本發(fā)明涉及利用多層感知器神經(jīng)網(wǎng)絡(luò)模型結(jié)合光譜特征參數(shù)的土壤分類方法，屬于土壤分類
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：利用土壤光譜反射特性進(jìn)行土壤分類可為加快土壤精細(xì)制圖提供技術(shù)支持。目前國內(nèi)外對于利用土壤光譜反射率進(jìn)行土壤分類的方法中，多運(yùn)用主成分分析法處理光譜數(shù)據(jù)，提取主成分作為分類模型的輸入量，利用K-means、支持向量機(jī)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(jié)果之間沒有可比性。多層感知器神經(jīng)網(wǎng)絡(luò)模型(Multi-layerperceptronneuralnetworks,MLPneuralnetworks)作為一種強(qiáng)有力的學(xué)習(xí)系統(tǒng)，模擬了人腦思維過程，能夠?qū)崿F(xiàn)輸入層、輸出層的非線性映射，已經(jīng)在很多領(lǐng)域得到廣泛應(yīng)用，并取得良好效果。多層感知器神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入層、一個(gè)隱藏層和一個(gè)輸出層組成，隱藏層和輸出層的激活函數(shù)分別為雙曲正切函數(shù)和softmax函數(shù)。美國ASD公司是全球最著名的野外地物光譜儀制造商，其產(chǎn)品是遙感及相關(guān)領(lǐng)域最有權(quán)威的測量設(shè)備和工作標(biāo)準(zhǔn)。ASD光譜儀廣泛應(yīng)用于全球70多國家和地區(qū)，廣泛應(yīng)用于遙感科學(xué)研究、礦業(yè)、林業(yè)生態(tài)、農(nóng)業(yè)及材料等領(lǐng)域，是全球應(yīng)用最廣泛的光譜儀。技術(shù)實(shí)現(xiàn)要素：本發(fā)明目的是為了解決現(xiàn)有利用土壤光譜反射率進(jìn)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(jīng)網(wǎng)絡(luò)模型結(jié)合光譜特征參數(shù)的土壤分類方法。本發(fā)明所述利用多層感知器神經(jīng)網(wǎng)絡(luò)模型結(jié)合光譜特征參數(shù)的土壤分類方法，它包括以下步驟：步驟一：采集n個(gè)土壤樣本，n為大于或者等于3的整數(shù)；用光譜儀對n個(gè)土壤樣本分別進(jìn)行反射光譜測試，針對每個(gè)土壤樣本：采集10條光譜曲線，對10條光譜曲線進(jìn)行算術(shù)平均，獲得每個(gè)土壤樣本的基準(zhǔn)反射光譜數(shù)據(jù)；步驟二：將每個(gè)土壤樣本的基準(zhǔn)反射光譜數(shù)據(jù)以10nm為間隔，利用高斯模型進(jìn)行光譜重采樣；步驟三：對光譜重采樣數(shù)據(jù)進(jìn)行包絡(luò)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(luò)線數(shù)據(jù)；步驟四：在去包絡(luò)線數(shù)據(jù)中提取獲得m個(gè)光譜特征參數(shù)；步驟五：對提取的m個(gè)光譜特征參數(shù)分別進(jìn)行標(biāo)準(zhǔn)化處理，得到m個(gè)土壤分類指標(biāo)；步驟六：利用多層感知器神經(jīng)網(wǎng)絡(luò)模型，根據(jù)土壤分類指標(biāo)對土壤樣本進(jìn)行分類。本發(fā)明的優(yōu)點(diǎn)：本發(fā)明能夠?qū)崿F(xiàn)對土壤的快速準(zhǔn)確分類。它利用光譜反射率去包絡(luò)線后的特征參數(shù)，如波段斜率、吸收谷的面積等作為分類指標(biāo)，與現(xiàn)有技術(shù)中直接利用波段提取主成分作為分類指標(biāo)相比，光譜特征參數(shù)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(shù)均受特定的土壤理化性質(zhì)的影響。本發(fā)明綜合了多層感知器神經(jīng)網(wǎng)絡(luò)模型的泛化能力與光譜特征參數(shù)具有物理意義的優(yōu)點(diǎn)，利用多層感知器神經(jīng)網(wǎng)絡(luò)模型，結(jié)合光譜特征參數(shù)的指標(biāo)，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(biāo)不具有明確物理意義的缺陷，使得多層感知器神經(jīng)網(wǎng)絡(luò)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(biāo)的物理意義。同時(shí)，為加快土壤精細(xì)制圖提供技術(shù)支持。附圖說明圖1是本發(fā)明具體實(shí)施例的步驟四中在去包絡(luò)線數(shù)據(jù)中提取光譜特征參數(shù)的曲線圖。具體實(shí)施方式具體實(shí)施方式一：下面結(jié)合圖1說明本實(shí)施方式，本實(shí)施方式所述利用多層感知器神經(jīng)網(wǎng)絡(luò)模型結(jié)合光譜特征參數(shù)的土壤分類方法，它包括以下步驟：步驟一：采集n個(gè)土壤樣本，n為大于或者等于3的整數(shù)；用光譜儀對n個(gè)土壤樣本分別進(jìn)行反射光譜測試，針對每個(gè)土壤樣本：采集10條光譜曲線，對10條光譜曲線進(jìn)行算術(shù)平均，獲得每個(gè)土壤樣本的基準(zhǔn)反射光譜數(shù)據(jù)；步驟二：將每個(gè)土壤樣本的基準(zhǔn)反射光譜數(shù)據(jù)以10nm為間隔，利用高斯模型進(jìn)行光譜重采樣；步驟三：對光譜重采樣數(shù)據(jù)進(jìn)行包絡(luò)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(luò)線數(shù)據(jù)；步驟四：在去包絡(luò)線數(shù)據(jù)中提取獲得m個(gè)光譜特征參數(shù)；步驟五：對提取的m個(gè)光譜特征參數(shù)分別進(jìn)行標(biāo)準(zhǔn)化處理，得到m個(gè)土壤分類指標(biāo)；步驟六：利用多層感知器神經(jīng)網(wǎng)絡(luò)模型，根據(jù)土壤分類指標(biāo)對土壤樣本進(jìn)行分類。所述多層感知器神經(jīng)網(wǎng)絡(luò)模型具有輸入層、隱藏層和輸出層，隱藏層的激活函數(shù)為雙曲正切函數(shù)，輸出層的激活函數(shù)為softmax函數(shù)。步驟一中采集n個(gè)土壤樣本后，在室內(nèi)分別對每個(gè)土壤樣本進(jìn)行研磨、風(fēng)干及過2mm篩，然后對每個(gè)土壤樣本進(jìn)行反射光譜測試。步驟五中對提取的光譜特征參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理采用的公式為：其中：Zj(i)為第i個(gè)樣本第j個(gè)指標(biāo)的標(biāo)準(zhǔn)化結(jié)果，Xj(i)為第i個(gè)樣本第j個(gè)指標(biāo)值，max[Xj(i)]為第i個(gè)樣本第j個(gè)指標(biāo)的最大值，min[Xj(i)]為第i個(gè)樣本第j個(gè)指標(biāo)的最小值，i＝1，2，3，……n，j＝1,2,3,……，m。本實(shí)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(chǎn)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(shù)據(jù)重采樣為1nm。步驟三中對光譜重采樣數(shù)據(jù)采用包絡(luò)線消除法進(jìn)行進(jìn)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(luò)線數(shù)據(jù)；步驟五是為了消除不同光譜特征參數(shù)量級對分類結(jié)果的影響而進(jìn)行的。具體實(shí)施例：步驟一：在北安市、拜泉縣等13個(gè)市縣境內(nèi)采集0～20cm耕層土樣，共138個(gè)，表1所示，室內(nèi)將土樣研磨、風(fēng)干、過2mm篩，然后對這些樣本進(jìn)行反射光譜測試。表1土類黑土黑鈣土風(fēng)砂土合計(jì)樣本個(gè)數(shù)357429138利用3便攜式光譜儀在一個(gè)能控制光照條件的暗室內(nèi)對土壤樣本進(jìn)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(nèi)，用直尺將土樣表面刮平。光源是功率為1000W的鹵素?zé)?，距土壤樣品表?00cm，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(qiáng)度中暗電流的影響，然后以白板進(jìn)行標(biāo)定。每個(gè)土樣采集10條光譜曲線，算術(shù)平均后得到該土樣的基準(zhǔn)反射光譜數(shù)據(jù)；步驟二：對步驟一中所得到的土壤反射光譜數(shù)據(jù)以10nm為間隔，利用高斯模型進(jìn)行光譜重采樣,此過程在ENVI5.1中進(jìn)行；步驟三：對步驟二中的重采樣數(shù)據(jù)采取包絡(luò)線消除法進(jìn)行進(jìn)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(luò)線數(shù)據(jù)，此過程在ENVI5.1中進(jìn)行；步驟四：利用步驟三中的去包絡(luò)線數(shù)據(jù)提取所需的光譜特征參數(shù)，如圖1所示，并確定分類指標(biāo)：圖中V1、V2、V3、V4、V5分別代表5個(gè)吸收谷、圖中S代表波段間斜率、圖中L代表每個(gè)吸收谷的最低點(diǎn)為對應(yīng)的吸收位置、圖中A代表吸收谷的面積；第一個(gè)吸收谷的面積和前兩個(gè)吸收谷的面積，分別記為A1、A1+A2；第二個(gè)吸收谷位置，記為L2；500～600nm波段去包絡(luò)線的斜率，記為S3。步驟五：為了消除不同光譜特征參數(shù)量級對分類結(jié)果的影響，對所選擇的光譜特征參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，得到分類指標(biāo)。步驟六：確定多層感知器神經(jīng)網(wǎng)絡(luò)的一個(gè)輸入層、一個(gè)隱藏層和一個(gè)輸出層，隱藏層和輸出層的激活函數(shù)分別為雙曲正切函數(shù)和softmax函數(shù)，此過程在SPSS22.0中進(jìn)行；利用多層感知器神經(jīng)網(wǎng)絡(luò)模型結(jié)合分類指標(biāo)進(jìn)行土壤分類。其中，土樣的70％用于建模，30％用于精度驗(yàn)證。對本實(shí)施方式從生產(chǎn)精度、用戶精度、總體精度以及Kappa系數(shù)分析四個(gè)角度對分類結(jié)果進(jìn)行精度評價(jià)。生產(chǎn)精度是指每類總數(shù)減去漏分再除以分類總數(shù)；用戶精度是指每類總數(shù)減去錯(cuò)分再除以分類總數(shù)；總體精度是指正確分類總數(shù)除以土樣總數(shù)。Kappa系數(shù)采用一種離散的多元技術(shù)的混淆矩陣，考慮了矩陣的所有因素，是一種計(jì)算分類精度的指標(biāo)，其計(jì)算公式為：式中：r是誤差矩陣中總數(shù)列，即總的類別數(shù)；Xii是誤差矩陣中第i行、第i列上土樣數(shù)量，即正確分類的數(shù)目；Xi+和X+i是第i行和第i列上的總土樣數(shù)量；N是總的用于精度評估的土樣數(shù)量。本實(shí)施例運(yùn)用多層感知器神經(jīng)網(wǎng)絡(luò)模型結(jié)合光譜特征參數(shù)對黑土、黑鈣土和風(fēng)砂土進(jìn)行分類，精度評價(jià)結(jié)果為：生產(chǎn)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(shù)為0.93，能夠滿足土壤精細(xì)制圖需求。當(dāng)前第1頁1 2 3