一種表層土壤氮素分布的預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種土壤氮素的預(yù)測方法，特別涉及一種表層土壤氮素分布的預(yù)測方 法。
【背景技術(shù)】
[0002] 土壤氮素是影響作物生長以及環(huán)境質(zhì)量的重要元素。氮素不足條件下，許多植物 生理生長過程受到影響從而導(dǎo)致作物減產(chǎn)；但是過量氮肥施用不僅會提高農(nóng)業(yè)生產(chǎn)成本， 礦質(zhì)氮素淋失會造成地表與地下水體的非點源污染。長期氮肥施用造成的土壤剖面礦質(zhì)氮 大量富集嚴重影響了農(nóng)產(chǎn)品品質(zhì)進而威脅人體健康。而受多種成土因素和環(huán)境要素的影 響，土壤氮素在空間上呈現(xiàn)非均勻性分布。因此，土壤氮素空間分布的預(yù)測在區(qū)域農(nóng)業(yè)生產(chǎn) 和環(huán)境保護等方面具有重要的作用和意義。
[0003] 傳統(tǒng)的土壤氮素測定方法主要是野外采樣技術(shù)。野外采樣是在所確定的土壤區(qū)域 內(nèi)根據(jù)所需要的精度確定樣點密度與數(shù)量的基礎(chǔ)上進行區(qū)域定點采取，并結(jié)合后期的室內(nèi) 化驗分析獲取土壤氮素含量，這種方法的優(yōu)點在于測定準確度高，但是較大區(qū)域的研宄則 顯得耗時費力成本高，并且通?；谝巴獠蓸荧@得的樣點土壤氮素含量信息很難滿足區(qū)域 農(nóng)業(yè)生產(chǎn)和環(huán)境保護中對面域土壤氮素含量分布特征的實時需求。因此，快速、實時、準確 獲取區(qū)域土壤氮素含量的空間分布信息是掌握區(qū)域土壤氮素肥力現(xiàn)狀、科學的土壤養(yǎng)分管 理和環(huán)境保護的現(xiàn)實需要。
[0004] 為了解決傳統(tǒng)氮素測定方法實時性差等缺點，部分學者逐步開始應(yīng)用具有速度快 現(xiàn)實性好優(yōu)點的遙感技術(shù)進行模型探索。但是氮素土壤氮素空間分布是各種地表環(huán)境因素 共同作用的結(jié)果，單純利用遙感技術(shù)進行土壤分析易造成較大誤差從而降低建模精度。
[0005] 本發(fā)明的技術(shù)方案如下：
[0006] 一種表層土壤氮素分布的預(yù)測方法，包括以下步驟：
[0007] (1)數(shù)據(jù)獲?。核鰯?shù)據(jù)包括實測土樣數(shù)據(jù)、遙感數(shù)據(jù)和地面輔助變量；
[0008] (2)將所述步驟（1)獲取的數(shù)據(jù)代入預(yù)設(shè)的模型中，運算得到表層土壤氮素的空 間分布，所述模型為小波神經(jīng)網(wǎng)絡(luò)耦合模型，所述小波神經(jīng)網(wǎng)絡(luò)耦合模型由小波分析結(jié)合 神經(jīng)網(wǎng)絡(luò)模型建立得到。
[0009] 優(yōu)選的，所述實測土樣數(shù)據(jù)的獲取方法包括以下步驟：
[0010] 以研宄區(qū)地形圖、土地利用現(xiàn)狀圖和土壤類型分布圖為輔助信息，以代表性和均 勻性為采樣原則，結(jié)合地形信息和土壤類型信息進行土壤樣點布設(shè)，在每個樣點處采用多 點混合方法采集得到土壤樣品；
[0011] 對所述土壤樣品進行檢測，得到土壤有機質(zhì)和堿解氮含量以及土壤全氮含量。
[0012] 優(yōu)選的，所述遙感數(shù)據(jù)獲得包括以下步驟：
[0013] (a)獲取野外采樣時間前后1~2月時期內(nèi)遙感影像；
[0014] (b)對步驟（a)中所得到的遙感影像依次進行區(qū)域裁剪、幾何校正處理、濾波處理 消除遙感影像上的噪聲和提取各波段像元灰度值，得到遙感數(shù)據(jù)。
[0015] 優(yōu)選的，所述遙感影像上的噪聲來自微地形、地物陰影、地表紋理差異和成像過程 中的一種或多種情況。
[0016] 優(yōu)選的，所述地面輔助變量包括自然因素和人為因素；
[0017] 所述地面輔助變量的獲取：在進行獲取實測土樣數(shù)據(jù)時記錄研宄區(qū)的地理坐標和 海拔高度，記錄樣點所在的環(huán)境信息；
[0018] 所述自然因素包括成土母質(zhì)、土壤質(zhì)地、土壤結(jié)構(gòu)和土壤類型；
[0019] 所述人為因素包括土地利用方式、有機質(zhì)含量與施肥量。
[0020] 優(yōu)選的，所述地面輔助變量按照以下方式進行處理后代入預(yù)設(shè)的模型：
[0021] 所述有機質(zhì)含量與施肥量作為定量化數(shù)據(jù)，直接參與建模部分；
[0022] 所述成土母質(zhì)、土壤質(zhì)地、土壤結(jié)構(gòu)、土壤類型以及土地利用方式作為非定量因 子，看作虛擬變量處理，根據(jù)各指標表層土壤氮素含量均值由高到低排序并賦值，將非定量 數(shù)據(jù)轉(zhuǎn)化為定量數(shù)據(jù)。
[0023] 優(yōu)選的，所述小波神經(jīng)網(wǎng)絡(luò)耦合模型的建立方法包括以下步驟：
[0024] 以梯度下降BP學習算法為小波神經(jīng)網(wǎng)絡(luò)耦合模型算法基礎(chǔ)；以BP網(wǎng)絡(luò)模型的三 層基本結(jié)構(gòu)為小波神經(jīng)網(wǎng)絡(luò)耦合模型的結(jié)構(gòu)基礎(chǔ)；所述的三層基本結(jié)構(gòu)包括輸入層、輸出 層和隱含層；
[0025] 所述的輸入層為地面輔助變量和遙感影像8個波段遙感數(shù)據(jù)值；所述輸入層的數(shù) 值均進行歸一化或標準化處理；
[0026] 所述的輸出層為樣點土壤氮素含量值；
[0027] 所述的隱層為Morlet小波函數(shù)，所述隱層的閥值為小波基函數(shù)的平移參數(shù)；
[0028] 所述輸入層與所述隱層之間的權(quán)值為小波基函數(shù)的尺度參數(shù)。
[0029] 優(yōu)選的，所述小波神經(jīng)網(wǎng)絡(luò)耦合模型的表達式如式I所示為：
[0030]
式1;
[0031] 所述的式I中，xz為輸入層的第z個輸入樣本，yz為輸出層的第z個輸出值，wu 為連接輸入層節(jié)點i與隱含層節(jié)點j的權(quán)值，vw為連接輸出層節(jié)點k與隱含層節(jié)點j的權(quán) 值，供知?為Morlet小波函數(shù)，其中a和b分別為第j隱層節(jié)點的伸縮和平移系數(shù)，n、h和 m分別為為輸入層、隱含層和輸出層節(jié)點個數(shù)，〇為Sigmoid函數(shù)。
[0032] 本發(fā)明的優(yōu)勢：
[0033] (1)本發(fā)明提供了一種能夠?qū)崟r、高效、高精度地預(yù)測表層土壤氮素的空間分布的 預(yù)測方法。本發(fā)明的積極效果在于通過遙感數(shù)據(jù)與地面輔助變量的有機融合，建立小波神 經(jīng)網(wǎng)絡(luò)耦合模型，實現(xiàn)了用較少樣點進行空間插值以獲取采樣區(qū)土壤氮素含量，從而節(jié)省 采樣樣點、采樣時間以及采樣經(jīng)費，有效的降低了土壤性質(zhì)空間數(shù)據(jù)的獲取成本，并提高了 空間插值精度。
[0034] (2) 土壤性質(zhì)的空間分布受到各種地表環(huán)境因素的共同作用。單純利用遙感數(shù)據(jù) 進行土壤分析易造成較大誤差從而降低建模精度。引入自然因素和人為因素作為輔助變量 的土壤性質(zhì)分布的預(yù)測方法在不同程度上考慮了自然因素和人為因素對土壤性質(zhì)空間分 布的影響，其預(yù)測精度較僅基于遙感光譜數(shù)據(jù)建模方法將會有一定的改善。
[0035] (3)小波分析具有良好的時頻局部特性和變焦特性，它在模式識別、圖像降噪壓縮 和非線性科學等方面取得了許多突破性進展。神經(jīng)網(wǎng)絡(luò)模型具有較強的非線性逼近能力， 能有效建立輸入、輸出量之間的全局性非線性映射關(guān)系，具有很好的自學習、自組織、自適 應(yīng)和泛化能力，在數(shù)據(jù)擬合、函數(shù)逼近等方面有著明顯優(yōu)勢，并且已被證明在土壤性質(zhì)的預(yù) 測中相較于其他方法如主成分回歸、多元線性回歸、偏最小二乘回歸等方法具有更理想的 效果。本申請的技術(shù)方案，將小波分析與神經(jīng)網(wǎng)絡(luò)模型優(yōu)勢有機的結(jié)合起來，并結(jié)合地表輔 助變量信息達到進一步提高土壤性質(zhì)空間分布預(yù)測精度的目的。
[0036] 本方法的推廣可為開展區(qū)域土壤性質(zhì)的實時、快速、高效的空間分布預(yù)測提供一 定方法參考。
[0037] 本發(fā)明提供了一種表層土壤氮素分布的預(yù)測方法，包括以下步驟：
[0038] (1)數(shù)據(jù)獲?。核鰯?shù)據(jù)包括實測土樣數(shù)據(jù)、遙感數(shù)據(jù)和地面輔助變量；
[0039] (2)將所述步驟（1)獲取的數(shù)據(jù)代入預(yù)設(shè)的模型中，運算得到表層土壤氮素的空 間分布，所述模型為小波神經(jīng)網(wǎng)絡(luò)耦合模型，所述小波神經(jīng)網(wǎng)絡(luò)耦合模型由小波分析結(jié)合 神經(jīng)網(wǎng)絡(luò)模型建立得到。
[0040] 本發(fā)明提供的預(yù)測方法能夠高精度預(yù)測表層土壤氮素的空間分布。
[0041] 本發(fā)明獲取待測表層土壤的數(shù)據(jù)，所述數(shù)據(jù)包括實測土樣數(shù)據(jù)、遙感數(shù)據(jù)和地面 輔助變量。
[0042] 本發(fā)明獲取待測區(qū)域的實測土壤數(shù)據(jù)，所述實測土樣數(shù)據(jù)優(yōu)選按照以下方法獲 得：
[0043] 以待測區(qū)域地形圖、土地利用現(xiàn)狀圖和土壤類型分布圖為輔助信息，以代表性和 均勻性為采樣原則，結(jié)合地形信息和土壤類型信息進行土壤樣點布設(shè)，在每個樣點處采用 多點混合方法采集得到土壤樣品；
[0044] 對所述土壤樣品進行檢測，得到土壤有機質(zhì)和堿解氮含量以及土壤全氮含量。
[0045] 本發(fā)明對樣點布設(shè)和采集方法沒有特殊要求，