基于BP神经网络和支持向量机的耕地质量评价方法研究

发布时间：2020-11-10 04:57

　　 耕地质量是由各影响因子的特点和彼此的作用决定的,客观准确地评价耕地质量,对农业生产具有指导作用。与传统方法相比较,人工神经网络和支持向量机算法不需要确定权重,能够自动模拟各因子间的非线性关系,避免传统评价过程中在确定权重时的人为成分影响,进而客观地得到耕地质量等别信息。本文以福建省长泰县丘陵山地区为实证区,以MATLAB软件为操作平台,将有监督网络学习和无监督网络学习结合,通过无监督网络——自组织特征映射网络(SOM)筛选出2602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将有效土层厚度、有机质含量、坡度、田间道路通达度、海拔、土壤质地和灌溉保证率等7个指标作为输入变量,以耕地自然等指数和等别作为输出变量,分别建立BP神经网络耕地质量评价模型与SVM耕地质量评价模型。结果表明:两种模型均能满足耕地质量评价的精度要求,但综合来看,SVM模型较BP神经网络效果更好,更适合应用于耕地质量评价工作。该研究为耕地质量分等工作提供了新的技术思路。具体研究内容及结论如下:(1)以反向传播人工神经网络为耕地质量评价技术,将10225×7的数据矩阵标准化变换为[0,1]区间里的值,应用SOM聚类法选择2602组数据集作为训练样本,构建7:17:1的网络拓扑结构,进而训练网络。经分析,相对误差小于5%的图斑有2601个,相关系数为0.988,后验差比C为0.16,小误差频率P为0.99,对照精度标准表,结果属于高精度的等级,BP神经网络模型创建成功,可以应用此模型测算其余耕地图斑自然等指数,完成整个区域的耕地质量评价。与应用因素法的评价结果对比,4等地划分正确率为94%,5等地为87%,6等地为60%,9等地为100%,最终评价结果正确率为89%。(2)以支持向量机(SVM)为耕地质量评价方法,将样本数据集输入SVM分类学习器,运行学习器后,比较不同核函数的SVM模型精度,最终选择精确度高达98.9%的Cubic核函数SVM模型,将应用SVM法获得的结果与按传统方法评价的结果做比较,评价结果与实际值具有高度一致性,可将此模型应用于其他耕地图斑,划分耕地等别。与应用因素法的评价结果对比,4等地划分正确率为99%,5等地为98.5%,6等地为94%,9等地为100%,最终评价结果正确率为99%。(3)针对所建立的BP神经网络耕地质量评价模型和支持向量机耕地质量评价模型做进一步比较分析。将BP网络和SVM应用到耕地质量评价,两者整体上的学习能力均很强。应用3层BP神经网络,它拥有非线性变换能力强、大范围数据同时处理、自学习和自适应功能强等优点,将其应用到耕地质量评价,运行速度较快,精度较高,所建耕地质量评价模型泛化功能较强,可以对高维待测样本同时处理,鲁棒性较强。SVM在Cubic核函数的非线性变换作用下,将样本变换到一个高维的特征空间当中,并自动探寻区分能力强的支持向量,构造的分类器可以实现对未知样本类别的划定,具有很好的鲁棒性,不需要人工调整,计算也简单,分类结果准确,推广性能强。但是,BP神经网络隐含层节点数需要经过人工反复测试,才能得到最优参数,拓扑结构也较难以确定;而SVM模型在构建中自动实现参数的最优选择,能够减少人为干预影响。评价过程中,SVM收敛速率较快,用时更少。在精度上,两者均能满足耕地质量评价精度要求,但SVM评价模型精度高于BP神经网络模型,而且SVM泛化能力要高于BP神经网络。总结对照之下,SVM的效果更好,更适用于耕地质量评价。
【学位单位】：福建农林大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：TP18;S159.2
【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景和意义
    1.2 耕地质量评价研究综述
        1.2.1 国外研究进展
        1.2.2 国内研究进展
    1.3 神经网络和支持向量机国内外研究概况
    1.4 研究内容、方法与论文框架
        1.4.1 研究内容
        1.4.2 研究方法
        1.4.3 论文框架
2 理论基础
    2.1 农用地分等理论
    2.2 人工神经网络理论
    2.3 支持向量机理论
3 研究方法与数据
    3.1 建模思路
        3.1.1 农用地分等模型
        3.1.2 人工神经网络模型
        3.1.3 支持向量机模型
    3.2 研究区概况
        3.2.1 自然条件
        3.2.2 土地利用现状
        3.2.3 耕地利用现状
    3.3 数据源及数据预处理
        3.3.1 数据源概况
        3.3.2 数据预处理
4 基于BP神经网络的耕地质量评价模型研究
    4.1 SOM法聚类筛选训练样本
    4.2 BP神经网络结构设计和参数的确定
        4.2.1 确定网络结构
        4.2.2 网络参数设计
        4.2.3 网络训练
    4.3 模型验证与结果分析
5 基于支持向量机的耕地质量评价模型研究
    5.1 训练数据输入
    5.2 分类学习器的训练
    5.3 模型验证与结果分析
    5.4 BP神经网络和SVM的耕地质量评价方法比较
6 结论与展望
    6.1 主要结论
    6.2 研究展望
参考文献
附录 BP和SVM运行代码
    1.1 BP神经网络运行代码
    1.2 SVM分类器应用代码
致谢

【参考文献】

相关期刊论文 前10条

1 李小刚;马友华;张益;黄守营;;基于模糊评价与BP神经网络模型的耕地质量评价对比研究——以淮北平原凤台县为例[J];土壤通报;2015年04期

2 望勇;陈宇晖;;模糊聚类模型在昌平区耕地质量评价中的应用[J];国土资源遥感;2015年04期

3 郄瑞卿;关侠;鄢旭久;窦世翔;赵玲;;基于自组织神经网络的耕地自然质量评价方法及其应用[J];农业工程学报;2014年23期

4 张健;刘定一;;一种应用PSO优化RBF神经网络的方法[J];计算机仿真;2014年11期

5 吕振宇;牛灵安;郝晋珉;沈广城;;基于层次分析法的耕地细碎化程度多指标综合评价研究[J];中国农学通报;2014年26期

6 李晓婷;刘勇;王平;;基于支持向量机的城市土壤重金属污染评价[J];生态环境学报;2014年08期

7 姜雪;卢文喜;杨青春;赵海卿;;应用支持向量机评价土壤环境质量[J];中国环境科学;2014年05期

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

9 吴晓光;郝润梅;苏根成;高淑梅;杨超;迟文峰;;农用土地质量评价研究进展[J];西部资源;2014年01期

10 李雯雯;吴荣涛;;基于层次分析法的伊川县耕地地力评价[J];河南农业大学学报;2013年02期

相关博士学位论文 前3条

1 王玲;基于GIS和RS的干旱区绿洲耕地质量评价方法及应用研究[D];石河子大学;2011年

2 郧文聚;农用地分等及其应用研究[D];中国农业大学;2005年

3 王洪波;系统化耕地质量评价体系的构建与应用[D];中国农业大学;2004年

相关硕士学位论文 前4条

1 陈阳;基于GIS的马关县耕地地力评价方法及其应用研究[D];昆明理工大学;2015年

2 张愉;基于模糊数学方法的复垦耕地适宜性评价[D];成都理工大学;2014年

3 李伟地;基于GIS和模糊聚类分析法的农用地定级研究[D];吉林大学;2013年

4 任祥源;河南省耕地资源可持续利用评价研究[D];河南大学;2011年

本文编号：2877504