基于ResNet的森林土壤碳含量近红外预测模型

黄海霞 李耀翔 张哲宇

摘 要：為实现森林土壤碳含量（SOC）的快速、高效、无损检测，以小兴安岭带岭林业实验局东方红林场土壤为研究对象，利用近红外光谱（NIRs）技术，建立SOC预测模型。利用深度残差网络（ResNet18）算法建立预测模型，从光谱数据的预处理（一阶导数（1D）+Savitzky-Golay（SG）卷积平滑、标准正态变量变换（SNV）、SG卷积平滑和去趋势（DT））和批量2个角度对模型进行优化，并将该模型与偏最小二乘回归（PLSR）、BP神经网络（BPNN）和卷积神经网络VGG19模型进行对比。研究结果表明，利用1D+SG卷积平滑组合的方式进行预处理，批量大小为15，所得模型最优，其训练集的均方根误差（RMSE）和决定系数（R）分别为7.695和0.906，验证集的RMSE和R分别为7.146和0.821，ResNet18模型精度优于PLSR、BPNN和VGG19，其验证集R分别比三者提升了14.66%、40.10%和0.37%。该研究表明，利用NIRs技术结合深度残差网络可实现SOC无损检测。

关键词：深度残差网络；近红外光谱；森林土壤；碳含量；深度学习

中图分类号：S714.2 文献标识码：A 文章编号：1006-8023（2023）06-0164-08

A NIR Prediction Model for Forest Soil Carbon Content Based on ResNet

HUANG Haixia， LI Yaoxiang， ZHANG Zheyu

（College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract：To achieve rapid， efficient and nondestructive detection of forest soil carbon content （SOC）， taking the soils of Dongfang Hong Forestry Experimental Bureau of the Xiaoxinganling Beltling Forestry Bureau as the research object， a SOC prediction model was developed using near-infrared spectrum （NIRs） technique. The prediction model was established using the deep residual network （ResNet18） algorithm， and the model was optimized from two perspectives： preprocessing of spectral data （first-order derivative （1D） + Savitzky-Golay （SG） convolutional smoothing， standard normal variance transformation （SNV）， SG convolutional smoothing and detrending （DT）） and batch size， and the model was compared with partial least squares regression （PLSR）， BP neural network （BPNN） and convolutional neural networks VGG19 models. The research results showed that using the combination of 1D+SG convolutional smoothing for preprocessing， with a batch size of 15， the obtained model was the best. The root mean square error （RMSE） and determination coefficient （R） of the training set were 7.695 and 0.906， respectively. The RMSE and R of the validation set were 7.146 and 0.821， respectively. The ResNet18 model had better accuracy than PLSR， BPNN， and VGG19， and its validation set R had increased by 14.66%， 40.10%， and 0.37% compared to the three， respectively. This study showed that SOC nondestructive detection can be achieved by using NIRs technique combined with deep residual networks.

Keywords：Deep residual network; near infrared spectrum; forest soil; carbon content; deep learning

收稿日期：2023-04-24

基金项目：黑龙江省重点研发计划子课题（GA21C030、GA19C006）资助。

第一作者简介：黄海霞，硕士研究生。研究方向为森林工程。E-mail： 1763925671@qq.com

*通信作者：李耀翔，博士，教授。研究方向为森林工程。E-mail： yaoxiangli@nefu.edu.cn

引文格式：黄海霞， 李耀翔， 张哲宇. 基于ResNet的森林土壤碳含量近红外预测模型[J]. 森林工程， 2023， 39（6）：164-171.

HUANG H X， LI Y X， ZHANG Z Y. A NIR prediction model for forest soil carbon content based on ResNet[J]. Forest Engineering， 2023， 39（6）：164-171.

0 引言

森林生态系统在稳定全球碳循环和缓解全球气候变暖方面发挥着重要作用，其中森林土壤是森林生态系统的重要组成部分，是一个巨大的碳库，具有很高的碳储存潜力。土壤中存在有机质循环机制，既可以是碳汇，也可以是碳源。充分了解森林土壤碳储存机制并建立土壤碳储量预测模型，对研究森林生态系统有重要意义。传统的测定土壤碳含量方法有重铬酸钾容量法、干烧法等。这些方法费时、费力，会对环境产生污染，且具有一定的危险性，因此寻求一种快速无损的新型检测技术是必要的。近红外光谱（near infrared spectrum， NIRs）技术，作为一种新兴的无损检测技术，为测定土壤碳含量提供了一种快速高效的替代方案。目前已经广泛应用于烟草、化工、农业和服装等行业中。在土壤有机质（soil organic matter， SOM）无损检测方面，NIRs技术已有诸多应用。钟翔君等使用Savitzky-Golay（SG）卷积平滑对沙壤潮土的光谱数据进行预处理，并通过连续投影算法（successive projections algorithm， SPA）、无信息变量消除算法（uninformative variables elimination， UVE）、竞争性自适应重加权算法（competitive adaptive reweighted sampling， CARS）和CARS-SPA及变量组合集群分析算法（variable combination population analysis， VCPA）等波段优选方法筛选特征波段，利用偏最小二乘回归算法（partial least squares regression， PLSR）建立了沙壤潮土SOM的全波段和特征波段的预测模型，结果发现CARS-SPA-PLSR模型的效果最好，其验证集决定系数（R）和剩余预测偏差（residual projection deviation， RPD）分别为0.901和3.188。章海亮等用遗传算法（genetic algorithms， GA）结合SPA算法对398个农田土壤样品的光谱数据进行波段优选，采用PLSR算法对挑选出的18个特征波长建立SOM预测模型，结果显示其预测集R为0.830，均方根误差（root mean squared error， RMSE）为0.200，RPD为2.450。Ahmad等通过SG卷积平滑进行预处理后，建立了SOM的PLSR模型，模型验证集的R为0.770。解宏图等利用GA算法进行波长选择后，建立了土壤有机碳（soil organic carbon， SOC）的PLSR模型，其模型预测集R、RMSE和RPD分别为0.931、1.840和3.810。李耀翔等采用SG卷积平滑、一阶导数（1 derivative， 1D）和多元散射校正（multiplicative scatter correction， MSC）进行土壤光谱数据的预处理，用主成分分析（principal component analysis， PCA）法提取前8个主成分，建立SOC的BP神经网络（back propagation neural network， BPNN）模型，其预测集的相关系数（R）和RMSE分别为0.849和0.454。孟珊等对原始光谱进行数学变换及微分变换，采用CARS算法筛选特征波段，利用BPNN算法建立了SOC的预测模型，结果表明二阶微分变换的模型精度最好，其验证集R、RPD和RMSE分别为0.830，2.450和4.890。前人的研究已经为基于NIRs的SOC无损检测提供了很好的思路，但大多是选择合适的预处理及波段优选方法，利用传统的回归模型来建模，使得NIRs技术的应用过程变得复杂，省去一些过程对提高NIRs技术应用的便利性是有必要的。

近年来，随着计算机性能的提升，人工智能得到了快速的发展，深度学习以其优秀的特征提取能力被广泛地应用于计算机视觉、语音识别、自然语言处理等领域。卷积神经网络（convolutional neural networks， CNN）本质是从输入到输出的映射，计算过程包括前向传播和反向传播，在反向传播的过程中，通过梯度下降算法来更新不同卷积层神经元之间的权重，具有权值共享的特点，在图像领域（如目标检测、人脸识别等）有着广泛的应用。在土壤养分检测领域也有了一些应用。深度残差网络（deep residual network， ResNet）是一种重要的CNN模型，通过残差学习（学习的目标不再是一个完整的输出，而是输入和输出的差别），有效地解决了深层神经网络的退化问题，而得到了广泛的应用。文献[20-22]所用的模型均为一维CNN，所使用的神经网络层数最多只有10层且均为串联结构；理论上更深层的网络可以提取更复杂的特征，那么使用二维光谱数据和更深层的CNN模型，土壤碳含量近红外预测模型的性能还有待研究。将ResNet18算法应用于基于NIRs的土壤碳含量的无损检测中，首先使用SG卷积平滑和标准正态变量变换（standard normal variate transformation， SNV）等预处理方法对土壤近红外光谱数据进行预处理，消除基线漂移和环境背景等噪声干扰，然后将一维光谱信号转换为正方形的二维光谱矩阵，利用经典的ResNet18建立土壤含碳量近红外预测模型；探究每次输入神经网络的数据量，即批量，对模型的影响。将最终模型与传统的PLSR、BPNN以及与ResNet18层数相近的卷积神经网络模型VGG19进行对比，旨在探究一種高效准确的土壤碳含量检测方法。

1 材料与方法

1.1 样品的采集与制备

2022年7月，于小兴安岭带岭林业实验局东方红林场（128°37′46″～129°17′50″ E、46°50′8″～47°21′32″ N）设立了面积为20 m×20 m的20块标准样地，进行调查取样。土壤以暗棕壤为主，少量林地为谷地草甸土和沼泽土。根据典型取样的原则，用五点取样法对深度为0～10、10～20 cm的土壤进行取样，并装于自封袋中，共计200个土壤样本。将土样带回试验室风干、粉碎后采集光谱，过60目不锈钢筛后，制成标准土样，进行土壤实际含碳量的测定。

1.2 光谱信息采集

使用美国ASD公司的Lab Spec Pro FR/A114260便携式物质成分分析光谱仪收集波长区间为350～2 500 nm的近红外光谱，光谱分辨率为3 nm@700 nm和10 nm@1 400/2 100 nm。采集近红外光谱所用的土样为粉碎后的土样。在采集前将光谱仪预热30 min，设置一次扫描30次，并自动生成一个平均光谱，每采集5次进行一次白板校准，每个土样采集3次光谱，取平均作为原始光谱。

1.3 森林土壤碳含量测定

采用重铬酸钾-浓硫酸氧化外加热法测定其碳含量。碳含量的测定结果见表1。

1.4 实验环境

使用CAMO公司的The Unscrambler X10.4对近红外光谱数据进行预处理，使用基于Python3.9版本的Pytorch1.12.0+cpu搭建基于ResNet18、BPNN和VGG19的预测模型。PLSR算法代码基于scikit-learn1.0.2版本软件包。

1.5 深度残差网络

从理论上来说，随着神经网络层数的加大，模型的泛化能力会变好。但事实上，随着神经网络模型层数的加大，会出现梯度消失和梯度爆炸现象，因此，网络变得越来越难训练。在较大层数的神经网络中，当梯度信息反向传递时，传递的过程中会出现梯度接近于0或梯度值非常大的现象，导致神经网络模型退化。

为了缓解神经网络的退化，He等提出了残差学习的概念。具体如下：如果深层网络后面层是恒等映射，那模型就退化为一个浅层网络，此时要解决的是學习恒等映射函数。但是直接拟合一个潜在的恒等映射函数H（x）=x较为困难，增加了网络的训练时间和难度。此时，如果把网络设计为H（x）=F（x）+x，如图1所示。可以转换为学习一个残差函数F（x）=H（x）-x。只要F（x）=0，就构成了一个恒等映射H（x）=x。而且，拟合残差更加容易。深度残差网络就是由若干个残差块堆叠而成的。

1.6 模型构建

经典的深度残差网络模型有ResNet18、ResNet34、ResNet50、ResNet101和ResNet152，随着网络层数的增大，参数量也会增大，训练时间也会增加，考虑到训练时间的因素，本研究选择网络层数最少的深度残差网络（ResNet18）进行训练，如图2所示。由于ResNet18的输入是二维的灰度图或三维的彩色图像，为了使一维的光谱数据适应神经网络的结构，在光谱数据后补零并将其转换为47×47的二维光谱矩阵，类似灰度图，如图3所示，图3中颜色深浅表示数值的大小，颜色越浅，数值越大，作为神经网络的输入，补零个数为58。将网络的输出通道改为1。图2中k为卷积核尺寸，s为步长，p为边界零填充数。除了2.3节外，其余批量大小设置为15。文献[26]的研究表明，使用数据增强技术（通过旋转或截取图像的一部分等来增大数据集的数量和多样性）可以提升模型的泛化能力，故本研究将2层的土壤数据混在一起建模。

在训练过程中优化器选择适应性矩估计（adaptive moment estimation， Adam），Adam算法是一种自适应学习速率算法，通过计算梯度的一阶矩估计和二阶矩估计来控制模型更新的方向和学习速率。为了使模型训练性能更加稳定，Adam优化器中设置模型初始学习速率为0.001、采用学习率自适应衰减策略，当训练10次，验证集均方误差（mean square error，式中用M表示）损失不更新时，学习率就变为原来的0.1倍，其他参数保持默认值。MSE计算如公式（1）所示。

式中：y和y^分别为第i个土壤样本的碳含量真实值和土壤碳含量近红外预测模型输出值；样本总数为N。

2 结果与分析

从不同角度对基于ResNet18的土壤碳含量近红外预测模型进行比较，在进行实验前，先使用train_test_split函数按7∶3的比例将土壤数据集划分为训练集和验证集。通过RMSE和R来评价土壤碳含量近红外预测模型的性能。相关实验主要包括土壤近红外光谱数据的预处理、批量大小对模型的影响以及与传统回归模型的比较。

2.1 光谱预处理对土壤碳含量近红外预测模型性能的影响

为了消除基线漂移及仪器的环境背景之类的噪声对土壤近红外光谱信号的影响，提高模型的性能。采用1D+SG卷积平滑、SNV、SG卷积平滑和去趋势（de-trending， DT）4种方式对土壤近红外光谱数据进行预处理。

建模结果见表2。与原始的光谱数据相比，进行光谱数据预处理后的土壤碳含量近红外预测模型性能均有不同程度的提升或下降。其中SG卷积平滑和DT预处理后建模的效果均低于原始数据的建模效果，SG卷积平滑预处理的效果最差。1D+SG卷积平滑组合预处理和SNV预处理方式均提升了模型的性能，其验证集RMSE分别为7.146和7.867，和原始数据的建模结果相比，分别降低了1.764和1.043；其验证集R分别为0.821和0.781，相比原始数据的建模结果，验证集R分别提升了0.104和0.064。经过对比分析，发现使用1D+SG卷积平滑的组合预处理方式对土壤近红外光谱数据进行预处理后，所建模型的精度最高。这与焦德晓的研究结果类似，其利用1D、平滑和归一化等方式对光谱数据进行预处理，结果发现，1D与3点平滑结合进行预处理模型性能最好，其SOM的PLSR模型，预测集RMSE和相关系数R分别为0.181和0.928。综合考虑，本研究选择1D+SG卷积平滑的组合预处理方式对土壤近红外光谱数据进行预处理。

2.2 训练次数对土壤碳含量近红外预测模型性能的影响

探究训练次数对土壤碳含量近红外预测模型性能的影响。在保证模型参数不变的情况下，通过训练次数（epoch）来探究模型的最佳泛化能力。在训练初期，由于神经网络对土壤近红外光谱数据的学习不足，导致模型的M损失太大，因此从epoch为8开始观察训练规律。训练过程中训练集和验证集的M损失随训练次数的变化曲线如图4所示，随着训练的进行，验证集的M不断减小，在epoch为35的时候，M最小，但是训练到了60次之后，验证集的M就一直在50～100波动，而训练集的M一直在50附近波动，并没有随着训练的进行而继续减小。因此，模型的性能并不会随着训练次数的增加而持续提升，根据训练的规律，设置训练次数为100较为合适。

2.3 批量大小对土壤碳含量近红外预测模型性能的影响

学习率和每次迭代输入神经网络的数据量，即批量，是影响神经网络模型性能的关键参数，由于采用自适应衰减学习率（根据模型的训练损失结果动态调整学习速度），本节将探讨不同批量对土壤碳含量近红外预测模型性能的影响。在保证ResNet18模型其他参数不变的情况下，调整批量的大小。模型的验证集评价指标（RMSE、R）和训练时间随批量的变化规律如图5所示。

由图5可知，在性能上，随着批量的增加，土壤碳含量近红外预测模型的泛化能力呈现先变好后变差的趋势，在批量大于20的时候，模型的性能开始迅速变差。当批量为15的时候，模型的泛化能力最好，其验证集RMSE和R分别为7.146和0.821。在训练时间上，随着批量的增加，训练时间在一直减少，但是当批量大于35的时候，因为计算机计算资源的限制，训练时间不再继续减少，趋于平稳，在批量从5增加到40的过程中，模型的训练时间可减少64.49%。

Keskar等研究发现大批量方法会使模型的训练集和测试集收敛到尖锐极小值，从而导致模型的泛化能力下降，与之相比，小批量方法更容易收敛到平坦最小化，更容易收敛到全局最优。Luschi等研究发现批量在2～32模型性能最优。而本研究结果则证明，当批量为15的时候，模型的泛化能力最优，与前人的研究结果相似。

2.4 土壤碳含量近红外预测模型比较

为了进一步测试ResNet18土壤碳含量近红外预测模型的性能，本研究选择化学计量学中传统的PLSR、BPNN算法以及与ResNet18层数相近的卷积神经网络算法VGG19进行比较。其中，PLSR的主成分数为4，BPNN设计2个隐藏层，从输入到输出，神经元数目分别为2 151、1 028、512、1。

由表3可知，ResNet18、PLSR、BPNN和VGG19土壤碳含量近红外预测模型的RMSE分别为7.146、9.817、10.827和7.388，ResNet18的RMSE分别比其他三者降低了2.671、3.681和0.242；R分别为0.821、0.716、0.586和0.818，ResNet18的R分别比其他三者提升了0.105、0.235和0.003。经过对比分析，发现ResNe18的模型精度明显优于PLSR和BPNN，略微优于VGG19，但是训练时间明显低于VGG19的训练时间，其训练时间比VGG19减少了58.56%，这是因为ResNet18没有全连接层，参数量更少，训练效率更高。从模型精度和训练时间2个方面考虑，ResNet18模型最优。

图6为4个土壤碳含量近红外预测模型验证集实测值和预测值的散点图，由图6可以看出，BPNN模型的数据点分布比较散，模型的拟合效果较差，PLSR、ResNet18和VGG19的差异不是太明显，但是PLSR模型的预测值中存在负数，这可能是PLSR模型的R比ResNet18和VGG19低0.1左右的原因。综合来说卷积神经网络（ResNet18、VGG19）的拟合效果要优于其他传统回归模型，这在不同的学科得到了證实。这一结果与Kawamura等的研究一致，其利用CNN模型预测土壤磷含量，证明CNN（R=0.878）模型的预测能力要远优于PLSR（R=0.792）和随机森林（random forest， RF）（R=0.808）。

3 结论

本研究使用ResNet18算法结合NIRs实现森林土壤碳含量无损检测，将土壤近红外光谱数据转换为二维光谱矩阵来适应CNN模型的结构。

1）通过比较1D+SG卷积平滑、SNV、SG卷积平滑、DT和原始数据的建模结果，结果表明1D+SG卷积平滑的组合预处理方式建模效果最好。

2）对不同批量的模型性能进行了比较，发现当批量为15的时候，模型的泛化能力最好，其验证集RMSE和R分别为7.146和0.821，当批量继续增大时，模型的性能会急速下降，训练时间随着批量的增加逐渐减小到一定水平后保持平稳。

3）将ResNet18模型与传统的建模方法PLSR、BPNN以及与ResNet18层数相近的CNN方法VGG19所建的模型进行比较，结果表明：ResNet18和VGG19的R相近、具有很好的特征提取能力和泛化能力，且明显优于传统模型PLSR和BPNN，ResNet18模型的R比传统模型的提升了0.1以上，且ResNet18的训练时间要比VGG19的训练时间减少58.56%，综合考虑，ResNet18模型最佳。

4）由于一些客观原因的限制，本研究收集的数据有限且缺乏多样性，并且只针对风干土样采集近红外光谱数据，导致模型对其他地区或不同含水率的土壤预测精度不够，因此，在今后的研究中，收集更加丰富的土壤样品和采集不同含水率土壤样品的近红外光谱数据是十分必要的。

【参 考 文 献】

[1]CHEN Y， BIN J， ZOU C M， et al. Discrimination of fresh tobacco leaves with different maturity levels by near-infrared （NIR） spectroscopy and deep learning[J]. Journal of Analytical Methods in Chemistry， 2021， 2021： 9912589.

[2]LIANG Y Y， ZHAO L， GUO J W， et al. Just-in-time learning-integrated partial least-squares strategy for accurately predicting 71 chemical constituents in Chinese tobacco by near-infrared spectroscopy[J]. ACS Omega， 2022， 7（43）： 38650-38659.

[3]潘威，马文广，郑昀晔，等.用近红外光谱无损测定烟草种子淀粉含量[J].烟草科技，2017，50（2）：15-21.

PAN W， MA W G， ZHENG Y Y， et al. Nondestructive determination of starch content in tobacco seeds by near infrared spectroscopy[J]. Tobacco Science & Technology， 2017， 50（2）： 15-21..

[4]ALVES J C L， POPPI R J. Simultaneous determination of hydrocarbon renewable diesel， biodiesel and petroleum diesel contents in diesel fuel blends using near infrared （NIR） spectroscopy and chemometrics[J]. The Analyst， 2013， 138（21）： 6477-6487.

[5]王艳斌，胡于中，李文乐，等.近红外原油快速评价技术预测常减压蒸馏装置侧线收率[J].光谱学与光谱分析，2014，34（10）：2612-2616.

WANG Y B， HU Y Z， LI W L， et al. Prediction of the side-cut product yield of atmospheric/vacuum distillation unit by NIR crude oil rapid assay[J]. Spectroscopy and Spectral Analysis， 2014， 34（10）： 2612-2616.

[6]BEGHI R， SPINARDI A， BODRIA L， et al. Apples nutraceutic properties evaluation through a visible and near-infrared portable system[J]. Food and Bioprocess Technology， 2013， 6（9）： 2547-2554.

[7]SONG J， LI G L， YANG X D， et al. Rapid analysis of soluble solid content in navel orange based on visible-near infrared spectroscopy combined with a swarm intelligence optimization method[J]. Spectrochimica Acta Part A， Molecular and Biomolecular Spectroscopy， 2020， 228： 117815.

[8]劉玲，张书敏，皮付伟.基于变权重正交变换的腈纶/棉运动纤维面料近红外光谱识别和信息增强机制[J].南昌大学学报（理科版），2022，46（1）：91-97.

LIU L， ZHANG S M， PI F W. Mechanisms of near-infrared spectroscopy recognition and signal enhancement based on correlation of variable sorting for normalization on acrylic/cotton sport textile fabrics[J]. Journal of Nanchang University （Natural Science）， 2022， 46（1）： 91-97.

[9]张海煊，程鑫桥，黎海洋，等.人造革基布纤维含量近红外光谱法专属定量分析模型的建立[J].塑料科技，2017，45（11）：99-102.

ZHANG H X， CHENG X Q， LI H Y， et al. Establishment of near infrared exclusive quantitative analysis model for determination of fiber contents of artificial leather base fabric[J]. Plastics Science and Technology， 2017， 45（11）： 99-102.

[10]钟翔君，杨丽，张东兴，等.砂壤潮土有机质含量可见-近红外光谱预测[J].光谱学与光谱分析，2022，42（9）：2924-2930.

ZHONG X J， YANG L， ZHANG D X， et al. Prediction of organic matter content in sandy fluvo-aquic soil by visible-near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis， 2022， 42（9）： 2924-2930.

[11]章海亮，罗微，刘雪梅，等.应用遗传算法结合连续投影算法近红外光谱检测土壤有机质研究[J].光谱学与光谱分析，2017，37（2）：584.

ZHANG H L， LUO W， LIU X M， et al. Measurement of soil organic matter with near infrared spectroscopy combined with genetic algorithm and successive projection algorithm[J]. Spectroscopy and Spectral Analysis， 2017， 37（2）： 58.

[12]ZHANG H L， LUO W， LIU X M， et al. Measurement of soil organic matter with near infrared spectroscopy combined with genetic algorithm and successive projection algorithm[J]. Spectroscopy and Spectral Analysis， 2017， 37（2）： 58.

[13]解宏图，宣然然，彭义，等.基于遗传算法的波长选择方法对土壤有机碳预测模型影响[J].土壤通报，2014，45（4）：795-800.

XIE H T， XUAN R R， PENG Y， et al. Effects of prediction model on soil organic carbon using genetic algorithm[J]. Chinese Journal of Soil Science， 2014， 45（4）： 795-800.

[14]李耀翔，汪洪涛，耿志伟，等.基于近红外光谱及BP神经网络分析法预测森林土壤有机碳含量[J].西部林业科学，2014，43（3）：1-6.

LI Y X， WANG H T， GENG Z W， et al. Prediction of forest soil organic carbon content based on NIRS and BP neural network[J]. Journal of West China Forestry Science， 2014， 43（3）： 1-6.

[15]孟珊，李新國，焦黎.基于CARS算法的湖滨绿洲土壤表层有机碳估算[J].环境科学与技术，2022，45（8）：218-225.

MENG S， LI X G， JIAO L. Estimation of surface soil organic carbon in lakeside oasis based on CARS algorithm[J]. Environmental Science & Technology， 2022， 45（8）： 218-225.

[16]LI J C， SUN S D， JIANG H R， et al. Image recognition and empirical application of desert plant species based on convolutional neural network[J]. Journal of Arid Land， 2022， 14（12）： 1440-1455.

[17]LOU G X， SHI H Z. Face image recognition based on convolutional neural network[J]. China Communications， 2020， 17（2）： 117-124.

[18]金玉堂，王以松，王丽会，等.基于多尺度阶梯时频Conformer GAN的语音增强算法[J/OL].计算机应用，2023：1-11.

JIN Y T， WANG Y S， WANG L H， et al. Speech enhancement algorithm based on multiscale ladder-type time-frequency Conformer GAN[J/OL]. Journal of Computer Applications， 2023： 1-11.

[19]刘正梁，贺孟申，姜作伟，等.自然语言处理在医学影像分析中的应用[J].中南大学学报（医学版），2022，47（8）：981-993.

LIU Z L， HE M S， JIANG Z W， et al. Survey on natural language processing in medical image analysis[J]. Journal of Central South University （Medical Science）， 2022， 47（8）： 981-993.

[20]KAWAMURA K， NISHIGAKI T， ANDRIAMANANJARA A， et al. Using a one-dimensional convolutional neural network on visible and near-infrared spectroscopy to improve soil phosphorus prediction in Madagascar[J]. Remote Sensing， 2021， 13（8）： 1519.

[21]LI R X， YIN B， CONG Y P， et al. Simultaneous prediction of soil properties using Multi_CNN model[J]. Sensors， 2020， 20（21）： 6271.

[22]唐永生，陈争光.卷积神经网络和近红外光谱的土壤pH值预测[J].光谱学与光谱分析，2021，41（3）：892-897.

TANG Y S， CHEN Z G. Soil pH prediction based on convolution neural network and near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis， 2021， 41（3）： 892-897.

[23]毛亮亮，董希斌，曲杭峰，等.抚育间伐对小兴安岭天然针阔混交林不同土层深度土壤养分的影响[J].东北林业大学学报，2022，50（12）：66-71.

MAO L L， DONG X B， QU H F， et al. Effects of thinning on soil nutrients at different depths of natural conifer and broadleaved mixed forest in Xiaoxing'an Mountains[J]. Journal of Northeast Forestry University， 2022， 50（12）： 66-71.

[24]张燕杏，王凯学，石桥德，等.2种移栽方式下稻水象甲幼虫的空间分布型及抽样技术研究[J].华南农业大学学报，2016，37（1）：58-62.

ZHANG Y X， WANG K X， SHI Q D， et al. Spatial distribution patterns and sampling techniques of Lissorhoptrus oryzophilus larvae under two transplanting methods[J]. Journal of South China Agricultural University， 2016， 37（1）： 58-62.

[25]HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. June 27-30， 2016， Las Vegas， NV， USA. IEEE， 2016： 770-778.

[26]田斌，李俊，杨超，等.基于改进卷积神经网络的工频水下磁目标探测[J].探测与控制学报，2023，45（1）：78-83，90.

TIAN B， LI J， YANG C， et al. Underwater magnetic target power frequency detection based on optimized CNN[J]. Journal of Detection & Control， 2023， 45（1）： 78-83， 90.

[27]焦德晓.应用不同预处理方法建模测定土壤有机质和总氮含量[D].济南：山东大学，2019.

JIAO D X. Determination of soil organic and total nitrogen by modeling with different spectral pretreatment methods[D]. Jinan： Shandong University， 2019.

[28]KESKAR N S， MUDIGERE D， NOCEDAL J， et al. On large-batch training for deep learning： generalization gap and sharp minima[J]. 2016： arXiv： 1609.04836v2[cs.LG].

[29]MASTERS D， LUSCHI C. Revisiting small batch training for deep neural networks[EB/OL]. 2018： arXiv： 1804.07612v1[cs.LG].

[30]谈爱玲，王晓斯，楚振原，等.基于近红外光谱融合与深度学习的玉米成分定量建模方法[J].食品与发酵工业，2020，46（23）：213-219.

TAN A L， WANG X S， CHU Z Y， et al. Research on quantitative modeling method of maize composition based on near infrared spectrum fusion and deep learning[J]. Food and Fermentation Industries， 2020， 46（23）： 213-219.

[31]吳爽，李国建，介邓飞.基于深度学习的西瓜可见/近红外光谱可溶性固形物预测模型研究[J].食品与机械，2020，36（12）：132-135.

WU S， LI G J， JIE D F. Prediction model research of SSC in watermelon based on deep learning and visible/near infrared spectroscopy[J]. Food & Machinery， 2020， 36（12）： 132-135.