張朝暉，聶 艷，馬澤玥

（華中師范大學地理過程分析與模擬湖北省重點實驗室，湖北武漢430079）

0 引言

“像保護大熊貓一樣保護耕地”［1］，耕地是人們賴以生存的基本條件，耕地質量對于保障國家糧食安全起著重要作用。在推動高質量發(fā)展的背景下，更加關注耕地質量，妥善保護耕地和推動高標準基本農田建設則愈加重要。

耕地的質量是各種因素綜合影響的結果，包括經濟、自然、社會、環(huán)境等多方面。目前，耕地質量評價多以定性和定量方法進行，常見方法有因素法［2］、模糊評價法［3］、層次分析法［4］、主成分分析法［5］、灰色關聯度法［6］、熵權法［7］等。然而這些方法多少存在主觀性過大或者其他不足，在保證評價客觀性上存在欠缺。BP神經網絡是一種多層前饋網絡，其算法原理是基于數據的逆向傳播，能夠很大程度上減輕評價中主觀因素影響，以獲得客觀準確的評價結果［8］。研究表明，耕地質量評價適宜使用神經網絡的方法，通過對樣本的訓練來自動找尋質量水準與各影響指標因素之間的非線性關系，從而更方便、科學、客觀地對耕地質量進行模擬評價。文章以襄陽市城區(qū)為例，在耕地質量評價工作中采用了BP神經網絡的評價方法，后利用BP神經網絡法得出的質量評價結果與傳統(tǒng)因素法的評價成果進行對比分析，以探究神經網絡方法的可行性、準確性，也為耕地的精準定位、分類保護提供參考與借鑒。

1 研究區(qū)域概況與數據來源

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)、高新技術開發(fā)區(qū)、魚梁洲經濟開發(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820～1 100 mm。土地資源方面，城區(qū)土地面積以農用地最多，達10.499 1萬hm2，占比69.02%；建設用地3.474 1萬hm2，占比22.84%；未利用地1.238 6萬hm2，占比8.14%。

1.2 數據來源

研究數據包括自然、經濟、區(qū)位等多方面資料，通過資料收集、實地調查等方式，得到湖北省土肥站的耕地樣點數據、襄陽市最新的耕地質量等別年度更新成果、襄陽市土地利用現狀數據庫、襄陽市年鑒等自然環(huán)境與經濟情況資料，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個耕地樣點的氣候數據，研究區(qū)的社會經濟資料主要參考襄陽市統(tǒng)計年鑒和實際走訪調查數據，有關土地的相關信息資料則是提取自襄陽市國土局的襄陽市耕地質量等別年度更新數據庫和襄陽市土地利用現狀數據庫。依據來源實際可靠、單位標準統(tǒng)一、符合實際操作要求的原則，對收集數據進行核對檢測，以確保數據真實可靠，并通過野外調查對部分資料進行補充完善。

2 研究方法

2.1 評價單元確定

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

2.2 指標體系構建

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

該文在充分遵循生產性、可行性、典型性、主導性原則的基礎上，結合襄陽市城區(qū)耕地的特點，基于自然因素、社會經濟因素和區(qū)位因素3方面構建目標層，并以氣候、地形、土壤、土地利用、基礎設施、耕作條件、區(qū)位條件、交通條件8方面建立準則層，最終確定20個指標，構建起襄陽市城區(qū)域耕地評價指標體系，詳見表1。

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

2.3 指標屬性獲取

根據指標屬性特點的不同，采用的多種方法獲取指標屬性數據。其中坡度、耕層厚度、剖面構層、地表巖石裸露度、表層土壤質地、土壤侵蝕程度、有機質含量、土壤pH值、灌溉保障率指標數據直接采用襄陽市耕地質量等別年度更新數據庫中的對應資料。

積溫和降水量指標數據則是通過克里金插值的方法對耕地樣點的氣候資料進行插值分析，并對屬于襄陽市城區(qū)內的屬性數據進行截取，以獲取各耕地圖斑氣候數據。

耕地比重、人均耕地指標的屬性數據是采用公式計算的方法進行，因耕地比重和人均耕地數據無法精準到各個地塊，故以村莊為基本單位，通過咨詢和走訪調查收集整理每個村莊的人口數據，并通過公式計算獲得每個村莊的耕地比重和人均耕地數據，最后把屬于該村莊的耕地圖斑都賦予同一數值。耕地比重和人均耕地的計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量的比值。

溝渠密度、水系密度以及路網密度指標屬性數據的獲取。首先溝渠密度、水系密度和路網密度數據直接提取自襄陽市土地利用現狀數據庫，而后采用疊加分析的方法使其與耕地數據進行疊加，獲得每塊地塊所對應的溝渠、水系、路網數據，最后通過公式計算得到指標屬性。密度的計算公式則為地塊中對應的溝渠、水系、路網的面積或長度除以地塊總面積。

耕作距離和中心城鎮(zhèn)影響度是空間擴散型因子，應采用緩沖區(qū)分析的方法進行數據獲取。首先在襄陽市土地利用現狀數據庫中提取中心城鎮(zhèn)點和居民點數據，后通過ArcGIS中的多級緩沖分析，設定不同的緩沖距離，再與評價單元進行空間疊加以獲取評價單元的數據值。

空間擴散型因子也要考慮其數值的空間衰減問題，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。依據不同的di做緩沖區(qū)分析后將各等級緩沖區(qū)圖進行疊加，在相應的緩沖區(qū)帶中賦予相應的值，公式為［14］：

式（1）～（2）中，di表示某點在其影響因素的最大距離內距離其影響因素的實際距離；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表示評價區(qū)域總面積；n表示影響中心的數量。

田塊連片度和田塊形狀的屬性數據也采用公式計算獲取?？芍苯釉贏rcGIS中使用字段計算器功能獲得，田塊連片度、田塊形狀計算公式分別為：

式（3）中，F表示連片度，n為斑塊總個數，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典的耕地質量評價方法，其通過對研究區(qū)域耕地質量的各種影響因素進行研究分析，設置耕地質量的評價指標體系，然后對每個指標的影響程度和重要性進行判別獲取，以得到指標對應權重，而后依據指標數據對其進行量化賦分，最后通過計算得出耕地的質量分值。因素法定級具有獨立性強、自成體系、受等別指數干擾小、易于操作等特點［15］。

依據《農用地質量分等規(guī)程》（GB/T 28407—2012）、《農用地定級規(guī)程》（GB/T 28405—2012）等相關規(guī)程和文件的指導，襄陽市于2018年采用因素法開展了襄陽市城區(qū)耕地質量定級評價工作，并形成了襄陽市城區(qū)耕地質量定級評價成果與數據庫。

2.5 BP神經網絡法

BP是一種多層前饋式誤差反向傳播網絡，其高度的仿真功能經過網絡反復學習能有效修正誤差，可以跨越傳統(tǒng)評價中的專家打分環(huán)節(jié)，在一定程度上避免主觀因素對結果的影響［16］。BP神經網絡的另一優(yōu)勢在于其可以不斷調整模型參數，如權重和閾值，以便不斷降低模型誤差，提高網絡的精確性。

近年來，人工神經網絡不斷趨于成熟與完善，并且在許多領域均有運用，該文在耕地質量評價上嘗試采用BP神經網絡的方法，對BP神經網絡方法的可行性、準確性進行測試和研究，并與因素法結果進行對比分析。

3 基于神經網絡的耕地質量評價

3.1 數據的量化與歸一化處理

根據屬性數據的特點，可將耕地質量評價指標分為語言型、域值型和擴散型。語言型指標，是指指標的數據不是具體的量化數字，而是語言性的描述，如坡度、土壤質地、剖面構層、地表巖石裸露度等；域值型指標，是指指標數據自身就具有級別劃分，并且存在一定的區(qū)間，域值型指標包括土壤有機質和pH值；擴散型因子，該類因子的數值會隨著影響距離的增加而呈現出逐漸減弱的趨勢，中心城鎮(zhèn)影響度和耕作距離屬于擴散型因子。因此，對于不同類型的指標數據，也要采用特定的量化方法。對于語言型指標的量化賦值可直接參考依據《農用地質量分等規(guī)程》（GB/T 28407—2012）和其他相關資料中的量化標準，成果如表2。

表2 土壤質地的量化結果實例Table2 Example of quantitative results of soil texture

域值型指標，域值型指標數據的量化處理應采用下式進行量化賦值［17］：

式（5）中，Fi指標因子第i級別所對應的分數；Ti表示指標因子第i級別域值的中值；T優(yōu)表示指標因子最優(yōu)級別域值的中值；T劣表示指標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散性因子，指標屬性數值獲取工作中已對其指標數據進行了獲取與量化，故不需要再次處理，可直接采用。其余已有數值的指標則不需要再進行量化處理，以上各項指標量化完成。

BP神經網絡要求輸入數據要在0～1的區(qū)間內，因此該文采用極差法［18］的方式對輸入數據預先進行歸一化處理，分為兩種情況，公式（6）是正相關指標的處理，公式（7）是逆相關指標的處理：

式（6）～（7）中，maxXij表示各指標最大值；minXij表示各指標最小值；Xij表示各指標實際值。

3.2 神經網絡模型構建與參數選取

該文網絡模型采取使用由輸入層、隱含層、輸出層組建的3層次BP神經網絡模型。tan-sigmoid型傳遞函數的tansig的輸入值可任意選取，線性傳遞函數purelin的輸入輸出都能取任意值，因評價指標數據都進行了歸一化處理，故選取tansig函數為隱含層函數，purelin函數為輸出層函數，訓練函數選取L-M反向傳播算法即trainlm函數［19］。

評價所構建的指標體系共有20個指標，所需要得到的結果為1個即評價分值，故分別采用20和1作為此次BP神經網絡模型的輸入層和輸出層神經元數。

對于網絡模型隱含層節(jié)點數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)點數；A表示輸入層節(jié)點數；B表示輸出層節(jié)點數；C表示1～10之間的任意整數。

為了得出更好的實驗結果，綜合考慮訓練次數、擬合程度等因素，多次改變隱層數量進行實驗，結果表明當隱層數為12時，模型效果最佳。在BP神經網絡模型的參數選擇上，學習率選取0.01、期望誤差選取0.001、最大訓練次數則選取10 000次，綜上BP神經網絡模型建立完成，詳見圖1。

3.3 訓練檢驗樣本選擇

構建一個BP神經網絡模型需要選取一定的樣本數據以作為訓練樣本和測試樣本，并通過訓練樣本數據以構建和訓練網絡模型，通過測試樣本對模型的性能和精度進行檢驗。本著隨機分布的原則，選擇1 000個地塊數據作為訓練樣本，200個地塊數據作為檢驗樣本，共1 200個樣本數據。

圖1 襄陽市城區(qū)耕地質量評價的BP神經網絡模型結構Fig.1 BP neural network model structure of cultivated land quality evaluation in Xiangyang urban area

3.4 評價結果

將選取的1 000個評價單元數據作為訓練樣本帶入Matlab中進行模型計算，對網絡模型進行構建和訓練；而后將選取的200個檢驗樣本帶入模型，以檢驗網絡模型的精度，并繪制檢驗樣本的仿真分數與真實分數的相對誤差圖，詳見圖2、圖3。

如圖2所示，該BP神經網絡模型的各項指標精度都達到0.93，相對誤差都在0.08以下。通過以上誤差數據的分析，可知此次構建的BP神經網絡模型精度高且誤差小，適用于耕地質量評價，可以用于預測其他耕地的質量。

圖2 神經網絡模型精度圖Fig.2 Neural network model accuracy

圖3 檢驗樣本相對誤差圖Fig.3 Test sample relative error

3.5 結果對比

通過構建的網絡模型對襄陽市城區(qū)的全域耕地質量分數進行預測，同時為了進一步檢驗模型精度，選取部分地塊的預測結果與襄陽市城區(qū)耕地定級評價成果中對應地塊的分數進行對比，詳見表3。

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

由表3可知，BP神經網絡法的預測結果十分接近常規(guī)因素法所得出的質量分值，進一步證實了BP神經網絡法的可行性。依據襄陽市城區(qū)耕地定級評價成果中的耕地分級標準，對模型預測的分值進行級別劃分，并從數量角度對各級別耕地的面積以及占比進行對比分析，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神經網絡法相比較因素法的評價結果在數量上存在一定差異，因素法的評價結果相對偏高，而BP神經網絡法的評價結果偏低。同時，通過空間的比較也能更直觀地觀察出兩種評價方法結果的異同之處，詳見圖4、圖5。

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

圖4 BP神經網絡法耕地級別分布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，由圖5也能對襄陽市城區(qū)耕地質量水平進行一定的把握。襄陽市城區(qū)的耕地質量水平總體良好，從耕地數量分布來看，位于中心城區(qū)的鄉(xiāng)鎮(zhèn)（街道）耕地的數量較少，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；從耕地質量分布來看，襄陽市城區(qū)的耕地質量由東北向西南其質量水平不斷下降，其中優(yōu)質耕地在東津鎮(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 結論與討論

4.1 結論

該文以襄陽市城區(qū)耕地為研究對象，采用BP神經網絡方法，建立網絡模型，并通過模型進行耕地質量分值預測。同時，將BP神經網絡法的評價結果與傳統(tǒng)因素法的評價結果進行對比分析。初步得到以下結論。

（1）BP神經網絡法模型的各項指標精度以及檢驗數據的相對誤差都在可接受的范圍，表明BP神經網絡法具有一定可行性和準確性，并且適合用于耕地質量評價工作。通過對比分析，BP神經網絡法的預測結果與因素法的成果差異不大，且使用神經網絡法進行預測能夠有效減輕人為主觀因素對評價結果的干擾，同時提高評價過程的客觀性和評價結果的準確性。

（2）襄陽市城區(qū)耕地整體質量水平良好，其中以二級地和三級地居多，面積占比分別為33.56%和46.19%；耕地數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；耕地質量的空間分布也不平衡，主要呈現出東北優(yōu)西南劣的特點。

4.2 討論

耕地質量評價是有效把握耕地質量水平、合理保護耕地、有效管理耕地的重要基礎性工作，尤其是耕地質量評價指標的構建是進行評價工作的基本前提，該文以自然要素、社會經濟要素、區(qū)位因素3方面建立起耕地質量評價體系，一定程度上反映了耕地各方面水平和質量，具有一定合理性、科學性；但也存在許多不足，如指標構建角度、構建層次、具體影響因素因子等還有待研究和優(yōu)化，指標屬性的獲取與量化也需進一步改進和完善。

耕地質量評價方法多種多樣，定性和定量的評價方法也層出不窮。該文采用的BP神經網絡法具有客觀、定量、非線性的特點，能夠減少評價過程中的主觀因素影響，其能夠利用已知數據進行構建并訓練神經網絡模型，然后使用已建立的模型去預測未知數據，可有效避免主觀因素帶來的誤差，且不需要提前設定權重，提高了耕地質量評價的準確度和效率；同時BP神經網絡法也存在著問題和不足：（1）在進行網絡參數數值設定時缺乏相關規(guī)范性的理論指導和標準依據，一般只能采用依據經驗的方法進行；（2）BP神經網絡可能存在預測結果不準確、不穩(wěn)定的現象，稱之為“過度擬合”，一般來說訓練樣本的數量多少和模型的精確度成正相關關系，但在訓練樣本達到一定數量時，訓練樣本數量增加模型的精度反而會下降?？傊?，BP神經網絡法適合運用于耕地質量評價工作且具有一定的準確性，同時需要進一步的研究與完善。