基于模糊算法的土壤盐渍化数据挖掘研究

发布时间：2018-04-17 01:07

本文选题：模糊算法 + 数据挖掘　；参考：《新疆大学》2017年硕士论文

【摘要】：土壤盐渍化指的是在特定气候、地质以及土壤质地和人为用水灌溉不当等各种因素的综合作用下,所引起的土地质量退化过程,一般出现在干旱和半干旱区域。盐渍化作为土地荒漠化形式之一,主要分布在我国的西部干旱半干旱地区,是西部农业发展及绿洲生态环境稳定性的主要障碍之一。新疆是典型的干旱区,土壤盐渍化现象普遍存在,盐土类型众多,被誉为世界盐碱土的博物馆。大量的盐渍土造成土壤生产力下降、水土失衡,不仅影响着新疆在我国粮食和棉花生产基地的战略地位,同时对干旱区生态安全和绿洲经济可持续发展造成阻碍。因此,在新疆以防治与改良盐渍化为目标,提取土壤盐渍化信息及把握盐渍化动态变化是具有现实意义的一项工作,能够为土地管理、农业生产及区域规划等相关的政府部门提供重要的决策依据。随着信息技术的快速发展,人类收集的数据量在不断增长。对于这些大量的数据,人类已经不满足利用传统的查询和统计分析来发现更深层的次的规律。因此,近几年来出现了一种新技术——数据挖掘技术。数据挖掘是指从大量,不完全的、模糊的数据中发现隐藏在其中的、人们不好发现的、有利用价值的的信息和知识的过程。无论是在社会科学还是自然科学领域,随处可见各种模糊现象,利用传统的方法很难解决这些模糊性概念,而模糊算法解决了这个难题。近几年来,模糊算法在数据挖掘领域内被广泛应用,实现了巨大的应用价值。土壤盐渍化本身存在着类型定义的模糊性,因此本文通过模糊算法解决土壤盐渍化先天性存在的模糊性,而模糊算法是常用的数据挖掘算法之一,数据挖掘的主要任务有预测、危险度评价以及分类等。因此,本文从数据挖掘的主要任务出发对土壤盐渍化进行分析研究。本文主要研究工作如下:(1)介绍了模糊算法的诞生、发展过程以及它与经典集合理论之间的区别,然后对其基本相关理论进行了逐步介绍。深入了解模糊算法的基本概念以及使用方法,为后续的模糊算法应用中打好基础。(2)针对模糊算法在数据挖掘领域的应用进行了相关研究,在此基础上利用野外考察数据和栅格数据,并对影响土壤盐渍化的影响因子中获取研究相关的指数,对这些资料数据应用于数据挖掘中常用的模糊理论方法,如模糊神经网络预测方法进行了分析。通过模糊神经网络的预测土壤盐分结果表明,绝大部分采样点的实测值与模糊神经网络预测值曲线重合。有些样点的预测值结果出现了一些偏差,从而影响了整体预测效果。相对误差基本上小于1%,平均相对误差为0.2082%,最小误差为0.0012%,最大相对误差为0.9108%。实测值和预测之间的相关系数达到了0.536,说明预测能力良好,并根据模型输出结果对研究区的土壤盐渍化进行危险度评价。(3)遥感影像分类是数据挖掘的重要任务之一,由于遥感影像具有庞大的信息量,而且目前在盐渍化遥感监测中,仍以传统的目视解译或引入辅助量的遥感图像分类方法为主提取盐渍化信息。由于盐渍化先天性存在类型定义本身交叠的问题,造成不同类型间光谱混叠和同一类型内光谱的不均匀性,分类的界限往往不明确,带有较大的模糊性;用传统方法分类精度很难满足实际要求,模糊数学可以弥补该缺陷,模糊分类在遥感信息处理中被广泛应用,可以实现盐渍化信息提取及高精度分类。因此本文利用模糊C-均值聚类法和基于面向对象的模糊分类方法对遥感影像进行了土壤盐渍化信息提取研究,并通过精度评价对两种方法进行了对比分析。结果表明独立成分分析与模糊C-均值算法相结合的分类方法对盐渍地分类具有最好的分类效果及最高的分类精度,分类总体精度达到82.47%、Kappa系数高达0.742,比较单一的模糊C-均值分类提高了4.94%和0.032,比较K-均值聚类法提高了9.8%和0.080,明显提高了分类精度。最后对基于面向对象的模糊分类进行了分析,发现运用模糊算法的面向对象方法在土壤盐渍化遥感影像信息提取中实现了高精度的分类结果,分类精度达到了86.25%,kappa系数为0.826,充分体现了高分一号影像在地物细节方面的优势和应用价值。
[Abstract]:......
【学位授予单位】：新疆大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：S156.41

【参考文献】