基于GIS和BP神經網絡的土地適應性評價

王華春（江西理工大學,江西　贛州341000）

基于GIS和BP神經網絡的土地適應性評價

王華春
（江西理工大學,江西贛州341000）

摘要：通過運用GIS技術和BP神經網絡理論，力圖用新的研究方法對土地的適應性進行分析和評價。將土地適應性評價指標標準作為BP神經網絡的學習樣本，利用GIS的Union工具將各指標圖層進行疊加，選取合適的評價單元，以單元的屬性數據作為訓練好的BP神經網絡的輸入，進行了土地適應性等級的劃分。將評價等級劃分為高度適宜S1、中度適宜S2、勉強適宜S3以及不適宜N四個等級。最后發現該研究方法具有簡單方便和客觀性強等優點。

關鍵詞：GIS；BP神經網絡；土地適應性評價

0　引言

GIS和BP神經網絡應用到土地適應性評價中是科技進步的必然趨勢。以往對土地評價的研究中，大部分研究都運用到了GIS技術，特別是運用其強大的空間分析能力，但運用到神經網絡的卻不是很多。將兩者結合起來運用到土地適應性評價中更是甚少。針對以上研究的不足，本研究力圖將兩者結合起來應用到土地適應性評價中，以尋求新的方法[1-5]。

1　指標體系及評價等級

土地適宜性評價即評定土地在一定經營管理水平下對確定利用類型的適宜狀況。本文將這里的利用類型限定為宜耕地類型。根據指標選取原則并結合貴州省畢節市鴨池鎮為例，選取土壤酸堿度、年均降水量、土壤厚度、海拔、坡度以及交通區位作為影響土地適應性評價的因子。本文將耕地類型的土地適應性評價等級劃分為高度適宜S1、中度適宜S2、勉強適宜S3以及不適宜N四個等級。

1.1 GIS的應用

將以上6個指標體系在ArcGIS10.0中分別以獨立圖層表示，然后利用ArcGIS10.0的疊加分析中的Union工具將以上6個指標圖層進行合并，在合并的同時也進行了相應的屬性合并，即每個柵格單元都具有土壤酸堿度、年均降水量、土壤厚度、海拔、坡度以及交通區位等屬性。在將指標圖層進行疊加分析后，需要將研究區域劃分為許多評價單元。因為評價單元是土地適應性評價的最小評價單位。這也將成為后文中運用BP神經網絡進行評價的基礎。這里根據研究區域的面積，將整個研究區域分為2374個單元。

1.2 BP神經網絡的應用

在運用BP神經網絡時[6]，需要確定輸入層、隱藏層和輸出層的確定以及每一層的單元數，訓練樣本的選取；有關BP神經網絡的算法和知識將參考有關書籍[7-8]。在本文研究中，根據相關理論以及不斷試驗確定了BP神經網絡的層數為3層，其結構為6-9-4，采用Sigmoid作為激活函數。要對土地適應性進行評價，還需要以下步驟：

（1）確定BP神經網絡的訓練樣本集。本文將以上六個指標作為輸入值，即X=[土壤酸堿度，降水量，土壤厚度，海拔，坡度，交通區位]T，其中T表示向量X的轉置。輸出值為相應的4個評價等級，即D=[高度適宜S1，中度適宜S2，勉強適宜S3，不適宜N]T，同樣T表示向量D的轉置。具體見表1。

表1　指標劃分表

為了獲得訓練樣本集的輸入向量X，將表1中的數據進行歸一化處理，我們將歸一化后的每個等級區間按線性插值的方法等比例劃分為10個訓練樣本，這樣，最后就會有40個輸入訓練樣本，1-10號樣本為高度適宜S1，11-20號樣本為中度適宜S2，21-30號樣本為勉強適宜S3，31-40號樣本為不適宜N。

當得到輸入向量X后，我們還需要知道期望值向量D。由于將評價等級劃分為4個等級，我們可以將高度適宜S1表示為（1，0，0，0），中度適宜S2表示為（0，1，0，0），勉強適宜S3表示為（0，0，1，0），不適宜N表示為（0，0，0，1）。

（2）對土地適應性進行評價。通過上面建立的訓練樣本集，選取合適的訓練誤差（這里選取訓練差r=0.0005），對建立好的BP神經網絡進行訓練，經過1049次的訓練，訓練結果滿足訓練誤差的要求。

此時，可以對土地適應性進行評價。在評價之前，需要將通過ArcGIS10.0劃分的2374個單元的屬性導出到表格中，并對表格中的數據進行歸一化處理。將這些數據作為訓練好后的BP神經網絡的輸入，最終測算出每個評價單元的評價等級（見表2）。

表2　部分評價結果

最后一步就是利用ArcGIS10.0將這些評價結果數據通過表格的形式以對每個評價單元以追加字段的方式導入圖層上（見下圖）。

2　結論

基于GIS和BP神經網絡在土地適應性評價中的應用，有以下幾個優點：

（1）直觀形象：通過GIS的使用，能將評價結果以圖形的形式展現出來，直觀形象。

（2）信息獲取的簡易性：通過利用GIS，能方便地獲取BP神經網絡需要的訓練樣本，而且，對于信息的處理特別是空間信息的處理具有強大的功能。

（3）計算簡單：只需要確定訓練樣本集，BP神經網絡會自動進行學習，不需要人為的大量計算。

（4）客觀性強：利用BP神經網絡對土地適應性進行評價，不像其他文獻中需要對指標求權重值。

通過將兩者結合起來運用于土地適應性評價中，得到了預期的效果，說明本文使用的方法具有可行性。

參考文獻:

[1]侯文廣,江聰世,熊慶文等.基于GIS的土壤質量評價研究[J].

武漢大學學報:信息科學版,2003,28(01):60-64.

[2]趙銀軍,林清.縣域農業資源與環境管理決策支持系統設計與實現[J].安徽農業科學,2009,37(10):4827-4828,4830.

[3]周忠發.基于GIS的喀斯特地區農村土地適宜性評價--以貴州省仁懷市為例[J].貴州師范大學學報:自然科學版,2006,24(03):17-19.

[4]胡月明,薛月菊,李波等.從神經網絡中抽取土地評價模糊規則[J].農業工程學報,2005,21(12):93-96.

[5]常勝,李江風.基于BP神經網絡的城市土地集約利用評價--以湖北省鄂州為例[J].資源與產業,2010,12(02):31-34.

[6]叢爽.神經網絡、模糊系統及其在運動控制中的應用［M］.合肥:中國科學技術大學出版社,2001:1-31.

[7]SimonHaykin.神經網絡與機器學習[M].北京:機械工業出版社,2013:77-143.

[8]史忠植.神經網絡[M].北京:高等教育出版社,2009:48-63.