基于BP神經(jīng)網(wǎng)絡(luò)的土壤含水量高光譜估測(cè)

(山東農(nóng)業(yè)大學(xué)信息科學(xué)與工程學(xué)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(cè)

武英潔

(山東農(nóng)業(yè)大學(xué)信息科學(xué)與工程學(xué)院山東泰安271018)

以陜西省橫山縣為研究區(qū)，選取該縣84個(gè)土壤樣本，應(yīng)用光譜簡(jiǎn)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(duì)模型精度進(jìn)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(duì)誤差為1.7374，模型精度較高，可以較為有效的進(jìn)行土壤含水量的反演。

土壤含水量；簡(jiǎn)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(cè)定方法浪費(fèi)時(shí)間、人力、物力，難以滿(mǎn)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(lèi)識(shí)別方法靈活等優(yōu)勢(shì)，使得土壤含水量定量反演成為可能。國(guó)內(nèi)外學(xué)者利用高光譜技術(shù)對(duì)土壤含水量估測(cè)進(jìn)行了許多有益研究[1-2]。一般來(lái)說(shuō)，土壤反射光譜曲線(xiàn)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(gè)波長(zhǎng)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(qiáng)度之間具有較好的線(xiàn)性相關(guān)[4]；Stoner等進(jìn)一步證實(shí)，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(cè)方法多種多樣，光譜處理較多使用的方法有反射率對(duì)數(shù)與一階微分、包絡(luò)線(xiàn)、波段組合、主成分分析等，建立的估測(cè)模型有線(xiàn)性回歸、BP神經(jīng)網(wǎng)絡(luò)、模糊識(shí)別等[6-11]。本文對(duì)土壤的光譜反射率進(jìn)行了9種光譜簡(jiǎn)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(duì)其進(jìn)行精度評(píng)定，以此為利用高光譜數(shù)據(jù)進(jìn)行土壤含水量反演及動(dòng)態(tài)變化監(jiān)測(cè)奠定基礎(chǔ)。

二、實(shí)驗(yàn)數(shù)據(jù)獲取

(一)實(shí)驗(yàn)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(lèi)豐富，形成原因眾多，在土壤類(lèi)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(lèi)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(shí)驗(yàn)區(qū)選擇地勢(shì)較為平坦、土壤裸露的20個(gè)地區(qū)作為采樣區(qū)。在每個(gè)樣區(qū)內(nèi)隨機(jī)、均勻選擇具有代表性的測(cè)點(diǎn)4或5個(gè)。每個(gè)測(cè)點(diǎn)采集1個(gè)樣本，土壤樣本為采自表層約5cm深的土壤，最終共采集84個(gè)土壤樣本。

(三)樣本光譜及含水量測(cè)定

使用ASD公司生產(chǎn)的Field Spec FR地物光譜儀在室內(nèi)對(duì)土壤樣本進(jìn)行光譜測(cè)定，其采集光譜波長(zhǎng)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(cè)定條件包括：光源為50W鹵素?zé)簦庠措x土樣約50cm。采集光譜時(shí)，使用3°視場(chǎng)角探頭，探頭與土樣保持約20cm距離。每個(gè)土樣光譜重復(fù)測(cè)量4次，最后取4次反射率平均值作為土壤樣本實(shí)際光譜反射率。并在實(shí)驗(yàn)室內(nèi)采用烘干法測(cè)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(duì)原始光譜數(shù)據(jù)進(jìn)行去噪處理后，通過(guò)相關(guān)性計(jì)算，發(fā)現(xiàn)土壤含水量與原始光譜反射率兩者呈負(fù)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(xiàn)所示。從圖中可以看出二者之間的相關(guān)性都未能達(dá)到0.6，因此需進(jìn)行數(shù)據(jù)變換方法對(duì)反射率進(jìn)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(jiǎn)單變換法對(duì)數(shù)據(jù)進(jìn)行變換處理。

對(duì)原始反射率進(jìn)行圖1中所列示的9種簡(jiǎn)單變換，并對(duì)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(jìn)行的9種變換中，反射率進(jìn)行一階微分、反射率平方根的一階微分和反射率對(duì)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(jiǎn)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(duì)數(shù)的一階微分后與土壤含水量的相關(guān)系數(shù)曲線(xiàn)。三種變換后的參數(shù)與土壤含水量相關(guān)系數(shù)曲線(xiàn)在350～2500nm整個(gè)波長(zhǎng)范圍內(nèi)相關(guān)系數(shù)正負(fù)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(duì)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(shí)，在選取反演因子時(shí)考慮到相鄰波段因子之間的相關(guān)性應(yīng)選取間隔相對(duì)較遠(yuǎn)的波段，據(jù)此選取出如表1所示的6個(gè)特征，用以建立土壤含水量的反演模型。

表1 反射率簡(jiǎn)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(jiǎn)單變換提取的6個(gè)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(diǎn)后，利用DPS進(jìn)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(gè)節(jié)點(diǎn)，第二層3個(gè)節(jié)點(diǎn)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(shí)測(cè)值與擬合值之間相關(guān)性

(三)土壤含水量反演模型精度評(píng)定

對(duì)比模型的擬合值與實(shí)測(cè)值，計(jì)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(duì)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(jìn)行土壤含水量反演，同時(shí)也說(shuō)明了運(yùn)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(shí)測(cè)值比較

四、結(jié)論

1.通過(guò)9種簡(jiǎn)單光譜變換，提取各種簡(jiǎn)單變換中與土壤含水量之間相關(guān)性的峰值點(diǎn)，同時(shí)，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(duì)數(shù)的一階微分，共6個(gè)特征。

2.運(yùn)用提取因子應(yīng)用BP神經(jīng)網(wǎng)絡(luò)法建立反演模型時(shí)，需多次實(shí)驗(yàn)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(jiǎn)單變換相關(guān)系數(shù)的峰值點(diǎn)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(shí)測(cè)值之間R2達(dá)到0.8970，RMSE為2.3154，平均相對(duì)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(cè)土壤含水量研究進(jìn)展[J].光譜學(xué)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(xué)報(bào),2004,41(5):700-706.

[7]謝伯承,薛緒掌,劉偉東,等.基于包絡(luò)線(xiàn)法對(duì)土壤光譜特征的提取及分析[J].土壤學(xué)報(bào),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(xué)報(bào),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(cè)研究進(jìn)展[J].中國(guó)農(nóng)學(xué)通報(bào),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(cè)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(jī)質(zhì)含量高光譜估測(cè)[J].應(yīng)用生態(tài)學(xué)報(bào),2011,22(11):2935-2942.