G01N31/16 G01N21/31 G06F18/23213 G06N5/01 G06N20/20
1.基于光谱形状特征的土壤有机质预测方法,其特征在于所述基于光谱形状特征的土壤有机质预测方法如下:
一、土壤样本采集与处理:
在中国东北采集中国东北耕地表层土壤样本,对土壤样本进行风干、研磨和过筛处理,使用重铬酸钾加热法,通过1.724的转化系数得到SOM含量;
二、土壤样本光谱测试:
在暗室内使用ASD地物光谱仪进行光谱测试,光谱范围为350-2500nm,土壤样本放入器皿中将表面刮平,采用一个50W的卤素灯作为光源照射土壤样本表面,使用ASD地物光谱仪的探头对土壤光谱进行采集,每次采集10条光谱曲线,计算均值作为一个土壤样点的光谱反射率曲线;
三、土壤光谱处理:
对光谱反射率曲线进行九点平滑、10nm重采样和包络线去除处理,通过去包络线曲线确定在可见光两个吸收谷的吸收位置,基于两个吸收位置,在光谱反射率曲线上提取光谱特征参数长度L和面积A;
所述九点平滑的公式如下:
R′i=0.04Ri-4+0.08Ri-3+0.12Ri-2+0.16Ri-1+0.2Ri+0.16Ri+1+0.12Ri+2+0.08Ri+3+0.04Ri+4
R′i表示平滑后某一波长的反射率,R表示实测反射率,i表示波长;
所述特征参数长度L公式为:
n=180°-arctan(θ)
长度L公式中其中λ表示波长,λa表示波长是a,R表示反射率,β表示半径,π=3.14;
所述特征参数面积A公式为:
Ac=Aabc-A▲abc
A▲abc=[(P2-P1)×(Rc-Ra)]×0.5
其中λ表示波长,λa表示波长是a,d表示重采样间隔,R表示反射率,P表示吸收位置,n和α分别代表夹角,β表示半径,π=3.14;
四、土壤样本聚类:使用k-mean聚类分别对中国东北耕地表层土壤样本进行聚类,并确定最优聚类数;
五、SOM预测模型构建:
预测模型使用随机森林模型,将光谱特征参数长度L和面积A作为预测变量,在软件R中构建随机森林模型,估算SOM含量,即得预测的土壤有机质。
2.根据权利要求1所述基于光谱形状特征的土壤有机质预测方法,其特征在于步骤一中采集耕地表层0.5-20cm的土壤样本。
3.根据权利要求1所述基于光谱形状特征的土壤有机质预测方法,其特征在于步骤二中使用ASD地物光谱仪进行光谱测试,光谱范围为350-2500nm。
4.根据权利要求1所述基于光谱形状特征的土壤有机质预测方法,其特征在于步骤五中构建随机森林模型使用RandomForest包,当树的数量设置为500,最优分裂节点设置为预测变量的三分之一时,模型的袋外误差是稳定的。
5.根据权利要求1所述基于光谱形状特征的土壤有机质预测方法,其特征在于步骤五SOM预测模型构建后,SOM预测精度使用决定系数和均方根误差评估,RMSE计算公式如下:
其中yp是SOC预测值,yo是SOC实测值,i代表数量,m是土壤样本数。
本发明属于土壤有机质光谱预测领域,具体涉及一种估算土壤有机质的方法。
土壤有机质(SOM)是重要的理化参数,SOM是土壤安全和肥力评价的重要指标。在精准农业和土地可持续利用方面需要快速准确的SOM估算。人们使用光谱技术去了解不同地物的理化性质差异,具体的光谱差异主要体现在不同光谱波长的反射和吸收特征。研究表明,SOM在可见光近红外区域有强烈的吸收特征,可用于快速准确的估算SOM含量。随着SOM含量的增加,光谱反射率降低,因此,SOM与光谱反射率具有较好的负相关。为了提高SOM与光谱反射率的相关性,微分、对数、倒数等数学变换方法被应用于SOM预测。其中微分变换是最常用的光谱变换方法,不仅可以提高与SOM的相关性,还可以消除植被的影响。在当前的研究中,分数阶微分被应用于SOM预测,弥补了整数阶微分在SOM预测中光谱信息不能完全捕捉的情况。但对于土壤光谱SOM预测,一般使用很多波长的反射率或数学变换值作为预测变量,增加了运算强度。
光谱特征参数可以表征光谱曲线的形状特征,一般基于光谱去包络线曲线提取光谱特征参数,主要包括吸收面积、吸收位置、吸收深度和对称度等。光谱特征参数多用于土壤光谱分类研究,不同土壤类型在可见光的光谱特征差异较大,因此,使用光谱特征参数进行土壤分类,可以得到高分类精度。光谱特征参数用于SOM预测的研究很少,但在可见光随着SOM含量增加,当反射率下降时,光谱曲线的形状也发生变化。为了研究光谱特征参数在SOM预测中的潜力,提出了一种基于光谱曲线形状特征的SOM预测方法。开发一种快速、准确且预测变量少的SOM预测方法是必要的,可以极大的提高预测效率。在使用光谱特征参数预测的同时,局部建模方法也被应用来提高模型的预测能力。
本发明的目的是为了解决当前SOM预测使用的预测变量过多导致运算复杂的技术问题,提供了一种基于光谱形状特征的土壤有机质预测方法。
基于光谱形状特征的土壤有机质预测方法如下:
一、土壤样本采集与处理:
在中国东北采集中国东北耕地表层土壤样本,对土壤样本进行风干、研磨和过筛处理,使用重铬酸钾加热法,通过1.724的转化系数得到SOM含量;
所述重铬酸钾加热法的操作步骤如下:
1.1、用减量法称取0.1000g-0.5000g风干土样,精确到0.0001g,通过0.149mm的筛孔将风干土样置于硬质试管中,加入0.1g硫酸银,加入5.00mL浓度为0.8000mol/L的重铬酸钾标准溶液,再用注射器注入5mL硫酸,旋转摇匀;
1.2、先将油浴锅加热至185℃-190℃,将盛有土样的硬质试管插入油浴锅内的铁丝笼架中加热,控制油浴锅内温度为170℃-180℃,并使溶液保持沸腾5min,然后取出铁丝笼架,待硬质试管稍冷后,用干净纸擦净试管外部的油液;
1.3、如煮沸后的溶液呈绿,表示重铬酸钾标准溶液用量不足,应再称土样重做;如煮沸后的溶液呈橙黄或黄绿,则冷却后将试管内的混合物吸入250mL锥形瓶中,瓶内体积控制在60mL-80mL,加入3滴-4滴邻菲啰啉指示剂,用0.2mol/L硫酸亚铁铵标准溶液滴定至溶液由橙黄经蓝绿到棕红为终点;如用N-苯基指示剂,则变过程由棕红经紫到蓝绿为终点;
1.4、分析每批土样时,做2-3个空白试验,空白试验不加土样,但加入0.1g-0.5g石英砂,其他操作步骤与土样分析完全相同。
二、土壤样本光谱测试:
在暗室内使用ASD地物光谱仪进行光谱测试,光谱范围为350-2500nm,土壤样本放入器皿中将表面刮平,采用一个50W的卤素灯作为光源照射土壤样本表面,使用ASD地物光谱仪的探头对土壤光谱进行采集,每次采集10条光谱曲线,计算均值作为一个土壤样点的光谱反射率曲线;
三、土壤光谱处理:
对光谱反射率曲线进行九点平滑、10nm重采样和包络线去除处理,通过去包络线曲线确定在可见光两个吸收谷的吸收位置,基于两个吸收位置,在光谱反射率曲线上提取光谱特征参数长度L和面积A;
所述九点平滑的公式如下:
R′i=0.04Ri-4+0·08Ri-3+0.12Ri-2+0.16Ri-1+0.2Ri+0.16Ri+1+0.12Ri+2+0.08Ri+3+0.04Ri+4
R′i表示平滑后某一波长的反射率,R表示实测反射率,i表示波长;
所述特征参数长度L公式为:
n=180°-arctan(α)
长度L公式中其中λ表示波长,λa表示波长是a,R表示反射率,β表示半径,π=3.14;
所述特征参数面积A公式为:
Ac=Aabc-A▲abc
A▲abc=[(P2-P1)×(Rc-Ra)]×0.5
其中λ表示波长,λa表示波长是a,d表示重采样间隔,R表示反射率,P表示吸收位置,n和α分别代表夹角(见说明书附图2),β表示半径,π=3.14;
四、土壤样本聚类:使用k-mean聚类分别对中国东北耕地表层土壤样本进行聚类,并确定最优聚类数;
五、SOM预测模型构建:
预测模型使用随机森林模型,将光谱特征参数长度L和面积A作为预测变量,在软件R中构建随机森林模型,估算SOM含量,即得预测的土壤有机质。
步骤一中采集耕地表层0.5-20cm的土壤样本。
步骤二中使用ASD地物光谱仪进行光谱测试,光谱范围为350-2500nm。
步骤五中构建随机森林模型使用RandomForest包,当树的数量设置为500,最优分裂节点设置为预测变量的三分之一时,模型的袋外误差是稳定的。
步骤五SOM预测模型构建后,SOM预测精度使用决定系数和均方根误差评估,RMSE计算公式如下:
(此公式中的ypi和yoi是ypi和yoi)
其中yp是SOC预测值,yo是SOC实测值,m是土壤样本数。
本发明构建的模型具有较高的预测精度,基于形状特征的光谱特征参数在SOM预测中具有很大的潜力。
图1是本发明实验一中土壤采样点分布图;
图2是本发明实验一中光谱特征参数提取示意图,图中(a)是长度示意图,(b)是面积示意图;
图3是本发明实验一中农安县训练结果;
图4是本发明实验一中农安县验证结果;
图5是本发明实验一中三江平原训练结果;
图6是本发明实验一中三江平原验证结果。
本发明技术方案不局限于以下所列举具体实施方式,还包括各具体实施方式间的任意组合。
本文发布于:2024-09-23 21:30:25,感谢您对本站的认可!
本文链接:https://www.17tex.com/tex/4/74847.html
版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。
留言与评论(共有 0 条评论) |