基于最小二乘支持向量机的农田二氧化碳通量建模研究.pdfVIP

基于最小二乘支持向量机的农田二氧化碳通量建模 1 2 3 苏高利 秦钟 于强 1浙江省气候中心 杭州 3100172浙江大学生命科学院生态研究所 杭州 3100293中国科学院地 理科学与资源研究所 北京 100101 摘 要 支持向量机 SVM是在统计学习理论基础上发展起来的一种新型的学习方法 在模式分类 非线性 函数估计等领域应用中达到了较高的性能 本文将最小二乘支持向量机 LS-SVM方法应用于农田CO通量 2 的建模中 并同前馈反向传播 BP神经网络的建模性能进行了比较 结果表明 LS-SVM方法具有可调参 数少 学习速度较快等优点 具有更好的泛化能力 以更高的精度建立CO通量模型 2 关键词 最小二乘支持向量机 非线性函数估计 二氧化碳通量 神经网络 1 引言 当前 利用微气象学观测方法观测农田CO通量不但是研究植物光合和水分利用效率的 2 研究手段 也是探讨和研究CO增加对生态系统的影响及对全球气候变化贡献大小的重要途 2 径 土壤-植被-大气系统(SPAC)界面CO传输是作物与环境因子相互影响 相互作用的一个 2 复杂的非线性过程 目前这方面的研究绝大多数是将田间试验与基于SPAC系统水分和能量 交换的物理过程与生物物理过程的模型相结合进行的 这些模型的建立需要使用一些特定的 响应参数 研究对象的生理 生态学特性等[1-3] 相比之下 人工神经网络在不需要任何既 定的数学公式 可随时依据数据资料进行自适应学习 训练 通过调整其内部的存储权重参 数以任意精度逼近一个非线性函数来处理 优化输入 输出之间的信息关系 这一特点使其 渗透到了众多学科领域 神经网络在生态学中的应用可追溯到上个世纪90年代初 大量的 研究表明它在识别 优化和调控复杂的生态系统及相关问题方面有着极为广阔的发展空间 [4-6] 但由于传统的神经网络是建立在经验风险最小化的基础上的 很容易出现局部最小值 和学习过头的问题 并且神经网络的网络结构选择和隐含层的神经元数都要由大量的试验获 [7-8] 得 往往导致结果的不确定性 而这些问题能够采用由Vapnik等人 提出的一种新型的机 器学习方法 支持向量机 Support Vector Machine,简称 SVM所避免 它是建立在统 计学理论的VC维理论和结构风险最小化原理基础上的 其基本思想是通过非线性变换把数 1 据映射到高维空间 解决原始空间中数据线性不可分问题 由于支持向量机较好地解决了小 样本 非线性 高维数 局部极小值等实际问题 具有全局最优解 有很好的泛化性能 已 在模式识别 信号处理 函数估计等领域得到了应用[9-10] 近年 Suykens J.A.K提出一种新型支持向量机方法 最小二乘支持向量机 Least Squares Support Vector Machines简称LS-SVM用于解决模式分类和函数估计问题[11-15] 最小二乘支持向量机方法是采用最小二乘线性系统作为损失函数 代替传统的支持向量机采 用的二次规划方法 本研究就是尝试利用 LS-SVM方法分析农田中作物冠层与大气间 CO交 2 换与对这一过程产生影响的重要因子间的相互作用关系并在此基础上建模 2