基于可見—近紅外光譜和神經(jīng)網(wǎng)絡的土壤類型鑒別

馬海姣　崔晨風

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)絡建立模型進行類型鑒別。主成分分析表明，主成分1、2、3的累積方差貢獻率達到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個主成分作為神經(jīng)網(wǎng)絡輸入，以土壤類型為輸出，通過對30個樣本的訓練學習，分別建立了反向傳播人工神經(jīng)網(wǎng)絡（BP）和徑向基函數(shù)人工神經(jīng)網(wǎng)絡（RBF）。對10個樣本進行預測，結(jié)果表明2種模型預測的準確性均達到100%。RBF神經(jīng)網(wǎng)絡運行時間明顯小于BP網(wǎng)絡，具有一定優(yōu)勢。

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；RBF神經(jīng)網(wǎng)絡；分類鑒別

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

收稿日期：2013-08-25

基金項目：國家自然科學基金-新疆聯(lián)合基金（編號：U1203182）；國家自然科學基金（編號：51279166）；高等學校學科創(chuàng)新引智計劃（編號：B12007）；水資源與水電工程科學國家重點實驗室項目（編號：2011B083）；西北農(nóng)林科技大學大學生創(chuàng)新創(chuàng)業(yè)訓練計劃（編號：1210712077）。

作者簡介：馬海姣（1990—），女，甘肅武威人，研究方向為“3S”技術(shù)在農(nóng)業(yè)水土工程中的應用。E-mail：18700807193@163.com。

通信作者：崔晨風，博士，講師，研究方向為“3S”技術(shù)在農(nóng)業(yè)水土工程和水文水資源中的應用、大壩安全監(jiān)測、精密工程測量。E-mail：cuichenfeng@163.com。光譜技術(shù)作為一種簡單、快捷、非接觸、非破壞的分析方法，已經(jīng)被廣泛地應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土壤各項生理指標參數(shù)的研究[7]，但是基于土壤近紅外光譜和神經(jīng)網(wǎng)絡的土壤分類研究較少[8]。劉家雄[9]、付強等[10]分別利用土壤理化指標，結(jié)合主成分分析、聚類分析、神經(jīng)網(wǎng)絡等方法對土壤分類進行研究。由于土壤理化性質(zhì)測量方法復雜，工程量大，無法快速、無損地對土壤進行分類。曾慶猛等利用土壤近紅外光譜和聚類分析對土壤分類進行了研究[11]，宋海燕等利用近紅外光譜和正交信號-偏最小二乘法對土壤進行分類，但分類精度最高僅達到85%[12]。

神經(jīng)網(wǎng)絡模型作為一種強有力的學習系統(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[反向傳播人工（BP）神經(jīng)網(wǎng)絡和徑向基函數(shù)人工（RBF）神經(jīng)網(wǎng)絡]的土壤分類研究。本研究采用新疆土、土、沙土、阜陽土等4種類型土壤的室內(nèi)可見-近紅外光譜反射數(shù)據(jù)為研究對象，利用主成分分析方法，結(jié)合BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡技術(shù)進行土壤分類研究，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行時間，為實現(xiàn)基于遙感方法進行土壤快速分類奠定基礎(chǔ)。

1材料與方法

1.1儀器設備

使用美國ASD（analytical spectral device）公司的Handheld Field Spec 型光譜儀，其光譜測定范圍為325～1 075 nm，采樣間隔為10 nm，光譜分辨率為3.5 nm，探頭視場角為15°。光源采用與光譜儀配套的14.5 V鹵素燈。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、阜陽土。每種土壤各取10個樣本，每個樣本掃描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)，同時保存了原有特征的主要信息。

1.4神經(jīng)網(wǎng)絡原理

1.4.1BP神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡是目前應用最廣泛的神經(jīng)網(wǎng)絡方法之一，具有較強的信息處理能力，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)絡具有1個輸入層、數(shù)個隱含層、1個輸出層，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個具有隱含層的3層網(wǎng)絡可以逼近任何連續(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。在實際應用中，該算法存在網(wǎng)絡結(jié)構(gòu)參數(shù)和學習訓練參數(shù)難以確定的問題，這在一定程度上影響了神經(jīng)網(wǎng)絡的推廣應用。

本研究采用3層BP神經(jīng)網(wǎng)絡，該網(wǎng)絡由1個輸入層、1個隱含層、1個輸出層組成，隱含層采用“S”型函數(shù)，輸出層采用線性傳遞函數(shù)，目標誤差0.01，設定訓練迭代次數(shù) 1 000 次。

1.4.2RBF神經(jīng)網(wǎng)絡多變量插值的RBF神經(jīng)網(wǎng)絡具有優(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)絡結(jié)構(gòu)域與多層前向型網(wǎng)絡類似，是一種3層前向型網(wǎng)絡，由輸入層、隱含層、輸出層組成，隱含層神經(jīng)元傳遞函數(shù)是對中心點徑向?qū)ΨQ且衰減的非負非線性函數(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)簡單，訓練速度快，函數(shù)逼近能力和分類能力強，不存在局部最優(yōu)問題等特點。endprint

本研究采用3層RBF神經(jīng)網(wǎng)絡，徑向基函數(shù)擴展速度（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師學習型的2種神經(jīng)網(wǎng)絡，分別建立了鑒別土壤類型的模型，2種模型預測效果很好，識別率均達到100%。其中RBF神經(jīng)網(wǎng)絡克服了BP神經(jīng)網(wǎng)絡運行時間長的缺點，在應用時更加快捷方便。利用可見-近紅外光譜技術(shù)可以快速、準確、無損地對土壤類型進行鑒別，為土壤類型鑒別提供了一種可靠的新途徑。

參考文獻：

[1]何勇，李曉麗，邵詠妮.基于主成分分析和神經(jīng)網(wǎng)絡的近紅外光譜蘋果品種鑒別方法研究[J]. 光譜學與光譜分析，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]. 紅外與毫米波學報，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]. 光譜學與光譜分析，2007，27（9）：1739-1742.

[5]黃應豐，劉騰輝. 華南主要土壤類型的光譜特性與土壤分類[J]. 土壤學報，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[J]. 自然資源學報，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]. 浙江大學學報：農(nóng)業(yè)與生命科學版，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用[J]. 上海農(nóng)業(yè)學報，2011，27（3）：110-113.

[10]付強，王志良，梁川. 自組織競爭人工神經(jīng)網(wǎng)絡在土壤分類中的應用[J]. 水土保持通報，2002，22（1）：39-43.

[11]曾慶猛，孫宇瑞，嚴紅兵. 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-偏最小二乘法對土壤的分類[J]. 農(nóng)業(yè)工程學報，2012，28（7）：168-171.

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

[14]楊芳，李紅睿，田學東. 基于RBF神經(jīng)網(wǎng)絡的漢字粗分類方法[J]. 計算機工程與應用，2009，45（6）：170-172.endprint

本研究采用3層RBF神經(jīng)網(wǎng)絡，徑向基函數(shù)擴展速度（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師學習型的2種神經(jīng)網(wǎng)絡，分別建立了鑒別土壤類型的模型，2種模型預測效果很好，識別率均達到100%。其中RBF神經(jīng)網(wǎng)絡克服了BP神經(jīng)網(wǎng)絡運行時間長的缺點，在應用時更加快捷方便。利用可見-近紅外光譜技術(shù)可以快速、準確、無損地對土壤類型進行鑒別，為土壤類型鑒別提供了一種可靠的新途徑。

參考文獻：

[1]何勇，李曉麗，邵詠妮.基于主成分分析和神經(jīng)網(wǎng)絡的近紅外光譜蘋果品種鑒別方法研究[J]. 光譜學與光譜分析，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]. 紅外與毫米波學報，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]. 光譜學與光譜分析，2007，27（9）：1739-1742.

[5]黃應豐，劉騰輝. 華南主要土壤類型的光譜特性與土壤分類[J]. 土壤學報，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[J]. 自然資源學報，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]. 浙江大學學報：農(nóng)業(yè)與生命科學版，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用[J]. 上海農(nóng)業(yè)學報，2011，27（3）：110-113.

[10]付強，王志良，梁川. 自組織競爭人工神經(jīng)網(wǎng)絡在土壤分類中的應用[J]. 水土保持通報，2002，22（1）：39-43.

[11]曾慶猛，孫宇瑞，嚴紅兵. 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-偏最小二乘法對土壤的分類[J]. 農(nóng)業(yè)工程學報，2012，28（7）：168-171.

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

[14]楊芳，李紅睿，田學東. 基于RBF神經(jīng)網(wǎng)絡的漢字粗分類方法[J]. 計算機工程與應用，2009，45（6）：170-172.endprint

本研究采用3層RBF神經(jīng)網(wǎng)絡，徑向基函數(shù)擴展速度（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師學習型的2種神經(jīng)網(wǎng)絡，分別建立了鑒別土壤類型的模型，2種模型預測效果很好，識別率均達到100%。其中RBF神經(jīng)網(wǎng)絡克服了BP神經(jīng)網(wǎng)絡運行時間長的缺點，在應用時更加快捷方便。利用可見-近紅外光譜技術(shù)可以快速、準確、無損地對土壤類型進行鑒別，為土壤類型鑒別提供了一種可靠的新途徑。

參考文獻：

[1]何勇，李曉麗，邵詠妮.基于主成分分析和神經(jīng)網(wǎng)絡的近紅外光譜蘋果品種鑒別方法研究[J]. 光譜學與光譜分析，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]. 紅外與毫米波學報，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]. 光譜學與光譜分析，2007，27（9）：1739-1742.

[5]黃應豐，劉騰輝. 華南主要土壤類型的光譜特性與土壤分類[J]. 土壤學報，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[J]. 自然資源學報，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]. 浙江大學學報：農(nóng)業(yè)與生命科學版，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用[J]. 上海農(nóng)業(yè)學報，2011，27（3）：110-113.

[10]付強，王志良，梁川. 自組織競爭人工神經(jīng)網(wǎng)絡在土壤分類中的應用[J]. 水土保持通報，2002，22（1）：39-43.

[11]曾慶猛，孫宇瑞，嚴紅兵. 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-偏最小二乘法對土壤的分類[J]. 農(nóng)業(yè)工程學報，2012，28（7）：168-171.

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

[14]楊芳，李紅睿，田學東. 基于RBF神經(jīng)網(wǎng)絡的漢字粗分類方法[J]. 計算機工程與應用，2009，45（6）：170-172.endprint