文献类型：期刊文章

作　　者：王璨[1] 武新慧[1] 李恋卿[2] 王玉顺[1] 李志伟[1]

机构地区：[1]山西农业大学工学院,山西太谷030801 [2]南京农业大学资源环境学院,江苏南京210095

出　　处：《光谱学与光谱分析》

基　　金：国家重点研发计划(2017YFD0701501);公益性行业(农业)科研专项(201303095-11)资助

年　　份：2018

卷　　号：38

期　　号：1

起止页码：36-41

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、PUBMED、RCCSE、RSC、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：近红外光谱分析技术在土壤含水率预测方面具有独特的优势,是一种便捷且有效的方法。卷积神经网络作为高性能的深度学习模型,能够从复杂光谱数据中自主提取有效特征结构进行学习,与传统的浅层学习模型相比具有更强的模型表达能力。将卷积神经网络用于近红外光谱预测土壤含水率,并提出了有效的卷积神经网络光谱回归建模方法,简化了光谱数据的预处理要求,且具有更高的光谱预测精度。首先对不同含水率下土壤样品的光谱反射率数据进行简单的预处理,通过主成分分析减少光谱数据量,并将处理后的光谱数据变换为二维光谱信息矩阵,以适应卷积神经网络特殊的学习结构。然后基于卷积神经网络算法,设置双层卷积和池化结构逐层提取光谱数据的内部特征信息,并采用局部连接和权值共享减少网络参数、提高泛化性能。通过试验优化网络结构和各项参数,最终获得针对土壤光谱数据的卷积神经网络土壤含水率预测模型,并与传统的BP,PLSR和LSSVM模型进行对比实验。结果表明在训练样本达到一定数量时,卷积神经网络的预测精度和回归拟合度均高于三种传统模型。在少量训练样本参与建模的情况下,模型预测表现高于BP神经网络,但略低于PLSR和LSSVM模型。随着参与训练样本量的增加,卷积神经网络的预测精度和回归拟合度也随之稳定提升,达到并显著优于传统模型水平。因此,卷积神经网络能够利用近红外光谱数据对土壤含水率做出有效预测,且在较多样本参与建模时取得更好效果。

关 键 词：卷积神经网络 近红外光谱 土壤含水率 预测模型  

分 类 号：TP79]