第1章 文献综述
1.1研究的目的及意义
土壤并非匀质体，其空间变异由气候、母质、地形、植被、土壤类型等结构性因素和施肥、耕作措施、种植制度等随机因素共同作用。土壤养分的空间变异对环境预测、精准农业和自然资源管理具有重要意义。因此，建立高效的土壤养分预测方法，提高土壤养分预测精度得到了越来越普遍的关注，已成为土壤科学研究的热点之一。
但目前得到的土壤养分预测图的精确度有待提高，不能与生产生活的需要精度相一致。因此，本文旨在基于支持向量机提高土壤养分预测图的精度。其中支持向量机是机器学习方法中的一种，具有全局最优、泛化能力强、算法简单、计算量小和易于实现等优点，其在函数表达能力、推广能力和学习效率上都有雨传统的统计学方法，能够较好解决训练集误差最小而测试误差仍大的问题。故本文使用支持向量机的方法以期在县域尺度上更准确的获取土壤养分信息，制得更精确的土壤养分预测图。
1.2国内外同类研究概况
1.2.1支持向量机的研究概况
支持向量机是Vapnik于1995年基于针对小样本的统计学习理论提出的，有别于现有的统计方法，该方法不涉及概率测度和大数定理理论，并且采用了结构风险最小化原理，较好地解决了其他方法网络结构难以确定、过学习和浅学习、局部极小的问题。它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。因此，支持向量机在各领域都有所涉及。如龙明海等（2017年）采用支持向量机学习法对有分歧的卷烟原料样本进行归属判别，使得分组模块风格特征显著，强化了各组配方模块的功能特性[3]。赵一赢（2016年）在吉林省西部草原建立基于土壤理化性质与支持向量机的羊草碳、氮、磷含量预测模型。他利用已知数据进行训练，研究数据内在的非线性规律，并利用该规律对未知数据进行有效的预测，以此来构建更优的牛草碳、氮、磷元素含量预测模型。这能够方便快捷的进行预测，减少对研究区植被的破坏，节约大量的实验经费[6]。而随着对支持向量机的熟练运用，学者们对支持向量机方法进行了拓展，提出了最小二乘支持向量机、支持向量机回归分析等方法。近年来，支持向量机回归分析方法（support vector machine regression）和最小二乘支持向量机（LS-SVM）在数据挖掘、遥感图像分类、目标识别等方面得到应用并取得了较好的结果。戴之秀等（2016年）在株洲市区采用最小二乘支持向量机方法基于多光谱数据对土壤重金属进行定量反演，并与多元线性回归、偏最小二乘方法比较建模效果，得出最小二乘支持向量机模型的效果最好的结论[1]。黄婷（2015年）采用2011—2014年安徽阜阳试验点所测有机质含量数据，通过构建支持向量机土壤有机质参数回归模型来预测土壤有机质含量[13]。田烨等（2015年）在江西余江县和泰和县运用主成分回归分析（PCR）、偏最小二乘回归分析（PLSR）、支持向量机回归分析（SVMR）等方法，建立反射率及其变换光谱的土壤Mg含量估算模型，比较各方法对镁含量估算的精确度。结果表明SVMR估算精度相对较高[2]。Kennedy Were（2014年）建立、评价、和比较支持向量机回归、人工神经网络和随机森林模型在肯尼亚东部森林保护区土壤有机碳储量预测和制图中的应用效果[11]。盛庆凯（2013年）以重庆市江津区永兴镇为研究区，分别使用支持向量回归克里格、多元线性回归、普通克里格等进行土壤养分制图[12]。
1.2.2土壤养分预测的研究概况
了解土壤养分状况及其变化规律是实施田间变量施肥，进行精确施肥管理的基础。
