基于知识推理的土地退化程度评价模型

引入知识推理技术构建了一种新的土地退化程度评价模型(KR_LDAM)。模型集成了可变精度粗集和模糊神经网络两种智能化推理方法进行土地退化程度评价因子提取和退化程度分级,系统地消除了土地退化程度评价过程中专家经验知识主观不一致性以及客观数据不确定性的影响,解决了退化程度划分的模糊性和渐进性问题。选取黄土高原风沙侵蚀区域陕西省横山县为研究区域进行实例研究和模型验证。     

基于神经网络的房地产估价研究

根据房地产估价的特点将人工神经网络引入到房地产价格评估领域,创建了基于神经网络的房地产估价模型,在对训练样本验证结果分析的基础上,对两种神经网络估价模型进行了对比分析,指出了两种网络各自的优缺点以及改进措施。     

GIS改进市场比较法估价的研究与实践

市场比较法是房产估价的常用方法之一,传统的市场比较法估价模型存在大量人为主观因素的影响.本文利用GIS技术,对传统估价模型进行了改进,并依据估价模型建立了估价系统,通过系统应用,结果表明系统可对市场比较法各流程进行控制,减少了人为主观因素的影响,从而使房地产估价更加科学化,估价结果更加可信.     

基于人工神经网络的输变电土地复垦应用探讨

针对传统的土地复垦适宜性评价方法受人为主观影响较大的问题,该文通过分析神经网络结构、计算流程及误差传递规律,建立了基于人工神经网络的输变电土地复垦适宜性评价模型;然后根据土壤等级7个评价参数的特点确定输入层神经元数为7,根据土地复垦成4类的特点确定输出层神经元数为4,根据经验公式确定隐含层神经元数为9;配置成7-9-4的网络结构,采用Levenberg-Marquardt快速学习算法对网络进行训练、测试及矫正;最后采用输变电线路具有代表性实测样本对该算法进行验证。实验表明经过神经网络识别的土壤等级与实际综合评估土壤等级相符,说明了BP神经网络在输变电土地复垦项目中的可行性和实用性。     

房地产估价方法与应用

本文针对目前国内外房地产估价现状，较系统地研究了房地产估价的理论、方法与应用，内容包括传统房地产估价方法的系统分析、基于人工神经网络的建筑物成新度和土地资本化率评估、基于模糊数学的市场比较法、基于灰色系统理论的假设开发法以及房地产估价方法的综合应用——基准地价评估。 　　1. 尽管三大估价方法的评估角度不同，但相互之间仍存在一定的关联性。采用三角形分布对由三大估价方法得到的评估值进行概率估计，可以反映评估值在市场上实现的大小及其可能性，这比只提供一个确定的评估值要客观、全面得多，对于房地产开发项目决策很有参考价值。由于土地使用制度不同，我国与国外房地产估价在土地使用年期、折旧、资本化率诸方面存在较大的差异。此外，在估价技术上也存在差距，也应引起足够重视。 　　2. 本文首次尝试用人工神经网络模型来评估建筑物的成新度，比传统的实际观察方法准确又简便，具有广阔的应用前景。人工神经网络模型是动态的，随着今后样本数量的增加，通过网络的自学习，不断加强网络的学习能力与训练水平，形成更加完整的系统，从而可以进一步提高测试的精度和扩大评估范围，同时不需要改变网络本身的结构。     

基于神经网络的土地荒漠化信息提取方法研究

土地荒漠化是当今全球面临的重大环境问题之一,它的发生、发展及其逆转是气候、环境和人类社会经济活动综合作用的结果.区域荒漠化信息的提取技术研究是荒漠化研究进一步深入的关键,根据土地荒漠化的遥感探测机理,应用神经网络技术,利用了TM卫星遥感数据中的可见光、热红外和植被指数(NDVI)数据,建立了相应的BP神经网络的土地荒漠化信息的自动提取模型.实验应用表明,基于人工神经网络方法提取土地荒漠化发生的地点和范围等信息,其精度可达到84%.因此,应用人工神经网络方法提取土地荒漠化信息是切实可行的,并具有可推广价值.     

城镇土地估价信息系统的设计与实现

介绍了城镇土地估价的基本方法和建立城镇土地估价信息系统 (ULEIS)的途径。包括系统分析、系统总体框架设计、功能模块的设计等。结合我国土地估价和土地市场的现状 ,对建立实用性土地估价信息系统的方法和思路作了一些探讨     

基于遗传神经网络获取元胞自动机的转换规则

采用面向对象建模思路,综合遗传神经网络和元胞自动机,构建了一个基于Matlab平台的遗传神经网络-元胞自动机模型,并以长江口北岸为例,构建了其土地利用变化模型,进行土地利用演化模拟与预测,为土地利用规划提供理论依据。结果表明:GANN-CA模型有较好的仿真效果,充分利用了人工神经网络获取模型大量空间变量参数的优势,简化了土地利用转化规则的定义。该模型更全面地考虑了土地利用演化的空间影响因子,并采用遗传算法优化神经网络的连接权值和阈值,是对人工神经网络-元胞自动机模型的改进和拓展。     

城镇土地估价信息系统的设计与实现

介绍了城镇土地估价的基本方法和建立城镇土地估价信息系统(ULEIS)的途径.包括系统分析、系统总体框架设计、功能模块的设计等.结合我国土地估价和土地市场的现状,对建立实用性土地估价信息系统的方法和思路作了一些探讨.     

基于计算智能的土地适宜性评价模型

将计算智能理论引入土地评价领域，构建了一个全新的土地适宜性评价模型。首先基于模糊逻辑和人工神经网络构造了一个模糊神经网络模型，然后采用改进的遗传算法进行训练，能够快速收敛到最优解，对初始的规则库进行修正，形成了一个自学习、自适应的评价系统。     

基于ANN-FES的石漠化综合治理智能决策支持系统设计及应用研究

对人工智能技术的两个分支神经网络(ANN)与模糊专家系统(FES)各自的基本工作原理进行了阐述,分析了基于神经网络和模糊专家系统集成的混合系统功能框架,并介绍了系统结构及知识表示、知识获取、知识简化和推理机制等方面的基本方法.在此基础上,以都安石漠化综合治理智能决策为例,提出了基于神经网络和专家系统集成的石漠化智能决策系统的结构.人工神经网络实现石漠化预警分析,预测得到的石漠化危险性指数,最后得出专家系统所需的预警度(无警、轻警、中警和重警).模糊专家系统的推理机通过对神经网络得到的初步数据和其他测量的数据处理,实现系统的综合诊断,最后由治理模式系统确定采用哪种综合治理模式.该方法融合了神经网络自适应学习能力强和模糊专家系统知识表达明确的优点,简化了神经网络学习数据获取及模糊推理规则建立的过程.     

Landslide Susceptibility Zonation through ratings derived from Artificial Neural Network

In the present study, Artificial Neural Network (ANN) has been implemented to derive ratings of categories of causative factors, which are then integrated to produce a landslide susceptibility zonation map in an objective manner. The results have been evaluated with an ANN based black box approach for Landslide Susceptibility Zonation (LSZ) proposed earlier by the authors. Seven causative factors, namely, slope, slope aspect, relative relief, lithology, structural features (e.g., thrusts and faults), landuse landcover, and drainage density, were placed in 42 categories for which ratings were determined. The results indicate that LSZ map based on ratings derived from ANN performs exceedingly better than that produced from the earlier ANN based approach. The landslide density analysis clearly showed that susceptibility zones were in close agreement with actual landslide areas in the field.     

基于神经网络技术的多因子遥感水深反演模型

采用动量BP人工神经网络方法,研究影响多光谱遥感水深反演的各种因素,概括出主要的影响因素,即:泥沙与叶绿素,通过在网络输入端加入泥沙参数因子与叶绿素参数因子,对神经网络进行训练,对大连湾的水深进行反演,取得较好的效果。     

Value of incorporating geospatial information into the prediction of on-street parking occupancy – A case study

In light of growing urban traffic, car parking becomes increasingly critical for cities to manage. As a result, the prediction of parking occupancy has sparked significant research interest in recent years. While many external data sources have been considered in the prediction models, the underlying geographic context has mostly been ignored. Thus, in order to study the contribution of geospatial information to parking occupancy prediction models, road network centrality, land use, and Point of Interest (POI) data were incorporated in Random Forest (RF) and Artificial Neural Network (ANN, specifically Feedforward Neural Network FFNN) prediction models in this work. Model performances were compared to a baseline, which only considers historical and temporal input data. Moreover, the influence of the amount of training data, the prediction horizon, and the spatial variation of the prediction were explored. The results show that the inclusion of geospatial information led to a performance improvement of up to 25％ compared to the baseline. Besides, as the prediction horizon expanded, predictions became less reliable, while the relevance of geospatial data increased. In general, land use and POI data proved to be more beneficial than road network centrality. The amount of training data did not have a significant influence on the performance of the RF model. The ANN model, conversely, achieved optimal results on a training input of 5 days. Likely attributable to varying occupancy patterns, prediction performance disparities could be identified for different parking districts and street segments. Generally, the RF model outperformed the ANN model on all predictions.     

基于神经网络的似大地水准面模型精化方法研究

似大地水准面的精化与高程异常的求解是同一个概念,为提高似大地水准面精化的精度,采用格网＋神经网络方法,借助神经网络BP方法,建立高程异常与坐标之间的函数关系;用训练好的神经网络模型和固定间隔的格网,建立格网模型;在已建好的格网模型中,内插出给定点的高程异常值。结合江苏省C级GPS水准网进行试验,拟合效果有明显的改进,克服了目前研究中存在的问题。     

人工神经网络在遥感数字图像分类处理中的应用

近年来,随着人工神经网络系统理论的发展,神经网络技术日益成为遥感数字图像分类处理的有效手段,并有逐步取代最大似然法的趋势。本文重点讨论国外遥感图像分类处理研究中应用效果显着或应用前景广阔的一些神经网络方法。最后讨论了有关上述方法在遥感数据分类处理中实际应用的一些原则性问题。     

基于知识的分层综合分类法在土地利用/土地覆盖遥感信息提取中的应用

土地利用/土地覆盖数据的获取是研究LUCC的重要基础工作。随着遥感技术的飞速发展,通过遥感提取土地利用/土地覆盖专题信息已成为LUCC研究必不可少的一步。目前遥感专题信息提取水平相对滞后于遥感数据获取,为了提高遥感数据在土地利用/土地覆盖的应用,寻找一种较好的、具有相对适用性的方法是目前遥感应用的一个迫切要求。本文比较了目前比较常用的几种土地利用/土地覆盖遥感信息提取方法,分别以西部干旱区(柴达木盆地)和东部地区(鄱阳湖地区)为例,提出在GIS支持下基于知识的分层综合分类方法,并通过和其他几种常用方法进行比较分析,得到如下结果:在自然环境相差较大的柴达木盆地和鄱阳湖地区,采用了GIS支持下基于知识的分层综合分类方法的提取精度均要比单独采用最大似然法、纹理分析法、神经网络分类法等方法的总体精度高出25%,Kappa系数高出0.2。由此可以说明了该方法对于土地利用/土地覆盖专题信息的提取是可行的,同时它也具有一定的适用性。     

高轨卫星轨道预报中神经网络模型优化设计

高轨卫星是我国卫星导航系统的重要组成部分。提升该类卫星的轨道预报精度有利于用户定位精度的提高。提出了一种改进高轨卫星轨道预报精度的新方法。该方法避开了精化动力学模型的困难,尝试从轨道预报误差的规律中寻找突破。利用神经网络作为建立预报模型的工具,将某历史时刻的轨道预报误差作为训练样本,利用训练好的神经网络模型补偿当前时刻的预报轨道以提高轨道预报精度。对影响神经网络模型补偿效果的各因素进行了详细分析,制定了适应于高轨卫星短期、中期和长期预报的神经网络最优模型。利用实测数据进行了试验分析,结果表明:预报8,15及30 d应选择的训练步长分别为10,20及25 min;轨道预报8~30 d时,训练噪声均选取0.01。神经网络模型有效地改进了高轨卫星的轨道预报精度,预报4~30 d,轨道精度提高幅度为34.67%~82.37%不等。     

Integrating the system dynamic and cellular automata models to predict land use and land cover change

Land use and land cover change (LULCC) is a widely researched topic in related studies. A number of models have been established to simulate LULCC patterns. However, the integration of the system dynamic (SD) and the cellular automata (CA) model have been rarely employed in LULCC simulations, although it allows for combining the advantages of each approach and therefore improving the simulation accuracy. In this study, we integrated an SD model and a CA model to predict LULCC under three future development scenarios in Northern Shanxi province of China, a typical agro-pastoral transitional zone. The results indicated that our integrated approach represented the impacts of natural and socioeconomic factors on LULCC well, and could accurately simulate the magnitude and spatial pattern of LULCC. The modeling scenarios illustrated that different development pathways would lead to various LULCC patterns. This study demonstrated the advantages of the integration approach for simulating LULCC and suggests that LULCC is affected to a large degree by natural and socioeconomic factors.     

Estuarine sediment deposition during wetland restoration: A GIS and remote sensing modeling approach

Restoration is currently underway in the industrial salt flats of San Francisco Bay, California. Remote sensing of suspended sediment concentration and other GIS predictor variables were used to model sediment deposition within recently restored ponds. Suspended sediment concentrations were calibrated to reflectance values from Landsat TM 5 and ASTER satellite image data using three statistical techniques—linear regression, multivariate regression, and Artificial Neural Network (ANN) regression. Multivariate and ANN regressions using ASTER proved to be the most accurate methods, yielding r² values of 0.88 and 0.87, respectively. Predictor variables such as sediment grain size and tidal frequency were used in the Marsh Sedimentation (MARSED) model for predicting deposition rates. MARSED results show a root mean square deviation (RMSD) of 66.8 mm (<1σ) between modeled and field observations. This model was applied to a pond breached in November 2010 and indicated that the pond will reach sediment equilibrium levels after 60 months of tidal inundation.