(19)中华 人民共和国 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 202111263836.7 (22)申请日 2021.10.27 (71)申请人 金陵科技学院 地址 211169 江苏省南京市江宁区弘景 大 道99号 (72)发明人 张栖瀚　刘娅　张悦文　陈丹艳　 谢静瑛　 (74)专利代理 机构 南京知识律师事务所 32 207 代理人 陈卓 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) (54)发明名称 一种土壤湿润状态下同时预测多种土壤属 性的方法 (57)摘要 本发明涉及一种土壤湿润状态下同时预测 多种土壤属性的方法， 采用大多数研究中鲜有使 用的湿润土壤可见 ‑近红外高光谱 数据进行土壤 属性的预测和建模， 首先对高光谱 数据进行分数 阶微分处理， 然后通过建立多输出的一维卷积神 经网络模型 1DCNN来预测土壤有机质、 水分、 氧化 铁、 砂粒、 粉粒和粘粒含量， 实现上述土壤属性数 据基于可见 ‑近红外光谱的精准预测。 通过本发 明提供的方法， 无需对土壤样品进行风干处理， 且仅需建立一个模型， 即可实现对多种土壤属性 含量的精准预测。 该方法有效提高了基于可见 ‑ 近红外光谱 数据预测土壤属性的效率和精度， 提 升了高光谱 数据的使用便捷性， 同时有效避免了 土壤水分会影 响土壤属性预测精度的问题， 具有 推广应用的潜力。 权利要求书2页 说明书6页 附图4页 CN 114004147 A 2022.02.01 CN 114004147 A 1.一种土壤湿润状态下同时预测多种土壤属性的方法， 用于实现目标区域中待检测土 壤的土壤含水量、 有机质、 氧化铁、 砂粒、 粘粒和粉粒含量预测， 其特征在于， 首先执行如下 步骤A至步骤D， 获得目标区域所对应的上述六种土壤属性的预测模型， 然后执行如下步骤I 至步骤III， 获得目标土壤区域中待检测土壤的上述六种土壤属性预测结果： 步骤A.根据目标区域所对应的已有土壤资料数据， 提取其中来自目标区域、 分别对应 不同土壤含水量的土壤样品的土壤光谱， 并且其中所对应的不同土壤含水量中覆盖目标土 壤区域低于风干 土壤含水量至 饱和土壤含水量的含水量的范围， 然后进入步骤B； 步骤B.针对各 条土壤光谱， 获得土壤原 始光谱， 然后进入步骤C； 步骤C.基于土壤原始光谱数据， 排 除非400‑2400nm波段和存在空值的数据， 筛选过后 的数据进行分数阶微分的处 理； 步骤D.搭建1DCNN， 将事先进行过分数阶微分处理的光谱数据作 为自变量传入网络， 输 出的结果为一个1*6维的向量， 分别对应预测土壤中的水分、 有机质 、 氧化铁、 砂粒、 粉粒和 粘粒含量， 获取最优 模型和最佳微分阶数； 步骤I.采集目标土壤区域中待检测土壤， 并获取待检测土壤所对应的土壤光谱， 然后 进入步骤I I； 步骤II.按步骤C的方法， 获得待检测土壤的土壤分数阶微分光谱， 然后进入步骤I II； 步骤III.以步骤D确定的最佳微分阶数的光谱为自变量， 采用步骤D中目标土壤区域所 筛选的最优1DCNN模型进行计算， 获得待检测 土壤所对应的含水量、 有机质、 氧化铁、 砂粒、 粉粒、 粘粒含量。 2.根据权利要求1所述的一种土壤湿润状态下同时预测多种土壤属性的方法， 其特征 在于， 所述 步骤C包括如下步骤： 步骤C1.基于二维矩阵的数据格式， 按照下列方程逐行、 逐列运算， 计算原始光谱的分 数阶微分 式中， f(x)为对应波段反射率； v为阶数； Γ( ·)为伽玛(gamma)函数； m为微分的上下限 之差， 即波段 范围； 步骤C2.按照上述公式， v分别取0， 0.1， 0.2， 0.3， ……， 2， v按照上述规律逐个取值分别 对应原始光谱， 0.1阶微分光谱， 0.2阶微分光谱， 0.3阶微分光谱， ……， 2阶微分光谱， 然后 进入步骤D。 3.根据权利要求1所述的一种土壤湿润状态下同时预测多种土壤属性的方法， 其特征 在于， 所述 步骤D包括如下步骤： 步骤D1.对于原始光谱数据， 分别搭建1DCNN， 将事先进行过分数阶微分处理的光谱数 据作为自变量传入网络， 输出的结果为一个1*6维的向量， 分别对应预测 土壤中的水分、 有 机质、 氧化铁、 砂粒、 粉粒和粘粒含量； 步骤D2.每完成一个数据的训练保存一次loss， 利用反向传播算法更新权重和偏置， 重 复训练， 每一次训练都使用visdom实现loss的可视化， 直到loss不再发生明显变化,此时保权　利　要　求　书 1/2 页 2 CN 114004147 A 2存训练的次数， 作为以后训练epoc h初始值选择的依据， 同时保存训练好的模型； 步骤D3.计算训练集水分、 有机质、 氧化铁、 砂粒、 粉粒和粘粒含量实测值和模型预测值 的决定系数R2、 均方根误差RMSE和相对分析误差RP D； 步骤D4.对于0.1阶、 0.2阶， ……， 2阶微分光谱， 均按照步骤D1到D3执行， 获取训练好的 模型； 步骤D5.比较每个阶数的微 分光谱所对应模型获得的决定系数 R2、 均方根误差RMSE和相 对分析误差RPD， 选取R2最高、 RMSE最小且RPD最高的微分阶数光谱对应的训练模型为最佳 训练模型。权　利　要　求　书 2/2 页 3 CN 114004147 A 3