为了提高野外高光谱反演土壤水溶性盐基离子的精度,以河套灌区永济灌域盐渍化土壤为研究对象,构建了基于光谱变换、特征波段、特征光谱指数筛选以及支持向量机(SVM)的机器学习相结合的高光谱综合反演模型。结果表明,经预处理的原始光谱...为了提高野外高光谱反演土壤水溶性盐基离子的精度,以河套灌区永济灌域盐渍化土壤为研究对象,构建了基于光谱变换、特征波段、特征光谱指数筛选以及支持向量机(SVM)的机器学习相结合的高光谱综合反演模型。结果表明,经预处理的原始光谱反射率与土壤离子相关性总体较低,最大相关系数仅为0.18,原始光谱反射率与土壤离子的相关系数由大到小依次为Ca^2+、 SO4^2-、 Mg^2+、全盐量、Na^++K^+、Cl^-。全盐量、Na^++K^+、Cl^-、SO4^2-、Ca^2+、Mg^2+的光谱最优变换形式分别为(1/ R )″、(1/ R )″、(ln R )′、(ln R )″、 R ′、(ln R )″,敏感波段( P <0.01)数分别为41、7、9、65、76、28个,利用逐步回归法在敏感波段中筛选出特征波段,基于特征波段建立的回归模型中各离子的决定系数 R^2 平均值为0.35,均方根误差RMSE平均值为0.87 g/kg,其中SO4^2-拟合精度最高, R^2 为0.52,Ca^2+拟合精度最低, R^2 仅为0.20。将特征波段代入光谱指数中,结合逐步回归法确定了Mg^2+特征光谱指数为3个,全盐量特征光谱指数为2个,Na^++K^+、SO4^2-、 Ca^2+特征光谱指数分别为1个,与仅考虑特征波段的回归模型相比,特征波段+特征光谱指数结合后各离子回归模型的 R^2 平均提高了58.67%,RMSE降低了24.60%,其中SO4^2-拟合精度最高, R^2 为0.74,RMSE为0.47 g/kg。考虑了特征波段+特征光谱指数的SVM模型相比仅考虑特征波段的SVM模型,其预测能力有了明显提高,各离子相对分析误差(RPD)平均提高了110.27%,训练集 R^2 平均提高了37.54%,RMSE平均降低了40.12%,验证集 R^2 平均提高了56.04%,RMSE平均降低了39.39%。SO4^2-的RPD达到3.000,模拟效果最优,具备很好的预测能力;全盐量模型具有很好的定量预测能力,Mg^2+模型可用于评估或相关性方面的预测,Na^++K^+、Ca^2+的模型具有区别高低值的能力。展开更多
为解决油层识别中存在的获得有标记数据的代价过高,有标记数据稀少的问题,提出一种新的基于分支定界的半监督支持向量机(branch and bound for semi-supervised support vector machine,BBS3VM)的油层识别方法。此方法主要将半监督学习(...为解决油层识别中存在的获得有标记数据的代价过高,有标记数据稀少的问题,提出一种新的基于分支定界的半监督支持向量机(branch and bound for semi-supervised support vector machine,BBS3VM)的油层识别方法。此方法主要将半监督学习(semi-supervised learning,SSL)和分支定界的思想引入到支持向量机(support vector machine,SVM)分类算法中。通过半监督学习的思想,使用大量未标记的样本来改善学习性能,利用分支定界算法提高半监督支持向量机(semi-supervised support vector machine,S3VM)算法的分类精度,将此改进算法应用于测井数据挖掘中的油层识别。经过对某油田的实际测井资料进行处理,实验结果表明,半监督油层识别方法要优于传统的S3VM分类算法,识别率更高,分类效果更显著,与全监督的SVM算法相比较,得到相差不大的分类精度的同时,速度更快。展开更多
文摘为了提高野外高光谱反演土壤水溶性盐基离子的精度,以河套灌区永济灌域盐渍化土壤为研究对象,构建了基于光谱变换、特征波段、特征光谱指数筛选以及支持向量机(SVM)的机器学习相结合的高光谱综合反演模型。结果表明,经预处理的原始光谱反射率与土壤离子相关性总体较低,最大相关系数仅为0.18,原始光谱反射率与土壤离子的相关系数由大到小依次为Ca^2+、 SO4^2-、 Mg^2+、全盐量、Na^++K^+、Cl^-。全盐量、Na^++K^+、Cl^-、SO4^2-、Ca^2+、Mg^2+的光谱最优变换形式分别为(1/ R )″、(1/ R )″、(ln R )′、(ln R )″、 R ′、(ln R )″,敏感波段( P <0.01)数分别为41、7、9、65、76、28个,利用逐步回归法在敏感波段中筛选出特征波段,基于特征波段建立的回归模型中各离子的决定系数 R^2 平均值为0.35,均方根误差RMSE平均值为0.87 g/kg,其中SO4^2-拟合精度最高, R^2 为0.52,Ca^2+拟合精度最低, R^2 仅为0.20。将特征波段代入光谱指数中,结合逐步回归法确定了Mg^2+特征光谱指数为3个,全盐量特征光谱指数为2个,Na^++K^+、SO4^2-、 Ca^2+特征光谱指数分别为1个,与仅考虑特征波段的回归模型相比,特征波段+特征光谱指数结合后各离子回归模型的 R^2 平均提高了58.67%,RMSE降低了24.60%,其中SO4^2-拟合精度最高, R^2 为0.74,RMSE为0.47 g/kg。考虑了特征波段+特征光谱指数的SVM模型相比仅考虑特征波段的SVM模型,其预测能力有了明显提高,各离子相对分析误差(RPD)平均提高了110.27%,训练集 R^2 平均提高了37.54%,RMSE平均降低了40.12%,验证集 R^2 平均提高了56.04%,RMSE平均降低了39.39%。SO4^2-的RPD达到3.000,模拟效果最优,具备很好的预测能力;全盐量模型具有很好的定量预测能力,Mg^2+模型可用于评估或相关性方面的预测,Na^++K^+、Ca^2+的模型具有区别高低值的能力。
基金Projects(61621062,61563015)supported by the National Natural Science Foundation of ChinaProject(2016zzts056)supported by the Central South University Graduate Independent Exploration Innovation Program,China。
文摘为解决油层识别中存在的获得有标记数据的代价过高,有标记数据稀少的问题,提出一种新的基于分支定界的半监督支持向量机(branch and bound for semi-supervised support vector machine,BBS3VM)的油层识别方法。此方法主要将半监督学习(semi-supervised learning,SSL)和分支定界的思想引入到支持向量机(support vector machine,SVM)分类算法中。通过半监督学习的思想,使用大量未标记的样本来改善学习性能,利用分支定界算法提高半监督支持向量机(semi-supervised support vector machine,S3VM)算法的分类精度,将此改进算法应用于测井数据挖掘中的油层识别。经过对某油田的实际测井资料进行处理,实验结果表明,半监督油层识别方法要优于传统的S3VM分类算法,识别率更高,分类效果更显著,与全监督的SVM算法相比较,得到相差不大的分类精度的同时,速度更快。