CN115494007A - 基于随机森林的土壤有机质高精度快速检测方法及装置 - Google Patents
基于随机森林的土壤有机质高精度快速检测方法及装置 Download PDFInfo
- Publication number
- CN115494007A CN115494007A CN202210927980.4A CN202210927980A CN115494007A CN 115494007 A CN115494007 A CN 115494007A CN 202210927980 A CN202210927980 A CN 202210927980A CN 115494007 A CN115494007 A CN 115494007A
- Authority
- CN
- China
- Prior art keywords
- soil organic
- remote sensing
- organic matter
- sensing image
- random forest
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Abstract
本发明提供一种基于随机森林的土壤有机质高精度快速检测方法及装置,属于遥感技术领域,该方法包括:通过无人机获取待检测区域的包含多个波段的多光谱遥感影像;所述多个波段包括蓝光波段、红光波段、红边波段和近红外波段;根据多光谱遥感影像中不同波段反射率值的组合构建多个目标光谱特征;将多光谱遥感影像每个像素的多个目标光谱特征,输入训练后的随机森林预测模型,得到每个像素对应区域的土壤有机质含量预测结果;所述预测模型根据土壤有机质含量和多个目标光谱特征已确定的多光谱遥感影像样本训练得到。该方法提高了土壤有机质监测的效率,通过少量波段便可准确对土壤有机质进行反演,在提高土壤有机质检测效率的同时还提高了检测精度。
Description
技术领域
本发明涉及遥感技术领域,尤其涉及一种基于随机森林的土壤有机质高精度快速检测方法及装置。
背景技术
有机质是反映耕地土壤肥力的关键指标,有机质含量快速遥感监测对快速掌握耕地土壤肥力情况、精准施肥、土壤地力保护等来说具有重要意义。不同区域、不同田块甚至同一田块内部的土壤有机质含量均存在空间异质性,实现地块尺度的土壤有机质含量精细、精准、快速监测,不仅可辅助农业部门快速掌握耕地地力情况,实现耕地科学管理和养护,还可为规模化农场等精准施肥提供信息支撑,具有重大的现实意义和应用价值。
常规的土壤有机质制图主要依靠传统的野外试验站长期定位观测和大批量野外采样并进行实验室化学分析进行。有机质含量测定精度十分准确,但人力成本和测试成本高昂,监测所耗时间也很漫长。实地观测只能获取观测点位上的土壤有机质含量,点位外的土样有机质含量只能利用空间插值技术进行插补,从而间接实现土壤有机质空间制图。
目前,遥感技术具有快速获取空间信息的特点,且成本较低。近些年星机地遥感技术发展迅速,成为土壤有机质空间制图的另一技术手段,采用遥感手段主要进行土壤有机质大范围空间制图。目前的土壤有机质遥感监测方式主要有:基于多光谱影像的遥感反演法、基于雷达影像的遥感反演法和基于高光谱影像的遥感反演法。其中,高光谱影像和雷达影像资源缺乏,价格昂贵,数据获取不易,数据处理复杂,大大限制其应用。因此,基于多光谱影像的遥感反演法更适合进行土壤快速检测。然而,虽然目前的多光谱卫星数据源丰富、成本低,但空间分辨率一般,在大范围监测评估时反演精度受限,无法满足地块尺度的土壤有机质反演。
发明内容
针对现有技术存在的问题,本发明提供一种基于随机森林的土壤有机质高精度快速检测方法及装置。
本发明提供一种基于随机森林的土壤有机质高精度快速检测方法,包括:通过无人机获取待检测区域的包含多个波段的多光谱遥感影像;其中,所述多个波段包括蓝光波段、红光波段、红边波段和近红外波段;根据所述多光谱遥感影像中不同波段反射率值的组合,构建不同的多个目标光谱特征;将所述多光谱遥感影像每个像素的所述多个目标光谱特征,输入训练后的随机森林预测模型,得到每个像素对应区域的土壤有机质含量预测结果;其中,所述随机森林预测模型,根据土壤有机质含量和所述多个目标光谱特征已确定的多光谱遥感影像样本训练得到。
根据本发明提供的一种基于随机森林的土壤有机质高精度快速检测方法,所述根据所述多光谱遥感影像中不同波段反射率值的组合,构建不同的多个目标光谱特征,包括:根据蓝光波段、红光波段、红边波段和近红外波段,构建第一光谱特征至第九光谱特征,作为所述多个目标光谱特征;其中,所述第一光谱特征为(B4*B4-B3*B3)/(B4*B4+B3*B3),第二光谱特征为(B4*B4-B3)/(B4*B4+B3),第三光谱特征为B5/B4,第四光谱特征为B5/B3,第五光谱特征为(B5-B4)/(B5+B4),第六光谱特征为B5,第七光谱特征为lg B1,第八光谱特征为lg B3,第九光谱特征为lg B4;其中,B1、B3、B4、B5分别为蓝波段、红波段、红边波段、近红外波段反射率值;lg为求对数。
根据本发明提供的一种基于随机森林的土壤有机质高精度快速检测方法,所述通过无人机获取待检测区域的包含多个波段的多光谱遥感影像之前,还包括:通过无人机获取试验区域的包含所述多个波段的多光谱遥感影像,并确定试验区域多光谱遥感影像中样点区域的土壤有机质含量,以及确定试验区域多光谱遥感影像中样点区域的所述目标光谱特征,作为训练样本;以训练样本的所述多个目标光谱特征作为输入特征,已知的土壤有机质含量作为结果标签,对构建的初始随机森林预测模型进行训练,得到所述训练后的随机森林预测模型。
根据本发明提供的一种基于随机森林的土壤有机质高精度快速检测方法,所述得到每个像素对应区域的土壤有机质含量预测结果之后,还包括:根据每个像素区域的土壤有机质含量预测结果,绘制土壤有机质含量的遥感影像图。
根据本发明提供的一种基于随机森林的土壤有机质高精度快速检测方法,所述根据所述多光谱遥感影像中不同波段反射率值的组合构建不同的多个目标光谱特征,包括:根据不同波段反射率值的组合构建不同的多个候选光谱特征;基于竞争性自适应重加权算法(Competitive adaptive reweighted sampling,CARS),对所述候选光谱特征进行筛选,得到所述目标光谱特征。
根据本发明提供的一种基于随机森林的土壤有机质高精度快速检测方法,所述基于竞争性自适应重加权算法,对所述候选光谱特征进行筛选,包括通过蒙特卡罗采样,从所述候选光谱特征中抽取预设比例的光谱特征,建立偏最小二乘分析模型;对所述偏最小二乘分析模型,计算光谱特征回归系数的绝对值权重,并删去绝对值权重较小的光谱特征;根据剩余候选光谱特征,通过自适应重加权采样,对采样得到的光谱特征再次建立偏最小二乘分析模型,并计算交互验证均方根误差值;重复上述从所述候选光谱特征抽取预设比例的光谱特征,建立偏最小二乘分析模型,至计算交互验证均方根误差值的过程,直至达到预设次数,将交互验证均方根误差值最小的偏最小二乘分析模型中对应的候选光谱特征,作为所述目标光谱特征。
本发明还提供一种基于随机森林的土壤有机质高精度快速检测装置,包括:图像采集模块,用于通过无人机获取待检测区域的包含多个波段的多光谱遥感影像;其中,所述多个波段包括蓝光波段、红光波段、红边波段和近红外波段;特征构建模块,用于根据所述多光谱遥感影像中不同波段反射率值的组合,构建不同的多个目标光谱特征;模型处理模块,用于将所述多光谱遥感影像每个像素的所述多个目标光谱特征,输入训练后的随机森林预测模型,得到每个像素对应区域的土壤有机质含量预测结果;其中,所述随机森林预测模型,根据土壤有机质含量和所述多个目标光谱特征已确定的多光谱遥感影像样本训练得到。
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基于随机森林的土壤有机质高精度快速检测方法。
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基于随机森林的土壤有机质高精度快速检测方法。
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基于随机森林的土壤有机质高精度快速检测方法。
本发明提供的基于随机森林的土壤有机质高精度快速检测方法及装置,通过无人机采集多光谱遥感影像,可获取小范围内的高精度遥感影像,无需通过卫星来获取多光谱遥感影像,提高了土壤有机质监测的效率;同时通过蓝光波段、红光波段、红边波段和近红外波段进行组合构建不同的多个目标光谱特征,通过少量波段便可准确对土壤有机质进行反演,在提高土壤有机质检测效率的同时,还提高了检测精度。基于此,本发明降低了土壤有机质监测的人力和数据成本,实现地块尺度的土壤有机质快速精准遥感监测,为农业部门快速掌握耕地地力情况实现耕地科学管护和规模化农场等农业生产主体精准施肥提供信息支撑和决策支持。
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是本发明提供的基于随机森林的土壤有机质高精度快速检测方法的流程示意图之一;
图2是本发明提供的基于随机森林的土壤有机质高精度快速检测方法的流程示意图之二;
图3是本发明提供的基于随机森林的土壤有机质高精度快速检测装置的结构示意图;
图4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。
下面结合图1-图4描述本发明的基于随机森林的土壤有机质高精度快速检测方法及装置。图1是本发明提供的基于随机森林的土壤有机质高精度快速检测方法的流程示意图之一,如图1所示,本发明提供基于随机森林的土壤有机质高精度快速检测方法,包括:
101、通过无人机获取待检测区域的包含多个波段的多光谱遥感影像;其中,所述多个波段包括蓝光波段、红光波段、红边波段和近红外波段。
对于需要检测土壤有机质含量的待检测区域,首先采用多光谱无人机,获取待检测区域裸土期的厘米级高分辨率多光谱遥感影像,优选天气晴朗、微风环境下拍摄。根据待检测区域空间范围,在无人机航线规划专业软件中,合理规划航线,设置航拍参数。包括航高为60米,影像空间分辨率为1.5厘米,航向重叠率、旁向重叠率均为80%。本发明中的多光谱影像至少包括4个波段,分别为蓝光波段B1(450nm)、红光波段B3(650nm)、红边波段B4(730nm)、近红外波段B5(840nm),还可包括绿光波段B2(560nm)。
其次,对上述多光谱遥感影像进行预处理,具体为:(1)检查照片质量,剔除起飞降落等不必要照片;(2)进行拼接处理;(3)生成数字正射影像图;(4)多光谱影像导出;(5)数字表面模型DSM影像导出;(6)影像波段组合;(7)影像裁剪;(8)投影变换;(9)重采样。最终生成空间分辨率为20厘米的多光谱影像,坐标系统为WGS84_UTM_Zone 51N,该操作可在ENVI软件中完成。
本发明通过无人机获取待检测区域的多光谱遥感影像,进行土壤有机质反演,可避免通过多光谱卫星进行检测时空间分辨率较低,大范围监测评估时反演精度受限的问题。然而,无人机获取多光谱数据的波段有限,如何在有限的光谱数据中,实现准确的土壤有机质检测,本发明采用包括蓝光波段、红光波段、红边波段和近红外波段这四个波段的多光谱遥感影像,并且发现有机质含量与该波段范围光谱值呈显著负相关关系,通过这些波段可实现较高的检测精度。
102、根据多光谱遥感影像不同波段反射率值的组合构建不同的多个目标光谱特征。
在此之前,基于无人机的多光谱影像,通过对野外获取的40个土壤样点进行光谱像素值提取,对B1-B5共5个波段的绘制土壤光谱曲线图。分析不同有机质含量土壤样点的光谱响应规律,为了体现细节,可将反射率扩大10000倍后进行指数计算。
通过对土壤光谱曲线图仔细观察和分析,发现土壤有机质在5个波段均体现出负相关关系。尤其在近红外波段B5、红边波段B4和红光波段B3具有明显的光谱响应特征,可用于构建新型光谱特征,并进行后续土壤有机质遥感建模和反演。
基于此,本发明并非直接利用这五个波段反射率值进行模型的反演,而是选用上述B1、B3、B4和B5的四个波段,并且是在不同的波段组合下构建光谱特征。构建的多个光谱特征后,可利用目前的特征筛选方法,得到准确度最高的多个目标光谱特征。
具体而言,通过综合分析不同有机质含量土壤样点的无人机影像光谱响应规律,基于上述B1-B5波段,尤其是对土壤有机质敏感的B4红边波段,提出并构建多种新型光谱特征,合计梳理出100多个指标。为降低数据冗余,可筛选出最适合土壤有机质反演的敏感波段和敏感指数。本发明采用蓝光波段、红光波段、红边波段和近红外波段,并通过变量筛选方法进行特征筛选,得到目标光谱特征。
103、将所述多光谱遥感影像每个像素的所述多个目标光谱特征,输入训练后的随机森林预测模型,得到每个像素对应区域的土壤有机质含量预测结果。其中,所述随机森林预测模型,根据土壤有机质含量和所述多个目标光谱特征已确定的多光谱遥感影像样本训练得到。
本发明采用拟合效果较好的随机森林法对研究区土壤有机质进行拟合,通过分析拟合效果、评价反演精度,并构建土壤有机质遥感反演模型,即随机森林预测模型。相应地,在101之前,基于已知土壤有机质含量作为标签的多光谱遥感影像样本,对构建的随机森林模型进行训练后得到103中的训练后的随机森林预测模型。例如,先通过试验方法确定一个像素区域的土壤有机质含量,然后通过101相同的方法获取多光谱遥感影像,在基于102相同的方法确定目标光谱特征,基于目标光谱特征和通过试验方法确定的已知土壤有机质含量,对构建的随机森林预测模型得到上述训练后的随机森林预测模型。
在103中,将一个像素区域的目标光谱特征,输入训练后的随机森林预测模型,便可得到该像素区域的土壤有机质含量预测结果。一个像素区域可以是一个像素或者多个像素构成的区域,根据具体情况确定。
本发明的基于随机森林的土壤有机质高精度快速检测方法,通过无人机采集多光谱遥感影像,可获取小范围内的高精度遥感影像,无需通过卫星来获取多光谱遥感影像,提高了土壤有机质监测的效率;同时通过蓝光波段、红光波段、红边波段和近红外波段进行组合构建不同的多个目标光谱特征,通过少量波段便可准确对土壤有机质进行反演,在提高土壤有机质检测效率的同时,还提高了检测精度。基于此,本发明降低了土壤有机质监测的人力和数据成本,实现地块尺度的土壤有机质快速精准遥感监测,为农业部门快速掌握耕地地力情况实现耕地科学管护和规模化农场等农业生产主体精准施肥提供信息支撑和决策支持。
在一个实施例中,所述通过无人机获取待检测区域的包含多个波段的多光谱遥感影像之前,还包括:通过无人机获取试验区域的包含所述多个波段的多光谱遥感影像,并确定试验区域多光谱遥感影像中样点区域的土壤有机质含量,以及确定试验区域多光谱遥感影像中样点区域的所述目标光谱特征,作为训练样本;以训练样本的所述多个目标光谱特征作为输入特征,已知的土壤有机质含量作为结果标签,对构建的初始随机森林预测模型进行训练,得到所述训练后的随机森林预测模型。
对于上述随机森林预测模型的训练过程,本发明特别地通过试验区域来获取训练样本。其中,试验区域的土壤有机质含量可通过背景技术提到的定位观测和大批量野外采样并进行实验室化学分析进行测得,然后再相同的试验区域,基于101和102的相同方法,通过无人机获取多光谱遥感影像和确定目标光谱特征。基于此,得到目标光谱特征和土壤有机质含量分布情况已知的样点区域的训练样本,根据训练样本构建初始随机森林预测模型进行训练得到上述训练后的随机森林预测模型。例如,将一个样点区域的目标光谱特征作为输入特征,该样点区域土壤有机质含量的平均值作为结果标签,进行模型的训练。具体训练过程可参见目前的随机森林算法训练过程,此处不再赘述。
在一个实施例中,所述得到每个像素对应区域的土壤有机质含量预测结果之后,还包括:根据每个像素区域的土壤有机质含量预测结果,绘制土壤有机质含量的遥感影像图。
本发明实施例中,根据待检测区域采用基于随机森林的土壤有机质无人机高精度快速监测的结果,基于每个像素区域的土壤有机质含量预测结果,生成土壤有机质含量的遥感影像监测图。并将土壤有机质遥感监测图进行编辑,添加图名、图例、指北针、比例尺等,并设置导出参数等,制作土壤有机质遥感监测专题图,可通过ArcGIS软件中完成。基于土壤有机质含量的遥感影像图,可实现待检测区域土壤有机质含量的整体展示和全面监测。
在一个实施例中,所述根据所述多光谱遥感影像中不同波段反射率值的组合构建不同的多个目标光谱特征,包括:根据不同波段反射率值的组合构建不同的多个候选光谱特征;基于CARS算法对所述候选光谱特征进行筛选,得到所述目标光谱特征。
图2是本发明提供的基于随机森林的土壤有机质高精度快速检测方法的流程示意图之二,如图2所示。201中先采集包括上述多个波段的遥感影像,202中进行预处理,203中构建多个候选光谱特征。204中基于CARS算法对候选光谱特征进行筛选。206中基于205构建的随机森林预测模型预测土壤有机质含量,207中制作上述实施例提到的土壤有机质含量的遥感影像图,或称为土壤有机质高精度遥感监测专题图。
本发明根据土壤有机质含量在红边、近红外、红光波段光谱敏感、呈显著负相关特性的光谱规律,构建适合土壤有机质反演的新型光谱指数,并综合传统光谱指数,采用CARS变量筛选方法进行特征筛选,提取出最适合无人机遥感影像的地块尺度土壤有机质反演光谱参数组合。较之其他相关方法仅用传统光谱参数进行反演,土壤有机质拟合精度得到明显提升。
在一个实施例中,所述基于竞争性自适应重加权算法,对所述候选光谱特征进行筛选,包括:通过蒙特卡罗采样,从所述候选光谱特征中抽取预设比例的光谱特征,建立偏最小二乘分析模型;对所述偏最小二乘分析模型,计算光谱特征回归系数的绝对值权重,并删去绝对值权重较小的光谱特征;根据剩余候选光谱特征,通过自适应重加权采样,对采样得到的光谱特征再次建立偏最小二乘分析模型,并计算交互验证均方根误差值;重复上述从所述候选光谱特征抽取预设比例的光谱特征,建立偏最小二乘分析模型,至计算交互验证均方根误差值的过程,直至达到预设次数,将交互验证均方根误差值最小的偏最小二乘分析模型中对应的候选光谱特征,作为所述目标光谱特征。
此为竞争性自适应重加权算法的一种实现方式,在本发明方案说明的基础上,参见目前的CARS算法便可实现,此处不再赘述。
本发明根据土壤有机质地块内或不同地块间存在空间异质性分布特点和需达到高精度反演的现实需求,选用机器学习算法中针对不同数据源拟合效果鲁棒性均较好的随机森林算法。通过基于最适合无人机遥感影像的地块尺度土壤有机质反演光谱参数组合,并采用随机森林算法进行土壤有机质高精度反演制图,实现土壤有机质监测自动化程度和精度双重提升。
在一个实施例中,所述根据不同波段反射率值的组合构建不同的多个目标光谱特征,包括:根据蓝光波段、红光波段、红边波段和近红外波段,构建第一光谱特征至第九光谱特征,作为所述多个目标光谱特征;其中,所述第一光谱特征为(B4*B4-B3*B3)/(B4*B4+B3*B3),第二光谱特征为(B4*B4-B3)/(B4*B4+B3),第三光谱特征为B5/B4,第四光谱特征为B5/B3,第五光谱特征为(B5-B4)/(B5+B4),第六光谱特征为B5,第七光谱特征为lg B1,第八光谱特征为lg B3,第九光谱特征为lg B4;其中,B1、B3、B4、B5分别为蓝波段、红波段、红边波段、近红外波段反射率值;lg为求对数。
表1土壤有机质反演最佳光谱特征组合
序号 | 光谱参数 | 计算公式 |
1 | 第一光谱特征 | (B4·B4-B3·B3)/(B4·B4+B3·B3) |
2 | 第二光谱特征 | (B4·B4-B3)/(B4·B4+B3) |
3 | 第三光谱特征 | B5/B4 |
4 | 第四光谱特征 | B5/B3 |
5 | 第五光谱特征 | (B5-B4)/(B5+B4) |
6 | 第六光谱特征 | B5 |
7 | 第七光谱特征 | lg B1 |
8 | 第八光谱特征 | lg B3 |
9 | 第九光谱特征 | lg B4 |
为了进一步提高土壤有机质含量预测的精准度,本发明基于深入研究发现,土壤有机质在近红外波段B5、红边波段B4和红光波段B3,尤其是红边波段B4具有明显的光谱响应特征,本发明特别构建上述1-5的特征,尤其是1-3的特征,能够对土壤有机质的含量进行准确量化,实现高精度的反演。本发明结合上述表1的九个光谱特征共同作为目标光谱特征对土壤有机质含量进行反演,通过训练后的随机森林预测模型,实现待检测区域的土壤有机质含量的准确预测。
通过采用构建的训练后的随机森林预测模型,作为反演模型对研究区进行土壤有机质遥感高精度反演。根据待检测区域数据等情况,选用留一法交叉验证方法,对拟合结果进行精度评价。根据模型情况,选用R2和RMSE为评价指标,综合评价土壤有机质遥感反演模型的精度。结果发现,基于本发明实施例的新型光谱特征,采用随机森林算法进行土壤有机质无人机遥感反演的R2=0.91,RMSE=64.71,拟合效果较好。
下面对本发明提供的基于随机森林的土壤有机质高精度快速检测装置进行描述,下文描述的基于随机森林的土壤有机质高精度快速检测装置与上文描述的基于随机森林的土壤有机质高精度快速检测方法可相互对应参照。
图3是本发明提供的基于随机森林的土壤有机质高精度快速检测装置的结构示意图,如图3所示,该基于随机森林的土壤有机质高精度快速检测装置包括:图像采集模块301、特征构建模块302和模型处理模块303。其中,图像采集模块301用于通过无人机获取待检测区域的包含多个波段的多光谱遥感影像;其中,所述多个波段包括蓝光波段、红光波段、红边波段和近红外波段;特征构建模块302用于根据所述多光谱遥感影像中不同波段反射率值的组合,构建不同的多个目标光谱特征;模型处理模块303用于将所述多光谱遥感影像每个像素的所述多个目标光谱特征,输入训练后的随机森林预测模型,得到每个像素对应区域的土壤有机质含量预测结果;其中,所述随机森林预测模型,根据土壤有机质含量和所述多个目标光谱特征已确定的多光谱遥感影像样本训练得到。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
本发明实施例所提供的基于随机森林的土壤有机质高精度快速检测装置,其实现原理及产生的技术效果和前述基于随机森林的土壤有机质高精度快速检测方法实施例相同,为简要描述,基于随机森林的土壤有机质高精度快速检测装置实施例部分未提及之处,可参考前述基于随机森林的土壤有机质高精度快速检测方法实施例中相应内容。
图4是本发明提供的电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行基于随机森林的土壤有机质高精度快速检测方法,该方法包括:通过无人机获取待检测区域的包含多个波段的多光谱遥感影像;其中,所述多个波段包括蓝光波段、红光波段、红边波段和近红外波段;根据所述多光谱遥感影像中不同波段反射率值的组合,构建不同的多个目标光谱特征;将所述多光谱遥感影像每个像素的所述多个目标光谱特征,输入训练后的随机森林预测模型,得到每个像素对应区域的土壤有机质含量预测结果;其中,所述随机森林预测模型,根据土壤有机质含量和所述多个目标光谱特征已确定的多光谱遥感影像样本训练得到。
此外,上述的存储器403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基于随机森林的土壤有机质高精度快速检测方法,该方法包括:通过无人机获取待检测区域的包含多个波段的多光谱遥感影像;其中,所述多个波段包括蓝光波段、红光波段、红边波段和近红外波段;根据所述多光谱遥感影像中不同波段反射率值的组合,构建不同的多个目标光谱特征;将所述多光谱遥感影像每个像素的所述多个目标光谱特征,输入训练后的随机森林预测模型,得到每个像素对应区域的土壤有机质含量预测结果;其中,所述随机森林预测模型,根据土壤有机质含量和所述多个目标光谱特征已确定的多光谱遥感影像样本训练得到。
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基于随机森林的土壤有机质高精度快速检测方法,该方法包括:通过无人机获取待检测区域的包含多个波段的多光谱遥感影像;其中,所述多个波段包括蓝光波段、红光波段、红边波段和近红外波段;根据所述多光谱遥感影像中不同波段反射率值的组合,构建不同的多个目标光谱特征;将所述多光谱遥感影像每个像素的所述多个目标光谱特征,输入训练后的随机森林预测模型,得到每个像素对应区域的土壤有机质含量预测结果;其中,所述随机森林预测模型,根据土壤有机质含量和所述多个目标光谱特征已确定的多光谱遥感影像样本训练得到。
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)
1.一种基于随机森林的土壤有机质高精度快速检测方法,其特征在于,包括:
通过无人机获取待检测区域的包含多个波段的多光谱遥感影像;其中,所述多个波段包括蓝光波段、红光波段、红边波段和近红外波段;
根据所述多光谱遥感影像中不同波段反射率值的组合,构建不同的多个目标光谱特征;
将所述多光谱遥感影像每个像素的所述多个目标光谱特征,输入训练后的随机森林预测模型,得到每个像素对应区域的土壤有机质含量预测结果;
其中,所述随机森林预测模型,根据土壤有机质含量和所述多个目标光谱特征已确定的多光谱遥感影像样本训练得到。
2.根据权利要求1所述的基于随机森林的土壤有机质高精度快速检测方法,其特征在于,所述通过无人机获取待检测区域的包含多个波段的多光谱遥感影像之前,还包括:
通过无人机获取试验区域的包含所述多个波段的多光谱遥感影像,并确定试验区域多光谱遥感影像中样点区域的土壤有机质含量,以及确定试验区域多光谱遥感影像中样点区域的所述目标光谱特征,作为训练样本;
以训练样本的所述多个目标光谱特征作为输入特征,已知的土壤有机质含量作为结果标签,对构建的初始随机森林预测模型进行训练,得到所述训练后的随机森林预测模型。
3.根据权利要求1所述的基于随机森林的土壤有机质高精度快速检测方法,其特征在于,所述得到每个像素对应区域的土壤有机质含量预测结果之后,还包括:
根据每个像素区域的土壤有机质含量预测结果,绘制土壤有机质含量的遥感影像图。
4.根据权利要求1所述的基于随机森林的土壤有机质高精度快速检测方法,其特征在于,所述根据所述多光谱遥感影像中不同波段反射率值的组合构建不同的多个目标光谱特征,包括:
根据不同波段反射率值的组合构建不同的多个候选光谱特征;
基于竞争性自适应重加权算法,对所述候选光谱特征进行筛选,得到所述目标光谱特征。
5.根据权利要求4所述的基于随机森林的土壤有机质高精度快速检测方法,其特征在于,所述基于竞争性自适应重加权算法,对所述候选光谱特征进行筛选,包括
通过蒙特卡罗采样,从所述候选光谱特征中抽取预设比例的光谱特征,建立偏最小二乘分析模型;
对所述偏最小二乘分析模型,计算光谱特征回归系数的绝对值权重,并删去绝对值权重较小的光谱特征;
根据剩余候选光谱特征,通过自适应重加权采样,对采样得到的光谱特征再次建立偏最小二乘分析模型,并计算交互验证均方根误差值;
重复上述从所述候选光谱特征抽取预设比例的光谱特征,建立偏最小二乘分析模型,至计算交互验证均方根误差值的过程,直至达到预设次数,将交互验证均方根误差值最小的偏最小二乘分析模型中对应的候选光谱特征,作为所述目标光谱特征。
6.根据权利要求1所述的基于随机森林的土壤有机质高精度快速检测方法,其特征在于,所述根据所述多光谱遥感影像中不同波段反射率值的组合,构建不同的多个目标光谱特征,包括:
根据蓝光波段、红光波段、红边波段和近红外波段,构建第一光谱特征至第九光谱特征,作为所述多个目标光谱特征;
其中,所述第一光谱特征为(B4*B4-B3*B3)/(B4*B4+B3*B3),第二光谱特征为(B4*B4-B3)/(B4*B4+B3),第三光谱特征为B5/B4,第四光谱特征为B5/B3,第五光谱特征为(B5-B4)/(B5+B4),第六光谱特征为B5,第七光谱特征为lg B1,第八光谱特征为lg B3,第九光谱特征为lg B4;
其中,B1、B3、B4、B5分别为蓝波段、红波段、红边波段、近红外波段反射率值;lg为求对数。
7.一种基于随机森林的土壤有机质高精度快速检测装置,其特征在于,包括:
图像采集模块,用于通过无人机获取待检测区域的包含多个波段的多光谱遥感影像;其中,所述多个波段包括蓝光波段、红光波段、红边波段和近红外波段;
特征构建模块,用于根据所述多光谱遥感影像中不同波段反射率值的组合,构建不同的多个目标光谱特征;
模型处理模块,用于将所述多光谱遥感影像每个像素的所述多个目标光谱特征,输入训练后的随机森林预测模型,得到每个像素对应区域的土壤有机质含量预测结果;
其中,所述随机森林预测模型,根据土壤有机质含量和所述多个目标光谱特征已确定的多光谱遥感影像样本训练得到。
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6任一项所述基于随机森林的土壤有机质高精度快速检测方法。
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6任一项所述基于随机森林的土壤有机质高精度快速检测方法。
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6任一项所述基于随机森林的土壤有机质高精度快速检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210927980.4A CN115494007A (zh) | 2022-08-03 | 2022-08-03 | 基于随机森林的土壤有机质高精度快速检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210927980.4A CN115494007A (zh) | 2022-08-03 | 2022-08-03 | 基于随机森林的土壤有机质高精度快速检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115494007A true CN115494007A (zh) | 2022-12-20 |
Family
ID=84466243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210927980.4A Pending CN115494007A (zh) | 2022-08-03 | 2022-08-03 | 基于随机森林的土壤有机质高精度快速检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115494007A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206215A (zh) * | 2023-03-17 | 2023-06-02 | 银河航天(北京)网络技术有限公司 | 一种森林土地状态的监测方法、装置及存储介质 |
CN117422156A (zh) * | 2023-12-19 | 2024-01-19 | 南京农业大学 | 一种森林生态系统碳储功能评估方法 |
NL2033033B1 (en) * | 2022-09-15 | 2024-03-22 | Univ Tarim | Computer-based method for detection of available nutrient content in jujube orchard soil |
-
2022
- 2022-08-03 CN CN202210927980.4A patent/CN115494007A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL2033033B1 (en) * | 2022-09-15 | 2024-03-22 | Univ Tarim | Computer-based method for detection of available nutrient content in jujube orchard soil |
CN116206215A (zh) * | 2023-03-17 | 2023-06-02 | 银河航天(北京)网络技术有限公司 | 一种森林土地状态的监测方法、装置及存储介质 |
CN116206215B (zh) * | 2023-03-17 | 2023-09-29 | 银河航天(北京)网络技术有限公司 | 一种森林土地状态的监测方法、装置及存储介质 |
CN117422156A (zh) * | 2023-12-19 | 2024-01-19 | 南京农业大学 | 一种森林生态系统碳储功能评估方法 |
CN117422156B (zh) * | 2023-12-19 | 2024-03-22 | 南京农业大学 | 一种森林生态系统碳储功能评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Modeling maize above-ground biomass based on machine learning approaches using UAV remote-sensing data | |
Liang et al. | Multi-factor modeling of above-ground biomass in alpine grassland: A case study in the Three-River Headwaters Region, China | |
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 | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
Manivasagam et al. | Practices for upscaling crop simulation models from field scale to large regions | |
Lizarazo | Accuracy assessment of object-based image classification: another STEP | |
Noordermeer et al. | Predicting and mapping site index in operational forest inventories using bitemporal airborne laser scanner data | |
US11681839B2 (en) | Systems and methods for modeling water quality | |
CN114740180A (zh) | 基于多源遥感数据的土壤有机碳估算方法及装置 | |
CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
CN114894995A (zh) | 矿区土壤水分反演方法、设备及计算机可读存储介质 | |
CN116127327B (zh) | 森林地上生物量反演方法、装置、设备以及存储介质 | |
CN113378785A (zh) | 森林类型识别方法及装置 | |
CN111104850B (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 | |
Du et al. | A LiDAR biomass index-based approach for tree-and plot-level biomass mapping over forest farms using 3D point clouds | |
CN113553697B (zh) | 基于长时序多源数据的煤炭开采植被扰动分析方法 | |
CN112446397A (zh) | 基于遥感和随机森林的产草量估算方法、装置及存储介质 | |
Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN110596017B (zh) | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 | |
CN113255961A (zh) | 基于时序多源光谱遥感数据的湖泊水环境监测站点优化布局方法 | |
CN109726679B (zh) | 一种遥感分类误差空间分布制图方法 |
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 |