一种基于特征选择算法的土壤有机质估算方法及系统技术方案

本发明专利技术公开了一种基于特征选择算法的土壤有机质估算方法及系统，所述土壤有机质估算方法包括以下步骤，步骤（A）土壤样品数据的采集和预处理，步骤（B）图像选择和预处理，步骤（C）光谱指数的构建，步骤（D）基于特征选择算法的土壤有机质估算模型构建。该基于特征选择算法的土壤有机质估算方法及系统，利用谷歌地球引擎平台强大的数据处理能力和充足的卫星图像数据，并采用土壤样本训练方法，得到随机森林回归模型，使用特征选择算法对不同时期合成图像的全部光谱特征进行分析，并据此绘制出大尺度、高分辨率的土壤有机质空间分布图，能够选择出低噪声、强相关、无冗余的特征子集，提高区域土壤有机质含量的估算精度和制图速度。区域土壤有机质含量的估算精度和制图速度。区域土壤有机质含量的估算精度和制图速度。

【技术实现步骤摘要】
一种基于特征选择算法的土壤有机质估算方法及系统


[0001]本专利技术涉及土壤有机质无损检测
，具体为一种基于特征选择算法的土壤有机质估测方法及系统。

技术介绍

[0002]有机质含量是土壤肥力最重要的综合评价指标之一。当前针对土壤有机质的检测多为实验室化学分析方法，这种方法需要涉及现场采集土壤样品，再送往实验室分析，经过一定时间的检测才能得到相关结果。同时，土壤有机质常常分布不均匀且处于动态变化之中，单次离散的土壤样本很难反映整体区域有机质的情况。可见，传统的实验室有机质分析方法不仅费时费力，还难以及时获取土壤有机质含量的变化，这不能满足现代农业对作物精细栽培和合理施肥高效管理的迫切需求。
[0003]光谱技术是近年来兴起的一项新技术，它已经初步应用到土壤有机质含量检测领域。不过，当前基于反射光谱技术的土壤有机质含量检测存在以下问题：目前基于光谱的土壤有机质含量估算多使用光谱反射率、反射率一阶微分、反射率倒数对数、反射率倒数对数一阶微分等光谱反射率变化等作为估算模型参数；目前基于反射光谱的土壤有机质含量估算多采用神经网络、CARS算法、蝙蝠算法（BA）、多元线性回归等方法构建模型。这些模型参数和方法相对比较复杂，计算参数多、计算耗时长，实际应用操作可能存在较大困难，且这些方法多是基于单一时期光谱图像进行的含量估算，存在单一时期土壤异常值对模型预测带来较大偏差的风险。因此亟需一种新型的参数简单且建模方法容易，能结合多时相光谱图像的土壤有机质含量估算方法。
[0004]针对上述问题，在原有土壤有机质估算方法的基础上进行创新设计。

技术实现思路

[0005]本专利技术的目的在于提供一种基于特征选择算法的土壤有机质估算方法及系统，避免了传统实验室化学分析方法费时费力的不足，与其它光谱技术相比，具有参数简单、建模方法容易，能结合多时相光谱信息，且突出了光谱参数和特征优化的有效性，对大尺度、高空间分辨率的土壤有机质制图精度高的特点。
[0006]为实现上述专利技术目的，本专利技术提供如下技术方案：一种基于特征选择算法的土壤有机质估算方法，包括以下步骤：步骤（A）土壤样品数据的采集和预处理；步骤（B）图像选择和预处理；步骤（C）光谱指数的构建；步骤（D）基于特征选择算法的土壤有机质估算模型构建优选的，所述步骤（A）中土壤采样除了表层土壤（0
‑
10cm）还需扩展到剖面土壤(20
‑
40cm)采样，保证土壤样点有机质含量的代表性和准确性；（1）通过将目标农用地划分为30m
×
30m的网格，每个网格独立采样，网格内根据土
壤类型和地形差异选择有代表性的采样点，为建立适合该地区的土壤有机质预测模型提供光谱特征的训练和验证样本。
[0007]（2）通过在网格区域内采集有代表性5～6个子样本并将其充分混合，可以获得代表该网格内土壤的平均有机质含量。
[0008]（3）将土壤样品自然风干、除杂，研磨通过2毫米筛子，后采用重铬酸钾法等方法测定样品中的有机质含量。
[0009]优选的，步骤（B）图像选择和预处理：通过谷歌地球引擎（GEE）平台，采用目标区域裸地时期所有可用白天（DOY）80
‑
180 Landsat
‑
8或者Sentinel
‑
2的大气校正表面反射率图（SR）为原始图像。为了提高土壤有机质预测模型的准确性，减少极端异常值的不利影响，对原始多期SR图的像素进行中位数合成，生成新的合成图像，从合成图像中获得相对稳定的土壤像素来预测有机质含量；（1）采用目标区所有可用白天（DOY）80
‑
180内Landsat
‑
8的大气校正表面反射率（SR）为原始图像，将Landsat
‑
8 SR产品的pixel_qa波段作为云掩模，生成裸土期无云覆盖的Landsat
‑
8图像，然后对所有裸土期无云Landsat8图像的像素进行中位数合成，生成新的Landsat
‑
8合成图像，从合成图像中获得相对稳定的土壤像素来预测有机质含量；（2）采用目标区所有可用白天（DOY）80
‑
180内 Sentinel
‑
2的大气校正表面反射率（SR）为原始图像，将Sentinel
‑
2 SR产品的qa60波段作为云掩模，生成裸土期无云覆盖的Sentinel
‑
2图像，然后对所有裸土期无云Sentinel
‑
2图像的像素进行中位数合成，生成新的Sentinel
‑
2合成图像，从合成图像中获得相对稳定的土壤像素来预测有机质含量；优选的，所述步骤（C）光谱指数的构建：在土壤有机质预测中，仅考虑图像波段的反射率很难提供足够的有效信息，运用归一化差分指数（NDI）、比值指数（RI）和差分指数（DI）等光谱指数可以抑制由地形和大气反射引起的某些误差，降低土壤水分、粗糙度和大气对土壤有机质含量预测的影响；NDI、RI和DI方程如下：NDI=（P
i
‑ꢀ
P
j
）/（P
i
+ P
j
）RI= P
i
/P
j
DI=P
i
‑
P
j
其中，P
i
是第i个波段， P
j
是第j个波段；利用上述公式，对Landsat
‑
8 合成图像或者Sentinel
‑
2合成图像生成所需的光谱指数。
[0010]优选的，所述步骤（D）基于特征选择算法的土壤有机质估算模型构建：（1）所述特征选择算法的土壤有机质估算系统，可采用R语言中的Boruta软件包，通过Boruta算法对合成图像的光谱指数进行特征选择。该算法迭代地删除经统计检验证明的相关性较低的特征；（2）所述特征选择算法的土壤有机质估算系统，可采用R语言中的caret软件包，通过递归特征消除（RFE）算法对合成图像的光谱指数进行特征选择。该算法重复构造一个给定的模型，并根据系数值选择最佳（或最差）特征，然后将其移除。对剩余特征重复该过程，直到遍历所有特征。该过程中的消除顺序是特征的顺序；（3）所述土壤有机质估算模型，为随机森林回归模型。所述随机森林回归模型采用
GEE平台内置的ee.Classifier.smileRandomForest函数进行计算。
[0011]优选的，所述特征选择Boruta算法计算步骤为：（1）首先，该算法通过创建混合副本的所有特征（即阴影特征）向给定数据集添加随机性；（2）然后，Boruta训练通过随机森林分类/回归获得的扩展数据集，并采用特征重要性度量（默认设置为平均减少精度）来评估每个特征的重要性；（3）在每次迭代中，算法评估真实特征是否比最佳阴影特征更重要（即，特征得分是否高于最佳阴影特征得分），并不断删除被认为不重要的特征；（4） 最后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征选择算法的土壤有机质估算方法，其特征在于：所述土壤有机质估算方法包括以下步骤：步骤（A）土壤样品数据的采集和预处理；步骤（B）图像选择和预处理；步骤（C）光谱指数的构建；步骤（D）基于特征选择算法的土壤有机质估算模型构建。2.根据权利要求1所述的一种基于特征选择算法的土壤有机质估算方法，其特征在于：所述步骤（A）中土壤采样除了表层土壤（0
‑
10cm）还需扩展到剖面土壤(20
‑
40cm)采样，保证土壤样点有机质含量的代表性和准确性；（1）通过将目标农用地划分为30m
×
30m的网格，每个网格独立采样，网格内根据土壤类型和地形差异选择有代表性的采样点，为建立适合该地区的土壤有机质预测模型提供光谱特征的训练和验证样本；（2）通过在网格区域内采集有代表性5～6个子样本并将其充分混合，可以获得代表该网格内土壤的平均有机质含量；（3）将土壤样品自然风干、除杂，研磨通过2毫米筛子，后采用重铬酸钾法等方法测定样品中的有机质含量。3.根据权利要求1所述的一种基于特征选择算法的土壤有机质估算方法，其特征在于：步骤（B）图像选择和预处理：通过谷歌地球引擎（GEE）平台，采用目标区域裸地时期所有可用白天（DOY）80
‑
180 Landsat
‑
8或者Sentinel
‑
2的大气校正表面反射率图（SR）为原始图像；为了提高土壤有机质预测模型的准确性，减少极端异常值的不利影响，对原始多期SR图的像素进行中位数合成，生成新的合成图像，从合成图像中获得相对稳定的土壤像素来预测有机质含量；（1）采用目标区所有可用白天（DOY）80
‑
180内Landsat
‑
8的大气校正表面反射率（SR）为原始图像，将Landsat
‑
8 SR产品的pixel_qa波段作为云掩模，生成裸土期无云覆盖的Landsat
‑
8图像，然后对所有裸土期无云Landsat8图像的像素进行中位数合成，生成新的Landsat
‑
8合成图像，从合成图像中获得相对稳定的土壤像素来预测有机质含量；（2）采用目标区所有可用白天（DOY）80
‑
180内 Sentinel
‑
2的大气校正表面反射率（SR）为原始图像，将Sentinel
‑
2 SR产品的qa60波段作为云掩模，生成裸土期无云覆盖的Sentinel
‑
2图像，然后对所有裸土期无云Sentinel
‑
2图像的像素进行中位数合成，生成新的Sentinel
‑
2合成图像，从合成图像中获得相对稳定的土壤像素来预测有机质含量。4.根据权利要求1所述的一种基于特征选择算法的土壤有机质估算方法，其特征在于：所述步骤（C）光谱指数的构建：在土壤有机质预测中，仅考虑图像波段的反射率很难提供足够的有效信息，运用归一化差分指数（NDI）、比值指数（RI）和差分指数（DI）等光谱指数可以抑制由地形和大气反射引起的某些误差，降低土壤水分、粗糙度和大气对土壤有机质含量预测的影响；NDI、RI和DI计算公式如下：NDI=（P
i
‑ꢀ
P
j
）/（P
i
+ P
j
）RI= P
i
/P
j
DI=P
i
‑
P
j
其...

【专利技术属性】
技术研发人员：罗文敏，张珍明，张家春，贺红早，刘盈盈，牟桂婷，吴先亮，
申请(专利权)人：贵州省生物研究所，
类型：发明
国别省市：