CN113607669A - 一种基于迁移学习的土壤养分光谱检测方法 - Google Patents
一种基于迁移学习的土壤养分光谱检测方法 Download PDFInfo
- Publication number
- CN113607669A CN113607669A CN202110871418.XA CN202110871418A CN113607669A CN 113607669 A CN113607669 A CN 113607669A CN 202110871418 A CN202110871418 A CN 202110871418A CN 113607669 A CN113607669 A CN 113607669A
- Authority
- CN
- China
- Prior art keywords
- soil
- data
- spectrum
- spectral
- nutrient
- 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 160
- 238000001228 spectrum Methods 0.000 title claims abstract description 69
- 235000015097 nutrients Nutrition 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000013526 transfer learning Methods 0.000 title claims abstract description 17
- 230000003595 spectral effect Effects 0.000 claims abstract description 49
- 230000009466 transformation Effects 0.000 claims abstract description 27
- 238000011065 in-situ storage Methods 0.000 claims abstract description 25
- 238000013508 migration Methods 0.000 claims abstract description 17
- 230000005012 migration Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 14
- 235000021049 nutrient content Nutrition 0.000 claims abstract description 13
- 238000011897 real-time detection Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000002310 reflectometry Methods 0.000 claims description 14
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000004856 soil analysis Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 14
- 238000012360 testing method Methods 0.000 description 7
- 238000005527 soil sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000002894 chemical waste Substances 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
-
- 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
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于迁移学习的土壤养分光谱检测方法，涉及土壤分析技术领域，通过降低环境因素的影响提高野外原位土土壤光谱数据检测的准确性；结合迁移学习方法，利用已有实验室干土土壤光谱数据，通过光谱变换减少原位土和干土的光谱的数据分布差异，提高土壤养分回归预测模型的准确性；从而提高野外原位土土壤养分含量实时检测的准确性。设置的检测***缩小了仪器体积、简化了仪器构造组成，方便野外携带、操作，通过钻头取土装置采集土壤样本，通过微型光谱仪芯片获取土壤光谱数据并进行光谱变换，通过回归模型检测土壤养分含量。
Description
技术领域
本发明涉及土壤分析技术领域，特别涉及一种基于迁移学习的土壤养分光谱检测方法。
背景技术
土壤为农作物的生长提供了营养物质和水分，检测土壤中的氮、磷、钾、硼等养分含量，对作物的精准施肥和环境保护具有重要意义。传统手段用化学分析方法测定土壤养分含量，但此方法的成本高、效率低，而且测量周期长、费时费力，还会产生污染环境的化学废物，无法实现对土壤养分含量的快速检测。
而近红外光谱(Near-infrared spectroscopy，NIRS)是一种绿色环保、快速无损的分析技术，优点是不使用化学试剂、无污染、操作简单、稳定性高。将化学计量学方法和近红外光谱技术的结合可以实现对样品的定性和定量分析，因此近年来在土壤养分的快速检测领域得到了非常广泛的应用，正逐步取代传统的化学分析方法。
目前已有用近红外光谱仪测量土壤光谱，主要是将土壤运回实验室进行风干过筛研磨处理后采集光谱，再结合机器学习方法对土壤养分进行建模预测，但所建立的模型在给原位土土壤预测时，会出现预测精度低、模型失效的问题。因为传统机器学习方法假设训练数据与测试数据服从相同的数据分布，而对于实验室处理后土壤和原位土土壤样本，由于原位土光谱检测受土壤中水分、植物根茎杂质等影响，它们的光谱数据反射率有所差异，说明这种同分布假设常常是不满足的。
针对上述问题，本申请提出一种基于迁移学习的土壤养分光谱检测方法，结合迁移学习方法，利用干土光谱数据，通过光谱变换减少原位土土壤和干土的光谱数据分布差异，提高土壤养分回归预测模型的准确性，从而提高野外原位土土壤养分含量实时检测的准确性。
发明内容
本发明的目的在于提供一种基于迁移学习的土壤养分光谱检测方法，结合迁移学习方法，利用干土光谱数据，通过光谱变换减少原位土土壤和干土的光谱数据分布差异，提高土壤养分回归预测模型的准确性，从而提高野外原位土土壤养分含量实时检测的准确性。
本发明提供了一种基于迁移学习的土壤养分光谱检测方法，包括以下步骤：
获取待测土壤；
获取待测土壤的土壤光谱数据；
基于迁移学习中的迁移成分分析算法结合实验室干土光谱数据，对待测土壤光谱数据进行光谱变换，通过对多光谱遥感图像的线性变换，获得新的波段数据，实现在降低数据冗余、压缩数据量的同时保留主要信息、增强有用信息的目的；
将光谱变换后的待测土壤光谱数据导入基于TCA算法的土壤养分与光谱反射率的回归模型，进行土壤养分含量的实时检测；
所述回归模型的构建，包括：
构建土壤光谱数据的源域和目标域；
计算源域和目标域TCA光谱变换后的数据；
使用回归建模算法建立土壤养分与光谱反射率回归模型。
进一步地，所述基于TCA算法的土壤养分与光谱反射率的回归模型，进行土壤养分含量的实时检测，具体包括：
构建土壤光谱数据的源域和目标域；
输入源域和目标域的光谱数据
和
至回归模型中，获得参数L和中心矩阵H；
利用核函数映射得出源域和目标域的核矩阵K；
根据参数L、中心矩阵H和核矩阵K，求(KLK+μI)-1KHK的前m个特征值对应的特征向量，得出源域和目标域TCA光谱变换后的数据，其中μ为平衡参数；
对光谱变换后的源域和目标域数据使用回归建模算法建立土壤养分与光谱反射率回归模型，用于土壤养分含量的检测。
进一步地，所述参数L的计算公式为：
其中，I为全1矩阵。
进一步地，所述中心矩阵H的计算公式为：
其中，
为全1矩阵。
进一步地，所述源域为实验室干土光谱数据，所述目标域为原位土光谱数据。
进一步地，还包括：
对待测土壤进行预处理，其具体为：通过过筛器筛选去除待测土壤中的杂质，并通过USB发热片加热去除待测土壤中的水分。
与现有技术相比，本发明具有如下显著优点：
本发明提供了一种基于迁移学习的土壤养分光谱检测方法，通过降低环境因素的影响提高野外原位土土壤光谱数据检测的准确性；结合迁移学习方法，利用实验室干土土壤光谱数据，通过光谱变换减少原位土和干土的光谱数据分布差异，提高土壤养分回归预测模型的准确性；从而提高野外原位土土壤养分含量实时检测的准确性。设置的检测***缩小了仪器体积、简化了仪器构造组成，方便野外携带、操作，通过取土装置采集土壤样本，通过微型光谱仪芯片获取土壤光谱数据并进行光谱变换，使用回归模型检测土壤养分含量。
附图说明
图1为本发明实施例提供的检测***结构图；
图2为本发明实施例提供的测土装置连接结构图；
图3为本发明实施例提供的筛网结构图。
附图标记说明：1-取土钻头，2-管件，3-过筛器，4-测土盒，5-横轴把手，6-测土装置，7-USB接口，8-光纤，9-反射探头，10-螺杆，11-螺圈，12-垫圈，13-筛网。
具体实施方式
下面结合本发明中的附图，对本发明实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
原位土土壤光谱预测其养分含量问题：①原位土光谱数据采集受水分、植物根茎等杂质影响，其光谱直接用于建模预测的精度不高；②实验室干土光谱建立的模型预测精度高，但给原位土直接使用，会出现模型预测精度低、失效等问题。
迁移学习带来了解决这一问题的动机，迁移学习不要求训练和测试数据必须服从相同分布，它是机器学习中一个重要研究问题，侧重将前期的学习经验适应到新的学习中，提高新的学习效率。基于迁移学习算法实现光谱变换，减少原位土土壤和已有实验室干土的光谱的数据分布差异，并降低水分、杂质等对光谱数据检测影响，提高对原位土养分预测的准确性。并通过集成便携式土壤采集器，使得采土操作便捷，通过钻头采集土壤样本获取其光谱数据，检测土壤养分含量。操作简单便捷，提高了工作效率，并易于推广使用。
本发明提供了一种基于迁移学习的土壤养分光谱检测方法，包括以下步骤：
获取待测土壤；
对待测土壤进行预处理，通过过筛器筛选出待测土壤中的杂质，并加热去除待测土壤中的水分；
通过光谱检测装置获取预处理后待测土壤的土壤光谱数据；
基于迁移学习中的迁移成分分析(Transfer component analysis，TCA)算法结合实验室干土光谱数据对待测土壤光谱数据进行光谱变换，通过对多光谱遥感图像的线性变换，获得新的波段数据，实现在降低数据冗余、压缩数据量的同时保留主要信息、增强有用信息的目的；
将光谱变换后的待测土壤光谱数据导入基于TCA算法的土壤养分与光谱反射率的回归模型进行土壤养分含量的实时检测，具体为：
构建土壤光谱数据的源域和目标域，构建的源域为实验室干土光谱数据，构建的目标域为原位土光谱数据；
输入源域和目标域的光谱数据
和
至回归模型中，
和
为光谱特征向量，ns、nt分别为源域和目标域样本数量，获得参数L和中心矩阵H；
然后在高维的再生核希尔伯特空间(RKHS)中通过最大均值差异(MMD)度量Xs和Xt的边缘分布的距离，距离公式如下：
利用映射φ使得边缘分布的距离最小，但φ通常是高度非线性的，难以寻求，于是将这个距离的最小化问题转化为核学习问题，利用核技巧k(即k(xixj)＝φ(xi)Tφ(xj))可以将公式(3)改写为核矩阵的迹：
Dist(Xs,Xt)＝trace(KL) (4)
式中
是(ns+nt)×(ns+nt)维的复合核矩阵，Ks和Kt分别为核技巧k在源域和目标域中定义的核矩阵；
计算参数L和中心矩阵H，其中：
其中，I为全1矩阵；
其中，
为全1矩阵；
利用核函数映射得出源域和目标域的核矩阵K；
为简化计算，用降维方法构造结果，使用(ns+nt)×m维的
矩阵将对应的特征向量变换到m维，得到的核矩阵如下：
其中，
为(ns+nt)×m维矩阵，m＜＜ns+nt。将公式(5)代入公式(4)中可得：
Dist(Xs,Xt)＝trace((KWWTK)L)＝tr(WTKLKW) (6)
最小化公式(6)，得到的W就表示TCA降维后源域和目标域的光谱矩阵，则转变为求：
s.t.WTKHKW＝Im (7)
其中
为中心矩阵,
为全1矩阵。
其中，μ是一个平衡参数，正则化项tr(WTW)的加入是为了控制W的复杂度，加入约束WTKHKW＝Im是为了避免平凡解(即，W＝0)，最终，通过数学推导得出，W的解即为(KLK+μI)-1KHK的前m个特征值对应的特征向量，将其输出得到源域和目标域TCA转移后的数据，减少了源域和目标域数据分布差异，并可使用传统回归算法建立回归模型；
根据参数L、中心矩阵H和核矩阵K，求(KLK+μI)-1KHK的前m个特征值对应的特征向量，得出源域和目标域TCA光谱变换后的数据，其中μ为平衡参数；
对光谱变换后的源域和目标域数据使用传统的回归建模算法建立土壤养分与光谱反射率回归模型，进行土壤养分的检测。
所述回归模型的构建，包括：
构建土壤光谱数据的源域和目标域；
计算源域和目标域TCA光谱变换后的数据；
使用回归建模算法建立土壤养分与光谱反射率回归模型。
实施例1
在农田耕种前如果能快速无损的分析农田的土壤养分含量，可以帮助农户及时发现农田有无缺素或者农药污染情况，根据分析结果去调整农田的各种养分情况，达到有针对性的种植作物和施肥的目的，帮助农户降低损失，增产增收。
参照图1-图3，一种基于迁移学习的土壤养分光谱检测方法的检测***，包括：
取土装置，包括取土钻头1，所述取土钻头1端部连接管件2，顺势将土样输送入输送管件2，所述管件2内依次设置过筛器3和测土盒4，用于将土样进行体积筛选，小颗粒的土样经过筛分后进入输送测土盒4，所述测土盒4外侧表面设置USB发热片，所述USB发热片与内置电源电连接，用于加热烘干输送测土盒4内部的土样，便于检测，所述管件2端部设置横轴把手5，便于向下施力使得所述取土钻头1获取土样；所述横轴把手5外部设置终端安装座，用于固定终端。
测土装置6，固定在所述管件2内，所述管件2表面设置与所述测土装置6连接的USB接口7，通过USB接口7与固定的终端(如手机)进行连接，或者通过USB接口7与电源连接，手机用于作为主控模块，安装了基于迁移学习的土壤养分光谱检测***软件，软件中存储有基于迁移学习算法TCA的不同类型土壤养分与光谱反射率的回归模型，来实时获取当前被测原位土土壤通过TCA光谱变换后的光谱反射率数据，再调用手机安装的***中基于迁移学习算法TCA的不同类型土壤养分与光谱反射率的回归模型，实现对当前被测土壤养分的实时预测，最终结果显示在手机屏幕上。所述测土装置6内设置光谱检测模块，所述光谱检测模块内设置电源、内置光源和微型光谱仪芯片，所述内置光源和微型光谱仪芯片均与电源电连接，所述光谱检测模块用于对土样进行光谱检测以及对光谱数据进行光谱变换，所述内置光源和微型光谱仪芯片均通过光纤8连接反射探头9，所述反射探头9连接所述测土盒4表面的载玻片，用于采集土样光谱数据，所述微型光谱仪芯片中集成了迁移学习中的迁移成分分析(Transfercomponentanalysis，TCA)算法，进行光谱变换，减少原位土土壤光谱与已有实验室干土光谱的数据分布差异。
所述管件2表面设置替换口，所述替换口内设置螺杆10，所述螺杆10与垫圈12外部安装的螺圈11螺接，所述垫圈12内部填充筛网13。方便替换不同孔径的筛网来自定义过筛土壤孔径，也方便测土盒4中土壤排出。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (6)
1.一种基于迁移学习的土壤养分光谱检测方法，其特征在于，包括以下步骤：
获取待测土壤；
获取待测土壤的土壤光谱数据；
基于迁移学习中的迁移成分分析算法结合实验室干土光谱数据，对待测土壤光谱数据进行光谱变换，获得新的波段数据；
将光谱变换后的待测土壤光谱数据导入基于TCA算法的土壤养分与光谱反射率的回归模型，进行土壤养分含量的实时检测；
所述回归模型的构建，包括：
构建土壤光谱数据的源域和目标域；
计算源域和目标域TCA光谱变换后的数据；
使用回归建模算法建立土壤养分与光谱反射率回归模型。
2.如权利要求1所述的一种基于迁移学习的土壤养分光谱检测方法，其特征在于，所述基于TCA算法的土壤养分与光谱反射率的回归模型，进行土壤养分含量的实时检测，具体包括：
构建土壤光谱数据的源域和目标域；
输入源域和目标域的光谱数据
和
至回归模型中，获得参数L和中心矩阵H；
利用核函数映射得出源域和目标域的核矩阵K；
根据参数L、中心矩阵H和核矩阵K，求(KLK+μI)-1KHK的前m个特征值对应的特征向量，得出源域和目标域TCA光谱变换后的数据，其中μ为平衡参数；
对光谱变换后的源域和目标域数据使用回归建模算法建立土壤养分与光谱反射率回归模型，用于土壤养分含量的检测。
3.如权利要求2所述的一种基于迁移学习的土壤养分光谱检测方法，其特征在于，所述参数L的计算公式为：
其中，I为全1矩阵。
4.如权利要求2所述的一种基于迁移学习的土壤养分光谱检测方法，其特征在于，所述中心矩阵H的计算公式为：
其中，
为全1矩阵。
5.如权利要求2所述的一种基于迁移学习的土壤养分光谱检测方法，其特征在于，所述源域为实验室干土光谱数据，所述目标域为原位土光谱数据。
6.如权利要求1所述的一种基于迁移学习的土壤养分光谱检测方法，其特征在于，还包括：
对待测土壤进行预处理，其具体为：通过过筛器筛选去除待测土壤中的杂质，并通过USB发热片加热去除待测土壤中的水分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110871418.XA CN113607669A (zh) | 2021-07-30 | 2021-07-30 | 一种基于迁移学习的土壤养分光谱检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110871418.XA CN113607669A (zh) | 2021-07-30 | 2021-07-30 | 一种基于迁移学习的土壤养分光谱检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113607669A true CN113607669A (zh) | 2021-11-05 |
Family
ID=78306242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110871418.XA Pending CN113607669A (zh) | 2021-07-30 | 2021-07-30 | 一种基于迁移学习的土壤养分光谱检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113607669A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114088661A (zh) * | 2021-11-18 | 2022-02-25 | 云南省烟草农业科学研究院 | 一种基于迁移学习和近红外光谱的烟叶烘烤过程化学成分在线预测方法 |
| CN117668476A (zh) * | 2023-12-07 | 2024-03-08 | 电子科技大学 | 一种基于近红外光谱和迁移学习的土壤碳酸盐预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103712923A (zh) * | 2013-12-23 | 2014-04-09 | 浙江大学 | 土壤野外原位测量光谱中去除水分影响因素的方法 |
| CN105300897A (zh) * | 2015-11-14 | 2016-02-03 | 华东交通大学 | 一种野外便携式土壤养分快速检测装置 |
| CN105469109A (zh) * | 2015-11-19 | 2016-04-06 | 中国地质大学（武汉） | 一种用于遥感图像分类的基于类心对齐的迁移学习方法 |
| CN212432969U (zh) * | 2020-04-23 | 2021-01-29 | 吉林省林业科学研究院 | 一种便携式土壤养分检测装置 |
| CN112748232A (zh) * | 2020-12-22 | 2021-05-04 | 中国科学院合肥物质科学研究院 | 一种土壤剖面原位重金属分布的实时检测*** |
-
2021
- 2021-07-30 CN CN202110871418.XA patent/CN113607669A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103712923A (zh) * | 2013-12-23 | 2014-04-09 | 浙江大学 | 土壤野外原位测量光谱中去除水分影响因素的方法 |
| CN105300897A (zh) * | 2015-11-14 | 2016-02-03 | 华东交通大学 | 一种野外便携式土壤养分快速检测装置 |
| CN105469109A (zh) * | 2015-11-19 | 2016-04-06 | 中国地质大学（武汉） | 一种用于遥感图像分类的基于类心对齐的迁移学习方法 |
| CN212432969U (zh) * | 2020-04-23 | 2021-01-29 | 吉林省林业科学研究院 | 一种便携式土壤养分检测装置 |
| CN112748232A (zh) * | 2020-12-22 | 2021-05-04 | 中国科学院合肥物质科学研究院 | 一种土壤剖面原位重金属分布的实时检测*** |
Non-Patent Citations (3)
| Title |
|---|
| XIAOLI LI等: "Boosting the generalization ability of Vis-NIR-spectroscopy-based regression models through dimension reduction and transfer learning", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE 》 * |
| ZHENGJUN QIU等: "Transfer learning method for plastic pollution evaluation in soil using NIR sensor", 《SCIENCE OF THE TOTAL ENVIRONMENT》 * |
| 郑文瑞等: "土壤速效磷近红外迁移学习预测方法研究", 《分析测试学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114088661A (zh) * | 2021-11-18 | 2022-02-25 | 云南省烟草农业科学研究院 | 一种基于迁移学习和近红外光谱的烟叶烘烤过程化学成分在线预测方法 |
| CN114088661B (zh) * | 2021-11-18 | 2024-03-29 | 云南省烟草农业科学研究院 | 一种基于迁移学习和近红外光谱的烟叶烘烤过程化学成分在线预测方法 |
| CN117668476A (zh) * | 2023-12-07 | 2024-03-08 | 电子科技大学 | 一种基于近红外光谱和迁移学习的土壤碳酸盐预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Virlet et al. | Field Scanalyzer: An automated robotic field phenotyping platform for detailed crop monitoring | |
| CN101915738B (zh) | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 | |
| CN104931470B (zh) | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 | |
| Zeng et al. | Quantitative visualization of photosynthetic pigments in tea leaves based on Raman spectroscopy and calibration model transfer | |
| CN1837787A (zh) | 一种无损伤精准测定棉花生物物理参数的方法 | |
| CN101210875A (zh) | 基于近红外光谱技术的无损测量土壤养分含量的方法 | |
| CN113607669A (zh) | 一种基于迁移学习的土壤养分光谱检测方法 | |
| CN101210876A (zh) | 基于可见/近红外多光谱成像的水稻养分信息测量方法 | |
| CN101021472A (zh) | 便携式多通道作物叶片氮素营养指标无损监测装置 | |
| CN107607486B (zh) | 一种土壤全氮检测方法及装置 | |
| CN111751376B (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
| CN103278503B (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及*** | |
| CN102564962A (zh) | 果树营养成分检测***及方法 | |
| CN105527246A (zh) | 一种便携式近红外光谱检测*** | |
| Li et al. | Assessing a soil-removed semi-empirical model for estimating leaf chlorophyll content | |
| CN115235997A (zh) | 一种基于卫星高光谱影像的土壤质地反演方法 | |
| CN108613943B (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
| CN101059427A (zh) | 多光谱成像技术快速无损测量茶树含氮量的方法 | |
| Xu et al. | Monitoring ratio of carbon to nitrogen (C/N) in wheat and barley leaves by using spectral slope features with branch-and-bound algorithm | |
| Wang et al. | Rapid detection of chlorophyll content and distribution in citrus orchards based on low-altitude remote sensing and bio-sensors | |
| CN108732137A (zh) | 基于高光谱遥感数据估算植物物种多样性的模型及方法 | |
| Song et al. | Development of crop chlorophyll detector based on a type of interference filter optical sensor | |
| CN205506679U (zh) | 一种便携式近红外光谱检测*** | |
| CN106092961A (zh) | 一种快速检测农产品中化学成分的方法 | |
| Qiong et al. | Field monitoring of wheat seedling stage with hyperspectral imaging |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211105 |