BPNN對不同人為活動區域的鹽漬土Na+高光譜估測

田安紅, 付承彪, 熊黑鋼, 趙俊三

(1.曲靖師范學院 信息工程學院, 云南 曲靖 655011 ; 2.北京聯合大學 應用文理學院,北京 100083; 3.昆明理工大學 國土資源工程學院, 昆明 650093)

新疆作為典型的干旱半干旱農業區，擁有廣袤無垠的土地資源[1-2]，但其鹽漬化現象嚴重，土壤貧瘠，鹽分含量高，養分含量低，實際中可用于耕地的面積很少。然而，土壤鹽漬化是全球的生態環境問題，會嚴重限制農業的可持續利用與發展，現已成為土壤退化過程的主要類型[3]。近年來，針對土壤元素的預測模型多數采用偏最小二乘和逐步多元回歸等線性模型來反演[4-5]，但因土壤高光譜數據與土壤元素之間呈現為非線性關系，傳統線性模型的估測精度不理想。然而，BP 神經網絡(Back propagation neural network,BPNN)理論上可以逼近任意的非線性函數[6-7]，在定量反演非線性問題時具有較大的優勢。如刁萬英等[8]以砂土和壤土為研究對象，利用人工神經網絡模型結合室內光譜數據預測土壤的含水量，仿真結果表明與指數、對數和線性模型相比較，人工神經網絡模型對兩種類型土壤含水量的預測精度最高，該模型更具有普適性。盧志宏等[9]采用70個特征波段和BP神經網絡模型估算草原礦區的氮和磷含量，結果表明當隱藏層的節點數為10，3，6時，BP模型對氮和磷的預測精度最好，具有較大的擬合優度和較小的均方根誤差。郭云開等[10]以長沙縣的土壤為研究對象，利用BP神經網絡反演土壤重金屬元素Cu的含量，其擬合優度為0.721，遠大于線性回歸模型的擬合優度值，且預測精度為0.823。

但已有文獻采用BPNN模型對土壤元素的估算主要是針對同一研究區域的土壤，且預測對象多為鹽分、水分、有機質、氮、磷、鉀等土壤元素。然而，目前針對不同人為活動區域的鹽漬土元素的高光譜反演鮮有報道，尤其是土壤鹽分的主要陽離子研究報道則更少。但是，人為活動對土壤的干擾在自然界中較為常見，人為活動的強度大小、方式類型和持續作用時間，都會改變土壤的理化性質[11]，造成土壤元素在空間上的變異。同時，新疆鹽漬土的主要類型之一為易溶鹽，易溶鹽主要包含硫酸鈉和氯化鈉，土壤鹽分的陽離子Na+在鹽漬土的形成過程中起著重要作用。因此，本研究以新疆沒有受到人為活動影響的土壤和受到人為活動影響的土壤為研究對象，利用BPNN模型、偏最小二乘模型和逐步多元回歸模型對比分析不同人為活動區域的鹽漬土Na+離子的高光譜估算結果，并力圖解釋Na+離子在不同研究區域的反演精度的機理，為合理利用新疆的土地資源提供一定的理論依據。

1 試驗材料與方法

1.1 研究區域與土壤樣品采集

以新疆維吾爾自治區阜康市的鹽漬土為研究區，其坐標為43°29′—45°45′N，87°44′—88°46′E。根據野外考察情況，主要以人類活動對土壤的干擾程度進行劃分，即A區(無人為活動的區域)和B區(有人為活動的區域)。由于A區和B區中間有一條水渠，其長度為15.30 km，A區因被水渠相隔，基本沒有人類活動，土壤表層維持住原有的生態風貌，主要植被為紅柳、豬毛菜和梭梭等。而B區距離新疆102建設兵團的距離很近，該區域經常受到人類日常活動的影響，并且，近2 a內有大部分土壤被人工種植開發為育苗林地、榆樹林地等。

土壤樣本的采集時間為2017年5月9日到23日，在A區布設采樣線5條，B區布設采樣線6條，且在每條采樣上間隔400 m左右選擇5個代表性的采樣點，A區共25個采樣點，B區共30個采樣點，一共為55個采樣點，見圖1。采集土壤樣本0—20 cm，并密封帶回實驗室經過風干、剔除碎石、研磨、孔篩等處理后，送到中科院新疆生態與地理研究所[12]，由化驗員測量土壤Na+離子含量。

圖1 土壤采樣點

1.2 實地高光譜數據采集

采用ASD FieldSpec3光譜儀測量研究區的土壤室外高光譜，光譜儀的波長范圍為350～2 500 nm。在室外測量時，選擇天空晴朗且無風的天氣，測量時間為新疆13：00—15：00之間。測量前進行白板校正，且探頭垂直向下測量高光譜，每個采樣點重復測量10次，按梅花樁采樣方法，共計每個樣點測量得到50條高光譜數據，取其平均值即為該樣本點的野外高光譜反射率曲線。同時，采集的高光譜需要刪除邊緣波段(350～390 nm和2 401～2 500 nm)和水分吸收帶(1 355～1 410 nm和1 820～1 942 nm)附近的波段。

1.3 BP神經網絡的基本原理

BPNN是一種處理非線性問題的模型，一般由輸入層、隱藏層和輸出層構成，其基本原理是將神經網絡學習的結果情況反饋給隱藏層，并調整權值和閾值，使得總誤差達到最小，從而滿足預期的學習要求。

利用Matlab 2019年編程實現BPNN模型的訓練過程，首先，選擇60%的樣本作為訓練，40%的樣本作為測試，則A區的訓練和測試樣本分別為15個和10個，B區的訓練和測試樣本分別為18個和12個。其次，對輸入參數和輸出參數進行歸一化處理，易于網絡的收斂。最后，設置訓練參數，最大訓練迭代次數為1 000，學習速率為0.001，隱藏層節點數為100，訓練目標的最小誤差為le-6，訓練函數為trainscg。

1.4 模型精度驗證指標

本研究采用BPNN模型來建模預測Na+離子含量，并對比分析偏最小二乘(PLSR)和逐步多元回歸(SMLR)模型的預測效果。本研究采用決定系數(R2)，均方根誤差(RMSE)和相對分析誤差(RPD)3個參數指標來評估模型的精度[13]。R2代表模型的擬合程度，其值越接近于1，說明擬合程度越好。RMSE代表樣本的真實值與模型的預測值的偏小。RPD代表模型的預測性能，一般RPD≥2.0代表該模型的預測性能很好，1.8≤RPD<2.0代表模型的預測性能較好，1.4≤RPD<1.8代表模型的預測性能一般，1.0≤RPD<1.4代表模型的預測性能很差，RPD<1.0代表模型不具有預測能力。

2 結果與分析

2.1 研究區的4種陽離子含量統計

易溶鹽(硫酸鈉、氯化鈉)是新疆鹽漬土的主要類型，Na+在鹽漬土的形成過程中起著重要的作用。研究區化驗的4種陽離子(Ca2+，Mg2+，K+，Na+)統計特征見表1。Na+在A區和B區中所占比例最高分別為48.4%和62.3%，其均值在4種陽離子中也最大分別為1.590，2.148。

表1 研究區陽離子含量統計特征

2.2 土壤的高光譜曲線特征

圖2A和圖2B為在A區和B區中選擇前7個土壤樣本的高光譜反射率曲線。由于土壤的高光譜是土壤中多種組分信息(鹽分、有機質、氮磷鉀等)和周圍環境(土壤類型、植被、氣象等)的綜合反映，FieldSpec?3 Hi-Res光譜儀測量得到的高光譜反射率曲線與某一具體元素之間呈現為非線性關系，圖2說明高光譜與Na+離子含量為非線性關系，而不是單調的遞增或遞減的線性關系。

圖2 土壤的高光譜反射率曲線

2.3 選擇特征波段

原始高光譜與Na+離子的相關系數如圖3所示。倒數變換后的高光譜與Na+離子的相關系數如圖4所示。圖3和圖4均表明A區和B區中的0階微分都沒有相關系數通過0.05顯著性檢驗，一階微分和二階微分有大量波段的相關系數通過0.05顯著性檢驗，統計結果為原始高光譜的一階微分和二階微分通過0.05檢驗的波段數量，在A區分別92個和107個，在B區分別為119個和57個；倒數變換后高光譜的一階微分和二階微分通過0.05檢驗的波段數量，在A區分別為248個和140個，在B區分別為125個和75個。并且，一階微分和二階微分對應的相關系數曲線中包含更多的吸收峰和吸收谷。本研究將A區和B區中通過0.05檢驗的一階與二階微分對應的波段選擇為特征波段，其對應的高光譜反射率為BPNN模型的輸入變量。

圖3 原始高光譜與Na+離子的相關系數

圖4 倒數變換后的高光譜與Na+離子的相關系數

2.4 鈉離子高光譜估算模型精度比較

采用BPNN，PLSR和SMLR這3種模型估算Na+離子含量，兩種光譜變換下的模型結果見表2。在A區，BPNN模型在兩種光譜變換中的RPD值均大于2.0，其預測能力很好，且最好的預測效果屬于1/R的二階微分，其RPD值為2.461 6，R2為0.860 9，RMSE為0.350 1。在B區，BPNN模型在原始高光譜變換中，RPD值在1.8與2.0之間，表明其預測能力好；BPNN模型在倒數變換中，RPD值大于2.0，表明其預測能力很好，且最好的預測效果屬于1/R的二階微分，其RPD值為2.169 8，R2為0.800 6，RMSE為0.803 5。而在A區和B區中，PLSR模型在兩種光譜變換中的RPD值均在1.4～1.8之間，其預測能力一般；SMLR模型在兩種光譜變換中的RPD值均在1.0～1.4之間，其預測能力很差。表2顯示BPNN模型在A區對Na+離子的預測精度高于B區，這是因為A區基本沒有受到人類日常活動的影響，其土壤基本維持著原有的生態風貌；而B區受到人類日常活動的影響較大，且土壤被人類犁地、翻耕和種植育苗林地，破壞土壤表層的物理結皮和生物結皮，又因研究區域地處干旱區，土壤的水分蒸發非常強烈，土壤中的鹽分隨著水分的蒸發被帶到土壤表層，呈現鹽分表聚的現象，B區土壤的變化更為復雜，其預測難度高于A區，因此A區的預測精度高于B區。

1/R光譜變換在二階微分處的BPNN模型均是A區和B區的最佳預測模型，其真實值與預測值的散點圖如圖5所示，其BPNN模型的訓練過程如圖6所示。圖5顯示，驗證集中A區的R2為0.860 87，擬合方程為y=1.2453x+0.45153。驗證集中B區的R2為0.800 6，擬合方程為y=1.0287x+0.3654。圖6顯示，A區BPNN模型的輸入變量為140個高光譜，隱藏層的節點個數為100，輸出層有1個變量，共迭代19次滿足精度要求。B區BPNN模型的輸入變量為75個高光譜，隱藏層的節點個數為100，輸出層有1個變量，共迭代9次滿足精度要求。

表2 驗證集中不同建模方法的精度比較

圖5 BPNN模型的真實值與預測值的散點圖

圖6 BPNN模型的訓練過程

3 結 論

(1) BPNN模型的預測精度高，訓練時間短，迭代次數少，且1/R二階微分處理后的BPNN均是A區和B區的最佳反演模型。在驗證集中，BPNN模型在A區RPD=2.4616，R2=0.8609，在B區RPD=2.1698，R2=0.8006。

(2) 兩種光譜變換在A區和B區中，PLSR模型的RPD值均在1.4～1.8之間，其預測能力一般；SMLR模型的RPD值均在1.0～1.4之間，其預測能力很差。說明在不同研究區域中，BPNN模型均表現出最優的預測結果。