CN114529838B - 基于卷积神经网络的土壤含氮量反演模型构建方法及*** - Google Patents
基于卷积神经网络的土壤含氮量反演模型构建方法及*** Download PDFInfo
- Publication number
- CN114529838B CN114529838B CN202210432884.2A CN202210432884A CN114529838B CN 114529838 B CN114529838 B CN 114529838B CN 202210432884 A CN202210432884 A CN 202210432884A CN 114529838 B CN114529838 B CN 114529838B
- Authority
- CN
- China
- Prior art keywords
- soil
- spectrum
- model
- nitrogen content
- total nitrogen
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 334
- 239000002689 soil Substances 0.000 title claims abstract description 257
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 167
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 73
- 238000010276 construction Methods 0.000 title claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 189
- 230000003595 spectral effect Effects 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 7
- 238000009499 grossing Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000011426 transformation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000020774 essential nutrients Nutrition 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于卷积神经网络的土壤含氮量反演模型构建方法及***，所述方法包括：获取遥感影像数据以获取遥感影像范围及土地利用类型样本，将土地利用类型样本进行模型训练获得第一目标模型；将第一目标模型结合遥感影像范围获得土地利用类型空间分布图，从而将影像光谱转换为室内光谱；获取土壤光谱数据，对土壤光谱数据进行光谱预处理从而获取土壤全氮含量，结合室内光谱建立光谱与土壤全氮含量目标模型，从而结合遥感影像范围构建土壤全氮含量空间分布图。上述基于卷积神经网络的土壤含氮量反演模型构建方法，通过将影像光谱转换为室内光谱，进而实现了南方山地丘陵区土壤全氮空间制图，提高了在植被覆盖区进行土壤全氮的空间制图精度。
Description
技术领域
本发明涉及作物生长监测技术领域，特别涉及一种基于卷积神经网络的土壤含氮量反演模型构建方法及***。
背景技术
随着国内外卫星遥感的迅猛发展，多光谱数据、高光谱数据的卫星影像种类的增多，为研究基于多光谱和高光谱数据对土壤碱解氮含量的反演提供了有效的数据支撑。
土壤氮素作为土壤中必须的养分，在植物生长发育过程中起着重要作用，其含量的多少对作物产量和品质起着重要影响。高光谱遥感技术以其光谱分辨率高和波段信息丰富的优点迅速发展起来，在快速估测土壤和作物信息上有其强大的优势，能够为精准农业的实施提供监测依据，有着广泛的研究和应用前景。
目前对土壤地面高光谱的研究较为成熟，但这仅是室内采样点光谱数据的建模，而机载或者星载遥感数据的光谱信息更加复杂，室内光谱反演土壤全氮的模型在推广到遥感影像光谱时可能不太适用，在实际应用过程中还存在一定的局限性。因此，目前可行的方法主要集中在中国东北地表裸露区域，所获得的光谱信息主要为土壤信息，可以成功反演土壤全氮含量，但精度通常低于地面土壤高光谱数据反演。而在中国南方，多为山地丘陵区域，植被覆盖较为茂盛，此时遥感影像数据是植被、土壤和环境要素的综合反映，在反演土壤全氮时存在较多的干扰信息。因此，如何利用遥感影像数据在南方山地丘陵区进行土壤全氮的空间制图是当前亟待尝试以及攻克的难点。
发明内容
基于此，本发明的目的是提供一种基于卷积神经网络的土壤含氮量反演模型构建方法及***，用于解决如何利用遥感影像数据在南方山地丘陵区进行土壤全氮的空间制图的技术问题。
本发明一方面提供一种基于卷积神经网络的土壤含氮量反演模型构建方法，所述方法包括：
获取模型训练数据，所述模型训练数据包括遥感影像数据以及野外土壤样本，根据所述遥感影像数据获取遥感影像范围以及多份土地利用类型样本，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型；
根据所述第一目标模型结合所述遥感影像范围获得土地利用类型空间分布图，根据所述土地利用类型空间分布图获得土地利用分类结果，根据所述土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱；
通过所述野外土壤样本获取土壤光谱数据，对所述土壤光谱数据进行光谱预处理以获得目标土壤光谱数据，通过所述目标土壤光谱数据获取土壤全氮含量，将所述土壤全氮含量及所述室内光谱结合所述卷积神经网络模型建立光谱与土壤全氮含量模型，通过所述目标土壤光谱数据对所述光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型，将所述光谱与土壤全氮含量目标模型结合所述遥感影像范围构建土壤全氮含量空间分布图。
上述基于卷积神经网络的土壤含氮量反演模型构建方法，通过土地利用类型样本对卷积神经网络模型进行模型训练得到第一目标模型，从而获得土地利用类型空间分布图以及土地利用分类结果，再根据土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱；同时通过野外土壤样本获取目标土壤光谱数据以便获得土壤全氮含量，并通过土壤全氮含量以及室内光谱建立光谱与土壤全氮含量模型，从而得到光谱与土壤全氮含量目标模型并结合遥感影像范围构建土壤全氮含量空间分布图；将影像光谱转换为室内光谱，进而实现了南方山地丘陵区土壤全氮空间制图，提高了在植被覆盖区进行土壤全氮的空间制图精度，解决了如何利用遥感影像数据在南方山地丘陵区进行土壤全氮的空间制图的技术问题。
另外，根据本发明上述的基于卷积神经网络的土壤含氮量反演模型构建方法，还可以具有如下附加的技术特征：
进一步地，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型的步骤包括：
将所述土地利用类型样本结合卷积神经网络模型进行模型训练；
结合精度评价指标对训练后的卷积神经网络模型进行精度评价从而获得第一目标模型，所述精度评价指标包括总体分类精度，Kappa系数，生产者精度以及用户精度。
进一步地，根据所述土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱的步骤包括：
通过相关系数法分析影像光谱、室内光谱及土壤全氮含量的相关性；
通过所述相关性结合卷积神经网络模型建立影像光谱与室内光谱的转换关系；
通过所述转换关系将影像光谱转换为室内光谱。
进一步地，对所述土壤光谱数据进行光谱预处理以获得目标土壤光谱数据的步骤之后包括：
通过相关系数法对土壤全氮含量进行筛选以确定土壤全氮的特征波段；
将所述特征波段作为建立光谱与土壤全氮含量模型的模型参数。
进一步地，所述土地利用类型样本包括建模样本及测试样本，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型的步骤包括：
将所述建模样本结合卷积神经网络模型建立第一模型，通过所述测试样本对所述第一模型进行测试从而修正模型分类精度以获得第一目标模型。
进一步地，所述目标土壤光谱数据包括建模样本以及测试样本，通过所述目标土壤光谱数据对所述光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型的步骤包括：
通过所述建模样本对所述光谱与土壤全氮含量模型进行模型训练，通过所述测试样本对训练后的光谱与土壤全氮含量模型进行精度测试，以获得光谱与土壤全氮含量目标模型。
本发明另一方面提供一种基于卷积神经网络的土壤含氮量反演模型构建***，所述***包括：
获取模块，用于获取模型训练数据，所述模型训练数据包括遥感影像数据以及野外土壤样本，根据所述遥感影像数据获取遥感影像范围以及多份土地利用类型样本，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型；
转换模块，用于根据所述第一目标模型结合所述遥感影像范围获得土地利用类型空间分布图，根据所述土地利用类型空间分布图获得土地利用分类结果，根据所述土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱；
构建模块，用于通过所述野外土壤样本获取土壤光谱数据，对所述土壤光谱数据进行光谱预处理以获得目标土壤光谱数据，通过所述目标土壤光谱数据获取土壤全氮含量，将所述土壤全氮含量及所述室内光谱结合所述卷积神经网络模型建立光谱与土壤全氮含量模型，通过所述目标土壤光谱数据对所述光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型，将所述光谱与土壤全氮含量目标模型结合所述遥感影像范围构建土壤全氮含量空间分布图。
附图说明
图1为本发明中卷积神经网络模型的模型图；
图2为本发明中基于卷积神经网络的土壤含氮量反演模型构建方法的原理图；
图3为本发明第一实施例中基于卷积神经网络的土壤含氮量反演模型构建方法的流程图；
图4为本发明第二实施例中基于卷积神经网络的土壤含氮量反演模型构建方法的流程图；
图5为本发明第三实施例中基于卷积神经网络的土壤含氮量反演模型构建***的***框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
卷积神经网络（Convolutional Neural Network，CNN）是应用最为广泛的一种深度学***均值替代原范围的值，以达到减少数据处理量并且保留重要特征信息的目的；全连接层位于卷积层和池化层之后，其作用则是对提取的特征进行非线性组合以得到输出结果。
本申请方案根据深度学习模型结构的灵活性，以及具有强大的特征提取与自主学习能力，首先提出一种基于卷积神经网络的土壤含氮量反演模型构建方法，如图1所示，该模型共包括7层（池化层无需更新权值参数，未算在层数里面），其中卷积层中卷积核数量分别24、24、48、48，采用最大池化层，当1D、2D和3D建模时，卷积核大小分别为（3）、（3, 3）和（3, 3, 3），池化范围分别为（2）、（2, 2）和（2, 2, 2），全连接层神经元数量分别为1000、200。基于该模型，只需要调节模型中的部分参数，就能够实现不同维度的土地利用类型分类、光谱转换和土壤全氮反演建模等功能。将该模型应用于南方山地丘陵区反演土壤全氮含量的技术步骤可以理解为包括5个阶段，分别为数据收集，数据预处理，样本选取，建模方法，精度评价以及结果输出，具体如图2所示。
由于南方山地丘陵区受地形起伏和地类变化差异的影响，土壤全氮的空间异质性较高，使得土壤全氮的建模较为困难，本方案提出了一种连续卷积的CNN模型，能够在南方山地丘陵区实现高精度的土壤全氮空间制图。
具体的，本申请提出了一种连续卷积的CNN模型，尤其是应用CNN光谱转换方法，通过将影像光谱转换为室内光谱，进而实现了南方山地丘陵区土壤全氮空间制图，解决了在植被覆盖区进行土壤全氮的空间制图精度较低的难点。运用连续卷积的CNN模型，提高了土地利用分类、光谱转换和土壤全氮反演的精度。有助于区域农业管理措施的调整以及土地的可持续利用，为实时定量监测南方山地丘陵区土壤全氮含量变化、土壤质量评价、粮食估产等提供基础数据，对实现精准农业目标具有重要意义。
实施例一
请参阅图3，所示为本发明第一实施例中的基于卷积神经网络的土壤含氮量反演模型构建方法，所述方法包括步骤S101-S103：
S101、获取模型训练数据，模型训练数据包括遥感影像数据以及野外土壤样本，根据遥感影像数据获取遥感影像范围以及多份土地利用类型样本，将土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型。
在上述步骤中，将土地利用类型样本结合卷积神经网络模型进行模型训练；结合精度评价指标对训练后的卷积神经网络模型进行精度评价从而获得第一目标模型，精度评价指标包括总体分类精度，Kappa系数，生产者精度以及用户精度。具体的，预选模块可以为CNN模型。
具体的，土地利用类型样本包括建模样本及测试样本，将建模样本结合卷积神经网络模型建立第一模型，通过测试样本对第一模型进行测试从而修正模型分类精度以获得第一目标模型。
S102、根据第一目标模型结合遥感影像范围获得土地利用类型空间分布图，根据土地利用类型空间分布图获得土地利用分类结果，根据土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱。
具体的，通过相关系数法分析影像光谱、室内光谱及土壤全氮含量的相关性；通过相关性结合卷积神经网络模型建立影像光谱与室内光谱的转换关系；通过转换关系将影像光谱转换为室内光谱。
具体的，本方案采用的光谱预处理方法包括3种，分别为Savitzky-Golay平滑法、微分变换法、标准正态变换法。之后将信噪比低的边缘波段350～399 nm和2451～2500 nm去除；最后，为了降低数据维数和减少冗余度，对光谱数据每10 nm间隔取平均值进行重采样，每个样本得到206个波段用于之后的分析。
S103、通过野外土壤样本获取土壤光谱数据，对土壤光谱数据进行光谱预处理以获得目标土壤光谱数据，通过目标土壤光谱数据获取土壤全氮含量，将土壤全氮含量及室内光谱结合卷积神经网络模型建立光谱与土壤全氮含量模型，通过目标土壤光谱数据对光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型，将光谱与土壤全氮含量目标模型结合遥感影像范围构建土壤全氮含量空间分布图。
作为一个具体示例，对土壤光谱数据进行光谱预处理以获得目标土壤光谱数据的步骤之后包括：通过相关系数法对土壤全氮含量进行筛选以确定土壤全氮的特征波段；将特征波段作为建立光谱与土壤全氮含量模型的模型参数。
进一步地，目标土壤光谱数据包括建模样本以及测试样本，通过目标土壤光谱数据对光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型的步骤包括：
通过建模样本对光谱与土壤全氮含量模型进行模型训练，并通过测试样本对训练后的光谱与土壤全氮含量模型进行精度测试，以获得光谱与土壤全氮含量目标模型。
综上，本发明上述实施例当中的基于卷积神经网络的土壤含氮量反演模型构建方法，通过土地利用类型样本对卷积神经网络模型进行模型训练得到第一目标模型，从而获得土地利用类型空间分布图以及土地利用分类结果，再根据土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱；同时通过野外土壤样本获取目标土壤光谱数据以便获得土壤全氮含量，并通过土壤全氮含量以及室内光谱建立光谱与土壤全氮含量模型，从而得到光谱与土壤全氮含量目标模型并结合遥感影像范围构建土壤全氮含量空间分布图；将影像光谱转换为室内光谱，进而实现了南方山地丘陵区土壤全氮空间制图，提高了在植被覆盖区进行土壤全氮的空间制图精度，解决了如何利用遥感影像数据在南方山地丘陵区进行土壤全氮的空间制图的技术问题。
实施例二
请查阅图4，所示为本发明第二实施例中的基于卷积神经网络的土壤含氮量反演模型构建方法，所述方法包括步骤S201-S203：
S201、获取模型训练数据，模型训练数据包括遥感影像数据以及野外土壤样本，根据遥感影像数据获取遥感影像范围以及多份土地利用类型样本，将土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型。
数据收集阶段包括遥感影像数据、相关图件资料数据和野外土壤样本采集。土壤样本在实验室经自然风干、研磨和过筛后，均匀分为两部分，一部分用于测定土壤全氮含量，另一部分采用地物光谱仪获取350～2500 nm范围的土壤光谱数据。
在ArcGIS软件中根据Sentinel-2A影像特征，同时借助第三次全国国土调查成果以及部分现场调查数据，在影像区域内创建不同土地利用类型的样本，然后将样本输入到CNN模型中进行建模，通过建立分类结果的混淆矩阵了解模型分类精度，评价指标包括总体分类精度（Overall Accuracy，OA）（式1）、Kappa系数（式2）、生产者精度（ProducerAccuracy，PA）（式3）及用户精度（User Accuracy，UA）（式4），最后将训练好的模型应用于整个遥感影像范围，得到土地利用类型的空间分布图。
式中，S d 为正确分类的像元数；z为测试样本的像元总数；X jj 表示j土地利用类型被正确分类的像元数；X j* 表示真实j土地利用类型像元总数；X *j 表示被归为j土地利用类型像元总数。
S202、根据第一目标模型结合遥感影像范围获得土地利用类型空间分布图，根据土地利用类型空间分布图获得土地利用分类结果，根据土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱。
利用土地利用分类结果，分析不同土地利用类型的影像光谱特征和室内光谱特征，并且通过Pearson相关系数法分析影像光谱、室内光谱、STN含量（即：土壤全氮含量）三者之间的相关性，在此基础上通过CNN模型建立影像光谱与室内光谱之间的转换关系，将影像光谱转换为室内光谱，精度评价指标包括：均方根误差（RMSE）（式5）、光谱角距离（Spectral Angle Distance，SAD）（式6）、转换后光谱与目标光谱相关系数绝对值的平均（rband绝对值的平均）以及转换后光谱与土壤全氮含量相关系数绝对值的平均（rSTN绝对值的平均）。
式中，b为波段数量；x mi 为目标光谱的第i个波段值；x pi 为测试光谱第i个波段值，xm为目标光谱；xp为测试光谱。
S203、通过野外土壤样本获取土壤光谱数据，对土壤光谱数据进行光谱预处理以获得目标土壤光谱数据，通过目标土壤光谱数据获取土壤全氮含量，将土壤全氮含量及室内光谱结合卷积神经网络模型建立光谱与土壤全氮含量模型，通过目标土壤光谱数据对光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型，将光谱与土壤全氮含量目标模型结合遥感影像范围构建土壤全氮含量空间分布图。
土壤光谱预处理在光谱分析及土壤属性含量估算中具有重要的作用。利用光谱仪在采集土壤光谱信息的过程中，采集的土壤光谱信息除了土壤样品本身的光谱信息，还会受到其他外界信息的干扰，比如仪器本身的噪声、测量光源、测量人员的影响等，会使所获取的光谱中掺杂有其他噪声，无法准确的反应土壤样本特性。为了确保光谱信息的准确性，首先需要对土壤光谱数据进行一定的光谱预处理。本方案采用的光谱预处理方法包括Savitzky-Golay平滑法、微分变换法、标准正态变换法，可根据实际使用情况，将上述三种预处理方法进行组合从而对土壤光谱数据进行预处理，之后将信噪比低的边缘波段350～399 nm和2451～2500 nm去除；最后，为了降低数据维数和减少冗余度，对光谱数据每10 nm间隔取平均值进行重采样，每个样本得到206个波段用于之后的分析。
具体的，Savitzky-Golay平滑法通过多项式来对平滑点与其左右区域范围的数据进行拟合运算，从而达到平滑光谱曲线和降低噪声的目的。
微分变换法采用微分算法通过求导得到函数的近似值，能够有效的提取和放大光谱中隐含的信息，同时降低冗余。
标准正态变换法通过计算所有变量的标准差后，整个样本再由该值进行归一化后产生一个单位的标准差，该方法主要用于表面散射、消除固体颗粒大小以及光程变换对光谱的影响。
土壤光谱数据因为在使用光谱仪采集时受到各种外界干扰信息的影响，会造成采集的光谱数据存在大量的冗余信息；且光谱数据本身波段数多，光谱信息容易重叠。如果在建立估算模型的时候使用全波段数据，建模过程计算量大、建模效率低、耗时长，建模精度也会受到一定的影响，甚至会降低建模精度。因此，筛选土壤属性的敏感波段用于建模是有必要的。本方案通过相关系数法确定土壤全氮的特征波段，相关性越高，波段响应越敏感。因此，对经过预处理后的光谱与土壤全氮含量进行Pearson相关系数分析，并对通过显著性检验以及相关系数绝对值大于0.5的波段作为特征波段，用于反演模型的输入参数。
进一步地，利用ArcGIS软件中地统计模块生成样本数据子集，将采集的土壤样本划分为建模样本和测试样本，然后将转换后的光谱输入到CNN模型中，建立光谱与土壤全氮含量的关系，通过决定系数（R2）（式7）、均方根误差RMSE（式8）、四分位距（IQ）与RMSE比值（RPIQ）（式9）3个指标进行精度评价，最后将训练好的模型应用于整个遥感影像范围，得到土壤全氮含量的空间分布图。
式中，n为样本数量；y mi 和y pi 分别为全氮的实测值和预测值；
为全氮实测值的平均值；IQ为样本实测值第三四分位数（Q3）与第一四分位数（Q1）的差值。
需要指出的是，本发明第二实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例中相应内容。
综上，本发明上述实施例当中的基于卷积神经网络的土壤含氮量反演模型构建方法，通过土地利用类型样本对卷积神经网络模型进行模型训练得到第一目标模型，从而获得土地利用类型空间分布图以及土地利用分类结果，再根据土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱；同时通过野外土壤样本获取目标土壤光谱数据以便获得土壤全氮含量，并通过土壤全氮含量以及室内光谱建立光谱与土壤全氮含量模型，从而得到光谱与土壤全氮含量目标模型并结合遥感影像范围构建土壤全氮含量空间分布图；将影像光谱转换为室内光谱，进而实现了南方山地丘陵区土壤全氮空间制图，提高了在植被覆盖区进行土壤全氮的空间制图精度，解决了如何利用遥感影像数据在南方山地丘陵区进行土壤全氮的空间制图的技术问题。
实施例三
请参阅图5，所示为本发明第三实施例中的基于卷积神经网络的土壤含氮量反演模型构建***，所述***包括：
获取模块，用于获取模型训练数据，所述模型训练数据包括遥感影像数据以及野外土壤样本，根据所述遥感影像数据获取遥感影像范围以及多份土地利用类型样本，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型；
转换模块，用于根据所述第一目标模型结合所述遥感影像范围获得土地利用类型空间分布图，根据所述土地利用类型空间分布图获得土地利用分类结果，根据所述土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱；
构建模块，用于通过所述野外土壤样本获取土壤光谱数据，对所述土壤光谱数据进行光谱预处理以获得目标土壤光谱数据，通过所述目标土壤光谱数据获取土壤全氮含量，将所述土壤全氮含量及所述室内光谱结合所述卷积神经网络模型建立光谱与土壤全氮含量模型，通过所述目标土壤光谱数据对所述光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型，将所述光谱与土壤全氮含量目标模型结合所述遥感影像范围构建土壤全氮含量空间分布图。
综上，本发明上述实施例当中的基于卷积神经网络的土壤含氮量反演模型构建***，通过土地利用类型样本对卷积神经网络模型进行模型训练得到第一目标模型，从而获得土地利用类型空间分布图以及土地利用分类结果，再根据土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱；同时通过野外土壤样本获取目标土壤光谱数据以便获得土壤全氮含量，并通过土壤全氮含量以及室内光谱建立光谱与土壤全氮含量模型，从而得到光谱与土壤全氮含量目标模型并结合遥感影像范围构建土壤全氮含量空间分布图；将影像光谱转换为室内光谱，进而实现了南方山地丘陵区土壤全氮空间制图，提高了在植被覆盖区进行土壤全氮的空间制图精度，解决了如何利用遥感影像数据在南方山地丘陵区进行土壤全氮的空间制图的技术问题。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种基于卷积神经网络的土壤含氮量反演模型构建方法，其特征在于，所述方法包括：
获取模型训练数据，所述模型训练数据包括遥感影像数据以及野外土壤样本，根据所述遥感影像数据获取遥感影像范围以及多份土地利用类型样本，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型；
根据所述第一目标模型结合所述遥感影像范围获得土地利用类型空间分布图，根据所述土地利用类型空间分布图获得土地利用分类结果，根据所述土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱；
通过所述野外土壤样本获取土壤光谱数据，对所述土壤光谱数据进行光谱预处理以获得目标土壤光谱数据，通过所述目标土壤光谱数据获取土壤全氮含量，将所述土壤全氮含量及所述室内光谱结合所述卷积神经网络模型建立光谱与土壤全氮含量模型，通过所述目标土壤光谱数据对所述光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型，将所述光谱与土壤全氮含量目标模型结合所述遥感影像范围构建土壤全氮含量空间分布图；
其中，根据所述土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱的步骤包括：
通过相关系数法分析影像光谱、室内光谱及土壤全氮含量的相关性；
通过所述相关性结合卷积神经网络模型建立影像光谱与室内光谱的转换关系；
通过所述转换关系将影像光谱转换为室内光谱。
2.根据权利要求1所述的基于卷积神经网络的土壤含氮量反演模型构建方法，其特征在于，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型的步骤包括：
将所述土地利用类型样本结合卷积神经网络模型进行模型训练；
结合精度评价指标对训练后的卷积神经网络模型进行精度评价从而获得第一目标模型，所述精度评价指标包括总体分类精度，Kappa系数，生产者精度以及用户精度。
3.根据权利要求1所述的基于卷积神经网络的土壤含氮量反演模型构建方法，其特征在于，对所述土壤光谱数据进行光谱预处理以获得目标土壤光谱数据的步骤之后包括：
通过相关系数法对土壤全氮含量进行筛选以确定土壤全氮的特征波段；
将所述特征波段作为建立光谱与土壤全氮含量模型的模型参数。
4.根据权利要求1所述的基于卷积神经网络的土壤含氮量反演模型构建方法，其特征在于，所述土地利用类型样本包括建模样本及测试样本，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型的步骤包括：
将所述建模样本结合卷积神经网络模型建立第一模型，通过所述测试样本对所述第一模型进行测试从而修正模型分类精度以获得第一目标模型。
5.根据权利要求1所述的基于卷积神经网络的土壤含氮量反演模型构建方法，其特征在于，所述目标土壤光谱数据包括建模样本以及测试样本，通过所述目标土壤光谱数据对所述光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型的步骤包括：
通过所述建模样本对所述光谱与土壤全氮含量模型进行模型训练，通过所述测试样本对训练后的光谱与土壤全氮含量模型进行精度测试，以获得光谱与土壤全氮含量目标模型。
6.一种基于卷积神经网络的土壤含氮量反演模型构建***，其特征在于，所述***包括：
获取模块，用于获取模型训练数据，所述模型训练数据包括遥感影像数据以及野外土壤样本，根据所述遥感影像数据获取遥感影像范围以及多份土地利用类型样本，将所述土地利用类型样本结合卷积神经网络模型进行模型训练以获得第一目标模型；
转换模块，用于根据所述第一目标模型结合所述遥感影像范围获得土地利用类型空间分布图，根据所述土地利用类型空间分布图获得土地利用分类结果，根据所述土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱；
构建模块，用于通过所述野外土壤样本获取土壤光谱数据，对所述土壤光谱数据进行光谱预处理以获得目标土壤光谱数据，通过所述目标土壤光谱数据获取土壤全氮含量，将所述土壤全氮含量及所述室内光谱结合所述卷积神经网络模型建立光谱与土壤全氮含量模型，通过所述目标土壤光谱数据对所述光谱与土壤全氮含量模型进行模型训练以获得光谱与土壤全氮含量目标模型，将所述光谱与土壤全氮含量目标模型结合所述遥感影像范围构建土壤全氮含量空间分布图；
在转换模块中，根据所述土地利用分类结果分析不同土地利用类型的影像光谱特征及室内光谱特征，从而将影像光谱转换为室内光谱的步骤包括：
通过相关系数法分析影像光谱、室内光谱及土壤全氮含量的相关性；
通过所述相关性结合卷积神经网络模型建立影像光谱与室内光谱的转换关系；
通过所述转换关系将影像光谱转换为室内光谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210432884.2A CN114529838B (zh) | 2022-04-24 | 2022-04-24 | 基于卷积神经网络的土壤含氮量反演模型构建方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210432884.2A CN114529838B (zh) | 2022-04-24 | 2022-04-24 | 基于卷积神经网络的土壤含氮量反演模型构建方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114529838A CN114529838A (zh) | 2022-05-24 |
| CN114529838B true CN114529838B (zh) | 2022-07-15 |
Family
ID=81627855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210432884.2A Active CN114529838B (zh) | 2022-04-24 | 2022-04-24 | 基于卷积神经网络的土壤含氮量反演模型构建方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114529838B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115410086A (zh) * | 2022-08-26 | 2022-11-29 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质反演方法、装置以及设备 |
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 |
| CN110263717A (zh) * | 2019-06-21 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种融入街景影像的土地利用类别确定方法 |
| CN112149827A (zh) * | 2020-09-27 | 2020-12-29 | 哈尔滨航天恒星数据***科技有限公司 | 基于卫星影像的土壤速效钾分析模型构建***及方法 |
| CN113435574A (zh) * | 2021-06-22 | 2021-09-24 | 哈尔滨航天恒星数据***科技有限公司 | 一种卷积神经网络土壤速效钾分析模型构建***及方法 |
| CN113866102A (zh) * | 2021-09-24 | 2021-12-31 | 中国地质调查局西安地质调查中心(西北地质科技创新中心) | 一种基于光谱的土壤健康调查监测方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104992068B (zh) * | 2015-08-13 | 2018-10-26 | 四川农业大学 | 一种表层土壤氮素分布的预测方法 |
| CN106650689B (zh) * | 2016-12-30 | 2019-08-27 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
| CN108152235B (zh) * | 2018-03-21 | 2020-09-22 | 中南大学 | 一种联合土壤室内外光谱的重金属含量反演方法 |
| CN110020635A (zh) * | 2019-04-15 | 2019-07-16 | 中国农业科学院农业资源与农业区划研究所 | 基于无人机影像与卫星影像的种植区农作物精细分类方法和*** |
| CN111727443B (zh) * | 2020-05-15 | 2023-10-31 | 安徽中科智能感知科技股份有限公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
| CN112557393B (zh) * | 2020-11-19 | 2024-02-20 | 南京农业大学 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
| CN112836610B (zh) * | 2021-01-26 | 2022-05-27 | 平衡机器科技(深圳)有限公司 | 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 |
| AU2021101780A4 (en) * | 2021-04-07 | 2021-05-27 | Beijing Normal University | Aboveground Biomass Estimation and Scale Conversion for Mean Regional Spectral Units |
| CN114359748A (zh) * | 2021-12-30 | 2022-04-15 | 中国科学院空天信息创新研究院 | 目标分类提取方法及装置 |
| CN114384023A (zh) * | 2022-01-04 | 2022-04-22 | 清华大学 | 土壤砷浓度空间分布反演方法、装置和计算机设备 |
-
2022
- 2022-04-24 CN CN202210432884.2A patent/CN114529838B/zh active Active
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 |
| CN110263717A (zh) * | 2019-06-21 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种融入街景影像的土地利用类别确定方法 |
| CN112149827A (zh) * | 2020-09-27 | 2020-12-29 | 哈尔滨航天恒星数据***科技有限公司 | 基于卫星影像的土壤速效钾分析模型构建***及方法 |
| CN113435574A (zh) * | 2021-06-22 | 2021-09-24 | 哈尔滨航天恒星数据***科技有限公司 | 一种卷积神经网络土壤速效钾分析模型构建***及方法 |
| CN113866102A (zh) * | 2021-09-24 | 2021-12-31 | 中国地质调查局西安地质调查中心(西北地质科技创新中心) | 一种基于光谱的土壤健康调查监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114529838A (zh) | 2022-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zeng et al. | A review of vegetation phenological metrics extraction using time-series, multispectral satellite data | |
| CN106780091B (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
| CN102324098B (zh) | 一种结合实验室定标和均匀景统计的相对辐射定标方法 | |
| CN107607486B (zh) | 一种土壤全氮检测方法及装置 | |
| CN103345707A (zh) | 一种基于多源遥感数据的农作物成熟期遥感预测方法 | |
| 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 | |
| CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
| CN112711989A (zh) | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 | |
| CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
| CN115235997A (zh) | 一种基于卫星高光谱影像的土壤质地反演方法 | |
| CN114202675A (zh) | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及*** | |
| CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
| CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
| CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
| GB2620469A (en) | Spatial prediction and evaluation method of soil organic matter content based on partition algorithm | |
| CN114529838B (zh) | 基于卷积神经网络的土壤含氮量反演模型构建方法及*** | |
| CN111783288A (zh) | 基于Landsat8对黄河三角洲土壤盐分的反演方法 | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、***及存储介质 | |
| CN113553697A (zh) | 基于长时序多源数据的煤炭开采植被扰动分析方法 | |
| CN115641504A (zh) | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 | |
| Zhou et al. | Comparison of inversion method of maize leaf area index based on UAV hyperspectral remote sensing | |
| CN111579565B (zh) | 农业干旱监测方法、***及存储介质 | |
| CN115508292A (zh) | 基于机器学习的土壤剖面氮素含量高光谱检测及可视化方法 | |
| CN115758232A (zh) | 一种基于拟合模型的小麦苗情分类方法及*** | |
| CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240726 Address after: No. 26, North Jintan Avenue, Ganzhou Economic and Technological Development Zone, Ganzhou City, Jiangxi Province, 341000 Patentee after: Jiangxi Youbo Testing Technology Co.,Ltd. Country or region after: China Address before: No. 1101, Zhimin Avenue, Nanchang City, Jiangxi Province Patentee before: JIANGXI AGRICULTURAL University Country or region before: China |