论文部分内容阅读
土壤是一种复杂的物质,质地、酸碱度(pH值)和体积含水量(VWC,Volume Water Content)的不同,土壤所扮演的生活角色不同。对于适合耕种的农田土而言,合适的种植条件才能够保证作物的健康生长,因此需要对土壤的蓄水能力特征和酸碱度特征进行提取和监控。土壤特征参数提取存在样本数据采集量大,采集成本高,数据和参数之间的映射关系不明显等缺点,如何高效的获取土壤特征参数,一直是研究学者面临的难题。为了解决上述难题,本文使用具备采样频率高、穿透性强、功耗小等优点的超宽带(UWB,Ultra Wide Band)雷达作为土壤数据采集工具,使用具备强大非线性数据处理能力的机器学习作为描述土壤数据和特征映射关系的智能算法,提出三种土壤含水量和pH值特征参数的智能化提取方法,将三种方法概述为如下1~3点内容:1.为了分析土壤回波的时域特征与土壤特征参数之间的关系,将传统信号分析技术和机器学习算法结合,提出一种基于时域特征的SA-SVM土壤特征分类模型,实现特征参数的智能化分类。该方法以22种土壤UWB回波的均值、方差、均方根、峰值、波形因子、峰值因子、峭度和偏度8种时域特征为讨论点,在原有机器学习算法支持向量机(SVM,Support Vector Machine)的基础上引入模拟退火(SA,Simulated Annealing)算法进行特征选择,构造一种SA-SVM模型用于对不同土壤特征参数的回波进行分类。实验结果表明,在峰值因子、峭度和偏度特征组合下,回波总分类准确率最高。2.为了对比机器学习和深度学习在土壤特征提取方面的性能优劣,将传统信号分析技术和深度学习算法结合,提出一种基于EMD的LSTM土壤特征分类模型,建立分量与特征参数的联系,实现特征参数的智能化分类。该方法对22种土壤UWB回波做经验模态分解(EMD,Empirical Mode Decomposition),得到土壤回波的固有模态函数(IMF,Intrinsic Mode Function),使用长短期记忆网络(LSTM,Long Short Term Memory)分别对不同的IMF进行训练,得到分类的不同模型。实验结果表明,使用前两个IMF作为训练数据,总分类准确率较高,同时也表明EMD-LSTM模型的分类效果优于SA-SVM模型。3.为了更精准地提取土壤特征,尝试将土壤特征的分类问题转化成回归问题,提出一种基于PCA-GB模型的土壤特征预测算法,预测土壤的VWC和pH,实现对土壤特征参数的精准识别。该模型使用主成分分析方法(PCA,Principal Components Analysis)对22种土壤UWB回波进行降维处理,维度分别为50维、100维、150维、200维和250维。然后利用网格搜索的方法找寻梯度提升(GB,Gradient Boosting)模型(包括GBDT、XGBoost和LightGBM)在不同回波维度下的最优参数,进而对降维后的回波训练,得到最优模型之后进行预测。最终发现在回波维度为50维条件下,预测pH值时,XGBoost的均方根误差最小,而预测VWC时,LightGBM均方根误差最小。本文将传统信号分析技术和机器学习结合起来,提出了两种土壤特征分类模型和一种土壤特征预测算法,以解决土壤特征参数智能化提取这一难题。这三种方法能够在不破坏土壤结构的情况下,利用土壤UWB回波实现对土壤含水量和pH值两种参数的分类和识别,为实现土壤智能化监控提供技术保障。