一种基于地形和遥感数据的土壤有机碳含量估测方法

1.本发明属于土壤有机碳含量估测领域，特别是涉及一种基于地形和遥感数据的土壤有机碳含量估测方法。


背景技术：

2.作为陆地生态系统中的重要组成部分，土壤有机碳(soc)含量是衡量农田肥力和森林、草地等生态系统生产力和生态服务功能的关键指标。soc含量可直接影响土壤质量，还可以通过碳循环间接对全球气候变化造成影响。对soc含量进行估算的研究现已成为一大研究热点。
3.在估算的方法上，常用的有基于地统计学和基于遥感技术对soc含量进行估算。克里格插值法的出现是地统计学领域的一大进步，一般会采用此方法进行估测。现有的方式有基于土壤类型、土地利用和地形等影响soc含量的因素，将克里格方法与多元线性回归相结合对山地soc储量进行预测；采用多种克里格方法(普通克里格、主成分克里格、回归克里格)对soc进行预测。但是地统计学的方法需要根据采样网格按照规则取样，需要花费大量的时间和人力，因此，如何寻找一种快速的、低成本的方法是必然要求。
4.随着数据挖掘技术的发展，一些机器学习方法也逐渐用于土壤有机碳含量的估测。近年来，很多研究采取机器学习与遥感影像结合的方式对土壤有机碳含量进行预测。任必武等通过选取地形、气候、遥感植被变量为驱动因子，将随机森林算法(rf)、支持向量机(svm)应用到soc的预测中，并与传统克里格方法进行比较，结果表明，rf模型表现最佳。有学者对东非森林土壤运用svm和rf进行soc的预测，在这里svm效果优于rf。还有学者通过将bp神经网络(back propagation神经网络，是一种按照误差逆向传播算法训练的多层前馈神经网络)与近红外光谱技术结合对森林土壤有机碳含量进行预测。
5.卷积神经网络作为机器学习的一种，在计算机视觉领域有着重要的应用。卷积神经网络能自动从原始数据提取有用的特征，相对于rf、svm等卷积神经网络在特征提取方面具有明显优势。现有的学者有结合卷积神经网络与近红外光谱构建soc预测模型；还有学者通过使用深度学习方法对土壤团聚体图像进行分类；还有学者通过使用卷积神经网络模型来预测土壤性质。同时，也有学者将卷积神经网络与近红外光谱结合对物体进行分类。但是目前将卷积神经网络与遥感影像结合对soc进行估测的研究较少。


技术实现要素：

6.针对以上技术问题，本发明提供一种基于地形和遥感数据的土壤有机碳含量估测方法。
7.本发明解决其技术问题采用的技术方案是：
8.一种基于地形和遥感数据的土壤有机碳含量估测方法，方法包括以下步骤：
9.步骤s100：采集土壤样品得到第一采样点数据，对第一采样点数据进行数据处理得到符合预设要求的第一landsat5遥感数据和第一dem数据；
10.步骤s200：搭建inception神经网络模型，将符合预设要求的landsat5遥感数据和dem数据输入至inception神经网络模型中进行训练，得到土壤样品的有机碳含量预测值；
11.步骤s300：根据土壤样品的有机碳含量预测值和预设的损失函数计算得到损失值，根据损失值对inception神经网络模型进行反向传播更新inception神经网络模型的网络参数并迭代训练次数，当训练次数达到预设次数时，得到训练好的inception神经网络模型；
12.步骤s400：采集土壤检测品得到第二采样点数据，对第二采样点数据进行数据处理得到符合预设要求的第二landsat5遥感数据和第二dem数据，将第二landsat5遥感数据和第二dem数据输入至训练好的inception神经网络模型，估测得到土壤有机碳含量值。
13.优选地，步骤s100包括：
14.步骤s110：采集土壤样品得到第一采样点数据，对第一采样点数据进行数据清洗，得到带有预设信息的第一采样点数据；
15.步骤s120：运用arcgis10.7工具(一个绘制地图和地理信息的基础架构工具)，将带有预设信息的第一采样点数据转换为具有空间坐标的点图层，并进行投影转换生成土壤样点分布图；
16.步骤s130：从土壤样点分布图中获取预设地区的遥感数据，对遥感数据进行预处理后，运用python(一种计算机编程语言)以采样点为中心提取预设尺度大小的遥感数据的1、2、3、4波段值作为第一landsat5遥感数据；
17.步骤s140：从土壤样点分布图中获取预设地区对应的预设分辨率的dem数据，并重采样为预设空间分辨率，运用python以采样点为中心提取预设尺度大小的dem值作为第一dem数据。
18.优选地，inception神经网络模型包括依次连接的inceptionblockb结构、reduction结构、平均池化层和全连接层，inceptionblockb结构包括输入层、并列设置的第一卷积层网络、第二卷积层网络、第三卷积层网络和第四卷积层网络，以及第一输出层，reduction结构包括第二输出层、并列设置的最大池化层、第五卷积层网络和第六卷积层网络，第一输出层通过并列设置的最大池化层、第五卷积层网络和第六卷积层网络连接第二输出层。
19.优选地，第一卷积层网络包括依次连接的平均池化层和第一卷积层，平均池化层包括一个卷积核，大小为3
×
3，第一卷积层的卷积核大小为1
×
1，有128个卷积核；第二卷积层网络包括第二卷积层，第二卷积层的卷积核大小为1
×
1，有384个卷积核；第三卷积层网络包括依次连接的第三卷积层、第四卷积层和第五卷积层，第三卷积层的卷积核大小为1
×
1，有192个卷积核，第四卷积层的卷积核大小为1
×
7，有224个卷积核，第五卷积层的卷积核大小为1
×
7，有256个卷积核；第四卷积层网络包括依次连接的第六卷积层、第七卷积层、第八卷积层、第九卷积层和第十卷积层，第六卷积层的卷积核大小为1
×
1，有192个卷积核，第七卷积层的卷积核大小为1
×
7，有192个卷积核，第八卷积层的卷积核大小为7
×
1，有224个卷积核，第九卷积层的卷积核大小为1
×
7，有224个卷积核，第十卷积层的卷积核大小为7
×
1，有256个卷积核。
20.优选地，最大池化层的卷积核为3
×
3，步长为2；第五卷积层网络包括依次连接的第十一卷积层和第十二卷积层，第十一卷积层的卷积核大小为1
×
1，有192个卷积核，第十
二卷积层的卷积核大小为3
×
3，有320个卷积核，步长为2；第六卷积层网络包括依次连接的第十三卷积层、第十四卷积层、第十五卷积层和第十六卷积层，第十三卷积层的卷积核大小为1
×
1，有256个卷积核，第十四卷积层的卷积核大小为1
×
7，有256个卷积核，第十五卷积层的卷积核大小为7
×
1，有320个卷积核，第十六卷积层的卷积核大小为3
×
3，有320个卷积核，步长为2。
21.优选地，预设的损失函数具体为：
[0022][0023]
其中，loss为均方差损失，yi为第i个样本的soc预测值，y
i0
为第i个样本的soc实际值，y
i-y
i0
为误差，n为样本数，i为第i个样本。
[0024]
上述基于地形和遥感数据的土壤有机碳含量估测方法，通过搭建inception神经网络模型，对inception神经网络模型进行训练以及反向传播得到训练好的inception神经网络模型，从采样点数据中得到landsat5的第1、2、3、4波段和dem数据作为神经网络的输入数据，可准确预测得到土壤有机碳含量值。
附图说明
[0025]
图1为本发明一实施例提供的一种基于地形和遥感数据的土壤有机碳含量估测方法流程图；
[0026]
图2为本发明一实施例提供的输入数据示意图；
[0027]
图3为本发明一实施例提供的土壤采样点分布图；
[0028]
图4为本发明一实施例提供的inception神经网络模型结构图；
[0029]
图5为本发明一实施例提供的网络训练流程图；
[0030]
图6为本发明一实施例提供的soc反演结果。
具体实施方式
[0031]
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
[0032]
在一个实施例中，如图1所示，一种基于地形和遥感数据的土壤有机碳含量估测方法，方法包括以下步骤：
[0033]
步骤s100：采集土壤样品得到第一采样点数据，对第一采样点数据进行数据处理得到符合预设要求的第一landsat5(美国陆地卫星系列(landsat)的第五颗卫星)遥感数据和第一dem数据。
[0034]
具体地，本文对亚热带红壤丘陵(湖南省桃源县)、平原湖区(湖南省沅江市)、红壤低山(广西自治区环江县)、喀斯特低山(广西自治区环江县)等典型景观单元和位于湖南省长沙县的亚热带典型小流域—金井河流域进行数据采集。
[0035]
基于野外实地采样，于2003年在亚热带红壤丘陵(湖南省桃源县)、平原湖区(湖南省沅江市)、红壤低山(广西自治区环江县)、喀斯特低山(广西自治区环江县)等典型景观单元分别采集表层土壤(0～20cm)样品共计1021个、628个、707个和744个，共计3010个。各景观单元面源5～8km2，采样密度为农田每公顷3～4个，林地和果园每公顷1个。采样点土地利
用方式主要包括水田、旱地(含菜地)、果园(含茶园)和林地4种，测定指标包括土壤有机碳含量(soc)等，并记录采样点gps(global positioning system，全球定位系统)经纬度坐标信息与海拔高度。
[0036]
2009年在位于湖南省长沙县的亚热带典型小流域—金井河流域采集表层土壤样品1118个，采样密度平均每平方公里8.3个点。该采样小流域面积134km2，地处亚热带丘陵区，采样点分4种典型土地利用类型：水田、林地、旱地、园地，测定指标包括土壤有机碳含量(soc)等，并记录采样点gps经纬度坐标信息与海拔高度。
[0037]
在一个实施例中，步骤s100包括：
[0038]
步骤s110：采集土壤样品得到第一采样点数据，对第一采样点数据进行数据清洗，得到带有预设信息的第一采样点数据；
[0039]
步骤s120：运用arcgis10.7工具，将带有预设信息的第一采样点数据转换为具有空间坐标的点图层，并进行投影转换生成土壤样点分布图；
[0040]
步骤s130：从土壤样点分布图中获取预设地区的遥感数据，对遥感数据进行预处理后，运用python以采样点为中心提取预设尺度大小的遥感数据的1、2、3、4波段值作为第一landsat5遥感数据；
[0041]
步骤s140：从土壤样点分布图中获取预设地区对应的预设分辨率的dem数据，并重采样为预设空间分辨率，运用python以采样点为中心提取预设尺度大小的dem值作为第一dem数据。
[0042]
具体地，预设信息包括soc、经纬度坐标信息，先对第一采样点数据进行数据清洗，选取第一采样点数据中的soc、经纬度坐标等值，将缺失这些值的数据去掉。运用arcgis10.7工具，将gps测得的带有soc坐标记录的第一采样点数据转换为具有空间坐标的点图层，并进行投影转换生成土壤样点分布图，如图3所示。
[0043]
根据采样点经纬度坐标分别获取2003年四个景观单元和2009年一个小流域对应的landsat5遥感数据。landsat5遥感数据各波段信息如表1所示。运用arcgis10.7对landsat5进行辐射定标、大气矫正、裁剪，并重采样为10m空间分辨率。然后运用python以采样点为中心提取8*8大小的landsat5的1、2、3、4波段值作为第一landsat5遥感数据。
[0044]
表1 landsat一5tm各波段参数
[0045][0046]
数字高程模型简称dem，是通过有限的地形高程数据实现对地面地形的数字化模拟，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型，是数字地形模型的一个分支，其它各种地形特征值均可由此派生。本文获取五个区域对应的12.5m分辨率的
dem数据，并重采样为10m空间分辨率，然后运用python以采样点为中心提取8*8大小的dem值作为第一dem数据。
[0047]
步骤s200：搭建inception神经网络模型，将符合预设要求的landsat5遥感数据和dem数据输入至inception神经网络模型中进行训练，得到土壤样品的有机碳含量预测值。
[0048]
具体地，dem(digital elevationmodel，数字高程模型)数据、landsat5遥感数据的第1、2、3、4波段作为神经网络的输入数据，如图2所示。通过将每个第一采样点及其周围的像素点结合组成8*8大小的图像数据，每个8*8的图像数据有5个通道，分别对应dem数据和landsat5遥感数据的第1、2、3、4波段。
[0049]
在一个实施例中，inception神经网络模型包括依次连接的inceptionblockb结构、reduction结构、平均池化层和全连接层，inceptionblockb结构包括输入层、并列设置的第一卷积层网络、第二卷积层网络、第三卷积层网络和第四卷积层网络，以及第一输出层，reduction结构包括第二输出层、并列设置的最大池化层、第五卷积层网络和第六卷积层网络，第一输出层通过并列设置的最大池化层、第五卷积层网络和第六卷积层网络连接第二输出层。
[0050]
具体地，本文使用inception v4中提到的inceptionblockb和reductionb结构，后跟一个平均池化层，最后加上一个全连接层，网络结构如图4所示，inceptionblockb通过使用并行卷积结构和多个不对称的卷积核，可以在使得信息损失足够小的条件下降低网络参数数量，从而使网络计算量降低，使模型节约了大量的参数，并提高了模型的表达能力，使模型能处理更丰富的空间特征。reductionb结构通过设置步长为2的卷积降低了特征图的尺寸，同样进一步使用并行卷积结构和不对称卷积核通过增加网络的宽度提高网络的特征提取能力。
[0051]
对输入图像并行地执行多个卷积运算或池化操作，并将所有结果拼接为一个非常深地特征图。1
×
1，3
×
3，1
×
7，7
×
1等不同卷积的运算与池化操作可以获得输入图像的不同信息，并行处理这些运算并结合所有结果将获得更好的图像表征。
[0052]
在一个实施例中，第一卷积层网络包括依次连接的平均池化层和第一卷积层，平均池化层包括一个卷积核，大小为3
×
3，第一卷积层的卷积核大小为1
×
1，有128个卷积核；第二卷积层网络包括第二卷积层，第二卷积层的卷积核大小为1
×
1，有384个卷积核；第三卷积层网络包括依次连接的第三卷积层、第四卷积层和第五卷积层，第三卷积层的卷积核大小为1
×
1，有192个卷积核，第四卷积层的卷积核大小为1
×
7，有224个卷积核，第五卷积层的卷积核大小为1
×
7，有256个卷积核；第四卷积层网络包括依次连接的第六卷积层、第七卷积层、第八卷积层、第九卷积层和第十卷积层，第六卷积层的卷积核大小为1
×
1，有192个卷积核，第七卷积层的卷积核大小为1
×
7，有192个卷积核，第八卷积层的卷积核大小为7
×
1，有224个卷积核，第九卷积层的卷积核大小为1
×
7，有224个卷积核，第十卷积层的卷积核大小为7
×
1，有256个卷积核。
[0053]
具体地，通过使用4个并行卷积结构和多个不对称的卷积核，可以在使得信息损失足够小的条件下降低网络参数数量，从而使网络计算量降低，使模型节约了大量的参数，并提高了模型的表达能力，使模型能处理更丰富的空间特征。
[0054]
在一个实施例中，最大池化层的卷积核为3
×
3，步长为2；第五卷积层网络包括依次连接的第十一卷积层和第十二卷积层，第十一卷积层的卷积核大小为1
×
1，有192个卷积
核，第十二卷积层的卷积核大小为3
×
3，有320个卷积核，步长为2；第六卷积层网络包括依次连接的第十三卷积层、第十四卷积层、第十五卷积层和第十六卷积层，第十三卷积层的卷积核大小为1
×
1，有256个卷积核，第十四卷积层的卷积核大小为1
×
7，有256个卷积核，第十五卷积层的卷积核大小为7
×
1，有320个卷积核，第十六卷积层的卷积核大小为3
×
3，有320个卷积核，步长为2。
[0055]
具体地，reductionb结构通过设置步长为2的卷积降低了特征图的尺寸，同样进一步使用并行卷积结构和不对称卷积核通过增加网络的宽度提高网络的特征提取能力。进一步地，附图4中没有说明步长的卷积层和池化层的步长为1。
[0056]
步骤s300：根据土壤样品的有机碳含量预测值和预设的损失函数计算得到损失值，根据损失值对inception神经网络模型进行反向传播更新inception神经网络模型的网络参数并迭代训练次数，当训练次数达到预设次数时，得到训练好的inception神经网络模型。
[0057]
在一个实施例中，预设的损失函数具体为：
[0058][0059]
其中，loss为均方差损失，yi为第i个样本的soc预测值，y
i0
为第i个样本的soc实际值，y
i-y
i0
为误差，n为样本数，i为第i个样本。
[0060]
具体地，inception网络模型的训练流程如图5所示，训练采用adam梯度下降算法，学习率设为0.001，将2614个训练集数据输入模型迭代训练1000次，在训练模型时，如果训练数据过多，无法一次性将所有数据送入计算，为了克服数据量多的问题，选择将数据分成几个部分即batch，进行训练，从而使得每个批次的数据量是可以负载的。将这些batch的数据逐一送入计算训练，更新inception神经网络的权值，使得网络收敛。我们将batch_size大小设为500，表示每次迭代中将数据集划分为500的大小进行训练。
[0061]
步骤s400：采集土壤检测品得到第二采样点数据，对第二采样点数据进行数据处理得到符合预设要求的第二landsat5遥感数据和第二dem数据，将第二landsat5遥感数据和第二dem数据输入至训练好的inception神经网络模型，估测得到土壤有机碳含量值。
[0062]
对采样点区域的所有坐标点通过使用python以坐标点为中心提取8*8大小的dem数据和landsat5遥感数据的1、2、3、4波段值作为模型的输入数据，使用inception模型对所有坐标点进行预测，将所有坐标点的预测值，通过arcgis10.7工具使用普通克里格插值，得到5个采样区域的soc反演结果，如图6所示。
[0063]
根据反演结果我们可以看到soc的分布集中在几个地区中高程值较高的地方，由此可见高海拔有助于soc的积累。平原湖区的soc含量分布较其他四个地区而言soc高含量区域较多，由此可见不同的地貌特征soc的含量分布不同，平原湖区更有利于soc的积累。
[0064]
以上对本发明所提供的一种基于地形和遥感数据的土壤有机碳含量估测方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。