基于BP神经网络的不同人为干扰强度下盐渍土SO24定量分析

摘要

cqvip:SO^2-4是盐渍土阴离子中的主要离子,但目前针对不同人为干扰区域土壤中SO^2-4反演研究却鲜有报道。土壤高光谱与土壤某元素间的关系表现为非线性,传统线性偏最小二乘模型(PLSR)对土壤元素的反演精度有限。本文以新疆昌吉回族自治州境内不同人为干扰区域的盐渍化土壤为研究对象,以土壤的野外高光谱和SO24含量为数据源,对原始(R)和对数(LogR)变换后的高光谱分别进行0阶、一阶和二阶微分预处理,选择通过0.05显著性水平的波段为敏感波段,将敏感波段对应的高光谱反射率作为非线性BP神经网络模型的输入变量,并设定BP的隐藏节点为300,学习速率为0.01,最大迭代次数为1000,训练函数为trainscg。从SO24的真实值与预测值的散点图、拟合效果图和BP训练过程3个方面,定量分析无人为干扰(A区)和有人为干扰(B区)土壤SO24含量,并与PLSR对比预测精度。仿真显示,A区二阶微分后的BP预测精度优于一阶微分,而B区一阶微分后的BP预测精度优于二阶微分。且不论在A区还是B区,LogR光谱变换的反演精度均优于R。最佳BP模型的相对预测性能(RPD)、决定系数(R^2)、均方根误差(RMSE)和迭代次数,在A区分别为3.309、0.906、0.253和8次,在B区分别为2.234、0.844、0.786和45次,表明BP对A区SO24的预测能力非常强(RPD>2.5),对B区SO24的预测能力较强(RPD为2.0~2.5)。而在A区和B区两种光谱变换的一阶和二阶微分中,PLSR的RPD值均在1.4与1.8之间,其预测性能一般;在B区的0阶微分中,PLSR的RPD值均小于1.0,其不能对SO24进行预测。因此,BP模型能对不同人为干扰区域的SO^2-4进行有效的定量分析。