基于遗传算法优化BP神经网络的数字图像土壤含水量反演研究

摘要：

快速准确地测量土壤含水量在农业、水文、生态等领域的应用至关重要,数字图像技术测量土壤含水量因其具有廉价、快速和不破坏土体的优势成为研究的热点.基于手机相机获取的数字图像,提取了R、G、B、H、S、V和DN 7种图像特征参数,并利用与土壤含水量相关性较大的图像特征参数R、V和DN构建了BP神经网络和遗传算法优化的BP神经网络土壤含水量反演模型,来获取高精度的土壤含水量数值.结果显示:将BP神经网络和遗传算法用于数字图像技术,均可提高数字图像技术测量土壤含水量的精度,其中BP神经网络土壤含水量反演模型的决定系数(R2)可达到0.940～0.972,均方根误差(RMSE)为0.936％～1.694％;遗传算法优化的BP神经网络土壤含水量反演模型的R2可达到0.976～0.993,RMSE为0.559％～0.878％,遗传算法优化的BP神经网络模型用于数字图像技术反演土壤含水量的R2更接近1,RMSE更小,精度更高.同类型研究中提出的多元线性模型的R2介于0.60和0.96,RMSE介于1.11％和7.00％,与其相比,研究模型的预测精度和稳定性更高,这些结果展示了BP神经网络和遗传算法在数字图像技术测土壤含水量的应用优势.此外,研究表明手机相机获取的数字图像经过处理后可用于室内条件下预测表层土壤含水量,后续研究还需在室外深层土壤中展开,以扩展研究模型的适用性.

关键词：BP神经网络优化、遗传算法、数字图像、土壤含水量、反演模型、手机相机、图像特征参数

分类号：S273;TV93(农田水利)

资助基金：遥感科学国家重点实验室开放基金;山西省水利科学技术研究与推广项目

在线出版日期：2023-01-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：74-80,91