基于灰色预测和神经网络的人口预测

人口预测是土地利用总体规划的重要基础工作。未来人口规模是土地利用总体规划中确定各类土地需求量控制性指标,调整土地利用结构,实现土地供需平衡,解决人地矛盾的重要依据。人口预测是否科学准确,直接关系到总体规划方案是否合理和实用。利用灰色预测建模所需信息少、方法简单的特点和神经网络具有较强的非线性映射能力的特性,提出一种基于灰色预测和神经网络的人口预测方法。首先对人口规模的NARMA(p,q)的递归网络模型进行一步预测及其灰色预测GM(1,1)等维新息模型预测,然后再用前馈神经网络对GM(1,1)模型和递归网络模型的预测值进行组合预测以作为其最终的预测值。以温州市为例,对其总人口进行了试验预测。结果表明:NARMA(p,q)递归网络模型比GM(1,1)模型具有更高的预测精度,而FNN模型的组合预测效果优于其它单一预测模型。

求解多目标规划问题的Pareto多目标遗传算法

针对传统的多目标优化方法的局限性 ,提出用于多目标规划问题求解的 Pareto多目标遗传算法。实验结果表明 ,该算法是可行有效的 。

基于灰色预测和神经网络的城市建设用地量预测

采用灰色预测和NARMA(p,q)递归网络模型预测相结合的方法,对城市建设用地量预测值进行神经网络组合预测,在杭州市的实际应用中得到了较好的结果。

规范农村集体土地使用权流转管理研究

从分析目前农村集体土地使用权流转管理中存在的主要问题着手,就集体土地产权主体和权能、集体土地使用权制度改革、农村土地产权登记和产权转移审批管理、集体非农建设用地地价评估体系、征地补偿标准改革、土地收益分配与使用的监管等方面提出了对策建议,以期达到规范集体土地使用权流转管理、维护土地所有权和使用权者的合法权益、优化土地资源配置、促进土地市场健康有序地发展。

当前土地整理新增耕地存在的问题

农村土地整理在保持耕地总量动态平衡中的作用越来越显著。针对土地整理工作实践,分析目前新增耕地存在的主要问题并提出了对策措施,通过加强农村土地整理管理,以实现真正意义上的耕地保有量和耕地总量动态平衡。

基于GASA优化支持向量机的基准地价测算

研究目的:以江西省赣县县城商业用地为例,探讨支持向量机在基准地价测算中的应用。研究方法:支持向量机法和对比分析法。研究结果:支持向量机的测算精度明显高于传统的回归模型和BP网络模型方法。研究结论:该方法是可行有效的,能够用于基准地价测算。

基于GASA混合策略的BP网络在基准地价测算中的应用

结合遗传算法的并行搜索结构和模拟退火的概率突跳特性 ,提出了一种用于BP网络权值学习的GASA混合策略。以江西省赣县县城商业用地为例 ,应用基于GASA混合策略的BP网络对其基准地价进行了测算 ,并与回归模型方法作了比较。结果表明 ,混合策略能有效地避免BP算法陷入局部极小和网络单目标学习易产生的过拟合现象。将神经网络用于基准地价的测算 ,精度优于常规的回归模型方法。

基于支持向量机的标准农田地力等级评价——以浙江省温州市鹿城区为例

提出了一种基于支持向量机(SVM)的标准农田地力等级评价方法,并给出了遗传算法-模拟退火(GASA)优化SVM参数算法。该方法首先在确定标准农田地力等级评价指标的基础上,利用地力调查样本数据及传统的指数和法评价结果构造SVM样本集,然后运用GASA优化SVM参数算法训练SVM,建立标准农田地力等级的SVM评价模型。应用该方法对温州市鹿城区标准农田地力等级进行了评价,结果为:2级田和3级田分别占测试样本代表标准农田总面积(115.7 hm2)的45.04%和54.96%,该方法的评价正确率为100%。应用BP神经网络法对测试样本进行评价,其评价正确率为90%。结果表明,SVM用于标准农田地力等级评价,具有比BP神经网络更高的评价精度,可有效用于标准农田地力等级评价,为耕地地力评价提供了新方法。

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。

农村宅基地复耕存在的问题与对策——以温州市为例

通过分析温州市宅基地复耕实践中存在的新增耕地面积虚假、弃耕抛荒和违法重建等问题,提出了加强宅基地复耕项目立项管理,建立项目验收委托审计制度和改进验收方法,做好项目后续管理等加强农村宅基地复耕管理的对策措施,以促进农村宅基地复耕工作健康发展,实现真正意义上的耕地总量动态平衡。

加强补充耕地审查 确保耕地占补平衡

耕地占补平衡制度是实现严格保护耕地的法定内容,必须不折不扣地执行。土地开发整理是实现耕地占补平衡的重要手段。针对当前土地开发整理工作的实践和耕地占补平衡的清查,分析了耕地占补平衡和补充耕地存在的主要问题,并提出了对策建议,通过加强对补充耕地的严格审查,确保补充耕地的数量和质量,以实现真正意义上的耕地占补平衡。

基于多目标遗传算法的土地利用空间结构优化配置

针对如何将土地利用数量结构落实到具体的地域空间,以实现土地资源的优化配置的土地利用总体规划编制难点,以及常规的叠加法等土地利用配置方法难以根据土地适宜性评价结果,有效地将土地利用数量结构匹配到具体的土地单元问题,该文利用遗传算法的内在并行机制及其全局优化的特性,提出了基于多目标遗传算法的土地利用空间结构优化配置方法。实例分析表明,该方法具有客观性强、灵活性高、操作简便等优点。

基于粗糙集和支持向量机的标准农田地力等级评价

标准农田是耕地的精华,是确保国家粮食安全的关键。科学评价标准农田地力等级对标准农田培肥和土壤改良有着重要意义。将粗糙集(Rough Set,RS)理论和支持向量机(SupportVector Machine,SVM)相结合,提出了基于RS和SVM的标准农田地力等级评价方法,同时,利用遗传算法的并行搜索结构和模拟退火的概率突跳特性,提出了GASA优化SVM参数算法。该方法首先在确定标准农田地力等级评价指标的基础上,利用地力调查样本数据及传统的指数和法评价结果构建RS决策表,应用RS穷尽算法对决策表进行约简,剔除冗余的评价指标,然后用约简后的评价指标作为SVM的输入,运用GASA优化SVM参数算法对SVM进行训练,建立标准农田地力等级的RS-SVM评价模型。应用该方法对温州市鹿城区标准农田地力等级进行评价,与未用RS约简的SVM模型和BP神经网络模型评价结果进行对比,SVM模型和BP神经网络模型的输入指标数均为15个,其评价正确率分别为100%和90%;RS-SVM模型的输入指标数为14个,其评价正确率分别为100%,结果表明,该方法通过RS约简评价指标后,SVM评价精度并没有降低,但降低了SVM输入向量维数和计算复杂度,提高了训练效率;SVM用于标准农田地力等级评价,具有比BP神经网络更高的评价精度,可有效用于标准农田地力等级评价,为耕地地力评价提供了新方法。