卷积神经网络用于近红外光谱预测土壤含水率

• 作者: 李志伟 李恋卿 武新慧 王玉顺 王璨
• 来源期刊: 光谱学与光谱分析
• 学科: 工学
• 关键词: 卷积神经网络 近红外光谱 土壤含水率 预测模型
• 年，卷（期）: 2018,（1）
• 页码范围: 36-41
• 页数: 6页
• 分类号: TP79
• 字数: 5829字
• 语种: 中文
• DOI: 10.3964/j.issn.1000-0593(2018)01-0036-06

摘要

近红外光谱分析技术在土壤含水率预测方面具有独特的优势,是一种便捷且有效的方法.卷积神经网络作为高性能的深度学习模型,能够从复杂光谱数据中自主提取有效特征结构进行学习,与传统的浅层学习模型相比具有更强的模型表达能力.将卷积神经网络用于近红外光谱预测土壤含水率,并提出了有效的卷积神经网络光谱回归建模方法,简化了光谱数据的预处理要求,且具有更高的光谱预测精度.首先对不同含水率下土壤样品的光谱反射率数据进行简单的预处理,通过主成分分析减少光谱数据量,并将处理后的光谱数据变换为二维光谱信息矩阵,以适应卷积神经网络特殊的学习结构.然后基于卷积神经网络算法,设置双层卷积和池化结构逐层提取光谱数据的内部特征信息,并采用局部连接和权值共享减少网络参数、提高泛化性能.通过试验优化网络结构和各项参数,最终获得针对土壤光谱数据的卷积神经网络土壤含水率预测模型,并与传统的BP,PLSR和LSSVM模型进行对比实验.结果表明在训练样本达到一定数量时,卷积神经网络的预测精度和回归拟合度均高于三种传统模型.在少量训练样本参与建模的情况下,模型预测表现高于BP神经网络,但略低于PLSR和LSSVM模型.随着参与训练样本量的增加,卷积神经网络的预测精度和回归拟合度也随之稳定提升,达到并显著优于传统模型水平.因此,卷积神经网络能够利用近红外光谱数据对土壤含水率做出有效预测,且在较多样本参与建模时取得更好效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李恋卿	南京农业大学资源环境学院	130	6903	46.0	81.0
2	李志伟	山西农业大学工学院	27	183	8.0	13.0
3	王玉顺	山西农业大学工学院	24	202	8.0	13.0
4	武新慧	山西农业大学工学院	21	93	6.0	9.0
5	王璨	山西农业大学工学院	7	74	3.0	7.0