查看更多>>摘要:土壤体积含水率监测对提高农业生产效率和制定合理土壤管理措施具有重要意义.超宽带雷达由于其高距离分辨率、强穿透能力在农业土壤动态信息实时监测中得到广泛应用.但以往对超宽带雷达信号的处理主要关注时域特征,忽略了同样具有丰富信息的频域特征,使得回波信号在土壤体积含水率反演过程中无法得到充分利用,限制了土壤体积含水率的反演精度.本文基于超宽带雷达获取的土壤回波信号,对其进行预处理并提取与土壤体积含水率有关的回波信号,对该信号采用短时傅里叶变换(Short-time Fourier transform,STFT),分析与土壤体积含水率有关的回波信号随时序变化的时频谱特征,进而结合卷积神经网络(Convolutional neural network,CNN)建立土壤体积含水率分级以及回归预测模型.实验结果表明,基于添加高斯白噪声后的数据,对于土壤体积含水率的分级,将时频特征和CNN模型相结合时,分级总体精度和Kappa系数分别为98.69%和0.984 9,相较于10个时域特征与植被指数 NDVI(Normalized difference vegetation index)建立的支持向量机模型(Support vector machine,SVM),分级总体精度提升21.78个百分点,Kappa系数提高0.251 5.对于土壤体积含水率的回归预测,将时频特征和CNNR(Convolutional neural network regression)模型相结合时,预测结果与真实值之间的决定系数(R2)为0.987 2,均方根误差(RMSE)为0.004 8 cm3/cm3,相对分析误差(RPD)为6.273 8,相较于10个时域特征结合植被指数NDVI建立的CNNR模型,R2提升0.231 6,RMSE降低1.3377 cm3/cm3,RPD提高4.271 4.综上,在土壤体积含水率分级和回归预测方面,本文所提方法较传统信号检测处理方法具有明显优势.