基于数据挖掘分类法的农用地分等

应用决策树模型、BP神经网络和Logistic回归模型等分类法,对龙川县农用地分等进行了实证研究,并对各方法的分等结果有效性进行了评价,同时利用混淆矩阵探讨了样本数量对3种模型分类精度的影响。结果表明,样本数量对模型影响有差异,其中对BP神经网络和决策树模型影响较大,在较多训练样本时,模型的精度较高。在较多样本支持下,BP神经网络精度最高,但训练模型的时间较长,可解释性差;决策树模型既具有较高的精度又具有良好的可解释性;Logistic回归模型表现较差。决策树模型最适合龙川县农用地分等工作。研究结果表明,数据挖掘分类法是有效而准确的土地评价方法,有助于提高土地评价的精度和准确性,对农用地分等方法的优化具有一定的借鉴意义。     

BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性

生物炭作为土壤改良剂对半干旱区土壤水分有良好的吸持作用,为确定施加生物炭对土壤水分预测模型适用性的影响,依托黄土高原半干旱区固原生态站开展了小区定位试验。向土壤中施加不同种类及比例的生物炭,定期监测土壤水分含量;考虑土壤含水量的非线性特征以及生物炭对土壤水分的影响,选取BP神经网络和SVM支持向量机两种模型,建立施加生物炭土壤水分预测模型。计算预测值,并与实测值对比,分析相对误差;利用RMSE、MRE、MAE和R2评估BP神经网络和SVM模型的精度。结果表明;BP神经网络预测值的平均相对误差为3.78%,最大误差为13.14%;SVM模型的平均相对误差为0.56%,最大误差为2.42%。SVM模型的RMSE、MRE、MAE值(分别为0.34~0.17,0.07,0.56~1.27)均小于BP神经网络的(分别为1.04~1.16,0.47~0.68,3.78~4.57),且决定系数R2值SVM模型(0.96~0.99)大于BP神经网络(0.56~0.64)。BP神经网络和SVM模型均能很好地预测施加生物炭的土壤水分,但SVM模型预测结果更加稳定,精度较高,更适于施加生物炭土壤水分的预测。该研究可为半干旱地区生物炭还田土壤水分的预测及管理提供理论依据。     

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。     

BP神经网络模型在大凌河中游河流含沙量预测中的应用研究

应用BP神经网络模型对大凌河中游段河流含沙量进行了预测,并结合大凌河中游大城子水文站2000—2014年实测含沙量对比分析了BP神经网络模型在大凌河中游段河流含沙量的预测精度。研究结果表明:BP神经网络模型可用于大凌河中游河段含沙量的趋势预测,模型预测的含沙量和实测含沙量之间相关系数达到0.773 9。研究成果对于大凌河流含沙量预测分析提供参考价值。     

基于SMOTE和多粒度级联森林的泥石流易发性评价

准确的泥石流易发性评价结果对山区泥石流灾害防治具有重要意义。该研究将合成少数类过采样技术（Synthetic Minority Oversampling Technique,SMOTE）和多粒度级联森林（multi-Grained Cascade Forest,gcForest）运用于泥石流易发性评价,以提高泥石流易发性评价精度。以泥石流多发地东川区为例,在解译泥石流点的基础上,以流域单元为评价单元,基于地质、地形和降水等多源数据,初步选取了15个泥石流孕灾因子,并对初选因子进行贡献率分析和多重共线性检验,筛选出共13个因子构建孕灾因子体系;然后采用SMOTE技术对泥石流与非泥石流样本比例不平衡问题进行处理,构建训练数据集;最后构建gcForest模型对研究区泥石流易发性进行定量分析,计算出各个流域单元的泥石流易发性指数,使用自然断点法将其划分为极低易发区、低易发区、中易发区、高易发区和极高易发区5个等级,并与BP神经网络（Back Propagation neural network,BPNN）和随机森林（Random Forest,RF）模型的预测性能进行对比。结果表明,泥石流极低和低易发区主要集中于研究区东部和西部,极高和高易发区主要集中分布于研究区小江河谷两岸和金沙江南岸,该地区地质环境脆弱,危险性较高;结合流域单元建立的山区泥石流易发性评价模型具有很好的准确性和稳定性,其中多粒度级联森林（gcForest）的受试者工作特征曲线（Receiver-Operating Characteristic,ROC）下面积AUC（Area Under Curve）值和准确度（Accuracy,ACC）分别达到91.76%和81.25%,均高于BP神经网络和RF模型的AUC值和ACC值,表明该模型是一种高性能的泥石流易发性评价方法。利用该方法能更精准地对泥石流进行易发性评价,可为山区泥石流防灾减灾提供科学依据。     

基于两种方法的攀西泥石流易发性评价对比分析

泥石流易发性评价是泥石流灾害危险性评价和易损性评价的基础工作,为泥石流灾害预防预测提供依据。利用贡献权重叠加模型(CWS)和基于确定性系数(CF)的确定权重模型,采用多因子评价模型,进行了四川省攀西地区泥石流易发性评价,并结合实际泥石流点,采用频率比对评价结果进行精度检验。结果表明:两种方法得到的易发性分区结果整体分布具有较高的相似性,攀西地区泥石流高、极高易发区主要分布于中部、南部、东部的断层分布地区及雅砻江、金沙江及其支流两岸。基于确定性系数的确定权重模型的评价精度高于贡献权重模型,两种模型的评价结果中高易发区及以上级别分别占实际泥石流点总个数的87.5%,58.22%,频率比分别为6.02,3.71。基于确定性系数确定权重模型的评价结果具有更高的精确性,该方法能有效进行攀西泥石流易发性评价。     

基于支持向量机的标准农田地力等级评价——以浙江省温州市鹿城区为例

提出了一种基于支持向量机(SVM)的标准农田地力等级评价方法,并给出了遗传算法-模拟退火(GASA)优化SVM参数算法。该方法首先在确定标准农田地力等级评价指标的基础上,利用地力调查样本数据及传统的指数和法评价结果构造SVM样本集,然后运用GASA优化SVM参数算法训练SVM,建立标准农田地力等级的SVM评价模型。应用该方法对温州市鹿城区标准农田地力等级进行了评价,结果为:2级田和3级田分别占测试样本代表标准农田总面积(115.7 hm2)的45.04%和54.96%,该方法的评价正确率为100%。应用BP神经网络法对测试样本进行评价,其评价正确率为90%。结果表明,SVM用于标准农田地力等级评价,具有比BP神经网络更高的评价精度,可有效用于标准农田地力等级评价,为耕地地力评价提供了新方法。     

基于遗传算法最小二乘支持向量机的耕地变化预测

针对耕地变化内部规律与模拟方法进行研究,提出最小二乘支持向量机耕地变化预测方法,有效构建耕地变化与耕地变化影响因子之间复杂的非线性关系模型。利用遗传算法全局寻优功能优化最小二乘支持向量机内部参数,提高最小二乘支持向量机耕地变化预测模型精度。利用该模型对江苏无锡市1987－2000年期间耕地变化进行预测,并与多元回归、GM(1,1)、BP网络、支持向量机（SVM）耕地预测模型和实际调查耕地变化数据进行比较分析。预测精度评价结果证实,该方法耕地预测精度远高于多元回归、GM(1,1),BP网络模型,略高于SVM模型,但算法复杂度和计算效率远优于SVM预测模型,是一种有效的耕地变化预测方法。     

基于BP神经网络的土壤墒情预测精度研究——以肥东县为例

本文以肥东县土壤墒情为例,选用BP神经网络模型,对土壤墒情预测进行探究。先介绍神经网络相关理论知识,然后针对模型建立需要确定的参数做了详细说明。着重比较了隔日和五日两种预测结果的精度,结果表明隔日预报精度要高于五日预测精度,得出结论 BP神经网络短期土壤墒情预报能取得较高的精度,对农业生产具有实际指导意义。     

四川省雅安市泥石流灾害危险性评价

[目的]对四川省雅安市泥石流灾害危险性进行评价,为科学合理地预测和应对该区泥石流的发生提供科学依据。[方法]首先构建危险性评价指标体系,选取3类8个评价因子并进行量化分级,再用层次分析法(AHP)给指标赋权重,最后用危险性评价模型叠置分析评价因子,进行雅安市危险度区划,将雅安市范围的泥石流危险性级别分为轻度(Ⅰ)、中度(Ⅱ)、较高(Ⅲ)、高度(Ⅳ)。[结果]宝兴县的Ⅳ区域占比(8.8%)最小,整体泥石流危险性最低。天全县危险性相对偏低。雨城区、芦山县、名山区的Ⅳ级都占比约20.0%,整体泥石流危险性居中;荥经县和汉源县整体泥石流危险性偏高,Ⅳ级占比约45.0%;石棉县的泥石流危险性最高,Ⅳ级区域占比高达57.4%,Ⅲ级区域占比高达24.4%。[结论]加强预防高度危险区的泥石流灾害能力,警惕较高危险区泥石流潜在危险性。采用合理有效的措施(灾害监测,气象预报,植树种草)将雅安市泥石流危险性尽可能降低。     

基于K-means 聚类和ELM神经网络的养殖水质溶解氧预测

为解决养殖水质溶解氧预测传统方法引入不良样本、精度低等问题,该文以2014、2015年江苏常州养殖基地水质和气象数据为基础,提出了一种基于K-means聚类和ELM神经网络（extreme learning machine,ELM）的溶解氧预测模型。采用皮尔森相关系数法确定环境因素与溶解氧的相关系数,自定义相似日的统计量－相似度,通过K-means聚类方法将历史日样本划分为若干类,然后分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的实测环境因素作为预测模型的输入样本建立ELM神经网络溶解氧预测模型。试验结果表明,该模型均具有较快的计算速度和较高的预测精度,在常规天气下,平均绝对百分误差和均方根误差分别达到1.4%、10.8%;在突变天气下,平均绝对百分误差和均方根误差分别达到2.6%和11.6%,有利于水产养殖水质精准调控。     

结合LLE流形学习和支持向量机的猪肉颜色分级

猪肉颜色分级是肉品品质无损检测的重要内容。该文通过对猪肉彩色数字图像颜色规律的分析,结合猪肉红(R)、绿(G)、蓝(B)颜色分量及其亮度和饱和度值,构建了一个新的颜色维度。将采集的1070份猪肉图像样本进行专家分级和标记后,给出了猪肉颜色的特征表示,并利用支持向量机(SVM)进行了颜色分级。试验结果表明,随着训练集样本数的增加,分级准确率有所提高。当将所有样本作为训练集时,分级准确率高达96.5%。针对SVM分级后泛化能力不强的问题,采用流形学习LLE维数变换,使其泛化能力由37%提高近1倍。结果表明LLE可有效改善SVM的分级准确率。该方法可为猪肉品质无损检测的研究与应用提供参考。     

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。     

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。     

基于空间金字塔池化和深度卷积神经网络的作物害虫识别

为了减少因作物害虫姿态多样性和尺度多样性导致其识别精度相对较低的问题,该文将空间金字塔池化与改进的YOLOv3深度卷积神经网络相结合,提出了一种基于空间金字塔池化的深度卷积神经网络农作物害虫种类识别算法,首先对测试图像上的害虫进行检测定位,然后对检测定位出的害虫进行种类识别。通过改进YOLOv3的网络结构,采用上采样与卷积操作相结合的方法实现反卷积,使算法能够有效地检测到图片中体型较小的作物害虫样本;通过对采集到的实际场景下20类害虫进行识别测试,识别精度均值可达到88.07%。试验结果表明,本文提出的识别算法能够有效地对作物害虫进行检测和种类识别。     

基于IOE和SVM模型的府谷镇滑坡易发性分区

将陕西省府谷县府谷镇作为研究区,通过野外实地调查,圈定了47个滑坡点,制作了研究区滑坡编录图。以GIS软件和统计分析模型为基础,开展研究区滑坡易发性分区研究。首先通过GIS软件将滑坡点随机分成训练样本（70%）和测试样本（30%）两组。然后选择坡度、坡向、高程、距断层的距离、距道路的距离、距河流的距离、岩性、土地利用、NDVI、降雨量作为影响因子,提取因子图层。分别应用熵权模型（IOE）和支持向量机模型（SVM）计算滑坡易发性指数,利用自然间断点法将研究区划分为低易发区、中易发区、高易发区和极高易发区。最后利用ROC敏感度曲线下的面积（AUC）分别检验两种模型所得到的分区结果,结果表明,成功率曲线和预测度曲线的AUC值均在0.70～0.90,表明两种模型所得到的分区结果具有较高的精度,都可以为研究区的滑坡防治提供参考。在训练样本和测试样本中SVM模型的AUC值均最高,说明SVM模型比IOE模型适合在研究区开展滑坡预测研究。     

基于图像识别的小麦腥黑穗病害特征提取与分类

小麦的网腥、印度腥与矮腥黑穗病危害小麦生产与人体健康,是出入境检验检疫的重要对象。该文利用小麦腥黑穗病害显微图像,采用图像分析与识别技术进行了小麦的网腥、印度腥及矮腥3类病害的分类识别。在分离出单个病害孢子图像的基础上,提取了3类病害孢子图像的16个形状和纹理特征,通过分析,从中选择小麦病害孢子的6个典型特征,并分别用最小距离法、BP神经网络和支持向量机分类器对提取的96个小麦腥黑穗病害孢子图像进行了分类试验,结果表明:支持向量机法对小麦腥黑穗病的分类识别能力优于最小距离法和BP神经网络,总体识别率达到82.9%。因此,采用图像分析技术和支持向量机识别方法进行小麦腥黑穗病害诊断的方法具有可行性。