一种基于探地雷达A-scan数据估算树根直径的方法

一种基于探地雷达a
‑
scan数据估算树根直径的方法
技术领域
1.本发明涉及一种基于探地雷达a
‑
scan数据估算树根直径的方法，属于林木的无损检测技术领域。


背景技术：

2.探地雷达作为一种众所周知的便捷的无损检测技术，已经广泛用于近地表研究，用以探测位于地表下几米范围内的物体。在林木无损检测领域中，国内外已经成功地将探地雷达应用于树根检测和根系生物量估计。
3.探地雷达的基本工作原理是在沿着垂直于树根方向的探测过程中，雷达信号发射器不断地向地下发射电磁波信号(a
‑
scan)，接收器收到多道a
‑
scan信号从而组成b
‑
scan，使得地下管状目标在探地雷达图像中以双曲线形式呈现。如图1所示，图1(a)表示多个a
‑
scan构成一个b
‑
scan，图1(b)为通过灰度级描述的b
‑
scan，其中的双曲线即为探测到的地下管状物体。因此探地雷达检测地下物体通常即指双曲线形态的识别，根据探地雷达成像的原理，可以得出图1(c)所示的几何模型地下管状目标的双曲线形态可以式(1)描述，其中(x0,t0)是管状目标的顶点，r是管状目标的半径，v0是电磁波在介质中的传播速度，t表示电磁波反射回波的双程走时。
[0004][0005]
现有使用探地雷达进行根系直径估算的方案主要基于式(1)中的双曲线函数求解，通过数字图像方法提取出b
‑
scan图像中感兴趣区域(roi)，通过腐蚀、膨胀、边缘细化等操作对roi进行预处理，接着通过霍夫变换和最小二乘法拟合双曲线。然而，在拟合双曲线时，需要手动选取至少三个点来求解双曲线方程即式(1)，由于对roi区域的预处理操作会使原本双曲线开口变化，并且对多个双曲线邻接不能精确分割的情形，拟合出的双曲线会与实际产生偏差，由此导致估计出的根系直径与实际直径出现偏差。此外，霍夫变换将目标形态的识别转换为霍夫参数空间的极值求取问题，由于直接对双曲线进行霍夫变换得到的参数空间过大，求解时间较长，在实际应用中，若需要对某区域内大量树木进行树根直径估算则需要耗费较长时间。


技术实现要素：

[0006]
为了解决目前基于探地雷达估算树根直径不准确的问题，本发明提供了一种基于探地雷达a
‑
scan数据估算树根直径的方法，所述方法将探地雷达a
‑
scan数据分别输入三个训练好的结构相同、但每一层节点间的权重不同的神经网络，分别得到待估算树根所处土壤环境中的沙土含量s、含水率m和树根深度d，得到沙土含量s、含水率m和树根深度d后，将其与a
‑
scan数据进行融合得到新的输入向量，将所述新的输入向量输入训练好的具有100棵树的随机森林网络得到待估算树根直径的估计值。
[0007]
可选的，所述三个神经网络均包括两个隐藏层，两个隐藏层分别有240个和160个
节点，隐藏层的激活函数均为relu，最后一个节点线性输出。
[0008]
可选的，所述随机森林网络中100棵树的分裂准则是均方误差。
[0009]
可选的，所述探地雷达a
‑
scan数据为采用pca降维处理的数据。
[0010]
可选的，所述方法还包括：
[0011]
利用基于有限差分时间域fdtd的方法对土壤和树根进行建模，得到土壤半经验模型；
[0012]
利用所述土壤半经验模型进行仿真，构造用于训练神经网络和随机森林网络的a
‑
scan数据。
[0013]
可选的，所述利用所述土壤半经验模型进行仿真，构造用于训练神经网络和随机森林网络的a
‑
scan数据时，设定土壤中沙粒部分s在0
‑
1之间均匀分布，土壤含水量m在0
‑
0.3之间均匀分布，埋根深度在0
‑
30cm之间均匀分布，树根直径在2
‑
8cm之间均匀分布。
[0014]
可选的，所述方法在利用所述土壤半经验模型进行仿真，构造用于训练神经网络和随机森林网络的a
‑
scan数据后，还包括：
[0015]
对构造的a
‑
scan数据进行欠采样，并利用主成分分析pca对欠采样后的数据进行降维处理。
[0016]
可选的，使用拓展德拜函数近似所述土壤半经验模型为：
[0017][0018]
其中，∈
′
和∈
″
分别为土壤介电常数∈的实部和虚部，∈
d,∞
为无穷频率下介电常数；∈
d,s
为静态下介电常数；ω是角频率；t
d,0
是弛豫时间；∈0是真空中介电常数；σ是电导率。
[0019]
可选的，所述探地雷达的天线为1.5ghz商用探地雷达天线。
[0020]
可选的，所述土壤半经验模型大小为50
×
30
×
40cm。
[0021]
本发明有益效果是：
[0022]
本申请根据探地雷达a
‑
scan数据通过训练好的神经网络估算出待估算树根所处土壤环境中的沙土含量s、含水率m和树根深度d，得到沙土含量s、含水率m和树根深度d后，将其与a
‑
scan数据进行融合得到新的输入向量，将所述新的输入向量输入训练好的具有100棵树的随机森林网络得到待估算树根直径的估计值；避免了现有通过双曲线函数求解树根直径的估计值时需要进行霍夫变换带来的参数空间过大，求解时间较长的问题，而且由于不需要对双曲线进行分割，从而也避免由于拟合出的双曲线会与实际产生偏差导致的误差，进一步提高了估计精度；进一步的，本申请在对某区域内大量树木进行树根直径估算时，由于同一区域土壤环境中的沙土含量s、含水率m相近，因而无需进行重复训练，可直接根据探地雷达a
‑
scan数据输入随机森林网络得到待估算树根直径的估计值，节省计算量和时间。
[0023]
另外，本申请在训练神经网络时，可通过使用fdtd方法生成a
‑
scan数据集，避免了费时费力采集现场数据制作数据集；本申请方法对树根深度估计准确，最大误差为
±
3cm，对树根的半径估计，精度为
±
10mm，本申请可实时得到树根直径的估计值，对树根深度和直径的检测具有良好的指导作用。
附图说明
[0024]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]
图1是探地雷达b
‑
scan成像模型示意图。
[0026]
图2是本发明一个实施例中提供的基于探地雷达数据估算树根直径的方法的原理图。
[0027]
图3是本发明方法中提及的土壤模型示意图。
[0028]
图4是本发明方法中原始a
‑
scan轨迹和欠采样后a
‑
scan轨迹对比图。
[0029]
图5是本发明方法中回归方案示意图。
[0030]
图6实际参数和估计参数之间的误差直方图。
具体实施方式
[0031]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0032]
实施例一：
[0033]
本实施例提供一种基于探地雷达a
‑
scan数据估算树根直径的方法，首先对探地雷达a
‑
scan数据进行预处理，进而根据预处理后的a
‑
scan数据分别训练三个神经网络以分别预测待估算树根所处土壤环境中的沙土含量s、含水率m和树根深度d，进而将预测出的s、m、d值与预处理后的a
‑
scan数据进行融合得到新的输入向量，将此输入向量输入到具有100棵树的随机森林网络得到待估算树根直径的估计值。
[0034]
本申请在实现过程中，未直接采用探地雷达实际获得a
‑
scan数据，而是根据已有的土壤半经验模型构造贴近真实土壤环境的a
‑
scan数据集，基于构造出的a
‑
scan数据集训练神经网络以及随机森林网络，进而在实际应用中，直接将采用探地雷达实际获得a
‑
scan数据，输入训练好的神经网络以及随机森林网络，得到待估算树根直径的估计值。
[0035]
具体的，构造贴近真实土壤环境的a
‑
scan数据集包括：
[0036]
利用基于fdtd(有限差分时间域)的方法对土壤和树根进行建模：
[0037]
fdtd允许使用dobson和peplinski提出的土壤半经验模型，由公式(2)
‑
(10)描述，土壤的介电常数为∈＝∈
′‑
j∈
″
，j是虚数单位
[0038][0039]
∈
′
(0.3
‑
1.3ghz)
＝1.15∈
′
(1.4
‑
18ghz)
‑
0.68
ꢀꢀꢀ
(3)
[0040][0041]
∈
s
＝(1.01+0.44ρ
s
)2‑
0.062
ꢀꢀꢀ
(5)
[0042]
β
′
＝1.2748
‑
0.519
·
s
‑
0.152
·
c
ꢀꢀꢀ
(6)
[0043]
β
″
＝1.33797
‑
0.603
·
s
‑
0.166
·
c
ꢀꢀꢀ
(7)
[0044][0045]
σ
f(1.4
‑
18ghz)
＝
‑
1.645+1.939ρ
b
‑
2.25622
·
s+1.594
·
c
ꢀꢀꢀ
(9)
[0046]
σ
f(0.3
‑
1.3ghz)
＝0.0467+0.2204ρ
b
‑
0.411
·
s+0.6614
·
c
ꢀꢀꢀ
(10)
[0047]
f
w
是土壤的含水率，ρ
s
是土壤的堆积密度，ρ
b
是土壤的沙粒密度，∈
s
是沙粒的介电常数，∈0是真空中介电常数，a＝0.65是实验得出的常数，s是土壤的沙子部分所占百分比值。c是土壤的粘土部分所占百分比值，(0≤{s，c}≤1，s+c＝1)。∈
w
是水的介电常数，∈
″
w
、∈
′
w
分别是水的相对介电常数的虚部和实部，t
0,w
＝9.23ps是水的弛豫时间，∈
w,0
＝80.1是零频率下水的介电常数，∈
w,∞
＝4.9是无穷大频率下水的介电常数，ω是角频率，σ
f
是土壤电导率。
[0048]
上述的土壤半经验公式(2)和(3)不能直接应用于时域有限差分，因此，本申请通过将其与拓展德拜函数近似，实现对土壤的建模，即：
[0049][0050]
联立式(2)
‑
(12)可得：
[0051][0052][0053]
t
d,0
＝t
w,0
[0054][0055]
为构造一个均匀分布且充分的数据集，根据现实情景，设定土壤中沙粒部分s在0
‑
1之间均匀分布，土壤含水量m在0
‑
0.3之间均匀分布，埋根深度在0
‑
30cm之间均匀分布，树根直径在2
‑
8cm之间均匀分布，基于上述设定，根据上述对土壤的建模生成3000条不同的a
‑
scan轨迹，每条a
‑
scan轨迹由3000个点构成，读取每条a
‑
scan轨迹获取其幅值作为原始数据集。
[0056]
对生成的a
‑
scan原始数据集进行处理，对每条a
‑
scan轨迹将其幅值由原来的104大小缩放到[
‑
1,1]之间，方便后续数据处理，减少计算量，加快计算速度；进一步采用欠采样，每10个点取一得到由300个点组成的a
‑
scan轨迹。
[0057]
为了进一步降低数据的维度，采用pca将欠采样后的数据的n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。通过这k维特征的线性组合，可以从中重建数据，a
‑
scan轨迹由300个点降到40个，并且保留了绝大部分信息，丢失的信息可以忽略不计。
[0058]
基于pca降维后的数据，本申请继续做如下处理：
[0059]
第一步，基于压缩后的单次a
‑
scan，训练三个神经网络来预测s(沙土含量)、m(含水率)和d(深度)，即根据pca降维后得到的40个点分别训练三个神经网络，用以预测s(沙土含量)、m(含水率)和d(深度)。
[0060]
第二步中，将预测的s、m、d与压缩的a
‑
scan耦合形成新的输入向量输入到具有100
棵树的随机森林，得到树根直径的估计值。
[0061]
随机森林是一种集成监督学习方案，在回归问题上表现良好。在本发明中，随机森林已经被证明比神经网络在估计树根直径方面表现得更好。使用不同的优化器和batch size测试了多种神经网络配置(具有不同激活函数的不同层和节点以及不同的dropout层)。
[0062]
实施例二
[0063]
本实施例提供一种基于探地雷达数据估算树根直径的方法，所述方法使用实施例一所述的方法估算树根直径；图2为本发明的流程图。
[0064]
本申请使用基于fdtd方法生成土壤模型，模型大小为50
×
30
×
40cm，根据courant极限选择离散化步长为1mm，采样点个数为3000，通过随机产生在指定区间的s(沙土含量)、m(含水率)和d(深度)生成不同的土壤模型，模型中使用的天线模型为地球物理测量系统公司(gssi)制造的1.5ghz商用探地雷达天线。图3是本发明方法中土壤模型示意图。gssi商用1.5ghz天线直接放置在土壤表面，树根正上方。
[0065]
生成的a
‑
scan如图4所示，图4a为原始轨迹，包含3000个采样点，幅值已经归一化到[
‑
1,1]之间，图4b为欠采样轨迹，每隔十个点选取一个采样点，包含300个采样点。对欠采样后的a
‑
scan数据集使用pca主成分分解进行降维，a
‑
scan轨迹由300个采样点减少到40个。
[0066]
回归方案如图5示，由两个连续的部分组成：
[0067]
第一部分，基于压缩后的单次a
‑
scan数据，即pca降维后的数据，训练三个神经网络来预测s(沙土含量)、m(含水率)和d(深度)。这三个神经网络结构相同，每个神经网络包括两个隐藏层，两个隐藏层分别有240个和160个节点，隐藏层的激活函数均为relu，最后一个节点线性输出。
[0068]
训练时三个神经网络相互独立，将压缩后的单次a
‑
scan数据分为三组，70％的数据用于训练，10％用于验证，20％用于测试，使用adam作为优化器反向传播更新权重，与经典的随机梯度下降法不同的是，adam不会保持一个单一的学习率用于所有的权重更新。adam在训练中每个网络权重都保持一个独立的学习率，并随着网络训练的展开单独地进行调整。因而虽然这三个神经网络的网络结构相同，但是每个网络的每一层节点间的权重并不相同，损失函数为均方误差，使用训练好的三个神经网络分别来预测s、m、d。
[0069]
第二部分，将预测的s、m、d与压缩的a
‑
scan耦合形成新的输入向量输入到具有100棵树的随机森林网络，在本发明中的随机森林中树的分裂准则是均方误差，在训练中不使用bootstrap抽样，数据为训练集(80％)和测试集(20％)。
[0070]
测试是使用未包括在训练集中的数据进行的，如图6所示，对沙土含量s进行了估算，最大误差为
±
0.2左右；对含水率m进行了估算，最大误差为
±
0.12左右；对深度d估计准确，最大误差为
±
3cm。
[0071]
将估计的s、m和d与压缩的a
‑
scan耦合，作为新的输入预测树根的半径r，精度为
±
10mm。
[0072]
上述实际半径和预测半径之间的差异有一部分是由所采用的探地雷达天线的固有分辨率引起的，本实施例所采用的400mhz天线最小分辨率约4mm。因此为了减小误差，需要采用更高频率的天线来提高整体分辨率，同时天线频率变高也会带来探测深度的变浅，
不利于探测到地下较深处的根系，因此需要根据实际情况选取合适的天线。
[0073]
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
[0074]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。