CN113408700A - 一种卷积神经网络土壤碱解氮分析模型构建系统及方法 - Google Patents

一种卷积神经网络土壤碱解氮分析模型构建系统及方法 Download PDF

Info

Publication number
CN113408700A
CN113408700A CN202110691721.1A CN202110691721A CN113408700A CN 113408700 A CN113408700 A CN 113408700A CN 202110691721 A CN202110691721 A CN 202110691721A CN 113408700 A CN113408700 A CN 113408700A
Authority
CN
China
Prior art keywords
soil
module
model
neural network
convolutional neural
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
Application number
CN202110691721.1A
Other languages
English (en)
Inventor
宋振强
高磊
王众娇
邵文杰
王振宇
曲中华
刘彤
段宝德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Space Star Data System Technology Co ltd
Original Assignee
Harbin Space Star Data System Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Space Star Data System Technology Co ltd filed Critical Harbin Space Star Data System Technology Co ltd
Priority to CN202110691721.1A priority Critical patent/CN113408700A/zh
Publication of CN113408700A publication Critical patent/CN113408700A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及遥感技术与变量施肥技术领域，更具体的说是一种卷积神经网络土壤碱解氮分析模型构建系统及方法，该系统包括以流程化操作的原始数据整理模块、波段变换模块、敏感性分析模块、变换波段分析模块、参数输入模块、卷积神经网络构建模块、模型训练模块、精度评定模块、剔除粗误差模块、模型验证模块、模型保存模块、模型再训练模块和成果图输出模块；可以通过遥感与卷积神经网络的土壤碱解氮分析模型，指导精准全面施肥，从而避免出现施肥过多造成成本投入过大、污染环境，施肥过少导致土壤板结、影响作物生长的问题、破坏土地。

Description

一种卷积神经网络土壤碱解氮分析模型构建系统及方法
技术领域
本发明涉及遥感技术与变量施肥技术领域，更具体的说是一种卷积神经网络土壤碱解氮分析模型构建系统及方法。
背景技术
学施肥是防止过度施肥引起的环境污染、施肥量不足导致的土壤供养不足影响作物生长、提升农产品品质的有效手段，而科学施肥的基础是精准掌握土壤养分分布，传统的测土方案是利用大量的检测点且检测点过于稀疏，通过以“点”代“面”衡量整片农田土壤碱解氮含量，不能精细的做到“因田实测”，此方法需要现场采集大量的测土数据，不仅样本采集测定的成本高、也消耗大量的人力物力，增加生产成本，精度很难保证。
随着国内外卫星遥感的迅猛发展，多光谱数据、高光谱数据的卫星影像种类的增多，为我们研究基于多光谱和高光谱数据对土壤碱解氮含量的反演提供了有效的数据支撑。但目前针对土壤中氮含量的反演模型大部分监测的是全氮，而进行科学施肥的重要影响因素是碱解氮，因为碱解氮建模受农业生产环境因素、地形环境、气象因素等影响较大，因此需要更高时间分辨率的影像数据及土壤碱解氮反演模型，因此无法实现种植前的土壤碱解氮分布的快速收取。
发明内容
本发明的目的是提供一种卷积神经网络土壤碱解氮分析模型构建系统及方法，可以通过构建分析模型系统，解决农业生产活动、气象因素的影响，高效、准确的获取土壤碱解氮分布数据，为科学施肥提供数据支撑。
本发明的目的通过以下技术方案来实现：
一种卷积神经网络土壤碱解氮分析模型构建系统，该系统包括以流程化操作的原始数据整理模块、波段变换模块、敏感性分析模块、变换波段分析模块、参数输入模块、卷积神经网络构建模块、模型训练模块、精度评定模块、剔除粗误差模块、模型验证模块、模型保存模块、模型再训练模块和成果图输出模块。
原始数据整理模块用于根据构建卷积神经网络结构的数据输入结构要求，对土壤样本数据、气象输出、地形数据、土壤类型数据进行分集、转换、封装和标定；
波段变换模块用于对预处理后影像波段按照固定的公式进行变换，得到变换波段，扩充影像波段信息，提升影像波段的敏感性；
敏感性分析模块用于分析预处理后影像波段及变换波段对土壤碱解氮的敏感程度，标定输入波段参数；
参数输入模块用于卷积神经网络结构训练的输入参数变换；
卷积神经网络构建模块负责构建卷积神经网络结构及封装；
精度评定模块用于训练卷积神经网络结构精度评定；
剔除粗误差模块依据精度评定结果剔除较为明显的误差，提升卷积神经网络结构的训练精度；
模型验证模块负责验证最终结果精度；
模型保存模块用于保存最优的土壤碱解氮反演模型；
模型再训练模块用于继续训练保存的最优的土壤碱解氮反演模型，进一步提升土壤碱解氮反演模型精度；
成果图输出模块用于将目标区域的土壤碱解氮分布成果图，按影像坐标系及投影进行输出。
一种卷积神经网络土壤碱解氮分析模型构建方法，该方法包括以下步骤：
步骤一：按照土壤样本采集技术规范的要求对目标区域土壤样本采集，建立实地采集的土壤碱解氮样本数据库，建立土壤样本采集时间段的气象数据库、地形数据库、土壤类型数据库，利用所述的原始数据整理模块对土壤样本数据、气象输出、地形数据、土壤类型数据进行分集、转换、封装和标定；
进一步的，进行土壤样本采集为对目标区域土壤样点采集，采用等距采样法采集作业区0～20cm的耕层土壤，采用5分法将土壤充分混合均匀后获取土样；利用GPS获取采样点经度、纬度及高程信息；采样完成后，土壤样本进入实验室进行处理，依据森林土壤氮的测定标准，测定准确的土壤碱解氮含量；获取土壤采集时间段内的最高温度、最低温度、相对湿度和降雨量等信息建立气象数据库；获取目标区域的坡度和海拔高度建立地形数据库；收集目标区域的红壤、黄壤、黄棕壤、黑钙土等建立土壤类型数据库。
获取农作物播种前，样本采集期间影像数据，包含Landsat8OLI、Sentinel-2和GF-5AHSI，利用波段变换模块内设置的ENVI5.6对获取的影像数据进行辐射定标、大气校正、滤波处理及重采样处理，建立遥感影像数据库。
步骤二：利用波段变换模块对预处理后影像数据进行数学变换，得到变换波段；
进一步的，波段变化模块调用商用应用软件中的两种工具进行11种数学变换，其中利用ENVI5.6软件中bandmath工具，进行倒数变换、倒数的对数变换、对数变换、对数的倒数变换和平方根变换；
利用ENVI5.6软件中的Image Derivative工具，进行一阶导数R′、倒数的一阶导数(1/R)′、对数的一阶导数(lgR)′、平方根的一阶导数
Figure BDA0003127028630000031
倒数的对数的一阶导数(lg(1/R))′和对数的倒数的一阶导数(1/lgR)′的运算过程，其中R为影像敏感波段。
步骤三：通过敏感性分析模块基于土壤碱解氮样本数据库对预处理后的影像波段及变换波段进行敏感性分析，标定输入波段参数；
进一步的，利用所述敏感性分析模块中基于斯皮尔曼相关性分析算法对经过变换后的波段进行敏感分析，根据软件输出的报表，标注显著性相关，则输出的结果达到0.05显著性水平时或达到0.01显著性水平时，都在报表右上角进行标订，表示比较显著或者极显著；之后选取报表所示的敏感性显著波段作为土壤碱解氮反演模型训练的输入参数，选择3-10个；
步骤四：利用参数输入模块对土壤碱解氮样本数据库、气象数据库、地形数据库及土壤类型数据库与输入波段参数进行模型参数变换；
进一步的，根据土壤碱解氮反演模型结构的四维数据输入参数格式要求整合土壤碱解氮反演模型训练输入及目标参数并进行变换与标定；
步骤五：利用卷积神经网络构建模块进行卷积神经网络；
步骤六：利用精度评定模块评定卷积神经网络结构训练的精度；
进一步的，精度评定模块对训练的模型进行精度评价，选择最优的卷积神经网络结构建立土壤碱解氮反演模型；
步骤七：通过剔除粗误差模块进行粗误差剔除；
进一步的，剔除粗误差模块剔除训练过程的粗误差，为训练最优的土壤碱解氮反演模型提供有效样本数据；
步骤八：模型验证模块利用土壤碱解氮数据验证利用土壤碱解氮反演模型反演后数据的精度；
进一步的，模型验证模块对利用土壤碱解氮反演模型进行预测的土壤碱解氮数据与实测数据进行对比分析，验证土壤碱解氮反演模型的实际精度
步骤九：模型保存模块保存最优的土壤碱解氮反演模型，形成地域化标定土壤碱解氮反演模型；
进一步的，模型保存模块对最优模型进行保存，完成土壤碱解氮反演模型的地域化标定；
步骤十：模型再训练模块对保存的最优的土壤碱解氮反演模型进行再次训练；
进一步的，模型再训练模块对进一步扩充样本数据后对保存好的最优的土壤碱解氮反演模型进行再次训练，得到更优的土壤碱解氮反演模型
步骤十一：成果图输出模块将目标区域的土壤碱解氮分布成果图，按影像坐标系及投影进行输出；
进一步的，成果图输出模块将目标区域的土壤碱解氮分布成果图，按影像坐标系及投影进行输出，用于实际应用中的数据分析。
卷积神经网络构建模块构建土壤碱解氮反演模型包括以下步骤：
步骤一：建立土壤碱解氮反演模型输入的样本数据库，利用ArcGIS软件中的Spatial Analyst工具，将预处理后影像数据通过敏感性分析后波段的反射率信息提取至土壤采样点信息中；
步骤二：将采样点下的气象数据、地形数据、土壤类型数据提取至土壤采样点信息中，作物土壤碱解氮模型的输入数据，将采集的土壤碱解氮作为目标数据，建立样本数据库；
步骤三：根据设计的算法结构利用Python对样本数据库进行四维矩阵变化；
步骤四：利用Python语言Keras库建立卷积神经网络，其同一平面上的神经元权值相等，将四维矩阵作为输入，通过梯度反向传播算法及优化算法、relu、elu激活函数、mse损失函数和mae应用性能，得到土壤碱解氮反演模型；
步骤五：利用Python语言PyQt5GUI设计模块进行土壤碱解氮反演模型封装。
卷积神经网络的学习过程为：
通过32个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN1层产生32个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到32个S1层的土壤碱解氮特征映射图；
土壤碱解氮特征映射图在经过64个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN2层产生64个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到64个S2层的土壤碱解氮特征映射图；土壤碱解氮特征映射图在经过64个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN3层产生64个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到64个S3层的土壤碱解氮特征映射图；
土壤碱解氮特征映射图在经过256个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN4层产生256个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到256个S4层的土壤碱解氮特征映射图；
土壤碱解氮特征映射图在经过256个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN5层产生256个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到256个S5层的土壤碱解氮特征映射图，在利用dropout方法防止过拟合，在通过3个全连接层得到CNN6层；
最终将样本数据库转换四维矩阵输入到卷积神经网络中，得到土壤碱解氮反演模型。
本发明一种卷积神经网络土壤碱解氮分析模型构建系统及方法的有益效果为：
本发明一种卷积神经网络土壤碱解氮分析模型构建系统及方法，可以通过遥感与卷积神经网络的土壤碱解氮分析模型，指导精准全面施肥，从而避免出现施肥过多造成成本投入过大、污染环境，施肥过少导致土壤板结、影响作物生长的问题、破坏土地。
附图说明
下面结合附图和具体实施方法对本发明做进一步详细的说明。
图1是本发明的土壤碱解氮分析模型构建系统流程示意图；
图2是本发明的土壤碱解氮分析过程示意图；
图3是本发明的碱解氮实地采样位置分布示意图；
图4是本发明的敏感性分析相关系数示意图；
图5是本发明的敏感性Sig双侧示意图；
图6是本发明的模型训练均方误差mse评价图；
图7是本发明的模型正太分布误差评价图；
图8是本发明的模型误差置信区间评价图；
图9是本发明的模型拟合评价图；
图10是本发明的土壤碱解氮含量分布图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
下面结合图1至10说明本实施方式；
一种卷积神经网络土壤碱解氮分析模型构建系统，该系统包括以逻辑顺序递进连接的原始数据整理模块、波段变换模块、敏感性分析模块、变换波段分析模块、参数输入模块、卷积神经网络构建模块、模型训练模块、精度评定模块、剔除粗误差模块、模型验证模块、模型保存模块、模型再训练模块和成果图输出模块；
通过原始数据整理模块、波段变换模块、敏感性分析模块、参数输入模块、卷积神经网络结构模块、精度评定模块、剔除粗误差模块、模型验证模块、模型保存模块、模型再训练模块和成果图输出模块的递进参数数据梳理，对土壤碱解氮分析的神经网络模型构建，最终实现土壤碱解氮各项参数的分析结果。
一种卷积神经网络土壤碱解氮分析模型构建方法，该方法包括以下步骤：
步骤一：原始数据获取及预处理；
按照《土壤样本采集技术规范》的要求进行目标区域土壤样本采集、封装及标定，目标区域土壤样点采集，采用等距采样法采集作业区0～20cm的耕层土壤，采用5分法将土壤充分混合均匀后取土1kg，采样间距根据作业范围大小而定，一般旱田间隔100m，水田每个网格均布9个点。利用GPS获取采样点经度、纬度及高程信息。采样完成后，土壤样本进入实验室进行处理，依据《LY/T1228-2015森林土壤氮的测定》标准，测定准确的土壤碱解氮含量；通过中国气象网或省气象中心及气象卫星数据获取土壤采集时间段内的最高温度、最低温度、相对湿度、降雨量等信息建立气象数据库；利用30m左右的数字高程(DEM)数据的获取目标区域的坡度、海拔高度建立地形数据库；通过省植检植保站或当地农业技术推广中心收集目标区域的红壤、黄壤、黄棕壤、黑钙土等建立土壤类型数据库。
获取农作物播种前，样本采集期间影像数据，包含Landsat8OLI、Sentinel-2、GF-5AHSI，利用波段变换模块内设置的ENVI5.6对获取的影像数据进行辐射定标、大气校正、滤波处理及重采样处理，建立预处理后影像数据库。
步骤二：影像波段变换；
对敏感波段进行11种数学变换，利用ENVI5.6软件，bandmath工具可以进行倒数变换、倒数的对数变换、对数变换、对数的倒数变换、平方根变换；利用ENVI5.6软件，ImageDerivative工具可以进行一阶导数(R′)、倒数的一阶导数((1/R)′)、对数的一阶导数((lgR)′)、平方根的一阶导数
Figure BDA0003127028630000081
倒数的对数的一阶导数((lg(1/R))′)、对数的倒数的一阶导数((1/lgR)′，R为影像敏感波段；
步骤三：敏感性分析：
利用版本为10.1及以上的ArcGIS软件，Spatial Analyst工具提值至点功能，将预处理后影像每个波段的反射率信息及数学变换波段反射率信息提取至土壤采样点信息中，利用所述的敏感性分析模块的斯皮尔曼相关性分析算法对影像每个波段反射率值与其对应的碱解氮含量进行敏感性分析，根据软件输出的报表，标注显著性相关，则输出的结果达到0.05显著性水平时，右上角用“*”表示比较显著，若达到0.01显著性水平时，右上角用“**”表示极显著。选取敏感性高的波段作为反演模型训练的输入参数，一般选择3-5个；
步骤四：模型训练输入及目标参数确定：
选取单一波段形式输入参数(预处理后影像敏感波段、数学变换敏感波段、气象数据、地形数据、土壤类型)或双波段组合输入参数(预处理后影像敏感波段-数学变换敏感波段、气象数据、地形数据、土壤类型)，以现场土壤样本实验室测定的碱解氮为目标参数，建立模型样本数据库；
步骤五：卷积神经网络模型构建：
根据设计的算法结构利用Python对模型样本数据库进行四维矩阵变化；
利用Python语言Keras库建立卷积神经网络，其同一平面上的神经元权值相等，将四维矩阵作为输入，通过梯度反向传播算法及优化算法、relu、elu激活函数、mse损失函数、mae应用性能，得到土壤碱解氮反演模型；
利用Python语言PyQt5GUI设计模块进行土壤碱解氮反演模型封装。
优选的，卷积神经网络的学习过程为：通过32个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN1层产生32个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到32个S1层的土壤碱解氮特征映射图；土壤碱解氮特征映射图在经过64个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN2层产生64个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到64个S2层的土壤碱解氮特征映射图；土壤碱解氮特征映射图在经过64个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN3层产生64个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到64个S3层的土壤碱解氮特征映射图；土壤碱解氮特征映射图在经过256个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN4层产生256个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到256个S4层的土壤碱解氮特征映射图；土壤碱解氮特征映射图在经过256个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN5层产生256个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到256个S5层的土壤碱解氮特征映射图，在利用dropout方法防止过拟合，在通过3个全连接层得到CNN6层；最终将样本数据库转换四维矩阵输入到卷积神经网络中，得到土壤碱解氮反演模型。
步骤六：模型训练和精度评定：
将样本数据按比例随机分为70％的训练样本(training)、15％的验证样本(validation)、15％的测试样本(test)三个部分，训练样本用于卷积神经网络模型的训练，验证样本、测试样本用于训练后模型的验证与测试，确保模型的稳定及准确性。结合输入参数和目标参数间的定量关系并利用卷积神经网络模型进行训练，得到两者之间存在的定量函数关系，建立土壤碱解氮反演模型。
采用斯皮尔曼敏感分析技术和卷积神经网络算法，运用Python语言Keras库编程及PyQt5模块进行GUI设计建立土壤碱解氮反演模型，运用敏感波段、敏感波段数学变换、气象数据、地形数据、土壤类型数据及实地土壤样本采集数据等多参数进行逐像素精细化分析技术，针对土壤施肥处方图中重要的养分元素的碱解氮进行定量化分析，具体特征点如下：
特征点一：利用ENVI5.6及以上版本，对获取的影像数据进行预处理，输出反射率数据；利用数学公式对处理后影像反射率数据进行数学变换；
特征点二：利用所述的敏感性分析模块完成卫星影像波段信息及其变换信息与土壤碱解氮含量的敏感性分析，输出报表；
特征点三：运用特征点二的敏感分析报表，选取3-10个对土壤碱解氮含量最为敏感的波段，作为模型训练的输入参数，提高模型的训练精度；
特征点四：利用Python语言Keras库建立卷积神经网络，其同一平面上的神经元权值相等，将四维矩阵作为输入，通过梯度反向传播算法及优化算法、relu、elu激活函数、mse损失函数、mae应用性能，得到神经网络模型，以特征点一、特征点三作为模型训练输入参数，以实地土壤样本采集数据实验室分析的碱解氮含量为目标参数，完成土壤碱解氮反演模型构建。
结合附图1-10说明基于遥感与卷积神经网络的土壤碱解氮分析模型构建，本发明以某省某市农田为例，采用本发明的方法，最终获得耕地土壤碱解氮含量分布图，具体实施方案如下：
根据当地实际情况，采集土壤样本，记录每个采样点的经纬坐标和土样编号，将土样送往专业的第三方土壤检测进行实验室测试或收集当地土壤碱解氮样本数据，碱解氮样本数据位置展点如图3所示；
查询并下载遥感影像，本实例下载GF-5高光谱数据，分辨率为30米，影像时间为2019年4月16日，利用波段变换模块对影像进行辐射定标、大气校正、滤波处理、波段重采样处理，利用矢量范围进行裁剪；利用敏感性分析模型得到预处理后影像数据波段与土壤样本碱解氮含量敏感结果如图4、5所示。在置信度(双测)为0.01时，相关性是显著的，在置信度(双测)为0.05时，相关性是显著的；
根据优化的反演模型计算得到土壤碱解氮含量栅格数据；
利用GIS中栅格转面功能将反演土壤碱解氮含量栅格数据逐像素导出，按照影像范围建立渔网，实现按像素导出矢量数据，通过属性表连接实现栅格数据矢量化。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种卷积神经网络土壤碱解氮分析模型构建系统，其特征在于：该系统包括以流程化操作的原始数据整理模块、波段变换模块、敏感性分析模块、变换波段分析模块、参数输入模块、卷积神经网络构建模块、模型训练模块、精度评定模块、剔除粗误差模块、模型验证模块、模型保存模块、模型再训练模块和成果图输出模块。
2.根据权利要求1所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：原始数据整理模块用于根据构建卷积神经网络的数据输入结构要求，对土壤样本数据、气象数据、地形数据、土壤类型数据进行分集、转换、封装和标定。
3.根据权利要求1所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：波段变换模块用于对预处理后影像的波段按照固定的公式进行变换，得到变换段；敏感性分析模块用于分析预处理后的影像波段及变换波段对土壤碱解氮的敏感程度，标定输入波段参数。
4.一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：该方法包括以下步骤：
步骤一：对目标区域土壤样本采集建立土壤碱解氮样本数据库，建立气象数据库、地形数据库、土壤类型数据库，土壤样本数据、气象数据、地形数据和土壤类型数据通过原始数据整理模块进行分集、转换、封装和标定；
步骤二：利用波段变换模块对收集的预处理后影像波段进行数学变换，得到变换波段；
步骤三：通过敏感性分析模块基于土壤碱解氮样本数据库对预处理后影像波段及变换波段进行敏感性分析，标定输入波段参数；
步骤四：利用参数输入模块对土壤碱解氮样本数据库、气象数据库、地形数据库及土壤类型数据库与输入波段参数进行参数变换；
步骤五：利用卷积神经网络构建模块进行卷积神经网络；
步骤六：利用精度评定模块评定卷积神经网络模型训练的精度；
步骤七：通过剔除粗误差模块进行粗误差剔除；
步骤八：模型验证模块利用土壤碱解氮数据验证利用卷积神经网络模型反演后数据的精度；
步骤九：模型保存模块保存最优土壤碱解氮反演模型，形成地域化标定土壤碱解氮反演模型；
步骤十：模型再训练模块对保存的最优的土壤碱解氮反演模型进行再次训练；
步骤十一：成果图输出模块将目标区域的土壤碱解氮分布成果图，按影像坐标系及投影进行输出。
5.根据权利要求4所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：土壤样本采集为目标区域土壤样点采集，土壤样本采集时间段内的最高温度、最低温度、相对湿度和降雨量信息建立气象数据库，目标区域的坡度、海拔高度建立地形数据库；目标区域的红壤、黄壤、黄棕壤和黑钙土建立土壤类型数据库。
6.根据权利要求4所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：原始影像数据包含Landsat8OLI、Sentinel-2和GF-5AHSI，利用波段变化模块对原始影像数据进行辐射定标、大气校正、滤波处理及重采样处理，建立预处理后影像数据库。
7.根据权利要求4所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：通过敏感性分析模块中设置的基于斯皮尔曼相关性分析算法对变换波段进行敏感分析。
8.根据权利要求4所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：步骤四中根据土壤碱解氮反演模型构结构的四维数据输入参数格式要求整合模型训练输入及目标参数并进行变换与标定。
9.根据权利要求4所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：卷积神经网络构建模块构建土壤碱解氮反演模型包括以下步骤：
步骤一：建立土壤碱解氮反演模型输入的样本数据库，利用ArcGIS软件中的SpatialAnalyst工具，将预处理后影像数据通过敏感性分析后波段的反射率信息提取至土壤采样点信息中；
步骤二：将采样点下的气象数据、地形数据、土壤类型数据提取至土壤采样点信息中，作物土壤碱解氮反演模型的输入数据，将采集的土壤碱解氮作为目标数据，建立样本数据库；
步骤三：根据设计的算法结构利用Python对样本数据库进行四维矩阵变化；
步骤四：利用Python语言Keras库建立卷积神经网络，其同一平面上的神经元权值相，将四维矩阵作为输入，通过梯度反向传播算法及优化算法、relu、elu激活函数、mse损失函数和mae应用性能，得到土壤碱解氮反演模型；
步骤五：利用Python语言PyQt5GUI设计模块进行土壤碱解氮反演模型封装。
10.根据权利要求9所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：卷积神经网络的学习过程为：
通过32个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN1层产生32个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到32个S1层的土壤碱解氮特征映射图；
土壤碱解氮特征映射图在经过64个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN2层产生64个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到64个S2层的土壤碱解氮特征映射图；土壤碱解氮特征映射图在经过64个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN3层产生64个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到64个S3层的土壤碱解氮特征映射图；
土壤碱解氮特征映射图在经过256个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN4层产生256个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到256个S4层的土壤碱解氮特征映射图；
土壤碱解氮特征映射图在经过256个可训练的滤波器、3*3的卷积核、1*1的步长、same的填充、he_normal的初始化方法进行卷积，卷积后在CNN5层产生256个特征映射图，然后特征映射图中每组若干个特征在通过relu或elu激活函数、maxpooling进行池化得到256个S5层的土壤碱解氮特征映射图，在利用dropout方法防止过拟合，在通过3个全连接层得到CNN6层；
最终将样本数据库转换四维矩阵输入到卷积神经网络中，得到土壤碱解氮反演模型。
CN202110691721.1A 2021-06-22 2021-06-22 一种卷积神经网络土壤碱解氮分析模型构建系统及方法 Pending CN113408700A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110691721.1A CN113408700A (zh) 2021-06-22 2021-06-22 一种卷积神经网络土壤碱解氮分析模型构建系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110691721.1A CN113408700A (zh) 2021-06-22 2021-06-22 一种卷积神经网络土壤碱解氮分析模型构建系统及方法

Publications (1)

Publication Number Publication Date
CN113408700A true CN113408700A (zh) 2021-09-17

Family

ID=77682447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110691721.1A Pending CN113408700A (zh) 2021-06-22 2021-06-22 一种卷积神经网络土壤碱解氮分析模型构建系统及方法

Country Status (1)

Country Link
CN (1) CN113408700A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114858219A (zh) * 2022-06-09 2022-08-05 西安微媒软件有限公司 一种用于大棚的农业物联网管理分析平台

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114858219A (zh) * 2022-06-09 2022-08-05 西安微媒软件有限公司 一种用于大棚的农业物联网管理分析平台

Similar Documents

Publication Publication Date Title
CN111727443A (zh) 一种基于深度神经网络的土壤速效养分反演方法
CN105004320B (zh) 一种高分卫星数据陆表植被覆盖度反演方法及系统
Tao et al. Proximal and remote sensing in plant phenomics: 20 years of progress, challenges, and perspectives
CN111798327A (zh) 基于高光谱影像的小麦产量计算模型的构建方法及其应用
CN107527014A (zh) 县级作物种植面积遥感统计抽样调查方案设计方法
CN111898503B (zh) 基于云覆盖遥感影像和深度学习的作物识别方法和系统
CN111738066B (zh) 综合多源遥感信息的网格化晚稻纹枯病生境评价方法
CN109711102A (zh) 一种作物灾害损失快速评估方法
CN115481368B (zh) 一种基于全遥感机器学习的植被覆盖度估算方法
CN112149827A (zh) 基于卫星影像的土壤速效钾分析模型构建系统及方法
CN115561181B (zh) 一种基于无人机多光谱数据的水质反演方法
CN114494882B (zh) 一种基于随机森林的冬小麦遥感识别分析方法和系统
Ji et al. Crop yield estimation at field scales by assimilating time series of Sentinel-2 data into a modified CASA-WOFOST coupled model
CN112836575A (zh) 一种基于作物物候期的多时序影像水稻估产方法
CN116580318A (zh) 作物覆盖区域的土壤养分反演方法、装置、设备及介质
CN113205014A (zh) 一种基于图像锐化的时序数据耕地提取方法
CN116188793A (zh) 一种基于卫星遥感影像的紫云英种植面积监测方法
Tatsumi Effects of automatic multi-objective optimization of crop models on corn yield reproducibility in the USA
Shao et al. Estimation of transpiration coefficient and aboveground biomass in maize using time-series UAV multispectral imagery
CN113408700A (zh) 一种卷积神经网络土壤碱解氮分析模型构建系统及方法
CN113408701A (zh) 一种卷积神经网络土壤有机质分析模型构建系统及方法
CN113435574A (zh) 一种卷积神经网络土壤速效钾分析模型构建系统及方法
Zhai et al. CatBoost algorithm for estimating maize above-ground biomass using unmanned aerial vehicle-based multi-source sensor data and SPAD values
CN113570273A (zh) 一种灌溉耕地统计数据的空间化方法及系统
WO2023131949A1 (en) A versatile crop yield estimator

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