潘若芊+吳健+張夢(mèng)詩(shī)+翁元愷+羅誠(chéng)昕

摘 要：通過(guò)高光譜技術(shù)獲得的光譜信息與化學(xué)法測(cè)得的氮素含量相結(jié)合，對(duì)幾種預(yù)處理方法：S-Golay平滑濾波、小波去噪、多元散射、微分處理進(jìn)行比較分析并探討B(tài)P神經(jīng)網(wǎng)絡(luò)在高光譜檢測(cè)土壤氮素信息領(lǐng)域應(yīng)用的可靠性，經(jīng)過(guò)實(shí)驗(yàn)證明通過(guò)S-Golay平滑濾波和一次導(dǎo)數(shù)的預(yù)處理方法較優(yōu)而B(niǎo)P神經(jīng)網(wǎng)絡(luò)是一種土壤氮素預(yù)測(cè)效果較好的建模方法。

關(guān)鍵詞：高光譜 土壤 氮素 BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2017）04（b）-0135-02

林地土壤肥力檢測(cè)是林業(yè)發(fā)展中必不可少的環(huán)節(jié)，而氮?jiǎng)t是土壤肥力的重要指標(biāo)。氮元素的豐缺直接影響著林業(yè)發(fā)展，因此需要及時(shí)檢測(cè)土壤養(yǎng)分并快速獲取土壤信息從而及時(shí)作出反應(yīng)。目前我國(guó)土壤的氮素信息檢測(cè)大多采用傳統(tǒng)的化學(xué)測(cè)定法，該法有著方法繁瑣、測(cè)量速度較慢、有污染等諸多不利之處。 高光譜圖像是光譜分辨率<10 nm的光譜圖像，有著分辨率高、響應(yīng)范圍廣、光譜連續(xù)性強(qiáng)等優(yōu)點(diǎn)，國(guó)內(nèi)外在高光譜檢測(cè)土壤養(yǎng)分的應(yīng)用領(lǐng)域也已經(jīng)有了初步發(fā)展。該文討論了土壤氮素信息高光譜檢測(cè)的預(yù)處理方法，比較出最優(yōu)方法，利用BP神經(jīng)網(wǎng)絡(luò)同主成分分析法相結(jié)合進(jìn)行預(yù)測(cè)土壤氮素的可行性。結(jié)果表明：由S-Golay平滑濾波和一次導(dǎo)數(shù)的預(yù)處理方法效果最優(yōu)且BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能精度穩(wěn)定性都較好，可以作為一種檢測(cè)土壤氮含量的方法。

1 實(shí)驗(yàn)準(zhǔn)備

樣本采集自北京林業(yè)大學(xué)苗圃，去除地表的浮土后，利用取土器按照五點(diǎn)取樣法取5個(gè)點(diǎn)的樣品，作為一份樣品。取土深度在20 cm以下，充分混合后，挑除較大的石塊、殘根葉等雜志，不斷進(jìn)行四分法直至土壤質(zhì)量約為100 g，作為一份土樣。所有土樣經(jīng)室外風(fēng)干、研磨、過(guò)50目篩進(jìn)行過(guò)篩最后均分成兩份，分別進(jìn)行高光譜檢測(cè)和化學(xué)法測(cè)量。所有實(shí)驗(yàn)樣本共50份，隨機(jī)抽取其中35份作為訓(xùn)練集，其余15份作為檢驗(yàn)集。筆者使用SOC710-VP高光譜成像儀，儀器相關(guān)數(shù)據(jù)：光譜帶：0.4～1.0 μm，共有128個(gè)波段，每行包含像素：520或者1392。

利用化學(xué)法測(cè)定，采用北京睿信龍電子技術(shù)研究所研發(fā)的土壤養(yǎng)分測(cè)試儀。所得結(jié)果如表1所示。

2 光譜法測(cè)定

利用高光譜軟件自帶程序進(jìn)行校正為對(duì)校正后的圖像的數(shù)據(jù)進(jìn)行采集，并只保留土壤部分，以實(shí)驗(yàn)皿中心作為圓心，取半徑為20的圓形區(qū)域作為實(shí)驗(yàn)采集數(shù)據(jù)區(qū)域，計(jì)算其平均值作為該波段下土壤氮素含量。最后得到的高光譜譜段是從370 ～1 042 nm共128個(gè)波段。由光譜曲線觀察可以得到，光譜在370～470 nm這個(gè)波段的信噪比較低，因此我們最后只選用470 ～1 042 nm波段進(jìn)行研究，得到圖1光譜圖像。

3 預(yù)處理

由于利用高光譜成像儀采集到的光譜信息受到樣品背景信息、噪音信息、光譜散射以及種種人為因素的影響，采集到的原始光譜的準(zhǔn)確性受到干擾，從而影響到建立預(yù)測(cè)模型準(zhǔn)確性，因此在使用光譜數(shù)據(jù)前需要對(duì)其進(jìn)行相關(guān)處理。對(duì)選擇的預(yù)處理方法：S-G平滑濾波、小波去噪、多元散射分析、微分變換等進(jìn)行篩選組合，使用偏最小二乘法（PLS）進(jìn)行建模，對(duì)不同預(yù)處理方法處理后的數(shù)據(jù)進(jìn)行建模進(jìn)行比較分析，利用決定系數(shù)R2（determination coefficients）和均方根誤差RMSEC（root mean squared error）作為模型評(píng)價(jià)指標(biāo)，R2能夠反映模型的穩(wěn)定性，R2越趨向于1，說(shuō)明模型的越趨于穩(wěn)定，預(yù)測(cè)能力越穩(wěn)定。均方根誤差RMSEC可以反映模型的預(yù)測(cè)能力，RMSE越小模型估算能力越強(qiáng)，將測(cè)得的決定系數(shù)和均方根誤差列入表2。

4 BP神經(jīng)網(wǎng)絡(luò)建模方法

在進(jìn)行建模之前，由于高光譜譜段較多，經(jīng)過(guò)篩選有108個(gè)波段，維數(shù)較高，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)沒(méi)有降維步驟，所以先進(jìn)行主成分分析（Principle Component Analysis，PCA）進(jìn)行降維。經(jīng)過(guò)主成分分析法計(jì)算后，前5個(gè)主成分累計(jì)貢獻(xiàn)率分別為：69.295 8%，79.951 7%，84.621 6%，87.868 3%，90.660 0%，圖像表示為圖2，前5個(gè)主成分累計(jì)起來(lái)達(dá)到90%包含了光譜大部分的特征信息，因此以這5個(gè)主成分作為輸入變量進(jìn)行建模。利用35個(gè)樣本作為實(shí)驗(yàn)樣本，15個(gè)樣本作為預(yù)測(cè)樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力進(jìn)行檢測(cè)，最終得到預(yù)測(cè)值和化學(xué)法得到的實(shí)際值比較如圖2所示。

經(jīng)計(jì)算BP神經(jīng)網(wǎng)絡(luò)的決定系數(shù)R2為0.920 4，均方根誤差RMSEC為0.835 3。該方法穩(wěn)定性高于之前預(yù)處理方法時(shí)利用偏最小二乘法建立的模型（R2=0.891 7），而均方根誤差較低，為0.835 3，比利用偏最小二乘法建立的模型的均方根誤差（RMSE C=0.961 4）稍小，可以應(yīng)用于氮含量的初步預(yù)測(cè)。

5 結(jié)語(yǔ)

高光譜技術(shù)在農(nóng)林業(yè)領(lǐng)域的應(yīng)用為國(guó)內(nèi)外農(nóng)林業(yè)的發(fā)展提供一種新的思路和方法，快速獲取林業(yè)土壤相關(guān)信息以對(duì)林業(yè)發(fā)展進(jìn)行觀測(cè)、維護(hù)對(duì)于當(dāng)代林業(yè)發(fā)展有極為重要意義。該文研究了基于BP神經(jīng)網(wǎng)絡(luò)的高光譜技術(shù)在林業(yè)土壤信息檢測(cè)方面的預(yù)處理和建模方法。在該研究中，BP神經(jīng)網(wǎng)絡(luò)模型的決定系數(shù)為0.920 4，均方根誤差為0.835 3，比利用PLS建立的模型評(píng)價(jià)指標(biāo)更優(yōu)，說(shuō)明該模型有較好的穩(wěn)定性和預(yù)測(cè)能力。

參考文獻(xiàn)

[1] 陳紅艷，趙庚星，李希燦，等.小波分析用于土壤速效鉀含量高光譜估測(cè)研究[J].中國(guó)農(nóng)業(yè)科學(xué)，2012（7）：1425-1431.

[2] 劉彥姝，潘勇.基于SVR算法的林地土壤氮含量高光譜測(cè)定[J].生態(tài)科學(xué)，2013（1）：84-89.

[3] 盧艷麗，自由路，王賀，等.利用光譜技術(shù)檢測(cè)土壤主要養(yǎng)分含量潛力分析[J].土壤通報(bào)，2012，43（3）：757-759.

[4] 于士凱，姚艷敏，王德?tīng)I(yíng)，等.基于高光譜的土壤有機(jī)質(zhì)含量反演研究[J].中國(guó)農(nóng)學(xué)通報(bào)，2013（23）：146-152.

[5] 沈潤(rùn)平，丁國(guó)香，魏國(guó)栓，等.基于人工神經(jīng)網(wǎng)絡(luò)的土壤有機(jī)質(zhì)含量高光譜反演[J].土壤學(xué)報(bào)，2009（3）：391-397.

[6] 李碩，汪善勤，張美琴.基于可見(jiàn)-近紅外光譜比較主成分回歸、偏最小二乘回歸和反向傳播神經(jīng)網(wǎng)絡(luò)對(duì)土壤氮的預(yù)測(cè)研究[J].光學(xué)學(xué)報(bào)，2012（8）：297-301.

[7] 劉雪梅，張海亮.基于遺傳算法近紅外光譜檢測(cè)土壤養(yǎng)分的研究[J].灌溉排水學(xué)報(bào)，2013（32）：138-140.

[8] 周浩.土壤有機(jī)質(zhì)含量高光譜預(yù)測(cè)模型及其差異性研究[D].浙江大學(xué)，2004.