本公開涉及土壤有機質含量監(jiān)測，尤其涉及基于高光譜數(shù)據(jù)的土壤有機質含量監(jiān)測模型訓練方法和裝置。

背景技術：

1、土壤質量調查是自然資源調查領域的重要業(yè)務。土壤有機質是評價土壤質量的重要指標，是影響土壤肥力和作物產量高低的決定性因子，對土壤營養(yǎng)元素循環(huán)和農業(yè)可持續(xù)發(fā)展具有重要意義。土壤質量影響因素復雜，與地形、氣候、母質、植被和人類活動等因子密切相關。傳統(tǒng)土壤質量調查主要基于野外土壤采樣化驗，該方法可直接獲取可靠的點位數(shù)據(jù)，但受野外采樣周期長、樣品時間跨度大、工作實施成本高等因素制約，無法支撐大范圍、高頻次的宏觀動態(tài)監(jiān)測。以地統(tǒng)計學為代表的傳統(tǒng)土壤質量空間制圖方法，因簡單、插值效果顯著，成為以往土壤質量制圖的主要手段。但地統(tǒng)計方法未考慮土壤質量與地形因子間的關系，在復雜地形地貌上難以實現(xiàn)土壤有機質含量高精度制圖。

2、衛(wèi)星遙感技術的快速發(fā)展為獲取地表參量提供了穩(wěn)定的數(shù)據(jù)來源。與傳統(tǒng)方法相比，衛(wèi)星遙感數(shù)據(jù)具有快速、經濟、環(huán)保、無損、可重復等優(yōu)點，為大范圍、高精度、高頻次的土壤質量調查與監(jiān)測提供了新的手段。高光譜遙感作為一種圖譜融合的成像技術，通過快速獲取連續(xù)細分光譜信息獲得目標的幾何特征，更能夠定量化反演得到目標的光譜反射、輻射和吸收特征。近年來，隨著高分五號、珠海一號、資源一號02d衛(wèi)星的相繼發(fā)射，已形成多空譜分辨率、重點區(qū)月度重訪的地物光譜獲取能力，為土壤質量監(jiān)測提供了有效的數(shù)據(jù)保障。其中，資源一號02d、資源一號02e衛(wèi)星在組網條件下最快可實現(xiàn)2天的對地重訪觀測，極大提升了耕地土壤的觀測效率。

3、目前，土壤質量監(jiān)測評價常用的方法為光譜指數(shù)法，主要利用兩個或多個波長的反射率進行組合運算，以突出反映土壤的某一特性或細節(jié)信息。研究人員提出了不同組合方式的土壤光譜指數(shù)來獲取土壤質量分布。例如，利用經過光譜變換后的波段反射率比值指數(shù)估算土壤有機質含量；根據(jù)土壤有機質含量的光譜吸收特征，構建差值指數(shù)、歸一化差異指數(shù)等光譜指數(shù)，分析指數(shù)與土壤有機質含量之間的相關性。同時，研究人員也證明了基于高光譜數(shù)據(jù)定量反演土壤有機質含量的潛力。大多采用多元逐步回歸、偏最小二乘回歸和bp神經網絡等模型進行反演。例如，利用敏感光譜反射率波段估算土壤有機質含量；基于土壤光譜反射率，結合偏最小二乘回歸方法建立土壤有機質含量分類模型。但這些研究均基于實驗室土壤光譜反射率數(shù)據(jù)構建而來。由于實驗室土壤樣品與野外土壤樣品的差異以及觀測尺度的影響，已有研究難以直接應用于衛(wèi)星遙感數(shù)據(jù)。因此，有必要研究適用于多源衛(wèi)星協(xié)同觀測的土壤有機質含量反演模型，實現(xiàn)高精度快速獲取土壤質量分布狀況。然而，在研究出適用于多源衛(wèi)星協(xié)同觀測的土壤有機質含量反演模型時，進行特征的選擇，以確定出進行該模型訓練時采用的特征數(shù)據(jù)集，尤為重要。常見的特征選擇是從特征集合中選擇子集，并利用評價標準選出最優(yōu)子集的過程，子集生成主要通過啟發(fā)式搜索完成，包括順序搜索、窮舉搜索、隨機搜索。評價標準則根據(jù)實際需求與數(shù)據(jù)特點發(fā)展出了不同的算法。在高光譜土壤反演中，變量重要性投影、皮爾森相關系數(shù)、競爭性自適應加權采樣、遺傳算法和模擬退火等算法是較為常用的特征選擇方法，但這些較為通用的特征選擇算法在高光譜反演中的應用存在相當?shù)膯栴}：①作為各個研究領域較為通用的特征選擇技術，上述方法沒有針對高光譜數(shù)據(jù)特點進行優(yōu)化，一些無監(jiān)督算法過于重視數(shù)據(jù)本身的統(tǒng)計學分析，所提取特征通常難以保證反演建模的精度；②目前常用的特征選擇方法通常存在若干隨機的子集生成或評價過程，方法的穩(wěn)定性存在一定問題，相同情況下有可能產生差異較大的結果，干擾后續(xù)的反演建模流程；③更優(yōu)秀的特征選擇結果需要更繁瑣的計算過程，消耗極大的算力，傳統(tǒng)方法通常難以在精度和效率間取得平衡。

技術實現(xiàn)思路

1、本公開提供了一種基于高光譜數(shù)據(jù)的土壤有機質含量監(jiān)測模型訓練方法和裝置。

2、根據(jù)本公開的第一方面，提供了一種基于高光譜數(shù)據(jù)的土壤有機質含量監(jiān)測模型訓練方法。該方法包括：

3、獲取樣點的高光譜地表反射率數(shù)據(jù)、樣點的地形因子數(shù)據(jù)和樣點的土壤有機質含量；

4、根據(jù)所述高光譜地表反射率數(shù)據(jù)計算多個雙波段光譜指數(shù)和多個光譜參量；并計算所述土壤有機質含量與光譜參量，以及所述土壤有機質含量與雙波段光譜指數(shù)之間的相關性；

5、根據(jù)絕對值大于預設閾值的相關性對應的光譜參量和光譜指數(shù)，以及所述地形因子數(shù)據(jù)構建特征數(shù)據(jù)集；

6、根據(jù)所述特征數(shù)據(jù)集對土壤有機質含量監(jiān)測模型進行訓練，計算模型精度，并根據(jù)所述精度計算精度提升值；

7、將精度提升值大于0的特征對應的波段和地形因子類型，作為對待監(jiān)測區(qū)域進行土壤有機質含量監(jiān)測時的數(shù)據(jù)獲取條件；所述對待監(jiān)測區(qū)域進行土壤有機質含量監(jiān)測時所使用的土壤有機質含量監(jiān)測模型為精度提升值大于0的特征對應的特征數(shù)據(jù)集訓練出來的模型。

8、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述根據(jù)所述高光譜地表反射率數(shù)據(jù)計算光譜指數(shù)和光譜參量，包括：

9、對所述高光譜地表反射率數(shù)據(jù)進行平滑處理；

10、根據(jù)平滑處理后的高光譜地表反射率數(shù)據(jù)計算光譜參量；以及對平滑處理后的高光譜地表反射率數(shù)據(jù)進行光譜變換，得到多個波段；

11、根據(jù)各波段對應的高光譜地表反射率數(shù)據(jù)計算多個雙波段光譜指數(shù)。

12、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，

13、光譜參量的計算方式包括：求均值、斜率；

14、根據(jù)各波段對應的高光譜地表反射率數(shù)據(jù)計算光譜指數(shù)的公式為： di=p- q，ri=p/ q，ndi=(p-q)/( p+ q)，dsi= ，

15、其中， p、 q為任意兩個波段的高光譜地表反射率數(shù)據(jù)，且 p–q≠0。

16、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，

17、所述根據(jù)所述特征數(shù)據(jù)集對土壤有機質含量監(jiān)測模型進行訓練，計算模型精度，包括：

18、對所述特征數(shù)據(jù)集進行特征優(yōu)選計算，得到特征重要性；

19、根據(jù)所述特征重要性對特征從高到低進行排序，按排序的先后順序將特征依次輸入土壤有機質含量監(jiān)測模型進行訓練，并計算模型的精度。

20、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，

21、特征優(yōu)選計算方式包括：聯(lián)合隨機蛙rf、競爭性自組織選擇cars、變量重要性因子vip。

22、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，

23、對土壤有機質含量監(jiān)測模型的精度的計算方式包括調整決定系數(shù)、均方根誤差、相對分析誤差；

24、對土壤有機質含量監(jiān)測模型的精度提升值si的計算公式為：

25、，

26、其中，、表示利用特征進行反演時，得到的調整決定系數(shù)的最大值與最小值，表示利用第i個特征進行反演時得到的調整決定系數(shù)，i表示特征的排序；、表示利用特征進行反演時，得到的均方根誤差的最大值與最小值，表示利用第i個特征進行反演時得到的均方根誤差；、表示利用特征進行反演時，得到的相對分析誤差的最大值與最小值，表示利用第i個特征進行反演時得到的相對分析誤差。

27、根據(jù)本公開的第二方面，提供了一種基于高光譜數(shù)據(jù)的土壤有機質含量監(jiān)測方法。該方法包括：

28、獲取待監(jiān)測區(qū)域的預設波段的高光譜地表反射率數(shù)據(jù)和預設類型的地形因子數(shù)據(jù)；所述波段和所述類型分別是上述第一方面所述的方法得到的數(shù)據(jù)獲取條件中的波段和地形因子類型；

29、根據(jù)所述高光譜地表反射率數(shù)據(jù)計算光譜指數(shù)和光譜參量；

30、將所述光譜指數(shù)、光譜參量和所述地形因子數(shù)據(jù)，輸入預先訓練的土壤有機質含量監(jiān)測模型，輸出所述待監(jiān)測區(qū)域的土壤有機質含量；所述預先訓練的土壤有機質含量監(jiān)測模型為精度提升值大于0的特征對應的特征數(shù)據(jù)集訓練出來的模型。

31、根據(jù)本公開的第三方面，提供了一種基于高光譜數(shù)據(jù)的土壤有機質含量監(jiān)測模型訓練裝置。該裝置包括：

32、數(shù)據(jù)獲取模塊，用于獲取樣點的高光譜地表反射率數(shù)據(jù)、樣點的地形因子數(shù)據(jù)和樣點的土壤有機質含量；

33、相關性計算模塊，用于根據(jù)所述高光譜地表反射率數(shù)據(jù)計算多個雙波段光譜指數(shù)和多個光譜參量；并計算所述土壤有機質含量與光譜參量，以及所述土壤有機質含量與雙波段光譜指數(shù)之間的相關性；

34、數(shù)據(jù)集構建模塊，用于根據(jù)絕對值大于預設閾值的相關性對應的光譜參量和光譜指數(shù)，以及所述地形因子數(shù)據(jù)構建特征數(shù)據(jù)集；

35、精度計算模塊，用于根據(jù)所述特征數(shù)據(jù)集對土壤有機質含量監(jiān)測模型進行訓練，計算模型精度，并根據(jù)所述精度計算精度提升值；

36、特征選取模塊，用于將精度提升值大于0的特征對應的波段和地形因子類型，作為對待監(jiān)測區(qū)域進行土壤有機質含量監(jiān)測時的數(shù)據(jù)獲取條件；所述對待監(jiān)測區(qū)域進行土壤有機質含量監(jiān)測時所使用的土壤有機質含量監(jiān)測模型為精度提升值大于0的特征對應的特征數(shù)據(jù)集訓練出來的模型。

37、根據(jù)本公開的第四方面，提供了一種電子設備。該電子設備包括：存儲器和處理器，所述存儲器上存儲有計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如以上所述的方法。

38、根據(jù)本公開的第五方面，提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述程序被處理器執(zhí)行時實現(xiàn)如以上所述的方法。

39、本公開的實施例提供的基于高光譜數(shù)據(jù)的土壤有機質含量監(jiān)測模型訓練方法，通過計算雙波段光譜指數(shù)和光譜參量與土壤有機質含量的相關性，然后將相關性高的光譜參量和光譜指數(shù)，以及地形因子數(shù)據(jù)構建特征數(shù)據(jù)集，根據(jù)特征數(shù)據(jù)集對土壤有機質含量監(jiān)測模型進行訓練，計算模型精度，及精度提升值；將精度提升值大于0的特征對應的特征數(shù)據(jù)集訓練出來的模型作為土壤有機質含量監(jiān)測的最終模型。以此，可以實現(xiàn)更高精確度的土壤有機質含量監(jiān)測，并且將精度提升值大于0的特征對應的波段、地形因子類型，作為對待監(jiān)測區(qū)域進行土壤有機質含量監(jiān)測時的數(shù)據(jù)獲取條件，使得土壤有機質含量監(jiān)測時數(shù)據(jù)獲取更為明確具體，在達到更高的監(jiān)測精確度的同時更好的保證監(jiān)測效率。

40、應當理解，
技術實現(xiàn)要素：
部分中所描述的內容并非旨在限定本公開的實施例的關鍵或重要特征，亦非用于限制本公開的范圍。本公開的其它特征將通過以下的描述變得容易理解。