基于深度学习与近红外光谱的土壤质地分类模型研究

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％.

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(分析化学)

资助基金：黑龙江省高校科研基本业务经费项目ZRCPY201913

在线出版日期：2023-02-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：8-13