杭艷紅+楊林
摘要:在常規(guī)耕地分等的方法中由于人為因素會干擾評價(jià)因子的權(quán)重及BP神經(jīng)網(wǎng)絡(luò)模型自身優(yōu)化過程中容易陷入局部極小值的情況,通過遺傳算法全局搜索最優(yōu)權(quán)值的能力對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,建立耕地自然質(zhì)量計(jì)算的遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型(GA-BP網(wǎng)絡(luò)模型)。以黑龍江省綏化市明水縣進(jìn)行實(shí)證研究,結(jié)果證明,GA-BP網(wǎng)絡(luò)模型能有效地避免常規(guī)方法評價(jià)因子確定權(quán)重時的人為干擾,同時具有較高的優(yōu)化效率及泛化能力,能夠更加快速智能地計(jì)算耕地的自然質(zhì)量分,從而確定耕地的自然等別,應(yīng)用效果相對較好。
關(guān)鍵詞:耕地自然質(zhì)量;遺傳算法;BP神經(jīng)網(wǎng)絡(luò)
中圖分類號: F323.211文獻(xiàn)標(biāo)志碼: A文章編號:1002-1302(2017)08-0183-04
耕地是土地中的精華[1]。中國是農(nóng)業(yè)大國,“十分珍惜和合理利用每一寸土地,切實(shí)保護(hù)耕地”是我國的基本國策。耕地質(zhì)量優(yōu)劣直接決定我國農(nóng)業(yè)發(fā)展水平,也是糧食產(chǎn)量的重要保障,耕地質(zhì)量直接影響農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)和耕地產(chǎn)出水平,耕地質(zhì)量目前已愈發(fā)受到重視,要切實(shí)加強(qiáng)耕地質(zhì)量的評價(jià)與監(jiān)測,從而有效提升耕地內(nèi)在質(zhì)量[2]。實(shí)現(xiàn)“藏糧于地”已成我國對耕地質(zhì)量保護(hù)與提升的重要目標(biāo)。耕地紅線不僅是數(shù)量上的,更是質(zhì)量上的,要堅(jiān)持?jǐn)?shù)量與質(zhì)量并重,為國家農(nóng)業(yè)發(fā)展打下堅(jiān)實(shí)基礎(chǔ)。人多地少的國情使我國農(nóng)業(yè)生產(chǎn)一直堅(jiān)持高投入、高產(chǎn)出模式,耕地長期高強(qiáng)度、超負(fù)荷利用,造成質(zhì)量狀況堪憂、基礎(chǔ)地力下降[3]。耕地質(zhì)量評價(jià)是促進(jìn)糧食和農(nóng)業(yè)可持續(xù)發(fā)展的迫切需要和理論基礎(chǔ)。了解和摸清土壤資源,開展耕地質(zhì)量評價(jià),是實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展、確保糧食安全的基礎(chǔ)工作[4]。明水縣作為黑龍江省主要的農(nóng)業(yè)縣,擁有豐富的耕地資源,耕地資源的質(zhì)量對明水縣糧食安全、農(nóng)產(chǎn)品競爭力、農(nóng)業(yè)結(jié)構(gòu)戰(zhàn)略性的調(diào)整起到了重要作用[5]。為了科學(xué)地研究耕地質(zhì)量問題,許多專家在模型與方法上進(jìn)行了深入研究。唐南奇等通過BP神經(jīng)網(wǎng)絡(luò)模型和精度檢測的方法,通過少量典型樣本的訓(xùn)練和學(xué)習(xí)后,可簡便、快捷地計(jì)算出大規(guī)模待定樣本的分等綜合指數(shù);其泛化功效和精度檢測也符合要求[6];孔維娜認(rèn)為人工神經(jīng)網(wǎng)絡(luò)模型評價(jià)方法同樣能在耕地評價(jià)中達(dá)到較高的準(zhǔn)確度[7];員學(xué)峰建立陜西年耕地面積減少時間序列的預(yù)測模型,BP神經(jīng)網(wǎng)絡(luò)在對陜西的耕地資源年減少量進(jìn)行預(yù)測時,精度較高、可靠性較好,表明BP神經(jīng)網(wǎng)絡(luò)用于耕地減少的預(yù)報(bào)具有一定的可行性[8]。人工神經(jīng)網(wǎng)絡(luò)和遺傳算法(GA)的結(jié)合應(yīng)用取得了較多成果。遲寶明通過對比分析結(jié)果得出,基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型對地下水位進(jìn)行的短期預(yù)測明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型,是一種比較理想的短期預(yù)測模型[9];張保祥等利用神經(jīng)網(wǎng)絡(luò)和遺傳算法對濟(jì)南市市區(qū)地下水進(jìn)行了預(yù)報(bào)研究,并對地下水位、最大開采量和泉排量進(jìn)行了預(yù)測,效果良好[10]。張學(xué)喜利用遺傳算法和BP神經(jīng)網(wǎng)絡(luò)可以建立邊坡穩(wěn)定性影響因素和邊坡穩(wěn)定性狀態(tài)之間的非線性映射關(guān)系,利用這種映射關(guān)系可以評價(jià)邊坡的穩(wěn)定狀態(tài),而且評價(jià)結(jié)果具有較高的精度[11]。而在土地評價(jià)方面,伍振軍基于遙感和遺傳BP神經(jīng)網(wǎng)絡(luò)算法對流域土地覆蓋/土地利用分類方法進(jìn)行了研究,遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)可克服本身缺陷,能夠快速提高土地分類的精度[12]。綜上得出,BP神經(jīng)網(wǎng)絡(luò)存在收斂速度過慢甚至不收斂、容易陷入局部極小值等缺陷。本研究以明水縣為例建立了明水縣耕地質(zhì)量評價(jià)的體系,利用遺傳算法改進(jìn)的BP人工神經(jīng)網(wǎng)絡(luò)對明水縣的耕地質(zhì)量進(jìn)行更加科學(xué)的評價(jià),這些成果為全面提高明水縣的農(nóng)業(yè)生產(chǎn)水平,實(shí)現(xiàn)耕地質(zhì)量計(jì)算機(jī)的動態(tài)監(jiān)管,適時為明水縣各個耕地管理單元的耕地質(zhì)量狀況和調(diào)節(jié)提高的措施提供了基礎(chǔ)數(shù)據(jù)管理平臺和數(shù)據(jù)。在目前農(nóng)用地分等應(yīng)用中,耕地質(zhì)量分等大部分采用相對成熟的《農(nóng)用地分等規(guī)程》中的方法,引入智能化、信息化技術(shù)研究耕地自然質(zhì)量計(jì)算的方法相對較少。將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合,可實(shí)現(xiàn)優(yōu)勢互補(bǔ),從而達(dá)到提高BP神經(jīng)網(wǎng)絡(luò)模型整體性能的目的。
1BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建
BP神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)是求取整個網(wǎng)絡(luò)總誤差函數(shù)最小值的問題,具體采用最速下降法按照誤差函數(shù)的負(fù)梯度方向進(jìn)行權(quán)系數(shù)修正[13]。BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性擬合能力,同時擁有學(xué)習(xí)規(guī)則簡單、計(jì)算機(jī)上容易實(shí)現(xiàn)等優(yōu)點(diǎn)。在BP神經(jīng)網(wǎng)絡(luò)中,樣本數(shù)據(jù)從輸入層經(jīng)過隱含層逐層向后傳播,訓(xùn)練網(wǎng)絡(luò)權(quán)值則沿著減少誤差的方向傳遞,從輸出層經(jīng)過中間各層逐層向前修正神經(jīng)網(wǎng)絡(luò)的連接權(quán)值。隨著樣本訓(xùn)練的不斷進(jìn)行,最終誤差逐漸減小。3層的BP神經(jīng)網(wǎng)絡(luò)已經(jīng)具有優(yōu)秀的對連續(xù)映射的逼近能力,完全可以滿足耕地自然質(zhì)量評價(jià)的計(jì)算要求。
1.1網(wǎng)絡(luò)結(jié)構(gòu)的確定
利用BP神經(jīng)網(wǎng)絡(luò)可以建立1個包括輸入層、隱含層、輸出層的典型3層BP神經(jīng)網(wǎng)絡(luò)模型,其中輸入層就是耕地自然質(zhì)量評價(jià)的指標(biāo)體系,輸入節(jié)點(diǎn)數(shù)即為耕地質(zhì)量評價(jià)指標(biāo)個數(shù)。輸出層即最后的耕地自然質(zhì)量分,節(jié)點(diǎn)數(shù)為1;隱含層節(jié)點(diǎn)個數(shù)通過經(jīng)驗(yàn)法來決定,與評價(jià)結(jié)果的誤差精度大小和隱含層神經(jīng)元的多少有直接關(guān)系[14]。增加隱含層的節(jié)點(diǎn)數(shù)可以降低訓(xùn)練誤差,提高訓(xùn)練速度,其訓(xùn)練效果相比于增加隱含層數(shù)更加便于觀察和調(diào)整。
1.2主要參數(shù)的選取
1.2.1激活函數(shù)激活函數(shù)又被稱為傳遞函數(shù),是組成BP神經(jīng)網(wǎng)絡(luò)的重要部分,在1個BP神經(jīng)網(wǎng)絡(luò)中,傳遞函數(shù)一定是連續(xù)可微的函數(shù),對于3層的BP神經(jīng)網(wǎng)絡(luò)模型,隱含層通常采用Sigmoid函數(shù),而輸出層的激活函數(shù)一般會選擇線性函數(shù)。
1.2.2學(xué)習(xí)速率在BP神經(jīng)網(wǎng)絡(luò)模型中,學(xué)習(xí)速率將會對樣本數(shù)據(jù)每次循環(huán)訓(xùn)練中的權(quán)值變化產(chǎn)生直接的影響,學(xué)習(xí)速率直接決定著BP神經(jīng)網(wǎng)絡(luò)的收斂性和收斂速度,適當(dāng)調(diào)整學(xué)習(xí)速率可以更好地解決收斂速度慢和容易陷入局部最小值的問題[15]。針對不同問題,學(xué)習(xí)速率的取值各不相同。在樣本學(xué)習(xí)訓(xùn)練中誤差一樣的情況下,相對較小的學(xué)習(xí)速率可以加快模型的收斂速度,但同時會增加訓(xùn)練次數(shù)來保證整個神經(jīng)網(wǎng)絡(luò)的穩(wěn)定,使得最終的神經(jīng)網(wǎng)絡(luò)誤差達(dá)到最小值。本研究通過適度減小學(xué)習(xí)速率來保證網(wǎng)絡(luò)的收斂到最優(yōu)解。
1.2.3目標(biāo)誤差目標(biāo)誤差值是網(wǎng)絡(luò)訓(xùn)練過程中用來終止訓(xùn)練的指標(biāo)。鑒于均方誤差能夠有效克服標(biāo)準(zhǔn)BP算法與累計(jì)誤差BP算法的缺陷,本研究選用均方誤差算法進(jìn)行計(jì)算。均方誤差MSE定義如下:
MSE=11mp∑p1p=1∑m1k-1(y^pk-ypk)2。(1)
式中:p為訓(xùn)練樣本數(shù)量,m為輸出節(jié)點(diǎn)個數(shù),ypk為BP神經(jīng)網(wǎng)絡(luò)實(shí)際輸出值,y^pk為BP神經(jīng)網(wǎng)絡(luò)期望輸出值。
2基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)
2.1遺傳算法
遺傳算法是一種新興的以優(yōu)勝劣汰、自然選擇和基因遺傳思想為基礎(chǔ)的優(yōu)化算法。遺傳算法將問題的求解表示成染色體即用編碼表示的字符串,算法從一群染色體串出發(fā)將其置于問題的環(huán)境中,根據(jù)適者生存的原則,從中選取適應(yīng)環(huán)境的染色體進(jìn)行復(fù)制,通過交叉、變異2種基因操作產(chǎn)生出新一代更適合環(huán)境的染色體種群,隨著算法運(yùn)行,優(yōu)良的品質(zhì)逐漸保留并加以組合從而不斷產(chǎn)生更加優(yōu)良的個體[16]。對于遺傳算法就是不斷接近最優(yōu)解。遺傳算法是通過對參數(shù)空間編碼并用隨機(jī)選擇作為工具,來引導(dǎo)搜索過程向著更高效的方向發(fā)展。遺傳算法是一種啟發(fā)式搜索,其搜索效率優(yōu)于其他方法。為了解決神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值的問題,優(yōu)化初始權(quán)重是有效的解決辦法。通過遺傳算法對整個權(quán)值空間的全局最優(yōu)搜索,尋找到接近全局最小值的權(quán)值,再使用這一組優(yōu)化的權(quán)值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值進(jìn)行網(wǎng)絡(luò)訓(xùn)練,可以精確快速地得到全局最小值。然后利用適應(yīng)度函數(shù)計(jì)算子代種群中每個個體的適應(yīng)度,判斷是否達(dá)到適應(yīng)度的目標(biāo)值[17]。如果沒有達(dá)到目標(biāo),就繼續(xù)進(jìn)入下一次迭代;如果達(dá)到目標(biāo),就停止迭代,輸出當(dāng)前種群中適應(yīng)度最高的個體作為最優(yōu)解。將最優(yōu)解解碼,生成BP神經(jīng)網(wǎng)絡(luò)可用的網(wǎng)絡(luò)權(quán)值矩陣,導(dǎo)入到BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)中進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的運(yùn)算,運(yùn)算方式與獨(dú)立的BP神經(jīng)網(wǎng)絡(luò)模型相同。
2.2BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化流程
遺傳算法具有較高的全局搜索能力,BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)能力,遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的結(jié)合可以充分凸顯二者的優(yōu)點(diǎn)。利用遺傳算法優(yōu)化初始權(quán)值,而后使用BP神網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練達(dá)到最終結(jié)果(圖1)。
2.3主要參數(shù)的選取
2.3.1選擇操作選擇操作是從父本中選擇適應(yīng)度高的個體直接遺傳到下一代。這樣適應(yīng)度高的個體通過選擇操作遺傳到下一代,從而能夠更加接近最優(yōu)種群即最優(yōu)解。目前,遺傳算法中最常用的選擇操作是輪盤賭選擇法,即適應(yīng)度比例法。適應(yīng)度比例法要求每個個體的選擇概率與其適應(yīng)度數(shù)值成正比,適應(yīng)度越大,被選擇的概率就越高[18]。但是并不是適應(yīng)度高的一定會被選中,這樣就可能造成高適應(yīng)度的基因丟失,或者最優(yōu)解丟失,解決的方法是將適應(yīng)度最高的個體無條件直接遺傳到下一代。
2.3.2交叉概率交叉操作是將父代的2個樣本部分結(jié)構(gòu)進(jìn)行重組而生成新的個體。較大的交叉概率Pc可以增強(qiáng)遺傳算法開辟出新的搜索能力,但又會將已經(jīng)存在高適應(yīng)度的染色體破壞掉;如果交叉概率取值過低,遺傳算法的進(jìn)化能力就弱,無法在父代中得到適應(yīng)度更高的子代個體,遺傳操作陷入遲鈍狀態(tài)[19]。一般取值為0.25~1.0,在本次試驗(yàn)中,交叉概率Pc取值為0.3。
2.3.3變異概率變異操作在遺傳算法中起輔助性的搜索功能,它是為了維持多樣性的樣本群體的保證[20]。變異操作就是取反部分基因位置上的基因值。通常采用的方法是隨機(jī)選擇基因值,以變異概率Pm對這些基因值進(jìn)行變異。本研究遺傳算法的編碼采用非均勻變異,非均勻變異是隨機(jī)擾動原有的基因值,得到通過變異操作后的新基因值。變異概率Pm的取值為0.1。
2.3.4終止代數(shù)終止代數(shù)T是表示遺傳算法運(yùn)行結(jié)束的1個參數(shù),它表示遺傳算法運(yùn)行到指定的進(jìn)化代數(shù)之后就停止,并將當(dāng)前群體中的最佳個體作為所求問題的最優(yōu)解輸出。本次試驗(yàn)中終止代數(shù)為200。
2.3.5目標(biāo)誤差目標(biāo)誤差即目標(biāo)函數(shù)值,通常是選擇均方誤差對神經(jīng)網(wǎng)絡(luò)在所有訓(xùn)練樣本上所產(chǎn)生的誤差進(jìn)行計(jì)算。本研究使用BP神經(jīng)網(wǎng)絡(luò)的均方誤差作為遺傳算法的適應(yīng)度函數(shù),均方誤差越小,其適應(yīng)度越好。適應(yīng)度函數(shù)計(jì)算如下:
E(XP)=11n∑n1p=1∑c1k=1[Yk,p(XP)-tk,p]2。(2)
式中:n代表訓(xùn)練樣本數(shù)量;c代表輸出端的個數(shù);tk,p、Yk,p(Xp)分別表示訓(xùn)練樣本p在k輸出端的給定輸出和實(shí)測值。
本研究針對目標(biāo)誤差的取值進(jìn)行了預(yù)試驗(yàn),分別設(shè)定了不同目標(biāo)誤差對本次試驗(yàn)數(shù)據(jù)進(jìn)行處理,由表1可知,當(dāng)誤差為0.000 01時,優(yōu)化效果較為明顯,故本試驗(yàn)選用的目標(biāo)誤差為0.000 01。
2.4模型評價(jià)
泛化能力(generalization ability)是指計(jì)算機(jī)學(xué)習(xí)算法對新樣本的適應(yīng)能力。訓(xùn)練的目的是學(xué)到隱含在數(shù)據(jù)背后的規(guī)律,對具有同一規(guī)律的數(shù)據(jù)集以外的數(shù)據(jù),隨著網(wǎng)絡(luò)不斷地訓(xùn)練,也能仿真出合適的輸出值,并非訓(xùn)練的次數(shù)越多越能得到正確的輸入輸出映射關(guān)系[21]。神經(jīng)網(wǎng)絡(luò)的性能主要用其泛化能力來衡量。針對神經(jīng)網(wǎng)絡(luò)的泛化能力,為了進(jìn)一步對系統(tǒng)的性能進(jìn)行確定,反映神經(jīng)網(wǎng)絡(luò)模型結(jié)果擬合的程度,本研究參照已有的研究經(jīng)驗(yàn)引入“確定系數(shù)”這一概念,用以衡量模型仿真所得值與實(shí)際輸出值之間的相似程度,即神經(jīng)網(wǎng)絡(luò)模型確定性程度。確定系數(shù)的計(jì)算公式如下:
r2=1-∑N1t=1(yt-y^t)21∑N1t=1(yt-yt)2。(3)
式中:N為輸出值的數(shù)量,yt為實(shí)際輸出值,y^t為網(wǎng)絡(luò)仿真預(yù)測值,yt為實(shí)際輸出值的均值。當(dāng)模型仿真所得的值與實(shí)際輸出值越相近時,所得確定性系數(shù)的值也就越逼近1,說明模型逼近效果越好,確定性能也越好。
3實(shí)例應(yīng)用
3.1研究區(qū)概況
明水縣位于黑龍江省西南部,地處松嫩平原西北部,東隔通肯河與海倫縣相望,南與青岡相毗連,西與林甸相連,北與拜泉西北與依安相接。地勢平坦,地表徑流不發(fā)達(dá),明水縣東部是小興安嶺余脈的丘陵地帶,西部屬松嫩平原,平坦開闊,地勢中部高,東西兩側(cè)漸低。明水縣處于高緯度地帶,是北溫帶大陸性季風(fēng)氣候,氣溫季節(jié)性變化明顯,受大氣環(huán)流和氣象因素的影響,明水縣年降水量變化很大,各個月份的降水分布也不平均。明水縣境內(nèi)有1條斜貫中部松嫩流域的分水嶺,東部屬松花江流域,西部和縣城屬嫩江流域,縣內(nèi)水文地質(zhì)情況復(fù)雜,由西向東地下水埋藏越來越深,地下水流方向自東北向西南。明水縣土壤共分為7個土類,17個亞類,20個土屬,31個土種。明水縣土壤基礎(chǔ)肥力較好。明水縣自然資源比較豐富,西部天然草原生產(chǎn)草類和中草藥,東部地區(qū)盛產(chǎn)靰鞡草及小葉樟,水庫與通肯河出產(chǎn)各種魚類,地下埋藏著10余種礦物。
3.2樣本的選取
本研究2015年在黑龍江省明水縣各個鄉(xiāng)鎮(zhèn)的耕地采集140個采樣點(diǎn)。在選取樣地時,對于自然質(zhì)量分相差較大的村落,相應(yīng)增加選取樣地?cái)?shù)量;對于自然質(zhì)量分相差較小的村落,適當(dāng)減少選取樣地?cái)?shù)量。所取土樣經(jīng)過分析可以得到其全氮、速效鉀、速效磷、土壤有機(jī)質(zhì)含量、土壤酸堿度(pH值)、土壤質(zhì)地、黑土層厚度、距障礙層深度這9個指標(biāo)因子的相應(yīng)數(shù)值,由于明水縣面積較小,降水和積溫在整個縣域內(nèi)變化較小,所以在明水縣耕地質(zhì)量評價(jià)中沒有考慮。經(jīng)過篩選,選取明水縣耕地采樣點(diǎn)樣本總數(shù)140個,其中含100個訓(xùn)練集樣本和40個測試集樣本。
3.3試驗(yàn)結(jié)果
明水縣耕地質(zhì)量分等共選取了包括黑土層厚度、表層質(zhì)地、距障礙層深度、土壤酸堿度(pH值)、全氮、速效磷、速效鉀及土壤有機(jī)質(zhì)含量在內(nèi)的9個影響因子輸入層,輸入層擁有9個神經(jīng)元,分別與9個指標(biāo)因子相對應(yīng)。隱含層為1層,采用經(jīng)驗(yàn)法確定隱含層節(jié)點(diǎn)數(shù)為20個。輸出層用1個神經(jīng)元代表各評價(jià)單元所在地塊相對應(yīng)的耕地自然質(zhì)量分,使用[0,1]區(qū)間內(nèi)的實(shí)數(shù)表示。遺傳算法中編碼長度S=R×S1+S1×S2+S1+S2。BP神經(jīng)網(wǎng)絡(luò)中,隱含層的傳遞函數(shù)為 Sigmoid 函數(shù),輸出層傳遞函數(shù)為線性函數(shù)purelin,訓(xùn)練函數(shù)為trainlm,學(xué)習(xí)速率lr=0.01,最大迭代次數(shù)epoch=10 000。遺傳算法的參數(shù)選取如下:種群規(guī)模popu=100,遺傳代數(shù) gen=200,交叉概率Pc=0.3,變異概率Pm=0.1。
分別基于BP神經(jīng)網(wǎng)絡(luò)模型與GA-BP網(wǎng)絡(luò)模型對明水縣140個采樣點(diǎn)中耕地自然質(zhì)量分進(jìn)行5次試驗(yàn)(表2)。
由表2可知,BP神經(jīng)網(wǎng)絡(luò)模型的平均訓(xùn)練次數(shù)為321次,比GA-BP神經(jīng)網(wǎng)絡(luò)模型的平均訓(xùn)練次數(shù)多205次;BP神經(jīng)網(wǎng)絡(luò)模型計(jì)算結(jié)果中最大均方誤差和最小均方誤差的差值為0.146 8,而GA-BP網(wǎng)絡(luò)模型計(jì)算結(jié)果中最大均方誤差和最小均方誤差的差值為0.070 3。通過2種模型5次試驗(yàn)結(jié)果分析對比可知:(1)可行性方面,2種模型的計(jì)算結(jié)果均與常規(guī)方法相差甚微,證明神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于耕地分等中的自然質(zhì)量分計(jì)算具有可行性。(2)收斂速度方面,GA-BP網(wǎng)絡(luò)模型的5次計(jì)算結(jié)果在訓(xùn)練次數(shù)上都明顯小于BP神經(jīng)網(wǎng)絡(luò)模型,說明遺傳算法在全局搜索能力上要有效得多,在一定程度上避免了標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)模型陷入局部極小值,同時其收斂速度也優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。(3)穩(wěn)定性方面,比較BP神經(jīng)網(wǎng)絡(luò)和GA-BP網(wǎng)絡(luò)模型計(jì)算結(jié)果中最大均方誤差和最小均方誤差的差值,發(fā)現(xiàn)GA-BP網(wǎng)絡(luò)模型比BP神經(jīng)網(wǎng)絡(luò)模型更穩(wěn)定。(4)適應(yīng)度方面,在5次計(jì)算中GA-BP網(wǎng)絡(luò)模型的均方誤差均小于BP神經(jīng)網(wǎng)絡(luò)模型的均方誤差,說明GA-BP網(wǎng)絡(luò)模型應(yīng)用于耕地自然質(zhì)量計(jì)算的適應(yīng)度要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。
3.4精度評價(jià)
由公式(3)可知,當(dāng)確定系數(shù)越接近1時,網(wǎng)絡(luò)仿真計(jì)算產(chǎn)生的實(shí)際輸出值與真實(shí)值越接近,表示整個系統(tǒng)的精度越高,適應(yīng)性越好。由表3可知,在5次試驗(yàn)中,遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型(GA-BP)的確定系數(shù)最大值為0.830 3,最小值為0697 6,平均值為0.780 2,BP神經(jīng)網(wǎng)絡(luò)的確定系數(shù)最大值0.763 2,最小值為 0.583 6,平均值為 0.696 4,遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型(GA-BP)的確定系數(shù)明顯比BP神經(jīng)網(wǎng)絡(luò)的確定系數(shù)大0.083 8,同時更接近于1,說明經(jīng)過遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型的泛化能力得到增強(qiáng)。在明水縣耕地自然質(zhì)量分的計(jì)算中,遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型比BP神經(jīng)網(wǎng)絡(luò)模型精度更高。
4結(jié)論與討論
標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)模型能夠快速擬合耕地影響因子與耕地質(zhì)量分之間的非線性關(guān)系,但在訓(xùn)練過程中存在收斂速度過慢和容易陷入收斂局部極小值等問題。本研究提出了利用遺傳算法(GA)來對于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的前期振蕩訓(xùn)練過程進(jìn)行優(yōu)化,并快速確定BP神經(jīng)網(wǎng)絡(luò)最優(yōu)的初始權(quán)值,解決了BP神經(jīng)網(wǎng)絡(luò)模型收斂慢和容易陷入局部極小值的問題,降低了迭代次數(shù),加快了收斂速度。試驗(yàn)證明,GA-BP網(wǎng)絡(luò)模型不僅收斂速度更高,GA-BP模型的穩(wěn)定性和適應(yīng)度比BP神經(jīng)網(wǎng)絡(luò)模型高;且優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型魯棒性得到增強(qiáng),精準(zhǔn)度大幅度提高,能夠更加準(zhǔn)確地反映出耕地自然質(zhì)量分與9個不同指標(biāo)因子之間的關(guān)系。因此,GA-BP網(wǎng)絡(luò)模型很大程度上使自然質(zhì)量分的計(jì)算工作得到簡化,并使分等結(jié)果更加科學(xué)、合理。
遺傳算法具有強(qiáng)大優(yōu)化能力,但該算法在尋找最優(yōu)解過程中有可能出現(xiàn)“早熟現(xiàn)象”[22],現(xiàn)有的改進(jìn)方法有參數(shù)改進(jìn)、拓?fù)浣Y(jié)構(gòu)改進(jìn)、混合策略等,后期研究中可考慮使用改進(jìn)的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。
參考文獻(xiàn):
[1]李洪興,石水蓮. 遼寧省耕地利用現(xiàn)狀及其保護(hù)策略[J]. 國土資源,2010(6):34-36.
[2]張蚌蚌,孔祥斌,鄖文聚,等. 我國耕地質(zhì)量與監(jiān)控研究綜述[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào),2015,20(2):216-222.
[3]付國珍,擺萬奇. 耕地質(zhì)量評價(jià)研究進(jìn)展及發(fā)展趨勢[J]. 資源科學(xué),2015,37(2):226-236.
[4]奉婷,張鳳榮,李燦,等. 基于耕地質(zhì)量綜合評價(jià)的縣域基本農(nóng)田空間布局[J]. 農(nóng)業(yè)工程學(xué)報(bào),2014(1):200-210.
[5]錢鳳魁,王秋兵,邊振興,等. 凌源市耕地質(zhì)量評價(jià)與立地條件分析[J]. 農(nóng)業(yè)工程學(xué)報(bào),2011,27(11):325-329.
[6]唐南奇,譚明軍. 基于人工神經(jīng)網(wǎng)絡(luò)農(nóng)用地分等研究Ⅰ.分等模型與精度檢測[J]. 福建農(nóng)林大學(xué)學(xué)報(bào)(自然科學(xué)版),2004,33(2):241-244.
[7]孔維娜,李躍進(jìn),李雙異,等. 人工神經(jīng)網(wǎng)絡(luò)產(chǎn)量定量評價(jià)模型在縣域耕地地力評價(jià)中的應(yīng)用[J]. 國土與自然資源研究,2012(2):30-32.
[8]員學(xué)鋒,吳普特,汪有科. BP神經(jīng)網(wǎng)絡(luò)在耕地減少預(yù)測中的應(yīng)用研究[J]. 中國農(nóng)業(yè)資源與區(qū)劃,2005,26(4):39-41.
[9]遲寶明,林嵐,丁元芳. 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型在地下水動態(tài)預(yù)測中的應(yīng)用研究[J]. 工程勘察,2008(9):36-41.
[10]張保祥,劉青勇,盧朝霞,等. 基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的濟(jì)南市區(qū)巖溶地下水預(yù)報(bào)模型研究[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2004,35(3):436-441.
[11]張學(xué)喜. 遺傳算法和人工神經(jīng)網(wǎng)絡(luò)在邊坡穩(wěn)定性評價(jià)中的應(yīng)用[D]. 合肥:合肥工業(yè)大學(xué),2007.
[12]伍振軍,劉吉平. 基于遙感和遺傳BP算法的流域土地覆蓋/利用分類方法[J]. 湖北地礦,2002,16(2):31,34-37.
[13]李小剛,馬友華,張益,等. 基于模糊評價(jià)與BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評價(jià)對比研究——以淮北平原鳳臺縣為例[J]. 土壤通報(bào),2015(4):816-822.
[14]孔維娜,李躍進(jìn),李雙異,等. 人工神經(jīng)網(wǎng)絡(luò)產(chǎn)量定量評價(jià)模型在縣域耕地地力評價(jià)中的應(yīng)用[J]. 國土與自然資源研究,2012(2):30-32.
[15]聞新. MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M]. 北京:科學(xué)出版社,2003.
[16]張豪,羅亦泳,張立亭,等. 基于遺傳算法最小二乘支持向量機(jī)的耕地變化預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報(bào),2009,25(7):226-231.
[17]宋戈,王越,雷國平,等. 松嫩高平原黑土區(qū)耕地資源安全的驅(qū)動機(jī)制分析[J]. 農(nóng)業(yè)工程學(xué)報(bào),2013,29(21):241-248.
[18]高娟,王海軍,張怡然,等. 基于遺傳算法和支持向量機(jī)的城鎮(zhèn)土地定級方法研究[J]. 華中師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,48(6):917-922,929.
[19]駱成鳳,劉正軍,王長耀,等. 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)遙感數(shù)據(jù)土地覆蓋分類[J]. 農(nóng)業(yè)工程學(xué)報(bào),2006,22(12):133-137,后插1.
[20]宋戈,鄒朝暉,王越. 東北糧食主產(chǎn)區(qū)縣域耕地產(chǎn)能核算及其影響因子分析[J]. 農(nóng)業(yè)工程學(xué)報(bào),2014,30(24):308-317.
[21]雷英杰. MATLAB遺傳算法工具箱及應(yīng)用[M]. 西安:西安電子科技大學(xué)出版社,2005.
[22]周洪偉,原錦輝,張來順. 遺傳算法“早熟”現(xiàn)象的改進(jìn)策略[J]. 計(jì)算機(jī)工程,2007,33(19):201-203.