發(fā)布時(shí)間：2020-11-10 04:57

　　 耕地質(zhì)量是由各影響因子的特點(diǎn)和彼此的作用決定的,客觀準(zhǔn)確地評(píng)價(jià)耕地質(zhì)量,對(duì)農(nóng)業(yè)生產(chǎn)具有指導(dǎo)作用。與傳統(tǒng)方法相比較,人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)算法不需要確定權(quán)重,能夠自動(dòng)模擬各因子間的非線性關(guān)系,避免傳統(tǒng)評(píng)價(jià)過程中在確定權(quán)重時(shí)的人為成分影響,進(jìn)而客觀地得到耕地質(zhì)量等別信息。本文以福建省長(zhǎng)泰縣丘陵山地區(qū)為實(shí)證區(qū),以MATLAB軟件為操作平臺(tái),將有監(jiān)督網(wǎng)絡(luò)學(xué)習(xí)和無監(jiān)督網(wǎng)絡(luò)學(xué)習(xí)結(jié)合,通過無監(jiān)督網(wǎng)絡(luò)——自組織特征映射網(wǎng)絡(luò)(SOM)篩選出2602組典型樣本,分別進(jìn)行有監(jiān)督網(wǎng)絡(luò)——BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)的學(xué)習(xí)訓(xùn)練,將有效土層厚度、有機(jī)質(zhì)含量、坡度、田間道路通達(dá)度、海拔、土壤質(zhì)地和灌溉保證率等7個(gè)指標(biāo)作為輸入變量,以耕地自然等指數(shù)和等別作為輸出變量,分別建立BP神經(jīng)網(wǎng)絡(luò)耕地質(zhì)量評(píng)價(jià)模型與SVM耕地質(zhì)量評(píng)價(jià)模型。結(jié)果表明:兩種模型均能滿足耕地質(zhì)量評(píng)價(jià)的精度要求,但綜合來看,SVM模型較BP神經(jīng)網(wǎng)絡(luò)效果更好,更適合應(yīng)用于耕地質(zhì)量評(píng)價(jià)工作。該研究為耕地質(zhì)量分等工作提供了新的技術(shù)思路。具體研究?jī)?nèi)容及結(jié)論如下:(1)以反向傳播人工神經(jīng)網(wǎng)絡(luò)為耕地質(zhì)量評(píng)價(jià)技術(shù),將10225×7的數(shù)據(jù)矩陣標(biāo)準(zhǔn)化變換為[0,1]區(qū)間里的值,應(yīng)用SOM聚類法選擇2602組數(shù)據(jù)集作為訓(xùn)練樣本,構(gòu)建7:17:1的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),進(jìn)而訓(xùn)練網(wǎng)絡(luò)。經(jīng)分析,相對(duì)誤差小于5%的圖斑有2601個(gè),相關(guān)系數(shù)為0.988,后驗(yàn)差比C為0.16,小誤差頻率P為0.99,對(duì)照精度標(biāo)準(zhǔn)表,結(jié)果屬于高精度的等級(jí),BP神經(jīng)網(wǎng)絡(luò)模型創(chuàng)建成功,可以應(yīng)用此模型測(cè)算其余耕地圖斑自然等指數(shù),完成整個(gè)區(qū)域的耕地質(zhì)量評(píng)價(jià)。與應(yīng)用因素法的評(píng)價(jià)結(jié)果對(duì)比,4等地劃分正確率為94%,5等地為87%,6等地為60%,9等地為100%,最終評(píng)價(jià)結(jié)果正確率為89%。(2)以支持向量機(jī)(SVM)為耕地質(zhì)量評(píng)價(jià)方法,將樣本數(shù)據(jù)集輸入SVM分類學(xué)習(xí)器,運(yùn)行學(xué)習(xí)器后,比較不同核函數(shù)的SVM模型精度,最終選擇精確度高達(dá)98.9%的Cubic核函數(shù)SVM模型,將應(yīng)用SVM法獲得的結(jié)果與按傳統(tǒng)方法評(píng)價(jià)的結(jié)果做比較,評(píng)價(jià)結(jié)果與實(shí)際值具有高度一致性,可將此模型應(yīng)用于其他耕地圖斑,劃分耕地等別。與應(yīng)用因素法的評(píng)價(jià)結(jié)果對(duì)比,4等地劃分正確率為99%,5等地為98.5%,6等地為94%,9等地為100%,最終評(píng)價(jià)結(jié)果正確率為99%。(3)針對(duì)所建立的BP神經(jīng)網(wǎng)絡(luò)耕地質(zhì)量評(píng)價(jià)模型和支持向量機(jī)耕地質(zhì)量評(píng)價(jià)模型做進(jìn)一步比較分析。將BP網(wǎng)絡(luò)和SVM應(yīng)用到耕地質(zhì)量評(píng)價(jià),兩者整體上的學(xué)習(xí)能力均很強(qiáng)。應(yīng)用3層BP神經(jīng)網(wǎng)絡(luò),它擁有非線性變換能力強(qiáng)、大范圍數(shù)據(jù)同時(shí)處理、自學(xué)習(xí)和自適應(yīng)功能強(qiáng)等優(yōu)點(diǎn),將其應(yīng)用到耕地質(zhì)量評(píng)價(jià),運(yùn)行速度較快,精度較高,所建耕地質(zhì)量評(píng)價(jià)模型泛化功能較強(qiáng),可以對(duì)高維待測(cè)樣本同時(shí)處理,魯棒性較強(qiáng)。SVM在Cubic核函數(shù)的非線性變換作用下,將樣本變換到一個(gè)高維的特征空間當(dāng)中,并自動(dòng)探尋區(qū)分能力強(qiáng)的支持向量,構(gòu)造的分類器可以實(shí)現(xiàn)對(duì)未知樣本類別的劃定,具有很好的魯棒性,不需要人工調(diào)整,計(jì)算也簡(jiǎn)單,分類結(jié)果準(zhǔn)確,推廣性能強(qiáng)。但是,BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)需要經(jīng)過人工反復(fù)測(cè)試,才能得到最優(yōu)參數(shù),拓?fù)浣Y(jié)構(gòu)也較難以確定;而SVM模型在構(gòu)建中自動(dòng)實(shí)現(xiàn)參數(shù)的最優(yōu)選擇,能夠減少人為干預(yù)影響。評(píng)價(jià)過程中,SVM收斂速率較快,用時(shí)更少。在精度上,兩者均能滿足耕地質(zhì)量評(píng)價(jià)精度要求,但SVM評(píng)價(jià)模型精度高于BP神經(jīng)網(wǎng)絡(luò)模型,而且SVM泛化能力要高于BP神經(jīng)網(wǎng)絡(luò)�？偨Y(jié)對(duì)照之下,SVM的效果更好,更適用于耕地質(zhì)量評(píng)價(jià)。
【學(xué)位單位】：福建農(nóng)林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2017
【中圖分類】：TP18;S159.2
【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景和意義
    1.2 耕地質(zhì)量評(píng)價(jià)研究綜述
        1.2.1 國(guó)外研究進(jìn)展
        1.2.2 國(guó)內(nèi)研究進(jìn)展
    1.3 神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)國(guó)內(nèi)外研究概況
    1.4 研究?jī)?nèi)容、方法與論文框架
        1.4.1 研究?jī)?nèi)容
        1.4.2 研究方法
        1.4.3 論文框架
2 理論基礎(chǔ)
    2.1 農(nóng)用地分等理論
    2.2 人工神經(jīng)網(wǎng)絡(luò)理論
    2.3 支持向量機(jī)理論
3 研究方法與數(shù)據(jù)
    3.1 建模思路
        3.1.1 農(nóng)用地分等模型
        3.1.2 人工神經(jīng)網(wǎng)絡(luò)模型
        3.1.3 支持向量機(jī)模型
    3.2 研究區(qū)概況
        3.2.1 自然條件
        3.2.2 土地利用現(xiàn)狀
        3.2.3 耕地利用現(xiàn)狀
    3.3 數(shù)據(jù)源及數(shù)據(jù)預(yù)處理
        3.3.1 數(shù)據(jù)源概況
        3.3.2 數(shù)據(jù)預(yù)處理
4 基于BP神經(jīng)網(wǎng)絡(luò)的耕地質(zhì)量評(píng)價(jià)模型研究
    4.1 SOM法聚類篩選訓(xùn)練樣本
    4.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)和參數(shù)的確定
        4.2.1 確定網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 網(wǎng)絡(luò)參數(shù)設(shè)計(jì)
        4.2.3 網(wǎng)絡(luò)訓(xùn)練
    4.3 模型驗(yàn)證與結(jié)果分析
5 基于支持向量機(jī)的耕地質(zhì)量評(píng)價(jià)模型研究
    5.1 訓(xùn)練數(shù)據(jù)輸入
    5.2 分類學(xué)習(xí)器的訓(xùn)練
    5.3 模型驗(yàn)證與結(jié)果分析
    5.4 BP神經(jīng)網(wǎng)絡(luò)和SVM的耕地質(zhì)量評(píng)價(jià)方法比較
6 結(jié)論與展望
    6.1 主要結(jié)論
    6.2 研究展望
參考文獻(xiàn)
附錄 BP和SVM運(yùn)行代碼
    1.1 BP神經(jīng)網(wǎng)絡(luò)運(yùn)行代碼
    1.2 SVM分類器應(yīng)用代碼
致謝

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李小剛;馬友華;張益;黃守營(yíng);;基于模糊評(píng)價(jià)與BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評(píng)價(jià)對(duì)比研究——以淮北平原鳳臺(tái)縣為例[J];土壤通報(bào);2015年04期

2 望勇;陳宇暉;;模糊聚類模型在昌平區(qū)耕地質(zhì)量評(píng)價(jià)中的應(yīng)用[J];國(guó)土資源遙感;2015年04期

3 郄瑞卿;關(guān)俠;鄢旭久;竇世翔;趙玲;;基于自組織神經(jīng)網(wǎng)絡(luò)的耕地自然質(zhì)量評(píng)價(jià)方法及其應(yīng)用[J];農(nóng)業(yè)工程學(xué)報(bào);2014年23期

4 張健;劉定一;;一種應(yīng)用PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的方法[J];計(jì)算機(jī)仿真;2014年11期

5 呂振宇;牛靈安;郝晉珉;沈廣城;;基于層次分析法的耕地細(xì)碎化程度多指標(biāo)綜合評(píng)價(jià)研究[J];中國(guó)農(nóng)學(xué)通報(bào);2014年26期

6 李曉婷;劉勇;王平;;基于支持向量機(jī)的城市土壤重金屬污染評(píng)價(jià)[J];生態(tài)環(huán)境學(xué)報(bào);2014年08期

7 姜雪;盧文喜;楊青春;趙海卿;;應(yīng)用支持向量機(jī)評(píng)價(jià)土壤環(huán)境質(zhì)量[J];中國(guó)環(huán)境科學(xué);2014年05期

8 彭朝琴;曹純;黃姣英;劉秋生;;Seismic signal recognition using improved BP neural network and combined feature extraction method[J];Journal of Central South University;2014年05期

9 吳曉光;郝潤(rùn)梅;蘇根成;高淑梅;楊超;遲文峰;;農(nóng)用土地質(zhì)量評(píng)價(jià)研究進(jìn)展[J];西部資源;2014年01期

10 李雯雯;吳榮濤;;基于層次分析法的伊川縣耕地地力評(píng)價(jià)[J];河南農(nóng)業(yè)大學(xué)學(xué)報(bào);2013年02期

相關(guān)博士學(xué)位論文 前3條

1 王玲;基于GIS和RS的干旱區(qū)綠洲耕地質(zhì)量評(píng)價(jià)方法及應(yīng)用研究[D];石河子大學(xué);2011年

2 鄖文聚;農(nóng)用地分等及其應(yīng)用研究[D];中國(guó)農(nóng)業(yè)大學(xué);2005年

3 王洪波;系統(tǒng)化耕地質(zhì)量評(píng)價(jià)體系的構(gòu)建與應(yīng)用[D];中國(guó)農(nóng)業(yè)大學(xué);2004年

相關(guān)碩士學(xué)位論文 前4條

1 陳陽;基于GIS的馬關(guān)縣耕地地力評(píng)價(jià)方法及其應(yīng)用研究[D];昆明理工大學(xué);2015年

2 張愉;基于模糊數(shù)學(xué)方法的復(fù)墾耕地適宜性評(píng)價(jià)[D];成都理工大學(xué);2014年

3 李偉地;基于GIS和模糊聚類分析法的農(nóng)用地定級(jí)研究[D];吉林大學(xué);2013年

4 任祥源;河南省耕地資源可持續(xù)利用評(píng)價(jià)研究[D];河南大學(xué);2011年

本文編號(hào)：2877504