[1]魏锦山,陈争光*.基于深度学习与近红外光谱的土壤质地分类模型研究[J].现代农业研究,2023,29(1):8-13.
点击复制

基于深度学习与近红外光谱的土壤质地分类模型研究
分享到：

《现代农业研究》[ISSN:1006-6977/CN:61-1281/TN]

卷:
29卷
期数:
2023年1期
页码:
8-13
栏目:
综述
出版日期:
2023-01-15

文章信息/Info

文章编号:
2096-1073（2023）01-008-13
作者:
魏锦山; 陈争光*
黑龙江八一农垦大学信息与电气工程学院
关键词:
近红外光谱; 卷积神经网络; 长短时记忆网络; 注意力机制; 土壤分类
分类号:
O657.33; S155
文献标志码:
A
摘要:
为提高土壤质地分类模型的准确率，本研究采用欧盟统计局的土壤近红外光谱数据来训练模型，实现砂土、 壤土、黏壤土和黏土的快速区分。将17939 个样本按6：2：2 的比例随机划分为训练集、验证集和测试集，建立卷积神经 网络（CNN）和长短时记忆网络（LSTM）分类模型。为避免模型梯度消失，采用ReLU、批标准化（Batch Normalization， BN）、Dropout 等方法。并采用早停法（Early Stopping）训练网络，防止模型过拟合。本文探讨了网络层数、网络类型 （CNN 和LSTM）、注意力机制对分类效果的影响规律。实验结果：模型的总体分类准确率随网络层数的增加而提高，4 层CNN 模型准确率达到76.58%，4 层LSTM 模型准确率达到77.86%，两类模型均能有效地对土壤质地进行分类。融 入SENet 注意力模块后，模型可重新分配权重，更有效地对光谱内部特征进行自动提取，得到更高且稳定的分类准确 率，CNN_4_Attention 模型准确率达到77.50%，LSTM_4_Attention 模型准确率达到78.39%。

参考文献/References:

[1] Tavares O C , Tavares T R , Junior C , et al. Pedometric tools for classification of southwestern Amazonian soils: A quali-quantitative interpretation incorporating visible- near infrared spectroscopy:[J]. Journal of Near Infrared Spectroscopy，2022，30 （1）：18-30.
[2] Yang R- M，Wang L- J，Chen L- M，et al. Assessment of soil quality using VIS- NIR spectra in invaded coastal wetlands[J]. Environmental Earth Sciences，2022，81（1）：1-11.
[3] Li C，Zhao J，Li Y，et al. Modeling and Prediction of Soil Organic Matter Content Based on Visible-Near-Infrared Spectroscopy[J]. Forests，2021，12（12）：1809.
[4] Wang Y，Huang H，Chen X. Predicting Organic Matter Content， Total Nitrogen and pH Value of Lime Concretion Black Soil Based on Visible and Near Infrared Spectroscopy[J]. Eurasian Soil Science，2021，54（11）：1681-1688.
[5] 吴昀昭，田庆久，季峻峰，等. 土壤光学遥感的理论、方法及应 用[J]. 遥感信息，2003，（01）：40-47+52.
[6] 李雪莹，范萍萍，刘岩，等. 多分类器融合提取土壤养分特征 波长[J]. 光谱学与光谱分析，2019，39（09）：2862-2867.
[7] 周鹏，王炜超，杨玮，等. 土壤粒度对基于近红外离散波长土 壤全氮预测精度影响[J]. 光谱学与光谱分析，2021，41（12）： 3682-3687.
[8] 张俊华，孙媛，贾科利，等. 不同盐结皮光谱特征及其盐渍化 信息预测研究[J]. 农业机械学报，2018，49（12）：325-333+370.
[9] Fernández- Martínez F，Camacho- Tamayo J H，Rubiano- Sanabria Y. Estimating texture and organic carbon of an Oxisol by near infrared spectroscopy[J]. Revista Ciência Agron?mica， 2022，53.
[10] Pittaki Z，Hartemink A E，Huang J. Rapid estimation of a soilwater retention curve using visible- near infrared spectroscopy [J]. Journal of Hydrology，2021，（603）：127195.
[11] Afriyie E，Verdoodt A，Mouazen A M，et al. Potential of visiblenear infrared spectroscopy for the determination of three soil aggregate stability indices[J]. Soil，2022，215：105218.
[12] 宋海燕，秦刚，韩小平，等. 基于近红外光谱和正交信号—— 偏最小二乘法对土壤的分类[J]. 农业工程学报，2012，28 （07）：168-171.
[13] 杨晗，曹见飞，王召海，等. 可见-近红外光谱的滨海土壤“除 水”盐分估测[J]. 光谱学与光谱分析，2021，41（10）：3077.
[14] 史舟，王乾龙，彭杰，等. 中国主要土壤高光谱反射特性分类 与有机质光谱预测模型[J]. 中国科学：地球科学，2014，44 （05）：978-988.
[15] Lecun Y，Bottou L，Bengio Y，et al. Gradient- based learning applied to document recognition[J]. Proceedings of the IEEE， 1998，86（11）：2278-2324.
[16] Hochreiter S，Schmidhuber J. Long Short- Term Memory[J]. Neural Computation，1997，9（8）：1735-1780.
[17] Fawaz H I，Forestier G，Weber J，et al. Deep learning for time series classification： a review[J]. Data mining knowledge discovery，2019，33（4）：917-963.
[18] 郑远攀，李广阳，李晔. 深度学习在图像识别中的应用研究 综述[J]. 计算机工程与应用，2019，55（12）：20-36.
[19] 周飞燕，金林鹏，董军. 卷积神经网络研究综述[J]. 计算机学 报，2017，40（06）：1229-1251.
[20] 陈超，齐峰. 卷积神经网络的发展及其在计算机视觉领域中 的应用综述[J]. 计算机科学，2019，46（03）：63-73.
[21] Hu J，Shen L，Sun G. Squeeze- and- excitation networks[C]. Proceedings of the IEEE conference on computer vision and pattern recognition，2018：7132-7141.
[22] Agrawal A，Mittal N. Using CNN for facial expression recognition：a study of the effects of kernel size and number of filters on accuracy[J]. The Visual Computer，2020，36（2）：405- 412.
[23] Livieris I E，Pintelas E，Pintelas P. A CNN- LSTM model for gold price time- series forecasting[J]. Neural computing applications，2020，32（23）：17351-17360.
[24] He K，Zhang X，Ren S，et al. Deep residual learning for image recognition[C]. Proceedings of the IEEE conference on computer vision and pattern recognition，2016：770-778.

备注/Memo

备注/Memo:
基金项目：黑龙江省高校科研基本业务经费项目（项目编号：ZRCPY201913）
作者简介：魏锦山（1995- ），男，山东诸城人，黑龙江八一农垦大学硕士研究生，研究方向：深度学习、光谱分析技术。
*通讯作者：陈争光（1973- ），男，湖北武汉人，博士，教授，硕士研究生导师，黑龙江省计算机学会理事，研究方向：近红外光谱在农业 中的应用技术、高维数据降维技术，E-mail: [email protected]。
更新日期/Last Update: 2022-01-15