(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)絡建立了土壤含水量的反演模型，并對模型精度進行分析。結果表明，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

一、引言

土壤含水量是表征土壤水分的關鍵參數(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[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、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)間中相關系數(shù)最大的波段，結合BP神經(jīng)網(wǎng)絡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。

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，如圖1中反射率R與土壤含水量相關系數(shù)曲線所示。從圖中可以看出二者之間的相關性都未能達到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性分析，分析結果如圖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系數(shù)曲線。三種變換后的參數(shù)與土壤含水量相關系數(shù)曲線在350～2500nm整個波長范圍內(nèi)相關系數(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性應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系數(shù)

(二)基于BP神經(jīng)網(wǎng)絡建立土壤含水量反演模型

分別將應用光譜數(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)絡分析，多次改變網(wǎng)絡結構得出精度最高的反演模型。結果表明，應用兩層網(wǎng)絡，第一層網(wǎng)絡5個節(jié)點，第二層3個節(jié)點所構建的反演模型精度最高，反演結果如圖2所示。

圖2 土壤含水量實測值與擬合值之間相關性

(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性的峰值點，同時，考慮到相鄰波段因子之間的相關性，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.運用提取因子應用BP神經(jīng)網(wǎng)絡法建立反演模型時，需多次實驗選擇出合理的網(wǎng)絡結構，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系數(shù)的峰值點利用BP神經(jīng)網(wǎng)絡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測模型建立及分析[J].遙感技術與應用,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].應用生態(tài)學報,2011,22(11):2935-2942.