CN110287924A - 一种基于gru-rnn模型的土壤参数分类方法 - Google Patents

Abstract

本发明公开了一种基于GRU‑RNN模型的土壤参数分类方法，涉及土壤参数反演领域，步骤如下：1、采集原始回波信号并对其进行预处理，得到有效回波信号；2、将有效回波信号输入原始GRU‑RNN模型，为有效回波信号给定标签，选取部分有效回波信号作为训练数据、部分标签作为训练标签，通过训练数据和训练标签对原始GRU‑RNN模型训练，得到最终GRU‑RNN模型；3、采集雷达回波信号并对其进行预处理，得到目标回波信号，将目标回波信号输入最终GRU‑RNN模型中进行交叉验证，得到目标回波信号的总体分类准确率。本方法的GRU‑RNN模型具有更少的门结构，使得网络复杂度更低，从而提高了计算速度，减少了训练时间。本方法能根据土壤中的多种特征参数对土壤进行分类，具有较高的分类表现效果。

Description

一种基于GRU-RNN模型的土壤参数分类方法

技术领域

本发明涉及土壤参数反演领域，具体涉及一种基于GRU-RNN模型的土壤参数分类方法。

背景技术

农业的信息化和智能化被视为以精准农业为核心诉求的21世纪智慧农业的重要目标，对于土壤参数的识别即反演在该工作中具有重要的意义，对土壤物理化学性质的动态变化情况进行监测也是精准农业中的重要部分。

在对多种土壤参数(比如土壤pH值、土壤含水量)进行检测的过程中，早期普遍采用的方法是人工测量，例如稀释法，导致难以兼顾土壤含水量的测量，且需要消耗大量的人力成本和时间成本，人工测量难以满足于大面积、长时间的土壤环境监测。随着信息领域的科学发展，超宽带雷达因其具有抗噪能力强、较强的穿透性、资源消耗小等优势，被视为土壤参数与物理性质监测的重要手段。通过使用超宽带雷达组建网络以进行大面积、大范围内的检测，是本领域技术人员认为的一种非常具有潜在应用价值的技术手段。

目前，可采用LSTM-RNN(长短期记忆循环神经网络)和超宽带雷达传感器相结合的方法对土壤回波信号进行处理、分析，得到关于土壤参数的相关信息，具体为：将先验的土壤参数信息和土壤的超宽带雷达回波数据作为LSTM系统的输入，使用大样本的训练数据得到具有较高分类结果的深度神经网络模型。该方法的弊端主要有以下两个：

1、由于该方法仅以土壤的pH值作为训练标签，因此仅能完成对土壤pH值这一单一土壤参数的分类。

2、土壤回波信号的获得方式是通过超宽带雷达传感器，而土壤回波的采样点较多，该方法将每一个采样点的有效数据视为一个特征，将每一个样本视为一个时间序列样本。由于一般的RNN不具有对信息的选择能力和记忆能力，导致该神经网络在样本数据集上的表现较差。且由于该方法基于LSTM-RNN进行分类，导致计算量较大，每一次训练都需要很长的时间，因此不适用于大样本检测。因此需要一种保留了LSTM系统的记忆和选择能力，但计算量较小，适用于广阔环境下、对准确率要求高的识别场景的土壤类型分类方法。

发明内容

本发明的目的在于：为解决现有的对土壤参数进行分类的方法因采用LSTM系统训练数据，导致训练时间长，不适用于大样本检测的问题，提供了一种基于GRU-RNN模型的土壤参数分类方法。本方法保留了LSTM-RNN对信息的记忆和选择能力，解决了现有土壤分类方法采用LSTM系统训练时间长的问题，同时能够利用超宽带雷达传感器同时根据土壤的含水量和pH值这两个参数对土壤进行分类。

本发明采用的技术方案如下：

一种基于GRU-RNN模型的土壤参数分类方法，包括以下步骤：

步骤1：采集相同土壤的具有特定土壤参数的原始回波信号，对原始回波信号进行预处理，得到具有不同土壤参数值的有效回波信号；其中，特定土壤参数包括土壤pH值和土壤含水量；

步骤2：将所有有效回波信号输入原始GRU-RNN模型，为有效回波信号给定标签，再选取部分有效回波信号作为训练数据，训练数据对应的有效回波信号的标签作为训练标签，通过训练数据和训练标签对原始GRU-RNN模型进行训练，得到最终GRU-RNN模型；

步骤3：采集相同土壤的具有特定土壤参数的雷达回波信号并对其进行预处理，得到目标回波信号，再将目标回波信号输入最终GRU-RNN模型中进行交叉验证，得到目标回波信号的总体分类准确率。

进一步地，所述步骤1包括如下步骤：

步骤1.1.信号采集：采用超宽带雷达传感器收集相同土壤的具有土壤含水量和土壤pH值的原始回波信号；

步骤1.2.信号预处理：计算原始回波信号中需要截取的无效采样点总数，并确定原始回波信号的有效区间。

进一步地，所述步骤2包括如下步骤：

步骤2.1：搭建原始GRU-RNN模型并初始化系统参数；

步骤2.2：将原始回波信号作为数据样本输入原始GRU-RNN模型中，确定带有特定土壤参数包含的不同的物理/化学参数的有效回波信号对应的标签；

步骤2.3：取部分具有不同土壤pH值和土壤含水量的有效回波信号作为训练数据，取部分具有不同土壤pH值的标签和部分具有不同土壤含水量的标签作为训练标签；

步骤2.4：通过训练数据和训练标签对原始GRU-RNN模型进行训练，得到最终GRU-RNN模型。

进一步地，所述原始GRU-RNN模型的层次依次为GRU层、BatchNormalization层、在网络中作为激活函数的Dense层，并使用softmax激活函数进行分类。

进一步地，所述系统参数包括权重矩阵W、循环转移状态矩阵U、偏置向量b以及循环改变步长。

进一步地，所述步骤3包括如下步骤：

步骤3.1：对采集到的雷达回波信号进行预处理，得到目标回波信号；

步骤3.2：将目标回波信号输入最终GRU-RNN模型中，将所有目标回波信号具有的土壤参数值均作为验证数据，并为所有具有土壤pH值或/和具有土壤含水量的目标回波信号分别给定推测标签；

步骤3.3：通过最终GRU-RNN模型对验证数据进行预测，得到验证标签，将验证标签和推测标签进行交叉验证，得到将该验证数据正确分类的准确率；使所有验证数据均执行本步骤，得到目标回波信号的总体分类准确率。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明中，通过对土壤中的含水量和pH值进行采集，对采集的数据进行预处理后，对原始GRU-RNN模型进行处理，得到最终GRU-RNN模型，基于最终GRU-RNN模型对收集的数据进行分类。本方法的最终GRU-RNN模型具有更少的门结构，使得网络复杂度更低，从而提高了计算速度，减少了训练时间。

2、本发明中，GRU-RNN模型与LSTM-RNN模型相比，搭建更简单，在数据训练精度上优于LSTM-RNN模型，同时也具有较高的鲁棒性。

3、本发明中，该方法还同时解决了采用模糊逻辑系统、专家经验规则的土壤参数反演方法需要不停调整参数，导致系统计算复杂度较高，运行周期长，难以应用于大数据分类，以及分类精度差的问题，达到了对大数据样本进行快速分类，并保证具有较高的分类表现效果。

4、本发明中，通过对土壤噪声和传播时延进行预处理，对数据进行清洗，提高了模型的分类效果。同时，本发明还解决了目前土壤分类方法中只能根据土壤的某一种特征对土壤进行分类的问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的方法流程图；

图2为本发明的原始GRU单元的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

下面结合实施例对本发明的特征和性能作进一步的详细描述。

实施例一

本发明的较佳实施例，提供了一种基于GRU-RNN模型的土壤参数分类方法，如图1所示，具体步骤如下：

步骤1：利用超宽带雷达传感器采集相同土壤的具有特定土壤参数的原始回波信号，对原始回波信号进行预处理，得到具有不同土壤参数值的有效回波信号。其中，特定土壤参数包括土壤pH值和土壤含水量。

本实施例选取普通的平坦的无电磁波干扰的裸土环境作为实验区域，选用超宽带雷达P410作为土壤的回波收集工具。由于所使用的天线的耦合效应，所以天线必须安装在目标距离至少为0.8m的地方。因此，实验中使用无干扰装置将天线安置在距离土壤大约1.0m的空中。对实验场地中的土壤分别采用pH3000、FieldScout TDR 300两个仪器测量土壤pH值、土壤含水量，并将测得的土壤pH值、土壤含水量作为后续数据的标签。

本实施例共采集了5类土壤样本，每类土壤样本的数量均为2000，五类土壤样本的特定土壤参数及对应的值分别为：A类：土壤含水量为23.3％、土壤pH值为8.04；B类：土壤含水量为31.8％、土壤pH值为9.04；C类：土壤含水量为38.3％、土壤pH值为12.26；D类：土壤含水量为41.1％、土壤pH值为3.5；E类：土壤含水量为41.8％、土壤pH值为7.09。

由于雷达天线的自身的耦合效应、电磁波在空气中的时间延迟、地球表面的反射效应等因素会影响超宽带雷达传感器所采集到的信号，因此需要对原始回波信号进行数据清洗(即预处理)。对原始回波信号预处理方法如下：

首先，计算土壤与超宽带雷达传感器之间传播的无效采样点总数，该无效采样点总数用于确定具体哪个采样点之前的信号为无效信号。对无效采样点总数的计算过程如下：

Step1：确定原始回波信号在土壤中的传播距离S：S＝90cm＝0.9m；

Step2：确定原始回波信号在空气中的传播速度V：V＝c＝3×10⁸m/s：其中，c为光速；

Step3：确定对原始回波信号的采集的间隔时间T：T＝61ps；

Step4：令t＝2S/V＝2×0.9m/3×10⁸m/s＝6×10^-9s＝6ns；

Step5：计算无效采样点总数m：m＝t/T＝6ns/61ps≈98

由上述计算结果可得，本实施例中，第99个采样点之前的信号均为无效信号。

然后，计算采集到的原始回波信号的有效区间，计算过程如下：

Step1：计算土壤中电磁波的传播速度V_r：其中，ε_r为土壤的相对介电常数；

Step2：计算原始回波信号在土壤中的传播时间t_r：

Step3：计算有效采样点总数n：n＝t_r/T。

由于ε_r的数值介于4至40之间，经过推导可得，有效采样点总数n的数值介于109至346之间，因此，采样点数在208至445之间的原始回波信号为需要截取的有效回波信号，即采样点数在区间[99，399]的信号即为超宽带雷达传感器的有效回波信号，原始回波信号的有效区间为[99，399]。

步骤2：将所有有效回波信号输入原始GRU-RNN模型，为有效回波信号给定标签，再选取部分有效回波信号作为训练数据，训练数据对应的有效回波信号的标签作为训练标签，通过训练数据和训练标签对原始GRU-RNN模型进行训练，得到最终GRU-RNN模型。具体操作如下：

步骤2.1：搭建原始GRU-RNN模型并初始化系统参数，原始GRU-RNN模型的层次依次为GRU层、BatchNormalization层、在网络中作为激活函数的Dense层，该模型使用softmax激活函数进行分类。

步骤2.2：将有效回波信号作为数据样本输入原始GRU-RNN模型中，确定带有特定土壤参数包含的不同的物理/化学参数(物理参数即土壤含水量，化学参数即土壤pH值)的有效回波信号对应的标签。

步骤2.3：取前80％的具有不同土壤含水量和土壤pH值的有效回波信号作为训练数据x_train，各取两种标签的前80％作为训练标签y_train，将剩下的有效回波信号作为测试数据，将剩下的具有不同土壤pH值或/和土壤含水量的标签作为测试标签。本实施例中，即前述五类土壤样本均按4：1的比例分为训练数据和测试数据，A～E类土壤样本的标签可分别表示为：[1，0，0，0，0]、[0，1，0，0，0]、[0，0，1，0，0]、[0，0，0，1，0]、[0，0，0，0，1]。

步骤2.4：使用训练数据x_train和训练标签y_train对原始GRU-RNN模型进行训练，得到最终GRU-RNN模型。

将测试数据输入最终GRU-RNN模型进行预测学习，得到预测标签，将预测标签和测试标签进行交叉验证，即可得到将测试数据正确分类的分类准确率。

在对最终GRU-RNN模型预测学习的过程中，将适应性梯度算法Adam作为损失函数，损失函数的作用在于反馈预测学习过程中预测的准确率，通过求损失函数的最优解，即完成了对最终GRU-RNN模型的训练，具体如下：

上式中，x表示有效回波信号，i表示有效回波信号序号，y表示有效回波信号标签，表示预测标签(即最终GRU-RNN模型的输出)，M表示有效回波信号总数。

分类准确率(Accuracy)计算公式如下：

步骤3：采集相同土壤的具有特定土壤参数的雷达回波信号并对其进行预处理，得到目标回波信号，再将目标回波信号输入最终GRU-RNN模型中进行交叉验证，得到目标回波信号的总体分类准确率，从总体分类准确率择优选出最优分类准确率。

步骤3.1：将采集到的雷达回波信号按步骤1中所述的预处理方法进行处理，得到目标回波信号。

步骤3.2：将目标回波信号输入最终GRU-RNN模型中，将所有目标回波信号具有的土壤参数值均作为验证数据，并为所有具有土壤pH值的目标回波信号分别给定推测标签，推测标签的给定方法与前述的测试标签给定方法类似，此处不再赘述。

步骤3.3：通过最终GRU-RNN模型对验证数据进行预测，得到验证标签，将验证标签和推测标签进行交叉验证，得到将该验证数据正确分类的准确率。使所有验证数据均执行本步骤，从而得到目标回波信号的总体分类准确率。

首先，将具有不同的土壤pH值和土壤含水量的有效回波信号进行交叉验证，以获得具有不同的土壤pH值和土壤含水量的有效回波信号的总体分类准确率。

对于一个原始GRU单元而言，其包括重置门和更新门，如图2所示，与LSTM单元相比，原始GRU单元具有更少的门结构，因此，它的网络复杂度更低，有更快的计算速度。在原始GRU-RNN模型的结构图中，以下公式表示了原始GRU-RNN模型前向传递的过程。

r_d＝σ(W_r·[d-1，x_d])

z_d＝σ(W_z·[d-1，x_d])

d＝(1-z_d)*(d-1)+z_d*d

y_d＝σ(W_o·d)

其中，r_d表示重置门的输出，zd表示更新门的输出，d表示前一时刻的候选集，表示当前时刻的候选集，*表示矩阵的乘积，[]为两个向量相连，σ表示sigmoid函数，W_r、W_z、W_e和W_o均表示待更新的权值。

更新门的作用与LSTM单元中的遗忘门和输入门类似，作用是控制哪些信息应该被“忘记”以及应该加入哪些新信息。更新门的值越高，就意味着前一时刻的状态保留的信息越多，更新门决定有多少前一时刻的状态信息被保留带入到当前的状态中。重置门控制着用先前信息被遗忘的程度，重置门决定前一状态中有多少信息被带入到当前的候选集上，重置门的值越小，相应地，被带入的前一状态的信息则越少。

根据本方法进行仿真得到实验数据，使用的测试数据集是五种具有不同pH值和含水量的土壤的有效回波信号样本等比例组成，采用本发明的GRU-RNN模型具有95.7％的识别率。相比于在相同测试数据集上的LSTM-RNN模型的92％的识别率，具有更好的表现，且训练速度相较于LSTM-RNN模型，提高了1.29倍。

在以往的通过超宽带雷达传感器分析土壤参数的方法中，大多需要对土壤回波信号进行特征提取。而在本发明中，直接将超宽带雷达传感器的回波信号视作时间序列样本，每一个时间点(采样点)视为一个特征，无需特征提取，即可直接将回波信号输入GRU-RNN模型以获得分类准确率。本发明根据时间序列样本前后的关联性，通过利用GRU-RNN模型各种门结构的特征优势，保证在长距传播时，先前时刻的特征也不会丢失，解决了现有土壤分类方法训练时间长、训练速度慢的问题，且在一定程度上提高了分类精度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于GRU-RNN模型的土壤参数分类方法，其特征在于，包括以下步骤：

步骤1：采集相同土壤的具有特定土壤参数的原始回波信号，对原始回波信号进行预处理，得到具有不同土壤参数值的有效回波信号；其中，特定土壤参数包括土壤pH值和土壤含水量；

步骤2：将所有有效回波信号输入原始GRU-RNN模型，为有效回波信号给定标签，再选取部分有效回波信号作为训练数据，训练数据对应的有效回波信号的标签作为训练标签，通过训练数据和训练标签对原始GRU-RNN模型进行训练，得到最终GRU-RNN模型；

步骤3：采集相同土壤的具有特定土壤参数的雷达回波信号并对其进行预处理，得到目标回波信号，再将目标回波信号输入最终GRU-RNN模型中进行交叉验证，得到目标回波信号的总体分类准确率。

2.根据权利要求1所述的一种基于GRU-RNN模型的土壤参数分类方法，其特征在于，所述步骤1包括如下步骤：

步骤1.1.信号采集：采用超宽带雷达传感器收集相同土壤的具有土壤含水量和土壤pH值的原始回波信号；

步骤1.2.信号预处理：计算原始回波信号中需要截取的无效采样点总数，并确定原始回波信号的有效区间。

3.根据权利要求1所述的一种基于GRU-RNN模型的土壤参数分类方法，其特征在于，所述步骤2包括如下步骤：

步骤2.1：搭建原始GRU-RNN模型并初始化系统参数；

步骤2.2：将原始回波信号作为数据样本输入原始GRU-RNN模型中，确定带有特定土壤参数包含的不同的物理/化学参数的有效回波信号对应的标签；

步骤2.3：取部分具有不同土壤pH值和土壤含水量的有效回波信号作为训练数据，取部分具有不同土壤pH值的标签和部分具有不同土壤含水量的标签作为训练标签；

步骤2.4：通过训练数据和训练标签对原始GRU-RNN模型进行训练，得到最终GRU-RNN模型。

4.根据权利要求3所述的一种基于GRU-RNN模型的土壤参数分类方法，其特征在于，所述原始GRU-RNN模型的层次依次为GRU层、BatchNormalization层、在网络中作为激活函数的Dense层，并使用softmax激活函数进行分类。

5.根据权利要求3所述的一种基于GRU-RNN模型的土壤参数分类方法，其特征在于，所述系统参数包括权重矩阵W、循环转移状态矩阵U、偏置向量b以及循环改变步长。

6.根据权利要求1所述的一种基于GRU-RNN模型的土壤参数分类方法，其特征在于，所述步骤3包括如下步骤：

步骤3.1：对采集到的雷达回波信号进行预处理，得到目标回波信号；

步骤3.2：将目标回波信号输入最终GRU-RNN模型中，将所有目标回波信号具有的土壤参数值均作为验证数据，并为所有具有土壤pH值或/和具有土壤含水量的目标回波信号分别给定推测标签；

步骤3.3：通过最终GRU-RNN模型对验证数据进行预测，得到验证标签，将验证标签和推测标签进行交叉验证，得到将该验证数据正确分类的准确率；使所有验证数据均执行本步骤，得到目标回波信号的总体分类准确率。