CN113505461A - 利用修正三维光谱指数的土壤有机质估测的方法及系统 - Google Patents
利用修正三维光谱指数的土壤有机质估测的方法及系统 Download PDFInfo
- Publication number
- CN113505461A CN113505461A CN202110431891.6A CN202110431891A CN113505461A CN 113505461 A CN113505461 A CN 113505461A CN 202110431891 A CN202110431891 A CN 202110431891A CN 113505461 A CN113505461 A CN 113505461A
- Authority
- CN
- China
- Prior art keywords
- soil
- dimensional index
- organic matter
- model
- soil organic
- 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
Images
Classifications
-
- 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
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出了一种利用修正三维光谱指数的土壤有机质估测的方法及系统。首先,获取实测土壤光谱数据并对光谱数据进行预处理;然后,利用Spearman相关系数和波段组合优选的方法分别构建二维指数和修正三维指数,并利用支持向量机建模方法,构建土壤有机质估测模型;最后,根据各预处理光谱在不同校正因子取值下构成的修正三维指数与土壤有机质的相关性及模型精度变化,确定最佳光谱预处理方法和最佳参数。采用绝对系数、均方根误差和剩余预测偏差三个指标评价模型估测性能,优选最佳土壤有机质估测模型(R2值最大,RMSE值最小,RPD值大于2且为最大)进行土壤有机质含量估测。本发明可有效弱化土壤噪声信息,提高土壤有机质的估测精度。
Description
技术领域
本发明涉及土壤有机质含量估测领域,具体涉及一种利用高光谱修正三维指数(MNDI)进行土壤有机质含量估测的方法及系统。
背景技术
土壤有机质含量是土壤肥力的关键指标,其快速而准确地监测,对土地资源的合理利用具有重要意义。高光谱遥感技术由于其无破坏性、快速且经济高效等优势,广泛用于土壤有机质含量估测和环境监测中。然而,原始土壤反射光谱中通常包含其他因素信息(例如水,盐和植被等),并受到传感器内部或环境噪声的影响,从而掩盖了部分土壤有机质的光谱信息,导致其定量估测困难。因此,需要发展一种利用高光谱数据高效估测土壤有机质含量的方法及系统。
目前,已出现了诸多应用高光谱数据估测土壤有机质含量的方法。例如,“HongYS,Liu YL,Chen YY,et al.Application of fractional-order derivative in thequantitative estimation of soil organic matter content through visible andnear-infrared spectroscopy[J].Geoderma,2018,337:Pages 758-769.”中利用不同的分解阶微分算法建立模型估测土壤有机质含量;“Tian YC,Zhang J,Yao X,etal.Laboratory assessment of three quantitative methods for estimating theorganic matter content of soils in China based on visible/near-infraredreflectance spectra[J].Geoderma,2013,202(Complete):161-170.”中利用不同预处理光谱构建二维指数并建模估测土壤有机质含量。与一维光谱数据相比,二维指数在一定程度上可增强土壤有机质与光谱特征之间关系。然而,该指数的优化受限于二维形式,很少有研究人员考虑将波段扩展到两个以上。
发明内容
本发明的目的是为了弱化土壤噪声信息,提高土壤有机质的估测精度,提供利用高光谱修正三维指数(MNDI)进行土壤有机质含量估测的方法及系统。
为实现上述目的,本发明采用如下技术方案:
利用高光谱修正三维指数(MNDI)进行土壤有机质含量估测的方法,包括如下步骤:
步骤A:获取实测土壤光谱数据并对光谱数据进行预处理;
步骤B:利用Spearman相关系数(r)和波段组合优选的方法分别构建二维指数(NDI)和修正三维指数(MNDI),并利用支持向量机(SVM)建模方法,构建土壤有机质估测模型;
步骤C:根据各预处理光谱在不同校正因子(k)取值下构成的修正三维指数(MNDI)与土壤有机质的相关性及模型精度变化,确定最佳光谱预处理方法和最佳参数。采用绝对系数(R2)、均方根误差(RMSE)和剩余预测偏差(RPD)三个指标评价模型估测性能,优选最佳土壤有机质估测模型(具体条件是:R2值最大,RMSE值最小,RPD值大于2且为最大)进行土壤有机质含量估测。
优选的,所述步骤A中获取实测土壤光谱数据并对光谱数据进行预处理:对获取的实测土壤光谱数据分别进行移动窗口平滑(SMO)、Savitzky-Golay一阶导数(SGD1)、Savitzky-Golay二阶导数(SGD2)、标准正态变量变换(SNV)、标准正态变量变换-去趋势(SNV-DT)、多元散射校正(MSC)和最大值归一化(NOR)预处理。
优选的,所述步骤B中利用Spearman相关系数(r)和波段组合优选的方法分别构建二维指数(NDI)和修正三维指数(MNDI),并利用支持向量机(SVM)建模方法,构建土壤有机质估测模型:计算各个波段组合构成的二维指数(NDI)和修正三维指数(MNDI)与土壤有机质之间的Spearman相关系数(r),并利用支持向量机(SVM)建模方法,构建土壤有机质估测模型。
优选的,所述步骤C中根据各预处理光谱在不同校正因子(k)取值下构成的修正三维指数(MNDI)与土壤有机质的相关性及模型精度变化,确定最佳光谱预处理方法和最佳参数:根据各预处理光谱在不同取值的校正因子(k)所构建的修正三维指数(MNDI)与土壤有机质之间Spearman相关系数(r)及估测模型精度的变化,确定最佳光谱预处理方法和输入校正因子(k)的最佳参数值。
优选的,所述步骤C中采用绝对系数(R2)、均方根误差(RMSE)和剩余预测偏差(RPD)三个指标评价模型估测性能:采用绝对系数(R2)、均方根误差(RMSE)和剩余预测偏差(RPD)三个指标评价模型估测性能。模型的R2值越大,RMSE值越小被认为估测模型精度越高。PRD值采用三级分类标准解释,RPD大于2,说明估测模型精度理想;RPD值在1.8-2范围之间,说明估测模型具有土壤有机质定量评估的能力;RPD小于1.4,认为估测模型是不可用的。优选最佳模型(R2值最大,RMSE值最小,RPD值大于2且为最大)进行土壤有机质含量估测。
第二方面,本发明还提出了一种利用高光谱修正三维指数(MNDI)进行土壤有机质含量估测的系统,其特征是,包括:
光谱预处理模块:被配置为获取实测土壤光谱数据并对光谱数据进行预处理;
指数构建及建模模块:被配置为利用Spearman相关系数(r)和波段组合优选的方法分别构建二维指数(NDI)和修正三维指数(MNDI),并利用支持向量机(SVM)建模方法,构建土壤有机质估测模型;
光谱预处理方法及参数优选模块:被配置为根据各预处理光谱在不同校正因子(k)取值下构成的修正三维指数(MNDI)与土壤有机质的相关性及模型精度变化,确定最佳光谱预处理方法和最佳参数;采用绝对系数(R2)、均方根误差(RMSE)和剩余预测偏差(RPD)三个指标评价模型估测性能,优选最佳土壤有机质估测模型(具体条件是:R2值最大,RMSE值最小,RPD值大于2且为最大)进行土壤有机质含量估测。
优选的,所述光谱预处理模块中,对获取的实测土壤光谱数据分别进行移动窗口平滑(SMO)、Savitzky-Golay一阶导数(SGD1)、Savitzky-Golay二阶导数(SGD2)、标准正态变量变换(SNV)、标准正态变量变换-去趋势(SNV-DT)、多元散射校正(MSC)和最大值归一化(NOR)预处理;
优选的,所述指数构建及建模模块中,计算各个波段组合构成的二维指数(NDI)和修正三维指数(MNDI)与土壤有机质之间的Spearman相关系数(r),并利用支持向量机(SVM)建模方法,构建土壤有机质估测模型;
优选的,所述光谱预处理方法及参数优选模块中,根据各预处理光谱在不同取值的校正因子(k)所构建的修正三维指数(MNDI)与土壤有机质之间Spearman相关系数(r)及估测模型精度的变化,确定最佳光谱预处理方法和输入校正因子(k)的最佳参数值。采用绝对系数(R2)、均方根误差(RMSE)和剩余预测偏差(RPD)三个指标评价模型估测性能,优选最佳土壤有机质估测模型(R2值最大,RMSE值最小,RPD值大于2且为最大)进行土壤有机质含量估测。
本发明的有益效果是:
首先,本发明获取实测土壤光谱数据并对光谱数据进行预处理;然后,利用Spearman相关系数(r)和波段组合优选的方法分别构建二维指数(NDI)和修正三维指数(MNDI),并利用支持向量机(SVM)建模方法,构建土壤有机质估测模型;最后,根据各预处理光谱在不同校正因子(k)取值下构成的修正三维指数(MNDI)与土壤有机质的相关性及模型精度变化,确定最佳光谱预处理方法和最佳参数。采用绝对系数(R2)、均方根误差(RMSE)和剩余预测偏差(RPD)三个指标评价模型估测性能,优选最佳土壤有机质估测模型(R2值最大,RMSE值最小,RPD值大于2且为最大)进行土壤有机质含量估测。本发明可有效弱化土壤噪声信息,提高土壤有机质的估测精度。
附图说明
图1为利用高光谱修正三维指数(MNDI)进行土壤有机质含量估测的方法及系统示意图;
图2(a)-图2(h)为不同预处理土壤有机质光谱的平均反射率图;
图3(a)-图3(h)为不同预处理光谱的二维指数(NDI)与土壤有机质含量的相关系数矩阵图;
图4(a)-图4(h)为不同预处理光谱的三维指数(MNDI)与土壤有机质含量相关系数切片图;
图5为各预处理光谱在不同取值的校正因子(k)下所构建的修正三维指数(MNDI)与土壤有机质含量之间的最大绝对相关系数(MAr)图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
为了对本发明的技术特征、目的和效果有更加清楚的理解,现以采集自山东省渤海莱州湾滨海平原野外实测土壤有机质光谱数据为例,对照附图说明本发明的具体实施方式。据研究,加入特定波长域内的第三波段,可进一步增强光谱指数对土壤有机质含量的敏感性,提高估测准确性。此外,光谱预处理也可有效减少背景噪声的影响。基于预处理光谱的修正三维指数(MNDI)进行土壤有机质含量的估测是一条可行途径。鉴于此,本实施例提出了一种利用高光谱修正三维指数(MNDI)进行土壤有机质含量估测的方法及系统。
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。
实施例1
本实施例提出的利用高光谱修正三维指数(MNDI)进行土壤有机质含量估测的方法,包括如下步骤:
步骤A:获取野外实测土壤光谱数据并对光谱数据进行预处理;
步骤B:利用Spearman相关系数(r)和波段组合优选的方法分别构建二维指数(NDI)和修正三维指数(MNDI),并利用支持向量机(SVM)建模方法,构建土壤有机质估测模型;
步骤C:根据各预处理光谱在不同校正因子(k)取值下构成的修正三维指数(MNDI)与土壤有机质的相关性及模型精度变化,确定最佳光谱预处理方法和最佳参数。采用绝对系数(R2)、均方根误差(RMSE)和剩余预测偏差(RPD)三个指标评价模型估测性能,优选最佳土壤有机质估测模型(R2值最大,RMSE值最小,RPD值大于2且为最大)进行土壤有机质含量估测。
本发明所提出的对土壤光谱进行预处理,如图2(a)-图2(h)所示,所述方法对获取的野外实测土壤光谱数据分别进行移动窗口平滑(SMO)、Savitzky-Golay一阶导数(SGD1)、Savitzky-Golay二阶导数(SGD2)、标准正态变量变换(SNV)、标准正态变量变换-去趋势(SNV-DT)、多元散射校正(MSC)和最大值归一化(NOR)预处理。
为了对本发明的技术特征、目的和效果有更加清楚的理解,本专利中移动窗口平滑(SMO)、Savitzky-Golay一阶导数(SGD1)和Savitzky-Golay二阶导数(SGD2)光谱预处理均使用11mm窗口。
图2(a)为原始光谱的反射率图;图2(b)-图2(h)分别为经移动窗口平滑(SMO)、Savitzky-Golay一阶导数(SGD1)、Savitzky-Golay二阶导数(SGD2)、标准正态变量变换(SNV)、标准正态变量变换-去趋势(SNV-DT)、多元散射校正(MSC)和最大值归一化(NOR)预处理的光谱反射率图。
本发明所提出的利用Spearman相关系数(r)和波段组合优选的方法分别构建二维指数(NDI)和修正三维指数(MNDI),并利用支持向量机(SVM)建模方法,构建土壤有机质估测模型,如图3(a)-图3(h)和图4(a)-图4(h),计算各个波段组合构成的二维指数(NDI)和修正三维指数(MNDI)与土壤有机质之间的Spearman相关系数(r),并利用支持向量机(SVM)建模方法,构建土壤有机质估测模型;所述方法包括如下步骤:
B:利用Spearman相关系数(r)和波段组合优选的方法分别构建二维指数(NDI)和修正三维指数(MNDI),并利用支持向量机(SVM)建模方法,构建土壤有机质估测模型。
a:计算两波段组合构成的二维指数(NDI)与土壤有机质之间的Spearman相关系数(r);
图3(a)为原始光谱构成的二维指数(NDI)与土壤有机质之间的Spearman相关系数(r)矩阵图;图3(b)-图3(h)分别为经移动窗口平滑(SMO)、Savitzky-Golay一阶导数(SGD1)、Savitzky-Golay二阶导数(SGD2)、标准正态变量变换(SNV)、标准正态变量变换-去趋势(SNV-DT)、多元散射校正(MSC)和最大值归一化(NOR)预处理光谱构成的二维指数(NDI)与土壤有机质之间的Spearman相关系数(r)矩阵图。
b:计算三波段组合构成的修正三维指数(MNDI)与土壤有机质之间的Spearman相关系数(r);
图4(a)为原始光谱构成的三维指数(MNDI)与土壤有机质之间的Spearman相关系数(r)切片图;图4(b)-图4(h)分别为经移动窗口平滑(SMO)、Savitzky-Golay一阶导数(SGD1)、Savitzky-Golay二阶导数(SGD2)、标准正态变量变换(SNV)、标准正态变量变换-去趋势(SNV-DT)、多元散射校正(MSC)和最大值归一化(NOR)预处理光谱构成的三维指数(MNDI)与土壤有机质之间的Spearman相关系数(r)切片图。
c:利用支持向量机(SVM)建模方法,基于二维指数(NDI)和修正三维指数(MNDI)分别构建土壤有机质估测模型。
二维指数(NDI)的计算公式如下:
修正三维指数(MNDI)的计算公式如下:
其中,Rλ1,Rλ2和Rλ3分别是波段λ1,λ2和λ3在325~1075nm范围内对应的反射率值,Rλ1≠Rλ≠Rλ3。k是校正因子,当k=0时,修正三维指数(MNDI)为二维指数(NDI)。
表1模型估测结果对比
本发明所提出的根据各预处理光谱在不同校正因子(k)取值下构成的修正三维指数(MNDI)与土壤有机质的相关性及模型精度变化,确定最佳光谱预处理方法和最佳参数,如图5所示,所述方法根据各预处理光谱在不同取值的校正因子(k)所构建的修正三维指数(MNDI)与土壤有机质之间Spearman相关系数(r)及估测模型精度的变化,确定最佳光谱预处理方法和输入校正因子(k)的最佳参数值;所述方法包括如下步骤:
C:根据各预处理光谱在不同校正因子(k)取值下构成的修正三维指数(MNDI)与土壤有机质的相关性及模型精度变化,确定最佳光谱预处理方法和最佳参数。
a:计算各预处理光谱在不同校正因子(k)取值下构建的修正三维指数(MNDI)与土壤有机质之间的Spearman相关系数(r);
为了对本发明的技术特征、目的和效果有更加清楚的理解,本专利中校正因子(k)的取值范围从-5到5(步长0.5),当k=0时,修正三维指数(MNDI)为二维指数(NDI)。
图5为各预处理光谱在不同取值的校正因子(k)下所构建的修正三维指数(MNDI)与土壤有机质含量之间的最大绝对相关系数(MAr)图。
b:利用各预处理光谱在不同校正因子(k)取值下构建的修正三维指数(MNDI)以及支持向量机(SVM)建模方法,构建土壤有机质估测模型;
c:依据Spearman相关系数(r)以及估测模型精度的变化,确定最佳光谱预处理方法和输入校正因子(k)的最佳参数值。
d:采用绝对系数(R2)、均方根误差(RMSE)和剩余预测偏差(RPD)三个指标评价模型估测性能。模型的R2值越大,RMSE值越小被认为估测模型精度越高。PRD值采用三级分类标准解释,RPD大于2,说明估测模型精度理想;RPD值在1.8-2范围之间,说明估测模型具有土壤有机质定量评估的能力;RPD小于1.4,认为估测模型是不可用的。优选最佳模型(R2值最大,RMSE值最小,RPD值大于2且为最大)进行土壤有机质含量估测。
实施例2
基于同一发明构思,本实施例还提供了一种利用高光谱修正三维指数进行土壤有机质含量估测的系统,由于此系统解决问题的原理与前述一种利用高光谱修正三维指数进行土壤有机质含量估测的方法相似,因此,该系统的实施可以按照前述方法的具体步骤实现,重复之处不再赘述。
本实施例提出的利用高光谱修正三维指数进行土壤有机质含量估测的系统,包括:
光谱预处理模块:被配置为获取野外实测土壤光谱数据并对光谱数据进行预处理;
指数构建及建模模块:被配置为利用Spearman相关系数和波段组合优选的方法分别构建二维指数和修正三维指数,并利用支持向量机建模方法,构建土壤有机质估测模型;
光谱预处理方法及参数优选模块:被配置为根据各预处理光谱在不同校正因子取值下构成的修正三维指数与土壤有机质的相关性及模型精度变化,确定最佳光谱预处理方法和最佳参数。采用绝对系数(R2)、均方根误差(RMSE)和剩余预测偏差(RPD)三个指标评价模型估测性能,优选最佳土壤有机质估测模型(R2值最大,RMSE值最小,RPD值大于2且为最大)进行土壤有机质含量估测。
上述的光谱预处理模块、指数构建及建模模块、光谱预处理方法及参数优选模块对数据的具体处理过程与前面实施例1部分完全相同,因此,在此不进行赘述了。
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.利用修正三维光谱指数的土壤有机质估测的方法,其特征是,包括如下步骤:
步骤A:获取实测土壤光谱数据并对光谱数据进行预处理;
步骤B:利用Spearman相关系数和波段组合优选的方法分别构建二维指数和修正三维指数,并利用支持向量机建模方法,构建土壤有机质估测模型;
步骤C:根据各预处理光谱在不同校正因子取值下构成的修正三维指数与土壤有机质的相关性及模型精度变化,确定最佳光谱预处理方法和最佳参数;采用绝对系数、均方根误差和剩余预测偏差三个指标评价模型估测性能,优选最佳模型,进行土壤有机质含量估测;其中最佳模型的条件是:绝对系数值最大、均方根误差值最小和剩余预测偏差值大于2且为最大。
2.如权利要求1所述的方法,其特征是,所述步骤A中获取实测土壤光谱数据并对光谱数据进行预处理:对获取的实测土壤光谱数据分别进行移动窗口平滑、Savitzky-Golay一阶导数、Savitzky-Golay二阶导数、标准正态变量变换、标准正态变量变换-去趋势、多元散射校正和最大值归一化预处理。
3.如权利要求1所述的方法,其特征是,所述步骤B中利用Spearman相关系数和波段组合优选的方法分别构建二维指数和修正三维指数,并利用支持向量机建模方法,构建土壤有机质估测模型:计算各个波段组合构成的二维指数和修正三维指数与土壤有机质之间的Spearman相关系数,并利用支持向量机建模方法,构建土壤有机质估测模型。
4.如权利要求1所述的方法,其特征是,计算两波段组合构成的二维指数与土壤有机质之间的Spearman相关系数;计算三波段组合构成的修正三维指数与土壤有机质之间的Spearman相关系数;利用支持向量机建模方法,基于二维指数和修正三维指数分别构建土壤有机质估测模型。
5.如权利要求1所述的方法,其特征是,所述步骤C中根据各预处理光谱在不同校正因子取值下构成的修正三维指数与土壤有机质的相关性及模型精度变化,确定最佳光谱预处理方法和最佳参数:根据各预处理光谱在不同取值的校正因子所构建的修正三维指数与土壤有机质之间Spearman相关系数及估测模型精度的变化,确定最佳光谱预处理方法和输入校正因子的最佳参数值。
6.如权利要求1所述的方法,其特征是,步骤C中,模型的绝对系数值越大,均方根误差值越小被认为估测模型精度越高;剩余预测偏差值采用三级分类标准解释,剩余预测偏差值大于2,说明估测模型精度理想;剩余预测偏差值值在1.8-2范围之间,说明估测模型具有土壤有机质定量评估的能力;剩余预测偏差值小于1.4,认为估测模型是不可用的。
7.利用修正三维光谱指数的土壤有机质估测的系统,其特征是,包括:
光谱预处理模块:被配置为获取实测土壤光谱数据并对光谱数据进行预处理;
指数构建及建模模块:被配置为利用Spearman相关系数和波段组合优选的方法分别构建二维指数和修正三维指数,并利用支持向量机建模方法,构建土壤有机质估测模型;
光谱预处理方法及参数优选模块:被配置为根据各预处理光谱在不同校正因子取值下构成的修正三维指数与土壤有机质的相关性及模型精度变化,确定最佳光谱预处理方法和最佳参数;采用绝对系数、均方根误差和剩余预测偏差三个指标评价模型估测性能,优选最佳模型,进行土壤有机质含量估测;其中最佳模型的条件是:绝对系数值最大、均方根误差值最小和剩余预测偏差值大于2且为最大。
8.如权利要求7所述的系统,其特征是,所述光谱预处理模块中,对获取的实测土壤光谱数据分别进行移动窗口平滑、Savitzky-Golay一阶导数、Savitzky-Golay二阶导数、标准正态变量变换、标准正态变量变换-去趋势、多元散射校正和最大值归一化预处理。
9.如权利要求7所述的系统,其特征是,所述指数构建及建模模块中,利用Spearman相关系数和波段组合优选的方法分别构建二维指数和修正三维指数,并利用支持向量机建模方法,构建土壤有机质估测模型:计算各个波段组合构成的二维指数和修正三维指数与土壤有机质之间的Spearman相关系数,并利用支持向量机建模方法,构建土壤有机质估测模型。
10.如权利要求7所述的系统,其特征是,所述光谱预处理方法及参数优选模块中,根据各预处理光谱在不同取值的校正因子所构建的修正三维指数与土壤有机质之间Spearman相关系数及估测模型精度的变化,确定最佳光谱预处理方法和输入校正因子的最佳参数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110431891.6A CN113505461A (zh) | 2021-04-21 | 2021-04-21 | 利用修正三维光谱指数的土壤有机质估测的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110431891.6A CN113505461A (zh) | 2021-04-21 | 2021-04-21 | 利用修正三维光谱指数的土壤有机质估测的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113505461A true CN113505461A (zh) | 2021-10-15 |
Family
ID=78008374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110431891.6A Pending CN113505461A (zh) | 2021-04-21 | 2021-04-21 | 利用修正三维光谱指数的土壤有机质估测的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505461A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778228A (zh) * | 2023-05-15 | 2023-09-19 | 中山大学 | 一种基于fod与最优波段组合的监测土壤有机碳的方法 |
-
2021
- 2021-04-21 CN CN202110431891.6A patent/CN113505461A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778228A (zh) * | 2023-05-15 | 2023-09-19 | 中山大学 | 一种基于fod与最优波段组合的监测土壤有机碳的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101915744B (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
Lewis et al. | Ocean color algorithms for estimating chlorophyll a, CDOM absorption, and particle backscattering in the Arctic Ocean | |
Ramirez-Lopez et al. | Distance and similarity-search metrics for use with soil vis–NIR spectra | |
Wang et al. | A comparison of three methods for estimating leaf area index of paddy rice from optimal hyperspectral bands | |
CN105628645A (zh) | 一种近红外分析模型的转移方法 | |
Xu et al. | Improving the accuracy of soil organic carbon content prediction based on visible and near-infrared spectroscopy and machine learning | |
Xiao et al. | Spectral preprocessing combined with deep transfer learning to evaluate chlorophyll content in cotton leaves | |
CN110687053A (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 | |
Gao et al. | Simultaneous spectrophotometric determination of four metals by two kinds of partial least squares methods | |
CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
Hu et al. | Soil phosphorus and potassium estimation by reflectance spectroscopy | |
CN113505461A (zh) | 利用修正三维光谱指数的土壤有机质估测的方法及系统 | |
Cheng et al. | Exploring the potential of canopy reflectance spectra for estimating organic carbon content of aboveground vegetation in coastal wetlands | |
Nespeca et al. | Multivariate filters combined with interval partial least square method: A strategy for optimizing PLS models developed with near infrared data of multicomponent solutions | |
CN113686811A (zh) | 一种基于双传感器的光谱数据处理方法 | |
Liu et al. | Estimation of chlorophyll content in maize canopy using wavelet denoising and SVR method | |
CN113297722A (zh) | 滨海土壤盐分评估方法及系统 | |
CN116306322B (zh) | 一种基于高光谱数据的水体总磷浓度反演方法和装置 | |
Siano et al. | Representative subset selection and standardization techniques. A comparative study using NIR and a simulated fermentative process UV data | |
Wan et al. | A stacking-based ensemble learning method for available nitrogen soil prediction with a handheld micronear-infrared spectrometer | |
Lin et al. | Hyperspectral estimation of soil composition contents based on kernel principal component analysis and machine learning model | |
da Silva-Sangoi et al. | Soil organic matter and clay predictions by laboratory spectroscopy: Data spatial correlation | |
Fellous et al. | USE OF MACHINE LEARNING ALGORITHMS AND IN SITU DATA FOR ESTIMATING PARTICULATE ORGANIC CARBON FROM THE MEDITERRANEAN SEA | |
Hao et al. | Wavelet-based threshold denoising for imaging hyperspectral data | |
Yu et al. | Estimation of chlorophyll content in apple leaves based on imaging spectroscopy |
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 |