基于高光谱数据的土壤含盐量BP神经网络模型研究

运用Hyperion数据,以黑龙江省大庆市某一实验区为例,进行了对土壤含盐量的定量研究,将BP神经网络模型(Back Propagation Network)应用到高光谱数据对研究地区土壤含盐量的反演中。通过对隐含层的传递函数、输出层的传递函数、训练算法的优化组合以及最适合隐层节点数量,得到最优的BP神经网络模型,实现了土壤含盐量的反演。对高光谱数据反演土壤含盐量采用BP神经网络具有一定的指导意义。     

基于BP神经网络GPR反演滨海盐渍土含盐量模型构建

滨海盐渍土水盐含量较高,水盐运移规律显著,利用探地雷达(GPR)反演土壤含盐量具有重要意义。针对目前GPR反演土壤含盐量模型多为内陆盐渍土单一影响因素模型现状,本研究采用BP神经网络方法,探究GPR信号的土壤介电常数、土壤层次振幅比与土壤含盐量之间的非线性关系,并以Matlab为平台,采用自编程序对实验数据进行网络学习和仿真,构建了多重GPR信号反演的土壤含盐量模型。模型输出准确率达到86.53%,表明该模型可以预测滨海盐渍土含盐量。     

典型绿洲灌区棉田土壤盐分多光谱遥感反演与季节差异性研究

为探究区域尺度的土壤含盐量空间分布、季节性变化和年际变化特征，本研究以新疆第二师31团棉田为研究区，以2019年和2021年春、夏、秋季实测土壤含盐量和Landsat 8 OLI多光谱影像为基础，将波段组、盐分指数组、植被指数组和全变量组作为模型输入变量组，通过相关性分析优选特征光谱参量，采用极限学习机（Extreme Learning Machine，ELM）、支持向量机（SupportVector Machine，SVM）和BP神经网络（Back Propagation Neural Network，BPNN）构建基于各变量组的不同季节土壤盐分反演模型，通过实测数据评价精度筛选确定各季节最优模型，定量反演地表土壤含盐量。结果表明：研究区两年春、夏、秋季土壤含盐量总样本变异系数分别为 0.67、0.56、0.67，呈中等变异性；中度盐化土的光谱反射率高于轻度盐化土和非盐化土；基于全变量组的BPNN模型均为各季节最优的土壤盐分反演模型，精度由高到低依次为夏季>春季>秋季；两年各季节土壤含盐量由大到小顺序均为秋季>春季>夏季，说明灌排及农业耕作措施对土壤盐分动态变化影响较大；2019—2021年各季节土壤含盐量均有所减小，说明灌区灌排措施对盐碱地治理效果明显。研究表明，基于多光谱影像建立的机器学习模型可定量反演土壤含盐量，为南疆典型绿洲灌区棉田土壤盐渍化监测提供参考。     

基于Landsat8的黄河三角洲盐渍化反演

土壤盐渍化是最常见的土壤退化过程,垦利县位于黄河三角洲核心地带,是土壤盐渍化比较典型的区域。本研究在盐渍土野外调查采样的基础上,依据土壤理化分析和Landsat8卫星光谱数据,选取了相关性以及诊断指数较好的3个波段的反射率作为盐分反演因子,分别建立数理统计模型与BP神经网络盐分反演模型。研究表明:BP神经网络模型的精度明显优于传统多元回归模型,且反演模型更适合高盐度区域土壤盐渍化反演制图,具有较好的应用前景。     

基于Hyperion数据的耕地土壤有机质含量遥感反演

为了探究耕地土壤有机质含量与卫星影像光谱间的关系,确定土壤有机质的光谱特征,构建土壤有机质含量反演模型.利用Hyperion高光谱卫星影像和福建省三明市80个土壤调查样点分析数据,对土壤有机质与光谱指数相关性进行了分析;在提取特征光谱指数的基础上,分别基于敏感波段和特征指数建立线性模型和多元逐步回归模型.结果表明:土壤有机质含量在Hyperion高光谱782.95~813.48 nm波段具有良好的响应能力;反射率的一阶导数所建立的模型拟合效果最优,其R2为0.777,RMSE为5.31,验证模型有机质实测值与预测值的R2为0.809,表明它能够用于区域有机质含量的快速测定.     

玉米叶片叶绿素含量的高光谱反演模型探究

叶绿素含量是绿色植物生长状态的一个重要指标。首先在实验室采集玉米叶片高光谱数据和测定叶绿素含量,并对光谱数据进行对数一阶微分变换,对比选取建模反演因子。根据选定的反演因子采用线性回归、模糊识别和BP神经网络方法建立了玉米叶片叶绿素含量高光谱反演模型,并计算出模型的精度。结果表明,有较好非线性映射能力的BP神经网络反演模型能够高精度地反演出玉米叶片中的叶绿素含量。BP神经网络模型叶绿素含量预测和实测叶绿素含量的平均绝对误差(e)为1.126,决定系数(R2)为0.902,均方根误差(RMSE)为1.375。玉米叶片叶绿素含量与高光谱数据并非线性关系,BP神经网络反演模型能够较好地运用到叶片叶绿素含量反演中。     

松嫩平原土地盐碱化研究

以空间热辐射反射测量仪(ASTER)影像为数据源,利用地理信息系统(GIS)分析方法,对松嫩平原土地盐碱化进行研究。首先对研究区进行野外采样,并在实验室化验土样含盐量;再利用6S模型对ASTER遥感影像进行大气校正,并将每个波段的反射率与采样点土壤含盐量进行单相关统计分析,以获得盐碱土在ASTER影像中的特征波段;为了提高与含盐量的相关性,文中将反射率进行多种数学变换,并与采样土壤的含盐量进行相关性统计分析;最后利用多元回归分析方法,建立土壤含盐量的回归分析模型,定量反演松嫩平原土壤的含盐量。结果表明:ASTER影像的反射率经过适当的数学变换可以有效提高与土壤含盐量的相关系数,所建立的多元回归模型判定系数R2=0.882,能够很好反演松嫩平原土壤盐分含量。     

BP神经网络在渭干河流域土壤盐渍化预测中的应用

[目的]比较神经网络算法和传统统计建模方法对土壤盐渍化预测模型的效果.[方法]对渭干河流域多年土壤盐渍化和其影响因子进行分析的基础上,采用BP网络的3种算法,建立基于BP神经网络土壤盐渍化预测模型.将预测结果与多元线性回归模型预测结果进行对比分析,讨论线性和非线性方法用于土壤盐渍化预测模型.[结果]与传统的统计建模方法相比BP神经网络结构简单、快捷,预测精度高,很好地再现了土壤盐渍化与其影响因素之间复杂的非线性函数关系;三种BP算法中,基于trainlm算法建立的壤盐渍化预测模型具有较好的推广能力.[结论]BP神经网络的土壤盐渍化预测性能良好,用来可以预测土壤盐渍化情况.     

基于Hyperion数据的森林叶绿素含量反演

利用高光谱分辨率的Hyperion数据进行叶绿素含量的分步反演。首先建立叶片水平叶绿素含量反演模型,然后在Hyperion数据处理的基础上利用几何光学模型4-scale,结合查找表的方法,将Hyperion数据的像元反射率转化为叶片反射率,从影像上反演叶片水平的叶绿素含量。结果表明,采用分步反演得到叶片水平叶绿素浓度的方法效果较好,反演的结果与地面实测值之间的相对误差为16.27691,精度达到79.6593%。     

基于思维进化优化BP神经网络的大豆叶片叶绿素含量高光谱反演

为进一步研究优化神经网络算法在植物生化参量高光谱反演当中的应用问题,运用遗传算法和思维进化算法对BP神经网络进行优化来构建大豆叶片叶绿素含量反演模型。利用实测光谱数据和对应叶绿素数据建立训练数据集,然后分别使用遗传算法和思维进化算法对BP神经网络进行优化训练,将训练好的模型用于叶绿素含量估算。结果表明,基于思维进化优化BP神经网络模型能准确预测叶绿素含量,且模型最稳定,能够解决小样本情况下叶绿素含量估算问题,并保证估算精度,可以作为大豆叶片叶绿素含量估算的一种新的参考方法。     

基于Sentinel卫星及无人机多光谱的滨海冬小麦种植区土壤盐分反演研究——以黄三角垦利区为例

【目的】探究黄河三角洲麦田土壤盐分准确高效的遥感提取方法,掌握土壤盐渍化程度与分布。【方法】以垦利区为研究区,均匀布设冬小麦种植区样点77个,同时设置代表性试验区2个,网格布设样点99个,实测采集麦田土壤表层盐分数据及试验区无人机多光谱图像。筛选红、绿、红边、近红4个波段及SI、NDVI、DVI、RVI、GRVI 5个光谱指数中的敏感光谱参量,采用逐步回归、偏最小二乘法、BP神经网络及SVM支持向量机4种方法建立土壤盐分估测模型,使用波段比值均值法得到Sentinel-2A卫星影像相应波段的修正系数,进而将筛选的土壤盐分估测模型转换为基于卫星影像的反演模型,经麦区实测样点数据验证,得到最佳的麦区土壤盐分反演模型,实现试验区和研究区2个尺度的麦田土壤盐分反演。【结果】无人机4个波段及光谱指数NVDI、RVI、SI与土壤盐分含量相关性显著,4种建模方法的13个模型中,以NDVI、RVI、SI建立的4个指数模型的建模及验证R²均优于其他模型;对4个模型进行升尺度修正及验证,效果最佳的反演模型为偏最小二乘法光谱指数模型：Y=-9.4774×NDVI₁+0.4794×RVI₁+3.0747×SI₁+5.0604,验证R²为0.513,RMSE为1.379;利用该模型反演得到了试验区及整个研究区麦田土壤盐分等级分布图,结合实测插值及调查结果,证明反演模型及空间分布结果准确、可靠。【结论】本研究构建了卫星、无人机一体化的滨海麦区土壤盐分反演模型,对滨海盐渍区农作物的生产管理有积极参考价值。     

基于BP人工神经网络的土壤含水量预测模型的研究

土壤含水量是制约植物生长的主要因子之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义。提出了基于BP人工神经网络的土壤含水量预测模型,BP人工神经网络采用收敛速度较快和误差精度较高的动量-自适应学习速率调整算法。并通过基于这种模型的土壤含水量预测实验,结果表明BP人工神经网络预测模型提高了收敛速度和减少陷入局部最小的可能,并且提高了预测精度。     

阿尔泰山森林土壤温度动态变化及其预测

阿尔泰山作为干旱区典型的山地系统,其土壤温度的日、月、季节和年际动态及其影响因素研究,是深入理解干旱区山地森林生态系统能量循环过程的关键所在。基于阿尔泰山森林生态站2014年11月-2019年7月的气象因子和土壤温度数据,应用相关分析、回归分析和BP人工神经网络分析了阿尔泰山5、10、20 cm和30 cm深度土壤温度的动态变化及其对气象因子的响应,同时,应用多元线性回归和BP人工神经网络对土壤的温度进行了模拟。结果表明:1）近5 a各层土壤温度月均值年际变化一致,最低最高温度和日较差最大值均出现在20 cm,仅30 cm土壤温度的月变化出现自表层至深层滞后现象,年内月较差最大值出现在30 cm深度;各土壤层温度在春夏秋季变化较大,冬季变化较小;2）空气温度、气压和太阳辐射等与土壤温度的相关性达到极显著水平,其中与空气温度的相关性最强;3）回归模型和BP人工神经网络对20 cm土壤层的模拟结果最好,且BP人工神经网络模型的性能总体上优于回归模型。     

土壤墒情预测模型对比

为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。     

用人工神经网络模拟土体塌陷的可行性分析

探讨了利用人工神经网络预测土体塌陷与土体参数和荷载条件之间关系的可行性。BP神经网络是最常用的神经网络之一,通过网络训练,最终确定了6个变量即输入信息、8个隐层和1个输出层的网络结构。在比较了预测值与试验值后,进一步证实了人工神经网络在评估土体塌陷方面效果明显。     

间隔覆盖条件下坡面产流产沙状况的BP神经网络模拟

本文以塿土和黄绵土作为实验材料,尝试使用BP神经网络方法(Back-Propagation neural network)模拟人工降雨条件下,间隔覆盖坡面的产流产沙状况。通过设置不同坡度、降雨强度、面积比,获得各种因素不同水平组合下的实测数据;以实际降雨强度、坡度、面积比、径流起始时间和初始含水率5个因子为输入变量、坡面产流量和产沙量为输出变量,利用BP神经网络模型与多元线性回归模型对数据进行模拟分析,并检验其模拟效果。研究结果表明:训练样本集平均相对误差为18.23%,预测样本集平均相对误差为5.21%;与多元线性回归模型相比,BP神经网络模型拟合精度较高,拟合效果更理想,表现出更强的预测能力。另外,比较不同土质坡面产流量与产沙量模拟效果,塿土优于黄绵土。从本研究的结果看,BP神经网络模型应用于坡面产流产沙模拟预测,省时省力,方便快捷,具有一定的应用潜力,但其实际的模拟预测能力尚需进一步探索。     

基于BP神经网络的太湖典型农田土壤水分动态模拟

收集太湖典型农田2010年10—12月和2011年3—6月2个时间段的逐日气象资料和土壤水分资料,运用BP(back propagation)神经网络和缺省因子分析法确定影响该地区土壤水分动态的主要气象因子(降水量、蒸发量、平均气温和平均地表温度以及平均风速),以这些主要影响因子作为输入变量建立该地区土壤水分动态模拟的BP神经网络模型。利用100组实测样本对神经网络进行训练,用剩余的64组实测样本进行检验。结果表明:0～14 cm和14～33 cm土壤含水量模拟的平均相对误差(MARE)最大为0.062 9,均方根误差(RMSE)最大为1.764,不同土壤层次的训练样本和检验样本的精度(PA)都在0.87以上。因此,BP神经网络用于太湖典型农田的土壤水分动态模拟是可行的。     

基于连续小波变换的土壤有机质含量高光谱反演

以托克托县境内120个土壤有机质含量以及对应光谱数据为数据源,探究了不同土壤类型与土地利用类型下土壤有机质高光谱反演研究的可行性,采用连续小波变换对原始光谱（R）、光谱倒数（1/R）、光谱对数（LnR）、光谱一阶微分（R′）进行分解生成小波系数并与土壤有机质进行相关系分析,提取特征波段建立BP神经网络与支持向量机模型（SVM）。结果表明：①R、1/R、LnR、R′与土壤有机质相关系数经过连续小波变换后,较之前增加了0.204、0.090、0.199、0.252,表明连续小波变换可深度挖掘光谱潜在信息,提升与有机质含量之间的相关系数。②未经过连续小波处理前,SVM无法实现对当地土壤有机质含量的预测,经过处理后,模型SVM-CWT-R与SVM-CWT-R′的精度决定系数分别达到了050、0.56,均方根误差为0.17、0.15,相对分析误差为1.62、1.53,实现了对土壤有机质的有效估算。③经过连续小波变换后BP神经网络预测模型结果得到提升,其中BP-CWT-LnR预测模型效果最佳,精度决定系数达到0.76,较之前BP-LnR提升了0.2;均方根误差达到015,降低0.04;相对分析误差为2.12,增加了0.87。因此利用BP-CWT-LnR高光谱反演模型进行区域土壤有机质遥感监测,可为当今精准农业提供理论参考与技术支持。     

基于神经网络的管道沿线土壤腐蚀态势评价

利用神经网络极强的非线性逼近特点,采用神经网络评价管道土壤腐蚀态势。介绍了基于BP神经网络的管道土壤腐蚀态势评价模型建立的方法和过程,在实例计算中考虑土壤pH值、土壤电阻率、土壤氧化还原电位和电解失重四个主要因素,选取9个学习样本对BP神经网络进行训练,分别用训练好的BP神经网络和模糊综合评价对现场管道6个实测点进行腐蚀态势评价,结果表明,两种方法得到的评价结果完全一致,该方法可以用于对管道沿线土壤腐蚀态势的评价。