(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(luò)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(yīng)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(luò)建立了土壤含水量的反演模型,并對模型精度進行分析。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(luò)
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(shù)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(guān)[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(luò)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(luò)、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(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(chǔ)。
(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(jié)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:%)。
(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(guān)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(guān),如圖1中反射率R與土壤含水量相關(guān)系數(shù)曲線所示。從圖中可以看出二者之間的相關(guān)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(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(guān)性分析,分析結(jié)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(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數(shù)的一階微分后與土壤含水量的相關(guān)系數(shù)曲線。三種變換后的參數(shù)與土壤含水量相關(guān)系數(shù)曲線在350~2500nm整個波長范圍內(nèi)相關(guān)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(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,在選取反演因子時考慮到相鄰波段因子之間的相關(guān)性應(yīng)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(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(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個節(jié)點,第二層3個節(jié)點所構(gòu)建的反演模型精度最高,反演結(jié)果如圖2所示。
圖2 土壤含水量實測值與擬合值之間相關(guān)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(jié)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(luò)的方法建立土壤含水量高光譜反演模型是可行的。
圖3 模型擬合值與實測值比較
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(guān)性的峰值點,同時,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處光譜反射率對數(shù)的一階微分,共6個特征。
2.運用提取因子應(yīng)用BP神經(jīng)網(wǎng)絡(luò)法建立反演模型時,需多次實驗選擇出合理的網(wǎng)絡(luò)結(jié)構(gòu),模型的確定存在一定的不確定性。
3.綜合多種簡單變換相關(guān)系數(shù)的峰值點利用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測值之間R2達到0.8970,RMSE為2.3154,平均相對誤差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(luò)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(shù)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(yù)測模型建立及分析[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質(zhì)含量高光譜估測[J].應(yīng)用生態(tài)學報,2011,22(11):2935-2942.