基于FSA-LSSVR模型的安徽省耕地变化预测

针对耕地变化内部规律及其外部驱动因子的特点,利用鱼群算法优化最小二乘支持向量机回归(FSA-LSSVR)模型,探讨耕地变化预测模型,为耕地保护政策制定提供参考依据。结果表明:鱼群算法的全局搜索能力能使支持向量机算法有效地收敛到参数γ和σ的全局最优解;FSA-LSSVR模型的预测精度指标远高于多元线性、GM(1,1)和BP神经网络模型,且优于FSA-SVM,求解速度明显优于SVM。FSA-LSSVR模型可以解决SVM内部参数难以确定的问题,适用于多因素参与的高维非线性的耕地变化预测,而且速度快、精度高,具有推广价值。     

基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型

养殖池塘溶解氧是河蟹赖以生存的重要指标,及时准确地掌握溶解氧浓度变化趋势是确保高密度河蟹健康养殖的关键。为提高溶解氧预测精度和效率,该文提出了蚁群算法(ACA)优化最小二乘支持向量回归机(LSSVR)的河蟹养殖溶解氧预测方法。采用蚁群算法对最小二乘支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间非线性预测模型。利用该模型对江苏宜兴市2010年7月20日～7月28日期间高密度养殖池塘溶解氧进行预测。研究表明,该预测模型取得较好的预测效果,与支持向量回归机和BP神经网络相比,模型评价指标均方根误差、相对均方误差均值、平均绝对误差和和决定系数和运行时间分别为0.0328、0.0016、0.0448、0.9916和3.3275s均优于其他预测方法,ACA-LSSVR模型不仅计算复杂度低、收敛速度快、预测精度高、泛化能力强,还能满足实际高密度河蟹养殖溶解氧管理的需要,为其他领域的水质预测提供参考。     

宿州春季重旱发生年份的灰色神经网络预测模型

宿州春季严重干旱序列数据偏少,可用传统GM（1,1）模型进行预测,但由于序列变化幅度较大,预测效果不理想。本文利用灰色与BP神经网络组合模型对宿州春季重旱发生年份进行预测,即首先弱化序列变化幅度,并改进GM（1,1）模型导数信息处理方式,构建可逼近精度目标的m—GM（1,1）预测模型,然后应用BP神经网络对m—GM（1,1）模型的残差进行拟合,对m—GM（1,1）预测模型进行修正。结果表明,灰色神经网络组合模型的精度（｜Q｜=0．0045）比单一的1．7-GM（1,1）模型（｜Q｜=4．18）和传统的单一GM（1,1）模型精度（｜Q｜=9．36）提高许多。预测2005年后的下一个宿州市春季严重干旱发生年份为2009年,可以作为预报当地春季干旱时的参考,并结合其他方法作进一步预测,为当地防灾减灾提供科学依据。     

基于高光谱的柑橘叶片钾含量快速诊断模型

及时准确地监测柑橘树体钾营养状况,有助于科学施肥,提高柑橘果实的品质和产量。试验对采集的W·默科特叶片钾含量及叶片光谱信息进行相关性分析,利用主成分分析和连续投影算法进行降维处理,同时结合偏最小二乘回归和最小二乘支持向量机回归分别建立了叶片钾含量预测模型。结果显示,柑橘叶片钾含量特征波长主要集中在450～600 nm、700 nm左右、980～1030 nm区域;最小二乘支持向量机回归模型的预测效果明显优于偏最小二乘回归模型,预测集相关系数达0.91。结果表明,利用高光谱成像技术结合最小二乘支持向量机回归可实现对柑橘叶片钾含量的快速诊断。     

基于自适应进化相关向量机的耕地面积预测模型

为解决耕地面积预测模型建立过程中的非线性、稀疏化及结果可靠性评价等问题,该文将相关向量机与差分进化优化算法进行融合及改进,提出基于自适应进化相关向量机的耕地面积预测模型。该文以黄石市为例,建立基于自适应进化相关向量机的短期、中期耕地预测模型,并与多元线性回归、BP神经网络、支持向量机算法在精度、计算效率及可靠性方面进行对比分析。试验验数据表明,自适应进化相关向量机的预测精度大约是其余3种方法的2倍以上;模型的计算效率是多元线性回归方法的2倍,比BP神经网络、支持向量机高出2个数量级;测试数据的实际耕地面积均在自适应进化相关向量机估计的95%置信度的置信区间内,并且由后验差比、小误差概率判定模型等级属于"好"。基于以上数据,证实该模型是一种精度高、计算快、可靠性强的耕地预测新方法。     

基于改进BP神经网络与支持向量机的土壤墒情预测方法研究

为提高土壤墒情预测精度,提出了一种基于遗传算法（GA）、改进粒子群算法（IPSO）、误差反向传播（BP）神经网络和支持向量机（SVM）的土壤墒情组合预测模型（GA_IPSO_BP-SVM）。该模型首先在BP神经网络的权阈值选择中同时引入GA和IPSO构成GA_IPSO_BP模型,然后对GA_IPSO_BP和SVM模型分别进行训练和数据仿真,最后利用建立的加权模型对GA_IPSO_BP和SVM模型的土壤墒情预测结果进行组合。以安庆市8个监测站某时段内农田土壤墒情数据为例,分别按隔日、两日后和三日后三种时间跨度进行土壤墒情预测,并对照BP、GA-BP、PSO-BP、IPSO-BP、GA_IPSO_BP和SVM模型,验证和比较提出的GA_IPSO_BP-SVM模型的土壤墒情预测精度。结果表明,GA_IPSO_BP-SVM模型的土壤含水量预测相对误差平均值最小。GA_IPSO_BP与SVM模型组合的GA_IPSO_BP-SVM模型提高了土壤墒情的预测精度,更适合于土壤墒情的短期预测,该方法可为农业节水灌溉方案的制定提供技术支撑。     

基于核函数支持向量回归机的耕地面积预测

科学预测耕地保有量是耕地保护的基础,对缓解用地矛盾、保证粮食安全具有重要指导意义。为探讨不同核函数支持向量回归机(support vector regression,SVR)对耕地面积预测的影响,该文以惠州市为例,分别采用多元回归、BP神经网络及3种不同核函数SVR建立耕地面积预测模型并进行对比试验。预测结果精度分析显示,RBF核函数SVR预测结果平均相对误差为0.54%,均方根误差为0.007,精度最高;Sigmoid核函数SVR预测结果对应误差分别为1.12%及0.012,精度次之;多项式核函数SVR预测结果对应误差为分别为2.71%及0.032,高于BP神经网络模型,但低于多元回归模型。研究表明,在现有3种常用核函数SVR耕地面积预测模型中,基于RBF核函数SVR模型预测能力最强,其次是sigmoid核函数;而多项式核函数则效果较差。     

基于数量化理论Ⅲ的滑坡变形组合预测研究

[目的]探讨基于数量化理论Ⅲ的组合预测模型在滑坡变形组合中的适用性,为滑坡变形组合预测提供新的思路。[方法]选取GM(1,1)、支持向量机、BP神经网络及MC预测作为滑坡变形的单一预测模型,并利用数量化理论Ⅲ分析单项预测的相对误差区间的重要性,进而确定区间权重,再结合预测误差确定的组间权重,综合确定组合预测的权值。[结果]组合预测结果相对误差的平均值为1.1%,方差为0.16。[结论]组合预测较单一预测模型的预测精度及稳定性都有较大的提高。     

基于改进极限学习机的水体溶解氧预测方法

为了有效地指导水产养殖生产，提高溶解氧浓度预测的精度，提出了基于因子筛选和改进极限学习机（Extreme Learning Machine，ELM）的水产养殖溶解氧预测模型。首先，利用皮尔森相关系数法计算各影响因子与溶解氧浓度间的相关系数，提取强关联因子，降低预测模型的输入量维度；采用偏最小二乘算法（Partial Least Square, PLS）优化传统ELM神经网络，避免网络中隐含层共线性问题，保障输出权值的稳定性；然后，结合新型激活函数，构建水体溶解氧浓度预测模型。最后，将SPLS-ELM（Selection Based Partial Least Square Optimized Extreme Learning Machine）预测模型应用到江苏省无锡市南泉基地某试验池塘的水体溶解氧预测中。试验结果表明：该模型的预测均方根误差为0.3232，与最小二乘支持向量机（Least Square Support Vector Machine，LSSVM）、BP神经网络、粒子群（Particle Swarm Optimization，PSO）优化LSSVM和遗传算法（Genetic Algorithm, GA）优化BP神经网络相比分别降低40.98%、44.48%、34.73%和44.18%。且该模型的运行时间仅0.6231s，预测精度和运行效率明显优于其他模型。该模型的溶解氧预测曲线接近真实溶解氧变化曲线，能够满足水产养殖实际生产对水体溶解氧预测的要求。     

基于改进深度信念网络的池塘养殖水体氨氮预测模型研究

水体氨氮是影响水产养殖质量和产量的关键参数之一。然而,池塘养殖环境复杂多变,氨氮含量影响因子众多,且各因子之间相互关联并呈现非线性变化,同时,获取的数据存在大量噪声。因此,采用数学方法及传统神经网络很难精准预测氨氮含量,且在进行数据训练时存在局部收敛和计算效率差的问题。针对上述问题,首先,通过主成分分析筛选影响氨氮含量变化的主要因子作为模型输入,利用小波阈值方法实现噪声消除;然后,提出一种基于粒子群优化算法(particle swarm optimization, PSO)并结合多变量深度信念网络(multi-variable deep belief network, MDBN)预测模型,对池塘养殖水体溶解氧预测,并与传统最小二乘支持向量机、BP神经网络、DBNs(deep belief networks)模型进行了比较分析。研究结果表明,该文所提方法其平均百分比误差(mean absolute percentage error,MAPE)为0.1172,与传统最小二乘支持向量机、BP神经网络、DBNs方法进行对比,其MAPE分别降低了0.285 9、0.214 6、0.013 9。除此之外,随着样本数量增加,其模型绝对误差不断降低。因此,该文所提方法具有高的预测精度及泛化性能,研究可为池塘水体氨氮含量精准预测提供理论依据和参数支持。     

面向对象土地覆被图像组合分类方法

研究了支持向量机在面向对象土地覆被图像分类中的应用技术,提出采用最小二乘支持向量机（LSSVM）与模糊灰色关联度联合评估（FG）相结合的一种新的组合分类方法简记FG-LSSVM,为土地覆被分类提供一种可行的高精度分类途径。根据图像上不同对象的空间尺度和光谱值特征,基于稳健的核密度梯度分割算法提取具有任意形状和唯一标识的均质对象后,为了比较提出方法的性能,采用原始对象样本依次验证了3个面向对象分类方法,即标准支持向量机方法、以模糊贴近度作为模糊因子的模糊支持向量机方法和传统K最近邻面向对象分类方法。实现了一个高精度面向对象土地覆被图像分类信息系统。试验结果表明：提出的FG-LSSVM面向对象方法相比标准支持向量机、模糊支持向量机与K最近邻方法试验精度约提高2.4%左右。提出的方法在识别效果上,符合研究区实际分类应用的要求。     

基于深度置信网络的农用地基准地价评估模型

该文针对现有基准地价评估模型主观性较强及精度不够等问题，提出了一种基于深度学习思想的农用地基准地价评估方法，构建了样本特征集合与地价标签集合的深层网络结构映射关系，并以广东省普宁市农用地基准地价评估为实例，验证了模型的可行性和有效性。结果如下：1）与神经网络、支持向量机这类浅层学习模型相比，深度置信网络模型其对地价的拟合精度要高出3.61%，3.12%；2）在训练样本只有300时，深度置信网络模型对地价的拟合误差为16.43%，比神经网络、支持向量机模型的拟合精度最少要高出6.76个百分点；3）深度置信网络模型对单个样本的运算时间及内存占用比神经网络、支持向量机模型都要高，但在评估精度都达到95%左右的情况下，深度置信网络模型所需训练样本较少，支持向量机训练时间为193 s，而深度置信网络模型耗时187 s，两者耗时基本持平；4）基于DBN模型对耕地评估单元的地价测算结果，将将普宁市耕地评估单元划分为5级，然后利用面积加权法求取对应的级别基准地价范围为21.34～26.23元/m2。上述试验结果表明该方法在对样本点地价的评估精度上要优于传统的浅层方法，并且该模型计算所得普宁市耕地基准地价与耕地质量在空间分布规律上保持一致。     

Hyperspectral Visible–Near Infrared Determination of Arsenic Concentration in Soil

The development of rapid techniques, such as hyperspectral spectrophotometry, for investigating arsenic (As) soil contamination could be of great value with respect to conventional methods. This study was conducted to detect As concentrations in artificially polluted soils (from 25 to 1045 mg kg^?1) through hyperspectral visible–near infrared spectrophotometry and to compare two multivariate statistical regression analyses: partial least squares and support vector machines. The correlation coefficient r is greater in the partial least squares in both model (0.93%) and test (0.87%) with respect to support vector machines (0.88% for the model and 0.82% for the test). The most important model variables extracted from the variable importance in projection scores resulted the absorption peaks at 580, 660, 715, and 780 nm. Bands in the visible spectra are not directly associated to As, but the metalloid can interact with the main spectrally active components of soil permitting to multivariate statistical models to screen As concentrations.     

茄子灰霉病叶片过氧化氢酶活性与高光谱图像特征关联方法

对灰霉病胁迫下茄子叶片过氧化氢酶(CAT)活性的高光谱图像特征进行了研究。采用380～1030nm范围的高光谱图像摄像仪获取健康、轻度、中度、严重染病茄子叶片的高光谱图像信息,基于ENVI软件处理平台提取高光谱图像中对象的漫反射光谱响应特性,并采用平滑、中值滤波、归一化法等预处理方法提高光谱的信噪比。然后采用偏最小二乘回归(PLSR)、最小二乘支持向量机(LS-SVM)和BP神经网络算法来建立叶片高光谱响应特征与CAT活性之间的关系模型。在PLSR模型中,前2个隐含变量能够实现健康、轻度、中度、严重染病茄子叶片的直观定性区分,而基于PLSR模型推荐的9个隐含变量建立的BP神经网络模型的预测集决定系数R2为0.8930,均方根误差为2.17×103。表明基于高光谱图像特性可以实现灰霉病胁迫下茄子病害程度的有效区分,同时证明基于高光谱图像特性的茄子叶片CAT活性的定量检测是可行的。     

基于变化向量的耕地利用方式变化下耕地质量评价

耕地利用方式变化下耕地质量的变化研究意义重大。该文以浙江省耕地质量监测试点松阳县为例,以变化向量凸显耕地利用方式变化,探讨基于变化向量的耕地利用方式变化下耕地质量变化的快速评价方法。充分考虑各特征向量之间的联系以及不同意义不同量纲元素间的共同作用问题,选择典型相关分析CCA(canonical correlation analysis)构建变化向量;采用CCA为基础的多元变化检测MAD(multivariate alteration detection)最大限度的消除相关性影响,以方差最大的形式凸显耕地利用方式变化下耕地质量的变化;选择基于高斯混合模型(GMM)的期望最大化算法(EM)快速评价耕地利用方式变化下耕地质量的变化情况。重点分析基于快速评价的耕地利用方式变化下耕地质量变化区域的空间分布及其和传统因素法的对比分析。结果表明:基于变化向量法得到的耕地质量变化结果与传统的因素法在监测耕地质量水平不变的吻合度在80%~100%以上,耕地质量水平提高的吻合度在16.6%~50%,耕地质量水平下降的吻合度在66.7%~100%。提出的基于变化向量法的耕地质量变化评价模型能对耕地利用方式变化下耕地的质量变化做出正确的评价,评价方法科学、合理、易操作推广,为合理优化配置耕地利用方式提供定量数据支撑。     

基于随机森林算法的耕地面积预测及影响因素重要性分析——以甘肃省庆阳市为例

[目的]分析耕地面积变化影响因素的重要性,以便科学预测耕地资源数量,为保护耕地资源服务。[方法]以属于黄土高原地区的甘肃省庆阳市为例,尝试采用随机森林算法构建耕地面积预测模型,与BP神经网络模型的预测结果进行对比,并对耕地面积变化影响因素重要性进行排序。[结果]随机森林算法预测结果的相对误差和均方根误差均小于BP神经网络的,预测精度高,结果稳定。它预测出2020,2025,2030年的耕地面积分别为4.515×10~5,4.513×10~5,4.512×10~5 hm~2,呈现减少的趋势;主要影响因素重要程度排序为:农业机械总动力农业人口地区生产总值固定资产投资额。[结论]随机森林算法适合于耕地面积预测,且能够测度耕地面积变化影响因素的重要程度。     

基于地理加权回归模型的长江中游地区人均耕地面积变化影响因素分析

[目的]利用GWR模型揭示长江中游地区人均耕地面积变化影响因素的空间异质性,为今后管理该区域耕地资源提供科学依据。[方法]在总结该地区人均耕地面积现状的基础上,分析人均耕地的Moran’s I指数,利用相关年份数据分析了最小二乘法(OLS)和地理加权回归方法(GWR)的差异,采用GWR模型对该区域各市人均耕地面积的影响因素进行分析。[结果](1)城镇化率对人均耕地的影响由正相关向负相关变化,影响程度增强,系数值空间差异较大;(2)人口增长率与人均耕地大部分地区呈负相关,局部地区呈正相关,影响程度减小,空间差异较大;(3)第一产业总产值比重与人均耕地大部分地区呈正相关,局部呈负相关,影响程度下降,空间差异较大;(4)粮食单产与人均耕地由负相关向正相关变化,影响程度增强。[结论]GWR比OLS更能反映影响因素的空间异质性,成功揭示了各因素对人均耕地的影响程度和区域差异。     

基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用

[目的]对基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用进行探讨,为现代农业研究中土壤墒情预测及农业生产提供支持。[方法]基于支持向量回归机方法建立土壤墒情预测模型,利用细菌觅食优化算法优化支持向量机预测模型的相关参数。根据从种植区采集的田间数据对模型进行建模和测试。[结果]与仅利用支持向量回归机和利用粒子群优化的支持向量回归机分别建立的模型进行对比,发现本研究所提算法建立的预测模型的预测效果更佳。[结论]该模型预测效果较好,所建模型已应用于实际项目,预测精度基本满足要求,且运行稳定。进而证明了该研究所提算法的有效性和可行性。