CN107132190A - 一种土壤有机质光谱反演模型校正样本集构建方法 - Google Patents
一种土壤有机质光谱反演模型校正样本集构建方法 Download PDFInfo
- Publication number
- CN107132190A CN107132190A CN201710266715.5A CN201710266715A CN107132190A CN 107132190 A CN107132190 A CN 107132190A CN 201710266715 A CN201710266715 A CN 201710266715A CN 107132190 A CN107132190 A CN 107132190A
- Authority
- CN
- China
- Prior art keywords
- soil
- sample
- mrow
- model
- visible
- 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.)
- Pending
Links
- 239000002689 soil Substances 0.000 title claims abstract description 132
- 238000001228 spectrum Methods 0.000 title claims abstract description 34
- 238000010276 construction Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 36
- 239000000470 constituent Substances 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 239000005416 organic matter Substances 0.000 claims abstract description 6
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 24
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims description 6
- 239000004016 soil organic matter Substances 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 2
- 238000009499 grossing Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 56
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229910001369 Brass Inorganic materials 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000010951 brass Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种土壤有机质光谱反演模型校正样本集构建方法,首先记录和测量实验区土壤样本的可见‑近红外光谱数据、土壤理化组分含量数据和地理空间数据,构建土壤可见‑近红外光谱‑理化组分含量‑地理信息数据库;然后基于多元信息的校正集样本优选方法,构建具有多元代表性的土壤可见‑近红外光谱反演校正集;接着对土壤数据进行预处理;最后构建基于土壤可见‑近红外光谱数据的土壤有机质偏最小二乘回归模型。本发明提升了校正样本集的代表性,预测模型具有很好的稳定性和预测能力,同时也降低了建模成本,提高了土壤有机质可见‑近红外光谱估算方法的实用性,同时也从校正样本集构建的角度为贫瘠土壤地区有机质高光谱反演提供了技术工具。
Description
技术领域
本发明属于土壤理化组分高光谱分析技术领域,涉及一种土壤有机质光谱反演模型校正样本集构建方法,具体涉及一种基于多元信息的土壤有机质可见-近红外光谱反演模型校正样本集构建方法。
背景技术
土壤有机质是土壤的重要组成部分,是评估土壤肥力质量、环境质量和健康状况的重要指标。土壤有机质信息的快速、准确获取是进行科学合理利用土地资源,发展精准农业,进行基本农田保护和开展污染土壤修复的重要基础。传统的土壤有机质含量测定多采用化学分析手段,费时、繁琐、成本高,难以满足实际应用需求。土壤的可见-近红外反射光谱包含丰富的土壤内在组分含量信息,从中可以获得多种土壤内在组分信息,同时具有快捷可靠、节约成本、准确度较高以及无损环保等优点,逐渐成为数字土壤制图、土壤资源调查和精准农业等方面最具发展潜力和应用前景的新一代土壤理化组分分析技术。
校正样本集的构建对土壤有机质可见-近红外光谱估算模型稳定性及预测精度具有重要影响。如何在成本约束的条件下选取足够并且具有代表性的校正样本以组成校正样本集关系到土壤有机质可见-近红外光谱估算模型的实用性。校正样本集的样本需要能够真实反映模型实际应用区域土壤可见-近红外光谱对土壤有机质的指示特征,同时最大限度避免“同质异谱”和“异质同谱”情况的产生。具体要求包括:校正集样本在土壤有机质含量分布上要具有代表性,不但要能代表土壤光谱的变异情况,还要代表土壤内在属性和外在地理环境的变异特征。
目前基于土壤可见-近红外光谱技术的土壤有机质估算方法在模型构建时候,采用的样本选择方法主要有基于土壤理化组分的浓度梯度法,基于光谱信息的KS法、Duplex法和GN距离法(Global H and Neighborhood H)等,然而这些方法存在以下局限:浓度梯度法在土壤有机质分布上具有代表性但没有考虑光谱特征,且需要大量样本的土壤有机质含量信息,建模成本较高;基于光谱距离的方法将光谱差异大的样本选入校正集,但光谱差异可能并不代表土壤有机质的差异性;综合考虑土壤理化组分性质和光谱信息的样本选择方法有Rand-KS和SPXY,具有双重代表性,但忽视了土壤是地理环境的重要组成要素,同时受到环境的影响这一基本事实,建模样本的选取具有一定局限性。因此,有必要建立一种综合土壤有机质含量、土壤光谱信息和地理环境信息的土壤有机质可见-近红外光谱估算模型校正样本集构建方法,弥补现有土壤有机质可见-近红外光谱估算模型校正样本集构建方法存在的不足。
发明内容
为了解决上述技术问题,本发明提供了现有的土壤有机质可见-近红外光谱反演模型校正集构建方法无法同时满足以上要求。
本发明所采用的技术方案是:一种土壤有机质光谱反演模型校正样本集构建方法,其特征在于,包括以下步骤:
步骤1:记录和测量实验区土壤样本的可见-近红外光谱数据、土壤理化组分含量数据和地理空间数据,构建土壤可见-近红外光谱-理化组分含量-地理信息数据库;
步骤2:利用步骤1中获取的土壤样本可见-近红外光谱数据、土壤理化组分含量数据和地理空间数据,基于多元信息的校正集样本优选方法,构建具有多元代表性的土壤可见-近红外光谱反演校正集;
步骤3:对步骤1中的实验区土壤样本的可见-近红外光谱数据、土壤理化组分含量数据和地理空间数据进行预处理;
步骤4:构建基于土壤可见-近红外光谱数据的土壤有机质偏最小二乘回归模型。
与现有技术相比,本发明具有以下优点:本发明方法与以往单纯采用浓度梯度或者KS算法只利用土壤理化组分性质或光谱性质相比,综合考虑了土壤有机质含量信息、土壤可见-近红外光谱信息和地理环境信息,提升了校正样本集的代表性,预测模型具有很好的稳定性和预测能力,同时也降低了建模成本,提高了土壤有机质可见-近红外光谱估算方法的实用性,同时也从校正样本集构建的角度为贫瘠土壤地区有机质高光谱反演提供了技术工具。
附图说明
图1为发明实施例中272个样本可见-近红外光谱曲线。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供的一种土壤有机质光谱反演模型校正样本集构建方法,包括以下步骤:
步骤1:记录和测量实验区土壤样本的可见-近红外光谱数据、土壤理化组分含量数据和地理空间数据,构建土壤可见-近红外光谱-理化组分含量-地理信息数据库;
(1)本实施例采集实验区272个土壤样本,记录样本位置坐标、用地类型、作物类型等地理信息。
(2)室内风干、研磨、过2mm孔筛,实验室采用化学方法测得样本有机质等理化组分含量。
(3)采集样本可见-近红外光谱数据。
光谱测量采用ASD FieldSpec3FR地物光谱仪,波长范围是350~2500nm,350~1000nm区间采样间隔是1.4nm,1000nm~2500nm区间采样间隔是2nm,重采样间隔为1nm,输出2150个波段。将样品平铺在托盘内,且样品厚度不小于5mm,在暗室内用光源为50W的卤光灯照射,光照角度45°,光源距样本中心40cm,采用10°视场角探头,探头位于土壤表面垂直上方15cm。测试之前先用白板校正,测试过程中每测十个样本校正一次,以保证测量稳定。每个样本采集10条光谱曲线,进行算术平均得到各土样的反射光谱数据,272个样本可见-近红外光谱曲线请见图1。
(4)分析土壤样本组分含量信息。
(5)建立土壤样本土壤可见-近红外光谱-理化组分含量-地理信息数据库。
步骤2:利用步骤1中获取的土壤样本可见-近红外光谱数据、土壤理化组分含量数据和地理空间数据,基于多元信息的校正集样本优选方法,构建具有多元代表性的土壤可见-近红外光谱反演校正集;
在数据分析之前,去除2个异常值,先去除噪声较大的边缘波段,保留信噪比较高的400~2350nm波段。
将校正集样本选择方法分组为基于土壤有机质信息、土壤光谱信息、土壤有机质结合光谱信息、基于多元信息即基于地类分层结合其他方法;其中,地类分层是根据地类进行数据的分层。
基于土壤有机质信息的是浓度梯度法(C)和综合浓度法(P-KS),浓度梯度法将样本按SOM大小排序,每三个样本中选择第一个和第三个组成校正集。综合浓度法选取集中光谱重要影响组分,结合KS法选取该组组分最具有代表性的样本。
基于土壤光谱信息是KS算法和RNNS算法,均使用欧氏距离挑选在光谱空间具有代表性的样本。KS算法,计算样本距离(欧氏距离),提取距离最大的两个样本进校正集;计算剩余样本与已选入校正集的样本的距离,先计算样本与校正集样本的最小值,Di=min(d1i,d2i,…,dki),k为已入选校正集样本号,i为待选样本号;再计算样本与校正集样本最小值Di的最大值,D=max(Di),将Di最大值的样本添加到校正集中。RNNS算法,计算样本距离(欧氏距离),提取具有最邻近距离的两个样本,随机删除其中一个,再计算剩余样本之间的距离,循环往复,直到剩余样本达到校正集样本数。
结合有机质含量和光谱信息是Rand-KS算法和Rand-RNNS算法。先按SOM含量大小等分为m个区间,在每个区间内使用KS和RNNS算法选取i%个样本,i%为该区间样本数k占总样本数n的比例。最后合成一个校正集,使校正集具有SOM和光谱上的代表性。
考虑地类信息的是基于地类分层,结合浓度梯度法、KS法、RNNS、Rand-KS法(L-C、L-KS、L-RNNS、L-Rand-KS)。先按照地类分组,使得具有同一地理空间环境的土壤样本归为一类。在使用浓度梯度法、KS法、Rand-KS法,是校正集具有一定程度地理上的代表性,即本发明提出的基于多元信息的土壤有机质可见—近红外光谱反演模型校正集构建方法。
步骤3:对步骤1中的实验区土壤样本的可见-近红外光谱数据、土壤理化组分含量数据和地理空间数据进行预处理;
预处理方法及顺序为log10变换、Savitzky-Golay平滑、多元散射校正和均值中心化处理。
步骤4:构建基于土壤可见-近红外光谱数据的土壤有机质偏最小二乘回归模型;
偏最小二乘回归是土壤有机质高光谱反演建模中广泛应用并且较为成熟的建模方法,解决了变量之间的多重共线性问题,其公式为,
y=β1x1+β2x2+…+βjxj
式中y代表SOM含量,xj代表波长j nm处的土壤光谱参数,βj表示y关于xj的回归系数。
本实施例采用检验样本集对所建模型进行检验;
检验样本是和校正样本一起采集的样本,不过需要做土壤光谱分析和土壤有机质含量分析。验证过程:将校正样本的光谱信息代入所建立的模型方程,计算得到样本的有机质含量然后与实验分析得到的样本有机质含量yi进行比较,计算模型评价参数,以评价模型。
采用舍一交叉验证(leave one cross validation),通过确定最小的舍一交叉验证均方根误差来确定主因子个数,从而确定最优拟合度模型。首先将样本集第一个样本作为测试样本,用剩下n-1个样本作为校正集建立模型,用该模型来预测第一个样本,得到预测值,与实测值进行比较;循环往复,这样得到了n个模型,计算n个样本的预测均方根误差RMSECV和决定系数
为预测值,y为实测值,为平均值,为预测值的平均值。模型结果见表1。
本实施例用检验样本集对所建模型进行检验,进行精度评价。
模型的预测精度采用独立验证集,通过计算预测决定系数R2、预测均方根误差RMSEP和相对分析误差RPD来检验,预测均方根误差越小,决定系数越大,模型预测能力越好。当RPD<1.0时,认为模型不具有预测能力,不适用于SOM的高光谱估算;1.0<RPD<1.4时,则认为模型较差,只能够区分SOM数值的高低;1.4<RPD<1.8时,模型较好,可以用来进行SOM的粗略估算;1.8<RPD<2.0代表模型质量良好,可以用于SOM的定量预测;2.0<RPD<2.5代表模型质量很好;RPD>2.5代表模型质量极好。
SD为标准差。模型结果见表1。
整个计算过程在MATLAB中完成。
表1不同校正集构建方法建模和预测结果
结合地类分层能够明显提升浓度梯度法、RNNS法、Rand-KS法模型预测能力,其中基于地类分层结合浓度梯度具有最好的和RPD,证明考虑土壤地理环境信息后能够显著提升校正样本集的代表性,进而提升模型精度,从而证明了本发明提出的基于多元信息的土壤有机质可见—近红外光谱反演模型校正集样本优选技术的科学有效性。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种土壤有机质光谱反演模型校正样本集构建方法,其特征在于,包括以下步骤:
步骤1:记录和测量实验区土壤样本的可见-近红外光谱数据、土壤理化组分含量数据和地理空间数据,构建土壤可见-近红外光谱-理化组分含量-地理信息数据库;
步骤2:利用步骤1中获取的土壤样本可见-近红外光谱数据、土壤理化组分含量数据和地理空间数据,基于多元信息的校正集样本优选方法,构建具有多元代表性的土壤可见-近红外光谱反演校正集;
步骤3:对步骤1中的实验区土壤样本的可见-近红外光谱数据、土壤理化组分含量数据和地理空间数据进行预处理;
步骤4:构建基于土壤可见-近红外光谱数据的土壤有机质偏最小二乘回归模型。
2.根据权利要求1所述的土壤有机质光谱反演模型校正样本集构建方法,其特征在于,步骤1中所述构建土壤可见-近红外光谱-理化组分含量-地理信息数据库,具体实现包括以下子步骤:
步骤1.1:采集实验区土壤样本,并记录样本位置、土地利用类型、作物信息;
步骤1.2:对土壤样本进行风干、研磨、筛选处理;
步骤1.3:测量土壤样本可见-近红外光谱;
步骤1.4:分析土壤样本组分含量信息;
步骤1.5:建立土壤样本土壤可见-近红外光谱-理化组分含量-地理信息数据库。
3.根据权利要求1所述的土壤有机质光谱反演模型校正样本集构建方法,其特征在于:步骤2中所述多元信息的校正集样本优选方法,是将校正集样本选择方法分为基于土壤理化组分信息选择法、基于土壤光谱信息选择法、基于土壤理化组分结合光谱信息选择法、基于地类分层结合土壤理化组分信息选择法、基于地类分层结合土壤光谱信息选择法、基于地类分层结合土壤理化组分信息和土壤光谱信息选择法。
4.根据权利要求3所述的土壤有机质光谱反演模型校正样本集构建方法,其特征在于:所述基于土壤理化组分信息选择法是浓度梯度法C和综合浓度法P-KS。
5.根据权利要求3所述的土壤有机质光谱反演模型校正样本集构建方法,其特征在于:所述基于土壤光谱信息选择法是KS算法和RNNS算法,均使用欧氏距离挑选在光谱空间具有代表性的样本。
6.根据权利要求3所述的土壤有机质光谱反演模型校正样本集构建方法,其特征在于:所述基于土壤理化组分结合光谱信息选择法是Rand-KS算法结合Rand-RNNS算法;先按SOM含量大小等分为m个区间,在每个区间内使用KS和RNNS算法选取i%个样本,i%为该区间样本数k占总样本数n的比例;最后合成一个校正集,使校正集具有SOM和光谱上的代表性。
7.根据权利要求1所述的土壤有机质光谱反演模型校正样本集构建方法,其特征在于:步骤3中预处理方法及顺序为log10变换、Savitzky-Golay平滑处理、多元散射校正处理和均值中心化处理。
8.根据权利要求1所述的土壤有机质光谱反演模型校正样本集构建方法,其特征在于,步骤4中构建的基于土壤可见-近红外光谱数据的土壤有机质偏最小二乘回归模型为:
y=β1x1+β2x2+…+βjxj;
式中y代表SOM含量,xj代表波长j nm处的土壤光谱,βj表示y关于xj的回归系数;350nm≤j≤2500nm。
9.根据权利要求1-8任意一项所述的土壤有机质光谱反演模型校正样本集构建方法,其特征在于:用检验样本集对所建模型进行外部验证;用舍一交叉对所建模型进行内部验证,确定最佳的主成分数,从而确定最优拟合度模型;
所述检验样本是和校正样本一起采集的样本,且进行土壤光谱分析和土壤有机质含量分析后获得的样本集;
所述用舍一交叉对所建模型进行内部验证,是通过确定最小的舍一交叉验证均方根误差来确定主因子个数,从而确定最优拟合度模型;首先将样本集第一个样本作为测试样本,用剩下n-1个样本作为校正集建立模型,用该模型来预测第一个样本,得到预测值,与实测值进行比较;循环往复,这样得到了n个模型,计算n个样本的预测均方根误差RMSECV和决定系数
<mrow>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mi>C</mi>
<mi>V</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
<mrow>
<msubsup>
<mi>R</mi>
<mrow>
<mi>c</mi>
<mi>v</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
为预测值,y为实测值,为平均值,为预测值的平均值。
10.根据权利要求1-8任意一项所述的土壤有机质光谱反演模型校正样本集构建方法,其特征在于:用检验样本集对所建模型进行精度评价;
所述检验样本是和校正样本一起采集的样本,且进行土壤光谱分析和土壤有机质含量分析后获得的样本集;将校正样本的光谱信息代入所建立的模型方程,计算得到样本的有机质含量,然后与实验分析得到的样本有机质含量yi进行比较,计算模型评价参数,以评价模型;
模型的预测精度基于独立检验样本集,通过计算预测决定系数R2、预测均方根误差RMSEP和相对分析误差RPD来检验,预测均方根误差越小,决定系数越大,RPD越大,模型预测能力越好;
其中:SD为标准差;
当RPD<1.0时,认为模型不具有预测能力,不适用于SOM的高光谱估算;1.0<RPD<1.4时,则认为模型较差,只能够区分SOM数值的高低;1.4<RPD<1.8时,模型较好,可以用来进行SOM的粗略估算;1.8<RPD<2.0代表模型质量良好,可以用于SOM的定量预测;2.0<RPD<2.5代表模型质量很好;RPD>2.5代表模型质量极好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710266715.5A CN107132190A (zh) | 2017-04-21 | 2017-04-21 | 一种土壤有机质光谱反演模型校正样本集构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710266715.5A CN107132190A (zh) | 2017-04-21 | 2017-04-21 | 一种土壤有机质光谱反演模型校正样本集构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107132190A true CN107132190A (zh) | 2017-09-05 |
Family
ID=59716075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710266715.5A Pending CN107132190A (zh) | 2017-04-21 | 2017-04-21 | 一种土壤有机质光谱反演模型校正样本集构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107132190A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107884362A (zh) * | 2017-11-13 | 2018-04-06 | 广州纤维产品检测研究院 | 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 |
CN110793922A (zh) * | 2019-10-31 | 2020-02-14 | 北京绿土科技有限公司 | 一种基于手机的土壤光谱数据采集方法 |
CN110909470A (zh) * | 2019-11-25 | 2020-03-24 | 光钙(上海)高科技有限公司 | 一种红外光谱化学计量学分析系统及方法 |
CN110991064A (zh) * | 2019-12-11 | 2020-04-10 | 广州城建职业学院 | 土壤重金属含量反演模型生成方法、系统、存储介质及反演方法 |
CN113724803A (zh) * | 2021-09-02 | 2021-11-30 | 四川启睿克科技有限公司 | 一种有效提升酒糟样品预测准确率的方法 |
CN114019082A (zh) * | 2021-11-19 | 2022-02-08 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和系统 |
CN115656416A (zh) * | 2022-09-21 | 2023-01-31 | 中国科学院东北地理与农业生态研究所 | 基于光谱形状特征的土壤有机质预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234922A (zh) * | 2013-03-29 | 2013-08-07 | 浙江大学 | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 |
CN105486655A (zh) * | 2015-11-23 | 2016-04-13 | 中国科学院南京土壤研究所 | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 |
-
2017
- 2017-04-21 CN CN201710266715.5A patent/CN107132190A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234922A (zh) * | 2013-03-29 | 2013-08-07 | 浙江大学 | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 |
CN105486655A (zh) * | 2015-11-23 | 2016-04-13 | 中国科学院南京土壤研究所 | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 |
Non-Patent Citations (2)
Title |
---|
刘艳芳等: "基于地类分层的土壤有机质光谱反演校正样本集的构建", 《土壤学报》 * |
陈奕云等: "土壤有机质含量可见-近红外光谱反演模型校正集优选方法", 《农业工程学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107884362A (zh) * | 2017-11-13 | 2018-04-06 | 广州纤维产品检测研究院 | 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 |
CN107884362B (zh) * | 2017-11-13 | 2020-05-22 | 广州纤维产品检测研究院 | 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 |
CN110793922A (zh) * | 2019-10-31 | 2020-02-14 | 北京绿土科技有限公司 | 一种基于手机的土壤光谱数据采集方法 |
CN110909470A (zh) * | 2019-11-25 | 2020-03-24 | 光钙(上海)高科技有限公司 | 一种红外光谱化学计量学分析系统及方法 |
CN110909470B (zh) * | 2019-11-25 | 2023-08-11 | 光钙(上海)高科技有限公司 | 一种红外光谱化学计量学分析系统及方法 |
CN110991064A (zh) * | 2019-12-11 | 2020-04-10 | 广州城建职业学院 | 土壤重金属含量反演模型生成方法、系统、存储介质及反演方法 |
CN113724803A (zh) * | 2021-09-02 | 2021-11-30 | 四川启睿克科技有限公司 | 一种有效提升酒糟样品预测准确率的方法 |
CN113724803B (zh) * | 2021-09-02 | 2024-03-12 | 四川启睿克科技有限公司 | 一种有效提升酒糟样品预测准确率的方法 |
CN114019082A (zh) * | 2021-11-19 | 2022-02-08 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和系统 |
CN114019082B (zh) * | 2021-11-19 | 2024-05-14 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和系统 |
CN115656416A (zh) * | 2022-09-21 | 2023-01-31 | 中国科学院东北地理与农业生态研究所 | 基于光谱形状特征的土壤有机质预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107132190A (zh) | 一种土壤有机质光谱反演模型校正样本集构建方法 | |
Demattê et al. | Soil analytical quality control by traditional and spectroscopy techniques: Constructing the future of a hybrid laboratory for low environmental impact | |
Zeraatpisheh et al. | Assessing the effects of deforestation and intensive agriculture on the soil quality through digital soil mapping | |
Feng et al. | Measuring leaf nitrogen concentration in winter wheat using double-peak spectral reflection remote sensing data | |
Basso et al. | Variable rate nitrogen fertilizer response in wheat using remote sensing | |
Morgan et al. | Simulated in situ characterization of soil organic and inorganic carbon with visible near-infrared diffuse reflectance spectroscopy | |
Wang et al. | New vegetation index and its application in estimating leaf area index of rice | |
CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
Thomas et al. | Image classification of a northern peatland complex using spectral and plant community data | |
CN107796764A (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
CN103293111B (zh) | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 | |
Ng et al. | Developing a soil spectral library using a low-cost NIR spectrometer for precision fertilization in Indonesia | |
Levi et al. | Using reflectance spectroscopy for detecting land-use effects on soil quality in drylands | |
CN105181678B (zh) | 基于激光诱导击穿光谱的水稻品种鉴别方法 | |
CN107144535A (zh) | 一种基于高光谱技术的碱化土壤空间酸碱度监测方法 | |
CN106990056A (zh) | 一种土壤全氮光谱估算模型校正样本集构建方法 | |
Chen et al. | Rapid determination of soil classes in soil profiles using vis–NIR spectroscopy and multiple objectives mixed support vector classification | |
CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
Zhang et al. | A new vegetation index based on the universal pattern decomposition method | |
CN102798607A (zh) | 一种利用中红外光谱技术估测土壤有机碳含量的方法 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
Raeesi et al. | Prediction of soil organic matter using an inexpensive colour sensor in arid and semiarid areas of Iran | |
CN104778349B (zh) | 一种用于水稻表土氮肥施用等级评定方法 | |
Yan et al. | Spectroscopy outperforms leaf trait relationships for predicting photosynthetic capacity across different forest types | |
Wen et al. | Estimation of the vertically integrated leaf nitrogen content in maize using canopy hyperspectral red edge parameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170905 |