一种基于多传感器融合的土壤属性预测方法技术

本发明专利技术公开了一种基于多传感器融合的土壤属性预测方法。对采集的土壤样本进行风干、研磨并通过孔筛，然后进行土壤光谱测定，分别测定土壤样本的可见‑近红外光谱、中红外光谱、X射线荧光光谱和激光诱导击穿光谱，光谱数据采用不同的预处理方法进行分别预处理，进行特征波段筛选；建立融合的土壤属性预测模型，构建训练获得每个土壤属性各自对应一种光谱数据的单传感器预测模型，构建训练获得每个土壤属性的融合传感器预测模型，采用融合传感器预测模型和单传感器预测模型进行预测处理。本发明专利技术利用多传感融合技术解决了单一传感器检测土壤属性稳定性低的问题，提高了土壤属性预测精度和稳定性。

A Prediction Method of Soil Attributes Based on Multi-sensor Fusion

The invention discloses a soil attribute prediction method based on multi-sensor fusion. Soil samples were air-dried, ground and sifted through pore, and then soil spectra were determined. The visibility, mid-infrared spectra, X-ray fluorescence spectra and laser-induced breakdown spectra of soil samples were measured respectively. Spectral data were pretreated by different pretreatment methods, and the characteristic band was screened. A single sensor prediction model for each soil attribute is constructed, and a fusion sensor prediction model for each soil attribute is constructed. The fusion sensor prediction model and the single sensor prediction model are used for prediction. The invention solves the problem of low stability of soil attributes detected by a single sensor by using multi-sensor fusion technology, and improves the accuracy and stability of soil attributes prediction.

【技术实现步骤摘要】
一种基于多传感器融合的土壤属性预测方法
本专利技术涉及波谱分析技术、多传感融合技术，尤其涉及了一种基于多传感器融合的土壤属性预测方法。
技术介绍
土壤有机质、pH和全氮是重要的土壤肥力指标，其准确、快速获取，对农田管理、土壤保护等都具有重要意义。传统的测量方法虽然能获取较高精度，但田间土壤取样和实验室化学分析周期长、成本高、过程复杂、实时性差。受实际分析样本数量的限制，很难客观地反映大面积农田的实际土壤养分分布情况。此外，大量的土壤化验分析产生的酸碱废弃物，处理不当也易引起环境污染。而波谱技术监测土壤属性信息具有快速、简便、非接触、不破坏且能同时测量多种土壤属性等优点。各国科学研究人员已经对此进行了大量研究和实验，成果显著。但土壤是一个复杂的综合体，采样区域及采样点的差异都会造成预测模型精度的差异，利用单一传感器建立的预测模型稳定性和普适性低，无法满足土壤复杂性的要求。因此，有学者开始开展利用多传感融合技术进行土壤属性预测研究(Wang,D.,Chakraborty,S.,Weindorf,D.C.2015.SynthesizeduseofVisNIRDRSandPXRFforsoilcharacterization:Totalcarbonandtotalnitrogen.Geoderma,243,pp157-167.)(O'Rourke,S.M.,Stockmann,U.,Holden,N.M.2016.Anassessmentofmodelaveragingtoimprovepredictivepowerofportablevis-NIRandXRFforthedeterminationofagronomicsoilproperties.Geoderma,279,pp31-44.)利用多传感融合进行土壤属性预测已有了一定的发展，但研究仅基于两种传感器的融合，利用可见-近红外光谱、中红外光谱、X射线荧光光谱和激光诱导击穿光谱的融合进行土壤属性预测尚未有公开文献报道。
技术实现思路
为了解决
技术介绍
中存在的问题，本专利技术提供了一种利用多传感器融合技术进行土壤属性预测的方法。本专利技术提出利用以上四种传感器融合技术来进行多种土壤属性的同时预测分析，先利用偏最小二乘回归算法分别建立四种传感器的预测模型，再利用贝叶斯模型平均方法进行四种传感器预测结果的融合，从而得出最后的预测结果，这种思路和方法尚未见公开报道。首先利用遗传–偏最小二乘算法筛选特征波段，从而减少数据冗余，提高运算效率；然后将筛选出的特征波段作为自变量，利用偏最小二乘回归算法建立各单传感的土壤属性预测模型；最后利用贝叶斯模型平均进行四种传感器的融合，得出最后预测结果。本专利技术采用的技术方案的步骤如下：步骤(1)土壤光谱数据获取：对采集的土壤样本进行风干、研磨并通过孔筛，然后进行土壤光谱测定四种光谱，分别测定土壤样本的可见-近红外光谱、中红外光谱、X射线荧光光谱和激光诱导击穿光谱；具体实施中，将土壤样本分为两部分，一部分采用传统化学测定方法测量所有土壤样本的pH、有机质和全氮含量。另一部分用来进行土壤四种光谱测定。两部分共同作为训练集和验证集。步骤(2)光谱数据预处理：将步骤(1)中获取的光谱数据采用不同的预处理方法进行分别预处理；具体实施中，用随机方法将步骤(2)中预处理之后的光谱数据划分为训练集和验证集。步骤(3)特征波段选择：将步骤(2)中预处理之后的光谱数据进行特征波段筛选；步骤(4)建立融合的土壤属性预测模型：利用已知土壤属性的土壤样本经过上述步骤(1)～步骤(3)的处理获得特征波段，将特征波段的光谱数据作为模型的输入，以土壤样本的已知土壤属性作为模型的输出，构建训练获得每个土壤属性各自对应一种光谱数据的单传感器预测模型，单传感器预测模型为一种光谱的特征波段的光谱数据和一种土壤属性的输入输出模型；然后将多种单传感器预测模型的土壤属性预测结果融合共同作为模型的输入，具体是将土壤样本特征波段的光谱数据分别输入到训练后的四种单传感器预测模型获得土壤属性预测结果从中选取至少两种共同作为土壤属性预测模型的输入，以土壤样本的已知土壤属性作为模型的输出，构建训练获得每个土壤属性的融合传感器预测模型，采用融合传感器预测模型和单传感器预测模型共同作为土壤属性预测模型对待测土壤的土壤属性进行预测处理。预测处理时，待测土壤也同样经过步骤(1)～步骤(3)的处理获得特征波段，再输入到土壤属性预测模型中。具体实施中，进一步采用验证集对土壤属性预测模型的预测结果进行精度评价：利用三个模型评价参数对预测模型进行评价，比较各单传感器的预测结果以及融合预测结果。所述步骤(1)中，采用四种近地传感器获取四种不同的土壤光谱数据，分别为可见-近红外光谱、中红外光谱、X射线荧光光谱和激光诱导击穿光谱。所述步骤(1)中，四种不同的光谱采用的过孔筛处理不同，具体为：可见-近红外光谱、中红外光谱、X射线荧光光谱下对土壤样本均通过2mm孔筛，激光诱导击穿光谱下对土壤样本通过0.5mm孔筛并进行压片处理。所述步骤(1)中，每种光谱测定，每个土壤样本均选择三个不同位置的点进行测试，然后取三个点测试的光谱平均值作为最后的光谱数据。所述步骤(2)，具体为：可见-近红外光谱和中红外光谱的预处理均依次采用反射率转换为吸收率、Savitzky-Golay平滑去噪和重采样，吸收率转换由光谱反射率经过log(1/R)得到，其中R为光谱反射率，将转换后的光谱吸收率利用Savitzky-Golay算法进行平滑去噪处理，对平滑去噪处理之后的两种光谱进行重采样处理，可见-近红外光谱的重采样设置为10nm，中红外光谱的重采样设置为8cm-1；X射线荧光光谱的预处理采用Savitzky-Golay平滑去噪；激光诱导击穿光谱的预处理采用重采样为1nm。步骤(2)中针对四种不同光谱采用上述特定不同预处理方式，能减少噪声影响，减少数据冗余。所述步骤(3)中，四种不同光谱特征波段筛选均采用遗传–偏最小二乘算法选择获得，从而减少数据冗余，提高模型精度。所述步骤(4)中，单传感器预测模型采用偏最小二乘回归算法构建并训练；所述单传感器预测模型融合采用贝叶斯模型进行训练，将四种单传感器的预测结果作为自变量。具体公式如下：y＝α+Xβ+ξξ～N(0,σ2)其中，y是各土壤属性化学测量值，y为n×1，其中n是土壤样本的数量，α是截距，X是单传感器预测结果的融合矩阵，即自变量矩阵，X为n×m，m是自变量个数，β是各自变量的系数，ξ是IID分布误差项，其方差为σ2。式中各参数根据四种传感器的预测结果(自变量)和各属性的实测值(因变量)利用贝叶斯方法计算。所述的土壤属性分为pH、有机质和全氮含量，针对不同的土壤属性，采用不同数量和不同光谱的单传感器预测模型进行融合：针对土壤属性为pH，采用将可见-近红外光谱、中红外光谱的单传感器预测模型进行融合处理；针对土壤属性为有机质和全氮含量，采用将可见-近红外光谱、中红外光谱、X射线荧光光谱进行融合处理。具体实施中，模型预测精度统一选用决定系数(R2)、均方根误差(Rootmeansquareerror,RMSE)以及第三四分位数和第一四分位数之差与标准预测误差的比值(Ratioofperformanc本文档来自技高网...

【技术保护点】
1.一种基于多传感器融合的土壤属性预测方法，包括以下步骤：步骤(1)土壤光谱数据获取：对采集的土壤样本进行风干、研磨并通过孔筛，然后进行土壤光谱测定，分别测定土壤样本的可见‑近红外光谱、中红外光谱、X射线荧光光谱和激光诱导击穿光谱；步骤(2)光谱数据预处理：将步骤(1)中获取的光谱数据采用不同的预处理方法进行分别预处理；步骤(3)特征波段选择：将步骤(2)中预处理之后的光谱数据进行特征波段筛选；步骤(4)建立融合的土壤属性预测模型：利用已知土壤属性的土壤样本经过上述步骤(1)～步骤(3)的处理获得特征波段，将特征波段的光谱数据作为模型的输入，以土壤样本的已知土壤属性作为模型的输出，构建训练获得每个土壤属性各自对应一种光谱数据的单传感器预测模型；然后将多种单传感器预测模型的土壤属性预测结果融合共同作为模型的输入，以土壤样本的已知土壤属性作为模型的输出，构建训练获得每个土壤属性的融合传感器预测模型，采用融合传感器预测模型和单传感器预测模型共同作为土壤属性预测模型对待测土壤的土壤属性进行预测处理。

【技术特征摘要】
1.一种基于多传感器融合的土壤属性预测方法，包括以下步骤：步骤(1)土壤光谱数据获取：对采集的土壤样本进行风干、研磨并通过孔筛，然后进行土壤光谱测定，分别测定土壤样本的可见-近红外光谱、中红外光谱、X射线荧光光谱和激光诱导击穿光谱；步骤(2)光谱数据预处理：将步骤(1)中获取的光谱数据采用不同的预处理方法进行分别预处理；步骤(3)特征波段选择：将步骤(2)中预处理之后的光谱数据进行特征波段筛选；步骤(4)建立融合的土壤属性预测模型：利用已知土壤属性的土壤样本经过上述步骤(1)～步骤(3)的处理获得特征波段，将特征波段的光谱数据作为模型的输入，以土壤样本的已知土壤属性作为模型的输出，构建训练获得每个土壤属性各自对应一种光谱数据的单传感器预测模型；然后将多种单传感器预测模型的土壤属性预测结果融合共同作为模型的输入，以土壤样本的已知土壤属性作为模型的输出，构建训练获得每个土壤属性的融合传感器预测模型，采用融合传感器预测模型和单传感器预测模型共同作为土壤属性预测模型对待测土壤的土壤属性进行预测处理。2.根据权利要求1所述的一种基于多传感器融合的土壤属性预测方法，其特征在于：所述步骤(1)中，四种不同的光谱采用的过孔筛处理不同，具体为：可见-近红外光谱、中红外光谱、X射线荧光光谱下对土壤样本均通过2mm孔筛，激光诱导击穿光谱下对土壤样本通过0.5mm孔筛并进行压片处理。3.根据权利要求1所述的一种基于多传感器融合的土壤属性预测方法，其特征在于：所述步骤(1)中，每种光谱测定，每个土壤样本均选择三个不同位置的点进行测试，然后取三...

【专利技术属性】
技术研发人员：史舟，徐冬云，周炼清，洪武斌，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33