排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
受到土壤种类、水分等客观因素的干扰,基于图像预测土壤有机质(Soil organic matter, SOM)含量与传统方法在检测精度上仍存在差距,限制了相关技术的推广和普及。为提升基于图像预测SOM含量的精度,本研究提出N＿DenseNet网络模型,在DenseNet169基础上加入多尺度池化模块,通过获取更多的维度特征提升模型的性能,并结合Android端开发SOM实时检测应用程序(APP),通过内网透射实现PC端与手机端数据的及时传输。以黑龙江省友谊县、北京市昌平区、山东省泰安市3地的350份土样为基础,通过手机以及多光谱无人机获取原位土壤的高清图像,R波段、红边波段与近红外波段图像,以丰富数据信息,并通过室内胁迫的方式拍摄土壤样品在不同水分梯度下的图像缓解水分对图像造成的影响。对比不同深度学习模型,基于多光谱图像数据训练的N＿DenseNet表现最好,整体表现优于DenseNet169,测试集R2为0.833,RMSE为3.943 g/kg,R2相比于可见光数据提升0.016,证明了训练过程加入R波段与红边和近红外波段图像后有助于提升... 相似文献
2.
利用土壤含水率与近红外光谱土壤反射率和土壤电导率三者之间的关系,以土壤含水率为中间变量,间接表达土壤光谱反射率和土壤电导率之间的关系。土壤含水率与土壤光谱反射率存在指数关系,土壤含水率与土壤电导率存在线性关系,消除中间变量（土壤含水率）,得到土壤光谱反射率和土壤电导率之间的关系。以土壤水分敏感波段1450nm作为研究对象,研究土壤电导率的预测模型,分别建立指数预测模型和对数预测模型,并分别对两种模型进行验证。本文实验建模集样本72个,验证集样本48个,土壤电导率对数预测模型R2达0.80,土壤电导率指数预测模型R2达0.85,预测效果均可满足农田电导率估算,但对数模型在土壤电导率较低区间预测效果不理想,因此土壤电导率指数预测模型预测效果优于对数模型的预测效果。研究结果表明,土壤光谱反射率预测土壤电导率的方案可行,并为光谱信息预测土壤电导率提供了新思路。 相似文献
3.
为减少水分、粒度对传统方式选取特征波长建立的土壤有机质预测模型的影响,本文提出新的特征波长提取方法。采集中国农业大学上庄实验站土壤样本60份,将样本自然风干后一分为二,一份配成5个粒度梯度（粒径2~2.5mm、1.43~2mm、1~1.43mm、0.6~1mm、0~0.6mm）,另一份过0.6mm筛后配成5个水分梯度（含水率5%、10%、15%、20%、25%）。通过标准仪器分别获取土壤有机质含量真值和土壤光谱信息,使用随机蛙跳算法进行特征波长提取,每个水分、粒度梯度下分别选取7个与土壤有机质含量真值相关性较高的波长作为对应梯度下选取的特征波长,分别建立多元线性回归（MLR）、偏最小二乘（PLS）、随机森林（RF）模型,结果表明：随着含水率增高,3种模型的建模集和预测集决定系数R2基本呈减小趋势;在2~2.5mm粒度梯度下,3种模型的建模集和预测集R2最低,在0~0.6mm梯度下,建模集和预测集R2最高,其余梯度下,建模集和预测集R2接近。结合滤光片带通范围（±15nm）,挑选出水分梯度下相同或者接近的8个土壤有机质特征波长,粒度梯度下选取6个特征波长,最终结合化学键特性在水分梯度和粒度梯度下确定的14个特征波长下剔除了6个,确定8个特征波长：932、999、1083、1191、1316、1356、1583、1626nm。分别建立MLR、PLS、RF模型,结果表明：最终选取的有机质特征波长建立的3种模型建模集R2均不低于0.8、预测集R2均不低于0.75,其中PLS预测效果最佳,建模集、预测集R2分别为0.8809、0.8402。本研究所确定的有机质特征波长建立的模型具有更好的适用性和预测效果,相比于传统方式,一定程度上消除水分、粒度对预测的影响。 相似文献
1