基于可見—近紅外光譜和神經(jīng)網(wǎng)絡(luò)的土壤類型鑒別

馬海姣　崔晨風(fēng)

摘要：提出一種利用近紅外光譜快速、無損鑒別土壤種類的方法。首先利用近紅外光譜儀測(cè)定不同種類土壤的光譜特征曲線，利用主成分分析法提取主成分，再結(jié)合人工神經(jīng)網(wǎng)絡(luò)建立模型進(jìn)行類型鑒別。主成分分析表明，主成分1、2、3的累積方差貢獻(xiàn)率達(dá)到99.839%，可以很好地代表原始數(shù)據(jù)特征。以主成分分析得到的前3個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)輸入，以土壤類型為輸出，通過對(duì)30個(gè)樣本的訓(xùn)練學(xué)習(xí)，分別建立了反向傳播人工神經(jīng)網(wǎng)絡(luò)（BP）和徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)（RBF）。對(duì)10個(gè)樣本進(jìn)行預(yù)測(cè)，結(jié)果表明2種模型預(yù)測(cè)的準(zhǔn)確性均達(dá)到100%。RBF神經(jīng)網(wǎng)絡(luò)運(yùn)行時(shí)間明顯小于BP網(wǎng)絡(luò)，具有一定優(yōu)勢(shì)。

關(guān)鍵詞：可見-近紅外光譜；土壤類型；主成分分析；BP神經(jīng)網(wǎng)絡(luò)；RBF神經(jīng)網(wǎng)絡(luò)；分類鑒別

中圖分類號(hào)： S155；O657.33 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-1302（2014）04-0284-03

收稿日期：2013-08-25

基金項(xiàng)目：國(guó)家自然科學(xué)基金-新疆聯(lián)合基金（編號(hào)：U1203182）；國(guó)家自然科學(xué)基金（編號(hào)：51279166）；高等學(xué)校學(xué)科創(chuàng)新引智計(jì)劃（編號(hào)：B12007）；水資源與水電工程科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室項(xiàng)目（編號(hào)：2011B083）；西北農(nóng)林科技大學(xué)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃（編號(hào)：1210712077）。

作者簡(jiǎn)介：馬海姣（1990—），女，甘肅武威人，研究方向?yàn)椤?S”技術(shù)在農(nóng)業(yè)水土工程中的應(yīng)用。E-mail：18700807193@163.com。

通信作者：崔晨風(fēng)，博士，講師，研究方向?yàn)椤?S”技術(shù)在農(nóng)業(yè)水土工程和水文水資源中的應(yīng)用、大壩安全監(jiān)測(cè)、精密工程測(cè)量。E-mail：cuichenfeng@163.com。光譜技術(shù)作為一種簡(jiǎn)單、快捷、非接觸、非破壞的分析方法，已經(jīng)被廣泛地應(yīng)用到土壤和植物研究、食品行業(yè)等領(lǐng)域[1-4]。由于土壤的光譜反射率能綜合反映土壤理化特征和內(nèi)在結(jié)構(gòu)，所以土壤光譜測(cè)量為土壤光譜特征分析、土壤分類提供了新途徑[5-6]。目前已有基于土壤光譜特征對(duì)土壤各項(xiàng)生理指標(biāo)參數(shù)的研究[7]，但是基于土壤近紅外光譜和神經(jīng)網(wǎng)絡(luò)的土壤分類研究較少[8]。劉家雄[9]、付強(qiáng)等[10]分別利用土壤理化指標(biāo)，結(jié)合主成分分析、聚類分析、神經(jīng)網(wǎng)絡(luò)等方法對(duì)土壤分類進(jìn)行研究。由于土壤理化性質(zhì)測(cè)量方法復(fù)雜，工程量大，無法快速、無損地對(duì)土壤進(jìn)行分類。曾慶猛等利用土壤近紅外光譜和聚類分析對(duì)土壤分類進(jìn)行了研究[11]，宋海燕等利用近紅外光譜和正交信號(hào)-偏最小二乘法對(duì)土壤進(jìn)行分類，但分類精度最高僅達(dá)到85%[12]。

神經(jīng)網(wǎng)絡(luò)模型作為一種強(qiáng)有力的學(xué)習(xí)系統(tǒng)，模擬了人腦思維過程，能夠?qū)崿F(xiàn)輸入層、輸出層的非線性映射，已經(jīng)在很多領(lǐng)域得到廣泛應(yīng)用，并取得良好效果[13-14]，但目前還沒有基于土壤近紅外光譜和神經(jīng)網(wǎng)絡(luò)[反向傳播人工（BP）神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)人工（RBF）神經(jīng)網(wǎng)絡(luò)]的土壤分類研究。本研究采用新疆土、土、沙土、阜陽(yáng)土等4種類型土壤的室內(nèi)可見-近紅外光譜反射數(shù)據(jù)為研究對(duì)象，利用主成分分析方法，結(jié)合BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行土壤分類研究，探討基于土壤反射光譜特性的土壤分類技術(shù)，以期提高土壤分類精度和運(yùn)行時(shí)間，為實(shí)現(xiàn)基于遙感方法進(jìn)行土壤快速分類奠定基礎(chǔ)。

1材料與方法

1.1儀器設(shè)備

使用美國(guó)ASD（analytical spectral device）公司的Handheld Field Spec 型光譜儀，其光譜測(cè)定范圍為325～1 075 nm，采樣間隔為10 nm，光譜分辨率為3.5 nm，探頭視場(chǎng)角為15°。光源采用與光譜儀配套的14.5 V鹵素?zé)?。采用ASD View Spec Pro和Matlab R2009b軟件分析數(shù)據(jù)。

1.2樣本采集與制備

供試土壤分別為新疆土、土、沙土、阜陽(yáng)土。每種土壤各取10個(gè)樣本，每個(gè)樣本掃描20次，取平均值作為最終光譜反射率數(shù)據(jù)。

1.3主成分分析（PCA）原理

PCA是一種降維映射方法，可以有效地壓縮數(shù)據(jù)特征，把原有多維空間信息通過一系列線性變換在低維空間表現(xiàn)出來，從而消除眾多信息中的重疊部分。提取的每個(gè)特征都是原來特征的函數(shù)，使新得到的特征數(shù)少于原有特征數(shù)，同時(shí)保存了原有特征的主要信息。

1.4神經(jīng)網(wǎng)絡(luò)原理

1.4.1BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)方法之一，具有較強(qiáng)的信息處理能力，能夠?qū)崿F(xiàn)輸入和輸出之間的非線性映射。典型的神經(jīng)網(wǎng)絡(luò)具有1個(gè)輸入層、數(shù)個(gè)隱含層、1個(gè)輸出層，層與層之間采用全連接的方法，同層神經(jīng)元之間不存在相互連接。理論上已證明，1個(gè)具有隱含層的3層網(wǎng)絡(luò)可以逼近任何連續(xù)的非線性函數(shù)。隱含層中神經(jīng)元多采用“S”型函數(shù)（tansig），輸出層的神經(jīng)元多采用線性傳遞函數(shù)（purelin）。

傳統(tǒng)的BP算法存在很多未解決問題，如收斂速度較慢，易于陷入局部極小等。在實(shí)際應(yīng)用中，該算法存在網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和學(xué)習(xí)訓(xùn)練參數(shù)難以確定的問題，這在一定程度上影響了神經(jīng)網(wǎng)絡(luò)的推廣應(yīng)用。

本研究采用3層BP神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由1個(gè)輸入層、1個(gè)隱含層、1個(gè)輸出層組成，隱含層采用“S”型函數(shù)，輸出層采用線性傳遞函數(shù)，目標(biāo)誤差0.01，設(shè)定訓(xùn)練迭代次數(shù) 1 000 次。

1.4.2RBF神經(jīng)網(wǎng)絡(luò)多變量插值的RBF神經(jīng)網(wǎng)絡(luò)具有優(yōu)秀的離散數(shù)據(jù)內(nèi)插特性，可以提供最優(yōu)逼近功能，其網(wǎng)絡(luò)結(jié)構(gòu)域與多層前向型網(wǎng)絡(luò)類似，是一種3層前向型網(wǎng)絡(luò)，由輸入層、隱含層、輸出層組成，隱含層神經(jīng)元傳遞函數(shù)是對(duì)中心點(diǎn)徑向?qū)ΨQ且衰減的非負(fù)非線性函數(shù)（radbas），從輸入層空間到隱含層的空間變換是線性的，從隱含層空間到輸出層空間變換也是線性的。RBF具有結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練速度快，函數(shù)逼近能力和分類能力強(qiáng)，不存在局部最優(yōu)問題等特點(diǎn)。endprint

本研究采用3層RBF神經(jīng)網(wǎng)絡(luò)，徑向基函數(shù)擴(kuò)展速度（spread）為5.5。

2結(jié)果與分析

2.1可見-近紅外光譜分析

2.2主成分分析

3結(jié)論

通過試驗(yàn)獲得4種類型土壤的可見-近紅外光譜特征曲線，結(jié)合主成分分析和有導(dǎo)師學(xué)習(xí)型的2種神經(jīng)網(wǎng)絡(luò)，分別建立了鑒別土壤類型的模型，2種模型預(yù)測(cè)效果很好，識(shí)別率均達(dá)到100%。其中RBF神經(jīng)網(wǎng)絡(luò)克服了BP神經(jīng)網(wǎng)絡(luò)運(yùn)行時(shí)間長(zhǎng)的缺點(diǎn)，在應(yīng)用時(shí)更加快捷方便。利用可見-近紅外光譜技術(shù)可以快速、準(zhǔn)確、無損地對(duì)土壤類型進(jìn)行鑒別，為土壤類型鑒別提供了一種可靠的新途徑。

參考文獻(xiàn)：

[1]何勇，李曉麗，邵詠妮.基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋果品種鑒別方法研究[J]. 光譜學(xué)與光譜分析，2006，26（5）：850-853.

[2]何勇，李曉麗. 用近紅外光譜鑒別楊梅品種的研究[J]. 紅外與毫米波學(xué)報(bào)，2006，25（3）：192-194+212.

[3]李曉麗，何勇，裘正軍.一種基于可見-近紅外光譜快速鑒別茶葉品種的新方法[J]. 光譜學(xué)與光譜分析，2007，27（2）：279-282.

[4]邵詠妮，何勇，潘家志，等. 基于光譜技術(shù)的桔子汁品種鑒別方法的研究[J]. 光譜學(xué)與光譜分析，2007，27（9）：1739-1742.

[5]黃應(yīng)豐，劉騰輝. 華南主要土壤類型的光譜特性與土壤分類[J]. 土壤學(xué)報(bào)，1995，32（1）：58-68.

[6]劉煥軍，張柏，張淵智，等. 基于反射光譜特性的土壤分類研究[J]. 光譜學(xué)與光譜分析，2008，28（3）：624-628.

[7]張娟娟，田永超，姚霞，等. 基于高光譜的土壤全氮含量估測(cè)[J]. 自然資源學(xué)報(bào)，2011，26（5）：881-890.

[8]王遵義，金春華，劉飛，等. 基于光譜技術(shù)的土壤快速分類方法研究[J]. 浙江大學(xué)學(xué)報(bào)：農(nóng)業(yè)與生命科學(xué)版，2010，36（3）：282-286.

[9]劉家雄. 主成分分析與聚類分析在土壤分類中的應(yīng)用[J]. 上海農(nóng)業(yè)學(xué)報(bào)，2011，27（3）：110-113.

[10]付強(qiáng)，王志良，梁川. 自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)在土壤分類中的應(yīng)用[J]. 水土保持通報(bào)，2002，22（1）：39-43.

[11]曾慶猛，孫宇瑞，嚴(yán)紅兵. 土壤質(zhì)地分類的近紅外光譜分析方法研究[J]. 光譜學(xué)與光譜分析，2009，29（7）：1759-1763.

[12]宋海燕，秦剛，韓小平，等. 基于近紅外光譜和正交信號(hào)-偏最小二乘法對(duì)土壤的分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（7）：168-171.

[13]吳桂芳，蔣益虹，王艷艷，等. 基于獨(dú)立主成分和BP神經(jīng)網(wǎng)絡(luò)的干紅葡萄酒品種的鑒別[J]. 光譜學(xué)與光譜分析，2009，29（5）：1268-1271.

[14]楊芳，李紅睿，田學(xué)東. 基于RBF神經(jīng)網(wǎng)絡(luò)的漢字粗分類方法[J]. 計(jì)算機(jī)工程與應(yīng)用，2009，45（6）：170-172.endprint

本研究采用3層RBF神經(jīng)網(wǎng)絡(luò)，徑向基函數(shù)擴(kuò)展速度（spread）為5.5。

2結(jié)果與分析

2.1可見-近紅外光譜分析

2.2主成分分析

3結(jié)論

通過試驗(yàn)獲得4種類型土壤的可見-近紅外光譜特征曲線，結(jié)合主成分分析和有導(dǎo)師學(xué)習(xí)型的2種神經(jīng)網(wǎng)絡(luò)，分別建立了鑒別土壤類型的模型，2種模型預(yù)測(cè)效果很好，識(shí)別率均達(dá)到100%。其中RBF神經(jīng)網(wǎng)絡(luò)克服了BP神經(jīng)網(wǎng)絡(luò)運(yùn)行時(shí)間長(zhǎng)的缺點(diǎn)，在應(yīng)用時(shí)更加快捷方便。利用可見-近紅外光譜技術(shù)可以快速、準(zhǔn)確、無損地對(duì)土壤類型進(jìn)行鑒別，為土壤類型鑒別提供了一種可靠的新途徑。

參考文獻(xiàn)：

[1]何勇，李曉麗，邵詠妮.基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋果品種鑒別方法研究[J]. 光譜學(xué)與光譜分析，2006，26（5）：850-853.

[2]何勇，李曉麗. 用近紅外光譜鑒別楊梅品種的研究[J]. 紅外與毫米波學(xué)報(bào)，2006，25（3）：192-194+212.

[3]李曉麗，何勇，裘正軍.一種基于可見-近紅外光譜快速鑒別茶葉品種的新方法[J]. 光譜學(xué)與光譜分析，2007，27（2）：279-282.

[4]邵詠妮，何勇，潘家志，等. 基于光譜技術(shù)的桔子汁品種鑒別方法的研究[J]. 光譜學(xué)與光譜分析，2007，27（9）：1739-1742.

[5]黃應(yīng)豐，劉騰輝. 華南主要土壤類型的光譜特性與土壤分類[J]. 土壤學(xué)報(bào)，1995，32（1）：58-68.

[6]劉煥軍，張柏，張淵智，等. 基于反射光譜特性的土壤分類研究[J]. 光譜學(xué)與光譜分析，2008，28（3）：624-628.

[7]張娟娟，田永超，姚霞，等. 基于高光譜的土壤全氮含量估測(cè)[J]. 自然資源學(xué)報(bào)，2011，26（5）：881-890.

[8]王遵義，金春華，劉飛，等. 基于光譜技術(shù)的土壤快速分類方法研究[J]. 浙江大學(xué)學(xué)報(bào)：農(nóng)業(yè)與生命科學(xué)版，2010，36（3）：282-286.

[9]劉家雄. 主成分分析與聚類分析在土壤分類中的應(yīng)用[J]. 上海農(nóng)業(yè)學(xué)報(bào)，2011，27（3）：110-113.

[10]付強(qiáng)，王志良，梁川. 自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)在土壤分類中的應(yīng)用[J]. 水土保持通報(bào)，2002，22（1）：39-43.

[11]曾慶猛，孫宇瑞，嚴(yán)紅兵. 土壤質(zhì)地分類的近紅外光譜分析方法研究[J]. 光譜學(xué)與光譜分析，2009，29（7）：1759-1763.

[12]宋海燕，秦剛，韓小平，等. 基于近紅外光譜和正交信號(hào)-偏最小二乘法對(duì)土壤的分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（7）：168-171.

[13]吳桂芳，蔣益虹，王艷艷，等. 基于獨(dú)立主成分和BP神經(jīng)網(wǎng)絡(luò)的干紅葡萄酒品種的鑒別[J]. 光譜學(xué)與光譜分析，2009，29（5）：1268-1271.

[14]楊芳，李紅睿，田學(xué)東. 基于RBF神經(jīng)網(wǎng)絡(luò)的漢字粗分類方法[J]. 計(jì)算機(jī)工程與應(yīng)用，2009，45（6）：170-172.endprint

本研究采用3層RBF神經(jīng)網(wǎng)絡(luò)，徑向基函數(shù)擴(kuò)展速度（spread）為5.5。

2結(jié)果與分析

2.1可見-近紅外光譜分析

2.2主成分分析

3結(jié)論

通過試驗(yàn)獲得4種類型土壤的可見-近紅外光譜特征曲線，結(jié)合主成分分析和有導(dǎo)師學(xué)習(xí)型的2種神經(jīng)網(wǎng)絡(luò)，分別建立了鑒別土壤類型的模型，2種模型預(yù)測(cè)效果很好，識(shí)別率均達(dá)到100%。其中RBF神經(jīng)網(wǎng)絡(luò)克服了BP神經(jīng)網(wǎng)絡(luò)運(yùn)行時(shí)間長(zhǎng)的缺點(diǎn)，在應(yīng)用時(shí)更加快捷方便。利用可見-近紅外光譜技術(shù)可以快速、準(zhǔn)確、無損地對(duì)土壤類型進(jìn)行鑒別，為土壤類型鑒別提供了一種可靠的新途徑。

參考文獻(xiàn)：

[1]何勇，李曉麗，邵詠妮.基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋果品種鑒別方法研究[J]. 光譜學(xué)與光譜分析，2006，26（5）：850-853.

[2]何勇，李曉麗. 用近紅外光譜鑒別楊梅品種的研究[J]. 紅外與毫米波學(xué)報(bào)，2006，25（3）：192-194+212.

[3]李曉麗，何勇，裘正軍.一種基于可見-近紅外光譜快速鑒別茶葉品種的新方法[J]. 光譜學(xué)與光譜分析，2007，27（2）：279-282.

[4]邵詠妮，何勇，潘家志，等. 基于光譜技術(shù)的桔子汁品種鑒別方法的研究[J]. 光譜學(xué)與光譜分析，2007，27（9）：1739-1742.

[5]黃應(yīng)豐，劉騰輝. 華南主要土壤類型的光譜特性與土壤分類[J]. 土壤學(xué)報(bào)，1995，32（1）：58-68.

[6]劉煥軍，張柏，張淵智，等. 基于反射光譜特性的土壤分類研究[J]. 光譜學(xué)與光譜分析，2008，28（3）：624-628.

[7]張娟娟，田永超，姚霞，等. 基于高光譜的土壤全氮含量估測(cè)[J]. 自然資源學(xué)報(bào)，2011，26（5）：881-890.

[8]王遵義，金春華，劉飛，等. 基于光譜技術(shù)的土壤快速分類方法研究[J]. 浙江大學(xué)學(xué)報(bào)：農(nóng)業(yè)與生命科學(xué)版，2010，36（3）：282-286.

[9]劉家雄. 主成分分析與聚類分析在土壤分類中的應(yīng)用[J]. 上海農(nóng)業(yè)學(xué)報(bào)，2011，27（3）：110-113.

[10]付強(qiáng)，王志良，梁川. 自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)在土壤分類中的應(yīng)用[J]. 水土保持通報(bào)，2002，22（1）：39-43.

[11]曾慶猛，孫宇瑞，嚴(yán)紅兵. 土壤質(zhì)地分類的近紅外光譜分析方法研究[J]. 光譜學(xué)與光譜分析，2009，29（7）：1759-1763.

[12]宋海燕，秦剛，韓小平，等. 基于近紅外光譜和正交信號(hào)-偏最小二乘法對(duì)土壤的分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（7）：168-171.

[13]吳桂芳，蔣益虹，王艷艷，等. 基于獨(dú)立主成分和BP神經(jīng)網(wǎng)絡(luò)的干紅葡萄酒品種的鑒別[J]. 光譜學(xué)與光譜分析，2009，29（5）：1268-1271.

[14]楊芳，李紅睿，田學(xué)東. 基于RBF神經(jīng)網(wǎng)絡(luò)的漢字粗分類方法[J]. 計(jì)算機(jī)工程與應(yīng)用，2009，45（6）：170-172.endprint