[发明专利]利用多层感知器神经网络模型结合光谱特征参数的土壤分类方法

说明书

技术领域

本发明涉及利用多层感知器神经网络模型结合光谱特征参数的土壤分类方法，属于土壤分类技术领域。

背景技术

利用土壤光谱反射特性进行土壤分类可为加快土壤精细制图提供技术支持。目前国内外对于利用土壤光谱反射率进行土壤分类的方法中，多运用主成分分析法处理光谱数据，提取主成分作为分类模型的输入量，利用K-means、支持向量机等方法建立分类模型。但是，主成分分析方法得到的变量没有明确的物理意义，不同研究结果之间没有可比性。

多层感知器神经网络模型(Multi-layer perceptron neural networks,MLP neural networks)作为一种强有力的学习系统，模拟了人脑思维过程，能够实现输入层、输出层的非线性映射，已经在很多领域得到广泛应用，并取得良好效果。多层感知器神经网络由一个输入层、一个隐藏层和一个输出层组成，隐藏层和输出层的激活函数分别为双曲正切函数和softmax函数。

美国ASD公司是全球最著名的野外地物光谱仪制造商，其产品是遥感及相关领域最有权威的测量设备和工作标准。ASD光谱仪广泛应用于全球70多国家和地区，广泛应用于遥感科学研究、矿业、林业生态、农业及材料等领域，是全球应用最广泛的光谱仪。

发明内容

本发明目的是为了解决现有利用土壤光谱反射率进行土壤分类的方法无法保留光谱物征原有的物理意义的问题，提供了一种利用多层感知器神经网络模型结合光谱特征参数的土壤分类方法。

本发明所述利用多层感知器神经网络模型结合光谱特征参数的土壤分类方法，它包括以下步骤：

步骤一：采集n个土壤样本，n为大于或者等于3的整数；用光谱仪对n个土壤样本分别进行反射光谱测试，针对每个土壤样本：采集10条光谱曲线，对10条光谱曲线进行算术平均，获得每个土壤样本的基准反射光谱数据；

步骤二：将每个土壤样本的基准反射光谱数据以10nm为间隔，利用高斯模型进行光谱重采样；

步骤三：对光谱重采样数据进行包络线去除，获得突出反射光谱曲线的吸收和反射特征的去包络线数据；

步骤四：在去包络线数据中提取获得m个光谱特征参数；

步骤五：对提取的m个光谱特征参数分别进行标准化处理，得到m个土壤分类指标；

步骤六：利用多层感知器神经网络模型，根据土壤分类指标对土壤样本进行分类。

本发明的优点：本发明能够实现对土壤的快速准确分类。它利用光谱反射率去包络线后的特征参数，如波段斜率、吸收谷的面积等作为分类指标，与现有技术中直接利用波段提取主成分作为分类指标相比，光谱特征参数提取简便易操作，最重要的是保留了光谱特征原有的物理意义，各光谱特征参数均受特定的土壤理化性质的影响。

本发明综合了多层感知器神经网络模型的泛化能力与光谱特征参数具有物理意义的优点，利用多层感知器神经网络模型，结合光谱特征参数的指标，判定该对象的土壤类型。它克服了以往主成分分析提取的分类指标不具有明确物理意义的缺陷，使得多层感知器神经网络模型更好的适用于土壤分类，不仅提高了分类的精度和速度，而且明确了分类指标的物理意义。同时，为加快土壤精细制图提供技术支持。

附图说明

图1是本发明具体实施例的步骤四中在去包络线数据中提取光谱特征参数的曲线图。

具体实施方式

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述利用多层感知器神经网络模型结合光谱特征参数的土壤分类方法，它包括以下步骤：

步骤一：采集n个土壤样本，n为大于或者等于3的整数；用光谱仪对n个土壤样本分别进行反射光谱测试，针对每个土壤样本：采集10条光谱曲线，对10条光谱曲线进行算术平均，获得每个土壤样本的基准反射光谱数据；

步骤二：将每个土壤样本的基准反射光谱数据以10nm为间隔，利用高斯模型进行光谱重采样；

步骤三：对光谱重采样数据进行包络线去除，获得突出反射光谱曲线的吸收和反射特征的去包络线数据；

步骤四：在去包络线数据中提取获得m个光谱特征参数；

步骤五：对提取的m个光谱特征参数分别进行标准化处理，得到m个土壤分类指标；

步骤六：利用多层感知器神经网络模型，根据土壤分类指标对土壤样本进行分类。

所述多层感知器神经网络模型具有输入层、隐藏层和输出层，隐藏层的激活函数为双曲正切函数，输出层的激活函数为softmax函数。