CN107192671A - 一种基于光谱曲面匹配的土壤类型识别方法 - Google Patents
一种基于光谱曲面匹配的土壤类型识别方法 Download PDFInfo
- Publication number
- CN107192671A CN107192671A CN201710192544.6A CN201710192544A CN107192671A CN 107192671 A CN107192671 A CN 107192671A CN 201710192544 A CN201710192544 A CN 201710192544A CN 107192671 A CN107192671 A CN 107192671A
- Authority
- CN
- China
- Prior art keywords
- soil
- spectrum
- curved surface
- soil profile
- profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 255
- 238000001228 spectrum Methods 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 38
- 230000003595 spectral effect Effects 0.000 claims abstract description 38
- 238000002310 reflectometry Methods 0.000 claims abstract description 34
- 238000009795 derivation Methods 0.000 claims abstract description 23
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000006386 neutralization reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 230000010354 integration Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241001614291 Anoplistes Species 0.000 description 1
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于光谱曲面匹配的土壤类型识别方法,首先,针对待识别土壤剖面各发生层的光谱反射率进行剖面深度插值处理和一阶求导处理,生成待识别土壤剖面的光谱曲面;然后,分别针对土壤样本库中的各个土壤剖面,针对土壤剖面各发生层的光谱反射率,进行剖面深度插值处理和一阶求导处理,生成各个土壤剖面的光谱曲面;最后进行光谱曲面匹配,识别出待识别土壤剖面的土壤类型。如此,基于土壤剖面的光谱反射率进行深度插值处理、求导处理、光谱曲面生成,以及光谱曲面相似性判别,整合利用土壤剖面中不同深度土壤光谱数据进行匹配,实现最终土壤类型的识别。
Description
技术领域
本发明涉及一种土壤类型识别方法,具体说是一种基于光谱曲面匹配的土壤类型识别方法,属于土壤地理和模式识别技术领域。
背景技术
土壤分类是依据土壤实体性状的综合差异,划分出不同级别的土壤类型,以便因地制宜的推广农业技术和改良土壤。对于土壤类型的识别需要获取大量的土体形态、物理、化学乃至生物等诊断信息,其中部分信息(如形态、容重等)可以通过肉眼观察或简单测量得到,但大多数物理、化学信息在传统上需要经过实验室测试分析方可获得。所以,对土壤类型的识别和鉴定通常成本较高,而且需要土壤分类专家的参与。
目前,为了满足快速发展的大量高精度土壤信息需求,快速获取和持续更新土壤信息是土壤资源研究领域的核心研究内容之一。传统方法由于其成本高、效率低,通常存在采样尺度偏大、采样密度偏稀疏、调查频率偏低等问题,难于满足对土壤信息进行动态、快速、低成本获取和更新的需求。
发明内容
本发明所要解决的技术问题是提出了一种基于光谱曲面匹配的土壤类型识别方法,弥补了现有技术空白,利用土壤剖面中不同深度土壤光谱数据进行匹配,实现土壤类型的识别。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于光谱曲面匹配的土壤类型识别方法,包括如下步骤:
步骤一.针对待识别土壤剖面各发生层的光谱反射率,分别进行剖面深度插值处理和一阶求导处理,获得待识别土壤剖面的光谱曲面;
步骤二.分别针对土壤样本库中的各个土壤剖面,针对土壤剖面各发生层的光谱反射率,进行剖面深度插值处理和一阶求导处理,分别获得各个土壤剖面的光谱曲面;
步骤三.根据各个土壤剖面的光谱曲面,针对待识别土壤剖面的光谱曲面进行光谱曲面匹配,识别出待识别土壤剖面的土壤类型。
作为本发明的一种优选技术方案:所述步骤一中和步骤二中,针对土壤剖面各发生层的光谱反射率,按如下步骤,进行剖面深度插值处理和一阶求导处理,获得土壤剖面的光谱曲面;
步骤1.针对土壤剖面,获得各发生层的光谱反射率的集合P={pij|i=1,…,n;j=1,…,m},其中,n为光谱波段数,m为土壤剖面所对应发生层的数量,pij表示土壤剖面第j个发生层在波段i处的反射率值;
步骤2.采用等积二次样条插值方法,针对土壤剖面各发生层的反射率值pij,进行深度插值处理,获得预设距离间隔、不同深度处的土壤光谱反射率P'={pa'ij'|i=1,…,n;j'=1,…,m'},其中,m'表示插值后的土壤光谱曲线数量,pai'j'表示插值所生成的第j'条光谱曲线在波段i处的反射率值;
步骤3.针对经深度插值处理所获得的土壤光谱反射率,首先进行11点移动平均平滑处理,然后采用Savitzky-Golay卷积求导法计算21点二次多项式平滑的光谱反射率一阶导数;
步骤4.针对光谱反射率一阶导数,以波段为横坐标,以剖面深度为纵坐标,生成光谱曲面。
作为本发明的一种优选技术方案:所述步骤三中,根据土壤样本库中各个土壤剖面的光谱曲面,针对待识别土壤剖面的光谱曲面,基于平均Hausdorff距离进行光谱曲面匹配,识别出待识别土壤剖面的土壤类型。
作为本发明的一种优选技术方案,所述步骤三,包括如下步骤:
步骤3-1.分别针对土壤样本库中各个土壤剖面的光谱曲面,计算获得各土壤剖面光谱曲面分别与待识别土壤剖面光谱曲面之间的平均Hausdorff距离;
步骤3-2.获得最小平均Hausdorff距离所对应的土壤剖面的土壤类型,即为待识别土壤剖面的土壤类型。
作为本发明的一种优选技术方案,所述步骤3-1中,分别针对土壤样本库中各个土壤剖面的光谱曲面,按如下步骤,计算获得各土壤剖面光谱曲面与待识别土壤剖面光谱曲面之间的平均Hausdorff距离:
步骤3-1-1.初始化点集A、点集B分别为长度为n的空集,以及初始化参数l=1,n表示光谱波段数;
步骤3-1-2.从待识别土壤剖面Ct光谱曲面中抽取深度值l处的光谱线加入到点集A当中;同时,从土壤样本库中土壤剖面光谱曲面CSg中抽取深度值l处的光谱线加入到点集B当中;其中,g={1、…、G},G表示土壤样本库中土壤剖面光谱曲面的个数;
步骤3-1-3.根据如下公式:
计算获得点集A和点集B之间的平均Hausdorff距离其中,dB(a)表示点集A中元素a到点集B距离的最小值,p为点集A中元素的个数;
步骤3-1-4.判断l是否大于光谱曲面Ct或CSg的最大深度值,是则进入步骤3-1-5;否则,l所对应的值进行加一更新,并返回步骤3-1-2;
步骤3-1-5.针对待识别剖面光谱曲面Ct中各条光谱线分别与土壤样本库土壤剖面光谱曲面CSg中各条光谱线之间的平均Hausdorff距离,采用求平均值方法,获得待识别剖面光谱曲面Ct与土壤样本库中土壤剖面光谱曲面CSg间的平均Hausdorff距离。
本发明所述一种基于光谱曲面匹配的土壤类型识别方法采用以上技术方案与现有技术相比,具有以下技术效果:本发明所设计基于光谱曲面匹配的土壤类型识别方法,针对每一土壤剖面,通过对不同深度采样点的可见-近红外反射光谱数据,进行剖面深度插值处理和求导处理后,生成三维曲面,进而通过基于平均Hausdorff距离的光谱曲面相似度进行判别,达到土壤类型自动识别的目的,综合利用土壤剖面中不同深度土壤光谱数据进行匹配,进而实现土壤类型的识别。
附图说明
图1是本发明所设计基于光谱曲面匹配的土壤类型识别方法的流程图;
图2是实施例待识别土壤剖面的光谱曲面示意图;
图3是实施例样本剖面的光谱曲面示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
可见-近红外漫反射光谱技术是快速测定土壤各类理化参数使用最频繁的光谱区域,可见-近红外漫反射光谱不仅可以定量分析具有明确光谱吸收特征的水分、粘粒、铁氧化物、有机碳和全氮等基本土壤参数,还可以较好地预测那些不具有明确吸收特征、与基本土壤参数存在相关关系的其它土壤参数(如阳离子交换量)。
土壤的基本物质组成变化既是土壤发生发育过程的反映,是确定土壤诊断指标和类型划分的依据,同时也是影响土壤反射光谱的主要因素。在土壤调查与制图中,利用光谱分析技术实现土壤类型的快速、准确、自动识别在理论上是可行的。实现上述应用的关键在于土壤光谱分析模型的建立和土壤光谱先验知识的积累。为此,需要广泛采集土壤样品,在相对标准的测定条件下获取土壤的光谱数据,建立完善的土壤光谱库,在此基础上,研发有效的模式识别方法以达到土壤光谱识别和分类的目标。
如图1所示,本发明设计了一种基于光谱曲面匹配的土壤类型识别方法,在实际应用过程当中,针对土壤剖面各发生层,通过可见-近红外漫反射光谱技术去获得土壤剖面各发生层的光谱反射率,土壤类型识别方法具体包括如下步骤:
步骤一.针对待识别土壤剖面各发生层的光谱反射率,分别进行剖面深度插值处理和一阶求导处理,获得待识别土壤剖面的光谱曲面。
步骤二.分别针对土壤样本库中的各个土壤剖面,针对土壤剖面各发生层的光谱反射率,进行剖面深度插值处理和一阶求导处理,分别获得各个土壤剖面的光谱曲面。
实际应用中,上述步骤一中和步骤二中,针对土壤剖面各发生层的光谱反射率,具体按如下步骤,进行剖面深度插值处理和一阶求导处理,获得土壤剖面的光谱曲面;
步骤1.针对土壤剖面,获得各发生层的光谱反射率的集合P={pij|i=1,…,n;j=1,…,m},其中,n为光谱波段数,m为土壤剖面所对应发生层的数量,pij表示土壤剖面第j个发生层在波段i处的反射率值。
步骤2.采用等积二次样条插值方法,针对土壤剖面各发生层的反射率值pij,进行深度插值处理,获得预设距离间隔、不同深度处的土壤光谱反射率P'={pa'ij'|i=1,…,n;j'=1,…,m'},其中,m'表示插值后的土壤光谱曲线数量,pa'ij'表示插值所生成的第j'条光谱曲线在波段i处的反射率值。
所述等积二次样条插值方法,公开在下列文件中:1.Bishop,T.F.A.,McBratney,A.B.,Laslett,G.M.,1999.Modelling soil attribute depth functions with equal-area quadratic smoothing splines.Geoderma 91,27–45.;2.Malone,B.P.,McBratney,A.B.,Minasny,B.,Laslett,G.M.,2009.Mapping continuous depthfunctions of soilcarbon storage and available water capacity.Geoderma 154,138–152.
步骤3.针对经深度插值处理所获得的土壤光谱反射率,首先进行11点移动平均平滑处理,然后采用Savitzky-Golay卷积求导法计算21点二次多项式平滑的光谱反射率一阶导数。
所述Savitzky-Golay卷积求导法,公开在下列文件中:Savitzky,A.,Golay,M.J.E.,1964.Smoothing and Differentiation of Data by Simplified Least SquaresProcedures.Analytical Chemistry 36(8),1627–1639.
步骤4.针对光谱反射率一阶导数,以波段为横坐标,以剖面深度为纵坐标,生成光谱曲面。
步骤三.根据土壤样本库中各个土壤剖面的光谱曲面,针对待识别土壤剖面的光谱曲面,基于平均Hausdorff距离进行光谱曲面匹配,识别出待识别土壤剖面的土壤类型。
实际应用中,上述步骤三,具体包括如下步骤:
步骤3-1.分别针对土壤样本库中各个土壤剖面的光谱曲面,按如下步骤,计算获得各土壤剖面光谱曲面与待识别土壤剖面光谱曲面之间的平均Hausdorff距离:
步骤3-1-1.初始化点集A、点集B分别为长度为n的空集,以及初始化参数l=1,n表示光谱波段数。
步骤3-1-2.从待识别土壤剖面Ct光谱曲面中抽取深度值l处的光谱线加入到点集A当中;同时,从土壤样本库中土壤剖面光谱曲面CSg中抽取深度值l处的光谱线加入到点集B当中;其中,g={1、…、G},G表示土壤样本库中土壤剖面光谱曲面的个数。
步骤3-1-3.根据如下公式:
计算获得点集A和点集B之间的平均Hausdorff距离其中,dB(a)表示点集A中元素a到点集B距离的最小值,p为点集A中元素的个数。
步骤3-1-4.判断l是否大于光谱曲面Ct或CSg的最大深度值,是则进入步骤3-1-5;否则,l所对应的值进行加一更新,并返回步骤3-1-2。
步骤3-1-5.针对待识别剖面光谱曲面Ct中各条光谱线分别与土壤样本库土壤剖面光谱曲面CSg中各条光谱线之间的平均Hausdorff距离,采用求平均值方法,获得待识别剖面光谱曲面Ct与土壤样本库中土壤剖面光谱曲面CSg间的平均Hausdorff距离。
步骤3-2.获得最小平均Hausdorff距离所对应的土壤剖面的土壤类型,即为待识别土壤剖面的土壤类型。
上述技术方案所设计基于光谱曲面匹配的土壤类型识别方法,针对每一土壤剖面,通过对不同深度采样点的可见-近红外反射光谱数据,进行剖面深度插值处理和求导处理后,生成三维曲面,进而通过基于平均Hausdorff距离的光谱曲面相似度进行判别,达到土壤类型自动识别的目的,综合利用土壤剖面中不同深度土壤光谱数据进行匹配,进而实现土壤类型的识别。
将上述所设计基于光谱曲面匹配的土壤类型识别方法,结合附图并通过描述一个土壤类型匹配识别实例,来进一步说明本发明的实际应用效果。
本实施例使用的土壤样本为中国某省土系调查的存档样本,采自104个剖面的474个发生层。这些剖面按照中国土壤系统分类划分为5个土纲、6个亚纲、16个土类及29个亚类。采用Cary 5000分光光度计(Agilent Technologies)测量样本的350-2500nm漫反射光谱,光谱采样间隔为1nm。由于350-400nm、2450-2500nm的测量值噪声较大,本实施例中仅选用400-2450nm的光谱进行土壤类型的匹配识别。
基于图1所示,具体实施过程如下:
(一)生成待识别土壤剖面的光谱曲面。待识别土壤剖面TestProfile的光谱曲面具体生成步骤,示例如下:
步骤一.针对一土壤剖面TestProfile,读取相应土壤样品的光谱反射率到集合P中,其中,光谱波段数n为2051(400nm-2450nm),光谱曲线数m为6;其部分土壤剖面光谱反射率数据内容,如下表1所示。
Layer | UpperDeptr | LowerDenth | 400nm | 401nm | 402nm | 403nm | 404nm | 405nm | 406nm | 407nm | 408nm | 409nm | 410nm |
1 | 0 | 35 | 13.41364 | 13.49586 | 13.60696 | 13.67073 | 13.78241 | 13.86285 | 13.94667 | 14.01074 | 14.10604 | 14.15471 | 14.2464 |
2 | 35 | 50 | 14.50707 | 14.5954 | 14.67242 | 14.78604 | 14.85784 | 14.95909 | 15.03139 | 15.13364 | 15.21278 | 15.26049 | 15.34988 |
3 | 50 | 60 | 14.2031 | 14.28368 | 14.34982 | 14.43736 | 14.51813 | 14.5899 | 14.71283 | 14.78467 | 14.86383 | 14.91999 | 14.97972 |
4 | 60 | 90 | 14.39339 | 14.49908 | 14.58461 | 14.63667 | 14.71747 | 14.82547 | 14.90479 | 14.99014 | 15.06256 | 15.14267 | 15.24865 |
5 | 90 | 120 | 14.78277 | 14.87434 | 14.95373 | 15.00892 | 15.11342 | 15.1949 | 15.31476 | 15.36927 | 15.50681 | 15.55252 | 15.63557 |
6 | 120 | 140 | 13.81063 | 13.90401 | 13.99262 | 14.04254 | 14.13786 | 14.23267 | 14.27512 | 14.3706 | 14.49029 | 14.51679 | 14.58542 |
表1
步骤二.采用等积二次样条插值方法,对集合P中每一波段的土壤光谱反射率进行深度插值处理,得到0-140cm(1cm间隔)不同土壤深度处的土壤光谱反射率数据,插值后的光谱曲线数为140,其部分土壤剖面光谱反射率深度插值结果数据,如下表2所示。
UpperDepth | LowerDepth | 400nm | 401nm | 402nm | 403nm | 404nm | 405nm | 406nm | 407nm | 408nm | 409nm | 410nm |
0 | 1 | 13.12648 | 13.20665 | 13.32772 | 13.37531 | 13.50007 | 13.57264 | 13.66358 | 13.71452 | 13.8152 | 13.86467 | 13.9554 |
1 | 2 | 13.12743 | 13.20761 | 13.32865 | 13.37628 | 13.50101 | 13.5736 | 13.66453 | 13.7155 | 13.81616 | 13.86563 | 13.95637 |
2 | 3 | 13.13027 | 13.21047 | 13.33144 | 13.37921 | 13.50383 | 13.57648 | 13.66736 | 13.71844 | 13.81906 | 13.86853 | 13.95927 |
3 | 4 | 13.13501 | 13.21525 | 13.33609 | 13.38407 | 13.50853 | 13.58129 | 13.67207 | 13.72334 | 13.8239 | 13.87335 | 13.96411 |
4 | 5 | 13.14165 | 13.22193 | 13.34259 | 13.39089 | 13.5151 | 13.58803 | 13.67868 | 13.7302 | 13.83066 | 13.8801 | 13.97089 |
5 | 6 | 13.15019 | 13.23053 | 13.35095 | 13.39965 | 13.52356 | 13.59669 | 13.68717 | 13.73902 | 13.83936 | 13.88879 | 13.97961 |
6 | 7 | 13.16062 | 13.24103 | 13.36117 | 13.41037 | 13.53389 | 13.60727 | 13.69754 | 13.7498 | 13.84999 | 13.8994 | 13.99026 |
7 | 8 | 13.17294 | 13.25344 | 13.37325 | 13.42302 | 13.54611 | 13.61977 | 13.70981 | 13.76254 | 13.86256 | 13.91194 | 14.00285 |
8 | 9 | 13.18717 | 13.26777 | 13.38718 | 13.43763 | 13.5602 | 13.6342 | 13.72396 | 13.77724 | 13.87705 | 13.92641 | 14.01737 |
9 | 10 | 13.20329 | 13.284 | 13.40297 | 13.45418 | 13.57617 | 13.65055 | 13.74 | 13.7939 | 13.89348 | 13.94281 | 14.03383 |
10 | 11 | 13.2213 | 13.30214 | 13.42062 | 13.47268 | 13.59402 | 13.66883 | 13.75792 | 13.81252 | 13.91185 | 13.96114 | 14.05223 |
11 | 12 | 13.24122 | 13.3222 | 13.44013 | 13.49313 | 13.61375 | 13.68903 | 13.77773 | 13.8331 | 13.93214 | 139814 | 14.07257 |
12 | 13 | 13.26303 | 13.34416 | 13.4615 | 13.51553 | 13.63535 | 1371116 | 13.79943 | 13.85564 | 13.95437 | 14.00358 | 14.09484 |
13 | 14 | 13.28673 | 13.36803 | 13.48472 | 13.53987 | 13.65884 | 13.73521 | 13.82302 | 13.88014 | 13.97853 | 14.0277 | 14.11905 |
14 | 15 | 13.31233 | 13.39381 | 13.50981 | 13.56616 | 13.6842 | 13.76118 | 13.84849 | 13.90661 | 14.00463 | 14.05375 | 14.1452 |
15 | 16 | 13.33983 | 13.42151 | 13.53675 | 13.5944 | 13.71145 | 13.78908 | 13.87585 | 13.93503 | 14.03266 | 14.08173 | 14.17328 |
16 | 17 | 13.36923 | 13.45111 | 13.56555 | 13.62459 | 13.74057 | 13.8189 | 13.9051 | 13.96541 | 14.06262 | 14.11163 | 14.2033 |
17 | 18 | 13.40052 | 13.48262 | 13.5962 | 13.65672 | 13.77157 | 13.85064 | 13.93623 | 13.99775 | 14.09451 | 14.14347 | 14.23525 |
18 | 19 | 13.43371 | 13.51604 | 13.62872 | 13.6908 | 13.80445 | 13.88431 | 13.96925 | 14.03205 | 14.12834 | 14.17723 | 14.26915 |
19 | 20 | 13.46879 | 13.55137 | 13.66309 | 13.72683 | 13.83921 | 13.9199 | 14.00415 | 14.06831 | 14.1641 | 14.21292 | 14.30498 |
20 | 21 | 1350578 | 13.58861 | 13.69932 | 13.76481 | 13.87585 | 13.95742 | 14.04095 | 14.10654 | 14.2018 | 14.25055 | 14.34274 |
21 | 22 | 13.54465 | 13.62776 | 13.73741 | 13.80473 | 13.91437 | 13.99686 | 14.07963 | 14.14672 | 14.24142 | 14.2901 | 14.38244 |
22 | 23 | 13.58543 | 13.66882 | 13.77736 | 13.8466 | 13.95477 | 14.03822 | 14.12019 | 14.18886 | 14.28298 | 14.33158 | 14.42408 |
23 | 24 | 13.6281 | 13.7118 | 13.81916 | 13.89042 | 13.99704 | 14.08151 | 14.16265 | 14.23296 | 14.32647 | 14.37499 | 14.46766 |
24 | 25 | 13.67266 | 13.75668 | 13.86283 | 13.93619 | 14.0412 | 14.12672 | 14.20699 | 14.27902 | 14.3719 | 14.42034 | 14.51317 |
25 | 26 | 13.71913 | 13.80347 | 13.90835 | 13.9839 | 14.08723 | 14.17385 | 14.25321 | 14.32705 | 14.41926 | 14.46761 | 14.56062 |
26 | 27 | 13.76749 | 13.85217 | 13.95573 | 14.03356 | 14.13514 | 14.22291 | 14.3.133 | 14.37703 | 14.46855 | 14.51681 | 14.61001 |
27 | 28 | 13.81775 | 13.90278 | 14.00496 | 14.08517 | 14.18493 | 14.2739 | 14.35133 | 14.42897 | 14.51977 | 14.55793 | 14.66133 |
28 | 29 | 13.8699 | 13.9553 | 14.05606 | 14.13873 | 14.2366 | 14.3268 | 14.40322 | 14.48287 | 14.57293 | 14.62099 | 14.71459 |
29 | 30 | 13.92395 | 14.00972 | 14.10901 | 14.19423 | 14.29015 | 14.38163 | 14.45699 | 14.53874 | 14.62802 | 14.67598 | 14.76979 |
30 | 31 | 13.97989 | 14.06606 | 14.16382 | 14.25168 | 14.34558 | 14.43839 | 14.51265 | 14.59656 | 14.68504 | 14.7329 | 14.82692 |
31 | 32 | 14.03774 | 14.12431 | 14.22049 | 14.31108 | 14.40288 | 14.49707 | 14.5702 | 14.65634 | 14.744 | 14.79174 | 14.88599 |
32 | 33 | 14.09748 | 14.18447 | 14.27902 | 14.37242 | 14.46207 | 14.55767 | 14.62963 | 14.71809 | 14.50489 | 14.85252 | 14.947 |
33 | 34 | 14.15911 | 14.24654 | 14.3394 | 14.43572 | 14.52313 | 14.6202 | 14.69096 | 14.78179 | 14.86771 | 14.91523 | 15.00994 |
34 | 35 | 14.22264 | 14.31052 | 14.40164 | 14.50096 | 14.58608 | 14.68465 | 14.75416 | 14.84745 | 14.93247 | 14.97986 | 15.07482 |
35 | 36 | 14.28807 | 14.37641 | 14.46575 | 14.56815 | 14.6509 | 14.75102 | 14.81926 | 14.91508 | 14.99916 | 15.04643 | 15.14164 |
36 | 37 | 14.3507 | 14.43945 | 14.527 | 14.63233 | 14.71281 | 14.81433 | 14.88151 | 14.97968 | 15.06285 | 15.11002 | 15.20536 |
37 | 38 | 1440583 | 14.49488 | 14.58071 | 14.68854 | 14.76701 | 14.86956 | 14.9362 | 15.03627 | 15.11863 | 15.16576 | 15.26097 |
38 | 39 | 14.45346 | 14.54271 | 14.62686 | 14.73679 | 14.8135 | 14.91674 | 14.98331 | 15.08486 | 15.1665 | 15.21363 | 15.30845 |
39 | 40 | 14.49359 | 14.58293 | 14.66546 | 14.77707 | 14.85229 | 14.95584 | 15.02285 | 15.12545 | 15.20645 | 15.25364 | 15.34781 |
表2
光谱反射率的一阶求导处理。首先把光谱反射率进行11点移动平均平滑处理,其次采用Savitzky-Golay卷积求导法计算21点二次多项式平滑的光谱一阶导数,求导处理后部分土壤剖面光谱反射率求导结果数据,如下表3所示。
UpperDepth | LowerDepth | 410nm | 411nm | 412nm | 413nm | 414nm | 415nm | 416nm | 417nm | 418nm | 419nm | 420nm |
0 | 1 | 0.08 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
1 | 2 | 0.08 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
2 | 3 | 0.08 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
3 | 4 | 0.08 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
4 | 5 | 0.08 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
5 | 6 | 0.08 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
6 | 7 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
7 | 8 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
8 | 9 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
9 | 10 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
10 | 11 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
11 | 12 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
12 | 13 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
13 | 14 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
14 | 15 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
15 | 16 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
16 | 17 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 |
17 | 18 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 |
18 | 19 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 |
19 | 20 | 0.08 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 |
20 | 21 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 |
21 | 22 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 |
22 | 23 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 |
23 | 24 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 |
24 | 25 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 |
25 | 26 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 |
26 | 27 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 |
27 | 28 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 |
28 | 29 | 0.08 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 |
29 | 30 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 | 0.10 |
30 | 31 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 | 0.10 |
31 | 32 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 | 0.10 |
32 | 33 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 | 0.10 |
33 | 34 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 | 0.10 | 0.10 |
34 | 35 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 | 0.10 | 0.10 |
35 | 36 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 | 0.10 | 0.10 |
36 | 37 | 0.08 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 | 0.10 | 0.10 |
37 | 38 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 | 0.10 | 0.10 | 0.10 |
38 | 39 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 | 0.10 | 0.10 | 0.10 |
39 | 40 | 0.08 | 0.09 | 0.09 | 0.09 | 0.09 | 0.09 | 0.10 | 0.10 | 0.10 | 0.10 | 0.10 |
表3
步骤三.根据深度插值处理和一阶求导处理后的光谱反射率数据,以波段为横坐标,以剖面深度为纵坐标,生成光谱曲面Ct。本实施例中,土壤剖面TestProfile的光谱曲面如图2所示。
(二)生成土壤样本库中各个土壤剖面的光谱曲面,具体步骤与步骤(一)一致,在此不再重复叙述;
(三)基于Hausdorff距离的光谱曲面匹配,具体步骤包括:
步骤3-1.分别针对土壤样本库中各个土壤剖面的光谱曲面,按如下步骤,计算获得各土壤剖面光谱曲面与待识别土壤剖面光谱曲面之间的平均Hausdorff距离:
步骤3-1-1.初始化点集A、点集B分别为长度为n的空集,以及初始化参数l=1,n表示光谱波段数。
步骤3-1-2.从待识别土壤剖面Ct光谱曲面中抽取深度值l处的光谱线加入到点集A当中;同时,从土壤样本库中土壤剖面光谱曲面CSg中抽取深度值l处的光谱线加入到点集B当中;其中,g={1、...、G},G表示土壤样本库中土壤剖面光谱曲面的个数。本实例中土壤剖面光谱曲面为DY-014,记为CS1,如图3所示,并且从光谱曲面Ct、CS1中各取一光谱曲线,记为la,lb,并分别将其读入集合A、B中。本实施例中,集合A为{0.08,0.08,0.08,0.08,0.08,0.09,0.09,0.09,0.09,0.09,…,-0.04,-0.04,-0.04,-0.04,-0.04,-0.04,-0.04,-0.04,-0.03,-0.03},集合B为{0.08,0.09,0.09,0.09,0.09,0.10,0.10,0.10,0.10,0,10,…,-0.05,-0.04,-0.04,-0.04,-0.04,-0.04,-0.04,-0.04,-0.04,-0.04}。
步骤3-1-3.根据如下公式:
计算获得点集A和点集B之间的平均Hausdorff距离其中,dB(a)表示点集A中元素a到点集B距离的最小值,p为点集A中元素的个数,本实施例中,值为0。
步骤3-1-4.判断l是否大于光谱曲面Ct或CSg的最大深度值,是则进入步骤3-1-5;否则,l所对应的值进行加一更新,并返回步骤3-1-2,实际中,由于光谱曲面Ct、CS1的深度值分别为140cm、120cm,因此,取120为循环结束条件。
步骤3-1-5.针对待识别剖面光谱曲面Ct中各条光谱线分别与土壤样本库土壤剖面光谱曲面CSg中各条光谱线之间的平均Hausdorff距离,采用求平均值方法,获得待识别剖面光谱曲面Ct与土壤样本库中土壤剖面光谱曲面CSg间的平均Hausdorff距离。在本实施例中,所获光谱曲面Ct、CS1之间的平均Hausdorff距离为0.00897810465074511。
如此按上述步骤,计算出待识别剖面光谱曲面Ct与土壤样本库中每一土壤剖面光谱曲面CSg的平均Hausdorff距离,并将两光谱曲面相应的剖面编号、平均Hausdorff距离值记入集合S中。本实施例中,集合S的部分数据内容如表4所示。
待识别剖面 | 光谱库剖面 | 平均Hansdorff距离 |
TestProfile | 34-002 | 0.005878722 |
TestProfile | 34-006 | 0.00575133 |
TestProfile | 34-013 | 0.012536485 |
TestProfile | 34-014 | 0.002078553 |
TestProfile | 34-015 | 0.007466477 |
TestProfile | 34-016 | 0.003929145 |
TestProfile | 34-017 | 0.013489106 |
TestProfile | 34-023 | 0.004996959 |
TestProfile | 34-024 | 0.013477257 |
TestProfile | 34-025 | 0.003082999 |
TestProfile | 34-026 | 0.011447511 |
TestProfile | 34-027 | 0.004113817 |
TestProfile | 34-028 | 0.005078846 |
TestProfile | 34-030 | 0.016959213 |
TestProfile | 34-032 | 0.014600401 |
TestProfile | 34-033 | 0.011552242 |
TestProfile | 34-035 | 0.00949656 |
TestProfile | 34-036 | 0.010540808 |
TestProfile | 34-038 | 0.012839614 |
TestProfile | 34-039 | 0.01281967 |
TestProfile | 34-040 | 0.016568236 |
TestProfile | 34-042 | 0.010634925 |
TestProfile | 34-043 | 0.008930264 |
TestProfile | 34-044 | 0.007563428 |
TestProfile | 34-045 | 0.010989086 |
TestProfile | 34-054 | 0.008824906 |
TestProfile | 34-055 | 0.009318296 |
TestProfile | 34-056 | 0.010143285 |
TestProfile | 34-057 | 0.009469448 |
TestProfile | 34-059 | 0.015201773 |
TestProfile | 34-061 | 0.010058566 |
表4
步骤3-2.遍历集合S,找出平均Hausdorff距离的最小值和对应的剖面编号,即获得最小平均Hausdorff距离所对应的土壤剖面的土壤类型,即为待识别土壤剖面的土壤类型,本实施例中,平均Hausdorff距离的最小值为0.00207855266793084,其对应土壤剖面编号为34-014。光谱中34-014的土类为淡色潮湿雏形土。则待测试土壤剖面TestProfile的土类为淡色潮湿雏形土,与实际土壤类型一致。
上述应用实施例中,仅进行了土壤土类的识别。该方法同样可适用于土纲、亚纲、亚类等不同级别土壤类型的识别;并且本实施例中,仅基于可见-近红外漫反射光谱数据进行土壤类型的识别,该方法同样可适用于中红外漫反射光谱等其它类型的土壤光谱数据。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于光谱曲面匹配的土壤类型识别方法,其特征在于,包括如下步骤:
步骤一.针对待识别土壤剖面各发生层的光谱反射率,分别进行剖面深度插值处理和一阶求导处理,获得待识别土壤剖面的光谱曲面;
步骤二.分别针对土壤样本库中的各个土壤剖面,针对土壤剖面各发生层的光谱反射率,进行剖面深度插值处理和一阶求导处理,分别获得各个土壤剖面的光谱曲面;
步骤三.根据各个土壤剖面的光谱曲面,针对待识别土壤剖面的光谱曲面进行光谱曲面匹配,识别出待识别土壤剖面的土壤类型。
2.根据权利要求1所述一种基于光谱曲面匹配的土壤类型识别方法,其特征在于,所述步骤一中和步骤二中,针对土壤剖面各发生层的光谱反射率,按如下步骤,进行剖面深度插值处理和一阶求导处理,获得土壤剖面的光谱曲面;
步骤1.针对土壤剖面,获得各发生层的光谱反射率的集合P={pij|i=1,…,n;j=1,…,m},其中,n为光谱波段数,m为土壤剖面所对应发生层的数量,pij表示土壤剖面第j个发生层在波段i处的反射率值;
步骤2.采用等积二次样条插值方法,针对土壤剖面各发生层的反射率值pij,进行深度插值处理,获得预设距离间隔、不同深度处的土壤光谱反射率P'={pa′ij'|i=1,…,n;j'=1,…,m'},其中,m'表示插值后的土壤光谱曲线数量,pa′ij′表示插值所生成的第j'条光谱曲线在波段i处的反射率值;
步骤3.针对经深度插值处理所获得的土壤光谱反射率,首先进行11点移动平均平滑处理,然后采用Savitzky-Golay卷积求导法计算21点二次多项式平滑的光谱反射率一阶导数;
步骤4.针对光谱反射率一阶导数,以波段为横坐标,以剖面深度为纵坐标,生成光谱曲面。
3.根据权利要求1所述一种基于光谱曲面匹配的土壤类型识别方法,其特征在于,所述步骤三中,根据土壤样本库中各个土壤剖面的光谱曲面,针对待识别土壤剖面的光谱曲面,基于平均Hausdorff距离进行光谱曲面匹配,识别出待识别土壤剖面的土壤类型。
4.根据权利要求3所述一种基于光谱曲面匹配的土壤类型识别方法,其特征在于,所述步骤三,包括如下步骤:
步骤3-1.分别针对土壤样本库中各个土壤剖面的光谱曲面,计算获得各土壤剖面光谱曲面分别与待识别土壤剖面光谱曲面之间的平均Hausdorff距离;
步骤3-2.获得最小平均Hausdorff距离所对应的土壤剖面的土壤类型,即为待识别土壤剖面的土壤类型。
5.根据权利要求4所述一种基于光谱曲面匹配的土壤类型识别方法,其特征在于,所述步骤3-1中,分别针对土壤样本库中各个土壤剖面的光谱曲面,按如下步骤,计算获得各土壤剖面光谱曲面与待识别土壤剖面光谱曲面之间的平均Hausdorff距离:
步骤3-1-1.初始化点集A、点集B分别为长度为n的空集,以及初始化参数l=1,n表示光谱波段数;
步骤3-1-2.从待识别土壤剖面Ct光谱曲面中抽取深度值l处的光谱线加入到点集A当中;同时,从土壤样本库中土壤剖面光谱曲面CSg中抽取深度值l处的光谱线加入到点集B当中;其中,g={1、…、G},G表示土壤样本库中土壤剖面光谱曲面的个数;
步骤3-1-3.根据如下公式:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>d</mi>
<mi>B</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>min</mi>
<mrow>
<mi>b</mi>
<mo>&Element;</mo>
<mi>B</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
<mi>a</mi>
<mo>-</mo>
<mi>b</mi>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>h</mi>
<mrow>
<mi>M</mi>
<mi>H</mi>
<mi>D</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>,</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>p</mi>
</mfrac>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>a</mi>
<mo>&Element;</mo>
<mi>A</mi>
</mrow>
</msub>
<msub>
<mi>d</mi>
<mi>B</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
计算获得点集A和点集B之间的平均Hausdorff距离其中,dB(a)表示点集A中元素a到点集B距离的最小值,p为点集A中元素的个数;
步骤3-1-4.判断l是否大于光谱曲面Ct或CSg的最大深度值,是则进入步骤3-1-5;否则,l所对应的值进行加一更新,并返回步骤3-1-2;
步骤3-1-5.针对待识别剖面光谱曲面Ct中各条光谱线分别与土壤样本库土壤剖面光谱曲面CSg中各条光谱线之间的平均Hausdorff距离,采用求平均值方法,获得待识别剖面光谱曲面Ct与土壤样本库中土壤剖面光谱曲面CSg间的平均Hausdorff距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710192544.6A CN107192671B (zh) | 2017-03-28 | 2017-03-28 | 一种基于光谱曲面匹配的土壤类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710192544.6A CN107192671B (zh) | 2017-03-28 | 2017-03-28 | 一种基于光谱曲面匹配的土壤类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107192671A true CN107192671A (zh) | 2017-09-22 |
CN107192671B CN107192671B (zh) | 2018-09-18 |
Family
ID=59871787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710192544.6A Active CN107192671B (zh) | 2017-03-28 | 2017-03-28 | 一种基于光谱曲面匹配的土壤类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107192671B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211814A (zh) * | 2018-10-29 | 2019-01-15 | 中国科学院南京土壤研究所 | 一种基于三维光谱曲面分区特征的土壤剖面类型识别方法 |
CN114216866A (zh) * | 2021-11-05 | 2022-03-22 | 中国科学院南京土壤研究所 | 一种基于高光谱成像技术的土壤剖面颜色获取方法 |
CN114324216A (zh) * | 2022-01-06 | 2022-04-12 | 中国科学院南京土壤研究所 | 一种基于土层组合特征的土壤数值分类方法 |
CN118298573A (zh) * | 2024-05-31 | 2024-07-05 | 深圳市长科安全应急科技有限公司济南分公司 | 一种应用于物流货柜箱的火灾报警方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101210875A (zh) * | 2007-12-25 | 2008-07-02 | 浙江大学 | 基于近红外光谱技术的无损测量土壤养分含量的方法 |
CN103234922A (zh) * | 2013-03-29 | 2013-08-07 | 浙江大学 | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 |
CN203132531U (zh) * | 2013-03-06 | 2013-08-14 | 四川农业大学 | 一种土层详细划分与土壤剖面摄影的土壤标尺 |
CN105548031A (zh) * | 2015-12-18 | 2016-05-04 | 北京农业智能装备技术研究中心 | 基于移动终端的土壤类型识别装置 |
-
2017
- 2017-03-28 CN CN201710192544.6A patent/CN107192671B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101210875A (zh) * | 2007-12-25 | 2008-07-02 | 浙江大学 | 基于近红外光谱技术的无损测量土壤养分含量的方法 |
CN203132531U (zh) * | 2013-03-06 | 2013-08-14 | 四川农业大学 | 一种土层详细划分与土壤剖面摄影的土壤标尺 |
CN103234922A (zh) * | 2013-03-29 | 2013-08-07 | 浙江大学 | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 |
CN105548031A (zh) * | 2015-12-18 | 2016-05-04 | 北京农业智能装备技术研究中心 | 基于移动终端的土壤类型识别装置 |
Non-Patent Citations (7)
Title |
---|
B.P.MALONE 等: "Empirical estimates of uncertainty for mapping continuous depth functions of soil attributes", 《GEODERMA》 * |
G.M. VASQUES 等: "Soil classification using visible/near-infrared diffuse reflectance spectra from multiple depths", 《GEODERMA》 * |
R.A. VISCARRA ROSSEL 等: "A global spectral library to characterize the world"s soil", 《EARTH-SCIENCE REVIEWS》 * |
冯义从 等: "三维自由表面匹配及其应用", 《测绘工程》 * |
戴晓爱 等: "基于高光谱非线性向量空间的光谱曲线特征差异性分析", 《遥感技术与应用》 * |
施蓓琦 等: "典型地物实测光谱的相似性测度与实验分析", 《同济大学学报(自然科学版)》 * |
杜树新 等: "基于Savizky-Golay多项式的三维荧光光谱的曲面平滑方法", 《光谱学与光谱分析》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211814A (zh) * | 2018-10-29 | 2019-01-15 | 中国科学院南京土壤研究所 | 一种基于三维光谱曲面分区特征的土壤剖面类型识别方法 |
CN109211814B (zh) * | 2018-10-29 | 2019-08-06 | 中国科学院南京土壤研究所 | 一种基于三维光谱曲面分区特征的土壤剖面类型识别方法 |
CN114216866A (zh) * | 2021-11-05 | 2022-03-22 | 中国科学院南京土壤研究所 | 一种基于高光谱成像技术的土壤剖面颜色获取方法 |
CN114324216A (zh) * | 2022-01-06 | 2022-04-12 | 中国科学院南京土壤研究所 | 一种基于土层组合特征的土壤数值分类方法 |
CN118298573A (zh) * | 2024-05-31 | 2024-07-05 | 深圳市长科安全应急科技有限公司济南分公司 | 一种应用于物流货柜箱的火灾报警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107192671B (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107192671B (zh) | 一种基于光谱曲面匹配的土壤类型识别方法 | |
CN103854305B (zh) | 一种基于多尺度建模的模型传递方法 | |
CN108733966A (zh) | 一种基于决策树群的多维电能表现场状态检验方法 | |
CN105938505B (zh) | 一种供水管网压力检测点的布置方法 | |
CN102798607A (zh) | 一种利用中红外光谱技术估测土壤有机碳含量的方法 | |
CN113436153B (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
CN109709299B (zh) | 一种基于烃源岩生排烃率的有机碳恢复系数评价方法 | |
CN103389255A (zh) | 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法 | |
CN107729651A (zh) | 基于多维度的坡面细沟发育形态特征综合量化方法 | |
CN113420412B (zh) | 基于成像光谱的土壤有机碳含量连续深度分布提取方法 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
CN117576583A (zh) | 一种基于无人机的冬小麦生物量快速高精准估测方法 | |
CN117312968A (zh) | 一种盐碱农田土壤有机质含量的预测方法 | |
Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
CN106918525A (zh) | 一种烟梗体积变化率检测方法 | |
CN110377989A (zh) | 基于水热耦合平衡的非一致性两变量设计洪水推求方法 | |
CN105954207A (zh) | 一种枣树冠层叶绿素b含量的检测方法 | |
CN111309958A (zh) | 一种基于插值运算的光谱重构方法 | |
CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
CN104182953B (zh) | 像元解混逆过程:规格化多端元分解的高光谱重构方法 | |
CN106320257A (zh) | 基于水文观测的湖库槽蓄曲线确定方法 | |
CN106682237B (zh) | 一种山体边界自动提取方法 | |
CN111090932B (zh) | 一种适应中等复杂地形的在运风电场场地标定方法 | |
CN107657264A (zh) | 一种基于knn分类进行土壤剖面类型识别方法 | |
CN107144222A (zh) | 标准放大图测量方法、测量装置及测量系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |