基于CNN-RF模型的广州地区土壤质地识别方法

作者：冯文康; 梁忠伟; 刘晓初; 谢鑫成; 赵传; 萧金瑞

来源：节水灌溉, 2022, 1-15.

• 土壤质地
• 特征提取
• 卷积神经网络
• 图像识别
• 模型评估

不同土壤质地直接影响土壤水分渗透程度和农作物养分吸收，进而影响农作物的产量及质量，针对土壤质地难以开展高效、精准识别等问题，本文基于卷积神经网络-随机森林（CNN-RF）模型算法用于实现土壤质地高效、精准识别。首先用比重法测定土壤样本中砂粒、粉粒和粘粒的百分比，然后采用自主研制的便携图像采集装置，对广州地区的土壤进行1000个样本采集并对土壤研磨、筛选、拍摄，建立土壤样本质地和图像的数据库，提取图像中的颜色特征和纹理特征，利用CNN-RF模型并结合3种组合（颜色、纹理、颜色+纹理）方法对土壤样本中的粘粒、粉粒和砂粒百分含量进行回归预测。采用平均绝对误差（MAE）、均方根误差（RMSE）和判定系数（R~(2)）进行模型回归性能评估。从混淆矩阵进行模型分类结果可知，预测砂粒的MAE、RMSE、R~(2 )值分别为3.37、3.71和0.99；粉粒的MAE、RMSE、R~(2)值分别为3.48、3.79和0.98；粘粒的MAE、RMSE和R~(2)值分别为3.38，3.76，0.99。与RF、KNN、VGG6-RF模型相比，这种CNN-RF模型得到的MAE值和RMSE值较小，R~(2)接近于1，其准确度为99.43%，因而性能更优。该方法具有简单、易用、快速、可靠和准确等优点，对岭南丘陵耕地土壤的优化管理和可持续利用具有重要意义。

• 单位
  广州大学; 广东工业大学