基于短时傅里叶光谱与数据融合的土壤成分含量预测OACSTPCD

土壤肥力是衡量土壤质量的重要指标.为了评估土壤质量和提高作物产量,迫切需要找到快速预测土壤成分的途径.首先提出Inception层短时傅里叶变换卷积神经网络(inception short-time Fourier transform convolutional neural network,简称I-STFT-CNN)单一光谱模型,然后提出2个融合光谱模型II-STFT-CNN(indirect inception short-time Fourier transform convolutional neural network)和CI-STFT-CNN(cascade inception short-time Fourier transform convolutional neural network),最后对这些光谱模型的性能参数进行对比.研究结果表明:相对于SVR(support vector regression),PLSR(partial least squares regression)和STFT-CNN(short-time Fourier transform convolutional neural network)模型,该文提出的单一光谱I-STFT-CNN模型具有更高的预测精度;融合光谱模型的预测精度优于单一光谱模型;两个融合模型中,级联融合CI-STFT-CNN模型的性能优于通道融合II-STFT-CNN模型.因此,3种模型中,CI-STFT-CNN模型的预测精度最高.