CN104992068B - 一种表层土壤氮素分布的预测方法 - Google Patents
一种表层土壤氮素分布的预测方法 Download PDFInfo
- Publication number
- CN104992068B CN104992068B CN201510413325.7A CN201510413325A CN104992068B CN 104992068 B CN104992068 B CN 104992068B CN 201510413325 A CN201510413325 A CN 201510413325A CN 104992068 B CN104992068 B CN 104992068B
- Authority
- CN
- China
- Prior art keywords
- soil
- model
- data
- nitrogen
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种土壤氮素的预测方法,特别涉及一种表层土壤氮素分布的预测方法。一种基于遥感数据与地面辅助变量的基础上结合小波分析与神经网络模型建立小波神经网络耦合模型,对表层土壤氮素分布进行预测的方法。本发明提供的预测方法实现了用较少样点进行空间插值以获取采样区土壤氮素含量,从而节省采样样点、采样时间以及采样经费,有效的降低了土壤性质空间数据的获取成本,并提高了空间插值精度,能够高精度地预测表层土壤氮素的空间分布。
Description
技术领域
本发明涉及一种土壤氮素的预测方法,特别涉及一种表层土壤氮素分布的预测方法。
背景技术
土壤氮素是影响作物生长以及环境质量的重要元素。氮素不足条件下,许多植物生理生长过程受到影响从而导致作物减产;但是过量氮肥施用不仅会提高农业生产成本,矿质氮素淋失会造成地表与地下水体的非点源污染。长期氮肥施用造成的土壤剖面矿质氮大量富集严重影响了农产品品质进而威胁人体健康。而受多种成土因素和环境要素的影响,土壤氮素在空间上呈现非均匀性分布。因此,土壤氮素空间分布的预测在区域农业生产和环境保护等方面具有重要的作用和意义。
传统的土壤氮素测定方法主要是野外采样技术。野外采样是在所确定的土壤区域内根据所需要的精度确定样点密度与数量的基础上进行区域定点采取,并结合后期的室内化验分析获取土壤氮素含量,这种方法的优点在于测定准确度高,但是较大区域的研究则显得耗时费力成本高,并且通常基于野外采样获得的样点土壤氮素含量信息很难满足区域农业生产和环境保护中对面域土壤氮素含量分布特征的实时需求。因此,快速、实时、准确获取区域土壤氮素含量的空间分布信息是掌握区域土壤氮素肥力现状、科学的土壤养分管理和环境保护的现实需要。
为了解决传统氮素测定方法实时性差等缺点,部分学者逐步开始应用具有速度快现实性好优点的遥感技术进行模型探索。但是氮素土壤氮素空间分布是各种地表环境因素共同作用的结果,单纯利用遥感技术进行土壤分析易造成较大误差从而降低建模精度。
发明内容
本发明的技术方案如下:
一种表层土壤氮素分布的预测方法,包括以下步骤:
(1)数据获取:所述数据包括实测土样数据、遥感数据和地面辅助变量;
(2)将所述步骤(1)获取的数据代入预设的模型中,运算得到表层土壤氮素的空间分布,所述模型为小波神经网络耦合模型,所述小波神经网络耦合模型由小波分析结合神经网络模型建立得到。
优选的,所述实测土样数据的获取方法包括以下步骤:
以研究区地形图、土地利用现状图和土壤类型分布图为辅助信息,以代表性和均匀性为采样原则,结合地形信息和土壤类型信息进行土壤样点布设,在每个样点处采用多点混合方法采集得到土壤样品;
对所述土壤样品进行检测,得到土壤有机质和碱解氮含量以及土壤全氮含量。
优选的,所述遥感数据获得包括以下步骤:
(a)获取野外采样时间前后1~2月时期内遥感影像;
(b)对步骤(a)中所得到的遥感影像依次进行区域裁剪、几何校正处理、滤波处理消除遥感影像上的噪声和提取各波段像元灰度值,得到遥感数据。
优选的,所述遥感影像上的噪声来自微地形、地物阴影、地表纹理差异和成像过程中的一种或多种情况。
优选的,所述地面辅助变量包括自然因素和人为因素;
所述地面辅助变量的获取:在进行获取实测土样数据时记录研究区的地理坐标和海拔高度,记录样点所在的环境信息;
所述自然因素包括成土母质、土壤质地、土壤结构和土壤类型;
所述人为因素包括土地利用方式、有机质含量与施肥量。
优选的,所述地面辅助变量按照以下方式进行处理后代入预设的模型:
所述有机质含量与施肥量作为定量化数据,直接参与建模部分;
所述成土母质、土壤质地、土壤结构、土壤类型以及土地利用方式作为非定量因子,看作虚拟变量处理,根据各指标表层土壤氮素含量均值由高到低排序并赋值,将非定量数据转化为定量数据。
优选的,所述小波神经网络耦合模型的建立方法包括以下步骤:
以梯度下降BP学习算法为小波神经网络耦合模型算法基础;以BP网络模型的三层基本结构为小波神经网络耦合模型的结构基础;所述的三层基本结构包括输入层、输出层和隐含层;
所述的输入层为地面辅助变量和遥感影像8个波段遥感数据值;所述输入层的数值均进行归一化或标准化处理;
所述的输出层为样点土壤氮素含量值;
所述的隐层为Morlet小波函数,所述隐层的阀值为小波基函数的平移参数;
所述输入层与所述隐层之间的权值为小波基函数的尺度参数。
优选的,所述小波神经网络耦合模型的表达式如式I所示为:
所述的式I中,xz为输入层的第z个输入样本,yz为输出层的第z个输出值,wij为连接输入层节点i与隐含层节点j的权值,vkj为连接输出层节点k与隐含层节点j的权值,为Morlet小波函数,其中a和b分别为第j隐层节点的伸缩和平移系数,n、h和m分别为为输入层、隐含层和输出层节点个数,σ为Sigmoid函数。
本发明的优势:
(1)本发明提供了一种能够实时、高效、高精度地预测表层土壤氮素的空间分布的预测方法。本发明的积极效果在于通过遥感数据与地面辅助变量的有机融合,建立小波神经网络耦合模型,实现了用较少样点进行空间插值以获取采样区土壤氮素含量,从而节省采样样点、采样时间以及采样经费,有效的降低了土壤性质空间数据的获取成本,并提高了空间插值精度。
(2)土壤性质的空间分布受到各种地表环境因素的共同作用。单纯利用遥感数据进行土壤分析易造成较大误差从而降低建模精度。引入自然因素和人为因素作为辅助变量的土壤性质分布的预测方法在不同程度上考虑了自然因素和人为因素对土壤性质空间分布的影响,其预测精度较仅基于遥感光谱数据建模方法将会有一定的改善。
(3)小波分析具有良好的时频局部特性和变焦特性,它在模式识别、图像降噪压缩和非线性科学等方面取得了许多突破性进展。神经网络模型具有较强的非线性逼近能力,能有效建立输入、输出量之间的全局性非线性映射关系,具有很好的自学习、自组织、自适应和泛化能力,在数据拟合、函数逼近等方面有着明显优势,并且已被证明在土壤性质的预测中相较于其他方法如主成分回归、多元线性回归、偏最小二乘回归等方法具有更理想的效果。本申请的技术方案,将小波分析与神经网络模型优势有机的结合起来,并结合地表辅助变量信息达到进一步提高土壤性质空间分布预测精度的目的。
本方法的推广可为开展区域土壤性质的实时、快速、高效的空间分布预测提供一定方法参考。
附图说明
图1为土壤氮素实测值与不同模型预测值差值反演结果。
具体实施方式
本发明提供了一种表层土壤氮素分布的预测方法,包括以下步骤:
(1)数据获取:所述数据包括实测土样数据、遥感数据和地面辅助变量;
(2)将所述步骤(1)获取的数据代入预设的模型中,运算得到表层土壤氮素的空间分布,所述模型为小波神经网络耦合模型,所述小波神经网络耦合模型由小波分析结合神经网络模型建立得到。
本发明提供的预测方法能够高精度预测表层土壤氮素的空间分布。
本发明获取待测表层土壤的数据,所述数据包括实测土样数据、遥感数据和地面辅助变量。
本发明获取待测区域的实测土壤数据,所述实测土样数据优选按照以下方法获得:
以待测区域地形图、土地利用现状图和土壤类型分布图为辅助信息,以代表性和均匀性为采样原则,结合地形信息和土壤类型信息进行土壤样点布设,在每个样点处采用多点混合方法采集得到土壤样品;
对所述土壤样品进行检测,得到土壤有机质和碱解氮含量以及土壤全氮含量。
本发明对样点布设和采集方法没有特殊要求,按照本领域人员所熟知的技术手段进行样点布设和样品的采集。
得到土壤样品后,本发明优选将所述土壤样品干燥和研磨后检测。本发明对干燥、研磨和检测的方法没有特殊要求,按照本领域人员所熟知的干燥、研磨和检测的技术方案即可;在本发明的实施例中,所述干燥可具体为自然风干;本发明优选将研磨后的土壤样品过筛,将筛下部分做为待测样品进行检测。在本发明中,所述过筛优选为将研磨后的土壤样品分别通过筛孔为1mm和2mm筛,得到粒径分别小于等于1mm和2mm的两种样品。
得到待测样品后,本发明优选针对不同粒径的样品以不同方法进行检测,具体的:粒径小于等于1mm的土壤样品优选采用重铬酸钾外加热法测得有机质和碱解扩散法测得碱解氮含量,粒径小于等于2mm的土壤样品优选采用半微量开氏法测得土壤全氮含量。
本发明所采用的重铬酸钾外加热法、碱解扩散法和半微量开氏法为本领域人员的常规技术手段。
本发明中,所述遥感数据获取优选包括以下步骤:
(a)获取野外采样时间前后1~2月时期内遥感影像;
(b)对步骤(a)中所得到的遥感影像依次进行区域裁剪、几何校正处理、滤波处理消除遥感影像上的噪声和提取各波段像元灰度值,得到遥感数据。
获取野外采样时间前后1~2月时期内遥感影像,本发明以来源于中国科学院计算机网络信息中心国际科学数据服务平台的Landsat 7ETM+影像为例。
所述的式I中,xz为输入层的第z个输入样本,yz为输出层的第z个输出值,wij为连接输入层节点i与隐含层节点j的权值,vkj为连接输出层节点k与隐含层节点j的权值,为Morlet小波函数,其中a和b分别为第j隐层节点的伸缩和平移系数,n、h和m分别为为输入层、隐含层和输出层节点个数,σ为Sigmoid函数。本发明中,为消除由于各要素使用不同单位以及不同数量级对模型产生的影响,神经网络模型所有输入值均进行归一化或标准化处理,经过处理后的数据可防止部分神经元在训练过程中达到过饱和状态。其中,模型建立后进行样点值代入验证。网络模型的结构设计和运算在Matlab8.10中进行。
本发明的优点:
(1)通过遥感数据与地面辅助变量的有机融合,建立小波神经网络耦合模型,实现了用较少样点进行空间插值以获取采样区土壤氮素含量,从而节省采样样点、采样时间以及采样经费,有效的降低了土壤性质空间数据的获取成本,并提高了空间插值精度。
(2)土壤性质的空间分布受到各种地表环境因素的共同作用。单纯利用遥感数据进行土壤分析易造成较大误差从而降低建模精度。引入自然因素和人为因素作为辅助变量的土壤性质分布的预测方法在不同程度上考虑了自然因素和人为因素对土壤性质空间分布的影响,其预测精度较仅基于遥感光谱数据建模方法将会有一定的改善。
(3)小波分析具有良好的时频局部特性和变焦特性,它在模式识别、图像降噪压缩和非线性科学等方面取得了许多突破性进展。神经网络模型具有较强的非线性逼近能力,能有效建立输入、输出量之间的全局性非线性映射关系,具有很好的自学习、自组织、自适应和泛化能力,在数据拟合、函数逼近等方面有着明显优势,并且已被证明在土壤性质的预测中相较于其他方法如主成分回归、多元线性回归、偏最小二乘回归等方法具有更理想的效果。本申请的技术方案,将小波分析与神经网络模型优势有机的结合起来,并结合地表辅助变量信息达到进一步提高土壤性质空间分布预测精度的目的。
本方法的推广可为开展区域土壤性质的实时、快速、高效的空间分布预测提供一定方法参考。
验证数据土壤氮素含量与数据全集具有相似统计特征,能较好的代表原始数据(表1)。
表1土壤氮素含量描述性统计特征
将全部525个样点随机划分为90%的建模集(473样点)与10%的验证集(52样点)。在此基础上建立区域表层(0-20cm)土壤氮素含量的小波神经网络耦合模型:输入层为地面辅助变量和遥感影像8个波段遥感数据值;所有输入值均进行归一化或标准化处理;输出层为样点土壤氮素含量值;隐含层为Morlet小波函数,并且隐含层的阀值为小波基函数的平移参数;输入层与隐含层之间的权值为小波基函数的尺度参数。代入验证集数据进行仿真,得到样点土壤氮素预测值。其中输入层为地面辅助变量和遥感数据建立的预测模型记为小波神经网络耦合模型下的model 3。
通过建模集的决定系数(R2)以及验证数据集均方差(MSE)、平均误差(ME)、平均相对误差(MRE)四项验证指标对实施例1和后续对比例模型2~8进行评价,分析结果如表2所示。并且将得到的3类最佳模型预测值进行空间反演后与氮素实测值空间布局进行比较,以进一步考察不同模型的土壤氮素空间预测效果。
对比例2~8中建立区域表层(0-20cm)土壤氮素含量的预测模型前期数据获取以及处理与实施例1完全相同。
对比例1:
采用实施例的方法建立运算模型,不同的是,本对比例中输入层单纯为遥感数据的预测模型为小波耦合神经网络模型model 1。
对比例2:
采用实施例的方法建立运算模型,不同的是,本对比例中输入层单纯为遥感数据的预测模型记为小波耦合神经网络模型model 2。
对比例3:
采用实施例的方法对建立运算模型前的数据进行获取分析,不同的是,本对比例建立多元线性回归模型,将地面辅助变量和遥感影像8个波段遥感数据值、地面辅助变量进行回归分析,建立逐步多元线性回归模型,代入验证集数据进行仿真,得到样点土壤氮素预测值。输入层为地面辅助变量和遥感数据建立的预测模型为多元线性回归模型model 3
对比例4:
采用实施例的方法对建立运算模型前的数据进行获取分析,不同的是,本对比例建立多元线性回归模型,将地面辅助变量和遥感影像8个波段遥感数据值、地面辅助变量进行回归分析,建立逐步多元线性回归模型,代入验证集数据进行仿真,得到样点土壤氮素预测值。输入层单纯为遥感数据的预测模型多元线性回归模型model 1。
对比例5:
采用实施例的方法对建立运算模型前的数据进行获取分析,不同的是,本对比例建立多元线性回归模型,将地面辅助变量和遥感影像8个波段遥感数据值、地面辅助变量进行回归分析,建立逐步多元线性回归模型,代入验证集数据进行仿真,得到样点土壤氮素预测值。输入层单纯为遥感数据的预测模型多元线性回归模型model 2。
对比例6:
采用实施例的方法对建立运算模型前的数据进行获取分析,不同的是,本对比例建立BP神经网络模型,输入层为地面辅助变量和遥感影像8个波段遥感数据值;所有输入值均进行归一化或标准化处理;输出层为样点土壤氮素含量值;隐层函数为传统的Sigmoid函数,初始权值和阈值由程序运行时随机产生。代入验证集数据进行仿真,得到样点土壤氮素预测值。输入层为地面辅助变量和遥感数据建立的预测模型为BP神经网络模型model 3。
对比例7:
采用实施例的方法对建立运算模型前的数据进行获取分析,不同的是,本对比例建立BP神经网络模型,输入层为地面辅助变量和遥感影像8个波段遥感数据值;所有输入值均进行归一化或标准化处理;输出层为样点土壤氮素含量值;隐层函数为传统的Sigmoid函数,初始权值和阈值由程序运行时随机产生。代入验证集数据进行仿真,得到样点土壤氮素预测值。输入层单纯为遥感数据的预测模型为预测模型BP神经网络模型model 1。
对比例8:
采用实施例的方法对建立运算模型前的数据进行获取分析,不同的是,本对比例建立BP神经网络模型,输入层为地面辅助变量和遥感影像8个波段遥感数据值;所有输入值均进行归一化或标准化处理;输出层为样点土壤氮素含量值;隐层函数为传统的Sigmoid函数,初始权值和阈值由程序运行时随机产生。代入验证集数据进行仿真,得到样点土壤氮素预测值。输入层单纯为遥感数据的预测模型BP神经网络模型model 2。
通过建模集的决定系数(R2)以及验证数据集均方差(MSE)、平均误差(ME)、平均相对误差(MRE)四项验证指标对实施例1和对比例1以及对比例2模型进行评价,如表1所示。分别选取多元线性回归模型(MLR)、BP神经网络模型(BP)、小波神经网络耦合模型(WNN)的最优模型利用ArcGIS10.1软件的地统计分析模块,采用普通克里格进行空间内插,对比模型预测值与实测土壤氮素含量值在实际空间分布上的差异,选取最优预测模型。
表2不同预测模型(MLR、BP、WNN)效果对比
根据表2数据可以看出,不同模型在土壤全氮和碱解氮含量预测上表现出相近趋势。可以看出,三类模型中,基于土壤遥感数据和地面辅助变量建立的预测模型(model 3)相对于单纯利用遥感数据建立的预测模型(model 1和model2)具有更强的解释能力。引入地面辅助环境变量后,三类模型R2明显得到改善,但仍然总体偏低。对于3类不同模型,全氮含量预测中最佳WNN模型相对于最佳MLR模型和BP模型表现了一定优越性,其平均误差、平均相对误差及均方差分别为0.002,-0.034和0.169,对于碱解氮预测,分别为0.510,-0.022和0.154。较小的平均误差、平均相对误差及均方差表明模型预测值与实测值间差异较小。总体而言,在引入地面环境辅助变量后,3类型预测模型中最佳WNN表现较为理想。
按照决定系数(R2)以及验证数据集均方差(MSE)、平均误差(ME)、平均相对误差(MRE)四项验证指标仅能反映样点土壤氮素模型预测值与实测值在数量上的差异,很难反映二者在空间布局上的不同,最佳模型选择仍需要进一步的验证。因此,本技术方案将3类最佳模型预测值进行空间反演后与氮素实测值空间布局进行比较,以进一步考察不同模型的土壤氮素空间预测效果。
实施例与对比例对比所得最佳模型预测值进行空间反演后,分析结果参见图1,图1为土壤氮素实测值与不同模型预测值插值反演结果。其中采用半微量开氏法测得土壤全氮含量:a-实测值,b-MLR预测值,c-BP预测值,d-WNN预测值;用碱解扩散法测得土壤碱解氮含量:A-实测值,B-MLR预测值,C-BP预测值,D-WNN预测值。
从土壤全氮实测值与3组预测值反演出的分布图可知,土壤全氮的空间分布以区域北部和西南部为两个高值中心(38.00-51.00g kg-1),总体上呈环状向外递减至含量为20.00-29.00g kg-1的低值区,主要集中在区域中部的和东部。总体上,WNN模型反演效果最好,表现出了北部和西南部2个高值中心以及中部和东部的低值中心(32.00-35.00g kg-1)(参照表3),整个土壤全氮含量的变化趋势也与实测值空间分布相接近(如图1所示)。MLR模型和BP模型反映了土壤全氮含量变化的大致格局,但对高值区和低值区的反演效果稍差。
土壤碱解氮则是在区域的西北部和西南部呈现出高值中心(36.00-46.00mg kg-1)(图1)。该区北侧碱解氮含量主要呈条带状向南递减,西南侧含量则呈现环状向外递减,因而在区域中部和东南部出现了两个低值区(36.00-46.00mg kg-1)。对比土壤碱解氮实测值与3个最佳模型预测值分布图可知,WNN模型反映了土壤碱解氮含量变化的大致格局,MLR模型和BP模型反演效果相当,主要反映了研究区碱解氮含量的中值区,对于区域碱解氮含量的高值区、低值区及其空间分布格局反演能力较差(如表3所示)。总体而言,相对于最佳MLR模型和BP模型,增加地面辅助因子结合遥感光谱信息建立的小波神经网络预测模型能获取区域土壤氮素预测的最佳效果。
表3不同预测模型空间反演面积比例统计
由以上实施例和对比例可以看出,本发明提供的基于遥感数据与地面辅助变量的小波神经网络耦合模型能够高精度地预测表层土壤氮素的空间分布。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种表层土壤氮素分布的预测方法,包括以下步骤:
(1)数据获取:所述数据包括实测土样数据、遥感数据和地面辅助变量;所述地面辅助变量包括自然因素和人为因素:所述地面辅助变量的获取:在进行获取实测土样数据时记录研究区的地理坐标和海拔高度,记录样点所在的环境信息;所述自然因素包括成土母质、土壤质地、土壤结构和土壤类型;所述人为因素包括土地利用方式、有机质含量与施肥量;所述地面辅助变量按照以下方式进行处理后带入预设的模型:所述有机质含量与施肥量作为定量化数据,直接参与建模部分;
式I;
所述的式I中,xZ为输入层的第z个输入样本,yZ为输出层的第z个输出值,wij为连接输入层节点i与隐含层节点j的权值,vkj为连接输出层节点k与隐含层节点j的权值,为Morlet小波函数,其中a和b分别为第j隐含层节点的伸缩和平移系数,n、h和m分别为为输入层、隐含层和输出层节点个数,σ为Sigmoid函数;
所述成土母质、土壤质地、土壤结构、土壤类型以及土地利用方式作为非定量因子,看作虚拟变量处理,根据各指标表层土壤氮素含量均指由高到低排序并赋值,将非定量数据转化为定量数据;
(2)将所述步骤(1)获取的数据代入预设的模型中,运算得到表层土壤氮素的空间分布,所述模型为小波神经网络耦合模型,所述小波神经网络耦合模型由小波分析结合神经网络模型建立得到:以梯度下降BP学习算法为小波神经网络耦合模型算法基础,以BP网络模型的三层基本结构为小波神经网络耦合模型的结构基础;所述的三层基本结构包括输入层、输出层和隐含层;所述的输入层为地面辅助变量和遥感影像8个波段遥感数据值,所述输入层的数值均进行归一化或标准化处理;所述的输出层为样点土壤氮素含量值;所述的隐含层为Morlet小波函数,所述隐含层的阈值为小波基函数的平移参数;所述的输入层与所述隐含层之间的权值为小波基函数的尺度参数。
2.根据权利要求1所述表层土壤氮素分布的预测方法,其特征在于,所述实测土样数据的获取方法包括以下步骤:
以研究区地形图、土地利用现状图和土壤类型分布图为辅助信息,以代表性和均匀性为采样原则,结合地形信息和土壤类型信息进行土壤样点布设,在每个样点处采用多点混合方法采集得到土壤样品;
对所述土壤样品进行检测,得到土壤有机质和碱解氮含量以及土壤全氮含量。
3.根据权利要求1所述表层土壤氮素分布的预测方法,其特征在于,所述遥感数据获得包括以下步骤:
(a)获取野外采样时间前后1~2月时期内遥感影像;
(b)对步骤(a)中所得到的遥感影像依次进行区域裁剪、几何校正处理、滤波处理消除遥感影像上的噪声和提取各波段像元灰度值,得到遥感数据。
4.根据权利要求3所述表层土壤氮素分布的预测方法,其特征在于,所述遥感影像上的噪声来自微地形、地物阴影、地表纹理差异和成像过程中的一种或多种情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510413325.7A CN104992068B (zh) | 2015-08-13 | 2015-08-13 | 一种表层土壤氮素分布的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510413325.7A CN104992068B (zh) | 2015-08-13 | 2015-08-13 | 一种表层土壤氮素分布的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104992068A CN104992068A (zh) | 2015-10-21 |
CN104992068B true CN104992068B (zh) | 2018-10-26 |
Family
ID=54303881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510413325.7A Active CN104992068B (zh) | 2015-08-13 | 2015-08-13 | 一种表层土壤氮素分布的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104992068B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980750B (zh) * | 2017-02-23 | 2019-10-29 | 中国科学院南京土壤研究所 | 一种基于典型对应分析的土壤氮储量估算方法 |
CN107766938A (zh) * | 2017-09-25 | 2018-03-06 | 南京律智诚专利技术开发有限公司 | 一种基于bp神经网络的植物种植方法 |
MX2021006842A (es) * | 2018-12-11 | 2021-07-02 | Climate Llc | Mapeo de las propiedades del suelo con datos satelitales usando enfoques de aprendizaje automaticos. |
CN111289512B (zh) * | 2020-02-28 | 2021-04-13 | 中国水稻研究所 | 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法 |
CN111398561B (zh) * | 2020-03-12 | 2022-08-23 | 河南城建学院 | 一种基于多源数据辅助的农田土壤有机碳时空数据获取方法 |
CN112149827A (zh) * | 2020-09-27 | 2020-12-29 | 哈尔滨航天恒星数据系统科技有限公司 | 基于卫星影像的土壤速效钾分析模型构建系统及方法 |
CN112816658A (zh) * | 2021-01-05 | 2021-05-18 | 四川大学 | 基于低空遥感的大区域尺度表层土壤养分空间特征监测方法 |
CN114118835B (zh) * | 2021-12-01 | 2022-06-21 | 中南大学 | 一种定量遥感反演预测结果评价方法及系统 |
CN114529838B (zh) * | 2022-04-24 | 2022-07-15 | 江西农业大学 | 基于卷积神经网络的土壤含氮量反演模型构建方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868860A (zh) * | 2014-03-25 | 2014-06-18 | 辽宁师范大学 | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8682584B2 (en) * | 2011-08-19 | 2014-03-25 | Brookside Laboratories, Inc. | Nitrogen potential index |
-
2015
- 2015-08-13 CN CN201510413325.7A patent/CN104992068B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868860A (zh) * | 2014-03-25 | 2014-06-18 | 辽宁师范大学 | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 |
Non-Patent Citations (3)
Title |
---|
利用中巴-2号卫星CCD估测土壤全氮的研究;刘世峰等;《遥感应用》;20100131(第1期);摘要,第58页第3.1节,3.2节 * |
基于近红外光谱技术的土壤全氮和有机质含量估测研究;杨超;《中国优秀硕士学位论文全文数据库农业科技辑》;20140315;第D049-9页第2章2.3.3节,第4张第4.2节 * |
川中丘陵县域土壤氮素空间分布特征及其影响因素;罗由林等;《环境科学》;20150228;第36卷(第2期);第653页第1栏第2段,第1.2节,第654页第1.3节, * |
Also Published As
Publication number | Publication date |
---|---|
CN104992068A (zh) | 2015-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104992068B (zh) | 一种表层土壤氮素分布的预测方法 | |
Yan et al. | Assessing the impacts of urban sprawl on net primary productivity using fusion of Landsat and MODIS data | |
CN106779061B (zh) | 一种地形平缓区土壤重金属镉空间分布预测方法 | |
Chen et al. | An evaluating system for wetland ecological health: Case study on nineteen major wetlands in Beijing-Tianjin-Hebei region, China | |
CN104613944B (zh) | 一种基于gwr和bp神经网络的分布式水深预测方法 | |
CN108536908B (zh) | 基于非点源氮磷流失风险对流域水环境安全评估的方法 | |
Pagliero et al. | Large‐scale hydrological simulations using the soil water assessment tool, protocol development, and application in the Danube Basin | |
Song et al. | Effects of long-term K fertilization on soil available potassium in East China | |
Singh et al. | Economic evaluation of crop production in the Ganges region under climate change: A sustainable policy framework | |
CN104063718B (zh) | 在作物识别和面积估算中选择遥感数据和分类算法的方法 | |
CN103529189A (zh) | 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法 | |
Manzione et al. | Stochastic simulation of time-series models combined with geostatistics to predict water-table scenarios in a Guarani Aquifer System outcrop area, Brazil | |
CN111937016B (zh) | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
Van Dessel et al. | Sensitivity analysis of logistic regression parameterization for land use and land cover probability estimation | |
Min et al. | Quantitative simulation of the relationships between cultivated land-use patterns and non-point source pollutant loads at a township scale in Chaohu Lake Basin, China | |
Li et al. | Spatial prediction of soil nutrient in a hilly area using artificial neural network model combined with kriging | |
CN111178304A (zh) | 基于全卷积神经网络的高分辨率遥感影像像素级解译方法 | |
Jahanbakht et al. | Sediment prediction in the great barrier reef using vision transformer with finite element analysis | |
Thomas et al. | Soil survey design for management-scale digital soil mapping in a mountainous southern Philippine catchment | |
Ye et al. | Predicting spatial distribution of soil organic carbon and total nitrogen in a typical human impacted area | |
Ouyang et al. | Accumulated effects on landscape pattern by hydroelectric cascade exploitation in the Yellow River basin from 1977 to 2006 | |
Adu et al. | Intensity analysis to link changes in land-use pattern in the Abuakwa North and South Municipalities, Ghana, from 1986 to 2017 | |
Boluwade et al. | Independent principal component analysis for simulation of soil water content and bulk density in a Canadian Watershed | |
CN111401683B (zh) | 古村落传统性的测算方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |