节点文献
基于支持向量机的土地利用变化模拟模型
【机构】 武汉大学资源与环境科学学院； 武汉大学教育部地理信息系统重点实验室；
【摘要】 要支持向量机(SVM)是基于统计学习理论的结构风险最小化原则,将最大分界面分类思想与基于核的方法结合,解决有限样本下机器学习的智能化方法。土地利用变化与其驱动力因子之间的关系往往是非线性的,难以用显形数学表达式模拟。本文以湖北省为例,选取5大类7个耕地利用变化驱动力因子,将1986～2000年数据作为样本训练数据,2001～2004年数据作为测试数据,与耕地变化进行基于支持向量机的回归模拟,用遗传算法对参数优化,并与BP、RFB神经网络模型进行对比实验。模拟结果精度分析显示,SVM模型较BP神经网络模型理想,与RFB神经网络接近。并运用该模型进行了湖北省2010年耕地利用变化的预测,结果合理。研究表明SVM模型有强的自学习、自适应能力,在土地利用变化模拟中有广泛的应用前景。
【关键词】 土地利用变化驱动力；
土地利用变化模拟；
支持向量机(SVM)；
神经网络(ANN)；
【基金】 国家自然科学基金项目(40771168);“863”项目“面向土地利用的时空数据挖掘模型”(2007AA12Z200)
- 【会议录名称】 生态文明中的土地问题研究
- 【会议时间】2008
- 【分类号】F301;F224