為減少耕地質量評價工作中確定評價指標權重人為因素的影響,選取江西省奉新縣為研究對象,引入機器學習技術,建立基于SVM模型的耕地質量評價模型,探索客觀、高效的耕地質量評價方法。本文應用因素法和SVM模型法分別對奉新縣耕地質量等別進行劃定,通過對比分析兩種方法的評價結果,對兩種方法的優(yōu)劣及適用條件進行了判定。結果表明,與因素法相比,SVM模型法具有等別劃分高效的優(yōu)勢;SVM模型法耕地質量評價結果的正確率高達96.93%,符合耕地質量評價精度要求。應用SVM模型進行耕地質量評價具有測算高效、受人為因素干擾小等優(yōu)點,可以廣泛應用于耕地質量等別更新、新增耕地質量等別劃定等工作。 

【文章來源】：土壤通報. 2020,51(03)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

奉新縣耕地類型分布圖

根據(jù)《農用地質量分等規(guī)程》[3]、《全國耕地地力調查與質量評價技術規(guī)程》[10]推薦指標，結合奉新縣農業(yè)生產狀況、地形地貌、土壤情況和樣點調查數(shù)據(jù)，確定有效土層厚度、有機質含量、耕作層質地、土體構型、障礙層距地表深度、灌溉保障率、排水條件和地面坡度共8個耕地質量評價指標；再運用特爾斐法，邀請專家打分確定指標權重。首先應用常規(guī)質量評價方法———因素法進行耕地質量評價，得到耕地質量評價結果數(shù)據(jù)庫；再從中隨機抽取500組訓練數(shù)據(jù)和200組驗證數(shù)據(jù)，用于SVM模型的建立和驗證；最后，運用SVM模型進行耕地質量評價實踐，將基于SVM模型的評價結果與應用因素法的耕地質量評價結果對比，研究討論因素法和SVM模型法的優(yōu)缺點和適用條件分析。技術路線如圖2所示。2.2 耕地質量評價體系建立

建立在Matlab 2016平臺上，以500組訓練數(shù)據(jù)的耕地質量評價指標為輸入變量，耕地質量等級作為目標函數(shù)。耕地質量等級評價工作屬于非線性分類，故采用C-支持向量模型（C-Support Vector Machines，簡稱C-SVM），需設置懲罰參數(shù)c和內核參數(shù)g,c越大表示對錯誤分類的懲罰越大，經過大量數(shù)據(jù)訓練，本文選取的最優(yōu)懲罰參數(shù)best c=8,best g=0.25，選定高斯核函數(shù)作為SVM模型的最優(yōu)核函數(shù)，構建基于SVM的奉新縣耕地質量評價最優(yōu)模型—model。2.4.4 SVM模型驗證與應用

【參考文獻】：
期刊論文
[1]基于BP神經網絡和支持向量機的農用地分等方法研究[J]. 范勝龍,邱凌婧,茹凱麗,陳巧燕,胡勇.  中國農業(yè)大學學報. 2018(12)
[2]AHP-灰色關聯(lián)度分析法的耕地質量評價——以湖北省襄陽市為例[J]. 曾榮,趙榮,梁勇.  測繪科學. 2018(08)
[3]基于“過程-功能-質量-特性-指標”的耕地質量評價指標體系研究[J]. 溫良友,孔祥斌,張蚌蚌,辛蕓娜,雷鳴,陸明環(huán).  土壤通報. 2017(06)
[4]基于極限條件法與指數(shù)和法的耕地后備資源評價研究——以江西省安義縣為例[J]. 劉亞,鄒自力,張曉平.  湖北民族學院學報(自然科學版). 2016(01)
[5]耕地質量評價研究進展及發(fā)展趨勢[J]. 付國珍,擺萬奇.  資源科學. 2015(02)
[6]基于農用地分等與土地質量地球化學評估的耕地質量監(jiān)測類型研究[J]. 劉霈珈,吳克寧,趙華甫.  資源科學. 2015(01)
[7]耕地質量的概念和評價與管理對策[J]. 沈仁芳,陳美軍,孔祥斌,李永濤,同延安,汪景寬,李濤,魯明星.  土壤學報. 2012(06)
[8]支持向量機理論與算法研究綜述[J]. 丁世飛,齊丙娟,譚紅艷.  電子科技大學學報. 2011(01)
[9]我國農用地分等定級理論與方法探討[J]. 王建國,單艷紅,楊林章.  農業(yè)系統(tǒng)科學與綜合研究. 2002(02)
[10]耕地分等中的土壤質量指標體系與分等方法[J]. 張鳳榮,安萍莉,王軍艷,張軍連,劉黎明,陳煥偉.  資源科學. 2002(02)

博士論文
[1]基于立地條件與地化特征的黑土區(qū)城郊耕地質量變化研究[D]. 李文博.吉林大學 2018
[2]基于遙感和SVM模型的松嫩平原南部耕地質量評價[D]. 歐陽玲.中國科學院大學(中國科學院東北地理與農業(yè)生態(tài)研究所) 2017

碩士論文
[1]基于模糊綜合評價法的德安縣耕地后備資源評價[D]. 席朗.東華理工大學 2017
[2]宜春市耕地質量等別變化研究[D]. 彭智.江西農業(yè)大學 2017



本文編號：3216730