基于GA—BP神經網絡的耕地自然質量計算模型研究

杭艷紅+楊林

摘要：在常規耕地分等的方法中由于人為因素會干擾評價因子的權重及BP神經網絡模型自身優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權值的能力對BP神經網絡進行優化，建立耕地自然質量計算的遺傳算法優化的BP神經網絡模型（GA-BP網絡模型）。以黑龍江省綏化市明水縣進行實證研究，結果證明，GA-BP網絡模型能有效地避免常規方法評價因子確定權重時的人為干擾，同時具有較高的優化效率及泛化能力，能夠更加快速智能地計算耕地的自然質量分，從而確定耕地的自然等別，應用效果相對較好。

關鍵詞：耕地自然質量；遺傳算法；BP神經網絡

中圖分類號： F323.211文獻標志碼： A文章編號：1002-1302（2017）08-0183-04

耕地是土地中的精華[1]。中國是農業大國，“十分珍惜和合理利用每一寸土地，切實保護耕地”是我國的基本國策。耕地質量優劣直接決定我國農業發展水平，也是糧食產量的重要保障，耕地質量直接影響農業產業結構和耕地產出水平，耕地質量目前已愈發受到重視，要切實加強耕地質量的評價與監測，從而有效提升耕地內在質量[2]。實現“藏糧于地”已成我國對耕地質量保護與提升的重要目標。耕地紅線不僅是數量上的，更是質量上的，要堅持數量與質量并重，為國家農業發展打下堅實基礎。人多地少的國情使我國農業生產一直堅持高投入、高產出模式，耕地長期高強度、超負荷利用，造成質量狀況堪憂、基礎地力下降[3]。耕地質量評價是促進糧食和農業可持續發展的迫切需要和理論基礎。了解和摸清土壤資源，開展耕地質量評價，是實現農業可持續發展、確保糧食安全的基礎工作[4]。明水縣作為黑龍江省主要的農業縣，擁有豐富的耕地資源，耕地資源的質量對明水縣糧食安全、農產品競爭力、農業結構戰略性的調整起到了重要作用[5]。為了科學地研究耕地質量問題，許多專家在模型與方法上進行了深入研究。唐南奇等通過BP神經網絡模型和精度檢測的方法，通過少量典型樣本的訓練和學習后，可簡便、快捷地計算出大規模待定樣本的分等綜合指數；其泛化功效和精度檢測也符合要求[6]；孔維娜認為人工神經網絡模型評價方法同樣能在耕地評價中達到較高的準確度[7]；員學峰建立陜西年耕地面積減少時間序列的預測模型，BP神經網絡在對陜西的耕地資源年減少量進行預測時，精度較高、可靠性較好，表明BP神經網絡用于耕地減少的預報具有一定的可行性[8]。人工神經網絡和遺傳算法（GA）的結合應用取得了較多成果。遲寶明通過對比分析結果得出，基于遺傳算法的BP神經網絡模型對地下水位進行的短期預測明顯優于BP神經網絡模型，是一種比較理想的短期預測模型[9]；張保祥等利用神經網絡和遺傳算法對濟南市市區地下水進行了預報研究，并對地下水位、最大開采量和泉排量進行了預測，效果良好[10]。張學喜利用遺傳算法和BP神經網絡可以建立邊坡穩定性影響因素和邊坡穩定性狀態之間的非線性映射關系，利用這種映射關系可以評價邊坡的穩定狀態，而且評價結果具有較高的精度[11]。而在土地評價方面，伍振軍基于遙感和遺傳BP神經網絡算法對流域土地覆蓋/土地利用分類方法進行了研究，遺傳算法優化的BP神經網絡可克服本身缺陷，能夠快速提高土地分類的精度[12]。綜上得出，BP神經網絡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量評價的體系，利用遺傳算法改進的BP人工神經網絡對明水縣的耕地質量進行更加科學的評價，這些成果為全面提高明水縣的農業生產水平，實現耕地質量計算機的動態監管，適時為明水縣各個耕地管理單元的耕地質量狀況和調節提高的措施提供了基礎數據管理平臺和數據。在目前農用地分等應用中，耕地質量分等大部分采用相對成熟的《農用地分等規程》中的方法，引入智能化、信息化技術研究耕地自然質量計算的方法相對較少。將遺傳算法與BP神經網絡有機結合，可實現優勢互補，從而達到提高BP神經網絡模型整體性能的目的。

1BP神經網絡的構建

BP神經網絡的實質是求取整個網絡總誤差函數最小值的問題，具體采用最速下降法按照誤差函數的負梯度方向進行權系數修正[13]。BP神經網絡具有很強的非線性擬合能力，同時擁有學習規則簡單、計算機上容易實現等優點。在BP神經網絡中，樣本數據從輸入層經過隱含層逐層向后傳播，訓練網絡權值則沿著減少誤差的方向傳遞，從輸出層經過中間各層逐層向前修正神經網絡的連接權值。隨著樣本訓練的不斷進行，最終誤差逐漸減小。3層的BP神經網絡已經具有優秀的對連續映射的逼近能力，完全可以滿足耕地自然質量評價的計算要求。

1.1網絡結構的確定

利用BP神經網絡可以建立1個包括輸入層、隱含層、輸出層的典型3層BP神經網絡模型，其中輸入層就是耕地自然質量評價的指標體系，輸入節點數即為耕地質量評價指標個數。輸出層即最后的耕地自然質量分，節點數為1；隱含層節點個數通過經驗法來決定，與評價結果的誤差精度大小和隱含層神經元的多少有直接關系[14]。增加隱含層的節點數可以降低訓練誤差，提高訓練速度，其訓練效果相比于增加隱含層數更加便于觀察和調整。

1.2主要參數的選取

1.2.1激活函數激活函數又被稱為傳遞函數，是組成BP神經網絡的重要部分，在1個BP神經網絡中，傳遞函數一定是連續可微的函數，對于3層的BP神經網絡模型，隱含層通常采用Sigmoid函數，而輸出層的激活函數一般會選擇線性函數。

1.2.2學習速率在BP神經網絡模型中，學習速率將會對樣本數據每次循環訓練中的權值變化產生直接的影響，學習速率直接決定著BP神經網絡的收斂性和收斂速度，適當調整學習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，學習速率的取值各不相同。在樣本學習訓練中誤差一樣的情況下，相對較小的學習速率可以加快模型的收斂速度，但同時會增加訓練次數來保證整個神經網絡的穩定，使得最終的神經網絡誤差達到最小值。本研究通過適度減小學習速率來保證網絡的收斂到最優解。

1.2.3目標誤差目標誤差值是網絡訓練過程中用來終止訓練的指標。鑒于均方誤差能夠有效克服標準BP算法與累計誤差BP算法的缺陷，本研究選用均方誤差算法進行計算。均方誤差MSE定義如下：

MSE=11mp∑p1p=1∑m1k-1（y^pk-ypk）2。（1）

式中：p為訓練樣本數量，m為輸出節點個數，ypk為BP神經網絡實際輸出值，y^pk為BP神經網絡期望輸出值。

2基于遺傳算法優化BP神經網絡

2.1遺傳算法

遺傳算法是一種新興的以優勝劣汰、自然選擇和基因遺傳思想為基礎的優化算法。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將其置于問題的環境中，根據適者生存的原則，從中選取適應環境的染色體進行復制，通過交叉、變異2種基因操作產生出新一代更適合環境的染色體種群，隨著算法運行，優良的品質逐漸保留并加以組合從而不斷產生更加優良的個體[16]。對于遺傳算法就是不斷接近最優解。遺傳算法是通過對參數空間編碼并用隨機選擇作為工具，來引導搜索過程向著更高效的方向發展。遺傳算法是一種啟發式搜索，其搜索效率優于其他方法。為了解決神經網絡容易陷入局部最小值的問題，優化初始權重是有效的解決辦法。通過遺傳算法對整個權值空間的全局最優搜索，尋找到接近全局最小值的權值，再使用這一組優化的權值作為BP神經網絡的初始權值進行網絡訓練，可以精確快速地得到全局最小值。然后利用適應度函數計算子代種群中每個個體的適應度，判斷是否達到適應度的目標值[17]。如果沒有達到目標，就繼續進入下一次迭代；如果達到目標，就停止迭代，輸出當前種群中適應度最高的個體作為最優解。將最優解解碼，生成BP神經網絡可用的網絡權值矩陣，導入到BP神經網絡的結構中進行BP神經網絡的運算，運算方式與獨立的BP神經網絡模型相同。

2.2BP神經網絡的優化流程

遺傳算法具有較高的全局搜索能力，BP神經網絡具有較強的自學能力，遺傳算法和BP神經網絡的結合可以充分凸顯二者的優點。利用遺傳算法優化初始權值，而后使用BP神網絡進行網絡訓練達到最終結果（圖1）。

2.3主要參數的選取

2.3.1選擇操作選擇操作是從父本中選擇適應度高的個體直接遺傳到下一代。這樣適應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種群即最優解。目前，遺傳算法中最常用的選擇操作是輪盤賭選擇法，即適應度比例法。適應度比例法要求每個個體的選擇概率與其適應度數值成正比，適應度越大，被選擇的概率就越高[18]。但是并不是適應度高的一定會被選中，這樣就可能造成高適應度的基因丟失，或者最優解丟失，解決的方法是將適應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個樣本部分結構進行重組而生成新的個體。較大的交叉概率Pc可以增強遺傳算法開辟出新的搜索能力，但又會將已經存在高適應度的染色體破壞掉；如果交叉概率取值過低，遺傳算法的進化能力就弱，無法在父代中得到適應度更高的子代個體，遺傳操作陷入遲鈍狀態[19]。一般取值為0.25～1.0，在本次試驗中，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選擇基因值，以變異概率Pm對這些基因值進行變異。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終止代數終止代數T是表示遺傳算法運行結束的1個參數，它表示遺傳算法運行到指定的進化代數之后就停止，并將當前群體中的最佳個體作為所求問題的最優解輸出。本次試驗中終止代數為200。

2.3.5目標誤差目標誤差即目標函數值，通常是選擇均方誤差對神經網絡在所有訓練樣本上所產生的誤差進行計算。本研究使用BP神經網絡的均方誤差作為遺傳算法的適應度函數，均方誤差越小，其適應度越好。適應度函數計算如下：

E（XP）=11n∑n1p=1∑c1k=1[Yk，p（XP）-tk，p]2。（2）

式中：n代表訓練樣本數量；c代表輸出端的個數；tk，p、Yk，p（Xp）分別表示訓練樣本p在k輸出端的給定輸出和實測值。

本研究針對目標誤差的取值進行了預試驗，分別設定了不同目標誤差對本次試驗數據進行處理，由表1可知，當誤差為0.000 01時，優化效果較為明顯，故本試驗選用的目標誤差為0.000 01。

2.4模型評價

泛化能力（generalization ability）是指計算機學習算法對新樣本的適應能力。訓練的目的是學到隱含在數據背后的規律，對具有同一規律的數據集以外的數據，隨著網絡不斷地訓練，也能仿真出合適的輸出值，并非訓練的次數越多越能得到正確的輸入輸出映射關系[21]。神經網絡的性能主要用其泛化能力來衡量。針對神經網絡的泛化能力，為了進一步對系統的性能進行確定，反映神經網絡模型結果擬合的程度，本研究參照已有的研究經驗引入“確定系數”這一概念，用以衡量模型仿真所得值與實際輸出值之間的相似程度，即神經網絡模型確定性程度。確定系數的計算公式如下：

r2=1-∑N1t=1（yt-y^t）21∑N1t=1（yt-yt）2。（3）

式中：N為輸出值的數量，yt為實際輸出值，y^t為網絡仿真預測值，yt為實際輸出值的均值。當模型仿真所得的值與實際輸出值越相近時，所得確定性系數的值也就越逼近1，說明模型逼近效果越好，確定性能也越好。

3實例應用

3.1研究區概況

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，地表徑流不發達，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，東西兩側漸低。明水縣處于高緯度地帶，是北溫帶大陸性季風氣候，氣溫季節性變化明顯，受大氣環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，縣內水文地質情況復雜，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。明水縣土壤基礎肥力較好。明水縣自然資源比較豐富，西部天然草原生產草類和中草藥，東部地區盛產靰鞡草及小葉樟，水庫與通肯河出產各種魚類，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鎮的耕地采集140個采樣點。在選取樣地時，對于自然質量分相差較大的村落，相應增加選取樣地數量；對于自然質量分相差較小的村落，適當減少選取樣地數量。所取土樣經過分析可以得到其全氮、速效鉀、速效磷、土壤有機質含量、土壤酸堿度（pH值）、土壤質地、黑土層厚度、距障礙層深度這9個指標因子的相應數值，由于明水縣面積較小，降水和積溫在整個縣域內變化較小，所以在明水縣耕地質量評價中沒有考慮。經過篩選，選取明水縣耕地采樣點樣本總數140個，其中含100個訓練集樣本和40個測試集樣本。

3.3試驗結果

明水縣耕地質量分等共選取了包括黑土層厚度、表層質地、距障礙層深度、土壤酸堿度（pH值）、全氮、速效磷、速效鉀及土壤有機質含量在內的9個影響因子輸入層，輸入層擁有9個神經元，分別與9個指標因子相對應。隱含層為1層，采用經驗法確定隱含層節點數為20個。輸出層用1個神經元代表各評價單元所在地塊相對應的耕地自然質量分，使用[0，1]區間內的實數表示。遺傳算法中編碼長度S=R×S1+S1×S2+S1+S2。BP神經網絡中，隱含層的傳遞函數為 Sigmoid 函數，輸出層傳遞函數為線性函數purelin，訓練函數為trainlm，學習速率lr=0.01，最大迭代次數epoch=10 000。遺傳算法的參數選取如下：種群規模popu=100，遺傳代數 gen=200，交叉概率Pc=0.3，變異概率Pm=0.1。

分別基于BP神經網絡模型與GA-BP網絡模型對明水縣140個采樣點中耕地自然質量分進行5次試驗（表2）。

由表2可知，BP神經網絡模型的平均訓練次數為321次，比GA-BP神經網絡模型的平均訓練次數多205次；BP神經網絡模型計算結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網絡模型計算結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次試驗結果分析對比可知：（1）可行性方面，2種模型的計算結果均與常規方法相差甚微，證明神經網絡模型應用于耕地分等中的自然質量分計算具有可行性。（2）收斂速度方面，GA-BP網絡模型的5次計算結果在訓練次數上都明顯小于BP神經網絡模型，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準BP神經網絡模型陷入局部極小值，同時其收斂速度也優于BP神經網絡模型。（3）穩定性方面，比較BP神經網絡和GA-BP網絡模型計算結果中最大均方誤差和最小均方誤差的差值，發現GA-BP網絡模型比BP神經網絡模型更穩定。（4）適應度方面，在5次計算中GA-BP網絡模型的均方誤差均小于BP神經網絡模型的均方誤差，說明GA-BP網絡模型應用于耕地自然質量計算的適應度要優于BP神經網絡模型。

3.4精度評價

由公式（3）可知，當確定系數越接近1時，網絡仿真計算產生的實際輸出值與真實值越接近，表示整個系統的精度越高，適應性越好。由表3可知，在5次試驗中，遺傳算法優化的BP神經網絡模型（GA-BP）的確定系數最大值為0.830 3，最小值為0697 6，平均值為0.780 2，BP神經網絡的確定系數最大值0.763 2，最小值為 0.583 6，平均值為 0.696 4，遺傳算法優化的BP神經網絡模型（GA-BP）的確定系數明顯比BP神經網絡的確定系數大0.083 8，同時更接近于1，說明經過遺傳算法優化后的BP神經網絡模型的泛化能力得到增強。在明水縣耕地自然質量分的計算中，遺傳算法優化的神經網絡模型比BP神經網絡模型精度更高。

4結論與討論

標準BP神經網絡模型能夠快速擬合耕地影響因子與耕地質量分之間的非線性關系，但在訓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）來對于標準BP神經網絡的前期振蕩訓練過程進行優化，并快速確定BP神經網絡最優的初始權值，解決了BP神經網絡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，加快了收斂速度。試驗證明，GA-BP網絡模型不僅收斂速度更高，GA-BP模型的穩定性和適應度比BP神經網絡模型高；且優化后的BP神經網絡模型魯棒性得到增強，精準度大幅度提高，能夠更加準確地反映出耕地自然質量分與9個不同指標因子之間的關系。因此，GA-BP網絡模型很大程度上使自然質量分的計算工作得到簡化，并使分等結果更加科學、合理。

遺傳算法具有強大優化能力，但該算法在尋找最優解過程中有可能出現“早熟現象”[22]，現有的改進方法有參數改進、拓撲結構改進、混合策略等，后期研究中可考慮使用改進的遺傳算法優化BP神經網絡。

參考文獻：

[1]李洪興，石水蓮. 遼寧省耕地利用現狀及其保護策略[J]. 國土資源，2010（6）：34-36.

[2]張蚌蚌，孔祥斌，鄖文聚，等. 我國耕地質量與監控研究綜述[J]. 中國農業大學學報，2015，20（2）：216-222.

[3]付國珍，擺萬奇. 耕地質量評價研究進展及發展趨勢[J]. 資源科學，2015，37（2）：226-236.

[4]奉婷，張鳳榮，李燦，等. 基于耕地質量綜合評價的縣域基本農田空間布局[J]. 農業工程學報，2014（1）：200-210.

[5]錢鳳魁，王秋兵，邊振興，等. 凌源市耕地質量評價與立地條件分析[J]. 農業工程學報，2011，27（11）：325-329.

[6]唐南奇，譚明軍. 基于人工神經網絡農用地分等研究Ⅰ.分等模型與精度檢測[J]. 福建農林大學學報（自然科學版），2004，33（2）：241-244.

[7]孔維娜，李躍進，李雙異，等. 人工神經網絡產量定量評價模型在縣域耕地地力評價中的應用[J]. 國土與自然資源研究，2012（2）：30-32.

[8]員學鋒，吳普特，汪有科. BP神經網絡在耕地減少預測中的應用研究[J]. 中國農業資源與區劃，2005，26（4）：39-41.

[9]遲寶明，林嵐，丁元芳. 基于遺傳算法的BP神經網絡模型在地下水動態預測中的應用研究[J]. 工程勘察，2008（9）：36-41.

[10]張保祥，劉青勇，盧朝霞，等. 基于神經網絡和遺傳算法的濟南市區巖溶地下水預報模型研究[J]. 山東農業大學學報（自然科學版），2004，35（3）：436-441.

[11]張學喜. 遺傳算法和人工神經網絡在邊坡穩定性評價中的應用[D]. 合肥：合肥工業大學，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. 基于模糊評價與BP神經網絡模型的耕地質量評價對比研究——以淮北平原鳳臺縣為例[J]. 土壤通報，2015（4）：816-822.

[14]孔維娜，李躍進，李雙異，等. 人工神經網絡產量定量評價模型在縣域耕地地力評價中的應用[J]. 國土與自然資源研究，2012（2）：30-32.

[15]聞新. MATLAB神經網絡仿真與應用[M]. 北京：科學出版社，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的耕地變化預測[J]. 農業工程學報，2009，25（7）：226-231.

[17]宋戈，王越，雷國平，等. 松嫩高平原黑土區耕地資源安全的驅動機制分析[J]. 農業工程學報，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的城鎮土地定級方法研究[J]. 華中師范大學學報（自然科學版），2014，48（6）：917-922，929.

[19]駱成鳳，劉正軍，王長耀，等. 基于遺傳算法優化的BP神經網絡遙感數據土地覆蓋分類[J]. 農業工程學報，2006，22（12）：133-137，后插1.

[20]宋戈，鄒朝暉，王越. 東北糧食主產區縣域耕地產能核算及其影響因子分析[J]. 農業工程學報，2014，30（24）：308-317.

[21]雷英杰. MATLAB遺傳算法工具箱及應用[M]. 西安：西安電子科技大學出版社，2005.

[22]周洪偉，原錦輝，張來順. 遺傳算法“早熟”現象的改進策略[J]. 計算機工程，2007，33（19）：201-203.