论文部分内容阅读
为实现土壤多种养分信息的快速检测,提出了一种基于一维卷积的卷积神经网络与可见光近红外光谱的土壤养分预测模型（Convolutional Neural Network Regression,CNNR）,重点在以下2个方面开展研究。（1）模型优选。对输入模型的光谱数据的维度、CNNR模型的层数、卷积核大小和Batch Size大小等超参数进行优选,最终确定了一个输入维度为420个波长点,卷积核大小为9的四层卷积神经网络;为消除光谱中的基线偏移和其他背景影响,采用平滑、一阶求导、标准正态变量变换、多元散射校正、标准正态变量变换结合去趋势的方式对光谱进行预处理,结果显示采用一阶求导处理后的土壤光谱数据进行建模,模型预测效果最优,模型对土壤酸碱度、有机碳、碳酸钙、总氮、磷、可交换钾的均方根误差分别为0.3549、7.9951、23.6800、0.5151、22.4431、119.7596。之后将CNNR模型与基于二维卷积的视觉几何组网络及传统模型反向传播神经网络和偏最小二乘回归进行对比分析,结果显示CNNR模型泛化能力比偏最小二乘回归模型均有大幅提升,其中酸碱度提升14.28%,有机碳提升23.28%,碳酸钙提升19.89%,总氮提升34.98%,磷提升74.47%,可交换钾提升123.70%。（2）多任务学习模型创建。采用基于硬参数共享的多任务卷积神经网络模型（Multitask Convolutional Neural Network Regression,MTL＿CNNR）实现土壤酸碱度、有机碳、碳酸钙、总氮、磷、可交换钾的同时检测,并将结果与单个土壤养分检测的CNNR模型进行对比,结果显示,MTL＿CNNR模型的检测性能优于CNNR模型,MTL＿CNNR模型对土壤酸碱度、有机碳、碳酸钙、总氮、磷、可交换钾的拟合优度相比CNNR模型分别提升了-0.46%、3.52%、0.30%、3.04%、21.15%、20.24%。之后探究了Attention机制和预处理方法融合对模型性能的影响,结果表明Attention机制和预处理方法融合都能提升模型的泛化性能,其中基于特征融合的MTL＿CNNR模型整体性能最优,模型对土壤养分的决定系数分别为酸碱度:0.9211、有机碳:0.8280、碳酸钙:0.9672、总氮:0.8473、磷:0.5224、可交换钾:0.6339。本研究探讨了单任务卷积神经网络和多任务卷积神经网络两种模型对土壤养分性能检测的影响,并分别建立了基于土壤可见光近红外光谱单任务卷积神经网络模型和多任务卷积神经网络模型,可为土壤养分快速检测仪器的开发提供理论依据。