基于卷积神经网络的高光谱土壤速效钾含量预测方法

技术特征：
1.一种基于卷积神经网络的高光谱土壤速效钾含量预测方法，其特征在于，包括如下步骤：1）土壤样品的采集与处理：采集一组土壤样本、将采集到的土壤样本自然风干、研磨，均匀分为两部分；2）测定步骤1）中土壤样品的速效钾含量和土壤样品的高光谱数据，剔除光谱数据中的异常数据和由于化学测量失误而导致的速效钾异常数据；3）对步骤2）中高光谱数据进行预处理、并采用皮尔森相关系数判断不同光谱波段与土壤速效钾含量之间的关系：数据预处理即采用一阶求导放大图像原始数据重叠的波峰与波谷、采用二阶求导、采用倒数的对数变换、采用移动平均滤波器maf对350~650nm波段的光谱数据进行平滑处理；4）对步骤3）中据预处理后的光谱数据作为输入，构建主成分回归模型以及pearson-lasso变量选择回归模型，对比不同数据输入以及不同模型之间对土壤中速效钾含量的预测效果，其中，pearson-lasso变量选择回归模型采用皮尔森相关系数确定不同光谱数据与土壤速效钾含量关系，选择绝对值最大的四十个光谱波段作为lasso变量选择线性回归模型的输入数据，主成分回归模型中，先采用主成分分析法分析原始数据，得出数据的主干成分，用处理后的主干成分代替原始光谱数据作为多元线性模型的输入，消除相邻光谱之间的强相关性，去除不同光谱数据之间的相关性；5）将光谱数据划分为训练集、验证集以及测试集，搭建卷积神经网络对光谱数据进行训练，根据验证结果对网络模型进行调优，对比主成分回归模型、pearson-lasso变量选择回归模型以及深度卷积神经网络模型的预测效果，三种神经网络结构中，样本总数的8/10作为训练集、1/10为测试集、1/10为验证集，卷积神经网络模型的建立采用pycharm软件中tensorflow深度学习框架、采用python3.8语言进行搭建，并修改损失函数，在均方误差公式的基础上，增加正则项；6）建立高光谱土壤速效钾含量预测模型：根据决定系数大小在步骤5)中选出最优模型，建立高光谱土壤速效钾含量预测模型；7）模型精度评价：采用决定系数、交叉检验均方根误差，对步骤6）中建立的高光谱土壤速效钾含量预测模型进行评价，确定土壤速效钾含量预测模型的精度、稳定性和预测性能。

技术总结
本发明公开了一种基于卷积神经网络的高光谱土壤速效钾含量预测方法，包括如下步骤：1）土壤样品的采集与处理；2）测定步骤1）中土壤样品的速效钾含量和土壤样品的高光谱数据；3）对步骤2）中高光谱数据进行预处理、并采用皮尔森相关系数判断不同光谱波段与土壤速效钾含量之间的关系；4）构建主成分回归模型以及Pearson-Lasso变量选择回归模型；5）搭建卷积神经网络对光谱数据进行训练；6）建立高光谱土壤速效钾含量预测模型；7）模型精度评价。这种方法能够实时、快速、准确室内检测土壤速效钾含量，具有充分的实际应用意义。具有充分的实际应用意义。具有充分的实际应用意义。


技术研发人员：邓昀 冯琦尧 牛照文
受保护的技术使用者：桂林理工大学
技术研发日：2022.08.23
技术公布日：2022/11/18