CN116778228A - 一种基于fod与最优波段组合的监测土壤有机碳的方法 - Google Patents
一种基于fod与最优波段组合的监测土壤有机碳的方法 Download PDFInfo
- Publication number
- CN116778228A CN116778228A CN202310545935.7A CN202310545935A CN116778228A CN 116778228 A CN116778228 A CN 116778228A CN 202310545935 A CN202310545935 A CN 202310545935A CN 116778228 A CN116778228 A CN 116778228A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- organic carbon
- data
- soil
- fractional
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 86
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 83
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000007637 random forest analysis Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000003595 spectral effect Effects 0.000 claims abstract description 21
- 230000004069 differentiation Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000003702 image correction Methods 0.000 claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims description 78
- 238000005070 sampling Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 24
- 238000011160 research Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000000227 grinding Methods 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 claims description 3
- 238000007605 air drying Methods 0.000 claims description 3
- 238000009841 combustion method Methods 0.000 claims description 3
- 230000003647 oxidation Effects 0.000 claims description 3
- 238000007254 oxidation reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000001035 drying Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 239000010410 layer Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000005416 organic matter Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本申请属于环境监测技术领域，公开了一种基于FOD与最优波段组合的监测土壤有机碳的方法。对卫星高光谱影像进行影像校正得到卫星高光谱数据，进行分数阶微分处理得到高光谱分数阶微分数据，再对高光谱分数阶微分数据利用最优波段组合方法进行光谱特征的提取，得到光谱指数与高光谱分数阶微分数据结合形成高光谱数据集；再利用上述获得的数据对随机森林模型进行训练，得到最优随机森林模型；利用最优随机森林模型预测有机碳含量，生成土壤有机碳空间分布图。将分数阶微分和最优波段组合方法结合，有效提高了卫星高光谱反演土壤有机碳的精度，提高了大范围监测土壤有机碳含量的能力，并且可以在空间上进行可视化分析。
Description
技术领域
本申请涉及环境监测技术领域，尤其涉及一种基于FOD与最优波段组合的监测土壤有机碳的方法。
背景技术
在全球碳循环中，土壤是地球陆地表层最为活跃的碳库之一，是人类活动可以对其施加影响的最大生物圈碳库，任何微小的扰动变化都将影响到土壤与大气碳库之间的碳平衡。同时，作为土壤肥力评价的重要指标之一，土壤有机碳(SOC值)的不断降低会直接导致耕作土壤贫瘠的问题。因此，土壤有机碳含量的监测不仅是保障国家农业可持续发展和生态文明建设的关键。近年来，遥感光谱测定分析由于其便捷准确、成本低、精度高的特点，逐渐成为土壤组分估算和监测的新方法。但目前分析方法中采用整数阶微分只考虑信号的局部特征，忽略了信号的全局性质，容易出现信息丢失和失真的情况；同时采用的光谱指数受限于有限的几个多光谱波段，并没有充分运用到高光谱数据中丰富且连续的光谱波段，没有探索更多波段之间的相互作用关系，导致反演的精度不高。
发明内容
为此，本申请的实施例提供了一种基于FOD与最优波段组合的监测土壤有机碳，有效提高了卫星高光谱反演土壤有机碳的精度，提高在大范围监测土壤有机碳含量的能力。
第一方面，本申请提供一种基于FOD与最优波段组合的监测土壤有机碳的方法。
本申请是通过以下技术方案得以实现的：
一种基于FOD与最优波段组合的监测土壤有机碳的方法，所述方法包括：
获取研究区域的土壤采集点数据和卫星高光谱影像，并对所述卫星高光谱影像进行影像校正得到卫星高光谱数据；
对所述卫星高光谱数据进行分数阶微分处理，得到n组高光谱分数阶微分数据，n为大于1的自然数；
利用最优波段组合方法对所述n组高光谱分数阶微分数据进行特征提取，得到若干个二维光谱指数和若干个三维光谱指数，将所述n组高光谱分数阶微分数据分别与所述二维光谱指数和三维光谱指数进行组合，得到2n组高光谱数据集；
将所述n组高光谱分数阶微分数据、所述2n组高光谱数据集以及土壤采集点数据均输入到随机森林模型中采用自助法进行有放回抽样训练，构建3n个随机森林模型，按照预设评价指标对所述随机森林模型进行精度分析，得到最优随机森林模型；
将待监测区域的卫星高光谱数据输入到所述最优随机森林模型中，得到所述待监测区域的预测有机碳含量，基于所述预测有机碳含量生成土壤有机碳空间分布图。
在本申请一较佳的示例中可以进一步设置为，所述对所述卫星高光谱影像进行影像校正得到卫星高光谱数据的步骤之后还包括：
利用离散小波分解方法对所述卫星高光谱数据进行去噪处理。
在本申请一较佳的示例中可以进一步设置为，所述对所述卫星高光谱影像进行影像校正的步骤包括：辐射定标处理、大气校正处理以及几何校正处理；
辐射定标处理，采用ENVI辐射定标工具将卫星高光谱影像的亮度灰度值转化为绝对辐射亮度；
大气校正处理，采用Flaash大气校正工具将辐射定标处理得到的绝对辐射亮度转换为反射率；
几何校正处理，通过在研究区域均匀布设若干个控制点、或通过将已有的精确卫星影像作为参考影像或利用高光谱影像自带的RPC文件对大气校正处理得到的反射率进行几何校正。
在本申请一较佳的示例中可以进一步设置为，所述对所述卫星高光谱数据进行分数阶微分处理的步骤包括：
所述对所述卫星高光谱数据进行分数阶微分处理的步骤包括：
利用分数阶微分方法中的Grünwald-Letnikov分数阶导数，以阶数间隔为0.2对所述卫星高光谱数据进行0～2.0阶的分数阶微分处理，获得0阶、0.2阶、0.4阶、0.6阶、0.8阶、1.0阶、1.2阶、1.4阶、1.6阶、1.8阶、2.0阶共11组高光谱分数阶微分数据；
其中Grünwald-Letnikov分数阶导数的公式为：
其中，n表示微分方程的阶数，x表示光谱波段值，h表示步长，b表示微分的上限，a表示微分的下限，Г(﹒)表示Gamma函数。
在本申请一较佳的示例中可以进一步设置为，所述预设评价指标包括：决定系数、均方根误差以及平均绝对误差；
其中，所述决定系数的公式为：
所述均方根误差的公式为：
所述平均绝对误差的公式为：
其中，n和N均表示样本的数量，表示第i个样本的预测有机碳含量，yi表示第i个样本的实际有机碳含量，/>表示样本实际有机碳含量的平均值。
在本申请一较佳的示例中可以进一步设置为，所述利用最优波段组合方法对所述n组高光谱分数阶微分数据进行特征提取，得到若干个二维光谱指数和若干个三维光谱指数的步骤包括：
得到3个二维光谱指数和5个三维光谱指数；
所述二维光谱指数为差异指数、比率指数以及归一化差异指数；
所述三维光谱指数为第一三维波段指数、第二三维波段指数、第三三维波段指数、第四三维波段指数、第五三维波段指数。
在本申请一较佳的示例中可以进一步设置为，所述获取研究区域的土壤采集点数据的步骤包括：
在研究区域选取预设数量的采样点，利用GPS记录采样点的空间坐标信息；
获取采样点的土壤样本，将土壤样本进行风干处理，清理结石、杂草杂质，将清理杂质后的土壤样本研磨干燥筛分至预设粒径大小的土壤颗粒，采用氧化燃烧法测定各采样点的土壤颗粒的有机碳含量，所述有机碳含量与空间坐标信息一一对应。
第二方面，本申请提供一种基于FOD与最优波段组合的监测土壤有机碳的装置。
本申请是通过以下技术方案得以实现的：
一种基于FOD与最优波段组合的监测土壤有机碳的装置，所述装置包括：
数据采集模块，用于获取研究区域的土壤采集点数据和卫星高光谱影像，并对所述卫星高光谱影像进行影像校正得到卫星高光谱数据；
微分处理模块，用于对所述卫星高光谱数据进行分数阶微分处理，得到n组高光谱分数阶微分数据；
波段组合模块，用于利用最优波段组合方法对所述n组高光谱分数阶微分数据进行特征提取，得到若干个二维光谱指数和若干个三维光谱指数，将所述n组高光谱分数阶微分数据分别与所述二维光谱指数和三维光谱指数进行组合，得到2n组高光谱数据集；
模型训练模块，用于将所述n组高光谱分数阶微分数据和所述2n组高光谱数据集输入到随机森林模型中采用自助法进行有放回抽样训练，构建3n个随机森林模型，按照预设评价指标对所述随机森林模型进行精度分析，得到最优随机森林模型；
预测模块，用于将待监测区域的卫星高光谱数据输入到所述最优随机森林模型中，得到所述待监测区域的预测有机碳含量，基于所述预测有机碳含量生成土壤有机碳空间分布图。
第三方面，本申请提供一种计算机设备。
本申请是通过以下技术方案得以实现点的：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一种基于FOD与最优波段组合的监测土壤有机碳的方法的步骤。
第四方面，本申请提供一种计算机可读存储介质。
本申请是通过以下技术方案得以实现的：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种基于FOD与最优波段组合的监测土壤有机碳的方法的步骤。
综上所述，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：采用分数阶微分处理卫星高光谱数据，充分考虑到了高光谱数据的渐变信息，能更好的描述高光谱数据的高度分线性特征，具有更好的抗噪声能力，能为后续分析提供更可靠的数据；最优波段组合方法突破了常用光谱指数的固定波段，充分运用到高光谱数据丰富的光谱信息，构建出更适用于研究区域的光谱指数，提高模型性能；同时三维光谱指数的运用能在二维光谱指数的基础上考虑到更多的波段组合，挖掘出更多光谱特征信息。将分数阶微分和最优波段组合方法结合，有效提高了通过卫星高光谱反演土壤有机碳的精度，提高了大范围监测土壤有机碳含量的能力，并且可以在空间上进行可视化分析。
附图说明
图1为本申请一示例性实施例提供的监测土壤有机碳含量的方法的流程示意图；
图2为本申请另一示例性实施例提供的监测监测土壤有机碳含量的方法的流程示意图；
图3为本申请一示例性实施例提供的二维光谱指数相关性等高线图；
图4为本申请一示例性实施例提供的三维光谱指数相关性等高线图；
图5为本申请一示例性实施例提供的模型精度对比图；
图6为本申请一示例性实施例提供的土壤有机碳含量空间分布图；
图7为本申请又一示例性实施例提供的监测土壤有机碳含量的装置的结构示意图。
具体实施方式
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本申请中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分，应理解，“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系，也不对数量和执行顺序进行限定。
下面结合说明书附图对本申请实施例作进一步详细描述。
在本申请的一个实施例中，提供一种基于FOD与最优波段组合的监测土壤有机碳的方法，如图1所示，主要步骤描述如下：
S10:获取研究区域的土壤采集点数据和卫星高光谱影像，并对卫星高光谱影像进行影像校正得到卫星高光谱数据。
其中，土壤采集点数据的获取需要先在研究区域选取预设数量的采样点，选取采样点时需要兼顾采样点的土壤类型以及物理形状，以开阔平坦的非均质性区域作为样地。利用GPS记录各个采样点的空间坐标信息，每个采样点都是一个复合样本，包括5～6个子样本，子样本在30m*30m大小的网格范围内随机选取，进而将获取的各个采样点的土壤样本分类置于塑料土壤袋中存放，带回实验区域对土壤样本进行风干处理，并清除其中的结石、杂草根以及其他杂质，将清理杂质后的土壤样本置于研磨机器中进行研磨并筛分，获取粒径大小在2mm以下的土壤颗粒，采用氧化燃烧法测定各采样点的土壤颗粒的有机碳含量。每个采样点的有机物含量为所有子样本的有机物含量的平均值，以确保计算得到的有机物含量能够反映该采样点真实的平均水平。
在一些实施例中，如图2所示，通过对卫星高光谱影像进行辐射标定处理、大气校正处理以及几何校正处理，实现对卫星高光谱影像的影像校正，以获得地表真实的反射率数据。具体的，辐射定标处理，采用ENVI辐射定标工具将卫星高光谱影像的亮度灰度值转化为绝对辐射亮度，辐射定标处理可以消除传感器本身的误差，确定传感器入口处的准确辐射值；大气校正处理，采用Flaash大气校正工具将辐射定标处理得到的绝对辐射亮度转换为反射率，大气校正处理可以消除大气散射、吸收以及反射引起的误差；几何校正处理，对对大气校正处理得到的反射率进行几何校正。具体的，可以通过在研究区域均匀布设若干个控制点对大气校正处理得到的反射率进行几何校正，或者可以通过已拥有的精确卫星影像做参考影像进行几何校正，若待进行几何校正的卫星高光谱影像自身带有RPC文件，可以利用高光谱影像自带的RPC文件进行几何校正。几何校正可以纠正系统以及非系统因素引起的几何畸变。需要进行说明的是，若卫星高光谱影像中包含多景卫星高光谱影像，在影像校正后还需要进行影像镶嵌。
在一些实施例中，还需对获取的卫星高光谱数据利用离散小波分解方法(Discrete Wavelet Transform,DWT)进行去噪处理。需要进行说明的是，离散小波分解方法是以2的整数次幂为底对连续小波的尺度和平移参数进行采样，其中包括信号分解和信号重构2个过程。依据信号的长度和小波基长度将卫星高光谱数据中原始高光谱信号分解为高频信号和低频信号，其中高频信号主要由噪声信息构成，低频信号为小波系数，第二层将第一层得到的低频信号进行分解得到第二层的低频信号和高频信号，其后的每一步将上一层得到的低频信号进行分解，迭代进行至分解的最大尺度。原始高光谱信号(S)等于最终分阶层的低频信号(Aj)与所有分阶层j的高频信号(Dj)之和，可以表示为：S＝Aj+∑j≤JDj。小波重构过程将每层的低频信号进行重构，得到各分解层的特征光谱，对于光谱曲线中的毛刺部分具有显著的平滑效果。
S20:对卫星高光谱数据进行分数阶微分处理，得到n组高光谱分数阶微分数据。其中，n为大于1的自然数。
具体的，利用分数阶微分方法中的Grünwald-Letnikov分数阶导数对卫星高光谱数据进行分数阶微分处理，Grünwald-Letnikov分数阶导数的具体公式为：
其中，n表示微分方程的阶数，x表示光谱波段值，h表示步长，b表示微分的上限，a表示微分的下限，m表示0至(b-a)/h之间的数值，Г(﹒)表示Gamma函数，Gamma函数的具体公式为：
因此上述Grünwald-Letnikov分数阶导数可以进一步表示为：
在一些实施例中，在进行分数阶微分处理时，将步长h设置为卫星高光谱数据的光谱分辨率，相比于目前因受限于室内高光谱数据将步长设置为1的方法，考虑到了从不同的光谱尺度去进行分析。以0.2的阶数间隔对卫星高光谱数据进行0～2.0阶的分数阶微分处理(Fractional-order derivative,FOD)，最终获得0阶、0.2阶、0.4阶、0.6阶、0.8阶、1.0阶、1.2阶、1.4阶、1.6阶、1.8阶、2.0阶共11组高光谱分数阶微分数据，用于后续的特征提取和模型构建。将阶数间隔设置为0.2,可以在获取更多间隔之间信息的同时，兼顾计算效率。
分数阶微分是在整数阶微分的基础上进行拓展，它可以在整数阶微分之间进行连续插值，考虑到了光谱的渐变信息，能够探测到光谱特征的细微变化；并且分数阶微分具有强全局性，对于具有全局性质的高光谱信号分析具有更好的效果。并且本研究突破了以往分数阶微分只应用在室内高光谱的限制，可以将这种技术运用在受环境影响更大、情况更复杂的卫星高光谱数据中，更具有实用性，可以在空间上大范围精确地监测土壤有机碳含量。
S30:利用最优波段组合方法对n组高光谱分数阶微分数据进行特征提取，得到若干个二维光谱指数和若干个三维光谱指数，将所述n组高光谱分数阶微分数据分别与所述二维光谱指数和三维光谱指数进行组合，得到2n组高光谱数据集。
由于经过分数阶微分处理得到的高光谱分数阶微分数据的数据量大并且存在噪声信息，需要从中提取有用的光谱特征，进一步提高计算效率和反演精度。利用最优波段组合方法对n组高光谱分数阶微分数据进行特征提取，得到3个二维光谱指数和5个三维光谱指数，将上述n组高光谱分数阶微分数据分别与所述二维光谱指数和三维光谱指数进行组合，得到2n组高光谱数据集。最优波段组合方法是将光谱数据中不同光谱波段值进行线性或非线性的组合，计算这些组合与有机碳含量之间的相关性，相关性可以用等高线图表示，进而可以选取最优的光谱波段组合作为光谱数据的光谱指数。
在一些实施例中，对11组高光谱分数阶微分数据分别运用最优波段组合算法进行特征提取，得到3个二维光谱指数和5个三维光谱指数；
3个二维光谱指数分别为：
差异指数DI，DI(Ri,Rj)＝Ri-Rj；
比率指数RI,RI(Ri,Rj)＝Ri/Rj；
归一化差异指数NDI，NDI(Ri,Rj)＝(Ri-Rj)/(Ri+Rj)；
5个三维光谱指数分别为：
第一三维波段指数TBI1，TBI1＝(Ri-Rj)/(Ri+Rk)；
第二三维波段指数TBI2，TBI2＝Ri/(Rj×Rk)；
第三三维波段指数TBI3，TBI3＝(Ri-Rj)/(Ri-2Rj+Rk)；
第四三维波段指数TBI4，TBI4＝Ri/(Rj+Rk)；
第五三维波段指数TBI5，TBI5＝(Ri+Rj)/Rk。
其中，Ri,Rj和Rk分别表示高光谱数据中不同的光谱波段值，并且i≠j≠k。
将11组高光谱分数阶微分数据分别与二维光谱指数和三维光谱指数进行组合，形成22组新的高光谱数据集。举例进行说明，将第1组高光谱分数阶微分数据与3个二维光谱指数进行组成形成一组新的高光谱数据集，第2组高光谱分数阶微分数据与3个二维光谱指数进行组成形成一组新的高光谱数据集，其余的第3组至第11组高光谱分数阶微分数据均与3个二维光谱指数进行组成各形成一组新的高光谱数据集；同时，第1组高光谱分数阶微分数据与5个三维光谱指数进行组合形成一组新的高光谱数据集，第2组高光谱分数阶微分数据与5个三维光谱指数进行组合形成一组新的高光谱数据集，其余的第3组至第11组高光谱分数阶微分数据均与5个三维光谱指数进行组合各形成一组新的高光谱数据集，共形成22组新的高光谱数据集。
利用最优波段组合方法构建适用于卫星高光谱反演土壤有机碳的光谱指数，并且由两波段的光谱指数拓展到三波段的光谱指数，将高光谱数据拓展到三维。最优波段组合方法是通过遍历所有高光谱波段信息，将所有波段信息进行相互组合，生成新的光谱指数，进而计算新的光谱指数与土壤有机碳含量之间的相关性，选择相关性最高的光谱指数作为后续反演时的光谱变量输入模型，可以提高反演精度。同时可以绘制得到图3所示的二维光谱指数相关性等高线图和图4所示的三维光谱指数相关性等高线图。最优波段组合方法能够充分地使用高光谱丰富且连续的光谱波段信息，挖掘波段信息之间的相互作用，更符合实际应用。
将分数阶微分和最优波段组合方法进行结合具有更好的协同作用，在分数阶微分消除噪声和突出细微光谱特征的同时，利用最优波段组合方法可以捕捉这些细小的光谱特征变化，并探索这些细微的光谱特征之间的相互作用，起到特征提取和数据降维的效果。相比传统的整数阶微分和光谱指数，分数阶微分与最优波段方法的结合能够有效提高高光谱卫星反演土壤有机碳的精度，实现大范围土壤有机碳分布的准确制图。
S40:将n组高光谱分数阶微分数据、2n组高光谱数据集以及土壤采集点数据输入到随机森林模型中采用自助法进行有放回抽样训练，构建3n个随机森林模型，按照预设评价指标对随机森林模型进行精度分析，得到最优随机森林模型。
由于高光谱数据的数据量大，将全部高光谱数据输入模型中会降低计算效率和模型精度，因此需要进行特征筛选将适用于构建模型的特征筛选出来。递归特征消除方法(Recursive feature elimination，RFE)是一种基于特征排序的封装特征选择算法，可以有效筛选高光谱变量，在本申请中使用随机森林模型对高光谱数据进行多轮训练，在每轮训练结束后根据特征的重要性排序对特征进行评分，去除评分最低的特征后，将剩下的特征作为新的特征子集再次进行训练，直至数据集中只剩下一个特征，最终将模型精度最高的特征子集作为构建模型的变量。其中特征包括各二维光谱指数和三维光谱指数。
在一些实施例中，将11组未与光谱指数进行组合的高光谱分数阶微分数据以及22组与光谱指数进行组合得到的高光谱数据集都通过递归特征消除方法进行特征筛选，得到33组最优的特征子集，进一步对随机森林模型进行训练，构建33个随机森林模型进行精度对比分析。需要进行说明的是，随机森林算法是一种基于决策树的集成学习算法，集合特征随机选取思想及集成思想，以决策树为基础的组合分类器，采取自助法进行有放回抽样并生成训练子集，保证N次随机抽样生成N个大小一致的训练子集。
在对33个随机森林模型进行精度对比分析时，采用决定系数(Coefficient ofdetermination,R2)、均方根误差(Root mean square error,RMSE)和平均绝对误差(Meanabsolute error,MAE)作为模型的精度指标。其中，
决定系数R2的具体公式为：
均方根误差RMSE的具体公式为：
平均绝对误差的公式为：
其中，表示第i个样本的预测有机碳含量，yi表示第i个样本的实际有机碳含量，y表示样本实际有机碳含量的平均值，n和N均表示样本的数量。
当均方根误差RMSE、平均绝对误差MAE越小，决定系数R2越大，模型拟合效果越好，精度越高。
如图5所示，根据模型精度的对比可知，分数阶微分的最优阶数为0.6阶，并基于0.6阶微分的三维光谱指数有最高精度，将基于0.6阶微分高光谱数据和三维光谱指数构建的随机森林模型作为最优模型用于后续的土壤有机碳空间分布制图。
S50:将待监测区域的卫星高光谱数据输入到最优随机森林模型中，得到待监测区域的预测有机碳含量，基于预测有机碳含量生成土壤有机碳空间分布图。
将待监测区域的卫星高光谱数据输入到最优随机森林模型中，得到待监测区域的预测有机碳含量(SOC值)，基于预测SOC值生成如图6所示的土壤有机碳空间分布图。通过土壤有机碳含量的空间分布图能够准确评估土壤质量，可以根据空间可视化结果与分析结果采取科学的管理措施和治理手段，促进精准农业的发展。
本申请还提供一种基于FOD与最优波段组合的监测土壤有机碳的装置，如图7所示，该装置包括：
数据采集模块，用于获取研究区域的土壤采集点数据和卫星高光谱影像，并对卫星高光谱影像进行影像校正得到卫星高光谱数据；
微分处理模块，用于对卫星高光谱数据进行分数阶微分处理，得到n组高光谱分数阶微分数据；
波段组合模块，用于利用最优波段组合方法对n组高光谱分数阶微分数据进行特征提取，得到若干个二维光谱指数和若干个三维光谱指数，将n组高光谱分数阶微分数据分别与二维光谱指数和三维光谱指数进行组合，得到2n组高光谱数据集；
模型训练模块，用于将n组高光谱分数阶微分数据、2n组高光谱数据集以及土壤采集点数据输入到随机森林模型中采用自助法进行有放回抽样训练，构建3n个随机森林模型，按照预设评价指标对随机森林模型进行精度分析，得到最优随机森林模型；
预测模块，用于将待监测区域的卫星高光谱数据输入到最优随机森林模型中，得到待监测区域的预测有机碳含量，基于所述预测有机碳含量生成土壤有机碳空间分布图。
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服务器。
该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。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有操作系统、计算机程序和数据库。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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任意一种基于FOD与最优波段组合的监测土壤有机碳的方法。
在一个实施例中，提供一种计算机可读存储介质，包括存储器、处理器及存储在存储器上并可以在处理器上执行的计算机程序，处理器执行计算机程序以实现上述任意一种基于FOD与最优波段组合的监测土壤有机碳的方法。
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、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)、DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将本申请所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
Claims (10)
1.一种基于FOD与最优波段组合的监测土壤有机碳的方法，其特征在于，所述方法包括：
获取研究区域的土壤采集点数据和卫星高光谱影像，并对所述卫星高光谱影像进行影像校正得到卫星高光谱数据；
对所述卫星高光谱数据进行分数阶微分处理，得到n组高光谱分数阶微分数据，n为大于1的自然数；
利用最优波段组合方法对所述n组高光谱分数阶微分数据进行特征提取，得到若干个二维光谱指数和若干个三维光谱指数，将所述n组高光谱分数阶微分数据分别与所述二维光谱指数和三维光谱指数进行组合，得到2n组高光谱数据集；
将所述n组高光谱分数阶微分数据、所述2n组高光谱数据集以及土壤采集点数据均输入到随机森林模型中采用自助法进行有放回抽样训练，构建3n个随机森林模型，按照预设评价指标对所述随机森林模型进行精度分析，得到最优随机森林模型；
将待监测区域的卫星高光谱数据输入到所述最优随机森林模型中，得到所述待监测区域的预测有机碳含量，基于所述预测有机碳含量生成土壤有机碳空间分布图。
2.根据权利要求1所述的基于FOD与最优波段组合的监测土壤有机碳的方法，其特征在于，所述对所述卫星高光谱影像进行影像校正得到卫星高光谱数据的步骤之后还包括：
利用离散小波分解方法对所述卫星高光谱数据进行去噪处理。
3.根据权利要求1所述的基于FOD与最优波段组合的监测土壤有机碳的方法，其特征在于，所述对所述卫星高光谱影像进行影像校正的步骤包括：辐射定标处理、大气校正处理以及几何校正处理；
辐射定标处理，采用ENVI辐射定标工具将卫星高光谱影像的亮度灰度值转化为绝对辐射亮度；
大气校正处理，采用Flaash大气校正工具将辐射定标处理得到的绝对辐射亮度转换为反射率；
几何校正处理，通过在研究区域均匀布设若干个控制点、或通过将已有的精确卫星影像作为参考影像或利用高光谱影像自带的RPC文件对大气校正处理得到的反射率进行几何校正。
4.根据权利要求1所述的基于FOD与最优波段组合的监测土壤有机碳的方法，其特征在于，所述对所述卫星高光谱数据进行分数阶微分处理的步骤包括：
利用分数阶微分方法中的Grünwald-Letnikov分数阶导数，以阶数间隔为0.2对所述卫星高光谱数据进行0～2.0阶的分数阶微分处理，获得0阶、0.2阶、0.4阶、0.6阶、0.8阶、1.0阶、1.2阶、1.4阶、1.6阶、1.8阶、2.0阶共11组高光谱分数阶微分数据；
其中Grünwald-Letnikov分数阶导数的公式为：
其中，n表示微分方程的阶数，x表示光谱波段值，h表示步长，b表示微分的上限，a表示微分的下限，Г(﹒)表示Gamma函数。
5.根据权利要求1所述的基于FOD与最优波段组合的监测土壤有机碳的方法，其特征在于，所述预设评价指标包括：决定系数、均方根误差以及平均绝对误差；
其中，所述决定系数的公式为：
所述均方根误差的公式为：
所述平均绝对误差的公式为：
其中，n和N均表示样本的数量，表示第i个样本的预测有机碳含量，yi表示第i个样本的实际有机碳含量，/>表示样本实际有机碳含量的平均值。
6.根据权利要求1所述的基于FOD与最优波段组合的监测土壤有机碳的方法，其特征在于，所述利用最优波段组合方法对所述n组高光谱分数阶微分数据进行特征提取，得到若干个二维光谱指数和若干个三维光谱指数的步骤包括：
得到3个二维光谱指数和5个三维光谱指数；
所述二维光谱指数为差异指数、比率指数以及归一化差异指数；
所述三维光谱指数为第一三维波段指数、第二三维波段指数、第三三维波段指数、第四三维波段指数、第五三维波段指数。
7.根据权利要求1所述的基于FOD与最优波段组合的监测土壤有机碳的方法，其特征在于，所述获取研究区域的土壤采集点数据的步骤包括：
在研究区域选取预设数量的采样点，利用GPS记录采样点的空间坐标信息；
获取采样点的土壤样本，将土壤样本进行风干处理，清理结石、杂草杂质，将清理杂质后的土壤样本研磨干燥筛分至预设粒径大小的土壤颗粒，采用氧化燃烧法测定各采样点的土壤颗粒的有机碳含量，所述有机碳含量与空间坐标信息一一对应。
8.一种基于FOD与最优波段组合的监测土壤有机碳的装置，其特征在于，所述装置包括：
数据采集模块，用于获取研究区域的土壤采集点数据和卫星高光谱影像，并对所述卫星高光谱影像进行影像校正得到卫星高光谱数据；
微分处理模块，用于对所述卫星高光谱数据进行分数阶微分处理，得到n组高光谱分数阶微分数据，n为大于1的自然数；
波段组合模块，用于利用最优波段组合方法对所述n组高光谱分数阶微分数据进行特征提取，得到若干个二维光谱指数和若干个三维光谱指数，将所述n组高光谱分数阶微分数据分别与所述二维光谱指数和三维光谱指数进行组合，得到2n组高光谱数据集；
模型训练模块，用于将所述n组高光谱分数阶微分数据和所述2n组高光谱数据集输入到随机森林模型中采用自助法进行有放回抽样训练，构建3n个随机森林模型，按照预设评价指标对所述随机森林模型进行精度分析，得到最优随机森林模型；
预测模块，用于将待监测区域的卫星高光谱数据输入到所述最优随机森林模型中，得到所述待监测区域的预测有机碳含量，基于所述预测有机碳含量生成土壤有机碳空间分布图。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现权利要求1至7任意一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310545935.7A CN116778228A (zh) | 2023-05-15 | 2023-05-15 | 一种基于fod与最优波段组合的监测土壤有机碳的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310545935.7A CN116778228A (zh) | 2023-05-15 | 2023-05-15 | 一种基于fod与最优波段组合的监测土壤有机碳的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116778228A true CN116778228A (zh) | 2023-09-19 |
Family
ID=87985031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310545935.7A Pending CN116778228A (zh) | 2023-05-15 | 2023-05-15 | 一种基于fod与最优波段组合的监测土壤有机碳的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116778228A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113155747A (zh) * | 2021-01-15 | 2021-07-23 | 西安科技大学 | 一种构建分数阶微分光谱指数及其监测小麦条锈病的方法 |
| CN113505461A (zh) * | 2021-04-21 | 2021-10-15 | 山东师范大学 | 利用修正三维光谱指数的土壤有机质估测的方法及系统 |
| CN114782584A (zh) * | 2022-04-01 | 2022-07-22 | 深圳大学 | 基于深度学习算法的土壤有机碳密度制图方法、系统、计算机设备和存储介质 |
-
2023
- 2023-05-15 CN CN202310545935.7A patent/CN116778228A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113155747A (zh) * | 2021-01-15 | 2021-07-23 | 西安科技大学 | 一种构建分数阶微分光谱指数及其监测小麦条锈病的方法 |
| CN113505461A (zh) * | 2021-04-21 | 2021-10-15 | 山东师范大学 | 利用修正三维光谱指数的土壤有机质估测的方法及系统 |
| CN114782584A (zh) * | 2022-04-01 | 2022-07-22 | 深圳大学 | 基于深度学习算法的土壤有机碳密度制图方法、系统、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 周霞等著: "《风力发电智能运维与装备技术》", 31 January 2022, 广州暨南大学出版社, pages: 237 - 242 * |
| 塔娜: ""苹果叶片长势信息高光谱遥感监测技术研究"", 《中国博士学位论文电子期刊网》, pages 13 - 23 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ali et al. | Comparing methods for mapping canopy chlorophyll content in a mixed mountain forest using Sentinel-2 data | |
| CN112836610B (zh) | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 | |
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| Chen et al. | Impacts of spatial heterogeneity on crop area mapping in Canada using MODIS data | |
| Lu et al. | Removal of noise by wavelet method to generate high quality temporal data of terrestrial MODIS products | |
| CN108921885A (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
| Gu et al. | Using vegetation indices and texture measures to estimate vegetation fractional coverage (VFC) of planted and natural forests in Nanjing city, China | |
| Champagne et al. | A bootstrap method for assessing classification accuracy and confidence for agricultural land use mapping in Canada | |
| Ali et al. | Machine learning methods’ performance in radiative transfer model inversion to retrieve plant traits from Sentinel-2 data of a mixed mountain forest | |
| CN110687053B (zh) | 一种基于高光谱影像的区域有机质含量估算方法和装置 | |
| Giannico et al. | Contributions of landscape heterogeneity within the footprint of eddy-covariance towers to flux measurements | |
| Cai et al. | Measurement of potato volume with laser triangulation and three-dimensional reconstruction | |
| CN112861435A (zh) | 一种红树林质量遥感反演方法及智能终端 | |
| 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 | |
| CN103279950A (zh) | 一种基于行列噪声标准差的遥感图像信噪比评估方法 | |
| Wu et al. | Mapping the salt content in soil profiles using Vis‐NIR hyperspectral imaging | |
| Arjasakusuma et al. | Assessment of values and trends in coarse spatial resolution NDVI datasets in Southeast Asia landscapes | |
| 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 | |
| Sihvonen et al. | Spectral profile partial least-squares (SP-PLS): Local multivariate pansharpening on spectral profiles | |
| Wan et al. | MAE-NIR: A masked autoencoder that enhances near-infrared spectral data to predict soil properties | |
| Liu et al. | Estimation of chlorophyll content in maize canopy using wavelet denoising and SVR method | |
| Jiang et al. | Analyzing the spatial scaling bias of rice leaf area index from hyperspectral data using wavelet–fractal technique | |
| Hank et al. | Introducing the potential of the EnMAP-box for agricultural applications using DESIS and PRISMA data | |
| Gu et al. | Applicability of spectral and spatial information from IKONOS-2 imagery in retrieving leaf area index of forests in the urban area of Nanjing, China | |
| CN115147726B (zh) | 城市形态图的生成方法、装置、电子设备和可读存储介质 |
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 |