CN106682695A - 一种基于支持向量机的县域耕地自然质量评价方法 - Google Patents
一种基于支持向量机的县域耕地自然质量评价方法 Download PDFInfo
- Publication number
- CN106682695A CN106682695A CN201611238464.1A CN201611238464A CN106682695A CN 106682695 A CN106682695 A CN 106682695A CN 201611238464 A CN201611238464 A CN 201611238464A CN 106682695 A CN106682695 A CN 106682695A
- Authority
- CN
- China
- Prior art keywords
- model
- natural quality
- training
- evaluation
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于支持向量机的县域耕地自然质量评价方法,包括从县域耕地质量评价成果空间数据库中将县域内每块耕地图斑的全部指标数据导出;对于每一指标数据的实际值根据其实际值所属的量化区间范围进行评分;对评分后的指标数据进行归一化处理得到归一化后的指标评分数据;从归一化后的指标评分数据中抽取训练样本和检验样本并建立支持向量机自然质量评价模型,利用训练样本以评价指标作为输入,自然质量分作为输出对模型进行模型训练;以任意县域内图斑的归一化后评价指标作为模型输入,通过模型运算得到相应的该图斑的自然质量分输出。本发明可为县域耕地自然质量评价提供科学依据,客观、准确地对县域耕地自然质量进行评价。
Description
技术领域
本发明涉及耕地质量调查评价领域,具体涉及一种基于支持向量机的县域耕地自然质量评价方法。
背景技术
随着我国对保证粮食安全工作的重视不断升高,对现有耕地的质量进行调查评价已经成为我国的年度周期性工作。耕地质量评价成果对于国家从宏观上掌握我国耕地数量和质量的变化,保持我国农业的可持续发展具有重要意义。因此,客观、准确的进行耕地质量评价具有十分重要的现实意义。
目前,主要的耕地质量评价方法是在地理信息系统平台上,利用加权平均法求出耕地质量自然等,继而利用系数对自然等进行修正得到耕地质量利用等、经济等。但通过目前所采用的耕地质量评价方法进行的耕地质量调查评价工作,其评价结果易受到多方面的主观性影响,如技术人员的操作等,导致评价结果的客观性、准确性不够高。
发明内容
针对现有技术中的缺陷,本发明提供一种基于支持向量机的县域耕地自然质量评价方法,本发明可为县域耕地自然质量评价提供科学依据,客观、准确地对县域耕地自然质量进行评价。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供了一种基于支持向量机的县域耕地自然质量评价方法,包括:
S1、从县域耕地质量评价成果空间数据库中将县域内每块耕地图斑的全部指标数据导出;
S2、对于每一指标数据的实际值,根据其实际值所属的量化区间范围进行评分,每一量化区间范围都有对应的分值;
S3、对评分后的各个指标数据进行归一化处理,得到归一化后的指标评分数据;
S4、从归一化后的指标评分数据中抽取训练样本和检验样本,并建立选取完成核函数和参数的支持向量机自然质量评价模型,利用训练样本,以评价指标作为输入,自然质量分作为输出对模型进行模型训练;并用检验样本对训练后的模型精度进行测试,根据测试精度调试模型,直至模型精度达到预设要求,完成模型的训练;
S5、以任意县域内图斑的归一化后评价指标作为模型输入,通过模型运算得到相应的该图斑的自然质量分输出。
进一步地,所述S3包括:
对评分后的各个指标数据,分别利用如下公式进行归一化处理,
其中,Y为归一化后的指标评分数据,xi为评分后的指标数据,xmax为指标评分规则中设置的最高分值,xmin为指标评分规则中设置的最低分值;其中,归一化后所有指标评分数据的值都被规整到[0,1]范围内。
进一步地,所述S4包括:
S41、采用K-折交叉验证法选取支持向量机的惩罚参数和核函数参数,包括如下步骤:
将原始数据分成K组,使每个子集数据分别做一次验证集,同时其余的K-1组数据作为训练集,得到K个模型,用这K个模型最终的验证集的分类准确率的平均数作为K-折交叉验证下支持向量机的参数;K≥2;
S42、基于步骤S41选取的惩罚参数以及核函数参数建立支持向量机自然质量评价模型;
S43、从归一化后的指标评分数据中抽取训练样本和检验样本,利用训练样本,以评价指标作为输入,自然质量分作为输出对步骤S42建立的模型进行模型训练;并用检验样本对训练后的模型精度进行测试,根据测试精度调试模型,直至模型精度达到预设要求,完成模型的训练。
进一步地,在抽取训练样本和检验样本时采用随机抽样的方式进行抽取。
进一步地,训练样本的选取数量占县域内参与耕地自然质量评价的图斑总数的十分之九,验证样本的选取数量占县域内参与耕地自然质量评价的图斑总数的十分之一。
第二方面,本发明还提供了一种基于支持向量机的县域耕地自然质量评价系统,包括:
数据预处理模块,用于从县域耕地质量评价成果空间数据库中导出的耕地图斑的每一指标数据的实际值,根据其实际值所属的量化区间范围进行评分,每一量化区间范围都有对应的分值,然后对评分后的各个指标数据进行归一化处理,得到归一化后的指标评分数据;
模型训练模块,用于从归一化后的指标评分数据中抽取训练样本和检验样本,并建立选取完成核函数和参数的支持向量机自然质量评价模型,利用训练样本,以评价指标作为输入,自然质量分作为输出对模型进行模型训练;并用检验样本对训练后的模型精度进行测试,根据测试精度调试模型,直至模型精度达到预设要求,完成模型的训练;
评价模块,用于以任意县域内图斑的归一化后评价指标作为模型输入,通过模型运算得到相应的该图斑的自然质量分输出。
进一步地,所述数据预处理模块具体用于:
对评分后的各个指标数据,分别利用如下公式进行归一化处理,
其中,Y为归一化后的指标评分数据,xi为评分后的指标数据,xmax为指标评分规则中设置的最高分值,xmin为指标评分规则中设置的最低分值;其中,归一化后所有指标评分数据的值都被规整到[0,1]范围内。
进一步地,所述模型训练模块具体用于:
采用K-折交叉验证法选取支持向量机的惩罚参数和核函数参数:将原始数据分成K组,使每个子集数据分别做一次验证集,同时其余的K-1组数据作为训练集,得到K个模型,用这K个模型最终的验证集的分类准确率的平均数作为K-折交叉验证下支持向量机的参数;K≥2;
基于选取的惩罚参数以及核函数参数建立支持向量机自然质量评价模型;
从归一化后的指标评分数据中抽取训练样本和检验样本,利用训练样本,以评价指标作为输入,自然质量分作为输出对建立的模型进行模型训练;并用检验样本对训练后的模型精度进行测试,根据测试精度调试模型,直至模型精度达到预设要求,完成模型的训练。
进一步地,所述模型训练模块在抽取训练样本和检验样本时采用随机抽样的方式进行抽取。
进一步地,训练样本的选取数量占县域内参与耕地自然质量评价的图斑总数的十分之九,验证样本的选取数量占县域内参与耕地自然质量评价的图斑总数的十分之一。
由上述技术方案可知,本发明提供的基于支持向量机的县域耕地自然质量评价方法,可以客观、准确地对县域耕地自然质量进行评价,通过利用训练样本对支持向量机模型进行训练,不涉及到权重,能够有效避免由于主观判断制定标准所造成的误差,进而可以更客观地反映耕地自然质量的实际情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的基于支持向量机的县域耕地自然质量评价方法的流程图;
图2是本发明另一实施例提供的基于支持向量机的县域耕地自然质量评价系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明一实施例提供的基于支持向量机的县域耕地自然质量评价方法的流程图,参见图1,该方法包括如下步骤:
步骤101:从县域耕地质量评价成果空间数据库中将县域内每块耕地图斑的全部指标数据导出。
步骤102:对于每一指标数据的实际值,根据其实际值所属的量化区间范围进行评分,每一量化区间范围都有对应的分值。
在本步骤中,为使各评价指标可比,需使各指标的度量单位统一,故对各指标数据进行评分,对于每一评价指标数据的实际值,根据其实际值的所属的量化区间范围进行评分,每一量化区间范围都有对应的分值。该分值为根据《农用地质量分等规程》(GB/T 28407-2012)标准中附录C所示的评价指标分值确定的分值。
步骤103:对评分后的各个指标数据进行归一化处理,得到归一化后的指标评分数据。
步骤104:从归一化后的指标评分数据中抽取训练样本和检验样本,并建立选取完成核函数和参数的支持向量机自然质量评价模型,利用训练样本,以评价指标作为输入,自然质量分作为输出对模型进行模型训练;并用检验样本对训练后的模型精度进行测试,根据测试精度调试模型,直至模型精度达到预设要求,完成模型的训练。
在本步骤中,建立支持向量机自然质量评价模型所使用的核函数可以为径向基核函数,其表达式:
K(xi,x)=exp(-γ||xi-x||2)
其中,K(xi,x)为核函数,xi为训练样本的向量,x为测试数据向量,γ为影响核函数的主要参数,即核函数半径;
此外,建立支持向量机自然质量评价模型所使用的核函数还可以为多项式核函数或Sigmoid核函数,其中,多项式核函数的表达式为:
K(xi,x)=[γ(xi·x)+coef]d
以及,Sigmoid核函数的表达式为:
K(xi,x)=tanh[γ(xi·x)+coef]
其中,K(xi,x)为核函数,xi为训练样本的向量,x为测试数据向量,γ为影响核函数的主要参数,即核函数半径;d为多项式的阶数,coef为偏执系数。
步骤105:以任意县域内图斑的归一化后评价指标作为模型输入,通过模型运算得到相应的该图斑的自然质量分输出。
在本步骤中,作为基于支持向量机自然质量评价模型输出的是自然质量分。
由上面描述可知,本发明实施例建立的县域耕地自然质量评价模型是基于支持向量机算法的,且该模型是以县域内所有耕地图斑的归一化后指标数据作为输入以各分等单元的自然质量分作为输出来实现耕地自然质量评价的。在本实施例中,由于作为基于支持向量机的质量评价模型输入的评价指标是统一标准的指标体系,故本实施例提供的评价方法对于同一指标体系下的县域均适用。
由上述技术方案可知,本发明实施例提供的基于支持向量机的县域耕地自然质量评价方法,可以客观、准确地对县域耕地自然质量进行评价,通过利用训练样本对支持向量机模型进行训练,不涉及到权重,能够有效避免由于主观判断制定标准所造成的误差,进而可以更客观地反映耕地自然质量的实际情况。本发明实施例提供的基于支持向量机的县域耕地自然质量评价方法能为市域、省域乃至全国的耕地自然质量评价提供有利参考。
在一种可选实施方式中,所述步骤103包括:
对评分后的各个指标数据,分别利用如下公式进行归一化处理,
其中,Y为归一化后的指标评分数据,xi为评分后的指标数据,xmax为指标评分规则中设置的最高分值,xmin为指标评分规则中设置的最低分值;其中,归一化后所有指标评分数据的值都被规整到[0,1]范围内。
由于基于支持向量机的耕地自然质量评价方法中所采用的支持向量机质量评价模型精度的优劣主要受其惩罚参数和核函数参数γ的影响,故在本实施例的一种可选实施方式中,采用K-折交叉验证法选取支持向量机的惩罚参数和核函数参数,以保证支持向量机质量评价模型的精度。
在一种可选实施方式中,所述步骤104包括:
步骤1041、采用K-折交叉验证法选取支持向量机的惩罚参数和核函数参数。
在本步骤中,支持向量机的惩罚参数C用于控制分类超平面的复杂性和不可分离点数之间的平衡,而核函数参数主要指核函数半径γ。
在本步骤中,采用K-折交叉验证法选取支持向量机的惩罚参数和核函数参数具体包括如下步骤:
将原始数据分成K组,使每个子集数据分别做一次验证集,同时其余的K-1组数据作为训练集,得到K个模型,用这K个模型最终的验证集的分类准确率的平均数作为K-折交叉验证下支持向量机的参数;K≥2。一般来说,K大于或等于2即可,优选地取K大于或等于3,这种方法避免过学习或欠学习状态的发生效果较好,得到的支持向量机参数选取结果说服力较强。
步骤1042、基于步骤1041选取的惩罚参数以及核函数参数建立支持向量机自然质量评价模型。
步骤1043、从归一化后的指标评分数据中抽取训练样本和检验样本,利用训练样本,以评价指标作为输入,自然质量分作为输出对步骤1042建立的模型进行模型训练;并用检验样本对训练后的模型精度进行测试,根据测试精度调试模型,直至模型精度达到预设要求,完成模型的训练。
可以理解的是,对于已经训练并调试完成的模型,将任意同一指标区内的县级图斑的归一化评价指标数据作为模型输入,即可得到相应耕地图斑的自然质量分输出。
在一种可选实施方式中,在抽取训练样本和检验样本时采用随机抽样的方式进行抽取,这样能够对模型的稳定性和适用性进行检验,训练样本的选取过于固定、典型容易使模型出现“过拟合”的现象,而不能使已经建立好的模型在普遍条件下适用。
在一种可选实施方式中,训练样本的选取数量占县域内参与耕地自然质量评价的图斑总数的十分之九,验证样本的选取数量占县域内参与耕地自然质量评价的图斑总数的十分之一。
本发明另一实施例提供了一种基于支持向量机的县域耕地自然质量评价系统,参见图2所示的装置结构图,该装置包括:数据预处理模块21、模型训练模块22和评价模块23,其中:
数据预处理模块21,用于从县域耕地质量评价成果空间数据库中导出的耕地图斑的每一指标数据的实际值,根据其实际值所属的量化区间范围进行评分,每一量化区间范围都有对应的分值,然后对评分后的各个指标数据进行归一化处理,得到归一化后的指标评分数据;
模型训练模块22,用于从归一化后的指标评分数据中抽取训练样本和检验样本,并建立选取完成核函数和参数的支持向量机自然质量评价模型,利用训练样本,以评价指标作为输入,自然质量分作为输出对模型进行模型训练;并用检验样本对训练后的模型精度进行测试,根据测试精度调试模型,直至模型精度达到预设要求,完成模型的训练;
评价模块23,用于以任意县域内图斑的归一化后评价指标作为模型输入,通过模型运算得到相应的该图斑的自然质量分输出。
在一种可选实施方式中,所述数据预处理模块21具体用于:
对评分后的各个指标数据,分别利用如下公式进行归一化处理,
其中,Y为归一化后的指标评分数据,xi为评分后的指标数据,xmax为指标评分规则中设置的最高分值,xmin为指标评分规则中设置的最低分值;其中,归一化后所有指标评分数据的值都被规整到[0,1]范围内。
在一种可选实施方式中,所述模型训练模块22具体用于:
采用K-折交叉验证法选取支持向量机的惩罚参数和核函数参数:将原始数据分成K组,使每个子集数据分别做一次验证集,同时其余的K-1组数据作为训练集,得到K个模型,用这K个模型最终的验证集的分类准确率的平均数作为K-折交叉验证下支持向量机的参数;K≥2;
基于选取的惩罚参数以及核函数参数建立支持向量机自然质量评价模型;
从归一化后的指标评分数据中抽取训练样本和检验样本,利用训练样本,以评价指标作为输入,自然质量分作为输出对建立的模型进行模型训练;并用检验样本对训练后的模型精度进行测试,根据测试精度调试模型,直至模型精度达到预设要求,完成模型的训练。
在一种可选实施方式中,所述模型训练模块22在抽取训练样本和检验样本时采用随机抽样的方式进行抽取。
在一种可选实施方式中,训练样本的选取数量占县域内参与耕地自然质量评价的图斑总数的十分之九,验证样本的选取数量占县域内参与耕地自然质量评价的图斑总数的十分之一。
本发明实施例提供的基于支持向量机的县域耕地自然质量评价系统,可以用于执行上述实施例所述的基于支持向量机的县域耕地自然质量评价方法,其原理和技术效果类似,此处不再赘述。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于支持向量机的县域耕地自然质量评价方法,其特征在于,包括:
S1、从县域耕地质量评价成果空间数据库中将县域内每块耕地图斑的全部指标数据导出;
S2、对于每一指标数据的实际值,根据其实际值所属的量化区间范围进行评分,每一量化区间范围都有对应的分值;
S3、对评分后的各个指标数据进行归一化处理,得到归一化后的指标评分数据;
S4、从归一化后的指标评分数据中抽取训练样本和检验样本,并建立选取完成核函数和参数的支持向量机自然质量评价模型,利用训练样本,以评价指标作为输入,自然质量分作为输出对模型进行模型训练;并用检验样本对训练后的模型精度进行测试,根据测试精度调试模型,直至模型精度达到预设要求,完成模型的训练;
S5、以任意县域内图斑的归一化后评价指标作为模型输入,通过模型运算得到相应的该图斑的自然质量分输出。
2.根据权利要求1所述的方法,其特征在于,所述S3包括:
对评分后的各个指标数据,分别利用如下公式进行归一化处理,
其中,Y为归一化后的指标评分数据,xi为评分后的指标数据,xmax为指标评分规则中设置的最高分值,xmin为指标评分规则中设置的最低分值;其中,归一化后所有指标评分数据的值都被规整到[0,1]范围内。
3.根据权利要求1所述的方法,其特征在于,所述S4包括:
S41、采用K-折交叉验证法选取支持向量机的惩罚参数和核函数参数,包括如下步骤:
将原始数据分成K组,使每个子集数据分别做一次验证集,同时其余的K-1组数据作为训练集,得到K个模型,用这K个模型最终的验证集的分类准确率的平均数作为K-折交叉验证下支持向量机的参数;K≥2;
S42、基于步骤S41选取的惩罚参数以及核函数参数建立支持向量机自然质量评价模型;
S43、从归一化后的指标评分数据中抽取训练样本和检验样本,利用训练样本,以评价指标作为输入,自然质量分作为输出对步骤S42建立的模型进行模型训练;并用检验样本对训练后的模型精度进行测试,根据测试精度调试模型,直至模型精度达到预设要求,完成模型的训练。
4.根据权利要求1所述的方法,其特征在于,在抽取训练样本和检验样本时采用随机抽样的方式进行抽取。
5.根据权利要求1所述的方法,其特征在于,训练样本的选取数量占县域内参与耕地自然质量评价的图斑总数的十分之九,验证样本的选取数量占县域内参与耕地自然质量评价的图斑总数的十分之一。
6.一种基于支持向量机的县域耕地自然质量评价系统,其特征在于,包括:
数据预处理模块,用于从县域耕地质量评价成果空间数据库中导出的耕地图斑的每一指标数据的实际值,根据其实际值所属的量化区间范围进行评分,每一量化区间范围都有对应的分值,然后对评分后的各个指标数据进行归一化处理,得到归一化后的指标评分数据;
模型训练模块,用于从归一化后的指标评分数据中抽取训练样本和检验样本,并建立选取完成核函数和参数的支持向量机自然质量评价模型,利用训练样本,以评价指标作为输入,自然质量分作为输出对模型进行模型训练;并用检验样本对训练后的模型精度进行测试,根据测试精度调试模型,直至模型精度达到预设要求,完成模型的训练;
评价模块,用于以任意县域内图斑的归一化后评价指标作为模型输入,通过模型运算得到相应的该图斑的自然质量分输出。
7.根据权利要求6所述的耕地自然质量评价系统,其特征在于,所述数据预处理模块具体用于:
对评分后的各个指标数据,分别利用如下公式进行归一化处理,
其中,Y为归一化后的指标评分数据,xi为评分后的指标数据,xmax为指标评分规则中设置的最高分值,xmin为指标评分规则中设置的最低分值;其中,归一化后所有指标评分数据的值都被规整到[0,1]范围内。
8.根据权利要求6所述的耕地自然质量评价系统,其特征在于,所述模型训练模块具体用于:
采用K-折交叉验证法选取支持向量机的惩罚参数和核函数参数:将原始数据分成K组,使每个子集数据分别做一次验证集,同时其余的K-1组数据作为训练集,得到K个模型,用这K个模型最终的验证集的分类准确率的平均数作为K-折交叉验证下支持向量机的参数;K≥2;
基于选取的惩罚参数以及核函数参数建立支持向量机自然质量评价模型;
从归一化后的指标评分数据中抽取训练样本和检验样本,利用训练样本,以评价指标作为输入,自然质量分作为输出对建立的模型进行模型训练;并用检验样本对训练后的模型精度进行测试,根据测试精度调试模型,直至模型精度达到预设要求,完成模型的训练。
9.根据权利要求6所述的耕地自然质量评价系统,其特征在于,所述模型训练模块在抽取训练样本和检验样本时采用随机抽样的方式进行抽取。
10.根据权利要求6所述的耕地自然质量评价系统,其特征在于,训练样本的选取数量占县域内参与耕地自然质量评价的图斑总数的十分之九,验证样本的选取数量占县域内参与耕地自然质量评价的图斑总数的十分之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611238464.1A CN106682695A (zh) | 2016-12-28 | 2016-12-28 | 一种基于支持向量机的县域耕地自然质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611238464.1A CN106682695A (zh) | 2016-12-28 | 2016-12-28 | 一种基于支持向量机的县域耕地自然质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106682695A true CN106682695A (zh) | 2017-05-17 |
Family
ID=58871929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611238464.1A Pending CN106682695A (zh) | 2016-12-28 | 2016-12-28 | 一种基于支持向量机的县域耕地自然质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682695A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190879A (zh) * | 2018-07-18 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 一种训练改编水平评价模型、评价改编水平的方法及装置 |
CN110119869A (zh) * | 2019-03-18 | 2019-08-13 | 中国农业大学 | 一种移动式耕地质量和/或耕地产能调查评价系统及方法 |
CN111783516A (zh) * | 2020-03-27 | 2020-10-16 | 南京大学 | 一种基于深度学习的耕地质量自然等级评价方法 |
CN113282572A (zh) * | 2021-07-20 | 2021-08-20 | 湖南省第二测绘院 | 一种耕地网格化划分的方法、系统及终端设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073869A (zh) * | 2010-12-27 | 2011-05-25 | 中国农业大学 | 基于点位数据和遥感影像数据的区域耕地质量监测方法 |
CN105467100A (zh) * | 2015-12-29 | 2016-04-06 | 张豫 | 基于遥感与gis的县域土壤侵蚀时空动态监测方法 |
CN105550938A (zh) * | 2015-12-03 | 2016-05-04 | 中国农业大学 | 县域耕地质量评价成果异常值检验方法 |
-
2016
- 2016-12-28 CN CN201611238464.1A patent/CN106682695A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073869A (zh) * | 2010-12-27 | 2011-05-25 | 中国农业大学 | 基于点位数据和遥感影像数据的区域耕地质量监测方法 |
CN105550938A (zh) * | 2015-12-03 | 2016-05-04 | 中国农业大学 | 县域耕地质量评价成果异常值检验方法 |
CN105467100A (zh) * | 2015-12-29 | 2016-04-06 | 张豫 | 基于遥感与gis的县域土壤侵蚀时空动态监测方法 |
Non-Patent Citations (3)
Title |
---|
杨刘: "基于PCA与SVM的地力评价研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
柯宏发 等: "《电子装备试验数据的非统计分析理论及应用》", 31 May 2016, 国防工业出版社 * |
陈鹏 等: "基于支持向量机的耕地地力综合评价研究", 《广东农业科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190879A (zh) * | 2018-07-18 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 一种训练改编水平评价模型、评价改编水平的方法及装置 |
CN109190879B (zh) * | 2018-07-18 | 2020-08-11 | 阿里巴巴集团控股有限公司 | 一种训练改编水平评价模型、评价改编水平的方法及装置 |
US11074897B2 (en) | 2018-07-18 | 2021-07-27 | Advanced New Technologies Co., Ltd. | Method and apparatus for training adaptation quality evaluation model, and method and apparatus for evaluating adaptation quality |
US11367424B2 (en) | 2018-07-18 | 2022-06-21 | Advanced New Technologies Co., Ltd. | Method and apparatus for training adaptation quality evaluation model, and method and apparatus for evaluating adaptation quality |
CN110119869A (zh) * | 2019-03-18 | 2019-08-13 | 中国农业大学 | 一种移动式耕地质量和/或耕地产能调查评价系统及方法 |
CN111783516A (zh) * | 2020-03-27 | 2020-10-16 | 南京大学 | 一种基于深度学习的耕地质量自然等级评价方法 |
CN113282572A (zh) * | 2021-07-20 | 2021-08-20 | 湖南省第二测绘院 | 一种耕地网格化划分的方法、系统及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104166731B (zh) | 一种社交网络重叠社区发现系统及其方法 | |
CN106682695A (zh) | 一种基于支持向量机的县域耕地自然质量评价方法 | |
CN105243398B (zh) | 基于线性判别分析准则的改进卷积神经网络性能的方法 | |
CN106846203B (zh) | 一种智能阅卷方法及系统 | |
Easterling et al. | Improving the validation of model-simulated crop yield response to climate change: an application to the EPIC model | |
CN106952170A (zh) | 一种基于随机森林的县域耕地自然质量评价方法 | |
CN104239659A (zh) | 一种bp神经网络的碳钢腐蚀速率预测方法 | |
CN106127242A (zh) | 基于集成学习的年极端降水预测系统及其预测方法 | |
CN105929115A (zh) | 一种烟叶生态适应性的评价方法 | |
CN105005693B (zh) | 一种基于遗传物质特异性的肿瘤细胞药物敏感性评估方法 | |
CN104867074A (zh) | 基于遗传算法优化bp神经网络的学生综合素质测定方法 | |
Guo et al. | RETRACTED: Evaluation Model of College English Teaching Quality Based on Big Data Analysis | |
CN107977651A (zh) | 基于量化最小误差熵的共用空间模式空域特征提取方法 | |
CN107545038A (zh) | 一种文本分类方法与设备 | |
CN108763459A (zh) | 基于心理测试及dnn算法的专业倾向分析方法及系统 | |
CN105741173A (zh) | 农业类公司投资价值评估方法及系统 | |
Owuor | Implications of using Likert data in multiple regression analysis | |
CN110522461A (zh) | 一种判别感官评价人员特殊专注力的方法和系统及装置 | |
Yulianti et al. | Decision support system for selection of exemplary students using the analytical hierarchy process (AHP) method | |
Vanacore et al. | Robustness of κ‐type coefficients for clinical agreement | |
CN109615204A (zh) | 医疗数据的质量评估方法、装置、设备及可读存储介质 | |
CN113889274B (zh) | 一种孤独症谱系障碍的风险预测模型构建方法及装置 | |
CN102938068B (zh) | 桥梁结构多体系损伤识别方法 | |
CN107368941A (zh) | 一种湿地生态系统服务价值大数据评估方法及装置 | |
CN107909296A (zh) | 一种规划准确的智慧城市规划系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170517 |
|
RJ01 | Rejection of invention patent application after publication |