CN114004147A - 一种土壤湿润状态下同时预测多种土壤属性的方法 - Google Patents

Abstract

本发明涉及一种土壤湿润状态下同时预测多种土壤属性的方法，采用大多数研究中鲜有使用的湿润土壤可见‑近红外高光谱数据进行土壤属性的预测和建模，首先对高光谱数据进行分数阶微分处理，然后通过建立多输出的一维卷积神经网络模型1DCNN来预测土壤有机质、水分、氧化铁、砂粒、粉粒和粘粒含量，实现上述土壤属性数据基于可见‑近红外光谱的精准预测。通过本发明提供的方法，无需对土壤样品进行风干处理，且仅需建立一个模型，即可实现对多种土壤属性含量的精准预测。该方法有效提高了基于可见‑近红外光谱数据预测土壤属性的效率和精度，提升了高光谱数据的使用便捷性，同时有效避免了土壤水分会影响土壤属性预测精度的问题，具有推广应用的潜力。

Description

一种土壤湿润状态下同时预测多种土壤属性的方法

技术领域

本发明涉及一种湿润状态下同时预测多种土壤属性的方法，具体涉及分数阶微分预处理与多输出的一维卷积神经网络，1DCNN结合的土壤属性预测方法，属于土壤属性预测技术领域。

背景技术

土壤属性空间变异研究对区域生态和耕地质量评价、耕地资源利用具有重要意义。因此，实现关键土壤属性信息的准确估算是对土壤进行科学研究与有效利用的关键。可见-近红外高光谱技术可快速、无损、经济、准确地进行土壤属性信息估算研究，近年来受到众多国内外学者的关注，因而被广泛应用于土壤属性信息的快速获取研究中。

目前国内外学者基于可见-近红外高光谱数据预测土壤属性含量，大多是以风干土壤样品为研究对象，采用偏最小二乘回归，地理加权回归，随机森林等方法来针对不同的土壤属性分别来建模。因为有研究表明土壤水分会严重影响建模精度，然而，对于土壤来说，土壤水含量也是一项重要的土壤属性，关系到植物的生长发育、养分的运移等。尽管土壤含水量的预测，对于建模有着更高的要求，但是对于实际的生产生活有着极大的指导意义，而采用风干样品进行研究是无法获取土壤水分含量的。风干土壤样品无疑增加了工作量，降低了工作效率，与此同时，野外原位光谱测量过程中，土壤含水量是不可避免的一个因素，有些研究建议采用外部参数正交化方法(External parameter orthogonalization,EPO)等方法将土壤水分的信息分解出来，以减少土壤水分对其他土壤属性预测的干扰。然而，这些算法一方面需要专业的背景知识才能实施，另一方面对其他土壤属性预测精度的提高效力有限。

土壤属性分别建模相较于多因变量同时输出的建模方式，最直观的就是效率上的差距，分别建模需要分别调整参数，工作量将是指数级的增加，同时也加大了运算量。另外，仅仅因变量建模，也失去了光谱分析可同时建模定量确定多组分的优势。而输出的土壤属性本身有所关联，分别建模的方式割裂了土壤属性本身的相关性，影响建模精度的进一步提高。

发明内容

本发明所要解决的技术问题是提供一种土壤湿润状态下同时预测多种土壤属性的方法，采用新颖的设计思路，应用现有数据进行分析处理，能够在土壤湿润状态下同时实现多种土壤属性的预测，提高工作效率和模型的稳定性。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种土壤湿润状态下同时预测多种土壤属性的方法，用于实现目标土壤区域中待检测土壤的多种土壤属性的预测，首先执行如下步骤A至步骤E，获得目标土壤区域所对应的最佳微分阶数和最佳1DCNN预测模型，然后执行如下步骤I至步骤III，获得目标土壤区域中待检测土壤的土壤含水量、有机质、氧化铁、砂粒、粘粒和粉粒含量的预测结果；步骤A.根据目标区域所对应的已有土壤资料数据，提取其中来自目标区域、分别对应不同土壤含水量的土壤样品的土壤光谱，并且其中所对应的不同土壤含水量中覆盖目标土壤区域低于风干土壤含水量至饱和土壤含水量的含水量的范围，然后进入步骤B；

步骤B.针对各条土壤光谱，获得土壤原始光谱，然后进入步骤C；

步骤C.基于土壤原始光谱数据，排除非400-2400nm波段和存在空值的数据，筛选过后的数据进行分数阶微分的处理；

步骤D.搭建1DCNN，将事先进行过分数阶微分处理的光谱数据作为自变量传入网络，输出的结果为一个1*6维的向量，分别对应预测土壤中的水分、有机质、氧化铁、砂粒、粉粒和粘粒含量，获取最优模型和最佳微分阶数；

步骤I.采集目标土壤区域中待检测土壤，并获取待检测土壤所对应的土壤光谱，然后进入步骤II；

步骤II.按步骤C的方法，获得待检测土壤的土壤分数阶微分光谱，然后进入步骤III；

步骤III.以步骤D确定的最佳微分阶数的光谱为自变量，采用步骤D中目标土壤区域所筛选的最优1DCNN模型进行计算，获得待检测土壤所对应的含水量、有机质、氧化铁、砂粒、粉粒、粘粒含量。

作为本发明的一种优选技术方案，所述步骤C包括如下步骤：

步骤C1.基于二维矩阵的数据格式，按照下列方程逐行、逐列运算，计算原始光谱的分数阶微分

式中，f(x)为对应波段反射率；v为阶数；Γ(·)为伽玛(gamma)函数；m为微分的上下限之差，即波段范围。

步骤C2.按照上述公式，v分别取0，0.1，0.2，0.3，……，2，v按照上述规律逐个取值分别对应原始光谱，0.1阶微分光谱，0.2阶微分光谱，0.3阶微分光谱，……，2阶微分光谱，然后进入步骤D。

作为本发明的一种优选技术方案，所述步骤D包括如下步骤：

步骤D1.对于原始光谱数据，分别搭建1DCNN，将事先进行过分数阶微分处理的光谱数据作为自变量传入网络，输出的结果为一个1*6维的向量，分别对应预测土壤中的水分、有机质、氧化铁、砂粒、粉粒和粘粒含量；

步骤D2.每完成一个数据的训练保存一次loss，利用反向传播算法更新权重和偏置，重复训练，每一次训练都使用visdom实现loss的可视化，直到loss不再发生明显变化，此时保存训练的次数，作为以后训练epoch初始值选择的依据，同时保存训练好的模型；

步骤D3.计算训练集水分、有机质、氧化铁、砂粒、粉粒和粘粒含量实测值和模型预测值的决定系数R²、均方根误差RMSE和相对分析误差RPD；

步骤D4.对于0.1阶、0.2阶，……，2阶微分光谱，均按照步骤D1到D3执行，获取训练好的模型；

步骤D5.比较每个阶数的微分光谱所对应模型获得的决定系数R²、均方根误差RMSE和相对分析误差RPD，选取R²最高、RMSE最小且RPD最高的微分阶数光谱对应的训练模型为最佳训练模型。

本发明所述一种土壤湿润状态下同时预测多种土壤属性的方法，采用以上技术方案与现有技术相比，具有以下技术效果：

本发明所设计土壤湿润状态下同时预测多种土壤属性的方法，采用全新设计思路，应用已有土壤数据进行分析处理，先对光谱数据进行分数阶微分处理，再运用训练集样本进行建模并比较评价指标，确定最佳分数阶数和最优模型，然后对未知样品进行土壤水分、有机质、氧化铁、砂粒、粉粒和粘粒含量的预测；有效避免现有研究方法中需将土壤风干或采用数学方法将土壤水分信息消减的问题，同时也避免了针对不同土壤属性分别建模耗时耗力的问题，实现了湿润状态下一个模型同时预测包括土壤含水量在内的多种土壤属性，在一定程度上提高了土壤属性基于可见-近红外光谱数据的预测精度，提升了土壤属性的预测效率和精度，提高了可见-近红外光谱数据的使用效率，具有推广应用的潜力。

附图说明

图1为本发明所设计1DCNN网络示意图；

图2为本发明设计应用实施例中土壤含水量、有机质、氧化铁、砂粒、粉粒和粘粒含量实测值与预测值的散点图。

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。

本发明设计了一种土壤湿润状态下同时预测多种土壤属性的方法，用于实现目标土壤区域中待检测土壤的多种土壤属性的预测，首先执行如下步骤A至步骤E，获得目标土壤区域所对应的最佳微分阶数和最佳1DCNN预测模型，然后执行如下步骤I至步骤III，获得目标土壤区域中待检测土壤的土壤含水量、有机质、氧化铁、砂粒、粘粒和粉粒含量的预测结果；

步骤A.根据目标区域所对应的已有土壤资料数据，提取其中来自目标区域、分别对应不同土壤含水量的土壤样品的土壤光谱，并且其中所对应的不同土壤含水量中覆盖目标土壤区域风干土壤含水量至饱和土壤含水量的含水量的范围，然后进入步骤B；步骤B.针对各条土壤光谱，获得土壤原始光谱，然后进入步骤C；

步骤C.基于土壤原始光谱，排除非400-2400nm波段和存在空值的数据，将筛选过后的数据进行分数阶微分处理，然后进入步骤D；

上述步骤C在实际应用当中，具体包括如下步骤C1至步骤C2。

步骤C1.基于二维矩阵的数据格式，按照下列方程逐行、逐列运算，计算原始光谱的分数阶微分

式中，f(x)为对应波段反射率；v为阶数；Γ(·)为伽玛(gamma)函数；m为微分的上下限之差，即波段范围。

步骤C2.按照上述公式，v分别取0，0.1，0.2，0.3，……，2，v按照上述规律逐个取值分别对应原始光谱，0.1阶微分光谱，0.2阶微分光谱，0.3阶微分光谱，……，2阶微分光谱，然后进入步骤D。

步骤D.搭建1DCNN，将事先进行过分数阶微分处理的光谱数据作为自变量传入网络，输出的结果为一个1*6维的向量，分别对应预测土壤中的水分、有机质、氧化铁、砂粒、粉粒和粘粒含量，获取最优模型和最佳微分阶数；

上述步骤D在实际应用当中，具体包括如下步骤D1至步骤D5：

步骤D1.对于原始光谱数据，分别搭建1DCNN，将事先进行过分数阶微分处理的光谱数据作为自变量传入网络，输出的结果为一个1*6维的向量，分别对应预测土壤中的水分、有机质、氧化铁、砂粒、粉粒和粘粒含量；

步骤D2.每完成一个数据的训练保存一次loss，利用反向传播算法更新权重和偏置，重复训练，每一次训练都使用visdom实现loss的可视化，直到loss不再发生明显变化(如：变化幅度小于0.001)，此时保存训练的次数，作为以后训练epoch初始值选择的依据，同时保存训练好的模型；

步骤D3.计算训练集水分、有机质、氧化铁、砂粒、粉粒和粘粒含量实测值和模型预测值的决定系数R²、均方根误差RMSE和相对分析误差RPD；

步骤D4.对于0.1阶、0.2阶，……，2阶微分光谱，均按照步骤D1到D3执行，获取训练好的模型；

步骤D5.比较每个阶数的微分光谱所对应模型获得的决定系数R²、均方根误差RMSE和相对分析误差RPD，选取R²最高、RMSE最小且RPD最高的微分阶数光谱对应的训练模型为最佳训练模型。

然后执行步骤I至步骤III，获得目标土壤区域中待检测土壤的土壤含水量、有机质、氧化铁、砂粒、粉粒和粘粒含量的预测结果。

步骤I.采集目标土壤区域中待检测土壤，并获取待检测土壤所对应的土壤光谱，然后进入步骤II；

步骤II.按步骤C的方法，获得待检测土壤的土壤分数阶微分光谱，然后进入步骤III；

步骤III.以步骤D确定的最佳微分阶数的光谱为自变量，采用步骤D中目标土壤区域所筛选的最优1DCNN模型进行计算，获得待检测土壤所对应的含水量、有机质、氧化铁、砂粒、粉粒、粘粒含量。

将上述所设计土壤湿润状态下同时预测多种土壤属性的方法，应用于实际当中，诸如执行步骤A，由目标土壤区域所对应的已有土壤资料数据，提取到其中576份来自目标土壤区域、分别对应不同土壤含水量的土壤样品的土壤原始光谱，并且其中所对应的不同土壤含水量的范围为2％～68.85％，以及其中所提取到的土壤光谱范围为400nm～2400nm，然后进入步骤B。

步骤B.针对查找所获每条土壤光谱，应用ViewSpecPro软件进行拼接处理，获得土壤原始光谱，然后进入步骤C1。

步骤C1.应用Python，基于二维矩阵的数据格式，则土壤原始光谱的数据维数为576×2001，即576行×2001列，代表576个样品和2001个波段，然后进入步骤C2。

步骤C2.根据如下公式：

分数阶微分

式中，f(x)为对应波段反射率；v为阶数；Γ(·)为伽玛(gamma)函数；m为微分的上下限之差，即波段范围。

计算分数阶微分光谱，然后进入步骤C3。

步骤C3.按照上述公式，v分别取0，0.1，0.2，0.3，……，2，v按照上述规律逐个取值分别对应原始光谱，0.1阶微分光谱，0.2阶微分光谱，0.3阶微分光谱，……，2阶微分光谱，然后进入步骤D1。

步骤D1.对于原始光谱数据，分别搭建1DCNN，将事先进行过分数阶微分处理的光谱数据作为自变量传入网络，输出的结果为一个1*6维的向量，分别对应预测土壤中的水分、有机质、氧化铁、砂粒、粉粒和粘粒含量，然后进入步骤D2；

步骤D2.每完成一个数据的训练保存一次loss，利用反向传播算法更新权重和偏置，重复训练，每一次训练都使用visdom实现loss的可视化，直到loss不再发生明显变化，此时保存训练的次数，作为以后训练epoch初始值选择的依据，同时保存训练好的模型，然后进入步骤D3；

步骤D3.计算训练集水分、有机质、氧化铁、砂粒、粉粒和粘粒含量实测值和模型预测值的决定系数R²、均方根误差RMSE和相对分析误差RPD，然后进入步骤D4；

步骤D4.对于0.1阶、0.2阶，……，2阶微分光谱，均按照步骤D1到D3执行，获取训练好的模型，然后进入步骤D5；

步骤D5.比较每个阶数的微分光谱所对应模型获得的决定系数R²、均方根误差RMSE和相对分析误差RPD，选取R²最高、RMSE最小且RPD最高的微分阶数光谱对应的训练模型为最佳训练模型，此数据最佳分数阶光谱的阶数为0.5阶，最优模型为0.5阶微分光谱对应的模型，然后进入步骤E。

步骤E.采集目标土壤区域中248个待检测土壤，并获取待检测土壤所对应的土壤光谱，然后进入步骤F；

步骤F.按步骤C1-C3的方法，获得待检测土壤的分数阶微分光谱，然后进入步骤G；

步骤G.以步骤D确定的最佳微分阶数为0.5阶的微分光谱为自变量，采用步骤D中目标土壤区域所筛选的最优1DCNN模型进行计算，获得待检测土壤所对应的含水量、有机质、氧化铁、砂粒、粉粒、粘粒含量。

上述技术方案所设计的土壤湿润状态下同时预测多种土壤属性的方法，采用全新的设计思路，应用已有土壤数据进行分析处理，获得土壤所对应的分数阶微分光谱，进而应用1DCNN多因变量输出模型，获得最优的1DCNN预测模型和最佳分数阶微分的阶数，作为目标土壤区域的最佳土壤属性预测模型，并应用于实际当中，最终实现对目标土壤区域中待检测土壤的土壤含水量、有机质、氧化铁、砂粒、粉粒和粘粒含量的预测；有效避免现有土壤属性预测模型中，将土壤水分信息刨除在外且对各个土壤属性分别建模，影响模型计算效率和稳定性的缺点，高效实现了多种土壤属性同时建模预测，在一定程度上提高了土壤属性基于可见-近红外光谱数据的预测精度，提升了土壤属性的预测效率和精度，增强了高光谱可同时预测多种土壤属性的优势，具有推广应用的潜力。

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 (3)

1.一种土壤湿润状态下同时预测多种土壤属性的方法，用于实现目标区域中待检测土壤的土壤含水量、有机质、氧化铁、砂粒、粘粒和粉粒含量预测，其特征在于，首先执行如下步骤A至步骤D，获得目标区域所对应的上述六种土壤属性的预测模型，然后执行如下步骤I至步骤III，获得目标土壤区域中待检测土壤的上述六种土壤属性预测结果：

步骤A.根据目标区域所对应的已有土壤资料数据，提取其中来自目标区域、分别对应不同土壤含水量的土壤样品的土壤光谱，并且其中所对应的不同土壤含水量中覆盖目标土壤区域低于风干土壤含水量至饱和土壤含水量的含水量的范围，然后进入步骤B；

步骤B.针对各条土壤光谱，获得土壤原始光谱，然后进入步骤C；

步骤C.基于土壤原始光谱数据，排除非400-2400nm波段和存在空值的数据，筛选过后的数据进行分数阶微分的处理；

步骤D.搭建1DCNN，将事先进行过分数阶微分处理的光谱数据作为自变量传入网络，输出的结果为一个1*6维的向量，分别对应预测土壤中的水分、有机质、氧化铁、砂粒、粉粒和粘粒含量，获取最优模型和最佳微分阶数；

步骤I.采集目标土壤区域中待检测土壤，并获取待检测土壤所对应的土壤光谱，然后进入步骤II；

步骤II.按步骤C的方法，获得待检测土壤的土壤分数阶微分光谱，然后进入步骤III；

步骤III.以步骤D确定的最佳微分阶数的光谱为自变量，采用步骤D中目标土壤区域所筛选的最优1DCNN模型进行计算，获得待检测土壤所对应的含水量、有机质、氧化铁、砂粒、粉粒、粘粒含量。

2.根据权利要求1所述的一种土壤湿润状态下同时预测多种土壤属性的方法，其特征在于，所述步骤C包括如下步骤：

步骤C1.基于二维矩阵的数据格式，按照下列方程逐行、逐列运算，计算原始光谱的分数阶微分

式中，f(x)为对应波段反射率；v为阶数；Γ(·)为伽玛(gamma)函数；m为微分的上下限之差，即波段范围；

步骤C2.按照上述公式，v分别取0，0.1，0.2，0.3，……，2，v按照上述规律逐个取值分别对应原始光谱，0.1阶微分光谱，0.2阶微分光谱，0.3阶微分光谱，……，2阶微分光谱，然后进入步骤D。

3.根据权利要求1所述的一种土壤湿润状态下同时预测多种土壤属性的方法，其特征在于，所述步骤D包括如下步骤：

步骤D1.对于原始光谱数据，分别搭建1DCNN，将事先进行过分数阶微分处理的光谱数据作为自变量传入网络，输出的结果为一个1*6维的向量，分别对应预测土壤中的水分、有机质、氧化铁、砂粒、粉粒和粘粒含量；

步骤D2.每完成一个数据的训练保存一次loss，利用反向传播算法更新权重和偏置，重复训练，每一次训练都使用visdom实现loss的可视化，直到loss不再发生明显变化,此时保存训练的次数，作为以后训练epoch初始值选择的依据，同时保存训练好的模型；

步骤D3.计算训练集水分、有机质、氧化铁、砂粒、粉粒和粘粒含量实测值和模型预测值的决定系数R²、均方根误差RMSE和相对分析误差RPD；

步骤D4.对于0.1阶、0.2阶，……，2阶微分光谱，均按照步骤D1到D3执行，获取训练好的模型；

步骤D5.比较每个阶数的微分光谱所对应模型获得的决定系数R²、均方根误差RMSE和相对分析误差RPD，选取R²最高、RMSE最小且RPD最高的微分阶数光谱对应的训练模型为最佳训练模型。

Images