利用多層感知器神經網絡模型結合光譜特征參數的土壤分類方法與流程

本發明涉及利用多層感知器神經網絡模型結合光譜特征參數的土壤分類方法，屬于土壤分類
技術領域：
。
背景技術：
：利用土壤光譜反射特性進行土壤分類可為加快土壤精細制圖提供技術支持。目前國內外對于利用土壤光譜反射率進行土壤分類的方法中，多運用主成分分析法處理光譜數據，提取主成分作為分類模型的輸入量，利用K-means、支持向量機等方法建立分類模型。但是，主成分分析方法得到的變量沒有明確的物理意義，不同研究結果之間沒有可比性。多層感知器神經網絡模型(Multi-layerperceptronneuralnetworks,MLPneuralnetworks)作為一種強有力的學習系統，模擬了人腦思維過程，能夠實現輸入層、輸出層的非線性映射，已經在很多領域得到廣泛應用，并取得良好效果。多層感知器神經網絡由一個輸入層、一個隱藏層和一個輸出層組成，隱藏層和輸出層的激活函數分別為雙曲正切函數和softmax函數。美國ASD公司是全球最著名的野外地物光譜儀制造商，其產品是遙感及相關領域最有權威的測量設備和工作標準。ASD光譜儀廣泛應用于全球70多國家和地區，廣泛應用于遙感科學研究、礦業、林業生態、農業及材料等領域，是全球應用最廣泛的光譜儀。技術實現要素：本發明目的是為了解決現有利用土壤光譜反射率進行土壤分類的方法無法保留光譜物征原有的物理意義的問題，提供了一種利用多層感知器神經網絡模型結合光譜特征參數的土壤分類方法。本發明所述利用多層感知器神經網絡模型結合光譜特征參數的土壤分類方法，它包括以下步驟：步驟一：采集n個土壤樣本，n為大于或者等于3的整數；用光譜儀對n個土壤樣本分別進行反射光譜測試，針對每個土壤樣本：采集10條光譜曲線，對10條光譜曲線進行算術平均，獲得每個土壤樣本的基準反射光譜數據；步驟二：將每個土壤樣本的基準反射光譜數據以10nm為間隔，利用高斯模型進行光譜重采樣；步驟三：對光譜重采樣數據進行包絡線去除，獲得突出反射光譜曲線的吸收和反射特征的去包絡線數據；步驟四：在去包絡線數據中提取獲得m個光譜特征參數；步驟五：對提取的m個光譜特征參數分別進行標準化處理，得到m個土壤分類指標；步驟六：利用多層感知器神經網絡模型，根據土壤分類指標對土壤樣本進行分類。本發明的優點：本發明能夠實現對土壤的快速準確分類。它利用光譜反射率去包絡線后的特征參數，如波段斜率、吸收谷的面積等作為分類指標，與現有技術中直接利用波段提取主成分作為分類指標相比，光譜特征參數提取簡便易操作，最重要的是保留了光譜特征原有的物理意義，各光譜特征參數均受特定的土壤理化性質的影響。本發明綜合了多層感知器神經網絡模型的泛化能力與光譜特征參數具有物理意義的優點，利用多層感知器神經網絡模型，結合光譜特征參數的指標，判定該對象的土壤類型。它克服了以往主成分分析提取的分類指標不具有明確物理意義的缺陷，使得多層感知器神經網絡模型更好的適用于土壤分類，不僅提高了分類的精度和速度，而且明確了分類指標的物理意義。同時，為加快土壤精細制圖提供技術支持。附圖說明圖1是本發明具體實施例的步驟四中在去包絡線數據中提取光譜特征參數的曲線圖。具體實施方式具體實施方式一：下面結合圖1說明本實施方式，本實施方式所述利用多層感知器神經網絡模型結合光譜特征參數的土壤分類方法，它包括以下步驟：步驟一：采集n個土壤樣本，n為大于或者等于3的整數；用光譜儀對n個土壤樣本分別進行反射光譜測試，針對每個土壤樣本：采集10條光譜曲線，對10條光譜曲線進行算術平均，獲得每個土壤樣本的基準反射光譜數據；步驟二：將每個土壤樣本的基準反射光譜數據以10nm為間隔，利用高斯模型進行光譜重采樣；步驟三：對光譜重采樣數據進行包絡線去除，獲得突出反射光譜曲線的吸收和反射特征的去包絡線數據；步驟四：在去包絡線數據中提取獲得m個光譜特征參數；步驟五：對提取的m個光譜特征參數分別進行標準化處理，得到m個土壤分類指標；步驟六：利用多層感知器神經網絡模型，根據土壤分類指標對土壤樣本進行分類。所述多層感知器神經網絡模型具有輸入層、隱藏層和輸出層，隱藏層的激活函數為雙曲正切函數，輸出層的激活函數為softmax函數。步驟一中采集n個土壤樣本后，在室內分別對每個土壤樣本進行研磨、風干及過2mm篩，然后對每個土壤樣本進行反射光譜測試。步驟五中對提取的光譜特征參數進行標準化處理采用的公式為：其中：Zj(i)為第i個樣本第j個指標的標準化結果，Xj(i)為第i個樣本第j個指標值，max[Xj(i)]為第i個樣本第j個指標的最大值，min[Xj(i)]為第i個樣本第j個指標的最小值，i＝1，2，3，……n，j＝1,2,3,……，m。本實施方式使用的光譜測試儀是美國分析光譜儀器公司(analyticalspectraldevices,ASD)生產的3便攜式光譜儀，其波譜范圍為350～2500nm；350～1000nm之間光譜采樣間隔為1.4nm，光譜分辨率3nm；1000～2500nm之間采樣間隔為2nm，光譜分辨率10nm；光譜儀最后將數據重采樣為1nm。步驟三中對光譜重采樣數據采用包絡線消除法進行進一步處理，得到有效突出反射光譜曲線的吸收和反射特征的去包絡線數據；步驟五是為了消除不同光譜特征參數量級對分類結果的影響而進行的。具體實施例：步驟一：在北安市、拜泉縣等13個市縣境內采集0～20cm耕層土樣，共138個，表1所示，室內將土樣研磨、風干、過2mm篩，然后對這些樣本進行反射光譜測試。表1土類黑土黑鈣土風砂土合計樣本個數357429138利用3便攜式光譜儀在一個能控制光照條件的暗室內對土壤樣本進行光譜測試。土壤樣本分別放置于直徑12cm、深1.8cm的盛樣皿內，用直尺將土樣表面刮平。光源是功率為1000W的鹵素燈，距土壤樣品表面100cm，天頂角30°，提供到土壤樣本幾乎平行的光線，用于減小土壤粗糙度造成陰影的影響。采用8°視場角的傳感器探頭置于離土壤樣本表面15cm的垂直上方。測試之前先去除輻射強度中暗電流的影響，然后以白板進行標定。每個土樣采集10條光譜曲線，算術平均后得到該土樣的基準反射光譜數據；步驟二：對步驟一中所得到的土壤反射光譜數據以10nm為間隔，利用高斯模型進行光譜重采樣,此過程在ENVI5.1中進行；步驟三：對步驟二中的重采樣數據采取包絡線消除法進行進一步處理，得到有效突出反射光譜曲線的吸收和反射特征的去包絡線數據，此過程在ENVI5.1中進行；步驟四：利用步驟三中的去包絡線數據提取所需的光譜特征參數，如圖1所示，并確定分類指標：圖中V1、V2、V3、V4、V5分別代表5個吸收谷、圖中S代表波段間斜率、圖中L代表每個吸收谷的最低點為對應的吸收位置、圖中A代表吸收谷的面積；第一個吸收谷的面積和前兩個吸收谷的面積，分別記為A1、A1+A2；第二個吸收谷位置，記為L2；500～600nm波段去包絡線的斜率，記為S3。步驟五：為了消除不同光譜特征參數量級對分類結果的影響，對所選擇的光譜特征參數進行標準化處理，得到分類指標。步驟六：確定多層感知器神經網絡的一個輸入層、一個隱藏層和一個輸出層，隱藏層和輸出層的激活函數分別為雙曲正切函數和softmax函數，此過程在SPSS22.0中進行；利用多層感知器神經網絡模型結合分類指標進行土壤分類。其中，土樣的70％用于建模，30％用于精度驗證。對本實施方式從生產精度、用戶精度、總體精度以及Kappa系數分析四個角度對分類結果進行精度評價。生產精度是指每類總數減去漏分再除以分類總數；用戶精度是指每類總數減去錯分再除以分類總數；總體精度是指正確分類總數除以土樣總數。Kappa系數采用一種離散的多元技術的混淆矩陣，考慮了矩陣的所有因素，是一種計算分類精度的指標，其計算公式為：式中：r是誤差矩陣中總數列，即總的類別數；Xii是誤差矩陣中第i行、第i列上土樣數量，即正確分類的數目；Xi+和X+i是第i行和第i列上的總土樣數量；N是總的用于精度評估的土樣數量。本實施例運用多層感知器神經網絡模型結合光譜特征參數對黑土、黑鈣土和風砂土進行分類，精度評價結果為：生產精度分別為：100％、100％、85.71；用戶精度分別為：100％、89.47％、100％；總體精度為：95.35％；Kappa系數為0.93，能夠滿足土壤精細制圖需求。當前第1頁1 2 3