一种基于KNN分类进行土壤剖面类型识别方法技术

本发明专利技术公开了一种基于KNN分类进行土壤剖面类型识别方法，包括以下几个步骤：S1、针对一光谱曲线，提取其波谷特征；S2、针对一光谱曲线，提取其波峰特征；S3、针对训练集和测试集数据，提取土壤光谱曲线波谷特征，存入数据集合c1；S4、针对训练集和测试集数据，经差分求导处理后，提取土壤光谱一阶导数曲线波峰波谷特征,存入数据集合c2；S5、合并数据集合c1、c2，得到属性数据集L，对属性数据集L进行归一化操作后，基于KNN分类方法，进行测试集土壤光谱曲线的土壤类型识别；S6、基于最大占比原则，确定测试集土壤剖面的土壤类型。本方法在超高维分类方面具有更大优势，满足在样本数据维度高、土壤类型较多的情况下使用。

【技术实现步骤摘要】
一种基于KNN分类进行土壤剖面类型识别方法
本专利技术属于土壤遥感领域，具体涉及一种基于最邻近规则(K-NearestNeighbor，简称KNN)进行土壤类型识别的方法。
技术介绍
土壤分类是依据土壤实体性状的综合差异，划分出不同级别的土壤类型，以便因地制宜地推广农业技术和土壤改良技术。对于土壤类型的识别需要获取大量的土体形态、物理、化学乃至生物等诊断信息，其中部分信息(如形态、容重等)可以通过肉眼观察或简单测量得到，但大多数物理、化学信息在传统上需要经过实验室测试分析方可获得。所以，对土壤类型的识别和鉴定通常成本较高，而且需要土壤分类专家的参与。目前，为了满足快速发展的大规模高精度土壤信息需求，快速获取和持续更新土壤信息是土壤资源研究领域的核心研究内容之一。传统方法由于其成本高、效率低，通常存在采样尺度偏大、采样密度偏稀疏、调查频率偏低等问题，难于满足对土壤信息进行动态、快速、低成本获取和更新的需求。土壤的基本物质组成变化既是土壤发生发育过程的反映，是确定土壤诊断指标和类型划分的依据，同时也是影响土壤反射光谱的主要因素。在土壤调查与制图中，利用光谱分析技术实现土壤类型的快速、准确本文档来自技高网...

【技术保护点】
一种基于KNN分类进行土壤剖面类型识别方法，其特征在于包括以下几个步骤：S1、针对一光谱曲线，提取其波谷特征；S2、针对一光谱曲线，提取其波峰特征；S3、针对训练集和测试集数据，提取土壤光谱曲线波谷特征，存入数据集合c1；S4、针对训练集和测试集数据，经差分求导处理后，采用步骤S1和步骤S2方法，提取土壤光谱一阶导数曲线波峰波谷特征,存入数据集合c2；S5、合并步骤S3和步骤S4分别得到的数据集合c1、c2，得到属性数据集L，对属性数据集L进行归一化操作后，基于KNN分类方法，进行测试集土壤光谱曲线的土壤类型识别；S6、基于最大占比原则，确定测试集土壤剖面的土壤类型。

【技术特征摘要】
1.一种基于KNN分类进行土壤剖面类型识别方法，其特征在于包括以下几个步骤：S1、针对一光谱曲线，提取其波谷特征；S2、针对一光谱曲线，提取其波峰特征；S3、针对训练集和测试集数据，提取土壤光谱曲线波谷特征，存入数据集合c1；S4、针对训练集和测试集数据，经差分求导处理后，采用步骤S1和步骤S2方法，提取土壤光谱一阶导数曲线波峰波谷特征,存入数据集合c2；S5、合并步骤S3和步骤S4分别得到的数据集合c1、c2，得到属性数据集L，对属性数据集L进行归一化操作后，基于KNN分类方法，进行测试集土壤光谱曲线的土壤类型识别；S6、基于最大占比原则，确定测试集土壤剖面的土壤类型。2.根据权利要求1所述的基于KNN分类进行土壤剖面类型识别方法，其特征在于，所述步骤S1具体包括：S1.1：波谷提取，利用波谷提取算法提取波谷，并存入集合G＝{gb|b＝0,…,M-1}中，其中，M为波谷数量，gb＝{r'a|a＝0,…,N-1}为一波谷元素集合,N为该波谷中的点的数量；S1.2：波谷特征提取，针对一波谷gb,执行以下操作：a)提取出满足下述条件的最小值点r'min,该点即为该波谷的谷底点；r'min≤r'c(c＝0,..,N-1)其中，r'c为该波谷中任一点处的光谱反射率值；b)根据公式(1)和公式(2)，计算该波谷的深度H和宽度Q；H＝(r'0+r'N-1)/2-r'min(1)Q＝N(2)其中，r'0为波谷起始点值，r'N-1为波谷终止点值。c)循环执行步骤a)至步骤b)，直至完成该光谱曲线所有波谷的特征提取；d)将不同波谷的谷底点波段位置min,谷底点值r'min，波谷深度H和波谷宽度Q逐行保存到矩阵VM*4中。3.根据权利要求1所述的基于KNN分类进行土壤剖面类型识别方法，其特征在于，所述步骤S2具体包括：S2.1：波峰提取，利用波峰提取算法提取波峰，并存入集合G'＝{g'b'|b'＝0,…,M'-1}中，其中M'为波峰数量，g'b'＝{r”a'|a'＝0,…,N'-1}为一波峰元素集合,N'为该波峰中的点数量；S2.2：波峰特征提取，针对一波峰g'b',执行以下操作：a)提取出满足下述条件的最大值点r”max,该点即为该波峰的峰顶点；r”max≥r”c'(c'＝0,..,N'-1)其中，r”c'为该波峰中任一点处的光谱反射率值；b)根据公式(3)和公式(4)，计算该波峰的深度H'和宽度Q'；H'＝(r”0+r”N'-1)/2-r”max(3)Q'＝N'(4)其中，r”0为波峰起始点值，r”N'-1为波峰终止点值。c)循环执行步骤a)至步骤b)，直至完成该光谱曲线所有波峰的特征提取；d)将不同波峰的峰顶点波段位置max,峰顶点值r”max，波峰高度H'和波峰宽度Q'逐行保存到矩阵V'M'*4中。4.根据权利要求1所述的基于KNN分类进行土壤剖面类型识别方法，其特征在于，所述步骤S3具体包括：S3.1:读取训练集和测试集中任一土壤剖面光谱数据，采用等积二次样条插值方法，针对土壤剖面各发生层的反射率值，进行深度插值处理，获得预设距离间隔、不同深度处的土壤光谱反射率T＝{ti,j|i＝0,...,n-1；j＝0,...,m-1}，其中，n表示插值后的土壤光谱曲线数量，m表示土壤光谱波段数，ti,j表示插值所生成的第i条光谱曲线在波段j处的反射率值...

【专利技术属性】
技术研发人员：张文涵，解宪丽，李安波，徐诗宇，
申请(专利权)人：南京师范大学，中国科学院南京土壤研究所，
类型：发明
国别省市：江苏,32