【论文精选】基于不同卷积神经网络模型的红壤有机质高光谱估算

以卷积神经网络（Convolutional Neural Network，CNN）为代表的深度学习方法因具有强大的特征学习能力已被广泛应用于计算机视觉、自然语言处理等领域，但在土壤高光谱遥感领域研究较少。

为探究其在小样本数据集下，通过高光谱数据估算土壤有机质（Soil Organic Matter，SOM）的可行性，以江西省奉新县北部为研究区，248个红壤样本为研究对象。对比分析深度学习方法CNN、多层感知器（Multilayer Perceptron，MLP）、常用的机器学习方法随机森林（Random Forest，RF）和支持向量机（Support Vector Machine，SVM）在不同光谱预处理下的建模效果，在此基础上分别建立5种各具特点的CNN结构模型，以探讨不同网络结构的建模效果，包括最早提出的LeNet-5、具有大卷积核的AlexNet-8、采用小卷积核的VGGNet-7、含有Inception结构的GoogLeNet-7以及使用残差学习的ResNet-13。此外，还探讨了VGGNet模型在5种不同网络深度下的模型效果。

结果表明：在使用原始光谱的情况下，CNN模型依然能够取得较好的建模效果（相对分析误差>2.5）；浅层CNN结构优于深层建模效果，超参数较小的卷积核、步长和池化范围有助于提取更多的特征数量，提高建模精度；VGGNet-7网络结构在所有模型中表现最为突出，在训练集上决定系数为0.895，均方根误差为4.145 g/kg，相对分析误差为3.447，在验证集上决定系数为0.901，均方根误差为4.647 g/kg，相对分析误差为3.291，具有极好的模型估测能力；680、1360、1390、1920、2310 nm及其附近是VGGNet-7建模过程中所提取的SOM重要特征波长。因此，CNN能够简化光谱预处理过程，在土壤高光谱遥感小样本建模中具备可行性，具有非常广阔的应用前景，VGGNet-7可以应用于红壤地区通过高光谱数据快速、准确的估算SOM含量。