论文部分内容阅读
石漠化是喀斯特地区土地退化的极端形式,被称为“地球的癌症”。喀斯特地区石漠化是中国西南喀斯特地区最严重的生态经济问题之一,已成为继西北地区沙漠化和黄土地区水土流失之后的我国第三大生态问题。前人对石漠化程度和危险度评价主要采用的评价模型是线性加权综合模型、回归分析模型和模糊综合评价模型等,这些模型主要考虑了线性关系,不能反映指标之间、指标和石漠化程度和危险度等级之间的合理客观关系,加上对这些模型的评价指标定权时带有主观性,使得等级划分结果受到人为的影响。石漠化土地是土地的一种类型,石漠化土地评价属于土地资源评价的范畴,有极少数学者应用BP神经网络对石漠化危险度进行了评价研究,国内外众多学者已将人工神经网络应用于土地质量的分类与评价,说明神经网络等智能算法用于土地质量的分类与评价是可行的。但是基于神经网络的方法存在着样本需求量大、训练速度慢和“过拟合”等问题。喀斯特地区地形复杂,沟壑纵深,可进入性差,采集评价样本的难度大、成本高,考虑到支持向量机在解决小样本和防止“过拟合”问题上的优势,因此,本文将支持向量机引入到石漠化程度和危险度评价中,用较少的样本来解决石漠化程度和危险度评价问题,在减少评价成本的同时使石漠化程度和危险度评价工作更加智能简便。作为方法论研究,如果该方法可行的话,该方法将具有重要的经济价值和社会价值。支持向量机是在统计学习理论和结构化风险最小化理论的基础上发展起来的,评估分类效果明显优于基于经验风险最小化的神经网络模型,SVM模型具有小样本学习和较好的“鲁棒”性的优点,论文在分析SVM模型用于石漠化程度和危险度评价可行性的基础上,提出了基于SVM的喀斯特石漠化程度和危险度评价方法,对标准SVM模型、PSO-LSSVM模型和TSPSO-LSSVM模型分别进行了不同训练样本容量下的石漠化程度和危险度评价的模型分类精度对比实验,以期为选择能同时兼顾评价精度、样本容量和计算效率的用于石漠化程度和危险度评价的SVM模型提供依据。同时,探讨了植被覆盖度和基岩裸露率这两个关键评价指标的信息提取方法。基于TSPSO-LSSVM模型对研究区的石漠化程度和危险度进行了评价,并对评价结果进行实地调查验证。验证结果表明,SVM模型用于石漠化程度和危险度评价是完全可行的。论文的主要研究成果如下：(1)构建了研究区石漠化程度和危险度评价指标体系,并对评价指标进行了量化分级。(2)建立了研究区的植被覆盖度和基岩裸露率信息提取方法。(3)将支持向量机模型引入到石漠化程度和危险度评价中,建立了用于石漠化程度和危险度评价的TSPSO-LSSVM、PSO-LSSVM标准SVM模型。(4)对标准SVM模型、PSO-LSSVM模型和TSPSO-LSSVM模型进行了模型之间、不同实验样本容量下模型分类精度的对比分析实验,选取了用于研究区石漠化程度和危险度评价的TSPSO-LSSVM模型。(5)建立了基于TSPSO-LSSVM模型的石漠化程度和危险度评价步骤,利用选取的TSPSO-LSSVM模型对研究区的石漠化程度和危险度进行J’等级划分,并对评价结果进行了验证,验证结果表明支持向量机模型用于石漠化程度和危险度评价是可行的。