欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025105185163
申请人: 南京信息工程大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于室内高光谱和线性回归的土壤碳酸钙含量预测方法,其特征在于,包括如下步骤:步骤1、采集土壤样本并进行预处理;

步骤2、测定土壤样本2000-2400nm波段的光谱反射率数据;

步骤3、测定土壤样本的碳酸钙含量;

步骤4、对土壤样本2000-2400nm波段的光谱反射率数据进行断点校正、去趋势和连续统去除处理,得到处理后的数据;

步骤5、在处理后的数据中选取2330-2360nm波段的光谱反射率数据,计算其最大吸收深度;

步骤6、基于步骤3的碳酸钙含量和步骤5的最大吸收深度,建立线性回归模型,将线性回归模型表达式作为最大吸收深度与碳酸钙含量的函数关系;

步骤6具体包括如下步骤:

步骤6.1、采用KS算法对所有样本数据集进行划分,按3:1至2:1的比例将其分为建模样本集T和验证样本集V,具体为:首先计算样本集内任意两个样本之间的欧式距离,根据计算公式:

其中,为i个和第j个样本之间的欧氏距离,Hi和Hj分别为第i个和第j个样本的最大吸收深度,yi和yj分别为第i个和第j个样本的碳酸钙含量实测值;

选择欧式距离最远的两个样本作为建模样本集T的初始样本,随后计算剩余样本与已选择样本之间的最小距离,并选择最小距离最大的样本加入建模样本集T;重复上述步骤,直至建模样本集T中样本数量达到预定比例,最后将剩余的样本作为验证样本集V;

步骤6.2、将建模样本集T随机划分为K个子集,每个子集的样本数量相等;对于每一轮验证,选择其中一个子集作为验证子集Tv,其余K-1个子集合并作为建模子集Ts,使用建模子集Ts通过线性回归方法构建土壤碳酸钙含量预测模型,模型表达式为:;

其中,为建模子集Ts中第i个土壤样本的碳酸钙含量初步预测值,k、C均为率定系数,当预测值小于0时,根据以下公式,将预测值修正为0;

其中,为建模子集Ts中第i个土壤样本的碳酸钙含量最终预测值;

步骤6.3、使用构建好的模型对验证子集进行预测,并计算该轮验证的决定系数RTv2和均方根误差RMSETv;

步骤6.4、选取RTv2最大且RMSETv最小的那一轮的k和C值为最优率定系数,并利用最优率定系数建立最大吸收深度与碳酸钙含量之间的线性回归模型;

步骤6.5、将线性回归模型应用于验证样本集,计算验证的决定系数RV2、均方根误差RMSEV、平均绝对误差MAEV和相对预测偏差RPDV作为模型精度评价指标;

步骤7、基于线性回归模型和目标地区土壤样本的光谱反射率数据,预测目标地区土壤样本的碳酸钙含量。

2.根据权利要求1所述的一种基于室内高光谱和线性回归的土壤碳酸钙含量预测方法,其特征在于,步骤1具体为:采集土壤样本,清除采集的土壤样本中的杂物,将土壤样本自然风干,完成土壤样本的预处理。

3.根据权利要求1所述的一种基于室内高光谱和线性回归的土壤碳酸钙含量预测方法,其特征在于,步骤2具体为:在实验室中通过光谱辐射仪测定土壤样本的反射率,自设光源的入射角为与垂直方向夹角15°,光源距离样品20~30cm,探头视场角5°,每个样本重复测定10~20次,取其平均值为反射率数据,得到土壤样本2000-2400nm波段的光谱反射率数据。

4.根据权利要求1所述的一种基于室内高光谱和线性回归的土壤碳酸钙含量预测方法,其特征在于,步骤4具体包括如下步骤:步骤4.1、对光谱反射率数据R进行去趋势处理,计算公式为:

;

其中,λ为波长,Rdto,λ为初步去趋势处理后波长λ处的反射率,Rλ为波长λ处的反射率,a和b是通过线性回归拟合得到的截距和斜率,Rdt,λ为波长λ处的反射率去趋势处理后的结果数值;

步骤4.2、采用ENVI软件中的Continuum Removed工具对去趋势的结果数据进行连续统去除处理,得到处理后的反射率数据Rcr。

5.根据权利要求4所述的一种基于室内高光谱和线性回归的土壤碳酸钙含量预测方法,其特征在于,步骤5具体为:计算2330-2360nm波段的最大吸收深度,计算公式为:;

其中,Hλ为波长λ处的最大吸收深度;Rcr,λ为波长λ处连续统去除后的光谱反射率值;λ为波长,范围为2330-2360nm。

6.根据权利要求1所述的一种基于室内高光谱和线性回归的土壤碳酸钙含量预测方法,其特征在于,步骤6.3中,所述该轮验证的决定系数RTv2和均方根误差RMSETv的计算公式如下:;

其中,n为验证子集的样本数量,yTv,i为验证子集中第i个样本土壤碳酸钙含量的实测值,为验证子集中第i个样本土壤碳酸钙含量的预测值,为验证子集中所有样本土壤碳酸钙含量实测值的平均值;其中,RTv2的数值越大、RMSETv的数值越小,则该轮土壤碳酸钙含量预测模型的精度越高。

7.根据权利要求1所述的一种基于室内高光谱和线性回归的土壤碳酸钙含量预测方法,其特征在于,步骤6.5中,所述计算验证的决定系数RV2、均方根误差RMSEV、平均绝对误差MAEV和相对预测偏差RPDV的计算公式如下:其中,m为验证样本集的样本数量,yV,i为验证样本集中第i个样本土壤碳酸钙含量的实测值,为验证样本集中第i个样本土壤碳酸钙含量的预测值,为验证样本集中所有样本土壤碳酸钙含量实测值的平均值;其中,RV2和RPDV的数值越大、RMSEV和MAEV的数值越小,则建立的最大吸收深度与碳酸钙含量之间的线性回归模型精度越高。

8.一种计算机装置,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1所述方法的步骤。

9.一种计算机可读存储介质,其上存储有计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1所述方法的步骤。