改进时间卷积网络的红壤有机质高光谱预测模型

作者：邓昀; 牛照文; 冯琦尧; 王宇^*

来源：光谱学与光谱分析, 2023, 43(09): 2942-2951.

• 土壤
• 高光谱
• 有机质
• 自注意力机制
• 时间卷积网络

针对现有卷积神经网络土壤有机质(SOM)预测模型用在小样本数据集存在建模效果差，预测精度不够高等问题，为更加精准预测土壤SOM含量，以广西国有黄冕林场和国有雅长林场采集的206个土壤样品为研究对象，提出了一种改进时间卷积网络(SATCN)的红壤有机质高光谱预测模型。对土壤样品进行Savitaky-Golay(SG)平滑以及一阶微分(1DR)、二阶微分(2DR)、标准正态变量(SNV)和多元散射校正(MSC)四种变换，对比分析长短记忆网络(LSTM)、偏最小二乘回归(PLSR)和支持向量机(SVM)在不同光谱预处理下的建模效果，结果表明，采用SG处理后的光谱一阶微分预处理方法，建模效果最好；在时间卷积网络(TCN)架构上，采用浅层网络结构，在TCN残差结构中加入自注意力层，提高模型特征学习能力；每个卷积核权重加入L2正则化，防止过拟合；选取一阶微分作为光谱预处理，建立ResNet-13、 VGGNet-7、时间卷积网络(TCN)和改进时间卷积网络(SATCN)四种模型，对比分析四种模型建模效果，以及SATCN模型在不同网络深度下模型建模效果。结果表明，在一阶微分光谱预处理的情况下，浅层SATCN模型建模效果优于深层模型；SATCN模型中的自注意力残差结构，不仅能够强化光谱序列重要特征，模型特征学习能力和预测精度也有显著提高。相比于CNN、 TCN等建模方法，提出的SATCN模型建模效果最好，拥有更高的精确度和极好的模型估测能力，验证集的决定系数(R2)为0.943,均方根误差(RMSE)为3.042 g·kg-1,相对分析误差(RPD)为4.273。综上所述，SOM含量的最佳预测模型是采用SG平滑后一阶微分光谱预处理基础上建立的SATCN预测模型，对广西林地土壤有机质含量进行更加了精准预测。

• 出版日期2023
• 单位桂林理工大学