基于半监督机器学习耕地等级评价研究

论文摘要

近几年，随着经济社会的快速发展，城市化的进程的加速，居民收入水平稳步提高，对土地的需求量也相应增大，占用了大量的优质农用耕地，面对日益严峻的耕地的流失问题，必须制定切实有效的方法来指导农业和土地部门的土地利用策略。本研究从保护耕地的角度出发，对安徽省耕地等级进行评价，以揭示耕地的适宜性与限制性。在传统的层次分析法AHP方法的基础之上，利用基于约束的半监督聚类算法对土地等级进行评价，克服传统AHP模型中人为因素诸多的影响,提高了农用地的等级评价的准确性。耕地地力评价实质是评价地形地貌、土壤理化性状等自然要素对农作物生长限制程度的强弱。论文首先运用地理信息系统技术分别建好图形数据库和属性数据库后，通过统一的编码来实现图形数据库和属性数据库的无缝连接，最终形成完整的空间数据库。克服了传统的关系数据库在空间数据的表示、存储、管理、检索上存在的许多缺陷。在空间数据库的基础之上，用传统的层次分析法AHP的方法，将人们的经验思维数量化，用以检验决策者判断的一致性，采用累加法计算每个评价单元的综合地力指数，从而确定土地做等级评价。考虑到实际工作中，对样本的标定计算开销比较大，专家标定类别的样本也很有限，采集到的土地评价因子未标签样例的数量往往远大于标签样例的数量，包括数据的类别标签、数据部分特征的缺失等，如果只使用已标签的数据，会造成大量未标签数据的浪费，而且其得到的模型不具有很好的泛化能力，相反若是只使用大量的未标签样例，已标签的数据样例价值无法得到体现，准确率往往较低。为了克服传统土地评价AHP模型的人为因素多且效率不高的影响，需要将层次分析法和其他结合起来应用,例如半监督聚类算法，来提高土地评价的简便性和科学性。在本研究中，以歙县土壤和农业生产等实际情况为例，采用传统的AHP方法为基础，得到标签数据的相似性阖值，同时得到不相似性阖值，综合这两个聚类过程的数据对象为约束条件，进行标记。利用关联规则挖掘算法从已知类别的样本提取一定的分类关联规则作为监督信息，对其进行聚类划分，对半监督算法起到指导作用。并对传统的AHP方法和基于约束的半监督聚类算法为核心进行建模，通过测得的各项评价因子进行测试得到两组数据，可以看出基于约束的半监督聚类算法在数据缺失严重的情况下仍然能对某一固定区域进行土地评价，测出那一区域的土地等级，同时在显示该地区的属性和图形的空间数据，节省了大量人力和物力资本，提高了工作效率和准确率。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景和意义
• 1.3 地理信息系统（GIS）
• 1.4 论文的主要研究的内容和技术路线
• 1.4.1 研究的内容
• 1.4.2 研究的方法
• 1.4.3 研究的技术路线
• 1.5 论文的结构和组织
• 2 空间数据库的构建
• 2.1 空间数据及空间数据库的定义
• 2.1.1 空间数据
• 2.1.2 空间数据库
• 2.2 空间数据库的研究思路
• 2.3 空间数据库的主要内容
• 2.3.1 属性数据库
• 2.3.2 图形数据库
• 2.4 空间数据库的建立
• 2.4.1 关系数据库实现空间数据库的方式
• 2.4.2 耕地等级评价的空间数据库的实施步骤
• 2.5 基于空间数据库的查询对地力等级评价
• 3 传统的地力评价的过程
• 3.1 确定耕地地力评价因子
• 3.2 确定评价单元
• 3.3 耕地地力评价方法
• 3.3.1 评价单元赋值
• 3.3.2 确定评价因子的权重
• 3.3.3 确定评价因子的隶属度
• 3.3.4 耕地地力等级划分与成果图件输出
• 4 基于半监督聚类算法的地力评价研究
• 4.1 基于半监督聚类算法的方法和原理
• 4.1.1 传统土地评价模型存在的不足
• 4.1.2 机器学习在耕地评价中的优势
• 4.1.3 半监督聚类算法的应用
• 4.1.4 使用半监督聚类算法对耕地进行评价
• 4.2 实验结果分析
• 4.3 核心代码摘录
• 5 基于机器学习的土地等级评价的实现
• 5.1 WEBGIS 的优势
• 5.2 功能设计
• 5.3 模块设计
• 5.4 系统开发的关键步骤和实现
• 5.4.1 系统的开发工具和运行环境
• 5.4.2 系统的关键步骤
• 6 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 个人简历
• 读研期间所发表的论文
• 致谢