基于深度学习的土壤有机质遥感分析

摘要

深度学习的特点是数据特征提取能力强。在土壤有机质含量与光谱反射率呈负相关的情况下，将该方法应用于可见光和近红外光谱预测土壤有机质含量具有独特的优势。本研究利用江西省凤新县248个红壤样品的SOM含量数据和400-2450 nm的光谱反射率数据，实现了3个目标。首先，利用多层感知器和两种卷积神经网络(LeNet5和DenseNet10)基于光谱变化和变量选择预测SOM含量，并与传统的反向传播神经网络(BPN)预测结果进行比较。其次，将四种方法应用于全谱建模，检验所选特征变量的差异。最后，在没有任何光谱变化的情况下，利用光谱反射率数据评价了直接建模的潜力。预测精度结果表明，深度学习在预测SOM含量方面优于传统的BPN。基于全谱数据，深度学习能够获得更多的特征信息，从而获得比变量选择得到的更好、更稳定的结果(即平均准确率相近，标准差远低)。DenseNet取得了最好的预测结果，其决定系数为(R²) = 0.892±0.004,RPD = 3.053±0.056。基于DenseNet，光谱反射率数据的应用(无光谱变化)产生了应用级目的的稳健结果(验证)R²= 0.853±0.007和验证RPD = 2.639±0.056)。综上所述，深度学习为利用可见光和近红外光谱预测SOM含量提供了一种有效的方法，而DenseNet在减少数据预处理量方面是一种有前景的方法。

1.介绍

土壤有机质(SOM)含量是衡量土壤肥力的关键指标，对土壤理化性质和土壤质量有重要影响;因此，科学施肥必须考虑土壤SOM含量。可见光(VIS, 400-780 nm)和近红外(NIR, 780-2526 nm)光谱是一种方便、高效、快速、廉价的SOM监测技术[1]，因为土壤光谱反射率与SOM含量呈负相关，SOM含量可由实测的土壤反射光谱得到[2，3.］．

许多研究已经提出并测试了各种光谱数据建模技术，包括线性回归(LR)、偏最小二乘回归(PLSR)、反向传播(BP)神经网络(BPN)和支持向量机(SVM)。Xie et al. [4]利用PLSR、BPN、SVM和基于径向基函数(RBF)神经网络的组合模型在全光谱(450-2450 nm)上预测山地红壤有机质含量;他们发现，基于rbf的组合模型以性能与偏差的比率(RPD = 2.06)给出了最佳结果，其次是SVM (RPD = 1.67)。Ye等人[5]发现，与LR相比，BPN在基于高光谱数据的SOM含量预测方面效果更好。在其他研究中，Shi等人[6利用PLSR对中国VIS-NIR光谱库的SOM含量进行预测。

通过主成分分析对数据进行预处理，Zeng等[7发现SVM对SOM含量的预测效果最好(RPD = 2.28)。此外，Ji等人[8]，采用441个土壤样品(400 ~ 2450 nm)预测SOM含量，其中SVM的RPD = 2.16, PLSR-BP的RPD = 2.36。PLSR、BPN、SVM等模型的反演精度普遍高于最常用的建模技术LR [5］．Chen等[9]使用BPN更新从随机森林生成的重要变量，以提供变量选择策略。根据以往的研究，目前的预测SOM含量的方法是通过VIS-NIR光谱找到特征光谱，然后建立预测模型[9- - - - - -14］．这些研究大多集中在土壤光谱数据的预处理和有用特征光谱的筛选上。然而，我们仍然需要一种高性能的建模技术来简化光谱数据的预处理需求，这也是确保准确预测的关键。

近年来，深度学习发展迅速。这种方法允许一个由多个处理层组成的计算模型来学习具有多级抽象的数据表示[15］．通过对深度非线性网络结构的学习，利用BP算法实现了复杂函数的逼近。得到的结果表明，深度学习机器应该如何改变其内部参数来发现更大数据集的复杂结构，展示了从更小的样本集学习数据集基本特征的强大能力[16］．

最近，Chen等人[17]提出了一种利用多层感知器(MLP)结构的深度学习方法来预测土壤有机碳含量。此外，卷积神经网络(CNN)已经被应用到图像识别的研究中。CNN利用卷积和池化操作逐层提取数据的抽象特征图，从而学习光谱数据中的结构特征及其本质关系[18］．这样就可以将光谱曲线视为一个波长× 1的灰度图像，在更深的网络中使用相同填充技术进行卷积运算。因此，直接利用原始或转换后的光谱数据进行SOM反演是可行的。随着计算能力的提高和深度学习的快速发展，探索深度学习如何应用于从VIS-NIR波长预测SOM含量变得越来越有必要。

为此，本研究采用三种深度学习模型对SOM含量进行估计，并与传统的BPN模型进行精度比较。由于深度学习可以学习数据集的基本特征，我们也比较了基于全谱和选定特征谱的结果。此外，利用最优模型拟合光谱反射率数据，并测试某些数据预处理步骤是否可以删除。

2.材料和方法

2．1．研究区域、采样和数据收集

研究区位于中国江西省凤新县中部，具有典型的红壤特征。土壤样本是从整个地区的花园、林地和稻田中采集的。具体采用1 km × 1 km网格选取采样点，考虑采样点的地形、植被覆盖和土地利用类型。从每个网格中收集并使用一个样本;对于地理位置复杂的地区，每个网格使用更多的采样点，以确保充分的数据表示。数字1显示了248个土壤样品的空间分布。每个复合样品采用四点混合法获得:稻田取样深度为0-20 cm，园林和林地取样深度为0-30 cm。所有的样品都在实验室里风干。

清除碎屑后，将土壤样品接地并通过2mm筛。然后将每个样品分为两部分，分别进行土壤光谱和SOM分析。SOM用重铬酸钾溶液测定[19]，使用FieldSpec4光谱仪(ASD Inc.， Cambridge, United Kingdom)测量样品的光谱反射率。FieldSpec4光谱仪的光谱采集范围为350-2500 nm，光谱采样间隔为1.4 nm (350-1000 nm)和2 nm (1001-2500 nm)，重采样间隔为1 nm。共生成2151个波长变量用于SOM含量预测。土壤样本被放置在一个直径6厘米、深2厘米的黑色样品皿中，填满到边缘，表面用尺子压平。MugLite装置自带的内置光源用于测量;它被放置在仪器顶部的槽中样品盘的上方。在采集每个样品的数据之前，对仪器进行暗电流和标准白板校准。每个样本采集5个光谱数据，取其算术平均值作为该样本的光谱曲线，以减少测量误差。

2．2.数据预处理

由于直接环境和仪器本身的影响一起在测量光谱的边缘带产生了大量的噪声，跨越350-399 nm和2451-2500 nm的波长被去除。采用小波变换降低测量过程中产生的噪声:采用Daubechies6小波进行三层分解，采用软阈值法对高频系数进行细化[2，20.，21］．为了降低数据维数和冗余度，通过10 nm间隔重采样加速训练过程，其结果与原始数据相似。数字2对预处理后的红壤光谱曲线进行了分析，将土壤有机质含量分为<15、15 - 25、25-35、35-45、45-55和>55 g/kg 6组，并取其光谱平均值。显然，在900 nm左右样品中存在明显的氧化铁吸收谷，在1400、1900、2200 nm处存在明显的吸水谷[22］．

根据Hong等人的研究[12， Zhang等[23， Xu等[24]，采用分数阶导数(FOD)算法作为数学方法对得到的反射光谱进行分析。这允许在整数导数之间进行插值，从而从光谱信号中提取更多的特殊细节。本文采用Grünwald-Letnikov方法对光谱数据进行1.5阶导数变换，得到203个波段变量。这个Grünwald-Letnikov过程如公式(1),是订单，Γ(x)是函数，并且n为导数的上下限之差:

变换后的光谱数据与SOM含量之间的Pearson相关系数如图所示3(一个)．总共，67个变量(620-650,670,730-840,970,980,1220,1270-1390,1420,1430,1530,1580-1620,1720-1770,1850-1940,1990-2030,2230，和2290-2310 nm)有r²值> 0.4和值< 0.01(图3 (b))进行进一步分析，并去除900 nm左右的氧化铁影响波长。

基于Xie等人的研究[4和Ji等[8，然后使用ArcGIS 10.5 (ESRI Inc.， Redlands, USA)的地统计学模块，以3:1的比例生成186个训练样本和62个验证样本。这些训练和验证样本的空间分布如图所示1．

2．3.模型架构

MLP是一种前向结构的人工神经网络，由多层神经元及其连接组成。除了输入节点外，每个节点都具有非线性激活功能的神经元(或处理单元)[25］．本文采用BP算法对MLP进行训练。数字4描述了使用的8层深度MLP体系结构，它有7个隐藏层。

CNN的典型架构是LeNet5 [26，其中卷积层、池化层与全连接层交替进行。是哈利[27，实现了LeNet5架构的2D和3D可视化，展示了典型CNN架构的规模和复杂性(http://www.cs.cmu.edu/∼aharley / vis /）.

DenseNet [28]是一种连接紧密的CNN，借鉴了ResNet的捷径思想[29］．在这样一个网络中,任意两个层之间有着直接的联系,因为网络的每一层的输入是输出的结合各层之前,由给定层和特征映射学习它背后也直接传播给所有层和使用作为输入。数字5展示了一个包含三个密集块的DenseNet架构的图表，主要由两个组件组成，一个密集块和一个过渡层。密集连接有许多明显的优势，因为每个模块使用来自模块前面所有层的可用信息，并且每层与前一层都有密集连接。这种连接可以加强梯度的转移，增强特征重用，减少小样本数据集的过拟合[30.］．

3.深度学习的建议

3．1.激活函数

诚然，在深度神经网络的BP过程中会出现一些问题，如梯度消失、训练缓慢等。然而，通过调节活化函数和优化器，可以优化工艺。神经网络中的每个神经元节点首先接受上一个神经元的输出值作为该神经元的输入值，并将该输入值传递给下一个神经元。输入神经元节点将直接将输入属性值传递给下一个神经元。在多层神经网络中，上层节点的输出与下层节点的输入之间存在一种函数关系，称为激活函数。在这方面，传统的MLP使用s型函数(2),F (x)是一个非线性函数)，使MLP的BP过程将函数的偏导数逐层相乘，s形导数的区间为0 ~ 0.25。因此，当MLP的层数较深时，其梯度会消失;这就产生了一个问题，即在大规模的深度网络中，功率操作会增加训练时间[31]：

在LeNet5卷积中，tanh激活函数(3.),F (x)是一个非线性函数)，它也遇到了与s形函数相同的问题。但是，它们之间的区别在于tanh的导数范围是0到1;因此，在实际应用中，tanh函数比sigmoid函数配置得更好[32]：

整流线性单元(ReLU)具有易于优化的优点。根据公式(4)时，定义域的一半输出为零，而ReLU的二阶导数几乎处处为零，修正后的线性元在有源状态时的一阶导数为1。因此，当仿射变换的参数初始化时，b可设为小正值，如0.1;这使得线性整流单元有可能在开始时激活训练集中的大部分输入，使导数通过[31］．ReLU是目前深度学习应用中使用最广泛的激活函数[33]：

３．２．避免过度拟合模型

泛化能力是模型对验证样本的适应性，是评价给定模型整体性能的重要指标[34］．以BPN为例，它经常会出现过拟合的现象，即模型使用训练数据时表现良好，但使用验证数据时表现较差。深度学习具有很强的数据拟合能力;因此，还需要一些稳健的方法来防止过拟合，并建立具有良好泛化能力的模型。

在这方面，最常用的避免过拟合的方法是L2正则化。直接从原始损失函数中加入加权参数的平方和，如式(5),l是损失,E_在训练样本误差是否没有正则化项，和λ为可调正则化参数:

包含超参数dropout可以忽略每个训练批中一半的特征检测器(当dropout设置为0.5时)，即让一半的隐层节点值为0，以降低特征检测器(隐层节点)之间的相互相关性。当网络向前传播时，单个神经元的激活值可以以一定的概率停止。但是，由于整个网络不太依赖某些局部特征，可以显著减少模型过拟合[35］．

早期停止也是一种用于防止过拟合的技术。在深度神经网络中，过拟合问题的风险更大。因此，在训练迭代过程中，在生成模型的同时，使用验证集对模型进行评估。保存每次训练迭代输出的性能。如果在一定的迭代次数内没有较好的结果，则终止训练，将较好的加权参数作为输出[36］．

3．3．模型实验

这是在一台装有英特尔酷睿i9 7920X CPU和64gb内存的台式电脑上进行的。它的操作系统是Windows 10，两个11 GB内存的GeForce 1080TI gpu为模型训练和验证提供加速。带有Tensorflow后台的Keras框架支持所有神经网络模型的实现。Keras是一个简单易用的神经网络库，提供了构建相对复杂模型所需的大部分构建模块[37］．

在所有的实验中，那达旦优化器[38]用于加速训练过程，并将批量大小设置为32。BPN由输入层、隐层和输出层组成，其中输入层有203个神经元，单个隐层有400个神经元，激活函数为s形，学习率为0.001。MLP基于图中所示的体系结构3.，辍学率设置为0.3，其学习率为0.00001。LeNet5结构将输出神经元的激活函数改为sigmoid函数作为预测值，输出神经元进行L2正则化以减少过拟合;退出率设为0.3，学习率设为0.001。DenseNet还将输出神经元的激活函数改为sigmoid函数进行回归，但去掉了架构中所有的批处理归一化操作，调整池化层的核大小以适应输入数据;退出率设为0.5，学习率设为0.001。

SOM含量数据被归一化，以加快训练过程。采用均方根误差(RMSE)作为训练过程中的损失函数，对所有神经网络模型进行测试。行列式系数(R²)、RMSE和RPD对模型进行优化评价。RPD值在1.5 ~ 2之间表示模型可以达到粗略估计，2.0 ~ 2.5表示模型具有中等的预测能力，2.5 ~ 3表示模型具有良好的预测能力，大于3表示模型具有良好的预测能力[39］．为了防止过拟合，所有的神经网络模型都采用了上述的“早期停止”方法。指标显示形式采用退出前最后一个P(根据早期停止设置，P代表迭代的耐心)模型的平均指数加标准差。

4.结果与讨论

4．1.不同模型的处理过程

数字6(一)展示了BPN、MLP、LeNet5和DenseNet10模型对203个变量的逼近过程。其对应的评价曲线表明，每个模型的训练和验证损失函数都很小，说明都具有较好的泛化能力。整个训练过程表明，使用dropout和L2正则化可以有效抑制过拟合现象;给定模型在训练后期的预测精度是稳定的，使用早期退出技术可以准确计算其预测结果。BPN采用sigmoid激活函数，LeNet5采用tanh激活函数。MLP与使用ReLU激活函数的DenseNet10相比，使用ReLU激活函数模型的训练过程更平滑，更有效地拟合训练数据。

数字6 (b)展示了将BPN、MLP、LeNet5和DenseNet10应用于67个选定变量的训练和方法过程。对于MLP、LeNet5和DenseNet10，验证曲线的幅值比203个变量更显著。对于MLP来说，如果不采用dropout方法，随着输入的减少，它很容易发生过拟合，但随机选择的dropout会忽略隐藏层节点。对于每个批处理训练过程，由于每个隐层节点被随机忽略，所以每个epoch的网络有所不同。美国有线电视新闻网(CNN)也出现了“退出效应”。此外，信息的减少减少了接受域(即输入空间中与CNN的特定特征相对应的区域);因此，更少的神经元可能会失去某些特征。我们的结果表明，数据量越少，每个epoch之间的精度差异越大，验证集的每个epoch之间的差距越大，标准差越大。这些结果表明全谱更适合深度学习。

4．2．不同模型的预测精度

表格1总结了MLP、CNN和BPN模型的预测精度结果。验证集样本的准确性是衡量给定模型性能的最重要指标。在203个变量中，DenseNet10的决定系数最大(R²= 0.892±0.004)，均方根误差最小(RMSE = 4.933±0.091)，性能偏差比最高(RPD = 3.053±0.056)。MLP的预测精度与DenseNet10的预测精度没有差异。LeNet5的RPD在2.8左右，而BPN的RPD低于2.5。DenseNet10增加了R²与BPN相比，RMSE降低了~ 1.18,RPD增加了~ 0.59。传统的建模方法BPN与具有全谱数据的深度学习模型相比，在验证精度上有一定的差距。

MLP需要BPN的结构演变。203个波段的结果表明，MLP具有较强的数据拟合能力，因为其具有多层隐藏层的人工神经网络具有良好的特征学习能力，学习的特征对数据表征至关重要。浅层结构算法的缺点是，在样本和计算单元有限的情况下，它们表示复杂函数的能力有限，阻碍了复杂问题的泛化能力。

DenseNet10的参数数(43,273)远低于LeNet5的参数数(108,941)。CNN的先进架构在参数较少的情况下，在预测精度上有了绝对的提高。在对更深层次网络的DenseNet40和DenseNet121架构进行测试后，结果没有改善，这意味着应该调用奥卡姆剃刀定律。八层MLP在预测精度上与-à-vis DenseNet10略有差距。MLP采用全连接方式，其参数总数为1,044401，远高于DenseNet10，说明DenseNet在精简建模方面具有明显优势。

表格1并给出了不同模型对所选特征变量的预测精度结果。在MLP、LeNet5和DenseNet10中，使用的67和203个变量之间的总体准确性结果没有本质上的差异。然而，由于BPN的结构较浅，它可以更好地调整到选定的特征变量。对于MLP，较少的波段会很快导致梯度消失问题，导致模型精度降低。对于BPN和MLP，使用较少的变量，R²训练集的值低于验证集的值。相比之下，CNN具有较好的泛化能力，频带较少。综上所述，在不筛选敏感变量的情况下，深度学习可以达到相同的预测精度，更适合使用特征变量拟合全谱的SOM数据。

4．3．没有任何光谱变化的预测

在数据预处理过程中，FOD可以有效提高土壤光谱反射率与SOM含量的相关性，使全光谱数据更适合于分析建模。然而，残友算法是一种耗时的算法，不利于实时监控。表格2总结了基于原始反射率数据采用不同深度DenseNet拟合模型的预测精度结果。在不同深度，DenseNet19给出了最好的结果与验证集，与R²= 0。853±0.007,RMSE = 5.722±0.124,2.639±0.056和RPD =;但是，这比转换光谱数据得到的结果要差。因此，尽管深度学习具有鲁棒的数据挖掘能力，但其预测结果仍然基于数据学习。为了提高预测精度，需要对光谱数据进行转换，提高SOM含量与光谱数据的相关性。然而，DenseNet的结果在实际用途上被认为是可以接受的。

我们对DenseNet19的结果有一个改进的RPD，比SVM的RPD大0.97，比Xie等人报道的RBF组合模型多0.58。[4利用光谱反射率数据预测山地红壤有机质含量。此外，DenseNet19的RPD超过Ji等人得到的SVM (RPD = 2.16)和PLSR-BP (RPD = 2.36) [8他在全光谱(450-2450 nm)上应用了训练模型。这些发现表明，DenseNet是一个强大的数据特征提取工具。

由于光谱活度的重叠吸收特征，土壤的VIS-NIR光谱具有多线性、广泛性和非特异性，这可能会削弱SOM估计的模型性能。深度学习算法体现了强大的数据特征提取能力，可以排除异常数据，发现数据集中隐藏的模式，尤其可以解决非线性问题，模型精度高。然而，在模型构建过程中，在DenseNet中训练原始反射率时经常出现局部最优问题，在深度MLP中梯度趋于消失，超参数设置和模型结构优化耗费时间。虽然该建模过程复杂耗时，但模型建立后其预测结果的准确性普遍较高。基于光谱反射率数据的预测具有鲁棒的预测精度，可以有效地减少数据预处理的工作量和时间，提高实时监测的效率。

5.结论

在本研究中，我们研究了深度学习框架算法，以预测SOM含量的VIS-NIR光谱。基于FOD(1.5)光谱变化，我们将BPN、MLP和CNN(包括LeNet5和DenseNet10)与全光谱数据(203个变量)和67个与SOM含量高度相关的变量子集(r²值> 0.4)。结果表明，包括MLP和CNN在内的深度学习方法可以用于从visnir土壤光谱中预测SOM含量，每种方法都表现出了最先进的性能。因此，这些方法更适合于拟合全谱数据，在全谱数据中，信息越多，结果越稳定，其平均精度与用选定变量得到的结果相似，但标准差要低得多。

多层人工神经网络模型具有较强的特征学习能力，通过深度学习模型获得的特征数据能够捕捉到原始土壤数据更本质的表征。CNN作为一种高性能的深度学习模型，可以从复杂的光谱数据中提取有效的特征结构进行学习，表现出比传统的浅学习模型更强的模型表达能力。此外，CNN通过其局部连接和权值共享的网络结构，减少了SOM预测所需的参数数量，提高了模型的泛化能力。

总的来说，DenseNet体系结构以更少的计算参数提供了最佳的预测精度。该方法无需对土壤光谱数据进行FOD(1.5)转换，也能实现较高的精度。由于DenseNet减少了变量选择和光谱变化的数据预处理，适合于实时监测。因此，我们认为，DenseNet是一种很有前途的方法来预测SOM含量的VIS-NIR光谱。该方法也可广泛应用于其他类似的光谱应用。

数据可用性

用于支持本研究发现的数据可由通讯作者要求提供。

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

本研究由国家自然科学基金项目(no . 41361049)资助。

参考文献

1. C. R. Lobsey, R. A. Viscarra Rossel, P. Roudier，和C. B. Hedley，“rs-localdata-从光谱库中挖掘信息以改进本地校准，”土壤学报第68卷第2期6，页840-852,2017。视图:出版商的网站|谷歌学者
2. z史,土壤表层高光谱遥感原理与方法，科学出版社，北京，2014。
3. W.-J。纪振石，周琦，吕青。“土壤中有机质的可见光-近红外光谱分析”，红外与毫米波学报第31卷第1期3，页277-282,2012。视图:出版商的网站|谷歌学者
4. 谢文，赵新民，郭兴，叶玉春，孙晓霞，匡立辉，“基于RBF组合模型的山地红壤有机质含量光谱估算”，土壤学报，29(4):429 - 434。Scientia Silvae Sinicae第54卷第5期第6页，第16-23页，2018。视图:谷歌学者
5. “基于高光谱数据的土壤有机质含量反演模型比较研究”，国家自然科学基金面上项目，农业机械学报，第48卷，第48期3，页169-177,2017。视图:谷歌学者
6. “基于空间约束的局部偏最小二乘回归和中国近红外光谱库的土壤有机质预测研究”，国家自然科学基金面上项目，土壤学报第66期4, pp. 679-687, 2015。视图:出版商的网站|谷歌学者
7. “基于红外光声光谱和支持向量机模型的土壤有机质含量的定量分析”，Pedologica学报第51卷第1期6, pp. 1262-1269, 2014。视图:谷歌学者
8. “基于可见光-近红外光谱的土壤有机质数据挖掘算法研究”，光谱学与光谱分析，第32卷，第2期9, pp. 2393-2398, 2012。视图:谷歌学者
9. 陈海，刘旭东，贾志强，“基于随机森林和反向传播网络的光谱定标变量选择策略，”化学计量学和智能实验室系统，第182卷，第101-108页，2018。视图:出版商的网站|谷歌学者
10. 洪勇，陈勇，余林等，“结合分数阶导数和光谱变量选择的均匀土壤样品的近红外光谱估算，”遥感，第10卷，第5期。3，第479页，2018年。视图:出版商的网站|谷歌学者
11. 于林，洪玉生，周勇等，“基于高光谱技术的土壤有机质含量估算方法研究”，农业工程学报，第32卷，第2期13, pp. 95-102, 2016。视图:谷歌学者
12. 洪永胜，朱艳霞，苏晓平，朱青，周勇，“基于归一化差异光谱指数的土壤有机质含量估算方法研究”，光谱学与光谱分析，第37卷，第2期11, pp. 3537-3542, 2017。视图:谷歌学者
13. S. Nawar, H. Buddenbaum, J. Hill, J. Kozak，和A. M. Mouazen，“通过visnir漫反射光谱的不同校准方法估算土壤粘土含量和有机质”，土壤与耕作研究， vol. 155, pp. 510-522, 2016。视图:出版商的网站|谷歌学者
14. 张东辉，赵玉杰，秦凯，赵宁斌，杨永昌，“黑土高光谱遥感反演中土壤养分含量的影响”，农业工程学报，2018,29(4):457 - 461。农业工程学报第34卷第3期20, pp. 141-147, 2018。视图:谷歌学者
15. G. E. Hinton和R. Salakhutdinov，《用神经网络降低数据的维数》，科学号，第313卷第2页，2006。视图:出版商的网站|谷歌学者
16. Y. LeCun, Y. Bengio，和G. Hinton，《深度学习》，自然，第521卷，第5期。7553, pp. 436-444, 2015。视图:出版商的网站|谷歌学者
17. 陈海忠，刘志勇，顾军，艾伟，温建斌，蔡凯，“基于FT-NIR光谱和BP神经深度学习的土壤养分定量分析”，分析方法，第10卷，第5期。41, pp. 5004-5013, 2018。视图:出版商的网站|谷歌学者
18. 王超，吴晓辉，李立强，王永胜，李志伟，“卷积神经网络在土壤水分预测中的应用，”光谱学与光谱分析第38卷第2期1, pp. 24-47, 2018。视图:谷歌学者
19. V. M. Marta, E. B. Anne, M. Felipe, K. Heike，“受火灾影响的亚热带地区底土中生物化学改变的木炭残渣作为土壤有机质的重要来源”，Geoderma，第262卷，第62-70页，2016。视图:出版商的网站|谷歌学者
20. 马春华，“基于小波分析的光谱数据处理”，冶金分析，第32卷，第2期1，第34-37页，2012。视图:谷歌学者
21. 胡颖，“基于小波变换的拉曼光谱背景消除方法”，化学计量学和智能实验室系统第85卷第1期1，页94-101,2007。视图:出版商的网站|谷歌学者
22. 赵新民，杨明辉，“江西省红壤区主要土壤类型的高光谱特征”，Pedologica学报，第55卷，第55期1，第31-42页，2018。视图:谷歌学者
23. 张德华，“分数阶微分算法对盐渍化土壤高光谱数据的影响”，《农业工程学报》，视神经节学报第36卷第2期3, 2016。视图:谷歌学者
24. 徐建刚，冯学林，管磊，“分数阶微分在红外光谱数据后处理中的应用”，化学工业中的控制和仪器第39卷第3期3, pp. 347-351, 2012。视图:谷歌学者
25. D. E. Rumelhart, G. E. Hinton, R. J. Williams，和R. J. Williams，“通过反向传播错误学习表征”，自然号，第323卷。第533-536页，1986年。视图:出版商的网站|谷歌学者
26. Y. Lecun, L. Bottou, Y. Bengio，和P. Haffner，“基于梯度的学习应用于文档识别”，IEEE论文集，第86卷，第86期第11页，1998年。视图:出版商的网站|谷歌学者
27. A. W. Harley，“卷积神经网络的交互式节点链接可视化”，视觉计算的进展， vol. 9474, pp. 867-877, 2015。视图:出版商的网站|谷歌学者
28. 黄G.，刘Z.， V. Laurens, V. D. Maaten, K. Q. Weinberger，《紧密连接的卷积网络》2017 IEEE计算机视觉与模式识别(CVPR)会议论文集，第4700-4708页，檀香山，2017年7月。视图:谷歌学者
29. 何凯，张昕，任舜，“基于深度残差学习的图像识别”2016年IEEE计算机视觉与模式识别大会论文集，第770-778页，拉斯维加斯，内华达州，美国，2016年6 - 7月。视图:谷歌学者
30. S. Jegou, M. Drozdzal, D. Vazquez, A. Romero，和Y. Bengio，“100层提拉米苏:语义分割的完全卷积的DenseNets”，在2017 IEEE计算机视觉与模式识别(CVPR)会议论文集，第11-19页，夏威夷，美国，2017年7月。视图:谷歌学者
31. G. Ian, Y. Bengio和C. Aaron，深度学习，麻省理工学院出版社，剑桥，马萨诸塞州，美国，2017。
32. X. Li，“神经系统中信息传递函数的比较”，武汉理工大学学报第28卷第2期2，页313-314,2004。视图:谷歌学者
33. K. Hara, D. Saito, H. Shouno，“深度学习中修正线性单元的功能分析”，刊于2015年国际神经网络联合会议论文集，第1-8页，基拉尼，爱尔兰，2015年7月。视图:谷歌学者
34. z h .周机器学习，清华大学出版社，北京，2016。
35. N.斯里瓦斯塔瓦，G. E Hinton, A. Krizhevsky, I. Sutskever和R. Salakhutdinov，“一种防止神经网络过度拟合的简单方法，”机器学习研究杂志，第15卷，第5期。1，页1929-1958,2014。视图:谷歌学者
36. P. Lutz，“自动早期停止使用交叉验证:量化标准，”神经网络，第11卷，第5期。4，第761-767页，1998。视图:出版商的网站|谷歌学者
37. K. Choi, D. Joo, J. Kim，“Kapre: on-gpu音频预处理层用于keras深度神经网络模型的快速实现”，in第34届国际机器学习会议的音乐发现机器学习研讨会论文集，澳大利亚悉尼，2017年8月。视图:谷歌学者
38. t·多扎特，《亚当与涅斯捷罗夫的结合》2016年学习表示国际会议论文集2016年5月，波多黎各圣胡安。视图:谷歌学者
39. 史志忠，王强，彭建军等，“基于VNIR的土壤光谱库的建立及其在土壤有机质分类和预测中的应用，”中国科学地球科学(第57卷)7、pp. 1671-1680, 2014。视图:出版商的网站|谷歌学者

版权

版权所有©2019徐哲等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。