【技术实现步骤摘要】
本专利技术涉及深度学习，更具体地说，它涉及一种基于注意力机制的深度神经网络土壤有机碳含量预测方法。
技术介绍
1、土壤有机碳是生态系统健康的关键指标之一，影响着土壤肥力和植被生长。因此，有必要快速准确地测量土壤有机碳的含量。目前，土壤有机碳的测量主要依赖于实验室化学检测。虽然化学检测方法可以提供准确的检测结果，但其昂贵又耗时，而且对设备和操作人员的要求也很高。红外光谱技术是近年来发展迅速的定性和定量测量方法。通过建立光谱和样品特征之间的相关性模型，可以对样品的化学和物理性质进行定量和定性分析。红外光谱技术在分析土壤的特定成分方面起着重要作用，被广泛用于评价土壤的各种成分。不同的土壤成分根据其分子结构和组成吸收特定波长的光，特别是在与氢原子结合的碳、氮和氧键区域。通过建立这些土壤成分与其特征吸收波段之间的关系，可以实现土壤成分的测量。
2、以往的研究往往局限于单一区域的狭窄范围，由于土壤差异较小，所使用的建模样本量通常较小(几百个样本)，这限制了模型的适用性。此外，尽管小规模模型可以提供准确的预测结果，但其适用性有限，缺乏泛化能力，不适合其他地区。然而，随着全球土壤光谱数据库的建立，为大规模土壤成分预测模型的研究提供了丰富的数据基础。在大范围内，土壤样品表现出更高的多样性，这需要使用更复杂的非线性数学模型来描述这种多样性。深度学习方法，特别是卷积神经网络(cnn)，在这方面提供了新的可能性。在传统的cnn架构中，对输入特征的空间布局相对不敏感可能导致模型的性能下降。在设计和应用cnn模型时，需要考虑这种结构限制。>
技术实现思路
1、本专利技术提供一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，解决相关技术中土壤样品表现出更高的多样性，简单的线性模型无法适用于所有地区的土壤有机碳含量的预测的技术问题。
2、本专利技术提供了一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，包括以下步骤：
3、利用光谱仪获取土壤样本的漫反射光谱数据；
4、将待测的土壤漫反射光谱数据输入到模型中，预测该土壤样本有机碳含量，所述模型是指预先搭建的基于注意力机制的深度神经网络土壤有机碳含量预测模型。
5、进一步地，模型结构包括多个并行的卷积层、多尺度注意力机制模块、池化层和全连接层，在多个卷积层后增设多尺度注意力机制模块。
6、进一步地，并行卷积层包括3个卷积分支，输入张量x经过3个卷积分支处理，每个卷积分支利用不同的卷积核处理，将这些分支的输出在通道维度上进行拼接，形成一个新的输入张量y；
7、y＝concat(y1×1,y3×3,y5×5)
8、其中，y1×1，y3×3，y5×5分别为不同卷积核大小，concat操作是沿着通道维度合并各个卷积分支的输出。
9、进一步地，并行卷积层后连接多尺度注意力机制模块，捕获输入特征中不同通道的重要性，设x为输入张量，形状为，对于每个通道，通过池化层的自适应平均池化和自适应最大池化得到向量favg和向量fmax。
10、favg＝avgpool(x)
11、fmax＝maxpool(x)。
12、进一步地，向量favg和向量fmax被全连接网络进一步处理，两种池化策略的输出向量通过全连接层后分别得到fc(favg)和fc(fmax)；
13、fc(f)＝w2·relu(w1·f)
14、其中w1和w2为全连接层权重矩阵，将fc(favg)和fc(fmax)相加后，用sigmoid函数将这些权重转换成0到1之间的值。
15、最后，这些权重乘以原始输入向量x，得到x'；
16、x'＝x×(sigmod((fc(favg)+fc(fmax))))。
17、进一步地，模型的训练方法包括：
18、去除低于仪器检测限的有机碳含量数据，去除光谱边缘波段，并进行滤波，按照3:1比例划分模型训练集和测试集；
19、对训练集和测试集的漫反射光谱数据和有机碳含量数据进行预处理，构建特征；
20、测定土壤样本的有机碳含量数据构建标签矩阵；
21、通过训练集对模型进行监督训练，通过测试集测试模型性能。
22、进一步地，采用r2、rmse、mse、rpiq和rpd指标来评估模型性能，具体公式如下：
23、
24、
25、其中，是预测值，yi是真实值，是样本平均值，sd是样本标准偏差，n是样本的数量，q3和q1分别是样本的第1个四分位数和第3个四分位数。
26、进一步地，step1中采集土壤样本不同角度的漫反射光谱，构成多通道特征光谱。
27、进一步地，step1还包括数据预处理阶段，去除了400至500nm波长范围内的光谱数据，对每条光谱进行了一阶导数处理。
28、本专利技术提供一种基于注意力机制的深度神经网络模型，包括多个并行的卷积层、多尺度注意力机制模块、池化层和全连接层，在多个卷积层后增设多尺度注意力机制模块。
29、本专利技术的有益效果在于：
30、本专利技术的方法相比传统化学分析方法，具有成本低、速度快、可扩展性强的优点，特别适用于大规模土壤监测和管理。通过精确的土壤有机碳预测，可以为农业生产提供科学依据，促进土壤管理的精准化和可持续性。
31、通过上述方法的实施，本专利技术不仅提升了土壤有机碳含量预测的准确性，还具备操作简便、成本效益高的特点，为土壤科学研究和相关农业环境的实践提供了一种新的技术手段。
本文档来自技高网...【技术保护点】
1.一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，模型结构包括多个并行的卷积层、多尺度注意力机制模块、池化层和全连接层，在多个卷积层后增设多尺度注意力机制模块。
3.根据权利要求2所述的一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，并行卷积层包括3个卷积分支，输入张量x经过3个卷积分支处理，每个卷积分支利用不同的卷积核处理，将这些分支的输出在通道维度上进行拼接，形成一个新的输入张量y；
4.根据权利要求3所述的一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，并行卷积层后连接多尺度注意力机制模块，捕获输入特征中不同通道的重要性，设x为输入张量，形状为，对于每个通道，通过池化层的自适应平均池化和自适应最大池化得到向量favg和向量fmax；
5.根据权利要求4所述的一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，向量favg和向量fmax被全连接网
6.根据权利要求1-5任一所述的一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，模型的训练方法包括：
7.根据权利要求6所述的一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，采用R2、RMSE、MSE、RPIQ和RPD指标来评估模型性能，具体公式如下：
8.根据权利要求1所述的一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，Step1中采集土壤样本不同角度的漫反射光谱，构成多通道特征光谱。
9.根据权利要求1所述的一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，Step1还包括数据预处理阶段，去除了400至500nm波长范围内的光谱数据，对每条光谱进行了一阶导数处理。
10.一种基于注意力机制的深度神经网络模型，其特征在于，包括多个并行的卷积层、多尺度注意力机制模块、池化层和全连接层，在多个卷积层后增设多尺度注意力机制模块。
...【技术特征摘要】
1.一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，模型结构包括多个并行的卷积层、多尺度注意力机制模块、池化层和全连接层，在多个卷积层后增设多尺度注意力机制模块。
3.根据权利要求2所述的一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，并行卷积层包括3个卷积分支，输入张量x经过3个卷积分支处理，每个卷积分支利用不同的卷积核处理，将这些分支的输出在通道维度上进行拼接，形成一个新的输入张量y；
4.根据权利要求3所述的一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，并行卷积层后连接多尺度注意力机制模块，捕获输入特征中不同通道的重要性，设x为输入张量，形状为，对于每个通道，通过池化层的自适应平均池化和自适应最大池化得到向量favg和向量fmax；
5.根据权利要求4所述的一种基于注意力机制的深度神经网络土壤有机碳含量预测方法，其特征在于，向量favg和向量fma...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。