基于可见―近红外光谱和神经网络土壤类型鉴别.docVIP

基于可见―近红外光谱和神经网络土壤类型鉴别 　　摘要：提出一种利用近红外光谱快速、无损鉴别土壤种类的方法。首先利用近红外光谱仪测定不同种类土壤的光谱特征曲线，利用主成分分析法提取主成分，再结合人工神经网络建立模型进行类型鉴别。主成分分析表明，主成分1、2、3的累积方差贡献率达到99.839%，可以很好地代表原始数据特征。以主成分分析得到的前3个主成分作为神经网络输入，以土壤类型为输出，通过对30个样本的训练学习，分别建立了反向传播人工神经网络（BP）和径向基函数人工神经网络（RBF）。对10个样本进行预测，结果表明2种模型预测的准确性均达到100%。RBF神经网络运行时间明显小于BP网络，具有一定优势。 　　关键词：可见-近红外光谱；土壤类型；主成分分析；BP神经网络；RBF神经网络；分类鉴别 　　中图分类号： S155；O657.33 文献标志码： A 文章编号：1002-1302（2014）04-0284-03 　　收稿日期：2013-08-25 　　基金项目：国家自然科学基金-新疆联合基金（编号：U1203182）；国家自然科学基金（编号；高等学校学科创新引智计划（编号：B12007）；水资源与水电工程科学国家重点实验室项目（编号：2011B083）；西北农林科技大学大学生创新创业训练计划（编号：1210712077）。 　　作者简介：马海姣（1990―），女，甘肃武威人，研究方向为“3S”技术在农业水土工程中的应用。E-mail163.com。 　　通信作者：崔晨风，博士，讲师，研究方向为“3S”技术在农业水土工程和水文水资源中的应用、大坝安全监测、精密工程测量。E-mail：cuichenfeng@163.com。光谱技术作为一种简单、快捷、非接触、非破坏的分析方法，已经被广泛地应用到土壤和植物研究、食品行业等领域[1-4]。由于土壤的光谱反射率能综合反映土壤理化特征和内在结构，所以土壤光谱测量为土壤光谱特征分析、土壤分类提供了新途径[5-6]。目前已有基于土壤光谱特征对土壤各项生理指标参数的研究[7]，但是基于土壤近红外光谱和神经网络的土壤分类研究较少[8]。刘家雄[9]、付强等[10]分别利用土壤理化指标，结合主成分分析、聚类分析、神经网络等方法对土壤分类进行研究。由于土壤理化性质测量方法复杂，工程量大，无法快速、无损地对土壤进行分类。曾庆猛等利用土壤近红外光谱和聚类分析对土壤分类进行了研究[11]，宋海燕等利用近红外光谱和正交信号-偏最小二乘法对土壤进行分类，但分类精度最高仅达到85%[12]。 　　神经网络模型作为一种强有力的学习系统，模拟了人脑思维过程，能够实现输入层、输出层的非线性映射，已经在很多领域得到广泛应用，并取得良好效果[13-14]，但目前还没有基于土壤近红外光谱和神经网络[反向传播人工（BP）神经网络和径向基函数人工（RBF）神经网络]的土壤分类研究。本研究采用新疆土、土、沙土、阜阳土等4种类型土壤的室内可见-近红外光谱反射数据为研究对象，利用主成分分析方法，结合BP神经网络和RBF神经网络技术进行土壤分类研究，探讨基于土壤反射光谱特性的土壤分类技术，以期提高土壤分类精度和运行时间，为实现基于遥感方法进行土壤快速分类奠定基础。 　　1材料与方法 　　1.1仪器设备 　　使用美国ASD（analytical spectral device）公司的Handheld Field Spec 型光谱仪，其光谱测定范围为325～1 075 nm，采样间隔为10 nm，光谱分辨率为3.5 nm，探头视场角为15°。光源采用与光谱仪配套的14.5 V卤素灯。采用ASD View Spec Pro和Matlab R2009b软件分析数据。 　　1.2样本采集与制备 　　供试土壤分别为新疆土、土、沙土、阜阳土。每种土壤各取10个样本，每个样本扫描20次，取平均值作为最终光谱反射率数据。 　　1.3主成分分析（PCA）原理 　　PCA是一种降维映射方法，可以有效地压缩数据特征，把原有多维空间信息通过一系列线性变换在低维空间表现出来，从而消除众多信息中的重叠部分。提取的每个特征都是原来特征的函数，使新得到的特征数少于原有特征数，同时保存了原有特征的主要信息。 　　1.4神经网络原理 　　1.4.1BP神经网络BP神经网络是目前应用最广泛的神经网络方法之一，具有较强的信息处理能力，能够实现输入和输出之间的非线性映射。典型的神经网络具有1个输入层、数个隐含层、1个输出层，层与层之间采用全连接的方法，同层神经元之间不存在相互连接。理论上已证明，1个具有隐含层的3层网络可以逼近任何连续的非线性函数。隐含层中神经元多采用“S”型函数（tansig