CN116818687B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116818687B CN116818687B CN202310738491.9A CN202310738491A CN116818687B CN 116818687 B CN116818687 B CN 116818687B CN 202310738491 A CN202310738491 A CN 202310738491A CN 116818687 B CN116818687 B CN 116818687B
- Authority
- CN
- China
- Prior art keywords
- soil
- spectrum
- organic carbon
- model
- sample
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 198
- 238000001228 spectrum Methods 0.000 title claims abstract description 144
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 106
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000007637 random forest analysis Methods 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000002790 cross-validation Methods 0.000 claims description 15
- 238000010238 partial least squares regression Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000007605 air drying Methods 0.000 claims description 3
- 238000000227 grinding Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000007873 sieving Methods 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于光谱引导集成学习的土壤有机碳预测方法及其装置，包括：获得土壤样本及其真实有机碳含量和原始土壤光谱，预处理原始土壤光谱得到土壤光谱样本，基于土壤光谱样本构建样本集，划分样本集为第一训练集和验证集，真实有机碳含量作为标签；基于第一训练集和对应标签训练偏最小二乘回归模型、Cubist模型和随机森林模型，并得到三个模型的碳含量预测值集；基于三个模型的碳含量预测值集和土壤光谱主成分数据构建第二训练集，通过第二训练集和对应标签训练第二随机森林模型得到光谱引导集成模型；该方法综合利用了不同预测模型的优势，能够较为准确的预测土壤的碳含量。
Description
技术领域
本发明属于土壤属性预测方法，尤其涉及一种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。
背景技术
土壤是地球的皮肤，提供了诸多的生态系统服务和功能，使地球上的生命得以存续。土壤有机碳(Soil Organic Carbon，SOC)是土壤有机质的关键组成部分，是衡量土壤肥力的重要指标。对土壤有机碳的估算，有利于对土地进行合理施肥，对提高农作物产量、改善土壤质量、保护土壤生态环境有着重要意义。
土壤有机碳库占比超过陆地生态系统碳库的70％，储存在土壤中的有机碳总量超过大气和植被碳库的加和，因此，土壤有机碳库的细微变化都会对全球碳循环带来巨大的影响。考虑到土壤有机碳对粮食安全和气候变化的重要性，需要及时地监测土壤有机碳的动态变化。
由于基于传统实验室理化分析的土壤有机碳测定存在周期长、成本高、可能使用环境有害试剂等缺点，传统估算土壤有机碳的方法是基于野外实地采样与实验室化学测定，野外实地采样本身需要较高的人力成本，容易受到天气和地形等因素限制，因此费时费力且难以对大面积土壤有机碳进行精确估算，采样人员甚至容易面临生命危险，而且在测定过程中常使用重铬酸钾等含有重金属的化学试剂，容易造成环境污染，或者产生试剂处理成本。
基于光谱技术的土壤有机碳测定方法正在不断发展。相比中红外光谱技术，土壤可见-近红外光谱技术具有低成本、高便携、外界干扰少等优点，在土壤有机碳测定使用最为广泛。
土壤光谱预测模型是使用土壤光谱技术预测土壤有机碳含量的最核心环节。预测模型的好坏将直接决定预测结果是否可靠。土壤光谱预测模型由从前的多元线性回归、偏最小二乘回归等线性模型往机器学习、深度学习等非线性模型不断推进。由于模型结构的不同，单一预测模型对于不同数据的适用性不一，模型稳定性差。
因此，亟待设计能够综合利用不同预测模型的优势，通过光谱引导表征不同预测模型的适用范围，开发基于集成学习的土壤有机碳预测模型。
发明内容
本发明提供了一种基于光谱引导集成学习的土壤有机碳光谱预测方法，该方法综合利用了不同预测模型的优势，能够较为准确的预测土壤的碳含量。
本发明具体实施例提供了一种基于光谱引导集成学习的土壤有机碳预测方法，包括：
获得多个土壤样本，从每个土壤样本获得真实有机碳含量和原始土壤光谱，将每个原始土壤光谱进行预处理得到土壤光谱样本，将土壤光谱样本进行主成分分析得到土壤光谱主成分数据，基于土壤光谱样本构建样本集，将样本集划分为第一训练集和验证集，将真实有机碳含量作为标签；
基于第一训练集和对应标签分别训练偏最小二乘回归模型、Cubist模型和随机森林模型，将多个土壤光谱样本输入训练完成的最小二乘回归模型、Cubist模型和第一随机森林模型分别得到三个模型的碳含量预测值集；
基于三个模型的碳含量预测值集和土壤光谱主成分数据构建第二训练集，通过第二训练集和对应标签训练第二随机森林模型得到光谱引导集成模型；
应用时，将土壤光谱样本输入光谱引导集成模型得到预测的土壤有机碳含量。
进一步的，通过第二训练集和对应标签训练第二随机森林模型得到光谱引导集成模型，包括：
基于第二训练集采用十折交叉验证确定第二随机森林的最优树个数、分枝变量数，基于确定的最优树个数、分枝变量数拟合得到光谱引导集成模型。
进一步的，获得每个土壤样本对应的真实有机碳含量和原始土壤光谱，包括：
将每个土壤样本进行风干、研磨、过筛得到预处理土壤，对预处理土壤进行分析得到每个土壤样本的真实有机碳含量；
通过可见-近红外光谱仪测定每个预处理土壤的光谱数据得到原始土壤光谱。
进一步的，每个原始土壤光谱进行预处理得到土壤光谱样本，包括：
去除原始土壤光谱中噪音较大的波段，对保留的原始土壤光谱的波段进行平滑去噪和信号增强处理，所述噪音较大的波段为400-500nm，保留的原始土壤光谱的波段为500-2450nm。
进一步的，基于第一样本集和对应标签训练偏最小二乘回归模型，包括：
基于第一样本集通过10折交叉验证确定偏最小二乘回归模型中最优潜变量个数，基于最优潜变量个数拟合得到训练完成的最小二乘回归模型。
进一步的，基于第一样本集和对应标签训练Cubist模型，包括：
基于第一样本集通过10折交叉验证确定Cubist模型中最优委员树个数，基于最优委员树个数拟合得到训练完成Cubist模型。
进一步的，基于第一样本集和对应标签第一随机森林模型，包括：
基于第一样本集通过10折交叉验证确定第一随机森林模型中最优树个数、分枝变量数，基于最优树个数、分枝变量数拟合得到训练完成第一随机森林模型。
进一步的，将验证集输入光谱引导集成模型得到土壤有机碳预测值集，基于土壤有机碳预测值和对应的标签通过决定系数或均方跟误差得到预测精度，当预测精度达到精度阈值时，完成第二随机森林的验证得到最终光谱引导集成模型。
进一步的，基于土壤有机碳预测值和对应的标签通过决定系数得到预测精度R2为：
其中，n为验证集中的土壤光谱样本个数，yi为第i个土壤光谱样本对应的标签，为第i个土壤光谱样本的土壤有机碳预测值；
或者基于土壤有机碳预测值和对应的标签通过均方跟误差得到预测精度RMSE为：
其中，n为验证集中的土壤光谱样本个数，yi为第i个土壤光谱样本对应的标签，为第i个土壤光谱样本的土壤有机碳预测值。
本发明还提供了一种基于光谱引导集成学习的土壤有机碳预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机存储器中采用所述的基于光谱引导集成学习的土壤有机碳光谱预测方法构建的光谱引导集成模型；
所述计算机处理器执行所述计算机程序时实现以下步骤：
将土壤光谱输入光谱引导集成模型得到预测的土壤有机碳含量。
与现有技术相比，本发明的有益效果为：
本发明通过构建基于土壤光谱数据和土壤真实有机碳含量训练完成的三个预测模型后，将三个预测模型输出的碳含量预测值集结合土壤光谱的主成分数据作为训练集，以拟合第二随机森林模型得到光谱引导集成学习模型，从而能够将每个预测模型中光谱主成分与土壤碳含量映射较为准确的部分进行保留，进而保留和结合了每个模型土壤碳含量预测准确的波段，从而能够更加精准的预测土壤的碳含量，与现有技术通过实验室理化方法获得土壤有机碳含量相比成本更低、效率更高，现有技术通过单一土壤光谱预测模型相比精度更高。
附图说明
图1为本发明具体实施例提供的基于光谱引导集成学习的土壤有机碳预测方法流程框图；
图2为本发明具体实施例提供的基于光谱引导集成学习的土壤有机碳预测方法流程图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图，对本发明作进一步详细说明。本实施例中，选取欧洲不同土地覆盖和利用下土壤样本的土壤有机碳含量及土壤可见-近红外光谱进行建模，最终得到土壤有机碳预测模型。
由于现有技术中单一预测模型使用的特征光谱存在差异，每个模型预测较优的区间不同，因此单一预测模型的整体预测精度不高，本发明具体实施例通过将单个土壤碳含量预测模型的预测结果和土壤光谱主成分作为训练集，训练新的随机森林模型，通过光谱引导的方式挖掘不同单一预测模型较优的预测区间，从而更为准确的预测土壤碳含量，本发明具体实施例提供的基于光谱引导集成学习的土壤有机碳预测方法，如图1和图2所示，具体步骤如下：
(1)获得土壤有机碳数据集和土壤光谱样本数据集：
本发明具体实施例获得土壤有机碳数据集，包括：根据土地覆盖和利用分类图采集欧洲农田、林地和草地的18000个土壤样本，样本经过风干、研磨、过筛后得到预处理土壤，对预处理土壤通过实验室理化分析得到土样的真实有机碳含量，形成土壤有机碳数据集。其中，土壤采样深度为0-20cm，土壤真实有机碳含量通过元素分析仪测定。
本发明具体实施例获得土壤光谱样本数据集，包括：通过可见-近红外光谱仪测定每个过筛后预处理土壤的光谱数据，每个预处理土壤测定3组重复光谱后平均得到该样本的原始土壤光谱；可见-近红外光谱仪选择FOSS XDS Rapid Content Analyser光谱仪，其光谱波长范围为400-2500nm，光谱采样间隔为0.5nm；每测定10次光谱后，光谱仪需要进行白板校正；去除初始光谱中噪音较大的400-500nm波段，保留的光谱数据为500-2450nm波段；通过二阶多项式101窗口数的Savitzky–Golay方法对原始土壤光谱进行平滑去噪并加强光谱信号特征得到土壤光谱样本，将土壤光谱样本通过主成分分析选取前20个主成分数据得到土壤光谱主成分数据。
(2)构建单个预测模型和碳含量预测值集：
S1:基于土壤光谱样本构建样本集，将样本集划分为第一训练集和验证集，将真实有机碳含量作为标签，通过随机抽样将样本集中75％的数据划入第一训练集，剩余25％的数据则归入验证集。本实施例中第一训练集包含13500土壤光谱样本，验证集包含4500个土壤光谱样本。
S2:基于第一训练集和对应标签分别训练偏最小二乘回归模型、Cubist模型和随机森林模型，得到三个单个预测模型，将多个土壤光谱样本输入训练完成的最小二乘回归模型、Cubist模型和第一随机森林模型分别得到三个模型的碳含量预测值集，从而初步获得土壤有机碳预测结果。
在一具体实施例中，偏最小二乘回归模型中最优潜变量个数通过10折交叉验证确定，并基于最优潜变量个数拟合偏最小二乘回归模型得到每个建模集样本10折交叉验证预测值。本实施例中偏最小二乘回归模型的最优潜变量个数优化为19。
在一具体实施例中，Cubist模型中最优委员树个数通过十折交叉验证确定，并基于最优委员树个数拟合Cubist模型得到每个建模集样本十折交叉验证预测值。本实施例中Cubist模型的最优委员树个数优化为5。
在一具体实施例中，第一随机森林模型中最优树个数、分枝变量数通过十折交叉验证确定，并基于最优树个数、分枝变量数拟合随机森林模型得到每个建模集样本十折交叉验证预测值。本实施例中随机森林模型的最优树个数、分枝变量数分别优化为300和8。
(3)基于碳含量预测值集和土壤光谱主成分数据构建基于光谱引导集成学习模型：
S3:基于三个模型的碳含量预测值集和土壤光谱主成分数据构建第二训练集，通过第二训练集和对应标签训练第二随机森林模型得到光谱引导集成模型。
在一具体实施例中，第二随机森林的最优树个数、分枝变量数通过十折交叉验证确定，并基于最优树个数、分枝变量数拟合第二随机森林模型得到光谱引导集成模型。本实施例中第二随机森林的最优树个数优化为500，分枝变量数优化为5。
(4)验证光谱引导集成学习模型：将建立的光谱引导集成学习模型预测验证集，对比验证集中真实土壤样本真实土壤有机碳和预测土壤有机碳，评价光谱引导集成学习模型的预测精度；当预测精度达标后，即可用建立的光谱引导集成学习模型进行土壤有机碳预测。
在一具体实施例中，将验证集输入光谱引导集成模型得到土壤有机碳预测值集，基于土壤有机碳预测值和对应的标签通过决定系数或均方跟误差得到预测精度，当预测精度达到精度阈值时，完成第二随机森林的验证得到最终光谱引导集成模型。
本实施例通过决定系数(R2)或均方根误差(RMSE)来评价验证集的预测精度。光谱引导集成学习模型和三个单一模型的精度评价结果如表1所示。由表1可知，光谱引导集成学习模型验证集的R2为0.76，RMSE为9.55g kg-1，远优于单一的偏最小二乘回归、Cubist和随机森林模型，具有很好的预测效果。
本发明具体实施例提供的R2为：
本发明具体实施例提供的RMSE为：
其中，n为验证集中的土壤光谱样本个数，yi为第i个土壤光谱样本对应的标签，为第i个土壤光谱样本的土壤有机碳预测值；
表1基于验证集的不同模型预测精度对比
应用时，将待检测土壤样本的土壤可见-近红外光谱输入最终光谱引导集成学习模型得到预测土壤有机碳含量。
本发明还提供一种基于光谱引导集成学习的土壤有机碳光谱预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中采用基于光谱引导集成学习的土壤有机碳光谱预测方法构建的光谱引导集成模型。
本发明还提供一种计算机处理器执行所述计算机程序时实现以下步骤：
将土壤光谱输入光谱引导集成模型得到预测的土壤有机碳含量。
本发明提出的光谱引导集成学习模型能够根据土壤可见-近红外光谱数据快速、准确地预测土壤有机碳含量，在降低土壤信息获取成本的同时大大提高了获取效率，为低成本、高效率、高精度、大尺度土壤资源调查和生态环境建模的土壤信息采集提供了新思路。
本发明通过该最终光谱引导集成学习模型建立了单一模型预测值、光谱主成分与土壤有机碳含量的映射关系，因此基于土壤可见-近红外数据通过本发明构建的最终光谱引导集成学习模型得到土壤有机碳含量，从而提升下通过土壤光谱技术快速、高效、精准预测土壤有机碳含量的能力。
Claims (10)
1.一种基于光谱引导集成学习的土壤有机碳预测方法，其特征在于，包括：
获得多个土壤样本，从每个土壤样本获得真实有机碳含量和原始土壤光谱，将每个原始土壤光谱进行预处理得到土壤光谱样本，将土壤光谱样本进行主成分分析得到土壤光谱主成分数据，基于土壤光谱样本构建样本集，将样本集划分为第一训练集和验证集，将真实有机碳含量作为标签；
基于第一训练集和对应标签分别训练偏最小二乘回归模型、Cubist模型和随机森林模型，将多个土壤光谱样本输入训练完成的最小二乘回归模型、Cubist模型和第一随机森林模型分别得到三个模型的碳含量预测值集；
基于三个模型的碳含量预测值集和土壤光谱主成分数据构建第二训练集，通过第二训练集和对应标签训练第二随机森林模型得到光谱引导集成模型；
应用时，将土壤光谱样本输入光谱引导集成模型得到预测的土壤有机碳含量。
2.根据权利要求1所述的基于光谱引导集成学习的土壤有机碳预测方法，其特征在于，通过第二训练集和对应标签训练第二随机森林模型得到光谱引导集成模型，包括：
基于第二训练集采用十折交叉验证确定第二随机森林的最优树个数、分枝变量数，基于确定的最优树个数、分枝变量数拟合得到光谱引导集成模型。
3.根据权利要求1所述的基于光谱引导集成学习的土壤有机碳预测方法，其特征在于，获得每个土壤样本对应的真实有机碳含量和原始土壤光谱，包括：
将每个土壤样本进行风干、研磨、过筛得到预处理土壤，对预处理土壤进行分析得到每个土壤样本的真实有机碳含量；
通过可见-近红外光谱仪测定每个预处理土壤的光谱数据得到原始土壤光谱。
4.根据权利要求1所述的基于光谱引导集成学习的土壤有机碳预测方法，其特征在于，每个原始土壤光谱进行预处理得到土壤光谱样本，包括：
去除原始土壤光谱中噪音较大的波段，对保留的原始土壤光谱的波段进行平滑去噪和信号增强处理，所述噪音较大的波段为400-500nm，保留的原始土壤光谱的波段为500-2450nm。
5.根据权利要求1所述的基于光谱引导集成学习的土壤有机碳预测方法，其特征在于，基于第一样本集和对应标签训练偏最小二乘回归模型，包括：
基于第一样本集通过10折交叉验证确定偏最小二乘回归模型中最优潜变量个数，基于最优潜变量个数拟合得到训练完成的最小二乘回归模型。
6.根据权利要求1所述的基于光谱引导集成学习的土壤有机碳预测方法，其特征在于，基于第一样本集和对应标签训练Cubist模型，包括：
基于第一样本集通过10折交叉验证确定Cubist模型中最优委员树个数，基于最优委员树个数拟合得到训练完成Cubist模型。
7.根据权利要求1所述的基于光谱引导集成学习的土壤有机碳预测方法，其特征在于，基于第一样本集和对应标签第一随机森林模型，包括：
基于第一样本集通过10折交叉验证确定第一随机森林模型中最优树个数、分枝变量数，基于最优树个数、分枝变量数拟合得到训练完成第一随机森林模型。
8.根据权利要求1所述的基于光谱引导集成学习的土壤有机碳预测方法，其特征在于，将验证集输入光谱引导集成模型得到土壤有机碳预测值集，基于土壤有机碳预测值和对应的标签通过决定系数或均方跟误差得到预测精度，当预测精度达到精度阈值时，完成第二随机森林的验证得到最终光谱引导集成模型。
9.根据权利要求8所述的基于光谱引导集成学习的土壤有机碳预测方法，其特征在于，基于土壤有机碳预测值和对应的标签通过决定系数得到预测精度R2为：
其中，n为验证集中的土壤光谱样本个数，yi为第i个土壤光谱样本对应的标签，为第i个土壤光谱样本的土壤有机碳预测值；
或者基于土壤有机碳预测值和对应的标签通过均方跟误差得到预测精度RMSE为：
其中，n为验证集中的土壤光谱样本个数，yi为第i个土壤光谱样本对应的标签，为第i个土壤光谱样本的土壤有机碳预测值。
10.一种基于光谱引导集成学习的土壤有机碳预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机存储器中采用权利要求1～9任一项所述的基于光谱引导集成学习的土壤有机碳光谱预测方法构建的光谱引导集成模型；
所述计算机处理器执行所述计算机程序时实现以下步骤：
将土壤光谱输入光谱引导集成模型得到预测的土壤有机碳含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310738491.9A CN116818687B (zh) | 2023-06-21 | 2023-06-21 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310738491.9A CN116818687B (zh) | 2023-06-21 | 2023-06-21 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116818687A CN116818687A (zh) | 2023-09-29 |
| CN116818687B true CN116818687B (zh) | 2024-02-20 |
Family
ID=88126928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310738491.9A Active CN116818687B (zh) | 2023-06-21 | 2023-06-21 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116818687B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0535700A2 (en) * | 1991-10-04 | 1993-04-07 | The Perkin-Elmer Corporation | Method and apparatus for comparing spectra |
| US6687620B1 (en) * | 2001-08-01 | 2004-02-03 | Sandia Corporation | Augmented classical least squares multivariate spectral analysis |
| JP2006038511A (ja) * | 2004-07-23 | 2006-02-09 | Tokyo Univ Of Agriculture & Technology | 土壌分析方法及び土壌分析装置 |
| CN102798607A (zh) * | 2012-08-13 | 2012-11-28 | 浙江大学 | 一种利用中红外光谱技术估测土壤有机碳含量的方法 |
| CN103884661A (zh) * | 2014-02-21 | 2014-06-25 | 浙江大学 | 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 |
| CN107748144A (zh) * | 2017-11-13 | 2018-03-02 | 中国科学院昆明植物研究所 | 快速测定土壤碳氮及其稳定同位素的中红外光谱检测系统 |
| CN108614601A (zh) * | 2018-04-08 | 2018-10-02 | 西北农林科技大学 | 一种融合随机森林算法的设施光环境调控方法 |
| CN109669023A (zh) * | 2018-12-05 | 2019-04-23 | 浙江大学 | 一种基于多传感器融合的土壤属性预测方法 |
| CN110174359A (zh) * | 2019-05-27 | 2019-08-27 | 生态环境部南京环境科学研究所 | 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 |
| JP2021162532A (ja) * | 2020-04-02 | 2021-10-11 | 株式会社住化分析センター | 情報処理装置、スペクトル解析方法、およびデータベース生成方法 |
| CN113971989A (zh) * | 2021-09-10 | 2022-01-25 | 广西壮族自治区林业科学研究院 | 一种基于opls的森林土壤有机碳含量高光谱建模方法 |
| CN114019082A (zh) * | 2021-11-19 | 2022-02-08 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和系统 |
| CN114740180A (zh) * | 2022-04-07 | 2022-07-12 | 中山大学 | 基于多源遥感数据的土壤有机碳估算方法及装置 |
| CN115015131A (zh) * | 2022-05-27 | 2022-09-06 | 四川启睿克科技有限公司 | 红外光谱训练集样本筛选方法 |
| CN115392120A (zh) * | 2022-08-23 | 2022-11-25 | 桂林理工大学 | 一种基于lstm的土壤有机质含量高光谱建模方法 |
| CN115758270A (zh) * | 2022-11-24 | 2023-03-07 | 浙江大学杭州国际科创中心 | 基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 |
-
2023
- 2023-06-21 CN CN202310738491.9A patent/CN116818687B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0535700A2 (en) * | 1991-10-04 | 1993-04-07 | The Perkin-Elmer Corporation | Method and apparatus for comparing spectra |
| US6687620B1 (en) * | 2001-08-01 | 2004-02-03 | Sandia Corporation | Augmented classical least squares multivariate spectral analysis |
| JP2006038511A (ja) * | 2004-07-23 | 2006-02-09 | Tokyo Univ Of Agriculture & Technology | 土壌分析方法及び土壌分析装置 |
| CN102798607A (zh) * | 2012-08-13 | 2012-11-28 | 浙江大学 | 一种利用中红外光谱技术估测土壤有机碳含量的方法 |
| CN103884661A (zh) * | 2014-02-21 | 2014-06-25 | 浙江大学 | 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 |
| CN107748144A (zh) * | 2017-11-13 | 2018-03-02 | 中国科学院昆明植物研究所 | 快速测定土壤碳氮及其稳定同位素的中红外光谱检测系统 |
| CN108614601A (zh) * | 2018-04-08 | 2018-10-02 | 西北农林科技大学 | 一种融合随机森林算法的设施光环境调控方法 |
| CN109669023A (zh) * | 2018-12-05 | 2019-04-23 | 浙江大学 | 一种基于多传感器融合的土壤属性预测方法 |
| CN110174359A (zh) * | 2019-05-27 | 2019-08-27 | 生态环境部南京环境科学研究所 | 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 |
| JP2021162532A (ja) * | 2020-04-02 | 2021-10-11 | 株式会社住化分析センター | 情報処理装置、スペクトル解析方法、およびデータベース生成方法 |
| CN113971989A (zh) * | 2021-09-10 | 2022-01-25 | 广西壮族自治区林业科学研究院 | 一种基于opls的森林土壤有机碳含量高光谱建模方法 |
| CN114019082A (zh) * | 2021-11-19 | 2022-02-08 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和系统 |
| CN114740180A (zh) * | 2022-04-07 | 2022-07-12 | 中山大学 | 基于多源遥感数据的土壤有机碳估算方法及装置 |
| CN115015131A (zh) * | 2022-05-27 | 2022-09-06 | 四川启睿克科技有限公司 | 红外光谱训练集样本筛选方法 |
| CN115392120A (zh) * | 2022-08-23 | 2022-11-25 | 桂林理工大学 | 一种基于lstm的土壤有机质含量高光谱建模方法 |
| CN115758270A (zh) * | 2022-11-24 | 2023-03-07 | 浙江大学杭州国际科创中心 | 基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于地形因子和随机森林的丘陵区农田土壤有效铁空间分布预测;杨其坡;武伟;刘洪斌;;中国生态农业学报(第03期);全文 * |
| 基于随机森林模型的土壤重金属源解析――以晋中盆地为例;刘斌;郭星;朱宇恩;;干旱区资源与环境(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116818687A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111488926B (zh) | 一种基于优化模型的土壤有机质测定方法 | |
| 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 | |
| CN116818687B (zh) | 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 | |
| CN101915744A (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
| CN103854305A (zh) | 一种基于多尺度建模的模型传递方法 | |
| CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
| CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
| Gholizadeh et al. | Models for estimating the physical properties of paddy soil using visible and near infrared reflectance spectroscopy | |
| CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
| Yu et al. | Prediction of soil properties based on characteristic wavelengths with optimal spectral resolution by using Vis-NIR spectroscopy | |
| CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
| Jia et al. | Prediction of soil organic carbon contents in Tibet using a visible near-infrared spectral library | |
| CN114611582A (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
| Zhang et al. | Retrieval of sun-induced chlorophyll fluorescence using statistical method without synchronous irradiance data | |
| CN111400658A (zh) | 超光谱热红外数据反演气体廓线的通道选择方法 | |
| CN114004147B (zh) | 一种土壤湿润状态下同时预测多种土壤属性的方法 | |
| AU2021102567A4 (en) | Rapid diagnosis method of soil fertility grade based on hyperspectral data | |
| 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 | |
| Ghosh et al. | Regional soil organic carbon prediction models based on a multivariate analysis of the Mid-infrared hyperspectral data in the middle Indo-Gangetic plains of India | |
| Zhao et al. | Prediction of low Zn concentrations in soil from mountainous areas of central Yunnan Province using a combination of continuous wavelet transform and Boruta algorithm | |
| Wangeci et al. | Comparing laser-induced breakdown spectroscopy and visible near-infrared spectroscopy for predicting soil properties: A pan-European study | |
| CN113376107B (zh) | 基于云平台的水质监测系统和方法 | |
| Rusanen et al. | A novel probabilistic source apportionment approach: Bayesian auto-correlated matrix factorization | |
| CN114707119B (zh) | 基于国产超光谱卫星量化大气臭氧污染来源的方法与系统 |
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 |