基于BP神经网络高光谱土壤氮素信息检测研究

潘若芊+吴健+张梦诗+翁元恺+罗诚昕

摘 要：通过高光谱技术获得的光谱信息与化学法测得的氮素含量相结合，对几种预处理方法：S-Golay平滑滤波、小波去噪、多元散射、微分处理进行比较分析并探讨BP神经网络在高光谱检测土壤氮素信息领域应用的可靠性，经过实验证明通过S-Golay平滑滤波和一次导数的预处理方法较优而BP神经网络是一种土壤氮素预测效果较好的建模方法。

关键词：高光谱 土壤 氮素 BP神经网络

中图分类号：S127 文献标识码：A 文章编号：1672-3791（2017）04（b）-0135-02

林地土壤肥力检测是林业发展中必不可少的环节，而氮则是土壤肥力的重要指标。氮元素的丰缺直接影响着林业发展，因此需要及时检测土壤养分并快速获取土壤信息从而及时作出反应。目前我国土壤的氮素信息检测大多采用传统的化学测定法，该法有着方法繁琐、测量速度较慢、有污染等诸多不利之处。 高光谱图像是光谱分辨率<10 nm的光谱图像，有着分辨率高、响应范围广、光谱连续性强等优点，国内外在高光谱检测土壤养分的应用领域也已经有了初步发展。该文讨论了土壤氮素信息高光谱检测的预处理方法，比较出最优方法，利用BP神经网络同主成分分析法相结合进行预测土壤氮素的可行性。结果表明：由S-Golay平滑滤波和一次导数的预处理方法效果最优且BP神经网络的预测性能精度稳定性都较好，可以作为一种检测土壤氮含量的方法。

1 实验准备

样本采集自北京林业大学苗圃，去除地表的浮土后，利用取土器按照五点取样法取5个点的样品，作为一份样品。取土深度在20 cm以下，充分混合后，挑除较大的石块、残根叶等杂志，不断进行四分法直至土壤质量约为100 g，作为一份土样。所有土样经室外风干、研磨、过50目筛进行过筛最后均分成两份，分别进行高光谱检测和化学法测量。所有实验样本共50份，随机抽取其中35份作为训練集，其余15份作为检验集。笔者使用SOC710-VP高光谱成像仪，仪器相关数据：光谱带：0.4～1.0 μm，共有128个波段，每行包含像素：520或者1392。

利用化学法测定，采用北京睿信龙电子技术研究所研发的土壤养分测试仪。所得结果如表1所示。

2 光谱法测定

利用高光谱软件自带程序进行校正为对校正后的图像的数据进行采集，并只保留土壤部分，以实验皿中心作为圆心，取半径为20的圆形区域作为实验采集数据区域，计算其平均值作为该波段下土壤氮素含量。最后得到的高光谱谱段是从370 ～1 042 nm共128个波段。由光谱曲线观察可以得到，光谱在370～470 nm这个波段的信噪比较低，因此我们最后只选用470 ～1 042 nm波段进行研究，得到图1光谱图像。

3 预处理

由于利用高光谱成像仪采集到的光谱信息受到样品背景信息、噪音信息、光谱散射以及种种人为因素的影响，采集到的原始光谱的准确性受到干扰，从而影响到建立预测模型准确性，因此在使用光谱数据前需要对其进行相关处理。对选择的预处理方法：S-G平滑滤波、小波去噪、多元散射分析、微分变换等进行筛选组合，使用偏最小二乘法（PLS）进行建模，对不同预处理方法处理后的数据进行建模进行比较分析，利用决定系数R2（determination coefficients）和均方根误差RMSEC（root mean squared error）作为模型评价指标，R2能够反映模型的稳定性，R2越趋向于1，说明模型的越趋于稳定，预测能力越稳定。均方根误差RMSEC可以反映模型的预测能力，RMSE越小模型估算能力越强，将测得的决定系数和均方根误差列入表2。

4 BP神经网络建模方法

在进行建模之前，由于高光谱谱段较多，经过筛选有108个波段，维数较高，而BP神经网络没有降维步骤，所以先进行主成分分析（Principle Component Analysis，PCA）进行降维。经过主成分分析法计算后，前5个主成分累计贡献率分别为：69.295 8%，79.951 7%，84.621 6%，87.868 3%，90.660 0%，图像表示为图2，前5个主成分累计起来达到90%包含了光谱大部分的特征信息，因此以这5个主成分作为输入变量进行建模。利用35个样本作为实验样本，15个样本作为预测样本对BP神经网络的预测能力进行检测，最终得到预测值和化学法得到的实际值比较如图2所示。

经计算BP神经网络的决定系数R2为0.920 4，均方根误差RMSEC为0.835 3。该方法稳定性高于之前预处理方法时利用偏最小二乘法建立的模型（R2=0.891 7），而均方根误差较低，为0.835 3，比利用偏最小二乘法建立的模型的均方根误差（RMSE C=0.961 4）稍小，可以应用于氮含量的初步预测。

5 结语

高光谱技术在农林业领域的应用为国内外农林业的发展提供一种新的思路和方法，快速获取林业土壤相关信息以对林业发展进行观测、维护对于当代林业发展有极为重要意义。该文研究了基于BP神经网络的高光谱技术在林业土壤信息检测方面的预处理和建模方法。在该研究中，BP神经网络模型的决定系数为0.920 4，均方根误差为0.835 3，比利用PLS建立的模型评价指标更优，说明该模型有较好的稳定性和预测能力。

参考文献

[1] 陈红艳，赵庚星，李希灿，等.小波分析用于土壤速效钾含量高光谱估测研究[J].中国农业科学，2012（7）：1425-1431.

[2] 刘彦姝，潘勇.基于SVR算法的林地土壤氮含量高光谱测定[J].生态科学，2013（1）：84-89.

[3] 卢艳丽，自由路，王贺，等.利用光谱技术检测土壤主要养分含量潜力分析[J].土壤通报，2012，43（3）：757-759.

[4] 于士凯，姚艳敏，王德营，等.基于高光谱的土壤有机质含量反演研究[J].中国农学通报，2013（23）：146-152.

[5] 沈润平，丁国香，魏国栓，等.基于人工神经网络的土壤有机质含量高光谱反演[J].土壤学报，2009（3）：391-397.

[6] 李硕，汪善勤，张美琴.基于可见-近红外光谱比较主成分回归、偏最小二乘回归和反向传播神经网络对土壤氮的预测研究[J].光学学报，2012（8）：297-301.

[7] 刘雪梅，张海亮.基于遗传算法近红外光谱检测土壤养分的研究[J].灌溉排水学报，2013（32）：138-140.

[8] 周浩.土壤有机质含量高光谱预测模型及其差异性研究[D].浙江大学，2004.