买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国科学院东北地理与农业生态研究所

摘要：基于改进的CNN‑LSTM模型的土壤有机质遥感制图方法，本发明属于土壤遥感制图和精准农业技术领域，涉及一种结合深度学习中有机质遥感制图方法。本方法：将气候数据和地形因素作为空间信息；获取研究区域四到十月份光学遥感数据影像，剔除掉第一、第九、第十波段，将其余的波段排序，组合成时间序列信息；在研究区域，获取样本集，形成模型输入变量；建立对应的土壤有机质反演模型CNN‑LSTM模型加入余弦退火热重启学习率减轻模型的过拟合问题，加快收敛速度，完成模型的构建和执行。本发明提出的方法可对土壤有机质进行精细和准确制图。

主权项：1.基于改进的CNN-LSTM模型的土壤有机质遥感制图方法，其特征在于所述基于改进的CNN-LSTM模型的土壤有机质遥感制图方法按照以下步骤进行：步骤一、在开源数据集中获取研究区域年平均气温、年平均降水和DEM数据，年平均降水和年平均气温数据作为气候数据；然后通过地形分析软件SAGAGIS软件利用DEM数据生成通道网络基准水平、山谷深度、坡向、剖面曲率、地形崎岖指数和粗糙度这六个地形因素，最后将气候数据和地形因素作为空间信息；步骤二、获取研究区域哨兵-2的四到十月份光学遥感数据影像，然后，剔除掉与土壤反演无关的第一、第九、第十波段，将其余的波段依照四月到十月的组合排序，组合成时间序列信息；步骤三、在研究区域，获取土壤有机质样本点数据，得到样本集，对样本集的土壤有机质进行分析，根据平均值和均方根误差去除偏离平均值较大的样本异常点，利用地面采样点提取对应空间信息上对应值，计算其相关系数矩阵并进行显著性检验，首先去除与土壤有机质不显著相关的变量，然后对相关系数矩阵进行分析，找出特征变量集中的高相关变量，去除与土壤有机质相关性较小的变量，形成模型输入变量；步骤四、利用随机方法将数据分析后的样本集按8:2的比例划分为训练集和验证集，将地形因素和气候数据作为CNN模型的空间输入量，将光谱反射率的时间序列信息作为LSTM模型的时间输入量，并为CNN模型和LSTM模型加入余弦退火热重启学习率，建立对应的土壤有机质反演模型CNN-LSTM模型，完成初步基于CNN-LSTM模型的网络结构搭建；步骤五、利用训练的土壤有机质实测值减去土壤有机质预测值，得到两者的误差，再通过两者误差平方和的平均值得到均方误差MSE，较低的MSE值表示模型具有更好的预测准确性，可以评估模型的泛化能力，作为模型验证的重要指标，在模型训练过程中，根据MSE值的变化对模型的超参数学习率、迭代次数、网络结构进行调整，以期望降低MSE值并提高模型性能，同时利用验证集数据对预测结果进行验证；步骤六、通过利用CNN-LSTM模型，提取空间信息和时间序列信息预测整个研究区域的土壤有机质空间分布图。

全文数据：

权利要求：

百度查询： 中国科学院东北地理与农业生态研究所 基于改进的CNN-LSTM模型的土壤有机质遥感制图方法