基于生成對抗網絡的煙田土壤有機質含量高光譜估測

關鍵詞：土壤有機質；高光譜；生成式對抗網絡；反向傳播神經網絡

煙草是我國重要的經濟作物之一，其生長發育及煙葉的質量與土壤條件密切相關[1]，當土壤肥力過低時，煙草生長受限，煙葉小而薄；當土壤肥力過高時，煙株生長過旺，煙葉不易落黃，烤后煙可用性較差[2]。土壤有機質（soilorganicmatter，SOM）作為評估土壤肥力的一項重要指標，在作物生長和品質等方面發揮著重要作用[3-4]。傳統測定SOM多以化學分析法為主，由于時效性低，難以滿足現代農業的需求[5-6]，因此，準確、快速的SOM含量估測方法，對于田間精準施肥以及煙葉質量提高具有重要指導意義。

高光譜技術憑借較高的光譜分辨率、更廣的波段范圍，已廣泛應用于土壤重金屬[7]、堿解氮[8]、鹽分[9]、水分[10]等含量的估測。特別是近些年來，機器學習算法憑借其可處理非線性問題的優勢，已成為當前最主要的建模方法[11-12]。在SOM含量估測方面，張秀全等[13]采集66份農田表層褐土樣本，構建了SOM的堆疊泛化模型，該模型對于SOM含量的高光譜估測優勢明顯。Jia等[14]采集了85份濕地表層土壤樣本，基于海洋捕食者算法的隨機森林（marine-predators-algorithm-basedrandomforest，MPARF）方法建立估測模型，發現該算法可實現對濕地土壤SOM準確估測。Wan等[15]獲取78份東北黑土樣本，并使用偏最小二乘回歸（partialleastsquaresregression，PLSR）構建了SOM的最優估測模型。

野外采集土壤樣品，易受到人力、地形、氣候等因素的影響，特別是在地形復雜、海拔較高的山區，采集土壤樣品難度較大。因此，在有限樣本的情況下，如何實現土壤理化參數的高精度估測，是目前的研究熱點。何少芳等[16]使用生成式對抗網絡（generativeadversarialnetworks，GAN）生成偽樣本擴充建模集，結合PLSR、交叉驗證嶺回歸（ridgecrossvalidation，RCV）和反向傳播神經網絡（backpropagationneuralnetworks，BPNN）建立SOM估測模型，結果表明隨著偽樣本數量的增加，模型性能顯著提高，模型精度呈現出先升后降的趨勢。

目前大多研究使用的建模樣本數量有限，關于通過擴充樣本集提高模型精度的研究較少。雖已有研究借助GAN生成偽樣本構建模型，但未考慮對偽樣本使用光譜變換、特征提取等方法進行處理。光譜處理方法是否適用于偽樣本，以及處理后能否提高模型的估測精度，也需進一步證實。因此，本研究以較有代表性（山區、地形復雜、海拔較高）的湖北省保康縣和宣恩縣境內的4塊煙田（海拔800～1300m）為采樣點，基于土壤樣本構建GAN的生成模型，并按照建模集30%、70%、100%、150%、200%、250%的比例生成偽樣本擴充樣本集，采用標準正態變換（standardnormalvariable，SNV）、多元散射校正（multiplicativescattercorrection，MSC）組合一階微分（FD）、倒數對數（LR）以及倒數對數一階微分（LRFD）進行預處理，結合皮爾遜相關系數（Pearsoncorrelationcoefficient，PCC）篩選敏感波段，使用PLSR、隨機森林（randomforest，RF）和BPNN3種機器學習方法構建估測模型，研究GAN生成的偽樣本對模型精度的影響，對比選出煙田SOM的最優估測模型，為復雜山區煙田SOM的精準估測提供技術支撐。

1材料與方法

1.1試驗地概況

試驗取樣點位于湖北省襄陽市的保康縣（110°45′～111°31′E，31°21′～32°06′N）和恩施土家族自治州的宣恩縣（109°11′～109°55′E，29°33′～30°12′N）。保康縣位于秦巴山脈邊緣地帶，屬于亞熱帶季風氣候，四季分明，日照充足[17]。宣恩縣位于武陵山和齊躍山之間，屬于中亞熱帶季風濕潤型山地氣候，年均氣溫為13.7℃[18]。

1.2樣本采集與光譜測定

以保康縣的3塊煙田和宣恩縣的1塊煙田作為采樣區，其中保康縣的每塊煙田均勻布設24個采樣點，宣恩縣為22個采樣點，共采集土壤樣本94份。使用五點采樣法均勻采集約0～10cm深的土壤，裝入密封袋并標號，同時使用手持GNSS（南方銀河一號）測定和記錄每個采樣點的位置信息。將采集到的土壤樣本用烘箱烘干（120℃，8h），研磨并經2mm孔徑過篩處理后，將每份土樣分為2份，一份通過重鉻酸鉀氧化容量法[19]測定SOM含量，另一份用于光譜數據采集。

采用ASDFieldSpec4地物光譜儀（美國）測定光譜反射率，波譜范圍為350～2500nm，采樣間隔為1nm，重采樣間隔為10nm。采樣在暗室內進行，土壤樣本被盛放在直徑10cm、深2cm的不透光黑色容器中，使用50W的鹵素燈作為光源，光源距離土壤樣本30cm，光源入射角為30°，光纖探頭垂直于待測樣本上方15cm處。為消除測量誤差，每份土樣測量時旋轉360°，每旋轉90°采集4條光譜曲線，共采集16條光譜曲線。取平均后得到每個樣本的實際光譜反射率數據，剔除噪聲較大的350～399nm和2401～2500nm的邊緣波段。

1.3數據預處理與特征提取

1.3.1樣本劃分與光譜預處理 采用Kennard-Stone算法劃分數據集，70%（65個樣本）的樣本作為建模集，剩余30%（29個樣本）的樣本作為測試集。使用Savizkg-Golag平滑窗口，大小設置為17，多項式階數設置為2，對數據進行去噪處理。對處理后的光譜反射率使用SNV和MSC兩種光譜增強方法，組合FD、LR以及LRFD3種數學變換進行光譜預處理。

1.3.2特征提取 對預處理后的反射率使用PCC計算其與SOM的相關性，篩選通過0.05顯著性檢驗的波段作為顯著性波段，使用全波段與顯著性波段兩種反射率數據作為建模集。

1.4模型的建立與評估

1.4.1生成式對抗網絡構建 GAN主要由生成器和判別器組成[20]，生成器（圖1a）的輸入是長度為10且符合高斯分布的隨機噪聲，共設置4個全連接層，各層神經元數分別為50、100、150、217，除最后一層外每層各設有一個標準化層，激活函數為GELU，優化器選擇為Adam，學習率設為0.0002。判別器（圖1b）的網絡結構、激活函數、優化器與生成器相同，各層的神經元數分別為217、150、100、50，優化器學習率設為0.0001，損失函數選擇二元分類交叉熵。試驗采用累計訓練的方法設置1000次的預訓練，之后每隔1000次保存模型。

1.4.2估測模型構建 選擇PLSR、RF、BPNN3種機器學習方法構建SOM估測模型。其中，BPNN為3層密集層模型，每層各設有標準化層和丟棄層（每輪丟棄40%的神經元），各層神經元數量分別為50、30、20，除輸出層外每層使用LeakyReLU作為激活函數，超參數α為0.002，初始化策略為He，優化器選擇Adam，學習率設置為0.001，損失函數為均方根誤差，模型最大訓練輪次設為2500，設置提前停止，當訓練超過500輪沒有進展則自動結束訓練。PLSR、RF則使用網格搜索自動尋找最優超參數。

1.4.3模型評估 采用決定系數（coefficientofdetermination，R2）、相對分析誤差（relativepercentdifference，RPD）和均方根誤差（rootmeansquareerror，RMSE）來綜合評估模型預測精度。其中R2越接近1，RPD越大，RMSE越小，說明模型的預測精度越高，建模效果越好，計算公式如下：

其中，為樣本個數，和分別為第個樣本的預測值和實測值，為所有樣本實測值的均值，SD為預測值的標準差。

2結果

2.1SOM含量統計特征

如表1所示，SOM含量的最大值、最小值、平均值分別為44.31、5.74、32.08g/kg，變異系數為31%，屬于中等變異，根據全國第二次土壤普查及有關標準[21]，樣本土壤有機質含量屬于2級較高水平。

2.2不同SOM光譜反射率變化曲線

將SOM含量依照四分位數（數值由小到大排列后，取其百分比位置處的實際值）劃分后計算平均值生成4條光譜曲線（圖2）。如圖2所示，隨著SOM含量的增加，光譜反射率總體呈降低趨勢，但17.74～22.30g/kg與22.30～29.21g/kg的平均反射率有部分重疊。SOM含量位于5.74～17.74g/kg時，其400～2400nm波長范圍的平均反射率低于其他3條光譜曲線。

2.3不同訓練階段GAN的生成樣本

為觀察不同訓練階段GAN的樣本生成質量，每間隔5000輪訓練后生成偽樣本，如圖3所示。前15000輪次訓練后生成的偽樣本，反射率曲線受噪聲影響表現相對較差，難以作為訓練樣本添加進建模集中。隨著訓練輪次的增加，生成的樣本曲線逐漸具有真實樣本特征。當訓練輪次達到25000時，在整個波段范圍內，反射率曲線表現平滑，波峰波谷較為明顯。因此，選擇25000輪次訓練后的GAN模型作為偽樣本的生成模型。

使用選擇的GAN模型生成94份偽樣本，依照上述真實樣本方法劃分4條偽光譜曲線（圖4）。通過觀察對比可以發現，GAN所生成的偽樣本，與真實樣本的反射率與SOM含量之間的變化規律基本吻合。

2.4模型估測結果分析

2.4.1原始數據模型估測結果分析 使用全波段以及顯著性波段，建立SOM機器學習估測模型，建模前，原始反射率經MSC+LRFD處理后，與SOM含量的相關性提升明顯，相關系數最高可達到0.66（圖5），對比原始反射率的最大值0.30提升120.00%。

建模過程中，由于LR變換后通過假設檢驗的顯著性波段過少，模型估測結果較差，故不再對估測結果進行展示，其余各模型估測結果如表2所示。使用全波段建模，經過MSC+LRFD預處理后的RF模型精度最高，最高測試集精度R2、RPD和RMSE分別為0.70、1.83和3.85。相較于未經過光譜處理的最優模型，測試集精度提升29.63%。這表明，組合MSC和LRFD進行預處理后，可以有效提升模型的估測精度。

使用顯著性波段建模，經過MSC+LRFD預處理后的BPNN模型測試集精度最高，模型估測結果如圖6所示，其R2、RPD和RMSE分別為0.73、1.91和3.70。對比全波段的最優模型R2提升了4.29%。這表明，通過PCC篩選出顯著性波段進行建模，可以進一步提高模型的估測精度。

2.4.2基于GAN的生成樣本數據模型估測結果分析 使用GAN按照建模集樣本數生成其30%（偽樣本數量為20個）、70%（46個）、100%（65個）、150%（98個）、200%（130個）、250%（163個）比例的偽樣本，用于擴充樣本集并構建模型，不同比例偽樣本反射率以及其相對應有機質含量，都為GAN通過學習真實樣本分布后隨機生成（圖7）。

通過對比添加不同比例偽樣本的模型驗證精度，選取最優的SOM估測模型，其結果如表3所示。（1）當添加偽樣本數量較少時，對模型精度產生的影響較小，隨著偽樣本數量的增加，模型測試集R2呈現出先升后降的趨勢。（2）當偽樣本比例較低時，PLSR具有最佳的測試精度，但隨著偽樣本比例增加，BPNN的精度整體高于PLSR和RF，并且所適用的樣本預處理方法也不具備普適性。試驗結果表明，當借助GAN生成150%的偽樣本參與建模時對測試精度的提升最高。

由表4可知，當添加比例為150%時，經過MSC光譜處理后使用顯著性波段建立的BPNN模型的測試集精度最高，其R2、RPD和RMSE分別為0.80、2.22和3.18。對比未添加偽樣本的最優模型R2（表2）提高了9.59%，模型性能提升顯著。

通過GAN添加150%的偽樣本，并經過MSC光譜處理后使用顯著性波段建立的BPNN模型估測結果如圖8所示。模型建模集和驗證集R2均在0.80及以上，這表明，除了對光譜進行預處理和特征篩選之外，還可以通過添加偽樣本參與建模提升模型的估測精度。

3討論

本研究通過對SOM含量進行區間劃分發現，當SOM含量在17.74～44.31g/kg時，在350～1750nm波段范圍內，光譜反射率與SOM含量呈現負相關，這與胡飛等[22]的研究結果一致。而在5.74～17.74g/kg時，光譜反射率與SOM含量呈現正相關，原因可能是當SOM含量占比較低時，無法作為土壤反射率變化的主導參數，光譜反射率受其他土壤理化參數影響較大[23]。

試驗組合不同的光譜處理，旨在降低光譜反射率中的噪聲干擾，突出光譜特征差異，增強反射率與SOM之間的相關性，結果證明，采用光譜增強或是數學變換，或者將兩者相結合，都可以給模型的估測精度帶來顯著提升，這與Xie等[24]研究結論相同。

研究基于GAN來擴充建模集，結果發現，隨著偽樣本數量的增加，模型精度呈現先升后降的趨勢，原因可能是偽樣本中存在不確定性的噪聲，導致自變量（反射率）對因變量（SOM含量）的解釋能力被稀釋，過度擬合了偽樣本中一些不穩定的細節，從而使模型的精度降低。建模過程中，BPNN的模型精度逐漸優于其他模型，原因可能是樣本數量的增加放大了潛在的特征關系，數據的質量和多樣性直接影響到模型的性能，而BPNN本身就需要大量的數據進行訓練才能獲得更好的泛化能力。因此，隨著建模樣本數量的提升，BPNN開始逐漸發揮其優勢。GAN作為一種深度學習算法，對訓練樣本數量要求較低[25]。Jiang等[26]采集了42份青藏高原退化高寒草甸土壤，通過使用GAN和EMSA（extendedmultiplicativesignalaugmentation）兩種模型生成數據，結合卷積神經網絡（convolutionalneuralnetwork，CNN）構建了SOM估測模型。研究得出，GAN可以生成與真實數據非常相似的數據，并且具有更好的多樣性，對模型性能的提升也高于EMSA。隨著偽樣本的增加，模型性能先升后降，這與本研究結論一致。同時，也進一步驗證了借助GAN模型來提升SOM估測精度的可行性。

本研究為山區煙田SOM含量的精準估測提供一種新思路，但仍存在一些不足。首先，對比整數階微分，分數階微分能夠挖掘數據的細節，更充分地利用高光譜信息[27-28]；因此，對光譜處理技術帶來的提升仍需要進一步驗證。其次，本研究雖采用PCC篩選出敏感特征波段，但仍未解決變量之間可能存在的共線性問題。最后，近年來GAN在生成領域取得了顯著的成果，許多研究提出了改進的算法和技術，對于結合新技術來提高光譜樣本的生成質量，還需要進一步研究。

4結論

本研究使用高光譜遙感結合機器學習算法，對湖北煙田的SOM含量進行了估測。結果表明：

（1）反射率經過SNV組合LRFD處理后相關系數絕對值最高為0.66，對比原始反射率最大提升120.00%，隨后經過PCC篩選出顯著性波段后，BPNN模型的預測精度最高，R2、RPD和RMSE分別為0.73、1.91和3.70，對比全波段的最優模型R2提升了4.29%。

（2）經過25000輪訓練后的GAN能生成具有真實樣本特征的偽樣本，其反射率與SOM含量之間也具備真實樣本的變化規律，可以實現對樣本集的擴充，并參與到后續建模中提升模型精度。

（3）通過GAN生成原始建模集樣本數量150%（98個）的偽樣本來擴充樣本集，并結合MSC和PCC篩選敏感波段后，BPNN模型的預測精度最高，R2、RPD和RMSE分別為0.80、2.22和3.18，對比原始樣本的最優模型R2提升了9.59%。因此，基于GAN的BPNN模型是煙田土壤有機質含量的最優估測模型。