基于支持向量機(jī)和近紅外光譜特性的土壤質(zhì)地分類

胡曉艷，宋海燕

（山西農(nóng)業(yè)大學(xué)工學(xué)院，山西太谷030801）

基于支持向量機(jī)和近紅外光譜特性的土壤質(zhì)地分類

胡曉艷，宋海燕

（山西農(nóng)業(yè)大學(xué)工學(xué)院，山西太谷030801）

為了分析不同質(zhì)地土壤的近紅外光譜特性，建立合適的土壤質(zhì)地分類預(yù)測(cè)模型。研究以沙土、壤土和黏土3種不同類型土壤作為研究對(duì)象，采集了山西省內(nèi)3個(gè)地區(qū)的土壤樣本共156個(gè)，獲取其近紅外光譜數(shù)據(jù)，采用支持向量機(jī)（SVM）在1 001～2 500 nm波段內(nèi)對(duì)不同質(zhì)地土壤的吸光度值進(jìn)行建模預(yù)測(cè)。結(jié)果表明，3種質(zhì)地土壤具有不同的光譜反射特性；利用支持向量機(jī)建立的土壤分類預(yù)測(cè)模型，其測(cè)試集的預(yù)測(cè)正確率達(dá)到91.67%，說明SVM在土壤分類應(yīng)用中的效果較好，可以利用SVM模型進(jìn)行土壤屬性預(yù)測(cè)。

質(zhì)地；近紅外；SVM

土壤含有豐富的營(yíng)養(yǎng)物質(zhì)，對(duì)農(nóng)作物生長(zhǎng)有很大影響。實(shí)時(shí)獲取、了解土壤信息，對(duì)提高糧食產(chǎn)量和品質(zhì)，實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義。與傳統(tǒng)土壤類型識(shí)別方法（篩分、沉降）相比，近紅外光譜分析技術(shù)具有易操作、快速、無污染等優(yōu)勢(shì)，成為近年來國(guó)內(nèi)外土壤屬性檢測(cè)的熱點(diǎn)方法之一。

近紅外光譜主要反映有機(jī)物中氫基團(tuán)在近紅外光區(qū)倍頻和合頻的吸收[1]，蘊(yùn)含著豐富的信息。大量研究表明，采用近紅外光譜技術(shù)可以很好地分析和預(yù)測(cè)土壤中的一些參數(shù)含量[2-4]。而土壤質(zhì)地、粒度等物理屬性的光譜吸收特性，一直被視為干擾土壤定量分析的因素[5-8]。為此，許多學(xué)者展開了一系列關(guān)于土壤質(zhì)地、類型等對(duì)土壤成分預(yù)測(cè)影響的研究。宋海燕等[9-11]用近紅外光譜技術(shù)進(jìn)行不同質(zhì)地土壤參數(shù)預(yù)測(cè)的研究，結(jié)果表明，土壤質(zhì)地影響其參數(shù)預(yù)測(cè)精度，并指出分類建?？梢蕴岣哳A(yù)測(cè)精度。目前，采用近紅外光譜技術(shù)對(duì)土壤質(zhì)地分類的研究較少，尚未找到一種普遍適用的分類方法，因此，需要不斷優(yōu)化和發(fā)展土壤分類建模方法。

支持向量機(jī)（SVM）是VAPNIK等于1992年在統(tǒng)計(jì)學(xué)理論（statistic learning theory，STL）基礎(chǔ)上提出的一種數(shù)據(jù)處理方法，由于其結(jié)構(gòu)比較簡(jiǎn)單，有較好的泛化能力和全局最優(yōu)化的優(yōu)點(diǎn)，被廣泛應(yīng)用于數(shù)據(jù)分析、模式識(shí)別、分類和回歸分析中[12-16]。

筆者嘗試將SVM引入土壤質(zhì)地分類分析，為近紅外光譜在土壤分類研究領(lǐng)域的應(yīng)用提供參考。

1 材料和方法

1.1 研究區(qū)概況

根據(jù)試驗(yàn)需要，研究區(qū)選在晉中、呂梁和晉北3個(gè)地區(qū)。受緯度、氣候、地形等因素影響，山西省各個(gè)地區(qū)形成明顯的地帶性土壤類型，晉北位于山西的北端，緯度高，氣候干燥寒冷，晝夜溫差大，年均降水量400 mm，受其氣候影響土壤質(zhì)地粗、砂性大。晉中地區(qū)和呂梁地區(qū)，位于山西的中間位置，是濕潤(rùn)向干旱過渡區(qū)域，氣候溫暖，晝夜溫差小，年均降水量450～600 mm，土壤質(zhì)地呈弱黏化性的淡褐土。

1.2 樣本采集及預(yù)處理

采集以上研究區(qū)5～15 cm深度土壤，共采集156個(gè)樣本。將采集的土樣用于實(shí)驗(yàn)室近紅外光譜分析。由于土壤粒度、水分對(duì)土壤光譜特性影響較大，因此，在近紅外光譜檢測(cè)前，對(duì)采回的土樣作如下預(yù)處理：將土樣風(fēng)干并編號(hào)；對(duì)風(fēng)干后的土樣經(jīng)標(biāo)準(zhǔn)篩（2.5 mm）處理；把過篩土壤放入烤箱烘干。按各粒級(jí)土粒在土壤總質(zhì)量中所占的百分?jǐn)?shù)[17]，將土壤樣本分為51個(gè)沙土、51個(gè)壤土和54個(gè)黏土。

1.3 數(shù)據(jù)獲取

采用ASD公司Field Spec3（波長(zhǎng)范圍350～2 500 nm）型光譜儀掃描土壤樣本，測(cè)得其反射率光譜，每次操作前使用白板（100%反射率）進(jìn)行校正。為了排除周圍環(huán)境因素干擾，掃描過程均在室內(nèi)暗箱中進(jìn)行。測(cè)試時(shí)將土樣分別放置于培養(yǎng)皿（12.5 cm）中，用直尺將土樣表面抹平，減小土壤表層粗糙度對(duì)試驗(yàn)檢測(cè)的影響。采集到的光譜曲線使用ViewSpec 5.0.19軟件進(jìn)行相關(guān)預(yù)處理，最后導(dǎo)出光譜的吸光度值，用于MATLAB（R2010b）實(shí)現(xiàn)數(shù)據(jù)分析和SVM建模。

1.4 支持向量機(jī)

支持向量機(jī)（SVM）是以結(jié)構(gòu)風(fēng)險(xiǎn)最小化（SRM準(zhǔn)則）為原則的分類器，能夠?qū)Σ煌悩颖具M(jìn)行劃分[18]，最終轉(zhuǎn)化為一個(gè)二次規(guī)劃問題，從理論上講可以得到全局最優(yōu)解。圖1所示為二維平面內(nèi)二分類情況，圖中黑點(diǎn)和白點(diǎn)分別代表2類不同樣本的訓(xùn)練集，H2是把2類樣本準(zhǔn)確分類的分類線，且距離H3和H1空隙最大，H2即為所求的最優(yōu)分類線。H3，H1分別是過分類樣本與H2平行的直線，都距分類線距離最近。H3和H1之間的距離是分類空隙（margin）。上述分類線應(yīng)用到高維空間即為分類面，高維樣本的分類原理與二分類相同。

核函數(shù)的選擇與參數(shù)尋優(yōu)選取對(duì)支持向量機(jī)模型的建立以及預(yù)測(cè)精度有很關(guān)鍵的影響，SVM在遇到低維空間不容易進(jìn)行劃分的向量集時(shí)，通常是要把它們通過映射轉(zhuǎn)換到高維空間。選用恰當(dāng)?shù)暮撕瘮?shù)，能夠得到高維空間的分類函數(shù)，從而解決計(jì)算復(fù)雜度的問題。不同的核函數(shù)會(huì)使SVM所建模型不同，也就導(dǎo)致SVM算法不同。但是，對(duì)核函數(shù)的選擇，現(xiàn)在還沒有一個(gè)準(zhǔn)確的依據(jù)，這仍然是一個(gè)需要進(jìn)一步研究解決的問題。迄今為止，常用的3種核函數(shù)有多項(xiàng)式核函數(shù)、徑向基核函數(shù)（RBF核函數(shù)）、Sigmoid核函數(shù)[19]。大量的試驗(yàn)和研究證明，徑向基核函數(shù)的適應(yīng)性最廣，在解決問題時(shí)不會(huì)出現(xiàn)太大偏差，所以，本研究選擇徑向基核函數(shù)。

徑向基核函數(shù)表達(dá)式如下。

式中，x為自變量觀測(cè)值，xi為自變量實(shí)測(cè)值，σ為核函數(shù)的寬度。

使用libsvm-3.1-[FarutoUltimate3.1Mcode]工具箱和MATLAB（R2010b）進(jìn)行參數(shù)尋優(yōu)、SVM模型類型選擇以及樣本分類預(yù)測(cè)。其中，libsvm軟件包共實(shí)現(xiàn)了 C-SVC，one class-SVC，v-SVC，ε-SVR 和V-SVR共5種類型的SVM。這里通過對(duì)比分析選取C-SVC模型作為分類預(yù)測(cè)模型。

1.5 數(shù)據(jù)處理

由于試驗(yàn)中所測(cè)得的原始數(shù)據(jù)比較龐大，為了方便后面數(shù)據(jù)處理，本研究使用MATLAB軟件進(jìn)行數(shù)據(jù)歸一化處理，將原始數(shù)據(jù)歸一化到（0，1）。

為了便于判別土壤質(zhì)地分類效果，這里把黏土、壤土和沙土3類土壤分別賦值數(shù)字標(biāo)簽1，2，3。

2 結(jié)果與分析

2.1 不同質(zhì)地土壤的光譜特性

為了比較不同質(zhì)地土壤的光譜特性變化趨勢(shì)，本研究對(duì)3種質(zhì)地土壤的平均吸光度譜進(jìn)行了分析。

由圖2可知，在可見光區(qū)（380～780 nm）3種質(zhì)地土壤的光譜曲線重疊嚴(yán)重，無法從光譜曲線中分辨出土壤類型。在近紅外區(qū)，尤其是從1 000 nm開始，不同質(zhì)地土壤的吸光度值明顯不同，其中，以沙土的吸光值最大，黏土次之，壤土最小。此外，3種質(zhì)地土壤的吸光度在整個(gè)波段范圍具有相同的變化趨勢(shì)，都在 1 400，1 660，1 900，2 200 nm附近出現(xiàn)吸收峰，其中，在1 400，1 900，2 200 nm波段的吸收峰分別是由分層間水（H2O）、羥基（-OH）、與羥基組合的Al-OH和Mg-OH引起的，1 660 nm波段是由土壤有機(jī)質(zhì)引起的[20]，其吸收峰的高度和寬度隨土壤質(zhì)地的不同有所變化，可用于土壤SVM分類預(yù)測(cè)分析。

2.2 SVM模型建立

本研究選擇波長(zhǎng)范圍在1 001～2 500 nm所測(cè)得的吸光度值建模，3類土壤樣本數(shù)據(jù)分別組成51×1 500矩陣、51×1 500矩陣和54×1 500矩陣作為輸入數(shù)據(jù)。將原始數(shù)據(jù)導(dǎo)入MATLAB，創(chuàng)建訓(xùn)練集以及測(cè)試集，訓(xùn)練集樣本類型的選取直接影響SVM建模的精度，考慮到單一類型土壤建模不能覆蓋全部信息，本研究隨機(jī)選取3種質(zhì)地混合樣本120個(gè)作為訓(xùn)練集，其中，黏土、壤土和沙土各40個(gè)；36個(gè)樣本作為測(cè)試集，其中，黏土、壤土和沙土各40個(gè)；36個(gè)樣本作為測(cè)試集，其中，包括14個(gè)黏土、11個(gè)壤土和11個(gè)沙土，利用svmpredict進(jìn)行測(cè)試集仿真預(yù)測(cè)，所得測(cè)試集預(yù)測(cè)結(jié)果如表1所示。

表1 測(cè)試集預(yù)測(cè)結(jié)果對(duì)比

從表1可以看出，只有樣本6，35，36出現(xiàn)預(yù)測(cè)錯(cuò)誤，其余樣本吻合度一致，測(cè)試集的預(yù)測(cè)正確率達(dá)到91.67%。表明SVM應(yīng)用在土壤分類預(yù)測(cè)準(zhǔn)確性較高，可以利用SVM模型進(jìn)行土壤屬性預(yù)測(cè)。為了直觀地觀察結(jié)果，這里給出測(cè)試集預(yù)測(cè)結(jié)果直觀圖（圖 3）。

3 討論

本研究利用SVM對(duì)所采集的土壤光譜數(shù)據(jù)進(jìn)行不同質(zhì)地土壤的分類預(yù)測(cè)。在預(yù)測(cè)過程中，為了提高預(yù)測(cè)準(zhǔn)確度，已經(jīng)在原始數(shù)據(jù)處理以及樣本選取上做了相關(guān)優(yōu)化工作，所得預(yù)測(cè)結(jié)果中仍然存在一些樣本誤差。但從大部分樣本預(yù)測(cè)效果來看，已經(jīng)充分證明了SVM方法在土壤分類預(yù)測(cè)方面的優(yōu)勢(shì)和可行性。本研究的樣本僅取自部分地區(qū)土壤進(jìn)行分析，所建預(yù)測(cè)模型受一定范圍的局限，今后可以大范圍采集土樣驗(yàn)證以上結(jié)論，對(duì)支持向量機(jī)在土壤分類應(yīng)用做進(jìn)一步探索和研究，發(fā)揮其在實(shí)際分類問題中的潛力。

［1］嚴(yán)衍祿，趙龍蓮，韓東海，等.近紅外光譜分析基礎(chǔ)與應(yīng)用[M].北京：中國(guó)輕工業(yè)出版社，2005：1-3.

［2］劉雪梅.近紅外漫反射光譜檢測(cè)土壤有機(jī)質(zhì)和速效N的研究[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2013（2）：202-206.

［3］楊超.基于近紅外光譜技術(shù)的土壤全氮和有機(jī)質(zhì)含量估測(cè)研究[D].哈爾濱：東北林業(yè)大學(xué)，2013.

［4］黃富榮，潘濤，張甘霖，等.應(yīng)用近紅外漫反射光譜快速測(cè)定土壤鋅含量[J].光學(xué)精密工程，2010（3）：586-592.

［5］武紅旗，范燕敏，何晶，等.不同粒徑土壤的反射光譜對(duì)荒漠土壤有機(jī)質(zhì)含量的響應(yīng)[J].草地學(xué)報(bào)，2014（2）：266-270.

［6］楊雪紅.土壤粒徑對(duì)土壤光譜特征的影響 [J].科技信息，2010（25）：390-391，154.

［7］安曉飛，李民贊，鄭立華，等.土壤水分對(duì)近紅外光譜實(shí)時(shí)檢測(cè)土壤全氮的影響研究[J].光譜學(xué)與光譜分析，2013（3）：677-681.

［8］翟清云，張娟娟，熊淑萍，等.基于不同土壤質(zhì)地的小麥葉片氮含量高光譜差異及監(jiān)測(cè)模型構(gòu)建 [J].中國(guó)農(nóng)業(yè)科學(xué)，2013，46（13）：2655-2667.

［9］宋海燕，秦剛，韓小平，等.基于可見光譜的不同質(zhì)地土壤有機(jī)質(zhì)快速測(cè)定[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43（7）：69-72.

［10］張娟娟，田永超，朱艷，等.不同類型土壤的光譜特征及其有機(jī)質(zhì)含量預(yù)測(cè)[J].中國(guó)農(nóng)業(yè)科學(xué)，2009，42（9）：3154-3163.

［11］張雪蓮，李曉娜，武菊英，等.不同類型土壤總氮的近紅外光譜技術(shù)測(cè)定研究[J].光譜學(xué)與光譜分析，2010（4）：906-910.

［12］常甜甜.支持向量機(jī)學(xué)習(xí)算法若干問題的研究[D].西安：西安電子科技大學(xué)，2010.

［13］鄭立華，李民贊，安曉飛，等.基于近紅外光譜和支持向量機(jī)的土壤參數(shù)預(yù)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2010（S2）：81-87.

［14］劉江華，陳佳品，程君實(shí).基于Gabor小波特征抽取和支持向量機(jī)的人臉識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用，2003，23（3）：81-83.

［15］盛慶凱.基于支持向量機(jī)的土壤養(yǎng)分制圖研究[D].重慶：西南大學(xué)，2013.

［16］趙汝東，王殿武，陳延華，等.應(yīng)用支持向量機(jī)方法對(duì)北京平原糧田區(qū)土壤養(yǎng)分肥力的評(píng)價(jià)研究 [J].土壤通報(bào)，2009（3）：513-517.

［17］黃昌勇.土壤學(xué)[M].北京：中國(guó)農(nóng)業(yè)出版社，2000：77.

［18］張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī) [J].自動(dòng)化學(xué)報(bào)，2000，26（1）：33-39.

［19］楊海燕.支持向量機(jī)參數(shù)優(yōu)化方法及其應(yīng)用[D].南寧：廣西民族大學(xué)，2010.

［20］王世芳，程旭，宋海燕.水分對(duì)土壤有機(jī)質(zhì)檢測(cè)影響的光譜特性分析及抗水分干擾模型建立 [J].光譜學(xué)與光譜分析，2016（10）：3249-3253.

Soil Texture Classification Based on Support Vector Machine and Near Infrared Spectral Characteristics

HUXiaoyan，SONG Haiyan
（College of Engineering，Shanxi Agricultural University，Taigu 030801，China）

Toanalyze the near infrared spectral characteristics of different texture soils,a suitable prediction model was established.In this study,3 types of soil were studied,including sand,loam and clay,the 156 soil samples were collected from 3 regions in Shanxi province and the data of the near infrared spectra were obtained.Support vector machine（SVM）was used to model and predict the absorbance value of different texture soils in the 1 001-2 500 nm band.The results showed that three kinds of soil texture had different spectral reflectance characteristics.Soil classification prediction model by using support vector machine,predict accuracy of the test set reached 91.67%,indicating good effect in the application of SVM in soil classification,soil properties can be predicted by the SVM model.

texture;near infrared;SVM

S152.3

A

1002-2481（2017）10-1643-04

10.3969/j.issn.1002-2481.2017.10.17

2017-05-10

國(guó)家自然科學(xué)基金項(xiàng)目（41201294）；山西省科技攻關(guān)項(xiàng)目（20130313010-6）

胡曉艷（1990-），女，山西朔州人，在讀碩士，研究方向：生物環(huán)境測(cè)控技術(shù)與裝備。宋海燕為通信作者。