基于支持向量機(jī)的土壤養(yǎng)分制圖研究.pdf

1、土壤不僅是人類賴以生存的物質(zhì)基礎(chǔ)和寶貴財(cái)富的源泉，又是人類最早開發(fā)利用的生產(chǎn)資料，同時(shí)，土壤還維持著地球上多種生命的生息繁衍。要充分利用土壤資源，服務(wù)于農(nóng)業(yè)生產(chǎn)、生態(tài)環(huán)境改善、耕地保護(hù)等各種與土壤資源密切相關(guān)領(lǐng)域，則必須了解土壤資源的性質(zhì)、數(shù)量以及空間分布情況。隨著科技的進(jìn)步，人們對(duì)土壤的認(rèn)識(shí)程度更加深刻，同時(shí)已經(jīng)漸漸不在滿足于以分類形式展現(xiàn)的土壤信息。只有更高精度的土壤信息才能滿足現(xiàn)代精細(xì)農(nóng)業(yè)、環(huán)境保護(hù)等領(lǐng)域的要求。
　　 為

2、實(shí)現(xiàn)這一目標(biāo)，土壤學(xué)家提出并發(fā)展了眾多預(yù)測(cè)模型，希望借助數(shù)字地形分析技術(shù)、3S技術(shù)、計(jì)算機(jī)技術(shù)等提高土壤信息預(yù)測(cè)的精度、加快更新速度、降低所需成本。如經(jīng)典統(tǒng)計(jì)學(xué)方法、地統(tǒng)計(jì)學(xué)方法、機(jī)器學(xué)習(xí)方法等，越來(lái)越多以及越來(lái)越復(fù)雜的數(shù)學(xué)方法被應(yīng)用于土壤信息獲取。支持向量機(jī)(Support vector machine，SVM)是機(jī)器學(xué)習(xí)方法中的一種，避免了神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)難于確定、過(guò)學(xué)習(xí)或欠學(xué)習(xí)以及容易陷入局部最優(yōu)等缺點(diǎn)，具有較強(qiáng)的泛化能力。

3、>　　 目前，將支持向量機(jī)應(yīng)用于土壤信息獲取的研究主要集中于土壤分類以及土壤水相關(guān)研究，對(duì)于土壤養(yǎng)分的預(yù)測(cè)制圖研究較少，本文將研究區(qū)設(shè)定在重慶市江津區(qū)永興鎮(zhèn)，面積約2平方公里，以高程、地形濕度指數(shù)、相對(duì)位置指數(shù)、坡長(zhǎng)4種地形因子為輸入變量，探討支持向量機(jī)在有機(jī)質(zhì)、堿解氮、有效磷、速效鉀及中微量元素有效銅、有效鐵、有效錳等7種土壤養(yǎng)分制圖方面的適用性。主要結(jié)論如下:
　　 (1)對(duì)研究區(qū)7種土壤養(yǎng)分進(jìn)行統(tǒng)計(jì)描述分析:其中，有效鐵

4、具有強(qiáng)變異性，有機(jī)質(zhì)、堿解氮、有效磷、速效鉀、有效銅、有效錳均為中等變異性;整體變異性由大到小順序?yàn)?有效鐵＞有效銅＞有效磷＞有效錳＞速效鉀＞堿解氮＞有機(jī)質(zhì)。
　　 (2)地形在土壤形成過(guò)程中，通過(guò)對(duì)物質(zhì)與能量的再分配起間接作用。地形的變化能夠引起其他成土因素的變化從而影響土壤的形成和分布。研究區(qū)土壤養(yǎng)分除有效磷外均與地形因子之間存在顯著相關(guān)性。
　　 (3)將采集的265個(gè)土壤樣本隨機(jī)分為訓(xùn)練集（樣本數(shù)為165個(gè)）和測(cè)

5、試集（樣本數(shù)為100個(gè)），使用訓(xùn)練集用于支持向量機(jī)模型擬合，使用測(cè)試集對(duì)擬合模型進(jìn)行精度驗(yàn)證。對(duì)于每種土壤養(yǎng)分，使用訓(xùn)練集分別建立不同地形因子組合的支持向量機(jī)模型，其中單個(gè)地形因子的模型4種，雙地形因子組合的模型6種，三地形因子組合的模型4種，最后建立使用全部四種地形因子的模型，即共建立15種模型。通過(guò)比較15種模型在測(cè)試集上的精度得到研究區(qū)土壤養(yǎng)分制圖的最佳SVM模型。按照有機(jī)質(zhì)、堿解氮、有效磷、速效鉀、有效銅、有效鐵、有效錳的順序，

6、所選擇的最佳地形因子組合分別為:（地形濕度指數(shù)，相對(duì)位置指數(shù)）、（高程，地形濕度指數(shù)，相對(duì)位置指數(shù)）、（地形濕度指數(shù)，相對(duì)位置指數(shù)，坡長(zhǎng)）、（高程，地形濕度指數(shù)）、（高程，地形濕度指數(shù)，相對(duì)位置指數(shù)）、（地形濕度指數(shù)，相對(duì)位置指數(shù)）、（高程，地形濕度指數(shù)，相對(duì)位置指數(shù)）。
　　 在選出的最優(yōu)模型中，地形濕度指數(shù)出現(xiàn)頻率最高，表明地形濕度指數(shù)在4種地形因子中對(duì)土壤養(yǎng)分分布影響最大。對(duì)比每種土壤養(yǎng)分的SVM預(yù)測(cè)模型，為4種地形因子按

7、照影響程度排序如下:地形濕度指數(shù)＞相對(duì)位置指數(shù)＞高程＞坡長(zhǎng)。
　　 (4)在回歸克里格的基礎(chǔ)上，提出使用支持向量機(jī)代替多元線性回歸，用以擬合土壤屬性與環(huán)境因子間的非線性關(guān)系，得到支持向量回歸克里格法。在選取最優(yōu)地形因子組合下土壤養(yǎng)分的SVM模型后，利用同樣的地形因子組合建立普通克里格、多元線性回歸、回歸克里格以及支持向量回歸克里格模型，在測(cè)試集上檢驗(yàn)了幾種模型的精度。結(jié)果表明，支持向量機(jī)在土壤養(yǎng)分制圖方面能夠擬合地形因子與土壤養(yǎng)

8、分之間的非線性關(guān)系，得到比多元線性回歸更高的精度，且適用范圍更廣泛。同時(shí)，應(yīng)用SVM替換回歸克里格流程中常用的多元線性回歸后，部分養(yǎng)分的預(yù)測(cè)精度得到進(jìn)一步提升，在研究區(qū)多種養(yǎng)分的分布預(yù)測(cè)中可作為最佳預(yù)測(cè)方法。
　　 綜上所述，本文通過(guò)建立支持向量機(jī)模型，并與多種常見(jiàn)模型進(jìn)行比較，肯定了支持向量機(jī)在土壤養(yǎng)分預(yù)測(cè)性制圖研究的可行性及優(yōu)越性，為支持向量機(jī)在土壤養(yǎng)分預(yù)測(cè)性制圖提供了新的案例支持，為更準(zhǔn)確迅速的獲取土壤養(yǎng)分分布狀況提供了合