【技术实现步骤摘要】
本专利技术涉及土壤分析，特别涉及一种基于近红外光谱和迁移学习的土壤碳酸盐预测方法。
技术介绍
1、土壤碳酸盐是土壤系统的重要组成部分，在调节土壤ph值、提供植物营养元素等方面发挥着重要作用。尤其是近年来，研究表明，氮肥的使用和大气酸沉降等环境变化导致全球土壤酸化，特别是在农业地区，土壤酸化显著加速了土壤碳酸盐的溶解，向大气中释放二氧化碳。因此，在全球变暖和土壤酸化的背景下，实现土壤中碳酸盐含量的快速准确检测对于改善农业管理和环境评价具有至关重要的意义。
2、测量土壤碳酸盐的传统方法，如行业标准、国家标准和国际标准，都依赖于实验室化学分析。虽然这些方法提供了很高的准确性，但它们在操作上很复杂，并且严重依赖于进行测量的人员的专业知识和实际技能。与传统的化学测量方法相比，土壤光谱学提供了一种经济有效的方法。它可以估计土壤的各种理化性质，如土壤质地分类和土壤重金属含量的预测。
3、与传统的化学测量方法相比，可见近红外光谱检测技术提供了一种成本低、经济有效、分析检测速度快的方法。虽然本领域已经有人尝试使用光谱仪采集到的土壤光谱数据进行土壤碳酸盐含量的预测，但其样本规模太小，模型预测精度不高且模型仅在土壤采集区域等局部地区适用。
4、近红外光谱模型的建立依赖于可靠的数据库，而数据库的质量和数量往往与模型的精度呈正相关，因此，在数据稀缺的地区建立可靠的模型是具有挑战性的。而考虑到资源和时间效率，往往需要寻求用更少的样本构建更健壮和可推广的模型。
技术实现思路
2、本专利技术实现其专利技术目的所采用的技术方案是，一种基于近红外光谱和迁移学习的土壤碳酸盐预测方法，其步骤包括：
3、s1、获取包含有土壤碳酸盐数据及对应土壤近红外光谱数据的现有公开的大型土壤数据库作为源域数据；将本地采集的土壤按所选择的大型土壤数据库中测量土壤碳酸盐和近红外光谱的方法，测量并记录所采集土壤的碳酸盐数据和近红外光谱数据一起构建成本地小型土壤数据库作为目标域数据，其中，目标域数据包括用于建模的训练部分土壤数据，以及待测部分土壤数据；
4、其中，所选择的大型土壤数据库中测量土壤碳酸盐和近红外光谱的方法为现有传统技术，用于建模的训练部分土壤数据需测量其碳酸盐和近红外光谱数据，待测部分土壤数据只测量其近红外光谱数据。
5、s2、对源域光谱数据和目标域光谱数据进行预处理，得到经过预处理后的源域光谱数据和目标域光谱数据；
6、s3、对经过预处理后的源域光谱数据和目标域光谱数据进行迁移成分分析光谱变换，得到经过迁移成分分析光谱变换后的源域光谱数据和目标域光谱数据；
7、s4、对经过迁移成分分析光谱变换后的源域光谱数据和目标域光谱数据中的训练部分，及与这些土壤光谱对应的土壤碳酸盐数据进行支持向量机回归建模，得到训练好的土壤光谱数据与土壤碳酸盐含量的支持向量机回归预测模型；
8、s5、将目标域数据中待测部分土壤的近红外光谱数据投入步骤s4中得到的支持向量机回归预测模型中，得到归一化后的测试土壤的土壤碳酸盐预测结果，再进行数据反归一化处理，得到待测土壤的碳酸盐预测结果。
9、进一步，步骤s2中所述预处理具体包括：
10、s21、去除400-499.5nm范围被称为“仪器伪影”的测量不规则的光谱数据；
11、s22、采用降采样方法，每5.5nm保留一个值，每个样本最终包含363个光谱特征；
12、s23、对所有光谱数据进行一阶导数变换。
13、进一步，步骤s3中所述迁移成分分析光谱变换具体包括：
14、s31、输入源域光谱数据xs和目标域光谱数据xt；
15、在高维的再生希尔伯特空间中构建源域与目标域的最大均值差异距离mmd，其距离公式如下：
16、
17、其中，n1和n2分别为源域的样本数量和目标域的样本数量，和分别为源域的光谱特征向量和目标域的光谱特征向量，φ为一种内核诱导的特征映射，‖·‖h表示高维的再生希尔伯特空间；
18、s32、引入核矩阵k，通过最小化源域和目标域数据之间的mmd，同时最大化数据方差，利用核技巧k，也即k(xixj)＝φ(xi)tφ(xj)，在所有光谱数据上定义核矩阵k：
19、
20、其中ks，ks,t，kt,s，kt,t代表了由核技巧k定义的两个区域的核矩阵；
21、s33、引入参数l，其计算公式如下：
22、
23、s34、利用将对应的特征向量变换到m维，进一步构造核函数其计算公式如下：
24、
25、其中，为(ns+nt)×m维的矩阵，m＜＜ns+nt；
26、s35、进一步将上述距离公式转化成：
27、dist(xs,xt)＝tr((kwwtk)l)＝tr(wtklkw)
28、其中，tr()表示求矩阵的迹，最小化该距离公式，也即：
29、minwtr(wtklkw)+μtr(wtw)
30、其中，μ为平衡参数，公式受约束条件为：
31、wtkhkw＝im
32、其中，im∈rm为单位矩阵，h为中心矩阵，其公式如下：
33、
34、其中，为全1矩阵
35、最后，计算得出的w即为经过迁移成分分析光谱变换后的光谱数据。
36、进一步，步骤s4中所述支持向量机回归建模具体包括：
37、s41、将源域光谱数据和目标域光谱数据中的训练部分作为训练输入数据，将与这些土壤光谱对应的土壤碳酸盐含量数据作为训练输出数据；
38、s42、将输入数据和输出数据分别进行归一化处理；
39、s43、将输入数据和输出数据分别进行转置以适应模型；
40、s44、选择合适的核函数类型，设置合适的惩罚因子和径向基函数参数；
41、s45、构建土壤光谱数据与土壤碳酸盐含量的支持向量机回归预测模型。
42、迁移成分分析(tca)是一种经典的基于特征的迁移学习方法，其目的是学习一个共享的可再生核希尔伯特空间，在该空间中源域和目标域的边缘分布之间的距离最小，同时最大程度地保持它们各自的固有性质。这允许源域和目标域的特征分布显示相似的模式，使在一个域中训练的模型能够更好地适应另一个不同但相关的域。
本文档来自技高网...
【技术保护点】
1.一种基于近红外光谱和迁移学习的土壤碳酸盐预测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的一种基于近红外光谱和迁移学习的土壤碳酸盐预测方法，其特征在于：步骤S2中所述预处理具体包括：
3.根据权利要求1所述的一种基于近红外光谱和迁移学习的土壤碳酸盐预测方法，其特征在于：步骤S3中所述迁移成分分析光谱变换具体包括：
4.根据权利要求1所述的一种基于近红外光谱和迁移学习的土壤碳酸盐预测方法，其特征在于：步骤S4中所述支持向量机回归建模具体包括：
【技术特征摘要】
1.一种基于近红外光谱和迁移学习的土壤碳酸盐预测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的一种基于近红外光谱和迁移学习的土壤碳酸盐预测方法，其特征在于：步骤s2中所述预处理具体包括：
3.根据权利要求1所述的...
【专利技术属性】
技术研发人员：冷庚，黄靖云，张泽源，张宏博，许文波，贾海涛，罗欣，陈奋，常乐，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。