基于支持向量機的吉林西部農業生態安全評價

陳鵬　張立峰　劉家福等

摘要：利用支持向量機建立了一種新的農業生態安全評價模型。借鑒“壓力-狀態-響應”框架模型構建農業生態安全評價指標體系，以此作為支持向量機模型的輸入參數并進行農業生態安全評價，并通過GIS技術將吉林西部農業生態安全評價結果可視化。結果表明，基于支持向量機的農業生態安全評價模型具有良好的評價能力，評價結果可為當地農業生態安全和農業可持續發展提供決策依據。

關鍵詞：支持向量機；農業生態安全；評價；吉林西部

中圖分類號：X171 文獻標識碼：A 文章編號：0439-8114（2015）19-4898-05

DOI：10.14088/j.cnki.issn0439-8114.2015.19.062

Abstract： An agricultural ecological security evaluation model was established by support vector machine. According to the “pressure-state-response” framework model， the evaluation index system of agricultural ecological security was constructed，which was used as the input parameters of support vector machine model and used to evaluate agricultural ecological security， and visualize the results based on the GIS technology. The results showed that the evaluation model of agricultural ecological security based on support vector machine have good ability of evaluation，and the evaluation results can provide the decision-making basis for local agricultural ecological security and agricultural sustainable development.

Key words：support vector machine； agricultural ecological security； evaluate； western Jilin province

隨著生態環境的日益惡化，生態安全問題已成為研究熱點。目前，國外學者的研究聚焦在生態系統的健康和生態風險評價上[1]。國內研究主要集中在生態安全評價指標體系構建與評價方法探討[2-5]，但由于各類指標的復雜函數關系，已有的研究不足以揭示它們之間錯綜復雜的關系，又由于數據不完備，用傳統的農業生態安全評價方法很難達到滿意的效果。支持向量機（Support vector machine，簡稱SVM）是1995年由Vapnik[6，7]等人研究并快速發展起來的一種基于統計學習模式識別方法，它在解決小樣本非線性及高維模式識別問題中表現出特有的優勢。近些年SVM主要應用在趨勢分析和模式識別以及遙感圖像的分類方面[8-10]。本文依據農業生態安全評價方法建立評價體系，利用支持向量機和GIS技術構建吉林省西部農業生態安全評價模型，以探討新的模式識別方法在農業生態安全評價中的實際應用價值。

1 研究區概況

吉林省西部（44°57′-45°46′N，123°09′-124°22′E）位于松嫩平原的西部，隸屬白城和松原兩個地級市，包含10個縣（市、區），總面積468.35萬hm2。屬大陸性季風氣候，年日照時數2 800～3 000 h，年總輻射5 100～5 200 MJ/m2，年均降水量400～500 mm，年均蒸發量1 600～2 000 mm，平均相對濕度60%～65%。研究區是吉林省主要糧食產區，因特有的農業氣候條件與土地生態條件，形成了典型農業區和農牧交錯區兩種農業生態。由于其自身脆弱性及長期、大規模農業開發導致該區生態環境日益惡化，農業和經濟發展緩慢[11]，已經嚴重阻礙了區域的生態安全及可持續發展。

2 研究方法

2.1 支持向量機

支持向量機是一種基于統計學習理論的模式識別方法。SVM主要是通過定義最優線性超平面，把尋找最優超平面的算法歸結為求解一個最優（凸規劃）問題。進而基于Mercer核展開定理，通過非線性映射，把樣本空間映射到一個高維乃至于無窮維的特征空間（Hilbert空間），使在特征空間可以應用線性學習機的方法解決樣本空間中的高度非線性分類和回歸等問題。

對給定的訓練樣本集，假如訓練樣本集是線性可分的，則機器學習的結果是一個超平面，二維情況下是直線或稱為判別函數；如果訓練樣本不可分，則對于非線性分類問題，應將輸入空間通過某種非線性映射映射到一個高維特征空間，在這個空間中存在線性的分類規則，可以構造線性的最優分類超平面，根據泛函理論，引入適當的內積核函數就可以實現某一非線性變換后的線性分類。

3 評價指標體系與模型構建

3.1 評價指標體系

農業生態安全評價問題可看作是一個農業生態安全級別評價指標間復雜的非線性函數關系的逼近問題。利用支持向量機方法進行農業生態安全評價，首先要確定影響因素，建立評價指標；其次根據實際資料構造樣本數據集，然后用SVM進行學習與訓練，最后根據訓練獲得的參數對研究區的農業生態安全進行評價，因此，在評價前要選取能夠真實、準確反映研究內容的評價指標體系。

本研究的農業生態安全評價指標體系選取是基于聯合國經濟開發署（OECO）建立的壓力-狀態-響應（Pressure-State-Response，PSR）框架模型，在總結國內外農業生態安全評價指標體系方案案例基礎上，結合吉林省西部農業現狀，從農業生態環境壓力、農業生態環境狀態、人文社會響應3個方面選取了18個評價指標，構建了吉林省西部農業生態安全評價指標體系。農業生態安全各指標權重采用層次分析法進行計算（表1）。

3.2 基于支持向量機的農業生態安全評價模型構建

3.2.1 數據處理過程 從生態環境狀態、生態環境壓力、人文社會響應3個方面選取的18個農業生態安全評估指標作為SVM模型輸入。為了消除各個指標單位的不同給計算帶來的不便，在此對每一指標進行無量綱化處理，使之分布于[-1，1]之間。專家經驗和評分得到的農業生態安全度（表2）為模型輸出值，農業生態安全度越高說明研究區越安全，反之較低。考慮到樣本數較少（表3），而吉林西部內部自然要素基本一致，將10個地區1980-2007年數據作為訓練樣本集，最終得到18×184個數據作為SVM模型訓練數據，其余18×80個數據作為測試數據。

3.2.2 SVM模型構建過程 選擇SPSS公司的數據挖掘軟件Clementine12.0作為農業生態安全評價模型和分析平臺。Clementine12.0軟件中包括了多種數據挖掘模型及數據格式化工具，它是通過節點的連接完成數據挖掘，具體步驟為：首先，由Clementine12.0數據接口讀入各指標數據，數據流通過一系列工具節點處理為標準格式結構后被送入SVM挖掘模型；其次，將結果輸出或可視化顯示。利用Clementine12.0軟件中的SVM模塊構建基于支持向量機的農業生態安全評價模型，模型流程見圖1。

最后，選用epsilon-SVR作為回歸方法，核函數為徑向基函數。由交叉驗證法取得誤差懲罰因子C=32，核函數參數γ=0.052 6，不敏感系數ε=0.25。經訓練數據集學習后，獲得支持向量86個，測試回歸結果的均方根誤差為1.313 3。

4 結果與分析

根據SVM模型預測結果并結合原有數據，對農業生態安全指數（ESIVj）求取多年平均值后進行分等定級，按照生態安全閾值標準，將農業生態安全閾值分為“低、較低、適中、較高、高”5個等級。根據農業生態安全閾值分區標準，結合吉林省西部的行政區劃圖，利用GIS的分區功能對吉林省西部農業生態安全進行分區（圖2）。由圖2可知，扶余縣農業生態安全度低；白城市農業生態安全度較低；松原市農業生態安全度適中；鎮賚縣、大安市、洮南市、乾安縣、通榆縣、長嶺縣農業生態安全度較高；前郭縣農業生態安全度高。

5 結論

支持向量機在解決小樣本、非線性及高維模式識別問題中表現出了較好的優勢，使得在解決農業生態安全問題上變為可能。本文基于“壓力-狀態-響應”框架模型選取18個指標因子并作為SVM樣本輸入，利用Clementine12.0軟件構建SVM評價模型。結果表明，基于支持向量機與地理信息系統技術進行農業生態安全評價，具備了較強的評價能力和擴展能力。研究結果可為研究區農業生態安全評價、預測等提供理論依據和技術支持。

支持向量機應用于農業生態安全評價中是一個新領域，其理論與方法還有待完善，如樣本數據可能存在一定誤差，或是在核函數的類型和參數的選擇上有待商榷，隨著指標數據及方法不斷積累與完善，對存在的誤差及核函數類型、參數的選擇會得到相應的改善。

參考文獻：

[1] KING R S.，Integrating bioassessment and ecological risk assessment：an approach to developing numerical water-quality criteria[J]，Environmental Management，2003.31（6）：795-809，

[2] 王 軍，何 玲，董 謙，等.河北省農業生態安全障礙度評價與對策研究[J].農業現代研究，2010，31（1）：81-85.

[3] 王 軍.農業生態安全的理論與實踐[M].北京：中國農業出版社， 2009.

[4] 肖薇薇，謝永生，王繼軍.黃體丘陵區農業生態安全評價指標體系的建立[J].水土保持通報，2007，27（2）：146-149.

[5] 李 芬，王繼軍.黃土丘陵區紙坊溝流域近70年農業生態安全評價[J].生態學報，2008，28（5）：2380-2388.

[6] VAPNIK V N. The Nature of Statistical Learning Theory[M]. New York：Springer Verlag，1995.

[7] VAPNIK V N. Statistical Learning Theory[M]. New York： Wiley，1998.

[8] 楊曉華，黃敬峰，王秀珍，等.基于支持向量機的水稻葉面積指數高光譜估算模型研究[J].光譜學與光譜分析，2008，28（8）：1837-1841.

[9] 傅文杰.GIS支持下基于支持向量機的滑坡危險性評價[J].地理科學，2008，28（6）：838-841.

[10] 駱劍承，周成虎，梁 怡，等.支撐向量機及其遙感影像空間特征提取和分類的應用研究[J].遙感學報，2002，6（1）：50-54.

[11] 湯 潔，李海毅，斯 藹.吉林省通榆縣近20年農業可持續發展的生態安全[J].農業現代化研究，2007，28（1）：75-78.