项目来源

国家自然科学基金(NSFC)

项目主持人

周生路

项目受资助机构

南京大学

项目编号

41771243

立项年度

2017

立项时间

未公开

项目级别

国家级

研究期限

未知 / 未知

受资助金额

63.00万元

学科

地球科学-环境地球科学-基础土壤学

学科代码

D-D07-D0709

基金类别

面上项目

关键词

耕地质量 ; 深度学习 ; 土地评价 ; 省域尺度 ; 大数据 ; land evaluation ; arable land quality ; big data ; deep learning ; provincial scale

参与者

吴绍华；王春辉；王君櫹；陆春锋；李保杰；刘瑞程

参与机构

浙江财经大学；杭州电子科技大学；南京财经大学；江苏第二师范学院；南京信息工程大学；南京大学

项目标书摘要：针对传统抽样估测全体、分区评价逐级汇总方法在区域耕地质量评价精细度等方面的不足，项目申请人拟在土地评价理论方法研究与实践长期积累基础上，与地理信息专家合作，以江苏省为例，通过采集遥感、土壤属性及其他相关数据，开展大数据方法下省域大尺度耕地质量等级的空间精细评价研究。探索耕地质量空间精细评价大数据的结构体系与集成建库的方法，深度学习等模型训练构建的方法及不同机器学习方法的组合应用；揭示耕地质量大数据评价模型的学习训练样本多少以及大数据库组成数据丰缺对结果精度的影响，识别影响显著的数据类别与属性指标；分析评价单元面积大小变化对结果精度影响的尺度效应，探讨省域大尺度耕地质量等级空间精细评价的最适单元面积；比较耕地质量大数据方法评价结果精度的空间分异及其与传统方法的差异，实证大数据方法进行省域大尺度耕地质量等级空间精细评价的可行性及其优劣势。

Application Abstract: In view of the traditional sampling estimate all assessment compilation evaluation method lack of granularity in the regional cultivated land quality,the project applicant intends to carry out large data method to study on large scale of provincial land quality space fine evaluation,based on the long-term accumulation of theory and practice of land evaluation,cooperating with geographic information experts,taking Jiangsu Province as an example,through the acquisition of remote sensing,soil properties and other related data.To Explore the method of structural system of cultivated land quality space fine evaluation big data and integrated database,method of deep learning model construction and training of different machine learning methods combined application;training data reveal the evaluation model of cultivated land quality data and database data of abundance on the accuracy of identification of significant data categories with the attribute index;scale effect analysis of change in the size of the unit area evaluation of effects on the accuracy,quality grade of provincial farmland large scale fine evaluation of optimum unit area;the difference of cultivated land quality evaluation of large data precision of the spatial differentiation and the traditional method,the advantages and disadvantages of the feasibility of the quality level of provincial large scale the empirical data of cultivated land fine evaluation method.

项目受资助省

江苏省

项目结题报告(全文)

针对现有大尺度耕地质量评价存在的分区评价逐级汇总效率低、易造成数据丢失、一致性差、等问题，项目通过梳理影响耕地质量的驱动因素与被驱动因素，将其分解到土壤理化性质指标、遥感指标、气象指标和社会经济指标等具体数据，通过谷歌云计算基础部件组合构建包括数据采集平台、数据存储仓库和数据分析平台等的云计算平台，开展了耕地质量评价研究大数据集与运算平台构建研究；融合大数据方法与传统方法各自特点与优势，以江苏全省为研究区，依据基础大数据集，运用深度学习方法，组合卷积层、池化层、激活层和逆卷积层建立全卷积神经网络模型进行了省域大尺度耕地质量等级评价研究；将机器学习方法与克里格方法融合、深度学习方法与面向对象方法融合，研究了分析方法融合和参评数据优选对大数据土壤属性空间预测和耕地质量评价结果精度的影响，探讨了大数据分析的方法的改进以及特定和限制条件下大数据方法的应用策略；以归一化植被指数(NDVI)遥感数据为支撑，开展了不同样本构建方法下耕地质量级别模拟预测精度差异对比和样本数据集优选，以及更快速高效的耕地质量级别模拟预测样本构建优化方法等研究。项目得到了通过对大数据的深度学习可以有效开展省域大尺度耕地质量评价，实现耕地质量评价的精细化，并完全基于数据驱动一次性获得评价结果；耕地质量评价所依据的基础大数据集中每个参评因子对预测评价结果的精度均有贡献，不可轻易忽略等结论。项目按照申请计划书完成了全部研究内容，已申请专利1项，获计算机软件著作权登记1项；发表学术论文25篇，其中SCI/SSCI收录21篇，第一标注21篇，第一标注SCI/SSCI收录14篇；出版学术专著1部，超额完成了申请计划书的目标。项目实证了大数据方法进行省域大尺度耕地质量等级空间精细评价的可行性，为土地资源以及生态环境评价提供了新方法、新途径。