打开文本图片集

摘 要：农用地质量分等是根据农用地的自然属性和经济属性对农用地的质量优劣进行综合定量评定，并划分等别，传统的分等评价多是依靠专家打分这种主观性强的方法，而本文采用的B-P神经网络模型，具有独特的学习能力和信息并行分布处理的优势，能够更智能、更主观的解决多种因素共同作用时的复杂性、信息的不确定性等问题。

关键词：农用地分等；评价方式；B-P神经网络模型；影响因素

引言

农用地分等是建立科学的土地等级体系，科学量化农用地质量及其分布的一项重要工作，借助新的技术和思想更加科学、合理和统一管理该项数据指标，并实现耕地的占补平衡以及从土地的数量管理向数量、质量进行。利用不同的土地及相关模型进行建模处理，能够更好的完善数据体系，为农用地的利用、产能、价格的合理配置提供依据。

1 B-P神经网络模型

B-P神经网络也被称作是误差的反向传播算法，是由非线性变换单元组成的前馈网络，一般的多层前馈网路都被定义为B-P神经网络。在传统的农用地分等评价过程中，在所有的单元分值计算都是要依靠打分所得的权重来综合计算该地区的评价指标，而该模型正适用于网络权值和阈值的学习，通过实际输入的权重值与期望的权重值匹配，不断的修正，利用输入信息的正向传播和误差信息的反向传播完成一次神经网络的学习，即样本的一次训练。

2农用地质量分等评价

农用地分等的方法通常为借助特尔菲专家打分的多因素综合评价法，借助因素因子的权重值，对各个因素和因子进行综合作用分的计算，以此确定单元网格下农用地的自然质量分，并根据光、温度、气候等自然因子计算自然质量等指数，在此基础上，采用等间距法，分别划分农用地自然质量等别。在实际的实验中，分别包括外业的数据调查、数据的量化、分等评价因素因子体系的构建、分等单元构建、专家权重打分，综合计算自然质量分等等几个步骤，由于不同地域，不同自然环境，选择的影响因素也会略不相同，所以建立一个量化的数字计算模型是很困难的，需要更全面的设计到各个因素因子的作用分。而B-P神经网络模型的并行计算特性、大规模性、分布式存储性以及自我训练学习的特性都决定了在解决这种复杂多因素切信息不精确的问题上，有这很大的优势。

常用的农用地分等评价的因素因子指标包含：年平均气温、积温、年平均降水、蒸发量、无霜期、灾害气候、地貌、地形、海拔、坡度、坡向、侵蚀程度、土层厚度、障碍层深度、土壤质地、剖面类型、土壤pH、质地、土壤盐碱性、土壤污染度、土体结构、土壤养分、土壤砾石含量、地下水深度、灌溉条件（水源保证率、灌溉保证率）、排水条件、田间道路条件、田块大小、平整度等指标。耕作制度为一年两熟制；基准作物按为冬小麦，指定作物是为冬小麦和夏玉米。

3模型构建与应用

根据前期的调查，确定研究区的样点，每个样点均包含上述的指标，对每一个样点进行B-P神经网络模型的测算和预测，最后根据预测的数据利用适用的差值方法进行差值，最终得出该地区的农用地分等质量的评价结果。这样就可以利用模型和计算机大量的计算样点数，即解决了多因素复杂性的问题，同事大量的数据结果更加逼近真实值，解决了信息模糊的问题。步骤如下

（1）预处理

本例以安康汉滨区农用地样点为样本，对样本数据进行必要的划分、筛选出异常样点并剔除，对数据进行量化、归一化处理等。

（2）B-P神经网络模型构建

确定评价因素，设置初始值和训练阈值以及训练次数，选择隐含层节点数，确定目标误差。

（3）重复训练及检验

加入预处理好的样本，利用B-P模型进行学习。对每一次学习结果计算机自动进行分析检验，判断目标误差和所设置的阈值，达到结果将继续执行下一步训练；否则按照之前步骤重复训练。

（4）测试样本模型检测

将测试样本输入训练好的网络模型，达到合格条件，那么基于B-P网络的土地估价模型就建立成功了。

（5）预测结果分析

对模型预测出的评价结果进行分析。

本文以安康市汉滨区的农用地分等质量的“冬小麦-分等因素-质量分”的土壤有机质为例，对5657个样点单元进行上述模型测算后得到结果：土壤有机质含量（％）预测分级4.0-3.0，样点数492，因素参考分90；3.0-2.0，样点数1856，因素参考分80；2.0-1.0，样点数2349，因素参考分70；1.0-0.6，样点数600，因素参考分60；＜0.6，样点数360，因素参考分50，该因素权重0.21。对所有参与模型运算的影响因素均按照B-P神经网路模型运算，核算样点综合分等值，得出每个指标的分级值和权重，再利用克里格差值等差值方法计算出以研究区5657个样点得到的区域农用地分等质量综合值，根据区间划分得出最终的评价级别。本例利用模型运算与该地实际的分等报告得出对比，基本达到预测结果。

4结论

本文提出了利用B-P神经网络模型建模测算农用地分等质量评价的影响因素值，在传统的计算手段上进行了创新，借助B-P神经网络模型在对大样本、多因素、复杂想高、信息模糊度高的条件下可以更高更准确的预算和测算数实际的评价指标，并借助安康市汉滨区的农用地分等质量数据与BP神经网络模型相结合，得出农用地分等级别为七等、八等、九等为主要的分等情况，与实际情况接近，具有收敛快速，误差较小的优势。

参考文献：

[1] 李桂荣，张永福. GIS 支持下的农用地分等研究.安徽农学通报.2008，14 （02）

[2] 陕西省各指标区指定作物最大产量及产量比系数表.

[3] 贺清碧. BP神经网络及应用研究，重庆交通学院，2004.03.

[4] 刘天舒. BP神经网络的改进研究及应用，东北农业大学，2011.04.

基金项目：陕西省土地工程建设集团科研项目DJNY2022-33、陕西省重点研发计划项目2022ZDLNY02-10