具体实施方式

下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同，本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

实施例1

如图1所示，一种基于机器学习的土壤养分测量方法，包括以下步骤：

S110、获取待测土壤的高光谱数据；

S120、将所述高光谱数据输入养分反演模型，得到待测土壤的养分含量，所述养分反演模型的构建过程包括：获取多个养分和第一高光谱数据的多个波段，根据机器学习和数据预处理建立所述多个波段和所述多个养分的多组验证模型，根据交叉验证法计算所述多组验证模型对应的分数，选取所述分数大于预设的阈值对应的验证模型的第一养分，根据所述第一养分以及所述机器学习和数据预处理建立养分反演模型。

在实施例1中，利用遥感技术获取待测土壤的高光谱数据，从所述高光谱数据中选择波段，降低了高光谱图像的数据维度，保留了比较完整有用的信息，因此在选择波段的时候，即选择出信息量较大、相关性较小、类别可分性较好的波段组合。这里选择了12种波段，波段选择技术包括两方面：一方面是准则函数，另一方面是搜索方法。准则函数用来衡量选择的波段组合是否最优，搜索方法即采用高效率的波段组合搜索方法，通常遵循集中原则：一是选择信息量最大的波段或者波段子集，二是选择使低物类别间可分性最好的波段或波段子集，三是选择波段之间相关性最弱的波段子集，以保证波段间的独立性和有效性，因为利用多个波段来和养分建立联系时，相邻波段关联性越高，那么这多个波段越不能反映出每一个波段与养分的联系，四是选择使待研究区域内预识别地物目标的光谱特征差异性最大的波段子集。将高光谱数据输入至养分反演模型，使用所述养分反演模型可以测量土壤养分含量，比如土壤养分中的速效钾、全氮、全磷，因为土壤中的某些养分会和高光谱数据中的波段显示不一样的相关性，所述养分反演模型构建采用机器学习和预处理结合构建多组验证模型，该模型包括机器学习中的一种和预处理中的一种以及一种养分，用于测量哪种模型的构建方式与养分关联性最强，则采用该种模型用于测量土壤中的该种养分。因此，直接利用遥感的土壤高光谱数据，由该数据反演土壤养分，整个过程只有土壤高光谱数据获取的时间和反演过程的时间，速度很快，效率很高，成分很低。土壤高光谱数据是可以大范围获取的，只要有一篇区域的高光谱数据，就可以精细到对该区域的每一点进行土壤养分的反演，不需要插值方法的介入。

实施例2

如图2所示，一种基于机器学习的土壤养分测量方法，包括：

步骤一：获取待测土壤的高光谱数据；

步骤二：将所述高光谱数据输入养分反演模型，得到待测土壤的养分含量，所述养分反演模型的构建过程包括：获取多个养分和第一高光谱数据的多个波段，根据机器学习和数据预处理建立所述多个波段和所述多个养分的多组验证模型，根据交叉验证法计算所述多组验证模型对应的分数，选取所述分数大于预设的阈值对应的验证模型的第一养分，根据皮尔逊相关系数算法分别计算所述多个波段和所述多个养分的相关系数，选取所述相关系数大于一定阈值相对应的第二养分，当所述第二养分和所述第一养分相同，根据所述第一养分以及所述机器学习和数据预处理建立养分反演模型。

由实施例2可知，这里机器学习有九种，分别是线性回归、岭回归、贝叶斯回归、线性核函数支持向量机、高斯过程回归、随机森林、SVR的Bagging、梯度树提升回归、投票回归器，预处理的方法有特征选择、特征选择+标准化、特征选择+标准化+主成分分析，结合多种养分和高光谱的多个波段就会存在多组验证模型，每一种养分都存在27组模型，对每一组模型都采用交叉验证法进行计算，利用k折交叉验证法将所述多组验证模型分解为r个大小近似相等的子数据数据集，把第一个子数据集作为验证数据集，把其余r-1个子数据集合并后用于估计模型参数，基于该模型的参数对验证数据集的因变量进行预测，并计算预测误差的平方和，把第二个、第三个直至第r个子数据集分别作为验证数据集，并把其余的r-1个子数据集合并后用于估计模型参数。基于验证数据集计算因变量预测误差的平方和，计算前述r个预测误差平方和的平均值，即得到模型的分数，得到多组模型对应的分数如下表所示:

表1:PH与12个波段建立的模型分数

表2：速效钾m与12个波段建立的模型

表3：有效硼m与12个波段建立的模型

表4：全氮g_kg与12个波段建立的模型

表5：有机质g与12个波段建立的模型

表6：碱解氮m与12个波段建立的模型

表7：有效磷与12个波段建立的模型

表8：易氧化与12个波段建立的模型

表9：全磷g_kg与12个波段建立的模型

表10：全钾g_kg与12个波段建立的模型

从上表可以总结，只有速效钾m，全氮g_kg和全磷g_k的模型效果是可用的，其他的土壤养分因变量与12个波段建立的模型差强人意，即建立的模型还不如随机数效果好，这与相关性分析的结果一致；所以接下来只建立速效钾m，全氮g_kg和全磷g_k的模型。

针对这三个模型所采用的策略如下

速效钾m：特征选择+标准化；投票回归算法；分数：0.66；

速效钾m：特征选择；梯度树回归；分数：0.46；

全磷g_kg：特征选择+标准化；投票回归算法；分数：0.34；这里得到三种养分用来建立模型结合相关策略是最好的。与之前第二养分得到的三种养分是一致，在本实施例中，根据皮尔逊相关系数算法分别计算所述多个波段和所述多个养分的相关系数，选取所述相关系数大于一定阈值相对应的第二养分，作为先验集，直接反应出高光谱数据中哪些波段与土壤中的养分相关性最大，这里是速效钾m、速效钾m、全磷g_kg，也就是第二养分，和第一养分是一致的，理论上一定是一致的，也可能存在不一致的情况，那需要重新再做验证。根据验证模型得到的分数建立相应的养分测试模型。

对于其他因变量是否可以依据现在可以得到的速效钾m，全氮g_kg和全磷g_k来搭建模型，即用得到的速效钾m，全氮g_kg和全磷g_k结果作为自变量。

实施例3

如图3所示，一种基于机器学习的土壤养分测量装置，包括：

获取模块10：用于获取待测土壤的高光谱数据；

模型构建模块20：用于将所述获取模块10获取的所述高光谱数据输入养分反演模型，得到待测土壤的养分含量，所述养分反演模型的构建过程包括：

获取多个养分和第一高光谱数据的多个波段，根据机器学习和数据预处理建立所述多个波段和所述多个养分的多组验证模型，根据交叉验证法计算所述多组验证模型对应的分数，选取所述分数大于预设的阈值对应的验证模型的第一养分，根据所述第一养分以及所述机器学习和数据预处理建立养分反演模型。

上述装置的一种实施方式可为：获取模块10获取待测土壤的高光谱数据；模型构建模块20将所述获取模块10获取的所述高光谱数据输入养分反演模型，得到待测土壤的养分含量，所述养分反演模型的构建过程包括：获取多个养分和第一高光谱数据的多个波段，根据机器学习和数据预处理建立所述多个波段和所述多个养分的多组验证模型，根据交叉验证法计算所述多组验证模型对应的分数，选取所述分数大于预设的阈值对应的验证模型的第一养分，根据所述第一养分以及所述机器学习和数据预处理建立养分反演模型。

实施例4

如图4所示，一种基于机器学习的土壤养分测量装置的模型构建模块20还包括

计算单元22：用于根据皮尔逊相关系数算法分别计算所述多个波段和所述多个养分的相关系数；

构建子单元24：用于选取所述计算单元得到的所述相关系数大于一定阈值相对应的第二养分，当所述第二养分和所述第一养分相同，根据所述第一养分以及所述机器学习和数据预处理建立养分反演模型。

上述装置的模型构建模块20的一种实施方式可为：计算单元22根据皮尔逊相关系数算法分别计算所述多个波段和所述多个养分的相关系数；构建子单元24选取所述计算单元得到的所述相关系数大于一定阈值相对应的第二养分，当所述第二养分和所述第一养分相同，根据所述第一养分以及所述机器学习和数据预处理建立养分反演模型。

实施例5

如图5所示，一种电子设备，包括存储器501和处理器502，所述存储器501用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器502执行以实现上述的一种基于机器学习的土壤养分测量方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的一种基于机器学习的土壤养分测量方法。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器501中，并由处理器502执行，并由输入接口505和输出接口506完成数据的I/O接口传输，以完成本发明,一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。

计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器501、处理器502,本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入器507、网络接入设备、总线等。

处理器502可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器502、数字信号处理器502(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgRAM503mableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器502可以是微处理器502或者该处理器502也可以是任何常规的处理器502等。

存储器501可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器501也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等,进一步地，存储器501还可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器501用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器501还可以用于暂时地存储在输出器508，而前述的存储介质包括U盘、移动硬盘、只读存储器ROM503、随机存储器RAM504、碟盘或光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。