集成建模变量优选和参数学习的SVR盐渍化监测

• 作者: 徐红涛 陈春波 郑宏伟 罗格平 杨辽 王伟胜 吴世新
• 来源期刊: 遥感技术与应用
• 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
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 遥感应用
• 页码范围: 176-186
• 页数: 11页
• 分类号: S127|TP79
• 语种: 中文
• DOI: 10.11873/j.issn.1004-0323.2021.1.0176

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.