- 1、本文档共8页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于近红外光谱技术和支持向量机模型的土壤参数预测
*
郑立华,李民赞,孙红,安晓飞
(中国农业大学,现代精细农业系统集成研究教育部重点实验室,北京 100083 )
摘 摘 要要::应用支持向量机算法对土壤光谱数据进行处理,
摘摘 要要:: 射特征之间关系的研究已历经多年,研究成果表
研究了土壤全氮和土壤有机质的回归模型以及模型随参 明,在电磁波谱中的近红外区域,土壤的吸光度
数变化的规律。首先,从中国农业大学试验田采集了 150 与组成成分浓度呈现出较明显的线性相关性[2-7] 。
个土样,然后使用近红外光谱仪获取了每个原始土壤样本 基于近红外光谱分析技术预测土壤水分、有机质
的近红外光谱,同时应用实验室分析方法测量了土壤样本 和总氮含量的研究也取得了显著的成果[8-13] ,研
的全氮和有机质含量,最后以近红外光谱数据为自变量对
究目标由经过研磨过筛等预处理的土壤样本发展
土壤全氮和有机质含量进行了支持向量机回归建模并评
价了算法各参数对模型的影响。研究表明,土壤参数适合 到未经预处理的新鲜土样;建模方法也涉及多元
于全谱支持向量回归。对于土壤全氮,基于小波降噪NIR 线性回归、偏最小二乘回归、神经网络以及小波
光谱的 SVM 回归模型效果较好,标定 R2 达到 0.9224, 包分析等,研究越来越接近生产实际应用。
验证 R2 达到 0.3667,模型的回归均方差和验证均方差均 支持向量机由Vapnik 等人于 1992年提出[14] 。
较低;对于土壤有机质,基于原始NIR 光谱的 SVM 回归 支持向量算法的一个重要特征是:根据泛化性理
模型效果最好,标定R2 达到 0.9179,验证R2 达到 0.4152, 论强化学习偏置时,会产生假设的稀疏对偶表示,
模型的回归均方差和验证均方差均较理想。
从而成为非常有效的算法;其另一个重要特性是:
关键词关键词::支持向量机;土壤全氮;土壤有机质;近红外
关键词关键词:: 由于引入核的Mercer 条件,使得相应的优化问题
光谱;土壤参数预测 成为凸问题,因此没有局部最小[15,16] 。与传统的
人工神经网络比起来,支持向量机不仅结构简单,
而且能够较好地解决小样本、非线性、高维数和
中图分类号: O65713 , S15 文献标识码: A DOI :
1013964/ j1issn1100020593 (2009) 0621549204 局部最小点等实际的问题[17] 。近年来国内外运用
支持向量机算法解决土壤参数预测的研究也取得
了较好的进展[18-25],这些研究中的目标主要为土
0 引言 壤含水率,有关土壤有机质和土壤全氮的研究也
精细农业作为一种崭新的现代化农业管理理 是针对预处理后的土壤样本进行,且光谱波段为
[1]
念和方式 ,摈弃了现行农业管理方式的致命缺 325-1075nm。本研究将支持向量机引入基于近红
陷。它要求按照农田的时空差异进行精确科学的 外光谱技术的土壤参数实时测定领域,针对实时
施肥以及养分管理。清晰地了解土壤的空间变异 土壤样
文档评论(0)