基于BP神经网络的土壤含铁量高光谱反演
来源:用户上传
作者:
摘 要：本文利用横山县土壤的室内光谱，对数据采用 的一阶微分方法进行处理，并剔除不合理数据，运用BP神经网络法研究了土壤中的全铁含量与高光谱之间的关系，并建立相应的反演模型。所建模型中隐含节点1层4个、2层3个的BP神经模型较为理想，拟合残差为0.02433，RMSE=1147.4623。
關键词：高光谱;土壤全含铁量;BP神经网络
土壤作为农业生产的主要对象之一，了解其理化特性并据此进行农业生产管理是保证农业稳产高产优质高效的重要前提。由于高光谱遥感技术具有连续、动态、大面积同步性等优势而被广泛应用于农业生产，使得快速实现土壤有机质含量估测成为可能。铁作为农作物中的微量元素，对作物的生长发育起着举足轻重的作用。由于土壤全铁成分复杂，光谱特性与光谱之间不是简单的线性关系。
本文通过对原始土壤光谱数据的获取与分析，采用光谱重采样，光谱反演指标选取，光谱数据变换方式，光谱特征吸收带的提取，异常样本的剔除等高光谱数据的处理。运用神经网络法研究土壤全铁含量与其光谱之间的关系，建立反演模型，并对结果进行验证。
一、数据来源
试验区为横山县，位于陕西省北部（北纬37°22′～38°14′，东经108°56′～110°～02′），在实验区选择地势较平坦、土壤裸露区作为样区，并考虑各种土地利用类型和土壤类型，共采集83个土样。在实验室对土壤样品进行理化性质分析。2003年6月获取了横山试验区美国hypeRion成像光谱数据，面积400km2。在试验区利用GPS确定土壤样品采集的中心位置，并同步测量了土壤、植被、不同类型土地的地物光谱。地物光谱测量采用ASD FieldSpec FR 野外光谱仪，光谱仪测量的波长范围为350nm～2500nm。
二、分析方法
1.光谱曲线去躁
为了更好地反映土壤含铁量与反射率之间的关系，需要对数据进行平滑处理。对光谱曲线采用9点加权移动平均方法进行降噪处理。计算公式如下：
（1）
式（1）中， 表示9点平滑处理后的值。
2.光谱数据变换
为寻找敏感的土壤铁含量光谱指标，有效增加土壤含铁量与反射率之间的相关性，本文采用反射率对数的一阶微分变换方法。在实际计算中，一般用光谱的差分作为微分的有限近似，计算公式如下：
（2）
式中，λ为每个波段的波长;△λ是波长λ1到λ2的间隔，视波段波长而定，本文取;Rλ1和Rλ2分别代表波段λ1和λ2处的光谱反射率。
利用对数的一阶微分变换后，数据的相关系数曲线的特征明显增强，在波段1792nm，1677nm，1452m，721nm，776nm，417nm，690nm，890nm，2241nm处较强。
3.光谱反演指标选取
光谱数据量和运算量巨大统计参数的估计偏差增大随着波段数增多，样本的统计参数也要求越高。计算各波段与土壤有机质含量之间的相关性，按极大相关性原则，提取特征波段的光谱变换值，在350～2500nm的波段中选取最佳波段的反射率作为反演指标。
根据相关系数曲线的拐点，以波段的光谱反射率的变换值作为反演指标，本文选取1792nm，1677nm，1452m，721nm，776nm，417nm，690nm，890nm，2241nm为相关因子最初建模因子。
4.异常样本的剔除
为更加准确地建立土壤性质指标与反射率相关性的反演模型，需要剔除异常的样本。具体方法是，作出6个波段的散点图，可以看出样本1，2和65等偏离趋势直线较远，将其作为异常样本剔除。用同样的方法将其余波段的异常样本进行剔除，利用剩下的48个样本建立模型。
5.光谱反演模型
BP网络是对非线性可微分函数进行权值训练的多层网络，
应用步骤如下：
（1）BP网络的结构及确定。隐节点数的求解模型，如：
（3）
式中h为隐含层节点数，m为输入节点数，n为输出节点数，a在1～10之间选取。
（2）激活函数的选取。
三、结果分析
将样本数据分为两组：42个用于网络训练、6个用于模型检验。通过隐含层与隐含层节点的组合共有6个训练模型：1）隐含层为1层，隐含层节点4个;2）隐含层2层，隐含节点5个;3）隐含层1层，隐含节点6个;4）隐含层2层，隐含节点1层4个，2层3个;5）隐含层2层，隐含节点1层5个，2层4个;6）隐含层2层，隐含节点1层6个，2层5个。对80个样本数据分别进行训练与检验，其中64个用于训练、16个用于检验。
对6组模型的铁含量训练值与预测值的相对误差比较如下：
基于BP神经网络法建立了多个土壤全铁含量的高光谱反演模型，结果表明，模型四BP神经模型效果较好，即隐含层2层，隐含节点1层4个、2层3个，拟合残差为0.02433，RMSE=1147.4623。
四、结语
本文分别基于特征吸收波段、经验波段（350～2500nm），运用BP神经网络法建立了全铁含量的多个反演模型，并对模型进行了验证。
1.土壤中氧化铁含量与反射率呈负相关，铁含量增加会导致土壤反射率下降。模型四BP集成网络模型效果较好，即隐含层2层，隐含节点1层4个、2层3个，拟合残差为0.02433，RMSE=1216.86，利用BP神经网络模型得出的预测值与实测值较为接近，在实际中较为可行。
2.本次论文讨论的模型有限，没有对隐含层以及隐含层节点进行充分的讨论，利用土壤高光谱信息反演土壤中的全铁含量有待进一步研究。
3.在今后的工作中，可以系统地研究各种形式的铁对光谱的影响，运用尽可能多的样品进行分析和建模，研究对农业更具实际意义的有效铁含量的反演。高光谱在土壤特性分析中的应用还面临很多问题，同时也有巨大的前景。
参考文献：
[1]丁国香. 基于神经网络的土壤有机质及全铁含量的高光谱反演研究[D].南京信息工程大学硕士学位论文，2008.
[2]邱华旭，黄张裕，李希灿.土壤性质指标光谱反演数据变换模型研究[J].测绘科学，2013，38（03）：131-133.
[3]李希灿，王静，王芳，等.基于模糊识别的土壤性质指标光谱反演[J].辽宁工程技术大学学报（自然科学版），2010，29（02）：324-327.
作者简介：张亚男（1998-）女，山东泰安人，本科，主要研究方向为摄影测量与遥感。
转载注明来源:https://www.xzbu.com/1/view-15052557.htm
