[发明专利]一种基于LSTM的土壤有机质含量高光谱建模方法

权利要求书

1.一种基于LSTM的土壤有机质含量高光谱建模方法，其特征在于，包括如下步骤：

1）土壤样品的采集与处理：采集若干样本，样本自然风干、研磨，将样本均匀分为两部分；

2）测定步骤1）中土壤样品的有机质含量和土壤样品的光谱反射率数据：将样本通过0.2nm的土壤筛子过筛，再采用重铬酸钾氧化加热，测定SOM含量，将样本通过0.149nm的土壤筛子，采用ASD FieldSpec1 4 Hi-Res地面物体光谱仪获取高光谱数据，波谱范围包括可见光和近红外区域即波长为350-2500nm范围区域；

3）对步骤2）中土壤光谱反射率数据进行预处理：即去除光谱反射率数据中噪声较大的边缘波段及对光谱反射率数据平滑处理，其中，噪声较大的边缘波段为350-399nm和2401-2500nm波段，所述平滑处理为对光谱反射率数据进行Savitzky-Golay平滑处理；

4）光谱反射率数据变换：将光谱反射率进行一阶微分、二阶微分、标准正态变量和多元散射校正的变换处理；

5）采用机器学习算法和深度学习算法建立土壤有机质预测模型，其中，机器学习算法为偏最小二乘回归和支持向量机，深度学习算法为长短期记忆网络，样本总数4/5作为训练集，1/5为验证集，LSTM模型建立是采用PyCharm软件中keras库采用Python3.8语言进行搭建，PLSR和SVM模型调用sklearn接口中对应的机器学习模块实现，建立R、1DR、2DR、SVN和MSC五种光谱反射率数据与土壤有机质含量之间的反演模型，初始模型检验为采用Origin2021进行数据模型拟合；

6）高光谱预测模型建立：在步骤5）中选出最优模型；

7）模型精度评价：采用决定系数、均方根误差，对步骤5）中建立的土壤有机质预测模型进行评价，确定土壤有机质预测模型的精度、稳定性和预测性能。