CN113436153B - 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 - Google Patents
一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 Download PDFInfo
- Publication number
- CN113436153B CN113436153B CN202110651965.7A CN202110651965A CN113436153B CN 113436153 B CN113436153 B CN 113436153B CN 202110651965 A CN202110651965 A CN 202110651965A CN 113436153 B CN113436153 B CN 113436153B
- Authority
- CN
- China
- Prior art keywords
- soil
- carbon component
- sample
- profile
- spectrum
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 376
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 219
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 27
- 238000005516 engineering process Methods 0.000 title claims abstract description 25
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 134
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims description 43
- 238000005553 drilling Methods 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 12
- HEDRZPFGACZZDS-UHFFFAOYSA-N Chloroform Chemical compound ClC(Cl)Cl HEDRZPFGACZZDS-UHFFFAOYSA-N 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000002386 leaching Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 230000003647 oxidation Effects 0.000 claims description 5
- 238000007254 oxidation reaction Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 6
- 239000002028 Biomass Substances 0.000 abstract description 5
- 230000000813 microbial effect Effects 0.000 abstract description 5
- 238000009614 chemical analysis method Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 239000003041 laboratory chemical Substances 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 122
- 238000001514 detection method Methods 0.000 description 12
- 239000013307 optical fiber Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 240000007594 Oryza sativa Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 239000004927 clay Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004856 soil analysis Methods 0.000 description 2
- 238000005527 soil sampling Methods 0.000 description 2
- -1 soluble carbon Chemical compound 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 238000010987 Kennard-Stone algorithm Methods 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- PTKRHFQQMJPPJN-UHFFFAOYSA-N dipotassium;oxido-(oxido(dioxo)chromio)oxy-dioxochromium;sulfuric acid Chemical compound [K+].[K+].OS(O)(=O)=O.[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O PTKRHFQQMJPPJN-UHFFFAOYSA-N 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000003891 ferrous sulphate Nutrition 0.000 description 1
- 239000011790 ferrous sulphate Substances 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- BAUYGSIQEAFULO-UHFFFAOYSA-L iron(2+) sulfate (anhydrous) Chemical compound [Fe+2].[O-]S([O-])(=O)=O BAUYGSIQEAFULO-UHFFFAOYSA-L 0.000 description 1
- 229910000359 iron(II) sulfate Inorganic materials 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000009336 multiple cropping Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 1
- 239000004810 polytetrafluoroethylene Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004016 soil organic matter Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000012086 standard solution Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1293—Using chemometrical methods resolving multicomponent spectra
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，基于各样本位置预设深度土壤剖面样本的高光谱图像的获得，以目标样本光谱区域对应土壤碳组分类型的各个特征光谱波段为输入，目标样本光谱区域所对应该土壤碳组分类型的土壤碳组分数据为输出，通过训练，获得该土壤碳组分类型所对应的土壤碳组分预测模型，进而实现对目标区域土壤剖面碳组分的预测；整个设计方案可以快速、准确地预测原状土壤剖面有机碳、可溶性碳、易氧化碳和土壤微生物量碳等组分含量，并实现精细化绘制它们在土壤剖面上的空间分布；弥补了传统实验室化学分析方法存在的不足。
Description
技术领域
本发明涉及一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，属于土壤检测技术领域。
背景技术
土壤有机碳(SOC)对土壤的物理、化学和生物化学过程起着重要的调控作用，不仅是评价土壤肥力的重要指标，也是全球碳循环的重要组成部分。土壤有机碳存在于一系列非匀质的土壤有机质中，总有机碳含量的高低可以表征土壤有机质的数量变化，但不能很好地反映其质量和内在组成变化。通过物理或化学分组法，土壤有机碳库可以被分解为许多在功能性或者生物组成上不同的组分。其中土壤活性有机碳(例如可溶性碳、易氧化碳和土壤微生物量碳等)是土壤有机碳的活性部分，可以反映土壤有机质的有效组分的变化。由于活性有机碳容易被微生物降解利用、周转速度快、能够更加敏感地反映出土地利用方式或者管理措施变化对土壤有机碳的影响，并揭示其生物地球化学机制，近年来逐渐成为土壤质量和管理措施的评价指标之一。因此，研究土壤有机碳及活性碳组分在土壤剖面中的垂直分布，可为更好地探究深层土壤有机碳的周转和分布提供科学依据。
目前，土壤有机碳含量检测依据国家标准GB 9834-88来进行，即在外加热(油浴或电砂浴)的条件下，用一定浓度的重铬酸钾-硫酸溶液氧化土壤有机质(碳)，剩余的重铬酸钾用硫酸亚铁标准溶液滴定，根据氧化前后氧化剂质量差值，计算出有机碳量。同样，可溶性碳、易氧化碳和土壤微生物量碳等碳组分的测定也需要使用一定的化学试剂浸提，提取液中有机碳含量再用重铬酸钾氧化-外加热法进行测定。按照这些分析方法虽然能够获得比较可靠的测量结果，但费时费力，不仅消耗大量化学试剂，对环境污染严重；而且需要专用的分析仪器，使用较为不便，最终测定的分析结果也只能获得该土壤样品不同碳组分含量的平均值，不能获得土壤碳组分在土壤剖面上的空间分布状况。
申请(专利)号为CN201720391929.0的发明公开了一种基于近红外光谱技术的土壤有机碳含量快速检测系统，它包括漫反射式Y形光纤、光源、光纤光谱仪和计算机，计算机的数据输入端连接光纤光谱仪的近红外光谱数据输出端，漫反射式Y形光纤的入射端连接光源的光信号输出端，漫反射式Y形光纤的反射信号输出端连接光纤光谱仪的光信号输入端，漫反射式Y形光纤的检测端为光纤检测探头。尽管该发明所述方法可提高土壤有机碳含量的检测效率和检测精度，但不能获取土壤剖面上有机碳的空间分布；此外，该发明也不能同时检测可溶性碳、易氧化碳和土壤微生物量碳等碳组分含量。
高光谱成像技术是近十几年来在多光谱成像的基础上发展起来的影像数据获取技术，它在可见至近红外(400～2500nm)的光谱范围内，利用成像光谱仪对目标物体连续成像，具有多波段、高分辨率、图谱合一等优点。目前已广泛应用于农产品无损检测、作物识别、病害诊断及土壤属性预测等方面。因此，可以考虑将高光谱成像技术应用到农田原状土壤剖面不同碳组分检测及制图领域，提供一种高效的无损检测方法。
发明内容
本发明所要解决的技术问题是提供一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，能够检测土壤剖面各土壤碳组分类型含量的空间分布，设计方法检测精度高、检测时间短，不仅减少了环境污染，而且在一定程度上降低了检测成本。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，通过如下步骤A至步骤G，获得目标区域中各预设土壤碳组分类型分别所对应的土壤碳组分预测模型；并通过步骤i至步骤ii，实现对目标区域土壤剖面碳组分的预测；
步骤A.针对预设覆盖目标区域中不同成土母质的各个样本位置，分别获取各样本位置自土壤表面至预设深度位置的土壤剖面样本，并进一步获得各个土壤剖面样本分别所对应的高光谱图像，然后进入步骤B；
步骤B.针对各土壤剖面样本分别所对应的高光谱图像进行几何校正，以及通过尺寸拉伸方式，统一各高光谱图像的尺寸，更新各土壤剖面样本分别所对应的高光谱图像，然后进入步骤C；
步骤C.分别针对各土壤剖面样本分别所对应的高光谱图像，沿高光谱图像所对应的土壤深度，按预设单位深度，针对该高光谱图像进行划分，获得该高光谱图像所对应的各个目标样本光谱区域，进而获得全部高光谱图像所对应的各个目标样本光谱区域，然后进入步骤D；
步骤D.分别针对各个目标样本光谱区域，获得目标样本光谱区域中各位置光谱的平均光谱，作为该目标样本光谱区域所对应的光谱，进而获得全部目标样本光谱区域分别所对应的光谱，然后进入步骤E；
步骤E.分别针对各个目标样本光谱区域，针对目标样本光谱区域对应所属高光谱图像所对应土壤剖面样本中的土壤区域样本，测定该土壤区域样本对应预设各土壤碳组分类型的土壤碳组分数据，即获得该目标样本光谱区域对应预设各土壤碳组分类型的土壤碳组分数据，进而获得全部目标样本光谱区域分别对应预设各土壤碳组分类型的土壤碳组分数据，然后进入步骤F；
步骤F.分别针对各个土壤碳组分类型，基于各个目标样本光谱区域，针对目标样本光谱区域所对应的各个光谱波段进行筛选，获得该土壤碳组分类型所对应的各个特征光谱波段，进而获得各个土壤碳组分类型分别所对应的各个特征光谱波段，然后进入步骤G；
步骤G.分别针对各个土壤碳组分类型，基于各个目标样本光谱区域，以目标样本光谱区域对应土壤碳组分类型的各个特征光谱波段为输入，目标样本光谱区域所对应该土壤碳组分类型的土壤碳组分数据为输出，针对SVMR模型进行训练，获得该土壤碳组分类型所对应的土壤碳组分预测模型；进而获得各土壤碳组分类型分别所对应的土壤碳组分预测模型；
步骤i.分别针对各个土壤碳组分类型，进一步分别针对目标区域中的各个土壤位置，获得土壤位置下各深度位置分别所对应各特征光谱波段，应用土壤碳组分类型所对应的土壤碳组分预测模型，获得该土壤位置下各深度位置分别对应该土壤碳组分类型的土壤碳组分数据，进而获得目标区域中各土壤位置下各深度位置分别对应该土壤碳组分类型的土壤碳组分数据；然后进入步骤ii；
步骤ii.由目标区域中各土壤位置下各深度位置分别对应各土壤碳组分类型的土壤碳组分数据，构成目标区域分别对应各土壤碳组分类型的土壤剖面碳组分分布预测。
作为本发明的一种优选技术方案：所述步骤A包括如下步骤A1至步骤A2；
步骤A1.针对预设覆盖目标区域中不同成土母质的各个样本位置，通过钻取方式，分别获取各样本位置自土壤表面至预设深度位置的土壤钻取剖面样本，即获得各个土壤钻取剖面样本，构成各个土壤剖面样本，然后进入步骤A2；
步骤A2.应用指定区间光谱波段，分别针对各个土壤剖面样本进行高光谱扫描，获得各个土壤剖面样本分别所对应的高光谱图像，然后进入步骤B。
作为本发明的一种优选技术方案：所述步骤A1中，基于各个土壤钻取剖面样本的获得，首先分别针对所获各个土壤钻取剖面样本，沿过其端面中心位置的轴向面，针对土壤钻取剖面样本进行切割，获得各个土壤钻取剖面样本分别所对应的两个半圆柱体土壤剖面样本；然后分别针对各个土壤钻取剖面样本，选择土壤钻取剖面样本所对应的其中一个半圆柱体土壤剖面样本，并剔除其平面上的非土壤物质，构成该土壤钻取剖面样本所对应的土壤剖面样本，进而获得各个土壤剖面样本；
所述步骤A2中，应用指定区间光谱波段，分别针对各土壤剖面样本上的平面进行高光谱扫描，获得各个土壤剖面样本分别所对应的高光谱图像。
作为本发明的一种优选技术方案：所述步骤A2中，应用400nm至1010nm的1020个光谱波段，分别针对各个土壤剖面样本进行高光谱扫描获得各个土壤剖面样本分别所对应的高光谱图像。
作为本发明的一种优选技术方案：所述步骤B中，首先分别针对各土壤剖面样本分别所对应的高光谱图像，依次进行几何校正、并去除其中的背景噪声；然后通过尺寸拉伸方式，统一各高光谱图像的尺寸，更新各土壤剖面样本分别所对应的高光谱图像。
作为本发明的一种优选技术方案：所述步骤B中，分别针对各土壤剖面样本分别所对应的高光谱图像，应用掩膜裁剪方法去除高光谱图像中的背景噪声。
作为本发明的一种优选技术方案：所述步骤D中还包括，针对所获各个目标样本光谱区域分别所对应的光谱，按预设光谱预处理方法，减小光谱仪器背景或漂移对光谱反射率的影响，更新各个目标样本光谱区域分别所对应的光谱，然后进入步骤E。
作为本发明的一种优选技术方案：所述步骤F中，分别针对各个土壤碳组分类型，基于各个目标样本光谱区域，应用特征光谱变量选择方法针对目标样本光谱区域所对应的各个光谱波段进行特征变量识别筛选，获得该土壤碳组分类型所对应的各个特征光谱波段，进而获得各个土壤碳组分类型分别所对应的各个特征光谱波段。
作为本发明的一种优选技术方案：所述土壤碳组分类型包括SOC、DOC、ROC、MBC，所述步骤E中，采用常规K2Cr2O7氧化-外加热法测定SOC含量，采用多水土比法测定DOC含量，采用KMnO4氧化法测定ROC含量，采用氯仿熏蒸–K2SO4浸提法测定MBC含量，实现对各土壤区域样本对应各土壤碳组分类型的土壤碳组分数据的测定。
作为本发明的一种优选技术方案：所述步骤D中，基于各目标样本光谱区域分别所对应光谱的获得，进一步应用主成分分析法，分别针对各目标样本光谱区域所对应光谱进行识别，并删除其中光谱异常值，更新各目标样本光谱区域分别所对应光谱，然后进入步骤E。
本发明所述一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，基于各样本位置预设深度土壤剖面样本的高光谱图像的获得，以目标样本光谱区域对应土壤碳组分类型的各个特征光谱波段为输入，目标样本光谱区域所对应该土壤碳组分类型的土壤碳组分数据为输出，通过训练，获得该土壤碳组分类型所对应的土壤碳组分预测模型，进而实现对目标区域土壤剖面碳组分的预测；整个设计方案可以快速、准确地预测原状土壤剖面有机碳、可溶性碳、易氧化碳和土壤微生物量碳等组分含量，并实现精细化绘制它们在土壤剖面上的空间分布；弥补了传统实验室化学分析方法存在的不足；并且在应用中，通过SVMR结合CARS变量筛选算法大大缩短了模型开发时间，并大幅度提高了模型预测精度，整个方案能够有效用于研究土壤剖面中有机碳迁移与转化过程、丰富土壤分类指标、土壤质量评价等。
附图说明
图1 土壤ROI样本光谱异常值识别；
图2 CARS方法筛选的最优光谱波段；
图3 不同土壤碳组分实测值与SVMR模型预测值的散点图；
图4 红砂岩母质土壤剖面不同碳组分空间分布图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，实际应用当中，具体执行如下步骤A至步骤G，获得目标区域中各预设土壤碳组分类型分别所对应的土壤碳组分预测模型；并通过步骤i至步骤ii，实现对目标区域土壤剖面碳组分的预测。
步骤A.针对预设覆盖目标区域中不同成土母质的各个样本位置，分别获取各样本位置自土壤表面至预设深度位置的土壤剖面样本，并进一步获得各个土壤剖面样本分别所对应的高光谱图像，然后进入步骤B。
实际应用中，上述步骤A具体设计执行如下步骤A1至步骤A2。
步骤A1.针对预设覆盖目标区域中不同成土母质的各个样本位置，诸如采用荷兰Eijkelkamp土壤取样钻机通过钻取方式，分别获取各样本位置自土壤表面至预设深度位置诸如1m的土壤钻取剖面样本，即获得各个土壤钻取剖面样本，构成各个土壤剖面样本，然后进入步骤A2。
具体实施执行中，步骤A1基于各个土壤钻取剖面样本的获得，首先分别针对所获各个土壤钻取剖面样本，沿过其端面中心位置的轴向面，针对土壤钻取剖面样本进行切割，获得各个土壤钻取剖面样本分别所对应的两个半圆柱体土壤剖面样本；然后分别针对各个土壤钻取剖面样本，选择土壤钻取剖面样本所对应的其中一个半圆柱体土壤剖面样本，并剔除其平面上诸如明显的砾石、植物残体等的非土壤物质，构成该土壤钻取剖面样本所对应的土壤剖面样本，进而获得各个土壤剖面样本。
步骤A2.应用指定区间光谱波段，诸如应用400nm至1010nm的1020个光谱波段，分别针对各土壤剖面样本上的平面进行高光谱扫描，获得各个土壤剖面样本分别所对应的高光谱图像，然后进入步骤B。
这里关于对土壤剖面样本上的平面进行高光谱扫描，即扫描全部原状土壤剖面原始3DCube数据，在3D Cube数据扫描前，首先对高光谱成像平台进行参数设置：土壤剖面样品表面与高光谱相机镜头之间的垂直距离为50cm；样品移动平台的速度为1.5mm/秒；高光谱相机曝光时间为16.37ms；并且关于这里光谱波段的选择中，由于成像光谱仪波长范围为396～1019nm(1040个光谱波段)；为了减少光谱区两端低信噪比波段干扰，仅使用其中400～1010nm(1020个光谱波段)波段用于光谱建模
步骤B.首先分别针对各土壤剖面样本分别所对应的高光谱图像，依次进行几何校正、并应用掩膜裁剪方法去除高光谱图像中的背景噪声，这里在实施中ENVI软件完成对高光谱图像的几何校正；然后通过尺寸拉伸方式，统一各高光谱图像的尺寸，更新各土壤剖面样本分别所对应的高光谱图像，然后进入步骤C。
步骤C.分别针对各土壤剖面样本分别所对应的高光谱图像，诸如在ENVI软件中使用ROI矩形工具，沿高光谱图像所对应的土壤深度，按预设单位深度，针对该高光谱图像进行划分，获得该高光谱图像所对应的各个目标样本光谱区域，进而获得全部高光谱图像所对应的各个目标样本光谱区域，然后进入步骤D。
上述步骤C在实际实施中，则基于诸如实施应用中所采集1m预设深度的土壤剖面样本来说，即可以按5cm预设单位深度进行划分，获得该高光谱图像所对应的20个目标样本光谱区域，亦可以称之为ROI样本。
步骤D.分别针对各个目标样本光谱区域，获得目标样本光谱区域中各位置光谱的平均光谱，作为该目标样本光谱区域所对应的光谱，进而获得各个目标样本光谱区域分别所对应的光谱，并进一步针对所获各个目标样本光谱区域分别所对应的光谱，按预设光谱预处理方法，诸如一阶或二阶导数、Savitzky-Golay平滑、Gap-Segment导数、去趋势、标准正态变量变换，用于减小光谱仪器背景或漂移对光谱反射率的影响，更新各个目标样本光谱区域分别所对应的光谱。实际应用中，基于各目标样本光谱区域分别所对应光谱的获得，进一步设计应用主成分分析法，分别针对各目标样本光谱区域所对应光谱进行识别，并删除其中光谱异常值，更新各目标样本光谱区域分别所对应光谱，然后进入步骤E。
步骤E.分别针对各个目标样本光谱区域，针对目标样本光谱区域对应所属高光谱图像所对应土壤剖面样本中的土壤区域样本，测定该土壤区域样本对应预设各土壤碳组分类型的土壤碳组分数据，即获得该目标样本光谱区域对应预设各土壤碳组分类型的土壤碳组分数据，进而获得全部目标样本光谱区域分别对应预设各土壤碳组分类型的土壤碳组分数据，然后进入步骤F。
实际应用中，关于预设各土壤碳组分类型包括SOC、DOC、ROC、MBC，所述步骤E中，依据国家标准GB 9834-88方法，采用常规K2Cr2O7氧化-外加热法测定SOC含量，采用多水土比法测定DOC含量，采用KMnO4氧化法测定ROC含量，采用氯仿熏蒸–K2SO4浸提法测定MBC含量，实现对各土壤区域样本对应各土壤碳组分类型的土壤碳组分数据的测定。
步骤F.分别针对各个土壤碳组分类型，基于各个目标样本光谱区域，应用特征光谱变量选择方法(CARS方法)针对目标样本光谱区域所对应的各个光谱波段进行特征变量识别筛选，获得该土壤碳组分类型所对应的各个特征光谱波段，进而获得各个土壤碳组分类型分别所对应的各个特征光谱波段，然后进入步骤G。
步骤G.根据Kennard-Stone算法将全部目标样本光谱区域划分出70％建模集样本和30％验证集样本，然后分别针对各个土壤碳组分类型，基于各个目标样本光谱区域，以目标样本光谱区域对应土壤碳组分类型的各个特征光谱波段为输入，目标样本光谱区域所对应该土壤碳组分类型的土壤碳组分数据为输出，针对SVMR模型进行训练，获得该土壤碳组分类型所对应的土壤碳组分预测模型；进而获得各土壤碳组分类型分别所对应的土壤碳组分预测模型。
上述模型训练中，采用SVMR算法，以CARS法中筛选的最优特征光谱波段为预测变量，土壤碳组分标准含量为响应变量，分别建立高光谱信号与不同土壤碳组分含量之间的回归关系，并利用独立验证集检验校正模型的预测精度。在SVMR建模中，选择高斯径向基函数(RBF)作为SVMR模型的核函数，并设置sigma参数范围值为(1,2,3,...,1000)×10-3，C参数范围值为(1,2,3,...,200)；采用网格搜索和十折交叉验证法来搜索最佳参数组合，其中最优参数组合选择原则为十折交互验证的RMSE最小值。
并且在实际应用中，关于各土壤碳组分类型分别所对应的土壤碳组分预测模型的获得，还可以加入关于模型精度的评价，诸如利用决定系数(R2)、林氏一致性相关系数(LCC)、均方根误差(RMSE)和相对分析误差(RPD)为评价指标综合判定土壤碳组分预测模型的性能；依据LCC指标值大小，对SVMR模型进行预测性能划分等级：当LCC>0.90时，模型拟合性能优秀；当0.80<LCC≤0.90时，模型拟合性能良好；当0.70<LCC≤0.80时，模型拟合性能中等；当LCC≤0.70时，模型拟合性能差。
步骤i.分别针对各个土壤碳组分类型，进一步分别针对目标区域中的各个土壤位置，获得土壤位置下各深度位置分别所对应各特征光谱波段，应用土壤碳组分类型所对应的土壤碳组分预测模型，获得该土壤位置下各深度位置分别对应该土壤碳组分类型的土壤碳组分数据，进而获得目标区域中各土壤位置下各深度位置分别对应该土壤碳组分类型的土壤碳组分数据；然后进入步骤ii。
步骤ii.由目标区域中各土壤位置下各深度位置分别对应各土壤碳组分类型的土壤碳组分数据，构成目标区域分别对应各土壤碳组分类型的土壤剖面碳组分分布预测。
将上述所设计基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，应用于实际应用当中，选择我国南方红壤区的余江县作为研究区域，该县位于江西省东北丘陵山区向鄱阳湖平原过渡区域，总面积约927km2。该地区属亚热带湿润季风气候，光热充足，降水充沛，年均温为17.6℃，多年平均降水量为1758mm。余江县地形以低丘为主，南北多高丘，其中丘陵面积占78％，平原占22％。成土母质主要有红砂岩、第四纪红色黏土、页岩和河流冲积物等；土壤类型以红壤和水稻土为主，约占全县总面积的90％以上，潮土亦有零星分布；农作物以水稻、油菜、花生和红薯为主，复种指数较高。
(1)农田土壤原状剖面样本采集与制备
原状土壤剖面采集方法：在余江县内选择典型红砂岩、页岩、河流冲积物和第四纪红色黏土发育的水稻田，使用荷兰Eijkelkamp土壤取样钻机于晚稻收获后1～2周采集16个长度为1m左右的原状土壤剖面样品，按照采样顺序进行编码并详细记录样品采集信息，包括经纬度、高程、采样深度等，仔细包装后运回实验室。
土壤剖面样品制备：使用不锈钢刀对采集的每一个土壤剖面样品沿轴向垂直切割成两个半圆柱体剖面样品，用于高光谱扫描。由于土壤含水量、土壤颗粒及表面粗糙度等会对可见-近红外光谱产生较大影响，因此，对切割后的半圆柱体土壤剖面样品进行适当风干，手动去除明显的砾石、植物残体等。
(2)原状土壤剖面样品高光谱图像数据采集
采用推扫型成像光谱仪，扫描全部原状土壤剖面原始3D Cube数据。光谱图像数据扫描前，首先对高光谱成像平台进行参数设置：土壤剖面样品表面与高光谱相机镜头之间的垂直距离为50cm；样品移动平台的速度为1.5mm/秒；高光谱相机曝光时间为16.37ms。成像光谱仪波长范围为396～1019nm(1040个光谱波段)；为了减少光谱区两端低信噪比波段干扰，仅使用其中400～1010nm(1020个光谱波段)波段用于光谱建模。使用反射率为99％的聚四氟乙烯白板进行白板校正，盖上镜头盖进行黑暗校正后，获取高光谱图像的校正反射率(R)值。
(3)土壤剖面样品高光谱图像前处理
首先，在ENVI软件中对获取的土壤剖面样品高光谱图像进行几何校正以获取无偏高光谱图像；其次，应用掩膜、裁剪等步骤去除土壤剖面高光谱图像中背景噪声并进行适当拉伸，得到校正后的土壤剖面样品的有效高光谱图像区域。
(4)土壤剖面样品高光谱图像ROI样本提取
在每一个校正后的1m长土壤剖面样品高光谱图像上，使用ENVI软件的ROI矩形工具按5cm间距连续选择20个ROI样本，计算每一个ROI样本区像元的平均光谱。总共得到312个ROI样本光谱数据。为减小仪器背景或漂移等对原始光谱反射率的影响，综合比较一阶或二阶导数、Savitzky-Golay平滑、Gap-Segment导数、去趋势、标准正态变量变换等不同光谱预处理方法对预测结果的影响，从中选择适合各土壤碳组分的最佳光谱预处理方法：Savitzky-Golay平滑(一阶导数、二阶多项式、3个平滑点)方法。
(5)土壤分析样本采集
在土壤剖面ROI样本提取完成后，逐一采集ROI样本对应位置的土壤分析样本，并测定不同碳组分的标准含量。实验室分析前，土壤剖面样本置于室内自然风干，去除可见的砾石、植物残体，然后研磨并全部通过100目筛。采用常规K2Cr2O7氧化-外加热法测定SOC含量，DOC用多水土比法测定，ROC用KMnO4氧化法测定，MBC采用氯仿熏蒸–K2SO4浸提法。SOC和ROC含量单位为g kg-1，DOC和MBC含量单位为mg kg-1。
(6)建模集和验证集样本划分
基于PCA方法，选择特征值绝对值最大的两个特征向量PC1和PC2绘制HotellingT2椭圆(95％置信水平)，如图1所示，6个样本点位于Hotelling T2椭圆外，被视为光谱异常值，并从ROI总样本中剔除。根据Kennard-Stone算法，将剩余306个ROI样本按70％：30％比例划分出214个建模集样本和92个验证集样本，则余江县土壤剖面不同碳组分含量的统计特征如下表1所示。
表1
(7)特征光谱变量选择
针对每一种土壤碳组分，应用CARS方法对土壤剖面ROI建模集样本的原始1020个光谱变量进行特征变量识别，筛选出一定数量的特征光谱波段。其中CARS方法参数设定如下：提取的最大因子数设为20；蒙托卡罗随机采样次数设为1000～2000；最优光谱变量子集选择原则为交互验证的均方根误差(RMSE)最小值。经过CARS方法筛选，最终确定SOC、DOC、ROC和MBC的最优光谱波段数量分别为70、53、52和37个。图2为CARS方法筛选的最优光谱波段在400～1010nm光谱区间上的分布。
(8)高光谱预测模型开发
采用SVMR算法，以CARS法中筛选的最优特征光谱波段为预测变量，土壤碳组分标准含量为响应变量，分别建立高光谱信号与不同土壤碳组分含量之间的回归关系，并利用独立验证集检验校正模型的预测精度。在SVMR建模中，选择高斯径向基函数(RBF)作为SVMR模型的核函数，并设置sigma参数范围值为(1,2,3,...,1000)×10-3，C参数范围值为(1,2,3,...,200)；采用网格搜索和十折交叉验证法来搜索最佳参数组合，其中最优参数组合选择原则为十折交互验证的RMSE最小值。则如下表2所示，为选择的不同碳组分校正模型的最优参数值。
表2
(9)预测模型评价
针对建模集和独立验证集，分别利用决定系数(R2)、林氏一致性相关系数(LCC)、均方根误差(RMSE)和相对分析误差(RPD)为评价指标综合判定SVMR模型的预测性能；其中R2、LCC和RPD值越高，RMSE值越小，表明模型预测性能越好。依据LCC指标值大小，对SVMR模型的预测性能划分等级：当LCC>0.90时，模型拟合性能优秀；当0.80<LCC≤0.90时，模型拟合性能良好；当0.70<LCC≤0.80时，模型拟合性能中等；当LCC≤0.70时，模型拟合性能差；SVMR模型的预测性能评价结果如表3所示。
表3
评价结果显示，土壤剖面SOC、DOC和ROC三种碳组分的LCC值均大于0.90，表明所建立的SVMR模型的拟合性能优秀；土壤剖面MBC组分的LCC值小于0.70，表明所建立的SVMR模型的拟合性能差，难以用于定量分析。
图3绘制了不同土壤碳组分实测值与SVMR模型预测值的散点图。从图上可以看出，土壤剖面SOC、DOC和ROC三种碳组分的实测值与预测值在整个数据范围内具有很好的一致性，数据点均匀地分布在1：1拟合线的两侧，表明SVMR模型的稳定性较高。
(10)原状土壤剖面不同碳组分精细化制图
将原状土壤剖面高光谱图像中的每一个像素点的反射率数据输入到所建立的SVMR校正模型，预测土壤剖面高光谱图像中每一个像素点处的土壤碳组分含量，进而在ArcGIS中绘制整段土壤剖面上不同碳组分含量的可视化分布图，如图4所示，从图中可以看出，预测分布图不仅能很好地显示不同碳组分在整个土壤剖面上的总体趋势，即土壤表层碳组分含量远高于土壤亚表层，而且还可以反映土壤剖面上毫米级的碳组分的空间分布信息。本发明可为开展稻田土壤剖面碳组分含量预测及数字化制图提供一种可行的技术手段。
上述技术方案所设计一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，基于各样本位置预设深度土壤剖面样本的高光谱图像的获得，以目标样本光谱区域对应土壤碳组分类型的各个特征光谱波段为输入，目标样本光谱区域所对应该土壤碳组分类型的土壤碳组分数据为输出，通过训练，获得该土壤碳组分类型所对应的土壤碳组分预测模型，进而实现对目标区域土壤剖面碳组分的预测；整个设计方案可以快速、准确地预测原状土壤剖面有机碳、可溶性碳、易氧化碳和土壤微生物量碳等组分含量，并实现精细化绘制它们在土壤剖面上的空间分布；弥补了传统实验室化学分析方法存在的不足；并且在应用中，通过SVMR结合CARS变量筛选算法大大缩短了模型开发时间，并大幅度提高了模型预测精度，整个方案能够有效用于研究土壤剖面中有机碳迁移与转化过程、丰富土壤分类指标、土壤质量评价等。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，其特征在于：通过如下步骤A至步骤G，获得目标区域中各预设土壤碳组分类型分别所对应的土壤碳组分预测模型；并通过步骤i至步骤ii，实现对目标区域土壤剖面碳组分的预测；
步骤A. 针对预设覆盖目标区域中不同成土母质的各个样本位置，分别获取各样本位置自土壤表面至预设深度位置的土壤剖面样本，并进一步获得各个土壤剖面样本分别所对应的高光谱图像，然后进入步骤B；
步骤B. 针对各土壤剖面样本分别所对应的高光谱图像进行几何校正，以及通过尺寸拉伸方式，统一各高光谱图像的尺寸，更新各土壤剖面样本分别所对应的高光谱图像，然后进入步骤C；
步骤C. 分别针对各土壤剖面样本分别所对应的高光谱图像，沿高光谱图像所对应的土壤深度，按预设单位深度，针对该高光谱图像进行划分，获得该高光谱图像所对应的各个目标样本光谱区域，进而获得全部高光谱图像所对应的各个目标样本光谱区域，然后进入步骤D；
步骤D. 分别针对各个目标样本光谱区域，获得目标样本光谱区域中各位置光谱的平均光谱，作为该目标样本光谱区域所对应的光谱，进而获得全部目标样本光谱区域分别所对应的光谱，然后进入步骤E；
步骤E. 分别针对各个目标样本光谱区域，针对目标样本光谱区域对应所属高光谱图像所对应土壤剖面样本中的土壤区域样本，测定该土壤区域样本对应预设各土壤碳组分类型的土壤碳组分数据，即获得该目标样本光谱区域对应预设各土壤碳组分类型的土壤碳组分数据，进而获得全部目标样本光谱区域分别对应预设各土壤碳组分类型的土壤碳组分数据，然后进入步骤F；
步骤F. 分别针对各个土壤碳组分类型，基于各个目标样本光谱区域，针对目标样本光谱区域所对应的各个光谱波段进行筛选，获得该土壤碳组分类型所对应的各个特征光谱波段，进而获得各个土壤碳组分类型分别所对应的各个特征光谱波段，然后进入步骤G；
步骤G. 分别针对各个土壤碳组分类型，基于各个目标样本光谱区域，以目标样本光谱区域对应土壤碳组分类型的各个特征光谱波段为输入，目标样本光谱区域所对应该土壤碳组分类型的土壤碳组分数据为输出，针对SVMR模型进行训练，获得该土壤碳组分类型所对应的土壤碳组分预测模型；进而获得各土壤碳组分类型分别所对应的土壤碳组分预测模型；
步骤i. 分别针对各个土壤碳组分类型，进一步分别针对目标区域中的各个土壤位置，获得土壤位置下各深度位置分别所对应各特征光谱波段，应用土壤碳组分类型所对应的土壤碳组分预测模型，获得该土壤位置下各深度位置分别对应该土壤碳组分类型的土壤碳组分数据，进而获得目标区域中各土壤位置下各深度位置分别对应该土壤碳组分类型的土壤碳组分数据；然后进入步骤ii；
步骤ii. 由目标区域中各土壤位置下各深度位置分别对应各土壤碳组分类型的土壤碳组分数据，构成目标区域分别对应各土壤碳组分类型的土壤剖面碳组分分布预测。
2.根据权利要求1所述一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，其特征在于：所述步骤A包括如下步骤A1至步骤A2；
步骤A1. 针对预设覆盖目标区域中不同成土母质的各个样本位置，通过钻取方式，分别获取各样本位置自土壤表面至预设深度位置的土壤钻取剖面样本，即获得各个土壤钻取剖面样本，构成各个土壤剖面样本，然后进入步骤A2；
步骤A2. 应用指定区间光谱波段，分别针对各个土壤剖面样本进行高光谱扫描，获得各个土壤剖面样本分别所对应的高光谱图像，然后进入步骤B。
3.根据权利要求2所述一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，其特征在于：所述步骤A1中，基于各个土壤钻取剖面样本的获得，首先分别针对所获各个土壤钻取剖面样本，沿过其端面中心位置的轴向面，针对土壤钻取剖面样本进行切割，获得各个土壤钻取剖面样本分别所对应的两个半圆柱体土壤剖面样本；然后分别针对各个土壤钻取剖面样本，选择土壤钻取剖面样本所对应的其中一个半圆柱体土壤剖面样本，并剔除其平面上的非土壤物质，构成该土壤钻取剖面样本所对应的土壤剖面样本，进而获得各个土壤剖面样本；
所述步骤A2中，应用指定区间光谱波段，分别针对各土壤剖面样本上的平面进行高光谱扫描，获得各个土壤剖面样本分别所对应的高光谱图像。
4.根据权利要求2或3所述一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，其特征在于：所述步骤A2中，应用400 nm至1010 nm的1020个光谱波段，分别针对各个土壤剖面样本进行高光谱扫描获得各个土壤剖面样本分别所对应的高光谱图像。
5.根据权利要求1所述一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，其特征在于：所述步骤B中，首先分别针对各土壤剖面样本分别所对应的高光谱图像，依次进行几何校正、并去除其中的背景噪声；然后通过尺寸拉伸方式，统一各高光谱图像的尺寸，更新各土壤剖面样本分别所对应的高光谱图像。
6.根据权利要求5所述一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，其特征在于：所述步骤B中，分别针对各土壤剖面样本分别所对应的高光谱图像，应用掩膜裁剪方法去除高光谱图像中的背景噪声。
7.根据权利要求1所述一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，其特征在于：所述步骤D中还包括，针对所获各个目标样本光谱区域分别所对应的光谱，按预设光谱预处理方法，减小光谱仪器背景或漂移对光谱反射率的影响，更新各个目标样本光谱区域分别所对应的光谱，然后进入步骤E。
8.根据权利要求1所述一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，其特征在于：所述步骤F中，分别针对各个土壤碳组分类型，基于各个目标样本光谱区域，应用特征光谱变量选择方法针对目标样本光谱区域所对应的各个光谱波段进行特征变量识别筛选，获得该土壤碳组分类型所对应的各个特征光谱波段，进而获得各个土壤碳组分类型分别所对应的各个特征光谱波段。
9.根据权利要求1所述一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，其特征在于：所述土壤碳组分类型包括SOC、DOC、ROC、MBC，所述步骤E中，采用常规K2Cr2O7氧化-外加热法测定SOC含量，采用多水土比法测定DOC含量，采用KMnO4氧化法测定ROC含量，采用氯仿熏蒸–K2SO4浸提法测定MBC含量，实现对各土壤区域样本对应各土壤碳组分类型的土壤碳组分数据的测定。
10.根据权利要求1所述一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法，其特征在于：所述步骤D中，基于各目标样本光谱区域分别所对应光谱的获得，进一步应用主成分分析法，分别针对各目标样本光谱区域所对应光谱进行识别，并删除其中光谱异常值，更新各目标样本光谱区域分别所对应光谱，然后进入步骤E。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110651965.7A CN113436153B (zh) | 2021-06-11 | 2021-06-11 | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110651965.7A CN113436153B (zh) | 2021-06-11 | 2021-06-11 | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113436153A CN113436153A (zh) | 2021-09-24 |
| CN113436153B true CN113436153B (zh) | 2023-07-14 |
Family
ID=77755640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110651965.7A Active CN113436153B (zh) | 2021-06-11 | 2021-06-11 | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113436153B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114216866B (zh) * | 2021-11-05 | 2022-12-06 | 中国科学院南京土壤研究所 | 一种基于高光谱成像技术的土壤剖面颜色获取方法 |
| CN115508292B (zh) * | 2022-09-20 | 2024-05-28 | 中国科学院南京土壤研究所 | 基于机器学习的土壤剖面氮素含量高光谱检测及可视化方法 |
| CN116486140B (zh) * | 2023-03-22 | 2024-04-05 | 中化现代农业有限公司 | 土壤质地分类方法、装置和电子设备 |
| CN117219182A (zh) * | 2023-06-19 | 2023-12-12 | 浙江大学 | 基于原位光谱和机器学习模型的有机碳组分快速预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108827909A (zh) * | 2018-06-07 | 2018-11-16 | 浙江大学 | 基于可见近红外光谱与多目标融合的土壤快速分类方法 |
| CN109343125A (zh) * | 2018-09-03 | 2019-02-15 | 中国科学院南京土壤研究所 | 一种基于探地雷达的红壤关键带地下结构空间预测方法 |
| CN111595806A (zh) * | 2020-05-25 | 2020-08-28 | 中国农业大学 | 一种利用中红外漫反射光谱监测土壤碳组分的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11026376B2 (en) * | 2015-08-05 | 2021-06-08 | Dtn, Llc | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture |
-
2021
- 2021-06-11 CN CN202110651965.7A patent/CN113436153B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108827909A (zh) * | 2018-06-07 | 2018-11-16 | 浙江大学 | 基于可见近红外光谱与多目标融合的土壤快速分类方法 |
| CN109343125A (zh) * | 2018-09-03 | 2019-02-15 | 中国科学院南京土壤研究所 | 一种基于探地雷达的红壤关键带地下结构空间预测方法 |
| CN111595806A (zh) * | 2020-05-25 | 2020-08-28 | 中国农业大学 | 一种利用中红外漫反射光谱监测土壤碳组分的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 土壤星地传感技术现状与发展趋势;史舟;徐冬云;滕洪芬;胡月明;潘贤章;张甘霖;;地理科学进展(01);全文 * |
| 高光谱土壤多元信息提取模型综述;张东辉;赵英俊;秦凯;裴承凯;赵宁博;;中国土壤与肥料(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113436153A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113436153B (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
| Hong et al. | Estimating lead and zinc concentrations in peri-urban agricultural soils through reflectance spectroscopy: Effects of fractional-order derivative and random forest | |
| CN112213287B (zh) | 基于遥感卫星影像的沿海滩涂盐度反演的方法 | |
| Liu et al. | Estimation of soil organic matter content based on CARS algorithm coupled with random forest | |
| Jin et al. | Non-destructive estimation of field maize biomass using terrestrial lidar: an evaluation from plot level to individual leaf level | |
| CN114018833B (zh) | 基于高光谱遥感技术估算土壤重金属含量的方法 | |
| CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
| Xu et al. | Data fusion for the measurement of potentially toxic elements in soil using portable spectrometers | |
| Zeng et al. | Comparison of partial least square regression, support vector machine, and deep-learning techniques for estimating soil salinity from hyperspectral data | |
| CN110687053B (zh) | 一种基于高光谱影像的区域有机质含量估算方法和装置 | |
| GB2620469A (en) | Spatial prediction and evaluation method of soil organic matter content based on partition algorithm | |
| Mehrabi-Gohari et al. | The spatial prediction of soil texture fractions in arid regions of Iran | |
| Wu et al. | Mapping the salt content in soil profiles using Vis‐NIR hyperspectral imaging | |
| Dilbone et al. | Spectrally based bathymetric mapping of a dynamic, sand‐bedded channel: Niobrara River, Nebraska, USA | |
| Biney et al. | Examining the influence of bare soil UAV imagery combined with auxiliary datasets to estimate and map soil organic carbon distribution in an erosion-prone agricultural field | |
| Song et al. | Estimation and mapping of soil texture content based on unmanned aerial vehicle hyperspectral imaging | |
| Sciuto et al. | Hyperspectral imaging for characterization of lithic raw materials: the case of a Mesolithic dwelling in northern Sweden | |
| Ogrič et al. | Soil organic carbon predictions in Subarctic Greenland by visible–near infrared spectroscopy | |
| CN115508292B (zh) | 基于机器学习的土壤剖面氮素含量高光谱检测及可视化方法 | |
| Zhang et al. | On the parsimony, interpretability and predictive capability of a physically− based model in the optical domain for estimating soil moisture content | |
| Badreldin et al. | A spatial pattern analysis of the halophytic species distribution in an arid coastal environment | |
| Zhao et al. | Prediction of low Zn concentrations in soil from mountainous areas of central Yunnan Province using a combination of continuous wavelet transform and Boruta algorithm | |
| CN111595806A (zh) | 一种利用中红外漫反射光谱监测土壤碳组分的方法 | |
| Mendes et al. | Soil spectral library of Piauí State using machine learning for laboratory analysis in Northeastern Brazil | |
| CN115392305A (zh) | 基于改进时间卷积网络的土壤有机质含量高光谱建模方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |