1.一種基于位置編碼、光譜與神經(jīng)網(wǎng)絡(luò)的土壤定量建模方法，其特征在于：包括下列步驟：
2.根據(jù)權(quán)利要求1所述的基于位置編碼、光譜與神經(jīng)網(wǎng)絡(luò)的土壤定量建模方法，其特征在于：所述步驟2和步驟3中，所述光譜矩陣，每行為單個(gè)樣本，每列為單個(gè)波段，行數(shù)為樣本數(shù)，列數(shù)為波段數(shù)，元素為光譜數(shù)據(jù)；
3.根據(jù)權(quán)利要求2所述的基于位置編碼、光譜與神經(jīng)網(wǎng)絡(luò)的土壤定量建模方法，其特征在于：所述步驟2中，所述以經(jīng)過特征處理的融合矩陣為輸入構(gòu)建基于隨機(jī)向量函數(shù)鏈神經(jīng)網(wǎng)絡(luò)的土壤定量模型具體為：
4.根據(jù)權(quán)利要求3所述的基于位置編碼、光譜與神經(jīng)網(wǎng)絡(luò)的土壤定量建模方法，其特征在于：所述步驟2中，所述考慮含量的基于光譜矩陣與含量向量的三角函數(shù)式位置編碼，通過波段自身的有序關(guān)系和基于含量排序的樣本的有序關(guān)系，基于樣本位置序號(hào)或樣本含量、波段序號(hào)或波段數(shù)值的組合獲得四種位置編碼方法，即基于樣本位置序號(hào)與波段序號(hào)的三角函數(shù)式位置編碼、基于樣本位置序號(hào)與波段數(shù)值的三角函數(shù)式位置編碼、基于樣本含量與波段序號(hào)的三角函數(shù)式位置編碼和基于樣本含量與波段數(shù)值的三角函數(shù)式位置編碼；所述含量排序?yàn)閷?duì)含量進(jìn)行從小到大的排序；
5.根據(jù)權(quán)利要求4所述的基于位置編碼、光譜與神經(jīng)網(wǎng)絡(luò)的土壤定量建模方法，其特征在于：所述步驟2中，所述旋轉(zhuǎn)式位置編碼方式具體為：
6.根據(jù)權(quán)利要求2所述的基于位置編碼、光譜與神經(jīng)網(wǎng)絡(luò)的土壤定量建模方法，其特征在于：所述步驟3中，所述以經(jīng)過特征處理的新型輻角為輸入構(gòu)建基于隨機(jī)向量函數(shù)鏈神經(jīng)網(wǎng)絡(luò)的土壤定量模型具體為：
7.根據(jù)權(quán)利要求2所述的基于位置編碼、光譜與神經(jīng)網(wǎng)絡(luò)的土壤定量建模方法，其特征在于：所述步驟4中的深度隨機(jī)向量函數(shù)鏈神經(jīng)網(wǎng)絡(luò)，是隨機(jī)向量函數(shù)鏈神經(jīng)網(wǎng)絡(luò)的深層結(jié)構(gòu)，輸入層與隱含層之間的輸入權(quán)重與偏差隨機(jī)取值并保持固定，不同隱含層之間的權(quán)重與偏差隨機(jī)取值并保持固定，輸入特征與所有隱含層的輸出特征進(jìn)行拼接，輸出權(quán)重通過穆爾-彭羅斯廣義逆求解，不同隱含層的神經(jīng)元數(shù)是相同的。
8.根據(jù)權(quán)利要求7所述的基于位置編碼、光譜與神經(jīng)網(wǎng)絡(luò)的土壤定量建模方法，其特征在于：所述步驟4中，所述基于隱含層序號(hào)與神經(jīng)元序號(hào)的三角函數(shù)式位置編碼具體為：
9.根據(jù)權(quán)利要求8所述的基于位置編碼、光譜與神經(jīng)網(wǎng)絡(luò)的土壤定量建模方法，其特征在于：所述步驟4中，所述采用基于隱含層序號(hào)與神經(jīng)元序號(hào)的三角函數(shù)式位置編碼改進(jìn)深度隨機(jī)向量函數(shù)鏈神經(jīng)網(wǎng)絡(luò)而構(gòu)建的土壤定量模型具體為：