论文部分内容阅读
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。