基于关联规则和模糊判据的土地评价方法

为提高土地评价知识表达的可解释性,使评价结果更能反映土地变化的自然规律与本质特征,提出利用关联规则和模糊判据进行土地评价的方法.并利用所提出的方法对广东省的土地进行了评价.试验结果表明,该方法适于从土地评价数据库中挖掘出易于理解的土地评价规则;当最小支持度分别为0.005、0.003和0.001时,挖掘出的土地评价关联规则数分别为32、54和126条,其中,在最小支持度为0.001时,利用126条土地评价关联规则即能获取高达95.25%的土地评价精度.     

基于SFAM神经网络集成的土地评价

SFAM(Simplified Fuzzy ARTMAP,简化的模糊ARTMAP)神经网络具有自组织反馈、增量式学习和高度复杂映射等特点,是一种较BP神经网络和RBF神经网络等前馈神经网络更优秀的自组织神经网络.为克服SFAM神经网络受输入样本顺序的影响,提高土地评价的精度,提出利用SFAM神经网络集成进行土地评价的方法.并用SFAM神经网络、SFAM神经网络集成、BP神经网络、BP神经网络集成、RBF神经网络和RBF神经网络集成等方法对广东省中山市的土地进行了评价,对评价结果进行了分析和比较,结果表明SFAM神经网络具有比BP神经网络和RBF神经网络更优越的评价性能;对于这三种不同的神经网络,神经网络集成的土壤评价精度分别高于单个神经网络的精度.     

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。     

Windows平台下土地资源评价信息的系统设计与功能实现

根据土地资源的特点及土地评价的原理，在微机软、硬件系统支持下，基于Ｗｉｎｄｏｗｓ平台，建立了土地资源评价信息系统（ＬＡＩＳ），该系统具有建库、增加、修改、删除数据等数据编辑和维护功能；在分析了多种土地评价因子类型基础上，根据模糊数学理论，归纳出了４种因子隶属函数模型；并将层次分析（ＡＨＰ）的原理与方法引入土地评价以确定参评因子的权重，将这些模型方法与系统集成快速完成土地评价；该系统与ＡＲＣ／ＩＮＦＯ连接或通讯，实现了空间数据的输入和土地评价专题图件的输出，以完成土地资源评价任务。     

基于遗传模糊神经网络算法的棉花轧花过程智能监控方法研究

针对棉花轧花过程质量控制，这类缺乏精确数学描述的复杂实际对象，提出了基于遗传模糊神经网络的智能监控新方法，描述了遗传神经网络ＢＰ算法的工作原理，阐明了基于人的模糊经验规则实现的轧花过程控制的模型和学习算法。所提出的遗传算法同模糊神经网络相结合的方法提高了轧花过程监控的实时性，并具有预报性好的特点。     

基于GIS和模糊数学方法的多方案下农用土地多宜性评价

在可持续发展理论的指导下，以湖北省潜江市后湖农场流塘分场为研究对象，运用地理信息系统(GIS)和模糊综合评价方法，建立了最大生产潜力和最高经济效益两种方案下的土地评价系统。系统中针对不同方案、不同作物分别确立不同的评价指标体系及评价指标分级标准，采用标准化函数的方法对分级标准及评价指标值进行标准化，应用模糊综合评判法和GIS技术确定各评价单元的适宜性等级并绘制土地多宜性评价专题图。结果表明：流塘分场的大部分地区在两种方案下多宜性均较好，该结果符合当地实际，客观可行。     

基于近红外光谱技术的大米品种快速鉴别方法

为探索大米无损检测技术，提出了一种基于可见-近红外光谱技术快速、无损鉴别大米品种的新方法。首先采用主成分分析法对大米品种进行聚类，然后利用小波变换技术提取光谱特征信息，把光谱特征信息作为人工神经网络的输入建立品种识别模型，对大米品种进行鉴别。从每种大米60个样本共计180个样本中随机抽取150个样本（每种50个样本）用来建立神经网络模型，剩下的30个大米样本用于预测。品种识别准确率达到100%。说明所提出的方法具有很好的分类和鉴别作用，为大米的品种鉴别提供了一种新方法。     

基于GIS和DEM的北京西部山区经济林果适宜性评价

山区地形多变,造成了自然资源立体差异显著,如何定量表示各种农业资源在山区的具体分布状况和建立土地评价模型,是山区资源开发利用和农业结构调整所需要的。该文利用数字高程模型,建立山区日照的地形遮蔽分析模型,在此基础上可进行任一时间、位置的日照时数,辐射等气候因子的地形校正,同时利用统计模型和GISSpline插值技术对温度、降水进行简单的地形校正,与土壤质地图、土壤母质图、土壤厚度图以及土壤pH图,坡度、坡向和海拔高度一起建立了评价因素数据库,从而为土地评价、生态环境分析等领域提供基本参数。以果树适宜性评价为例,利用模糊隶属度函数表征和量化了果树生长生态要求和生态评价因素间的关系,有利于评价专家知识和关系的简化计算。采用简单的等权求和完成多评价因素综合,回避权值确定的主观性等复杂问题。最后以7种有发展潜力的果树利用该评价模型,以门头沟为例,进行了实证研究。除樱桃外,其余6种果树高度适宜的面积都在上千或万公顷以上,因此该区有极大的经济果林发展潜力。该区域现在的果树面积与20世纪90年代初期相比,扩大了3倍多。该评价结果帮助当地政府确立了林果特色经济发展区的农业结构调整政策。通过DEM校正技术,可以较为准确地建立山区生态因子数据库,通过模糊隶属度函数可完成定性和定量的土地评价知识的综合表示,通过等权求和方法,在GIS技术的支持下可以准确快速完成评价过程,从而为山区综合可持续发展服务     

节水灌溉工程模糊神经网络综合评价模型研究

以模糊理论与神经网络相结合，提出了节水农业灌溉工程模糊神经网络综合评价方法，该方法网络识别率超过传统的方法，克服了模糊系统中的精度问题，其效果又比仅使用人工神经网络系统理论系统的优越。结合河南某节水农业试范区，进行了节水灌溉工程模糊神经网络综合评价分析，评判结果合理、方法简便实用。     

离散小波变换和BP神经网络识别玉米种子纯度

摘要：为快速有效地识别玉米种子纯度,针对玉米种子图像特征,对其图像处理方法和分类算法进行研究,提出一种基于离散小波变换和BP神经网络玉米种子纯度识别算法。该方法首先提取玉米种子冠部核心区域的RGB颜色模型特征参数,然后对三个色彩分量分别进行二层离散小波变换,提取各频带区域均值作为BP神经网络的输入样本,玉米种子的纯度分类作为神经网络的输出样本。实验结果表明该方法可准确识别玉米纯度并分类,正确识别率达94.5%。     

基于模糊神经网络集成的土壤资源评价性能的改进

Land evaluation factors often contain continuous-, discrete- and nominal-valued attributes. In traditional land evaluation, these different attributes are usually graded into categorical indexes by land resource experts, and the evaluation results rely heavily on experts＇ experiences. In order to overcome the shortcoming, we presented a fuzzy neural network ensemble method that did not require grading the evaluation factors into categorical indexes and could evaluate land resources by using the three kinds of attribute values directly. A fuzzy back propagation neural network （BPNN）, a fuzzy radial basis function neural network （RBFNN）, a fuzzy BPNN ensemble, and a fuzzy RBFNN ensemble were used to evaluate the land resources in Guangdong Province. The evaluation results by using the fuzzy BPNN ensemble and the fuzzy RBFNN ensemble were much better than those by using the single fuzzy BPNN and the single fuzzy RBFNN, and the error rate of the single fuzzy RBFNN or fuzzy RBFNN ensemble was lower than that of the single fuzzy BPNN or fuzzy BPNN ensemble, respectively. By using the fuzzy neural network ensembles, the validity of land resource evaluation was improved and reliance on land evaluators＇ experiences was considerably reduced.     

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。     

基于神经网络的土壤肥力综合评价

基于BP神经网络算法的模糊综合评判法对深州市土壤肥力进行等级评价,结果表明,该方法比主成分分析改进的模糊综合评判法更客观、稳定,适用性强,深州市至少89.1%的耕地肥力处于中下等水平;同时利用GIS的插值技术,生成土壤肥力评价图,为深州市的土壤改良和测土培肥提供一定依据。     

Artificial neural network for estimating monthly reference evapotransiration under arid and semi arid environments

The objective of this study is to investigate the potential of artificial neural networks (ANNs) for estimating reference monthly evapotranspiration under arid and semi-arid environments. A simple leave one out data analysis was carried out; one neural network solution on six inputs and another six network solutions on five inputs for each monitoring station were done. Comparison of the results showed that the accuracy of ANNs is decreased when relative humidity, wind speed and solar or extraterrestrial radiation are excluded as input variables. The results also showed that monthly evapotranspiration could be computed with relatively good accuracy compared with local calibrated Hargreaves equation based on air temperature using trained ANNs at another location. We conclude, based on our overall results, that temperature-based method ANNs can be used with relatively good accuracy for water resource management, irrigation scheduling and management, and environmental assessment when data are not enough using trained ANNs from another location.     

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。     

土地整理效益项目后综合评价方法

论文借鉴多目标多层次指标体系综合评价的理论与方法，以宁阳县伏山土地整理项目为例，构建了包括技术、经济效益、社会效益、景观与生态环境效益指标的土地整理效益项目后评价指标体系。采用特尔菲法和层次分析法相互校正的方法综合确定各评价指标权重，根据评价指标对项目成功度的效应建立各评价指标的模糊分布函数，在此基础上通过模糊综合评判得到土地整理效益项目成功度的评价结果。研究结果可供土地整理项目后的综合评价提供参考。     

矿山土壤特性及其分类研究进展

矿山土分类是认识矿山土壤的基础,对矿山土壤系统分类研究是进行矿山土壤改良和植被重建的重要基础。本文从物理、化学、生物和污染4个方面阐述了矿山土壤特性的变化及其对矿山土壤系统分类的影响,并对分类名称、依据、指标体系和分类方法的相关研究进展进行了综述。目前,矿山土壤系统分类大多以其特有属性作为分类指标,运用光谱技术、模糊均值法和神经网络模型等方法完成分类。但这些方法都有其自身的优缺点,建议今后因地制宜地选取定量化分类指标,探索将主成分分析等数学模型与光谱等技术相结合的方法进行矿山土壤系统分类,以期为今后矿山土地复垦与利用提供科学依据。