基于卷积神经网络的耕层土壤有机质含量估测模型研究.pdfVIP

符号说明 SVM: Support Vector Machines, 支持向量机 PLSR: Partial Least Squares Regression, 偏最小二乘 SOM: Soil Organic Matter, 土壤有机质 CNN: Convolutional Neural Network, 卷积神经网络 BPNN:Back Propagation Neural Network, 后向传播神经网络 ReLU :Rectified Linear Unit, 线性整流函数 LReLU :Leaky ReLU, 倾斜整流函数 PReLU :Parametric ReLU, 参数化整流函数 RReLU :Randomized ReLU, 随机化整流函数 ELU :Exponential Linear Unit, 指数整流函数 目 录 中文摘要 I Abstract III 1 前言 1 1.1 研究目的及意义 1 1.2 国内外研究现状2 1.2.1 高光谱遥感技术2 1.2.2 土壤光谱数据分析与有机质建模反演6 1.3 研究内容与技术路线 9 1.3.1研究内容9 1.3.2研究方法9 2 数据采集与预处理11 2.1 研究区概况 11 2.2 数据获取 11 2.2.1 土壤样本的采集 11 2.2.2 土样光谱反射率检测 12 2.2.3 获取土壤样本有机质含量 13 2.3 预处理光谱数据 13 2.3.1 断点校正与光谱去噪 13 2.3.3 异常样本剔除 13 2.4 光谱特性分析 15 2.5 本章小结 16 3 光谱数据变换与特征因子选取17 3.1 光谱数据变换 17 3.1.1 土壤有机质光谱数据变换 17 3.1.2 特征因子的选取23 3.2 光谱数据的主成分提取 29 3.2.1 主成分分析简介29 3.2.2 主成分的数据获取30 3.3 本章小结31 4 土壤有机质高光谱估测模型32 4.1 传统估测模型32 4.1.1 多元线性回归32 4.1.2 支持向量机33 4.1.3 BP 神经网络33 4.2 卷积神经网络模型34 4.2.1 结构理解35 4.2.2 模型构建37 4.3 精度评定38 4.4 本章小结39 5 模型估测结果与分析 40 5.1 特征因子建模 41 5.1.1 卷积神经网络模型41 5.1.2 传统估测模型42 5.1.3 模型对比46 5.2 主成分分析建模 47 5.2.1 卷积神经网络模型47 5.2.2 传统估测模型49 5.2.3 模型对比53 5.3 两种建模数据结果对比 53 5.4 本章小结54 6 结论与展望55 6.1 结论55 6.2 主要创新点 56 6.3 展望 56 7 参考文献57 8 致谢64 9 攻读学位期间发表论文情况65 山东农业大学硕士专业学位论文 中文摘要 土壤有机质是土壤固体成分的重要组成部分，是植物摄取营养的重要来源，快速并 精确地获取土壤有机质含量对发展精准农业具有重要意义。传统的土壤有机质含量化验 方法虽然精度高，但花费时间长、成本高，不能满足大面积的监测需求。高光谱遥感因 其具有波段窄且多、光谱分辨率高、信息丰富等优点，已成为快速获取大范围土壤有机 质含量的新手段，但光谱估测精度有待提高。因此，本文以山东省济南市章丘区的褐土 土壤样本为研究对象，基于耕层土壤与表层土壤有机质