CN114034684A - 一种基于一站式光谱模型的土壤属性快速测定方法 - Google Patents
一种基于一站式光谱模型的土壤属性快速测定方法 Download PDFInfo
- Publication number
- CN114034684A CN114034684A CN202111194722.1A CN202111194722A CN114034684A CN 114034684 A CN114034684 A CN 114034684A CN 202111194722 A CN202111194722 A CN 202111194722A CN 114034684 A CN114034684 A CN 114034684A
- Authority
- CN
- China
- Prior art keywords
- soil
- spectrum
- layer
- model
- convolution
- 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
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于一站式光谱模型的土壤属性快速测定方法,将土壤样品压片后采集激光诱导击穿光谱,通过激光烧蚀土壤不同深度获得土壤样本垂直界面的光谱信息;无需对光谱进行预处理,直接将不同深度的光谱并行连接构造土壤空间光谱矩阵;将样本集的空间光谱矩阵输入预先搭建好的卷积神经网络模型,神经网络模型中有多层卷积操作,其中的二维卷积操作可以从空间光谱矩阵中提取与土壤属性相关的信息,从而构建空间光谱矩阵与土壤属性的定量模型;最后使用该模型实现对未知样本土壤属性的快速同时预测。本发明的方法一方面免去了复杂的光谱前处理,操作简单,测定快速;另一方面提高了土壤属性的预测能力,有效地避免了模型的过拟合问题。
Description
技术领域
本发明属于农业信息化领域,具体涉及一种基于“一站式”光谱模型和激光诱导击穿光谱结合的土壤属性快速同时测定方法。
背景技术
准确管理土壤养分和快速同时获取土壤属性是可持续农业发展的关键。而传统的土壤理化分析方法通常是劳动密集型,检测周期长,结果的时效性低,检测成本高昂,环境不友好。因此,传统的土壤理化分析方法不能满足土壤养分精准管理的需要,而发展精准农业和可持续农业需要更多的快速、廉价和环境友好的土壤属性和养分评估方法支撑。
激光诱导击穿光谱是一种原子光谱技术,它利用高能激光脉冲直接电离样品,在等离子体冷却时形成发射光谱。与普通原子光谱学相比,激光诱导击穿光谱技术具有通用性强、样品制备少、多元素测量、高通量和设备要求少等明显优势。因此,激光诱导击穿光谱技术在土壤组成与结构测定中显示出巨大的潜力。
然而,受限于土壤的基体效应,激光诱导击穿光谱技术在土壤检测中的应用仍然需要复杂的步骤和流程。在实际应用中,往往需要对土壤光谱进行复杂的预处理,如基线校正、光谱降噪、标准化、变量筛选等,以消除光谱异质性对分析的影响。这些复杂繁琐的光谱前处理方法通常需要人为参与,以筛选最优的前处理策略;且这些预处理策略的优劣并没有规律性,不同定量目标和方法的最优前处理策略往往是不同的。因此,在实际应用中激光诱导击穿光谱的预处理方法存在误用的风险。
如何在土壤激光诱导击穿光谱分析中尽可能地减少光谱预处理,同时保障分析的准确性和稳定性,提高土壤属性的定量效率,是目前亟需解决的问题。
发明内容
针对以上问题,本发明提供了一种基于“一站式”光谱模型对土壤激光诱导击穿光谱进行分析,该模型引入了卷积神经网络的结构,其中的卷积层可以根据预测目标自行对土壤空间光谱进行分析,从中筛选有效信息用于土壤属性分析。该模型免去了复杂的光谱前处理步骤,可实现土壤多属性的同时、快速、准确测定。
本发明的技术方案如下:
一种基于一站式光谱模型的土壤属性快速测定方法,包括:
S1将土壤样品压片,使用激光诱导击穿光谱仪分层采集土壤样本的空间光谱;
S2不对光谱进行预处理,直接将空间光谱分层平均,获得土壤样本不同扫描深度的特征光谱;将所述不同扫描深度的特征光谱并行连接,构建土壤空间光谱矩阵;
S3使用传统理化方法测定土壤样本的属性,和土壤样本的空间光谱矩阵形成用于模型构建的数据集;
S4以土壤样本的空间光谱矩阵为输入,测定的属性为输出,对卷积神经网络模型进行模型训练,构建空间光谱矩阵与土壤属性的定量模型;
所述卷积神经网络模型通过多个二维卷积核对输入光谱矩阵进行卷积操作,从中提取特征信息;
S5采用S1~S2所述方法获取待测土壤样本的空间光谱矩阵,代入S4构建的模型,获取待测土壤样本的土壤属性。
本发明的方法,所述S1中,土壤样品压片压力为55MPa,压制时间为2min,土壤压片的直径为1cm,厚度为0.25cm。
光谱测定时,将土壤压片置于激光诱导击穿光谱仪的样品平台上,采集光谱的波长范围为200-1000nm,光谱的分辨率为0.14nm,激光能量为16mJ,频率为20Hz,栅极宽度和检测延迟时间分别为7.0ms和137μs。
作为本发明的进一步改进,使用激光诱导击穿光谱仪分层采集土壤样本的空间光谱的步骤包括:
作为本发明的进一步改进,所述S2中,基于下式将空间光谱分层平均:
本发明中,S2所述“将所述不同扫描深度的特征光谱并行连接,构建土壤空间光谱矩阵”指:第一层光谱组成矩阵的第一行,第二层光谱组成矩阵的第二行,依次类推得到土壤空间光谱矩阵M(M=[S1,S2,…,Sm])。
作为本发明的进一步改进,所述卷积神经网络模型包括:
第一卷积层,使用多个二维卷积核对输入的空间光谱矩阵进行卷积操作,从光谱数据中提取特征信息,并通过激活函数对提取的特征进行处理,从而引入非线性特征;
至少一个第二卷积层,每个第二卷积层中包括激活函数和多个一维卷积核,对第一卷积层输出的一维特征进行处理,提取抽象特征;
拉平层,将第二卷积层输出的抽象特征拉平后输入全连接层;
全连接层,和输出层连接;
卷积核和全连接层的权重通过迭代进行优化,模型每次迭代都将损失函数反馈到参数优化中,使用L2正则化对权重进行限定。
损失函数的数学表达式如下:
作为本发明的进一步改进,所述第一卷积层中,二维卷积核的尺寸为m×k,m大小与输入的空间光谱矩阵的行数,即光谱层数一致。卷积核在输入光谱上以t为步长滑动,计算卷积核权重与对应光谱的点积和得到特征;卷核的数量决定了卷积的深度,卷积核数量越大提取到的特征越多,一般设置为8。
作为本发明的进一步改进,所述第一卷积层中,使用修正线性单元ReLu或LeakyReLu作为激活函数,该激活函数可以将特征中的负值修正为0或接近0;使用Leaky ReLu作为激活函数时,激活函数中的参数α设置在0~0.2之间。
作为本发明的进一步改进,所述第二卷积层中,卷积核的尺寸为1×k,激活函数选用ReLu或Leaky ReLu。k的大小根据实际情况进行优化,设置过大会增加运输成本;卷积核步长一般设置为1,卷积核的数量也根据实际情况优化,但不宜过大;卷积层的数量影响特征提取的深度,卷积层越多越能提取高度抽象特征,对于光谱处理卷积层数量一般控制在5层以下;根据卷积层的连接方式和卷积层的数量可以将卷积神经网络划分为浅层、宽层和深层网络。
作为本发明的进一步改进,卷积神经网络模型中包含多个第二卷积层时,多个第二卷积层并联或串联。
作为本发明的进一步改进,还包括,在卷积层中加入池化层。卷积层中引入池化层可降低特征数量,提高运输速度。
本发明中,全连接层中有若干个神经元(n个),每个神经元都同时与拉平后的特征以及输出层相连接;输出层的神经元数量与所要预测的土壤属性数量相一致。
作为本发明的进一步改进,所述S4还包括,将数据集分为训练集和测试集,使用训练集训练模型,将训练好的模型对测试集土壤样本的土壤属性进行预测,评估预测效果;优选使用随机采样的方法划分训练集和测试集。本发明中,使用75%的土壤样本数据作为训练集,其余作为测试集。
本发明的方法,所述S3中,根据待测定对象的区别,本发明采用下述的方法进行土壤属性测定:土壤pH值采用pH计测定,土壤有机质含量采用水合热重铬酸钾-比色法测定,土壤全氮含量采用凯氏定氮法测定,土壤全磷含量采用钼锑蓝比色法测定,土壤全钾含量采用火焰光度法测定,土壤阳离子交换量采用醋酸铵浸提法测定。
作为本发明的进一步改进,本发明的方法在模型训练时,使用“Adam”优化器对模型的参数进行优化,设置优化器的学习速率为0.0001,迭代次数为1000次;使用训练集对模型进行训练,模型搭建和训练均在Python v3.8.3软件Tensorflow v2.4.1后端中完成。
进一步的,将训练好的模型对测试集土壤样本的土壤属性进行预测时,使用决定系数(R2)、均方根误差(RMSE)、剩余预测偏差(RPD)和过拟合指数(OFI)对模型的效果进行评估,计算方法如下:
本发明的有益效果在于:
1.本发明利用激光诱导击穿光谱技术对土壤多种属性进行快速同时定量测定,具有便捷、精准、环境友好等优点;
2.本发明将卷积操作引入模型,使用未经处理的土壤空间光谱矩阵对土壤属性进行同时快速测定,卷积操作可以自适应对光谱进行预处理,避免了人为参与繁琐的光谱预处过程,提升了预测精度,有效防止过拟合。
附图说明
图1为本发明方法的流程图。
图2为本发明建立的“一站式”光谱模型与常规化学计量学模型预测效果的比较。
具体实施方式
下面结合具体实施例对本发明作进一步阐述,但本发明并不限于以下实施例。所述方法如无特别说明均为常规方法。
实施例
一种基于“一站式”光谱模型的土壤属性快速同时测定方法,具体说明如下:
(1)采集农田0-20cm表层土壤样品200份,去除土壤中植物残体和石子,样品风干后研磨过0.149mm筛,取约2g土壤样品置于压片模具中,在55MPa的压力下压制2min,制得直径为1cm厚度为0.25cm的土壤样品。
(2)将土壤压片置于激光诱导击穿光谱仪的三轴可移动平台上,在激光能量为16mJ,频率为20Hz,栅极宽度和检测延迟时间分别为7.0ms和137μs的条件下采集光谱,采集光谱的波长范围为200-1000nm,光谱的分辨率为0.14nm;具体的采集过程如图1,首先在土壤表面第一个点位进行第一次烧蚀,产生第一个点位的第一层光谱然后在该点位继续进行第二次烧蚀,得到第一个点位的第二层光谱以此类推,可以得到一个烧蚀点位三层深度的光谱然后进行第二个点位的烧蚀,使用同样的方法可以得到第二个点位不同深度的光谱以此类推,最终可以得到25个点位不同深度的光谱
(3)将步骤(2)获得的光谱按照不同扫描层级的光谱分层平均,计算公式如下:
其中Sm表示第m层光谱的平均光谱,表示第j个点位的第m层光谱。然后将得到的不同扫描深度的光谱按照扫描深度顺序并行连接,即第一层光谱组成矩阵的第一行,第二层光谱组成矩阵的第二行,第三层光谱组成矩阵的第三行,得到土壤空间光谱矩阵M(M=[S1,S2,S3])。
(4)使用常规理化分析方法对土壤的属性进行测定,具体如下:土壤pH值采用pH计在水土比为1:2.5的条件下测定,土壤有机质含量采用水合热重铬酸钾-比色法测定,土壤全氮含量采用凯氏定氮法在凯氏定氮仪中测定,土壤全磷含量采用钼锑蓝比色法测定,土壤全钾含量采用火焰光度法测定,土壤阳离子交换量采用醋酸铵浸提法测定;200个土壤样本随机划分出150个作为训练集,其余的50个作为测试集。
(5)本实施例搭建了四种神经网络构架,四种神经网络都具有相同的第一层卷积结构(图1);第一层卷积的卷积核为二维卷积核,尺寸为S=[3,3],卷积核在输入光谱上以1为步长滑动,计算卷积核权重与对应光谱的点积和得到特征;卷核的数量为8;随后卷积核提取的特征输入激活层,激活层的激活函数为Leaky ReLU(LReLU),以增加模型的非线性。
(6)第一层卷积操作完成后,随后的几层卷积层不同的网络有不同的结构,具体如下:
模型1(CNN#1):第一层卷积层后连接一个卷积层,卷积层中卷积核的尺寸为[1,3],卷积核步长为1,卷积核的数量为4,激活函数为Leaky ReLU函数,输出的特征被拉平层转化为向量与全连接层相连。
模型2(CNN#2):第一层卷积层后并行连接三个卷积层;并行的第一个卷积层中卷积核的尺寸为[1,1],卷积核步长为1,卷积核数量为4;第二个和第三个并行卷积层的卷积核尺寸均为[1,3],卷积核步长均为1,卷积核数量均为4;所有卷积层后的激活函数均为Leaky ReLU函数,输出的特征被拉平层转化为向量与全连接层相连。
模型3(CNN#3):第一层卷积层后串联两个卷积层和两个最大池化层,池化层连接在两个卷积层之间;两个池化层的尺寸均为[1,3];第一个卷积层的卷积核尺寸为[1,3],卷积核步长均为1,卷积核数量均为16;第二个卷积层的卷积核尺寸为[1,3],卷积核步长均为1,卷积核数量均为32;所有卷积层后的激活函数均为Leaky ReLU函数,输出的特征被拉平层转化为向量与全连接层相连。
模型4(CNN#4):第一层卷积层后连接一个复杂的结构,结构中有四个复合层并行连接,复合层内部有两个或一个卷积层串联;其中第一个并行层是一个尺寸为[1,1]、步长为1、数量为4的卷积层;第二和第三个并行层分别由一个尺寸为[1,1]、步长为1、数量为4的卷积层和一个尺寸为[1,3]、步长为1、数量为4的卷积层串联构成;最后一个并行层由步长为1的最大池化层和一个尺寸为[1,1]、步长为1、数量为4的卷积层串联构成;所有卷积层后的激活函数均为Leaky ReLU函数,输出的特征被拉平层转化为向量与全连接层相连。
(7)四个模型有相同的全连接层和输出层结构,全连接层中有128个神经元,每个神经元都同时与拉平后的特征以及输出层相连接;输出层的神经元数量为6,分别用于输出土壤pH、土壤有机质、全氮、全磷、全钾、土壤阳离子交换量的预测结果。
(8)卷积核和全连接层的权重通过多次迭代进行优化,模型每次迭代都将预测值和实际值的误差平方和(即损失函数)反馈到参数优化中,同时使用L2正则化对权重进行限定,通过下式计算:
(9)四个模型均使用“Adam”优化器对参数进行优化,设置学习器的学习速率为0.0001,迭代次数为1000次;使用训练集对模型进行训练,模型训练共运行10次,求10次运行结果的平均作为模型的预测结果,模型搭建和训练均在Python v3.8.3软件Tensorflowv2.4.1后端中完成。
(10)使用决定系数(R2)、均方根误差(RMSE)、剩余预测偏差(RPD)和过拟合指数(OFI)对模型的效果进行评估,计算方法如下:
(11)比较四种模型和常规偏最小二乘回归模型结合不同的光谱预处理方法对土壤属性的预测效果,不同的光谱预处理方法包括:选择不同扫描深层光谱和选择不同的光谱标准化方法。其中扫描深度光谱的选择包括:三个扫描层光谱平均、第一层光谱、第二层光谱、第三层光谱共四种选择方案,光谱标准化方法包括:平均方法、基于光谱模的标准化方法、基于光谱面积的标准化方法、基于光谱最大峰强度的标准化方法以及基于硅谱线强度的标准化方法共五种标准化方法;由此组合可以得到20种光谱预处理方法。四种“一站式”光谱模型和常规模型的预测效果如图2所示,四种模型对pH、土壤有机质、全氮、全钾、阳离子交换量的预测RMSE值几乎均小于常规方法的平均值,这说明四种“一站式”光谱模型可以明显提升土壤属性的预测能力。
(12)比较了四种模型和偏最小二乘回归模型对土壤属性的拟合效果(表1)。可以明显地看出,四种“一站式”光谱模型的过拟合度更小(<100),这说明相较于常规模型,四种“一站式”光谱模型能有效地避免过拟合和欠拟合。此外,四种“一站式”光谱模型对土壤多属性的预测是同时进行的,这大大节省了时间。由此可知,所构建的“一站式”光谱模型不仅提升了土壤属性的预测精度和效率,而且可以有效地避免过拟合和欠拟合问题,为现代农业中土壤属性简单、快速测定提供新的方法。
表1 “一站式”光谱模型与常规化学计量学模型预测过拟合度的比较。
以上所述仅是本发明的优选实例,应当指出,对于本技术领域的普通技术人员来说,在不脱离发明技术原理的前提下,还可以做出若干改进接润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于一站式光谱模型的土壤属性快速测定方法,其特征在于,包括:
S1将土壤样品压片,使用激光诱导击穿光谱仪分层采集土壤样本的空间光谱;
S2不对光谱进行预处理,直接将空间光谱分层平均,获得土壤样本不同扫描深度的特征光谱;将所述不同扫描深度的特征光谱并行连接,构建土壤空间光谱矩阵;
S3使用传统理化方法测定土壤样本的属性,和土壤样本的空间光谱矩阵形成用于模型构建的数据集;
S4以土壤样本的空间光谱矩阵为输入,测定的属性为输出,对卷积神经网络模型进行模型训练,构建空间光谱矩阵与土壤属性的定量模型;
所述卷积神经网络模型通过多个二维卷积核对输入光谱矩阵进行卷积操作,从中提取特征信息;
S5采用S1~S2所述方法获取待测土壤样本的空间光谱矩阵,代入S4构建的模型,获取待测土壤样本的土壤属性。
4.根据权利要求1所述的方法,其特征在于,所述卷积神经网络模型包括:
第一卷积层,使用多个二维卷积核对输入的空间光谱矩阵进行卷积操作,从光谱数据中提取特征信息,并通过激活函数对提取的特征进行处理,从而引入非线性特征;
至少一个第二卷积层,每个第二卷积层中包括激活函数和多个一维卷积核,对第一卷积层输出的一维特征进行处理,提取抽象特征;
拉平层,将第二卷积层输出的抽象特征拉平后输入全连接层;
全连接层,和输出层连接;
卷积核和全连接层的权重通过迭代进行优化,模型每次迭代都将损失函数反馈到参数优化中,使用L2正则化对权重进行限定。
5.根据权利要求4所述的方法,其特征在于,所述第一卷积层中,二维卷积核的尺寸为m×k,m大小与输入的空间光谱矩阵的行数,即光谱层数一致。
6.根据权利要求4所述的方法,其特征在于,所述第一卷积层中,使用修正线性单元ReLu或Leaky ReLu作为激活函数;使用Leaky ReLu作为激活函数时,激活函数中的参数α设置在0~0.2之间。
7.根据权利要求4所述的方法,其特征在于,所述第二卷积层中,卷积核的尺寸为1×k,激活函数选用ReLu或Leaky ReLu。
8.根据权利要求4所述的方法,其特征在于,卷积神经网络模型中包含多个第二卷积层时,多个第二卷积层并联或串联。
9.根据权利要求4所述的方法,其特征在于,还包括,在卷积层中加入池化层。
10.根据权利要求1所述的方法,其特征在于,所述S4还包括,将数据集分为训练集和测试集,使用训练集训练模型,将训练好的模型对测试集土壤样本的土壤属性进行预测,评估预测效果;优选使用随机采样的方法划分训练集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194722.1A CN114034684B (zh) | 2021-10-13 | 2021-10-13 | 一种基于一站式光谱模型的土壤属性快速测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194722.1A CN114034684B (zh) | 2021-10-13 | 2021-10-13 | 一种基于一站式光谱模型的土壤属性快速测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114034684A true CN114034684A (zh) | 2022-02-11 |
CN114034684B CN114034684B (zh) | 2023-05-30 |
Family
ID=80141359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111194722.1A Active CN114034684B (zh) | 2021-10-13 | 2021-10-13 | 一种基于一站式光谱模型的土壤属性快速测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114034684B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117147526A (zh) * | 2023-10-31 | 2023-12-01 | 西北师范大学 | 大面积土壤pH值快速检测方法 |
Citations (9)
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 |
CN105486655A (zh) * | 2015-11-23 | 2016-04-13 | 中国科学院南京土壤研究所 | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 |
CN106124449A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
CN108596085A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于卷积神经网络的土壤重金属含量检测模型的建立方法 |
CN108596246A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于深度神经网络的土壤重金属含量检测模型的建立方法 |
CN109946241A (zh) * | 2019-03-12 | 2019-06-28 | 北京理工大学 | 一种基于高光谱计算成像系统的土壤分类方法 |
US20200065968A1 (en) * | 2018-08-24 | 2020-02-27 | Ordnance Survey Limited | Joint Deep Learning for Land Cover and Land Use Classification |
CN111488926A (zh) * | 2020-04-07 | 2020-08-04 | 中国科学院南京土壤研究所 | 一种基于优化模型的土壤有机质测定方法 |
CN113177919A (zh) * | 2021-04-28 | 2021-07-27 | 成都艾立本科技有限公司 | Libs与深度学习结合的岩性分类及主量元素含量检测方法 |
-
2021
- 2021-10-13 CN CN202111194722.1A patent/CN114034684B/zh active Active
Patent Citations (9)
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 |
CN105486655A (zh) * | 2015-11-23 | 2016-04-13 | 中国科学院南京土壤研究所 | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 |
CN106124449A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
CN108596085A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于卷积神经网络的土壤重金属含量检测模型的建立方法 |
CN108596246A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于深度神经网络的土壤重金属含量检测模型的建立方法 |
US20200065968A1 (en) * | 2018-08-24 | 2020-02-27 | Ordnance Survey Limited | Joint Deep Learning for Land Cover and Land Use Classification |
CN109946241A (zh) * | 2019-03-12 | 2019-06-28 | 北京理工大学 | 一种基于高光谱计算成像系统的土壤分类方法 |
CN111488926A (zh) * | 2020-04-07 | 2020-08-04 | 中国科学院南京土壤研究所 | 一种基于优化模型的土壤有机质测定方法 |
CN113177919A (zh) * | 2021-04-28 | 2021-07-27 | 成都艾立本科技有限公司 | Libs与深度学习结合的岩性分类及主量元素含量检测方法 |
Non-Patent Citations (2)
Title |
---|
吴文韬等: "激光诱导击穿光谱定量检测土壤微量重金属元素方法研究" * |
孙淼等: "基于LIBS技术和卷积神经网络的土壤铅含量等级快速分类" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117147526A (zh) * | 2023-10-31 | 2023-12-01 | 西北师范大学 | 大面积土壤pH值快速检测方法 |
CN117147526B (zh) * | 2023-10-31 | 2024-02-06 | 西北师范大学 | 大面积土壤pH值快速检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114034684B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106124449B (zh) | 一种基于深度学习技术的土壤近红外光谱分析预测方法 | |
CN110991064B (zh) | 土壤重金属含量反演模型生成方法、系统及反演方法 | |
CN110907393B (zh) | 植物盐碱胁迫程度检测方法及装置 | |
CN105117734B (zh) | 基于模型在线更新的玉米种子高光谱图像分类识别方法 | |
CN111488926B (zh) | 一种基于优化模型的土壤有机质测定方法 | |
CN104374738A (zh) | 一种基于近红外提高鉴别结果的定性分析方法 | |
CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
CN110702656A (zh) | 一种基于三维荧光光谱技术的植物油农药残留检测方法 | |
CN104483292B (zh) | 一种采用多谱线比值法提高激光探针分析精确度的方法 | |
CN110579186B (zh) | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 | |
CN109142251B (zh) | 随机森林辅助人工神经网络的libs定量分析方法 | |
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 | |
CN109376805A (zh) | 一种基于白酒基酒指纹图谱特征的分类方法 | |
CN111783555A (zh) | 一种使用统一样本的深度学习卫星数据云检测算法 | |
CN110263735A (zh) | 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 | |
CN114676636A (zh) | 一种综合植被和生境特征的草原区土壤水分快速反演方法 | |
CN114034684B (zh) | 一种基于一站式光谱模型的土壤属性快速测定方法 | |
CN112926625B (zh) | 一种卫星辐射数据的偏差影响因子分析方法 | |
Tussupov et al. | Analysis of formal concepts for verification of pests and diseases of crops using machine learning methods | |
Yang et al. | A quality detection method of corn based on spectral technology and deep learning model | |
CN117611893A (zh) | 一种基于降冗余特征优选策略的大豆种植区遥感提取方法 | |
CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
CN105974058B (zh) | 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法 | |
CN108038440A (zh) | 一种基于重叠池化的高光谱遥感影像分类方法 | |
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 |
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 |