[发明专利]一种基于深度神经网络的土壤速效养分反演方法

权利要求书

1.一种基于深度神经网络的土壤速效养分反演方法，其特征在于：包括以下步骤：

步骤1、卫星遥感数据库的建立；

步骤2：无人机遥感数据库的建立，所述无人机遥感数据库的数据采集间隔时间小于所述卫星遥感数据库；

步骤3：农田环境基础数据库的建立；

步骤4：在训练实验区域通过在若干个调查点现场采样调查土壤养分获得地面速效养分测试值，根据调查点位置形成土壤养分分布测试图；

步骤5：土壤速效养分建模，卫星遥感数据库、无人机遥感数据库和农田环境基础数据库提供数据作为土壤速效养分的协变量信息，卷积神经网络通过梯度反向传播算法进行学习训练得到土壤速效养分反演模型；

步骤6：获取需要进行预测的区域的协变量信息，经预处理后输入土壤速效养分反演模型，产出该区域土壤养分分布图。

2.根据权利要求1所述的一种基于深度神经网络的土壤速效养分反演方法，其特征在于：所述步骤5包括：

S5.1：生成回归矩阵，根据调查点的位置，卫星遥感数据库、无人机遥感数据库和农田环境基础数据库提供相应数据作为土壤速效养分的协变量信息，覆盖叠加协变量信息生成回归矩阵；

S5.2：拟合空间预测模型，设计卷积神经网络，其同一平面上的神经元权值相等，将回归矩阵转化为向量输入，将土壤养分分布测试图作为学习目标，通过梯度反向传播算法进行学习训练，得到土壤速效养分反演模型。

3.根据权利要求2所述的一种基于深度神经网络的土壤速效养分反演方法，其特征在于：所述步骤S5.2中卷积神经网络的学习过程为：输入值通过三个可训练的滤波器和可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中每组若干特征再进行求和、加权值、加偏置，再通过Sigmoid函数得到三个S2层的土壤速效养分特征映射图；土壤速效养分特征映射图再经过滤波得到C3层，C3层的层级结构通过产生S2层的方法产生S4层；最终，协变量信息形成向量输入到卷积神经网络，得到输出获得土壤速效养分反演模型。

4.根据权利要求1-3中任一所述的一种基于深度神经网络的土壤速效养分反演方法，其特征在于：所述步骤1中卫星遥感数据库中包括卫星遥感数据，还包括卫星遥感数据反演所得的田块边界、作物种植类型、作物长势及单产水平数据；所述步骤2中无人机遥感数据库包括周期性获取的无人机遥感数据及其反演所得的田块边界、作物种植类型、作物长势及单产水平数据。

5.根据权利要求4所述的一种基于深度神经网络的土壤速效养分反演方法，其特征在于：所述步骤3中所述农田环境基础数据库包括农作物物候数据库、农田环境数据库、农业气象数据库、土壤基础地理数据库和土地利用覆盖数据库，所述农田环境数据库和所述农业气象数据库的数据采集间隔时间小于所述卫星遥感数据库。

6.根据权利要求5所述的一种基于深度神经网络的土壤速效养分反演方法，其特征在于：

所述构建农作物物候数据库的数据包括主要作物品种、种植时间、收割时间、作物不同生育期时间、作物生物量、叶面积指数、行密度、垄密度和抽样株单产等信息；

所述构建农田环境数据库的数据包括作物生长过程不同时间节点的土壤温度、土壤湿度、pH值、空气温湿度和病虫草害发生情况数据；

所述构建农业气象数据库的数据包括太阳辐射、最低温度、最高温度、水汽压、平均风速、降水量以及气象卫星数据；

所述构建土壤基础地理数据库的数据包括土壤历史测土配方数据、土壤类型、坡度和海拔高度；

所述构建土地利用覆盖数据库包括土地覆被类型。

7.根据权利要求6所述的一种基于深度神经网络的土壤速效养分反演方法，其特征在于：所述步骤6中，当卫星遥感数据库缺乏属于某一反演时间区间内的数据时，将该时间区间前后最接近的卫星遥感数据及其反演所得的相关数据作为该次反演的输入值，同时无人机遥感数据为该反演时间区间内采集的数据。