学习模式识别方法，它在解决小样本非线性及高维模式识别问题中表现出特有的优势。近些年SVM主要应用在趋势分析和模式识别以及遥感图像的分类方面[8-10]。本文依据农业生态安全评价方法建立评价体系，利用支持向量机和GIS技术构建吉林省西部农业生态安全评价模型，以探讨新的模式识别方法在农业生态安全评价中的实际应用价值。
1 研究区概况
吉林省西部（44°57′-45°46′N，123°09′-124°22′E）位于松嫩平原的西部，隶属白城和松原两个地级市，包含10个县（市、区），总面积468.35万hm2。属大陆性季风气候，年日照时数2 800～3 000 h，年总辐射5 100～5 200 MJ/m2，年均降水量400～500 mm，年均蒸发量1 600～2 000 mm，平均相对湿度60%～65%。研究区是吉林省主要粮食产区，因特有的农业气候条件与土地生态条件，形成了典型农业区和农牧交错区两种农业生态。由于其自身脆弱性及长期、大规模农业开发导致该区生态环境日益恶化，农业和经济发展缓慢[11]，已经严重阻碍了区域的生态安全及可持续发展。
2 研究方法
2.1 支持向量机
支持向量机是一种基于统计学习理论的模式识别方法。SVM主要是通过定义最优线性超平面，把寻找最优超平面的算法归结为求解一个最优（凸规划）问题。进而基于Mercer核展开定理，通过非线性映射，把样本空间映射到一个高维乃至于无穷维的特征空间（Hilbert空间），使在特征空间可以应用线性学习机的方法解决样本空间中的高度非线性分类和回归等问题。
对给定的训练样本集，假如训练样本集是线性可分的，则机器学习的结果是一个超平面，二维情况下是直线或称为判别函数；如果训练样本不可分，则对于非线性分类问题，应将输入空间通过某种非线性映射映射到一个高维特征空间，在这个空间中存在线性的分类规则，可以构造线性的最优分类超平面，根据泛函理论，引入适当的内积核函数就可以实现某一非线性变换后的线性分类。
3 评价指标体系与模型构建
3.1 评价指标体系
农业生态安全评价问题可看作是一个农业生态安全级别评价指标间复杂的非线性函数关系的逼近问题。利用支持向量机方法进行农业生态安全评价，首先要确定影响因素，建立评价指标；其次根据实际资料构造样本数据集，然后用SVM进行学习与训练，最后根据训练获得的参数对研究区的农业生态安全进行评价，因此，在评价前要选取能够真实、准确反映研究内容的评价指标体系。
本研究的农业生态安全评价指标体系选取是基于联合国经济开发署（OECO）建立的压力-状态-响应（Pressure-State-Response，PSR）框架模型，在总结国内外农业生态安全评价指标体系方案案例基础上，结合吉林省西部农业现状，从农业生态环境压力、农业生态环境状态、人文社会响应3个方面选取了18个评价指标，构建了吉林省西部农业生态安全评价指标体系。农业生态安全各指标权重采用层次分析法进行计算（表1）。
3.2 基于支持向量机的农业生态安全评价模型构建
3.2.1 数据处理过程 从生态环境状态、生态环境压力、人文社会响应3个方面选取的18个农业生态安全评估指标作为SVM模型输入。为了消除各个指标单位的不同给计算带来的不便，在此对每一指标进行无量纲化处理，使之分布于[-1，1]之间。专家经验和评分得到的农业生态安全度（表2）为模型输出值，农业生态安全度越高说明研究区越安全，反之较低。考虑到样本数较少（表3），而吉林西部内部自然要素基本一致，将10个地区1980-2007年数据作为训练样本集，最终得到18×184个数据作为SVM模型训练数据，其余18×80个数据作为测试数据。
3.2.2 SVM模型构建过程 选择SPSS公司的数据挖掘软件Clementine12.0作为农业生态安全评价模型和分析平台。Clementine12.0软件中包括了多种数据挖掘模型及数据格式化工具，它是通过节点的连接完成数据挖掘，具体步骤为：首先，由Clementine12.0数据接口读入各指标数据，数据流通过一系列工具节点处理为标准格式结构后被送入SVM挖掘模型；其次，将结果输出或可视化显示。利用Clementine12.0软件中的SVM模块构建基于支持向量机的农业生态安全评价模型，模型流程见图1。
最后，选用epsilon-SVR作为回归方法，核函数为径向基函数。由交叉验证法取得误差惩罚因子C=32，核函数参数γ=0.052 6，不敏感系数ε=0.25。经训练数据集学习后，获得支持向量86个，测试回归结果的均方根误差为1.313 3。
4 结果与分析
根据SVM模型预测结果并结合原有数据，对农业生态安全指数（ESIVj）求取多年平均值后进行分等定级，按照生态安全阈值标准，将农业生态安全阈值分为“低、较低、适中、较高、高”5个等级。根据农业生态安全阈值分区标准，结合吉林省西部的行政区划图，利用GIS的分区功能对吉林省西部农业生态安全进行分区（图2）。由图2可知，扶余县农业生态安全度低；白城市农业生态安全度较低；松原市农业生态安全度适中；镇赉县、大安市、洮南市、乾安县、通榆县、长岭县农业生态安全度较高；前郭县农业生态安全度高。
5 结论
支持向量机在解决小样本、非线性及高维模式识别问题中表现出了较好的优势，使得在解决农业生态安全问题上变为可能。本文基于“压力-状态-响应”框架模型选取18个指标因子并作为SVM样本输入，利用Clementine12.0软件构建SVM评价模型。结果表明，基于支持向量机与地理信息系统技术进行农业生态安全评价，具备了较强的评价能力和扩展能力。研究结果可为研究区农业生态安全评价、预测等提供理论依据和技术支持。
支持向量机应用于农业生态安全评价中是一个新领域，其理论与方法还有待完善，如样本数据可能存在一定误差，或是在核函数的类型和参数的选择上有待商榷，随着指标数据及方法不断积累与完善，对存在的误差及核函数类型、参数的选择会得到相应的改善。
参考文献：
[1] KING R S.，Integrating bioassessment and ecological risk assessment：an approach to developing numerical water-quality criteria[J]，Environmental Management，2003.31（6）：795-809，
[2] 王 军，何 玲，董 谦，等.河北省农业生态安全障碍度评价与对策研究[J].农业现代研究，2010，31（1）：81-85.
[3] 王 军.农业生态安全的理论与实践[M].北京：中国农业出版社， 2009.
[4] 肖薇薇，谢永生，王继军.黄体丘陵区农业生态安全评价指标体系的建立[J].水土保持通报，2007，27（2）：146-149.
[5] 李 芬，王继军.黄土丘陵区纸坊沟流域近70年农业生态安全评价[J].生态学报，2008，28（5）：2380-2388.
[6] VAPNIK V N. The Nature of Statistical Learning Theory[M]. New York：Springer Verlag，1995.
[7] VAPNIK V N. Statistical Learning Theory[M]. New York： Wiley，1998.
[8] 杨晓华，黄敬峰，王秀珍，等.基于支持向量机的水稻叶面积指数高光谱估算模型研究[J].光谱学与光谱分析，2008，28（8）：1837-1841.
[9] 傅文杰.GIS支持下基于支持向量机的滑坡危险性评价[J].地理科学，2008，28（6）：838-841.
[10] 骆剑承，周成虎，梁 怡，等.支撑向量机及其遥感影像空间特征提取和分类的应用研究[J].遥感学报，2002，6（1）：50-54.
[11] 汤 洁，李海毅，斯 蔼.吉林省通榆县近20年农业可持续发展的生态安全[J].农业现代化研究，2007，28（1）：75-78.
