支持向量机在土壤镁含量高光谱估算中的应用①

《支持向量机在土壤镁含量高光谱估算中的应用①》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、土壤(Soils),2015,47(3):602–607DOI:10.13758/j.cnki.tr.2015.03.027①支持向量机在土壤镁含量高光谱估算中的应用11*2田烨，沈润平，丁国香(1南京信息工程大学遥感学院，南京210044；2安徽省气象局，合肥230001)摘要：研究利用土壤样本实验反射光谱，分析了土壤镁(Mg)含量与土壤反射光谱的关系，比较了主成分回归分析(PCR)、偏最小二乘回归分析(PLSR)和支持向量机回归分析(SVMR)等方法，以及土壤反射光谱及其变换光谱与土壤Mg含量之

2、间的估算模型，为土壤Mg含量高光谱估算提供依据。结果表明：PCR、PLSR、SVMR3种建模方法在Mg含量的估算中，SVMR的估算精度相对较高，估算精度平均达到80.96%，分别比PCR和PLSR提高了6.16%、4.20%；对于不同的数学变换处理方法，一阶微分变换相对较好，估算精度平均为80.76%，分别比反射率、倒数对数变换提高了4.95%、4.61%。因此，运用土壤反射光谱一阶微分变换的SVMR进行建模，可以相对较好地估算全Mg含量，精度达84.04%。关键词：高光谱；土壤镁含量；支持向量机回

3、归中图分类号：S151.9[2–10]土壤不仅是珍贵的自然资源，更是人类农业生产算，得到了较好的预测精度。对于土壤Mg元素[11]的基地和陆地生态系统的基础。镁(Mg)是自然界广泛的研究，则相对较少，Chang等运用主成分回归分存在的化学元素，土壤中的Mg大多数以矿物态存在析方法，分析并预测了N、Ca、K、Mg等多种化学于土壤黏土矿物中，由于风化和淋溶作用，使得土壤成分的含量，其中Mg元素的定标模型决定系数为[1][12]中Mg的平均含量只有5g/kg。Mg是植物生长所必0.70。Malley等利用

4、近红外光谱分析技术(NIRS)需的营养元素，是叶绿素的重要组成部分，同时也是对潮土和风干土壤进行了分析，预测的潮土和风干土植物光合作用和呼吸作用过程中许多酶的活化剂。缺壤中Mg的定标系数分别为0.85和0.92，结果显示Mg会造成植物叶片失绿变黄，体内代谢活动受到影经过风干后的土壤更有利于土壤元素的定标分析。[13]响，光合作用受阻，使植物不能正常地生长发育，严Chodak等运用线性回归分析方法研究了森林覆盖重时叶片会枯萎、掉落，这将大大降低产量和质量。地区土壤物理、生化性质(C、N、P、S、Na、

5、K、本研究区为我国中亚热带典型红壤丘陵区，土壤呈酸Ca、Mg、Mn、Fe等)与反射光谱之间的关系，得到[14]性，Mg含量相对较少，可能存在缺Mg现象，因此Mg的相关系数为0.68。Thomasson等研究了密西对土壤Mg含量进行系统研究十分必要。西比河流域土壤样本，发现其中一个研究区内土壤高光谱具备定量获取土壤化学组分的研究潜力，Mg、Ca含量与反射光谱相关性很高，得出土壤特性并在土壤水分、土壤有机质、土壤Fe和土壤营养元与反射光谱之间存在一定的相关性，但是这种相关性素含量估算方面进行了较多的研究

6、，一些研究学者通并不稳定。以上研究说明土壤Mg含量的高光谱遥感过利用实验室和野外测量的土壤高光谱数据，分析可具有一定可行性，但是对于红壤及其发育的土壤中见光–近红外光谱范围内土壤含水量、有机质、Fe、Mg含量的高光谱遥感尚缺乏深入研究。红壤是我国氮磷钾等营养元素的特征波段，采用多元线性回归、长江以南重要的地带性土壤，养分贫瘠化制约南方地主成分回归、偏最小二乘回归和人工神经网络等方区农业发展，Mg是作物生长发育所需的中量元素，法，建立了土壤各组分含量估算模型，并进行定量估部分红泥质红壤和硅质红壤土壤有

7、效Mg含量低于①基金项目：国家“973”计划项目(2010CB950701，G20000779)资助。*通讯作者(rpshen@nuist.edu.cn)作者简介：田烨(1989—)，女，江苏苏州人，硕士研究生，主要从事土壤光谱遥感研究。E-mail:13770852866@163.com第3期田烨等：支持向量机在土壤镁含量高光谱估算中的应用603[26]20mg/kg，供Mg能力低，Mg元素的供需不平衡日支持向量机是Vapnik于1995年基于针对小样[15]益加重，严重影响作物产量和品质。本文综

8、合光本的统计学习理论(statisticallearningtheory，SLT)提谱数学变换因素，并运用支持向量机回归分析，以克出的，有别于现有的统计方法，该方法不涉及概率测服处理复杂的非线性问题时常规建模方法的不足，为度和大数定理理论，并且采用了结构风险最小化原土壤Mg含量高光谱估算提供依据。理，较好地解决了人工神经网络方法的网络结构难以确定、过学习和欠学习、局部极小的问题，针对小样1材料与方法本分类和回归问题，此方法具有明显的优势。本文选取22个样本建模，10个