基于近红外光谱技术与支持向量机模型的土壤参数预测.pdfVIP

基于近红外光谱技术和支持向量机模型的土壤参数预测 * 郑立华，李民赞，孙红，安晓飞 （中国农业大学，现代精细农业系统集成研究教育部重点实验室，北京 100083 ） 摘 摘 要要：：应用支持向量机算法对土壤光谱数据进行处理， 摘摘 要要：： 射特征之间关系的研究已历经多年，研究成果表 研究了土壤全氮和土壤有机质的回归模型以及模型随参 明，在电磁波谱中的近红外区域，土壤的吸光度 数变化的规律。首先，从中国农业大学试验田采集了 150 与组成成分浓度呈现出较明显的线性相关性[2-7] 。 个土样，然后使用近红外光谱仪获取了每个原始土壤样本 基于近红外光谱分析技术预测土壤水分、有机质 的近红外光谱，同时应用实验室分析方法测量了土壤样本 和总氮含量的研究也取得了显著的成果[8-13] ，研 的全氮和有机质含量，最后以近红外光谱数据为自变量对 究目标由经过研磨过筛等预处理的土壤样本发展 土壤全氮和有机质含量进行了支持向量机回归建模并评 价了算法各参数对模型的影响。研究表明，土壤参数适合 到未经预处理的新鲜土样；建模方法也涉及多元 于全谱支持向量回归。对于土壤全氮，基于小波降噪NIR 线性回归、偏最小二乘回归、神经网络以及小波 光谱的 SVM 回归模型效果较好，标定 R2 达到 0.9224， 包分析等，研究越来越接近生产实际应用。 验证 R2 达到 0.3667，模型的回归均方差和验证均方差均 支持向量机由Vapnik 等人于 1992年提出[14] 。 较低；对于土壤有机质，基于原始NIR 光谱的 SVM 回归 支持向量算法的一个重要特征是：根据泛化性理 模型效果最好，标定R2 达到 0.9179，验证R2 达到 0.4152， 论强化学习偏置时，会产生假设的稀疏对偶表示， 模型的回归均方差和验证均方差均较理想。 从而成为非常有效的算法；其另一个重要特性是： 关键词关键词：：支持向量机；土壤全氮；土壤有机质；近红外 关键词关键词：： 由于引入核的Mercer 条件，使得相应的优化问题 光谱；土壤参数预测 成为凸问题，因此没有局部最小[15,16] 。与传统的 人工神经网络比起来，支持向量机不仅结构简单， 而且能够较好地解决小样本、非线性、高维数和 中图分类号: O65713 , S15 文献标识码: A DOI : 1013964/ j1issn1100020593 (2009) 0621549204 局部最小点等实际的问题[17] 。近年来国内外运用 支持向量机算法解决土壤参数预测的研究也取得 了较好的进展[18-25]，这些研究中的目标主要为土 0 引言 壤含水率，有关土壤有机质和土壤全氮的研究也 精细农业作为一种崭新的现代化农业管理理 是针对预处理后的土壤样本进行，且光谱波段为 [1] 念和方式 ，摈弃了现行农业管理方式的致命缺 325-1075nm。本研究将支持向量机引入基于近红 陷。它要求按照农田的时空差异进行精确科学的 外光谱技术的土壤参数实时测定领域，针对实时 施肥以及养分管理。清晰地了解土壤的空间变异 土壤样