CN117309780B - 土壤锗元素含量的确定方法 - Google Patents

土壤锗元素含量的确定方法 Download PDF

Info

Publication number
CN117309780B
CN117309780B CN202311595170.4A CN202311595170A CN117309780B CN 117309780 B CN117309780 B CN 117309780B CN 202311595170 A CN202311595170 A CN 202311595170A CN 117309780 B CN117309780 B CN 117309780B
Authority
CN
China
Prior art keywords
soil
determining
germanium element
element content
content
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
Application number
CN202311595170.4A
Other languages
English (en)
Other versions
CN117309780A (zh
Inventor
赵宁博
伊丕源
田丰
吴文欢
贺美云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Institute of Uranium Geology
Original Assignee
Beijing Research Institute of Uranium Geology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Research Institute of Uranium Geology filed Critical Beijing Research Institute of Uranium Geology
Priority to CN202311595170.4A priority Critical patent/CN117309780B/zh
Publication of CN117309780A publication Critical patent/CN117309780A/zh
Application granted granted Critical
Publication of CN117309780B publication Critical patent/CN117309780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Immunology (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Food Science & Technology (AREA)
  • Computational Linguistics (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明的实施例涉及土壤元素含量测量技术领域，具体涉及一种土壤锗元素含量的确定方法，其包括步骤：获取待测区域的高光谱数据；获取待测区域内多个采样点处的光谱数据以及土壤的锗元素含量和多个土壤指标；根据采样点的光谱数据、多个土壤指标和锗元素含量，确定多个土壤指标中与锗元素含量相关的土壤指标影响因子以及光谱中与锗元素含量相关的特征波段；根据采样点的锗元素含量、土壤指标影响因子和特征波段对应的光谱数据以及待测区域的高光谱数据，确定待测区域的锗元素含量。使用本申请实施例提供的方法，能够有效提升土壤锗元素含量的高光谱反演精度，满足实际调查需求，提高调查效率。

Description

土壤锗元素含量的确定方法
技术领域
本发明的实施例涉及土壤元素含量测量技术领域，具体涉及一种土壤锗元素含量的确定方法。
背景技术
土壤锗元素含量的传统调查方法是地球化学调查法，具体是通过在待测区域布设一定网度的采样点进行取样分析来获得土壤中锗元素含量。但该方法在实际应用中存在工期长、工序繁琐、人力物力成本较高等诸多问题。而目前成为研究热点的利用高光谱进行元素含量反演的方法，虽然具有时效性强、无损等优势，但该类研究仍属于实验研究性质，在大范围的实际调查需求中难以保证反演精度。
发明内容
鉴于上述问题，本申请提供了一种土壤锗元素含量的确定方法，旨在稳定提升锗元素含量的高光谱反演精度，满足实际调查需求，保证调查效果。
本申请实施例提供一种土壤锗元素含量的确定方法，包括：获取待测区域的高光谱数据；获取待测区域内多个采样点处的光谱数据以及土壤的锗元素含量和多个土壤指标；根据采样点的光谱数据、多个土壤指标和锗元素含量，确定多个土壤指标中与锗元素含量相关的土壤指标影响因子以及光谱中与锗元素含量相关的特征波段；根据采样点的锗元素含量、土壤指标影响因子和特征波段对应的光谱数据以及待测区域的高光谱数据，确定待测区域的锗元素含量。
根据本申请实施例的土壤锗元素含量的确定方法能够有效提升土壤锗元素含量的高光谱反演精度，并实现反演数据全覆盖，满足大范围的实际调查需求。
附图说明
通过下文中参照附图对本发明的实施例所作的描述，本发明的其它目的和优点将显而易见，并可帮助对本发明有全面的理解。
图1是本申请实施例提供的土壤锗元素含量的确定方法的流程图。
图2是本申请实施例提供的确定多个土壤指标中影响锗元素含量的土壤指标影响因子的流程图。
图3是本申请实施例提供的确定光谱中影响锗元素含量的特征波段的流程图。
图4是本申请实施例提供的确定待测区域锗元素含量的流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例的附图，对本申请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的一个实施例，而不是全部的实施例。基于所描述的本申请的实施例，本领域普通技术人员在无需创造性劳动的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。
需要说明的是，除非另外定义，本申请使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。若全文中涉及“第一”、“第二”等描述，则该“第一”、“第二”等描述仅用于区别类似的对象，而不能理解为指示或暗示其相对重要性、先后次序或者隐含指明所指示的技术特征的数量，应该理解为“第一”、“第二”等描述的数据在适当情况下可以互换。若全文中出现“和/或”，其含义为包括三个并列方案，以“A和/或B”为例，包括A方案，或B方案，或A和B同时满足的方案。此外，为了便于描述，在这里可以使用空间相对术语，如“上方”、“下方”、“顶部”、“底部”等，仅用来描述如图中所示的一个器件或特征与其他器件或特征的空间位置关系，应当理解为也包含除了图中所示的方位之外的在使用或操作中的不同方位。
本申请的发明人发现，在利用高光谱进行锗元素含量的确定时，通常是基于地面采样点的光谱数据进行反演，反演之后还需要进行空间插值，使锗元素制图精度受限，进而影响锗元素含量测定的准确度，难以满足大范围的实际调查需求。
为此，本申请的实施例提供一种土壤锗元素含量的确定方法，参照图1，该确定方法包括以下步骤S10至步骤S40。
步骤S10：获取待测区域的高光谱数据。
步骤S20：获取待测区域内多个采样点处的光谱数据以及土壤的锗元素含量和多个土壤指标。
步骤S30：根据采样点的光谱数据、多个土壤指标和锗元素含量，确定多个土壤指标中与锗元素含量相关的土壤指标影响因子以及光谱中与锗元素含量相关的特征波段。
步骤S40：根据采样点的锗元素含量、土壤指标影响因子和特征波段对应的光谱数据以及待测区域的高光谱数据，确定待测区域的锗元素含量。
本实施例的确定方法通过分析待测区域内多个采样点处的光谱数据以及土壤的锗元素含量和多个土壤指标，筛选出与锗元素含量密切相关的土壤指标，再结合光谱中与锗元素含量相关的特征波段，基于获取的航空高光谱数据反演获得待测区域全区的锗元素含量，无需进行空间插值，从而有效提升测定的锗元素含量的精度，提高土壤锗元素含量的调查效率，保证调查效果。
在一些实施例中，在步骤S10中，在获取待测区域的高光谱数据时，可以利用航空高光谱传感器在待测区域进行高光谱数据的采集。
示例地，在某一研究区进行锗元素含量的测定时，可以在该区域内进行高光谱数据采集，所使用的传感器类型可以为CASI/SASI航空高光谱传感器，采集的光谱波段范围为350-2450nm。
在一些实施例中，在步骤S20中，获取待测区域内多个采样点处的光谱数据以及土壤的锗元素含量和多个土壤指标时，可以在步骤S10获取待测区域高光谱数据的同时，对地面多个采样点处进行光谱测量，以获得多个采样点处的光谱数据；并对地面多个采样点的土壤进行采集，对采集的土壤样品进行分析，以获得多个采样点处土壤的锗元素含量和多个土壤指标。
本实施例中，获取高光谱数据以及获取各采样点的光谱数据、土壤参数（例如，锗元素含量、土壤指标）可以同步进行，以保证高光谱数据、地面光谱数据以及土壤参数的时效性一致，保证后续反演的精度。
可选地，在地面多个采样点处进行光谱测量时，光谱测量仪器可以采用ASD地物光谱仪；可以对在采样点处采集的土壤样品进行化学分析，以获得待测区域内多个采样点处土壤的锗元素含量和多个土壤指标。
在一些实施例中，在进行光谱测量和采集土壤样品时，可以在待测区域内按照一定采样间距布设采样网格，每个采样网格内设有一个采样点，在各采样点处进行光谱测量，并采集采样点处的土壤，以获得待测区域内不同位置的土壤样品。
在一些实施例中，多个土壤指标可以包括多个土壤成分含量和多个土壤理化指标。
在一些实施例中，土壤成分含量包括以下至少一种成分的含量：有机质、N、P、K2O、SiO2、Al2O3、Fe2O3、CaO、MgO、Na2O。土壤理化指标包括以下至少一种：阳离子交换量、含盐量、pH、电导率、质地。
图2示出了确定多个土壤指标中影响锗元素含量的土壤指标影响因子的一种实施方式，请参阅图2，在步骤S30中，包括：步骤S301，根据各采样点的光谱数据和多个土壤指标，确定多个土壤指标中的相关土壤指标；步骤S302，根据各采样点的相关土壤指标与锗元素含量，确定相关土壤指标中的土壤指标影响因子。
在一些实施例中，在步骤S301中，确定多个土壤指标中的相关土壤指标包括：根据各采样点的光谱数据和多个土壤指标，分别构建光谱数据与每一个土壤指标的变化关系模型；根据每一个变化关系模型，筛选多个土壤指标中的相关土壤指标。本实施例中通过建立各个土壤指标与光谱数据的关系模型，从而初步筛选出与光谱数据相关的土壤指标，以便于后续根据高光谱数据和筛选出的土壤指标分析锗元素含量。
在一些实施例中，在构建光谱数据与每一个土壤指标的变化关系模型时，可以将步骤S20中获取的各采样点的光谱数据作为自变量，将多个土壤指标作为因变量，分别构建光谱数据与每一项土壤指标的变化关系模型。
可选地，可以利用随机森林法构建变化关系模型，分别构建光谱数据与各项土壤指标的高光谱反演模型。随机森林属于机器学习中的一种集成学习方法，是基于集成学习的思想将多棵决策树集成的一种算法，其基本单元是决策树，所构建的“随机森林”是决策树的集成。其中，每棵决策树都是一个分类器，对于一个输入样本，N棵决策树会产生N个分类投票结果，而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出，即为最终的模型预测结果。
在本实施例中，利用随机森林法分别构建光谱数据与各项土壤指标的高光谱反演模型时，将各采样点处的土壤指标和光谱数据作为样本，在样本中随机有放回的选择训练数据，然后构造分类器，最后组合训练得到的分类器获得随机森林模型，来增加整体分类效果，其预测结果可靠，且预测速度快。构建随机森林模型时只需要确定2个参数：即决策树数目和创建分枝所需变量数目。其中，决策树数目可以设置为10000，创建决策分枝所需变量数目可以设置为4。
在一些实施例中，在根据每一个变化关系模型，筛选多个土壤指标中的相关土壤指标时，可以确定各个变化关系模型的决定系数；根据变化关系模型的决定系数，筛选多个土壤指标中的相关土壤指标。其中，决定系数用于判定变化关系模型的拟合效果和精度，决定系数的取值在0~1之间，决定系数越大，则说明模型的拟合效果越好、精度较高。
在本实施例中，可以根据变化关系模型的决定系数筛选出精度较高的模型对应的土壤指标，以便用于后续构建锗元素含量的确定模型。可选地，可以确定各土壤指标对应的随机森林模型的决定系数R2，根据决定系数筛选出精度较高的模型，筛选依据可以为模型的决定系数R2大于或等于0.6，即，将R2≥0.6的模型对应的土壤指标筛选出来，以作为相关土壤指标。
示例地，对于上述某研究区，可以根据在该研究区中获得的采样点的光谱数据和多个土壤指标，分别构建光谱数据与每一个土壤指标的随机森林模型，根据每一个随机森林模型的决定系数，将决定系数R2大于或等于0.6的模型对应的土壤指标筛选出来，筛选出的相关土壤指标包括：有机质、N、K2O、SiO2、Al2O3、Fe2O3、CaO、MgO、Na2O、阳离子交换量、含盐量、pH。
在一些实施例中，在步骤S302中，根据采样点的相关土壤指标与锗元素含量，确定相关土壤指标中的土壤指标影响因子，包括：根据采样点的相关土壤指标与锗元素含量，分别确定每一个相关土壤指标与锗元素含量的相关系数；对各个相关土壤指标与锗元素含量的相关系数进行显著性检验；根据各个相关土壤指标对应的相关系数和显著性检验结果，筛选相关土壤指标中的土壤指标影响因子。本实施例中对土壤指标与锗元素含量进行相关性分析，从而筛选出与锗元素含量相关的土壤指标；同时，对相关性分析得到的相关系数进行做显著性检验，以剔除因偶然因素或误差产生相关性的土壤指标。
在一些实施例中，在确定每一个相关土壤指标与锗元素含量的相关系数时，可以将步骤S20中获取的多个采样点的锗元素含量与步骤S301中筛选出的相关土壤指标进行相关性分析，确定每一个土壤指标与锗元素含量的相关系数，以判断锗元素含量与每个土壤指标之间的相关性强弱。确定相关系数的表达式如下所示：
其中，r表示相关系数，表示第i个采样点的锗元素含量，/>表示所有采样点的锗元素含量的平均值，/>表示第i个采样点的步骤S301中筛选出的相关土壤指标，/>表示所有采样点的相关土壤指标的平均值。
在一些实施例中，在对相关系数进行显著性检验时，可以对获得的每一个相关土壤指标与锗元素含量的相关系数做显著性检验，以剔除因偶然因素而与锗元素含量产生相关性的土壤指标。
在一些实施例中，在确定相关土壤指标中的土壤指标影响因子时，可以根据相关系数的值及其显著性检验结果，筛选出相关系数满足要求且通过显著性检验的相关系数对应的土壤指标，作为土壤指标影响因子。在一些实施例中，可以将相关系数大于或等于0.3且相关系数通过显著性检验作为依据，确定满足该条件的相关系数对应的土壤指标为土壤指标影响因子。
示例地，对于上述某一研究区，在确定土壤指标影响因子时，可以根据在研究区中获得的采样点的相关土壤指标与锗元素含量，分别确定每一个相关土壤指标与锗元素含量的相关系数，对相关系数进行显著性检验，并将相关系数大于或等于0.3且相关系数通过显著性检验作为依据对土壤指标进行筛选，最终筛选出的土壤指标影响因子包括：有机质、N、K2O、SiO2、Al2O3、Fe2O3、MgO、pH。
需要说明的是，筛选与锗元素相关性密切的土壤成分含量和土壤理化指标，是因为这些土壤指标通常具有更明显的光谱特征，其在最终根据高光谱数据确定整个区域的锗元素含量时能够提供更丰富的信息，以提升确定的锗元素含量的精度。
图3示出了确定光谱中影响锗元素含量的特征波段的一种实施例方式，请参阅图3，在步骤S30中，还包括：步骤S303，根据采样点的光谱数据和锗元素含量，分别确定光谱中各个波段与锗元素含量的相关系数；步骤S304，对各个波段与锗元素含量的相关系数进行显著性检验；步骤S305，根据各个波段对应的相关系数和显著性检验结果，确定光谱中的特征波段。本实施例中，通过对光谱的各个波段与锗元素含量进行相关性分析，从而筛选出与锗元素含量相关的特征波段；同时，对相关性分析得到的相关系数进行做显著性检验，以剔除因偶然因素或误差产生相关性的波段。
在一些实施例中，在步骤S303中，在确定光谱中各个波段与锗元素含量的相关系数时，可以对步骤S20中获取的采样点的光谱数据的光谱特征进行增强处理，以使光谱特征更容易被识别。并将处理后的光谱数据与步骤S20中获取的采样点的锗元素含量进行相关性分析，分别确定光谱中各个波段与锗元素含量的相关系数。可选地，可以对获取的采样点的光谱数据进行包络线去除变换，以对采样点的光谱数据的光谱特征进行增强处理。
其中，确定某一波段与锗元素含量的相关系数的表达式如下所示：
其中，r表示相关系数，表示第i个采样点的锗元素含量，/>表示所有采样点的锗元素含量的平均值，/>表示第i个采样点的该波段对应的光谱数据，/>表示所有采样点的该波段对应的光谱数据的平均值。
在一些实施例中，在步骤S304中，对确定的相关系数进行显著性检验时，可以对步骤S303中获得的光谱中各个波段与锗元素含量的相关系数做显著性检验，以剔除因偶然因素而产生相关性的波段。
在一些实施例中，在步骤S305中，在确定光谱中的特征波段时，可以根据相关系数的值及其显著性检验结果，筛选出相关系数大小满足要求且通过显著性检验的波段作为光谱的特征波段。在一些实施例中，可以将相关系数大于或等于0.3且相关系数通过显著性检验作为依据，确定满足该条件的波段为光谱的特征波段。
示例地，对于上述某研究区，在筛选特征波段时，可以根据在研究区中获得的采样点的光谱数据和锗元素含量，分别确定光谱中各个波段与锗元素含量的相关系数，对相关系数进行显著性检验，并将相关系数大于或等于0.3且相关系数通过显著性检验作为依据对波段进行筛选，最终筛选出的光谱中的特征波段为：660nm、1540nm、2010nm、2210nm、2260nm和2350nm。
需要说明的是，通过确定与锗元素相关性密切的土壤指标与特征波段对应的光谱数据，将其共同作为最终根据高光谱数据确定整个区域的锗元素含量的依据，能够有效提升确定的锗元素含量的精度。
图4示出了确定待测区域锗元素含量的一种实施方式，请参阅图4，在步骤S40中，包括：步骤S401，根据采样点的锗元素含量、土壤指标影响因子和特征波段对应的光谱数据，构建锗元素含量的确定模型；步骤S402，基于锗元素含量的确定模型，根据待测区域的高光谱数据，确定待测区域的锗元素含量。本实施例中通过构建锗元素含量的确定模型，并根据待测区域的高光谱数据反演获得待测区域的锗元素含量，提高了锗元素含量的调查效率及准确度。
在一些实施例中，在步骤S401中，在构建锗元素含量的确定模型时，可以将步骤S302中确定的土壤指标影响因子与步骤S305中确定的特征波段对应的光谱数据共同作为自变量，步骤S20中获取的采样点的锗元素含量作为因变量，构建锗元素含量的确定模型。采用土壤指标影响因子与特征波段对应的光谱数据作为自变量，来构建锗元素含量的确定模型，能够有效提升建模精度，从而提高确定的锗元素含量的准确度。
可选地，可以采用随机森林法构建锗元素含量的高光谱反演模型，其中模型参数中的决策树数目可以为10000，创建分枝所需变量数目为4。
在一些实施例中，在步骤S402中，在确定所述待测区域的锗元素含量时，可以根据待测区域的高光谱数据，确定待测区域的特征波段对应的高光谱数据。并基于锗元素含量的确定模型，根据特征波段对应的高光谱数据，确定待测区域的锗元素含量。
在一些实施例中，在确定所述待测区域的锗元素含量时，可以对高光谱数据进行校正处理，得到待测区域的地物光谱反射率。并根据地物光谱反射率，确定待测区域的锗元素含量。
在一些实施例中，在确定待测区域的锗元素含量时，可以对步骤S10中获取的待测区域的高光谱数据进行校正处理，以获得准确的待测区域的地物光谱反射率。可选地，可以对待测区域的高光谱数据进行辐射校正、几何校正和大气校正处理。辐射校正目的是消除或改正因辐射误差而引起影像亮度畸变；几何校正的目的是消除或改正遥感影像几何误差；大气校正的目的是消除大气和光照等因素对地物反射的影响。
示例地，对于上述某研究区，在确定该研究区锗元素含量时，首先对在研究区中获得的高光谱数据进行辐射校正、几何校正和大气校正，再将校正后得到的地物光谱反射率数据输入至构建的确定锗元素含量的随机森林模型中，得到研究区全区的锗元素含量。具体地，先对高光谱数据进行辐射校正和几何校正。再利用大气辐射传输模型与地空回归相结合的方式对高光谱数据进行大气校正和光谱重建，其中，首先利用FLAASH大气辐射传输模型进行初步的大气校正，再利用地面黑、白定标布的光谱数据进一步进行大气校正，最终获得待测区域的地物光谱反射率数据。
对于本发明的实施例，还需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种土壤锗元素含量的确定方法，其特征在于，包括以下步骤：
获取待测区域的高光谱数据；
获取所述待测区域内多个采样点处的光谱数据以及土壤的锗元素含量和多个土壤指标；
根据所述采样点的所述光谱数据、多个土壤指标和锗元素含量，确定所述多个土壤指标中与所述锗元素含量相关的土壤指标影响因子以及光谱中与所述锗元素含量相关的特征波段；
根据所述采样点的锗元素含量、土壤指标影响因子和所述特征波段对应的光谱数据以及所述待测区域的高光谱数据，确定所述待测区域的锗元素含量；
所述根据所述采样点的所述光谱数据、多个土壤指标和锗元素含量，确定所述多个土壤指标中影响所述锗元素含量的土壤指标影响因子以及光谱中影响所述锗元素含量的特征波段，包括：
根据各所述采样点的所述光谱数据和多个土壤指标，确定所述多个土壤指标中与所述光谱数据相关的相关土壤指标；
根据各所述采样点的所述相关土壤指标与锗元素含量，确定所述相关土壤指标中的土壤指标影响因子；
所述根据所述采样点的所述光谱数据和多个土壤指标，确定所述多个土壤指标中与所述光谱数据相关的相关土壤指标，包括：
根据所述采样点的所述光谱数据和多个土壤指标，分别构建所述光谱数据与每一个所述土壤指标的变化关系模型；
确定每一个所述变化关系模型的决定系数；
根据所述变化关系模型的决定系数，筛选所述多个土壤指标中的相关土壤指标；
所述根据所述采样点的所述相关土壤指标与锗元素含量，确定所述相关土壤指标中的土壤指标影响因子，包括：
根据所述采样点的所述相关土壤指标与锗元素含量，分别确定每一个所述相关土壤指标与锗元素含量的相关系数；
对各个所述相关土壤指标与所述锗元素含量的相关系数进行显著性检验；
根据各个所述相关土壤指标对应的所述相关系数和所述显著性检验结果，筛选所述相关土壤指标中的土壤指标影响因子；
所述根据所述采样点的所述光谱数据、多个土壤指标和锗元素含量，确定所述多个土壤指标中影响所述锗元素含量的土壤指标影响因子以及光谱中影响所述锗元素含量的特征波段，还包括：
根据所述采样点的所述光谱数据和锗元素含量，分别确定光谱中各个波段与锗元素含量的相关系数；
对各个所述波段与所述锗元素含量的相关系数进行显著性检验；
根据各个所述波段对应的所述相关系数和所述显著性检验结果，确定所述光谱中的特征波段。
2.根据权利要求1所述的方法，其特征在于，
根据所述相关系数大于或等于0.3且所述相关系数通过所述显著性检验，确定所述相关系数对应的所述相关土壤指标为所述土壤指标影响因子。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述土壤指标包括多个土壤成分含量和多个土壤理化指标。
4.根据权利要求1所述的方法，其特征在于，
根据所述相关系数大于或等于0.3且所述相关系数通过所述显著性检验，确定所述相关系数对应的波段为所述特征波段。
5.根据权利要求1所述的方法，其特征在于，所述根据所述采样点的锗元素含量、土壤指标影响因子和所述特征波段对应的光谱数据以及所述待测区域的高光谱数据，确定所述待测区域的锗元素含量，包括：
根据所述采样点的锗元素含量、土壤指标影响因子和所述特征波段对应的光谱数据，构建所述锗元素含量的确定模型；
基于所述锗元素含量的确定模型，根据所述待测区域的高光谱数据，确定所述待测区域的锗元素含量。
6.根据权利要求5所述的方法，其特征在于，
根据所述待测区域的高光谱数据，确定所述待测区域的特征波段对应的高光谱数据；
基于所述锗元素含量的确定模型，根据所述特征波段对应的高光谱数据，确定所述待测区域的锗元素含量。
7.根据权利要求5所述的方法，其特征在于，还包括：
对所述高光谱数据进行校正处理，得到所述待测区域的地物光谱反射率；
根据所述地物光谱反射率，确定所述待测区域的锗元素含量。
CN202311595170.4A 2023-11-27 2023-11-27 土壤锗元素含量的确定方法 Active CN117309780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311595170.4A CN117309780B (zh) 2023-11-27 2023-11-27 土壤锗元素含量的确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311595170.4A CN117309780B (zh) 2023-11-27 2023-11-27 土壤锗元素含量的确定方法

Publications (2)

Publication Number Publication Date
CN117309780A CN117309780A (zh) 2023-12-29
CN117309780B true CN117309780B (zh) 2024-02-06

Family

ID=89255516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311595170.4A Active CN117309780B (zh) 2023-11-27 2023-11-27 土壤锗元素含量的确定方法

Country Status (1)

Country Link
CN (1) CN117309780B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095562A (zh) * 2015-05-29 2015-11-25 中国石油天然气股份有限公司 一种预测土壤轻烃指标的方法及装置
CN105547366A (zh) * 2015-12-30 2016-05-04 东北农业大学 微小型无人机农作物信息获取与施肥灌溉指导装置
CN108593606A (zh) * 2017-12-20 2018-09-28 江苏地质矿产设计研究院 一种利用原子荧光光谱测试煤中锗含量的方法
CN112683813A (zh) * 2020-12-31 2021-04-20 核工业北京地质研究院 一种硬岩型铀矿山土壤污染信息高光谱提取方法
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
CN114660105A (zh) * 2022-04-08 2022-06-24 成都理工大学 土壤重金属Cd含量反演方法、***、介质、计算机设备
WO2023097399A1 (en) * 2021-12-03 2023-06-08 Terramera, Inc. Systems and methods for predicting soil carbon content

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095562A (zh) * 2015-05-29 2015-11-25 中国石油天然气股份有限公司 一种预测土壤轻烃指标的方法及装置
CN105547366A (zh) * 2015-12-30 2016-05-04 东北农业大学 微小型无人机农作物信息获取与施肥灌溉指导装置
CN108593606A (zh) * 2017-12-20 2018-09-28 江苏地质矿产设计研究院 一种利用原子荧光光谱测试煤中锗含量的方法
CN112683813A (zh) * 2020-12-31 2021-04-20 核工业北京地质研究院 一种硬岩型铀矿山土壤污染信息高光谱提取方法
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
WO2023097399A1 (en) * 2021-12-03 2023-06-08 Terramera, Inc. Systems and methods for predicting soil carbon content
CN114660105A (zh) * 2022-04-08 2022-06-24 成都理工大学 土壤重金属Cd含量反演方法、***、介质、计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于高光谱成像的区域尺度植烟土壤有机质 含量和 pH 值估测;张恒 等;烟草科技;第1-15页 *
黑土地硒含量的航空高光谱综合反演模型;赵宁博 等;测绘科学;第46卷(第6期);第128-135页 *

Also Published As

Publication number Publication date
CN117309780A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
Lehnert et al. Hyperspectral data analysis in R: The hsdar package
Darvishzadeh et al. Inversion of a radiative transfer model for estimation of rice canopy chlorophyll content using a lookup-table approach
CN110132862B (zh) 小麦赤霉病检测专属病情指数构建方法及其应用
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
CN104198396B (zh) 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
CN111968080A (zh) 一种基于高光谱和深度学习的肥城桃内外品质检测方法
CN113866102B (zh) 一种基于光谱的土壤健康调查监测方法
CN110333195A (zh) 植物叶片水分含量检测方法及装置
Shu et al. Improving the estimation accuracy of SPAD values for maize leaves by removing UAV hyperspectral image backgrounds
CN103854305A (zh) 一种基于多尺度建模的模型传递方法
CN115372282B (zh) 一种基于无人机高光谱影像的农田土壤含水量监测方法
CN114120132A (zh) 一种气象和红边波段遥感结合的农作物估产方法和装置
CN114676636A (zh) 一种综合植被和生境特征的草原区土壤水分快速反演方法
CN113570538A (zh) 一种叶片rgb图像偏态分布参数信息采集及分析方法
CN116046692A (zh) 一种基于高光谱的土壤重金属污染监测方法和装置
CN113252583A (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
US20110150290A1 (en) Method and apparatus for predicting information about trees in images
US20240099179A1 (en) Machine learning-based hyperspectral detection and visualization method of nitrogen content in soil profile
CN117309780B (zh) 土壤锗元素含量的确定方法
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
CN104198397A (zh) 氮磷钾交互作用下温室作物营养含量检测的方法
CN116911183A (zh) 岩溶湿地水体叶绿素a反演的方法、***、设备及介质
CN115855860A (zh) 一种茶叶干燥过程中的水分含量预测方法及处理终端
Zhou et al. Hyperspectral imaging technology for detection of moisture content of tomato leaves
CN116148210A (zh) 水果品质检测方法及装置

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