CN103941254A - 一种基于地质雷达的土壤物性类别识别方法和装置 - Google Patents

Abstract

本发明公开了一种基于地质雷达的土壤物性类别识别方法，其包括：数据预处理步骤，对地质雷达采集的数字信号进行去噪处理和滤波处理；土壤物性信息提取步骤，从经过数据预处理步骤的数据中提取表征土壤物性的特征数据；神经网络训练步骤，将特征数据作为训练神经网络的数据集合，对神经网络进行训练，得到特征数据对应的映射结果；土壤物性类别识别步骤，将待识别的表征土壤物性的特征数据输入训练好的神经网络，根据神经网络的映射结果识别土壤物性类别。本发明还公开了一种基于地质雷达的土壤物性类别识别装置。利用本发明可基于雷达探测数据快速准确地识别待测区域土壤的物理性质。

Description

一种基于地质雷达的土壤物性类别识别方法和装置

技术领域

本发明涉及探测技术领域，具体涉及一种基于地质雷达的土壤物性类别识别方法和装置。

背景技术

土壤物性即土壤物理性质，例如土壤含水量、土壤质地、土壤孔隙度等。以土壤含水性为例，按照土壤的含水率的值可将土壤视为不同的类别。掌握土壤物性的类别有利于环境保护、工程规划建设等。

地质雷达技术是通过发射高频脉冲电磁波（频率范围在106-109Hz）进行地下目标探测的一门科学，基本原理是：发射机通过发射天线发射脉冲电磁波信号，当这一信号在岩层中遇到探测目标时，会产生反射信号。直达信号和反射信号通过接收天线输入到接收机，放大后由示波器显示出来。根据示波器有无反射信号，可以判断有无被测目标。根据反射信号到达滞后时间及目标物体平均反射波速，可以大致计算出探测目标的距离。地质雷达具有操作简单、探测精度高、无损伤、采集速度快等特点，是目前工程检测和勘察最为活跃的技术方法，在岩土工程中的应用日趋广泛。

地质雷达资料处理在理论上属于数字信号处理解释的范畴。通过对雷达探测的原始数据做一些常规的处理，根据雷达反射信号的强弱、相位特征、同相轴的变化等特征信息，再结合钻探资料以及其他相关地质资料，可对反射信号做出定量和定性解释。但是，面对比较复杂的地质条件时，由于地下介质的复杂多变，回波信号往往具有时变、非平稳和随机性的特点，所以很难正确解释被复杂化之后的外观特征，也因为如此，仅依靠地质雷达探测无法准确快速探测土壤的物理性质。

发明内容

有鉴于此，本发明公开了一种基于地质雷达的土壤物性类别识别方法和装置，通过对地质雷达采集数据的一系列处理，可快速准确地识别待测区域土壤的物性特征。

本发明提供一种基于地质雷达的土壤物性类别识别方法，包括：数据预处理步骤，对地质雷达采集的数字信号进行去噪处理和滤波处理；土壤物性信息提取步骤，从经过数据预处理步骤的数据中提取表征土壤物性的特征数据；神经网络训练步骤，将特征数据作为训练神经网络的数据集合，对神经网络进行训练，得到特征数据对应的映射结果；土壤物性类别识别步骤，将待识别的表征土壤物性的特征数据输入训练好的神经网络，根据神经网络的映射结果识别土壤物性类别。

优选地，该方法还包括结果显示步骤，将土壤物性类别识别步骤的映射结果显示在人机交互界面上。

优选地，数据预处理步骤包括：对地质雷达采集的数字信号进行零线校正，去除装置本身的信号漂移；对零线校正后的数字信号进行小波变换，去除信号中的高频噪声；对小波变换后的数字信号进行低通滤波，去除信号中的直流分量干扰。

优选地，零线校正子包括：首先针对在空气介质中，地质雷达的发射天线和接收天线处于不同距离时电磁波信号的起跳时间，计算平均值，然后将采集的数字信号值减去所述平均值；其中所述起跳时间是以电磁波信号的某一相位为起跳点，在介质中传播一定距离后，在该相位所读取的时间。

优选地，采用Moret小波函数进行小波变换，且尺度参数为2。

优选地，其中低通滤波参数为25MHz。

优选地，土壤物性信息提取步骤包括功率谱估计过程和主成分分析过程，其中，功率谱估计过程采用自回归滑动平均模型，对经过数据预处理步骤的数据进行谱估计，得到功率谱；主成分分析过程对功率谱进行主成分分析，将分析得到的多个本征值所对应的本征向量作为表征土壤物性的特征数据。

优选地，主成分分析过程得到的多个本征值的累计贡献率等于或大于85%。

优选地，在识别土壤物性类别之后，为土壤物性类别分配类别标识。

优选地，显示映射结果时，按照映射结果对应的土壤物性类别的类别标识调制色阶，绘制并显示土壤物性类别的色阶图。

本发明还提供一种基于地质雷达的土壤物性类别识别装置，包括：数据预处理模块，用于对地质雷达采集的数字信号进行去噪处理和滤波处理；土壤物性信息提取模块，用于从经过数据预处理模块处理的数据中提取表征土壤物性的特征数据；神经网络训练模块，用于将特征数据作为训练神经网络的数据集合，对神经网络进行训练，得到特征数据对应的映射结果；土壤物性类别识别模块，用于将待识别的表征土壤物性的特征数据输入训练好的神经网络，根据神经网络的映射结果识别土壤物性类别。本发明的有益效果：本发明从地质雷达采集数据中提取可表征土壤物性信息的数据，据此分类识别，包括数据预处理，土壤物性特征提取，神经网络训练、土壤物性分类识别四个部分。本发明提出的用地质雷达技术实现土壤物性分类识别的技术方案实现了土壤物性的自动快速分类识别。与传统的钻探取样测试相比，本发明实现了小范围尺度上的探测识别，而且通过神经网络，实现了快速自动识别，极大提高了效率，节约了成本，为实际探测提供了一种准确高效的技术手段，对土地检测和土地复垦等具有指导作用。

附图说明

图1是本发明基于地质雷达的土壤物性类别识别方法的流程图。

图2是本发明基于地质雷达的土壤物性类别识别装置的结构框图。

图3是本发明土壤物性类别识别装置的较佳实施例的装置结构框图。

图4是本发明土壤物性类别识别方法的较佳实施例的处理流程图。

图5是本发明实施例的数据预处理模块的结构框图。

图6是地质雷达原始信号曲线、零线校正曲线、小波变换曲线以及低通滤波曲线的示意图。

图7是本发明实施例中地质雷达原始数据剖面图像。

图8是针对图7中数据经过预处理后的数据剖面图像。

图9是本发明实施例的土壤物性信息提取模块的结构框图。

图10是比较经典傅里叶变换和ARMA谱估计得到的功率谱图高频成分效果示意图。

图11是本发明实施例中以数字为类别标识的土壤含水率类别标识分配示意图。

图12是基于图11实施例的某探测区域的土壤含水率色阶图。

图13是本发明实施例模拟不同土壤含水率的功率谱效果示意图。

具体实施方式

以下结合附图并举实施例，对本发明的技术方案进行详细描述。

图1为本发明基于地质雷达的土壤物性类别识别方法的流程图，包括：

S101，数据预处理步骤，对地质雷达采集的数字信号进行去噪处理和滤波处理；

S102，土壤物性信息提取步骤，从经过数据预处理步骤的数据中提取表征土壤物性的特征数据；

S103，神经网络训练步骤，将特征数据作为训练神经网络的数据集合，对神经网络进行训练，得到特征数据对应的映射结果；

S104，土壤物性类别识别步骤，将待识别的表征土壤物性的特征数据输入训练好的神经网络，根据神经网络的映射结果识别土壤物性类别。

在实际应用的场合中，在接收到地质雷达的探测数据后，首先对原始信号去噪和滤波（步骤101），保留有用信息，然后从预处理后的数据中提取出能够表征土壤物性的特征数据（步骤102），将这些特征数据输入到神经网络，对神经网络进行训练，直到得到稳定的映射结果（步骤103）。

其中，对于“稳定的映射结果”的判断，可以是神经网络输出层的误差小于预定的允许误差值（如设为0.00001），或者是对神经网络的训练次数达到预定训练次数（如设为100000次），此时认为神经网络训练成熟，映射结果可靠。对于神经网络，其是人工神经网络（Artificial NeuralNetworks，ANNs）的简称，也称作连接模型（Connection Model），它是一种分布式并行信息处理的算法数学模型，通过调整内部大量节点之间相互连接的关系达到处理信息的目的。当系统很复杂甚至系统未知时，建立精确的数学模型很困难，这时利用神经网络的“非线性映射能力”可得到其数学模型，因为神经网络不需要对系统作透彻地了解，经过足够的训练即能够获得输入层与输出层之间稳定的映射关系，可大幅简化建模难度。

然后，基于训练好的神经网络对新探测到的信号进行识别，具体是将待识别的土壤数据输入到训练好的神经网络，神经网络输出其映射结果，根据这个映射结果，识别判定土壤的物性类别（步骤104）。

图2为本发明基于地质雷达的土壤物性类别识别装置的结构框图，包括数据预处理模块11、土壤物性信息提取模块12、神经网络训练模块13和土壤物性类别识别模块14，它们依次电连接或共同连接在设备总线上，具体地：数据预处理模块11用于接收地质雷达采集的数字信号，对数字信号进行去噪处理和滤波处理。土壤物性信息提取模块12用于接收数据预处理模块的输出数据，从中提取表征土壤物性的特征数据。神经网络训练模块13用于接收土壤物性信息提取模块输出的特征数据，将特征数据作为训练神经网络的数据集合，对神经网络进行训练，得到特征数据对应的映射结果。土壤物性类别识别模块14用于将待识别的表征土壤物性的特征数据输入训练好的神经网络，根据神经网络的映射结果确定土壤物性类别。

利用本发明对地质雷达采集的待测区域土壤原始信号进行一系列处理，可将原始信号转换为土壤物性的类别，处理过程快速高效，处理结果准确可靠。

图3为本发明土壤物性类别识别方法较佳实施例的处理流程图，图4为本发明土壤物性类别识别装置较佳实施例的结构框图。地质雷达对待识别区域进行探测，采集该区域土壤的反射信号，发送给数据预处理模块11，则执行待识别数据的预处理（步骤S201），然后经土壤物性信息提取模块12提取土壤物性的特征信息（步骤S202），之后，土壤物性类别识别模块14将提取的特征信息输入给训练好的神经网络（由神经网络训练模块13训练），得到映射结果，根据这个映射结果识别该区域土壤所属类别（步骤S203）。优选地，结果显示模块15将识别结果显示在人机交互界面上（步骤S204），便于操作人员观察读取。

优选地，数据预处理模块11包括零线校正子模块101、小波变换子模块102和低通滤波子模块103，如图5所示，其中，零线校正子模块101对地质雷达采集的数字信号进行零线校正，去除设备本身的信号漂移和噪声；小波变换子模块102对零线校正后的数字信号进行小波变换，去除信号中的高频噪声；低通滤波子模块103对小波变换后的数字信号进行低通滤波，去除信号中的直流分量干扰。

这里，设置数据预处理模块11的目的是在土壤物性信息提取之前，去除地质雷达原始信号中的各种干扰信号，保证土壤物性响应特征提取的可靠性，具体来讲：

首先，零线校正子模块101将采集到的地质雷达原始数据进行零线校正，去除仪器自身的信号漂移和噪声。优选地，首先，针对在已知信号波速的空气介质中，地质雷达的发射天线和接收天线处于不同距离时电磁波信号的起跳时间，计算这些起跳时间的平均值；然后，将采集到的土壤的数字信号值减去该平均值，即得到了零线校正后的信号值；其中，“起跳时间”是指，以电磁波信号的某一个相位为起跳点（计时起点），波信号在介质中传播一定距离后，在该相位所读取的时间。

基于地质雷达在不同土壤介质中产生的各个信号的起跳时间，计算这些起跳时间的平均值，作为雷达零线校正的校正量；零线校正就是用地质雷达的探测信号值减去零线校正量。这里，“起跳时间”是指以电磁波信号的同一相位为起跳点（计时起点），信号在各种土壤介质中传播相同距离所需要的时间。

其次，小波变换子模块102对零线校正后的信号值进行小波变换，压制高频噪声。优选地，采用Moret小波函数实施小波变换，其中尺度参数为2。

最后，低通滤波子模块103对小波变换后的信号进行低通滤波，排除信号直流分量的干扰。优选地，低通滤波参数为25MHz。

图6中示出了四条曲线a、b、c、d，分别为地质雷达采集的原始信号曲线、零线校正后的信号曲线、小波变换后的信号曲线、低通滤波后的信号曲线。图7所示为地质雷达采集的原始数据剖面图像，图8所示为经数据预处理后的数据剖面图像。比较可见，经过数据预处理模块11三层去噪，提取了原始信号中的有用信息。

优选地，土壤物性信息提取模块12包括功率谱估计子模块201和主成分分析子模块202，如图9所示，其中，功率谱估计子模块201采用自回归滑动平均模型对数据预处理模块11中低通滤波子模块103的输出数据进行谱估计，得到功率谱；主成分分析子模块202对功率谱进行主成分分析，将分析得到的多个本征值所对应的本征向量作为表征土壤物性的特征数据。其中，功率谱估计子模块201也可采用经典的傅里叶变换求解功率谱。

一方面，关于自回归滑动平均（Auto Regression Moving Average，ARMA）模型介绍如下：ARMA模型是常用的拟合平稳序列的模型，其定义离散随机过程{x(n)}满足如下线性差分方程：

$x\left(n\right)+\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{a}_{i}x(n-i)e\left(n\right)+\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{b}_{j}e(n-j)$ ①

式①中e(n)是离散白噪声，系数a₁,...a_p和b₁,...b_q分别称为自回归（AR）参数和滑动平均（MA）参数，p和q是AR阶数和MA阶数。使用移位算子z^-1可将过程{x(n)}写为如下形式：

A(z)x(n)＝B(z)e(n)    ②

其中，A(z)＝1+a₁z^-1+…+a_pz^-p，B(z)＝1+b₁z^-1+…+b_qz^-q，若{e(n)}～WN(0,σ²)，则ARMA（p,q）即过程{x(n)}的功率谱密度为：

$P_x\left(\mathrm{\ω}\right)=\frac{{\left|B\left(z\right)\right|}^2}{{\left|A\left(z\right)\right|}^2}{\mathrm{\σ}}^2$ ③

其中P_x(ω)称为“有理式谱密度”，而利用式③进行谱估计，需要求解非线性方程。这时，为免去非线性运算，引入Cadzow提出的线性谱估计子：

$P_x\left(\mathrm{\ω}\right)=\frac{B\left(z\right)B\left(z^{-1}\right)}{A\left(z\right)A\left(z^{-1}\right)}{\mathrm{\σ}}^2=\frac{N\left(z\right)}{A\left(z\right)}+\frac{N\left(z^{-1}\right)}{A\left(z^{-1}\right)}$ ④

其中，

$N\left(z\right)=\underset{i=0}{\overset{p}{\mathrm{\Σ}}}{n}_i{z}^{-i}$ ⑤

$n_k=\underset{i=0}{\overset{p}{\mathrm{\Σ}}}{a}_{i}r(k-i)(k=\mathrm{0,1},...p)$ ⑥

$r\left(k\right)=\left\{\begin{array}{cc}0.5R_x\left(k\right)& (k\≠0)\\ R_x\left(k\right)& (k\≠0)\end{array}\right.$ ⑦

其中，R_x(k)为{x(n)}的协方差函数，p是AR阶数，a_i是AR参数，三者根据{x(n)}是确定的，系数n_k可以求得，从而功率谱可以求得。以上利用Cadzow谱估计子完成了对信号x(n)的ARMA谱估计。

根据上述方法，功率谱估计子模块201对预处理后的地质雷达数据信号x(n)进行ARMA谱估计，即可得到其功率谱。本发明实施例采用ARMA谱估计法计算信号功率谱，比经典傅里叶变换的分辨能力高。图10中左图a为利用经典傅里叶变换得到的功率谱图高频成分示意图，右图b为利用ARMA谱估计得到的功率谱图高频成分，比较可见，利用ARMA谱估计得到的功率谱图的高频成分比用经典傅里叶变换得到的功率谱图的高频成分的分辨率高，对高频成分的表现更加明显，在有效带宽范围内加强了高频成分的识别特征。

需要注意，鉴于所得数据是用于后续步骤中训练神经网络的数据集合，为了消除量纲对神经网络的影响，在功率谱估计子模块201得到所述功率谱之后，对功率谱信息进行无量纲化处理，即对功率谱数据归一化，首先确定功率谱中的最大值和最小值，用待归一化数减去最小值，再除以最大值与最小值之差。归一化可以从量纲上消除数据对神经网络的影响，减小网络的波动。

另一方面，关于主成分分析（Principal Component Analysis，PCA）介绍如下：主成分分析是一种把原来多个变量化为少数几个综合指标的统计分析方法，从数学角度来看是一种降维处理技术。针对N维（例如本发明实施例为1024维）样本矩阵X，主成分分析的第一步计算矩阵X的协方差矩阵S；第二步计算协方差矩阵S的本征向量和本征值λ₁,λ₂,...,λ_N，对N个本征值由大到小排序，视为N个主成分；第三步从中选择重要的主成分，这里，由于各主成分的方差是递减的，所包含的信息量是递减的，所以不选取全部主成分，而是根据主成分的贡献率来决定选取的个数。贡献率是某个主成分的方差占全部方差的比重，也就是某特征值占全部特征值合计的比重：

其中，贡献率越大说明该主成分反映原始变量信息的能力越强，选取前K个主成分计算累计贡献率通常情况下，累计贡献率达到85%或更高，可保证K个主成分的综合变量包含了原始变量的绝大多数信息。

根据上述步骤，主成分分析子模块202对归一化后的数据进行主成分分析，提取累计贡献率达到85%（或85%以上，如90%）的主成分，也即本征值，将这些本征值对应的本征向量作为表征土壤物性的特征数据，投影数据到本征向量张成的空间中。本发明实施例采用主成分分析方法有效实现了数据压缩，剔除掉冗余数据，从统计学角度把握信号之间的差别，从多元因素中解析提取出了主要影响因素。最后可将得到的特征数据存入样本数据库存储，作为训练神经网络的数据集合。

优选地，土壤物性类别识别模块14针对确定好的土壤物性类别，分配类别标识。进一步地，结果显示模块15按照类别标识调制色阶，即规定一个类别标识对应一种颜色，将土壤物性直观地显示为各类别的色阶图。图11示出了以数字为类别标识、对土壤含水率的类别标识分配示意图，共有六个分类结果，具体参见表一，分别为：类别号1（黑色）、类别号2（绿色）、类别号3（黄色）、类别号4（紫色）、类别号5（红色）和类别号6（蓝色），六个类别分别对应的土壤含水率为：0～10%、10%～20%、20%～30%、30%～40%、40%～50%、50%以上。

表一

类别号	土壤含水率（%）	颜色
			1	0～10	黑色
2	10～20	绿色
			3	20～30	黄色
4	30～40	紫色
			5	40～50	红色
6	50以上	蓝色

图12所示为针对某探测区域，按照表一的分类方式绘制出的土壤含水率色阶图，可直观地掌握该区域土壤的含水特性。

关于本发明实施例中的土壤含水量特性，含水量对电磁波传播的动力学特征有很大影响，在功率谱上具有明显的表现，由于含水介质导电性增强，因此介质电磁波吸收系数加大，尤其对高频信号的吸收更加明显，因此导致高频成分占有率下降，相反低频成分占有量增加，从而能够体现介质含水率特征。本发明实施例中，利用地质雷达模拟工具（GPRMAX）建立模型，得到不同含水率土壤的探测数据，对反射波进行分析，图13中的图a、b、c分别是含水率为20%、30%和40%的功率谱图模拟结果，可见其低频成分占比依次增大，模拟结果与理论分析符合的很好。

以上，结合具体实施例对本发明的技术方案进行了详细介绍，所描述的具体实施例用于帮助理解本发明的思想。本领域技术人员在本发明具体实施例的基础上做出的推导和变型也属于本发明保护范围之内。

Claims (20)

1.一种基于地质雷达的土壤物性类别识别方法，其特征在于，包括：

数据预处理步骤，对地质雷达采集的数字信号进行去噪处理和滤波处理；

土壤物性信息提取步骤，从经过所述数据预处理步骤的数据中提取表征土壤物性的特征数据；

神经网络训练步骤，将所述特征数据作为训练神经网络的数据集合，对神经网络进行训练，得到特征数据对应的映射结果；

土壤物性类别识别步骤，将待识别的表征土壤物性的特征数据输入训练好的神经网络，根据神经网络的映射结果识别土壤物性类别。

2.如权利要求1所述的土壤物性类别识别方法，其特征在于，还包括：结果显示步骤，将所述土壤物性类别识别步骤的映射结果显示在人机交互界面上。

3.如权利要求1所述的土壤物性类别识别方法，其特征在于，所述数据预处理步骤包括：

对地质雷达采集的数字信号进行零线校正，去除装置本身的信号漂移；

对零线校正后的数字信号进行小波变换，去除信号中的高频噪声；

对小波变换后的数字信号进行低通滤波，去除信号中的直流分量干扰。

4.如权利要求3所述的土壤物性类别识别方法，其特征在于，所述零线校正包括：首先针对在空气介质中，地质雷达的发射天线和接收天线处于不同距离时电磁波信号的起跳时间，计算平均值，然后将采集的数字信号值减去所述平均值；其中所述起跳时间是以电磁波信号的某一相位为起跳点，在介质中传播一定距离后，在该相位所读取的时间。

5.如权利要求3所述的土壤物性类别识别方法，其特征在于，采用Moret小波函数进行所述小波变换，且尺度参数为2。

6.如权利要求3所述的土壤物性类别识别方法，其特征在于，所述低通滤波的低通滤波参数为25MHz。

7.如权利要求1所述的土壤物性类别识别方法，其特征在于，所述土壤物性信息提取步骤包括功率谱估计过程和主成分分析过程，其中，

功率谱估计过程采用自回归滑动平均模型，对经过所述数据预处理步骤的数据进行谱估计，得到功率谱；

主成分分析过程对所述功率谱进行主成分分析，将分析得到的多个本征值所对应的本征向量作为表征土壤物性的特征数据。

8.如权利要求7所述的土壤物性类别识别方法，其特征在于，所述主成分分析过程得到的所述多个本征值的累计贡献率等于或大于85%。

9.如权利要求2所述的土壤物性类别识别方法，其特征在于，在识别所述土壤物性类别之后，为土壤物性类别分配类别标识。

10.如权利要求9所述的土壤物性类别识别方法，其特征在于，显示所述映射结果时，按照映射结果对应的土壤物性类别的类别标识调制色阶，绘制并显示土壤物性类别的色阶图。

11.一种基于地质雷达的土壤物性类别识别装置，其特征在于，包括：

数据预处理模块，用于对地质雷达采集的数字信号进行去噪处理和滤波处理；

土壤物性信息提取模块，用于从经过所述数据预处理模块处理的数据中提取表征土壤物性的特征数据；

神经网络训练模块，用于将所述特征数据作为训练神经网络的数据集合，对神经网络进行训练，得到特征数据对应的映射结果；

土壤物性类别识别模块，用于将待识别的表征土壤物性的特征数据输入训练好的神经网络，根据神经网络的映射结果识别土壤物性类别。

12.如权利要求11所述的土壤物性类别识别装置，其特征在于，还包括：结果显示模块，用于将所述土壤物性类别识别模块的映射结果显示在人机交互界面上。

13.如权利要求11所述的土壤物性类别识别装置，其特征在于，所述数据预处理模块包括：

零线校正子模块，用于对地质雷达采集的数字信号进行零线校正，以去除装置本身的信号漂移；

小波变换子模块，用于对零线校正后的数字信号进行小波变换，以去除信号中的高频噪声；

低通滤波子模块，用于对小波变换后的数字信号进行低通滤波，以去除信号中的直流分量干扰。

14.如权利要求13所述的土壤物性类别识别装置，其特征在于，所述零线校正子模块用于首先针对在空气介质中，地质雷达的发射天线和接收天线处于不同距离时电磁波信号的起跳时间，计算平均值，然后将采集的数字信号值减去所述平均值；其中所述起跳时间是以电磁波信号的某一相位为起跳点，在介质中传播一定距离后，在该相位所读取的时间。

15.如权利要求13所述的土壤物性类别识别装置，其特征在于，所述小波变换子模块采用Moret小波函数进行小波变换，且尺度参数为2。

16.如权利要求13所述的土壤物性类别识别装置，其特征在于，所述低通滤波子模块的低通滤波参数为25MHz。

17.如权利要求11所述的土壤物性类别识别装置，其特征在于，所述土壤物性信息提取模块包括功率谱估计子模块和主成分分析子模块，其中，

功率谱估计子模块用于采用自回归滑动平均模型对数据预处理模块的输出数据进行谱估计，得到功率谱；

主成分分析子模块用于对功率谱进行主成分分析，将主成分分析得到的多个本征值所对应的本征向量作为表征土壤物性的特征数据。

18.如权利要求17所述的土壤物性类别识别装置，其特征在于，所述主成分分析子模块得到的所述多个本征值的累计贡献率等于或大于85%。

19.如权利要求12所述的土壤物性类别识别装置，其特征在于，所述土壤物性类别识别模块在识别土壤物性类别之后，为土壤物性类别分配类别标识。

20.如权利要求19所述的土壤物性类别识别装置，其特征在于，所述结果显示模块显示映射结果时，按照映射结果对应的土壤物性类别的类别标识调制色阶，绘制并显示土壤物性类别的色阶图。