基于GA-BP神經(jīng)網(wǎng)絡(luò)的珠三角耕地質(zhì)量評(píng)價(jià)

葉云 ，趙小娟，胡月明 *

1. 華南農(nóng)業(yè)大學(xué)資源環(huán)境學(xué)院，廣東 廣州 510642；2. 國(guó)土資源部建設(shè)用地再開(kāi)發(fā)重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510642；3. 廣東省土地利用與整治重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510642；4. 廣東省土地信息工程技術(shù)研究中心，廣東 廣州 510642；5. 佛山職業(yè)技術(shù)學(xué)院，廣東 佛山 528137

耕地及耕地質(zhì)量對(duì)于中國(guó)糧食安全、經(jīng)濟(jì)良性發(fā)展及社會(huì)和諧穩(wěn)定都是至關(guān)重要的。中國(guó)國(guó)耕地質(zhì)量問(wèn)題已十分突出，就珠三角地區(qū)而言，情況亦不容樂(lè)觀。改革開(kāi)放以來(lái)，經(jīng)濟(jì)發(fā)展導(dǎo)致耕地?cái)?shù)量銳減，尤其是城鎮(zhèn)建設(shè)占用大量?jī)?yōu)質(zhì)農(nóng)田，人類活動(dòng)對(duì)農(nóng)業(yè)土壤影響劇烈；另外，新技術(shù)、新品種的投入，給耕地帶來(lái)了土地污染等隱性安全隱患，嚴(yán)重威脅社會(huì)經(jīng)濟(jì)持續(xù)發(fā)展和生態(tài)環(huán)境（張景茹等，2015）。因此，在優(yōu)質(zhì)耕地資源不斷被侵占、數(shù)量不斷減少的背景下，積極開(kāi)展耕地質(zhì)量評(píng)價(jià)研究，是順應(yīng)社會(huì)經(jīng)濟(jì)發(fā)展與解決糧食安全的可靠選擇。

耕地質(zhì)量是耕地各種性質(zhì)的綜合反映，涉及到自然、社會(huì)經(jīng)濟(jì)、環(huán)境等因素。而傳統(tǒng)的耕地（土壤）質(zhì)量評(píng)價(jià)主要從土地自然生產(chǎn)潛力的角度出發(fā)，基于土地自然屬性選取要素構(gòu)建指標(biāo)體系并對(duì)耕地進(jìn)行適宜性評(píng)價(jià)及分級(jí)（Bui et al.，2006；Parisi et al.，2005）。近年來(lái)，社會(huì)發(fā)展、經(jīng)濟(jì)水平和利用方式等對(duì)環(huán)境有影響的因素在耕地質(zhì)量評(píng)價(jià)中受到普遍關(guān)注，在評(píng)價(jià)中開(kāi)始注重考慮自然與環(huán)境、生態(tài)、社會(huì)、經(jīng)濟(jì)等眾多因素（孔祥斌等，2008；奉婷等，2014；朱傳民等，2015）。在耕地質(zhì)量評(píng)價(jià)中，由于選取的指標(biāo)不同，分析目標(biāo)的差異，選擇的評(píng)價(jià)方法也不同。隨著 3S技術(shù)、計(jì)算機(jī)技術(shù)和數(shù)學(xué)模型的應(yīng)用和研究不斷增多，耕地質(zhì)量評(píng)價(jià)方法和手段也日趨豐富，從簡(jiǎn)單的定性描述發(fā)展為定量和半定量分析。但無(wú)論采用哪種方法，評(píng)價(jià)指標(biāo)的篩選、指標(biāo)等級(jí)的劃分或指標(biāo)權(quán)重的確定，都會(huì)影響評(píng)價(jià)結(jié)果。因此，構(gòu)建合理的評(píng)價(jià)指標(biāo)體系、探尋有效的評(píng)價(jià)方法已成為當(dāng)前耕地質(zhì)量評(píng)價(jià)研究的重要內(nèi)容。目前，耕地質(zhì)量評(píng)價(jià)所采用的方法主要包括指數(shù)和法、模糊評(píng)價(jià)法、物元分析法、地統(tǒng)計(jì)學(xué)方法等，而這些方法都或多或少地存在主觀性或其他不足，很難保證客觀全面（林志壘，2008；沈仁芳等，2012）。近年來(lái)又涌現(xiàn)出許多新算法，將不同方法進(jìn)行集成，取長(zhǎng)補(bǔ)短以實(shí)現(xiàn)優(yōu)勢(shì)組合，減少數(shù)據(jù)分析量對(duì)評(píng)價(jià)方法的限制。其中，智能化方法是耕地質(zhì)量評(píng)價(jià)研究的熱點(diǎn)和發(fā)展趨勢(shì)之一（閆一凡等，2014）。賴紅松等（2011）基于粗糙集和支持向量機(jī)對(duì)標(biāo)準(zhǔn)農(nóng)田地力等級(jí)進(jìn)行評(píng)價(jià)，陳桂芬等（2011）探討了聚類、粗糙集與決策樹(shù)的組合算法在地力評(píng)價(jià)中的應(yīng)用。耕地質(zhì)量受各影響因素綜合作用，并非呈單純的線性關(guān)系，而神經(jīng)網(wǎng)絡(luò)適用于多因素影響的非線性信息問(wèn)題處理。因此，運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行耕地質(zhì)量綜合評(píng)價(jià)是可行的（李小剛等，2015）。郄瑞卿等（2014）、高悅（2012）、潘潤(rùn)秋等（2014）分別應(yīng)用自組織神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Net-work，BP）、粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)耕地自然質(zhì)量進(jìn)行評(píng)價(jià)。

BP神經(jīng)網(wǎng)絡(luò)是一種在理論和應(yīng)用方面發(fā)展都較為成熟的逆向傳播算法的多層前饋式網(wǎng)絡(luò)，具有多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。其應(yīng)用十分廣泛，但同時(shí)也具有易形成局部極小而得不到全局最優(yōu)、效率低、收斂慢等缺點(diǎn)（黃慶斌，2010），故對(duì)神經(jīng)網(wǎng)絡(luò)的優(yōu)化成為了研究重點(diǎn)。在多種優(yōu)化方法中，遺傳算法（Genetic Algorithm，GA）具有較好的全局搜索能力，可快速搜索解空間，有很強(qiáng)的魯棒性等優(yōu)點(diǎn)，其對(duì)神經(jīng)網(wǎng)絡(luò)的優(yōu)化是一種較成熟有效的方法（吉根林，2004；吳玫等，2008）。

本文以珠三角耕地為研究對(duì)象，構(gòu)建適用于該區(qū)域的評(píng)價(jià)指標(biāo)體系，引入遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，采用 GA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行耕地質(zhì)量綜合評(píng)價(jià)研究，避免設(shè)定指標(biāo)權(quán)重，可在一定程度上減少人為主觀性影響。本研究旨在探索出符合實(shí)際、較為準(zhǔn)確的高效的方法以提高評(píng)價(jià)效率，使其向更合理、更規(guī)范、更科學(xué)的方向發(fā)展，也為其他類似研究提供一定的借鑒與參考。

1 研究區(qū)概況及數(shù)據(jù)

1.1 研究區(qū)域概況

珠三角位于廣東省中南部，珠江下游，地處東經(jīng) 111°59'～115°26'，北緯 21°27'～23°56'，是中國(guó)經(jīng)濟(jì)最發(fā)達(dá)的地區(qū)之一。行政轄域包括廣州、深圳、珠海、佛山、肇慶、中山、東莞、江門(mén)及惠州等 9個(gè)地級(jí)市，涉及 48個(gè)縣區(qū)，土地面積占廣東省國(guó)土面積的23.2%。屬南亞熱帶海洋性季風(fēng)氣候，雨熱充沛，年均氣溫 21～23 ℃，年均降雨量1600～2300 mm，界內(nèi)有數(shù)千條大小河道縱橫交錯(cuò)。三角洲平原土地肥沃，土壤類型多樣，可分為5個(gè)土類，包括水稻土、赤紅壤、石灰土、紫色土和潮土。2014年珠三角土地總面積5.48×106hm2，其中耕地6.16×105hm2（不包含可調(diào)整地類），占全省耕地總面積的23.49%。

1.2 數(shù)據(jù)來(lái)源及處理

1.2.1 研究數(shù)據(jù)

研究數(shù)據(jù)涉及氣象、水文、土壤、地貌等自然條件統(tǒng)計(jì)資料，包括珠三角區(qū)域 2014年行政區(qū)劃圖、交通道路圖；珠三角及周邊區(qū)域 41個(gè)氣象站點(diǎn)近 10年的年日照時(shí)數(shù)、年降雨量等數(shù)據(jù)；土壤屬性數(shù)據(jù)來(lái)源于第二次土壤普查資料，包括土壤志、土種志、土壤普查報(bào)告；珠三角各地市農(nóng)用地分等數(shù)據(jù)；地質(zhì)災(zāi)害易發(fā)區(qū)相關(guān)數(shù)據(jù)來(lái)源于廣東省地質(zhì)災(zāi)害防治規(guī)劃（2011—2020年）；影像數(shù)據(jù)主要為在地理空間數(shù)據(jù)云平臺(tái)下載的2014年多幅30 m分辨率TM遙感數(shù)據(jù)；社會(huì)經(jīng)濟(jì)數(shù)據(jù)主要來(lái)源于2015年《廣東農(nóng)村統(tǒng)計(jì)年鑒》、《廣東統(tǒng)計(jì)年鑒》及各地市統(tǒng)計(jì)年鑒，以及 2014年的國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)。

1.2.2 數(shù)據(jù)處理

遙感影像數(shù)據(jù)的接收時(shí)間是7—12月，選擇無(wú)云或少云，影像質(zhì)量高的數(shù)據(jù)。對(duì)影像數(shù)據(jù)的預(yù)處理主要包括輻射定標(biāo)、大氣校正以及影像的拼接和裁剪等。遙感數(shù)據(jù)分類參考土地利用現(xiàn)狀分類（GB/T 21010—2007）以及中國(guó)科學(xué)研究院土地利用覆蓋分類體系，結(jié)合珠三角區(qū)域TM遙感影像特點(diǎn)和景觀異質(zhì)性，分為耕地、林地、草地、水域、建設(shè)用地和未利用地。分類結(jié)果的精度檢驗(yàn)是從遙感圖像上分層隨機(jī)選擇了100個(gè)樣點(diǎn)，保證各地類都有覆蓋且所包含樣點(diǎn)不少于 10個(gè)，采用目視解譯的方法結(jié)合實(shí)地調(diào)查與第二次土地調(diào)查成果，結(jié)果表明影像分類總體精度達(dá)到87.3%，Kappa系數(shù)也超過(guò)了0.7，分類達(dá)到使用要求。

2 研究方法

2.1 劃分評(píng)價(jià)單元

耕地質(zhì)量評(píng)價(jià)中各項(xiàng)指標(biāo)均有其計(jì)算或獲取的單元，這樣就會(huì)存在多種計(jì)算單元，社會(huì)經(jīng)濟(jì)數(shù)據(jù)多是以行政單元進(jìn)行統(tǒng)計(jì)的，而自然屬性數(shù)據(jù)多以自然單位為基礎(chǔ)。通過(guò)網(wǎng)格化則可將自然與人文數(shù)據(jù)轉(zhuǎn)換到統(tǒng)一的地理格網(wǎng)，實(shí)現(xiàn)評(píng)價(jià)單元的統(tǒng)一（高艷梅，2006）。因此劃分珠三角耕地質(zhì)量評(píng)價(jià)單元采用網(wǎng)格法，考慮到珠三角評(píng)價(jià)區(qū)域的因素差異及面積，以500 m×500 m網(wǎng)格作為評(píng)價(jià)單元，共劃分為24215個(gè)評(píng)價(jià)單元。

2.2 構(gòu)建評(píng)價(jià)指標(biāo)體系

影響耕地質(zhì)量的自然因素包括氣候、地形、土壤、水文、生物等，除此之外，還包括環(huán)境質(zhì)量狀況以及社會(huì)經(jīng)濟(jì)因素。耕地質(zhì)量評(píng)價(jià)的社會(huì)經(jīng)濟(jì)因素可以分為農(nóng)田基礎(chǔ)設(shè)施建設(shè)、區(qū)位條件和農(nóng)戶生產(chǎn)行為方式等。農(nóng)戶是耕地的直接利用者，其利用決策、利用方式、農(nóng)業(yè)投入對(duì)耕地質(zhì)量有很大影響（李賡等，2006）。

根據(jù)珠三角區(qū)域特點(diǎn)，遵循綜合性、主導(dǎo)性、差異性、科學(xué)性、可操作性等原則，采用資料統(tǒng)計(jì)和專家咨詢法，從自然質(zhì)量、經(jīng)濟(jì)質(zhì)量、利用質(zhì)量、生態(tài)質(zhì)量4個(gè)方面選擇年均日照時(shí)數(shù)、年均降雨量、坡度、土壤類型、土壤有機(jī)質(zhì)、表層土壤質(zhì)地、有效土層厚度、土壤養(yǎng)分元素、pH值、農(nóng)藥殘留污染指數(shù)、地質(zhì)災(zāi)害易發(fā)程度、水資源保證率、機(jī)械投入量、化肥施用量、勞動(dòng)力投入量、道路通達(dá)度、中心城鎮(zhèn)影響度、排水條件、耕地利用方式、耕地連片度等指標(biāo)構(gòu)建珠三角區(qū)域耕地質(zhì)量評(píng)價(jià)體系。如表1所示。

2.3 評(píng)價(jià)因素量化

首先進(jìn)行指標(biāo)標(biāo)準(zhǔn)化，并采用百分制[0, 100]的分值標(biāo)準(zhǔn)進(jìn)行賦分，各因子不同級(jí)別分值則按其對(duì)耕地質(zhì)量影響衰減程度及特爾菲法確定（邵華等，2008）。具體因子級(jí)別臨界值和等級(jí)劃分標(biāo)準(zhǔn)參考《耕地地力調(diào)查與質(zhì)量評(píng)價(jià)技術(shù)規(guī)程》（2008）、《廣東省農(nóng)用地分等定級(jí)與估價(jià)技術(shù)方案》（2004）、《農(nóng)用地質(zhì)量分等規(guī)程》及《農(nóng)用地定級(jí)規(guī)程》（2012）及有關(guān)文獻(xiàn)。

表1 珠三角耕地質(zhì)量評(píng)價(jià)因子級(jí)別指標(biāo)值及級(jí)別分值Table 1 Grade index value and grade value of cultivated land quality evaluation factors in Pearl River Delta

氣候條件：采用協(xié)同克里金法對(duì)氣象站點(diǎn)的近10年均降雨量和年均日照時(shí)數(shù)數(shù)據(jù)進(jìn)行插值分析，采用交叉驗(yàn)證法來(lái)檢查插值效果，年降雨量插值結(jié)果標(biāo)準(zhǔn)均方根誤差為1.120，標(biāo)準(zhǔn)平均值誤差為-0.013；年日照時(shí)數(shù)插值結(jié)果標(biāo)準(zhǔn)均方根誤差為 0.954，標(biāo)準(zhǔn)平均值誤差為-0.008，檢驗(yàn)結(jié)果是有效的。

土壤養(yǎng)分：主要涉及有機(jī)質(zhì)、全氮、有效磷、速效鉀等元素，根據(jù)國(guó)內(nèi)外對(duì)土壤肥力評(píng)價(jià)的研究結(jié)果，結(jié)合T型和S型效應(yīng)土壤肥力因子分級(jí)標(biāo)準(zhǔn)綜合評(píng)價(jià)法（李賡等，2006），確定土壤養(yǎng)分各因子權(quán)重，分別取值為0.3、0.3、0.2、0.2，通過(guò)加權(quán)處理方式計(jì)算土壤養(yǎng)分綜合分值。指標(biāo)分級(jí)及相應(yīng)分值如表1所示。

單位耕地面積投入：表示單位耕地面積上包括化肥施用、機(jī)械投入和勞動(dòng)力投入3方面的綜合投入量。根據(jù)珠三角實(shí)際情況分別賦予0.3、0.3、0.4的權(quán)重進(jìn)行加權(quán)綜合（秦元偉等，2010）。

耕地連片度：采用空間相連性計(jì)算法，利用ArcGIS的空間分析功能，定量計(jì)算地塊的集中連片程度（錢(qián)鳳魁，2011）。公式如下：

式中，F(xiàn)為耕地連片度；Si為連片面積現(xiàn)狀值；Smin為連片面積最小值；Smax為最大值。連片度指標(biāo)值取值范圍為[0, 1）。

水資源保證率：用各地有效灌溉面積占年末實(shí)有耕地面積的比重來(lái)表示。

地質(zhì)災(zāi)害易發(fā)程度：根據(jù)收集到的《廣東省地質(zhì)災(zāi)害防治規(guī)劃》和“十二五”規(guī)劃中對(duì)廣東省地質(zhì)災(zāi)害易發(fā)情況的區(qū)域劃分。

區(qū)位條件：包括交通通達(dá)度和中心城鎮(zhèn)影響度，利用 ArcGIS中的多級(jí)緩沖分析，設(shè)定不同的緩沖距離，再與耕地評(píng)價(jià)單元進(jìn)行空間鏈接得到評(píng)價(jià)單元值。

農(nóng)藥污染指數(shù)：采用單位耕地面積農(nóng)藥施用量來(lái)表示農(nóng)藥可能污染程度（陳朝等，2010）。

式中，ACPi為研究年農(nóng)藥污染風(fēng)險(xiǎn)；yi為年農(nóng)藥施用總量，xi為年末耕地面積。ACPi越大，說(shuō)明研究年耕地農(nóng)藥施用量較多，農(nóng)藥污染的風(fēng)險(xiǎn)上升，反之，則下降。

社會(huì)經(jīng)濟(jì)數(shù)據(jù)：采用中心點(diǎn)歸屬結(jié)合面積占優(yōu)的方法實(shí)現(xiàn)從行政單元向網(wǎng)格單元的轉(zhuǎn)化（朱良峰等，2004），如下公式：

式中，Wi是柵格i上的某指標(biāo)值；A為某區(qū)域行政單元該指標(biāo)的統(tǒng)計(jì)值；Si為柵格 i的面積；n是該區(qū)域行政單元的柵格個(gè)數(shù)。

其余指標(biāo)具體分級(jí)如表1所示。

2.4 GA-BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型

GA-BP神經(jīng)網(wǎng)絡(luò)結(jié)合GA的全局收斂性和BP局部快速搜索等優(yōu)點(diǎn)，能顯著地提高神經(jīng)網(wǎng)絡(luò)的性能。針對(duì)BP神經(jīng)網(wǎng)絡(luò)的缺陷引進(jìn)遺傳算法優(yōu)化連接權(quán)值，構(gòu)建應(yīng)用于耕地質(zhì)量評(píng)價(jià)中的 GA-BP神經(jīng)網(wǎng)絡(luò)模型，避免設(shè)定指標(biāo)權(quán)重，可在一定程度上減少人為主觀影響。

2.4.1 GA-BP神經(jīng)網(wǎng)絡(luò)流程

利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)連接權(quán)，主要包括兩部分（翟宜峰等，2003）：首先采用遺傳算法優(yōu)化網(wǎng)絡(luò)的初始權(quán)重，并將這些優(yōu)化值賦給網(wǎng)絡(luò)得到優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，以更好地預(yù)測(cè)輸出；再采用BP算法訓(xùn)練網(wǎng)絡(luò)。

在整個(gè)進(jìn)化過(guò)程中，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括隱含層數(shù)、隱含層節(jié)點(diǎn)數(shù)以及節(jié)點(diǎn)間的連接方式，是固定不變的（沈花玉等，2008）。遺傳算法只作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的一種學(xué)習(xí)算法，將其優(yōu)化后得到的編碼數(shù)據(jù)轉(zhuǎn)換為權(quán)重組合作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的初始權(quán)值（閾值），完成訓(xùn)練。GA-BP神經(jīng)網(wǎng)絡(luò)流程如圖1所示：

2.4.2 設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)模型

本研究BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層3層組成，具體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

（1）傳遞函數(shù)

采用自適應(yīng)梯度下降法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練函數(shù)采用 Trainbp，隱含層采用正切 S型傳遞函數(shù)，輸入層激勵(lì)函數(shù)采用Tansig函數(shù)，輸出層傳遞函數(shù)采用Purelin函數(shù)，其輸入和輸出值可取任意值。初始權(quán)值和閾值為默認(rèn)值。

（2）確定輸入層和輸出層神經(jīng)元數(shù)

選擇了16個(gè)指標(biāo)對(duì)珠三角耕地質(zhì)量進(jìn)行評(píng)價(jià)，因此輸入層有 16個(gè)神經(jīng)元；根據(jù)耕地質(zhì)量評(píng)價(jià)所表達(dá)的識(shí)別要求，1個(gè)輸出神經(jīng)元就能對(duì)耕地質(zhì)量進(jìn)行有效區(qū)分，即輸出層節(jié)點(diǎn)數(shù)為1。

圖1 GA-BP神經(jīng)網(wǎng)絡(luò)模型流程圖Fig. 1 GA-BP neural network model of flow chart

圖2 珠三角耕地質(zhì)量評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 2 Quality evaluation of cultivated land in the Pearl River Delta Based on BP neural network

（3）確定隱含層節(jié)點(diǎn)數(shù)

一般根據(jù)設(shè)計(jì)者的經(jīng)驗(yàn)和多次實(shí)驗(yàn)來(lái)確定最適隱含層神經(jīng)元個(gè)數(shù)（焦斌等，2013），參考公式：

式中，Nhid為隱含層節(jié)點(diǎn)數(shù)；Nin為輸入層節(jié)點(diǎn)數(shù)；Nout為輸出層節(jié)點(diǎn)數(shù)；a為1～10的常數(shù)。經(jīng)過(guò)試驗(yàn)，綜合考慮擬合和預(yù)測(cè)效果以及訓(xùn)練時(shí)間，在珠三角耕地質(zhì)量評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)模型中，當(dāng)隱層個(gè)數(shù)為9時(shí)，效果較好（表2）。

表2 BP神經(jīng)網(wǎng)絡(luò)不同隱含層節(jié)點(diǎn)數(shù)的訓(xùn)練次數(shù)與誤差Table 2 The training times and errors of BP neural networks with different hidden layer nodes

（4）初始權(quán)值及學(xué)習(xí)速率的選取

初始權(quán)值應(yīng)選分布均勻的小經(jīng)驗(yàn)值，一般在某一區(qū)間范圍取隨機(jī)數(shù)，由于數(shù)據(jù)已經(jīng)過(guò)標(biāo)準(zhǔn)化，遺傳算法中優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值在[0, 1]區(qū)間內(nèi)取值。系統(tǒng)傾向于選取較慢的學(xué)習(xí)速率以保證系統(tǒng)的穩(wěn)定性，學(xué)習(xí)速率的范圍在 0.01～0.7之間較優(yōu)。所以本文選取學(xué)習(xí)速率為 0.01，訓(xùn)練次數(shù)為1000。

（5）期望誤差的選取

采用改進(jìn)的方法（焦斌等，2013），在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中選擇均方誤差 MSE（mean squared error）作為性能評(píng)價(jià)參數(shù)。結(jié)束訓(xùn)練的條件是在檢驗(yàn)誤差沒(méi)有出現(xiàn)增大趨勢(shì)時(shí)訓(xùn)練樣本的均方誤差小于10-4。計(jì)算公式：

式中，m是輸出層節(jié)點(diǎn)數(shù)；p是訓(xùn)練樣本集的總數(shù)目； 是網(wǎng)絡(luò)的期望輸出值；ypj是網(wǎng)絡(luò)實(shí)際輸出值。

2.4.3 用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

（1）權(quán)值編碼

本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)是16×11×1結(jié)構(gòu)，用二進(jìn)制編碼易造成編碼串過(guò)長(zhǎng)，導(dǎo)致運(yùn)算速率下降，所以采用實(shí)數(shù)編碼，編碼長(zhǎng)度為：

式中，r為常數(shù)；S1為輸入層節(jié)點(diǎn)數(shù)；S2為輸出層節(jié)點(diǎn)數(shù)。

（2）設(shè)計(jì)適應(yīng)度函數(shù)

要求珠三角耕地質(zhì)量評(píng)價(jià)輸出結(jié)果為非負(fù)數(shù)，可將均方誤差的倒數(shù)作為適應(yīng)度函數(shù)。計(jì)算公式為（吳永明，2011）：

式中，i=1, 2, 3,…；N表示染色體數(shù)；k是輸出層節(jié)點(diǎn)數(shù)，k=1；m是學(xué)習(xí)樣本數(shù)；Y是實(shí)際輸出值；U是期望輸出值。當(dāng)fi在一定程度上接近1時(shí)，即被認(rèn)為達(dá)到網(wǎng)絡(luò)的精度要求。

（3）選擇操作

采用輪盤(pán)賭選擇方法，對(duì)適應(yīng)度為fi的權(quán)值個(gè)體，計(jì)算每一個(gè)個(gè)體評(píng)價(jià)函數(shù)，并將其進(jìn)行排序，按如下公式計(jì)算概率值 pi選擇網(wǎng)絡(luò)個(gè)體（王楓，2005）。

概率值pi反映了個(gè)體適應(yīng)度在所有個(gè)體適應(yīng)度總和中所占的比例。

（4）交叉與變異操作

交叉是對(duì)兩個(gè)相互配對(duì)的染色體依據(jù)交叉概率按某種方式相互交換部分基因，從而形成兩個(gè)新的個(gè)體，變異是依據(jù)變異概率將個(gè)體編碼串中的某些基因值用其他基因值來(lái)替換，形成新個(gè)體。本文采用實(shí)數(shù)編碼方式，在變異中采用非均勻變異算子。

3 研究過(guò)程與結(jié)果分析

3.1 訓(xùn)練樣本的選擇與學(xué)習(xí)

采用均勻設(shè)計(jì)法（王少波等，2003），依據(jù)農(nóng)用地分等首先在每個(gè)縣區(qū)內(nèi)隨機(jī)選取不同等級(jí)的耕地作為樣本，對(duì)于等級(jí)差異較大的縣區(qū)，增加樣本數(shù)量。并根據(jù)樣本空間位置進(jìn)行調(diào)整，以實(shí)現(xiàn)空間分布的均勻性；同時(shí)根據(jù)樣本屬性進(jìn)行調(diào)整，兼顧地域分布平衡，且具有代表性?？偣策x取 4000個(gè)樣本，其中 3000個(gè)作為訓(xùn)練樣本，500個(gè)作為檢驗(yàn)樣本，500個(gè)作為測(cè)試樣本。

將上述用遺傳算法優(yōu)化后的權(quán)值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，其他參數(shù)（如學(xué)習(xí)速率、期望誤差）的設(shè)定如前所述，然后進(jìn)行網(wǎng)絡(luò)訓(xùn)練，最終得到滿足條件的BP神經(jīng)網(wǎng)絡(luò)。以另外的樣本作為輸入層，利用訓(xùn)練好的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到期望輸出。

3.2 評(píng)價(jià)結(jié)果分析

運(yùn)用MATLAB將3000個(gè)訓(xùn)練樣本耕地質(zhì)量評(píng)價(jià)的16項(xiàng)指標(biāo)輸入網(wǎng)絡(luò)，利用建立GA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過(guò)仿真輸出耕地質(zhì)量評(píng)價(jià)結(jié)果。

在MATLAB中進(jìn)行模型運(yùn)算，分別基于BP神經(jīng)網(wǎng)絡(luò)模型與GA-BP網(wǎng)絡(luò)模型對(duì)珠三角24215個(gè)評(píng)價(jià)單元的綜合質(zhì)量分進(jìn)行 5次實(shí)驗(yàn)，結(jié)果如表3所示。由表3可知，GA-BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練次數(shù)明顯小于BP網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)模型的平均訓(xùn)練次數(shù)為76次，而GA-BP神經(jīng)網(wǎng)絡(luò)僅32次，說(shuō)明GA-BP神經(jīng)網(wǎng)絡(luò)算法能減少模型訓(xùn)練的迭代次數(shù)，在全局搜索能力上更為有效，在一定程度上避免了標(biāo)準(zhǔn)BP網(wǎng)絡(luò)陷入局部極小值，同時(shí)其收斂速度也優(yōu)于 BP神經(jīng)網(wǎng)絡(luò)模型；GA-BP網(wǎng)絡(luò)模型中均方誤差都比BP模型的小，且最大和最小均方誤差的差值也比 BP神經(jīng)網(wǎng)絡(luò)模型的差值小0.1116，說(shuō)明GA-BP神經(jīng)網(wǎng)絡(luò)模型更穩(wěn)定，適應(yīng)度更好。

表3 BP神經(jīng)網(wǎng)絡(luò)模型與GA-BP神經(jīng)網(wǎng)絡(luò)模型的對(duì)比Table 3 Comparison of BP neural network model and GA-BP neural network model

在部分縣區(qū)隨機(jī)抽取共20個(gè)評(píng)價(jià)單元，對(duì)BP和 GA-BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評(píng)價(jià)結(jié)果進(jìn)一步驗(yàn)證分析，結(jié)果如表4所示。常規(guī)法是在農(nóng)用地分等成果的基礎(chǔ)上確定指標(biāo)權(quán)重進(jìn)行計(jì)算，通過(guò)上表結(jié)果可知，兩種模型的質(zhì)量分與常規(guī)法都相差不大，相對(duì)誤差率絕對(duì)值在0.01處上下浮動(dòng)，GA-BP模型平均相對(duì)誤差率也比BP模型小，更接近實(shí)際耕地質(zhì)量分。這表明，應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行耕地質(zhì)量分計(jì)算是可行的，且不用事先確定權(quán)重，可直接向訓(xùn)練樣本“學(xué)習(xí)”。在耕地質(zhì)量分等中可在確定各因子分值的基礎(chǔ)上，通過(guò)對(duì)模型進(jìn)行訓(xùn)練，計(jì)算耕地質(zhì)量分，從而簡(jiǎn)化計(jì)算工作，結(jié)果更科學(xué)合理。綜合來(lái)看，運(yùn)用 GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行耕地質(zhì)量評(píng)價(jià)是合理可靠的。

根據(jù)實(shí)驗(yàn)得到的珠三角耕地質(zhì)量分（0.53～0.89）計(jì)算結(jié)果，在ArcGIS中通過(guò)ID把實(shí)驗(yàn)結(jié)果鏈接到珠三角耕地評(píng)價(jià)單元中，并采用自然間斷法劃分耕地綜合質(zhì)量等別，最終將耕地綜合質(zhì)量分劃分為5個(gè)級(jí)別。得到珠三角耕地綜合質(zhì)量等別劃分結(jié)果，如圖3所示。由圖3a和圖3b可知，各區(qū)域耕地質(zhì)量的分布等級(jí)差別較大。位于珠三角西北部的肇慶市的封開(kāi)、廣寧，優(yōu)等耕地較少而差等耕地面積占多數(shù)；懷集、四會(huì)、德慶、鼎湖耕地質(zhì)量等級(jí)符合整體趨勢(shì)，2、3、4等地面積所占比例超過(guò)80%，質(zhì)量最好和最差的耕地占據(jù)少數(shù)；端州、鼎湖的耕地質(zhì)量等級(jí)主要集中1、2、3等，面積占絕大多數(shù)。佛山的禪城、南海沒(méi)有4、5等耕地分布，尤其是禪城區(qū)，耕地質(zhì)量基本屬于1等地；高明的耕地質(zhì)量等級(jí)也以優(yōu)等地為主，質(zhì)量較差的耕地僅占耕地面積的2.62%；順德、三水的質(zhì)量等級(jí)以中等地為主，優(yōu)等地和差等地耕地少有分布。廣州市耕地面積較少，質(zhì)量等級(jí)均以優(yōu)等地和中等地為主，大部分集中在質(zhì)量等級(jí)較高的 1、2等地。深圳市耕地?cái)?shù)量更少，有耕地分布的區(qū)域質(zhì)量等級(jí)也以中等地居多，1等地和5等地?cái)?shù)量都較少。珠海市香洲、金灣耕地質(zhì)量等級(jí)主要集中在 3、4等，整體質(zhì)量較差，而斗門(mén)耕地質(zhì)量則較好，質(zhì)量較高的1、2等耕地面積占到83.47%，也無(wú)差等地分布。江門(mén)市耕地質(zhì)量等級(jí)較集中，各縣區(qū)耕地質(zhì)量基本都集中在中等地，耕地最優(yōu)和最差的耕地面積都較少。惠州市除博羅縣耕地質(zhì)量總體水平較高，質(zhì)量等級(jí)以1等地為主，占耕地?cái)?shù)量的62.7%，其余縣區(qū)耕地質(zhì)量等級(jí)則以中等地為主。東莞和中山的耕地質(zhì)量等級(jí)都集中在2、3等，面積占60%以上。

表4 不同方法下部分評(píng)價(jià)單元的質(zhì)量分比較Table 4 Comparison of quality of partial evaluation units under different methods

圖3 珠三角耕地綜合質(zhì)量分級(jí)Fig. 3 Coomprehensive quallity grading of culttivated land in the Pearl River

由圖3cc可知，珠三角區(qū)域耕地質(zhì)量總體較好，其中 2、3等地所占比重最大，占耕地總面積的54.4%，而質(zhì)量最好的1等地和質(zhì)量最差的5等地所占比重相對(duì)較少，分別為16.88%%和8.75%，耕地質(zhì)量等別基本符合正態(tài)分布的態(tài)勢(shì)。從分布來(lái)看，珠三角區(qū)域耕地質(zhì)量空間分布不平衡，受地形地貌和社會(huì)經(jīng)濟(jì)發(fā)展水平影響較大，總體呈現(xiàn)中部質(zhì)量高，四周質(zhì)量低的特點(diǎn)。質(zhì)量較高的耕地主要分布在珠三角中部廣州、佛山、中山、珠海斗門(mén)以及惠州的博羅一帶，而質(zhì)量較低的耕地主要分布在肇慶、江門(mén)、惠州、東莞、深圳等地。珠三角中部屬于三角洲平原地帶，氣候條件優(yōu)越，地勢(shì)平坦，土壤肥沃，土質(zhì)較好，以壤土和砂土為主，水源地較多，水利設(shè)施良好便于灌溉排水，土壤肥沃而土層深厚的廣大沖積平原適宜發(fā)展耕作業(yè)；珠三角西北部、東北部及東部區(qū)域多是丘陵山地，地勢(shì)較高，坡度也較大，容易造成水土流失，灌溉條件一般，土壤肥力相對(duì)于三角洲也較差，耕地面積多但管理方式粗放，土地利用水平相對(duì)較低，平緩的丘陵、臺(tái)地和海灘等適宜種植亞熱帶水果。

4 結(jié)論與討論

4.1 討論

耕地質(zhì)量評(píng)價(jià)指標(biāo)體系的構(gòu)建是質(zhì)量評(píng)價(jià)研究的重點(diǎn)難點(diǎn)。如何基于不同的評(píng)價(jià)目的，因地制宜地確定評(píng)價(jià)指標(biāo)體系，是耕地質(zhì)量評(píng)價(jià)首要解決的問(wèn)題。孔祥斌等（2008）創(chuàng)建了基于農(nóng)戶土地利用目標(biāo)變化的“壓力-狀態(tài)--效應(yīng)-響應(yīng)”耕地質(zhì)量評(píng)價(jià)指標(biāo)體系；方琳娜等（20008）基于“PSR”框架提出了生產(chǎn)壓力指數(shù)、耕地狀態(tài)指數(shù)、社會(huì)行為指數(shù)的評(píng)價(jià)指標(biāo)體系。耕地質(zhì)量高低與土壤類型、地形地貌、土地利用及社會(huì)經(jīng)濟(jì)發(fā)展水平等因素之間存在密切關(guān)系（宋戈等，2012）。由于地域差異性及耕地構(gòu)成要素的多樣性和多層次性，目前耕地質(zhì)量評(píng)價(jià)體系并未統(tǒng)一化（沈仁芳等，2012）。而現(xiàn)有的調(diào)查評(píng)價(jià)體系已不能完全滿足耕地質(zhì)量管理的需要，如農(nóng)用地分等指標(biāo)不能充分反映土地整治和高標(biāo)準(zhǔn)農(nóng)田建設(shè)帶來(lái)的質(zhì)量提升等。因此，建立考慮社會(huì)經(jīng)濟(jì)因素以及生態(tài)環(huán)境的指標(biāo)體系顯得尤為重要。任艷敏等（2014）考慮將耕地生態(tài)質(zhì)量列入基本農(nóng)田的評(píng)價(jià)指標(biāo)體系中；奉婷等（2014）從自然質(zhì)量、利用條件、空間形態(tài)和生態(tài)安全方面構(gòu)建綜合評(píng)價(jià)體系。然而，大多數(shù)研究都基于小尺度區(qū)域，而本文從自然質(zhì)量、經(jīng)濟(jì)質(zhì)量、利用質(zhì)量、生態(tài)質(zhì)量4個(gè)方面選擇最有代表性且適于珠三角研究區(qū)特點(diǎn)的指標(biāo)構(gòu)建評(píng)價(jià)體系。但在對(duì)珠三角區(qū)域耕地生態(tài)質(zhì)量指標(biāo)的選取上，由于數(shù)據(jù)缺失，未能從環(huán)境質(zhì)量的實(shí)質(zhì)入手，選擇污染元素進(jìn)行分析，只是用了幾個(gè)代替性指標(biāo)，對(duì)于生態(tài)環(huán)境質(zhì)量的描述還不夠全面，有待進(jìn)一步探討和深入研究。

耕地質(zhì)量評(píng)價(jià)方法的優(yōu)劣直接影響耕地質(zhì)量評(píng)價(jià)結(jié)果的可靠性（于東升等，2011）。郄瑞卿等（2014）運(yùn)用自組織神經(jīng)網(wǎng)絡(luò)方法對(duì)吉林省九臺(tái)市耕地自然質(zhì)量進(jìn)行了評(píng)價(jià)，本文則針對(duì)BP算法的缺陷引進(jìn)GA技術(shù)，設(shè)計(jì)了可應(yīng)用于耕地質(zhì)量評(píng)價(jià)中的GA-BP神經(jīng)網(wǎng)絡(luò)模型。GA-BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練次數(shù)明顯小于BP網(wǎng)絡(luò)，能減少模型訓(xùn)練的迭代次數(shù)，在全局搜索能力上更為有效，一定程度上避免了標(biāo)準(zhǔn)BP網(wǎng)絡(luò)陷入局部極小值的不缺陷，收斂速度也優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。GA-BP神經(jīng)網(wǎng)絡(luò)模型更穩(wěn)定，適應(yīng)度更好。另外，利用 GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行耕地質(zhì)量評(píng)價(jià)中，關(guān)于訓(xùn)練樣本的選擇至關(guān)重要，不同樣本對(duì)于最終的評(píng)價(jià)結(jié)果都有影響，而本文僅采用均勻設(shè)計(jì)法選擇樣本，因此下一步可通過(guò)不同方式選擇樣本并進(jìn)行深入對(duì)比分析。

4.2 結(jié)論

本文以珠三角耕地為研究對(duì)象，依據(jù)BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的各自優(yōu)勢(shì)，采用 GA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行耕地質(zhì)量評(píng)價(jià)，劃分了質(zhì)量等級(jí)，并對(duì)常規(guī)方法、BP神經(jīng)網(wǎng)絡(luò)模型與GA-BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)果進(jìn)行對(duì)比分析。主要結(jié)論如下：

（1）在5次試驗(yàn)中，GA-BP網(wǎng)絡(luò)模型均方誤差都比BP模型的小，并且最大和最小均方誤差的差值也比 BP神經(jīng)網(wǎng)絡(luò)模型的差值小 0.1116，將GA-BP網(wǎng)絡(luò)模型用于耕地質(zhì)量評(píng)價(jià)中，事先不需要確定指標(biāo)權(quán)重，直接輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可以減少人為主觀影響，取得了較好的試驗(yàn)效果。同時(shí)，也可提高耕地質(zhì)量評(píng)價(jià)效率，使其向更合理、科學(xué)的方向發(fā)展，為其他類似研究提供參考。

（2）珠三角區(qū)域耕地質(zhì)量總體較好，其中2、3等地所占比重最大，占耕地總面積的54.4%，耕地質(zhì)量等別基本符合正態(tài)分布的態(tài)勢(shì)。從分布來(lái)看，珠三角區(qū)域耕地質(zhì)量空間分布不平衡，受地形地貌和社會(huì)經(jīng)濟(jì)發(fā)展水平影響較大，呈現(xiàn)出明顯的地域分布規(guī)律，整體呈現(xiàn)為中部高，四周低的特點(diǎn)；各區(qū)域耕地質(zhì)量的分布等級(jí)差別也較大。

BUI E N, HENDERSON B L, VIERGEVER K. 2006. Knowledge discovery from models of soil properties developed through data mining [J]. Ecological Modelling, 191(3-4): 431-446.

PARISI V, MENTA CRISTINA, GARDI CIRO, et al. 2005.Microarthropod communities as a tool to assess soil quality and biodiversity: a new approach in Italy [J]. Agriculture Ecosystems &Environment, 105(1-2): 323-333.

陳朝, 呂昌河. 2010. 基于綜合指數(shù)的湖北省耕地質(zhì)量變化分析[J]. 自然資源學(xué)報(bào), 25(12): 2018-2029.

陳桂芬, 馬麗, 董瑋, 等. 2011. 聚類、粗糙集與決策樹(shù)的組合算法在地力評(píng)價(jià)中的應(yīng)用[J]. 中國(guó)農(nóng)業(yè)科學(xué), 44(23): 4833-4840.

方琳娜, 宋金平. 2008. 基于SPOT多光譜影像的耕地質(zhì)量評(píng)價(jià)——以山東省即墨市為例[J]. 地理科學(xué)進(jìn)展, 27(5): 71-78.

奉婷, 張鳳榮, 李燦, 等. 2014. 基于耕地質(zhì)量綜合評(píng)價(jià)的縣域基本農(nóng)田空間布局[J]. 農(nóng)業(yè)工程學(xué)報(bào), 30(1): 200-210.

高艷梅. 2006. 工業(yè)化、城市化對(duì)農(nóng)地質(zhì)量影響研究[D]. 南京: 南京農(nóng)業(yè)大學(xué).

高悅. 2012. 基于BP神經(jīng)網(wǎng)絡(luò)的耕地自然質(zhì)量評(píng)價(jià)研究[D]. 武漢: 華中師范大學(xué).

黃慶斌. 2010. BP算法的改進(jìn)及其應(yīng)用研究[D]. 成都: 西南交通大學(xué).

吉根林. 2004. 遺傳算法研究綜述[J]. 計(jì)算機(jī)應(yīng)用與軟件, 21(2): 69-73.

焦斌, 葉明星. 2013. BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)確定方法[J]. 上海電機(jī)學(xué)院學(xué)報(bào), 16(3): 113-116.

孔祥斌, 劉靈偉, 秦靜. 2008. 基于農(nóng)戶土地利用行為的北京大興區(qū)耕地質(zhì)量評(píng)價(jià)[J]. 地理學(xué)報(bào), 63(8): 856-868.

賴紅松, 吳次芳. 2011. 基于粗糙集和支持向量機(jī)的標(biāo)準(zhǔn)農(nóng)田地力等級(jí)評(píng)價(jià)[J]. 自然資源學(xué)報(bào), 26(12): 2141-2154.

李賡, 吳次芳, 曹順愛(ài). 2006. 劃定基本農(nóng)田指標(biāo)體系的研究[J]. 農(nóng)機(jī)化研究, (8): 46-48.

李小剛, 馬友華, 張益, 等. 2015. 基于模糊評(píng)價(jià)與 BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評(píng)價(jià)對(duì)比研究——以淮北平原鳳臺(tái)縣為例[J]. 土壤通報(bào),46(4): 816-822.

李小剛, 馬友華, 張益, 等. 2015. 基于模糊評(píng)價(jià)與 BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評(píng)價(jià)對(duì)比研究——以淮北平原鳳臺(tái)縣為例[J]. 土壤通報(bào),46(4): 816-822.

林志壘. 2008. 基于PCA和決策樹(shù)模型的農(nóng)用地(耕地)質(zhì)量評(píng)價(jià)研究[J].福建師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 24(6): 99-104.

潘潤(rùn)秋, 馬小淞, 劉珺. 2014. 基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的耕地自然質(zhì)量分計(jì)算模型[J]. 地理與地理信息科學(xué), 30(5): 78-82.

錢(qián)鳳魁. 2011. 基于耕地質(zhì)量及其立地條件評(píng)價(jià)體系的基本農(nóng)田劃定研究[D]. 沈陽(yáng): 沈陽(yáng)農(nóng)業(yè)大學(xué).

郄瑞卿, 關(guān)俠, 鄢旭久, 等. 2014. 基于自組織神經(jīng)網(wǎng)絡(luò)的耕地自然質(zhì)量評(píng)價(jià)方法及其應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào), 30(23): 298-305.

秦元偉, 趙庚星, 董超, 等. 2010. 鄉(xiāng)鎮(zhèn)級(jí)耕地質(zhì)量綜合評(píng)價(jià)及其時(shí)空演變分析[J]. 自然資源學(xué)報(bào), 25(3): 454-464.

任艷敏, 唐秀美, 劉玉, 等. 2014. 考慮耕地生態(tài)質(zhì)量的基本農(nóng)田劃定方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 30(24): 53-54, 298-307.

邵華, 石慶華, 趙小敏. 2008. 基于GIS的江西省耕地土壤質(zhì)量評(píng)價(jià)研究[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào), 30(6): 1137-1141.

沈花玉, 王兆霞, 高成耀, 等. 2008. BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J]. 天津理工大學(xué)學(xué)報(bào), 24(5): 13-15.

沈仁芳, 陳美軍, 孔祥斌, 等. 2012. 耕地質(zhì)量的概念和評(píng)價(jià)與管理對(duì)策[J]. 土壤學(xué)報(bào), 49(6): 1210-1217.

宋戈, 李丹, 梁海鷗, 等. 2012. 松嫩高平原黑土區(qū)耕地質(zhì)量特征及其空間分異——以黑龍江省巴彥縣為例[J]. 經(jīng)濟(jì)地理, 32(7): 129-134.

王楓. 2005. 遺傳神經(jīng)網(wǎng)絡(luò)模型在農(nóng)用地分等中的應(yīng)用[D]. 武漢: 武漢大學(xué).

王少波, 柴艷麗, 梁醒培. 2003. 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本點(diǎn)的選取方法比較[J]. 鄭州大學(xué)學(xué)報(bào)(工學(xué)版), 24(1): 63-65.

吳玫, 陸金桂. 2008. 遺傳算法的研究進(jìn)展綜述[J]. 機(jī)床與液壓, 36(3):176-179.

吳永明. 2011. 遺傳算法在 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化中的應(yīng)用研究[D]. 昆明: 昆明理工大學(xué).

閆一凡, 劉建立, 張佳寶. 2014. 耕地地力評(píng)價(jià)方法及模型分析[J]. 農(nóng)業(yè)工程學(xué)報(bào), 30(5): 204-210.

于東升, 張廣星, 張忠啟, 等. 2011. BIO-NORM與NORM耕地質(zhì)量評(píng)價(jià)方法對(duì)比研究[J]. 土壤學(xué)報(bào), 48(2): 238-245.

翟宜峰, 李鴻雁, 劉寒冰, 等. 2003. 用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初始權(quán)重的方法[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版), 33(2): 45-50.

張景茹, 周永章, 莫麗萍, 等. 2015. 珠三角經(jīng)濟(jì)區(qū)農(nóng)田土壤重金屬環(huán)境地球化學(xué)特征及生態(tài)風(fēng)險(xiǎn)預(yù)測(cè)預(yù)警研究[C]//中國(guó)礦物巖石地球化學(xué)學(xué)會(huì)第15屆學(xué)術(shù)年會(huì). 長(zhǎng)春.

朱傳民, 郝晉珉, 陳麗, 等. 2015. 基于耕地綜合質(zhì)量的高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 31(8): 233-242.

朱良峰, 吳信才, 劉修國(guó). 2004. GIS中矢量多邊形網(wǎng)格化問(wèn)題研究[J].地理與地理信息科學(xué), 20(1): 12-15.