基于光谱FOD与优化指数的银川平原土壤有机质含量反演

土壤有机质（SOM）是土壤肥力的重要组成部分,是作物生长的主要养分来源。为探究分数阶微分（FOD）联合优化光谱指数对低肥力地区SOM的反演效果,以银川平原为研究对象,对野外土壤高光谱反射率原始数据进行0~2阶FOD处理（间隔0.2阶）,构建优化光谱指数DI/RDI、DI/NDI、NDI/RDI、RDI/NDI、DI/GDI和RI/GDI,分析各指数与土壤有机质含量间的二维相关性,筛选出最佳优化光谱指数,并建立基于支持向量机（SVM）的SOM含量反演模型。结果表明：银川平原SOM含量整体偏低,其中93.05%处于四级到六级水平。土壤野外原始光谱反射率吸收特征差异明显,在1400、1900nm处有明显吸收峰。随着分数阶的不断增加,光谱反射率不断趋近于0。土壤DI/NDI、DI/GDI、RI/GDI、NDI/RDI和RDI/NDI在0~2阶最大相关系数绝对值（MACC）均小于0.80,DI/RDI在0.2~2.0阶范围内的MACC为0.9965~0.9986,其敏感波段主要集中在1450~1750nm和2100~2400nm之间。基于0.2阶微分处理的DI/RDI-SVM模型对SOM的反演精度最佳,建模决定系数R2c和验证决定系数R2p分别为0.98和0.99,相对分析误差（RPD）为4.31。研究结果可为低肥力地区的SOM含量快速、准确反演及制图提供科学依据。     

基于FOD和SVMDA-RF的土壤有机质含量高光谱预测

为探讨分数阶微分(FOD)联合支持向量机分类-随机森林模型改善高光谱监测荒漠土壤有机质含量(SOM)的效果,对以色列Sde Boker荒漠地区采集的砂质土(SS)和黏壤土(CLS)样品进行理化分析和室内光谱测定,依据光谱的平均反射率建立支持向量机分类模型(SVMAD),并对不同土质高光谱原始反射率分别经0～2阶(间隔0. 2)的分数阶微分处理,构建归一化光谱指数(NDI),分析NDI和SOM之间的二维相关性,并筛选敏感的NDI指数,以此建立不同FOD的随机森林(RF)模型,并以不同土质中的最佳模型进行组合,构建新的SVMDA-RF模型。结果表明:基于光谱平均反射率的SVMDA对土壤质地的分类正确率可达100%;分数阶微分耦合光谱指数具有放大波长间与SOM有关隐含信息的能力,经FOD提升敏感指数的数量在0. 6阶时达到峰值,但黏壤土的敏感指数数量远大于沙质土;由不同FOD敏感指数建立的RF模型中,砂质土在1. 2阶的模型最佳(R_C~2=0. 962,R_P~2=0. 920,RMSEP为0. 435 g/kg,RPD为3. 658),黏壤土在0. 6阶的模型最佳(R_C~2=0. 942,R_P~2=0. 944,RMSEP为0. 554 g/kg,RPD为4. 316);经最佳模型组合后的SVMDA-RF模型,砂质土和黏壤土的模型精度都有所提高,其中R_C~2=0. 980,R_P~2=0. 979,RMSEP为0. 481 g/kg,RPD为7. 004。研究成果可为快速评估荒漠土壤有机质含量提供依据。     

基于支持向量机模型的水质评价研究

将支持向量机方法应用到水质评价中,建立了RBF核函数支持向量机评价模型。根据石头口门水库水质特征,选择溶解氧、化学需氧量、高锰酸盐指数等五项指标作为输入因子进行评价,并与综合水质评价法、模糊综合评价法比较。研究结果表明石头口门水库主要为Ⅱ类和Ⅲ类水,呈汛期较差、非汛期较好的变化规律。通过实例验证,说明支持向量机方法能够较好的解决分类评价问题,评价结果良好,符合客观事实,具有很好的研究价值和推广前景。     

基于高光谱的区域土壤颗粒组成及有机质预测模型尺度转换

以内蒙古河套灌区3个尺度下1 024个样本的高光谱为模型输入,黏粒、粉粒、砂粒及有机质质量百分数为模型输出,通过多元回归、支持向量机及BP神经网络方法建立基于中尺度的反演模型,将其尺度上推至大尺度及下推至小尺度,并对其尺度转换的适用性进行评价.结果表明,基于中尺度建立的高光谱与土壤颗粒组成及有机质的反演模型均可以较好地应用于其他2个尺度:多元回归方法在其他2个尺度上的相关性为0.33~0.60,支持向量机方法为0.41~0.52,BP神经网络方法为0.52~0.72,其中BP神经网络方法建立的模型在其他2个尺度上具有更好的适用性;不同参数中,黏粒、粉粒、砂粒及有机质的相关系数分别为0.44~0.62,0.37~0.72,0.42~0.72及0.33~0.56,即颗粒组成的效果整体好于有机质质量百分数.     

基于支持向量机和色度矩的植物病害识别研究

针对植物病害彩色纹理图像的特点，提出将支持向量机和色度矩分析方法相结合应用于植物病害识别中。首先利用色度矩提取植物病害叶片的特征向量，然后利用支持向量机分类方法进行病害的识别。黄瓜病害纹理图像识别实验分析表明，利用色度矩提取病害彩色纹理图像特征简便、快捷、分类效果好；支持向量机分类方法在病害分类时训练样本较少，具有良好的分类能力和泛化能力，适合于植物病害的分类。不同分类核函数的相互比较分析表明，线性核函数最适于植物病害的分类识别。     

基于MSCPSO混合核SVM参数优化的生菜品质检测

核函数形式的选择与核函数参数值的大小是影响支持向量机的2个关键因素,传统的支持向量机分类精度低、时效性差,为了获得高精度、高时效性的支持向量机,从影响支持向量机的核函数与核函数参数值2个关键因素着手,提出了基于变尺度混沌粒子群优化（MSCPSO）混合核SVM参数的分类器。将此分类模型用于预测生菜叶片的生育期,以及预测3个生育期的生菜叶片氮素水平,预测精度分别达到91.51%、85.38%、82.59%和81.26%。与传统的粒子群优化混合核SVM的分类器和变尺度混沌粒子群优化RBF_SVM分类器相比,提出的分类器模型分类精度高、时效性好。     

土壤有机质含量高光谱估测模型构建及精度对比

土壤有机质含量对作物的生长发育有着显著影响。为实现对苹果果园土壤有机质含量快速、实时估测,本研究以山东省烟台市栖霞市苹果园为研究区,采集100个土壤样本,利用ASD FieldSpec3便携式地物光谱仪获取其高光谱反射率,利用定量化学方法测定土壤有机质含量。采用移动平均法对高光谱数据进行预处理,分析果园土壤的反射光谱特征,研究光谱反射率与其有机质含量的相关关系,筛选土壤有机质含量的敏感波长并构建光谱指数后,分别建立多元线性回归模型（MLR）、支持向量机（SVM）和随机森林（RF）模型,并对模型精度进行验证比较。结果表明,筛选出的土壤有机质含量的敏感波长为678、709、1931、1939、1996和2201 nm。用筛选出的波长构建光谱参数,最终构建的光谱指数分别为NDSI_{（678,709）}、NDSI_{（678,1931）}、NDSI_{（678,2201）}、NDSI_{（709,1939）}和NDSI_{（1939,2201）}。建立的MLR、SVM和RF回归模型中,以RF模型精度最优,其校正样本集R²为0.8804,RMSE为0.1423,RPD达到2.25;验证模型的R²为0.7466,RMSE为0.1266,RPD为1.79,建立的RF定量模型反演苹果果园土壤有机质含量效果较好。因此,可以利用RF方法快速预测苹果果园土壤有机质含量,了解土壤养分分布状况,指导农民合理施肥,从而提高果园生产管理效率。     

基于线性组合核函数支持向量机的病害图像识别研究

合理的选择、设计核函数是支持向量机方法的重要部分,不同的核函数代表了利用支持向量机解决非线性分类问题时,进行的不同的非线性映射.核函数使支持向量机可以很容易地实现非线性算法.为此,提出了一种新的核函数-线性组合核函数,将该核函数应用于支持向量机方法中,并使用该方法对北京地区甜瓜病害图像进行了识别分类;同时也与人工神经网络和其它经典支持向量机核函数的分类结果进行了对比,实验结果也验证了该核函数的有效性.     

基于机器学习算法模拟不同土壤深度含水率

准确模拟土壤水分(SM)对农田精准灌溉、优化区域水资源配置和提高农业水资源利用效率具有重要意义。采用逐日气象和土壤含水量数据,探究随机森林(RF)和支持向量机(SVM)模拟不同深度(4 cm、10cm和20 cm)土壤含水量的适用性,采用太阳辐射(R_s)、空气温度(T)、降水量(P)、风速(U₂)、空气湿度(RH)和土壤温度(ST)数据的4种输入组合,探讨不同输入变量对SM模拟的影响。结果表明：RF模型在4种输入组合下模拟不同深度土壤含水量精度最高,SVM模型模拟精度较低,R²范围分别为0.871～0.914和0.710～0.814,RMSE范围分别为0.050～0.069 cm³/cm³和0.080～0.098 cm³/cm³,MAE范围分别为0.030～0.051 cm³/cm³和0.060～0.077cm³/cm³。考虑模型精度和数据易获取性...     

基于改进支持向量机算法的农业害虫图像识别研究

为提高农业害虫图像识别效果,采用改进支持向量机算法.首先通过交叉验证优化惩罚因子,Manhattan距离确定核函数选择;然后建立农业害虫图像的特征模型,包括颜色特征、纹理特征、形状特征;接着对害虫图像多特征融合识别,各种害虫的颜色特征、纹理特征、形状特征所分配的权值通过Fisher计算,避免害虫识别误判的发生.试验仿真...     

基于支持向量机的玉米田间杂草识别方法

提出了一种基于图像处理和支持向量机(SVM)技术的玉米和杂草识别方法.首先根据玉米与杂草、土壤彩色图像的特征提出一类图像灰度化方法,并通过对灰度图像的除噪处理有效地分离目标对象.然后从处理好的图像中提取出目标对象的形状特征参数作为输入特征向量,进而提出玉米田间杂草识别的支持向量机方法.试验结果表明了方法的有效性,通过适当选取核函数识别率可达到98.3%.     

基于多源遥感数据的居延泽地区土壤盐分估算模型

针对土壤盐分遥感反演中众多盐分指示变量在反演效率与相互比较优势方面存在的不确定性和易混淆性问题,以内蒙古额济纳旗的居延泽为例,基于Sentinel-2、Radarsat-2、Landsat-8和SRTM DEM数据提取波段反射率、植被指数、盐分指数、极化雷达参数以及地表温度和地形因子共6类变量,采用变量优选策略筛选各类变量及其组合的最优变量,构建土壤盐分随机森林(Random forest, RF)与支持向量机(Support vector machine, SVM)预测模型,并选择最优模型实现居延泽地区土壤盐分预测,为干旱区土壤盐分监测提供参考。结果表明,短波红外波段(B₁₁)、冠层盐度响应植被指数(CRSI)、扩展比值植被指数(ERVI)、红边盐分指数(S2re3)、单次散射(F_Odd)、地表温度(LST)与汇水面积(CA)等变量对土壤盐分监测具有较强的普适性;单一变量模型的盐分预测精度从高到低依次为地形因子、极化雷达参数、地表温度、盐分指数、植被指数和波段反射率;多变量联合可有效提升模型精度与稳定性,随着环境变量的加入,当6类变量均参与...     

基于RBF神经网络的土壤有机质空间变异研究方法

通过研究土壤性质的空间变异和空间插值方法,快速准确获取土壤性质的空间分布是精确农业和环境保护的基础。该文以四川眉山一块约40 km2的区域为试验区,采集表层土壤（0～20 cm）样点80个,利用径向基函数(RBF)神经网络建立空间坐标和邻近样点与土壤有机质间的非线性映射关系（RBF2）,模拟土壤有机质的空间分布。与普通克里法（OK）和仅以坐标为网络输入的神经网络方法（RBF1）相比,RBF2的插值精度有显著的提高;相同样点密度下其相对预测误差分别较OK和RBF1减小了9.87%、1.97%（样本A）和13.09%、2.36%（样本B）;即使样点数减半的情况下RBF2的相对预测误差也分别较OK和RBF1减小了10.23%和2.33%,并且插值图差异相对较小,可以更好地反映土壤有机质空间分布的异质性。因此,利用以坐标和邻近样点为输入的神经网络方法可以相对准确、快速地获取区域土壤性质空间分布的异质性信息。     

支持向量回归机在水质预测中的应用与验证

以干旱区浅水湖泊乌梁素海的多年实测pH值为例,在分析支持向量回归机算法（ε-SVR）核函数选取的基础上进行了回归分析及预测,并与线性回归、BP神经网络、RBF网络等算法进行了比较。研究结果显示：：（1） 基于径向基核的支持向量回归机模拟效果优于其它核函数;（2）ε-SVR模拟结果与线性回归（LR）、BP神经网络和RBF网络等算法模拟结果相比,其拟合精度与预测精度均比其它三种方法要高。计算结果充分证明了支持向量回归机有较强的学习能力和泛化能力且该方法可以应用于水质预测研究。     

基于机器学习方法的土壤转换函数模型比较

土壤水分状态及运动过程的准确描述与预测需要精确的土壤水力参数,而使用土壤转换函数的方法可以方便省时省力地获得土壤水力参数.对于不同的建模方法,在模型预测精度、运行效率等方面有所差异.[目的]探究不同机器学习方法建立土壤转换函数模型的优劣.[方法]使用UNSODA全球土壤水力性质数据库,对比分析了人工神经网络(ANN)、...     

基于机器学习算法的土壤有机质 质量比估算

为快速高效地估测干旱、半干旱地区土壤有机质(soil organic matter, SOM)质量比,提出了一种结合竞争适应重加权法(CARS)和随机森林(RF)的估测模型.以内陆干旱区艾比湖流域为研究区,测定土壤高光谱反射率和SOM质量比,经预处理后,利用CARS对原始光谱(R)、一阶导数(R′)、吸光度(log(1/R))及吸光度一阶导数［log(1/R)］′4种光谱变量的可见-近红外光谱进行筛选,并结合RF算法,建立全谱段RF模型与CARS-RF模型.结果表明,基于CARS方法对光谱进行变量筛选后,得出4种光谱变量的优选变量集个数分别为35,26,34和121;在4种光谱变量中,R′和［log(1/R)］′的SOM估测模型精度较高,以［log(1/R)］′为基础数据获得的模型精度最高;CARS-RF模型精度优于全谱段RF模型,模型验证集决定系数(R²)、均方根误差(RMSE)、相对分析误差(RPD)分别为0.881,6.438 g/kg和2.177.该研究在预处理的基础上通过变量优选,应用较少的变量个数获得较高的估测精度,为干旱、半干旱区SOM高光谱估测提供了适宜高效的方法.     

基于组合核函数的籼稻重度不宜存检测模型

为给籼稻储存品质的判定提供一种快速无损检测手段,对80份重度不宜存籼稻和80份非重度不宜存籼稻的近红外反射光谱进行了实验研究。根据训练样本非线性可分的特点,选择支持向量机方法建立定性模型。在对不同核函数的特性进行分析和研究的基础上,定义了一种新的核函数——组合核函数。该组合核函数是多项式核函数与径向基核函数的线性组合,将两者各自的特点融合在一起兼具内推和外推性能。实验结果表明,以这两种函数的线性组合作为核函数且调节因子为0.7时,所建立的模型综合性能最好。所建模型的训练集正确识别率为97.21%,测试集正确识别率为93.25%。     

基于多参数融合的土壤硝态氮检测方法

针对土壤悬液组分复杂以及单输入变量时电极预测精准度有限的问题,以提高离子选择电极预测土壤硝态氮含量精准度为目标,建立基于多参数融合的支持向量机(SVM)土壤硝态氮预测模型。采用灰色关联分析法对影响电极法测定土壤硝态氮的主要干扰因素进行排序,建立以主干扰因素及硝酸根电极检测电势的多参数融合SVM预测模型,并与传统Nernst模型和干扰因素全输入下的SVM模型作对比验证算法可行性。实验结果表明,土壤电导率、温度与Cl -电极检测电势为影响电极预测硝态氮精准度的主要干扰因素;输入参数为硝态氮电极检测电势、土壤电导率、温度与Cl -电极检测电势时,SVM土壤硝态氮预测模型效果最优,与光学法测定结果回归方程的调整决定系数为0.98,平均绝对偏差为3.38 mg/L,均方根误差为4.51 mg/L,基于多参数融合的SVM预测模型可显著提高电极法硝态氮检测精准度。     

基于改进模糊支持向量机方法的车尔臣河径流预报

针对径流时间序列固有的非线性和随机性特点,本文提出了基于灰色关联分析的模糊支持向量机预报方法.该方法在传统支持向量机任意逼近的非线性映射能力上,引入模糊隶属函数来考虑气候和流域下垫面变化下径流样本对预报结果的影响.此外,预报因子选取是中长期径流预报的一大难点,考虑到相关系数法只能衡量因子间线性相关程度的不足,本文采用灰色关联分析来量化预报因子与预报对象的关联程度,并按关联度大小挑选出对径流过程影响显著的预报因子.将该方法应用于新疆车尔臣河的月径流预报中,与GRNN神经网络模型和A-FSVM模型的预报结果比较表明:该方法能提高径流中长期预报精度,是一种有效的径流时间序列预测模型.     

基于反射光谱特性的土壤有机质含量测定仪改进设计

阐述了利用有机质的反射光谱特性对土壤有机质含量测定的原理及方法,并设计了测定仪器的总体设计方案、光路系统及仪器的硬件.为了进一步减小测量误差、提高仪器总体性能,在以前研究的基础上对光路系统的设计进行了改进--增加了另外3路光信号以反映土壤光谱在600 nm处的弓曲差,研究了不同土样处理方法对土壤有机质含量测量精度的影响.结果表明:在仪器中引入弓曲差信息后,仪器的测量精度得到了进一步提高,测量误差从7.69%减小到3.76%.