收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

改进支持向量机下的柑橘果园信息提取及空间分布特征分析

钟钰  
【摘要】:近年来,由于黄龙病等自然灾害的发生,赣南地区的柑橘产业受到严重影响,因此必须对赣南柑橘果园进行研究,获取其面积信息及空间布局信息,为柑橘果园的生产管理及产业政策的科学制定提供依据。目前支持向量机(SVM)已在遥感影像分类方面得到广泛应用,但用于柑橘果园信息提取并不多见,且不恰当的参数选择方法会导致SVM的分类精度降低。因此通过人工蜂群算法(ABC)优化SVM的参数构造ABC-SVM分类模型并进行柑橘果园信息的提取,从而实现对柑橘果园面积动态变化及空间布局变化特征的分析,具体如下:(1)ABC-SVM模型的构建及分类。将SVM的分类准确率作为ABC算法的目标函数值,利用ABC算法优化SVM的惩罚参数及核函数参数,两者结合构建出ABC-SVM分类模型。通过影像预处理、选取训练样本以及特征提取等工作,实现ABC-SVM模型对研究区影像的分类,并将分类结果与SVM模型的分类结果进行比较,结果表明:ABC-SVM模型的分类精度高于SVM模型,且果园提取精度最低为85.74%。由此可知,ABC-SVM模型的分类效果优于对比模型,且适用于柑橘果园信息的提取。(2)柑橘果园面积动态变化分析。通过土地利用转移矩阵对研究时段内柑橘果园面积变化方向进行了定量描述,结果表明:2009-2013年期间,研究区内柑橘果园面积增加了41.68平方千米,验证了赣南地区先后大力实施“山上再造”、“兴果富民”等战略举措的实际效果;2013-2017年期间,研究区内柑橘果园面积共减少了172.31平方千米,反映了黄龙病等自然灾害对柑橘果园产业的影响巨大。(3)柑橘果园空间布局变化分析。以柑橘果园面积变化为依据,构造出柑橘果园种植集中度指数和柑橘果园用地规模指数,并分析研究区所属乡镇的柑橘果园空间布局变化,结果表明:2009-2017年柑橘果园种植集中度指数的变化可以分为以下四种类型:持续增长型、持续下降型、稳定型、波动型。此外,2009-2017年柑橘果园用地规模指数的变化主要有以下三种类型:持续下降型、稳定型、波动型。(4)柑橘果园分布相关性分析。以乡镇行政区划为研究单位,通过Moran’s I指数对柑橘果园分布的全局相关性和局部相关性进行分析,结果表明:以集中度指数为变量,2009-2013-2017年研究区整体表现出十分明显的空间集聚特征且聚集程度呈现先减弱后增强趋势。同时各乡镇之间柑橘果园种植集中度的集聚类型主要为H-H高值集聚类型及L-H低高异常值集聚类型,且随着时间推移,H-H型的乡镇并未发生变化,较为稳定,而L-H型的乡镇却有较显著的变化;以用地规模指数为变量,研究区内整体表现出十分明显的空间集聚特征且聚集程度呈现增强趋势。同时各乡镇之间柑橘果园用地规模的集聚类型主要为H-H高值集聚类型、L-L低值集聚类型及L-H低高异常值集聚类型,且随着时间推移,L-H型的乡镇并未发生变化,较为稳定,而H-H型及L-L型的乡镇却有较显著的变化。基于上述分析,可得到相关结论及建议:近年来赣南地区的柑橘已趋至商业化,经多年大规模种植活动,现已形成种植规模大、分布连续、种植作物单一的特征,也因此在农户及地区经济占有较大比重。因此相关部门必须保持对柑橘果园空间布局相关性的分析,做好黄龙病等灾害防治工作,减轻农户的损失。同时,必须关注柑橘的合理化种植,提出指导意见,加强园内水土保持措施的建设,从而推进赣南地区生态环境可持续发展。


知网文化
【相似文献】
中国期刊全文数据库 前16条
1 马旭霞;;支持向量机理论及应用[J];科学技术创新;2019年02期
2 江少杰;宁纪锋;李云松;;加权间隔结构化支持向量机目标跟踪算法[J];中国图象图形学报;2017年09期
3 李娜;孙乐;胡一楠;李笑;王亚南;;模糊型支持向量机及其在入侵检测中的应用[J];科技创新与应用;2018年11期
4 邵元海;杨凯丽;刘明增;王震;李春娜;陈伟杰;;从支持向量机到非平行支持向量机[J];运筹学学报;2018年02期
5 高钦姣;张胜刚;贾晓薇;;基于支持向量机的股票价格预测模型研究与应用[J];课程教育研究;2016年28期
6 林香亮;袁瑞;孙玉秋;王超;陈长胜;;支持向量机的基本理论和研究进展[J];长江大学学报(自科版);2018年17期
7 安悦瑄;丁世飞;胡继普;;孪生支持向量机综述[J];计算机科学;2018年11期
8 梁武;苏燕;;一种新的基于类内不平衡数据学习支持向量机算法[J];科技通报;2017年09期
9 吴青;梁勃;;分段熵光滑支持向量机性能研究[J];计算机工程与设计;2015年08期
10 牛犇;顾宏斌;孙瑾;周来;周扬;;有向无环图-双支持向量机的多类分类方法[J];计算机应用与软件;2015年11期
11 赵芳;马玉磊;;自训练半监督加权球结构支持向量机多分类方法[J];重庆邮电大学学报(自然科学版);2014年03期
12 候明;张新新;范丽亚;;四类基于支持向量机的多类分类器的性能比较[J];聊城大学学报(自然科学版);2014年03期
13 张小琴;贾郭军;;一种采用粗糙集和遗传算法的支持向量机[J];山西师范大学学报(自然科学版);2013年01期
14 黄娟;唐轶;王军霞;;贪婪支持向量机的分析及应用[J];计算机工程与应用;2012年24期
15 丁胜锋;;一种改进的双支持向量机[J];辽宁石油化工大学学报;2012年04期
16 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期
中国重要会议论文全文数据库 前10条
1 王晓红;;一种改进多类支持向量机加权后验概率重构策略[A];2009中国控制与决策会议论文集(3)[C];2009年
2 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届(2011)中国管理学年会——商务智能分会场论文集[C];2011年
3 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年
4 郭一楠;程健;肖大伟;杨梅;;分布式多分类支持向量机[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
5 汪荣贵;孙见青;胡琼;李守毅;;一种新的支持向量机决策树及其应用[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年
6 伍敏;苏鹏宇;刘金福;于达仁;;基于RVM和SVM的风速预测研究[A];2012电站自动化信息化学术和技术交流会议论文集[C];2012年
7 曾江辉;耿金凤;汪邦军;郝建春;;面向时间序列质量波动预测的支持向量机回归模型研究[A];使命与责任—以质量方法促转型升级——第五届中国质量学术与创新论坛论文集(上)[C];2012年
8 刘爽;贾传荧;;一种加权支持向量机算法[A];通信理论与信号处理新进展——2005年通信理论与信号处理年会论文集[C];2005年
9 张晓滨;尹英顺;赵培坤;马秀兰;;基于渐进直推支持向量机的半对半多类文本分类[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
10 张立刚;李海丽;;基于最小二乘支持向量机的协调系统预测[A];第六届全国信息获取与处理学术会议论文集(3)[C];2008年
中国博士学位论文全文数据库 前10条
1 彭诗力;大规模混合数据分类的核方法研究[D];天津大学;2017年
2 胡庆辉;非稀疏多核支持向量机学习方法研究[D];武汉大学;2015年
3 孙宗海;支持向量机及其在控制中的应用研究[D];浙江大学;2003年
4 徐芳;航空影像分割的支持向量机方法[D];武汉大学;2004年
5 蔡从中;支持向量机及其在生物材料功能研究中的应用[D];重庆大学;2003年
6 孙德山;支持向量机分类与回归方法研究[D];中南大学;2004年
7 翟永杰;基于支持向量机的故障智能诊断方法研究[D];华北电力大学(河北);2004年
8 董春曦;支持向量机及其在入侵检测中的应用研究[D];西安电子科技大学;2004年
9 安金龙;支持向量机若干问题的研究[D];天津大学;2004年
10 朱燕飞;锌钡白回转窑煅烧过程智能建模研究[D];华南理工大学;2005年
中国硕士学位论文全文数据库 前10条
1 王一帆;基于支持向量机和探地雷达技术的公路浅层病害检测研究[D];华北水利水电大学;2019年
2 司华清;基于支持向量机理论的风电预测算法研究[D];华北水利水电大学;2019年
3 张乔;粒子群算法优化的支持向量机时间序列预测方法的研究[D];长安大学;2019年
4 梅新明;基于支持向量机的房颤识别研究及常见心律失常监护系统模型设计与实现[D];电子科技大学;2019年
5 臧博研;多核支持向量机关键技术研究[D];西安邮电大学;2019年
6 沈洋;支持向量机多分类器的研究与应用[D];江南大学;2019年
7 李伟;基于语义扩散核与支持向量机的半监督农业文本分类研究[D];赣南师范大学;2018年
8 钟钰;改进支持向量机下的柑橘果园信息提取及空间分布特征分析[D];江西理工大学;2019年
9 乔少波;改进的支持向量机方法在乳腺肿瘤良恶性诊断中的应用[D];云南大学;2018年
10 张文宇;基于行为分析的电子商务虚假评论者检测[D];云南大学;2018年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978