基于細(xì)菌覓食優(yōu)化算法的支持向量機(jī)在土壤墑情預(yù)測中的應(yīng)用

丁 輝, 仲 躍, 張 俊, 錢建中, 謝能剛

(1.安徽工業(yè)大學(xué) 機(jī)械學(xué)院, 安徽 馬鞍山 243032;2.鹽城市水利局, 江蘇 鹽城 224005; 3.鹽城市鹽都區(qū)水務(wù)局, 江蘇 鹽城 224005)

基于細(xì)菌覓食優(yōu)化算法的支持向量機(jī)在土壤墑情預(yù)測中的應(yīng)用

丁 輝1, 仲 躍2, 張 俊3, 錢建中2, 謝能剛1

(1.安徽工業(yè)大學(xué) 機(jī)械學(xué)院, 安徽 馬鞍山 243032;2.鹽城市水利局, 江蘇 鹽城 224005; 3.鹽城市鹽都區(qū)水務(wù)局, 江蘇 鹽城 224005)

[目的] 對基于細(xì)菌覓食優(yōu)化算法的支持向量機(jī)在土壤墑情預(yù)測中的應(yīng)用進(jìn)行探討，為現(xiàn)代農(nóng)業(yè)研究中土壤墑情預(yù)測及農(nóng)業(yè)生產(chǎn)提供支持。 [方法] 基于支持向量回歸機(jī)方法建立土壤墑情預(yù)測模型，利用細(xì)菌覓食優(yōu)化算法優(yōu)化支持向量機(jī)預(yù)測模型的相關(guān)參數(shù)。根據(jù)從種植區(qū)采集的田間數(shù)據(jù)對模型進(jìn)行建模和測試。 [結(jié)果] 與僅利用支持向量回歸機(jī)和利用粒子群優(yōu)化的支持向量回歸機(jī)分別建立的模型進(jìn)行對比,發(fā)現(xiàn)本研究所提算法建立的預(yù)測模型的預(yù)測效果更佳。 [結(jié)論] 該模型預(yù)測效果較好，所建模型已應(yīng)用于實(shí)際項(xiàng)目，預(yù)測精度基本滿足要求，且運(yùn)行穩(wěn)定。進(jìn)而證明了該研究所提算法的有效性和可行性。

細(xì)菌覓食優(yōu)化算法; 支持向量回歸機(jī); 土壤墑情預(yù)測

土壤墑情信息主要指土壤的水分狀況，是農(nóng)業(yè)種植中至關(guān)重要的指標(biāo)之一，對農(nóng)作物生長發(fā)育的影響尤為突出。因此，及時了解田間的土壤墑情信息，讓作物生長在適宜的環(huán)境中，可有效地保證農(nóng)作物的產(chǎn)量。隨著農(nóng)業(yè)現(xiàn)代化步伐的加快，信息技術(shù)應(yīng)用于現(xiàn)代農(nóng)業(yè)已成為必然趨勢，及時、準(zhǔn)確地獲取田間的土壤墑情信息顯得尤為重要。實(shí)時地獲取墑情信息對于指導(dǎo)水資源的合理配置、提高作物的產(chǎn)量均具有重要意義[1-2]。目前，較為常用的土壤墑情預(yù)測模型與方法包括：經(jīng)驗(yàn)法、水量平衡模型、時間序列模型、土壤水分動力學(xué)模型、遙感監(jiān)測方法和神經(jīng)網(wǎng)絡(luò)模型等[3]。因神經(jīng)網(wǎng)絡(luò)模型具有較好的非線性擬合能力和學(xué)習(xí)功能，在眾多方法與模型中脫穎而出。其中，支持向量機(jī)模型近年來被廣泛的關(guān)注，該模型已被應(yīng)用于時間序列分析[4]、模式識別[5]、圖像處理[6]、城市用水量預(yù)測[7]等。支持向量機(jī)模型在土壤墑情預(yù)測中的應(yīng)用已成為眾多學(xué)者近年來研究的焦點(diǎn)。薛曉萍等[8]利用支持向量機(jī)模型建立起不同土層深度的土壤水分預(yù)測模型，該模型在0—10 cm土層的土壤水分預(yù)測中效果較好，土層越深則預(yù)測效果越差，并對歷史數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)各層與0—10 cm層具有較高的相關(guān)關(guān)系，由此建立了較精確的預(yù)測模型； Kashif等[9]利用支持向量機(jī)相關(guān)原理，將影響土壤墑情的各種參數(shù)作為輸入，例如空氣濕度、空氣溫度、土壤溫度以及土壤水分等，對模型進(jìn)行訓(xùn)練，并作出相應(yīng)的預(yù)測，對試驗(yàn)區(qū)的分析表明，模型的預(yù)測效果較佳；Zhao等[10]利用粒子群優(yōu)化最小二乘支持向量機(jī)預(yù)測土壤含水量，通過分析確定0—10 cm土壤含水量、飽和含水量和有機(jī)物含量為輸入量，土壤含水量作為輸出量，并與廣義回歸神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測效果進(jìn)行對比分析，發(fā)現(xiàn)該方法效果更佳。以上方法在土壤墑情預(yù)測中均表現(xiàn)出較好的預(yù)測效果，然而以上方法，在輸入?yún)?shù)的選擇方面，主要依靠科研人員的經(jīng)驗(yàn)，人為因素影響較大。盡管有些方法進(jìn)行了相應(yīng)分析，但需改變原始數(shù)據(jù)，本文為充分利用原始數(shù)據(jù)，在輸入?yún)?shù)的選擇上，利用灰色系統(tǒng)理論中的灰色關(guān)聯(lián)分析計算各參數(shù)對土壤含水量的貢獻(xiàn)率，將貢獻(xiàn)率大的參數(shù)作為輸入?yún)?shù)，并利用細(xì)菌覓食優(yōu)化算法優(yōu)化支持向量機(jī)模型的相關(guān)參數(shù)，以提高支持向量機(jī)模型的性能。

1 數(shù)據(jù)來源

在安徽工業(yè)大學(xué)校園內(nèi)建立了一個小型的草莓種植試驗(yàn)區(qū)，并搭建土壤墑情監(jiān)測系統(tǒng)，通過埋設(shè)在田間的土壤水分、土壤溫度、空氣溫濕度和光照度傳感器，實(shí)時監(jiān)測種植區(qū)的土壤水分、土壤溫度、空氣溫度、空氣濕度和光照度等作物的生長環(huán)境因素。為有效監(jiān)測種植區(qū)的墑情信息，種植區(qū)中，每個檢測量同一時間利用3組傳感器進(jìn)行數(shù)據(jù)采集，每隔30 min采集1組數(shù)據(jù)。采集從11月09日至12月1日期間的空氣溫濕度、光照度、土壤溫度信息，其采集值分別如圖1所示。利用采集的1 000余組數(shù)據(jù)對模型進(jìn)行建模與預(yù)測分析。

圖1 試驗(yàn)區(qū)土壤各指標(biāo)采集值

2 灰色關(guān)聯(lián)分析

灰色關(guān)聯(lián)分析是通過灰色關(guān)聯(lián)度來分析和確定系統(tǒng)諸因素間的影響程度或各因素對系統(tǒng)主行為的貢獻(xiàn)測度的一種方法?；疑P(guān)聯(lián)分析屬于灰色系統(tǒng)理論的一個分支，它的基本思想是依據(jù)時間序列曲線之間的幾何形狀的相似程度判斷各序列相互之間的聯(lián)系程度[11]。序列折線的幾何形狀越接近，其相對應(yīng)的序列的關(guān)聯(lián)度也就越大，反之則說明其關(guān)聯(lián)度越小。

由文獻(xiàn)[11]可知，k時刻xi序列對x0序列的關(guān)聯(lián)系數(shù)為：

式中：ρ——分辨系數(shù)，在實(shí)際應(yīng)用中分辨系數(shù)ρ一般取為0.5。

通過上式計算出關(guān)聯(lián)系數(shù)后，便可求得xi序列對x0序列的關(guān)聯(lián)度為：

3 細(xì)菌覓食優(yōu)化算法

細(xì)菌覓食優(yōu)化算法是Passion受到大腸桿菌覓食行為的啟發(fā)于2002年提出的。該算法包含了模擬大腸桿菌真實(shí)覓食行為的3個主要操作：趨向性操作、復(fù)制性操作和遷徙性操作。在細(xì)菌系統(tǒng)中，每個細(xì)菌都可以看作是優(yōu)化問題的一個尋優(yōu)解，大腸桿菌尋找最佳路線覓食的過程則可以認(rèn)為是其中的一個尋優(yōu)解尋找最優(yōu)解的過程。該算法的算法流程見參考文獻(xiàn)[12-13]。

4 回歸型支持向量機(jī)

建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)之上的支持向量機(jī)由Vapnik等首次提出，該模型最初用于分類問題。隨

著實(shí)際應(yīng)用的需要，Vapnik等將ε不敏感損失函數(shù)引入支持向量機(jī)，建立了支持向量回歸機(jī)(SVR)。支持向量回歸機(jī)的基本原理是尋找到所有訓(xùn)練的樣本點(diǎn)距離某個分類面的誤差最小的最優(yōu)分類面。支持向量回歸機(jī)的提出使得支持向量機(jī)理論進(jìn)一步完善，應(yīng)用范圍也進(jìn)一步拓展[14-15]。

5 基于細(xì)菌覓食優(yōu)化算法的支持向量回歸機(jī)預(yù)測模型

選用的支持向量機(jī)核函數(shù)為徑向基核函數(shù)，進(jìn)而需要優(yōu)化的參數(shù)為支持向量機(jī)懲罰因子C和徑向基函數(shù)寬度σ(算法流程圖略)。

6 預(yù)測模型的建立與結(jié)果分析

6.1 模型的輸入輸出參數(shù)選擇

對于預(yù)測模型輸入量的確定，在學(xué)術(shù)界至今還未有統(tǒng)一的規(guī)范，一般處理方法將普遍認(rèn)為對土壤含水量有影響的參數(shù)作為輸入量，很明顯這樣選擇支持向量機(jī)預(yù)測模型的輸入量具有較大的主觀隨意性，很難讓人信服。本研究除采集作為輸出量的土壤含水量外，還采集了影響土壤含水量變化的土壤溫度、空氣濕度、空氣溫度和光照度這四組數(shù)據(jù)。本文的研究是利用建立的模型預(yù)測3 d后的土壤含水量，因有些因素難以考慮，將這些因素隱含于歷史含水量中，故將其作為一個影響因素。至此，影響土壤水分含量的參數(shù)有土壤溫度、空氣濕度、空氣溫度、光照度和歷史含水量。為避免個人的主觀隨意性，本研究利用灰色關(guān)聯(lián)分析，計算各參數(shù)對土壤含水量的貢獻(xiàn)率，將各參數(shù)中對土壤含水量貢獻(xiàn)較大的參數(shù)作為輸入?yún)?shù)。經(jīng)計算空氣溫度、空氣濕度、光照度、土壤溫度和歷史土壤含水量對土壤含水量的灰色關(guān)聯(lián)度分析結(jié)果詳見表1。由表1可以觀察到，各參數(shù)對土壤含水量的關(guān)聯(lián)度均很高，說明各參數(shù)對土壤含水量的貢獻(xiàn)均很大。故將空氣溫度、空氣濕度、光照度、土壤溫度和歷史土壤含水量這5個參數(shù)作為預(yù)測模型的輸入量。

表1 各參數(shù)對土壤含水量的灰色關(guān)聯(lián)分析結(jié)果

6.2 模型的參數(shù)尋優(yōu)

預(yù)測模型的輸入、輸出參數(shù)確定后，便可利用采集數(shù)據(jù)建立預(yù)測模型。然而，在利用支持向量機(jī)進(jìn)行預(yù)測建模時，相關(guān)參數(shù)的合理選擇對于模型的預(yù)測性能至關(guān)重要。故而需要找到合適的支持向量機(jī)懲罰因子C和徑向基函數(shù)的寬度參數(shù)σ。在利用細(xì)菌覓食優(yōu)化算法尋優(yōu)之前，首先要設(shè)置算法中各參數(shù)的初始值。本研究中設(shè)置細(xì)菌覓食優(yōu)化算法的主要參數(shù)為：細(xì)菌個數(shù)S為20，趨向性操作循環(huán)次數(shù)Nc為20，趨向性操作單向運(yùn)動的最大步數(shù)Ns為4，復(fù)制性操作循環(huán)次數(shù)Nre為4，遷徙性操作循環(huán)次數(shù)Ned為2，遷徙概率Ped為0.25。參數(shù)設(shè)定后，利用采集數(shù)據(jù)對其進(jìn)行尋優(yōu)，得到尋優(yōu)后的結(jié)果為：C=1.216 0，σ=37.223 4。

6.3 預(yù)測模型的結(jié)果分析

利用細(xì)菌覓食優(yōu)化算法尋優(yōu)得到懲罰因子C和徑向基函數(shù)的寬度參數(shù)σ，建立支持向量機(jī)預(yù)測模型。在進(jìn)行支持向量機(jī)預(yù)測建模中，本文將采集的土壤墑情數(shù)據(jù)分為兩組，分別稱其為訓(xùn)練集和測試集。一般情況下，利用分析數(shù)據(jù)的80%左右用于訓(xùn)練，20%用于測試模型的性能。為消除時間序列分析中長期趨勢等的影響，對采集數(shù)據(jù)作隨機(jī)亂序處理。因此，首先利用訓(xùn)練集數(shù)據(jù)對支持向量機(jī)模型進(jìn)行學(xué)習(xí)，然后利用測試集數(shù)據(jù)對模型進(jìn)行預(yù)測并檢驗(yàn)預(yù)測的效果。為證明本文算法的可行性，分別分析了僅利用支持向量機(jī)建立預(yù)測模型(SVR)、利用粒子群優(yōu)化支持向量機(jī)建立預(yù)測模型(PSO-SVR)以及本文所提的利用細(xì)菌覓食優(yōu)化算法優(yōu)化支持向量機(jī)建立預(yù)測模型(BFOA-SVR)的效果，并將這些模型的預(yù)測性能進(jìn)行對比。

經(jīng)計算，分別利用BFOA-SVM，PSO-SVM以及SVR建立預(yù)測模型后的模型性能參數(shù)結(jié)果詳見表2。分析表2中各模型的性能參數(shù)，不難看出僅用SVR進(jìn)行建模，雖然樣本訓(xùn)練的效果很好，但是預(yù)測的效果卻很差，這說明模型的泛化能力較差，不適宜用于預(yù)測。利用粒子群優(yōu)化算法對支持向量機(jī)模型參數(shù)進(jìn)行尋優(yōu)，并建立起預(yù)測模型，該模型整體性能很不理想，極有可能陷入了局部最優(yōu)解，進(jìn)而導(dǎo)致訓(xùn)練和預(yù)測的性能較差。然而，利用BFOA-SVR建立預(yù)測模型可有效避免局部最優(yōu)解，進(jìn)而模型的訓(xùn)練和預(yù)測性能效果較好。這便證明本文所提算法的有效性和可行性。

表2 各模型的性能參數(shù)

注：MSE為均方根誤差，MARE為平均相對誤差，R2為相關(guān)系數(shù)。

現(xiàn)已證明了本文算法的有效性，便可根據(jù)本文所提算法流程建立土壤墑情預(yù)測模型。利用本文算法所建模型的分析結(jié)果如圖2—7所示。

圖2 訓(xùn)練集預(yù)測結(jié)果對比

圖4 訓(xùn)練集相對誤差

圖5 測試集相對誤差

圖6 訓(xùn)練集預(yù)測結(jié)果檢驗(yàn)

圖7 測試集預(yù)測結(jié)果檢驗(yàn)

7 結(jié) 論

在實(shí)際的農(nóng)業(yè)生產(chǎn)中，建立有效的土壤墑情預(yù)報系統(tǒng)對保證作物的產(chǎn)量、避免資源的不必要浪費(fèi)至關(guān)重要。本文利用新型的智能優(yōu)化算法——細(xì)菌覓食優(yōu)化算法對支持向量回歸機(jī)模型的相關(guān)參數(shù)進(jìn)行優(yōu)化，以提高模型的預(yù)測性能。在模型的輸入?yún)?shù)選擇上，本研究利用灰色關(guān)聯(lián)分析計算各參數(shù)對輸出參數(shù)的貢獻(xiàn)率，進(jìn)而避免了在輸入?yún)?shù)選擇上的人為因素影響。利用試驗(yàn)區(qū)采集數(shù)據(jù)建立本文所提模型，經(jīng)計算分析后，證明所提模型預(yù)測效果較好。所建模型已應(yīng)用于實(shí)際項(xiàng)目，預(yù)測精度基本滿足要求，且運(yùn)行穩(wěn)定，進(jìn)而證明了本研究所提算法的有效性和可行性。

[1] 許秀英,衣淑娟,黃操軍.土壤含水量預(yù)報現(xiàn)狀綜述[J].農(nóng)機(jī)化研究,2013,35(7):11-15.

[2] 陳天華,唐海濤.基于ARM和GPRS的遠(yuǎn)程土壤墑情監(jiān)測預(yù)報系統(tǒng)[J].農(nóng)業(yè)工程學(xué)報,2012,28(3):162-166.

[3] 李茂涵,方麗,賀京,等.基于前期降水量和蒸發(fā)量的土壤濕度預(yù)測研究[J].中國農(nóng)學(xué)通報,2012,28(14):252-257.

[4] 陳果.基于遺傳算法的支持向量機(jī)時間序列預(yù)測模型優(yōu)化[J].儀器儀表學(xué)報,2006,27(9):1080-1084.

[5] 沈明華,肖立,王飛行.支持向量機(jī)在模式識別中的應(yīng)用[J].電訊技術(shù),2006, 46(4):9-12.

[6] 呂峰,高春林.支持向量機(jī)在皮膚癥狀圖像識別中的應(yīng)用研究[J].計算機(jī)仿真,2010,27(11):267-269.

[7] 苗志剛,付強(qiáng).基于灰色支持向量機(jī)的城市用水量預(yù)測研究[J].計算機(jī)仿真,2012,29(8):196-199.

[8] 薛曉萍,王新,張麗娟,等.基于支持向量機(jī)方法建立土壤濕度預(yù)測模型的探索[J].土壤通報,2007,38(3):427-433.

[9] Gill M K, Asefa T, Kemblowski M W, et al. Soil moisture prediction using support vector machines 1[J]. Jawra Journal of the American Water Resources Association, 2006, 42(4):1033-1046.

[10] Zhao Lixi, Shui Pengbo, Jiang Fang, et al. Using monitoring data of surface soil to predict whole crop-root zone soil water content with PSO-LSSVM, GRNN and WNN[J]. Earth Science Inform, 2014(7):59-68.

[11] 劉思峰,蔡華,楊英杰,等.灰色關(guān)聯(lián)分析模型研究進(jìn)展[J].系統(tǒng)工程理論與實(shí)踐,2013,33(8):2041-2046.

[12] 李娜,雷秀娟.細(xì)菌覓食優(yōu)化算法的研究進(jìn)展[J].計算機(jī)技術(shù)與發(fā)展,2014,24(8):39-44.

[13] 周雅蘭.細(xì)菌覓食優(yōu)化算法的研究與應(yīng)用[J].計算機(jī)工程與應(yīng)用,2010,46(20):16-21.

[14] Vapnik V N. Statistical Learning Theory [M]. New York: John Wiley, 1988.

[15] Vapnik V N. The Nature of Statistical Learning Theory [M]. New York: Springer-Verlag, 1985.

Application of Support Vector Regression Machines in Soil Moisture Prediction Based on Bacteria Foraging Optimization Algorithm

DING Hui1, ZHONG Yue2, ZHANG Jun3, QIAN Jianzhong2, XIE Nenggang1

(1.SchoolofMechanicalEngineering,AnhuiUniversityofTechnology,Ma’anshan,Anhui243032,China; 2.YanchengWaterConservancyBureau,Yancheng,Jiangsu224005,China; 3.YandouWaterConservancyBureau,Yancheng,Jiangsu224005,China)

[Objective] The application of support vector regression machines in soil moisture prediction based on bacteria foraging optimization algorithm(BFOA) was discussed to provide supports for the prediction of soil moisture of modern agriculture and agricultural production. [Methods] The soil moisture prediction model based on support vector regression machines(SVR) was established.And the related parameters of SVR were optimized by using bacteria foraging optimization algorithm(BFOA).Then the model was set up and tested according to the collected data of growing region. [Results] The proposed algorithm was compared with the established model using SVR and SVR based on particle swarm optimization, respectively. The results showed that the prediction model established by the proposed algorithm performed better. [Conclusion] The model had been applied to the actual project. The prediction accuracy of the model was testified well and the operation was stable. The validity and feasibility of the proposed algorithm had been proved.

bacteria foraging optimization algorithm(BFOA); support vector regression machines(SVR); soil moisture prediction model

2016-03-28

2016-06-01

江蘇省水利科技項(xiàng)目“沿海地區(qū)規(guī)?；?jié)水灌溉集成技術(shù)推廣示范基地”(2014078)

丁輝(1988—),男(漢族),安徽省阜陽市人,碩士研究生,研究方向?yàn)槎鄠鞲衅鲾?shù)據(jù)融合,物聯(lián)網(wǎng)技術(shù),神經(jīng)網(wǎng)絡(luò)等。E-mail:dinghuiahut@163.com。

10.13961/j.cnki.stbctb.2016.06.022

B

1000-288X(2016)06-0131-05

S152.7

文獻(xiàn)參數(shù)： 丁輝, 仲躍, 張俊， 等.基于細(xì)菌覓食優(yōu)化算法的支持向量機(jī)在土壤墑情預(yù)測中的應(yīng)用[J].水土保持通報，2016,36(6)：131-135.