基于支持向量回归机的耕地保有量组合预测

为提高耕地保有量预测精度,将灰色预测GM(1,1)模型、动力预测模型、BP网络预测模型和加权支持向量回归机预测模型相结合,建立了基于支持向量回归机的耕地保有量组合预测模型,并将其用于温州市耕地保有量预测。结果表明,该模型比任一单一预测模型精度更高,可用于耕地保有量预测。     

GIS支持下基于支持向量机的滑坡危险性评价

以仙游县为例,探讨了将地理信息系统技术(GIS)和支持向量机(SVM)算法应用于滑坡灾害危险性评价的基本思路和技术路线。主要内容包括SVM的基本原理和方法、滑坡灾害危险性评价指标的选取和量化、SVM模型的建立以及具体的实现过程。实践证明该方法是一种较好的滑坡灾害危险性评价方法。     

基于空间自相关的支持向量机空间聚类研究

经济统计信息多包含多维度的属性,在研究数据内在结构时,需要采用降维方法将多维信息转换到三维以内的空间以实现多维信息可视化和聚类。支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中表现出许多特有的优势,但SVM是一种监督分类方法,需要已知样本集来训练分类过程。由于高维经济统计数据中往往缺少已知聚类中心,从其他方法的聚类结果选择小样本集作为聚类中心具有很大的主观性;空间自相关分析能揭示出高空间聚集区域和随机离散区域,并能分析出各区域的空间聚集模式,这为已知小样本的选择提供了可行的方法。该文以四川2007年统计年鉴的经济数据为例,通过主成分分析法和非线性映射法进行聚类,将各类中心和空间自相关分析揭示的高空间聚集目标作为已知样本集导入SVM,得到的结论是:采集于主成分分析法和非线性映射法的两个不同已知样本集的SVM分类结果之间的差异较大,已知样本集的选择具有很大主观性;空间自相关分析结果能大量减少特征样本集的数目,这不仅简化了SVM算法分类过程,并且结果也能准确反映四川发展实际情况。     

遗传算法优化的支持向量机湿地遥感分类——以洪河国家级自然保护区为例

湿地遥感分类作为湿地管理、监测与评价的重要手段,受到了广泛的关注。遗传算法(GA)借鉴了生物进化规律进行启发式搜索寻优,支持向量机(SVM)是一种新型的空间数据挖掘方法,二者相结合可以发挥各自的优势,寻找到支持向量机的全局最优参数,从而较准确地对湿地进行遥感分类。以洪河自然保护区为例,采用遗传算法优化的支持向量机方法进行了湿地遥感分类研究。同格网搜索下的支持向量机湿地遥感分类及最大似然监督分类对比,结果表明,遗传算法优化较格网搜索方式总精度提高了7.29%,较最大似然监督分类提高了12.06%,方法改善了沼泽、草地与裸地三种地物间的区分,是湿地遥感分类的有效手段。     

基于支持向量机和Getis因子的高分辨率遥感图像分类

采用支持向量机对具有RGB 3个波段、分辨率为0.32 m的航空摄影图像进行实验,首次根据表示空间聚集程度的局部Getis因子完成分类。结果表明:1)当应用基于线性、多项式、径向基和Sigmoid 4种常用核函数的SVM进行分类时,基于径向基的SVM分类精度最高,总体精度超过91%。2)从原始图像计算出局部Getis因子,该指标可用于图像分类,且分类精度与局部Getis因子的步长有关;在步长小于变异函数变程的条件下,应用径向基SVM的总体分类精度达95.66%,高于直接使用原始图像RGB波段光谱信息的分类精度,因此局部Getis因子在高空间分辨率遥感图像分类中具有应用和研究价值。     

基于支持向量机的扎龙湿地遥感分类研究

湿地遥感分类是实现湿地动态监测、管理与利用的重要手段之一.由于湿地具有独特的生态环境,获取实测样本点相对困难,因此,研究小样本、高精度的湿地遥感分类方法十分必要.以扎龙国家级自然保护区为研究区,采用支持向量机方法进行了研究区湿地遥感分类研究,初步剖析了样本数量与特征维度对分类结果的影响,并同传统的最大似然分类方法进行了...     

不完备样本条件下基于支持向量回归模型的滑坡易发性评价

区域滑坡易发性评价对灾害中长期预测预报具有重要意义,在基于统计模型进行评价过程中,样本选取对评价结果有较大影响,构建较稳健的、受样本数量影响小的分析模型非常重要。本文以马来西亚热带雨林地区为例,选择坡度、坡向、地表曲率、地貌类型、岩性、构造、土地覆盖、道路和排水系统等9大要素作为评价因子,结合支持向量回归(SVR)模型计算研究区滑坡易发性指数,并探讨不完备样本条件下易发性评价方法,分析样本数量和评价精度之间的关系。结果显示,基于SVR模型进行该区滑坡易发性分析评价,其成功率验证法的描述精度约为95.9%;同时,样本数量的增减对分析精度影响较小;SVR方法是一种适于热带雨林地区高植被覆盖条件下的分析模型,可为今后同类地区的滑坡灾害管理工作提供支持。     

多智能体城市土地扩张模型及其应用

传统的城市土地扩张模型多为静态模型,无法呈现空间上每一时间点的土地利用状况,以元胞自动机（Cellular Automata）模型为代表的新型城市土地扩张模型虽然具有动态特性,但其无法描述影响城市土地扩张的智能体（Agent）之间所产生的多元变化结果。以多智能体系统（Multi—Agent System）理论为基础,建立城市土地资源时间和空间配置规则,构建了动态且能描述影响城市土地扩张的智能体（Agent）间互动关系的城市土地扩张模型,并以长沙市区为例,应用所构建之模型进行了城市土地扩张的实证分析。结果表明：该模型可以反映城市土地扩张的基本特征和规律．对于解释城市土地扩张的成因、理解智能体行为对城市土地扩张过程的影响是合适的。并且将模拟结果与遥感土地利用解译结果对比．1998年、2001年、2005年城市土地扩张模拟的点对点精度均达到68％以上,从而能够为政府和城市规划者制定用地政策提供辅助决策支持。     

支持向量机在供水方案综合评价中的应用研究

针对开始不能确定目标权重或隶属度的多方案综合评价的问题时,提出了一种支持向量机的学习算法实现多方案的综合评价。本文在电厂以中水作为水源的情况下,引入支持向量机算法,通过建立目标、综合属性的优化模型,再对建立的多种供水方案进行综合评价。计算结果表明,三种方案的综合评判值分别为:0.24、0.55和0.61,方案三为首选的供水方案,与实际首选方案和层次分析法确定的方案一样。将支持向量机算法应用于供水方案的选取,得到的综合效果评价是可行的。     

运用小波变换与支持向量机耦合模型(WA-SVM)预测干旱区地下水埋深

准确预测干旱区地下水埋深,对区域地下水资源的合理开发利用与生态环境保护具有十分重要的意义。以额济纳盆地3个地下水埋深观测井为对象,运用小波变换与支持向量机耦合模型（WA-SVM）对观测井未来1个月的地下水埋深进行了短期预测。为检验WA-SVM的有效性,将模拟结果与未经小波变换的SVM模型进行了对比。结果表明：在对干旱区地下水埋深进行短期预测时,相较于SVM模型,WA-SVM模型的预测精度显著提高。WA-SVM模型在干旱区地下水埋深预测中有更好的适用性,可以为干旱地区地下水埋深动态预测提供新的方法和思路,是资料有限的条件下地下水埋深预测的有效方法。     

基于核主成分元胞模型的城市演化重建与预测

通过元胞自动机(CA)模拟和重建城市演化的复杂非线性过程,对于城市土地利用规划和决策具有指导意义。利用传统线性方法获取的地理CA转换规则,较难刻画城市演化的时空动力学过程。基于核主成分分析方法(KPCA),通过核函数映射,在高维特征空间下不仅能够对多重共线的空间变量进行非线性降维,且由此建立的地理元胞模型KPCA-CA参数物理意义明确,能够较好地体现城市化过程的非线性本质。基于GIS环境下自主研发的地理模拟框架SimUrban,利用该KPCA-CA模型模拟和重建了快速城市化区域上海市嘉定区1989-2006年城市演化过程,并预测了研究区2010年的城市空间格局。模拟结果显示,嘉定区城市主要沿中心区域及主干道路而扩展,体现了KPCA方法提取的前两个主成分的作用,与城市实际发展情况相符。利用混淆矩阵和面积控制精度等指标,对模拟结果进行了评价,得到总体精度为80.67%、Kappa系数为61.02%,表明模拟结果与遥感分类结果及统计结果符合程度较好;与传统基于线性方法的地理CA模型比较,KPCA-CA模型模拟结果精度更高。     

都市新区住宅地价空间异质性驱动因素研究 ——基于空间扩展模型和GWR模型的对比

以南京市江宁区为例,基于2004~2011年住宅用地出让数据,利用空间扩展模型和GWR模型对都市新区住宅地价空间异质性及其驱动因素进行研究。结果表明：① 空间扩展模型与GWR模型分别可解释采样区63%、61%的住宅地价变化,较全局回归模型(47%)有显著提升,更有利于研究土地市场的空间异质性。② 空间扩展模型可有效表征各解释变量及其交互项对住宅地价作用的空间结构总体趋势,其拟合效果相对较优。GWR模型则在局部参数估计方面存在优势,借助GIS可将各变量的地价作用模式可视化,从而比空间扩展模型更能有效刻画住宅地价影响因素的空间非平稳性特征,各因素对地价的平均边际贡献排序为水域> 地铁> 大学园区> CBD> 商业网点> 医院,且商业网点、 医院系数值具有方向差异性。③ 距地铁站点、水域、大学园区以及CBD的距离是研究区住宅地价的关键驱动因素,各自存在特有的地价空间作用模式,可为研究区住宅土地市场细分提供科学依据。     

A meta-modeling approach for spatio-temporal uncertainty and sensitivity analysis: an application for a cellular automata-based Urban growth and land-use change model

The paper presents a computationally efficient meta-modeling approach to spatially explicit uncertainty and sensitivity analysis in a cellular automata (CA) urban growth and land-use simulation model. The uncertainty and sensitivity of the model parameters are approximated using a meta-modeling method called polynomial chaos expansion (PCE). The parameter uncertainty and sensitivity measures obtained with PCE are compared with traditional Monte Carlo simulation results. The meta-modeling approach was found to reduce the number of model simulations necessary to arrive at stable sensitivity estimates. The quality of the results is comparable to the full-order modeling approach, which is computationally costly. The study shows that the meta-modeling approach can significantly reduce the computational effort of carrying out spatially explicit uncertainty and sensitivity analysis in the application of spatio-temporal models.