基于BP神經(jīng)網(wǎng)絡(luò)法的耕地質(zhì)量定級評價(jià)
——以襄陽市城區(qū)為例*

張朝暉，聶 艷，馬澤玥

（華中師范大學(xué)地理過程分析與模擬湖北省重點(diǎn)實(shí)驗(yàn)室，湖北武漢430079）

0 引言

“像保護(hù)大熊貓一樣保護(hù)耕地”［1］，耕地是人們賴以生存的基本條件，耕地質(zhì)量對于保障國家糧食安全起著重要作用。在推動(dòng)高質(zhì)量發(fā)展的背景下，更加關(guān)注耕地質(zhì)量，妥善保護(hù)耕地和推動(dòng)高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)則愈加重要。

耕地的質(zhì)量是各種因素綜合影響的結(jié)果，包括經(jīng)濟(jì)、自然、社會、環(huán)境等多方面。目前，耕地質(zhì)量評價(jià)多以定性和定量方法進(jìn)行，常見方法有因素法［2］、模糊評價(jià)法［3］、層次分析法［4］、主成分分析法［5］、灰色關(guān)聯(lián)度法［6］、熵權(quán)法［7］等。然而這些方法多少存在主觀性過大或者其他不足，在保證評價(jià)客觀性上存在欠缺。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，其算法原理是基于數(shù)據(jù)的逆向傳播，能夠很大程度上減輕評價(jià)中主觀因素影響，以獲得客觀準(zhǔn)確的評價(jià)結(jié)果［8］。研究表明，耕地質(zhì)量評價(jià)適宜使用神經(jīng)網(wǎng)絡(luò)的方法，通過對樣本的訓(xùn)練來自動(dòng)找尋質(zhì)量水準(zhǔn)與各影響指標(biāo)因素之間的非線性關(guān)系，從而更方便、科學(xué)、客觀地對耕地質(zhì)量進(jìn)行模擬評價(jià)。文章以襄陽市城區(qū)為例，在耕地質(zhì)量評價(jià)工作中采用了BP神經(jīng)網(wǎng)絡(luò)的評價(jià)方法，后利用BP神經(jīng)網(wǎng)絡(luò)法得出的質(zhì)量評價(jià)結(jié)果與傳統(tǒng)因素法的評價(jià)成果進(jìn)行對比分析，以探究神經(jīng)網(wǎng)絡(luò)方法的可行性、準(zhǔn)確性，也為耕地的精準(zhǔn)定位、分類保護(hù)提供參考與借鑒。

1 研究區(qū)域概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

襄陽市，坐落于湖北省西北部，是漢江流域中心城市以及著名的歷史文化名城，該研究的襄陽市城區(qū)包括襄城區(qū)、樊城區(qū)、高新技術(shù)開發(fā)區(qū)、魚梁洲經(jīng)濟(jì)開發(fā)區(qū)、東津新區(qū)以及襄州區(qū)的部分區(qū)域，襄陽市城區(qū)主要有由丘陵和平原兩種地貌類型所組成，市區(qū)地勢由西南向東北降低，該區(qū)屬于亞熱帶濕潤性季風(fēng)氣候，冬冷夏熱，春秋無常，年均溫度約在15℃左右，年降水量可達(dá)820～1 100 mm。土地資源方面，城區(qū)土地面積以農(nóng)用地最多，達(dá)10.499 1萬hm2，占比69.02%；建設(shè)用地3.474 1萬hm2，占比22.84%；未利用地1.238 6萬hm2，占比8.14%。

1.2 數(shù)據(jù)來源

研究數(shù)據(jù)包括自然、經(jīng)濟(jì)、區(qū)位等多方面資料，通過資料收集、實(shí)地調(diào)查等方式，得到湖北省土肥站的耕地樣點(diǎn)數(shù)據(jù)、襄陽市最新的耕地質(zhì)量等別年度更新成果、襄陽市土地利用現(xiàn)狀數(shù)據(jù)庫、襄陽市年鑒等自然環(huán)境與經(jīng)濟(jì)情況資料，其中氣溫、降水資料來源于湖北省土肥站襄陽市城區(qū)的1 389個(gè)耕地樣點(diǎn)的氣候數(shù)據(jù)，研究區(qū)的社會經(jīng)濟(jì)資料主要參考襄陽市統(tǒng)計(jì)年鑒和實(shí)際走訪調(diào)查數(shù)據(jù)，有關(guān)土地的相關(guān)信息資料則是提取自襄陽市國土局的襄陽市耕地質(zhì)量等別年度更新數(shù)據(jù)庫和襄陽市土地利用現(xiàn)狀數(shù)據(jù)庫。依據(jù)來源實(shí)際可靠、單位標(biāo)準(zhǔn)統(tǒng)一、符合實(shí)際操作要求的原則，對收集數(shù)據(jù)進(jìn)行核對檢測，以確保數(shù)據(jù)真實(shí)可靠，并通過野外調(diào)查對部分資料進(jìn)行補(bǔ)充完善。

2 研究方法

2.1 評價(jià)單元確定

耕地質(zhì)量評價(jià)要以評價(jià)單元為基本，考慮到襄陽市城區(qū)耕地較多，能夠反映農(nóng)用地質(zhì)量特征，故該文襄陽市城區(qū)耕地質(zhì)量定級評價(jià)研究采用地塊法劃分定級單元，直接采用襄陽市耕地質(zhì)量等別年度更新數(shù)據(jù)庫中已有的耕地圖斑作為該次評價(jià)工作的基本評價(jià)單元，共計(jì)1.2368萬塊。

2.2 指標(biāo)體系構(gòu)建

耕地質(zhì)量具有多因素性，其受到自然、經(jīng)濟(jì)、社會等多方面綜合影響，同時(shí)耕地質(zhì)量的側(cè)重點(diǎn)和主導(dǎo)因素也因研究尺度和研究區(qū)域的不同而有所差異，因此耕地質(zhì)量評價(jià)體系要體現(xiàn)因地制宜的特點(diǎn)。奉婷等以自然質(zhì)量、利用條件、空間形態(tài)和生態(tài)安全4個(gè)層面建立指標(biāo)體系對北京市平谷區(qū)進(jìn)行研究［9］；溫良友等用“過程—功能—質(zhì)量—特性—指標(biāo)”的體系建立田塊尺度的評價(jià)體系［10］；馬瑞明等以河北省內(nèi)丘縣為對象，綜合考慮氣候因素、土地因素、人為工程設(shè)施因素對耕地質(zhì)量的影響［11］；辛蕓娜等基于土壤、生態(tài)、環(huán)境和管理4個(gè)質(zhì)量維度建立縣域耕地質(zhì)量指標(biāo)體系對北京市大興區(qū)耕地進(jìn)行評價(jià)［12］；馬佳妮等從地學(xué)特征、土壤特性、環(huán)境狀況、建設(shè)水平和生物多樣性等5個(gè)維度構(gòu)建耕地質(zhì)量評價(jià)指標(biāo)體系［13］。

該文在充分遵循生產(chǎn)性、可行性、典型性、主導(dǎo)性原則的基礎(chǔ)上，結(jié)合襄陽市城區(qū)耕地的特點(diǎn)，基于自然因素、社會經(jīng)濟(jì)因素和區(qū)位因素3方面構(gòu)建目標(biāo)層，并以氣候、地形、土壤、土地利用、基礎(chǔ)設(shè)施、耕作條件、區(qū)位條件、交通條件8方面建立準(zhǔn)則層，最終確定20個(gè)指標(biāo)，構(gòu)建起襄陽市城區(qū)域耕地評價(jià)指標(biāo)體系，詳見表1。

表1 襄陽市城區(qū)耕地質(zhì)量評價(jià)指標(biāo)體系Table 1 Cultivated land quality evaluation index system in Xiangyang urban area

2.3 指標(biāo)屬性獲取

根據(jù)指標(biāo)屬性特點(diǎn)的不同，采用的多種方法獲取指標(biāo)屬性數(shù)據(jù)。其中坡度、耕層厚度、剖面構(gòu)層、地表巖石裸露度、表層土壤質(zhì)地、土壤侵蝕程度、有機(jī)質(zhì)含量、土壤pH值、灌溉保障率指標(biāo)數(shù)據(jù)直接采用襄陽市耕地質(zhì)量等別年度更新數(shù)據(jù)庫中的對應(yīng)資料。

積溫和降水量指標(biāo)數(shù)據(jù)則是通過克里金插值的方法對耕地樣點(diǎn)的氣候資料進(jìn)行插值分析，并對屬于襄陽市城區(qū)內(nèi)的屬性數(shù)據(jù)進(jìn)行截取，以獲取各耕地圖斑氣候數(shù)據(jù)。

耕地比重、人均耕地指標(biāo)的屬性數(shù)據(jù)是采用公式計(jì)算的方法進(jìn)行，因耕地比重和人均耕地?cái)?shù)據(jù)無法精準(zhǔn)到各個(gè)地塊，故以村莊為基本單位，通過咨詢和走訪調(diào)查收集整理每個(gè)村莊的人口數(shù)據(jù)，并通過公式計(jì)算獲得每個(gè)村莊的耕地比重和人均耕地?cái)?shù)據(jù)，最后把屬于該村莊的耕地圖斑都賦予同一數(shù)值。耕地比重和人均耕地的計(jì)算公式分別為村莊耕地面積與村莊總面積的比值和村莊耕地面積與村人口數(shù)量的比值。

溝渠密度、水系密度以及路網(wǎng)密度指標(biāo)屬性數(shù)據(jù)的獲取。首先溝渠密度、水系密度和路網(wǎng)密度數(shù)據(jù)直接提取自襄陽市土地利用現(xiàn)狀數(shù)據(jù)庫，而后采用疊加分析的方法使其與耕地?cái)?shù)據(jù)進(jìn)行疊加，獲得每塊地塊所對應(yīng)的溝渠、水系、路網(wǎng)數(shù)據(jù)，最后通過公式計(jì)算得到指標(biāo)屬性。密度的計(jì)算公式則為地塊中對應(yīng)的溝渠、水系、路網(wǎng)的面積或長度除以地塊總面積。

耕作距離和中心城鎮(zhèn)影響度是空間擴(kuò)散型因子，應(yīng)采用緩沖區(qū)分析的方法進(jìn)行數(shù)據(jù)獲取。首先在襄陽市土地利用現(xiàn)狀數(shù)據(jù)庫中提取中心城鎮(zhèn)點(diǎn)和居民點(diǎn)數(shù)據(jù)，后通過ArcGIS中的多級緩沖分析，設(shè)定不同的緩沖距離，再與評價(jià)單元進(jìn)行空間疊加以獲取評價(jià)單元的數(shù)據(jù)值。

空間擴(kuò)散型因子也要考慮其數(shù)值的空間衰減問題，以中心城鎮(zhèn)影響度為例，首先將中心城鎮(zhèn)對周圍空間的影響度Fi分為幾個(gè)典型等級并賦予其分值，采用二次衰減模型獲取di值，距離越小作用分值越大。依據(jù)不同的di做緩沖區(qū)分析后將各等級緩沖區(qū)圖進(jìn)行疊加，在相應(yīng)的緩沖區(qū)帶中賦予相應(yīng)的值，公式為［14］：

式（1）～（2）中，di表示某點(diǎn)在其影響因素的最大距離內(nèi)距離其影響因素的實(shí)際距離；d0表示該要素的最大影響距離；Fi表示不同空間距離上的作用分值；S表示評價(jià)區(qū)域總面積；n表示影響中心的數(shù)量。

田塊連片度和田塊形狀的屬性數(shù)據(jù)也采用公式計(jì)算獲取。可直接在ArcGIS中使用字段計(jì)算器功能獲得，田塊連片度、田塊形狀計(jì)算公式分別為：

式（3）中，F(xiàn)表示連片度，n為斑塊總個(gè)數(shù)，Ai為斑塊i面積，A為斑塊總面積。

式（4）中，D表示田塊形狀，P表示田塊周長，A表示田塊面積。

2.4 因素法

因素法是一種比較經(jīng)典的耕地質(zhì)量評價(jià)方法，其通過對研究區(qū)域耕地質(zhì)量的各種影響因素進(jìn)行研究分析，設(shè)置耕地質(zhì)量的評價(jià)指標(biāo)體系，然后對每個(gè)指標(biāo)的影響程度和重要性進(jìn)行判別獲取，以得到指標(biāo)對應(yīng)權(quán)重，而后依據(jù)指標(biāo)數(shù)據(jù)對其進(jìn)行量化賦分，最后通過計(jì)算得出耕地的質(zhì)量分值。因素法定級具有獨(dú)立性強(qiáng)、自成體系、受等別指數(shù)干擾小、易于操作等特點(diǎn)［15］。

依據(jù)《農(nóng)用地質(zhì)量分等規(guī)程》（GB/T 28407—2012）、《農(nóng)用地定級規(guī)程》（GB/T 28405—2012）等相關(guān)規(guī)程和文件的指導(dǎo)，襄陽市于2018年采用因素法開展了襄陽市城區(qū)耕地質(zhì)量定級評價(jià)工作，并形成了襄陽市城區(qū)耕地質(zhì)量定級評價(jià)成果與數(shù)據(jù)庫。

2.5 BP神經(jīng)網(wǎng)絡(luò)法

BP是一種多層前饋式誤差反向傳播網(wǎng)絡(luò)，其高度的仿真功能經(jīng)過網(wǎng)絡(luò)反復(fù)學(xué)習(xí)能有效修正誤差，可以跨越傳統(tǒng)評價(jià)中的專家打分環(huán)節(jié)，在一定程度上避免主觀因素對結(jié)果的影響［16］。BP神經(jīng)網(wǎng)絡(luò)的另一優(yōu)勢在于其可以不斷調(diào)整模型參數(shù)，如權(quán)重和閾值，以便不斷降低模型誤差，提高網(wǎng)絡(luò)的精確性。

近年來，人工神經(jīng)網(wǎng)絡(luò)不斷趨于成熟與完善，并且在許多領(lǐng)域均有運(yùn)用，該文在耕地質(zhì)量評價(jià)上嘗試采用BP神經(jīng)網(wǎng)絡(luò)的方法，對BP神經(jīng)網(wǎng)絡(luò)方法的可行性、準(zhǔn)確性進(jìn)行測試和研究，并與因素法結(jié)果進(jìn)行對比分析。

3 基于神經(jīng)網(wǎng)絡(luò)的耕地質(zhì)量評價(jià)

3.1 數(shù)據(jù)的量化與歸一化處理

根據(jù)屬性數(shù)據(jù)的特點(diǎn)，可將耕地質(zhì)量評價(jià)指標(biāo)分為語言型、域值型和擴(kuò)散型。語言型指標(biāo)，是指指標(biāo)的數(shù)據(jù)不是具體的量化數(shù)字，而是語言性的描述，如坡度、土壤質(zhì)地、剖面構(gòu)層、地表巖石裸露度等；域值型指標(biāo)，是指指標(biāo)數(shù)據(jù)自身就具有級別劃分，并且存在一定的區(qū)間，域值型指標(biāo)包括土壤有機(jī)質(zhì)和pH值；擴(kuò)散型因子，該類因子的數(shù)值會隨著影響距離的增加而呈現(xiàn)出逐漸減弱的趨勢，中心城鎮(zhèn)影響度和耕作距離屬于擴(kuò)散型因子。因此，對于不同類型的指標(biāo)數(shù)據(jù)，也要采用特定的量化方法。對于語言型指標(biāo)的量化賦值可直接參考依據(jù)《農(nóng)用地質(zhì)量分等規(guī)程》（GB/T 28407—2012）和其他相關(guān)資料中的量化標(biāo)準(zhǔn)，成果如表2。

表2 土壤質(zhì)地的量化結(jié)果實(shí)例Table2 Example of quantitative results of soil texture

域值型指標(biāo)，域值型指標(biāo)數(shù)據(jù)的量化處理應(yīng)采用下式進(jìn)行量化賦值［17］：

式（5）中，F(xiàn)i指標(biāo)因子第i級別所對應(yīng)的分?jǐn)?shù)；Ti表示指標(biāo)因子第i級別域值的中值；T優(yōu)表示指標(biāo)因子最優(yōu)級別域值的中值；T劣表示指標(biāo)因子最劣級別域值的中值。

中心城鎮(zhèn)影響度和耕作距離是空間擴(kuò)散性因子，指標(biāo)屬性數(shù)值獲取工作中已對其指標(biāo)數(shù)據(jù)進(jìn)行了獲取與量化，故不需要再次處理，可直接采用。其余已有數(shù)值的指標(biāo)則不需要再進(jìn)行量化處理，以上各項(xiàng)指標(biāo)量化完成。

BP神經(jīng)網(wǎng)絡(luò)要求輸入數(shù)據(jù)要在0～1的區(qū)間內(nèi)，因此該文采用極差法［18］的方式對輸入數(shù)據(jù)預(yù)先進(jìn)行歸一化處理，分為兩種情況，公式（6）是正相關(guān)指標(biāo)的處理，公式（7）是逆相關(guān)指標(biāo)的處理：

式（6）～（7）中，maxXij表示各指標(biāo)最大值；minXij表示各指標(biāo)最小值；Xij表示各指標(biāo)實(shí)際值。

3.2 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建與參數(shù)選取

該文網(wǎng)絡(luò)模型采取使用由輸入層、隱含層、輸出層組建的3層次BP神經(jīng)網(wǎng)絡(luò)模型。tan-sigmoid型傳遞函數(shù)的tansig的輸入值可任意選取，線性傳遞函數(shù)purelin的輸入輸出都能取任意值，因評價(jià)指標(biāo)數(shù)據(jù)都進(jìn)行了歸一化處理，故選取tansig函數(shù)為隱含層函數(shù)，purelin函數(shù)為輸出層函數(shù)，訓(xùn)練函數(shù)選取L-M反向傳播算法即trainlm函數(shù)［19］。

評價(jià)所構(gòu)建的指標(biāo)體系共有20個(gè)指標(biāo)，所需要得到的結(jié)果為1個(gè)即評價(jià)分值，故分別采用20和1作為此次BP神經(jīng)網(wǎng)絡(luò)模型的輸入層和輸出層神經(jīng)元數(shù)。

對于網(wǎng)絡(luò)模型隱含層節(jié)點(diǎn)數(shù)量的選擇則可采用多種方式，最常用的方法是Kolmogorov［20］法，公式為：

式（8）中，Q表示隱含層節(jié)點(diǎn)數(shù)；A表示輸入層節(jié)點(diǎn)數(shù)；B表示輸出層節(jié)點(diǎn)數(shù)；C表示1～10之間的任意整數(shù)。

為了得出更好的實(shí)驗(yàn)結(jié)果，綜合考慮訓(xùn)練次數(shù)、擬合程度等因素，多次改變隱層數(shù)量進(jìn)行實(shí)驗(yàn)，結(jié)果表明當(dāng)隱層數(shù)為12時(shí)，模型效果最佳。在BP神經(jīng)網(wǎng)絡(luò)模型的參數(shù)選擇上，學(xué)習(xí)率選取0.01、期望誤差選取0.001、最大訓(xùn)練次數(shù)則選取10 000次，綜上BP神經(jīng)網(wǎng)絡(luò)模型建立完成，詳見圖1。

3.3 訓(xùn)練檢驗(yàn)樣本選擇

構(gòu)建一個(gè)BP神經(jīng)網(wǎng)絡(luò)模型需要選取一定的樣本數(shù)據(jù)以作為訓(xùn)練樣本和測試樣本，并通過訓(xùn)練樣本數(shù)據(jù)以構(gòu)建和訓(xùn)練網(wǎng)絡(luò)模型，通過測試樣本對模型的性能和精度進(jìn)行檢驗(yàn)。本著隨機(jī)分布的原則，選擇1 000個(gè)地塊數(shù)據(jù)作為訓(xùn)練樣本，200個(gè)地塊數(shù)據(jù)作為檢驗(yàn)樣本，共1 200個(gè)樣本數(shù)據(jù)。

圖1 襄陽市城區(qū)耕地質(zhì)量評價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 BP neural network model structure of cultivated land quality evaluation in Xiangyang urban area

3.4 評價(jià)結(jié)果

將選取的1 000個(gè)評價(jià)單元數(shù)據(jù)作為訓(xùn)練樣本帶入Matlab中進(jìn)行模型計(jì)算，對網(wǎng)絡(luò)模型進(jìn)行構(gòu)建和訓(xùn)練；而后將選取的200個(gè)檢驗(yàn)樣本帶入模型，以檢驗(yàn)網(wǎng)絡(luò)模型的精度，并繪制檢驗(yàn)樣本的仿真分?jǐn)?shù)與真實(shí)分?jǐn)?shù)的相對誤差圖，詳見圖2、圖3。

如圖2所示，該BP神經(jīng)網(wǎng)絡(luò)模型的各項(xiàng)指標(biāo)精度都達(dá)到0.93，相對誤差都在0.08以下。通過以上誤差數(shù)據(jù)的分析，可知此次構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型精度高且誤差小，適用于耕地質(zhì)量評價(jià)，可以用于預(yù)測其他耕地的質(zhì)量。

圖2 神經(jīng)網(wǎng)絡(luò)模型精度圖Fig.2 Neural network model accuracy

圖3 檢驗(yàn)樣本相對誤差圖Fig.3 Test sample relative error

3.5 結(jié)果對比

通過構(gòu)建的網(wǎng)絡(luò)模型對襄陽市城區(qū)的全域耕地質(zhì)量分?jǐn)?shù)進(jìn)行預(yù)測，同時(shí)為了進(jìn)一步檢驗(yàn)?zāi)Ｐ途?，選取部分地塊的預(yù)測結(jié)果與襄陽市城區(qū)耕地定級評價(jià)成果中對應(yīng)地塊的分?jǐn)?shù)進(jìn)行對比，詳見表3。

表3 兩種方法的耕地質(zhì)量評價(jià)分值對比Table3 Comparison of the scores of cultivated land quality evaluation by two methods

由表3可知，BP神經(jīng)網(wǎng)絡(luò)法的預(yù)測結(jié)果十分接近常規(guī)因素法所得出的質(zhì)量分值，進(jìn)一步證實(shí)了BP神經(jīng)網(wǎng)絡(luò)法的可行性。依據(jù)襄陽市城區(qū)耕地定級評價(jià)成果中的耕地分級標(biāo)準(zhǔn)，對模型預(yù)測的分值進(jìn)行級別劃分，并從數(shù)量角度對各級別耕地的面積以及占比進(jìn)行對比分析，見表4。

表4 兩種方法耕地級別面積與比例Table4 Two methods of arable land level and proportion

由表4可知，BP神經(jīng)網(wǎng)絡(luò)法相比較因素法的評價(jià)結(jié)果在數(shù)量上存在一定差異，因素法的評價(jià)結(jié)果相對偏高，而BP神經(jīng)網(wǎng)絡(luò)法的評價(jià)結(jié)果偏低。同時(shí)，通過空間的比較也能更直觀地觀察出兩種評價(jià)方法結(jié)果的異同之處，詳見圖4、圖5。

由圖4可知，BP神經(jīng)網(wǎng)絡(luò)法與因素法的評價(jià)結(jié)果在空間分布上差異不大，只在耕地級別分布上存在細(xì)微不同。張灣鎮(zhèn)和東津鎮(zhèn)西南部，神經(jīng)網(wǎng)絡(luò)法的評價(jià)結(jié)果略低于因素法；東津鎮(zhèn)東北部耕地，神經(jīng)網(wǎng)絡(luò)法的評價(jià)結(jié)果高于因素法；臥龍鎮(zhèn)以北，漢江以南的部分耕地，神經(jīng)網(wǎng)絡(luò)法的評價(jià)結(jié)果低于因素法。

圖4 BP神經(jīng)網(wǎng)絡(luò)法耕地級別分布Fig.4 BP neural network method for cultivated land level distribution

圖5 因素法耕地級別分布Fig.5 Factor method for cultivated land level distribution

同時(shí)，由圖5也能對襄陽市城區(qū)耕地質(zhì)量水平進(jìn)行一定的把握。襄陽市城區(qū)的耕地質(zhì)量水平總體良好，從耕地?cái)?shù)量分布來看，位于中心城區(qū)的鄉(xiāng)鎮(zhèn)（街道）耕地的數(shù)量較少，城區(qū)周邊的各鄉(xiāng)鎮(zhèn)是耕地分布的集中區(qū)域，其中東津鎮(zhèn)和太平店鎮(zhèn)的耕地面積最多；從耕地質(zhì)量分布來看，襄陽市城區(qū)的耕地質(zhì)量由東北向西南其質(zhì)量水平不斷下降，其中優(yōu)質(zhì)耕地在東津鎮(zhèn)、張灣鎮(zhèn)比較集中，而稍劣耕地則在臥龍鎮(zhèn)和牛首鎮(zhèn)分布較多。

4 結(jié)論與討論

4.1 結(jié)論

該文以襄陽市城區(qū)耕地為研究對象，采用BP神經(jīng)網(wǎng)絡(luò)方法，建立網(wǎng)絡(luò)模型，并通過模型進(jìn)行耕地質(zhì)量分值預(yù)測。同時(shí)，將BP神經(jīng)網(wǎng)絡(luò)法的評價(jià)結(jié)果與傳統(tǒng)因素法的評價(jià)結(jié)果進(jìn)行對比分析。初步得到以下結(jié)論。

（1）BP神經(jīng)網(wǎng)絡(luò)法模型的各項(xiàng)指標(biāo)精度以及檢驗(yàn)數(shù)據(jù)的相對誤差都在可接受的范圍，表明BP神經(jīng)網(wǎng)絡(luò)法具有一定可行性和準(zhǔn)確性，并且適合用于耕地質(zhì)量評價(jià)工作。通過對比分析，BP神經(jīng)網(wǎng)絡(luò)法的預(yù)測結(jié)果與因素法的成果差異不大，且使用神經(jīng)網(wǎng)絡(luò)法進(jìn)行預(yù)測能夠有效減輕人為主觀因素對評價(jià)結(jié)果的干擾，同時(shí)提高評價(jià)過程的客觀性和評價(jià)結(jié)果的準(zhǔn)確性。

（2）襄陽市城區(qū)耕地整體質(zhì)量水平良好，其中以二級地和三級地居多，面積占比分別為33.56%和46.19%；耕地?cái)?shù)量分布狀況存在空間差異，主要是中間少，四周多，城區(qū)少，郊區(qū)多；耕地質(zhì)量的空間分布也不平衡，主要呈現(xiàn)出東北優(yōu)西南劣的特點(diǎn)。

4.2 討論

耕地質(zhì)量評價(jià)是有效把握耕地質(zhì)量水平、合理保護(hù)耕地、有效管理耕地的重要基礎(chǔ)性工作，尤其是耕地質(zhì)量評價(jià)指標(biāo)的構(gòu)建是進(jìn)行評價(jià)工作的基本前提，該文以自然要素、社會經(jīng)濟(jì)要素、區(qū)位因素3方面建立起耕地質(zhì)量評價(jià)體系，一定程度上反映了耕地各方面水平和質(zhì)量，具有一定合理性、科學(xué)性；但也存在許多不足，如指標(biāo)構(gòu)建角度、構(gòu)建層次、具體影響因素因子等還有待研究和優(yōu)化，指標(biāo)屬性的獲取與量化也需進(jìn)一步改進(jìn)和完善。

耕地質(zhì)量評價(jià)方法多種多樣，定性和定量的評價(jià)方法也層出不窮。該文采用的BP神經(jīng)網(wǎng)絡(luò)法具有客觀、定量、非線性的特點(diǎn)，能夠減少評價(jià)過程中的主觀因素影響，其能夠利用已知數(shù)據(jù)進(jìn)行構(gòu)建并訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，然后使用已建立的模型去預(yù)測未知數(shù)據(jù)，可有效避免主觀因素帶來的誤差，且不需要提前設(shè)定權(quán)重，提高了耕地質(zhì)量評價(jià)的準(zhǔn)確度和效率；同時(shí)BP神經(jīng)網(wǎng)絡(luò)法也存在著問題和不足：（1）在進(jìn)行網(wǎng)絡(luò)參數(shù)數(shù)值設(shè)定時(shí)缺乏相關(guān)規(guī)范性的理論指導(dǎo)和標(biāo)準(zhǔn)依據(jù)，一般只能采用依據(jù)經(jīng)驗(yàn)的方法進(jìn)行；（2）BP神經(jīng)網(wǎng)絡(luò)可能存在預(yù)測結(jié)果不準(zhǔn)確、不穩(wěn)定的現(xiàn)象，稱之為“過度擬合”，一般來說訓(xùn)練樣本的數(shù)量多少和模型的精確度成正相關(guān)關(guān)系，但在訓(xùn)練樣本達(dá)到一定數(shù)量時(shí)，訓(xùn)練樣本數(shù)量增加模型的精度反而會下降?？傊珺P神經(jīng)網(wǎng)絡(luò)法適合運(yùn)用于耕地質(zhì)量評價(jià)工作且具有一定的準(zhǔn)確性，同時(shí)需要進(jìn)一步的研究與完善。