基于非线性记忆学习的土壤有机质光谱预测方法和装置制造方法及图纸

本发明专利技术公开了一种基于非线性记忆学习的土壤有机质光谱预测方法，包括基于每个土壤样本的真实土壤有机质含量和光谱数据构建样本集，并将样本集划分为训练集和验证集；从训练集中筛选与待测土壤样本的光谱数据最相似的

【技术实现步骤摘要】
基于非线性记忆学习的土壤有机质光谱预测方法和装置


[0001]本专利技术属于土壤属性预测领域，具体涉及一种基于非线性记忆学习的土壤有机质光谱预测方法和装置
。

技术介绍

[0002]土壤有机质指土壤内所含的有机物质，由已经分解或正在分解的植物
、
动物残体和有机物质形成，是土壤固相部分中不可或缺的成分
。
土壤有机质对植物生长和土壤肥力有着重要的作用，它提供了植物营养的主要来源，并且在经矿质化过程时可以释放大量的营养元素，促进植物的生长发育，改善土壤的物理性质，加快微生物和土壤生物的活动速度，从而对土壤中营养元素的分解进行提速，加强了土壤的保肥性和缓冲性，对土壤的形成
、
环境的保护和农业的可持续发展都有着不小的作用
。
[0003]土壤有机质有利于保持土壤结构
、
提供养分
、
保持水分
、
促进土壤生物活性和改善土壤环境
。
此外，土壤有机质在全球碳循环中起着重要作用，有助于减缓气候变化，具有一定的碳封存能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于非线性记忆学习的土壤有机质光谱预测方法，其特征在于，包括：获得多个土壤样本，基于每个土壤样本的真实土壤有机质含量和光谱数据构建样本集，采用
Kennard
‑
Stone
算法将样本集划分为训练集和验证集；构建每个待测土壤样本对应的非线性记忆学习模型，包括：从训练集中筛选与待测土壤样本的光谱数据最相似的
k
个样本构建训练子集，基于训练子集通过十折交叉验证拟合随机森林模型得到对应的非线性记忆学习模型；通过验证集验证对应的非线性记忆学习模型的预测精度，当预测精度达标后得到对应的最终非线性记忆学习模型；将待测土壤样本的光谱数据输入对应的最终非线性记忆学习模型得到待测土壤样本的土壤有机质的预测值
。2.
根据权利要求1所述的基于非线性记忆学习的土壤有机质光谱预测方法，其特征在于，所述采用
Kennard
‑
Stone
算法将样本集划分为训练集和验证集，其中，获得训练集的步骤，包括：
S1、
将样本集中光谱距离最大的样本划入训练集；
S2、
从剩余的多个样本中，将与已划入训练集的样本光谱距离最大的样本划入训练集；
S3、
迭代步骤
S2
直至训练集中的样本数达到样本数阈值，则停止迭代得到训练集
。3.
根据权利要求2所述的基于非线性记忆学习的土壤有机质光谱预测方法，其特征在于，所述将与已划入训练集的样本光谱距离最大的样本划入训练集，包括：对每个样本的光谱数据进行主成分分析选取前三个光谱主成分数据，通过欧式距离方法计算每个样本间的光谱距离，将光谱距离最大的两个样本划入训练集
。4.
根据权利要求1所述的基于非线性记忆学习的土壤有机质光谱预测方法，其特征在于，所述从训练集中筛选与待测土壤样本的光谱数据最相似的
k
个样本构成训练子集，其中，获得最相似的土壤样本数
k
，包括：基于设定的最相似的土壤样本数的取值范围和每次优化的间隔，遍历最相似的土壤样本数构建不同的训练子集，基于不同的训练子集进行随机森林模型十折交叉验证优化得到最终的最相似的土壤样本数
k。5.
根据权利要求1所述的基于非线性记忆学习的土壤有机质光谱预测方法，其特征在于，通过验证集验证对应的非线性记忆学习模型的预测精度，如果未达标，则重新构建包含训练集和验证集的样本集，并基于重新构建的训练集重新构建每个待测土壤样本对应的非线性记忆学习模型，通过重新构建的验证集对重新构建的非线性记忆学习模型进行再次验证
。6.
根据权利...

【专利技术属性】
技术研发人员：陈颂超，王政，史舟，
申请(专利权)人：浙江大学杭州国际科创中心，
类型：发明
国别省市：