[发明专利]一种土壤全氮光谱估算模型校正样本集构建方法

说明书

技术领域

本发明属于光谱分析技术领域，涉及一种土壤全氮光谱估算模型校正样本集构建方法，具体涉及一种结合光谱变换和Kennard-Stone算法的土壤全氮光谱估算模型校正样本集构建方法。

背景技术

土壤氮素作为土壤重要的化学组分，是衡量土壤肥力的重要指标，同时在全球氮循环中扮演着重要角色。准确、快速、低成本地获取土壤氮素时空分布信息，对促进精准农业发展，保障国家粮食安全，保护自然生态环境均具有重要意义。

使用土壤在可见-近红外区间内的反射光谱或光谱指数进行土壤组分含量估算已成为土壤遥感的重要研究方向。该方法较传统的化学分析方法具有操作简单、快速、无污染、成本低等优点，但仍面临着模型预测精度相对较低等问题。

在现有提高土壤组分光谱反演模型预测精度的技术方法中，绝大部分相关论著及专利主要关注光谱预处理方法、回归建模方法及土壤水分等外部因素的消除，忽视了校正样本集的构建对土壤组分光谱估算模型预测精度的影响。例如，刘艳芳等(2015)通过构建具有不同层次土壤信息代表性的校正集，探讨了不同校正集构建方法对土壤有机质可见-近红外光谱估算模型预测精度的影响，发现考虑多层次土壤信息代表性的校正集构建方法能够有效提高土壤有机质光谱估算模型的适用性。又如，申请公开号为CN103712923A的发明专利申请文件公开了一种土壤野外原位测量光谱中去除水分影响因素的方法，包括如下步骤：(1)野外原位土壤光谱数据的获取；(2)转换样本的选取；(3)计算转换系数；(4)水分影响因素的去除；(5)土壤有机质预测。其中转换样本的选取具体实施为先对土壤样本野外光谱数据进行主成分分析，根据主成分分析结果，再进行Kennard-Stone算法选择出具有代表性的土壤样本作为转换样本。

建模样本的选取和校正样本集的构建对土壤全氮含量可见-近红外光谱估算模型稳定性及预测精度具有重要影响。如何在一定成本约束的条件下构建具有代表性的校正样本集关系到土壤全氮含量可见-近红外光谱估算模型的实用性。现有的基于土壤反射光谱信息的样本集构建方法忽视了“土壤反射光谱是多种土壤内在理化属性的外在反映，未必是某一特定土壤组分的最佳指示变量”这一事实，存在先天局限性。

对于土壤组分而言，使用不同的光谱变换后的光谱建立的模型预测精度通常要优于基于反射光谱建立的模型。在进行土壤全氮含量光谱估算建模的时候，应尝试使用光谱经过不同光谱变换后的结果作为Kennard-Stone算法的输入数据，进而构建校正样本集。因此，本发明提出一种结合光谱变换和Kennard-Stone算法的土壤全氮光谱估算模型校正样本集构建方法。

发明内容

本发明针对现有技术在使用土壤可见-近红外反射光谱构建土壤全氮含量可见-近红外光谱估算模型校正样本集不够具有代表性的问题，提出了一种结合光谱变换和Kennard-Stone算法的土壤全氮光谱估算模型校正样本集构建方法，该方法与以往直接基于反射光谱构建的校正样本集更具有空间代表性，且其建立的模型预测精度大大提高。

本发明所采用的技术方案是：一种土壤全氮光谱估算模型校正样本集构建方法，其特征在于，包括以下步骤：

步骤1：测量土壤样本的可见-近红外光谱数据和全氮含量数据；

步骤2：对光谱数据进行不同的光谱变换，对光谱变换后数据挑选校正样本集；

步骤3：利用偏最小二乘法建立土壤全氮含量估算模型。

本发明提出了结合光谱变换结合Kennard-Stone算法土壤全氮光谱估算模型校正样本集构建方法，该方法与以往直接使用土壤反射光谱结合Kennard-Stone算法构建的校正样本集相比，构建的校正样本集更具有空间代表性，建立的土壤全氮光谱预测模型精度更高。为构建具有目标组分代表性的校正样本集提供了新思路。

附图说明

图1是本发明实施例的流程图。

图2是本发明实施例构建的校正样本集的空间分布图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种土壤全氮光谱估算模型校正样本集构建方法，包括以下步骤：

步骤1：测量土壤样本的可见-近红外光谱数据和全氮含量数据；