高光谱图像的土壤速效磷含量预测研究(源码)
提高土壤的肥力对作物产量有着很大的帮助，土壤中速效磷的含量是影响土壤肥力的重要因素之一。本研究对采集到的土壤样本先利用化学方法测定其速效磷的含量，再获取其高光谱图像，并对土壤样本的高光谱图像进行平滑降噪、去除光散射过度等预处理，利用无信息变量消除法、随机蛙跳法、连续投影法、竞争自适应法四种方法分别提取特征波段，基于BP算法构建速效磷预测模型，预测速效磷含量。实验结果表明，使用无信息变量消除算法进行波段提取得出的预测结果最好，准确率可达到99%。
目录
摘要 1
关键词 1
Abstract. 1
Key words 1
1 绪论 1
1.1 研究背景及意义 1
1.2 国内外研究现状 2
1.2.1 国外研究现状 2
1.2.2 国内研究现状 2
1.3 研究的主要内容 2
2 土壤样本采集及光谱图像测定 2
2.1 样本采集 3
2.2 高光谱图像测定 3
3 图像预处理 3
3.1 平滑降噪处理 3
3.2 去除散射过度样本 4
3.3 划分预测集及校正集 5
4 波段选择 5
4.1 无信息变量消除算法波段选择 6
4.2 随机蛙跳算法波段选择 6
4.3 连续投影算法波段选择 8
4.4 竞争自适应重加权算法波段选择 9
5 基于BP构建速效磷含量预测模型及预测结果比较 10
5.1 BP神经网络简介 10
5.2 构建速效磷含量预测模型 10
5.3 预测结果比较 11
6 总结及展望 12
致谢 13
参考文献 13
基于高光谱图像的土壤速效磷含量预测研究
引言
现代农业生产之中，研究分析土壤中的化学质能帮助提升土壤肥力及作物产量。其中，土壤中的速效磷含量是评价土壤肥力的重要标准之一，采用高光谱图像研究土壤中的速效磷含量的方法符合现代农业对农业生产“低成本”， *好棒文|www.hbsrm.com +Q: @351916072@
“高效率”，“无污染”的要求，成为当今研究土壤中化学质含量的新方向。
1 绪论
1.1 研究背景及意义
在传统的农业生产之中，作物产量的多少主要取决于土壤肥力的大小，土壤中的有机质含量及化学质含量是判定土壤肥力的主要标准。现阶段，对土壤有机质含量与化学质含量的主要方法是实验测定，实验测定的方法时效差、成本高，难以满足“精准农业”对于土壤中化学物质监测的低成本、高速度的要求。随着化学计量学和计算机科学的发展，高光谱技术得到了迅速的推广应用，高光谱技术具有快速、准确、环保、易于操作等优点, 在农业生产、地球遥感、地质监测等领域得到广泛应用。高光谱技术有效的弥补了实验测定技术的不足，拥有快速、无损、成本低等优点，可以实现对土壤有机质与化学质含量的在线监测，能满足精准农业的需要，在农业应用上高光谱技术发展迅速，已成为当前的研究热点。
目前，关于土壤速效磷含量的高光谱研究刚刚兴起。本文对采集到的土壤样本获取高光谱图像，构建预测模型，进行速效磷含量的预测分析。利用高光谱技术预测土壤速效磷含量能够避免人力物力的浪费，能推动精准农业的发展。
1.2 国内外研究现状
1.2.1 国外研究现状
Kishnan等[1]选取以多个地区的土壤为研究对象，主要研究了土壤有机质反射的最佳波段，实验结果表明可见光区域要优于近红外区域，采用近红外技术的区域可以监测到因由于土壤氮含量光谱反射引起的反射峰和吸收谷。Hummel等[2]在针对土壤有机质和光谱曲线进行研究后，对土壤中的有机质部分进行建模研究，最终建立了一种回归模型。Confort等[3]对采集来自不同地区的300个土样进行偏小二乘回归建模，经过对于不同土样中的全氮含量分析，发现能够达到很高的预测准确度。Vasques [3]采用可反射光谱技术技术对于土壤中的氮含量进行研究。He等[4]用近红外光谱技术，研究了粮食生产区中的土壤速效钾含量的高光谱。
1.2.2 国内研究现状
朱登胜等[5]研究了土壤中的化学质，采用偏最小二乘线性回归分析法预测，得到了土壤中的光谱吸收度与土壤中的有机质含量之间的关系。李颉等[6]用片最小二乘模型对土壤pH值进行预测，预测结果与实测数据具有较好的一致性。侯艳军等[7]研究准噶尔盆地东部地区的塔克拉玛干大沙漠的土壤样本，研究该区域的土壤有机质，建立了多个预测模型，研究表明，在该区域应用偏最小二乘模型要要优于多元线性回归分析及标记分布学习等方法。张娟娟等[8]应用偏最小二乘法及构建BP神经网络进行训练，研究了我国东部沿海地区五个不同地区的土壤，得出了一种土壤高光谱图像与土壤中全氮含量的预测模型。严衍禄等[9]应用回归方程，研究了塔里木盆地的人工林地的盐分高光谱模型。近年来，随着高光谱技术以及精准农业的发展，应用高光谱技术指导农业生产的研究与应用越来越多。但在应用高光谱技术结合计算机技术对土壤中的速效磷含量进行的研究却非常少。
1.3 研究的主要内容
土壤采集及高光谱图像采集
样本为采集自南通及盐城等地的土壤，进行去除杂质等处理后实验测定土壤中的速效磷含量，使用高光谱仪进行高光谱图像的测定。
图像预处理及波段选择
对采集到的图像进行平滑、去噪处理，并去除小于400nm和大于1000nm的波段且筛去光散射过度的土壤样本。对与处理后的图像采用四种算法分别进行波段选择，提取出特征波段。
构建速效磷含量预测模型及比较分析结果
将分别提取出的波段作为特征输入BP神经网络进行训练，输出速效磷含量的预测值与预测值的准确度，对四种波段提取算方法分别构建的模型进行分析。
1.4 技术路线和开发工具
图1 总体流程技术路线
开发工具：MatlabR2017a
MATLAB 是主要针对科学计算、计算机图像、交互设计的高科技计算环境。主要用于数学建模，计算机科学技术等领域的研究。
目录
摘要 1
关键词 1
Abstract. 1
Key words 1
1 绪论 1
1.1 研究背景及意义 1
1.2 国内外研究现状 2
1.2.1 国外研究现状 2
1.2.2 国内研究现状 2
1.3 研究的主要内容 2
2 土壤样本采集及光谱图像测定 2
2.1 样本采集 3
2.2 高光谱图像测定 3
3 图像预处理 3
3.1 平滑降噪处理 3
3.2 去除散射过度样本 4
3.3 划分预测集及校正集 5
4 波段选择 5
4.1 无信息变量消除算法波段选择 6
4.2 随机蛙跳算法波段选择 6
4.3 连续投影算法波段选择 8
4.4 竞争自适应重加权算法波段选择 9
5 基于BP构建速效磷含量预测模型及预测结果比较 10
5.1 BP神经网络简介 10
5.2 构建速效磷含量预测模型 10
5.3 预测结果比较 11
6 总结及展望 12
致谢 13
参考文献 13
基于高光谱图像的土壤速效磷含量预测研究
引言
现代农业生产之中，研究分析土壤中的化学质能帮助提升土壤肥力及作物产量。其中，土壤中的速效磷含量是评价土壤肥力的重要标准之一，采用高光谱图像研究土壤中的速效磷含量的方法符合现代农业对农业生产“低成本”， *好棒文|www.hbsrm.com +Q: @351916072@
“高效率”，“无污染”的要求，成为当今研究土壤中化学质含量的新方向。
1 绪论
1.1 研究背景及意义
在传统的农业生产之中，作物产量的多少主要取决于土壤肥力的大小，土壤中的有机质含量及化学质含量是判定土壤肥力的主要标准。现阶段，对土壤有机质含量与化学质含量的主要方法是实验测定，实验测定的方法时效差、成本高，难以满足“精准农业”对于土壤中化学物质监测的低成本、高速度的要求。随着化学计量学和计算机科学的发展，高光谱技术得到了迅速的推广应用，高光谱技术具有快速、准确、环保、易于操作等优点, 在农业生产、地球遥感、地质监测等领域得到广泛应用。高光谱技术有效的弥补了实验测定技术的不足，拥有快速、无损、成本低等优点，可以实现对土壤有机质与化学质含量的在线监测，能满足精准农业的需要，在农业应用上高光谱技术发展迅速，已成为当前的研究热点。
目前，关于土壤速效磷含量的高光谱研究刚刚兴起。本文对采集到的土壤样本获取高光谱图像，构建预测模型，进行速效磷含量的预测分析。利用高光谱技术预测土壤速效磷含量能够避免人力物力的浪费，能推动精准农业的发展。
1.2 国内外研究现状
1.2.1 国外研究现状
Kishnan等[1]选取以多个地区的土壤为研究对象，主要研究了土壤有机质反射的最佳波段，实验结果表明可见光区域要优于近红外区域，采用近红外技术的区域可以监测到因由于土壤氮含量光谱反射引起的反射峰和吸收谷。Hummel等[2]在针对土壤有机质和光谱曲线进行研究后，对土壤中的有机质部分进行建模研究，最终建立了一种回归模型。Confort等[3]对采集来自不同地区的300个土样进行偏小二乘回归建模，经过对于不同土样中的全氮含量分析，发现能够达到很高的预测准确度。Vasques [3]采用可反射光谱技术技术对于土壤中的氮含量进行研究。He等[4]用近红外光谱技术，研究了粮食生产区中的土壤速效钾含量的高光谱。
1.2.2 国内研究现状
朱登胜等[5]研究了土壤中的化学质，采用偏最小二乘线性回归分析法预测，得到了土壤中的光谱吸收度与土壤中的有机质含量之间的关系。李颉等[6]用片最小二乘模型对土壤pH值进行预测，预测结果与实测数据具有较好的一致性。侯艳军等[7]研究准噶尔盆地东部地区的塔克拉玛干大沙漠的土壤样本，研究该区域的土壤有机质，建立了多个预测模型，研究表明，在该区域应用偏最小二乘模型要要优于多元线性回归分析及标记分布学习等方法。张娟娟等[8]应用偏最小二乘法及构建BP神经网络进行训练，研究了我国东部沿海地区五个不同地区的土壤，得出了一种土壤高光谱图像与土壤中全氮含量的预测模型。严衍禄等[9]应用回归方程，研究了塔里木盆地的人工林地的盐分高光谱模型。近年来，随着高光谱技术以及精准农业的发展，应用高光谱技术指导农业生产的研究与应用越来越多。但在应用高光谱技术结合计算机技术对土壤中的速效磷含量进行的研究却非常少。
1.3 研究的主要内容
土壤采集及高光谱图像采集
样本为采集自南通及盐城等地的土壤，进行去除杂质等处理后实验测定土壤中的速效磷含量，使用高光谱仪进行高光谱图像的测定。
图像预处理及波段选择
对采集到的图像进行平滑、去噪处理，并去除小于400nm和大于1000nm的波段且筛去光散射过度的土壤样本。对与处理后的图像采用四种算法分别进行波段选择，提取出特征波段。
构建速效磷含量预测模型及比较分析结果
将分别提取出的波段作为特征输入BP神经网络进行训练，输出速效磷含量的预测值与预测值的准确度，对四种波段提取算方法分别构建的模型进行分析。
1.4 技术路线和开发工具
图1 总体流程技术路线
开发工具：MatlabR2017a
MATLAB 是主要针对科学计算、计算机图像、交互设计的高科技计算环境。主要用于数学建模，计算机科学技术等领域的研究。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1645.html
