CN110132866A - 一种土壤高光谱解混方法及系统 - Google Patents
一种土壤高光谱解混方法及系统 Download PDFInfo
- Publication number
- CN110132866A CN110132866A CN201910444826.XA CN201910444826A CN110132866A CN 110132866 A CN110132866 A CN 110132866A CN 201910444826 A CN201910444826 A CN 201910444826A CN 110132866 A CN110132866 A CN 110132866A
- Authority
- CN
- China
- Prior art keywords
- signal
- mixed
- matrix
- soil
- centralization
- 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 104
- 238000002156 mixing Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 110
- 238000012545 processing Methods 0.000 claims abstract description 82
- 238000001228 spectrum Methods 0.000 claims abstract description 67
- 230000002087 whitening effect Effects 0.000 claims abstract description 66
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 20
- 238000009499 grossing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 24
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 11
- 229910052799 carbon Inorganic materials 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 7
- 244000025254 Cannabis sativa Species 0.000 description 15
- 239000004016 soil organic matter Substances 0.000 description 11
- 238000002790 cross-validation Methods 0.000 description 8
- 238000000926 separation method Methods 0.000 description 8
- 238000012880 independent component analysis Methods 0.000 description 6
- 239000010902 straw Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241001237160 Kallima inachus Species 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005527 soil sampling Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000007605 air drying Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 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
-
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种土壤高光谱解混方法及系统，该方法包括获取覆盖有枯枝落叶层土壤的高光谱数据，得到初始混合信号；对初始混合信号进行中心化处理，得到中心化处理后的混合信号；对中心化处理后的混合信号进行白化处理，得到白化处理后的混合信号；根据白化处理后的混合信号计算解混矩阵；根据解混矩阵与初始混合信号生成源信号；源信号为裸土光谱对应的信号。本发明提出的方法及系统，具有能够在未知的土壤光谱和枯枝落叶源光谱信息以及未知土壤和枯枝落叶比例的情况下，将土壤光谱分离出来的优点，进而有助于提高后续有机碳估测的精度。
Description
技术领域
本发明涉及土壤光谱数据处理技术领域，特别是涉及一种土壤高光谱解混方法及系统。
背景技术
土壤有机碳是评价土壤质量的重要参数，同时土壤有机碳为植被生长提供碳源，并且在很大程度上会影响土壤的稳定性、持水性、土壤生物多样性等。传统估测土壤有机碳的方法有模型估算法、植被类型和生命地带法等，这些方法虽然精度较高，但是周期长，耗费大量人力物力财力。近年来，高光谱分析技术因其快速，无损，可大范围获取土壤数据的特点得到了广泛应用。室内测量与野外原位测量是目前土壤高光谱数据获取的主要手段，室内虽然获取的光谱精度较高，但是数据结果偏理想化。野外测量的光谱数据由于受到环境光线，土壤水分，土壤质地，植物残体等因素可能对光谱探测产生影响。尤其是在秋季草木枯槁时，地表存在枯枝落叶层，对野外观测造成困扰，因此利用高光谱估算土壤有机碳含量的适用性下降，如何实现在未知的土壤光谱和枯枝落叶源光谱信息以及未知土壤和枯枝落叶比例的情况下，将土壤光谱分离出来是亟待解决的问题。
发明内容
本发明的目的是提供一种土壤高光谱解混方法及系统，具有能够在未知的土壤光谱和枯枝落叶源光谱信息以及未知土壤和枯枝落叶比例的情况下，将土壤光谱分离出来的优点，进而有助于提高后续有机碳估测的精度。
为实现上述目的，本发明提供了如下方案：
一种土壤高光谱解混方法，包括：
获取覆盖有枯枝落叶层土壤的高光谱数据，得到初始混合信号；
对所述初始混合信号进行中心化处理，得到中心化处理后的混合信号；
对所述中心化处理后的混合信号进行白化处理，得到白化处理后的混合信号；
根据所述白化处理后的混合信号计算解混矩阵；
根据所述解混矩阵与所述初始混合信号生成源信号；所述源信号为裸土光谱对应的信号。
可选的，在所述获取覆盖有枯枝落叶层土壤的高光谱数据之后，还包括：
对所述高光谱数据进行平滑去噪处理。
可选的，所述对所述初始混合信号进行中心化处理，具体包括：
将所述初始混合信号数据与所述初始混合信号数据的均值做差，得到中心化处理后的混合信号；
所述对所述中心化处理后的混合信号进行白化处理，具体包括：
根据所述中心化处理后的混合信号的协方差矩阵计算得到白化矩阵；
将所述中心化处理后的混合信号与所述白化矩阵相乘，得到白化处理后的混合信号。
可选的，所述根据所述白化处理后的混合信号计算解混矩阵，具体包括：
初始化解混矩阵；
将所述解混矩阵与所述白化处理后的混合信号相乘，得到解混信号；
根据所述解混信号更新所述解混矩阵；
将更新所述解混矩阵的次数加1；
判断所述次数是否大于预设值；
若所述次数大于所述预设值，输出更新后的解混矩阵；
若所述次数小于或等于所述预设值，返回步骤“将所述解混矩阵与所述白化处理后的混合信号相乘，得到解混信号”。
可选的，根据所述解混矩阵与所述初始混合信号生成源信号，具体包括：
将所述解混矩阵与所述初始混合信号相乘得到源信号。
本发明还提供一种土壤高光谱解混系统，包括：
初始混合信号提取模块，用于获取覆盖有枯枝落叶层土壤的高光谱数据，得到初始混合信号；
中心化处理模块，用于对所述初始混合信号进行中心化处理，得到中心化处理后的混合信号；
白化处理模块，用于对所述中心化处理后的混合信号进行白化处理，得到白化处理后的混合信号；
解混矩阵计算模块，用于根据所述白化处理后的混合信号计算解混矩阵；
源信号生成模块，用于根据所述解混矩阵与所述初始混合信号生成源信号；所述源信号为裸土光谱对应的信号。
可选的，所述土壤高光谱解混系统，还包括：
去噪模块，用于对所述高光谱数据进行平滑去噪处理。
可选的，所述中心化处理模块，具体包括：
中心化处理单元，用于将所述初始混合信号数据与所述初始混合信号数据的均值做差，得到中心化处理后的混合信号；
白化处理模块，具体包括：
白化矩阵生成单元，用于根据所述中心化处理后的混合信号的协方差矩阵计算得到白化矩阵；
白化处理单元，用于将所述中心化处理后的混合信号与所述白化矩阵相乘，得到白化处理后的混合信号。
可选的，解混矩阵计算模块，具体包括：
初始化解混矩阵生成单元，用于初始化解混矩阵；
解混信号生成单元，用于将所述解混矩阵与所述白化处理后的混合信号相乘，得到解混信号；
解混矩阵更新单元，用于根据所述解混信号更新所述解混矩阵；
次数更新单元，用于将更新所述解混矩阵的次数加1；
次数判断单元，用于判断所述次数是否大于预设值；若所述次数大于所述预设值，则将指令发送至解混矩阵输出单元；若所述次数小于或等于所述预设值，则将指令发送至解混信号生成单元；
解混矩阵输出单元，用于在所述次数判断单元判断出所述次数大于所述预设值时，输出更新后的解混矩阵。
可选的，所述源信号生成模块，具体包括：
源信号生成单元，用于将所述解混矩阵与所述初始混合信号相乘得到源信号。
与现有技术相比，本发明的有益效果是：
本发明提出了一种土壤高光谱解混方法及系统，通过获取覆盖有枯枝落叶层土壤的高光谱数据的混合信号，得到初始混合信号；对初始混合信号进行中心化处理，对中心化处理后的混合信号进行白化处理，能够提高数据的收敛速度和稳定性；根据白化处理后的混合信号计算解混矩阵并根据解混矩阵与初始混合信号生成源信号，具有能够在未知的土壤光谱和枯枝落叶源光谱信息以及未知土壤和枯枝落叶比例的情况下，将土壤光谱分离出来的优点，进而有助于提高后续有机碳估测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中土壤高光谱解混方法流程图；
图2为本发明实施例中不同覆盖度下光谱均值图；
图3为本发明实施例中盲源分离示意图；
图4为本发明实施例中盲源分离结果图；
图5为本发明实施例中土壤高光谱解混系统结构示意图；
图6为本发明实施例中不同覆盖度下分离结果同裸土光谱及草杆光谱光谱角成图；
图7为本发明实施例中基于原始光谱的土壤有机碳实测值和预测值散点图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种土壤高光谱解混方法及系统，具有能够在未知的土壤光谱和枯枝落叶源光谱信息以及未知土壤和枯枝落叶比例的情况下，将土壤光谱分离出来的优点，进而有助于提高后续有机碳估测的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例：
图1为本发明实施例提供的土壤高光谱解混方法流程图，如图1所示，一种土壤高光谱解混方法，包括：
步骤101：获取覆盖有枯枝落叶层土壤的高光谱数据，得到初始混合信号。
研究所选的土壤样本来源于内蒙古呼伦贝尔草原中部的土壤，共包括87个土样。土壤采样区的实际覆盖度主要集中在0％-15％左右，为室内模拟实验提供依据。将所选土样进行自然风干后，过筛去除土样中的植物残留，石砾等杂质后，用18目筛对土样进行二次过筛。烘干后取土样约为110g-120g之间，放入黑色圆柱容器中，将土样表面刮平，控制土样上表面的面积为78.5cm2，直径为10cm，以便对样本进行实际覆盖度的估算。剔除土壤有机碳含量过高及异常值土样，共剔12个样本，剩余75个样本进行实验。
采用枯草秸秆模拟草本枯枝落叶层，采用SVC 1024可见光近红外光谱仪在室内获取(0％，2.5％，5％，7.5％，10％，15％，20％，30％)共八个覆盖度的土壤光谱数据。图2为本发明实施例提供的不同覆盖度下光谱均值图，由下至上分别表示覆盖度为0％，2.5％，5％，7.5％，10％，15％，20％或30％时光谱反射率曲线，由图2可以看出，随着枯草秸秆覆盖度的增加，光谱的反射率逐级递增。波长为680nm-780nm处由于电子能级跃迁的影响(如图中实线框所示)，明显发现存在库草秸秆的光谱曲线斜率大于裸土光谱(覆盖率为0％)的斜率。在波长为1100nm-2500nm处的主要光谱特征为不同梯度下的混合光谱都在1400nm和1900nm处存在一个宽阔的吸水带。
在获取覆盖有枯枝落叶层土壤的高光谱数据之后，需要对高光谱数据进行平滑去噪处理。为消除高光谱中的噪音，所有光谱数据采用Savizky Golay方法进行平滑去噪处理，并剔除340nm-450nm的边缘波段，以及2400nm-2500nm这两个信噪比低且噪声过大的波段，平滑去噪处理后的混合光谱可直接解混。
混合高光谱数据采用基于独立分量分析的最大化(Infomax)盲源分离解混算法，盲源分离算法是指在未知混合信号组分的情况下，仅仅根据观测到的信号(初始混合信号)，提取原始信号的过程。“盲源”含有两重含义：一是无法直接观测源信号-裸土光谱对应的信号；二是源信号在传输过程中如何混合未知。盲信号在处理过程中通常有三种混合方式：线性瞬时混合、线性卷积混合以及非线性混合，本发明仅考虑土壤表面存在枯草秸秆时的混合光谱，源信号个数为2，混合方式为线性瞬时混合。图3为本发明实施例提供的盲源分离示意图，如图3所示，针对线性混合，混合信号被表示为如下方程：
X(t)＝AS(t)+α(t)
上式中t为光谱波段，X(t)＝[X1(t),…,Xm(t)]T为混合信号，S(t)＝[S1(t),…,Sn(t)]T为源信号，m为混合信号个数，n为源信号个数，A为m*n维矩阵混合矩阵，α(t)为m维噪声分量矩阵，通常不考虑噪声α(t)的影响。
本发明采用独立成分分析(Independent Component Correlation Algorithm，ICA)理论解决盲源分离问题，ICA的目标是对观测到的信号进行线性变换，使得提取的信号在统计上尽可能的相互独立。ICA利用下述公式确定源信号s(t)的估计信号Y(t)＝[Y1(t),…,Yn(t)]T：
Y(t)＝W*X(t)
W为一个n*m的解混矩阵，理论上来说W为A的逆矩阵，W＝A-1，若WA＝I,则Y(t)＝S(t)，达到恢复源信号的目的。但是在实际情况中，A矩阵难以获得，这就需要我们通过混合信号X(t)及源信号S(t)的统计独立性经过迭代寻找解混矩阵W，使得输出的Y(t)尽可能在相互独立的前提下逼近S(t)，以达到分离的目的。
由于没有源信号和混合信号的先验知识可以参考，因此必须加上3个附加的假设：
(1)源信号之间必须相互独立。
(2)观测信号数要大于或等于源信号数。
(3)假设观测信号的噪声可以忽略。
满足上述条件之后，选择基于ICA理论体系的Infomax算法对混合信号进行盲源分离。
步骤102：对初始混合信号进行中心化处理，得到中心化处理后的混合信号。
对初始混合信号进行中心化处理是将初始混合信号数据X与初始混合信号数据的均值E(X)做差，得到中心化处理后的混合信号Xc，使混合信号数据变为零均值矢量，计算公式为Xc＝X-E(X)。
步骤103：对中心化处理后的混合信号进行白化处理，得到白化处理后的混合信号。
白化是对任意多维信号施加一个线性变换使其变为白色信号的处理过程，对应的变换矩阵称为白化矩阵。白化的目的是为了去除变量间的相关性，得到具有单位方差的信号。白化的本质是去相关及压缩数据，一般情况下，信号经白化处理后，数据收敛速度快，且拥有较高的数据稳定性。
对中心化处理后的混合信号进行白化处理，具体过程如下：
根据中心化处理后的混合信号X’的协方差矩阵cov(X’)计算得到白化矩阵B，计算公式如下：
B＝2*(cov(X’))1/2
将中心化处理后的混合信号Xc与白化矩阵B相乘，得到白化处理后的混合信号Xw，计算公式如下：
Xw＝B*Xc。
步骤104：根据白化处理后的混合信号计算解混矩阵。
根据白化处理后的混合信号计算解混矩阵，具体过程如下：
初始化解混矩阵W[k]。
将解混矩阵W[k]与白化处理后的混合信号Xw相乘，得到解混信号y，计算公式为y＝W[k]*Xw。
根据解混信号y更新解混矩阵W[k]，将更新解混矩阵的次数加1，更新公式如下：
W[k+1]＝W[k]+η[k](I+f(y)yT)W[k]
式中，k为更新解混矩阵的次数，T为次数预设值，W[k+1]为更新后的解混矩阵，η[k]为学习步长，f(y)＝1-2z，z为非线性函数，一般为z＝(1+e-y)-1，或者为z＝tanh(y)。
判断更新解混矩阵的次数是否大于预设值；若次数大于预设值，输出更新后的解混矩阵W[T]；否则，返回步骤“将解混矩阵W[k]与白化处理后的混合信号Xw相乘，得到解混信号y”。
步骤105：根据解混矩阵与初始混合信号生成源信号；源信号为裸土光谱对应的信号。
将更新后的解混矩阵W[T]与初始混合信号数据X相乘得到估计信号Y，估计信号Y近似为源信号S，计算公式为Y＝W[T]*X。
图4为本发明实施例提供的盲源分离结果图，图4(a)为不同覆盖度下裸土的光谱曲线图，图4(b)为不同覆盖度下枯草秸秆的光谱曲线图。图4(a)和图4(b)在0-900nm的波段由下至上分别表示覆盖度为0％，2.5％，5％，7.5％，10％，15％，20％，30％时的光谱反射率曲线，本发明仅考虑土壤表面存在枯草秸秆时混合光谱的特征，因此，盲源分离算法解混后获得两条光谱曲线，分别对应裸土和枯草秸秆分离光谱。
图5为本发明实施例提供的土壤高光谱解混系统结构示意图，如图5所示，一种土壤高光谱解混系统，包括：
初始混合信号提取模块201，用于获取覆盖有枯枝落叶层土壤的高光谱数据，得到初始混合信号。
去噪模块，用于对高光谱数据进行平滑去噪处理。
中心化处理模块202，用于对初始混合信号进行中心化处理，得到中心化处理后的混合信号。
中心化处理模块202具体包括：
中心化处理单元，用于将初始混合信号数据与初始混合信号数据的均值做差，得到中心化处理后的混合信号。
白化处理模块203，用于对中心化处理后的混合信号进行白化处理，得到白化处理后的混合信号。
白化处理模块203具体包括：
白化矩阵生成单元，用于根据中心化处理后的混合信号的协方差矩阵计算得到白化矩阵。
白化处理单元，用于将中心化处理后的混合信号与白化矩阵相乘，得到白化处理后的混合信号。
解混矩阵计算模块204，用于根据白化处理后的混合信号计算解混矩阵。
解混矩阵计算模块204具体包括：
初始化解混矩阵生成单元，用于初始化解混矩阵。
解混信号生成单元，用于将解混矩阵与白化处理后的混合信号相乘，得到解混信号。
解混矩阵更新单元，用于根据解混信号更新解混矩阵。
次数更新单元，用于将更新解混矩阵的次数加1。
次数判断单元，用于判断次数是否大于预设值；若次数大于预设值，则将指令发送至解混矩阵输出单元；若次数小于或等于预设值，则将指令发送至解混信号生成单元。
解混矩阵输出单元，用于在次数判断单元判断出次数大于预设值时，输出更新后的解混矩阵。
源信号生成模块205，用于根据解混矩阵与初始混合信号生成源信号；源信号为裸土光谱对应的信号。
源信号生成模块205具体包括：
源信号生成单元，用于将解混矩阵与初始混合信号相乘得到源信号。
为了验证本发明的解混精度，首先采用光谱角判别估计光谱与原始光谱的相似性，光谱角计算公式如下所示，θ即为光谱角，Ti为经过盲源分离后的光谱在第i波段的反射值，Ri裸土的平均光谱在第i波段的反射值，n表示波段总个数。
解混后的光谱取部分样本与裸土光谱及枯草秸秆光谱进行光谱角计算得到如图6结果，图6为本发明实施例提供的不同覆盖度下分离结果同裸土光谱及草杆光谱光谱角成图，从图6中可以看出，覆盖度低于7.5％时，土壤的光谱角均在3°以下，当枯叶覆盖度高于7.5％时，土壤光谱角与枯叶光谱角有部分重合，分离结果差，且随着覆盖度的不断增加，解混后数据同裸土光谱的光谱角的值也不断增大，与枯草秸秆光谱的光谱角逐渐减小。该结果说明随着覆盖度的增加，盲源分离方法分离得到的土壤光谱与裸土光谱间的差异逐渐增大，并且在枯叶覆盖度低于7.5％时，分离精度最高。枯草秸秆覆盖度高于10％，土壤光谱特征减弱，覆盖度在20％以上时，基本表现为枯草秸秆光谱特征。
然后基于偏最小二乘回归(Partial least squares regression，PLSR)验证解混精度，模型采用偏最小二乘回归方法，PLSR方法是土壤属性光谱预测普遍采用的一种多元回归分析方法，该方法将多元线性回归、变量的主成分分析以及变量间的典型相关分析有机结合，可同时实现回归建模、数据简化以及相关分析，为多元数据分析提供了极大的便利，尤其对样本量小，自变量多，且变量间存在严重相关性的数据具有独特的优势。建模数据采用完全交叉验证(Full cross validation)方法对模型进行验证，然后用独立验证集对模型进行验证。
根据光谱角判定结果，发现当覆盖度大于15％时，土壤光谱特征已不再明显，因此采用2.5％，5％，7.5％，10％和15％共计5个梯度(75*5)365个样本进行建模预测建模，按照有机碳由高到低顺序排列，取2/3用于建模，1/3数据作为预测集数据。模型数据采用完全交叉验证(Full cross validation)方法对模型进行验证，然后用独立验证集对模型进行验证。为减少异常样本对建模和预测结果的影响，本研究剔除偏离一比一线较远的异常值。PLSR模型的建立采用R语言软件实现。
利用PLSR模型评价盲源分离建模精度主要采用如下参数：建模集交叉验证决定系数(Coefficient of determ ination in cross-validation，R2cv)、建模集交叉验证均方根误差(Root mean square error of cross-validation，RMSEcv)、建模集交叉验证测定值标准偏差与标准预测误差的比值(Ratio of standard deviation to standard errorof cross-validation，RPDcv)、验证集决定系数(Coefficient of determ ination inprediction，R2p)、验证集均方根误差(Root mean square error of prediction，RMSEp)和测定值标准偏差以及标准预测误差的比值(Ratio of standard deviation tostandard error of prediction，RPDp)。R2cv、R2p、RPDcv以及RPDp越大，RMSEcv和RMSEp越小，表明建模精度越高。
将所测不同枯草秸秆覆盖度的原始光谱与土壤有机碳含量建立PLSR模型，并用独立的验证集对所建模型的精度进行验证，结果如图7所示，图7为本发明实施例提供的基于原始光谱的土壤有机碳实测值和预测值散点图。图7(a)为采用裸土光谱建模的土壤有机碳实测值和预测值散点图，图7(b)为采用分离后光谱建模的土壤有机碳实测值和预测值散点图。
如图7(a)所示，原始光谱建模集R2cv＝0.83，RMSEcv＝4.03g kg-1，RPDcv＝2.6。验证集R2p＝0.75，RMSEp＝4.48g kg-1，RPDp＝1.97。模型精度较低，由此可见，直接用所测原始光谱与土壤有机碳建立模型，所得预测结果不能满足实际需要。因此，若想改善枯草秸秆覆盖下土壤有机碳含量的预测精度，应对混合光谱进行解混，去除枯草秸秆光谱对土壤有机碳预测的干扰。
为验证盲源分离法的有效性，本文将Infomax算法所提取的土壤光谱与土壤有机碳建立PLSR模型，并用独立验证集检验模型精度。如图7(b)所示，基于盲源分离后土壤光谱所建立的模型，精度照原始光谱所建模型有一定的提升。建模集精度提高至为R2cv＝0.91，RMSEcv＝2.97g kg-1，RPDcv＝3.33，验证集为R2p＝0.80，RMSEp＝4.46g kg-1，RPDp＝1.97。
分离后光谱建模精度相较裸土光谱建模，精度有一定提升，该结果表明，基于Infomax算法盲源分离解混后的光谱可有效反演土壤有机碳，盲源分离法可提高枯草秸秆覆盖下土壤有机碳的预测精度。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种土壤高光谱解混方法，其特征在于，包括：
获取覆盖有枯枝落叶层土壤的高光谱数据，得到初始混合信号；
对所述初始混合信号进行中心化处理，得到中心化处理后的混合信号；
对所述中心化处理后的混合信号进行白化处理，得到白化处理后的混合信号；
根据所述白化处理后的混合信号计算解混矩阵；
根据所述解混矩阵与所述初始混合信号生成源信号；所述源信号为裸土光谱对应的信号。
2.根据权利要求1所述的土壤高光谱解混方法，其特征在于，在所述获取覆盖有枯枝落叶层土壤的高光谱数据之后，还包括：
对所述高光谱数据进行平滑去噪处理。
3.根据权利要求1所述的土壤高光谱解混方法，其特征在于，
所述对所述初始混合信号进行中心化处理，具体包括：
将所述初始混合信号数据与所述初始混合信号数据的均值做差，得到中心化处理后的混合信号；
所述对所述中心化处理后的混合信号进行白化处理，具体包括：
根据所述中心化处理后的混合信号的协方差矩阵计算得到白化矩阵；
将所述中心化处理后的混合信号与所述白化矩阵相乘，得到白化处理后的混合信号。
4.根据权利要求1所述的土壤高光谱解混方法，其特征在于，所述根据所述白化处理后的混合信号计算解混矩阵，具体包括：
初始化解混矩阵；
将所述解混矩阵与所述白化处理后的混合信号相乘，得到解混信号；
根据所述解混信号更新所述解混矩阵；
将更新所述解混矩阵的次数加1；
判断所述次数是否大于预设值；
若所述次数大于所述预设值，输出更新后的解混矩阵；
若所述次数小于或等于所述预设值，返回步骤“将所述解混矩阵与所述白化处理后的混合信号相乘，得到解混信号”。
5.根据权利要求1所述的土壤高光谱解混方法，其特征在于，根据所述解混矩阵与所述初始混合信号生成源信号，具体包括：
将所述解混矩阵与所述初始混合信号相乘得到源信号。
6.一种土壤高光谱解混系统，其特征在于，包括：
初始混合信号提取模块，用于获取覆盖有枯枝落叶层土壤的高光谱数据，得到初始混合信号；
中心化处理模块，用于对所述初始混合信号进行中心化处理，得到中心化处理后的混合信号；
白化处理模块，用于对所述中心化处理后的混合信号进行白化处理，得到白化处理后的混合信号；
解混矩阵计算模块，用于根据所述白化处理后的混合信号计算解混矩阵；
源信号生成模块，用于根据所述解混矩阵与所述初始混合信号生成源信号；所述源信号为裸土光谱对应的信号。
7.根据权利要求6所述的土壤高光谱解混系统，其特征在于，所述土壤高光谱解混系统，还包括：
去噪模块，用于对所述高光谱数据进行平滑去噪处理。
8.根据权利要求6所述的土壤高光谱解混系统，其特征在于，
所述中心化处理模块，具体包括：
中心化处理单元，用于将所述初始混合信号数据与所述初始混合信号数据的均值做差，得到中心化处理后的混合信号；
白化处理模块，具体包括：
白化矩阵生成单元，用于根据所述中心化处理后的混合信号的协方差矩阵计算得到白化矩阵；
白化处理单元，用于将所述中心化处理后的混合信号与所述白化矩阵相乘，得到白化处理后的混合信号。
9.根据权利要求6所述的土壤高光谱解混系统，其特征在于，解混矩阵计算模块，具体包括：
初始化解混矩阵生成单元，用于初始化解混矩阵；
解混信号生成单元，用于将所述解混矩阵与所述白化处理后的混合信号相乘，得到解混信号；
解混矩阵更新单元，用于根据所述解混信号更新所述解混矩阵；
次数更新单元，用于将更新所述解混矩阵的次数加1；
次数判断单元，用于判断所述次数是否大于预设值；若所述次数大于所述预设值，则将指令发送至解混矩阵输出单元；若所述次数小于或等于所述预设值，则将指令发送至解混信号生成单元；
解混矩阵输出单元，用于在所述次数判断单元判断出所述次数大于所述预设值时，输出更新后的解混矩阵。
10.根据权利要求6所述的土壤高光谱解混系统，其特征在于，所述源信号生成模块，具体包括：
源信号生成单元，用于将所述解混矩阵与所述初始混合信号相乘得到源信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910444826.XA CN110132866A (zh) | 2019-05-27 | 2019-05-27 | 一种土壤高光谱解混方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910444826.XA CN110132866A (zh) | 2019-05-27 | 2019-05-27 | 一种土壤高光谱解混方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110132866A true CN110132866A (zh) | 2019-08-16 |
Family
ID=67581750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910444826.XA Pending CN110132866A (zh) | 2019-05-27 | 2019-05-27 | 一种土壤高光谱解混方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110132866A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112834470A (zh) * | 2020-12-31 | 2021-05-25 | 杭州罗盘星科技有限公司 | 用于水质分析的三维荧光光谱信号纯化与增强方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101866424A (zh) * | 2010-05-20 | 2010-10-20 | 复旦大学 | 基于独立分量分析的高光谱遥感图像混合像元分解方法 |
| CN103679210A (zh) * | 2013-12-03 | 2014-03-26 | 西安电子科技大学 | 基于高光谱图像解混的地物识别方法 |
| CN103761424A (zh) * | 2013-12-31 | 2014-04-30 | 杭州电子科技大学 | 基于二代小波和ica的肌电信号降噪与去混迭方法 |
| CN104618279A (zh) * | 2015-01-22 | 2015-05-13 | 沈阳大学 | 基于快速独立分量分析的Wigner-Ville分布交叉项消除的信号处理方法 |
| CN104933425A (zh) * | 2015-07-10 | 2015-09-23 | 中国地质大学（武汉） | 一种高光谱数据处理方法 |
-
2019
- 2019-05-27 CN CN201910444826.XA patent/CN110132866A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101866424A (zh) * | 2010-05-20 | 2010-10-20 | 复旦大学 | 基于独立分量分析的高光谱遥感图像混合像元分解方法 |
| CN103679210A (zh) * | 2013-12-03 | 2014-03-26 | 西安电子科技大学 | 基于高光谱图像解混的地物识别方法 |
| CN103761424A (zh) * | 2013-12-31 | 2014-04-30 | 杭州电子科技大学 | 基于二代小波和ica的肌电信号降噪与去混迭方法 |
| CN104618279A (zh) * | 2015-01-22 | 2015-05-13 | 沈阳大学 | 基于快速独立分量分析的Wigner-Ville分布交叉项消除的信号处理方法 |
| CN104933425A (zh) * | 2015-07-10 | 2015-09-23 | 中国地质大学（武汉） | 一种高光谱数据处理方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘娅等: "基于盲源分离的稀疏植被区土壤含盐量反演", 《土壤学报》 * |
| 李燕丽等: "基于 FastICA 盲源分离法去除土壤干扰的小麦生物量高光谱估算", 《生态学杂志》 * |
| 沈掌泉等: "应用田间行走式红外光谱进行土壤碳含量估测研究", 《土壤学报》 * |
| 陶欣等: "高光谱数据组分信息的盲分解方法", 《北京大学学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112834470A (zh) * | 2020-12-31 | 2021-05-25 | 杭州罗盘星科技有限公司 | 用于水质分析的三维荧光光谱信号纯化与增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107796764B (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 | |
| Ali et al. | Estimating leaf functional traits by inversion of PROSPECT: Assessing leaf dry matter content and specific leaf area in mixed mountainous forest | |
| Broge et al. | Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data | |
| Feilhauer et al. | Multi-method ensemble selection of spectral bands related to leaf biochemistry | |
| CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| Liu et al. | Estimation of potato above-ground biomass based on unmanned aerial vehicle red-green-blue images with different texture features and crop height | |
| CN111062251A (zh) | 基于无人机成像的农田棉蚜为害等级模型的监测方法 | |
| CN104199027B (zh) | 基于紧致极化雷达大面积近实时监测水稻物候期的方法 | |
| Malenovsky et al. | A new hyperspectral index for chlorophyll estimation of a forest canopy: Area under curve normalised to maximal band depth between 650-725 nm | |
| CN110502997A (zh) | 基于人工智能的农业保险查勘方法及相关设备 | |
| CN103472031A (zh) | 一种基于高光谱成像技术的脐橙糖度检测方法 | |
| CN111044516A (zh) | 一种水稻叶绿素含量遥感估测方法 | |
| CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
| CN109001147A (zh) | 一种利用近红外光谱判别茶鲜叶地理信息的方法 | |
| Gomez et al. | Analysis of the uncertainties affecting predictions of clay contents from VNIR/SWIR hyperspectral data | |
| CN107271372A (zh) | 一种苹果叶片叶绿素遥感估测方法 | |
| CN114821349A (zh) | 顾及谐波模型系数和物候参数的森林生物量估算方法 | |
| CN110398473A (zh) | 一种农产品产地检测方法及系统 | |
| CN105608296B (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
| CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
| CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
| CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
| Song et al. | Comparison of algorithms for monitoring wheat powdery mildew using multi-angular remote sensing data | |
| CN110779875A (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 |
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: 20190816 |