基于最小二乘支持向量機的土壤含水量檢測的研究與分析

摘要：介紹了一種基于最小二乘支持向量機的方法來實現土壤含水量的檢測，實驗結果證明該方法有效、可行，并具有一定的實用價值。

關鍵詞：土壤含水量；最小二乘支持向量機；數字圖像處理

中圖分類號：TP311文獻標識碼：A文章編號：1009-3044(2008)27-2043-02

The Research and Analysis of Soil Water content Based on the Smallest Two Rides Support Vector Machine

WU Jian1，2

(1.Jiangsu University， Zhenjiang 212003， China; 2.Zhenjiang College， Zhenjiang 212003， China)

Abstract: Based on the smallest two rides support vector machine method to achieve the soil water detection was introduced ， Experiments show that the method is effective， feasible and have some practical value.

Key words: soil water content; the smallest two rides support vector machine; digital image processing

1 引言

目前，隨著工農業生產的發展和人口的增長，占總耗水量80％以上的農業用水日趨緊張，而我國的農業生產屬于氣候型農業，作物產量受氣象條件變化影響極大，特別是旱澇災害對農業生產的危害[1]。由實際農業生產情況知道，作物生長的水資源條件最終是反映在土壤水分條件的好壞。為此，需要充分了解土壤水分的各種時間尺度的演變特征和空間的立體分布，而更為重要的是了解作物主要生產期和關鍵需水期的土壤水分狀況。

土壤水分是土壤的重要組成部分，也是評價土壤資源優劣的主要特征之一，尤其土壤表層含水量在陸地表面和大氣之間的物質和能量交換方面扮演著重要角色[2]。土壤中的水分不僅影響土壤的物理性質，制約著土壤中養分的溶解、轉移和微生物的活動，也是構成土壤肥力的一個重要因素，而且它本身更是一切植物賴以生存的基本條件[3]。所以，及時了解土壤含水量日益成為農牧業生產關注的焦點，與此同時，如何快速、有效、精確的測定土壤含水量變化的方法研究也成為科研工作者們的熱門話題[2]。

2 檢測系統總體方案

一個土壤含水量檢測系統，實質就是計算機模仿人類對土壤含水量的檢測過程。如圖1，主要是由下面四個部分構成：圖像信息的獲取、圖像信息的預處理與特征提取、支持向量機訓練與檢測。

參考圖像識別系統的構成，并結合本系統的功能要求，總的檢測方案如下：

首先，通過CCD攝像頭動態攝取圖像；接著通過計算機對原始圖像進行圖像預處理，其中包括圖像的灰度化、平滑、濾波、圖像的分割以及二值化；然后根據相應的算法完成圖像的特征提取，最后根據所提取的特征向量實現土壤含水量的檢測。

3 最小二乘支持向量機（LS-SVM）原理

最小二乘支持向量機（LS-SVM）是支持向量機（SVM）的一個版本，LS-SVM和SVM的主要不同之處在于將誤差的二次平方項作為損失函數而不是不敏感損失函數，這樣便可以將不等式約束條件轉變成等式約束。對于非線性建模問題，LS-SVM首先通過選擇一個非線性變換φ(·)，把原始空間中的數據映射到一個高維特征空間中，再在高維特征空間中進行線性估計。假定一個訓練樣本集{xi，yi}Ni，其中輸入數據xi∈Rn和輸出數據y∈R，在高維特征空間中構造最優線性估計函數：

最小二乘支持向量機根據結構風險最小化原則，在優化目標中選擇損失函數為ei的二范數，優化問題為：

其中ω為超平面的權值向量，b為偏置值。

4 數據的獲取

本研究對長江中下游地區的某地區不同區域的粘土土壤不同時段地進行圖像和其相對應含水量數據的采集，其結果見表1所示。

表1粘土的含水量及其對應進行數字圖像處理得出的灰度平均值

5 貝葉斯推斷法LS-SVM模型建立與檢測結果分析

貝葉斯推斷的基本思想是最大化參數分布的后驗，而最佳參數值或模型是在參數分布后驗最大的情況下得到的貝葉斯推斷分為3級：第1級推斷可確定w和b；第2級推斷估計正則化系數γ；第3級推斷估計核系數σ2。

對表1的樣本數據進行貝葉斯推斷法尋找模型最佳參數值，把權衡擬合誤差最小化和擬合曲線光滑度的參數γ取為480.21，把徑向基核函數寬度參數σ2取為7.63。

將最佳參數值代入貝葉斯最小二乘支持向量機模型中，并用預處理后的訓練集訓練LS-SVM模型，然后模型對預處理后的測試集進行檢測，最后對檢測數據進行反預處理，得到檢測結果，檢測結果見圖2所示，模型檢測值大小及與實測值間的相對誤差大小見表2。

該模型的平均絕對相對誤差（mrerr）和最大絕對相對誤差（mxarer）分別為：

6 結論

通過實驗由表2可以得出，該貝葉斯LS-SVM模型的平均絕對相對誤差（mrerr）和最大絕對相對誤差（mxarer）分別為1.16%和3.19%，其檢測結果比較符合檢測的精度要求。因此，運用數字圖像處理技術和支持向量機進行土壤含水量的檢測，經理論分析和實驗表明，該方法是有效、可行的，并具有一定的實用價值。

參考文獻：

[1] 金龍，羅瑩.農田土壤濕度的人工神經網絡預報模型研究[J].土壤學報，1998，2(1):25-32.

[2] 劉偉東，Baret F，張兵.高光譜遙感土壤濕度信息提取研究[J].土壤學報，2004，9(5):700-706.

[3] 劉永崗，王曰鑫，李學哲.氣量法快速測定土壤含水量技術[J].水土保持科技情報，2005，(6):25-27.

[4] 張學工.關于統計學習理論與支持向量機[J].自動化學報，2000，26(1):32-42.

[5] GestelV T， Suykens J A K， Baestaens D K，et al. Financial time series prediction using least squares support vector machines within the evidence framework[J].IEEE Transactions on Neural Network，2001，12(4):809-821.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”