張清河 徐 飛 鄒啟源

微擾法結(jié)合最小二乘支持向量機(jī)反演土壤濕度

張清河 徐 飛 鄒啟源

（三峽大學(xué)理學(xué)院，湖北宜昌443002）

將最小二乘支持向量回歸技術(shù)應(yīng)用到土壤濕度反演研究.利用微擾法數(shù)值模擬不同雷達(dá)參數(shù)下裸露土壤微波后向散射特性.經(jīng)過數(shù)據(jù)敏感性分析，選取雷達(dá)頻率為L波段（1.4GHz），雙入射角（40°、50°），并設(shè)計(jì)多種反演方案，分別以單極化、雙極化及同極化后向散射系數(shù)比值作為微波信號樣本信息，經(jīng)過適當(dāng)?shù)挠?xùn)練，利用最小二乘支持向量回歸技術(shù)對土壤含水量進(jìn)行了反演研究.結(jié)果表明：當(dāng)采用多入射角、同極化后向散射系數(shù)比值作為微波信號樣本信息時，反演結(jié)果具有較高的精度.同時，經(jīng)過與人工神經(jīng)網(wǎng)絡(luò)結(jié)果比較，證明了該方法的有效性及抗噪聲能力，為土壤濕度的實(shí)時反演研究提供了一種新方法.

微擾法；土壤濕度反演；最小二乘支持向量機(jī)

引 言

土壤濕度反演是氣象學(xué)、土壤學(xué)、水文學(xué)、生態(tài)學(xué)等領(lǐng)域所關(guān)注和研究的重要內(nèi)容，確定土壤濕度是對地遙感的最主要任務(wù)之一.在眾多對地遙感方式中，微波遙感由于具有全天時、全天候的特點(diǎn)，并對云霧、雨雪、植被及地表有一定的穿透能力，在農(nóng)業(yè)、林業(yè)、環(huán)境、水文等應(yīng)用領(lǐng)域顯示出無可比擬的優(yōu)勢［1］.

近二十年來，已有許多學(xué)者利用雷達(dá)數(shù)據(jù)對土壤濕度進(jìn)行了反演研究，取得了重要進(jìn)展.早期的土壤濕度反演方法多采用經(jīng)驗(yàn)公式法和基于理論模型的優(yōu)化迭代方法，取得了一定的效果.經(jīng)驗(yàn)公式方法的代表如Dubois模型［2］、Oh模型［3］、Shi模型［4］等.該方法依據(jù)一定條件下的實(shí)驗(yàn)數(shù)據(jù)，直接建立地表參數(shù)與雷達(dá)后向散射系數(shù)間的線性回歸方程.其主要優(yōu)點(diǎn)是簡單、直接，但由于獲取實(shí)驗(yàn)數(shù)據(jù)的區(qū)域限制性，經(jīng)驗(yàn)公式方法的適用范圍有限.也有研究者采用基于理論模型的優(yōu)化迭代方法，這種方法一般先基于一種微波地表散射理論模型，數(shù)值模擬不同頻率、不同極化、不同入射角下不同地表參數(shù)的后向散射系數(shù)，通過與實(shí)測雷達(dá)數(shù)據(jù)對比，構(gòu)造合適的代價函數(shù)，然后借助數(shù)學(xué)優(yōu)化迭代方法進(jìn)行反演計(jì)算.該方法的優(yōu)點(diǎn)是理論基礎(chǔ)完備，具有較高的適應(yīng)性，但該方法比較復(fù)雜，反演模型中包含的未知參數(shù)較多.如Bindlish等［5］利用積分方程模型（Integral Equation Model，IEM）和雷達(dá)數(shù)據(jù)采用Jacobian矩陣迭代方法獲取地表參數(shù)；Rao等［6］提出了線性統(tǒng)計(jì)回歸模型；Njoku等［7］提出的針對AMSR－E數(shù)據(jù)的土壤濕度反演迭代方法Leveberg－Marquardt算法等.還有的學(xué)者借助于遺傳算法，通過對代價函數(shù)的最小化，達(dá)到反演地表參數(shù)的目的［8－9］.另外，也有學(xué)者通過一定的理論模型，先構(gòu)建微波信號與土壤濕度的網(wǎng)格圖或曲線族，再由遙感數(shù)據(jù)通過查網(wǎng)格圖或曲線族得到對應(yīng)的土壤濕度［10－11］.人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）具有良好的非線性映射能力，近幾年逐漸被應(yīng)用在微波遙感土壤濕度反演研究中［12－13］.但利用人工神經(jīng)網(wǎng)絡(luò)方法來建模還存在許多待解決的問題，特別是神經(jīng)網(wǎng)絡(luò)的局部最小值問題和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)確定問題.

近年來在統(tǒng)計(jì)學(xué)習(xí)理論（Statistical Learning Theory，SLT）［14］框架基礎(chǔ)上發(fā)展了一種新的通用學(xué)習(xí)方法——支持向量機(jī)（Support Vector Machine，SVM）［15］.與人工神經(jīng)網(wǎng)絡(luò)相比，SVM較好地解決了小樣本、非線性、高維數(shù)、局部極小點(diǎn)等實(shí)際問題，具有很好的泛化能力，能以任意的精度逼近任意函數(shù)［16］.同時，SVM的拓?fù)浣Y(jié)構(gòu)由支持向量決定，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)需要經(jīng)驗(yàn)試湊的方法.近年來，已有學(xué)者利用SVM技術(shù)進(jìn)行了一些應(yīng)用研究，如非線性系統(tǒng)辯識［16］、金融時間序列預(yù)測［17］、故障診斷［18］、電磁逆散射［19］等.

本文利用最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LS－SVM）方法對土壤濕度反演問題進(jìn)行研究.與標(biāo)準(zhǔn)SVM相比，LS－SVM用等式約束代替不等式約束，求解過程轉(zhuǎn)變成解一組等式方程，求解速度相對加快.以微擾法（Small Perturbation Method，SPM）作為理論模型，并根據(jù)SPM中同極化后向散射系數(shù)的比值與地表粗糙度參數(shù)無關(guān)的特性，數(shù)值模擬了同極化后向散射系數(shù)比值在不同雷達(dá)入射角下隨土壤濕度的變化關(guān)系特性，經(jīng)過敏感性分析，選擇合適的數(shù)據(jù)并以此作為訓(xùn)練樣本提供給LS－SVM訓(xùn)練學(xué)習(xí)，建立好反演模型后，對土壤濕度進(jìn)行了實(shí)時反演.

1 理論分析

1.1土壤粗糙面散射模型及敏感性分析

土壤表面可看作隨機(jī)粗糙面，相應(yīng)的粗糙面電磁波散射模型有：SPM模型、基爾霍夫近似模型（Kirchhoff Approximation Model，KAM）、雙譜模型（Bispectrum Model，BSM）［1］及IEM等［20］.雙譜模型和積分方程模型的有效范圍比較寬，但涉及參數(shù)過多，且參數(shù)之間的耦合關(guān)系比較復(fù)雜，因而反演土壤濕度比較困難［11］.在基爾霍夫模型中，同極化后向散射系數(shù)相同，而交叉極化后向散射系數(shù)為零，這在利用多極化微波信號遙感土壤濕度方面是不利的.而微擾法的理論推導(dǎo)比較嚴(yán)格，當(dāng)滿足條件時，理論模型與實(shí)測數(shù)據(jù)吻合得較好.

一般地，當(dāng)粗糙面為微小起伏時，滿足［1］

式中：k是自由空間波數(shù)；σ、l分別是粗糙面的均方根高度和相關(guān)長度.微擾法給出的兩個同極化后向散射系數(shù)σ0vv和σ0hh分別為［1］

式中：θ是入射角；εr是表層土壤的復(fù)介電常數(shù)；W（2ksinθ，0）是表面起伏相關(guān)函數(shù)的Fourier變換；R‖和R⊥分別是平土壤表面的水平極化和垂直極化Fresnel反射系數(shù)，其值由入射角θ和土壤的復(fù)介電常數(shù)εr決定.

土壤濕度的變化會引起土壤后向散射系數(shù)的變化，這是主動微波遙感測量土壤濕度的物理基礎(chǔ).同時，土壤的散射特性也與其粗糙度密切相關(guān).大多數(shù)情況下，土壤濕度和粗糙度的變化都能引起后向散射系數(shù)的變化.針對裸露地表微波遙感試驗(yàn)，測得雷達(dá)后向散射系數(shù)與土壤濕度有著直接關(guān)系，且可表示成如下函數(shù)形式為

式中：R代表地表粗糙度；α代表微波信號對土壤濕度的敏感性；mv是單位體積土壤含水量.

由于土壤濕度和粗糙度的變化都能引起后向散射系數(shù)的變化，因此，如何從微波信號中消除地表粗糙度影響及準(zhǔn)確提取土壤濕度信息一直是土壤濕度反演中的一個關(guān)鍵問題.研究表明，通過正確選擇雷達(dá)傳感器參數(shù)或采用多頻率、多極化、多入射角數(shù)據(jù)，可以建立模型消除地表粗糙度的影響，提高反演精度.為此將微擾法中兩個同極化后向散射系數(shù)相除，得到其比值為［11］

該模型僅取決于入射角θ和土壤的復(fù)介電常數(shù)εr，而與地表粗糙度參數(shù)無關(guān).這一特性可表示為

由于式（5）已與地表粗糙度無關(guān)，所以微波信號對土壤濕度的敏感性α就只與雷達(dá)傳感器參數(shù)（頻率、入射角、極化）及土壤濕度的大小有關(guān).當(dāng)采用式（5）作為土壤濕度反演模型時，重點(diǎn)就要對入射角θ進(jìn)行敏感性分析，期望找到在合適的雷達(dá)入射角θ參數(shù)下，σ0vv／σ0hh對土壤濕度有較高的敏感性.圖1（a）、（b）分別給出了在L波段（f＝1.4GHz），不同入射角θ下，比值σ0vv／σ0hh隨土壤體積含水量mv的變化情況.其中，圖1（a）、（b）分別對應(yīng)兩種不同的土壤結(jié)構(gòu)成分：S＝51.51%，C＝13.43%（沙壤土）；S＝17.16%，C＝19.00%（粉砂壤土），S，C分別代表土壤中沙土和粘土的百分比例.土壤的介電模型采用Hallikainen模型［20］.

從圖1（a）、（b）來看，對于不同的土壤結(jié)構(gòu)成分，（σvv／σhh）～mv曲線基本上保持了相同的變化趨勢，入射角較大時（如60°，70°），曲線對mv比較敏感，當(dāng)體積含水量從2%增加到50%時，σ0vv／σ0hh能產(chǎn)生7～9dB的變化，特別是在低含水量情況下，這一特性表現(xiàn)得尤為明顯.入射角較小時，曲線對mv不敏感，基本上保持不變.為了使比值σ0vv／σ0hh對含水量mv保持較高的敏感性，保證反演的精度，原則上應(yīng)該選取較高的雷達(dá)入射角，但當(dāng)入射角θ≥70°時，散射模型準(zhǔn)確度不高，且后向散射較弱，而且在高入射角（大于60°）情況下，地表粗糙度的變化會引起后向散射系數(shù)的顯著變化，從而影響mv的反演精度.所以在本文的研究中，雷達(dá)入射角選取40°～60°，并利用式（5）數(shù)值模擬不同土壤濕度下的同極化后向散射系數(shù)比值，并以此作為訓(xùn)練樣本對SVM進(jìn)行訓(xùn)練學(xué)習(xí).

圖1 不同土壤類型下σ0vv／σ0hh與mv的關(guān)系曲線

1.2最小二乘支持向量機(jī)（LS－SVM）

LS－SVM是SVM的一種改進(jìn)，它是將傳統(tǒng)SVM中的不等式約束改為等式約束，把解二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組問題，提高了求解問題的速度和收斂精度.設(shè)樣本為n維向量，可表示為（x1，y1），…，（xl，yl）∈Rn×R，樣本總數(shù)為l.x為輸入數(shù)據(jù)，代表傳感器所接收到的微波信號，如土壤后向散射系數(shù)，當(dāng)采用多雷達(dá)頻率、多入射角及極化的微波數(shù)據(jù)時，x為多維空間參數(shù).y為輸出數(shù)據(jù)，代表相應(yīng)的土壤濕度.首先用一非線性映射ψ（·）把樣本從原空間Rn映射到特征空間φ（xi），從而在高維特征空間中構(gòu)造最優(yōu)決策函數(shù)［16］

利用結(jié)構(gòu)風(fēng)險最小化（Structural Risk Minimization，SRM）原則，尋找權(quán)向量ω和偏差量b，即最小化目標(biāo)函數(shù)：

式中：‖ω‖2為控制模型復(fù)雜度的參數(shù)；C是正規(guī)化參數(shù)，控制對超出誤差樣本的懲罰程度；Renp為誤差控制函數(shù)，即ε不敏感損失函數(shù).引入松弛因子ξi，回歸問題表示成如下約束優(yōu)化問題

采用拉格朗日乘子法，并定義核函數(shù)K（xi，xj）＝φ（xi）·φ（xj），優(yōu)化問題轉(zhuǎn)化為求解如下線性方程組為

式中：1v＝［1；…；1］；α＝［α1；…；αl］，αi（i＝1，…，l）是拉格朗日乘子；y＝［y1；…；yl］；Ωi，j＝（φ（xi））Tφ（xj），i，j＝1，2，…，l.

最后用最小二乘法求出α和b，LS－SVM也由此得名，并且得到非線性預(yù)測模型

常用的核函數(shù)包括多項(xiàng)式核、多層感知（Multilayer Perception，MLP）核、徑向基（Radial Basis Function，RBF）核等.本文采用RBF作為核函數(shù)，其形式為K（x，xi）＝exp（－‖x－xi‖2／σ2），其中σ為核參數(shù).

1.3訓(xùn)練樣本模擬及反演方案設(shè)計(jì)

與人工神經(jīng)網(wǎng)絡(luò)一樣，在基于LS－SVM的參數(shù)反演問題中，首先要用訓(xùn)練樣本對LS－SVM進(jìn)行訓(xùn)練，從而建立反演模型.本文中的訓(xùn)練樣本采用SPM數(shù)值模擬得到，在SPM模型中，輸入?yún)?shù)包括傳感器雷達(dá)參數(shù)（頻率、入射角、極化等）和地表參數(shù)（含水量、均方根高度、相關(guān)長度等）.大量研究表明，低頻微波信號對土壤濕度的敏感性比高頻顯得尤為突出，所以本文選取雷達(dá)頻率為f＝1.4GHz（L波段），依據(jù)前文的敏感性分析，雷達(dá)入射角取為40°、50°，并以同極化后向散射系數(shù)比值σ0vv／σ0hh作為LSSVM訓(xùn)練樣本信息，考慮通過多極化、多入射角數(shù)據(jù)的組合，提高反演精度.需要說明的是，在實(shí)際的主動微波遙感土壤濕度研究方面，微波傳感器接收到的是粗糙地表同極化后向散射系數(shù)（如σ0vv、σ0hh）或交叉極化后向散射系數(shù)（如σ0vh、σ0hv），而不是同極化后向散射系數(shù)的比值σ0vv／σ0hh.也就是說，比值σ0vv／σ0hh并不是直接由式（5）計(jì)算得到，而是先用SPM數(shù)值計(jì)算地表同極化后向散射系數(shù)σ0vv和σ0hh，再得到其比值，并以此作為微波信號來實(shí)現(xiàn)土壤濕度的反演.表1是本文研究中地表參數(shù)的變化范圍及步長值，并假設(shè)土壤中沙土和粘土的百分比例分別為：S＝42%，C＝18%.這些參數(shù)不僅位于SPM模型的有效范圍內(nèi)，而且覆蓋了大多數(shù)自然地表的參數(shù)狀況.由這些地表參數(shù)并經(jīng)SPM數(shù)值模擬，得到約892個訓(xùn)練樣本.

表1 SPM數(shù)值模擬輸入?yún)?shù)變化范圍

2 數(shù)值結(jié)果與分析

將樣本分為訓(xùn)練樣本和測試樣本，其中訓(xùn)練樣本640個，用于對SVM進(jìn)行訓(xùn)練學(xué)習(xí)，建立土壤濕度反演模型.剩余的252個測試樣本用來檢驗(yàn)該方法反演土壤濕度的精度.

首先研究單極化、多入射角下，LS－SVM方法對土壤濕度的反演情況，分別以多入射角（40°、50°）下的σ0vv和σ0hh作為LS－SVM的輸入，對LS－SVM進(jìn)行訓(xùn)練.圖2（a）、（b）分別給出了LS－SVM的反演值與真實(shí)值的比較結(jié)果.

從圖2的比較來看，結(jié)果顯然是不理想的，其相關(guān)系數(shù)（R2）和均方根誤差（Root Mean Squared Error，RMSE）分別為0.633 4、10.64%（VV極化）和0.594 2、11.02%（HH極化）.作為比較，在相同的“條件”下（相同的訓(xùn)練樣本、相同的測試樣本），本文利用人工神經(jīng)網(wǎng)絡(luò)方法對土壤濕度進(jìn)行了反演研究.在該方法中，采用Matlab中神經(jīng)網(wǎng)絡(luò)工具箱所提供的三層BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN），BP網(wǎng)絡(luò)訓(xùn)練算法為L－M訓(xùn)練算法，隱含層激活函數(shù)為對數(shù)型sigmoid函數(shù).基于BPNN的反演結(jié)果為0.679 4、10.03%（VV極化）和0.593 4、11.05%（HH極化）.從比較來看，雖然兩種方法的反演結(jié)果各有千秋，但其精度都較低，這也說明當(dāng)采用單一極化后向散射系數(shù)時，由于訓(xùn)練樣本信息的不完善，這兩種方法都不能很好地建立起土壤濕度與微波信號之間的非線性關(guān)系，對土壤濕度的反演達(dá)不到理想的精度.

圖3是同時采用雙極化后向散射系數(shù)（σ0vv和σ0hh）作為樣本信息時，LS－SVM給出的土壤濕度的反演值與實(shí)際值的比較結(jié)果.其相關(guān)系數(shù)和均方根誤差分別為0.992 4和1.70%.與圖2比較，可以看出當(dāng)采用雙極化后向微波信號時，由于增加了一個同極化后向微波信號，豐富了訓(xùn)練樣本信息，提高了基于LS－SVM的反演建模精度，使得土壤濕度的反演精度有了大幅提高.

圖2 采用單極化后向散射系數(shù)時基于LS－SVM的土壤濕度反演結(jié)果

圖3 采用雙極化后向散射系數(shù)時基于LS－SVM的土壤濕度反演結(jié)果

其次，以同極化后向散射系數(shù)比值σ0vv／σ0hh作為LS－SVM的輸入，在相同的訓(xùn)練樣本和測試樣本情況下，研究了LS－SVM對土壤濕度的反演情況.圖4是反演值與真實(shí)值的比較.從圖4來看，反演值與真實(shí)值非常接近，其相關(guān)系數(shù)幾乎為1，均方根誤差為0.035%.與前兩種反演方案相比較，由于采用同極化后向散射系數(shù)比值σ0vv／σ0hh作為樣本信息，從微波信號中消除了地表粗糙度的影響，提高了微波信號對土壤濕度的敏感性，使得土壤濕度的反演達(dá)到了一個很高的精度.同樣的，在相同的“條件”下，基于BPNN的反演結(jié)果的均方根誤差為0.09%.可以看出，LS－SVM的反演精度要優(yōu)于人工神經(jīng)網(wǎng)絡(luò)方法，這也表明了前文所說的SVM的泛化能力要優(yōu)越于神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)學(xué)習(xí)方法.

圖4 采用同極化后向散射系數(shù)比值時基于LS－SVM的土壤濕度反演結(jié)果

表2 LS－SVM與BPNN兩種方法反演結(jié)果誤差比較

最后，討論LS－SVM方法的抗噪聲性能.因?yàn)樵趯?shí)際應(yīng)用中，傳感器所接收的數(shù)據(jù)不可能就是數(shù)值模擬的數(shù)據(jù)，還可能包含各種各樣的噪聲和誤差.為了模擬實(shí)際應(yīng)用中的電磁環(huán)境，對上例中的樣本數(shù)據(jù)（同極化后向散射系數(shù)比值）加上高斯隨機(jī)噪聲（設(shè)高斯隨機(jī)噪聲的偏差為D），再以此作為LSSVM的輸入，從而得到加噪后的基于LS－SVM的土壤濕度反演結(jié)果.表2是不同D時，LS－SVM與BPNN兩種方法反演結(jié)果的誤差比較.從表中可以看出，隨著噪聲的增大，兩種方法的反演精度都在降低，特別是BPNN方法，這一趨勢尤其明顯，但對于LS－SVM方法，下降的幅度是有限的，且仍然保持在一個較高的精度上，這也說明LS－SVM方法比BPNN方法有更好的泛化能力和抗噪聲性能.

3 結(jié) 論

本文主要研究了基于最小二乘支持向量回歸技術(shù)的土壤濕度反演方法.通過微擾法數(shù)值模擬了不同雷達(dá)參數(shù)下裸露土壤微波后向散射特性.經(jīng)過數(shù)據(jù)敏感性分析，選取雷達(dá)頻率為L波段，雙入射角（40°、50°），設(shè)計(jì)了多種反演方案，分別以單極化、雙極化及同極化后向散射系數(shù)比值作為微波信號樣本信息，利用最小二乘支持向量回歸技術(shù)對土壤含水量進(jìn)行了反演研究.研究結(jié)果表明：在多種反演方案中，以同極化后向散射系數(shù)比值作為樣本信息時，土壤濕度的反演精度是最高的；LS－SVM方法比人工神經(jīng)網(wǎng)絡(luò)方法有更好的泛化能力和抗噪聲性能.下一步的工作將研究基于被動或主被動相結(jié)合的土壤濕度人工智能反演方法.

［1］ ULABY F T，MOORE R K，F(xiàn)ENG J C.Microwave Remote Sensing（VolumeⅡ）［M］.Beijing：Science Press，1987.

［2］ DUBOIS P C，ZYL J J，ENGMAN T.Measuring soil moisture with imaging radar［J］.IEEE Trans Geosci Remote Sens，1995，33（4）：915－926.

［3］ OH Y，SARABANDI K，ULABY F T.An empirical model and inversion technique for radar scattering from bare soil surface［J］.IEEE Trans Geosci Remote Sens，1992，30（2）：370－382.

［4］ SHI J C，WANG J，HSU A Y，et al.Estimation of bare surface soil moisture and surface roughness parameter using L－band SAR image data［J］.IEEE Trans Geosci Remote Sens，1992，35（5）：1254－1266.

［5］ BINDISH R，BARROS A P.Multifrequency soil moisture inversion from SAR measurements with the use of IEM［J］.Remote Sens Environ，2000，71（1）：67－88.

［6］ RAO K S，RAJU S，WANG J R.Estimation of soil moisture and surface roughness parameters from backscattering coefficients［J］.IEEE Trans Geosci Remote Sens，1993，31（3）：1094－1099.

［7］ NJOKU E G，LI L.Retrieval of land surface parameters using passive miceowave measurements at 6－18 GHz［J］.IEEE Trans Geosci Remote Sens，1999，37（1）：79－93.

［8］ 王悅?cè)饋喦?陸地表面粗糙度和土壤濕度多維參數(shù)同時反演的遺傳算法［J］.遙感學(xué)報，2000，4（2）：90－94.

WANG Yuequan，JIN Yaqiu.A genetic algorithm to simultaneously retrieve land surface roughness and soil moisture［J］.Journal of Remote Sensing，2000，4（2）：90－94.（in Chinese）

［9］ 龐自振，廖靜娟.基于遺傳算法和雷達(dá)后向散射系數(shù)的地表參數(shù)反演研究［J］.遙感技術(shù)與應(yīng)用，2008，23（2）：130－141.

PANG Zizhen，LIAO Jingjuan.The study of retrieving surface parameters based on genetic algorithm and backscattering models［J］.Remote Sensing Technology and Application，2008，23（2）：130－141.（in Chinese）

［10］ 黃興忠，金亞秋.利用主被動遙感數(shù)據(jù)估算土壤濕度和粗糙度的新方法［J］.電波科學(xué)學(xué)報，1996，11（1）：27－32.

HUANG Xingzhong，JIN Yaqiu.A simple method for the estimation of the soil wetness and surface roughness by using active／passive microwave data［J］.Chinese Journal of Radio Science，1996，11（1）：27－32.（in Chinese）

［11］ 李宗謙，馮孔豫.從雷達(dá)后向散射系數(shù)反演土壤濕度與復(fù)介電常數(shù)［J］.中國科學(xué)（E輯），1997，27（3）：243－248.

LI Zongqian，F(xiàn)ENG Kongyu.Inversion of soil moisture and complex dielectric constant from radar backscattering coefficient［J］.Science in China（Series E），1997，27（3）：243－248.（in Chinese）

［12］ NOTARNICOLA C，ANGIULLI M，POSA F.Soil moisture retrieval from remotely sensed data：neural network approach versua Bayesian method［J］.IEEE Trans Geosci Remote Sens，2008，46（2）：547－557.

［13］ ZHAO K G，SHI J C，ZHANG L X，et al.Retrieval of bare soil surface parameters from simulated data using neural networks combined with IEM［C］／／Geoscience and Remote Sensing Symposium，2003.

［14］ VAPNIK V.Statistical Learning Theory［M］.New York：Wiley，1998.

［15］ CRISTIANINI N，TAYLORJ S.An Introduction to Support Vector Machine［M］.Cambridge：Cambridge Univ Press，2000.

［16］ DREZET P M L，HARRISON R F.Support vector machines for system identification［C］／／UKACC International Conference，1998，1：688－692.

［17］ VAN GESTEL T，SUYKENS J A K，BAESTAENS D，et al.Financial time series prediction using least squares support vector machines within the evidence framework［J］.IEEE Trans Neural Networks，2001，12（4）：809－821.

［18］ YUAN S F，CHU F L.Support vector machinesbased fault diagnosis for turbo－pump rotor［J］.Mechanical Systems and Signal Processing，2006，20（4）：939－952.

［19］ 張清河，汪 洋，陳將宏.基于支持向量機(jī)的復(fù)合柱體目標(biāo)參數(shù)反演［J］.電波科學(xué)學(xué)報，2012，27（6）：1232－1237.

ZHANG Qinghe，WANG Yang，CHEN Jianghong.Composite conducting－dielectric cylinder parameters reconstruction by means of SVM［J］.Chinese Journal of Radio Science，2012，27（6）：1232－1237.（in Chinese）

［20］ FUNG A K，LI Z，CHEN K S.Backscattering from a randomly rough dielectric surface［J］.IEEE Trans Geosci Remote Sens，1992，30（2）：356－369.

［21］ HALLIKAINEN M T，ULABY F T，DOBSON M C，et al.Microwave dielectric behavior of wet soil—PartⅠ：empirical models and experimental observa－tions［J］.IEEE Trans Geosci Remote Sens，1985，23（1）：25－34.

第25屆全國電磁兼容學(xué)術(shù)會議（EMC’2015／北京）征文通知

中國電子學(xué)會電磁兼容分會與中國通信學(xué)會電磁兼容委員會決定于2015年6月3日至6月5日在北京聯(lián)合舉辦第25屆全國電磁兼容學(xué)術(shù)會議（EMC＇2015／北京），歡迎廣大專家學(xué)者踴躍投稿出席會議。

征文范圍如下：

1.電磁場理論

2.傳輸線和電纜

3.串?dāng)_與耦合

4.散射

5.天線、探頭、傳感器

6.電波傳播

7.電磁干擾源

8.電磁環(huán)境

9.電磁生物效應(yīng)

10.電磁計(jì)算、建模及仿真

11.頻譜管理

12.電磁兼容標(biāo)準(zhǔn)、規(guī)程

13.靜電、雷電及電磁脈沖

14.地震電磁學(xué)

15.信號完整性

16.屏蔽、濾波及接地

17.抗擾度及敏感度

18.電磁干擾預(yù)測分析、抑制技術(shù)

19.通信中的電磁兼容

20.汽車、電力工程中的電磁兼容

21.高速鐵路的電磁兼容

22.暗室、混響室、吸波材料

23.電磁兼容測量

注意事項(xiàng)：

1.來稿應(yīng)是來公開發(fā)表有新意的學(xué)術(shù)論文，并請用電子文檔按正規(guī)學(xué)報格式雙欄排版，篇幅不得超過A4紙6頁。

2.作者信息請另頁發(fā)送（含姓名、單位、職稱、電話等）。

3.錄用的論文必須到會宣讀，宣讀后由國家正式機(jī)構(gòu)出版，來宣讀的論文不予出版。

聯(lián)系人：石 丹18601206662 張?zhí)K慧13661343833

中國電子學(xué)會電磁兼容分會

中國通信學(xué)會電磁兼容委員會

2014.12

Inversion of bare soil moisture by the least squares support vector machine approach combined with SPM

ZHANG Qinghe XU Fei ZOU Qiyuan
（College of Science，Three Gorges University，Yichang Hubei 443002，China）

The least squares support vector machine（LS－SVM）techniques are applied to the inversion of soil moisture.The backscattering properties of bare soil under different radar parameters are numerically simulated by using small perturbation method（SPM）.After data sensitivity analysis，with the L－band radar frequency（1.4GHz）and dual angle of incidence（40°／50°）selected，designed a variety of inversion scheme，herein the single polarization，dual polarization and co－polarization ratio of the backscattering coefficient are selected as the microwave signal sample information.Through appropriate training，the least squares support vector regression techniques are adopted to estimate soil moisture under different inversion schemes.The inversion results demonstrate high accuracy when multiple incident angles and the ratio of co－polarization backscattering coefficients are used as the microwave signal sample information.Comparison with the results of the artificial neural network（ANN）proved the validity and the anti－noise ability of the presented method，thus providing a new approach for the real－time retrieval of soil moisture.

small perturbation method（SPM）；inversion of soil moisture；least squares support vector machine（LS－SVM）

O451；TN99

A

1005－0388（2015）02－0300－07

張清河（1969－），男，湖北人，三峽大學(xué)理學(xué)院副教授，博士，主要研究方向?yàn)殡姶艌鰯?shù)值計(jì)算、電磁散射與逆散射、天線理論與技術(shù)等.

徐 飛（1987－），女，湖北人，三峽大學(xué)理學(xué)院碩士研究生，主要研究方向?yàn)殡姶派⑸渑c逆散射、微波對地遙感等.

鄒啟源（1988－），男，湖北人，三峽大學(xué)理學(xué)院碩士研究生，主要研究方向?yàn)榇植诿嫔⑸涮匦约奥竦啬繕?biāo)探測等.

張清河，徐 飛，鄒啟源.微擾法結(jié)合最小二乘支持向量機(jī)反演土壤濕度［J］.電波科學(xué)學(xué)報，2015，30（2）：300－306.

10.13443／j.cjors.2014051201

ZHANG Qinghe，XU Fei，ZOU Qiyuan.Inversion of bare soil moisture by the least squares support vector machine approach combined with SPM［J］.Chinese Journal of Radio Science，2015，30（2）：300－306.（in Chinese）.doi：10.13443／j.cjors.2014051201

2014－05－12

國家自然科學(xué)基金項(xiàng)目（61179025）；湖北省教育廳重點(diǎn)項(xiàng)目（D20111201）

聯(lián)系人：張清河E－mail：zhangqh6973＠163.com