(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211143677.1 (22)申请日 2022.09.20 (71)申请人 中国科学院南京土 壤研究所 地址 210018 江苏省南京市北京东路71号 (72)发明人 徐胜祥　刘峰　潘贤章　王昌昆　 (74)专利代理 机构 南京泰普专利代理事务所 (普通合伙) 32360 专利代理师 张磊 (51)Int.Cl. G01N 21/31(2006.01) G01N 1/08(2006.01) G06V 10/25(2022.01) G06V 10/58(2022.01) G06N 20/00(2019.01) G06F 17/18(2006.01) (54)发明名称 基于机器学习的土壤剖面氮素含量高光谱 检测及可视化方法 (57)摘要 本发明公开了基于机器学习的土壤剖面氮 素含量高光谱检测及可视化方法， 属于土壤属性 检测的技术领域。 包括以下步骤： 采集若干个土 壤剖面样品； 获取土壤剖面的高光谱图像数据； 在高光谱图像上选取若干个矩形范围作为感兴 趣区域， 计算该ROI内所有像素点的平均光谱典 线， 并分析测定该ROI对应的土壤样品氮素标准 含量； 以预处理后的ROI平均光谱为预测变量， 以 标准土壤氮素含量为响应变量， 结合不同学习算 法分别构建土壤剖面五种土壤氮素的高光谱预 测模型； 根据评价指标， 选 择最优预测模 型， 实现 整段土壤剖面上不同形态氮素含量的预测及可 视化。 本发 明采用的方法能满足对土壤剖面不同 形态氮素含量进行快速、 准确、 无损检测和可视 化制图的应用需求。 权利要求书2页 说明书8页 附图4页 CN 115508292 A 2022.12.23 CN 115508292 A 1.基于机器学习的土壤剖面氮素含量高光谱检测及可视化方法， 其特征在于， 至少包 括以下步骤： 对检测区域按照预定深度进行土壤采样， 得到关于检测区域的若干份土壤剖面样品； 获取每份土壤剖面样品的初始高光谱图像， 对所述初始高光谱图像进 行图像预 处理得到有 效高光谱图像； 在有效高光谱图像上选取n个连续分布且形状、 大小相同的感兴趣区域， 基于每个感兴 趣区域的所有像素点计算得到n个平均光谱数据， 其中n为整数； 同时对每个感兴趣区域内 的土壤剖面样品进行至少五种形态的氮素含量检测得到关于每种形态的标准土壤氮素含 量； 使用至少一种学习算法分别创建若干个高光谱预测模型； 基于评价指标， 于若干个高 光谱预测模型中筛选出与土壤氮素形态相对应的最优预测模型， 基于最优 预测模型预测对 应形态的土壤剖面高光谱图像的每一像素点对应的土壤氮素含量， 记为土壤氮素预测含 量， 输出土壤氮素 预测含量得到可视化图像。 2.根据权利要求1所述的基于机器学习的土壤剖面氮素含量高光谱检测及可视化方 法， 其特征在于， 所述高光谱预测模型的创建流 程如下： 采用主成分分析法对所有的平均光谱数据进行异常值检测， 判断是否存在异常平均光 谱曲线， 若存在， 则剔除； 将筛 选后的平均光谱数据按照7:3随机划分为建模集和验证集； 对每种学习算法的参数分别赋予取值范围和搜索步长， 得到对应的参数组合； 对每种 形态土壤氮素， 采用网格搜索和十折交叉验证法分别对每组参数组合进 行参数优化得到对 应的最优参数组合； 基于所述最优参数组合， 以预处理后的平均光谱数据为预测变量， 标准土壤氮素含量 为响应变量， 建立高光谱信号与不同土壤氮素含量之间的回归关系。 3.根据权利要求1或2中任意一项所述的基于机器学习的土壤剖面氮素含量高光谱检 测及可视化方法， 其特 征在于， 所述学习算法至少包括： PLSR算法、 AN N算法和SVMR算法； 对应的， 所述若干个高光谱预测模型分别为PLSR预测模型、 ANN预测模型和 SVMR预测模 型。 4.根据权利要求1所述的基于机器学习的土壤剖面氮素含量高光谱检测及可视化方 法， 其特征在于， 所述评价指标至少包括： 决定系数、 均方根误差和四分位相对预测误差； 所 述最优预测模型的筛 选流程如下： 分别评价建模集和验证集上不同高光谱预测模型预测五种形态土壤氮素的评价值， 按 照以下标准进行筛 选： 式中， R2表示决定系数的评价 值， RPIQ表示四分位相对预测误差的评价 值。 5.根据权利要求1所述的基于机器学习的土壤剖面氮素含量高光谱检测及可视化方权　利　要　求　书 1/2 页 2 CN 115508292 A 2法， 其特征在于， 所述可视化图像的输出流 程如下： 基于土壤剖面样品获取土壤 高光谱图像， 获取土壤 高光谱图像上的每个像素点及对应 的光谱反射率 曲线， 将所述光谱反射率 曲线输入至最优预测模型， 经最优预测模型得到预 测灰度图像， 所述预测灰度图像至少包括： 若干个预测像素点， 以及预测像素点对应的空间 位置； 将所述预测灰度图像进行伪彩色处理， 得到关于土壤剖面样品上的全氮、 碱解氮、 铵态 氮、 硝态氮和微生物量氮含量的可视化图像， 所述可视化图像为彩色 分布图。 6.根据权利要求1或5中任意一项所述的基于机器学习的土壤剖面氮素含量高光谱检 测及可视化方法， 其特征在于， 所述五种形态的氮素分别为： 土壤全氮、 碱解氮、 铵态氮、 硝 态氮和微生物量氮。 7.根据权利要求3所述的基于机器学习的土壤剖面氮素含量高光谱检测及可视化方 法， 其特征在于， PLSR预测模型的最优参数组合是十折交互验证的均方根误差值最小或不再有显著变 化时所对应的参数组合； ANN预测模型和SVMR预测模型的最优参数组合是十折交互验证的均方根误差值最小值 对应的参数组合。 8.根据权利要求1所述的基于机器学习的土壤剖面氮素含量高光谱检测及可视化方 法， 其特征在于， 所述初始高光谱图像的图像预处 理至少包括以下流 程： 对初始高光谱图像进行 灰度和几何矫 正， 并依次进行除噪、 拉伸。 9.根据权利要求1所述的基于机器学习的土壤剖面氮素含量高光谱检测及可视化方 法， 其特征在于， 所述平均光谱数据的预处理方法包括： 表观吸收率、 一阶导数、 二阶导数、 Savitzky ‑Golay平滑、 Gap‑Segment导数、 去趋势、 或标准 正态变量变换中的一种或几种。权　利　要　求　书 2/2 页 3 CN 115508292 A 3