[发明专利]一种表层土壤氮素分布的预测方法

摘要

本发明公开了一种土壤氮素的预测方法，特别涉及一种表层土壤氮素分布的预测方法。一种基于遥感数据与地面辅助变量的基础上结合小波分析与神经网络模型建立小波神经网络耦合模型，对表层土壤氮素分布进行预测的方法。本发明提供的预测方法实现了用较少样点进行空间插值以获取采样区土壤氮素含量，从而节省采样样点、采样时间以及采样经费，有效的降低了土壤性质空间数据的获取成本，并提高了空间插值精度，能够高精度地预测表层土壤氮素的空间分布。

主权项

1.一种表层土壤氮素分布的预测方法，包括以下步骤：(1)数据获取：所述数据包括实测土样数据、遥感数据和地面辅助变量；所述地面辅助变量包括自然因素和人为因素：所述地面辅助变量的获取：在进行获取实测土样数据时记录研究区的地理坐标和海拔高度，记录样点所在的环境信息；所述自然因素包括成土母质、土壤质地、土壤结构和土壤类型；所述人为因素包括土地利用方式、有机质含量与施肥量；所述地面辅助变量按照以下方式进行处理后带入预设的模型：所述有机质含量与施肥量作为定量化数据，直接参与建模部分；式I；所述的式I中，x_Z为输入层的第z个输入样本，y_Z为输出层的第z个输出值，w_ij为连接输入层节点i与隐含层节点j的权值，v_kj为连接输出层节点k与隐含层节点j的权值，为Morlet小波函数，其中a和b分别为第j隐含层节点的伸缩和平移系数，n、h和m分别为为输入层、隐含层和输出层节点个数，σ为Sigmoid函数；所述成土母质、土壤质地、土壤结构、土壤类型以及土地利用方式作为非定量因子，看作虚拟变量处理，根据各指标表层土壤氮素含量均指由高到低排序并赋值，将非定量数据转化为定量数据；(2)将所述步骤(1)获取的数据代入预设的模型中，运算得到表层土壤氮素的空间分布，所述模型为小波神经网络耦合模型，所述小波神经网络耦合模型由小波分析结合神经网络模型建立得到：以梯度下降BP学习算法为小波神经网络耦合模型算法基础，以BP网络模型的三层基本结构为小波神经网络耦合模型的结构基础；所述的三层基本结构包括输入层、输出层和隐含层；所述的输入层为地面辅助变量和遥感影像8个波段遥感数据值，所述输入层的数值均进行归一化或标准化处理；所述的输出层为样点土壤氮素含量值；所述的隐含层为Morlet小波函数，所述隐含层的阈值为小波基函数的平移参数；所述的输入层与所述隐含层之间的权值为小波基函数的尺度参数。