基於 NIRS的馬尾松苗木根部含水量預測模型

倪超等 南京林業大學學報

馬尾松由於分佈廣泛，是我國南方主要的造林樹種。作為重要的活力評價指標，苗木含水量在光合作用、物質運輸、維持正常形態和生理功能上起著重要作用。根部的生理缺水可能會破壞細胞壁，進而影響造林的成活率。為保證造林質量，在種植前應對馬尾松苗木的根部含水量進行評估。

近紅外光譜(near-infrared spectroscopy，NIR)分析技術由於其分子群中的倍頻和頻率振動信息與植物水分含量、 氮含量和葉綠素含量等生理指標密切相關而被廣泛用於材料含水量預測。近紅外光譜分析技術的常用校正模型主要有多元線性迴歸(multi-linear regression，MLR)、偏最小二乘迴歸(partial least squares regression，PLSR)、 支持向量迴歸 ( support vector regression，SVR)、人工神經網絡(artificial neural network，ANN)等。MLR 和 PLSR 為線性迴歸模型，只能描述線性關係，SVR 和 ANN 屬於非線性模型，能夠處理非線性關係，對於簡單的系統可行性較大，但是難以用於複雜的系統。為解決上述問題，深度神經網絡應運而生，由於訓練深度神經網絡需要大量的標記數據，因此預先逐層訓練網絡，然後通過監督機制對網絡進行微調，可以大大提高預測精度。卷積神經網絡(convolutional neural networks，CNNs)和堆疊自動編碼器(stacked autoencoders，SAEs)是兩種常用的深度學習模型。CNN 是一種基本的深度學習工具，主要用於分析二維圖像。SAE 由多層自動編碼器組成，目前已經有許多研究表明應用 SAE 可以有效地提取高階特徵。近年來，一些研究人員也嘗試在近紅外光譜分類中使用 SAE，目的是減少特徵提取以及降維。

本期推薦論文研究提出了一種基於近紅外光譜的馬尾松苗木根部含水量預測方法，首先採集根部近紅外光譜數據，然後利用可變加權堆疊自動編碼器(VWSAE)結合 SVR 構建預測模型。可變加權堆疊自動編碼器用來逐層提取與輸出相關的特徵，支持向量迴歸根據自編碼器生成的特徵可實現含水量更準確預測。

下面就快來跟著學報君瀏覽詳文一探究竟吧！

題 目

基於 NIRS 的馬尾松苗木根部含水量預測模型

基金項目

國家自然科學基金面上項目；江蘇省高校優秀中青年教師和校長境外研修計劃

作 者

倪　超1，張　雲1，高捍東2

作者單位

1. 南京林業大學機械電子工程學院；2. 南京林業大學林學院，國家林業和草原局南京林木種子檢驗中心

關鍵詞

馬尾松苗木；水分含量；近紅外光譜；自動編碼器；可變加權；支持向量迴歸

▶引文格式：[1]倪 超,張 雲,高捍東.基於NIRS的馬尾松苗木根部含水量預測模型[J].南京林業大學學報(自然科學版),2019,43(06):091-96.DOI:10. 3969/ j. issn. 1000-2006. 201902028NI C,ZHANG Y,GAO H D.Prediction model of moisture content of masson pine seedling roots based on near infrared spectroscopy[J].Journal of Nanjing Forestry University(Natural Sciences Edition),2019,43(06):091-96.

01

目 的

馬尾松是我國南方主要造林樹種，其根部水分含量是評價樹木活力的重要指標。本研究構建了一種基於近紅外光譜(near infrared spectroscopy，NIRS)的馬尾松苗木根部含水量預測模型。

02

方 法

首先採集根部近紅外光譜數據，然後利用可變加權堆疊自動編碼器結合支持向量迴歸構建預測模型。可變加權堆疊自編碼器用來逐層提取與輸出相關的特徵，支持向量迴歸根據自編碼器生成的特徵實現了含水量更精確預測。

2.1 可變加權堆疊自編碼器

典型的自編碼器是 1 個帶有隱藏層的無監督神經網絡，它由 1 個輸入層、1 個隱藏層和 1 個輸出層組成,如圖 1 所示。自編碼器的目標是在輸出層中儘可能準確地復現原始輸入。

▲圖 1　自編碼器的典型結構

2.2 基於 VW-SAE 和 SVR 的預測模型

提出了一種基於 VW-SAE 結合 SVR 的預測模型來估算馬尾松苗木根部的含水量，網絡結構如圖 2 所示。該方法的過程如下:

▲圖 2　深度學習網絡結構

03

結 果

與其他常用模型的結果相比，提出的模型在馬尾松苗木根部水分預測中可以達到最佳性能，校正集中決定係數達到 0. 9708，均方根誤差為 0. 6358；預測集中決定係數達到 0. 9413，均方根誤差為 1. 0270。

2.1 模型預測性能

建立模型首先是確定模型的設置，模型的一些超參數,如隱藏層的數量和每個隱藏層中神經元的數量，可能會對模型的性能產生巨大影響，使用 K 摺疊交叉驗證來選擇這些參數。經反覆實驗，最終確定本研究的迴歸模型由 3 個可變加權自編碼器組成，隱藏神經元數分別為 1600、1100 和 512，批量大小設置為 40，並且每個自編碼器迭代訓練 500 次。每個可變加權自編碼器的訓練誤差與迭代次數的關係見

圖 3，可以看出，3 個可變加權自編碼器模型都可以在迭代 500 次內快速收斂。一旦自編碼器逐層預訓練完成，2 層 ANN 將連接到自編碼器的頂層輸出對網絡進行微調，選定網絡結構為[512，128]。

▲圖 3　測試集的預測性能

預測輸出與實際值基本吻合(

圖 4)，預測誤差主要是由訓練樣本中的少量樣本所處的點引起的。

▲圖 4　校正集和預測集的模型預測性能

2.2 模型對馬尾松苗木根部含水量的預測結果

為了驗證所提出方法的有效性，對比了其他幾種構建預測模型的方法，每種方法都使用相同的訓練集進行訓練，表 1為每種方法的 4 倍交叉驗證的平均結果。

▼表 1　利用不同迴歸模型對馬尾松苗木根部含水量進行校正和預測的結果

04

結論

基於近紅外光譜技術，可變加權堆疊自動編碼器與支持向量迴歸相結合可實現馬尾松苗木根部含水量準確預測。

（感謝作者提供素材）