发明名称 盐渍化土壤有机质含量的在线测量方法
摘要 盐渍化土壤有机质含量的在线测量方法,本发明涉及一种土壤有机质含量的测量方法。本发明的目的是要解决现有土壤有机质测量方法存在过程复杂和成本高的问题。方法1:一、建立GLCM纹理特征量与土壤SOM线性方程,二、在线计算。方法2:一、建立小波分解纹理特征量与土壤SOM线性方程;二、在线计算。优点:一、与实验室实际测量的土壤样本SOM结果具有很好的一致性;二、处理速度快、成本低、可重复性强,吻合性高。本发明主用于盐渍化土壤有机质含量的在线测量。
申请公布号 CN103471990A 申请公布日期 2013.12.25
申请号 CN201310372820.9 申请日期 2013.08.23
申请人 中国科学院东北地理与农业生态研究所 发明人 任建华;赵凯;李晓洁;李洋洋
分类号 G01N21/00(2006.01)I 主分类号 G01N21/00(2006.01)I
代理机构 哈尔滨市松花江专利商标事务所 23109 代理人 牟永林
主权项 一种盐渍化土壤有机质含量的在线测量方法,其特征在于盐渍化土壤有机质含量的在线测量方法是按以下步骤完成的:一、建立GLCM纹理特征量与土壤SOM线性方程:①、制备风干样本:首先将盐渍化土壤样品碾碎烘干,得到细致的土样,制备成长为50cm,宽为25cm,高度分别为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒,向细致的土样中加水制成饱和泥浆,再将饱和泥浆分别放置在高度为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒中,并将表面抹平,放置在干燥通风的条件下自然风干,得到风干样本;②、土壤样本裂纹照片的采集及纹理特征的提取:(1)将相机固定在0.8m高的架子上,保证相机镜头的中心垂直向下,以相机镜头中心的正下方为中心选择50cm*25cm的区域作为步骤一①得到的风干样本的固定放置区域;(2)对步骤一①得到的风干样本进行拍照,得到步骤一①得到的风干样本的裂纹照片;利用计算机在matlab软件环境下对步骤一①得到的风干样本的裂纹照片进行图像处理操作以获取步骤一①得到的风干样本的裂纹灰度共生矩阵纹理特征量,具体步骤如下:A:将步骤一①得到的风干样本的彩色裂纹照片转换为灰度图像,B:将灰度图像进行裁剪,提取包含50cm*25cm的土壤样本裂纹最小图像,C:设置灰度级,方向和变化步长等参数,计算图像的灰度共生矩阵,按照灰度共生矩阵计算裂纹图像的统计纹理特征量,公式如下:1)对比度: <mrow> <mi>contra</mi> <mo>=</mo> <munderover> <mi>&Sigma;</mi> <mi>n</mi> <mrow> <mi>Ng</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msup> <mi>n</mi> <mn>2</mn> </msup> <mo>{</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>,</mo> <mo>|</mo> <mi>i</mi> <mo>-</mo> <mi>j</mi> <mo>|</mo> <mo>=</mo> <mi>n</mi> <mo>,</mo> </mrow>2)角二阶矩: <mrow> <mi>ASM</mi> <mo>=</mo> <munder> <mi>&Sigma;</mi> <mi>i</mi> </munder> <munder> <mi>&Sigma;</mi> <mi>j</mi> </munder> <msup> <mrow> <mo>{</mo> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>}</mo> </mrow> <mn>2</mn> </msup> <mo>,</mo> </mrow>3)熵: <mrow> <mi>Entropy</mi> <mo>=</mo> <mo>-</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mi>log</mi> <mrow> <mo>(</mo> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>)</mo> </mrow> <mo>,</mo> </mrow>4)一致性: <mrow> <mi>Homo</mi> <mo>=</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mi>j</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mfrac> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>5)相关性: <mrow> <mi>Correlation</mi> <mo>=</mo> <mfrac> <mrow> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <mrow> <mo>(</mo> <mi>ij</mi> <mo>)</mo> </mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&mu;</mi> <mi>x</mi> </msub> <msub> <mi>&mu;</mi> <mi>y</mi> </msub> </mrow> <mrow> <msub> <mi>&sigma;</mi> <mi>x</mi> </msub> <msub> <mi>&sigma;</mi> <mi>y</mi> </msub> </mrow> </mfrac> <mo>,</mo> </mrow>6)集群荫: <mrow> <mi>Clustershade</mi> <mo>=</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <msup> <mrow> <mo>(</mo> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <msub> <mi>&mu;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mi>j</mi> <mo>-</mo> <msub> <mi>&mu;</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>)</mo> </mrow> <mn>3</mn> </msup> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>7)集群突出性: <mrow> <mi>Clustershade</mi> <mo>=</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <msup> <mrow> <mo>(</mo> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <msub> <mi>&mu;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mi>j</mi> <mo>-</mo> <msub> <mi>&mu;</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>)</mo> </mrow> <mn>4</mn> </msup> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>8)最大概率:Maxprobability=max{p(i,j)},9)和平均: <mrow> <mi>SumAverage</mi> <mo>=</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mrow> <mn>2</mn> <mi>Ng</mi> </mrow> </munderover> <msub> <mi>ip</mi> <mrow> <mi>x</mi> <mo>+</mo> <mi>y</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>10)和熵: <mrow> <mi>SumEntropy</mi> <mo>=</mo> <mo>-</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mrow> <mn>2</mn> <mi>Ng</mi> </mrow> </munderover> <msub> <mi>p</mi> <mrow> <mi>x</mi> <mo>+</mo> <mi>y</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mi>log</mi> <mo>{</mo> <msub> <mi>p</mi> <mrow> <mi>x</mi> <mo>+</mo> <mi>y</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>,</mo> </mrow>11)和方差: <mrow> <mi>SumVariance</mi> <mo>=</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mrow> <mn>2</mn> <mi>Ng</mi> </mrow> </munderover> <msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mi>SumEntropy</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <msub> <mi>p</mi> <mrow> <mi>x</mi> <mo>+</mo> <mi>y</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>12)相关信息特征1: <mrow> <mi>Inforofcorrelation</mi> <mn>1</mn> <mo>=</mo> <mfrac> <mrow> <mi>HXY</mi> <mo>-</mo> <mi>HXY</mi> <mn>1</mn> </mrow> <mrow> <mi>max</mi> <mrow> <mo>(</mo> <mi>HX</mi> <mo>,</mo> <mi>HY</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>,</mo> </mrow>13)相关信息特征2:Inforofcorrelation2={1‑exp[‑2*(HXY2‑HXY)]}1/2,其中:p(i,j)是归一化灰度共生矩阵(i,j)位置元素值,Ng是共生矩阵灰度级数, <mrow> <msub> <mi>p</mi> <mi>x</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow> <mrow> <msub> <mi>p</mi> <mi>y</mi> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow> <mrow> <msub> <mi>p</mi> <mrow> <mi>x</mi> <mo>-</mo> <mi>y</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>i</mi> <mo>+</mo> <mi>j</mi> <mo>=</mo> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>2,3</mn> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mn>2</mn> <mi>Ng</mi> <mo>,</mo> </mrow> <mrow> <msub> <mi>p</mi> <mrow> <mi>x</mi> <mo>-</mo> <mi>y</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>,</mo> <mo>|</mo> <mi>i</mi> <mo>-</mo> <mi>j</mi> <mo>=</mo> <mi>k</mi> <mo>|</mo> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>0,1,2</mn> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mi>Ng</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> </mrow> <mrow> <mi>HXY</mi> <mo>=</mo> <mo>-</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mi>log</mi> <mo>{</mo> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>,</mo> </mrow> <mrow> <mi>HXY</mi> <mn>1</mn> <mo>=</mo> <mo>-</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <mi>p</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mi>log</mi> <mo>{</mo> <msub> <mi>p</mi> <mi>x</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <msub> <mi>p</mi> <mi>y</mi> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>,</mo> </mrow> <mrow> <mi>HXY</mi> <mn>2</mn> <mo>=</mo> <mo>-</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Ng</mi> </munderover> <msub> <mi>p</mi> <mi>x</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <msub> <mi>p</mi> <mi>y</mi> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mi>log</mi> <mo>{</mo> <msub> <mi>p</mi> <mi>x</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <msub> <mi>p</mi> <mi>y</mi> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>,</mo> </mrow>μx,μy为px(i),py(j)均值,σx,σy为px(i),py(j)方差;D:为综合考虑方向的影响,选择各纹理特征量4方向0°、45°、90°和135°的均值作为最终的各纹理特征量,重复C操作确定步骤一①得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的GLCM纹理特征量;③、测量步骤一中所述盐渍化土壤样品的有机质含量,根据盐渍化土壤样品的有机质含量和步骤一②得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的GLCM纹理特征量进行相关分析,选择拟合效果最好的纹理特征量作为该厚度下最优GLCM纹理特征量,建立回归公式:Y=kX+b,其中:Y为盐渍化土壤样品的有机质含量,X为盐渍化土壤样品的最优GLCM纹理特征量,k和b为常数;二、在线计算:在自然条件下,对待测样地进行拍照,得到待测样地裂纹照片,根据待测样地裂纹照片计算得到待测样地的GLCM纹理特征量,测量待测样地的裂纹层厚度,待测样地的裂纹层厚度测量结果精确至小数点后两位,然后根据待测样地的裂纹层厚度选择相应GLCM纹理特征量与土壤SOM线性方程,即:若裂纹层厚度为0.25cm~0.75cm,则利用0.5cm厚度回归公式进行计算;若裂纹层厚度为0.76cm~1.50cm,则利用1cm厚度回归公式进行计算;若裂纹层厚度为1.51cm~2.50cm,则利用2cm厚度回归公式进行计算;若裂纹层厚度为2.51~4.00cm,则利用3cm厚度回归公式进行计算;若裂纹层厚度为4.01~7.50cm,则利用5cm厚度回归公式进行计算;若裂纹层厚度为7.51cm~12.50cm,则利用10cm厚度回归公式进行计算,再将计算得到待测样地的GLCM纹理特征量代入相应GLCM纹理特征量与土壤SOM线性方程中计算出土壤SOM,即实现盐渍化土壤有机质含量的在线测量。
地址 150081 黑龙江省哈尔滨市南岗区哈平路138号