下载文档原格式
许世卫研究员团队：基于深度学习的多种农产品供需预测模型（《智慧农业（中英文）》2022年第2期）引用格式：庄家煜, 许世卫, 李杨, 熊露, 刘克宝, 钟志平. 基于深度学习的多种农产品供需预测模型[J]. 智慧农业(中英文), 2022, 4(2): 174-182.ZHUANG Jiayu, XU Shiwei, LI Yang, XIONG Lu, LIU Kebao, ZHONG Zhiping. Supply and demand forecasting model of multi-agricultural products based on deep learning[J]. Smart Agriculture, 2022, 4(2): 174-182.长按下图识别二维码，收听此篇文章介绍点击直达知网阅读点击直达官网阅读（全文，免费）基于深度学习的多种农产品供需预测模型庄家煜1，2，许世卫1，2*，李杨3，熊露1，2，刘克宝3，钟志平1，2（1.中国农业科学院农业信息研究所，北京100081；2.农业农村部农业信息服务技术重点实验室，北京 100081；3.黑龙江省农业科学院农业遥感与信息研究所，黑龙江哈尔滨 150086）1 引言农产品供需分析预测有助于积极释放市场信号、引导农业生产，一直受到国内外研究者的广泛关注，通常可分为农产品产量预测和需求预测两方面。
其中，产量预测研究多基于气象、遥感和作物生长机理等模型，结合线性回归、时间序列、人工智能等方法进行预测；需求预测研究多采用人均营养摄取推算法、趋势和经验估算法、结构模型预测法等。
农业系统具有很强的非线性、随机性和动态特征，其模型能否有效应用依赖于模型参数的快速、准确估算。
传统的统计方法不能全方位对农产品供需过程进行定量描述，需充分发挥深度学习模型所具备的时间、空间数据连续等优势。
本研究结合农学、信息技术、经济学等多学科知识，在积累的大量监测数据基础之上，充分考虑农产品品种、时间、收入、经济发展等因素影响，应用长短时记忆神经网络（LSTM）等智能算法在多维变量非线性特征感知中的优势，优化传统农产品供需预测模型。
农用地基准地价评估方法初探黄志军发表时间：2019-06-28T09:05:09.697Z 来源：《防护工程》2019年第7期作者：黄志军[导读] 基准地价的评估既是土地税收和收益分配的标准，也是国家对土地价格进行宏观调控的重要依据。
摘要：在利用样地地价求基准地价的模式中有传统的评估方法：收益还原法、市场比较法、成本逼近法、剩余法。
本文将从农用地基准地价评估思路开始，分别讲述这几种评估方法。
关键词：农用地；基准地价；评估方法基准地价是某一时点上，在城镇土地级别或均质区域内，在平均容积率水平下和一定开发程度下的同一用途（商业用地、住宅用地、工业用地等）的法定最高出让年限的土地使用权的平均价格。
基准地价的评估既是土地税收和收益分配的标准，也是国家对土地价格进行宏观调控的重要依据。
农用地基准地价，指市级（或县级）政府依据农用地的区域和级别，按照土地利用方法，对某一级别农用地在某日的平均价格分别进行评估后得到的价格。
农用地基准地价可以反映该级别农用地的质量和预期收益能力，是农用地的某种级别的平均价格，其实质是农用地内部的流转价格。
一、农用地基准地价评估的思路农用地基准地价评估应按照同一市场供需圈内，土地使用价值相当、等级一致的土地，应具有同样的市场价格的原理进行。
首先将农用土地按照影响土地使用价值优劣的土地条件和区位优劣，划分为土地条件均一或土地使用价值相等的区域或级别，并进行不同区域分类。
然后在同一级别或类型区域中，从土地使用者己取得的土地收益、土地交易中成交的地租和市场交易价入手，测算出不同土地利用类型在不同级别或土地条件均质区域上形成的土地收益或地价，进而评估出基准地价。
对以土地级别为基础进行基准地价评估的，由于不可能直接得到各级别的基准地价，一般利用两种模式来测算：（1）先利用不同类型样地的资料测算土地的收益，然后各样地的收益与土地质量建立土地收益与土地质量的关系式，利用这些关系式与各级各类土地的质量分别计算不同土地利用类型在不同级别上的土地收益，然后利用不同级别的土地收益测算不同级别的土地价格，结果即为各级的基准地价;（2）先利用足够多的样地的资料测算各级各类土地的价格，然后将这些价格平均，各级各类农用地样地平均价格即为基准地价。
以神经网络为基础的城乡交错区土地估价方法探讨摘要：伴随着国民经济的稳健快速发展，以及在土地改革方面的持续深化，土地估价工作已逐渐转变成我国土地使用制度改革架构当中的一项客观要求。
为了能够将既往固化的手工作业方式给予改变，在现实工作中，需要结合实际需要，且与国土资源信息化管理建设的未来发展方向相一致，积极开发土地估价信息系统。
本文围绕城乡交错区土地，设计了对其进行估价的人工神经网络系统。
首先以城乡交错区为对象，构建了与之相对应的地价判断指标体系，并围绕城乡交错区土地估价，进行了与之相匹配的神经网络模型的构建，最后结合实例，就神经网络土地估价方法具体应用展开深层次剖析，望能为此方面的操作研究提供一些借鉴或参考。
关键词：城乡交错区；土地估价；神经网络我国还未实施改革开放前，城乡土地所采取的是单一行政划拨制度，没有期限无偿的提供给使用者，而在使用者之间，土地的使用权不能进行流转。
改革开放之后，我国在土地管理制度上，开始了全面且深入性的改革，多从两方面来开展，其一为改革土地行政管理制度，其二是改革土地使用制度，即把土地的所用权与使用权进行全面分离，在使用权方面，将既往没有期限并且无偿的使用转变为有固定期限且有偿的进行使用，以期拥有商品的属性，并且能够进入到市场中进行流通。
需要指出的是，为了能够使土地有偿使用制度以更加规范、科学的方式来落实，需对土地的价格进行估算。
城乡交错区土地是一种较特殊的土地类型，需强调的是，怎样对处在城乡交错区土地的价值有一全面、深入且正确的认知，已经成为现阶段房地产理论与实践操作需迫切解决的难题。
1.城乡交错区概述R.J.Pryor早在上个世纪60年代末便已经率先提出了城乡交错区的基本概念，即城乡交错区实际就是无论是在城乡土地利用上，还是在社会与人口统计学等方面，均存在显著的差异特征，并且处在城市郊区或处于连片状态的建成区，与此同时，基本上无非农业住宅、非农业土地利用以及非农业占地的一种土地利用转变区，其通常处在纯农业腹地与城市用地逐渐。
基于GIS的神经网络法在宗地地价评估中的应用吴明发;陈美球;赵小汎;周丙娟【期刊名称】《热带生物学报》【年(卷),期】2007(013)001【摘要】为了对城市宗地地价进行评估,采用RS和GIS技术对宗地估价底图图层等资料进行更新和管理.建立GIS宗地估价信息系统并从中提取相似交易宗地,提出利用人工神经网络、结合特尔菲法建立宗地地价评估指标体系,以宗地地价为评估目标的宗地评估方法.本文在模型建立过程中,以南昌市22个商业用地资料中的18个为学习样本,以5个评估指标为输入,以宗地地价为输出,建立了三层BP人工神经网络,并以其余4个商业用地资料作为验证,取得了较好的模拟效果.有效地解决了一次大批量地价评估的难题,为宗地地价评估提出新的方向.【总页数】5页(P65-69)【作者】吴明发;陈美球;赵小汎;周丙娟【作者单位】广东海洋大学农学院,广东湛江,524088;江西农业大学国土学院,南昌,330045;江西农业大学国土学院,南昌,330045;中国科学院沈阳应用生态研究所,沈阳,110016;中国科学院研究生院,北京,100039;江西农业大学国土学院,南昌,330045【正文语种】中文【中图分类】F301.3【相关文献】1.非均质随机扩散方程在城市宗地地价评估中的应用 [J], 刘军芳2.城镇宗地地价影响因素指标在地价评估中的应用研究 [J], 杨健;黎勇;胡坚3.基于GIS实现宗地地价评估系统 [J], 刘传平;吴信才4.基于GIS的网格地价实现及在基准地价评估中的应用\r——以宁波市城区住宅用地为例 [J], 高鹏;陈玲玲5.基于人工神经网络的模糊宗地地价评估模型研究 [J], 王华;李雯雯;牛继强;刘殿峰因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度置信网络的农用地基准地价评估模型构建探索
发表时间：2019-08-26T11:03:28.547Z 来源：《建筑细部》2018年第28期作者：何晓波
[导读] 农用地基准地价评估模型的构建是建立在对土地级别和价格等内容系统分析基础上的，通过一定的技术手段对土地进行等级划分，进而准确预估出农用基地基准价。
基于此，本文将对深度置信网络技术的基本理论进行分析，简述农用地基准地价评估的主要问题及思路，并结合辽宁省凌海市的自然情况，在深度置信网络背景下，探寻农用地基准地价评估模型的构建模式。
何晓波
广东恒正不动产评估有限公司广东惠州 516000
摘要：农用地基准地价评估模型的构建是建立在对土地级别和价格等内容系统分析基础上的，通过一定的技术手段对土地进行等级划分，进而准确预估出农用基地基准价。
基于此，本文将对深度置信网络技术的基本理论进行分析，简述农用地基准地价评估的主要问题及思路，并结合辽宁省凌海市的自然情况，在深度置信网络背景下，探寻农用地基准地价评估模型的构建模式。
关键词：深度置信网络；农用；地基；准地价；评估；模型
农用地基准地价评估工作的有效开展对农业供给侧结构性改革具有重要的推动作用，是农村用地深化改革的一项重要举措，这不仅为我国科学、统一管理农用土地合理发展提供了可供参考的数据信息，还对优化农村土地经营管理工作起着不可估量的作用。
一、深度置信网络的理论基础
一般来说，深度置信网络是利用隐层感知器和多层神经网络学习算法将低层特征形成转化为抽象高层，通过这种新兴的学习算法得出层次化的特征表示，进一步提升分类和预测信息的精准程度。
深度置信网络融合了有、无监督学习，主要是由受限的玻尔兹曼机和反向传播网络构成的网络神经网络，通过无监督的学习方式训练无监督的受限玻尔兹曼机，然后再对其进行精微调整。
RBM是受限玻尔兹曼机的英文简称，主要是由一个可视层和一个隐含层构成的，他们分别用v和h来表示，将二部图之间的关系利用权重加以接连，用w表示，同层单元则无需连接。
可视层和隐含层中的可见节点和隐含节点使用权值wij表示，并确保wij=wji，0<i<m，
0<j<n。
受限玻尔兹曼机利用抽样的方式适时调整连接权值的偏置参数，并通过无监督学习的方式让隐含特征信号h还原，以此缩小v'与 v 之间的误差。
因为不能精准确定概率变化斜率计算的实际步长，这时就可以采用比散斜度算法提升受限玻尔兹曼机训练过程的准确性。
二、农用地基准地价评估的影响因素及模型构建思路
自然条件、经济发展水平和所处位置都是制约农用地基准地价评估需要分析的重要因素，最终结果可通过各项影响因素清晰地展示出农用基准地价的结构性特质，还折射出风俗人情等社会人文信息对其的产生的波动性影响表现。
从根本上来说，农用地基准地价评估就是在综合分析影响因素的前提下，通过评估模型的构建地价、各种限制条件，利用映射关系推导出不同空间区域的农用地基准价的评估价格，进而为均质区域内的基准价评估提供可供参考的数据信息。
结合同一市场供需量来看，我国农用基准地价评估应采用土地基本条件均衡、等级相当的土地，通过市场价格原理把农用土地按照一定的优劣等级进行划拨，并进行区域分类。
随后在同一等级、同一类型的农用地基中按照土地收益情况和已成交项目交易价格，预估出不同级别、不同土地自然条件、土质基本均质区域的农用基准地价收益和价格，从而准确评估出农用地基准地价[1]。
三、深度置信网络背景下的农用地基准地价评估模型的构建方式
凌海市地图
本文的研究区域及数据资料来源为辽宁省凌海市，该市位于辽宁省的西部，由低山丘陵构成，该区域内的平均海拔为552米，地势呈现西南和北部高、东南低的态势，最低点在该市南部，平均海拔仅为280米。
褐土占凌海市土壤总面积的85%以上，土壤有机质和全氮含量偏低。
本文的数据来源是在全市范围内通过实践考察得来的，并通过电子地图进行位置精准查找，以此保证数据信息的可靠性，对于每个土地样点的农作物产量、农用地使用权转让、土壤开发使用等内容进行全面收集和整合。
本调查对凌海市水稻田、旱地及菜地的实际产量、人力与物力的投入、生产所需种子及化肥费用、农产品的市场价格等进行收集和整理，效的样点共计360个。
通过收益还原的方式对农用地基准地价进行计算，并把地价修正到农用地基准地价的标准价格[2]。
利用深度置信网络构建起农用地基准地价评估模型，通过模型的输入层、多层受限玻尔兹曼机和误差逆传播算法训练的多层前馈网络层的精微调整，输入层的土地价格影响因素设置成xl，输出层为评估地价为yl。
利用z-score的方法对收集得来的数据进行统一处理，公式z=（x-Φ）/σ中z代表了归一化处理后的数据特征值，x代表了某一具体实际特征值，Φ 则代表了平均数，σ则代表了标准差。
通过归一化处理主要是为了达到深度网络置信的对特征数据输入格式的基本要求，从而消解不同因素对地价评估的影响。
将收集得来的土地原始资料样本依据一定的比例划分成训练样本与测试样本集合，并将样本集合设置成Y。
将训练成本的D维特征作为样本预训练的输入项，将低价向量Y作为输出项，通过层级无监督的方式来训练模型中的受限玻尔兹曼机。
将每一层级的可视层和隐藏层设
置成hj和vj，按照下列式子进行计算，，bj 代表了可视层的偏置量，ci 则代表了隐含层的偏置量，参数空间分别用w、b和c 来表示。
微调整处理：通过有监督学习的方式对BP网络进行训练，也是把最后一层级的受限玻尔兹曼机的输出从误差逆传播算法训练的多层前馈网络输入端口转至输出端口，再结合前项传播的输出结果和预期值进行反向传播，从而实现了对深度置信网络各项参数进行微调，以此达到既定数值[3]。
模型测试及地价评估：把需要测试的信息数据输入到训练达标的深度置信网络中，通过公式计算得出平均评估误差λ，把它当做衡量深度置信网络评估性能的标准之一，式子当中的Ytest代表样本中信息中的实际地价值，Ntest 代表着测试样本数量值，Y则代表了评估模型的输出地价值。
?评估单元地价值的计算：将需要评估信息数据的单元特征值进行量化处理，依据公式z=（x-Φ）/σ进行归一处理，并将数值输入到训练好的深度置信网络模型中，即可得出需要评估单元的地价值。
通过总分频率的方式，并将所需评估单元的输出地价值作为划分单元级别的重要参考数据，利用道路、农用土地的权限、线状地物验证划分级别的准确性[4]。
对于不同级别的土地而言，因为不能准确得出农用地基准地价，就可采用如下方式进行预估：通过对差异化的样地资料测算出该类型土地的实质性收益，再通过各种类型样地的收益和基本条件搭建起土地收益和土地质量之间的密切关系，然后再通过这些关系和土地的自然情况计算出土地的收益值，这也就是农用地基准地价的评估结果；收集得来的大量数据资料是计算出土地价格的重要依据，各种类型的农用样地的平均价格数值，也就是我们所需的基准地价。
对于土地基本条件均质区域范围内的基准地价来说，它是建立在区域归类的基础上的，区域归类完成后，最后再对同一类别区域的旱地、水田、样地等地价资料进行基准地价评估模型的构建。
深度网络置信的背景下，评估基准地价的基本形式主要是利用深度置信网络计算得出均质区域内所使用的各种收益得出基准地价[5]。
结束语
综上所述，深度置信网络背景下，对于农用地基准地价评估来说，应采用精准的调研方式为地价评估研究提供精准数据和可行的方法，从而为模型构建创新发展新渠道贡献力量。
经过对农用地价样本信息数据的训练结果的推导，可知深度置信模型的精准度极高。
对此，只有不断完善深度置信网络农用地基准地价评估模型的构建模式，才能不断提升基准地价评估的结果的准确性，也就是说，采用这种评估模型构建的形式对地价评估数值更为准确。
参考文献：
[1] 黄海，刘学，鲜玲. 基于GIS技术的城镇基准地价评估[J]. 技术与市场，2018，v.25；No.294（6）：119-120.
[2] 引入深度学习的城市基准地价评估模型研究[J]. 中国土地科学，2018，32（9）.
[3] 王华，罗平，赵志刚，et al. 基于深度置信网络的农用地基准地价评估模型[J]. 农业工程学报，2018，34（21）：271-279.
[4] Sampathkumar V，Santhi M H，Vanjinathan J. Forecasting the land price using statistical and neural network software[J]. Procedia Computer Science，2015，57：112－121.
[5] Schmidhuber J. Deep learning in neural networks：an overview[J]. Neural Networks the Official Journal of the International Neural Network Society，2015，61：85－117.。
