CN114002162A - 土壤有机碳含量估算方法、设备、存储介质及程序产品 - Google Patents
土壤有机碳含量估算方法、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN114002162A CN114002162A CN202111092455.7A CN202111092455A CN114002162A CN 114002162 A CN114002162 A CN 114002162A CN 202111092455 A CN202111092455 A CN 202111092455A CN 114002162 A CN114002162 A CN 114002162A
- Authority
- CN
- China
- Prior art keywords
- soil
- organic carbon
- spectrum
- carbon content
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 412
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 257
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 257
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 269
- 238000002310 reflectometry Methods 0.000 claims abstract description 150
- 238000010521 absorption reaction Methods 0.000 claims abstract description 77
- 230000003595 spectral effect Effects 0.000 claims abstract description 62
- 238000000985 reflectance spectrum Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010238 partial least squares regression Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 235000013980 iron oxide Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 150000007513 acids Chemical class 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 239000002734 clay mineral Substances 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
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- VBMVTYDPPZVILR-UHFFFAOYSA-N iron(2+);oxygen(2-) Chemical class [O-2].[Fe+2] VBMVTYDPPZVILR-UHFFFAOYSA-N 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004016 soil organic matter Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
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
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
本发明提供一种土壤有机碳含量估算方法、设备、存储介质及程序产品。方法包括：获取土壤反射率光谱；根据土壤反射率光谱获取与土壤有机碳对应的特征光谱波段，特征光谱波段基于土壤有机碳的光谱特征和土壤反射率光谱的吸收特征确定；将特征光谱波段输入预设的土壤有机碳含量估算模型，得到土壤有机碳估算含量。相比传统估算模型将整个可见近红外波段用于土壤有机碳含量估算，本发明实施例通过从土壤反射率光谱获取土壤有机碳对应的特征光谱波段用于土壤有机碳含量估算，解决现有基于土壤反射率光谱的有机碳含量估算研究中存在的光谱数据冗余问题，实现降低模型的复杂度以及提高基于土壤反射率光谱的有机碳含量估算模型的估算精度。
Description
技术领域
本发明涉及土壤有机碳含量监测技术领域，尤其涉及一种土壤有机碳含量估算方法、设备、存储介质及程序产品。
背景技术
土壤是陆地生态系统的第二大碳库。土壤中的碳大多以有机碳的形式存储。土壤有机碳含量是全球碳循环研究的重要基础数据。土壤有机碳含量也是土壤肥力的重要标志。及时掌握土壤有机碳含量对保障农业生产至关重要。因此，开展土壤有机碳含量估算研究具有重要的科学和实践意义。
常规的土壤有机碳含量调查方法是通过野外采集土壤样本和实验室化学分析来测定土壤有机碳含量。基于有限采样点的土壤有机碳含量调查方法难以提供准确的面状信息。对于大范围的土壤有机碳含量调查需求，常规的土壤有机碳含量调查方法耗时费力，成本高。
遥感具有观测范围大、频率高，受地表状况限制少等特点，能够获取大尺度区域周期性的观测数据。高光谱遥感集成了成像技术和光谱技术，在成像的同时能够获得目标物连续的光谱曲线。通过分析地物的光谱信息，能够得到地物的理化属性信息。高光谱遥感为定量地获取大尺度区域的地物理化属性提供了技术途径。
基于反射率光谱的土壤有机碳(有机质)含量估算研究经历了土壤样本室内测量光谱、土壤野外原位测量光谱，到高光谱遥感图像的发展。随着高光谱数据的日益丰富和多元回归建模算法的发展，基于反射率光谱的土壤有机碳含量估算研究日益成为高光谱遥感领域研究的热点。
目前，基于反射率光谱的土壤有机碳含量估算研究，未充分考虑土壤有机碳的光谱特征，对土壤反射光谱波段不加选择，将整个可见近红外波段用于土壤有机碳含量估算，增加了模型的复杂度，降低了模型的估算精度，限制了反射率光谱在土壤有机碳含量估算中应用。
发明内容
本发明提供一种土壤有机碳含量估算方法、设备、存储介质及程序产品，用以解决现有技术中基于土壤反射率光谱的有机碳含量估算研究中存在的光谱数据冗余，导致土壤有机碳含量估算模型复杂、以及土壤有机碳含量估算模型得出的估算精度偏低的问题，实现降低模型的复杂度以及提高基于土壤反射率光谱的有机碳含量估算模型的估算精度。
本发明提供一种土壤有机碳含量估算方法，包括：
获取土壤反射率光谱；
根据所述土壤反射率光谱获取与土壤有机碳对应的特征光谱波段，所述特征光谱波段基于所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定；
将所述特征光谱波段输入预设的土壤有机碳含量估算模型，得到土壤有机碳估算含量。
根据本发明提供的一种土壤有机碳含量估算方法，所述获取土壤反射率光谱的步骤之前还包括：
获取土壤反射率光谱和土壤有机碳含量；
根据所述土壤反射率光谱提取土壤反射率光谱的吸收特征；
根据所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段；
基于所述特征光谱波段和所述土壤有机碳含量建立土壤有机碳含量估算模型。
根据本发明提供的一种土壤有机碳含量估算方法，基于所述特征光谱波段和所述土壤有机碳含量建立土壤有机碳含量估算模型包括：
基于所述特征光谱波段和所述土壤有机碳含量，采用偏最小二乘回归算法建立土壤有机碳含量估算模型。
根据本发明提供的一种土壤有机碳含量估算方法，所述根据所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段的步骤，包括：
基于土壤组分顺序提取实验中提取有机碳前后的土壤反射率光谱的差异，以及所述土壤反射率光谱的吸收特征，确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段。
根据本发明提供的一种土壤有机碳含量估算方法，所述获取土壤反射率光谱的步骤之后还包括：
去除所述土壤反射率光谱中的噪声。
根据本发明提供的一种土壤有机碳含量估算方法，所述土壤反射率光谱的吸收特征通过光谱导数方法、光谱差分方法、光谱包络线去除方法中的任意一种光谱特征提取算法提取。
根据本发明提供的一种土壤有机碳含量估算方法，所述土壤反射率光谱包括根据地物光谱仪测得的土壤反射率光谱，或者基于高光谱遥感图像提取的土壤反射率光谱。
本发明还提供一种土壤有机碳含量估算装置，包括：
第一获取模块，用于获取土壤反射率光谱；
第二获取模块，用于根据所述土壤反射率光谱获取与土壤有机碳对应的特征光谱波段，所述特征光谱波段基于所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定；
有机碳含量估算模块，用于将所述特征光谱波段输入预设的土壤有机碳含量估算模型，得到土壤有机碳估算含量。
优选的，土壤有机碳含量估算装置还包括：
第三获取模块，用于获取土壤反射率光谱和土壤有机碳含量；
吸收特征提取模块，用于根据所述土壤反射率光谱提取土壤反射率光谱的吸收特征；
特征光谱波段确定模块，用于根据所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段；
模型构建模块，用于基于所述特征光谱波段和所述土壤有机碳含量建立土壤有机碳含量估算模型。
优选的，模型构建模块还包括：
偏最小二乘回归算法模型模块，用于基于所述特征光谱波段和所述土壤有机碳含量，采用偏最小二乘回归算法建立土壤有机碳含量估算模型。
优选的，特征光谱波段确定模块用于基于土壤组分顺序提取实验中提取有机碳前后的土壤反射率光谱的差异，以及所述土壤反射率光谱的吸收特征，确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段。
优选的，特征光谱波段确定模块还包括：
噪声去除模块，用于去除所述土壤反射率光谱中的噪声。
优选的，所述土壤反射率光谱的吸收特征通过光谱导数方法、光谱差分方法、光谱包络线去除方法中的任意一种光谱特征提取算法提取。
优选的，所述土壤反射率光谱包括根据地物光谱仪测得的土壤反射率光谱，或者基于高光谱遥感图像提取的土壤反射率光谱。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述土壤有机碳含量估算方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述土壤有机碳含量估算方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述土壤有机碳含量估算方法的步骤。
本发明提供的土壤有机碳含量估算方法、设备、存储介质及程序产品，通过获取土壤反射率光谱；并根据所述土壤反射率光谱获取与土壤有机碳对应的特征光谱波段。其中特征光谱波段基于所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定。从而从土壤反射率光谱中获取得到波段范围较小的土壤有机碳对应的特征光谱波段，最后将所述特征光谱波段输入预设的土壤有机碳含量估算模型，得到土壤有机碳估算含量。相比传统估算模型将整个可见近红外波段用于土壤有机碳含量估算，本发明实施例通过从土壤反射率光谱获取土壤有机碳对应的特征光谱波段用于土壤有机碳含量估算，解决现有基于土壤反射率光谱的有机碳含量估算研究中存在的光谱数据冗余问题，实现降低模型的复杂度以及提高基于土壤反射率光谱的有机碳含量估算模型的估算精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的土壤有机碳含量估算方法的流程示意图之一；
图2是基于400-1000nm的光谱区间进行估算得到的土壤有机碳含量估算结果示意图；
图3是基于本发明的特征光谱波段进行估算得到的土壤有机碳含量估算结果示意图；
图4是本发明获取的实验室内测量的400-1000nm的土壤反射率光谱的示意图；
图5是本发明提供的土壤有机碳含量估算装置的结构示意图；
图6是本发明提供的电子设备的结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
现有模型将整个可见近红外波段用于土壤有机碳含量估算，增加了模型的复杂度，降低了模型的估算精度，限制了反射率光谱在土壤有机碳含量估算中应用。
本发明实施例的发明构思在于通过从土壤反射率光谱获取土壤有机碳对应的特征光谱波段用于土壤有机碳含量估算，解决现有基于土壤反射率光谱的有机碳含量估算研究中存在的光谱数据冗余问题，实现降低模型的复杂度以及提高基于土壤反射率光谱的有机碳含量估算模型的估算精度。
下面结合图1-图6描述本发明的土壤有机碳含量估算方法、装置以及电子设备。
请参照图1，图1为本发明一实施例提供的一种土壤有机碳含量估算方法的流程图。
如图1所示的一种土壤有机碳含量估算方法，包括：
S100、获取土壤反射率光谱；
通过电子设备获取土壤反射率光谱。其中，所述土壤反射率光谱包括在室内或野外使用地物光谱仪测量的土壤反射率光谱。具体的，可利用PSR-3500(Spectral EvolutionInc.,Lawrence,MA,USA)测量73个土壤样本的反射率光谱。通过PSR-3500光谱仪可测量光谱范围为350-2500nm波长范围的土壤反射率光谱。
当然，在其他一些实施例中，土壤反射率光谱也可是从高光谱遥感图像上提取的土壤反射率光谱。
S200、根据所述土壤反射率光谱获取与土壤有机碳对应的特征光谱波段，所述特征光谱波段基于所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定；
电子设备先从PSR-3500光谱仪测量的350-2500nm的土壤反射率光谱截取400-1000nm的可近红外光谱用于土壤有机碳含量估算。400-1000nm土壤样本反射率光谱测量结果如图4所示。电子设备再从400-1000nm的可近红外光谱中获取与土壤有机碳对应的特征光谱波段用于土壤有机碳含量估算。
具体的，特征光谱波段可基于所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定。
其中，土壤有机碳的光谱特征可通过分析土壤组分顺序提取实验中提取有机碳前后的土壤反射率光谱的差异获得。由于真实土壤是包括了许多组分的混合物，例如土壤中包括铁氧化物、有机碳(质)、黏土矿物、水分等。通过化学顺序提取(Chemical SequentialExtraction)土壤中的组分，例如先提取土壤中的可溶性酸、接着提取土壤中的锰氧化物、再提取土壤中的有机碳、最后提取土壤中的铁氧化物。可通过分析土壤组分顺序提取前后土壤反射率光谱的差异得出土壤有机碳的光谱特征。通过分析土壤组分顺序提取实验中提取有机碳前后的土壤反射率光谱的差异，有机碳对土壤反射率光谱的影响主要在400-1000nm，影响最大的光谱范围在600-750nm。
通过光谱特征提取算法获取土壤反射率光谱的吸收特征。进一步地，本实施例可通过光谱包络线去除方法提取土壤反射率光谱的吸收特征。通过光谱包络线去除方法对土壤样本反射率光谱吸收特征提取结果表明，土壤反射率光谱在400-1000nm的光谱区间存在4个主要的吸收峰，分别是以410nm为中心的吸收峰、以500nm为中心的吸收峰、600-750nm区间的吸收峰和以900nm为中心的吸收峰。因此，以410nm为中心的吸收峰、以500nm为中心的吸收峰、600-750nm区间的吸收峰和以900nm为中心的吸收峰作为特征光谱波段的备选波段。
基于所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征，将以500nm为中心的吸收峰和600-750nm区间的吸收峰作为土壤有机碳对应的特征光谱波段。
具体的、本实施例中73个土壤样本反射率光谱包络线去除结果表明，上述以500nm为中心的吸收峰的具体光谱范围为450-525nm，600-750nm区间的吸收峰的具体光谱范围为610-715nm。从而基于所述将以500nm为中心的吸收峰和600-750nm区间的吸收峰作为土壤有机碳对应的特征光谱波段，从400-1000nm的光谱区间选取450-525nm的光谱区间，以及610-715nm光谱区间作为土壤有机碳对应的特征光谱波段。
S300、将所述特征光谱波段输入预设的土壤有机碳含量估算模型，得到土壤有机碳估算含量。
电子设备在获取土壤有机碳对应的特征光谱波段后，将所述特征光谱波段输入预设的土壤有机碳含量估算模型，从而得到土壤有机碳估算含量。由于特征光谱波段是从步骤S100最初获得的较大范围土壤反射率光谱中得到的较小光谱波段，通过较小范围的特征光谱波段用于土壤有机碳含量估算，解决现有基于土壤反射率光谱的有机碳含量估算研究中存在的光谱数据冗余问题，实现降低模型的复杂度以及提高基于土壤反射率光谱的有机碳含量估算模型的估算精度。
本发明提供的土壤有机碳含量估算方法通过获取土壤反射率光谱；并根据所述土壤反射率光谱获取与土壤有机碳对应的特征光谱波段。其中特征光谱波段基于所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定。从而从土壤反射率光谱中获取得到波段范围较小的土壤有机碳对应的特征光谱波段，最后将所述特征光谱波段输入预设的土壤有机碳含量估算模型，得到土壤有机碳估算含量。相比传统估算模型将整个可见近红外波段用于土壤有机碳含量估算，本发明实施例通过从土壤反射率光谱获取土壤有机碳对应的特征光谱波段用于土壤有机碳含量估算，解决现有基于土壤反射率光谱的有机碳含量估算研究中存在的光谱数据冗余问题，实现降低模型的复杂度以及提高基于土壤反射率光谱的有机碳含量估算模型的估算精度。
作为一种优选实施例，所述获取土壤反射率光谱的步骤之前还包括：
S001、获取土壤反射率光谱和土壤有机碳含量；
通过电子设备获取土壤反射率光谱和土壤有机碳含量。同样的，土壤反射率光谱可通过地物光谱仪测量的土壤反射率光谱或者从高光谱遥感图像上提取的土壤反射率光谱。地物光谱仪可利用PSR-3500(Spectral Evolution Inc.,Lawrence,MA,USA)测量73个土壤样本的反射率光谱。
土壤有机碳含量既可以是按照《土壤有机质测定法》(GB 9834-88)采用重铬酸钾-硫酸溶液测定有机碳含量，也可以是采用燃烧失重量法(例如马弗炉烧失重量法)测量上述73个土壤样本的土壤有机碳含量。
S002、根据所述土壤反射率光谱提取土壤反射率光谱的吸收特征；
与上述步骤S200相同的，可通过采用光谱包络线去除(Continuum Removing,CR)方法提取土壤反射率光谱的吸收特征。光谱包络线去除方法对土壤样本反射率光谱吸收特征提取结果表明，土壤反射率光谱在400-1000nm的光谱区间存在4个主要的吸收峰，分别是以410nm为中心的吸收峰、以500nm为中心的吸收峰、600-750nm区间的吸收峰和以900nm为中心的吸收峰。
S003、根据所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段；
电子设备根据所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段。具体的，在一些实施例中，步骤S003具体包括：基于土壤组分顺序提取实验中提取有机碳前后的土壤反射率光谱的差异，以及所述土壤反射率光谱的吸收特征，确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段。
与步骤S200相同的，通过分析土壤组分顺序提取实验中提取有机碳前后的土壤反射率光谱的差异，有机碳对土壤反射率光谱的影响主要在400-1000nm，影响最大的光谱范围在600-750nm。基于所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征，将以500nm为中心的吸收峰和600-750nm区间的吸收峰作为土壤有机碳对应的特征光谱波段。具体的、本实施例中73个土壤样本反射率光谱包络线去除结果表明，上述以500nm为中心的吸收峰的具体光谱范围为450-525nm，600-750nm区间的吸收峰的具体光谱范围为610-715nm。从而基于所述将以500nm为中心的吸收峰和600-750nm区间的吸收峰作为土壤有机碳对应的特征光谱波段，从400-1000nm的光谱区间选取450-525nm的光谱区间，以及610-715nm光谱区间作为土壤有机碳对应的特征光谱波段。
S004、基于所述特征光谱波段和所述土壤有机碳含量建立土壤有机碳含量估算模型。
在获取特征光谱波段的基础上，电子设备基于特征光谱波段和所述土壤有机碳含量建立土壤有机碳含量估算模型。
具体的，在一些实施例中，S004具体包括：基于所述特征光谱波段和所述土壤有机碳含量，采用偏最小二乘回归算法建立土壤有机碳含量估算模型。
利用提取的特征光谱波段(即450-525nm的光谱区间，以及610-715nm光谱区间)和测定的土壤有机碳含量，采用偏最小二乘回归(Partial Least Squares Regression,PLSR)建立土壤有机碳含量估算模型；
值得一提的是，为提高模型的估算精度、降低模型的复杂度，在PLSR建模时可采用遗传算法(Genetic Algorithm,GA)进行波段选择。其中，GA算法的参数设置包括：种群个数：20；最大代数：120；代差：10％；变异频率：10％；运行遗传算法5次，选取有机碳含量估算精度最高的一组实验所用的波段。
利用本发明提供的土壤有机碳含量估算方法得到的土壤有机碳估算精度如表1所示。
表1土壤有机碳含量估算精度
| 土壤反射率光谱 | RMSEP(％) | R<sup>2</sup> |
| 400-1000nm | 0.48 | 0.79 |
| 有机碳特征光谱波段 | 0.46 | 0.81 |
其中，400-1000nm表示将400-1000nm的所有光谱波段；
有机碳特征光谱波段指本发明提出的以500nm为中心(即450-525nm)的吸收峰和750nm区间(即610-715nm)的吸收峰所包含的光谱波段；RMSEP(Root mean square errorof prediction)为预测均方根误差，表示有机碳含量估算模型在有机碳含量估算中的预测均方根误差；R2(Coefficient of determination)为土壤有机碳含量估算模型的决定系数。可见基于土壤有机碳特征光谱波段求得的预测均方根误差0.46，小于基于400-1000nm光谱波段求得的预测均方根误差0.48，因此本发明提供的方法可以利用较少的反射率光谱波段实现更高精度的土壤有机碳含量估算。
下面结合附图来说明本实施例土壤有机碳含量估算方法的土壤有机碳含量估算方法的估算精度。
图2是利用400-1000nm所有光谱波段得到的土壤有机碳含量估算结果，图3是利用本实例的土壤有机碳的特征光谱波段得到的土壤有机碳含量估算结果。图2和图3中RMSEP(Root mean square error of prediction)为预测均方根误差，表示有机碳含量估算模型在有机碳含量估算中的预测均方根误差；R2(Coefficient of determination)为土壤有机碳含量估算模型的决定系数。图2和图3中横坐标Measured content表示测量值，纵坐标Predicted content表示预测值。
从土壤有机碳含量估算结果可见，图3中的散点图中的散点相比图2中的散点整体上更接近于y＝x的对角线，即说明图3中的测量值与预测值整体接近相等，而图2中的测量值与预测值整体偏差较大。换句话说，本发明提供的方法可以利用较少的反射率光谱波段实现更高精度的土壤有机碳含量估算，提高基于土壤反射率光谱的有机碳含量估算模型的估算精度。
作为一种优选实施例，所述获取土壤反射率光谱的步骤之后还包括：
去除所述土壤反射率光谱中的噪声。
具体的，电子设备可通过Savitzky-Golay(SG)滤波算法去除土壤反射率光谱中的噪声。当土壤反射率光谱采用从高光谱遥感图像上提取的土壤反射率光谱时，由于高光谱图像成像时自然光照明条件影响、地面地形影响、混合像元问题等原因引入各种噪声，这种噪声存在于光谱域中，因此需要进行去除。
需要说明的是，请参照图4，图4中横坐标Wavelength表示土壤光谱波长，纵坐标Reflectance表示土壤光谱反射率。当土壤反射率光谱采用如图4所示的实验室内测量的土壤反射率光谱时不存在明显的噪声，可不对土壤反射率光谱进行噪声去除。
下面对本发明提供的土壤有机碳含量估算装置进行描述，下文描述的土壤有机碳含量估算装置与上文描述的土壤有机碳含量估算方法可相互对应参照。
请参照图5，本发明还提供一种土壤有机碳含量估算装置，包括：
第一获取模块201，用于获取土壤反射率光谱；
第二获取模块202，用于根据所述土壤反射率光谱获取与土壤有机碳对应的特征光谱波段，所述特征光谱波段基于所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定；
有机碳含量估算模块203，用于将所述特征光谱波段输入预设的土壤有机碳含量估算模型，得到土壤有机碳估算含量。
本发明实施例的土壤有机碳含量估算装置通过获取土壤反射率光谱；并根据所述土壤反射率光谱获取与土壤有机碳对应的特征光谱波段。其中特征光谱波段基于所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定。从而从土壤反射率光谱中获取得到波段范围较小的土壤有机碳对应的特征光谱波段，最后将所述特征光谱波段输入预设的土壤有机碳含量估算模型，得到土壤有机碳估算含量。相比传统估算模型将整个可见近红外波段用于土壤有机碳含量估算，本发明实施例通过从土壤反射率光谱获取土壤有机碳对应的特征光谱波段用于土壤有机碳含量估算，解决现有基于土壤反射率光谱的有机碳含量估算研究中存在的光谱数据冗余问题，实现降低模型的复杂度以及提高基于土壤反射率光谱的有机碳含量估算模型的估算精度。
作为一种优选实施例，土壤有机碳含量估算装置还包括：
第三获取模块，用于获取土壤反射率光谱和土壤有机碳含量；
吸收特征提取模块，用于根据所述土壤反射率光谱提取土壤反射率光谱的吸收特征；
特征光谱波段确定模块，用于根据所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段；
模型构建模块，用于基于所述特征光谱波段和所述土壤有机碳含量建立土壤有机碳含量估算模型。
作为一种优选实施例，模型构建模块还包括：
偏最小二乘回归算法模型模块，用于基于所述特征光谱波段和所述土壤有机碳含量，采用偏最小二乘回归算法建立土壤有机碳含量估算模型。
作为一种优选实施例，特征光谱波段确定模块用于基于土壤组分顺序提取实验中提取有机碳前后的土壤反射率光谱的差异，以及所述土壤反射率光谱的吸收特征，确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段。
作为一种优选实施例，特征光谱波段确定模块还包括：
噪声去除模块，用于去除所述土壤反射率光谱中的噪声。
作为一种优选实施例，所述土壤反射率光谱的吸收特征通过光谱导数方法、光谱差分方法、光谱包络线去除方法中的任意一种光谱特征提取算法提取。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行土壤有机碳含量估算方法，该方法包括：获取土壤反射率光谱和土壤有机碳含量；根据所述土壤反射率光谱提取土壤反射率光谱的吸收特征；根据所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段；基于所述特征光谱波段和所述土壤有机碳含量建立土壤有机碳含量估算模型。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的土壤有机碳含量估算方法，该方法包括：获取土壤反射率光谱和土壤有机碳含量；根据所述土壤反射率光谱提取土壤反射率光谱的吸收特征；根据所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段；基于所述特征光谱波段和所述土壤有机碳含量建立土壤有机碳含量估算模型。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的土壤有机碳含量估算方法，该方法包括：获取土壤反射率光谱和土壤有机碳含量；根据所述土壤反射率光谱提取土壤反射率光谱的吸收特征；根据所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段；基于所述特征光谱波段和所述土壤有机碳含量建立土壤有机碳含量估算模型。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种土壤有机碳含量估算方法，其特征在于，包括：
获取土壤反射率光谱；
根据所述土壤反射率光谱获取与土壤有机碳对应的特征光谱波段，所述特征光谱波段基于所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定；
将所述特征光谱波段输入预设的土壤有机碳含量估算模型，得到土壤有机碳估算含量。
2.根据权利要求1所述的土壤有机碳含量估算方法，其特征在于，所述获取土壤反射率光谱的步骤之前还包括：
获取土壤反射率光谱和土壤有机碳含量；
根据所述土壤反射率光谱提取土壤反射率光谱的吸收特征；
根据所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段；
基于所述特征光谱波段和所述土壤有机碳含量建立土壤有机碳含量估算模型。
3.根据权利要求2所述的土壤有机碳含量估算方法，其特征在于，基于所述特征光谱波段和所述土壤有机碳含量建立土壤有机碳含量估算模型包括：
基于所述特征光谱波段和所述土壤有机碳含量，采用偏最小二乘回归算法建立土壤有机碳含量估算模型。
4.根据权利要求2所述的土壤有机碳含量估算方法，其特征在于，所述根据所述土壤有机碳的光谱特征和所述土壤反射率光谱的吸收特征确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段的步骤，包括：
基于土壤组分顺序提取实验中提取有机碳前后的土壤反射率光谱的差异，以及所述土壤反射率光谱的吸收特征，确定所述土壤反射率光谱中土壤有机碳对应的特征光谱波段。
5.根据权利要求1所述的土壤有机碳含量估算方法，其特征在于，所述获取土壤反射率光谱的步骤之后还包括：
去除所述土壤反射率光谱中的噪声。
6.根据权利要求1-5任一项所述的土壤有机碳含量估算方法，其特征在于，
所述土壤反射率光谱的吸收特征通过光谱导数方法、光谱差分方法、光谱包络线去除方法中的任意一种光谱特征提取算法提取。
7.根据权利要求1所述的土壤有机碳含量估算方法，其特征在于，
所述土壤反射率光谱包括根据地物光谱仪测得的土壤反射率光谱，或者基于高光谱遥感图像提取的土壤反射率光谱。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述土壤有机碳含量估算方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述土壤有机碳含量估算方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述土壤有机碳含量估算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111092455.7A CN114002162A (zh) | 2021-09-17 | 2021-09-17 | 土壤有机碳含量估算方法、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111092455.7A CN114002162A (zh) | 2021-09-17 | 2021-09-17 | 土壤有机碳含量估算方法、设备、存储介质及程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114002162A true CN114002162A (zh) | 2022-02-01 |
Family
ID=79921496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111092455.7A Pending CN114002162A (zh) | 2021-09-17 | 2021-09-17 | 土壤有机碳含量估算方法、设备、存储介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114002162A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114740180A (zh) * | 2022-04-07 | 2022-07-12 | 中山大学 | 基于多源遥感数据的土壤有机碳估算方法及装置 |
| CN116559108A (zh) * | 2023-05-19 | 2023-08-08 | 中国科学院地理科学与资源研究所 | 一种低浓度石油烃污染土壤近红外光谱诊断指标提取方法 |
-
2021
- 2021-09-17 CN CN202111092455.7A patent/CN114002162A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114740180A (zh) * | 2022-04-07 | 2022-07-12 | 中山大学 | 基于多源遥感数据的土壤有机碳估算方法及装置 |
| CN116559108A (zh) * | 2023-05-19 | 2023-08-08 | 中国科学院地理科学与资源研究所 | 一种低浓度石油烃污染土壤近红外光谱诊断指标提取方法 |
| CN116559108B (zh) * | 2023-05-19 | 2024-01-12 | 中国科学院地理科学与资源研究所 | 一种低浓度石油烃污染土壤近红外光谱诊断指标提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105352895B (zh) | 高光谱遥感数据植被信息提取方法 | |
| CN114002162A (zh) | 土壤有机碳含量估算方法、设备、存储介质及程序产品 | |
| CN110333195A (zh) | 植物叶片水分含量检测方法及装置 | |
| 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 | |
| CN103983584A (zh) | 一种内陆二类水体叶绿素a浓度的反演方法及装置 | |
| 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 | |
| CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
| CN111487213A (zh) | 多光谱融合的化学需氧量测试方法及装置 | |
| CN113008805A (zh) | 基于高光谱成像深度分析的白芷饮片质量预测方法 | |
| CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
| CN111474117B (zh) | 作物病害监测的方法及装置 | |
| CN114778484B (zh) | 茶叶品质等级分类方法及装置、设备、存储介质 | |
| CN115855860A (zh) | 一种茶叶干燥过程中的水分含量预测方法及处理终端 | |
| CN103018178A (zh) | 基于局部保持投影的红外光谱仪校准方法 | |
| Liu et al. | Estimation of chlorophyll content in maize canopy using wavelet denoising and SVR method | |
| Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
| CN117191739A (zh) | 一种校正水分干扰的近红外光谱定量检测的方法及系统 | |
| CN116148210A (zh) | 水果品质检测方法及装置 | |
| CN115327023A (zh) | 一种植物叶片氮含量检测方法及系统 | |
| CN115931727A (zh) | 一种叶绿素a遥感反演方法、装置、系统以及存储介质 | |
| CN111781163B (zh) | 土壤粒度对离散近红外波段检测土壤参数影响的消除方法 | |
| Li et al. | Comparison of two methods for estimation of soil water content from measured reflectance | |
| Yuan et al. | A Hybrid Synthetic Minority Oversampling Technique and Deep Neural Network Framework for Improving Rice Yield Estimation in an Open Environment. | |
| WO2024212357A1 (zh) | 一种光谱信息分离聚合方法 | |
| Hao et al. | Wavelet-based threshold denoising for imaging hyperspectral data |
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 |