10.3964/j.issn.1000-0593(2023)09-2942-10
改进时间卷积网络的红壤有机质高光谱预测模型
针对现有卷积神经网络土壤有机质(SOM)预测模型用在小样本数据集存在建模效果差,预测精度不够高等问题,为更加精准预测土壤 SOM含量,以广西国有黄冕林场和国有雅长林场采集的 206 个土壤样品为研究对象,提出了一种改进时间卷积网络(SATCN)的红壤有机质高光谱预测模型.对土壤样品进行Savitaky-Golay(SG)平滑以及一阶微分(1DR)、二阶微分(2DR)、标准正态变量(SNV)和多元散射校正(MSC)四种变换,对比分析长短记忆网络(LSTM)、偏最小二乘回归(PLSR)和支持向量机(SVM)在不同光谱预处理下的建模效果,结果表明,采用 SG处理后的光谱一阶微分预处理方法,建模效果最好;在时间卷积网络(TCN)架构上,采用浅层网络结构,在 TCN 残差结构中加入自注意力层,提高模型特征学习能力;每个卷积核权重加入 L2 正则化,防止过拟合;选取一阶微分作为光谱预处理,建立ResNet-13、VGGNet-7、时间卷积网络(TCN)和改进时间卷积网络(SATCN)四种模型,对比分析四种模型建模效果,以及 SATCN模型在不同网络深度下模型建模效果.结果表明,在一阶微分光谱预处理的情况下,浅层 SATCN 模型建模效果优于深层模型;SATCN模型中的自注意力残差结构,不仅能够强化光谱序列重要特征,模型特征学习能力和预测精度也有显著提高.相比于CNN、TCN等建模方法,提出的 SATCN 模型建模效果最好,拥有更高的精确度和极好的模型估测能力,验证集的决定系数(R2)为 0.943,均方根误差(RMSE)为 3.042 g·kg-1,相对分析误差(RPD)为 4.273.综上所述,SOM含量的最佳预测模型是采用 SG平滑后一阶微分光谱预处理基础上建立的 SATCN预测模型,对广西林地土壤有机质含量进行更加了精准预测.
土壤、高光谱、有机质、自注意力机制、时间卷积网络
43
TP399(计算技术、计算机技术)
国家自然科学基金;广西自然科学基金项目
2023-09-18(万方平台首次上网日期,不代表论文的发表时间)
共10页
2942-2951