摘 要：目前，農(nóng)村人居環(huán)境評價方法存在一定的局限性，難以精確反映農(nóng)村環(huán)境的復(fù)雜性和多樣性。因此，本文從數(shù)據(jù)采集與預(yù)處理、評價指標體系確定等多個方面提出一種基于RBF-BP神經(jīng)網(wǎng)絡(luò)的農(nóng)村人居環(huán)境適宜性評價方法。該方法結(jié)合RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點，通過訓(xùn)練樣本數(shù)據(jù)，對農(nóng)村人居環(huán)境各指標進行權(quán)重分配和綜合評價。試驗結(jié)果表明，該方法在預(yù)測兩個試驗區(qū)的適宜性方面性能良好，能夠為改善居住條件提供科學(xué)依據(jù)。

關(guān)鍵詞：RBF-BP神經(jīng)網(wǎng)絡(luò)；人居環(huán)境；評價指標

中圖分類號：TP 3-0 文獻標志碼：A

由于歷史原因與經(jīng)濟發(fā)展水平的差異，因此農(nóng)村人居環(huán)境存在明顯的地域差異與不平衡現(xiàn)象，例如基礎(chǔ)設(shè)施建設(shè)滯后、環(huán)境污染問題突出、公共服務(wù)設(shè)施不足等問題，制約農(nóng)村的可持續(xù)發(fā)展[1]。在此背景下，科學(xué)有效地評估農(nóng)村人居環(huán)境的適宜性，并提出合理的改進措施成為亟待解決的問題。傳統(tǒng)的人居環(huán)境評估方法多利用專家打分或單一指標的比較方法，這種方法主觀性強且缺乏系統(tǒng)的分析工具與手段，難以滿足現(xiàn)代農(nóng)村人居環(huán)境綜合評價的需求，而徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)因其具有良好的非線性映射能力，在模式識別、函數(shù)逼近等方面有著廣泛的應(yīng)用，而反向傳播（Back Propagation，BP）算法作為最常用的訓(xùn)練多層前饋網(wǎng)絡(luò)的方法之一，能夠?qū)?fù)雜函數(shù)進行有效逼近。結(jié)合這兩種方法形成RBF-BP混合神經(jīng)網(wǎng)絡(luò)模型，不僅可以克服BP算法容易陷入局部極小值的問題，還能利用RBF網(wǎng)絡(luò)的優(yōu)點進行高效的數(shù)據(jù)處理，從而提高模型的學(xué)習(xí)能力和預(yù)測精度。本研究對基于RBF-BP神經(jīng)網(wǎng)絡(luò)的農(nóng)村人居環(huán)境適宜性評價方法進行詳細研究，以期為我國農(nóng)村人居環(huán)境整治提供理論支持和實踐指導(dǎo)。

1 數(shù)據(jù)采集與預(yù)處理

數(shù)據(jù)采集與預(yù)處理環(huán)節(jié)直接影響后續(xù)模型構(gòu)建與評價結(jié)果的準確性，因此在數(shù)據(jù)采集階段，要綜合運用地理信息系統(tǒng)（GIS）技術(shù)與遙感（RS）技術(shù)，通過高分辨率衛(wèi)星圖像獲取農(nóng)村地區(qū)的地貌特征、植被覆蓋度、土地利用類型等關(guān)鍵環(huán)境信息，同時，通過實地考察和社會調(diào)查的方式收集農(nóng)村居民對生活環(huán)境滿意度的問卷數(shù)據(jù)以及當(dāng)?shù)卣峁┑幕A(chǔ)設(shè)施建設(shè)情況，包括供水供電系統(tǒng)、衛(wèi)生設(shè)施、交通網(wǎng)絡(luò)等信息，全面反映農(nóng)村人居環(huán)境的現(xiàn)狀。此外，利用物聯(lián)網(wǎng)（IoT）設(shè)備監(jiān)測農(nóng)村地區(qū)的空氣質(zhì)量和噪聲水平等實時環(huán)境參數(shù)，這些動態(tài)數(shù)據(jù)對評估人居環(huán)境質(zhì)量的變化趨勢極為重要。

在數(shù)據(jù)預(yù)處理階段，采用一系列數(shù)據(jù)清洗與轉(zhuǎn)換技術(shù)保證輸入神經(jīng)網(wǎng)絡(luò)模型中的數(shù)據(jù)準確。針對缺失值問題，使用基于K近鄰算法（K-Nearest Neighbors，KNN）進行填補，設(shè)xr是第r個含有缺失值的數(shù)據(jù)點，則KNN填補缺失值的過程如公式（1）所示。

（1）

式中：x'r為第r個含有缺失值數(shù)據(jù)點的估計值；NK（xr）為一個集合，包括距離xr最近的K個鄰居數(shù)量，xo對應(yīng)xr缺失值位置上的實際觀測值。這種方法可以根據(jù)相似樣本的信息來推斷缺失數(shù)據(jù)，避免因簡單刪除而導(dǎo)致的信息損失。鑒于原始數(shù)據(jù)可能存在異常值或離群點，可以應(yīng)用Z-score標準化技術(shù)檢測并修正這些異常情況，保證樣本之間的可比性。該方法的數(shù)學(xué)表達式如公式（2）所示。

（2）

式中：x為原始值；μ為均值；σ為標準差。Z-score標準化后的數(shù)據(jù)服從標準正態(tài)分布，若某個數(shù)據(jù)點的Z-score絕對值大于設(shè)定閾值3，則認為該點是一個離群點，需要對其進行修正或剔除。以上數(shù)據(jù)采集與預(yù)處理方法能夠為基于RBF-BP神經(jīng)網(wǎng)絡(luò)的農(nóng)村人居環(huán)境適宜性評價提供高質(zhì)量、結(jié)構(gòu)化的數(shù)據(jù)基礎(chǔ)。

2 建立RBF-BP神經(jīng)網(wǎng)絡(luò)評價指標模型

2.1 評價指標體系

確定評價指標體系是適宜性評價的核心步驟之一，旨在為后續(xù)的關(guān)鍵評價特征提取析提供根據(jù)。具體而言，應(yīng)根據(jù)農(nóng)村人居環(huán)境的特性和研究目標，結(jié)合相關(guān)領(lǐng)域的文獻研究形成合理的指標體系[2]。同時，邀請環(huán)境科學(xué)、城鄉(xiāng)規(guī)劃、生態(tài)學(xué)等領(lǐng)域的專家，根據(jù)專家的經(jīng)驗和知識對可能的評價指標進行篩選和初步評估，保證指標的科學(xué)性和合理性。當(dāng)確定具體的評價指標時，須從多個維度進行綜合考慮，將農(nóng)村人居環(huán)境適宜性劃分為生態(tài)環(huán)境、生活環(huán)境、經(jīng)濟條件和社會文化4類，每類下設(shè)若干具體指標。具體如圖1所示。

在這個指標體系中，每個評價維度下的指標能夠全面覆蓋農(nóng)村人居環(huán)境的多方面特征，為適宜性評價提供更為詳實的依據(jù)。

2.2 提取關(guān)鍵評價特征

在基于RBF-BP神經(jīng)網(wǎng)絡(luò)進行農(nóng)村人居環(huán)境適宜性評價過程中，采用一種結(jié)合因子分析法與模糊綜合評判技術(shù)的方法保證所提取特征的準確性和代表性。這種方法可以對收集到的環(huán)境指標數(shù)據(jù)進行全面解析，發(fā)現(xiàn)與農(nóng)村居民生活質(zhì)量直接相關(guān)的決定性因素。為量化這些指標對人居環(huán)境適宜性的影響，須運用因子分析法去除對最終評價結(jié)果影響較小的冗余指標，從而形成一套簡潔且高效的關(guān)鍵評價特征指標。具體步驟如下。利用因子分析法對n項環(huán)境指標進行因子旋轉(zhuǎn)，找出隱藏在大量原始數(shù)據(jù)背后的幾個主要因子。在這個過程中，根據(jù)因子載荷矩陣確定哪些原始指標可以歸并到同一個因子下。然后，計算每個因子的貢獻率，并根據(jù)累積貢獻率達到預(yù)設(shè)閾值的原則，選出最重要的w個因子，具體計算過程如公式（3）所示。

（3）

式中：τ為累計貢獻率；λe為第e個因子的特征值；d為被選中的因子數(shù)量。

當(dāng)累計貢獻率達到85%時，就認為已經(jīng)提取到足夠的關(guān)鍵特征。進一步利用模糊綜合評判技術(shù)優(yōu)化這些關(guān)鍵因子的選擇，這個方法可以將專家的主觀判斷與客觀數(shù)據(jù)相結(jié)合，通過構(gòu)造隸屬度矩陣描述各項指標對人居環(huán)境適宜性的隸屬程度。對每個評價指標vj來說，每位專家根據(jù)自身的經(jīng)驗和知識給出各自的評價值，根據(jù)其屬性范圍設(shè)定隸屬度函數(shù)γij（vj），量化指標在適宜性評價中的重要程度，如公式（4）所示。

（4）

式中：aj和bj分別為第j個因子的隸屬度函數(shù)的下限和上限。根據(jù)隸屬度矩陣，采用熵權(quán)法確定各評價指標的權(quán)重。熵權(quán)法是一種客觀賦權(quán)方法，它根據(jù)指標數(shù)據(jù)的信息熵確定權(quán)重，信息熵越小表明指標的差異程度越大，權(quán)重也應(yīng)越大。

2.3 建立評價因子關(guān)聯(lián)模型

在提取關(guān)鍵評價特征后，通過構(gòu)建因子與適宜性評價結(jié)果之間的數(shù)學(xué)關(guān)聯(lián)關(guān)系，保證模型在學(xué)習(xí)和預(yù)測過程中能準確捕捉各評價因子對環(huán)境適宜性的影響程度。利用RBF神經(jīng)網(wǎng)絡(luò)對提取的關(guān)鍵評價因子進行初步非線性映射。RBF網(wǎng)絡(luò)的輸入層接受從因子分析和模糊綜合評判提取的特征向量，隱含層通過高斯徑向基函數(shù)對輸入數(shù)據(jù)進行非線性變換，生成隱含節(jié)點的輸出值。該過程的數(shù)學(xué)表達式如公式（5）所示。

（5）

式中：y為第g個隱含節(jié)點的輸出；sg為輸入數(shù)據(jù)向量；cg為隱含節(jié)點的中心向量；?g為與該節(jié)點關(guān)聯(lián)的寬度參數(shù)。RBF能夠有效處理非線性關(guān)系，使復(fù)雜環(huán)境數(shù)據(jù)在隱含層中的映射更加平滑。然后，BP神經(jīng)網(wǎng)絡(luò)對RBF輸出的結(jié)果進行誤差反向傳播訓(xùn)練，使輸出層能夠更準確地映射到目標評價值。在BP神經(jīng)網(wǎng)絡(luò)中，輸入層接受RBF網(wǎng)絡(luò)的輸出，經(jīng)過多層隱含層的加權(quán)計算輸出適宜性評價結(jié)果。在RBF-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，為提高模型的收斂速度和預(yù)測精度，采用自適應(yīng)學(xué)習(xí)率技術(shù)動態(tài)調(diào)整學(xué)習(xí)速率，當(dāng)誤差較大時，提高學(xué)習(xí)率加快訓(xùn)練，而當(dāng)誤差接近收斂時，降低學(xué)習(xí)率，防止模型震蕩。其更新規(guī)則如公式（6）所示。

ηt+1=ηt×（1+α×ΔE） （6）

式中：ηt+1為第t+1輪迭代的學(xué)習(xí)率；ηt為第t輪迭代的學(xué)習(xí)率；α為學(xué)習(xí)率調(diào)整系數(shù)；ΔE為當(dāng)前和前一次迭代之間的誤差變化量。通過這個機制，RBF-BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中能夠更加穩(wěn)定地逼近最優(yōu)解。

3 評價結(jié)果可視化表達

在評價結(jié)果的可視化表達環(huán)節(jié)，為直觀呈現(xiàn)農(nóng)村人居環(huán)境適宜性評價的空間和數(shù)值特征，采用多種數(shù)據(jù)可視化工具和技術(shù)，包括ArcGIS、Matplotlib、Plotly等。借助ArcGIS軟件，對模型輸出的適宜性評價結(jié)果進行空間映射，將評價結(jié)果與地理坐標系進行匹配，生成可視化的適宜性分布圖。這種空間分布圖能夠清晰展示不同區(qū)域的適宜性差異，方便研究者分析影響因素在地理空間上的分布特征。此外，將基于遙感數(shù)據(jù)生成的地形圖和土地利用圖疊加到適宜性分布圖中，增強評價結(jié)果的環(huán)境背景信息，可以使決策者更好地理解評價結(jié)果背后的環(huán)境狀況。

為展示適宜性評價的具體數(shù)值結(jié)果和趨勢變化，采用Matplotlib庫繪制評價指標的時間序列折線圖和柱狀圖，這些圖表能清晰呈現(xiàn)特定時間段內(nèi)農(nóng)村人居環(huán)境的適宜性變化趨勢，例如空氣質(zhì)量、噪聲水平、植被覆蓋率等關(guān)鍵指標的波動情況，及時發(fā)現(xiàn)潛在的環(huán)境問題和變化趨勢，為后續(xù)環(huán)境治理提供依據(jù)。為增強交互性，使用Plotly庫制作熱力圖和3D散點圖等可視化圖表，且允許用戶動態(tài)調(diào)整參數(shù)，深入探索評價結(jié)果與各指標之間的關(guān)系。例如，用戶可以通過滑動條選擇特定的時間或區(qū)域，查看該范圍內(nèi)的適宜性評分變化，并分析不同指標對最終適宜性評分的影響程度。

4 應(yīng)用試驗

4.1 試驗準備

本研究選取A地區(qū)和B地區(qū)作為試驗區(qū)，基于RBF-BP神經(jīng)網(wǎng)絡(luò)進行農(nóng)村人居環(huán)境適宜性評價。A地區(qū)位于我國東部，總面積約為876km2，地形以平原和丘陵為主，氣候類型為亞熱帶季風(fēng)氣候。B地區(qū)位于我國西部，總面積約為1041km2，地形以山地和盆地為主，氣候類型為溫帶大陸性氣候。兩個地區(qū)在自然環(huán)境、經(jīng)濟發(fā)展和人口密度等方面存在較大差異，具有一定的代表性。在此基礎(chǔ)上，對RBF-BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，訓(xùn)練集包括來自A地區(qū)和B地區(qū)，共10000組樣本數(shù)據(jù)，其中70%的數(shù)據(jù)用來訓(xùn)練，20%用來驗證，將剩余10%作為測試集，評估模型的泛化能力。

4.2 試驗結(jié)果

A地區(qū)與B地區(qū)適宜性評分對比見表1。

A地區(qū)在生態(tài)環(huán)境、生活環(huán)境、經(jīng)濟條件和社會文化4個方面的平均評分均高于B地區(qū)。具體來看，A地區(qū)的生態(tài)環(huán)境評分為82.5，而B地區(qū)為76.3，表明A地區(qū)的自然環(huán)境狀況較好，可能是東部地區(qū)較為溫和的氣候和較為發(fā)達的生態(tài)保護措施的原因。在生活環(huán)境方面，A地區(qū)的居住條件更佳，可能得益于東部地區(qū)較為完善的基礎(chǔ)設(shè)施建設(shè)和更高的生活水平。在經(jīng)濟條件方面，A地區(qū)的平均分領(lǐng)先B地區(qū)6.2分，說明A地區(qū)的經(jīng)濟發(fā)展水平較高，可能是東部地區(qū)的工業(yè)化和城鎮(zhèn)化進程較快，為當(dāng)?shù)鼐用裉峁┝烁嗟木蜆I(yè)機會和更高的收入水平。在社會文化方面，A地區(qū)的社會文化活動更加豐富多樣，社區(qū)服務(wù)和教育水平也可能更高。在總體適宜性評分方面，A地區(qū)的農(nóng)村人居環(huán)境整體上比B地區(qū)更為適宜。值得注意的是，雖然評分有差距，但是兩地的實際測量值與模型預(yù)測值非常接近，這表明RBF-BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測農(nóng)村人居環(huán)境適宜性方面具有較高的準確性。

5 結(jié)語

綜上所述，本研究開發(fā)并應(yīng)用基于徑向基函數(shù)-反向傳播（RBF-BP）神經(jīng)網(wǎng)絡(luò)的方法評估農(nóng)村人居環(huán)境的適宜性。這個方法不僅能夠提高評估模型的準確性和可靠性，而且還能夠克服傳統(tǒng)評估手段中主觀性強、數(shù)據(jù)需求復(fù)雜等問題。后續(xù)相關(guān)人員應(yīng)繼續(xù)深化對RBF-BP神經(jīng)網(wǎng)絡(luò)在農(nóng)村人居環(huán)境適宜性評價中的應(yīng)用研究。不僅可以進一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，提高模型的泛化能力和預(yù)測精度，還能將更多影響農(nóng)村人居環(huán)境的因素納入評價體系，保證評價結(jié)果更全面、更精準。

參考文獻

[1]段志宏，伍林林.基于灰色理論與BP神經(jīng)網(wǎng)絡(luò)的邊坡變形預(yù)測模型研究[J].湖南交通科技，2024，50（3）：57-60.

[2]馬學(xué)晶.建筑工程中基于改進BP神經(jīng)網(wǎng)絡(luò)的造價控制方法研究[J].中國水運（下半月），2024，24（10）：148-150.