一种土壤有机质空间分布预测方法、系统及电子设备技术方案

本发明专利技术公开一种土壤有机质空间分布预测方法、系统及电子设备，涉及有机质分布预测技术领域。本发明专利技术基于土壤发生学原理和随机森林算法确定土壤环境因子的重要程度，以筛选得到与土壤有机质相关程度最高的土壤环境因子，然后，基于深度学习模型实现地块边界的提取，以及每个地块图斑的土壤有机质含量的确定，进而精确生成待预测区域的土壤有机质空间分布，提高反演精度，为现代化农业提供有利支持。为现代化农业提供有利支持。为现代化农业提供有利支持。

【技术实现步骤摘要】
一种土壤有机质空间分布预测方法、系统及电子设备


[0001]本专利技术涉及有机质分布预测
，特别是涉及一种土壤有机质空间分布预测方法、系统及电子设备。

技术介绍

[0002]土壤有机质(SoilOrganicMatter，SOM)对改善土壤条件、促进作物生长等有重要影响，对于耕地土壤而言，土壤有机质与土壤生产力密不可分，所以研究土壤有机质对耕地土壤的肥力和生产力有重要意义。由于SOM含量受气候、地形等多种环境因子的影响，且SOM含量与土壤光谱反射率也有一定相关性，各因素间的相互作用共同影响着SOM含量，因此，结合气候、地形、土壤反射光谱特征等因素研究SOM含量对于监测、评估耕地土壤的质量与产量有着重要的意义。
[0003]近年来，有关SOM含量的研究中较常见的是基于实测点数据的空间插值法，如基于分区Kriging插值法对土壤有机碳含量进行空间预测，由于该方法基于空间相关性对其他点数据进行预测，缺少对其他影响因子的探究，且没有遥感数据支撑，模型精度受到一定限制。同时，通过空间插值方法绘制的SOM分布图的空间上的细节受采样点密度影响较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种土壤有机质空间分布预测方法，其特征在于，包括：根据土壤发生学原理和随机森林算法计算各土壤环境因子的重要程度；依据所述重要程度筛选与土壤有机质相关程度最高的土壤环境因子，以作为环境协同变量；获取待预测区域的遥感图像，并采用训练好的深度学习边缘提取模型提取所述所述遥感图像中的地块边界，得到地块图斑分布数据；将所述环境协同变量和所述地块数据均输入至土壤
‑
环境深度学习回归模型中，得到每个地块图斑的土壤有机质的含量；所述土壤
‑
环境深度学习回归模型为采用环境协同变量样本数据和样本点土壤有机质数据训练得到的深度学习模型；基于所述地块图斑分布数据和每个地块图斑的土壤有机质含量生成待预测区域的土壤有机质空间分布。2.根据权利要求1所述的土壤有机质空间分布预测方法，其特征在于，在根据土壤发生学原理和随机森林算法计算各土壤环境因子的重要程度之前，还包括：获取土壤环境相关数据；所述环境土壤相关数据包括：大气、地形和植被；对所述土壤环境相关数据进行预处理，得到所述土壤环境因子。3.根据权利要求1所述的土壤有机质空间分布预测方法，其特征在于，深度学习边缘提取模型的训练过程包括：基于地形特点制作地块边界样本集；采用所述地块边界样本集训练多种深度学习边缘提取模型；将训练得到的多种深度学习边缘提取模型中预测精度最高的模型作为训练好的深度学习边缘提取模型。4.根据权利要求1所述的土壤有机质空间分布预测方法，其特征在于，所述深度学习边缘提取模型为HED模型、RCF模型和D_LinkNet模型...

【专利技术属性】
技术研发人员：李守江，吴小波，董广峰，陈亮，韩春晓，敖园园，刘景森，徐精文，高雪松，胡剑锋，
申请(专利权)人：国投新疆罗布泊钾盐有限责任公司，
类型：发明
国别省市：