基于深度学习与近红外光谱的土壤质地分类模型研究

作者：魏锦山; 陈争光^*

来源：现代农业研究, 2023, 29(01): 8-13.

DOI：10.19704/j.cnki.xdnyyj.2023.01.024

• 近红外光谱
• 卷积神经网络
• 长短时记忆网络
• 注意力机制
• 土壤分类

为提高土壤质地分类模型的准确率，本研究采用欧盟统计局的土壤近红外光谱数据来训练模型，实现砂土、壤土、黏壤土和黏土的快速区分。将17939个样本按6:2:2的比例随机划分为训练集、验证集和测试集，建立卷积神经网络（CNN）和长短时记忆网络（LSTM）分类模型。为避免模型梯度消失，采用ReLU、批标准化（Batch Normalization,BN）、Dropout等方法。并采用早停法（Early Stopping）训练网络，防止模型过拟合。本文探讨了网络层数、网络类型（CNN和LSTM）、注意力机制对分类效果的影响规律。实验结果：模型的总体分类准确率随网络层数的增加而提高，4层CNN模型准确率达到76.58%,4层LSTM模型准确率达到77.86%，两类模型均能有效地对土壤质地进行分类。融入SENet注意力模块后，模型可重新分配权重，更有效地对光谱内部特征进行自动提取，得到更高且稳定的分类准确率，CNN＿4＿Attention模型准确率达到77.50%,LSTM＿4＿Attention模型准确率达到78.39%。

• 单位
  黑龙江八一农垦大学