一种卷积神经网络土壤碱解氮分析模型构建系统及方法技术方案

本发明专利技术涉及遥感技术与变量施肥技术领域，更具体的说是一种卷积神经网络土壤碱解氮分析模型构建系统及方法，该系统包括以流程化操作的原始数据整理模块、波段变换模块、敏感性分析模块、变换波段分析模块、参数输入模块、卷积神经网络构建模块、模型训练模块、精度评定模块、剔除粗误差模块、模型验证模块、模型保存模块、模型再训练模块和成果图输出模块；可以通过遥感与卷积神经网络的土壤碱解氮分析模型，指导精准全面施肥，从而避免出现施肥过多造成成本投入过大、污染环境，施肥过少导致土壤板结、影响作物生长的问题、破坏土地。破坏土地。破坏土地。

【技术实现步骤摘要】
一种卷积神经网络土壤碱解氮分析模型构建系统及方法


[0001]本专利技术涉及遥感技术与变量施肥
，更具体的说是一种卷积神经网络土壤碱解氮分析模型构建系统及方法。

技术介绍

[0002]学施肥是防止过度施肥引起的环境污染、施肥量不足导致的土壤供养不足影响作物生长、提升农产品品质的有效手段，而科学施肥的基础是精准掌握土壤养分分布，传统的测土方案是利用大量的检测点且检测点过于稀疏，通过以“点”代“面”衡量整片农田土壤碱解氮含量，不能精细的做到“因田实测”，此方法需要现场采集大量的测土数据，不仅样本采集测定的成本高、也消耗大量的人力物力，增加生产成本，精度很难保证。
[0003]随着国内外卫星遥感的迅猛发展，多光谱数据、高光谱数据的卫星影像种类的增多，为我们研究基于多光谱和高光谱数据对土壤碱解氮含量的反演提供了有效的数据支撑。但目前针对土壤中氮含量的反演模型大部分监测的是全氮，而进行科学施肥的重要影响因素是碱解氮，因为碱解氮建模受农业生产环境因素、地形环境、气象因素等影响较大，因此需要更高时间分辨率的影像数据及土壤碱解氮反演模型，因此无法实现种植前的土壤碱解氮分布的快速收取。

技术实现思路

[0004]本专利技术的目的是提供一种卷积神经网络土壤碱解氮分析模型构建系统及方法，可以通过构建分析模型系统，解决农业生产活动、气象因素的影响，高效、准确的获取土壤碱解氮分布数据，为科学施肥提供数据支撑。
[0005]本专利技术的目的通过以下技术方案来实现：
[0006]一种卷积神经网络土壤碱解氮分析模型构建系统，该系统包括以流程化操作的原始数据整理模块、波段变换模块、敏感性分析模块、变换波段分析模块、参数输入模块、卷积神经网络构建模块、模型训练模块、精度评定模块、剔除粗误差模块、模型验证模块、模型保存模块、模型再训练模块和成果图输出模块。
[0007]原始数据整理模块用于根据构建卷积神经网络结构的数据输入结构要求，对土壤样本数据、气象输出、地形数据、土壤类型数据进行分集、转换、封装和标定；
[0008]波段变换模块用于对预处理后影像波段按照固定的公式进行变换，得到变换波段，扩充影像波段信息，提升影像波段的敏感性；
[0009]敏感性分析模块用于分析预处理后影像波段及变换波段对土壤碱解氮的敏感程度，标定输入波段参数；
[0010]参数输入模块用于卷积神经网络结构训练的输入参数变换；
[0011]卷积神经网络构建模块负责构建卷积神经网络结构及封装；
[0012]精度评定模块用于训练卷积神经网络结构精度评定；
[0013]剔除粗误差模块依据精度评定结果剔除较为明显的误差，提升卷积神经网络结构
的训练精度；
[0014]模型验证模块负责验证最终结果精度；
[0015]模型保存模块用于保存最优的土壤碱解氮反演模型；
[0016]模型再训练模块用于继续训练保存的最优的土壤碱解氮反演模型，进一步提升土壤碱解氮反演模型精度；
[0017]成果图输出模块用于将目标区域的土壤碱解氮分布成果图，按影像坐标系及投影进行输出。
[0018]一种卷积神经网络土壤碱解氮分析模型构建方法，该方法包括以下步骤：
[0019]步骤一：按照土壤样本采集技术规范的要求对目标区域土壤样本采集，建立实地采集的土壤碱解氮样本数据库，建立土壤样本采集时间段的气象数据库、地形数据库、土壤类型数据库，利用所述的原始数据整理模块对土壤样本数据、气象输出、地形数据、土壤类型数据进行分集、转换、封装和标定；
[0020]进一步的，进行土壤样本采集为对目标区域土壤样点采集，采用等距采样法采集作业区0～20cm的耕层土壤，采用5分法将土壤充分混合均匀后获取土样；利用GPS获取采样点经度、纬度及高程信息；采样完成后，土壤样本进入实验室进行处理，依据森林土壤氮的测定标准，测定准确的土壤碱解氮含量；获取土壤采集时间段内的最高温度、最低温度、相对湿度和降雨量等信息建立气象数据库；获取目标区域的坡度和海拔高度建立地形数据库；收集目标区域的红壤、黄壤、黄棕壤、黑钙土等建立土壤类型数据库。
[0021]获取农作物播种前，样本采集期间影像数据，包含Landsat8OLI、Sentinel
‑
2和GF
‑
5AHSI，利用波段变换模块内设置的ENVI5.6对获取的影像数据进行辐射定标、大气校正、滤波处理及重采样处理，建立遥感影像数据库。
[0022]步骤二：利用波段变换模块对预处理后影像数据进行数学变换，得到变换波段；
[0023]进一步的，波段变化模块调用商用应用软件中的两种工具进行11种数学变换，其中利用ENVI5.6软件中bandmath工具，进行倒数变换、倒数的对数变换、对数变换、对数的倒数变换和平方根变换；
[0024]利用ENVI5.6软件中的Image Derivative工具，进行一阶导数R
′
、倒数的一阶导数(1/R)
′
、对数的一阶导数(lg
R
)
′
、平方根的一阶导数倒数的对数的一阶导数(lg(1/R))
′
和对数的倒数的一阶导数(1/lg
R
)
′
的运算过程，其中R为影像敏感波段。
[0025]步骤三：通过敏感性分析模块基于土壤碱解氮样本数据库对预处理后的影像波段及变换波段进行敏感性分析，标定输入波段参数；
[0026]进一步的，利用所述敏感性分析模块中基于斯皮尔曼相关性分析算法对经过变换后的波段进行敏感分析，根据软件输出的报表，标注显著性相关，则输出的结果达到0.05显著性水平时或达到0.01显著性水平时，都在报表右上角进行标订，表示比较显著或者极显著；之后选取报表所示的敏感性显著波段作为土壤碱解氮反演模型训练的输入参数，选择3
‑
10个；
[0027]步骤四：利用参数输入模块对土壤碱解氮样本数据库、气象数据库、地形数据库及土壤类型数据库与输入波段参数进行模型参数变换；
[0028]进一步的，根据土壤碱解氮反演模型结构的四维数据输入参数格式要求整合土壤碱解氮反演模型训练输入及目标参数并进行变换与标定；
[0029]步骤五：利用卷积神经网络构建模块进行卷积神经网络；
[0030]步骤六：利用精度评定模块评定卷积神经网络结构训练的精度；
[0031]进一步的，精度评定模块对训练的模型进行精度评价，选择最优的卷积神经网络结构建立土壤碱解氮反演模型；
[0032]步骤七：通过剔除粗误差模块进行粗误差剔除；
[0033]进一步的，剔除粗误差模块剔除训练过程的粗误差，为训练最优的土壤碱解氮反演模型提供有效样本数据；
[0034]步骤八：模型验证模块利用土壤碱解氮数据验证利用土壤碱解氮反演模型反演后数据的精度；
[0035]进一步的，模型验证模块对利用土壤碱解氮反演模型进行预测的土壤碱解氮数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络土壤碱解氮分析模型构建系统，其特征在于：该系统包括以流程化操作的原始数据整理模块、波段变换模块、敏感性分析模块、变换波段分析模块、参数输入模块、卷积神经网络构建模块、模型训练模块、精度评定模块、剔除粗误差模块、模型验证模块、模型保存模块、模型再训练模块和成果图输出模块。2.根据权利要求1所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：原始数据整理模块用于根据构建卷积神经网络的数据输入结构要求，对土壤样本数据、气象数据、地形数据、土壤类型数据进行分集、转换、封装和标定。3.根据权利要求1所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：波段变换模块用于对预处理后影像的波段按照固定的公式进行变换，得到变换段；敏感性分析模块用于分析预处理后的影像波段及变换波段对土壤碱解氮的敏感程度，标定输入波段参数。4.一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：该方法包括以下步骤：步骤一：对目标区域土壤样本采集建立土壤碱解氮样本数据库，建立气象数据库、地形数据库、土壤类型数据库，土壤样本数据、气象数据、地形数据和土壤类型数据通过原始数据整理模块进行分集、转换、封装和标定；步骤二：利用波段变换模块对收集的预处理后影像波段进行数学变换，得到变换波段；步骤三：通过敏感性分析模块基于土壤碱解氮样本数据库对预处理后影像波段及变换波段进行敏感性分析，标定输入波段参数；步骤四：利用参数输入模块对土壤碱解氮样本数据库、气象数据库、地形数据库及土壤类型数据库与输入波段参数进行参数变换；步骤五：利用卷积神经网络构建模块进行卷积神经网络；步骤六：利用精度评定模块评定卷积神经网络模型训练的精度；步骤七：通过剔除粗误差模块进行粗误差剔除；步骤八：模型验证模块利用土壤碱解氮数据验证利用卷积神经网络模型反演后数据的精度；步骤九：模型保存模块保存最优土壤碱解氮反演模型，形成地域化标定土壤碱解氮反演模型；步骤十：模型再训练模块对保存的最优的土壤碱解氮反演模型进行再次训练；步骤十一：成果图输出模块将目标区域的土壤碱解氮分布成果图，按影像坐标系及投影进行输出。5.根据权利要求4所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：土壤样本采集为目标区域土壤样点采集，土壤样本采集时间段内的最高温度、最低温度、相对湿度和降雨量信息建立气象数据库，目标区域的坡度、海拔高度建立地形数据库；目标区域的红壤、黄壤、黄棕壤和黑钙土建立土壤类型数据库。6.根据权利要求4所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：原始影像数据包含Landsat8OLI、Sentinel
‑
2和GF
‑
5AHSI，利用波段变化模块对原始影像数据进行辐射定标、大气校正、滤波处理及重采样处理，建立预处理后影像数据库。7.根据权利要求4所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在
于：通过敏感性分析模块中设置的基于斯皮尔曼相关性分析算法对变换波段进行敏感分析。8.根据权利要求4所述的一种卷积神经网络土壤碱解氮分析模型构建方法，其特征在于：步骤四中根据土壤碱解氮反演模型构结构的四维数据输...

【专利技术属性】
技术研发人员：宋振强，高磊，王众娇，邵文杰，王振宇，曲中华，刘彤，段宝德，
申请(专利权)人：哈尔滨航天恒星数据系统科技有限公司，
类型：发明
国别省市：