本文選題：鳳臺縣 + 地力評價��； 參考：《安徽農(nóng)業(yè)大學(xué)》2015年碩士論文

【摘要】：從1984年開始,農(nóng)業(yè)部就在全國開展地力監(jiān)測和評價工作,耕地地力評價是耕地質(zhì)量的綜合反映,提高評價精準(zhǔn),使其應(yīng)用價值更高,對農(nóng)業(yè)生產(chǎn)據(jù)有重要意義。本文以淮河平原鳳臺縣為例,收集其專題圖數(shù)據(jù)和文本數(shù)據(jù),將專題圖矢量化并在軟件中疊置分析,形成綜合耕地單元。將文本數(shù)據(jù)中異常值剔除,在ArcGIS中轉(zhuǎn)化為點,并插值分析將所有養(yǎng)分數(shù)據(jù)和土壤屬性數(shù)據(jù)賦給耕地單元,建立屬性庫。對于含有屬性庫的耕地單元采用不同方法進行耕地地力評價,并比較評價結(jié)果精準(zhǔn),為此分別通過傳統(tǒng)方法層次分析模糊評價法和人工智能BP神經(jīng)網(wǎng)絡(luò)評價法評價,比較評價精度。首先以通過傳統(tǒng)方法層次分析模糊評價法對耕地單元進行評價,選取與鳳臺縣耕地息息相關(guān)的評價指標(biāo),分別為成土母質(zhì)、地形地貌、耕層質(zhì)地、耕層容重、CEC、pH、有機質(zhì)、有效磷、速效鉀、有效鋅、有效鐵、有效錳、剖面構(gòu)型、耕層厚度、灌溉條件、排澇條件16項評價指標(biāo)。建立層次模型,通過層次總排序算出每個評價指標(biāo)的權(quán)重。再對每個指標(biāo)擬合出相應(yīng)的隸屬函數(shù),賦予其隸屬度,最后累加得出每個耕地單元的評價得分,根據(jù)全國耕地地力等級分級標(biāo)準(zhǔn)分為五個地力等級,得到評價結(jié)果,其中尚塘鄉(xiāng)、朱馬店鎮(zhèn)、楊村鄉(xiāng)、古店鄉(xiāng)和錢廟鄉(xiāng)一二等耕地占這些鄉(xiāng)鎮(zhèn)總耕地面積的90.2%。其次再次通過人工智能神經(jīng)網(wǎng)絡(luò)對鳳臺縣耕地單元再次評價,輸入數(shù)據(jù)為16個評價指標(biāo),輸出數(shù)據(jù)為常年目標(biāo)單產(chǎn)。選取岳張集鎮(zhèn)、顧橋鎮(zhèn)、桂集鎮(zhèn)、城北鎮(zhèn)、新集鎮(zhèn)、劉集鄉(xiāng)、城關(guān)鎮(zhèn)、經(jīng)濟開發(fā)區(qū)和李沖鄉(xiāng)為訓(xùn)練樣本數(shù)據(jù),大興集鎮(zhèn)、關(guān)店鄉(xiāng)和丁集鄉(xiāng)為仿真驗證數(shù)據(jù),尚塘鄉(xiāng)、朱馬店鎮(zhèn)、楊村鄉(xiāng)、古店鄉(xiāng)和錢廟鄉(xiāng)為預(yù)測數(shù)據(jù)。選擇tansig為輸入函數(shù)和purelin為傳遞函數(shù),trainlm為訓(xùn)練函數(shù)建立神經(jīng)網(wǎng)絡(luò)模型。隱含層節(jié)點數(shù)為14,訓(xùn)練精度達0.93以上,已建網(wǎng)絡(luò)能作為預(yù)測模型。用建立好的網(wǎng)絡(luò)模型預(yù)測尚塘鄉(xiāng)、朱馬店鎮(zhèn)、楊村鄉(xiāng)、古店鄉(xiāng)和錢廟鄉(xiāng)五個鄉(xiāng)鎮(zhèn)的耕地單元耕地地力。依據(jù)全國耕地地力標(biāo)準(zhǔn)劃分,其中尚塘鄉(xiāng)、朱馬店鎮(zhèn)、楊村鄉(xiāng)、古店鄉(xiāng)和錢廟鄉(xiāng)一二等耕地占這些鄉(xiāng)鎮(zhèn)總耕地面積的91.3%。最后,把兩種評價方法的評價結(jié)果與真實常年地力結(jié)果進行比較。按鄉(xiāng)鎮(zhèn)統(tǒng)計不同等級地力的數(shù)量比例,并繪制出耕地地力空間分布圖。最終結(jié)果表明神經(jīng)網(wǎng)絡(luò)評價法的一二等耕地的相對誤差為0.04和0.06,均小于傳統(tǒng)方法的0.20和0.11,在各個鄉(xiāng)鎮(zhèn)的空間分布精度上神經(jīng)網(wǎng)絡(luò)的評價結(jié)果較傳統(tǒng)評價更接近真實分布結(jié)果。研究表明在鳳臺縣耕地神經(jīng)網(wǎng)絡(luò)模型評價結(jié)果要比傳統(tǒng)方法層次分析模糊評價法評價結(jié)果優(yōu)越。
[Abstract]:Since 1984, the Ministry of Agriculture has carried out the monitoring and evaluation of land fertility in the whole country. The evaluation of cultivated land fertility is a comprehensive reflection of cultivated land quality, which improves the accuracy of evaluation and makes its application value higher, which is of great significance to agricultural production. This paper takes Fengtai County of Huaihe Plain as an example, collects its thematic map data and text data, vectorizes the thematic map and analyzes it in the software to form a comprehensive cultivated land unit. The outliers in text data are eliminated and transformed into points in ArcGIS. All nutrient data and soil attribute data are assigned to cultivated land unit and attribute database is established by interpolation analysis. For the cultivated land unit with attribute bank, different methods are used to evaluate cultivated land fertility, and the results are compared and accurate. Therefore, the traditional analytic hierarchy process fuzzy evaluation method and artificial intelligence BP neural network method are used to evaluate the cultivated land fertility. Compare the accuracy of evaluation. Firstly, the cultivated land unit is evaluated by the traditional method of AHP fuzzy evaluation, and the evaluation indexes which are closely related to the cultivated land in Fengtai County are selected as soil parent material, topography and geomorphology, topsoil texture, cultivated layer bulk density, pH value of CECU, organic matter, available phosphorus, etc. Available potassium, available zinc, available iron, available manganese, profile configuration, thickness of tilling layer, irrigation condition, drainage condition 16 evaluation indexes. The hierarchical model is established, and the weight of each evaluation index is calculated by the total ranking of the hierarchy. Then fit the corresponding membership function to each index, endow it with the membership degree, finally accumulate the evaluation score of each cultivated land unit, and divide it into five land fertility grades according to the grading standard of the national cultivated land fertility grade, and get the evaluation result. Among them, Shangtang Township, Zhumaadian Town, Yangcun Township, Gudian Township and Qianmiao Township occupy 90.2 of the total cultivated land area of these townships. Secondly, the cultivated land unit in Fengtai county is evaluated again by artificial intelligence neural network. The input data is 16 evaluation indexes and the output data is perennial target yield. Select Yuezhangji Town, Guqiao Town, Guji Town, Chengbei Town, Xinji Town, Liu Ji Township, Chengguan Town, Economic Development Zone and Li Chong Township as training sample data, Daxing Town, Guan Dian Township and Ding Ji Township as simulation verification data, Shangtang Township, Zhu Madian Town, Yangcun Township, Gudian Township and Qianmiao Township are forecasted data. The neural network model is established by selecting tansig as input function and purelin as transfer function trainlm as training function. The number of hidden layer nodes is 14 and the training precision is more than 0.93. The established network can be used as a prediction model. The cultivated land fertility of five townships, Shangtang, Zhumaadian, Yangcun, Gudian and Qianmiao Township, was predicted by using the established network model. According to the national cultivated land fertility standard, the cultivated land in Shangtang, Zhumaadian, Yangcun, Gudian and Qianmiao is 91.3 percent of the total cultivated land area in these towns. Finally, the evaluation results of the two methods are compared with the results of real perennial soil force. The spatial distribution map of cultivated land fertility was plotted according to the quantity ratio of different land fertility in villages and towns. The results show that the relative errors of the first and second grade cultivated land of the neural network evaluation method are 0.04 and 0.06, which are less than 0.20 and 0.11 of the traditional method. The evaluation results of the neural network are closer to the real distribution results in the spatial distribution accuracy of each township than the traditional evaluation. The research shows that the evaluation results of neural network model of cultivated land in Fengtai County are superior to those of traditional analytic hierarchy process fuzzy evaluation method.
【學(xué)位授予單位】：安徽農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：S158

【相似文獻】

相關(guān)期刊論文 前10條

1 陳初紅;鄒忠;周鶴;;耕地地力評價因子權(quán)重及隸屬度的確定[J];現(xiàn)代農(nóng)業(yè)科技;2011年12期

2 李慶民;程鑫;;黑龍江省遜克農(nóng)場耕地地力評價[J];吉林農(nóng)業(yè);2013年03期

3 孫玉香;;甘南縣耕地地力評價工作措施及成效[J];現(xiàn)代農(nóng)業(yè)科技;2013年17期

4 趙斌 ,王玉豐 ,王紹新 ,肖世盛 ,于奎武;遼寧省開展耕地地力評價因素的探討[J];農(nóng)業(yè)經(jīng)濟;2002年12期

5 魯明星;賀立源;吳禮樹;;我國耕地地力評價研究進展[J];生態(tài)環(huán)境;2006年04期

6 陳爭光;蔡德利;;模糊物元分析法在耕地地力評價中的應(yīng)用[J];安徽農(nóng)學(xué)通報;2008年11期

7 閆軍營;;我省對2005年度項目縣耕地地力評價進行省級專項驗收[J];河南農(nóng)業(yè);2009年03期

8 湯建東;;廣東省耕地地力評價指標(biāo)的選取與優(yōu)化[J];廣東農(nóng)業(yè)科學(xué);2009年04期

9 劉永文;樊燕;劉洪斌;;丘陵山地耕地地力評價研究[J];中國農(nóng)學(xué)通報;2009年18期

10 馮秀俊;馮愛華;楊淑華;;耕地地力評價工作報告——以無棣縣為例[J];山東省農(nóng)業(yè)管理干部學(xué)院學(xué)報;2009年04期

相關(guān)會議論文 前8條

1 陳寶政;蔡德利;姜國慶;董桂軍;;黑龍江墾區(qū)耕地地力評價指標(biāo)體系的建立[A];中國土壤學(xué)會第十一屆全國會員代表大會暨第七屆海峽兩岸土壤肥料學(xué)術(shù)交流研討會論文集（中）[C];2008年

2 廖光智;;平壩縣耕地地力評價與種植區(qū)劃研究[A];貴州省土壤學(xué)會2012年學(xué)術(shù)研討會論文集[C];2012年

3 張明剛;張文選;李世江;;關(guān)于耕地地力評價工作的幾點思考[A];貴州省土壤學(xué)會2012年學(xué)術(shù)研討會論文集[C];2012年

4 王晉民;李錚;;耕地地力評價方法探討[A];面向未來的土壤科學(xué)（中冊）——中國土壤學(xué)會第十二次全國會員代表大會暨第九屆海峽兩岸土壤肥料學(xué)術(shù)交流研討會論文集[C];2012年

5 方燦華;馬友華;錢國平;趙艷萍;周福紅;王鵬舉;游建秋;;基于GIS的明光市耕地地力評價[A];中國土壤學(xué)會第十一屆全國會員代表大會暨第七屆海峽兩岸土壤肥料學(xué)術(shù)交流研討會論文集（中）[C];2008年

6 阿拉騰圖雅;玉山;;基于GIS的耕地地力評價方法[A];全國地圖學(xué)與GIS學(xué)術(shù)會議論文集[C];2004年

7 袁永年;劉云生;曹曉燕;王玉鳳;王雪玲;;內(nèi)蒙古阿拉善左旗耕地地力評價專題報告——阿拉善左旗春玉米科學(xué)施肥指導(dǎo)建議[A];科技創(chuàng)新與經(jīng)濟結(jié)構(gòu)調(diào)整——第七屆內(nèi)蒙古自治區(qū)自然科學(xué)學(xué)術(shù)年會優(yōu)秀論文集[C];2012年

8 李丹;鄭海輝;張月鳳;竇森;;基于GIS的耕地地力評價研究——以梅河口市為例[A];土壤資源持續(xù)利用和生態(tài)環(huán)境安全——中國土壤學(xué)會第十一屆二次理事擴大會議暨學(xué)術(shù)會議論文集[C];2009年

相關(guān)重要報紙文章 前6條

1 通訊員 張明;東安耕地地力評價通過驗收排名全省第一[N];永州日報;2009年

2 田有國;耕地地力評價工作取得階段性成果[N];農(nóng)民日報;2008年

3 朱興忠　薛東;甘州縣域耕地資源管理信息系統(tǒng)建立及耕地地力評價項目通過鑒定[N];張掖日報;2010年

4 臧洪燕　牟廣華;完成耕地地力評價[N];長白山日報;2011年

5 記者 邢定生;耕地地力評價指標(biāo)體系專家評估完成[N];玉溪日報;2011年

6 首席記者 王唯先;“進補”營養(yǎng)打造綠色有機沃土[N];牡丹江日報;2012年

相關(guān)博士學(xué)位論文 前1條

1 魯明星;湖北省區(qū)域耕地地力評價及其應(yīng)用研究[D];華中農(nóng)業(yè)大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 方亮;安徽省縣域耕地地力評價規(guī)范研究[D];安徽農(nóng)業(yè)大學(xué);2011年

2 陳陽;基于GIS的馬關(guān)縣耕地地力評價方法及其應(yīng)用研究[D];昆明理工大學(xué);2015年

3 余錦鵬;不同方法在江西省省級耕地地力評價中的應(yīng)用研究[D];江西農(nóng)業(yè)大學(xué);2015年

4 于洋;陜西省耕地土壤養(yǎng)分狀況及耕地地力評價研究[D];西北農(nóng)林科技大學(xué);2016年

5 白樹彬;遼寧省耕地地力評價及地力提升研究[D];沈陽農(nóng)業(yè)大學(xué);2016年

6 銀薪全;赤峰市耕地地力評價研究[D];沈陽農(nóng)業(yè)大學(xué);2016年

7 張孟容;基于分區(qū)決策樹的省級耕地地力評價[D];山西農(nóng)業(yè)大學(xué);2016年

8 陳明明;皖南耕地地力評價區(qū)域匯總研究[D];安徽農(nóng)業(yè)大學(xué);2015年

9 張勤才;基于GIS的蕪湖市耕地地力評價[D];安徽農(nóng)業(yè)大學(xué);2015年

10 李小剛;基于層次分析模糊模型與BP神經(jīng)網(wǎng)絡(luò)的鳳臺縣耕地地力評價研究[D];安徽農(nóng)業(yè)大學(xué);2015年

，

本文編號：2015693