集成建模变量优选和参数学习的SVR盐渍化监测

摘要：

当前基于机器学习算法反演土壤盐分含量(Soil Salt Content,SSC)较少关注模型参数和建模变量的优选.基于Sentinel-1 SAR、Landsat 8 OLI、DEM数据提取8类共40个环境变量,经Pearson相关分析初步筛选出候选特征变量,分别带入格网搜索(Grid Search,GS)算法、遗传算法(Genetic Algorithm,GA)、粒子群算法(Particle Swarm Optimization,PSO)同步优选支持向量回归(Support Vector Regression,SVR)的模型参数和建模变量,然后建立盐渍化监测模型(GS-SVR、GA-SVR、PSO-SVR),选择最优模型反演玛纳斯灌区生长季SSC分布.结果表明:提取的环境变量与SSC相关性较好,植被指数和特征空间对盐渍化更为敏感;与GS-SVR相比,GA-SVR和PSO-SVR减少了建模变量,提高了模型精度,适应度值分别提高了 53.87％、69.96％;生长季内,春秋季积盐,夏季脱盐,SSC均值变化趋势:整个研究区、中部和南部为降低—增加;北部为增加—降低—增加;依据生长季SSC小提琴图表明整个研究区,中部和北部SSC数值区间变化趋势为扩张—收缩—扩张,南部为扩张—收缩—平稳.

关键词：遗传算法、粒子群算法、土壤盐渍化、支持向量机、模型参数和建模变量优选

所属期刊栏目：36

分类号：S127;TP79(农业物理学)

资助基金：国家自然科学基金;中国科学院一带一路团队项目;中国科学院特色研究所项目

在线出版日期：2021-06-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：176-186