一种土壤氮含量预测方法技术

本发明专利技术涉及土壤检测分析领域，尤其涉及一种土壤氮含量预测方法。本发明专利技术土壤氮含量预测模型包括输入层、嵌入层、编码器、解码器、全连接层和输出层；其中，土壤氮含量预测模型输入为光谱序列，输出为预测的土壤氮含量值；嵌入层的作用是将输入光谱序列中编入位置信息，编码器和解码器用于生成土壤氮含量的光谱特征集，全连接层则根据光谱特征集来预测土壤氮含量；本发明专利技术方法利用深度学习强大的提取和构造特征的能力，通过稀疏自注意力机制在保证能够在全局范围内获得特征信息的基础上降低模型的参数规模，实现对土壤氮含量的有效预测。实现对土壤氮含量的有效预测。实现对土壤氮含量的有效预测。

【技术实现步骤摘要】
一种土壤氮含量预测方法


[0001]本专利技术涉及土壤检测分析领域，尤其涉及一种土壤氮含量预测方法。

技术介绍

[0002]快速、准确地检测土壤氮含量是实现精准施肥的前提和基础。基于光谱的土壤养分含量预测具有检测速度快、操作简单及环保等优势。土壤氮含量预测模型性能是制约实现大范围土壤氮含量快速实时原位检测关键。
[0003]前期基于光谱的土壤氮含量预测相关研究均按照数据预处理、特征工程和模型构建等步骤进行。其中，数据预处理和特征工程对模型性能有着重要的影响，因此，传统预测模型需要进行复杂的数据预处理和特征工程构建来保证预测精度，浪费大量的时间和人力成本。而且，大部分预测模型均针对特定土壤开展，模型泛化能力有待提高。基于深度学习的土壤氮含量光谱预测发展迅速，深度学习模型具有强大的信息感知和特征提取能力，通过少量预处理即可获得较高的预测精度。
[0004]目前基于深度学习的土壤氮含量预测模型大多都使用卷积神经网络来进行特征提取工作。然而，由于卷积核的限制，卷积神经网络只能提取一定范围内波长的相关信息，无法充分利用光谱序列全面的上下文信息，导致基于卷积神经网络的土壤氮含量预测模型精度提高有限。为了能够适用于多种不同土壤，预测模型也需要具备一定的泛化能力，大部分方法在预测泛化能力方面的研究不足，需要进一步对模型的泛化能力进行研究。

技术实现思路

[0005]为提高土壤氮含量光谱预测的准确性，同时保证在不同土壤样本下具有较强的泛化能力，本专利技术提出了一种基于稀疏自注意力机制的土壤氮含量光谱预测方法，充分利用深度学习模型强大的特征提取和构造能力，且使用稀疏自注意力机制在全局范围内进行信息感知和特征的深度提取，利用大型公用数据集中样本类型的多样性，全面提升模型性能，尤其是模型的泛化能力，并验证模型泛化能力。
[0006]本专利技术解决上述技术问题的技术方案如下：
[0007]本专利技术提供了一种土壤氮含量预测方法，包括以下步骤：
[0008]步骤1：获取公开数据集，并进行标准化处理；
[0009]步骤2：将公开数据集按比例划分为训练集、测试集和验证集；
[0010]步骤3：构建土壤氮含量预测模型，所述土壤氮含量预测模型输入为光谱序列，输出为预测的土壤氮含量值；利用训练集训练土壤氮含量预测模型，得到训练完成的土壤氮含量预测模型；
[0011]步骤4：将测试集输入到训练完成的土壤氮含量预测模型，评估训练完成的土壤氮含量预测模型性能。
[0012]进一步地，所述步骤3中土壤氮含量预测模型包括输入层、嵌入层、编码器、解码器、全连接层和输出层；
[0013]输入层输入光谱序列，输入层输出与嵌入层输入连接，嵌入层用于在光谱序列中编入位置信息，得到嵌入层输出光谱矩阵，嵌入层的输出分别与编码器的输入和解码器的输入连接，将嵌入层输出光谱矩阵拆分成为编码器光谱矩阵和解码器光谱矩阵，将编码器光谱矩阵传输入到编码器中，解码器光谱矩阵传输到解码器中；
[0014]编码器的输出与解码器的输入连接，编码器将嵌入层输出的光谱矩阵编码后输出为光谱的初步特征矩阵，并输入到解码器中；在解码器中对嵌入层输出的光谱矩阵和编码器输出的初步特征矩阵进行深度的特征提取，输出为氮含量的潜在表示矩阵；解码器的输出连接至全连接层中，通过全连接层、输出层输出预测的土壤氮含量值。
[0015]进一步地，所述编码器由两个相同编码模块组成，每个编码模块均包括两个子模块，第一个子模块包括稀疏自注意力机制和归一化层，第二个子模块包括全连接前馈网络和归一化层，两个子模块均采用残差连接。
[0016]进一步地，所述解码器分为两个子模块，第一个子模块包括稀疏自注意力机制和归一化层，第二个子模块包括全连接前馈网络和归一化层，两个子模块均采用残差连接。
[0017]进一步地，所述稀疏自注意力机制计算公式如下：
[0018][0019]其中，d
K
为K总列数，softmax为归一化函数，K为关键向量和V为权重向量，K
T
表示关键向量K的转置，Q为稀疏矩阵；其中，稀疏矩阵Q是由查询向量Q中前N个得分最高的行向量q组成的。
[0020]进一步地，所述步骤3中，采用训练集对构建的土壤氮含量预测模型进行训练，采用损失函数、激活函数和优化算法对土壤氮含量预测模型进行优化，不断调整土壤氮含量预测模型的超参数，最后得到训练完成的土壤氮含量预测模型。
[0021]进一步地，所述损失函数Loss，计算公式为：
[0022][0023]其中，n表示样本总数，y
i
为第i个样本氮含量的真实值，为第i个样本氮含量的预测值。
[0024]进一步地，所述优化算法采用Adam算法，激活函数为Gelu。
[0025]进一步地，所述超参数包括批量大小、学习率、学习率衰减、训练轮次、停止训练标准；其中，批量大小为16，学习率为0.0009；学习率衰减初始为0.0009，每20轮训练后学习率下降为原来的1/2；训练轮次为100，停止训练标准为若20个训练轮次中验证集损失值没有下降就停止土壤氮含量预测模型训练。
[0026]进一步地，所述步骤4中，采用决定系数进行预测效果评估，所述决定系数R2的计算公式为：
[0027][0028]式中，n表示样本数量，y
i
为第i个样本的真实值，为第i个样品的预测值，为样
本均值。
[0029]与现有技术相比，本专利技术具有如下技术效果：
[0030]本专利技术土壤氮含量预测模型包括输入层、嵌入层、编码器、解码器、全连接层和输出层；其中，土壤氮含量预测模型输入为光谱序列，输出为预测的土壤氮含量值；嵌入层的作用是将输入光谱序列中编入位置信息，编码器和解码器用于生成土壤氮含量的光谱特征集，全连接层则根据光谱特征集来预测土壤氮含量；本专利技术方法利用深度学习强大的提取和构造特征的能力，通过稀疏自注意力机制在保证能够在全局范围内获得特征信息基础上降低模型的参数规模，实现对土壤氮含量的有效预测；本方法操作简便、准确度高，适合用于对土壤氮含量进行无损预测。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0032]图1是本专利技术所述的一种基于稀疏自注意力机制的土壤氮含量光谱预测方法的模型构成图；
[0033]图2为本专利技术所述的一种基于稀疏自注意力机制的土壤氮含量光谱预测方法的流程图；
[0034]图3为本专利技术编码模块内部连接关系示意图；
[0035]图4为本专利技术解码器内部连接关系示意图；
[0036]图5为本专利技术嵌入层与编码模块和解码器的具体连接图；
[0037]图6为本专利技术编码模块和解码器的具体连接图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种土壤氮含量预测方法，其特征在于，包括以下步骤：步骤1：获取公开数据集，并进行标准化处理；步骤2：将公开数据集按比例划分为训练集、测试集和验证集；步骤3：构建土壤氮含量预测模型，所述土壤氮含量预测模型输入为光谱序列，输出为预测的土壤氮含量值；利用训练集训练土壤氮含量预测模型，得到训练完成的土壤氮含量预测模型；步骤4：将测试集输入到训练完成的土壤氮含量预测模型，评估训练完成的土壤氮含量预测模型性能。2.根据权利要求1所述的一种土壤氮含量预测方法，其特征在于，所述步骤3中土壤氮含量预测模型包括输入层、嵌入层、编码器、解码器、全连接层和输出层；输入层输入光谱序列，输入层输出与嵌入层输入连接，嵌入层的输出分别与编码器的输入和解码器的输入连接，嵌入层在光谱序列中编入位置信息，得到嵌入层输出光谱矩阵，将嵌入层输出光谱矩阵拆分成为编码器光谱矩阵和解码器光谱矩阵，将编码器光谱矩阵传输入到编码器中，解码器光谱矩阵传输到解码器中；编码器的输出与解码器的输入连接，编码器将嵌入层输出的光谱矩阵编码后输出为光谱的初步特征矩阵，并输入到解码器中；在解码器中对嵌入层输出的光谱矩阵和编码器输出的初步特征矩阵进行深度的特征提取，输出为氮含量的潜在表示矩阵；解码器的输出连接至全连接层中，通过全连接层、输出层输出预测的土壤氮含量值。3.根据权利要求2所述的一种土壤氮含量预测方法，其特征在于，所述编码器由两个相同编码模块组成，每个编码模块均包括两个子模块，第一个子模块包括稀疏自注意力机制和归一化层，第二个子模块包括全连接前馈网络和归一化层，两个子模块均采用残差连接。4.根据权利要求3所述的一种土壤氮含量预测方法，其特征在于，所述解码器分为两个子模块，第一个子模块包括稀疏自注意力机制和归一化层，第二个子模块包括全连接前馈网络和归一化层，两个子...

【专利技术属性】
技术研发人员：冀荣华，李常昊，宋丽芬，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：