基于粗糙集和支持向量机的标准农田地力等级评价.pdf

文档介绍：第 26卷第 12期自然资源学报 Vol26No1 2
2011年 12月 JOURNALOFNATURALRESOURCES Dec.,201 1
基于粗糙集和支持向量机的标准农田地力等级评价
赖红松,吴次芳
(浙江大学公共管理学院,杭州 310029)
摘要:标准农田是耕地的精华,是确保国家粮食安全的关键。科学评价标准农田地力等级对标
准农田培肥和土壤改良有着重要意义。将粗糙集(RoughSet,RS)理论和支持向量机(Support
VectorMachine,SVM)相结合,提出了基于 RS和 SVM的标准农田地力等级评价方法,同时,利用
遗传算法的并行搜索结构和模拟退火的概率突跳特性,提出了 GASA优化 SVM参数算法。该
方法首先在确定标准农田地力等级评价指标的基础上,利用地力调查样本数据及传统的指数和
法评价结果构建 RS决策表,应用 RS穷尽算法对决策表进行约简,剔除冗余的评价指标,然后
用约简后的评价指标作为 SVM的输入,运用 GASA优化 SVM参数算法对 SVM进行训练,建立
标准农田地力等级的 RSSVM评价模型。应用该方法对温州市鹿城区标准农田地力等级进行
评价,与未用 RS约简的 SVM模型和 BP神经网络模型评价结果进行对比,SVM模型和 BP神经
网络模型的输入指标数均为 15个,其评价正确率分别为 100%和 90%;RSSVM模型的输入指
标数为 14个,其评价正确率分别为 100%,结果表明,该方法通过 RS约简评价指标后,SVM评
价精度并没有降低,但降低了 SVM输入向量维数和计算复杂度,提高了训练效率;SVM 用于标
准农田地力等级评价,具有比 BP神经网络更高的评价精度,可有效用于标准农田地力等级评
价,为耕地地力评价提供了新方法。
关键词:耕地地力评价;标准农田;粗糙集;支持向量机;鹿城区
中图分类号:S158;TP18 文献标志码:A 文章编号:1000-3037(2011)12-2141-14
标准农田是通过土地整理、农业综合开发等方法建成的田成方、渠相通、路相连,林成
网、灌得进、排得出的稳产农田,是耕地中的精华,是现代农业发展的基础。标准农田地力等
级评价是加强标准农田质量建设的基础,是制订标准农田保护、培肥、改良、利用规划的主要
科学依据,是推进标准农田土壤改良,确保粮食生产能力的重要举措。随着计算机和信息技
术的发展,近年来,国内外利用地理信息系统技术,采用数值法进行耕地地力评价研究较多,
如指数和法[17]和人工神经网络法[8]等。传统的指数和法是在确定评价因子及其权重和隶
属度(评分值)的基础上,采用加法模型计算评价单元的综合地力指数,然后根据综合地力
指数分布确定分级方案,划分地力等级。该方法步骤复杂,工作量大,且易受人为主观因素
影响。人工神经网络处理非线性关系的能力虽然较强,但存在网络结构难以确定、局部最优
和泛化能力差等一些难以克服的缺陷[910]。支持向量机(SupportVectorMachine,SVM)是于
20世纪 90年代中期由 VladimirNVapnik等提出的,基于统计学习理论的一种新的机器学
习方法。它通过寻求结构风险最小化来实现经验风险最小化,较好地解决了神经网络的固
有问题,已被成功应用于模式识别、回归分析、时序预测等领域[1113]。和其他学习算法一
收稿日期:2011-03-15;修订日期:2011-08-15。
第一作者简介:赖红松(1967-),男,江西赣县人,博士后,主要从事土地利用规划、土地资源评价和土地资源管理
等研究。Email:maplhs@
书
2 142 自然资源学报 26卷
样,SVM的性能依赖于学习机的参数,但是,目前 SVM参数的选择主要依靠经验和试算,还
没有指导 SVM参数选择的好方法。粗糙集(RoughSet,RS)理论是由波兰数学家 ZPawlak
于 1982年提出的一种处理不完整性和不确定性的数学工具,它不需要预先给定关于数据的
任何附加信息,在保留关键信息的前提下对数据进行化简并求得知识的最小表达,识别并评
估数据之间的依赖关系,从经验数据中获取最小规则,从而在机器学习、决策分析、过程控制
等领域得到了广泛应用[1415]。本文将 RS理论和 SVM相结合,提出基于 RS和 SVM标准农
田地力等级评价方法,同时针对 SVM参数的选择问题,利用遗传算法(icAlgorithms,
GA)[16]的并行搜索结构和模拟退火(SimulatedAnnealing,SA)[17]的概率突跳特性,提出
GASA优化 SVM参数算法,实