基于遗传算法最小二乘支持向量机的耕地变化预测

针对耕地变化内部规律与模拟方法进行研究,提出最小二乘支持向量机耕地变化预测方法,有效构建耕地变化与耕地变化影响因子之间复杂的非线性关系模型。利用遗传算法全局寻优功能优化最小二乘支持向量机内部参数,提高最小二乘支持向量机耕地变化预测模型精度。利用该模型对江苏无锡市1987－2000年期间耕地变化进行预测,并与多元回归、GM(1,1)、BP网络、支持向量机（SVM）耕地预测模型和实际调查耕地变化数据进行比较分析。预测精度评价结果证实,该方法耕地预测精度远高于多元回归、GM(1,1),BP网络模型,略高于SVM模型,但算法复杂度和计算效率远优于SVM预测模型,是一种有效的耕地变化预测方法。     

基于支持向量机优化粒子群算法的活立木材积测算

材积模型是编制立木材积表的关键,通常用经验材积方程来预测材积量。由于树木生长具有不确定性,传统的材积方程很难有效地对模型的复杂性和多样性做出测算,导致目前活立木材积测算的准确率较低。为了提高活立木材积的测算准确率,将粒子群（particle swarm optimization,PSO）算法引入到活立木材积模型中,并用支持向量回归机（support vector machine,SVM）优化参数。PSO-SVM将活立木胸径和树高数据输入到SVM中学习,将SVM参数作为PSO中的粒子,把活立木实测材积值作为PSO的目标函数,然后通过粒子之间相互协作得到 SVM 最优参数,对活立木测算材积值进行模型测算并采用实测材积值验证。论文应用电子经纬仪与人工量测立木地径、胸径相结合的方法,通过软件计算求得400组树高、树干材积值;然后对300组数据集以活立木胸径和树高作为输入数据,材积为输出数据,采用粒子群耦合支持向量机（PSO-SVM）算法训练得到模型,并用100组数据进行预测;最后引用经典Spurr材积模型算法、BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率最高,预测值与实测值间复相关系数达0.91,平均误差率为0.58%。     

不同坡度黄土微地形条件下SCS-CN模型参数研究

基于自然降雨数据研究径流曲线数（SCS-CN）模型参数难以排除坡度的干扰,从而影响模型计算径流量的精度。为了准确探究黄土微地形条件下不同坡度（5°,15°,25°）对模型的初损率（λ）和径流曲线系数（CN）的影响及其变化规律,从而为后续SCS-CN模型参数研究提供科学依据和优化径流预测模型。通过开展人工降雨试验（90 mm/h雨强、人工掏挖耕作）,探究黄土微地形不同坡度下SCS-CN模型的λ值和CN值。结果表明5°坡度下,λ=0.2,CN=75.58时模拟效果最佳;15°坡度下,λ=0.15,CN=77.28时模拟效果最佳;25°坡度下,λ=0.1,CN=72.91时模型的模拟效果最佳。λ=0.2这一标准参数值不能满足不同坡度条件下的径流模拟,且随着坡度增加呈现显著的递减趋势。     

基于GA-SVM的耕地土壤重金属含量高光谱反演方法的研究

为提高耕地土壤重金属含量高光谱反演模型精度,以岳阳县某地区耕地土壤重金属铁（Fe）、砷（As）、铬（Cr）为例,提出了一种遗传算法（GA）优化支持向量机（SVM）的重金属含量反演模型。在对光谱进行SG平滑和10 nm重采样后,利用一阶/二阶微分、倒数对数和连续统去除光谱变换方法增强光谱特征,通过相关性分析筛选最优变换光谱,使用皮尔森相关系数与主成分分析提取各重金属光谱特征变量,分别建立SVM和GA-SVM土壤重金属高光谱反演模型并进行精度验证。结果表明,二阶微分变换光谱与各重金属含量相关性整体最突出;三种重金属在可见光波段490 nm、500 nm、510 nm和530 nm具有共同敏感特征;经GA算法优化SVM参数后,对比SVM回归模型,预测精度有明显提高,其重金属Fe、As和Cr的验证集R2分别为0.968、0.821和0.976;研究结果可为应用遥感技术反演耕地土壤重金属含量提供新的参考。     

基于Google Earth Engine和机器学习的耕地土壤有机质含量预测

土壤有机质含量是耕地质量定级的依据,是耕地质量评价的核心内容之一,因此,精准高效地获取土壤有机质含量非常重要。高分辨率遥感技术和谷歌地球引擎（Google Earth Engine,GEE）云计算平台的出现,为土壤有机质的高效反演提供了新的途径和方法。该研究以藁城区的Sentinel-2A MSI数据和Landsat8 OLI 数据为主要的数据源,结合Sentinel-1 SAR数据、ECMWF/ERA5气象数据和USGS/SRTMGL1_003高程数据,分别采用随机森林（Random Forest,RF）、梯度升级树（Gradient Boosting Decision Tree,GBDT）和支持向量机（Support Vector Machine,SVM）算法,在GEE平台对藁城耕地土壤有机质含量进行反演。结果表明：1）基于Sentinel-2A建立的模型（模型A*）在预测SOM含量方面优于基于Landsat8建立的模型（模型B*）,GDBT算法下的Sentinel-2A的全变量模型取得了最佳结果（R2=0.759,RMSE= 2.852 g/kg）;2）模型A-1对比模型A-0增加了红边波段,模型A-1比模型A-0提高了9.752%;3）从不同的预测算法来看,GDBT算法能较好地适用于研究区的土壤有机质预测,GDBT算法、Sentinel-2A与GEE的结合是SOM预测制图的一种有效方法。     

改进支持向量机的股票价格预测研究

为了提高股票价格预测精度,提出一种改进支持向量机的股票价格预测模型。该模型利用粒子群算法的全局寻优能力对支持向量机参数进行优化,以提高股票价格的预测精度,采用具体股票价格数据对模型性能进行测试。结果表明,改进支持向量机能够对股票价变化趋势进行预测,是一种有效、高精度的股票价格预测模型。     

基于改进BP神经网络与支持向量机的土壤墒情预测方法研究

为提高土壤墒情预测精度,提出了一种基于遗传算法（GA）、改进粒子群算法（IPSO）、误差反向传播（BP）神经网络和支持向量机（SVM）的土壤墒情组合预测模型（GA_IPSO_BP-SVM）。该模型首先在BP神经网络的权阈值选择中同时引入GA和IPSO构成GA_IPSO_BP模型,然后对GA_IPSO_BP和SVM模型分别进行训练和数据仿真,最后利用建立的加权模型对GA_IPSO_BP和SVM模型的土壤墒情预测结果进行组合。以安庆市8个监测站某时段内农田土壤墒情数据为例,分别按隔日、两日后和三日后三种时间跨度进行土壤墒情预测,并对照BP、GA-BP、PSO-BP、IPSO-BP、GA_IPSO_BP和SVM模型,验证和比较提出的GA_IPSO_BP-SVM模型的土壤墒情预测精度。结果表明,GA_IPSO_BP-SVM模型的土壤含水量预测相对误差平均值最小。GA_IPSO_BP与SVM模型组合的GA_IPSO_BP-SVM模型提高了土壤墒情的预测精度,更适合于土壤墒情的短期预测,该方法可为农业节水灌溉方案的制定提供技术支撑。     

基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用

[目的]对基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用进行探讨,为现代农业研究中土壤墒情预测及农业生产提供支持。[方法]基于支持向量回归机方法建立土壤墒情预测模型,利用细菌觅食优化算法优化支持向量机预测模型的相关参数。根据从种植区采集的田间数据对模型进行建模和测试。[结果]与仅利用支持向量回归机和利用粒子群优化的支持向量回归机分别建立的模型进行对比,发现本研究所提算法建立的预测模型的预测效果更佳。[结论]该模型预测效果较好,所建模型已应用于实际项目,预测精度基本满足要求,且运行稳定。进而证明了该研究所提算法的有效性和可行性。     

高程梯度性质和算法不确定性的初步分析

高程梯度指高程在平面坐标中x和y两个方向上的变化率。在坡度算法θ=（p²+q²）/2中分别用p和q表示,因为高程梯度p和q算法的不同而衍生出多种坡度算法,因此对p,q算法性质和精度的研究是坡度算法精度评价的基础。选取陕西省绥德县、秦岭、黑龙江省拜泉县的三个样区,基于7种不同算法计算了高程梯度（p和q）,并对其统计分布特征、空间结构特征、p和q相互关系、算法稳定性与不确定性等进行了分析。结果表明:（1）p和q均值为零,相互独立,方差相等,呈正态分布;（2）各种算法均能表现局地结构和样区之间的差异;（3）从算法稳定性、精度等方面看,Evans-Young算法,特别是经过Shary改进的Evans-Young算法的效果最佳。     

基于近红外光谱和支持向量机的土壤参数预测

应用支持向量机算法对实时土壤光谱数据进行处理,获得了土壤全氮和有机质的回归模型并研究了模型随参数变化的规律。从中国农业大学试验田采集了150个土样,用光谱仪获取了原始土壤样本的近红外光谱,用实验室分析法获取了各样本的全氮和有机质含量。以近红外光谱数据为自变量对2个土壤参数进行了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于全谱支持向量回归。对于土壤全氮,基于小波降噪NIR光谱的SVM回归模型的标定R2为0.9224,验证R2为0.3667;对于土壤有机质,基于原始NIR光谱的SVM回归模型     

基于支持向量机的土壤水力学参数预测

为了分析支持向量机在土壤水力学参数预测方面的效果，应用支持向量机构建用于预测土壤水力学参数的土壤传递函数，以土壤粒径分布、容重、有机质含量等土壤理化性质为输入项，分别预测土壤饱和导水率、饱和含水率、残余含水率，以及van Genuchten公式参数的对数形式。结果表明预测值和实测值不存在显著性差异，用支持向量机预测土壤水力学参数是可行的。不同输入项处理的预测分析表明，输入项为粒径分布、粒径分布和容重、粒径分布和有机质含量3种情况的预测效果差异不明显，而输入项为粒径分布、容重和有机质含量时预测效果优于前3种情况。支持向量机在预测土壤水力学参数方面的效果要优于多元线性逐步回归模型，而与BP神经网络模型相比不具有明显好的预测效果。     

基于自适应进化相关向量机的耕地面积预测模型

为解决耕地面积预测模型建立过程中的非线性、稀疏化及结果可靠性评价等问题,该文将相关向量机与差分进化优化算法进行融合及改进,提出基于自适应进化相关向量机的耕地面积预测模型。该文以黄石市为例,建立基于自适应进化相关向量机的短期、中期耕地预测模型,并与多元线性回归、BP神经网络、支持向量机算法在精度、计算效率及可靠性方面进行对比分析。试验验数据表明,自适应进化相关向量机的预测精度大约是其余3种方法的2倍以上;模型的计算效率是多元线性回归方法的2倍,比BP神经网络、支持向量机高出2个数量级;测试数据的实际耕地面积均在自适应进化相关向量机估计的95%置信度的置信区间内,并且由后验差比、小误差概率判定模型等级属于"好"。基于以上数据,证实该模型是一种精度高、计算快、可靠性强的耕地预测新方法。     

基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型

养殖池塘溶解氧是河蟹赖以生存的重要指标,及时准确地掌握溶解氧浓度变化趋势是确保高密度河蟹健康养殖的关键。为提高溶解氧预测精度和效率,该文提出了蚁群算法(ACA)优化最小二乘支持向量回归机(LSSVR)的河蟹养殖溶解氧预测方法。采用蚁群算法对最小二乘支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间非线性预测模型。利用该模型对江苏宜兴市2010年7月20日～7月28日期间高密度养殖池塘溶解氧进行预测。研究表明,该预测模型取得较好的预测效果,与支持向量回归机和BP神经网络相比,模型评价指标均方根误差、相对均方误差均值、平均绝对误差和和决定系数和运行时间分别为0.0328、0.0016、0.0448、0.9916和3.3275s均优于其他预测方法,ACA-LSSVR模型不仅计算复杂度低、收敛速度快、预测精度高、泛化能力强,还能满足实际高密度河蟹养殖溶解氧管理的需要,为其他领域的水质预测提供参考。     

省域土地人口经济多维协调格局及分区发展策略

为了实现玉米含水率的快速无损检测,该文利用精密阻抗分析仪和自制介电参数测量传感器通过500 mV的激励电压在1 kHz~5.462 MHz频率范围内测量了热风干燥过程中不同含水率与不同温度下玉米籽粒的介电常数?''和介电损耗?"。通过对双介电参数频谱的分析,对含水率回归模型建模频段进行了初步选择,以1.072~5.462 MHz之间15个测量频点的双介电参数和温度值T共计31维变量作为支持向量回归机（support vector regression,SVR）模型的输入全变量,分别利用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、迭代保留信息变量算法（iteratively retains informative variables,IRIV）和CARS-IRIV联合算法筛选特征变量,建立全变量、CARS、IRIV和CARS-IRIV筛选特征变量与玉米籽粒含水率的SVR模型。引入鲸鱼优化算法（whale optimization algorithm,WOA）优化SVR模型参数c（惩罚因子）和g（核函数参数）,结果表明CARS-IRIV筛选特征变量（?''3.854MHz、?"3.854MHz、?''5.462MHz、?"5.462MHz、T）建立的SVR模型经WOA优化后（CARS-IRIV-WOA-SVR）具有最优的预测精度,预测集决定系数、预测集均方根误差和剩余预测偏差分别为0.998 4,0.40%和24.55,且模型复杂度最低。该研究为基于双介电参数和支持向量回归机实现玉米含水率快速无损检测提供了新的研究思路和基础数据。     

利用介电参数和变量筛选建立玉米籽粒含水率无损检测模型

为了实现玉米含水率的快速无损检测,该文利用精密阻抗分析仪和自制介电参数测量传感器通过激励电压在1 kHz～5.462 MHz频率范围内测量了热风干燥过程中不同含水率与不同温度下玉米籽粒的介电常数ε''和介电损耗ε"。通过对双介电参数频谱的分析,对含水率回归模型建模频段进行了初步选择,以1.072～5.462 MHz之间15个测量频点的双介电参数和温度值T共计31维变量作为支持向量回归机（support vector regression,SVR）模型的输入全变量,分别利用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、迭代保留信息变量算法（iteratively retains informative variables,IRIV）和CARS-IRIV联合算法筛选特征变量,建立全变量、CARS、IRIV和CARS-IRIV筛选特征变量与玉米籽粒含水率的SVR模型。引入鲸鱼优化算法（whale optimization algorithm,WOA）优化SVR模型参数c（惩罚因子）和g（核函数参数）,结果表明CARS-IRIV筛选特征变量（ε''3.854MHz、ε"3.854MHz、ε''5.462MHz、ε"5.462MHz、T）建立的SVR模型经WOA优化后（CARS-IRIV-WOA-SVR）具有最优的预测精度,预测集决定系数、预测集均方根误差和剩余预测偏差分别为0.998 4,0.40%和24.55,且模型复杂度最低。该研究为基于双介电参数和支持向量回归机实现玉米含水率快速无损检测提供了新的研究思路和基础数据。     

基于支持向量机和ReliefF算法的玉米品种抗倒伏预测

针对目前玉米品种抗倒伏鉴定方法费时、费力，玉米抗倒伏品种选育周期长的问题，该研究采用高光谱成像技术结合统计学习方法在玉米营养生长期开展品种抗倒伏预测。于2018年和2019年开展田间试验采集不同抗倒伏的8个玉米品种的高光谱成像数据，基于区域识别方法提取感兴趣区域（Region of Interest，ROI）的光谱曲线，分析抗倒样本和不抗倒样本的数据特性；然后分别采用过滤式特征选择算法ReliefF（Relevant Features）和主成分分析（Principal Component Analysis，PCA）结合ReliefF算法的方式，挖掘抗倒品种和不抗倒品种的光谱分类特征；最后使用交叉验证的方式，对ReliefF方法选择的原始光谱数据特征数量和PCAReliefF方法选择的主成分特征数量进行优化，分别建立ReliefF-SVM和PCAReliefF-SVM支持向量机（Support Vector Machines，SVM）分类模型，并对SVM模型的惩罚参数和核参数进行优化，以获得更好的模型预测效果。结果表明：经过特征优化，2018年试验和2019年试验分别选择了40和50个特征参与建模，且使用PCAReliefF方法选择的主成分特征与使用ReliefF方法选择的原始光谱数据特征相比，几乎不含有冗余特征；通过对支持向量机模型的惩罚参数和核参数进行优化，2018年试验ReliefF-SVM和PCAReliefF-SVM模型对预测集样本的抗倒伏分类预测正确率分别为84.17%和85 %，2019年试验模型分类预测正确率分别为84.17%和85.83%。可见，采用高光谱成像数据和统计学习方法可以实现对玉米品种抗倒伏的早期预测，使用PCAReliefF-SVM模型比ReliefF-SVM分类模型综合性能更优，试验为玉米抗倒伏品种的高效筛选提供了方法和借鉴。     

优化支持向量机在鲜切生菜加工HACCP分类中的应用

该文介绍了一种基于支持向量机模型解决鲜切生菜加工HACCP（hazard analysis and critical control point）关键控制点智能发现的方法。在通用支持向量机模型进行鲜切生菜加工关键控制点的发现试验中,依靠人工经验选取支持向量机（support vector machine,SVM）核函数参数,识别关键控制点准确率波动较大。该文利用遗传算法优化支持向量机核函数参数的选取,构建了一种基于遗传算法的支持向量机（GA-SVM）模型,应用该模型在鲜切生菜生产关键控制点的发现试验中获得了87.5%的识别率,比传统方法稳定性更高。该方法对其他HACCP关键控制点的智能发现具有很好的借鉴意义。     

基于机器学习算法的湖滨绿洲土壤电导率高光谱估算模型

  目的  为湖滨绿洲土壤高光谱估算土壤电导率值提供方法支持,实现区域土壤盐分快速估测。  方法  利用实测的土壤电导率值与土壤高光谱数据联合分析,采用竞争自适应重加权采样（CARS）、连续投影算法（SPA）、遗传算法（GA）筛选土壤电导率的特征波段,并基于全波段及特征波段构建BP神经网络（BPNN）、支持向量机（SVM）、极限学习机（ELM）三种机器学习算法模型,引入偏最小二乘模型（PLSR）进行对照,比较其模型精度。  结果  研究区土壤电导率值变化范围0.02～17.22 mS cm?1,平均值为2.61 mS cm?1,变异系数为134.87%,呈现强变异性;CARS、SPA、GA算法筛选的特征波段将建模输入量分别压缩至全波段数量的0.87%、1.68%、0.70%,减少建模输入量,提升建模速率,变量方法的选择CARS > SPA > GA;三种机器学习算法模型均优于PLSR模型,决定系数（R2）平均增加20.57%,相对分析误差（RPD）平均增加17.84%,土壤电导率高光谱估算模型以CARS-SVM最优,训练集与验证集R2分别为0.76和0.75,RMSE分别为1.79 和1.68 mS cm?1,RPD分别为2.04和2.00。土层深度20 ~ 30 cm的土壤电导率高光谱估算模型精度最高,训练集与验证集R2分别为0.83和0.84,RMSE分别1.37和1.77 mS cm?1,RPD分别为2.41和2.50。  结论  基于CARS-SVM的土壤电导率高光谱估算模型精度高,估算能力最优,可以为湖滨绿洲土壤电导率估算提供科学参考。     

拉曼光谱法无损检测蜂蜜中的果糖和葡萄糖含量

应用拉曼光谱结合化学计量学方法对蜂蜜果糖和葡萄糖含量进行了定量分析。用自适应迭代重加权惩罚最小二乘(adaptive iteratively reweighted penalized least squares,airPLS)算法进行基线校正,用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)算法筛选变量,分别用线性的偏最小二乘(partial least squares,PLS)回归算法和非线性的支持向量机(support vector machines,SVM)回归算法建立定量校正模型,并进行预测。2种模型都有较好的预测结果。对果糖,SVM模型预测值与高效液相色谱法(high performance liquid chromatography,HPLC)测定值的相关系数(R)和预测均方根误差(root mean square error of prediction,RMSEP)分别为0.902和1.401,略优于PLS模型(R为0.892,RMSEP为1.604);对葡萄糖,PLS模型的R和RMSEP分别为0.968和0.669,优于SVM模型(R为0.933,RMSEP为1.410)。结果表明拉曼光谱结合化学计量学方法可快速无损测定蜂蜜果糖和葡萄糖含量。     

机器学习用于耕地土壤有机碳空间预测对比研究——以亚热带复杂地貌区为例

耕地土壤有机碳(SOC)是土壤质量的重要指标,也是生态系统健康的重要表征。当前机器学习(Machine Learning, ML)用于SOC数字制图日益热门,但不同算法在高空间分辨率SOC数字制图中的对比研究尚有欠缺。本研究以福建省东北部复杂地形地貌区为例,采用10m空间分辨率Sentinel-2影像数据,选取地形、气候、遥感植被变量为驱动因子,重点分析当前常用的机器学习算法——支持向量机(SupportVector Machine,SVM)、随机森林(RandomForest,RF)在SOC预测中的差异,并与传统普通克里格模型(Ordinary Kriging, OK)进行比较。结果表明:基于地形、遥感植被因子和气候因子构建的RF模型表现最佳(RMSE=2.004,r=0.897),其精度优于OK模型(RMSE=4.571, r=0.623),而SVM模型预测精度相对最低(RMSE=5.190, r=0.431);3种模型预测SOC空间分布趋势总体相似,表现为西高东低、北高南低,其中RF模型呈现的空间分异信息更加精细;最优模型反演得到耕地土壤有机碳平均含量为15.33 g·kg-1; RF模型和SVM模型变量重要性程度表明:高程和降水是影响复杂地貌区SOC空间分布的重要变量,而遥感植被因子重要性程度低于高程。