基于BP神经网络GPR反演滨海盐渍土含盐量模型构建

赵学伟 王萍 李新举 刘宁

摘要：滨海盐渍土水盐含量较高，水盐运移规律显著，利用探地雷达（GPR）反演土壤含盐量具有重要意义。针对目前GPR反演土壤含盐量模型多为内陆盐渍土单一影响因素模型现状，本研究采用BP神经网络方法，探究GPR信号的土壤介电常数、土壤层次振幅比与土壤含盐量之间的非线性关系，并以Matlab 为平台，采用自编程序对实验数据进行网络学习和仿真，构建了多重GPR信号反演的土壤含盐量模型。模型输出准确率达到86.53%，表明该模型可以预测滨海盐渍土含盐量。

关键词：滨海盐渍土； GPR； 土壤介电常数； 分层振幅比； 含盐量；BP神经网络

中图分类号：S126：S156.4+2文献标识号：A文章编号：1001-4942（2018）05-0152-04

Abstract The soil water and salinity in coastal area is high and changing rapidly， so it is significant to using GPR to invert soil salinity. Different from the most present models of inland saline soil salinity inverted by GPR based on single influencing factor， we consctucted the soil salinity model based on multiple GPR signals using the BP neural network. The nonlinear relationships were studied between the soil dielectric constant and soil layer amplitude ratio of GPR signals and the soil salinity. Then， the BP neural network is applied to train and simulate the experimental data with Matlab platform. The accuracy of model output is up to 86.53%， which indicates that the model could predict the soil salinity of the saline soil.

Keywords Coastal saline soil； GPR； Soil dielectric constant； Stratified amplitude ratio； Soil salinity； BP neural network

黃河三角洲地区多为滨海盐渍土，土壤水盐含量高[1]，时空变异性强，运移过程复杂[2]。调控土壤盐分是滨海盐渍土改良和农业利用的最重要内容，而土壤盐分的定量监测是水盐动态运移研究的前提[3]。传统的盐渍土含盐量测定方法有TDR传感器法[4]、残渣烘干法[5]、电导率法[6]，其中，传感器法可实时测定土壤盐分，测定结果精确度高，但需埋设较多探头，观测与维护成本高；残渣烘干法、电导率法需开挖土壤剖面，对土壤破坏程度大。探地雷达（GPR）可沿测线解析土壤剖面结构，反演分层土壤盐分含量，耗时短、费工少、土壤挖损小且精度高、测量深，更适宜于中尺度土壤水盐调查[7]。

但目前探地雷达对土壤的调查大多集中在土壤层次和厚度以及水分的测定等方面[8]，对盐渍土，尤其是滨海盐渍土水盐变化的应用研究不多。滨海盐渍土的水盐变化受到土壤类型、水盐含量、地下水位等多重因素的影响，但在GPR信号中对应为电磁波传播速度与振幅信息的变化[9]，电磁波传播速度、土壤振幅与含盐量的关系具有很强的非线性和复杂性，单一影响因素模型难以表现。

BP神经网络可描述多个因素的影响，且不需要预先设定变量间的具体函数关系，可直接利用实验数据通过BP神经网络的自学习能力找出输出变量与输入变量间的内在非线性规律[10，11]，近年来已经得到广泛应用[12]，效果优于传统数据处理方法[13]。因此，本研究采用BP神经网络，以Matlab为平台对滨海盐渍土水盐变化进行仿真，以期获得滨海盐渍土含盐量模型。

1 试验设计与处理方法

本研究于2017年4月以山东省滨州市“渤海粮仓”试验示范基地的滨海盐渍土为研究对象，设置不同水盐含量处理（分别加入水20 L、5 g/L NaCl溶液20 L、20 g/L NaCl溶液20 L，使其均匀缓慢渗入，以不加水为对照）、不同小麦覆盖程度（裸土地、小麦长势一般、小麦长势良好）。各地块均为砂质壤土，土壤其他理化指标如土壤粒径大小、紧实度等类似。用加拿大探测器与软件公司生产的pulseEKKO PRO系列GPR主机以及250 MHz屏蔽天线，通过FO法与CMP法对小麦覆盖程度不同、处理方式不同的地块不同层次的电磁波进行数据收集。同时，开挖各地块土壤剖面，分层实测土壤的含水量与含盐量。

2 GPR反演土壤含盐量的BP神经网络构建与检验

2.1 土壤水盐变化对GPR信号的影响

经比较发现，GPR信号中电磁波传播速度与水盐含量有一定的联系（表1）。随着水盐含量的增加，电磁波传播速度逐渐衰弱，测得的土壤介电常数增大。滨海盐渍土中土壤含盐量对电磁波振幅能值影响显著，盐分含量越高，振幅衰减越快。土壤可溶性盐分是造成电磁波振幅能值下降的主要原因，可选用分层振幅比来表现电磁波振幅的下降幅度。由此可知，GPR测得的土壤介电常数与振幅比和土壤含盐量存在隐性、非线性关系。因此，本研究采用具有高度非线性映射的BP神经网络建立基于GPR信号的土壤含盐量模型。

2.2 BP神经网络模型构建

BP神经网络[14]是一种按误差逆传播算法训练的多层前馈网络，一般由输入层、隐含层和输出层组成，各层由一个或多个神经元组成，层内各个神经元之间无信息的反馈，相邻两层之间连接通过调节权值和阈值实现。研究表明，一个三层的BP网络理论上可逼近任意的非线性映射[15]，因此采用三层的BP网络即可满足建模需要。

我们把GPR测得的土壤介电常数和分层振幅比作为网络输入层，神经元节点数为 2，含盐量为输出层。由于GPR信号与土壤含盐量不是简单的线性关系，隐含层中神经元采用logsig型非线性传递函数，输出层神经元采用purelin（）线性传递函数，通过newff（）函数构建3层的BP神经网络，网络模型见图1。

2.3 数据预处理

选择GPR对不同植被覆盖滨海盐渍土4种处理方式下土壤含盐量响应特征试验中的36组数据作为样本（表1），其中29组为训练样本，7组为预测样本。由于BP神经网络转换函数输入时，在[-1，1]区间的变化梯度较大，为了使输入的数据适应 BP网络的输入结构，采用premnmx（）函数预处理样本数据，并采用prestd（）函数对网络输出进行反归一化处理[16]，不仅能够防止出现过适配问题，还能提高BP网络泛化能力。

选用trainrp（）函数对网络进行训练，学习函数为learngdm（），最大训练步数epochs为1 000，goal为0.000 1，show为100，学习误差为0.01。经过857次循环训练达到预期目标，但由于newff（）函数的随机性，所以基本上每一次训练结果都是不同的，但每次训练都能在循环期内完成训练目标，达到精度要求。

2.4 训练结果及分析

为验证网络模型的预测能力，将预测样本输入到训练好的网络中，用sim（）函数进行仿真预测，用plot（）函数输出预测样本真实值与预测值的对比图像（图2），并计算其平均误差，得到的预测值与真实值如表2所示。

可以看出：（1）预测滨海盐渍土含盐量绝对误差与相对误差绝对值最大的均是用20 g/L NaCl溶液20 L处理的小麦长势一般的地块表层，其原因可能是输入变量自身存在问题，或者网络训练样本不够多。（2）预测样本仿真输出误差大小不一，绝对误差范围在-0.327～0.324 g·kg-1之间，相对误差范围在-14.17%～10.38% 之间，水盐含量越高，绝对误差的值越大。裸土地未处理状态下，随着土层深度的增加，绝对误差的值逐渐减小，相对误差表层最大，中下层误差值的差异幅度较小，主要由于表层盐分含量较高，减弱大部分电磁波；相同地块相同层次随着水盐的增加，绝对误差与相对误差的绝对值均变大，盐溶液浓度越高，预测值与真实值的差异越大。但总体误差在允许范围内，精度较好，仿真输出被证明有效，训练后的BP神经网络是可行的。

2.5 模型的构建及检验

将全部雷达测得数据作为预测样本进行仿真输入得到仿真数据模型（图3）利用Matlab中cftool工具箱拟合仿真数据曲线，通过多项式输出仿真含盐量，得到多项式：

Z=6.962-0.4748X-14.79Y+0.1627X2+0.842XY+8.262Y2 。

其中，Z为土壤含盐量，X为GPR测得的介电常数，Y为GPR测得的土壤分层振幅比。

把反演仿真输出的含盐量与实际含盐量相比较，结果（图4）发现，该模型对于裸土地含盐量的预测误差较大，对小麦长势良好的地块含盐量预测误差最小，主要由于裸土地表层土壤含盐量较高，对电磁波具有很强的衰减作用，造成振幅比迅速下降，从而产生较大预测误差。经计算，该模型的平均误差率为13.46%，准确率为86.54%，证明该模型具有良好的适用性。

3 结论

（1）采用BP神经网络建立了滨海盐渍土土壤含盐量与GPR测量土壤介电常数、分层振幅比信号响应的非线性模型。所取得的预测值与真实值非常接近，其准确率达到86.54%；当表层土壤盐分过高时，电磁波衰减迅速，会产生一定预测误差；随着水盐含量的降低，精度变高。说明利用BP神经网络技术进行GPR反演滨海盐渍土土壤含盐量准确可行。

（2）本模型只考虑了水盐的动态变化，具有一定的局限性，加之训练样本数据有限及BP神经网络自身存在不足，使仿真结果存在一定误差，其精度有待进一步提升。

参 考 文 献：

[1] 李建国，濮励杰，朱明，等. 土壤盐渍化研究现状及未来研究热点[J]. 地理学报， 2012， 67（9）：1233-1245.

[2] 付腾飞，贾永刚，刘晓磊，等. 黄河三角洲滨海盐渍土水盐运移监测研究[J].土壤通报，2012，43（6）：1342-1347.

[3] 尹春艳. 黄河三角洲滨海盐渍土水盐运移特征与调控技术研究[D]. 烟台：中国科学院烟台海岸带研究所， 2017.

[4] 席琳乔，余建勇，张利莉. TDR技术测定盐碱地土壤盐分和水分及标定研究[J]. 塔里木大学学报，2007，19（3）：6-10.

[5] 王立艳， 潘洁， 于彩虹，等. 天津滨海盐碱地土壤含盐量测定方法的研究[J]. 天津农业科学， 2011， 17（5）：40-42.

[6] 辛明亮，何新林，吕廷波，等.土壤可溶性盐含量与电导率的关系实验研究[J]. 节水灌溉，2014（5）：59-61.

[7] 王萍，李新举，闵祥宇，等. GPR测量滨海盐渍土剖面分层的实验研究[J]. 土壤，2016，48（6）：1261-1269.

[8] Hartemink A E， Minasny B. Towards digital soil morphometrics[J]. Geoderma，2014，230-231：305-317.

[9] 彭亮， 張立新， 邓友生，等. 利用低频微波波段GPR对盐渍化土壤盐分迁移的研究[C]// Recent development of research on permafrost engineering and cold region environment—Proceedings of the eighth international symposium on permafrost engineering. 2009：698-707.

[10]尚松浩， 毛晓敏. 基于BP神经网络的土壤冻结温度及未冻水含量预测模型[J]. 冰川冻土， 2001， 23（4）：414-418.

[11]江叶枫， 郭熙， 叶英聪， 等. 应用集成BP神经网络模型预测土壤有机质空间分布[J]. 江苏农业学报， 2017， 33（5）： 1044-1050.

[12]焦淑华， 夏冰， 徐海静，等. BP神经网络预测的MATLAB实现[J]. 金融理论与教学， 2009（1）：55-56.

[13]贺宪民， 贺佳， 范思昌. Cox模型与BP神经网络在处理非线性数据时的性能比较[J]. 数理统计与管理， 2004， 23（2）：69-72.

[14]赵惠新， 吴志琴， 李兆宇，等. 基于BP神经网络冻融作用下细粒土抗剪强度的研究[J]. 水电能源科学， 2012， 30（4）：32-33，78.

[15]许健. 基于BP神经网络的重塑黄土冻融过程抗剪强度劣化特性研究[J]. 水利与建筑工程学报， 2016， 14（6）：13-17.

[16]何庆中. 防止BP神经网络训练函数进入局部误差振荡缺陷的一种方法[J]. 四川理工学院学报（自然科学版）， 2007， 20（3）：98-100.