基于最小二乘支持向量机的土壤含水量检测的研究与分析

摘要：介绍了一种基于最小二乘支持向量机的方法来实现土壤含水量的检测，实验结果证明该方法有效、可行，并具有一定的实用价值。

关键词：土壤含水量；最小二乘支持向量机；数字图像处理

中图分类号：TP311文献标识码：A文章编号：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，随着工农业生产的发展和人口的增长，占总耗水量80％以上的农业用水日趋紧张，而我国的农业生产属于气候型农业，作物产量受气象条件变化影响极大，特别是旱涝灾害对农业生产的危害[1]。由实际农业生产情况知道，作物生长的水资源条件最终是反映在土壤水分条件的好坏。为此，需要充分了解土壤水分的各种时间尺度的演变特征和空间的立体分布，而更为重要的是了解作物主要生产期和关键需水期的土壤水分状况。

土壤水分是土壤的重要组成部分，也是评价土壤资源优劣的主要特征之一，尤其土壤表层含水量在陆地表面和大气之间的物质和能量交换方面扮演着重要角色[2]。土壤中的水分不仅影响土壤的物理性质，制约着土壤中养分的溶解、转移和微生物的活动，也是构成土壤肥力的一个重要因素，而且它本身更是一切植物赖以生存的基本条件[3]。所以，及时了解土壤含水量日益成为农牧业生产关注的焦点，与此同时，如何快速、有效、精确的测定土壤含水量变化的方法研究也成为科研工作者们的热门话题[2]。

2 检测系统总体方案

一个土壤含水量检测系统，实质就是计算机模仿人类对土壤含水量的检测过程。如图1，主要是由下面四个部分构成：图像信息的获取、图像信息的预处理与特征提取、支持向量机训练与检测。

参考图像识别系统的构成，并结合本系统的功能要求，总的检测方案如下：

首先，通过CCD摄像头动态摄取图像；接着通过计算机对原始图像进行图像预处理，其中包括图像的灰度化、平滑、滤波、图像的分割以及二值化；然后根据相应的算法完成图像的特征提取，最后根据所提取的特征向量实现土壤含水量的检测。

3 最小二乘支持向量机（LS-SVM）原理

最小二乘支持向量机（LS-SVM）是支持向量机（SVM）的一个版本，LS-SVM和SVM的主要不同之处在于将误差的二次平方项作为损失函数而不是不敏感损失函数，这样便可以将不等式约束条件转变成等式约束。对于非线性建模问题，LS-SVM首先通过选择一个非线性变换φ(・)，把原始空间中的数据映射到一个高维特征空间中，再在高维特征空间中进行线性估计。假定一个训练样本集{xi,yi}Ni，其中输入数据xi∈Rn和输出数据y∈R，在高维特征空间中构造最优线性估计函数：

最小二乘支持向量机根据结构风险最小化原则，在优化目标中选择损失函数为ei的二范数，优化问题为：

其中ω为超平面的权值向量，b为偏置值。

4 数据的获取

本研究对长江中下游地区的某地区不同区域的粘土土壤不同时段地进行图像和其相对应含水量数据的采集，其结果见表1所示。

表1粘土的含水量及其对应进行数字图像处理得出的灰度平均值

5 贝叶斯推断法LS-SVM模型建立与检测结果分析

贝叶斯推断的基本思想是最大化参数分布的后验，而最佳参数值或模型是在参数分布后验最大的情况下得到的贝叶斯推断分为3级：第1级推断可确定w和b；第2级推断估计正则化系数γ；第3级推断估计核系数σ2。

对表1的样本数据进行贝叶斯推断法寻找模型最佳参数值，把权衡拟合误差最小化和拟合曲线光滑度的参数γ取为480.21，把径向基核函数宽度参数σ2取为7.63。

将最佳参数值代入贝叶斯最小二乘支持向量机模型中，并用预处理后的训练集训练LS-SVM模型，然后模型对预处理后的测试集进行检测，最后对检测数据进行反预处理，得到检测结果，检测结果见图2所示，模型检测值大小及与实测值间的相对误差大小见表2。

该模型的平均绝对相对误差（mrerr）和最大绝对相对误差（mxarer）分别为：

6 结论

通过实验由表2可以得出，该贝叶斯LS-SVM模型的平均绝对相对误差（mrerr）和最大绝对相对误差（mxarer）分别为1.16%和3.19%，其检测结果比较符合检测的精度要求。因此，运用数字图像处理技术和支持向量机进行土壤含水量的检测，经理论分析和实验表明，该方法是有效、可行的，并具有一定的实用价值。

参考文献：

[1] 金龙,罗莹.农田土壤湿度的人工神经网络预报模型研究[J].土壤学报,1998,2(1):25-32.

[2] 刘伟东,Baret F,张兵.高光谱遥感土壤湿度信息提取研究[J].土壤学报,2004,9(5):700-706.

[3] 刘永岗,王曰鑫,李学哲.气量法快速测定土壤含水量技术[J].水土保持科技情报,2005,(6):25-27.

[4] 张学工.关于统计学习理论与支持向量机[J].自动化学报,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：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”