理：采集并制备土壤样本，随机划分训练样本和测试样本，获取训练样本和测试样本的XRF光谱数据集，对训练样本和测试样本的XRF光谱数据集进行预处理；

S2：通过DBN实现X射线荧光光谱数据的特征提取，使用深度学习算法提取光谱的特征；

S3：将DBN提取的特征取出，并将提取的特征输入多目标预测模型中，在多目标随机森林回归中进行回归；

S4：采用测试样本评价预测模型。

2.根据权利要求1所述的一种改进的DBN‑MORF土壤重金属含量预测方法，其特征在于：基于重叠峰光谱数据，通过改进的DBN‑MORF的重金属含量预测模型同时预测As、Pb的重金属含量。

3.根据权利要求1所述的一种改进的DBN‑MORF土壤重金属含量预测方法，其特征在于：所述步骤S1中的土壤样本的获取方法包括：采集土壤，去除杂质，研磨风干，过200目筛，向土壤中加入含有一定含量的重金属元素的溶液，并再次烘干土壤，制作出压片样本。

4.根据权利要求1所述的一种改进的DBN‑MORF土壤重金属含量预测方法，其特征在于：所述步骤S1中的预处理的方式包括：采用谱聚类法剔除异常样本，采用Savitzky‑Golay五点二次去噪法对光谱数据进行平滑去噪，采用线性本底扣除法去掉光谱的背景噪声。

5.根据权利要求1所述的一种改进的DBN‑MORF土壤重金属含量预测方法，其特征在于：所述步骤S2中的特征提取步骤为：将训练集样本的光谱数据集输入堆叠的RBM中，逐个训练RBM，并将提取的特征输入DBN顶层的BP进行回归，根据样本的标签与BP回归的结果之间出差值，对DBN内部的连接参数进行反向微调，最终使得训练出的特征能最大程度地反映原光谱信息。

6.根据权利要求1所述的一种改进的DBN‑MORF土壤重金属含量预测方法，其特征在于：所述步骤S3中的含量预测步骤为：将训练好的特征从DBN的倒数第二层网络中取出，不直接采用其顶部的BP网络的回归结果，而是将特征输入MORF中，更加准确地同时预测出As、Pb元素的含量。

7.根据权利要求1所述的一种改进的DBN‑MORF土壤重金属含量预测方法，其特征在于：所述步骤S4中的评价预测模型的步骤为：将测试样本输入训练好的DBN‑MORF模型中进行预测，并根据预测结果与标签值之差，计算出R2、MAE、MSE这几个评价指标，R2越大，MAE、MSE越小时，预测模型越准确。