CN114019082A - 一种土壤有机质含量监测方法和系统 - Google Patents
一种土壤有机质含量监测方法和系统 Download PDFInfo
- Publication number
- CN114019082A CN114019082A CN202111399077.7A CN202111399077A CN114019082A CN 114019082 A CN114019082 A CN 114019082A CN 202111399077 A CN202111399077 A CN 202111399077A CN 114019082 A CN114019082 A CN 114019082A
- Authority
- CN
- China
- Prior art keywords
- organic matter
- soil
- model
- matter content
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000004016 soil organic matter Substances 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 239000002689 soil Substances 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 239000005416 organic matter Substances 0.000 claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims description 85
- 238000005070 sampling Methods 0.000 claims description 71
- 238000001228 spectrum Methods 0.000 claims description 70
- 238000012360 testing method Methods 0.000 claims description 65
- 230000036961 partial effect Effects 0.000 claims description 30
- 238000012216 screening Methods 0.000 claims description 27
- 238000003066 decision tree Methods 0.000 claims description 24
- 238000002310 reflectometry Methods 0.000 claims description 22
- 238000002790 cross-validation Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000007605 air drying Methods 0.000 claims description 7
- 238000000227 grinding Methods 0.000 claims description 7
- 230000003647 oxidation Effects 0.000 claims description 7
- 238000007254 oxidation reaction Methods 0.000 claims description 7
- 238000007873 sieving Methods 0.000 claims description 7
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 6
- 229910052700 potassium Inorganic materials 0.000 claims description 6
- 239000011591 potassium Substances 0.000 claims description 6
- QAOWNCQODCNURD-UHFFFAOYSA-N sulfuric acid Substances OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 17
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 241000234314 Zingiber Species 0.000 description 3
- 235000006886 Zingiber officinale Nutrition 0.000 description 3
- 235000008397 ginger Nutrition 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 125000003178 carboxy group Chemical group [H]OC(*)=O 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design 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
- 125000000524 functional group Chemical group 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
- G01N31/005—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods investigating the presence of an element by oxidation
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Immunology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供的土壤有机质含量监测方法和系统，分别采集了无人机高光谱影像和地面实测土壤有机质含量，利用变量空间迭代收缩算法结合极端随机树构建SOM回归估计模型，再利用所构建的SOM回归估计模型得到土壤高光谱影像上每个像素点的有机质含量，反演得到有机质含量分布图，能够在提高土壤有机质含量监测时效性和精确性的同时，降低监测工作量和研究成本，进而实现无人机在定制的时空尺度下实现对作物和自然资源的快速监测，为精准农业提供数据支持。
Description
技术领域
本发明涉及土壤有机质含量监测技术领域，特别是涉及一种土壤有机质含量监测方法和系统。
背景技术
土壤有机质(Soil Organic Matter，SOM)可以通过生物合成和分解，改善土壤的物理、化学和生物特性，在控制土壤功能和质量、抵消温室气体排放、完善全球碳循环系统信息等方面发挥着重要作用。高光谱技术具有精细的光谱分辨率，可获取地物纳米级的连续光谱信息，SOM具有多种官能团(如羟基、羧基等)，分别在红外光谱区域有特征性吸收，且不同波段的吸收强度与该物质的分子结构及浓度存在对应关系，为高光谱定量反演土壤有机质奠定了理论基础，为土壤有机质预测提供了可能。
传统土壤有机质含量监测方法主要依赖实验室测定，具有耗时长、工作量大、研究成本高等问题，且对于采集样本的光谱特征和分析无法提供特定区域内土壤性质的空间连续分布。并且，在以往的大多数研究中，预测SOM含量主要利用暗室测量的高光谱数据，因为这类数据不易受土壤湿度、土壤粗糙度和大气环境的影响，这些干扰因素的存在显著增加了土壤性质预测的不确定性。
发明内容
本发明的目的是提供一种土壤有机质含量监测方法和系统，能够在提高土壤有机质含量监测时效性和精确性的同时，降低监测工作量和研究成本。
为实现上述目的，本发明提供了如下方案：
一种土壤有机质含量监测方法，包括：
依据土壤类型和土地利用类型采集样品，并记录采样点的位置信息；
对所述样品进行处理后采用重酪酸钾-硫酸溶液氧化法测定所述样品的土壤有机质含量；所述处理包括风干、研磨和过筛；
采用无人机搭载的高光谱成像仪采集高光谱影像；
采用遥感图像处理平台获取所述高光谱影像中与试验田区域对应的高光谱影像；
结合所述位置信息在与试验田区域对应的高光谱影像选取矩形感兴趣区；
统计所述矩形感兴趣区所包含的光谱信息，并基于所述光谱信息确定原始光谱数据；所述原始光谱数据为所述光谱信息的平均光谱值；
采用VISSA算法基于模型集群分析框架筛选所述原始光谱数据的特征波段；
采用ERT算法利用所述特征波段结合所述土壤有机质含量得到SOM回归估计模型；
根据所述特征波段基于所述SOM回归估计模型建立索引，以提取所述高光谱数据中所对应特征波段下的反射率值；
根据所述反射率值反演与试验田区域对应的高光谱影像中每一像素点的土壤有机质含量，得到试验田区域的SOM分布图。
优选地，所述依据土壤类型和土地利用类型采集样品，并记录采样点的位置信息，具体包括：
依据土壤类型和土地利用类型采用五点采样法采集样品，并采用GPS记录采样点的位置信息。
优选地，所述采用遥感图像处理平台获取所述高光谱影像中与试验田区域对应的高光谱影像，具体包括：
采用SpecView软件对原始高光谱影像进行镜头校准-白板校准-大气校正，得到反射率影像数据，再利用HiSpectralStitcher软件对反射率影像数据进行拼接，并使用试验田区域的边界矢量文件对拼接得到的高光谱影像进行裁剪，得到与试验田区域对应的高光谱影像。
优选地，所述采用VISSA算法基于模型集群分析框架筛选所述原始光谱数据的特征波段，具体包括：
基于所述原始光谱数据使用加权二进制采样法生成多个光谱变量子集；所述光谱变量子集中的每个光谱变量初始采样权重默认为第一预设值；
建立与每一个所述光谱变量子集对应的偏最小二乘模型，并记录每个所述偏最小二乘模型对应的交互验证均方根误差；
选取交互验证均方根误差最小的偏最小二乘模型；
统计光谱变量子集中每个光谱变量在交互验证均方根误差最小的偏最小二乘模型中出现的概率；
将所述概率作为下一次迭代中对应光谱变量的采样权重，若采样权重为第二预设值，则该光谱变量进入后续迭代循环，若采样权重为第三预设值，则剔除；若采样权重在所述第三预设值与所述第二预设值之间，则该光谱变量作为候选变量，直至所述采样权重保持不变时，剩余的光谱变量即为筛选得到的所述特征波段；所述第二预设值大于所述第三预设值。
优选地，所述采用ERT算法利用所述特征波段结合所述土壤有机质含量得到SOM回归估计模型，具体包括：
随机选择一个特征波段对应的光谱信息划分决策树生成森林模型；
基于所述特征波段特征波段对应的光谱信息和所述土壤有机质含量形成测试样本；
把测试样本输入到所述森林模型中，利用所述森林模型中的每一株决策树对所述测试样本进行回归预测，得到预测值；
根据各个决策树的预测值的平均值进行投票选择，得到SOM回归估计模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的土壤有机质含量监测方法，分别采集了无人机高光谱影像和地面实测土壤有机质含量，利用变量空间迭代收缩算法(Variable space iterative shrinkagealgorithm，VISSA)结合极端随机树(Extremelyrandomizedtrees，ERT)构建SOM回归估计模型，再利用所构建的SOM回归估计模型得到土壤高光谱影像上每个像素点的有机质含量，进而反演得到有机质含量分布图，能够在提高土壤有机质含量监测时效性和精确性的同时，降低监测工作量和研究成本。
对应于上述提供的土壤有机质含量监测方法，本发明还提供了一种土壤有机质含量监测系统，该系统包括：
样品-位置采集模块，用于依据土壤类型和土地利用类型采集样品，并记录采样点的位置信息；
土壤有机质含量测定模块，用于对所述样品进行处理后采用重酪酸钾-硫酸溶液氧化法测定所述样品的土壤有机质含量；所述处理包括风干、研磨和过筛；
高光谱影像采集模块，用于采用无人机搭载的高光谱成像仪采集高光谱影像；
高光谱影像预处理模块，用于采用遥感图像处理平台获取所述高光谱影像中与试验田区域对应的高光谱影像；
矩形感兴趣区框选模块，用于结合所述位置信息在与试验田区域对应的高光谱影像选取矩形感兴趣区；
原始光谱数据确定模块，用于统计所述矩形感兴趣区所包含的光谱信息，并基于所述光谱信息确定原始光谱数据；所述原始光谱数据为所述光谱信息的平均光谱值；
特征波段筛选模块，用于采用VISSA算法基于模型集群分析框架筛选所述原始光谱数据的特征波段；
SOM回归估计模型构建模块，用于采用ERT算法利用所述特征波段结合所述土壤有机质含量得到SOM回归估计模型；
反射率值确定模块，用于根据所述特征波段基于所述SOM回归估计模型建立索引，以提取所述高光谱数据中所对应特征波段下的反射率值；
反演模块，用于根据所述反射率值反演与试验田区域对应的高光谱影像中每一像素点的土壤有机质含量，得到试验田区域的SOM分布图。
优选地，所述样品-位置采集模块包括：
样品-位置采集单元，用于依据土壤类型和土地利用类型采用五点采样法采集样品，并采用GPS记录采样点的位置信息。
优选地，所述高光谱影像预处理模块包括：
高光谱影像获取单元，用于采用SpecView软件对原始高光谱影像进行镜头校准-白板校准-大气校正，得到反射率影像数据，再利用HiSpectralStitcher软件对反射率影像数据进行拼接，并使用试验田区域的边界矢量文件对拼接得到的高光谱影像进行裁剪，得到与试验田区域对应的高光谱影像。
优选地，所述特征波段筛选模块包括：
光谱变量子集生成单元，用于基于所述原始光谱数据使用加权二进制采样法生成多个光谱变量子集；所述光谱变量子集中的每个光谱变量初始采样权重默认为第一预设值；
偏最小二乘模型构建单元，用于建立与每一个所述光谱变量子集对应的偏最小二乘模型，并记录每个所述偏最小二乘模型对应的交互验证均方根误差；
模型选取单元，用于选取交互验证均方根误差最小的偏最小二乘模型；
概率统计单元，用于统计光谱变量子集中每个光谱变量在交互验证均方根误差最小的偏最小二乘模型中出现的概率；
特征波段筛选单元，用于将所述概率作为下一次迭代中对应光谱变量的采样权重，若采样权重为第二预设值，则该光谱变量进入后续迭代循环，若采样权重为第三预设值，则剔除；若采样权重在所述第三预设值与所述第二预设值之间，则该光谱变量作为候选变量，直至所述采样权重保持不变时，剩余的光谱变量即为筛选得到的所述特征波段；所述第二预设值大于所述第三预设值。
优选地，所述SOM回归估计模型构建模块包括：
森林模型生成单元，用于随机选择一个特征波段对应的光谱信息划分决策树生成森林模型；
测试样本生成单元，用于基于所述特征波段特征波段对应的光谱信息和所述土壤有机质含量形成测试样本；
预测值确定单元，用于把测试样本输入到所述森林模型中，利用所述森林模型中的每一株决策树对所述测试样本进行回归预测，得到预测值；
SOM回归估计模型构建单元，用于根据各个决策树的预测值的平均值进行投票选择，得到SOM回归估计模型。
因本发明提供的土壤有机质含量监测系统实现的技术效果与上述提供的土壤有机质含量监测方法实现的技术效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的土壤有机质含量监测方法的流程图；
图2为本发明实施例提供的土壤有机质含量监测方法实施路线图；
图3为本发明实施例提供的IRIV算法选择过程中每轮保留信息变量的数量变化图；
图4为本发明实施例提供的VISSA迭代过程中RMSECV变化图；
图5为本发明实施例提供的全波段四种模型实测值和预测值的散点图；其中，图5(a)为全波段模型PLSR实测值和预测值的散点图；图5(b)为全波段模型RFR实测值和预测值的散点图；图5(c)为全波段模型GBR实测值和预测值的散点图；图5(d)为全波段模型ERT实测值和预测值的散点图；
图6为本发明实施例提供的IRIV算法下四种模型实测值和预测值的散点图；其中，图6(a)为IRIV算法下模型PLSR实测值和预测值的散点图；图6(b)为IRIV算法下模型RFR实测值和预测值的散点图；图6(c)为IRIV算法下模型GBR实测值和预测值的散点图；图6(d)为IRIV算法下模型ERT实测值和预测值的散点图；
图7为本发明实施例提供的VISSA迭代过程中四种模型实测值和预测值的散点图；其中，图7(a)为VISSA迭代过程中模型PLSR实测值和预测值的散点图；图7(b)为VISSA迭代过程中模型RFR实测值和预测值的散点图；
图7(c)为VISSA迭代过程中模型GBR实测值和预测值的散点图；图7(d)为VISSA迭代过程中模型ERT实测值和预测值的散点图；
图8为本发明实施例提供的无人机高光谱影像结合VISSA-ERT模型的SOM反演图；
图9为本发明提供的土壤有机质含量监测系统的结构示意图。
具体实施方式
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，显然，所描述的实施例仅仅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做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。
本发明的目的是提供一种土壤有机质含量监测方法和系统，能够在提高土壤有机质含量监测时效性和精确性的同时，降低监测工作量和研究成本。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的土壤有机质含量监测方法，包括：
步骤100：依据土壤类型和土地利用类型采集样品，并记录采样点的位置信息。具体的，依据土壤类型和土地利用类型采用五点采样法采集样品，并采用GPS记录采样点的位置信息。
步骤101：对样品进行处理后采用重酪酸钾-硫酸溶液氧化法测定样品的土壤有机质含量。处理包括风干、研磨和过筛。
步骤102：采用无人机搭载的高光谱成像仪采集高光谱影像。
步骤103：采用遥感图像处理平台获取高光谱影像中与试验田区域对应的高光谱影像。例如，采用SpecView软件对原始高光谱影像进行镜头校准-白板校准-大气校正等，得到反射率影像数据。再利用HiSpectralStitcher软件对反射率影像数据进行拼接，并使用试验田区域的边界矢量文件对拼接后的高光谱影像进行裁剪，得到与试验田区域对应的高光谱影像。
步骤104：结合位置信息在与试验田区域对应的高光谱影像选取矩形感兴趣区。
步骤105：统计矩形感兴趣区所包含的光谱信息，并基于光谱信息确定原始光谱数据。原始光谱数据为光谱信息的平均光谱值。
步骤106：采用VISSA算法基于模型集群分析框架筛选原始光谱数据的特征波段。该步骤实施过程包括：
基于原始光谱数据使用加权二进制采样法生成多个光谱变量子集。光谱变量子集中的每个光谱变量初始采样权重默认为第一预设值(例如0.5)。
建立与每一个光谱变量子集对应的偏最小二乘模型，并记录每个偏最小二乘模型对应的交互验证均方根误差。
选取交互验证均方根误差最小的偏最小二乘模型。
统计光谱变量子集中每个光谱变量在交互验证均方根误差最小的偏最小二乘模型中出现的概率。
将概率作为下一次迭代中对应光谱变量的采样权重，若采样权重为第二预设值(例如1)，则该光谱变量进入后续迭代循环，若采样权重为第三预设值(例如0)，则剔除。若采样权重在第三预设值与第二预设值之间，则该光谱变量作为候选变量，直至采样权重保持不变时，剩余的光谱变量即为筛选得到的特征波段。第二预设值大于第三预设值。
步骤107：采用ERT算法利用特征波段结合土壤有机质含量得到SOM回归估计模型。该步骤实施过程包括：
随机选择一个特征波段对应的光谱信息划分决策树生成森林模型。
基于特征波段特征波段对应的光谱信息和土壤有机质含量形成测试样本。
把测试样本输入到森林模型中，利用森林模型中的每一株决策树对测试样本进行回归预测，得到预测值。
根据各个决策树的预测值的平均值进行投票选择，得到SOM回归估计模型。
步骤108：根据特征波段基于SOM回归估计模型建立索引，以提取高光谱数据中所对应特征波段下的反射率值。
步骤109：根据反射率值反演与试验田区域对应的高光谱影像中每一像素点的土壤有机质含量，得到试验田区域的SOM分布图。
下面以安徽省蒙城县砂姜黑土土壤为研究对象实施本发明上述提供的土壤有机质含量监测方法。具体的，利用无人机平台采集高光谱影像，经过镜头校准—白板校准—大气校正—图像拼接等预处理后，得到原始光谱。作为输入变量，再利用VISSA特征波段选取方法结合ERT构建回归模型，并构建反演模型，提高不同类型土壤SOM的预测精度，以期实现动态快速预测土壤SOM含量，其实施技术路线如图2所示。
步骤一：在蒙城县砂姜黑土农田区域，选择土壤裸露的地区作为样区，考虑土地利用类型和土壤类型采集0～20cm耕层土壤，采用五点采样法采集样品，同时利用GPS记录采样点经纬度，采集的样品经过风干，研磨，过2mm筛后，进而通过重铬酸钾-硫酸溶液氧化法测定其土壤有机质(Soil organic matter，SOM)含量。
步骤二：采用六旋翼无人机大疆M600 PRO搭载高光谱成像仪(四川双利合谱科技有限公司，Gaiasky-mini2)采集高光谱影像，无人机高光谱图像的预处理在SpecView软件中进行，包括镜头校准、白板校准、大气校正等。得到反射率影像数据后，在HiSpectralStitcher软件中对反射率影像进行拼接，再使用试验田边界矢量文件对影像进行裁切，得到覆盖完整试验田的高光谱影像。
步骤三：利用遥感图像处理平台(ENVI5.3)打开试验田区域高光谱影像，并结合GPS点位信息在图像中选取矩形感兴趣区，统计矩形区域所包含的光谱信息，平均后的光谱值作为原始光谱数据。
步骤四：利用VISSA算法基于模型集群分析框架对步骤三所获得原始光谱进行特征波段筛选，使用加权二进制采样(WBMS)生成5000个光谱变量子集，每个光谱变量初始采样权重都默认为0.5，基于每一个光谱变量子集建立偏最小二乘(PLS)模型，并记录每个模型对应的交互验证均方根误差RMSECV，从所有子集中挑选出5％比例的RMSECV最小的模型，分别统计每个光谱变量在挑选出那一部分模型中出现的概率，并将其作为下一次迭代中对应变量的采样权重，若采样权重为1，则该光谱变量进入后续迭代循环；若采样权重为0，则被剔除；若采样权重在0与1之间，则该光谱变量会作为候选变量在下次迭代循环中继续接受考察。最终VISSA会在所有光谱变量的权重都保持不变的情况下自动终止迭代，此时剩余的光谱变量即为所选取的特征波段。
步骤五：利用步骤四所筛选特征波段结合步骤一所测定SOM含量训练，随机选择一个特征波段所对应光谱信息来划分决策树，在形成决策树的过程中，每一个节点都要按照特征波段所对应光谱信息进行分裂，直到无法再分裂为止，迭代执行，建立大量的决策树，进一步构成森林。把测试样本输入到森林中，利用每一株决策树对测试样本进行回归，通过集成多个决策树进行打分，根据各个决策树预测值的平均值来进行投票，最终得到SOM回归估测模型。
步骤六：利用步骤四所筛选特征波段和步骤五已构建回归模型，根据特征波段建立索引提取高光谱影像中所对应特征波段下的反射率值，代入步骤五已构建SOM回归估测模型，从而反演每个像素点的SOM值，最终得到区域SOM分布图。
下面基于实验验证的方式，对本发明上述提供的土壤有机质含量监测方法的优点进行说明。
1.特征波段筛选方法验证
1.1基于迭代保留信息变量算法(IRIV)特征选取
IRIV算法的目的是消除不相关的变量，保留与土壤有机质相关的变量。该算法采用5折交叉验证方法建立偏最小二乘模型选择特征变量。IRIV算法一共进行了6轮。如图3所示，前3轮中迭代变量的数量迅速减少，从176个变量减少到40个，然后变量减少的速度会减慢。在第5次迭代后，未提供信息的变量和干扰变量被完全消除。一般来说，只有信息量大的变量被选为最佳变量集。尽管它们有显著的积极作用，但它们并不总是最佳的，因为弱信息变量的积极作用被忽略了，所以弱信息变量在这个阶段被保留。因此IRIV被用于通过多轮迭代循环搜索重要变量，直到不存在无信息或干扰变量，通过反向消除获得最优特征波长变量。共选择14个波段，占总体变量的7.95％。分别为423.4nm、426.6nm、429.9nm、686.9nm、690.3nm、693.8nm、697.2nm、700.7nm、704.2nm、823.7nm、827.3nm、830.8nm、834.4nm、957.6nm。
1.2VISSA特征选择
设置VISSA算法中WBMS生成的变量个数1000，子模型比例设置为5％，变量的初始权重设置为0.5。并采用5折交叉验证的方式建立PLS模型，根据不同参数个数下的RMSECV确定最终变量个数。由图4可知，随着参数个数的增加，RMSECV呈现先大幅度下降后小幅度增加的趋势。较少的变量对应的RMSECV较大，表明较少的变量无法准确表达土壤有机质含量分布，当参数个数过大时，RMSECV随之增大，表明此时的参数中包含冗余信息，对建模不利。该研究在RMSECV最小处，选得18个特征波段：423.4nm、426.6nm、429.9nm、433.1nm、508.1nm、511.4nm、625.2nm、676.5nm、680nm、683.4nm、686.9nm、690.3nm、693.8nm、697.2nm、700.7nm、704.2nm、823.7nm、834.4nm。
1.3不同模型精度对比
本发明以安徽省蒙城县砂姜黑土土壤为研究对象，采用无人机平台采集高光谱影像，利用全波段、IRIV和VISSA三种特征波段选取方法结合PLSR，RF，GBR和ERT分别构建回归模型，并构建反演模型，从表1中可以看出，基于不同特征选择方法建立的模型预测结果，其中VISSA算法精度提升最为明显，说明基于VISSA-ERT算法特征变量建模取得最高精度，由其构建的四种模型精度大于其他两种方法，由此可见VISSA方法为有效的变量选择方法，能够提高建模效率和模型的预测精度。
此外对比四种建模方法，ERT算法特征变量建模取得最高精度。PLSR法可以满足土壤有机质含量光谱反演的基本需要，建立的模型比较简单，但在反演过程中会出现异常值。ERT法能够在高维空间里处理非线性问题,具有强大的泛化能力。相比于经验模型，基于极端随机树的土壤有机质反演模型具有更强的非线性表述能力，并且能够引入更多的输入参数，通过将若干“弱学习器”集成为“强学习器”，在小样本集上能够取得更好的反演精度，由于充分利用了所有训练样本、并且引入更多差异性，与随机森林相比，极端随机树能在降低方差的同时减少模型的偏差，从而达到更好的集成效果。
表1为该地区不同模型的建模结果表
2.模型构建精度验证
如图5-7所示，与其他方法相比，VISSA-ERT模型的精度有所提高，VISSA-ERT模型中的实测值和预测值更较为均匀地分布在1:1直线的两侧，模型预测效果较好，这与前文分析一致。
2.土壤有机质反演结果验证
基于VISSA算法筛选的特征波段集构建的ERT模型对研究区逐像素反演该区域SOM含量。如图8所示，SOM含量介于12～16g/kg之间，按照中国土壤养分含量分级标准表，该地区有机质含量属于四级标准，处于缺乏水平，从反演结果统计来看平均值为14g/kg，最大值为17，最小值为12。从图8中来看整个区域的土壤有机质基本集中在14g/kg，空间变化特征符合研究区实测值结果(均值为13.82g/kg)。此外由于图像拼接原因存在数据条带现象，因此该结果存在着一定的噪声。
基于此，本发明将野外实测双高影像作为输入变量进行SOM预测将大大提高区域土壤有机质反演的可行性，与卫星或航空机载数据采集相比，无人机的运营成本更低，能够更灵活地操作，并允许更灵活的飞行路线设计。无人机可以在定制的时空尺度下实现对作物和自然资源的快速监测，为精准农业提供数据支持。
此外，对应于上述提供的土壤有机质含量监测方法，本发明还提供了一种土壤有机质含量监测系统，如图9所示，该系统包括：样品-位置采集模块1、土壤有机质含量测定模块2、高光谱影像采集模块3、高光谱影像预处理模块4、矩形感兴趣区框选模块5、原始光谱数据确定模块6、特征波段筛选模块7、SOM回归估计模型构建模块8、反射率值确定模块9、反演模块10。
样品-位置采集模块1用于依据土壤类型和土地利用类型采集样品，并记录采样点的位置信息。
土壤有机质含量测定模块2用于对样品进行处理后采用重酪酸钾-硫酸溶液氧化法测定样品的土壤有机质含量。处理包括风干、研磨和过筛。
高光谱影像采集模块3用于采用无人机搭载的高光谱成像仪采集高光谱影像。
高光谱影像预处理模块4用于采用遥感图像处理平台获取高光谱影像中与试验田区域对应的高光谱影像。
矩形感兴趣区框选模块5用于结合位置信息在与试验田区域对应的高光谱影像选取矩形感兴趣区。
原始光谱数据确定模块6用于统计矩形感兴趣区所包含的光谱信息，并基于光谱信息确定原始光谱数据。原始光谱数据为光谱信息的平均光谱值。
特征波段筛选模块7用于采用VISSA算法基于模型集群分析框架筛选原始光谱数据的特征波段。
SOM回归估计模型构建模块8用于采用ERT算法利用特征波段结合土壤有机质含量得到SOM回归估计模型。
反射率值确定模块9用于根据特征波段基于SOM回归估计模型建立索引，以提取高光谱数据中所对应特征波段下的反射率值。
反演模块10用于根据反射率值反演与试验田区域对应的高光谱影像中每一像素点的土壤有机质含量，得到试验田区域的SOM分布图。
其中，样品-位置采集模块1可以包括：样品-位置采集单元，以用于依据土壤类型和土地利用类型采用五点采样法采集样品，并采用GPS记录采样点的位置信息。
高光谱影像预处理模块4可以包括：高光谱影像获取单元，以用于采用SpecView软件对原始高光谱影像进行镜头校准-白板校准-大气校正等，得到反射率影像数据，再利用HiSpectralStitcher软件对反射率影像数据进行拼接，并使用试验田区域的边界矢量文件对拼接得到的高光谱影像进行裁剪，得到与试验田区域对应的高光谱影像。
特征波段筛选模块7可以包括：光谱变量子集生成单元、偏最小二乘模型构建单元、模型选取单元、概率统计单元和特征波段筛选单元。
其中，光谱变量子集生成单元用于基于原始光谱数据使用加权二进制采样法生成多个光谱变量子集。光谱变量子集中的每个光谱变量初始采样权重默认为第一预设值。
偏最小二乘模型构建单元用于建立与每一个光谱变量子集对应的偏最小二乘模型，并记录每个偏最小二乘模型对应的交互验证均方根误差。
模型选取单元用于选取交互验证均方根误差最小的偏最小二乘模型。
概率统计单元用于统计光谱变量子集中每个光谱变量在交互验证均方根误差最小的偏最小二乘模型中出现的概率。
特征波段筛选单元用于将概率作为下一次迭代中对应光谱变量的采样权重，若采样权重为第二预设值，则该光谱变量进入后续迭代循环，若采样权重为第三预设值，则剔除。若采样权重在第三预设值与第二预设值之间，则该光谱变量作为候选变量，直至采样权重保持不变时，剩余的光谱变量即为筛选得到的特征波段。第二预设值大于第三预设值。
SOM回归估计模型构建模块8可以包括：森林模型生成单元、测试样本生成单元、预测值确定单元和SOM回归估计模型构建单元。
其中，森林模型生成单元用于随机选择一个特征波段对应的光谱信息划分决策树生成森林模型。
测试样本生成单元用于基于特征波段特征波段对应的光谱信息和土壤有机质含量形成测试样本。
预测值确定单元用于把测试样本输入到森林模型中，利用森林模型中的每一株决策树对测试样本进行回归预测，得到预测值。
SOM回归估计模型构建单元用于根据各个决策树的预测值的平均值进行投票选择，得到SOM回归估计模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种土壤有机质含量监测方法，其特征在于，包括：
依据土壤类型和土地利用类型采集样品，并记录采样点的位置信息；
对所述样品进行处理后采用重酪酸钾-硫酸溶液氧化法测定所述样品的土壤有机质含量；所述处理包括风干、研磨和过筛；
采用无人机搭载的高光谱成像仪采集高光谱影像；
采用遥感图像处理平台获取所述高光谱影像中与试验田区域对应的高光谱影像；
结合所述位置信息在与试验田区域对应的高光谱影像选取矩形感兴趣区；
统计所述矩形感兴趣区所包含的光谱信息，并基于所述光谱信息确定原始光谱数据；所述原始光谱数据为所述光谱信息的平均光谱值；
采用VISSA算法基于模型集群分析框架筛选所述原始光谱数据的特征波段；
采用ERT算法利用所述特征波段结合所述土壤有机质含量得到SOM回归估计模型；
根据所述特征波段基于所述SOM回归估计模型建立索引，以提取所述高光谱数据中所对应特征波段下的反射率值；
根据所述反射率值反演与试验田区域对应的高光谱影像中每一像素点的土壤有机质含量，得到试验田区域的SOM分布图。
2.根据权利要求1所述的土壤有机质含量监测方法，其特征在于，所述依据土壤类型和土地利用类型采集样品，并记录采样点的位置信息，具体包括：
依据土壤类型和土地利用类型采用五点采样法采集样品，并采用GPS记录采样点的位置信息。
3.根据权利要求1所述的土壤有机质含量监测方法，其特征在于，所述采用遥感图像处理平台获取所述高光谱影像中与试验田区域对应的高光谱影像，具体包括：
采用SpecView软件对原始高光谱影像进行镜头校准-白板校准-大气校正，得到反射率影像数据，再利用HiSpectralStitcher软件对反射率影像数据进行拼接，并使用试验田区域的边界矢量文件对拼接得到的高光谱影像进行裁剪，得到与试验田区域对应的高光谱影像。
4.根据权利要求1所述的土壤有机质含量监测方法，其特征在于，所述采用VISSA算法基于模型集群分析框架筛选所述原始光谱数据的特征波段，具体包括：
基于所述原始光谱数据使用加权二进制采样法生成多个光谱变量子集；所述光谱变量子集中的每个光谱变量初始采样权重默认为第一预设值；
建立与每一个所述光谱变量子集对应的偏最小二乘模型，并记录每个所述偏最小二乘模型对应的交互验证均方根误差；
选取交互验证均方根误差最小的偏最小二乘模型；
统计光谱变量子集中每个光谱变量在交互验证均方根误差最小的偏最小二乘模型中出现的概率；
将所述概率作为下一次迭代中对应光谱变量的采样权重，若采样权重为第二预设值，则该光谱变量进入后续迭代循环，若采样权重为第三预设值，则剔除；若采样权重在所述第三预设值与所述第二预设值之间，则该光谱变量作为候选变量，直至所述采样权重保持不变时，剩余的光谱变量即为筛选得到的所述特征波段；所述第二预设值大于所述第三预设值。
5.根据权利要求1所述的土壤有机质含量监测方法，其特征在于，所述采用ERT算法利用所述特征波段结合所述土壤有机质含量得到SOM回归估计模型，具体包括：
随机选择一个特征波段对应的光谱信息划分决策树生成森林模型；
基于所述特征波段特征波段对应的光谱信息和所述土壤有机质含量形成测试样本；
把测试样本输入到所述森林模型中，利用所述森林模型中的每一株决策树对所述测试样本进行回归预测，得到预测值；
根据各个决策树的预测值的平均值进行投票选择，得到SOM回归估计模型。
6.一种土壤有机质含量监测系统，其特征在于，包括：
样品-位置采集模块，用于依据土壤类型和土地利用类型采集样品，并记录采样点的位置信息；
土壤有机质含量测定模块，用于对所述样品进行处理后采用重酪酸钾-硫酸溶液氧化法测定所述样品的土壤有机质含量；所述处理包括风干、研磨和过筛；
高光谱影像采集模块，用于采用无人机搭载的高光谱成像仪采集高光谱影像；
高光谱影像预处理模块，用于采用遥感图像处理平台获取所述高光谱影像中与试验田区域对应的高光谱影像；
矩形感兴趣区框选模块，用于结合所述位置信息在与试验田区域对应的高光谱影像选取矩形感兴趣区；
原始光谱数据确定模块，用于统计所述矩形感兴趣区所包含的光谱信息，并基于所述光谱信息确定原始光谱数据；所述原始光谱数据为所述光谱信息的平均光谱值；
特征波段筛选模块，用于采用VISSA算法基于模型集群分析框架筛选所述原始光谱数据的特征波段；
SOM回归估计模型构建模块，用于采用ERT算法利用所述特征波段结合所述土壤有机质含量得到SOM回归估计模型；
反射率值确定模块，用于根据所述特征波段基于所述SOM回归估计模型建立索引，以提取所述高光谱数据中所对应特征波段下的反射率值；
反演模块，用于根据所述反射率值反演与试验田区域对应的高光谱影像中每一像素点的土壤有机质含量，得到试验田区域的SOM分布图。
7.根据权利要求6所述的土壤有机质含量监测系统，其特征在于，所述样品-位置采集模块包括：
样品-位置采集单元，用于依据土壤类型和土地利用类型采用五点采样法采集样品，并采用GPS记录采样点的位置信息。
8.根据权利要求6所述的土壤有机质含量监测系统，其特征在于，所述高光谱影像预处理模块包括：
高光谱影像获取单元，用于采用SpecView软件对原始高光谱影像进行镜头校准-白板校准-大气校正，得到反射率影像数据，再利用HiSpectralStitcher软件对反射率影像数据进行拼接，并使用试验田区域的边界矢量文件对拼接得到的高光谱影像进行裁剪，得到与试验田区域对应的高光谱影像。
9.根据权利要求6所述的土壤有机质含量监测系统，其特征在于，所述特征波段筛选模块包括：
光谱变量子集生成单元，用于基于所述原始光谱数据使用加权二进制采样法生成多个光谱变量子集；所述光谱变量子集中的每个光谱变量初始采样权重默认为第一预设值；
偏最小二乘模型构建单元，用于建立与每一个所述光谱变量子集对应的偏最小二乘模型，并记录每个所述偏最小二乘模型对应的交互验证均方根误差；
模型选取单元，用于选取交互验证均方根误差最小的偏最小二乘模型；
概率统计单元，用于统计光谱变量子集中每个光谱变量在交互验证均方根误差最小的偏最小二乘模型中出现的概率；
特征波段筛选单元，用于将所述概率作为下一次迭代中对应光谱变量的采样权重，若采样权重为第二预设值，则该光谱变量进入后续迭代循环，若采样权重为第三预设值，则剔除；若采样权重在所述第三预设值与所述第二预设值之间，则该光谱变量作为候选变量，直至所述采样权重保持不变时，剩余的光谱变量即为筛选得到的所述特征波段；所述第二预设值大于所述第三预设值。
10.根据权利要求6所述的土壤有机质含量监测系统，其特征在于，所述SOM回归估计模型构建模块包括：
森林模型生成单元，用于随机选择一个特征波段对应的光谱信息划分决策树生成森林模型；
测试样本生成单元，用于基于所述特征波段特征波段对应的光谱信息和所述土壤有机质含量形成测试样本；
预测值确定单元，用于把测试样本输入到所述森林模型中，利用所述森林模型中的每一株决策树对所述测试样本进行回归预测，得到预测值；
SOM回归估计模型构建单元，用于根据各个决策树的预测值的平均值进行投票选择，得到SOM回归估计模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111399077.7A CN114019082B (zh) | 2021-11-19 | 2021-11-19 | 一种土壤有机质含量监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111399077.7A CN114019082B (zh) | 2021-11-19 | 2021-11-19 | 一种土壤有机质含量监测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114019082A true CN114019082A (zh) | 2022-02-08 |
| CN114019082B CN114019082B (zh) | 2024-05-14 |
Family
ID=80065862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111399077.7A Active CN114019082B (zh) | 2021-11-19 | 2021-11-19 | 一种土壤有机质含量监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114019082B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116818687A (zh) * | 2023-06-21 | 2023-09-29 | 浙江大学杭州国际科创中心 | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110071807A1 (en) * | 2008-05-28 | 2011-03-24 | Philippe Hubert | Analysing spectral data for the selection of a calibration model |
| CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
| CN105954252A (zh) * | 2016-04-21 | 2016-09-21 | 北京航空航天大学 | 一种饲料原料中非法添加物苏丹红的定性检测方法 |
| CN107132190A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 一种土壤有机质光谱反演模型校正样本集构建方法 |
| CN108801934A (zh) * | 2018-04-10 | 2018-11-13 | 安徽师范大学 | 一种土壤有机碳含量高光谱预测模型的建模方法 |
| US20190017984A1 (en) * | 2017-07-14 | 2019-01-17 | SafeNet International LLC | Method of efficient acquisition of soil data using image mapping |
| WO2019028540A1 (en) * | 2017-08-10 | 2019-02-14 | Speclab Holding S.A. | METHOD FOR ANALYZING SOIL FERTILITY BY CHEMICAL AND PHYSICAL PARAMETERS USING VIS-NIR SPECTROSCOPY IN A LARGE SCALE ROUTINE TEST |
| CN110376139A (zh) * | 2019-08-05 | 2019-10-25 | 北京绿土科技有限公司 | 基于地面高光谱的土壤有机质含量定量反演方法 |
| CN110687053A (zh) * | 2019-10-08 | 2020-01-14 | 中国科学院地理科学与资源研究所 | 一种基于高光谱影像的区域有机质含量估算方法和装置 |
| CN110726694A (zh) * | 2019-10-22 | 2020-01-24 | 常州大学 | 光谱变量梯度集成遗传算法的特征波长选择方法和系统 |
| AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
| CN111855589A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻叶片氮积累量遥感反演模型和方法 |
| CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
| CN112464920A (zh) * | 2021-02-01 | 2021-03-09 | 中国人民解放军国防科技大学 | 基于极端随机树的fy-3d红外高光谱云检测方法 |
| CN112557393A (zh) * | 2020-11-19 | 2021-03-26 | 南京农业大学 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
| CN112595692A (zh) * | 2020-11-24 | 2021-04-02 | 南宁国拓生物科技有限公司 | 一种水果总糖含量预测模型的建立方法及水果总糖含量的预测方法 |
| CN113537108A (zh) * | 2021-07-23 | 2021-10-22 | 安徽省农业科学院土壤肥料研究所 | 一种基于无人机高光谱遥感的农作物叶绿素含量反演方法 |
-
2021
- 2021-11-19 CN CN202111399077.7A patent/CN114019082B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110071807A1 (en) * | 2008-05-28 | 2011-03-24 | Philippe Hubert | Analysing spectral data for the selection of a calibration model |
| CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
| CN105954252A (zh) * | 2016-04-21 | 2016-09-21 | 北京航空航天大学 | 一种饲料原料中非法添加物苏丹红的定性检测方法 |
| CN107132190A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 一种土壤有机质光谱反演模型校正样本集构建方法 |
| US20190017984A1 (en) * | 2017-07-14 | 2019-01-17 | SafeNet International LLC | Method of efficient acquisition of soil data using image mapping |
| WO2019028540A1 (en) * | 2017-08-10 | 2019-02-14 | Speclab Holding S.A. | METHOD FOR ANALYZING SOIL FERTILITY BY CHEMICAL AND PHYSICAL PARAMETERS USING VIS-NIR SPECTROSCOPY IN A LARGE SCALE ROUTINE TEST |
| CN108801934A (zh) * | 2018-04-10 | 2018-11-13 | 安徽师范大学 | 一种土壤有机碳含量高光谱预测模型的建模方法 |
| CN110376139A (zh) * | 2019-08-05 | 2019-10-25 | 北京绿土科技有限公司 | 基于地面高光谱的土壤有机质含量定量反演方法 |
| CN110687053A (zh) * | 2019-10-08 | 2020-01-14 | 中国科学院地理科学与资源研究所 | 一种基于高光谱影像的区域有机质含量估算方法和装置 |
| CN110726694A (zh) * | 2019-10-22 | 2020-01-24 | 常州大学 | 光谱变量梯度集成遗传算法的特征波长选择方法和系统 |
| AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
| CN111855589A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻叶片氮积累量遥感反演模型和方法 |
| CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
| CN112557393A (zh) * | 2020-11-19 | 2021-03-26 | 南京农业大学 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
| CN112595692A (zh) * | 2020-11-24 | 2021-04-02 | 南宁国拓生物科技有限公司 | 一种水果总糖含量预测模型的建立方法及水果总糖含量的预测方法 |
| CN112464920A (zh) * | 2021-02-01 | 2021-03-09 | 中国人民解放军国防科技大学 | 基于极端随机树的fy-3d红外高光谱云检测方法 |
| CN113537108A (zh) * | 2021-07-23 | 2021-10-22 | 安徽省农业科学院土壤肥料研究所 | 一种基于无人机高光谱遥感的农作物叶绿素含量反演方法 |
Non-Patent Citations (23)
| Title |
|---|
| ADRIANO VISSA等: "Hyperspectral super-resolution imaging with far-red emitting fluorophores using a thin-film tunable filter", REV. SCI. INSTRUM., 20 November 2020 (2020-11-20) * |
| BAI-CHUAN DENG等: "A new method for wavelength interval selection that intelligently optimizes the locations, widths and combinations of the intervals", ANALYST, 31 December 2015 (2015-12-31) * |
| BAI-CHUAN DENG等: "A novel variable selection approach that iteratively optimizes variable space using weighted binary matrix sampling", ANALYST, 31 December 2014 (2014-12-31) * |
| JUN SUN等: "Nondestructive identification of green tea varieties based on hyperspectral imaging technology", JOURNAL OF FOOD PROCESS ENGINEERING, 31 December 2018 (2018-12-31), pages 2 * |
| LIFEI WEI等: "Hyperspectral Inversion of Soil Organic Matter Content Based on a Combined Spectral Index Model", SENSORS, 10 May 2020 (2020-05-10) * |
| XIAOYU YANG等: "Soil Nutrient Estimation and Mapping in Farmland Based on UAV Imaging Spectrometry", SENSORS, 6 June 2021 (2021-06-06) * |
| YAN TIAN等: "Research on apple origin classification based on variable iterative space shrinkage approach with stepwise regression– support vector machine algorithm and visible-near infrared hyperspectral imaging", FOOD PROCESS ENG., 31 December 2020 (2020-12-31) * |
| 乔娟峰;熊黑钢;王小平;周倩倩;: "基于最优模型的荒地土壤有机质含量空间反演", 江苏农业学报, no. 01, 7 March 2018 (2018-03-07) * |
| 于士凯;姚艳敏;王德营;司海青;: "基于高光谱的土壤有机质含量反演研究", 中国农学通报, no. 23, 15 August 2013 (2013-08-15) * |
| 刘焕军;鲍依临;孟祥添;崔杨;张艾明;刘云超;王丹丹;: "不同降噪方式下基于高分五号影像的土壤有机质反演", 农业工程学报, no. 12, 23 June 2020 (2020-06-23) * |
| 刘磊;沈润平;丁国香;: "基于高光谱的土壤有机质含量估算研究", 光谱学与光谱分析, no. 03, 15 March 2011 (2011-03-15) * |
| 孙浩然;赵志根;赵佳星;陈卫卫;: "珠海一号高光谱遥感的表层土壤有机质含量反演方法", 遥感信息, no. 04, 20 August 2020 (2020-08-20) * |
| 杨扬;高小红;贾伟;张威;李金山;张艳娇;田成明;: "三江源区不同土壤类型有机质含量高光谱反演", 遥感技术与应用, no. 01, 15 February 2015 (2015-02-15) * |
| 焦彩霞;郑光辉;解宪丽;崔雪峰;赏刚;: "可见-短近红外成像光谱数据的土壤有机质含量估算", 光谱学与光谱分析, no. 10, 13 October 2020 (2020-10-13) * |
| 王玉喜;贾振红;杨杰;NIKOLA K KASABOV;: "近红外光谱的选择比率竞争群体分析的变量选择算法", 光谱学与光谱分析, no. 04, 15 April 2020 (2020-04-15) * |
| 石冬冬;康雪;李庆波;张佳琳;刘庆生;: "近红外显微成像光谱法快速定性鉴别蛋鸭饲料中的苏丹红", 饲料研究, no. 21, 7 November 2017 (2017-11-07) * |
| 程丽娟;刘贵珊;何建国;万国玲;马超;班晶晶;马丽敏;杨国华;袁瑞瑞;: "基于高光谱开发滩羊肉中高铁肌红蛋白含量的定量函数", 光谱学与光谱分析, no. 04, 15 April 2020 (2020-04-15) * |
| 荣媛;刘任棋;李明阳;王子;刘雅楠;刘菲;: "基于星载高光谱数据的南京新济洲湿地土壤有机质估测研究", 西南林业大学学报(自然科学), no. 06, 15 November 2017 (2017-11-15) * |
| 袁自然等: "基于高光谱成像技术的辣椒叶片叶绿素含量估算", 江苏农业科学, vol. 49, no. 16, 20 August 2021 (2021-08-20) * |
| 赵瑞;崔希民;刘超;: "GF-5高光谱遥感影像的土壤有机质含量反演估算研究", 中国环境科学, no. 08, 20 August 2020 (2020-08-20) * |
| 郭晗;张序;陆洲;田婷;徐飞飞;罗明;吴正贵;孙振军;: "基于机载高光谱影像的南方水稻土有机质含量估算", 中国农业科技导报, no. 06, 12 June 2020 (2020-06-12) * |
| 马;姜琦刚;孟治国;刘骅欣;: "基于RF-GABPSO混合选择算法的黑土有机质含量估测研究", 光谱学与光谱分析, no. 01, 15 January 2018 (2018-01-15) * |
| 高文龙;张圣微;林汐;雒萌;任照怡: "煤矿开采中SOM的遥感估算和时空动态分析", 自然资源遥感, no. 004, 31 December 2021 (2021-12-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116818687A (zh) * | 2023-06-21 | 2023-09-29 | 浙江大学杭州国际科创中心 | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 |
| CN116818687B (zh) * | 2023-06-21 | 2024-02-20 | 浙江大学杭州国际科创中心 | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114019082B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102501581B1 (ko) | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 | |
| Doerffer et al. | The MERIS Case 2 water algorithm | |
| CN111007021A (zh) | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 | |
| CN110991064B (zh) | 土壤重金属含量反演模型生成方法、系统及反演方法 | |
| CN110455722A (zh) | 橡胶树叶片磷含量高光谱反演方法和系统 | |
| CN115356249B (zh) | 基于机器学习融合模型的卫星偏振pm2.5估算方法和系统 | |
| Jiao et al. | A random forest algorithm for retrieving canopy chlorophyll content of wheat and soybean trained with PROSAIL simulations using adjusted average leaf angle | |
| Wang et al. | UAV-based remote sensing using visible and multispectral indices for the estimation of vegetation cover in an oasis of a desert | |
| Yin et al. | Chlorophyll content estimation in arid grasslands from Landsat-8 OLI data | |
| CN113607656A (zh) | 一种基于高光谱成像的叶片叶绿素含量监测方法与系统 | |
| CN108596123A (zh) | 一种基于高光谱分析的水果硬度检测方法及装置 | |
| Qiao et al. | Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images | |
| CN114266961A (zh) | 一种整合高光谱和多频段全极化sar影像的沼泽植被堆栈集成学习分类方法 | |
| CN114019082B (zh) | 一种土壤有机质含量监测方法和系统 | |
| Wang et al. | Estimation of rice aboveground biomass by combining canopy spectral reflectance and unmanned aerial vehicle-based red green blue imagery data | |
| CN112766161A (zh) | 基于集成约束多示例学习的高光谱目标检测方法 | |
| CN109187443A (zh) | 基于多波长透射光谱的水体细菌微生物准确识别方法 | |
| CN116385819A (zh) | 基于神经网络模型的水质评价方法、装置以及设备 | |
| Li et al. | Evaluation of important phenotypic parameters of tea plantations using multi-source remote sensing data | |
| CN114814167A (zh) | 融合多源环境变量与光谱信息的土壤重金属含量反演方法 | |
| CN114112941A (zh) | 基于支持向量回归的航空高光谱水体富营养化评价方法 | |
| CN110070004A (zh) | 一种应用于深度学习的近地高光谱数据扩展方法 | |
| Zhang et al. | Mapping the forage nitrogen, phosphorus, and potassium contents of alpine grasslands by integrating Sentinel-2 and Tiangong-2 data | |
| Qi et al. | SAM-GAN: An improved DCGAN for rice seed viability determination using near-infrared hyperspectral imaging | |
| Yu et al. | Estimating the rice nitrogen nutrition index based on hyperspectral transform technology |
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 |