基于近红外光谱的林内枯叶跨林分间模型迁移的含水率检测方法

Moisture Content Detection Method in Forest Floor Litter Model Transfer Across Stands Using Near-Infrared Spectroscopy

摘要

森林地表枯叶含水率是森林火灾发生的重要因素，其精准检测对森林火灾的预防尤为重要。近红外光谱技术可以根据光谱数据直接反演水分含量，从而实现枯叶含水率的快速检测，但不同可燃物光谱光照强度数据的特征波段不尽相同，需要对不同树种的枯叶分别建立检测模型以匹配不同的光照强度与含水率反演关系，而对不同林分的光谱光照强度数据进行采集与标注也需要较高的时间成本，限制了光谱法的实际应用。为此，提出基于双向长短期记忆神经网络（Bi-LSTM）的森林地表枯叶含水率检测迁移学习方法，将训练好的模型参数迁移到新的模型中，避免重新训练模型，从而提高模型的学习效率、减小训练模型所需的数据量。结果表明，与经典反演方法长短期记忆网络（LSTM）相比，Bi-LSTM具有更好的检测性能，蒙古栎和落叶松的平均绝对误差（mean absolute error，MAE）分别减小了0.62%和0.87%，均方误差（mean square error，MSE）分别减小了0.28%和0.70%。且基于Bi-LSTM改进的迁移学习方法，大大降低了对标记近红外光谱数据的依赖。当目标域样本数为300个时，源域样本数为1 000个时，检测模型的MAE、MSE、决定系数（coefficient of determi nation，R ²）分别为3.27%、1.10%、0.918。MAE和MSE比没有源域训练的检测模型分别缩小了2.36%和1.02%，R ²提升了0.114。对比迁移前后说明迁移学习为降低光谱枯叶含水率建模时间成本、提高光谱检测实用性提供新的手段。

关键词

枯叶凋落物 / 含水率 / 迁移学习 / 深度学习 / 近红外光谱

Key words

Litter fall / moisture content / transfer learning / deep learning / near-infrared spectrum

基金资助

中央财政林业科技推广示范项目资助（黑（2023）TG25号）