CN114384023A - 土壤砷浓度空间分布反演方法、装置和计算机设备 - Google Patents

土壤砷浓度空间分布反演方法、装置和计算机设备 Download PDF

Info

Publication number
CN114384023A
CN114384023A CN202210004012.6A CN202210004012A CN114384023A CN 114384023 A CN114384023 A CN 114384023A CN 202210004012 A CN202210004012 A CN 202210004012A CN 114384023 A CN114384023 A CN 114384023A
Authority
CN
China
Prior art keywords
sample
pixel
arsenic concentration
soil
hyperspectral
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
Application number
CN202210004012.6A
Other languages
English (en)
Inventor
侯德义
贾茜越
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202210004012.6A priority Critical patent/CN114384023A/zh
Publication of CN114384023A publication Critical patent/CN114384023A/zh
Pending legal-status Critical Current

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
    • G01N21/17—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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请涉及一种土壤砷浓度空间分布反演方法、装置和计算机设备。所述方法包括：获取卫星高光谱图像；根据所述卫星高光谱图像中各像元对应的光谱数据，构建各所述像元的关键特征高光谱指数；通过反演模型对各所述像元的所述关键特征高光谱指数进行反演处理，得到所述卫星高光谱图像对应的土壤砷浓度空间分布反演图像，所述土壤砷浓度空间分布反演图像中任一像元对应的像元值，用于表征所述像元对应土壤的砷浓度。采用本方法能够提高土壤砷浓度的检测效率。

Description

土壤砷浓度空间分布反演方法、装置和计算机设备
技术领域
本申请涉及环境遥感监测技术领域，特别是涉及一种土壤砷浓度空间分布反演方法、装置和计算机设备。
背景技术
健康的土壤是人居环境安全、食品安全等重大民生问题的保障，是生态文明建设的重要基础。然而，由于工、农业长期粗放式发展，大量污染物通过各类途径汇入土壤，给土壤环境质量造成了严重威胁。高精度的土壤污染调查是实现高效、精准的土壤污染修复的基石。
传统的土壤污染调查主要通过现场采样、实验室检测及地统计分析开展。往往需要耗费大量的人力、物力及时间，调查过程复杂且实时性差。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高土壤砷浓度的检测效率的土壤砷浓度空间分布反演方法、装置和计算机设备。
第一方面，本申请提供了一种土壤砷浓度空间分布反演方法，所述方法包括：
获取卫星高光谱图像；
根据所述卫星高光谱图像中各像元对应的光谱数据，构建各所述像元的关键特征高光谱指数；
通过反演模型对各所述像元的所述关键特征高光谱指数进行反演处理，得到所述卫星高光谱图像对应的土壤砷浓度空间分布反演图像，所述土壤砷浓度空间分布反演图像中任一像元对应的像元值，用于表征所述像元对应土壤的砷浓度。
在其中一个实施例中，所述反演模型包括预测模型和图像生成模块，所述通过反演模型对各所述像元的所述关键特征高光谱指数进行反演处理，得到所述卫星高光谱图像对应的土壤砷浓度空间分布反演图像，包括：
通过所述预测模型对各所述像元的所述关键特征高光谱指数进行预测处理，得到各所述像元对应的砷浓度；
通过所述图像生成模块对各所述像元对应的砷浓度进行反演，得到所述卫星高光谱图像对应的土壤砷浓度空间分布反演图像。
在其中一个实施例中，所述方法还包括:
获取研究区的样本卫星高光谱图像及所述样本卫星高光谱图像中各采样点土壤对应的砷浓度；
根据各所述采样点在所述样本卫星高光谱图像中对应的样本光谱数据，构建各所述采样点对应的样本光谱指数；
针对任一所述采样点，从所述采样点对应的样本光谱指数中确定样本关键特征高光谱指数；
通过初始预测模型对所述采样点对应的所述样本关键特征高光谱指数进行预测处理，得到所述采样点对应的预测砷浓度；
根据所述采样点对应的预测砷浓度及所述采样点土壤对应的砷浓度，构建所述初始预测模型，得到所述预测模型。
在其中一个实施例中，所述获取样本卫星高光谱图像，包括：
获取研究区的卫星高光谱图像；
对所述卫星高光谱图像进行校正处理，得到样本卫星高光谱图像。
在其中一个实施例中，所述根据各所述采样点在所述样本卫星高光谱图像中对应的样本光谱数据，构建各所述采样点对应的样本光谱指数，包括：
对各所述采样点在所述样本卫星高光谱图像中对应的样本光谱数据进行降噪处理，得到降噪后的样本光谱数据；
根据所述样本光谱数据和/或所述降噪后的样本光谱数据，采用单波段构建方式和/或双波段构建方式构建各所述采样点对应的样本光谱指数。
在其中一个实施例中，所述针对任一所述采样点，从所述采样点对应的样本光谱指数中确定样本关键特征高光谱指数，包括：
针对任一所述采样点，根据各所述采样点对应的所述样本光谱指数及各所述采样点土壤的砷浓度，确定所述采样点对应的各所述样本光谱指数与土壤砷浓度的相关系数；
将所述相关系数的绝对值大于或者等于相关系数阈值的所述样本光谱指数，作为样本关键特征高光谱指数。
在其中一个实施例中，所述方法还包括：
确定用于构建所述样本关键特征高光谱指数的目标光谱波段及目标构建方式；
所述根据所述卫星高光谱图像中各像元对应的光谱数据，构建各所述像元的关键特征高光谱指数，包括：
针对所述卫星高光谱图像中的任一所述像元，根据所述像元对应的光谱数据中的所述目标光谱波段、及所述目标构建方式，构建所述像元的关键特征高光谱指数。
第二方面，本申请还提供了一种土壤砷浓度空间分布反演装置。所述装置包括：
第一获取模块，用于获取卫星高光谱图像；
第一构建模块，用于根据所述卫星高光谱图像中各像元对应的光谱数据，构建各所述像元的关键特征高光谱指数；
反演模块，用于通过反演模型对各所述像元的所述关键特征高光谱指数进行反演处理，得到所述卫星高光谱图像对应的土壤砷浓度空间分布反演图像，所述土壤砷浓度空间分布反演图像中任一像元对应的像元值，用于表征所述像元对应土壤的砷浓度。
在其中一个实施例中，所述反演模型包括预测模型和图像生成模块，所述反演模型，还用于：
通过所述预测模型对各所述像元的所述关键特征高光谱指数进行预测处理，得到各所述像元对应的砷浓度；
通过所述图像生成模块对各所述像元对应的砷浓度进行反演，得到所述卫星高光谱图像对应的土壤砷浓度空间分布反演图像。
在其中一个实施例中，所述装置还包括：
第二获取模块，用于获取研究区的样本卫星高光谱图像及所述样本卫星高光谱图像中各采样点土壤对应的砷浓度；
第二构建模块，用于根据各所述采样点在所述样本卫星高光谱图像中对应的样本光谱数据，构建各所述采样点对应的样本光谱指数；
第一确定模块，用于针对任一所述采样点，从所述采样点对应的样本光谱指数中确定样本关键特征高光谱指数；
预测模块，用于通过初始预测模型对所述采样点对应的所述样本关键特征高光谱指数进行预测处理，得到所述采样点对应的预测砷浓度；
训练模块，用于根据所述采样点对应的预测砷浓度及所述采样点土壤对应的砷浓度，训练所述初始预测模型，得到所述预测模型。
在其中一个实施例中，所述第二获取模块，还用于：
获取研究区的卫星高光谱图像；
对所述卫星高光谱图像进行校正处理，得到样本卫星高光谱图像。
在其中一个实施例中，所述第二构建模块，还用于：
对各所述采样点在所述样本卫星高光谱图像中对应的样本光谱数据进行降噪处理，得到降噪后的样本光谱数据；
根据所述样本光谱数据和/或所述降噪后的样本光谱数据，采用单波段构建方式和/或双波段构建方式构建各所述采样点对应的样本光谱指数。
在其中一个实施例中，所述第一确定模块，还用于：
针对任一所述采样点，根据各所述采样点对应的所述样本光谱指数及各所述采样点土壤的砷浓度，确定所述采样点对应的各所述样本光谱指数与土壤砷浓度的相关系数；
将所述相关系数的绝对值大于或者等于相关系数阈值的所述样本光谱指数，作为样本关键特征高光谱指数。
在其中一个实施例中，所述装置还包括：
第二确定模块，用于确定用于构建所述样本关键特征高光谱指数的目标光谱波段及目标构建方式；
所述第一构建模块，还用于：
针对所述卫星高光谱图像中的任一所述像元，根据所述像元对应的光谱数据中的所述目标光谱波段、及所述目标构建方式，构建所述像元的关键特征高光谱指数。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以上土壤砷浓度空间分布反演方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上土壤砷浓度空间分布反演方法的步骤。
第五方面，本申请还提供了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，该计算机程序被处理器执行时实现以上土壤砷浓度空间分布反演方法的步骤。
上述土壤砷浓度空间分布反演方法、装置和计算机设备，在获取卫星高光谱图像后，根据卫星高光谱图像中各像元对应的光谱数据，构建各像元的关键特征高光谱指数，并通过反演模型对各像元的关键特征高光谱指数进行反演处理，得到卫星高光谱图像对应的土壤砷浓度空间分布反演图像，土壤砷浓度空间分布反演图像中任一像元对应的像元值，用于表征像元对应土壤的砷浓度。根据本申请提供的土壤砷浓度空间分布反演方法、装置和计算机设备，可以通过反演模型对实时获取的卫星高光谱图像进行反演处理，以能够实时得到土壤砷浓度空间分布反演图像，可以减少人工参与，也即可以降低针对人力、物力及时间的消耗，降低检测过程的复杂性，可以提高针对土壤中砷浓度预测的效率和精度。
附图说明
图1为一个实施例中土壤砷浓度空间分布反演方法的流程示意图；
图2为一个实施例中土壤砷浓度空间分布反演方法的流程示意图；
图3为一个实施例中土壤砷浓度空间分布反演方法的流程示意图；
图4为一个实施例中土壤砷浓度空间分布反演方法的流程示意图；
图5为一个实施例中土壤砷浓度空间分布反演方法的流程示意图；
图6为一个实施例中土壤砷浓度空间分布反演方法的流程示意图；
图7为一个实施例中土壤砷浓度空间分布反演方法的示意图；
图8a～图8b为一个实施例中土壤砷浓度空间分布反演方法的示意图；
图9a～图9b为一个实施例中土壤砷浓度空间分布反演方法的示意图；
图10为一个实施例中土壤砷浓度空间分布反演装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种土壤砷浓度空间分布反演方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，获取卫星高光谱图像。
本申请实施例中，可以获取待进行土壤砷浓度检测的研究区内对应的卫星高光谱图像。例如：可以在自然资源遥感卫星云服务平台下查找待检测区域内的高光谱图像，选择待检测区域内云量为0或尽可能小的影像，下载该影像作为待检测区域对应的卫星高光谱图像。
步骤104，根据卫星高光谱图像中各像元对应的光谱数据，构建各像元的关键特征高光谱指数。
本申请实施例中，在得到卫星高光谱图像后，可以针对该卫星高光谱图像中各像元对应的光谱数据(光谱数据包括组成像元的多个波段，本申请实施例中提及的光谱数据均为高光谱数据，下述实施例中不再特殊说明)，构建各像元的关键特征高光谱指数。示例性的，可以采用单波段和/或双波段的构建方式构建像元的关键特征高光谱指数，例如：单波段构建方式可以包括但不限于：ln(a)、1/a、1/ln(a)、ln(1/a)等方式；双波段构建方式可以包括但不限于：a×b、a/b、
Figure BDA0003454752960000071
Figure BDA0003454752960000072
(a-b)/(a+b)等方式，其中a、b分别用于表征光谱数据中的任一波段。
步骤106，通过反演模型对各像元的关键特征高光谱指数进行反演处理，得到卫星高光谱图像对应的土壤砷浓度空间分布反演图像，土壤砷浓度空间分布反演图像中任一像元对应的像元值，用于表征像元对应土壤的砷浓度。
本申请实施例中，在得到卫星高光谱图像中各像元对应的关键特征高光谱指数后，可以将各像元对应的关键特征高光谱指数输入反演模型中进行反演处理，得到卫星高光谱图像对应的土壤砷浓度空间分布反演图像。示例性的，反演模型可以基于各像元的关键特征高光谱指数预测各像元对应的砷浓度后，基于各像元对应的砷浓度及各像元在卫星高光谱图像中的位置信息，生成卫星高光谱图像对应的土壤砷浓度空间分布反演图像。
需要说明的是，反演模型为预先构建的用于预测土壤砷浓度的机器学习模型，例如：反演模型可以为预先基于多元线性回归、决策树回归、随机森林回归、支持向量机回归、偏最小二乘回归、主成分回归、神经网络回归等方式构建的模型，本申请实施例中不对反演模型的网络结构做具体限定。
本申请实施例提供的土壤砷浓度空间分布反演方法，在获取卫星高光谱图像后，根据卫星高光谱图像中各像元对应的光谱数据，构建各像元的关键特征高光谱指数，并通过反演模型对各像元的关键特征高光谱指数进行反演处理，得到卫星高光谱图像对应的土壤砷浓度空间分布反演图像，土壤砷浓度空间分布反演图像中任一像元对应的像元值，用于表征像元对应土壤的砷浓度。根据本申请提供的土壤砷浓度空间分布反演方法，可以通过反演模型对实时获取的卫星高光谱图像进行反演处理，以能够实时得到土壤砷浓度空间分布反演图像，可以减少人工参与，也即可以降低针对人力、物力及时间的消耗，降低检测过程的复杂性，可以提高针对土壤中砷浓度预测的效率和精度。
在一个实施例中，反演模型可以包括预测模型和图像生成模块，参照图2，上述步骤106，通过反演模型对各像元的关键特征高光谱指数进行反演处理，得到卫星高光谱图像对应的土壤砷浓度空间分布反演图像，包括：
步骤202，通过预测模型对各像元的关键特征高光谱指数进行预测处理，得到各像元对应的砷浓度；
步骤204，通过图像生成模块对各像元对应的砷浓度进行反演，得到卫星高光谱图像对应的土壤砷浓度空间分布反演图像。
本申请实施例中，反演模型可以包括预测模型和图像生成模块，其中预测模型用于预测卫星高光谱图像中各像元对应的砷浓度，图像生成模块可以基于卫星高光谱图像中各像元对应的砷浓度生成对应的土壤砷浓度空间分布反演图像。
可以将卫星高光谱图像中各像元对应的关键特征高光谱指数输入预测模型，预测模型的输出即为各像元对应的砷浓度。进一步的，图像生成模块可以根据各像元对应的砷浓度生成卫星高光谱图像对应的土壤砷浓度空间分布反演图像。
在一个实施例中，参照图3，上述方法还可以包括:
步骤302，获取研究区的样本卫星高光谱图像及样本卫星高光谱图像中各采样点土壤对应的砷浓度；
步骤304，根据各采样点在样本卫星高光谱图像中对应的样本光谱数据，构建各采样点对应的样本光谱指数；
步骤306，针对任一所述采样点，从采样点对应的样本光谱指数中确定样本关键特征高光谱指数；
步骤308，通过初始预测模型对采样点对应的样本关键特征高光谱指数进行预测处理，得到采样点对应的预测砷浓度；
步骤310，根据采样点对应的预测砷浓度及采样点土壤对应的砷浓度，构建初始预测模型，得到预测模型。
本申请实施例中，可以为采用多元线性回归、决策树回归、随机森林回归、支持向量机回归、偏最小二乘回归、主成分回归、神经网络回归等方式构建的预测模型，具体预测过程本申请实施例不再赘述，以下以神经网络回归方式构建预测模型为例，对本申请实施例中预测模型的构建过程加以说明。
本申请实施例中，可以在研究区内进行采样点的划分，并从采样点进行土壤采样。示例性的，可以通过系统采样法在待检测区域的场地内布点采样，采样时可以通过GPS(Global Positioning System，全球定位系统)确定各采样点的经纬度。对土壤样品进行预处理(示例性的，预处理可以包括烘干、去除杂草、碎石等杂质、研磨过筛等)后，可以测定各采样点的土壤样本对应的砷浓度，例如：可以通过电感耦合等离子体质谱法测定土壤中的砷浓度。
可以在自然资源遥感卫星云服务平台下查找在采样时间拍摄的研究区的卫星高光谱图像，从中选择云量为0或尽可能小的影像进行下载，并对下载的卫星高光谱图像进行图像校正等处理后，将校正后的卫星高光谱图像作为样本卫星高光谱图像。
需要说明的是，样本卫星高光谱图像与前述实施例中的卫星高光谱图像可以为同一高光谱图像，也可以为不同高光谱图像，本申请实施例中对此不做具体限定。
获取各采样点在样本卫星高光谱图像中的对应样本光谱数据，针对任一采样点对应的样本光谱数据，可以根据样本光谱数据对应的光谱波段构建该采样点对应的样本光谱指数，具体样本光谱指数的构建方式参照前述实施例中构建关键特征高光谱指数的方式即可，本申请实施例中在此不再赘述。
针对任一采样点，可以构建其对应的多个样本光谱指数，可以根据各样本光谱指数与采样点的砷浓度的相关性，从多个样本光谱指数中选择与土壤砷浓度具有显著相关的样本光谱指数作为样本关键特征高光谱指数。将采样点对应的样本关键特征高光谱指数作为初始预测模型的输入信息，初始预测模型对样本关键特征高光谱指数进行预测处理后，可以得到采样点对应的预测砷浓度。通过预测砷浓度与采样点土壤对应的砷浓度计算初始预测模型的模型损失，并在模型损失不满足训练要求(例如：模型损失大于或者等于预设的损失阈值)的情况下，对初始预测模型的模型参数进行调整，继续迭代训练初始预测模型，直至初始预测模型的模型损失满足训练要求(例如：模型损失小于预设的损失阈值)为止，停止训练，得到训练后的预测模型。
训练得到预测模型后，可以通过预测模型和图像生成模块构建得到反演模型，进而通过反演模型对卫星高光谱图像进行反演处理。
基于本申请提供的土壤砷浓度空间分布反演方法，可以通过训练得到的预测模型构建反演模型，并采用反演模型对实时获取的卫星高光谱图像进行反演处理，以实时得到土壤砷浓度空间分布反演图像，可以减少人工参与，也即可以降低针对人力、物力及时间的消耗，降低检测过程的复杂性，可以提高针对土壤中砷浓度预测的效率和精度。
在一个实施例中，参照图4所示，步骤302中，获取研究区的样本卫星高光谱图像，可以包括：
步骤402，获取研究区的卫星高光谱图像；
步骤404，对卫星高光谱图像进行校正处理，得到样本卫星高光谱图像。
本申请实施例中，在获取卫星高光谱图像后，可以对卫星高光谱图像进行校正处理，将校正处理后的卫星高光谱图像作为样本卫星高光谱图像。示例性的，针对卫星高光谱图像的校正处理可以包括几何校正以及辐射校正等校正方式，通过几何校正以及辐射校正可以消除大气中水、二氧化碳等物质的反射辐射，降低这些噪声对光谱的影响。
举例来说，在对卫星高光谱图像进行几何校正的过程中，可以选择地面控制点，基于地面控制点对卫星高光谱图像进行像元空间坐标变换，进一步利用像元灰度重采样，重构图像中各像元的像元值，得到几何校正后的卫星高光谱图像。
在对几何校正后的卫星高光谱图像进行辐射校正的过程中，可以对几何校正后的卫星高光谱图像进行辐射定标，然后通过FLAASH大气校正将几何校正后的卫星高光谱图像中的初始像元值转换为地表实际反射率，地表实际反射率用于表征太阳光照射地物后反射的光辐射能量占总辐射能量的百分比。
基于本申请提供的土壤砷浓度空间分布反演方法，通过对获取的卫星高光谱图像进行校正处理，采用校正处理后得到的样本卫星高光谱图像构建预测模型，可以降低大气中水、二氧化碳等物质的反射辐射等噪声对光谱的影响，可以提高预测模型的预测精度。
在一个实施例中，参照图5所示，步骤304中，根据各采样点在样本卫星高光谱图像中对应的样本光谱数据，构建各采样点对应的样本光谱指数，包括：
步骤502，对各采样点在样本卫星高光谱图像中对应的样本光谱数据进行降噪处理，得到降噪后的样本光谱数据；
步骤504，根据样本光谱数据和/或降噪后的样本光谱数据，采用单波段构建方式和/或双波段构建方式构建各采样点对应的样本光谱指数。
本申请实施例中，可以利用SG(Savitzky-Golay卷积平滑法)、移动平均平滑、变量标准化、多元散射校正、一阶导数变换及二阶导数变换等降噪方式对各采样点高光谱数据进行降噪。
示例性的，采用移动平均平滑方式降噪，具体可以参照下述公式(一)
Figure BDA0003454752960000111
其中，i用于标识第i段波长，xi,MAS为采样点在第i段波长的移动平均平滑值，xi用于表征采样点在第i段波长的光谱值，2w+1为窗口数。
示例性的，采用SG(Savitzky-Golay卷积平滑法)方式进行降噪，具体可以参照下述公式(二)。
Figure BDA0003454752960000112
其中，
Figure BDA0003454752960000113
用于表征通过最小二乘法拟合得到的多项式的系数,
Figure BDA0003454752960000114
用于表征SG卷积平滑法得到的均值，j表征[-w，w]中的任一值，w表示滑动窗口。
示例性的，采用变量标准化方式进行降噪，具体可以参照下述公式(三)。
Figure BDA0003454752960000115
其中，x用于表征采样点对应的原始光谱，
Figure BDA0003454752960000119
用于表征各波段光谱反射率平均值，p为光谱曲线的波长点，xSNV用于表征光谱通过变量标准化平均后的降噪值，n为光谱波段的总数，i为n个光谱波段的第i个波段。
示例性的，采用多元散射校正进行降噪，具体可以参照下述公式(四)至公式(六)。
Figure BDA0003454752960000116
Figure BDA0003454752960000117
Figure BDA0003454752960000118
其中，公式(四)用于计算平均光谱
Figure BDA0003454752960000121
公式(五)为线性回归方程，公式(六)用于求取待校正光谱。
Figure BDA0003454752960000122
用于表征光谱的平均光谱，n用于表征样本数，pi和bi可通过线性回归拟合得到，Xi(MSC)用于表征通过多元散射校正后的光谱值。
上述一阶导数变换及二阶导数变换可以通过差分法实现，本申请实施例在此不再赘述。
在对样本光谱数据进行降噪处理后，可以得到降噪后的样本光谱数据，并可以根据样本光谱数据和/或降噪后的样本光谱数据，采用单波段构建方式和/或双波段构建方式构建各采样点对应的样本光谱指数，其中，单波段构建方式和双波段构建方式具体可以参照前述实施例的相关描述即可，本申请实施例在此对此不再赘述。
通过数学变换及组合形式对样本光谱数据和/或降噪后的样本光谱数据进行单一波段变换或两两波段组合，形成单波段及双波段的样本光谱指数，可以大大扩充光谱信息，并且增强光谱数据对地物的识别能力，可以提高基于光谱数据对土壤砷浓度的预测能力。
在一个实施例中，参照图6所示，步骤306中，针对任一采样点，从采样点对应的样本光谱指数中确定样本关键特征高光谱指数，可以包括：
步骤602，针对任一采样点，根据采样点对应的样本光谱指数及各采样点土壤的砷浓度，确定采样点对应的各样本光谱指数与土壤砷浓度的相关系数；
步骤604，将相关系数的绝对值大于或者等于相关系数阈值的样本光谱指数，作为样本关键特征高光谱指数。
本申请实施例中，针对任一采样点，可以通过皮尔森系数确定该采样点对应的各样本光谱指数与土壤砷浓度的相关系数，并基于各样本光谱指数与土壤砷浓度的相关系数，从样本光谱指数中确定样本关键特征高光谱指数，例如：将相关系数的绝对值大于或者等于相关系数阈值的样本光谱指数，作为样本关键特征高光谱指数，其中相关系数阈值为预设的数值，具体取值可以根据预测精度需求进行确定，例如：可以预设相关系数阈值为0.15。
示例性的，可以根据采样点对应的样本光谱指数及各采样点土壤的砷浓度，确定采样点对应的各样本光谱指数与土壤砷浓度的相关系数，可以参照公式(七)所示。
Figure BDA0003454752960000131
其中，r用于表征样本光谱指数与土壤砷浓度的相关系数，m为采样点的总数，q用于表征第q个采样点，xq为第q个采样点的样本光谱指数，
Figure BDA0003454752960000132
用于表征样本光谱指数在各采样点中的光谱指数均值，yq为第q个采样点的土壤砷浓度,xq用于表征土壤砷浓度在各采样点中的砷浓度均值。
基于本申请提供的土壤砷浓度空间分布反演方法，可以从构建的多个样本光谱指数中选取与土壤砷浓度具有显著相关的样本关键特征高光谱指数，以用于构建预测模型，可以降低计算量，节约计算时间，提高预测模型的预测精度。
在一个实施例中，上述方法还可以包括：
确定用于构建样本关键特征高光谱指数的目标光谱波段及目标构建方式；
在本申请实施例中，步骤104中，根据卫星高光谱图像中各像元对应的光谱数据，构建各像元的关键特征高光谱指数，具体可以包括：
针对卫星高光谱图像中的任一像元，根据像元对应的光谱数据中的目标光谱波段、及目标构建方式，构建像元的关键特征高光谱指数。
本申请实施例中，在预测模型的训练阶段，从样本光谱指数中确定样本关键特征高光谱指数时，可以将用于确定样本关键特征高光谱指数的光谱波段及用于构建该样本关键特征高光谱指数的构建方式，分别作为目标光谱波段及目标构建方式。进而针对卫星高光谱图像中的任一像元，可以采用目标构建方式对该像元对应的光谱数据中的目标光谱波段进行处理，构建得到该像元的关键特征高光谱指数。
例如：在预测模型的构建阶段，样本关键特征高光谱指数为1波段与3波段的比值，则可以确定1波段与3波段为目标光谱波段，确定构建方式a/b为目标构建方式，进而对于卫星高光谱图像中的任一像元，可以根据该像元的1波段与3波段进行比值计算，得到该像元的关键特征高光谱指数。
为使本领域技术人员更好的理解本申请实施例，以下通过具体示例对本申请实施例加以说明。
参照图7所示，在网络训练阶段，可以依据《污染场地调查技术导则》(HJ25.1-2014)及《场地环境监测技术导则》(HJ 25.2-2014)，通过系统采样法在场地内布点采样。将样品带回实验室经过预处理后，电感耦合等离子体质谱法测定各采样点土壤中的砷浓度。
获取样本高光谱图像。可以在自然资源遥感卫星云服务平台下查找采样时间附近研究区内的高光谱图像，选择研究区内云量为0或尽可能小的“高分5号”图像，下载备用。
对下载的高光谱图像进行校正，得到样本高光谱图像。对高光谱图像进行几何校正后，开展辐射校正。可以对高光谱图像进行辐射定标，将像元单位变为μw/cm2·sr·nm。然后，进行FLAASH大气校正。根据研究区的范围及卫星影像的获取时间，选择“Sub-ArcticSummer”作为气溶胶模型。大气校正前像元光谱曲线可以参照图8a所示，大气校正后像元光谱曲线可以参照图8b所示。
校正后，可以对采样点对应的样本高光谱数据进行降噪处理。可以通过python的GDAL包从样本高光谱图像中提取采样点的样本光谱数据，利用SG卷积平滑、移动平均平滑、变量标准化、多元散射校正、一阶导数变换及二阶导数变换等方式对各采样点样本高光谱数据进行降噪。
对于降噪后的样本高光谱数据，可以采用单波段及双波段光谱数据构建方式，构建采样点对应的样本光谱指数。示例性的，通过前述实施例提及的单波段及双波段构建方式可以根据降噪后的305个光谱波段构建19.45×104个样本光谱指数。
可以从多个样本光谱指数中筛选出样本关键特征高光谱指数。通过相关性分析确定各个样本光谱指数与土壤砷浓度的响应关系，筛选出相关系数的绝对值大于相关系数阈值的样本光谱指数作为样本关键特征高光谱指数。
基于随机森林的反演模型构建。将前述过程中获取的采样点随机分为训练集和测试集。随机森林中最重要的超参数之一是决策树个数，在训练集上可以利用交叉验证对决策树个数这一参数进行优化。将最优的决策树个数输入到随机森林模型中，其余参数选用默认参数，在训练集上训练随机森林模型。将测试集输入到随机森林模型中预测每个点的预测砷浓度值。可以选择预测砷浓度值与采样点真实的砷浓度值的相关系数R及均方误差MSE评价随机森林模型的预测结果，二者计算方法如下。
预测砷浓度值与真实砷浓度值的相关系数R可以参照下述公式(八)。
Figure BDA0003454752960000151
均方误差可以参照下述公式(九)。
Figure BDA0003454752960000152
式中，m为测试集中的采样点的数量量，yq,pre为随机森林模型输出第q个采样点的预测砷浓度值，
Figure BDA0003454752960000153
为预测砷浓度值的平均值，yq为第q个采样点的真实砷浓度值，
Figure BDA0003454752960000154
为真实砷浓度均值。
假设随机森林模型的R为0.73，MSE为19671.51，满足训练要求，得到训练后的预测模型，根据该预测模型和图像生成模块可以构建得到反演模型，该反演模型可以预测卫星高光谱图像的土壤砷浓度空间分布反演图像。示例性的，本申请随机森林模型在不同采样单元下与克里金插值结果的比较结果参照图9a及图9b所示(图9a及图9b，左侧为随机森林，右侧为克里金差值)，其中，图9a为R的比较结果，图9b为MSE的比较结果。
在推理阶段，可以通过反演模型对卫星高光谱图像进行土壤砷浓度空间分布反演。可以提取卫星高光谱图像中各像元的光谱数据。对各像元的光谱数据进行降噪处理后，构建各像元对应的关键特征高光谱指数，将各像元对应的关键特征高光谱指数输入反演模型中，即可输出得到卫星高光谱图像对应的土壤砷浓度反演分布图像。
本申请实施例提供的土壤砷浓度空间分布反演方法，通过采用卫星高光谱图像直接进行土壤砷浓度分布反演，并采用单波段及双波段高光谱指数构建方法，扩充光谱数据，提升卫星高光谱图像与土壤砷浓度的相关性，并通过相关性分析，筛选与土壤浓度响应性高的光谱指数作为建模时使用的关键特征变量，通过随机森林解析光谱数据与土壤砷浓度之间的定量关系。无需对样本土壤进行实验室光谱采集，更加简便、经济；用数学变换和组合的方式提升了光谱数据与土壤砷浓度的相关性，从源头优化了模型精度；利用卫星高光谱图像具有覆盖区域广、时相更丰富的特点，有利于进行大区域，多时相土壤砷浓度反演。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的土壤砷浓度空间分布反演方法的土壤砷浓度空间分布反演装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个土壤砷浓度空间分布反演装置实施例中的具体限定可以参见上文中对于土壤砷浓度空间分布反演方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种土壤砷浓度空间分布反演方法装置1000，包括：第一获取模块1002、第一构建模块1004和反演模块1006，其中：
第一获取模块1002，用于获取卫星高光谱图像；
第一构建模块1004，用于根据所述卫星高光谱图像中各像元对应的光谱数据，构建各所述像元的关键特征高光谱指数；
反演模块1006，用于通过反演模型对各所述像元的所述关键特征高光谱指数进行反演处理，得到所述卫星高光谱图像对应的土壤砷浓度空间分布反演图像，所述土壤砷浓度空间分布反演图像中任一像元对应的像元值，用于表征所述像元对应土壤的砷浓度。
上述土壤砷浓度空间分布反演装置，在获取卫星高光谱图像后，根据卫星高光谱图像中各像元对应的光谱数据，构建各像元的关键特征高光谱指数，并通过反演模型对各像元的关键特征高光谱指数进行反演处理，得到卫星高光谱图像对应的土壤砷浓度空间分布反演图像，土壤砷浓度空间分布反演图像中任一像元对应的像元值，用于表征像元对应土壤的砷浓度。根据本申请提供的土壤砷浓度空间分布反演装置，可以通过反演模型对实时获取的卫星高光谱图像进行反演处理，以能够实时得到土壤砷浓度空间分布反演图像，可以减少人工参与，也即可以降低针对人力、物力及时间的消耗，降低检测过程的复杂性，可以提高针对土壤中砷浓度预测的效率和精度。
在其中一个实施例中，所述反演模型包括预测模型和图像生成模块，所述反演模块1006，还用于：
通过所述预测模型对各所述像元的所述关键特征高光谱指数进行预测处理，得到各所述像元对应的砷浓度；
通过所述图像生成模块对各所述像元对应的砷浓度进行反演，得到所述卫星高光谱图像对应的土壤砷浓度空间分布反演图像。
在其中一个实施例中，上述装置还包括：
第二获取模块，用于获取研究区的样本卫星高光谱图像及所述样本卫星高光谱图像中各采样点土壤对应的砷浓度；
第二构建模块，用于根据各所述采样点在所述样本卫星高光谱图像中对应的样本光谱数据，构建各所述采样点对应的样本光谱指数；
第一确定模块，用于针对任一所述采样点，从所述采样点对应的样本光谱指数中确定样本关键特征高光谱指数；
预测模块，用于通过初始预测模型对所述采样点对应的所述样本关键特征高光谱指数进行预测处理，得到所述采样点对应的预测砷浓度；
训练模块，用于根据所述采样点对应的预测砷浓度及所述采样点土壤对应的砷浓度，训练所述初始预测模型，得到所述预测模型。
在其中一个实施例中，所述第二获取模块，还用于：
获取研究区的卫星高光谱图像；
对所述卫星高光谱图像进行校正处理，得到样本卫星高光谱图像。
在其中一个实施例中，所述第二构建模块，还用于：
对各所述采样点在所述样本卫星高光谱图像中对应的样本光谱数据进行降噪处理，得到降噪后的样本光谱数据；
根据所述样本光谱数据和/或所述降噪后的样本光谱数据，采用单波段构建方式和/或双波段构建方式构建各所述采样点对应的样本光谱指数。
在其中一个实施例中，所述第一确定模块，还用于：
针对任一所述采样点，根据各所述采样点对应的所述样本光谱指数及各所述采样点土壤的砷浓度，确定所述采样点对应的各所述样本光谱指数与土壤砷浓度的相关系数；
将所述相关系数的绝对值大于或者等于相关系数阈值的所述样本光谱指数，作为样本关键特征高光谱指数。
在其中一个实施例中，所述装置还包括：
第二确定模块，用于确定用于构建所述样本关键特征高光谱指数的目标光谱波段及目标构建方式；
所述第一构建模块1004，还用于：
针对所述卫星高光谱图像中的任一所述像元，根据所述像元对应的光谱数据中的所述目标光谱波段、及所述目标构建方式，构建所述像元的关键特征高光谱指数。
上述土壤砷浓度空间分布反演装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种土壤砷浓度空间分布反演方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种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上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种土壤砷浓度空间分布反演方法，其特征在于，所述方法包括：
获取卫星高光谱图像；
根据所述卫星高光谱图像中各像元对应的光谱数据，构建各所述像元的关键特征高光谱指数；
通过反演模型对各所述像元的所述关键特征高光谱指数进行反演处理，得到所述卫星高光谱图像对应的土壤砷浓度空间分布反演图像，所述土壤砷浓度空间分布反演图像中任一像元对应的像元值，用于表征所述像元对应土壤的砷浓度。
2.根据权利要求1所述的方法，其特征在于，所述反演模型包括预测模型和图像生成模块，所述通过反演模型对各所述像元的所述关键特征高光谱指数进行反演处理，得到所述卫星高光谱图像对应的土壤砷浓度空间分布反演图像，包括：
通过所述预测模型对各所述像元的所述关键特征高光谱指数进行预测处理，得到各所述像元对应的砷浓度；
通过所述图像生成模块对各所述像元对应的砷浓度进行反演，得到所述卫星高光谱图像对应的土壤砷浓度空间分布反演图像。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取研究区的样本卫星高光谱图像及所述样本卫星高光谱图像中各采样点土壤对应的砷浓度；
根据各所述采样点在所述样本卫星高光谱图像中对应的样本光谱数据，构建各所述采样点对应的样本光谱指数；
针对任一所述采样点，从所述采样点对应的样本光谱指数中确定样本关键特征高光谱指数；
通过初始预测模型对所述采样点对应的所述样本关键特征高光谱指数进行预测处理，得到所述采样点对应的预测砷浓度；
根据所述采样点对应的预测砷浓度及所述采样点土壤对应的砷浓度，构建所述初始预测模型，得到所述预测模型。
4.根据权利要求3所述的方法，其特征在于，所述获取研究区的样本卫星高光谱图像，包括：
获取研究区的卫星高光谱图像；
对所述卫星高光谱图像进行校正处理，得到样本卫星高光谱图像。
5.根据权利要求3或4所述的方法，其特征在于，所述根据各所述采样点在所述样本卫星高光谱图像中对应的样本光谱数据，构建各所述采样点对应的样本光谱指数，包括：
对各所述采样点在所述样本卫星高光谱图像中对应的样本光谱数据进行降噪处理，得到降噪后的样本光谱数据；
根据所述样本光谱数据和/或所述降噪后的样本光谱数据，采用单波段构建方式和/或双波段构建方式构建各所述采样点对应的样本光谱指数。
6.根据权利要求5所述的方法，其特征在于，所述针对任一所述采样点，从所述采样点对应的样本光谱指数中确定样本关键高光谱指数，包括：
针对任一所述采样点，根据各所述采样点对应的所述样本光谱指数及各所述采样点土壤的砷浓度，确定所述采样点对应的各所述样本光谱指数与土壤砷浓度的相关系数；
将所述相关系数的绝对值大于或者等于相关系数阈值的所述样本光谱指数，作为样本关键特征高光谱指数。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
确定用于构建所述样本关键特征高光谱指数的目标光谱波段及目标构建方式；
所述根据所述卫星高光谱图像中各像元对应的光谱数据，构建各所述像元的关键特征高光谱指数，包括：
针对所述卫星高光谱图像中的任一所述像元，根据所述像元对应的光谱数据中的所述目标光谱波段、及所述目标构建方式，构建所述像元的关键特征高光谱指数。
8.一种土壤砷浓度空间分布反演装置，其特征在于，所述装置包括：
第一获取模块，用于获取卫星高光谱图像；
第一构建模块，用于根据所述卫星高光谱图像中各像元对应的光谱数据，构建各所述像元的关键特征高光谱指数；
反演模块，用于通过反演模型对各所述像元的所述关键特征高光谱指数进行反演处理，得到所述卫星高光谱图像对应的土壤砷浓度空间分布反演图像，所述土壤砷浓度空间分布反演图像中任一像元对应的像元值，用于表征所述像元对应土壤的砷浓度。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种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权利要求1至7中任一项所述的方法的步骤。
CN202210004012.6A 2022-01-04 2022-01-04 土壤砷浓度空间分布反演方法、装置和计算机设备 Pending CN114384023A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210004012.6A CN114384023A (zh) 2022-01-04 2022-01-04 土壤砷浓度空间分布反演方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210004012.6A CN114384023A (zh) 2022-01-04 2022-01-04 土壤砷浓度空间分布反演方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN114384023A true CN114384023A (zh) 2022-04-22

Family

ID=81199389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210004012.6A Pending CN114384023A (zh) 2022-01-04 2022-01-04 土壤砷浓度空间分布反演方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN114384023A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529838A (zh) * 2022-04-24 2022-05-24 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
US11933777B1 (en) * 2022-11-07 2024-03-19 Institute Of Soil Science, Chinese Academy Of Sciences Model for predicting bioavailability of arsenic in site soil and construction method and application thereof

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529838A (zh) * 2022-04-24 2022-05-24 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
US11933777B1 (en) * 2022-11-07 2024-03-19 Institute Of Soil Science, Chinese Academy Of Sciences Model for predicting bioavailability of arsenic in site soil and construction method and application thereof

Similar Documents

Publication Publication Date Title
Estévez et al. Gaussian processes retrieval of crop traits in Google Earth Engine based on Sentinel-2 top-of-atmosphere data
Odebiri et al. Deep learning-based national scale soil organic carbon mapping with Sentinel-3 data
CN110852227A (zh) 高光谱图像深度学习分类方法、装置、设备及存储介质
Odebiri et al. Predicting soil organic carbon stocks under commercial forest plantations in KwaZulu-Natal province, South Africa using remotely sensed data
Waldner et al. High temporal resolution of leaf area data improves empirical estimation of grain yield
CN114384023A (zh) 土壤砷浓度空间分布反演方法、装置和计算机设备
Sabetizade et al. Combination of MIR spectroscopy and environmental covariates to predict soil organic carbon in a semi-arid region
Giannico et al. Contributions of landscape heterogeneity within the footprint of eddy-covariance towers to flux measurements
Torbick et al. Mapping rice greenhouse gas emissions in the Red River Delta, Vietnam
Yu et al. Prediction of soil properties based on characteristic wavelengths with optimal spectral resolution by using Vis-NIR spectroscopy
CN114140591A (zh) 一种结合机器学习和地统计的土壤有机质遥感制图方法
Yang et al. Improved retrieval of land surface biophysical variables from time series of Sentinel-3 OLCI TOA spectral observations by considering the temporal autocorrelation of surface and atmospheric properties
Mélin et al. Assessment of satellite ocean colour radiometry and derived geophysical products
CN114814167B (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
Zhang et al. Mapping CO2 fluxes of cypress swamp and marshes in the Greater Everglades using eddy covariance measurements and Landsat data
CN107680081B (zh) 基于卷积神经网络的高光谱图像解混方法
CN114112995A (zh) 基于三维变分技术的气溶胶光学特性资料同化方法和装置
Callewaert et al. The Mineral Aerosol Profiling from Infrared Radiances (MAPIR) algorithm: version 4.1 description and evaluation
Safari et al. Integration of synthetic aperture radar and multispectral data for aboveground biomass retrieval in Zagros oak forests, Iran: An attempt on Sentinel imagery
Emili et al. Comparison between the assimilation of IASI Level 2 ozone retrievals and Level 1 radiances in a chemical transport model
CN115147721A (zh) 一种森林蓄积量的遥感反演方法及装置
CN115205703A (zh) 一种多特征蓝藻提取方法、装置、电子设备及存储介质
CN118050329A (zh) 一种基于国控断面和哨兵影像的流域水质反演方法及设备
Radočaj et al. Geospatial prediction of total soil carbon in European agricultural land based on deep learning
Wan et al. MAE-NIR: A masked autoencoder that enhances near-infrared spectral data to predict soil properties

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