一种基于迁移学习的土壤养分光谱检测方法与流程

1.本发明涉及土壤分析技术领域，特别涉及一种基于迁移学习的土壤养分光谱检测方法。


背景技术：

2.土壤为农作物的生长提供了营养物质和水分，检测土壤中的氮、磷、钾、硼等养分含量，对作物的精准施肥和环境保护具有重要意义。传统手段用化学分析方法测定土壤养分含量，但此方法的成本高、效率低，而且测量周期长、费时费力，还会产生污染环境的化学废物，无法实现对土壤养分含量的快速检测。
3.而近红外光谱(near
‑
infrared spectroscopy，nirs)是一种绿色环保、快速无损的分析技术，优点是不使用化学试剂、无污染、操作简单、稳定性高。将化学计量学方法和近红外光谱技术的结合可以实现对样品的定性和定量分析，因此近年来在土壤养分的快速检测领域得到了非常广泛的应用，正逐步取代传统的化学分析方法。
4.目前已有用近红外光谱仪测量土壤光谱，主要是将土壤运回实验室进行风干过筛研磨处理后采集光谱，再结合机器学习方法对土壤养分进行建模预测，但所建立的模型在给原位土土壤预测时，会出现预测精度低、模型失效的问题。因为传统机器学习方法假设训练数据与测试数据服从相同的数据分布，而对于实验室处理后土壤和原位土土壤样本，由于原位土光谱检测受土壤中水分、植物根茎杂质等影响，它们的光谱数据反射率有所差异，说明这种同分布假设常常是不满足的。
5.针对上述问题，本技术提出一种基于迁移学习的土壤养分光谱检测方法，结合迁移学习方法，利用干土光谱数据，通过光谱变换减少原位土土壤和干土的光谱数据分布差异，提高土壤养分回归预测模型的准确性，从而提高野外原位土土壤养分含量实时检测的准确性。


技术实现要素：

6.本发明的目的在于提供一种基于迁移学习的土壤养分光谱检测方法，结合迁移学习方法，利用干土光谱数据，通过光谱变换减少原位土土壤和干土的光谱数据分布差异，提高土壤养分回归预测模型的准确性，从而提高野外原位土土壤养分含量实时检测的准确性。
7.本发明提供了一种基于迁移学习的土壤养分光谱检测方法，包括以下步骤：
8.获取待测土壤；
9.获取待测土壤的土壤光谱数据；
10.基于迁移学习中的迁移成分分析算法结合实验室干土光谱数据，对待测土壤光谱数据进行光谱变换，通过对多光谱遥感图像的线性变换，获得新的波段数据，实现在降低数据冗余、压缩数据量的同时保留主要信息、增强有用信息的目的；
11.将光谱变换后的待测土壤光谱数据导入基于tca算法的土壤养分与光谱反射率的
回归模型，进行土壤养分含量的实时检测；
12.所述回归模型的构建，包括：
13.构建土壤光谱数据的源域和目标域；
14.计算源域和目标域tca光谱变换后的数据；
15.使用回归建模算法建立土壤养分与光谱反射率回归模型。
16.进一步地，所述基于tca算法的土壤养分与光谱反射率的回归模型，进行土壤养分含量的实时检测，具体包括：
17.构建土壤光谱数据的源域和目标域；
18.输入源域和目标域的光谱数据和至回归模型中，获得参数l和中心矩阵h；
19.利用核函数映射得出源域和目标域的核矩阵k；
20.根据参数l、中心矩阵h和核矩阵k，求(klk μi)
‑1khk的前m个特征值对应的特征向量，得出源域和目标域tca光谱变换后的数据，其中μ为平衡参数；
21.对光谱变换后的源域和目标域数据使用回归建模算法建立土壤养分与光谱反射率回归模型，用于土壤养分含量的检测。
22.进一步地，所述参数l的计算公式为：
[0023][0024]
其中，i为全1矩阵。
[0025]
进一步地，所述中心矩阵h的计算公式为：
[0026][0027]
其中，为全1矩阵。
[0028]
进一步地，所述源域为实验室干土光谱数据，所述目标域为原位土光谱数据。
[0029]
进一步地，还包括：
[0030]
对待测土壤进行预处理，其具体为：通过过筛器筛选去除待测土壤中的杂质，并通过usb发热片加热去除待测土壤中的水分。
[0031]
与现有技术相比，本发明具有如下显著优点：
[0032]
本发明提供了一种基于迁移学习的土壤养分光谱检测方法，通过降低环境因素的影响提高野外原位土土壤光谱数据检测的准确性；结合迁移学习方法，利用实验室干土土壤光谱数据，通过光谱变换减少原位土和干土的光谱数据分布差异，提高土壤养分回归预测模型的准确性；从而提高野外原位土土壤养分含量实时检测的准确性。设置的检测系统缩小了仪器体积、简化了仪器构造组成，方便野外携带、操作，通过取土装置采集土壤样本，通过微型光谱仪芯片获取土壤光谱数据并进行光谱变换，使用回归模型检测土壤养分含量。
附图说明
[0033]
图1为本发明实施例提供的检测系统结构图；
[0034]
图2为本发明实施例提供的测土装置连接结构图；
[0035]
图3为本发明实施例提供的筛网结构图。
[0036]
附图标记说明：1
‑
取土钻头，2
‑
管件，3
‑
过筛器，4
‑
测土盒，5
‑
横轴把手，6
‑
测土装置，7
‑
usb接口，8
‑
光纤，9
‑
反射探头，10
‑
螺杆，11
‑
螺圈，12
‑
垫圈，13
‑
筛网。
具体实施方式
[0037]
下面结合本发明中的附图，对本发明实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0038]
原位土土壤光谱预测其养分含量问题：
①
原位土光谱数据采集受水分、植物根茎等杂质影响，其光谱直接用于建模预测的精度不高；
②
实验室干土光谱建立的模型预测精度高，但给原位土直接使用，会出现模型预测精度低、失效等问题。
[0039]
迁移学习带来了解决这一问题的动机，迁移学习不要求训练和测试数据必须服从相同分布，它是机器学习中一个重要研究问题，侧重将前期的学习经验适应到新的学习中，提高新的学习效率。基于迁移学习算法实现光谱变换，减少原位土土壤和已有实验室干土的光谱的数据分布差异，并降低水分、杂质等对光谱数据检测影响，提高对原位土养分预测的准确性。并通过集成便携式土壤采集器，使得采土操作便捷，通过钻头采集土壤样本获取其光谱数据，检测土壤养分含量。操作简单便捷，提高了工作效率，并易于推广使用。
[0040]
本发明提供了一种基于迁移学习的土壤养分光谱检测方法，包括以下步骤：
[0041]
获取待测土壤；
[0042]
对待测土壤进行预处理，通过过筛器筛选出待测土壤中的杂质，并加热去除待测土壤中的水分；
[0043]
通过光谱检测装置获取预处理后待测土壤的土壤光谱数据；
[0044]
基于迁移学习中的迁移成分分析(transfer component analysis，tca)算法结合实验室干土光谱数据对待测土壤光谱数据进行光谱变换，通过对多光谱遥感图像的线性变换，获得新的波段数据，实现在降低数据冗余、压缩数据量的同时保留主要信息、增强有用信息的目的；
[0045]
将光谱变换后的待测土壤光谱数据导入基于tca算法的土壤养分与光谱反射率的回归模型进行土壤养分含量的实时检测，具体为：
[0046]
构建土壤光谱数据的源域和目标域，构建的源域为实验室干土光谱数据，构建的目标域为原位土光谱数据；
[0047]
输入源域和目标域的光谱数据和至回归模型中，和为光谱特征向量，n
s
、n
t
分别为源域和目标域样本数量，获得参数l和中心矩阵h；
[0048]
然后在高维的再生核希尔伯特空间(rkhs)中通过最大均值差异(mmd)度量x
s
和x
t
的边缘分布的距离，距离公式如下：
[0049]
h是rhks，φ∈h
ꢀꢀꢀꢀꢀ
(3)
[0050]
利用映射φ使得边缘分布的距离最小，但φ通常是高度非线性的，难以寻求，于是将这个距离的最小化问题转化为核学习问题，利用核技巧k(即k(x
i
x
j
)＝φ(x
i
)
t
φ(x
j
))可以将公式(3)改写为核矩阵的迹：
[0051]
dist(x
s
,x
t
)＝trace(kl)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0052]
式中是(n
s
n
t
)
×
(n
s
n
t
)维的复合核矩阵，k
s
和k
t
分别为核技巧k在源域和目标域中定义的核矩阵；
[0053]
计算参数l和中心矩阵h，其中：
[0054][0055]
其中，i为全1矩阵；
[0056][0057]
其中，为全1矩阵；
[0058]
利用核函数映射得出源域和目标域的核矩阵k；
[0059]
为简化计算，用降维方法构造结果，使用(n
s
n
t
)
×
m维的矩阵将对应的特征向量变换到m维，得到的核矩阵如下：
[0060][0061]
其中，为(n
s
n
t
)
×
m维矩阵，m＜＜n
s
n
t
。将公式(5)代入公式(4)中可得：
[0062]
dist(x
s
,x
t
)＝trace((kww
t
k)l)＝tr(w
t
klkw)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0063]
最小化公式(6)，得到的w就表示tca降维后源域和目标域的光谱矩阵，则转变为求：
[0064][0065]
s.t.w
t
khkw＝i
m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0066]
其中为中心矩阵,为全1矩阵。
[0067]
其中，μ是一个平衡参数，正则化项tr(w
t
w)的加入是为了控制w的复杂度，加入约束w
t
khkw＝i
m
是为了避免平凡解(即，w＝0)，最终，通过数学推导得出，w的解即为(klk μi)
‑1khk的前m个特征值对应的特征向量，将其输出得到源域和目标域tca转移后的数据，减少
了源域和目标域数据分布差异，并可使用传统回归算法建立回归模型；
[0068]
根据参数l、中心矩阵h和核矩阵k，求(klk μi)
‑1khk的前m个特征值对应的特征向量，得出源域和目标域tca光谱变换后的数据，其中μ为平衡参数；
[0069]
对光谱变换后的源域和目标域数据使用传统的回归建模算法建立土壤养分与光谱反射率回归模型，进行土壤养分的检测。
[0070]
所述回归模型的构建，包括：
[0071]
构建土壤光谱数据的源域和目标域；
[0072]
计算源域和目标域tca光谱变换后的数据；
[0073]
使用回归建模算法建立土壤养分与光谱反射率回归模型。
[0074]
实施例1
[0075]
在农田耕种前如果能快速无损的分析农田的土壤养分含量，可以帮助农户及时发现农田有无缺素或者农药污染情况，根据分析结果去调整农田的各种养分情况，达到有针对性的种植作物和施肥的目的，帮助农户降低损失，增产增收。
[0076]
参照图1
‑
图3，一种基于迁移学习的土壤养分光谱检测方法的检测系统，包括：
[0077]
取土装置，包括取土钻头1，所述取土钻头1端部连接管件2，顺势将土样输送入输送管件2，所述管件2内依次设置过筛器3和测土盒4，用于将土样进行体积筛选，小颗粒的土样经过筛分后进入输送测土盒4，所述测土盒4外侧表面设置usb发热片，所述usb发热片与内置电源电连接，用于加热烘干输送测土盒4内部的土样，便于检测，所述管件2端部设置横轴把手5，便于向下施力使得所述取土钻头1获取土样；所述横轴把手5外部设置终端安装座，用于固定终端。
[0078]
测土装置6，固定在所述管件2内，所述管件2表面设置与所述测土装置6连接的usb接口7，通过usb接口7与固定的终端(如手机)进行连接，或者通过usb接口7与电源连接，手机用于作为主控模块，安装了基于迁移学习的土壤养分光谱检测系统软件，软件中存储有基于迁移学习算法tca的不同类型土壤养分与光谱反射率的回归模型，来实时获取当前被测原位土土壤通过tca光谱变换后的光谱反射率数据，再调用手机安装的系统中基于迁移学习算法tca的不同类型土壤养分与光谱反射率的回归模型，实现对当前被测土壤养分的实时预测，最终结果显示在手机屏幕上。所述测土装置6内设置光谱检测模块，所述光谱检测模块内设置电源、内置光源和微型光谱仪芯片，所述内置光源和微型光谱仪芯片均与电源电连接，所述光谱检测模块用于对土样进行光谱检测以及对光谱数据进行光谱变换，所述内置光源和微型光谱仪芯片均通过光纤8连接反射探头9，所述反射探头9连接所述测土盒4表面的载玻片，用于采集土样光谱数据，所述微型光谱仪芯片中集成了迁移学习中的迁移成分分析(transfercomponentanalysis，tca)算法，进行光谱变换，减少原位土土壤光谱与已有实验室干土光谱的数据分布差异。
[0079]
所述管件2表面设置替换口，所述替换口内设置螺杆10，所述螺杆10与垫圈12外部安装的螺圈11螺接，所述垫圈12内部填充筛网13。方便替换不同孔径的筛网来自定义过筛土壤孔径，也方便测土盒4中土壤排出。
[0080]
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。