(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210757738.7 (22)申请日 2022.06.30 (71)申请人 贵州大学 地址 550009 贵州省贵阳市花溪区花溪大 道南段2708 (72)发明人 张珍明　罗文敏　张家春　贺红早　 刘盈盈　牟桂婷　吴先亮　 (74)专利代理 机构 东莞市中正知识产权事务所 (普通合伙) 44231 专利代理师 徐康 (51)Int.Cl. G01N 21/25(2006.01) G06V 10/762(2022.01) G06V 10/766(2022.01) (54)发明名称 一种基于分区算法的土壤有机质含量空间 预测评估方法 (57)摘要 本发明公开了一种基于分区算法的土壤有 机质含量空间预测评估 方法， 所述土壤有机质含 量空间预测评估 方法具体包括： 土壤样品数据的 采集和预处理、 图像选择和预处理、 光谱指数的 构建、 基于分区算法的土壤有机质估算模型构 建。 该基于分区算法的土壤有机质含量空间预测 评估方法提出了一种基于不同时期裸土合成图 像的光谱特征， 利用土壤实测样本训练， 得到光 谱特征与土壤有机质含量关系的森 林回归模型， 并据此绘制区域高空间分辨率的土壤有机质含 量的制图方法。 本发明利用分区算法避免数据不 足和区域微环 境差异造成的预测误差， 提高了土 壤有机质含量预测精度。 此外， 分区算法加速了 图像光谱信息处理响应时间， 大幅提高了计算速 度， 降低了时间成本 。 权利要求书2页 说明书6页 附图3页 CN 115128013 A 2022.09.30 CN 115128013 A 1.一种基于分区算法的土壤有机质含量空间预测评估方法， 其特征在于： 该预测评估 方法， 具体包括： 步骤A.土壤样品数据的收集和预处 理； 步骤B.图像选择和预处 理； 步骤C.光谱指数的构建； 步骤D.基于分区算法的土壤有机质预测模型构建。 2.根据权利要求1所述的一种基于分区算法的土壤有机质含量空间预测评估方法， 其 特征在于： 所述步骤A中土壤样品数据的收集和预 处理是通过将目标农用地划分为多个30 m ×30m的网格， 在每个网格内采集5到6个子样本混合成一个样本， 使用手持GPS记录每个网 格的中心位置； 采样点包括目标农用地内所有土壤 类型； 对每个混合样本采用自然风干、 除杂， 研磨通过2毫米筛子， 后采用重铬酸钾法等方法 测定样品中的有机质含量。 3.根据权利要求1所述的一种基于分区算法的土壤有机质含量空间预测评估方法， 其 特征在于： 所述步骤B中图像选择和预处理， 通过谷歌地球引擎 （GEE） 平台， 选择目标农用地 所有裸露土壤期的Landsat ‑8或者Senti nel‑2的大气校正表面反射 率图 （SR） 为原 始图像； 对多期SR图像进行合成， 从合成图像中获得相对稳定的土壤 像素来预测有机质含量； （1） 所述的Landsat ‑8数据存储在GEE平台中的USGS  Landsat‑8 SR数据库中， 包括5个 可见光和VN IR波段、 2个SW IR波段和1个热红外波段； 这些波段通过LaSRC算法进行 大气校正， 空间分辨 率为30米； 后将Landsat ‑8 SR产品的p ixel_QA波段作为云掩模， 生成裸土期 无云覆盖的Landsat ‑ 8图像， 将所有裸土期Landsat ‑8 SR图像合 成， 可获得相对 稳定的土壤像素来预测有机质含 量； （2） 所述的Sentinel ‑2数据存储在GEE平台中的Sentinel ‑2 MSI Level‑2A数据库中， 包括4个VNIR波段、 2个SW IR波段和4个红边波段； 这些波段通过Sen2Cor算法进行大气校正， VNIR波段空间分辨率为10米， SWIR波段和红 边波段空间分辨 率为20米； 后将Sentinel‑2 SR产品的QA60波段作为云掩 模， 生成裸土期无云覆盖的Senti nel‑2图 像， 将所有裸土期Sentinel ‑2 SR图像合成， 可获得相对稳定的土壤像素来预测有机质含量。 4.根据权利要求1所述的一种基于分区算法的土壤有机质含量空间预测评估方法， 其 特征在于： 所述 步骤C光谱指数的构建： 构建归一化差分指数 （NDI） 、 比值指数 （RI） 和差分指数 （DI） 等光谱指数对土壤有机质 含量进行 预测； NDI、 RI和DI可以为 光谱带较少的多光谱图像提供比其 他指数更多的信息； NDI、 RI和DI计算公式如下： 权　利　要　求　书 1/2 页 2 CN 115128013 A 2其中， Pi代表第i个波段的反射 率， Pj代表第j个波段反射 率； 利用上述公式， 对Landsat ‑8 合成图像或者Sentinel ‑2合成图像生成所需的光谱指 数。 5.根据权利要求1所述的一种基于分区算法的土壤有机质含量空间预测评估方法， 其 特征在于： 步骤 （D） 所述基于分区算法的土壤有机质预测模型构建： （1） 所述分区算法可为基于 土壤类型分区的局部回归 模型； （2） 所述分区算法可为基于K ‑均值分区的局部回归 模型； （3） 所述土壤有机质预测模型为随机森林回归 模型。 6.根据权利要求5所述的基于分区算法的土壤有机质预测模型构建， 其特征在于： 所述 （1） 基于土壤类型分区的局部回归模 型， 根据中 国土壤普查结果， 将目标农用地分为不同土 壤类型， 对不同类型土壤有机质含量进行预测， 将预测结果与步骤A中的土壤实测结果相结 合， 得到基于 土壤类型分区的局部回归 模型。 7.根据权利要求5所述的基于分区算法的土壤有机质预测模型构建， 其特征在于： 所述 （2） 基于K ‑均值分区的局部回归模型， 是使用GEE平台中内置的级联简单K均值 （ “cascade  simple K‑means”） 算法选择最佳分区数据； 将要分割的合成图像和步骤A中的土壤实测样本数据作为训练样本输入GEE， 对不同分 区的土壤有机质含量进行预测， 将预测结果和土壤实测结果相结合， 得到基于K ‑均值分区 的局部回归 模型。 8.根据权利要求5所述的基于分区算法的土壤有机质预测模型构建， 其特征在于： 所述 （3） 随机森林回归 模型， 使用GE E平台内置的RF算法进行计算； 以Landsat ‑8或者Sentinel ‑2的所有波段和光谱指数为自变量， 土壤有机质含量定义 为因变量； 使用bootstrap从土壤原 始数据集中随机 选择一定数量的样本生产新的训练数据集； 然后， 建立每个树模型， 并利用误差确定最优分割节点数， 所有树的预测平均值即为最 终的预测值。 9.根据权利要求5所述的基于分区算法的土壤有机质预测模型构建， 其特征在于： 所述 的基于分区算法 的土壤有机质预测模型的准确性验证， 是通过将步骤 （A） 中  75%的土壤样 本作为训练样本， 25%作为验证样本， 通过模型预测值和实测值之间的决定系数 （R2） 和均方 根误差 （RMSE） 来评估土壤有机质估算模型预测的准确性， R2越大， RMSE越小， 土壤有机质估 算模型的准确率越高： R2和RMSE的计算公式如下： 式中n是样本数， yi是样品i观测的土壤有机质实测值， i是样本i模型计算的土壤有机 质预测值。权　利　要　求　书 2/2 页 3 CN 115128013 A 3