基于BP神經(jīng)網(wǎng)絡(luò)的土壤含水量高光譜估測

(山東農(nóng)業(yè)大學信息科學與工程學院 山東 泰安 271018)

基于BP神經(jīng)網(wǎng)絡(luò)的土壤含水量高光譜估測

武英潔

(山東農(nóng)業(yè)大學信息科學與工程學院山東泰安271018)

以陜西省橫山縣為研究區(qū)，選取該縣84個土壤樣本，應(yīng)用光譜簡單變換的方法提取特征因子，采用BP神經(jīng)網(wǎng)絡(luò)建立了土壤含水量的反演模型，并對模型精度進行分析。結(jié)果表明，該反演模型的R2為0.8970，RMSE 為2.3154，平均相對誤差為1.7374，模型精度較高，可以較為有效的進行土壤含水量的反演。

土壤含水量；簡單變換；BP神經(jīng)網(wǎng)絡(luò)

一、引言

土壤含水量是表征土壤水分的關(guān)鍵參數(shù)。傳統(tǒng)土壤水分測定方法浪費時間、人力、物力，難以滿足研究需要。高光譜遙感憑借極高光譜分辨率、信息豐富、分類識別方法靈活等優(yōu)勢，使得土壤含水量定量反演成為可能。國內(nèi)外學者利用高光譜技術(shù)對土壤含水量估測進行了許多有益研究[1-2]。一般來說，土壤反射光譜曲線隨含水量升高而降低[3]。Bowers等研究發(fā)現(xiàn)土壤光譜反射率在整個波長范圍內(nèi)隨土壤水分增加而降低，且土壤水分吸收波段與吸收強度之間具有較好的線性相關(guān)[4]；Stoner等進一步證實，隨著土壤水分增加，土壤反射系數(shù)降低[5]。目前，土壤含水量的高光譜估測方法多種多樣，光譜處理較多使用的方法有反射率對數(shù)與一階微分、包絡(luò)線、波段組合、主成分分析等，建立的估測模型有線性回歸、BP神經(jīng)網(wǎng)絡(luò)、模糊識別等[6-11]。本文對土壤的光譜反射率進行了9種光譜簡單變換，從中選擇出不同波段區(qū)間中相關(guān)系數(shù)最大的波段，結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立土壤含水量的反演模型，并對其進行精度評定，以此為利用高光譜數(shù)據(jù)進行土壤含水量反演及動態(tài)變化監(jiān)測奠定基礎(chǔ)。

二、實驗數(shù)據(jù)獲取

(一)實驗區(qū)概況

以陜西省橫山縣(37°22'～38°14'N，109°14'～110°20'E)為研究區(qū)，橫山縣位于陜西省北部，土壤種類豐富，形成原因眾多，在土壤類型方面具有典型代表性。選擇其為研究區(qū)，可避免單一土壤類型造成的局限性以及偶然性，使研究結(jié)果更具一般性和推廣性。

(二)樣本采集

在實驗區(qū)選擇地勢較為平坦、土壤裸露的20個地區(qū)作為采樣區(qū)。在每個樣區(qū)內(nèi)隨機、均勻選擇具有代表性的測點4或5個。每個測點采集1個樣本，土壤樣本為采自表層約5cm深的土壤，最終共采集84個土壤樣本。

(三)樣本光譜及含水量測定

使用ASD公司生產(chǎn)的Field Spec FR地物光譜儀在室內(nèi)對土壤樣本進行光譜測定，其采集光譜波長范圍為350～2500nm。其中，350～1000nm之間光譜分辨率為3nm，1000～2500nm之間光譜分辨率為10nm。室內(nèi)測定條件包括：光源為50W鹵素燈，光源離土樣約50cm。采集光譜時，使用3°視場角探頭，探頭與土樣保持約20cm距離。每個土樣光譜重復測量4次，最后取4次反射率平均值作為土壤樣本實際光譜反射率。并在實驗室內(nèi)采用烘干法測定土壤樣本的含水量(單位：%)。

三、數(shù)據(jù)處理與建模

(一)反演因子選取

對原始光譜數(shù)據(jù)進行去噪處理后，通過相關(guān)性計算，發(fā)現(xiàn)土壤含水量與原始光譜反射率兩者呈負相關(guān)，如圖1中反射率R與土壤含水量相關(guān)系數(shù)曲線所示。從圖中可以看出二者之間的相關(guān)性都未能達到0.6，因此需進行數(shù)據(jù)變換方法對反射率進行變換處理，以增大其相關(guān)性。光譜數(shù)據(jù)變換的方法多種多樣，本文主要采用光譜數(shù)據(jù)簡單變換法對數(shù)據(jù)進行變換處理。

對原始反射率進行圖1中所列示的9種簡單變換，并對變換后的光譜數(shù)據(jù)與土壤含水量做相關(guān)性分析，分析結(jié)果如圖1所示。從圖中可以看出在進行的9種變換中，反射率進行一階微分、反射率平方根的一階微分和反射率對數(shù)的變換以后其與含水量之間的相關(guān)性明顯提高，變換后的光譜反射率比原始反射率更適合用于反演土壤含水量研究。

圖1 反射率簡單變換后各參數(shù)與土壤含水量的相關(guān)系數(shù)圖

分別分析反射率倒數(shù)的一階微分、反射率平方根的一階微分和反射率對數(shù)的一階微分后與土壤含水量的相關(guān)系數(shù)曲線。三種變換后的參數(shù)與土壤含水量相關(guān)系數(shù)曲線在350～2500nm整個波長范圍內(nèi)相關(guān)系數(shù)正負交替。其中，反射率倒數(shù)的一階微分與土壤含水量在1393nm、1464nm、1868nm和1938nm處相關(guān)系數(shù)較大，反射率平方根的一階微分與土壤含水量之間的相關(guān)系數(shù)在1321nm、1428nm、1848nm、1923nm、2156nm處較大，反射率對數(shù)的一階微分與土壤含水量在1322nm、1434nm、1585nm、1922nm和1991nm處具有較高的相關(guān)性。同時，在選取反演因子時考慮到相鄰波段因子之間的相關(guān)性應(yīng)選取間隔相對較遠的波段，據(jù)此選取出如表1所示的6個特征，用以建立土壤含水量的反演模型。

表1 反射率簡單變換提取特征與含鐵量之間的相關(guān)系數(shù)

(二)基于BP神經(jīng)網(wǎng)絡(luò)建立土壤含水量反演模型

分別將應(yīng)用光譜數(shù)據(jù)簡單變換提取的6個特征作為模型反演的自變量，土壤含水量作為因變量，剔除異常點后，利用DPS進行BP神經(jīng)網(wǎng)絡(luò)分析，多次改變網(wǎng)絡(luò)結(jié)構(gòu)得出精度最高的反演模型。結(jié)果表明，應(yīng)用兩層網(wǎng)絡(luò)，第一層網(wǎng)絡(luò)5個節(jié)點，第二層3個節(jié)點所構(gòu)建的反演模型精度最高，反演結(jié)果如圖2所示。

圖2 土壤含水量實測值與擬合值之間相關(guān)性

(三)土壤含水量反演模型精度評定

對比模型的擬合值與實測值，計算模型精度，結(jié)果表明該反演模型的R2為0.8970，RMSE為2.3154，平均相對誤差為1.7374，模型精度較高，這表明我們建立的模型是可靠的，可以有效的進行土壤含水量反演，同時也說明了運用BP神經(jīng)網(wǎng)絡(luò)的方法建立土壤含水量高光譜反演模型是可行的。

圖3 模型擬合值與實測值比較

四、結(jié)論

1.通過9種簡單光譜變換，提取各種簡單變換中與土壤含水量之間相關(guān)性的峰值點，同時，考慮到相鄰波段因子之間的相關(guān)性，最終選擇出1393nm、1868nm處光譜反射率倒數(shù)的一階微分，1428nm、2156nm處光譜反射率的一階微分，1585nm、1922nm處光譜反射率對數(shù)的一階微分，共6個特征。

2.運用提取因子應(yīng)用BP神經(jīng)網(wǎng)絡(luò)法建立反演模型時，需多次實驗選擇出合理的網(wǎng)絡(luò)結(jié)構(gòu)，模型的確定存在一定的不確定性。

3.綜合多種簡單變換相關(guān)系數(shù)的峰值點利用BP神經(jīng)網(wǎng)絡(luò)的方法所建立的土壤含水量反演模型反演精度較高，模型土壤含水量擬合值與實測值之間R2達到0.8970，RMSE為2.3154，平均相對誤差1.7374，應(yīng)用該反演模型可以有效的反演土壤含水量。

[1]吳代暉,范聞捷,崔要奎,等.高光譜遙感監(jiān)測土壤含水量研究進展[J].光譜學與光譜分析,2010,30(11):3067-3071.

[2]SOMERS B,GYSELS V,VERSTRAETEN W,et al.Modelling moisture-induced soil reflectance change in cultivated sandy soils:A case study in citrus orchards[J].European Journal of Soil Science,2010,61(6):1091-1105.

[3]JOHNSON J R，LUCEY P G,HORTON K A,et al.Infrared measurements of Pristine and disturbed soils 1.spectral contrast differences between field and laboratory data[J].Remote Sensing of Environment,1998,64(1):34-36.

[4]BOWERS S A,HANKS R J.Reflection of radiant energy from soil.SoilScience,1965,100:130-138.

[5]SFONER E R,BAGMGARDNER M F.Characteristic variations in reflectance of surface soil[J].Soil Science Society of American Journal,1981,45(6):1161-1165.

[6]劉偉東,Frederic Baret,張兵,等.高光譜遙感土壤濕度信息提取研究[J].土壤學報,2004,41(5):700-706.

[7]謝伯承,薛緒掌,劉偉東,等.基于包絡(luò)線法對土壤光譜特征的提取及分析[J].土壤學報,2005,42(1):171-175.

[8]王靜,何挺,李玉環(huán).基于高光譜遙感技術(shù)的土地質(zhì)量信息挖掘研究[J].遙感學報,2005,9(4):438-445.

[9]魏娜,姚艷敏,陳佑啟.高光譜遙感土壤質(zhì)量信息監(jiān)測研究進展[J].中國農(nóng)學通報,2008,24(10):491-496.

[10]尹業(yè)彪,李霞,趙釗,等.沙質(zhì)土壤含水率高光譜預(yù)測模型建立及分析[J].遙感技術(shù)與應(yīng)用,2011,26(3):355-359.

[11]陳紅艷,趙庚星,李希燦,等.基于小波變換的土壤有機質(zhì)含量高光譜估測[J].應(yīng)用生態(tài)學報,2011,22(11):2935-2942.