玉米叶片重金属铅含量的SVD-ANFIS高光谱预测模型

引用本文

韩倩倩, 杨可明, 李艳茹, 高伟, 张建红. 玉米叶片重金属铅含量的SVD-ANFIS高光谱预测模型[J]. 光谱学与光谱分析, 2021,41(6): 1930-1935.
HAN Qian-qian, YANG Ke-ming, LI Yan-ru, GAO Wei, ZHANG Jian-hong. SVD-ANFIS Model for Predicting the Content of Heavy Metal Lead in Corn Leaves Using Hyperspectral Data[J]. Spectroscopy and Spectral Analysis, 2021,41(6): 1930-1935.
Doi:10.3964/j.issn.1000-0593(2021)06-1930-06 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

玉米叶片重金属铅含量的SVD-ANFIS高光谱预测模型

韩倩倩, 杨可明^*, 李艳茹, 高伟, 张建红

中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083

*通讯作者 e-mail: ykm69@163.com

作者简介: 韩倩倩, 女, 1996年生, 中国矿业大学(北京)地球科学与测绘工程学院硕士研究生 e-mail: 15540987968@163.com

收稿日期: 2020-06-08 修回日期: 2020-09-30

基金: 国家自然科学基金项目(41971401); 中央高校基本科研业务费专项资金项目(2020YJSDC02)资助

摘要

重金属污染农作物后可通过食物链进入人体从而严重危害身体健康。如何快速准确地监测农作物中重金属含量已成为当今生态与粮食安全等领域的重要研究内容。常规的生化监测方法存在操作繁琐、过程长、具有破坏性等缺点, 而高光谱遥感具有光谱分辨率高、信息量大、生化反演能力强、方便快捷、对监测对象无损伤等优势, 因此利用高光谱遥感技术监测农作物中重金属含量已成为遥感领域的热点研究之一。以不同浓度Pb(NO₃)₂溶液胁迫下盆栽玉米植株为研究对象, 基于不同铅离子(Pb²⁺)胁迫梯度下玉米叶片的反射光谱及其中Pb²⁺含量的测定数据, 结合奇异值分解(SVD)理论和自适应模糊神经网络推理系统(ANFIS)结构, 建立了一种Pb²⁺含量预测的SVD-ANFIS模型。首先对各胁迫梯度下玉米的老叶(O)、中叶(M)、新叶(N)三种叶片的反射光谱数据进行SVD处理, 获取原始光谱信息的奇异值; 然后选择O, M和N叶片对应的奇异值来寻求ANFIS结构的最佳输入组合, 最终选定O-M(双输入)组合作为ANFIS结构的输入量, 通过训练和学习获得最优模糊规则库后, ANFIS结构的输出量即为叶片中Pb²⁺含量, 从而实现了SVD-ANFIS模型的预测性能。研究结果表明, 该模型的输出误差值较小, 精度较高, 在模糊训练过程中隶属函数选为钟型函数时预测效果最佳。利用多参数的反向传播(BP)神经网络预测模型对SVD-ANFIS模型的预测优越性进行验证时, 得到BP模型和SVD-ANFIS模型的决定系数( R²)分别为0.977 6和0.988 7, 均方根误差(RMSE)分别为2.455 9和0.601 3, 可见SVD-ANFIS模型的拟合度更高, 预测效果更好。同时选取不同年份的Pb污染玉米叶片等光谱数据对SVD-ANFIS模型进行可行性检验, 其 R²和RMSE分别为0.986 4和0.887 4, 说明SVD-ANFIS模型能较好的用于玉米叶片中Pb²⁺含量预测且具有较高的鲁棒性, 可作为预测玉米叶片中重金属含量的一种方法。

关键词: 光谱分析; 玉米叶片; 奇异值分解; ANFIS; 重金属污染; 预测模型

中图分类号:TP7 文献标志码:A

SVD-ANFIS Model for Predicting the Content of Heavy Metal Lead in Corn Leaves Using Hyperspectral Data

HAN Qian-qian, YANG Ke-ming^*, LI Yan-ru, GAO Wei, ZHANG Jian-hong

School of Geoscience and Surveying Engineering, China University of Mining & Technology, Beijing 100083, China

*Corresponding author

Abstract

Heavy metals can enter the human body through the food chain after the crops had been polluted by them and can seriously harm the body health. Therefore, how to quickly and accurately monitor the content of heavy metals in crops has become important research in the fields of ecology and food security. The conventional biochemical monitoring methods have the disadvantages of cumbersome operation, long implementation process and destructiveness, while the hyperspectral remote sensing has the advantages of high spectral resolution, a large amount of information, strong biochemical inversion ability, convenience and fast, and no damage to the monitored object, so using hyperspectral remote sensing to monitor of heavy metal content in crops has become one of the hotspots in the field of remote sensing research. The potted corn plants stressed by different concentrations of Pb(NO₃)₂ solution were used as the research object in the paper, based on the data of the reflectance spectra of corn leaves under different lead ion (Pb²⁺) stress gradients and the measured Pb²⁺ contents in the leaves and combined with the Singular Value Decomposition (SVD) theory and Adaptive Network-based Fuzzy Inference System (ANFIS) structure, an SVD-ANFIS model was established for predicting the Pb²⁺ content in corn leaf. Firstly, SVD was used to process the reflectance spectra of Old leaves (O), Middle leaves (M), New leaves (N) under different stress gradients so that the singular values of the original spectral information were obtained. Then, the singular values corresponding to O, M, N leaves were selected to seek the optimal input combination of the ANFIS structure. Finally, the singular values of the spectra of the O-M (double-input) combination were selected as the input quantity of the ANFIS structure. After obtaining the optimal fuzzy rule base through training and learning, the output quantity of ANFIS structure was the content of Pb²⁺ in the leaves. Thus the SVD-ANFIS model achieved its predictive performance. The results showed that the model’s output error value was small and the prediction accuracy was high, and the prediction effect was best when the membership function was chosen as bell function in the fuzzy training process. When the multi-parameter Back Propagation (BP) neural network prediction model was used to verify the superiority of the prediction of the SVD-ANFIS model, the determination coefficient ( R²) of the BP model and SVD-ANFIS model were 0.977 6 and 0.988 7, and the root means square error (RMSE) were 2.455 9 and 0.601 3 respectively, so the SVD-ANFIS model was shown to has a higher fit degree and better prediction effect. At the same time, spectral data of the corn leaves polluted by Pb²⁺ in different years were selected to test the feasibility of the SVD-ANFIS model, and its R² and RMSE were 0.986 4 and 0.887 4, respectively, it indicated that the SVD-ANFIS model could be better used to predict the content of Pb²⁺ in corn leaves with high robustness and could be used as a method to predict the content of heavy metals in corn leaves.

Keyword: Spectral analysis; Corn leaves; Singular value decomposition; Adaptive network-based fuzzy inference system; Heavy metal pollution; Prediction model

文章图片

引言

现今人类对金属矿的开采利用、冶炼加工等活动导致铅(Pb)、汞(Hg)、镉(Cd)等重金属进入土壤, 使得土壤中有害元素的含量超过可允许值。作物吸收了过量重金属元素, 则会表现出较普遍的叶片失绿、出现棕色斑块、叶缘变色以及根颜色变深等症状, 更会严重影响作物的产量和品质, 而且能通过食物链危害人体健康甚至生命。如Pb及其化合物通过呼吸道、消化道进入人体后将对神经、造血、消化、肾脏、心血管和内分泌等多个系统造成伤害, 若在人体内累积过高则会引起铅中毒^[1]。因此如何有效监测作物中重金属的含量备受人们关注。传统的生化方法主要是通过采集作物样本来检测其中重金属元素含量或浓度及一些生化特征参数等, 但这种方法费时费力、工作量大等且无法满足无损、快速、便捷等污染监测需求。高光谱遥感具有高达纳类级的波谱分辨率且光谱连续、波段范围从可见光到红外、理化特性与参量反演能力强等特点, 已成为现今环境、农作物等重金属污染监测的重要手段^[2]。

近年来, 奇异值分解(singular value decomposition, SVD)和自适应模糊神经网络推理系统(adaptive network-based fuzzy inference system, ANFIS)已被应用于一些具体研究, 如利用SVD分析臭氧与气象要素的关系^[3]、压制微地震记录中的噪声^[4]、解决旋度算子相关核的问题^[5]等, 利用ANFIS预测发电机功率输出^[6]、构建红黏土蠕变模型^[7]、预测交通污染物浓度^[8]等; 在遥感监测与应用等方面, 如将SVD理论应用于遥感卫星影像去噪^[9]等, 利用ANFIS结构对多光谱遥感影像进行陆地覆盖分类^[10]等, 而在高光谱遥感监测重金属污染方面鲜有报道。目前针对农作物重金属污染的高光谱遥感监测提出了许多方法, 如利用小波分析对水稻的光谱反射率数据进行处理, 选取具有异常光谱特征的奇异点, 利用奇异点对应波段的光谱反射率构建反向传播神经网络模型, 实现对水稻冠层重金属含量的反演^[11]; 利用谐波分析技术将玉米叶片光谱特征信息转化为以振幅和相位的能量谱特征信息, 提取低次谐波振幅和初始相位, 分析振幅和相位与玉米的健康状况以及重金属污染之间的关系^[12]; 采用支持向量机分类建立土壤重金属反演模型, 定性分析土壤重金属污染程度^[13]等, 其中, 小波变换依赖于小波基的选择, 选择的小波基不同, 则实验的结果也不尽相同; 谐波分析依赖于谐波分解的最佳次数, 选取的分解次数不同, 则分析的结果也有所差异; 支持向量机是借助二次规划来求解支持向量, 而求解二次规划将涉及m阶矩阵的计算(m为样本的个数), 当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。针对上述方法存在的一些局限性, 本文将以不同浓度Pb(NO₃)₂溶液胁迫下Pb污染的盆栽玉米及其植株叶片光谱作为研究对象, 结合SVD原理和ANFIS结构, 构建一种玉米叶片中Pb含量预测的SVD-ANFIS模型, 利用SVD对受Pb污染的玉米叶片光谱进行分解并获得奇异值, 再将获取的奇异值作为ANFIS结构的输入参数来实现玉米叶片中Pb含量的预测, 同时基于不同年份的Pb污染玉米叶片光谱数据检验该模型的预测能力与鲁棒性, 并通过与多参数的反向传播(back propagation, BP) 神经网络方法预测结果的比对验证该模型的预测精度及其优越性。

1 理论与算法

1.1 奇异值分解

奇异值分解(SVD)是矩阵分解技术的一种, 经常用来简化数据, 提高模型的精度^[14]。 SVD分解能适应于任意矩阵, 它将原始矩阵分解为三个矩阵的乘积, 即假设原矩阵为A_m_×_n(m< n), 经过奇异值分解之后为

$A_{m \times n} = U_{m \times m} Σ_{m \times n} {V^{T}}_{n \times n}$ (1)

式(1)中, U_m_×_m为单位正交矩阵, 其列向量为单位向量且互相正交, 是矩阵A对应的特征向量; V_n_×_n为单位正交矩阵, 其行向量为单位正交向量且互相正交, 也是与特征值对应的特征向量; Σ _m_×_n为对角矩阵, Σ _m_×_n=diag(σ ₁, σ ₂, σ ₃, …, σ _m), 其元素σ _i为按降序排列矩阵A的奇异值, 它的对角元素即为A_m_×_n的奇异值。在相关研究中, 存在一个普遍事实: 矩阵Σ _m_×_n中的奇异值即为原始数据集A_m_×_n中的全部重要特征, 其他特征大多为多余的或是噪声。

就光谱信号的SVD处理而言, 设光谱数据矩阵为矩阵A, 则矩阵A中存在m× m的正交矩阵U=[u₁, u₂, …, u_m], 和n× n的正交矩阵V=[v₁, v₂, …, v_n], 则

$U^{T} AV = diag (σ_{1}, σ_{2}, σ_{3}, \dots, σ_{m}) = Σ$ (2)

式(2)中, σ _i为各胁迫梯度下的玉米光谱数据A的奇异值; u_i为相应于奇异值σ _i的左奇向量; v_i为相应于奇异值σ _i的右奇异向量, 且满足

$(A A^{T}) u_{i} = λ_{i} u_{i}$ (3)

$\begin{array}{l} (A^{T} A) v_{i} = λ'_{i} u_{i} \end{array}$ (4)

式中, i=1, 2, …, m; λ _i是方阵AA^T的特征值, λ '_i是方阵A^TA的特征值。根据式(3)和式(4)可求得矩阵U和V。

$AV = UΣ V^{T} V$ (5)

$AV = UΣ$ (6)

$A v_{i} = σ_{i} u_{i}$ (7)

根据式(5), 式(6)和式(7)得奇异值σ _i为

$σ_{i} = A v_{i} / u_{i}$ (8)

1.2 自适应模糊神经网络推理系统

自适应模糊神经网络推理系统(ANFIS)是一种基于已有数据的建模方法, 其原理是使用输入输出数据集构建一个模糊推理系统, 使隶属函数适应于输入输出函数。 ANFIS与神经网络系统相比具有可表达语言变量和具有学习功能的优点^[15]。

ANFIS结构包括5层: 模糊化层、规则推理层、归一化层、去模糊化层和求和神经元层。其中, 模糊化层和去模糊化层为自适应节点, 其余层为固定节点。 ANFIS结构图如图1所示, 图中每一层节点具有相同的函数, x和y为输入变量, M, N和Σ 为固定节点。

	Figure Option View Download New Window
	图1 ANFIS结构图Fig.1 Structure of ANFIS

第1层为输入变量的隶属函数层, 即模糊化层, 负责输入信号的模糊化。每个节点i为自适应节点, 节点i具有输出函数

$O_{i}^{1} = μ A_{i} (x), i = 1, 2$ (9)

$\begin{array}{l} O_{i}^{1} = μ B_{i - 2} (y), i = 3, 4 \end{array}$ (10)

式中, i表示节点; A_i和B_i_-2是模糊集, 表示与该节点函数值相关的语言变量; $O_{i}^{1}$ 就是A_i和B_i_-2的隶属函数值, 表示x和y属于A_i和B_i_-2的程度; μ A_i(x), μ B_i_-2(y)为模糊隶属度函数, 通常取μ A_i(x)最大值为1, 最小值为0的钟型函数。 μ A_i(x)的计算公式为

$μ A_{i} (x) = \frac{1}{1 + {[{(\frac{x - c_{i}}{a_{i}})}^{2}]}^{b_{i}}}$ (11)

式(11)中, a_i, b_i, c_i为隶属度函数参数。

第2层为规则推理层, 该层的固定节点M是将输入信号相乘, 将乘积作为输出

$O_{i}^{2} = w_{i} = μ A_{i} (x) μ B_{i} (y), i = 1, 2$ (12)

式(12)中, w_i为权重。

第3层为归一化层, 其节点如图1中的N表示, 第i个节点计算第i条规则的w_i与全部规则w值之和的比值

$O_{i}^{3} = {\overset{̅}{w}}_{i} = \frac{w_{i}}{w_{1} + w_{2}}$ (13)

式(13)中, ${\overset{̅}{w}}_{i}$ 为各权重占总权重的比例。

第4层为去模糊化层, 它的每个节点i为自适应节点, 其输出为

$O_{i}^{4} = {\overset{̅}{w}}_{i} f_{i} = {\overset{̅}{w}}_{i} (p_{i} x + q_{i} y + r_{i})$ (14)

式(14)中, p_i, q_i, r_i为设置的参数。

第5层为求和神经元层, 它的节点是一个固定节点, 计算所有输入信号的总输出为

$O_{i}^{5} = \sum {\overset{̅}{w}}_{i} f_{i} = \frac{\sum_{i} {\overset{̅}{w}}_{i} f_{i}}{\sum_{i} w_{i}}$ (15)

如上所述, ANFIS训练是通过实时调整推理系统的线性和非线性参数来优化代表输入空间的实际数学关系式。该算法在初始模糊模型系统的基础上, 结合梯度下降反向传播算法与最小二乘算法, 通过迭代的自适应学习过程来调整神经网络结构中的参数。在每个节点上, 系统实际输出值与学习值的计算误差在减小, 当获得预定义的节点号或误差率时, 训练停止。模糊推理系统的混合学习过程有两种传递方式, 在向前传递的过程中, 函数信号直接传递至第4层, 结果参数通过最小二乘估计确定; 在向后传递的过程中, 误差率向后传递, 并且最初的参数通过梯度下降法进行更新。

1.3 评价指标

选择合理的评价指标可以有效反映模型预测能力的强弱, 通常选择均方根误差(RMSE)和决定系数(R²)来评估模型的预测效果。其中RMSE是反映一组数据测量值与真实值之间的差异, RMSE值越小说明模型的预测效果越好, 其计算方法见式(16); R²是反映模型拟合优度的重要统计量, 取值在0到1之间且无单位, 其数值大小反映了回归贡献的相对程度, R²越接近1, 模型的拟合效果越好, 精度越高, 计算方法见式(17)。

$RMSE = \sqrt[]{\frac{\sum (y_{i} - y'_{i})^{2}}{n}}$ (16)

$\begin{array}{l} R^{2} = 1 - \frac{\sum (y_{i} - y'_{i})^{2}}{\sum (y_{i} - {\overset{̅}{y}}_{i})^{2}} \end{array}$ (17)

式中, y_i表示预测结果的真实值, y'_i表示预测结果, ${\overset{̅}{y}}_{i}$ 表示预测结果的平均值, n为样本数量。

2 实验部分

(1)玉米植株培养。选用有底漏的花盆对“ 密糯8号” 玉米种子进行培育。将铅离子(Pb²⁺)含量为0, 50, 200和400 μ g· g^-1的Pb(NO₃)₂溶液(分别标记为ck(0), Pb(50), Pb(200)和Pb(400)), 加入到玉米盆栽中对其进行生长胁迫, 每个梯度平行培育3组, 共12组, 2017年5月对玉米种子进行催芽处理, 玉米出苗后在同等条件下向花盆的土壤中浇灌等量的NH₄NO₃, KNO₃和KH₂PO₄营养液。玉米培育期间定期进行通风和浇水以保持适宜的培育温度和湿度。

(2)光谱数据采集。 2017年7月17日对玉米叶片反射光谱进行测量。在50 W卤素灯光源照射条件下, 使用光谱范围为350~2 500 nm的SVC HR-1024I型地物光谱仪测量玉米叶片的反射光谱, 测量时探头视场角设置为4° 并垂直于玉米叶片表面5 cm, 并用平面板对光谱进行标准化。对每盆玉米的老(Old, O)、中(Middle, M)、新(New, N)三种叶片分别进行光谱测试, 每盆获得3组数据。各胁迫梯度下的玉米叶片光谱如图2所示。

	Figure Option View Download New Window
	图2 不同浓度Pb²⁺胁迫下玉米叶片光谱Fig.2 Spectra of corn leaves stressed by different Pb²⁺ concentrations

(3) Pb²⁺含量测定。收集光谱数据采集后的玉米叶片并进行干燥、冲洗、微波消解等预处理, 使用WFX-120原子吸收分光光度计对玉米叶片中的Pb²⁺含量进行测定, 测定依据为《硅酸岩石化学分析方法》(GB/T 14506.30— 2010)第30部分, 对各梯度玉米叶片中的老(O)、中(M)、新(N)3种叶片分别测量3次后取平均值作为该梯度叶片中Pb²⁺的含量。

3 结果与讨论

3.1 SVD分解结果与分析

对玉米叶片光谱进行SVD处理后获得原始数据的奇异值, 因奇异值从大到小衰减的较快, 在很多情况下, 前10%甚至1%的奇异值之和就占全部奇异值之和的99%以上了, 所以仅需要保留一部分奇异值。保留奇异值方法为保留矩阵中90%的能量信息, 能量信息的计算, 就是根据所得到的奇异值, 求其平方和, 直到该平方和累加到总值的90%为止, 便可得到想要保留的奇异值。

通过重构处理得到一维光谱信号, 图3即为经过SVD处理后不同Pb²⁺胁迫梯度下三种叶片对应的奇异值光谱曲线图。表1为SVD处理前后玉米叶片光谱数据差异性分析结果, 表中皮尔逊相关系数的绝对值大部分都在0.6~0.8之间属于强相关关系, 且Sig值均小于显著水平(0.01)也体现出相关性。对比图2玉米叶片的原始光谱图并结合表1可知, 经过处理后的光谱在减少冗余度的同时, 基本保留了原始曲线的所有特征, 也达到了对后续ANFIS分析过程中减少网络参数从而简化神经网络的目的。

	Figure Option View Download New Window
	图3 SVD处理后不同Pb²⁺胁迫下的奇异值光谱图Fig.3 Spectra of singular value under different Pb²⁺stresses after SVD data processing

表1 SVD处理前后玉米叶片光谱数据差异性分析 Table 1 Difference analysis of spectral data of corn leaves before and after SVD data processing

3.2 ANFIS建立与分析

ANFIS存在输入选择和输入空间划分的问题, 其预测过程可以看作是从输入空间到输出空间的一个映射过程, 输入变量数目会直接影响模型的预测精度, 选择经SVD处理后各胁迫梯度下的O, M和N叶片对应的奇异值来寻求最佳输入组合。设计的三种组合分别为: O(单输入)、 O-M(双输入)(因N叶对重金属的富集能力较弱, 所以双输入选择O、 M叶片)、 O-M-N(三输入), 三种输入组合的误差如图4所示, 从图中看出单输入和双输入误差相近且较小, 三输入误差最大, 推测可能是输入变量增多使得系统中相应的控制规则变多, 从而导致模型预测的精度下降。

	Figure Option View Download New Window
	图4 三种组合输入类型的误差图Fig.4 Error graph of three types of combined input

在ANFIS模型中, 隶属函数的类型也会影响模型精度, 因此在模糊训练时, 对隶属度函数的类型进行了不同的选择和尝试, 包括三角函数(Trimf)、高斯函数(Gaussmf)、高斯2型函数(Gauss2mf)、钟型函数(Gbellmf)。隶属度函数类型的误差比较如表2显示, 钟型函数的训练误差和校验误差均最小, 效果最佳, 对模型的预测更准确。

表2 隶属度函数类型的误差比较 Table 2 Comparison of training errors of membership function types

根据图4和表2, 选择各胁迫梯度下O和M叶片对应的SVD处理光谱数据作为输入量, 输出量选择O、 M叶片中Pb²⁺含量的平均值, 隶属函数选择钟型函数, 设定好函数的参数后对初始ANFIS进行训练。将前75%的光谱数据作为训练集, 余下的25%光谱数据作为测试集, 经过150次训练后得到了很好的预测效果, SVD-ANFIS模型的预测值与实际测定值的比较如表3所示, 由表可知, 各胁迫梯度下玉米叶片中Pb²⁺含量的预测值与实测值相差均较小, 模型具有很好的预测效果。

表3 玉米叶片中Pb²⁺含量的SVD-ANFIS模型预测值与实测值比较 Table 3 Comparing of predicted by SVD-ANFIS model and real Pb²⁺ content values in corn leaves

3.3 模型优越性验证

为验证模型的优越性, 利用BP神经网络对数据进行处理并与SVD-ANFIS模型对比分析, 两种模型预测值与真实值的对比如图5所示, 从图中可看出, 相比于BP模型, SVD-ANFIS模型对玉米叶片中Pb²⁺含量的预测值更接近真实值, 预测效果更好。为更精确的分析两种建模方法的性能, 选取R²和RMSE对BP模型和SVD-ANFIS模型进行对比分析和精度评价, 分析结果见表4, 可见BP模型和SVD-ANFIS模型的R²分别为0.977 6和1.988 7, RMSE分别为2.455 9和0.601 3, 可以看出SVD-ANFIS模型的误差较小, 拟合效果较好, 具有一定的优越性。

Figure Option
View Download New Window

图5 玉米叶片中Pb²⁺含量的BP和SVD-ANFIS模型预测值与实测值对比图
(a): ck(0); (b): 50 μ g· g^-1胁迫梯度; (c): 200 μ g· g^-1胁迫梯度; (d): 400 μ g· g^-1胁迫梯度Fig.5 Comparison of predicted values of the BP and SVD-ANFIS models with the real values of Pb²⁺ content in corn leaves
(a): ck(0); (b): 50 μ g· g^-1 stress gradient; (c): 200 μ g· g^-1 stress gradient; (d): 400 μ g· g^-1 stress gradient

表4 BP模型与SVD-ANFIS模型的预测精度对比 Table 4 Prection accuracy comparison between BP model and SVD-ANFIS model

3.4 模型鲁棒性验证

为检验模型的鲁棒性, 选取2014年同等条件下的玉米光谱数据作为验证组对模型进行验证, 同样选取R²和RMSE作为模型的预测精度评价指标。验证结果如表5所示, 从表5看出, 验证组R²和RMSE分别为0.986 4和0.887 4, 可看出模型具有很好的鲁棒性, 可以有效预测玉米叶片中Pb²⁺的含量。

表5 不同时期同类型玉米光谱数据对SVD-ANFIS模型验证 Table 5 Verification of SVD-ANFIS model by spectral data of the same type of corn in different growth periods

4 结论

(1)玉米叶片光谱经过SVD分解后, 基本保留了原矩阵的所有特征, 可以压缩光谱数据, 从而减少了ANFIS中的参数量以及数据的冗余度, 降低了网络模型的复杂度, 提高了网络的预测精度和预测效果。

(2)所选用的ANFIS结合了模糊理论和神经网络算法的优点, 通过实时调整隶属函数和模糊推理规则, 可预测玉米叶片中重金属铅的含量; 在模糊训练的过程中选择钟型函数作为隶属函数, 对模型的预测效果最佳, 误差最小。

(3)通过与BP神经网络常规方法预测的优越性进行对比, 得出SVD-ANFIS模型的均方根误差较小, 精确度更高。

利用SVD-ANFIS模型对玉米叶片中受Pb²⁺污染后的重金属含量变化进行了预测, 得到了较好的预测效果, 为其他作物受重金属胁迫的光谱研究提供了范例, 但仍有一定的局限性, 还需要大范围的污染监测来进一步验证模型的普适性, 从而应用于实际生产, 促进农业的快速发展。

参考文献

文献列表

[1]	FAN Zhi-ying, LI Jiang-rong, GAO Tan, et al(樊志颖, 李江荣, 高郯, 等). Journal of Northwest A&F University·Natural Science Edition(西北农林科技大学学报·自然科学版), 2020, 2002(8): 1. [本文引用:1]
[2]	YI Xing-song, LAN An-jun, WEN Xi-mei, et al(易兴松, 兰安军, 文锡梅, 等). Journal of Ecology(生态学杂志), 2018, 37(6): 1781. [本文引用:1]
[3]	CHEN Nan, LIU Chang-huan, XU Ke, et al(陈楠, 刘长焕, 许可, 等). China Environmental Monitoring(中国环境监测), 2020, 36(2): 88. [本文引用:1]
[4]	HU Yong-quan, HUANG Jian-bo, TIAN Zhi-hua(胡永泉, 黄建波, 田志华, 等). Oil Geophysical Prospecting(石油物探), 2019, 58(1): 43. [本文引用:1]
[5]	Reynolds-Barredo J M, Peraza-Rodríguez H, Sanchez R, et al. Journal of Computational Physics, 2020, 406: 109214. [本文引用:1]
[6]	Adedeji Paul A, Akinlabi Stephen, Madushele Nkosinathi, et al. Journal of Cleaner Production, 2020, 254: 120135. [本文引用:1]
[7]	ZHU Shi-min, CHEN Chang-fu, GAO Jie(朱世民, 陈昌富, 高傑). Journal of Hunan University·Natural Science Edition(湖南大学学报·自然科学版), 2019, 46(11): 137. [本文引用:1]
[8]	JIE Ming, NIU Hong-ya, QI Dan-yuan, et al(解铭, 牛红亚, 齐丹媛, 等). Fuzzy System and Mathematics(模糊系统与数学), 2019, 33(1): 143. [本文引用:1]
[9]	XIA Qin, XING Shuai, MA Dong-yang, et al(夏琴, 邢帅, 马东洋, 等). Journal of Remote Sensing(遥感学报), 2016, 20(3): 441. [本文引用:1]
[10]	Bui Quang-Thanh, Pham Manh Van, Nguyen Quoc-Huy, et al. International Journal of Remote Sensing, 2019, 40(13): 5078. [本文引用:1]
[11]	LI Xu-qing, LI Long, ZHUANG Lian-ying, et al(李旭青, 李龙, 庄连英, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2019, 50(6): 226. [本文引用:1]
[12]	LIU Fei, YANG Ke-ming, SUN Yang-yang, et al(刘飞, 杨可明, 孙阳阳, 等). Science Technology and Engineering(科学技术与工程), 2015, 15(20): 152. [本文引用:1]
[13]	TAO Chao, WANG Ya-jin, ZOU Bin, et al(陶超, 王亚晋, 邹滨, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2018, 38(6): 1850. [本文引用:1]
[14]	GUO Feng-yi, GAO Hong-xin, WANG Zhi-yong, et al(郭凤仪, 高洪鑫, 王智勇, 等). Journal of Power System and Automation(电力系统及其自动化学报), 2019, 31(11): 39. [本文引用:1]
[15]	FU Hong-po, WEN Yun-tong, MIAO Feng-hai, et al(付红坡, 温云同, 苗风海, 等). Journal of Sensing Technology(传感技术学报), 2019, 32(12): 1795. [本文引用:1]

2020

0.0

... 如Pb及其化合物通过呼吸道、消化道进入人体后将对神经、造血、消化、肾脏、心血管和内分泌等多个系统造成伤害, 若在人体内累积过高则会引起铅中毒^[1] ...

2018

0.0

... 高光谱遥感具有高达纳类级的波谱分辨率且光谱连续、波段范围从可见光到红外、理化特性与参量反演能力强等特点, 已成为现今环境、农作物等重金属污染监测的重要手段^[2] ...

2020

0.0

... 近年来, 奇异值分解(singular value decomposition, SVD)和自适应模糊神经网络推理系统(adaptive network-based fuzzy inference system, ANFIS)已被应用于一些具体研究, 如利用SVD分析臭氧与气象要素的关系^[3]、压制微地震记录中的噪声^[4]、解决旋度算子相关核的问题^[5]等, 利用ANFIS预测发电机功率输出^[6]、构建红黏土蠕变模型^[7]、预测交通污染物浓度^[8]等 ...

2019

0.0

2020

0.0

2020

0.0

2019

0.0

2019

0.0

2016

0.0

... 在遥感监测与应用等方面, 如将SVD理论应用于遥感卫星影像去噪^[9]等, 利用ANFIS结构对多光谱遥感影像进行陆地覆盖分类^[10]等, 而在高光谱遥感监测重金属污染方面鲜有报道 ...

2019

0.0

2019

0.0

... 目前针对农作物重金属污染的高光谱遥感监测提出了许多方法, 如利用小波分析对水稻的光谱反射率数据进行处理, 选取具有异常光谱特征的奇异点, 利用奇异点对应波段的光谱反射率构建反向传播神经网络模型, 实现对水稻冠层重金属含量的反演^[11] ...

2015

0.0

... 利用谐波分析技术将玉米叶片光谱特征信息转化为以振幅和相位的能量谱特征信息, 提取低次谐波振幅和初始相位, 分析振幅和相位与玉米的健康状况以及重金属污染之间的关系^[12] ...

2018

0.0

... 采用支持向量机分类建立土壤重金属反演模型, 定性分析土壤重金属污染程度^[13]等, 其中, 小波变换依赖于小波基的选择, 选择的小波基不同, 则实验的结果也不尽相同 ...

2019

0.0

... 1 奇异值分解奇异值分解(SVD)是矩阵分解技术的一种, 经常用来简化数据, 提高模型的精度^[14] ...

2019

0.0

... ANFIS与神经网络系统相比具有可表达语言变量和具有学习功能的优点^[15] ...