基于BP神經(jīng)網(wǎng)絡(luò)GPR反演濱海鹽漬土含鹽量模型構(gòu)建

趙學(xué)偉 王萍 李新舉 劉寧

摘要：濱海鹽漬土水鹽含量較高，水鹽運移規(guī)律顯著，利用探地雷達(dá)（GPR）反演土壤含鹽量具有重要意義。針對目前GPR反演土壤含鹽量模型多為內(nèi)陸鹽漬土單一影響因素模型現(xiàn)狀，本研究采用BP神經(jīng)網(wǎng)絡(luò)方法，探究GPR信號的土壤介電常數(shù)、土壤層次振幅比與土壤含鹽量之間的非線性關(guān)系，并以Matlab 為平臺，采用自編程序?qū)嶒灁?shù)據(jù)進行網(wǎng)絡(luò)學(xué)習(xí)和仿真，構(gòu)建了多重GPR信號反演的土壤含鹽量模型。模型輸出準(zhǔn)確率達(dá)到86.53%，表明該模型可以預(yù)測濱海鹽漬土含鹽量。

關(guān)鍵詞：濱海鹽漬土； GPR； 土壤介電常數(shù)； 分層振幅比； 含鹽量；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：S126：S156.4+2文獻標(biāo)識號：A文章編號：1001-4942（2018）05-0152-04

Abstract The soil water and salinity in coastal area is high and changing rapidly， so it is significant to using GPR to invert soil salinity. Different from the most present models of inland saline soil salinity inverted by GPR based on single influencing factor， we consctucted the soil salinity model based on multiple GPR signals using the BP neural network. The nonlinear relationships were studied between the soil dielectric constant and soil layer amplitude ratio of GPR signals and the soil salinity. Then， the BP neural network is applied to train and simulate the experimental data with Matlab platform. The accuracy of model output is up to 86.53%， which indicates that the model could predict the soil salinity of the saline soil.

Keywords Coastal saline soil； GPR； Soil dielectric constant； Stratified amplitude ratio； Soil salinity； BP neural network

黃河三角洲地區(qū)多為濱海鹽漬土，土壤水鹽含量高[1]，時空變異性強，運移過程復(fù)雜[2]。調(diào)控土壤鹽分是濱海鹽漬土改良和農(nóng)業(yè)利用的最重要內(nèi)容，而土壤鹽分的定量監(jiān)測是水鹽動態(tài)運移研究的前提[3]。傳統(tǒng)的鹽漬土含鹽量測定方法有TDR傳感器法[4]、殘渣烘干法[5]、電導(dǎo)率法[6]，其中，傳感器法可實時測定土壤鹽分，測定結(jié)果精確度高，但需埋設(shè)較多探頭，觀測與維護成本高；殘渣烘干法、電導(dǎo)率法需開挖土壤剖面，對土壤破壞程度大。探地雷達(dá)（GPR）可沿測線解析土壤剖面結(jié)構(gòu)，反演分層土壤鹽分含量，耗時短、費工少、土壤挖損小且精度高、測量深，更適宜于中尺度土壤水鹽調(diào)查[7]。

但目前探地雷達(dá)對土壤的調(diào)查大多集中在土壤層次和厚度以及水分的測定等方面[8]，對鹽漬土，尤其是濱海鹽漬土水鹽變化的應(yīng)用研究不多。濱海鹽漬土的水鹽變化受到土壤類型、水鹽含量、地下水位等多重因素的影響，但在GPR信號中對應(yīng)為電磁波傳播速度與振幅信息的變化[9]，電磁波傳播速度、土壤振幅與含鹽量的關(guān)系具有很強的非線性和復(fù)雜性，單一影響因素模型難以表現(xiàn)。

BP神經(jīng)網(wǎng)絡(luò)可描述多個因素的影響，且不需要預(yù)先設(shè)定變量間的具體函數(shù)關(guān)系，可直接利用實驗數(shù)據(jù)通過BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力找出輸出變量與輸入變量間的內(nèi)在非線性規(guī)律[10，11]，近年來已經(jīng)得到廣泛應(yīng)用[12]，效果優(yōu)于傳統(tǒng)數(shù)據(jù)處理方法[13]。因此，本研究采用BP神經(jīng)網(wǎng)絡(luò)，以Matlab為平臺對濱海鹽漬土水鹽變化進行仿真，以期獲得濱海鹽漬土含鹽量模型。

1 試驗設(shè)計與處理方法

本研究于2017年4月以山東省濱州市“渤海糧倉”試驗示范基地的濱海鹽漬土為研究對象，設(shè)置不同水鹽含量處理（分別加入水20 L、5 g/L NaCl溶液20 L、20 g/L NaCl溶液20 L，使其均勻緩慢滲入，以不加水為對照）、不同小麥覆蓋程度（裸土地、小麥長勢一般、小麥長勢良好）。各地塊均為砂質(zhì)壤土，土壤其他理化指標(biāo)如土壤粒徑大小、緊實度等類似。用加拿大探測器與軟件公司生產(chǎn)的pulseEKKO PRO系列GPR主機以及250 MHz屏蔽天線，通過FO法與CMP法對小麥覆蓋程度不同、處理方式不同的地塊不同層次的電磁波進行數(shù)據(jù)收集。同時，開挖各地塊土壤剖面，分層實測土壤的含水量與含鹽量。

2 GPR反演土壤含鹽量的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建與檢驗

2.1 土壤水鹽變化對GPR信號的影響

經(jīng)比較發(fā)現(xiàn)，GPR信號中電磁波傳播速度與水鹽含量有一定的聯(lián)系（表1）。隨著水鹽含量的增加，電磁波傳播速度逐漸衰弱，測得的土壤介電常數(shù)增大。濱海鹽漬土中土壤含鹽量對電磁波振幅能值影響顯著，鹽分含量越高，振幅衰減越快。土壤可溶性鹽分是造成電磁波振幅能值下降的主要原因，可選用分層振幅比來表現(xiàn)電磁波振幅的下降幅度。由此可知，GPR測得的土壤介電常數(shù)與振幅比和土壤含鹽量存在隱性、非線性關(guān)系。因此，本研究采用具有高度非線性映射的BP神經(jīng)網(wǎng)絡(luò)建立基于GPR信號的土壤含鹽量模型。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)[14]是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，一般由輸入層、隱含層和輸出層組成，各層由一個或多個神經(jīng)元組成，層內(nèi)各個神經(jīng)元之間無信息的反饋，相鄰兩層之間連接通過調(diào)節(jié)權(quán)值和閾值實現(xiàn)。研究表明，一個三層的BP網(wǎng)絡(luò)理論上可逼近任意的非線性映射[15]，因此采用三層的BP網(wǎng)絡(luò)即可滿足建模需要。

我們把GPR測得的土壤介電常數(shù)和分層振幅比作為網(wǎng)絡(luò)輸入層，神經(jīng)元節(jié)點數(shù)為 2，含鹽量為輸出層。由于GPR信號與土壤含鹽量不是簡單的線性關(guān)系，隱含層中神經(jīng)元采用logsig型非線性傳遞函數(shù)，輸出層神經(jīng)元采用purelin（）線性傳遞函數(shù)，通過newff（）函數(shù)構(gòu)建3層的BP神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)模型見圖1。

2.3 數(shù)據(jù)預(yù)處理

選擇GPR對不同植被覆蓋濱海鹽漬土4種處理方式下土壤含鹽量響應(yīng)特征試驗中的36組數(shù)據(jù)作為樣本（表1），其中29組為訓(xùn)練樣本，7組為預(yù)測樣本。由于BP神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換函數(shù)輸入時，在[-1，1]區(qū)間的變化梯度較大，為了使輸入的數(shù)據(jù)適應(yīng) BP網(wǎng)絡(luò)的輸入結(jié)構(gòu)，采用premnmx（）函數(shù)預(yù)處理樣本數(shù)據(jù)，并采用prestd（）函數(shù)對網(wǎng)絡(luò)輸出進行反歸一化處理[16]，不僅能夠防止出現(xiàn)過適配問題，還能提高BP網(wǎng)絡(luò)泛化能力。

選用trainrp（）函數(shù)對網(wǎng)絡(luò)進行訓(xùn)練，學(xué)習(xí)函數(shù)為learngdm（），最大訓(xùn)練步數(shù)epochs為1 000，goal為0.000 1，show為100，學(xué)習(xí)誤差為0.01。經(jīng)過857次循環(huán)訓(xùn)練達(dá)到預(yù)期目標(biāo)，但由于newff（）函數(shù)的隨機性，所以基本上每一次訓(xùn)練結(jié)果都是不同的，但每次訓(xùn)練都能在循環(huán)期內(nèi)完成訓(xùn)練目標(biāo)，達(dá)到精度要求。

2.4 訓(xùn)練結(jié)果及分析

為驗證網(wǎng)絡(luò)模型的預(yù)測能力，將預(yù)測樣本輸入到訓(xùn)練好的網(wǎng)絡(luò)中，用sim（）函數(shù)進行仿真預(yù)測，用plot（）函數(shù)輸出預(yù)測樣本真實值與預(yù)測值的對比圖像（圖2），并計算其平均誤差，得到的預(yù)測值與真實值如表2所示。

可以看出：（1）預(yù)測濱海鹽漬土含鹽量絕對誤差與相對誤差絕對值最大的均是用20 g/L NaCl溶液20 L處理的小麥長勢一般的地塊表層，其原因可能是輸入變量自身存在問題，或者網(wǎng)絡(luò)訓(xùn)練樣本不夠多。（2）預(yù)測樣本仿真輸出誤差大小不一，絕對誤差范圍在-0.327～0.324 g·kg-1之間，相對誤差范圍在-14.17%～10.38% 之間，水鹽含量越高，絕對誤差的值越大。裸土地未處理狀態(tài)下，隨著土層深度的增加，絕對誤差的值逐漸減小，相對誤差表層最大，中下層誤差值的差異幅度較小，主要由于表層鹽分含量較高，減弱大部分電磁波；相同地塊相同層次隨著水鹽的增加，絕對誤差與相對誤差的絕對值均變大，鹽溶液濃度越高，預(yù)測值與真實值的差異越大。但總體誤差在允許范圍內(nèi)，精度較好，仿真輸出被證明有效，訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)是可行的。

2.5 模型的構(gòu)建及檢驗

將全部雷達(dá)測得數(shù)據(jù)作為預(yù)測樣本進行仿真輸入得到仿真數(shù)據(jù)模型（圖3）利用Matlab中cftool工具箱擬合仿真數(shù)據(jù)曲線，通過多項式輸出仿真含鹽量，得到多項式：

Z=6.962-0.4748X-14.79Y+0.1627X2+0.842XY+8.262Y2 。

其中，Z為土壤含鹽量，X為GPR測得的介電常數(shù)，Y為GPR測得的土壤分層振幅比。

把反演仿真輸出的含鹽量與實際含鹽量相比較，結(jié)果（圖4）發(fā)現(xiàn)，該模型對于裸土地含鹽量的預(yù)測誤差較大，對小麥長勢良好的地塊含鹽量預(yù)測誤差最小，主要由于裸土地表層土壤含鹽量較高，對電磁波具有很強的衰減作用，造成振幅比迅速下降，從而產(chǎn)生較大預(yù)測誤差。經(jīng)計算，該模型的平均誤差率為13.46%，準(zhǔn)確率為86.54%，證明該模型具有良好的適用性。

3 結(jié)論

（1）采用BP神經(jīng)網(wǎng)絡(luò)建立了濱海鹽漬土土壤含鹽量與GPR測量土壤介電常數(shù)、分層振幅比信號響應(yīng)的非線性模型。所取得的預(yù)測值與真實值非常接近，其準(zhǔn)確率達(dá)到86.54%；當(dāng)表層土壤鹽分過高時，電磁波衰減迅速，會產(chǎn)生一定預(yù)測誤差；隨著水鹽含量的降低，精度變高。說明利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)進行GPR反演濱海鹽漬土土壤含鹽量準(zhǔn)確可行。

（2）本模型只考慮了水鹽的動態(tài)變化，具有一定的局限性，加之訓(xùn)練樣本數(shù)據(jù)有限及BP神經(jīng)網(wǎng)絡(luò)自身存在不足，使仿真結(jié)果存在一定誤差，其精度有待進一步提升。

參 考 文 獻：

[1] 李建國，濮勵杰，朱明，等. 土壤鹽漬化研究現(xiàn)狀及未來研究熱點[J]. 地理學(xué)報， 2012， 67（9）：1233-1245.

[2] 付騰飛，賈永剛，劉曉磊，等. 黃河三角洲濱海鹽漬土水鹽運移監(jiān)測研究[J].土壤通報，2012，43（6）：1342-1347.

[3] 尹春艷. 黃河三角洲濱海鹽漬土水鹽運移特征與調(diào)控技術(shù)研究[D]. 煙臺：中國科學(xué)院煙臺海岸帶研究所， 2017.

[4] 席琳喬，余建勇，張利莉. TDR技術(shù)測定鹽堿地土壤鹽分和水分及標(biāo)定研究[J]. 塔里木大學(xué)學(xué)報，2007，19（3）：6-10.

[5] 王立艷， 潘潔， 于彩虹，等. 天津濱海鹽堿地土壤含鹽量測定方法的研究[J]. 天津農(nóng)業(yè)科學(xué)， 2011， 17（5）：40-42.

[6] 辛明亮，何新林，呂廷波，等.土壤可溶性鹽含量與電導(dǎo)率的關(guān)系實驗研究[J]. 節(jié)水灌溉，2014（5）：59-61.

[7] 王萍，李新舉，閔祥宇，等. GPR測量濱海鹽漬土剖面分層的實驗研究[J]. 土壤，2016，48（6）：1261-1269.

[8] Hartemink A E， Minasny B. Towards digital soil morphometrics[J]. Geoderma，2014，230-231：305-317.

[9] 彭亮， 張立新， 鄧友生，等. 利用低頻微波波段GPR對鹽漬化土壤鹽分遷移的研究[C]// Recent development of research on permafrost engineering and cold region environment—Proceedings of the eighth international symposium on permafrost engineering. 2009：698-707.

[10]尚松浩， 毛曉敏. 基于BP神經(jīng)網(wǎng)絡(luò)的土壤凍結(jié)溫度及未凍水含量預(yù)測模型[J]. 冰川凍土， 2001， 23（4）：414-418.

[11]江葉楓， 郭熙， 葉英聰， 等. 應(yīng)用集成BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測土壤有機質(zhì)空間分布[J]. 江蘇農(nóng)業(yè)學(xué)報， 2017， 33（5）： 1044-1050.

[12]焦淑華， 夏冰， 徐海靜，等. BP神經(jīng)網(wǎng)絡(luò)預(yù)測的MATLAB實現(xiàn)[J]. 金融理論與教學(xué)， 2009（1）：55-56.

[13]賀憲民， 賀佳， 范思昌. Cox模型與BP神經(jīng)網(wǎng)絡(luò)在處理非線性數(shù)據(jù)時的性能比較[J]. 數(shù)理統(tǒng)計與管理， 2004， 23（2）：69-72.

[14]趙惠新， 吳志琴， 李兆宇，等. 基于BP神經(jīng)網(wǎng)絡(luò)凍融作用下細(xì)粒土抗剪強度的研究[J]. 水電能源科學(xué)， 2012， 30（4）：32-33，78.

[15]許健. 基于BP神經(jīng)網(wǎng)絡(luò)的重塑黃土凍融過程抗剪強度劣化特性研究[J]. 水利與建筑工程學(xué)報， 2016， 14（6）：13-17.

[16]何慶中. 防止BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)進入局部誤差振蕩缺陷的一種方法[J]. 四川理工學(xué)院學(xué)報（自然科學(xué)版）， 2007， 20（3）：98-100.