基于机器学习的小流域土壤侵蚀量检测方法

付龙飞

(陕西华正生态建设设计监理有限公司，西安 710100)

0 引 言

土壤侵蚀是指在其他非人作用力下，土壤和其他地表成分被损毁、腐蚀、移动和下沉的过程。水力、风力、重力和人类社会活动等都是本文中提到的外力因素。无论是对自然环境的保护，还是对农业用地的保障，都产生了非常恶劣的影响[1]。防治水土资源流失，宜采取防重于治的方针，比起治山治水、绿化造林，在土壤未遭到侵蚀前，通过有效手段进行准确预测更能减少土地侵蚀的发生。只有准确的水土流失预测，才能针对已发生的情况针对性地采取有效的水土流失防治措施，准确预测未来的水土流失状况。当前，土壤侵蚀已成为我国亟待预防和解决的问题。国内外曾研究出许多用于计算土壤侵蚀量的模型，文献[2]中采用瞬时数字图像采集、去噪等手段，将连续降雨条件下的土壤侵蚀形态演变过程进行了动态监测[2]。文献[3]中，利用土壤侵蚀分布模型记录了1986年来连续29年的土壤侵蚀变化，并与泥沙侵蚀强度进行了对比[3]。以上方法中都取得了许多成果，但是目前使用的土壤侵蚀量检测方法对于土壤侵蚀程度的分类方面还有所欠缺。因此，本文采用机器学习中的支持向量机(SVM)作为模型核心，设计一种基于机器学习的小流域土壤侵蚀量检测方法。

1 基于机器学习的小流域土壤侵蚀量检测方法

1.1 提取小流域土壤侵蚀图像特征及类型因子

在对土壤侵蚀量进行检测的过程中，主要是依靠拍摄到的研究区图像作为依据进行判断，实现土壤侵蚀图像的读取和预处理。要做到有效地控制国内土壤侵蚀的加剧，准确预测是关键的一步[4-5]。通过提取图像中所显示出的特征，对其进行分类统计，得到侵蚀程度的分类检测结果。土壤侵蚀图像的提取流程见图1。

图1 图像特征提取流程

在图1流程中，首先图像需要灰度化，进行灰度化处理的原因是灰度图像是一个二维数组矩阵，灰度值是这个二维数矩阵归一化的表现。灰度图像处理方法使操作更加简单便捷，对后续处理的帮助极大[6-7]。图像灰度处理方法有3种，本文采用的是加权平均法。即：

(1)

图像中的每个像素由3个相同R、G和B分量表示。任何颜色都可以由3种基本颜色合成。WR、WG和WB分别是R、G和B的权重。由于绿色和蓝色分别是最敏感和最迟钝的，根据这种情况进行处理得到的灰度图像更为合理。

图像在分析处理的各个环节中，都有可能因为图像采集过程中各种外界因素的影响而降低图像质量，影响到模糊图像的特征，对于分析结果非常不利，因此必须对图像进行去噪处理。本文去噪中采用的是均值滤波，它是一种低通滤波器，属于一种线性滤波器[8-9]。它可以减少图像灰度的急剧变化，从而降低噪声，去除图像中不相关的特征细节。但同时，均值滤波操作由于其高频特性，也会使边缘变得模糊。设图像f(x,y)有M×M个像素，用非加权均值滤波后得到的图像g(x,y)可以表示为：

(2)

式中：S为(x，y)的去心邻域；N为集合S包含的总像素数。通常情况下，N值越大，即邻域越大，则平滑效果越理想。

图像处理中还有一种常用的方法即图像二值化法，在图像预处理中是非常重要的。图像经过二值化后，能够将有用信息和无用信息的对比度最大化，突出有用的信息，在模式识别等方面都有着重要的应用。

图像边缘检测是监测图像边缘特征的常用方法，在一个图像中，边缘位置往往是图像特征的断点边界，比如对比度发生强烈变化等等。所以利用边缘值的异常变化就能识别出特征信息并加以保存，去除掉无用的部分，可以大大减少数据工作量。

用图像的形态学处理设计出最能分辨的结构元素(形状和尺寸)是成功的关键[10-11]。结构元素的选择一般应该比图像的几何结构简单，而且凸性很强，数学形态学即在图像形态学处理中合理地提供了一种分析图像形状的工具。

膨胀处理需要指定结构元素，并利用结构元素对图像进行变换提取信息。因此，形态学处理成功的关键是结构元素的形状和尺寸的设计。通过一系列展开操作，可以填充图像中的孔洞和图像边缘的凹陷，形成连通区域[12-13]。也就是说，扩展形状操作的效果是在二值图像中对目标进行生长或粗化，粗化的范围和方向由结构元素的大小和形状控制。设某图像Z上有两个集合A和B，用B对A膨胀，其过程见图2。

图2 膨胀过程

根据上述过程，得到膨胀公式：

(3)

由式(3)可知，方形结构元素B到集合A的整体扩展是所有位移的集合，a和b具有相同的单元。图2显示了扩展到a的结果。在完成形态学处理后，通过标记，得到图像特征。小流域土壤侵蚀图像特征提取后，该模型构建还需要利用地理信息系统(GIS)提取出风力、土质结构、地形地貌、利用类型等因子。至此，完成小流域土壤侵蚀图像特征及类型因子的提取。

1.2 引入支持向量机

在SVM之前，有两种模型比较有代表性，分别是通用土壤流失方程(USLE)和土壤侵蚀预报模型(WEPP)。这两种模型各有弊端，USLE的问题主要在于构建模型的数据来源于同一地区的反复试验，无法形成普适性，无法适用于不同的天气环境、不同土质地区。对于某地区的年平均土壤流失量的计算来说，方程式如下：

(4)

上式中各参数所表示的含义见表1。

表1 公式表示以及含义

由式(4)及表1可以看出，USLE属于经验模型，是通过大量实验数据得出的。

而WEPP是最复杂的一种模型，它运用众多子模型来对土壤侵蚀的物理过程进行模拟，相对于经验模型来说精准度要高很多，但在实际应用中，由于模型所需的大部分数据往往无法从各个不同的方面取得，因此会对模型的运作造成影响[14-15]。SVM的特点在一定程度上恰好可以弥补以上两种模型的不足，可以帮助构建一种新的土壤侵蚀分类模型，既能准确分类又能广泛使用并且有效推广。这些弊端的存在，对于防治水土流失问题造成困扰，导致对土壤侵蚀无法进行全面系统的研究。

支持向量机( SVM )的理论最早是来自于对两类数据进行分类这个问题的综合处理，即能够找到不同的超平面，使得各种类型的数据点都在超平面两侧处于不同的偏移区且尽可能地远离这些超平面，从而使这些超平面两侧的空白区域变得是最大的,见图3。

图3 SVM最优超平面示意图

图3显示了两种二维线性可分离模式。图3中的黑色和白色圆圈分别代表两种样品。H代表区分两种正确样品的基准分类线。在图3中有两条相等的平行线，这两条平行线上的两个点分别称为是H1和H2，这两个点都是平行于两条分类线上的直线，它们是所有样品中最接近的两个点，两条平行线之间的直线距离也就是这两种样品之间的分类区间。得到最优超平面的前提条件是先找出最优的分类线，最优的分类先在打开高位空间后就已经成为最优的超平面，而将这两类样品之间的分类区间间隙间隔最大的那条分类线即可称为最优的分类线。支持向量机在本质上就是一个用于解决二分类问题的学习机器，土壤侵蚀量指的是连续变化数据，因此需要利用支持向量机进行数据回归。目前支持向量机方法在本质上，训练集数据X通过已在备选中的函数模型库总选择的函数映射到H中。根据式(4)，可以得到线性回归函数为：

(5)

数据经过归一化之后，可以使用SVM对其进行分类检测。至此，完成基于机器学习的小流域土壤侵蚀量检测方法的研究。

2 实 验

2.1 研究区的数据概况

为验证本文设计的基于机器学习的小流域土壤侵蚀检测方法具有一定的有效性，选择某小流域区域进行检测方法测试。在检测过程中，需要全面考虑整个土壤在侵蚀过程中可能产生作用的所有因素，选取当地的参数进行建模。根据环境因子的特性，得到具体的变量参数，见表2。

表2 研究区土壤侵蚀模型参数

将上述研究区的相关参数输入到检测平台Matlab中，并利用SVM-C分类功能，在该环境下完成检测预测工作。对于本文的检测方法，支持向量机的惩罚系数C和超参数P这两个参数对最终的预测结果影响很大。因此，选择合适的参数值是非常重要的。软件包中没有参数选择功能，只能通过设置C值和P值的范围和步长来选择最佳的参数组合。以测试数据预测准确率的高低作为判断参数优劣的标准。准确率计算方式为：

(6)

在试验区内，设置若干的土壤侵蚀检测点，分别使用本文方法和传统的方法在检测点进行检测。为了验证本文方法的检测精度，在相同的实验环境下，使用传统方法对研究区统建进行检测，并对检测结果进行对比和分析。

2.2 实验结果与对比

在上述实验条件下，得到两种检测方法的检测结果，见图4。

图4 两种检测方法的检测结果

将两种方法的检测结果与实际结果进行对比，不同侵蚀强度的面积统计见表3。

表3 不同检测方法土壤侵蚀面积

从表3的数据可以计算出，本文方法的检测面积与实际面积之间的误差率约为2.6%；传统方法的检测面积与实际面积之间的误差率约为77.1%。整体预测准确率有所提高，由此可以判定本文设计的基于机器学习的小流域土壤侵蚀量检测方法在土壤侵蚀强度分类的过程中具有一定的准确度。

3 结 语

支持向量机方法和传统的检测方法都属于集中式参数预测方法。这种方法具有即使在缺乏数据的情况下也能使用的特点，它广泛适用于参数变化不大的系统。在缺乏水文地质资料、系统结构不明确的情况下，该灵活的、适用性强的地区土壤侵蚀量预测模型往往能得到可接受的模拟和预测结果。在此基础上，将支持向量机方法应用于小流域水土流失预测，取得了较好的效果。