基于可见近红外光谱与多目标融合的土壤快速分类方法技术

本发明专利技术公开了一种基于可见近红外光谱与多目标融合的土壤快速分类方法。首先利用可见近红外光谱仪快速获取土壤剖面不同发生层风干研磨土样的光谱数据，进行平滑去噪后，并将数据集划分为建模集和独立验证集。其次对土壤剖面的土壤系统分类结果及建模集中土壤剖面光谱之间的相关性建立基于径向基核函数的二分类支持向量机模型。然后通过二分类支持向量机模型预测独立验证集，从二分类支持向量机模型中提取每个发生层中所有土壤类型二分类组合的得票数，并加总同一剖面中所有发生层的得票数。最终加总得票最高的土壤类型即为土壤剖面的预测土壤类型。本发明专利技术能够快速准确地预测剖面的土壤类型，为大尺度高精度土壤测绘、土地资源调查提供了新思路。

【技术实现步骤摘要】
基于可见近红外光谱与多目标融合的土壤快速分类方法
本专利技术涉及一种土壤快速分类方法，尤其是涉及一种可见近红外光谱与多目标融合的土壤分类方法。技术背景准确了解土壤资源空间分布对于土壤可持续发展和管理具有十分重要的意义。对于农场主和决策者而言，土壤类型分布的科学认知有助于包括土壤资源的精准管理(比如耕作计划制定和水渠设计)。传统的土壤调查主要包括了实地勘测，实验室分析，专家知识以及后续的分类和制图等环节，因此常常费时费力。随着精准农业的持续发展，精细化的土壤类型图在土壤资源决策中的需求日益提升，传统的土壤调查已经无法满足这一要求，因此我们需要寻求一种更高效经济的技术来解决这个问题。新近发展的近地传感技术如可见近红外光谱技术在自动化制图方面存在着巨大的潜力。目前国际上一致认为可见近红外光谱技术能够以较低的经济成本对土壤属性进行快速、精准和无损的测量(Stenberg等，2010.Stenberg,B.,ViscarraRossel,R.A.,Mouazen,A.M.&Wetterlind,J.Visibleandnearinfraredspectroscopyinsoilscience.AdvancesinAgronomy，2010，107：163—215.)。此外，可见近红外光谱技术还具有同时估测多种土壤物理化学属性的优点。土壤属性能够被土壤可见近红外光谱的机理在于土壤组成部分在其响应波段会有特征吸收峰，目前可见近红外光谱技术已经被广泛用于包括土壤有机碳、颜色，质地和pH等多种土壤属性的预测。如何融合土壤剖面的光谱信息进行土壤分类具有很大的挑战性。目前的研究往往通过某一深度的土壤(如0-20cm)光谱来建立土壤类型的分类模型，这个方法从机理上存在着缺陷，因为土壤分类系统是基于土壤剖面中多个深度的土壤理化属性来判别土壤类型的。为了弥补上述不足，ViscarraRossel和Webster(2011)(ViscarraRossel,R.A.,&Webster,R.2011.DiscriminationofAustraliansoilhorizonsandclassesfromtheirvisible–nearinfraredspectra.EuropeanJournalofSoilScience,62:637—647.)通过平均表层土壤发生层和底层土壤发生层的光谱数据成功将土壤光谱技术用于澳洲土壤类型的分类。Vasques等(2014)(Vasques,G.M.,Demattê,J.A.M.,Rossel,R.A.V.,Ramírez-López,L.,&Terra,F.S.2014.Soilclassificationusingvisible/near-infrareddiffusereflectancespectrafrommultipledepths.Geoderma,223:73—78.)则将三个固定土壤深度(0-20cm，40-60cm和80-100cm)的光谱进行拼接组合成一个新的光谱，然后通过分类模型较好地预测了巴西的土壤类型。上述两个研究的不足在于：1)平均土壤表层和底层的光谱数据会削弱土壤光谱的特征，忽略了不同层次的光谱分类信息，从而导致分类精度降低；2)合并固定土壤深度光谱的方法忽视了土壤分类系统中所用的诊断层来自于土壤发生层这个重要前提，从而降低了土壤分类的科学性。因此将土壤发生层结合可见近红外光谱技术是快速准确土壤分类的一个新方向。目前土壤发生层结合可见近红外光谱技术中存在的一个难题是如何处理不同土壤剖面中土壤发生层数目不统一的现象。在中国土壤系统分类中，大部分土壤剖面往往含有A，B和C三个发生层，但是有些土壤类型比如淋溶土和雏形土仅有A和B层，而新成土仅有A和C层。因此，亟待开发一种新的算法用来融合不同数目土壤发生层可见近红外光谱信息从而进行土壤的快速准确分类。支持向量机是基于结构风险最优化的机器学习算法，可用于分类和回归分析，并能够避免过度拟合。支持向量机由最初的二分类发展而来。
技术实现思路
本专利技术的目的在于提供一种基于可见近红外光谱与多目标融合的土壤快速分类方法，本专利技术采用的技术方案的步骤如下：基于可见近红外光谱与多目标融合的土壤快速分类方法，其包括以下步骤：步骤(1)：采集不同土壤剖面中各个发生层的样本，分析确定每个土壤剖面的土壤类型，形成土壤剖面数据集；步骤(2)：对每个土壤剖面各个发生层的样本进行干燥、研磨过筛，然后使用可见近红外光谱仪和接触式探头(HighIntensityContactProbe,AnalyticalSpectralDevicesInc.,Boulder,Colorado)测量每个土壤剖面各个发生层样本的光谱数据，每个发生层样本测量多组光谱，然后经过算术平均得到该样本的初始光谱；步骤(3)：对步骤(2)中得到的光谱数据进行预处理，去除初始光谱中噪音超标的波段，并对保留下来的光谱数据进行平滑去噪处理；步骤(4)：将土壤剖面数据集中的土壤剖面按照土壤类型进行分区，并对每个分区的土壤剖面进行随机采样，每个土壤类型分区中随机选择预定比例的土壤剖面进入建模集，其余进入独立验证集；建模集和独立验证集中的每个土壤剖面数据中包含该土壤剖面的土壤类型，以及该土壤剖面中各个发生层样本经过平滑去噪处理后的光谱数据；步骤(5)：利用建模集中土壤剖面不同发生层样本的光谱数据以及该发生层样本对应的土壤类型作为训练数据，对二分类支持向量机模型进行训练，使模型能够根据每个发生层样本的光谱预测土壤类型；步骤(6)：利用经过训练的二分类支持向量机模型对独立验证集中每个土壤剖面每个发生层依次投票，每层具体操作如下：对所有可能的n种土壤类型中的任意两种类型进行一次投票，通过二分类支持向量机模型分别得到两种类型的决策值，然后根据决策值确定该两种类型的投票结果，对所有n种土壤类型共得到个投票结果；对投票结果进行统计，得到每种土壤类型投票数，最后汇总同一个土壤剖面的所有发生层中每种土壤类型的得票数，将得票数最高的土壤类型作为该土壤剖面的预测土壤类型；步骤(7)：利用独立验证集中每个土壤剖面的真实土壤类型和预测土壤类型进行对比，评价二分类支持向量机模型的预测精度；当预测精度达标后，即可用经过训练的二分类支持向量机模型进行土壤类预测。作为优选，步骤(2)中，可见近红外光谱仪选择ASDFieldSpec3可见近红外光谱仪，其光谱波长范围为350-2500nm，光谱间隔为1nm。作为优选，步骤(2)中，每次光谱测量前，光谱仪须通过99％反射率的白板进行校正。作为优选，步骤(3)中，对初始光谱的两端进行去除，保留下来的光谱数据为初始光谱中400～2450nm波段。作为优选，通过二阶21窗口的Savitzky–Golay方法对光谱进行平滑去噪，其具体公式如下：其中Zm和zm分别是波长mnm处经过Savitzky–Golay平滑去噪后的光谱值和原始的光谱值，n为平滑窗口大小，Ap是波长m+pnm处对应的卷积系数。作为优选，步骤(4)中，对土壤剖面进行随机分层采样是基于土壤剖面为单位进行的，同一剖面中不同土壤发生层样本必同属于建模集或者独立验证集。作为优选，步骤(5)中，所述的本文档来自技高网...

【技术保护点】
1.一种基于可见近红外光谱与多目标融合的土壤快速分类方法，其特征在于，包括以下步骤：步骤(1)：采集不同土壤剖面中各个发生层的样本，分析确定每个土壤剖面的土壤类型，形成土壤剖面数据集；步骤(2)：对每个土壤剖面各个发生层的样本进行干燥、研磨过筛，然后使用可见近红外光谱仪和接触式探头测量每个土壤剖面各个发生层样本的光谱数据，每个发生层样本测量多组光谱，然后经过算术平均得到该样本的初始光谱；步骤(3)：对步骤(2)中得到的光谱数据进行预处理，去除初始光谱中噪音超标的波段，并对保留下来的光谱数据进行平滑去噪处理；步骤(4)：将土壤剖面数据集中的土壤剖面按照土壤类型进行分区，并对每个分区的土壤剖面进行随机采样，每个土壤类型分区中随机选择预定比例的土壤剖面进入建模集，其余进入独立验证集；建模集和独立验证集中的每个土壤剖面数据中包含该土壤剖面的土壤类型，以及该土壤剖面中各个发生层样本经过平滑去噪处理后的光谱数据；步骤(5)：利用建模集中土壤剖面不同发生层样本的光谱数据以及该发生层样本对应的土壤类型作为训练数据，对二分类支持向量机模型进行训练，使模型能够根据每个发生层样本的光谱预测土壤类型；步骤(6)：利用经过训练的二分类支持向量机模型对独立验证集中每个土壤剖面每个发生层依次投票，每层具体操作如下：对所有可能的n种土壤类型中的任意两种类型进行一次投票，通过二分类支持向量机模型分别得到两种类型的决策值，然后根据决策值确定该两种类型的投票结果，对所有n种土壤类型共得到...

【技术特征摘要】
1.一种基于可见近红外光谱与多目标融合的土壤快速分类方法，其特征在于，包括以下步骤：步骤(1)：采集不同土壤剖面中各个发生层的样本，分析确定每个土壤剖面的土壤类型，形成土壤剖面数据集；步骤(2)：对每个土壤剖面各个发生层的样本进行干燥、研磨过筛，然后使用可见近红外光谱仪和接触式探头测量每个土壤剖面各个发生层样本的光谱数据，每个发生层样本测量多组光谱，然后经过算术平均得到该样本的初始光谱；步骤(3)：对步骤(2)中得到的光谱数据进行预处理，去除初始光谱中噪音超标的波段，并对保留下来的光谱数据进行平滑去噪处理；步骤(4)：将土壤剖面数据集中的土壤剖面按照土壤类型进行分区，并对每个分区的土壤剖面进行随机采样，每个土壤类型分区中随机选择预定比例的土壤剖面进入建模集，其余进入独立验证集；建模集和独立验证集中的每个土壤剖面数据中包含该土壤剖面的土壤类型，以及该土壤剖面中各个发生层样本经过平滑去噪处理后的光谱数据；步骤(5)：利用建模集中土壤剖面不同发生层样本的光谱数据以及该发生层样本对应的土壤类型作为训练数据，对二分类支持向量机模型进行训练，使模型能够根据每个发生层样本的光谱预测土壤类型；步骤(6)：利用经过训练的二分类支持向量机模型对独立验证集中每个土壤剖面每个发生层依次投票，每层具体操作如下：对所有可能的n种土壤类型中的任意两种类型进行一次投票，通过二分类支持向量机模型分别得到两种类型的决策值，然后根据决策值确定该两种类型的投票结果，对所有n种土壤类型共得到投票结果；对投票结果进行统计，得到每种土壤类型投票数，最后汇总同一个土壤剖面的所有发生层中每种土壤类型的得票数，将得票数最高的土壤类型作为该土壤剖面的预测土壤类型；步骤(7)：利用独立验证集中每个土壤剖面的真实土壤类型和预测土壤类型进行对比，评价二分类支持向量机模型的预测精度；当预测精度达标后，即可用经过训练的二分类支持向量机模型进行土壤类预测。2.根据权利要求1所述的基于可见近红外光谱与多目标融合支持向量机的土壤快速分类方法，其特征在于，步骤(2)中，可见近红外光谱仪选择ASDFieldSpec3可见近红外光谱仪，其光谱波长范围为350-2500nm，光谱间隔为1nm。3.根据权利要求1所述的基于可见近红外光谱与多目标融合支持向量机的土壤快速分类方法，其特征在于，步骤(2)中，每次光谱测量前，光谱仪须通过99...

【专利技术属性】
技术研发人员：史舟，陈颂超，贾晓琳，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33