CN113866102B - 一种基于光谱的土壤健康调查监测方法 - Google Patents
一种基于光谱的土壤健康调查监测方法 Download PDFInfo
- Publication number
- CN113866102B CN113866102B CN202111121681.3A CN202111121681A CN113866102B CN 113866102 B CN113866102 B CN 113866102B CN 202111121681 A CN202111121681 A CN 202111121681A CN 113866102 B CN113866102 B CN 113866102B
- Authority
- CN
- China
- Prior art keywords
- soil
- model
- soil health
- spectrum
- data
- 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 115
- 230000036541 health Effects 0.000 title claims abstract description 61
- 238000001228 spectrum Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000011835 investigation Methods 0.000 title claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000011160 research Methods 0.000 claims abstract description 11
- 239000000126 substance Substances 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 239000010410 layer Substances 0.000 claims description 5
- 238000010238 partial least squares regression Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000002734 clay mineral Substances 0.000 claims description 3
- 239000002344 surface layer Substances 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000036544 posture Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000005070 sampling Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 1
- 238000005904 alkaline hydrolysis reaction Methods 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910052732 germanium Inorganic materials 0.000 description 1
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 229910052711 selenium Inorganic materials 0.000 description 1
- 239000011669 selenium Substances 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000011282 treatment Methods 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
-
- 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
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
- G01N2021/177—Detector of the video camera type
-
- 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
- G01N2021/1793—Remote sensing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于光谱的土壤健康调查监测方法,包括:S1、研究区土样采集及野外光谱测量;S2、光谱数据处理及化学分析测试;S3、航空高光谱遥感数据获取及预处理;S4、土壤健康参数与光谱特征信息提取;S5、土壤健康参数遥感反演模型构建;S6、航空高光谱数据土壤健康参数填图;S7、土壤健康评价。本发明的优点和功效在于:利用高光谱遥感数据反演土壤健康参数,监测范围广,监测速度块,能快速的实现大面积土壤健康调查与动态监测。利用高光谱遥感数据反演土壤健康参数,克服了传统通过采样化学分析难以反应区域土壤健康状况,空间插值结果难以获得精确土壤背景值,评价结果可靠性低等缺点,结果相对精确可靠。
Description
技术领域
本发明涉及一种基于光谱的土壤健康调查监测方法,属于遥感技术、地质调查、生态环保领域。
背景技术
随着人们生活条件的不断提高,人民对健康越来越重视。传统的土壤健康调查监测主要通过实验室化学分析,尽管采样点测量精度很高,但存在耗时等方面的问题;同时点源数据难以反应区域土壤健康状况,空间插值结果难以获得精确土壤背景值,评价结果可靠性低,调查结果具有滞后性,无法满足土壤健康快速调查与动态监测的需求。
发明内容
本发明的目的在于,针对背景技术中提出的传统土壤健康调查监测技术无法满足快速调查与动态监测的需求,提出一种基于光谱的土壤健康调查监测方法,实现土壤健康的快速调查与动态监测。
本发明的目的主要通过以下技术方案实现:一种基于光谱的土壤健康调查监测方法,包括依次进行的以下步骤:
S1、研究区土样采集及野外光谱测量。根据1:25万土地质量地球化学调查规范,采集研究区范围内土壤表层0-20cm的土壤样品,利用便携式光谱仪采集土壤样品的野外光谱数据。
S2、光谱数据处理及化学分析测试。
S201、所述的光谱数据处理,包括:去除所述野外光谱数据中的噪声,所述的噪声主要是野外光谱测量时因便携式光谱仪在工作时受到自身和外界因素干扰所产生,去除便携式光谱仪与航空成像光谱仪传感器间的差异,并增强与土壤健康参数相关的光谱信息及特征。
S202、将野外采集的土壤样品送到分析实验室,分析土壤样品的元素含量、土壤理化性质和粘土矿物含量等。
S3、航空高光谱遥感数据获取及预处理。通过航空成像光谱仪获取研究区的CASI/SASI数据,通过航空成像光谱仪自带的航空成像光谱测量系统数据预处理软件进行辐射校正和几何校正,消除因传感器响应特性及姿态引起的辐射误差及几何畸变;通过大气校正,消除因大气影响引起的辐射误差,通过地空回归方法的光谱重建,计算地面光谱与大气校正光谱之间的乘性与加性系数,利用该系数消除在轨定标误差。
S4、土壤健康参数与光谱特征信息提取。土壤光谱特征与某些特定的土壤属性有关,通过对土壤光谱反射特征及主要影响因素分析,寻找利用土壤光谱特征研究土壤健康状况依据,并通过土壤光谱及其变换形式与土壤健康参数含量的相关性分析,计算光谱指标与土壤健康参数含量的相关性系数,通过相关系数的大小挑选用于建模的波段范围。若波段对应处的相关系数通过P=0.01显著性检验,说明该波段与土壤健康参数含量达到极显著相关水平,将作为特征波段挑选出来,用于后续模型建立。
S5、土壤健康参数遥感反演模型构建。从剔除异常值的土壤样品中采用RankKennard Stone(Rank-KS)抽样法挑选2/3样本作为建模数据集,根据S4中光谱指标与土壤健康参数含量相关性分析得到的特征波段,构建土壤成分含量的偏最小二乘回归和BP神经网络反演模型,对模型精度进行评价,利用剩余1/3样本作为验证数据集带入模型中对模型的精度和稳定性进行评价得到最优模型。
S501、构建偏最小二乘回归模型。将建模数据集样品的各种光谱变换形式中与土壤健康参数含量达到极显著相关的波段处的光谱变量值作为模型的自变量,土壤健康参数含量作为因变量,分别建立多种光谱形式的土壤健康参数含量预测模型,偏最小二乘模型使用matlab中的plsregress函数实现,并将筛选出的验证数据集数据代入模型中,对模型的精度和稳定性进行评价。
S502、构建BP神经网络反演模型。首先创建一个4层BP神经网络,包括2层隐藏层。神经元数量分别为5和3,采用梯度下降法来计算目标函数的最小值,建立标准神经网络模型。在建立标准网络模型的基础上建立增强模型以进一步提高模型精准性,增强方法产生一系列“成分模型”,其中每个模型在整个数据集上构建。在构建每个后续成分模型之前,将根据前一成分模型的残差对记录进行加权。具有较大残差的个案将被给予较高的分析权重,因此下一个成分模型将较好地侧重于这些记录。这些成分模型共同构成一个整体模型。该整体模型采用组合规则对新记录进行评分。
S6、航空高光谱数据土壤健康参数填图。将CASI/SASI影像代入所述步骤S5构建并验证后的最优模型进行填图,并采用直方图匹配法对填图结果进行修正,得到土壤各成分含量的空间分布。
S7、土壤健康评价。对航空高光谱数据土壤健康参数填图结果,根据《土地质量地球化学评价规范》(DZ/T 0295-2016)中元素和指标的分级标准和《土壤环境质量农用地土壤污染风险管控标准(试行)》(GB 15618-2018)中的风险筛选界值,以地块为基础,确定每个地块土壤健康等级。
本发明的优点和功效在于:
1.利用高光谱遥感数据反演土壤健康参数,监测范围广,监测速度块,能快速的实现大面积土壤健康调查与动态监测。
2.利用高光谱遥感数据反演土壤健康参数,克服了传统通过采样化学分析难以反应区域土壤健康状况,空间插值结果难以获得精确土壤背景值,评价结果可靠性低等缺点,结果相对精确可靠。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。
图1为本发明方法流程图。
图2为本发明实施例研究区采样分布点示意图。
图3为本发明实施例土壤地面光谱测量预处理结果。
图4为本发明实施例高光谱反演结果。
图5为本发明实施例土地质量总和评价。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例:
一种基于光谱的土壤健康调查监测方法,包括如下步骤:
步骤一、研究区土壤样品采集与野外光谱测量。遵循1:25万土地质量地球化学调查规范,如图2所示,在2KM乘以2KM的网格点上,采用“X”形5点采样法,采集中心点和距离中心点20m左右的四个角点表层0~20cm的土样,并均匀混合后,挑出土壤中体积较大杂物,共采集土壤样品182个。将采集到的每个土样使用Field Spec Pro FR仪器测量土样野外光谱(采集时间在10:30-14:30),每个土样至少采集5条光谱曲线,用这5条光谱曲线的算术平均反射率作为最终的光谱反射率。
步骤二、光谱数据处理及化学分析测试。对采集的野外地面光谱数据进行光谱去噪、光谱重采样、光谱散射校正、光谱数学变换、连续统去除等处理,如图3所示,去除光谱测量过程中产生的各种误差及噪声,增强与土壤健康参数相关的光谱信息及特征。对土壤样品风干、研磨、去除杂质等操作后送到实验室测定土壤成分含量,包括土壤的有机质、全氮、全磷、全钾、碱解氮、速效磷、速效钾、硒、锗、镉、铬、汞、铅、砷、Cl-、SO42-、CO32-、PH值、阳离子交换量、粘土矿物含量等。
步骤三、航空高光谱遥感数据获取及预处理。获取研究区航空高光谱数据(CASI/SASI/TASI),空间分辨率为4米,CASI光谱范围为380-1050nm,光谱分辨率为2.3nm,SASI光谱范围为950-2450nm,光谱分辨率为15nm。对获取的航空高光谱遥感数据进行辐射校正、几何校正、大气纠正和光谱重建等处理。
步骤四、土壤健康参数遥感反演模型构建。对步骤二中获取到的土壤样品化学分析结果计算Pearson相关系数,分析土壤化学组成成分间自相关性。探寻土壤化学组成成分含量与多种光谱变量间的相关关系,筛选出达到极显著相关水平的特征波段。从剔除异常值的土壤样本及野外测量光谱中挑选2/3的样品作为建模数据,其余1/3的样品作为验证数据。利用建模数据建立土壤化学组成成分含量的偏最小二乘法与BP神经网络回归统计模型,并利用验证数据对模型精度进行评价。
步骤五、航空高光谱数据土壤健康参数填图。根据模型精度评价,选用偏最小二乘法模型和航空高光谱遥感影像,开展研究区土壤健康参数反演填图,并对填图结果进行直方图匹配修正,得到土壤健康参数空间分布数据如图4。
步骤六、土壤健康评价。参照《土地质量地球化学评价规范(DZT0295-2016)》对土壤中的养分指标进行评价,参照《农用地土壤污染风险管控标准(GB15618-2018)》对土壤环境指标进行评价,如图5。
Claims (4)
1.一种基于光谱的土壤健康调查监测方法,其特征在于:包括以下步骤:
S1、研究区土样采集及野外光谱测量;根据1:25万土地质量地球化学调查规范,采集研究区范围内土壤表层0-20cm的土壤样品,利用便携式光谱仪采集土壤样品的野外光谱数据;
S2、光谱数据处理及化学分析测试;
S3、航空高光谱遥感数据获取及预处理;通过航空成像光谱仪获取研究区的CASI/SASI数据,通过航空成像光谱仪自带的航空成像光谱测量系统数据预处理软件进行辐射校正和几何校正,消除因传感器响应特性及姿态引起的辐射误差及几何畸变;通过大气校正,消除因大气影响引起的辐射误差,通过地空回归方法的光谱重建,计算地面光谱与大气校正光谱之间的乘性与加性系数,利用该系数消除在轨定标误差;
S4、土壤健康参数与光谱特征信息提取;计算光谱指标与土壤健康参数含量的相关性系数,通过相关系数的大小挑选用于建模的波段范围;若波段对应处的相关系数通过P=0.01显著性检验,说明该波段与土壤健康参数含量达到极显著相关水平,将作为特征波段挑选出来,用于后续模型建立;
S5、土壤健康参数遥感反演模型构建;从剔除异常值的土壤样品中采用挑选2/3样本作为建模数据集,根据S4中光谱指标与土壤健康参数含量相关性分析得到的特征波段,构建土壤成分含量的偏最小二乘回归和BP神经网络反演模型,对模型精度进行评价,利用剩余1/3样本作为验证数据集带入模型中对模型的精度和稳定性进行评价得到最优模型;
S6、航空高光谱数据土壤健康参数填图;将CASI/SASI影像代入所述步骤S5构建并验证后的最优模型进行填图,并采用直方图匹配法对填图结果进行修正,得到土壤各成分含量的空间分布;
S7、土壤健康评价。
2.根据权利要求1所述的一种基于光谱的土壤健康调查监测方法,其特征在于:所述步骤S2,具体过程如下:
S201、所述的光谱数据处理,包括:去除所述野外光谱数据中的噪声,所述的噪声主要是野外光谱测量时因便携式光谱仪在工作时受到自身和外界因素干扰所产生,去除便携式光谱仪与航空成像光谱仪传感器间的差异,并增强与土壤健康参数相关的光谱信息及特征;
S202、将野外采集的土壤样品送到分析实验室,分析土壤样品的元素含量、土壤理化性质和粘土矿物含量。
3.根据权利要求1所述的一种基于光谱的土壤健康调查监测方法,其特征在于:步骤S5所述的构建土壤成分含量的偏最小二乘回归模型,包括:将建模数据集样品的各种光谱变换形式中与土壤健康参数含量达到极显著相关的波段处的光谱变量值作为模型的自变量,土壤健康参数含量作为因变量,分别建立多种光谱形式的土壤健康参数含量预测模型,并将筛选出的验证数据集数据代入预测模型中,对模型的精度和稳定性进行评价。
4.根据权利要求1所述的一种基于光谱的土壤健康调查监测方法,其特征在于:步骤S5所述的构建土壤成分含量的BP神经网络反演模型,包括:首先创建一个4层BP神经网络,包括2层隐藏层;神经元数量分别为5和3,采用梯度下降法来计算目标函数的最小值,建立标准神经网络模型;在建立标准网络模型的基础上建立增强模型以进一步提高模型精准性,增强方法产生一系列“成分模型”,其中每个成分模型在整个数据集上构建;在构建每个后续成分模型之前,根据前一成分模型的残差对记录进行加权;这些成分模型共同构成一个整体模型;该整体模型采用组合规则对新记录进行评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121681.3A CN113866102B (zh) | 2021-09-24 | 2021-09-24 | 一种基于光谱的土壤健康调查监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121681.3A CN113866102B (zh) | 2021-09-24 | 2021-09-24 | 一种基于光谱的土壤健康调查监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113866102A CN113866102A (zh) | 2021-12-31 |
CN113866102B true CN113866102B (zh) | 2023-12-22 |
Family
ID=78993889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111121681.3A Active CN113866102B (zh) | 2021-09-24 | 2021-09-24 | 一种基于光谱的土壤健康调查监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113866102B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357891A (zh) * | 2022-01-11 | 2022-04-15 | 中国冶金地质总局矿产资源研究院 | 一种土壤镉元素含量的高光谱遥感定量反演方法 |
CN114529838B (zh) * | 2022-04-24 | 2022-07-15 | 江西农业大学 | 基于卷积神经网络的土壤含氮量反演模型构建方法及系统 |
CN115327150B (zh) * | 2022-10-13 | 2023-01-31 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种控制调节系统和方法 |
CN117309780B (zh) * | 2023-11-27 | 2024-02-06 | 核工业北京地质研究院 | 土壤锗元素含量的确定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110186851A (zh) * | 2019-05-27 | 2019-08-30 | 生态环境部南京环境科学研究所 | 一种基于半监督自编码分析的高光谱影像土壤重金属浓度评估方法 |
CN110376138A (zh) * | 2019-08-05 | 2019-10-25 | 北京绿土科技有限公司 | 基于航空高光谱的土地质量监测方法 |
CN110398466A (zh) * | 2019-08-05 | 2019-11-01 | 北京绿土科技有限公司 | 基于遥感反演的农作物生长状态监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140012504A1 (en) * | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
-
2021
- 2021-09-24 CN CN202111121681.3A patent/CN113866102B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110186851A (zh) * | 2019-05-27 | 2019-08-30 | 生态环境部南京环境科学研究所 | 一种基于半监督自编码分析的高光谱影像土壤重金属浓度评估方法 |
CN110376138A (zh) * | 2019-08-05 | 2019-10-25 | 北京绿土科技有限公司 | 基于航空高光谱的土地质量监测方法 |
CN110398466A (zh) * | 2019-08-05 | 2019-11-01 | 北京绿土科技有限公司 | 基于遥感反演的农作物生长状态监测方法 |
Non-Patent Citations (2)
Title |
---|
一种新的光谱参量预测黑土养分含量模型;张东辉;赵英俊;秦凯;;光谱学与光谱分析(第09期);全文 * |
土壤重金属污染高光谱遥感监测方法综述;郭学飞;曹颖;焦润成;南赟;;城市地质(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113866102A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113866102B (zh) | 一种基于光谱的土壤健康调查监测方法 | |
CN107179291B (zh) | 基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法 | |
CN114018833B (zh) | 基于高光谱遥感技术估算土壤重金属含量的方法 | |
CN110531054B (zh) | 基于Bootstrap抽样的土壤有机碳预测不确定性估测方法 | |
CN107607486B (zh) | 一种土壤全氮检测方法及装置 | |
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 | |
CN114460013B (zh) | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN114139444A (zh) | 一种基于机器学习的近海海表温度反演方法 | |
CN114739919A (zh) | 一种基于光谱反演分析的水质检测方法 | |
CN108152235A (zh) | 一种联合土壤室内外光谱的重金属含量反演方法 | |
Barkataki et al. | Classification of soil types from GPR B scans using deep learning techniques | |
CN110793923A (zh) | 基于手机的高光谱土壤数据采集与分析方法 | |
CN113011372A (zh) | 一种盐碱化土地自动监测和识别方法 | |
CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN114676779A (zh) | 基于鲁棒宽度网络的大气质量监测数据校准方法及系统 | |
CN114199800A (zh) | 一种水稻纹枯病识别方法、系统、设备及介质 | |
CN113570538B (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
CN116911183A (zh) | 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 | |
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 | |
CN114943142B (zh) | 高光谱地表反射率和大气参数一体化反演方法及装置 | |
CN114529838B (zh) | 基于卷积神经网络的土壤含氮量反演模型构建方法及系统 | |
CN114034684B (zh) | 一种基于一站式光谱模型的土壤属性快速测定方法 | |
Hakim et al. | Automatic rain detection system based on digital images of CCTV cameras using convolutional neural network method | |
CN110793920A (zh) | 一种化学成像与高光谱联用的大气遥测方法 |
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 |