[发明专利]一种基于LSTM的土壤有机质含量高光谱建模方法

说明书

本发明公开了一种基于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；2）测定中土壤样品的有机质含量和土壤样品的光谱反射率数据；3）对土壤光谱反射率数据进行预处理；4）光谱反射率数据变换；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；6）高光谱预测模型建立；7）模型精度评价。这种方法能够实时、快速、准确预测，具有很好的实际应用价值。

技术领域

本发明涉及土壤光谱采集与分析技术领域，具体是一种基于长短期记忆网络LSTM（Long Short-Term Memory，简称LSTM）的土壤有机质含量高光谱建模方法。

背景技术

土壤有机物(SOM)含量的测量是碳循环研究和森林管理中的一个关键程序。SOM不仅提供作物所需的养分，改善土壤物理结构，还有助于保水保肥，因此，能够快速、准确地估计SOM含量，对于提高粮食产量和帮助农业的可持续发展具有重要意义。然而，传统的SOM含量估算方法成本高、耗时长、工作量大，因此，不能满足当前生产管理的需要。

幸运的是，高光谱遥感技术的发展已经产生了几种新的土壤分析方法。土壤养分含量预测具有广泛的研究和应用基础。随着机器学习的发展，许多新的谱模型回归预测算法不断被提出和应用。由于可见近红外光谱的复杂性，多种方法被应用于土壤光谱的预处理，如 Savitzky-Golay平滑、标准化和归一化方法。采用SG平滑和散射校正相结合的方法对土壤光谱数据进行处理，以最大限度地减少光谱中不相关和无用的信息，增加光谱与测量值之间的相关性。通过选择最佳的预处理方法组合对土壤vis-NIR数据进行处理，不仅可以最大程度地消除干扰因素，而且可以利用各预处理方法之间的互补关系，提高网络模型的预测精度。现有文献中，研究人员多集中于光谱数据的预处理，相关光谱回归模型的建议和改进较少。一种高性能的光谱数据建模方法可以简化光谱数据的预处理要求，也是保证光谱预测准确性的关键。随着回归预测的发展，越来越多的线性回归方法被应用于土壤养分预测，如主成分回归（PCR）和偏最小二乘回归（PLSR）方法。之后，随机森林、遗传算法、最小二乘支持向量机（LS-SVM）和机器学习中的立体主义方法也被用来提高模型预测能力。但是，与传统的数学建模和机器学习方法相比，神经网络模型具有更高的计算效率和更强的建模能力，可以独立地从复杂的光谱数据中提取有效的特征结构进行学习。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于LSTM的土壤有机质含量高光谱建模方法。这种方法能够实时、快速、准确预测，具有很好的实际应用价值。

实现本发明目的的技术方案是：

一种基于LSTM的土壤有机质含量高光谱建模方法， 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；