一种基于简化神经网络的土壤肥力预测方法技术

本发明专利技术公开了一种基于简化神经网络的土壤肥力预测方法，包括以下预测过程：构建基于有机质含量的简化神经网络模型；将模型嵌入到无人机中；由无人机贴地飞行，拍摄待预测位置的图像；获取被测土地的有机质含量预测结果；将模型计算出来的土壤有机质含量预测结果，结合改进的皮尔森系数来确定土壤的肥力信息；通过肥力等级的区分，得出待预测位置最终的土壤肥力等级。本发明专利技术能够获取准确的土壤肥力预测信息，进而有助于精准判断土地所适宜栽种的作物，可在农业工作者播种前进行土壤肥力的动态、精准判定，以对种植的作物进行建议与推荐，可以实现土地最大的利用率。可以实现土地最大的利用率。可以实现土地最大的利用率。

【技术实现步骤摘要】
一种基于简化神经网络的土壤肥力预测方法


[0001]本专利技术涉及一种土壤肥力预测方法，尤其涉及一种基于简化神经网络的土壤肥力预测方法。

技术介绍

[0002]现如今，大多数土壤肥力预测研究都进行了现场采样，使用光谱仪在室内获得土壤反射率，该方法消除了植被和表层沉积物影响，准确度高，但得到的光谱数据信息为点状，难以实现对区域内有机质含量的动态监测。同时，现有的土壤肥力研究依赖于不同的卫星图像，但卫星图像存在重访周期长、像素混合、天气条件等多方面因素限制的问题，使其不能满足准确分析土壤养分信息的要求。逐步已发展有低空无人机挂载高光谱相机进行图像采集，该种方式随成本较高，但使用高光谱相机所采集的图像能轻松的获取到空间分辨率高(厘米级)、多波段(从可见光到近红外)的遥感数据，进而达到成本和使用性的平衡；而神经网络模型可以快速、精准的获得预测信息，若将结合到土壤肥力预测中，将会对土壤肥力的动态监测、准确分析提供更可靠的支持。

技术实现思路

[0003]为了解决上述技术所存在的不足之处，本专利技术提供了一种基于简化神经网络的土壤肥力预测方法。
[0004]为了解决以上技术问题，本专利技术采用的技术方案是：一种基于简化神经网络的土壤肥力预测方法，包括以下预测过程：
[0005]步骤一、构建基于有机质含量的简化神经网络模型；
[0006]步骤二、将简化神经网络模型嵌入到无人机中；
[0007]步骤三、由嵌入简化神经网络的无人机贴地飞行，拍摄待预测位置的图像；
[0008]步骤四、通过简化神经网络获取被测土地的有机质含量预测结果；
[0009]步骤五、将模型计算出来的土壤有机质含量预测结果，结合改进的皮尔森系数来确定土壤的肥力信息；
[0010]步骤六、通过肥力等级的区分，得出待预测位置最终的土壤肥力等级。
[0011]进一步地，步骤一中，简化神经网络模型的构建过程为：数据采集、拆分训练集和测试集、定义神经网络模型、模型训练、模型评估，对其进行轻量化的模型调优，从而获得适用于土壤肥力预测的简化神经网络。
[0012]进一步地，在模型构建过程中，定义的神经网络模型为CNN模型与支持向量机的模型。
[0013]进一步地，在模型构建过程中，CNN模型使用残差网络进行卷积核的优化，支持向量机找到最大间隔超平面，然后对模型的SMO算法优化，解决凸二次规划的对偶问题。
[0014]进一步地，在模型构建过程中，通过皮尔森相关系数分析进行模型的准确性对比，实现模型评估；皮尔森相关系数分析如下式所示：
[0015][0016]式中，X
i
表示第i个样本的有机质含量；代表所有样本的有机质的平均值；Y
i
代表第i个样本的光谱值，代表所有样本的光谱值的平均值。
[0017]进一步地，步骤三中，在使用无人机对待预测位置进行拍摄时，控制无人机的速度，使其能够被简化神经网络模型正确的预测完成；通过计算模型预测的大概时间，确定无人机的贴地飞行速度。
[0018]进一步地，步骤五中，根据改进的皮尔森系数来判断预测的准确性，如下式所示：
[0019][0020]式中，ρ
L，Q
为预测的精确度；L为实际的有机质含量，在模型构建阶段已预先获得；Q为模型预测的有机质含量，N为样本数量。
[0021]进一步地，步骤六中，按照耕地土壤中的有机质情况进行有机质含量分级，划分为优、良、中三个等级，有机质含量＜6g/kg时为中，有机质含量在6
‑
10g/kg之间时为量，有机质含量在10
‑
15g/kg之间时为优。
[0022]本专利技术公开了一种基于简化神经网络的土壤肥力预测方法，能够获取准确的土壤肥力预测信息，进而有助于精准判断土地所适宜栽种的作物，可在农业工作者播种前进行土壤肥力的动态、精准判定，以对种植的作物进行建议与推荐，可以实现土地最大的利用率。
附图说明
[0023]图1为本专利技术土壤肥力的预测流程示意图。
[0024]图2为本专利技术的简化神经网络的网络结构示意视图。
具体实施方式
[0025]下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0026]本专利技术公开了一种基于简化神经网络的土壤肥力预测方法，如图1所示，主要包括以下预测步骤：
[0027]步骤一、构建基于有机质含量的简化神经网络模型；
[0028]步骤二、将简化神经网络模型嵌入到无人机中；
[0029]步骤三、由嵌入简化神经网络的无人机贴地飞行，拍摄待预测位置的图像；
[0030]步骤四、通过简化神经网络获取被测土地的有机质含量预测结果；
[0031]步骤五、将模型计算出来的土壤有机质含量预测结果，结合改进的皮尔森系数来确定土壤的肥力信息；
[0032]步骤六、通过肥力等级的区分，得出待预测位置最终的土壤肥力等级。
[0033]其中，简化神经网络模型的构建过程可概括为：数据采集、拆分训练集和测试集、定义神经网络模型、模型训练、模型评估，对其进行轻量化的模型调优，从而获得适用于土壤肥力预测的简化神经网络。
[0034]模型构建所需的数据主要由现有的实测土地有机质含量数据，以及无人机所拍摄的照片信息提供；经过交叉验证，将数据划分为n份，依次使用其中一份作为测试集、其它n
‑
1份作为训练集；
[0035]神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体作出交互反应；本专利技术采用CNN模型结合支持向量机进行神经网络的定义；
[0036]支持向量机是一种基于统计理论的机器学习方法，具有强大的数学基础和理论支撑。支持向量机基于VC理论和结构风险最小化理论的小样本、非线性和高纬模式识别优势，通过寻求最小化结构风险以提高模型的泛化能力，在运行过程中将问题最终转化为二次寻优，从而实现全局最优，以便在使用较少的已知样本的情况下获得更好的统计结果。
[0037]支持向量机的关键是对核函数的选择，核函数在低维空间中计算内部乘积，而不是直接把低维空间特征映射到高维空间，在解决低维空间中的线性不可分问题的同时避免维数灾难和后续处理复杂性。依据泛函理论，只要有一种核函数满足了Mercer的条件，那它会对应某一变换空间中的内积，满足Mercer条件的核函数包括多项式函数、线性函数、径向基函数(Radial Basis Function,RBF)和Sigmoid函数等，基于不同的核函数可以构造不同类型的支持向量机。
[0038]本专利技术主要采用CNN模型与支持向量机的模型进行预测，CNN模型使用残差网络进行卷积核的优化，支持向量机主要就是找到各类样本点到超平面的距离最远，也就是找到最大间隔超平面，然后对模型的SMO算法优化，解决凸二次规划的对偶问题。
[0039]进而通过皮尔森相关系数分析进行模型的准确性对比，实现模型评估；即将实测采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于简化神经网络的土壤肥力预测方法，其特征在于：包括以下预测过程：步骤一、构建基于有机质含量的简化神经网络模型；步骤二、将简化神经网络模型嵌入到无人机中；步骤三、由嵌入简化神经网络的无人机贴地飞行，拍摄待预测位置的图像；步骤四、通过简化神经网络获取被测土地的有机质含量预测结果；步骤五、将模型计算出来的土壤有机质含量预测结果，结合改进的皮尔森系数来确定土壤的肥力信息；步骤六、通过肥力等级的区分，得出待预测位置最终的土壤肥力等级。2.根据权利要求1所述的基于简化神经网络的土壤肥力预测方法，其特征在于：步骤一中，简化神经网络模型的构建过程为：数据采集、拆分训练集和测试集、定义神经网络模型、模型训练、模型评估，对其进行轻量化的模型调优，从而获得适用于土壤肥力预测的简化神经网络。3.根据权利要求2所述的基于简化神经网络的土壤肥力预测方法，其特征在于：在模型构建过程中，定义的神经网络模型为CNN模型与支持向量机的模型。4.根据权利要求3所述的基于简化神经网络的土壤肥力预测方法，其特征在于：在模型构建过程中，CNN模型使用残差网络进行卷积核的优化，支持向量机找到最大间隔超平面，然后对模型的SMO算法优化，解决凸二次规划的对偶问题。5.根据权利要求4所述的基于简化神经网络的土壤肥力预测方法，其特征在于：在模型构建过程中，...

【专利技术属性】
技术研发人员：李明新，张树旺，程立亮，李绍俊，庞景秋，齐井春，陈兴钰，崔放，李忆平，
申请(专利权)人：长春嘉诚信息技术股份有限公司，
类型：发明
国别省市：