一种土壤全氮光谱估算模型校正样本集构建方法技术

本发明专利技术公开了一种土壤全氮光谱估算模型校正样本集构建方法，首先测量土壤样本的可见‑近红外光谱数据和全氮含量数据；然后对光谱数据进行不同的光谱变换，对光谱变换后数据挑选校正样本集；最后利用偏最小二乘法建立土壤全氮含量估算模型。本发明专利技术方法与以往单纯采用土壤反射光谱进行Kennard‑Stone算法构建校正集样本的方法相比，构建的校正样本集更具有空间代表性，建立的全氮含量估测模型预测能力显著提高，为解决土壤光谱是土壤属性综合体现，难于构建最具目标组分代表性的校正样本集的问题提供了新思路。

Construction method of soil total nitrogen spectral estimation model correction sample set

The invention discloses a soil nitrogen estimation model calibration sample set construction method, the first measurement of soil samples visible near infrared spectral data and nitrogen content data; and then the different spectral transformations of the spectral data of spectrum transform data to select correction samples; and finally establish the estimation model of soil total nitrogen content by using partial least squares method. The method of the invention and purely using the soil reflectance spectra of Kennard Stone algorithm construction method of calibration samples compared to construct calibration sample set with spatial representation, the estimation of nitrogen content significantly improve the prediction ability of the model, in order to solve the soil spectrum is a comprehensive reflection of soil properties, it is difficult to construct the most representative target components the calibration sample set can provide a new way.

【技术实现步骤摘要】
一种土壤全氮光谱估算模型校正样本集构建方法
本专利技术属于光谱分析
，涉及一种土壤全氮光谱估算模型校正样本集构建方法，具体涉及一种结合光谱变换和Kennard-Stone算法的土壤全氮光谱估算模型校正样本集构建方法。
技术介绍
土壤氮素作为土壤重要的化学组分，是衡量土壤肥力的重要指标，同时在全球氮循环中扮演着重要角色。准确、快速、低成本地获取土壤氮素时空分布信息，对促进精准农业发展，保障国家粮食安全，保护自然生态环境均具有重要意义。使用土壤在可见-近红外区间内的反射光谱或光谱指数进行土壤组分含量估算已成为土壤遥感的重要研究方向。该方法较传统的化学分析方法具有操作简单、快速、无污染、成本低等优点，但仍面临着模型预测精度相对较低等问题。在现有提高土壤组分光谱反演模型预测精度的技术方法中，绝大部分相关论著及专利主要关注光谱预处理方法、回归建模方法及土壤水分等外部因素的消除，忽视了校正样本集的构建对土壤组分光谱估算模型预测精度的影响。例如，刘艳芳等(2015)通过构建具有不同层次土壤信息代表性的校正集，探讨了不同校正集构建方法对土壤有机质可见-近红外光谱估算模型预测精度的影响，发现考虑多层次土壤信息代表性的校正集构建方法能够有效提高土壤有机质光谱估算模型的适用性。又如，申请公开号为CN103712923A的专利技术专利申请文件公开了一种土壤野外原位测量光谱中去除水分影响因素的方法，包括如下步骤：(1)野外原位土壤光谱数据的获取；(2)转换样本的选取；(3)计算转换系数；(4)水分影响因素的去除；(5)土壤有机质预测。其中转换样本的选取具体实施为先对土壤样本野外光谱数据进行主成分分析，根据主成分分析结果，再进行Kennard-Stone算法选择出具有代表性的土壤样本作为转换样本。建模样本的选取和校正样本集的构建对土壤全氮含量可见-近红外光谱估算模型稳定性及预测精度具有重要影响。如何在一定成本约束的条件下构建具有代表性的校正样本集关系到土壤全氮含量可见-近红外光谱估算模型的实用性。现有的基于土壤反射光谱信息的样本集构建方法忽视了“土壤反射光谱是多种土壤内在理化属性的外在反映，未必是某一特定土壤组分的最佳指示变量”这一事实，存在先天局限性。对于土壤组分而言，使用不同的光谱变换后的光谱建立的模型预测精度通常要优于基于反射光谱建立的模型。在进行土壤全氮含量光谱估算建模的时候，应尝试使用光谱经过不同光谱变换后的结果作为Kennard-Stone算法的输入数据，进而构建校正样本集。因此，本专利技术提出一种结合光谱变换和Kennard-Stone算法的土壤全氮光谱估算模型校正样本集构建方法。
技术实现思路
本专利技术针对现有技术在使用土壤可见-近红外反射光谱构建土壤全氮含量可见-近红外光谱估算模型校正样本集不够具有代表性的问题，提出了一种结合光谱变换和Kennard-Stone算法的土壤全氮光谱估算模型校正样本集构建方法，该方法与以往直接基于反射光谱构建的校正样本集更具有空间代表性，且其建立的模型预测精度大大提高。本专利技术所采用的技术方案是：一种土壤全氮光谱估算模型校正样本集构建方法，其特征在于，包括以下步骤：步骤1：测量土壤样本的可见-近红外光谱数据和全氮含量数据；步骤2：对光谱数据进行不同的光谱变换，对光谱变换后数据挑选校正样本集；步骤3：利用偏最小二乘法建立土壤全氮含量估算模型。本专利技术提出了结合光谱变换结合Kennard-Stone算法土壤全氮光谱估算模型校正样本集构建方法，该方法与以往直接使用土壤反射光谱结合Kennard-Stone算法构建的校正样本集相比，构建的校正样本集更具有空间代表性，建立的土壤全氮光谱预测模型精度更高。为构建具有目标组分代表性的校正样本集提供了新思路。附图说明图1是本专利技术实施例的流程图。图2是本专利技术实施例构建的校正样本集的空间分布图。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。请见图1，本专利技术提供的一种土壤全氮光谱估算模型校正样本集构建方法，包括以下步骤：步骤1：测量土壤样本的可见-近红外光谱数据和全氮含量数据；本实施例采集湖北省洪湖市西北部滨湖地区耕层水稻土100个土壤样本。采样时，在实验区域每个采样点处约10㎡的范围内采集0-15cm的表层土5份，然后均匀混合在一起，取不少于500g的土壤样本迅速装入自封袋后带回实验室。取回的鲜土样在剔除土壤以外的植物残渣、石块等杂质后，进行自然风干、研磨、过筛，最终得到用于测量反射光谱及氮元素含量的土样。本实施方式采用ASDFieldSpec3地物光谱仪，该光谱仪在350～1000nm之间光谱分辨率为1.4nm，1000～2500nm之间为2nm。测量时将样品平铺在直径为10cm的托盘内，且样品厚度不小于5mm，光源入射角度为45°，距样本中心40cm，光谱仪探头位于土壤样品表面垂直上方15cm。测试之前先用白板校正，测试过程中每测十个样本校正一次，以保证测量稳定。每个样本采集10条光谱曲线，进行算术平均，得到该土样的实际反射数据。本实施例将土壤样本放在一个能控制光照条件的暗室内，采用光谱仪进行土壤光谱分析，在进行土壤光谱分析之前先进行白板校正，每个土壤样本采集多条光谱曲线，通过算术平均后得出该土壤样本的实际反射光谱数据。每个土样的光谱曲线去除噪声较大的350～399nm和2451～2500nm边缘波段，得到各土样的光谱反射率数据。本实施方式采用Hanon公司生产的凯氏定氮仪(型号K9840)，半微量开氏法测定土壤样本的全氮含量；测定的具体步骤是：用硫酸、硒粉、硫酸铜混合溶液对土壤样品进行消化并定容到50ml，用凯氏定氮蒸馏仪蒸馏,用硼酸吸收蒸馏液后再用标准酸滴定，最终计算出土样的全氮含量。表1显示了本次样本土壤全氮含量的统计特征；表1样本土壤全氮含量的统计特征本实施例采用主成分分析法剔除光谱数据异常值，箱型图剔除土壤全氮含量异常值，挑选验证样本集后剩余76个样本用于下一步操作。步骤2：对光谱数据进行不同的光谱变换，对光谱变换后数据挑选校正样本集；首先对光谱数据进行不同的光谱变换，具体包括多元散射校正(MSC)、标准正态变换(SNV)、一阶微分等光谱变换。然后使用Kennard-Stone算法挑选校正样本集，是根据光谱变换后数据空间的欧氏距离选择样本，具体实现包括以下子步骤：步骤2.1：寻找全体样本空间中欧氏距离最远的两个样本，归入校正集；步骤2.2：依次计算全体样本中每个剩余样本到校正集样本的距离，选取每个剩余样本的最短距离，将这些剩余样本最短距离中的最长距离所对应的样本选入校正集；步骤2.3：重复步骤2.2，直至校正集中样本数量和所需38个校正集样本数量一致。并将基于经过标准正态变换(SNV)、多元散射校正(MSC)、一阶微分变换后数据结合Kennard-Stone算法构建的各校正样本集相应地记为SNV_C、MSC_C、FD_C，为比较此方法的有益效果，将不经过光谱变换，直接基于土壤样本反射光谱结合Kennard-Stone算法构建的校正样本集记为Ref_C。各校正样本集的空间分布如图2所示。步骤3：利用偏最小二乘法建本文档来自技高网...

【技术保护点】
一种土壤全氮光谱估算模型校正样本集构建方法，其特征在于，包括以下步骤：步骤1：测量土壤样本的可见‑近红外光谱数据和全氮含量数据；步骤2：对光谱数据进行不同的光谱变换，对光谱变换后数据挑选校正样本集；步骤3：利用偏最小二乘法建立土壤全氮含量估算模型。

【技术特征摘要】
1.一种土壤全氮光谱估算模型校正样本集构建方法，其特征在于，包括以下步骤：步骤1：测量土壤样本的可见-近红外光谱数据和全氮含量数据；步骤2：对光谱数据进行不同的光谱变换，对光谱变换后数据挑选校正样本集；步骤3：利用偏最小二乘法建立土壤全氮含量估算模型。2.根据权利要求1所述的土壤全氮光谱估算模型校正样本集构建方法，其特征在于，步骤1的具体实现包括以下子步骤：步骤1.1：采集研究区土壤样本，测量土壤样本的光谱数据；步骤1.2：用化学方法分析土壤样本的全氮含量。3.根据权利要求2所述的土壤全氮光谱估算模型校正样本集构建方法，其特征在于：步骤1.1中，将土壤样本放在一个能控制光照条件的暗室内，采用光谱仪进行土壤光谱分析，在进行土壤光谱分析之前先进行白板校正，每个土壤样本采集多条光谱曲线，通过算术平均后得出该土壤样本的实际反射光谱数据。4.根据权利要求2所述的土壤全氮光谱估算模型校正样本集构建方法，其特征在于：步骤1.2中，采用半微量开氏法分析土壤样本的全氮含量。5.根据权利要求1所述的土壤全氮光谱估算模型校正样本集构建方法，其特征在于：步骤2中所述对光谱数据进行不同的光谱变换，包括标准正态变换SNV、多元散射校正MSC和一阶微分。6.根据权利要求1所述的土壤全氮光谱估算模型校正样本集构建方法，其特征在于：步骤2中，使用Kennard-Stone算法挑选校正样本集，是根据光谱变换后数据空间的欧氏距离选择样本，具体实现包括以下子步骤：步骤2...

【专利技术属性】
技术研发人员：陈奕云，赵瑞瑛，胡珊，吴子豪，郭凯，刘以，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42