[发明专利]一种基于GRU-RNN模型的土壤参数分类方法

说明书

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。

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；