利用多层感知器神经网络模型结合光谱特征参数的土壤分类方法与流程

文档序号:11143402阅读:537来源:国知局
利用多层感知器神经网络模型结合光谱特征参数的土壤分类方法与制造工艺
本发明涉及利用多层感知器神经网络模型结合光谱特征参数的土壤分类方法,属于土壤分类
技术领域

背景技术
:利用土壤光谱反射特性进行土壤分类可为加快土壤精细制图提供技术支持。目前国内外对于利用土壤光谱反射率进行土壤分类的方法中,多运用主成分分析法处理光谱数据,提取主成分作为分类模型的输入量,利用K-means、支持向量机等方法建立分类模型。但是,主成分分析方法得到的变量没有明确的物理意义,不同研究结果之间没有可比性。多层感知器神经网络模型(Multi-layerperceptronneuralnetworks,MLPneuralnetworks)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。多层感知器神经网络由一个输入层、一个隐藏层和一个输出层组成,隐藏层和输出层的激活函数分别为双曲正切函数和softmax函数。美国ASD公司是全球最著名的野外地物光谱仪制造商,其产品是遥感及相关领域最有权威的测量设备和工作标准。ASD光谱仪广泛应用于全球70多国家和地区,广泛应用于遥感科学研究、矿业、林业生态、农业及材料等领域,是全球应用最广泛的光谱仪。技术实现要素:本发明目的是为了解决现有利用土壤光谱反射率进行土壤分类的方法无法保留光谱物征原有的物理意义的问题,提供了一种利用多层感知器神经网络模型结合光谱特征参数的土壤分类方法。本发明所述利用多层感知器神经网络模型结合光谱特征参数的土壤分类方法,它包括以下步骤:步骤一:采集n个土壤样本,n为大于或者等于3的整数;用光谱仪对n个土壤样本分别进行反射光谱测试,针对每个土壤样本:采集10条光谱曲线,对10条光谱曲线进行算术平均,获得每个土壤样本的基准反射光谱数据;步骤二:将每个土壤样本的基准反射光谱数据以10nm为间隔,利用高斯模型进行光谱重采样;步骤三:对光谱重采样数据进行包络线去除,获得突出反射光谱曲线的吸收和反射特征的去包络线数据;步骤四:在去包络线数据中提取获得m个光谱特征参数;步骤五:对提取的m个光谱特征参数分别进行标准化处理,得到m个土壤分类指标;步骤六:利用多层感知器神经网络模型,根据土壤分类指标对土壤样本进行分类。本发明的优点:本发明能够实现对土壤的快速准确分类。它利用光谱反射率去包络线后的特征参数,如波段斜率、吸收谷的面积等作为分类指标,与现有技术中直接利用波段提取主成分作为分类指标相比,光谱特征参数提取简便易操作,最重要的是保留了光谱特征原有的物理意义,各光谱特征参数均受特定的土壤理化性质的影响。本发明综合了多层感知器神经网络模型的泛化能力与光谱特征参数具有物理意义的优点,利用多层感知器神经网络模型,结合光谱特征参数的指标,判定该对象的土壤类型。它克服了以往主成分分析提取的分类指标不具有明确物理意义的缺陷,使得多层感知器神经网络模型更好的适用于土壤分类,不仅提高了分类的精度和速度,而且明确了分类指标的物理意义。同时,为加快土壤精细制图提供技术支持。附图说明图1是本发明具体实施例的步骤四中在去包络线数据中提取光谱特征参数的曲线图。具体实施方式具体实施方式一:下面结合图1说明本实施方式,本实施方式所述利用多层感知器神经网络模型结合光谱特征参数的土壤分类方法,它包括以下步骤:步骤一:采集n个土壤样本,n为大于或者等于3的整数;用光谱仪对n个土壤样本分别进行反射光谱测试,针对每个土壤样本:采集10条光谱曲线,对10条光谱曲线进行算术平均,获得每个土壤样本的基准反射光谱数据;步骤二:将每个土壤样本的基准反射光谱数据以10nm为间隔,利用高斯模型进行光谱重采样;步骤三:对光谱重采样数据进行包络线去除,获得突出反射光谱曲线的吸收和反射特征的去包络线数据;步骤四:在去包络线数据中提取获得m个光谱特征参数;步骤五:对提取的m个光谱特征参数分别进行标准化处理,得到m个土壤分类指标;步骤六:利用多层感知器神经网络模型,根据土壤分类指标对土壤样本进行分类。所述多层感知器神经网络模型具有输入层、隐藏层和输出层,隐藏层的激活函数为双曲正切函数,输出层的激活函数为softmax函数。步骤一中采集n个土壤样本后,在室内分别对每个土壤样本进行研磨、风干及过2mm筛,然后对每个土壤样本进行反射光谱测试。步骤五中对提取的光谱特征参数进行标准化处理采用的公式为:其中:Zj(i)为第i个样本第j个指标的标准化结果,Xj(i)为第i个样本第j个指标值,max[Xj(i)]为第i个样本第j个指标的最大值,min[Xj(i)]为第i个样本第j个指标的最小值,i=1,2,3,……n,j=1,2,3,……,m。本实施方式使用的光谱测试仪是美国分析光谱仪器公司(analyticalspectraldevices,ASD)生产的3便携式光谱仪,其波谱范围为350~2500nm;350~1000nm之间光谱采样间隔为1.4nm,光谱分辨率3nm;1000~2500nm之间采样间隔为2nm,光谱分辨率10nm;光谱仪最后将数据重采样为1nm。步骤三中对光谱重采样数据采用包络线消除法进行进一步处理,得到有效突出反射光谱曲线的吸收和反射特征的去包络线数据;步骤五是为了消除不同光谱特征参数量级对分类结果的影响而进行的。具体实施例:步骤一:在北安市、拜泉县等13个市县境内采集0~20cm耕层土样,共138个,表1所示,室内将土样研磨、风干、过2mm筛,然后对这些样本进行反射光谱测试。表1土类黑土黑钙土风砂土合计样本个数357429138利用3便携式光谱仪在一个能控制光照条件的暗室内对土壤样本进行光谱测试。土壤样本分别放置于直径12cm、深1.8cm的盛样皿内,用直尺将土样表面刮平。光源是功率为1000W的卤素灯,距土壤样品表面100cm,天顶角30°,提供到土壤样本几乎平行的光线,用于减小土壤粗糙度造成阴影的影响。采用8°视场角的传感器探头置于离土壤样本表面15cm的垂直上方。测试之前先去除辐射强度中暗电流的影响,然后以白板进行标定。每个土样采集10条光谱曲线,算术平均后得到该土样的基准反射光谱数据;步骤二:对步骤一中所得到的土壤反射光谱数据以10nm为间隔,利用高斯模型进行光谱重采样,此过程在ENVI5.1中进行;步骤三:对步骤二中的重采样数据采取包络线消除法进行进一步处理,得到有效突出反射光谱曲线的吸收和反射特征的去包络线数据,此过程在ENVI5.1中进行;步骤四:利用步骤三中的去包络线数据提取所需的光谱特征参数,如图1所示,并确定分类指标:图中V1、V2、V3、V4、V5分别代表5个吸收谷、图中S代表波段间斜率、图中L代表每个吸收谷的最低点为对应的吸收位置、图中A代表吸收谷的面积;第一个吸收谷的面积和前两个吸收谷的面积,分别记为A1、A1+A2;第二个吸收谷位置,记为L2;500~600nm波段去包络线的斜率,记为S3。步骤五:为了消除不同光谱特征参数量级对分类结果的影响,对所选择的光谱特征参数进行标准化处理,得到分类指标。步骤六:确定多层感知器神经网络的一个输入层、一个隐藏层和一个输出层,隐藏层和输出层的激活函数分别为双曲正切函数和softmax函数,此过程在SPSS22.0中进行;利用多层感知器神经网络模型结合分类指标进行土壤分类。其中,土样的70%用于建模,30%用于精度验证。对本实施方式从生产精度、用户精度、总体精度以及Kappa系数分析四个角度对分类结果进行精度评价。生产精度是指每类总数减去漏分再除以分类总数;用户精度是指每类总数减去错分再除以分类总数;总体精度是指正确分类总数除以土样总数。Kappa系数采用一种离散的多元技术的混淆矩阵,考虑了矩阵的所有因素,是一种计算分类精度的指标,其计算公式为:式中:r是误差矩阵中总数列,即总的类别数;Xii是误差矩阵中第i行、第i列上土样数量,即正确分类的数目;Xi+和X+i是第i行和第i列上的总土样数量;N是总的用于精度评估的土样数量。本实施例运用多层感知器神经网络模型结合光谱特征参数对黑土、黑钙土和风砂土进行分类,精度评价结果为:生产精度分别为:100%、100%、85.71;用户精度分别为:100%、89.47%、100%;总体精度为:95.35%;Kappa系数为0.93,能够满足土壤精细制图需求。当前第1页1 2 3 
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1