基于TOPSIS和BP神經網絡的高標準農田綜合識別

呂雅慧　鄖文聚　張　超,　朱德海,　楊建宇,　陳英義

(1.中國農業大學信息與電氣工程學院， 北京 100083； 2.國土資源部農用地質量與監控重點實驗室， 北京 100035)

0　引言

耕地是糧食生產的資源基礎，直接影響到國家和區域的糧食安全和生態安全。近年來，面對耕地數量減少和區域耕地質量下降等問題，我國從最嚴格的耕地保護制度和節約用地制度，發展為耕地數量、質量、生態“三位一體”保護，高標準農田建設是重要舉措。高標準農田是指土地平整、土壤肥沃、集中連片、設施完善、農電配套、高產穩產、生態良好、抗災能力強，與現代農業生產和經營方式相適應的基本農田[1]。我國長期重視高標準農田建設，2008年首次提出“努力建設一批高標準農田”[2]，“十二五”規劃繼續推進“大規模建設旱澇保收高標準農田”[3]，2013年《全國高標準農田建設總體規劃》明確指出“‘十二五’期間建成4億畝，2020年建成8億畝”的具體要求[4]，“十三五”規劃中強調“持之以恒抓好高標準農田建設”[5]，中發[2017]4號文件則明確了“確保建成8億畝、力爭建成10億畝高標準農田，穩步提高糧食綜合生產能力”的工作目標[6]。

在實際工作中，我國的高標準農田主要有兩種來源：一種是嚴格按照國標建設而成的高標準農田(進行了整治和改造)，另一種則是由生產及生態現狀良好的區域直接認定而來的高標準農田(稍加改造或無需改造的高質量農田)。因此，在研究中將高標準農田定義為“綜合質量較高的農田”，將建設而成的高標準農田、直接認定而來的高標準農田和最有潛力被建設或認定為高標準農田的區域都包含在內，旨在更加全面地理解高標準農田。利用遙感、空間分析等技術手段實現高標準農田識別，是高標準農田建設、管護的重要基礎。

目前，國際上與高標準農田相關的研究主要圍繞高質量農田內涵及尺度的統一[7]、國家政策的制定[8]，多重效益分析[9]、環境修復與生態建設[10]以及利用統計學方法實現資源管控[11-12]等方面展開；而國內的研究側重于高標準農田的選址規劃[13-14]、時序確定[15-16]、潛力評價[17]、生態服務[18]和投資預算[19]等方面，針對高標準農田識別[20]的研究較少。現有的評價指標體系、綜合評價及賦權方法適用條件不同且各有利弊[21]，其中逼近理想點排序法(Technique for order preference by similarity to an ideal solution, TOPSIS)具有原理簡單、數據利用充分等優點[22-23]，BP(Back propagation)神經網絡可以通過客觀數據訓練實現權值的隱性調整[24]，二者相結合可以互為補充，得到更合理的評價結果。

本文以耕地圖斑為基本單元，從本底條件、空間形態、建設水平、生態防護等角度出發，構建土壤生產力、耕地連片性、田塊形狀度、道路通達度和生態防護水平等農田綜合質量的5個特性，利用TOPSIS得到相應的初步評價結果，并通過人機交互選取各等級農田的真值樣本，再利用BP神經網絡實現高標準農田的最終識別。

1　研究區與數據概況

1.1　研究區概況

圖1　大安市區位圖Fig.1　Location map of Daan City

選擇吉林省大安市為研究區，大安市位于吉林省西北部，地處松嫩平原腹地。東與黑龍江省肇源縣隔江相望，西與洮南市、通榆縣交壤，南與松原市相鄰，北與鎮賚縣以洮兒河為界，如圖1所示。地理范圍為123°08′45″～124°21′56″E，44°57′00″～45°45′51″N。東西長95 km，南北寬90 km，總面積為4 879 km2。境內地勢平坦，土壤肥沃，主要種植玉米、水稻等農作物。大安市屬中溫帶季風氣候，四季分明，全年日照時數平均為3 012.8 h，年平均氣溫4.3℃，年平均積溫2 921.3℃，年平均降雨量413.7 mm，地表水年徑流量較大，地下水儲量豐富。2016年，按照《吉林省率先實現農業現代化總體規劃(2016—2025年)》部署要求，吉林省政府整合發改、國土、農業綜合開發、水利、農業等方面資金共計27.621 2億元，擬建成160.92萬畝高標準農田[25]，大安市是吉林省的重點建設區。

1.2　數據及預處理

本文采用的數據包括：2013年土地利用現狀變更調查數據、“全球變化科學研究數據出版系統”提供的中國與東盟地區2013年1 km分辨率植被凈初級生產力(Net primary productivity，NPP)數據集、2014年耕地質量等別年度更新數據、2015年林業小班數據、大安市2013—2015年高標準農田項目區地塊邊界數據等，以及8景2015年3—11月大安市關鍵物候期的16 m分辨率GF1-WFV遙感影像。

對多期遙感影像進行預處理并計算歸一化差值植被指數(Normalized difference vegetation index，NDVI)，選擇2015年9月5日的影像，進行研究區耕地面向對象提取，更新2013年土地利用現狀變更調查數據中的耕地圖斑作為評價單元。根據高標準農田建設對田塊面積的基本要求，將6.67 hm2以下的評價單元篩除，并以5 m為閾值進行連片判斷，得到連片耕地區域。疊加中國與東盟地區2013年1 km分辨率植被凈初級生產力數據集，得到全年耕地平均NPP；從2013年土地利用現狀變更調查數據和2015年林業小班數據中分別提取通達耕地圖斑的道路、服務于耕地圖斑的林帶，通過緩沖區分析和疊加分析等，獲得每塊耕地圖斑的道路通達度和生態防護程度。

2　研究方法

農田綜合質量評價和高標準農田識別方法具體流程如圖2所示。

2.1　多特性表征體系構建

根據耕地的本底條件優良、空間形態規整、建設水平完善、生態防護良好等原則，構建本文的農田綜合質量多特性表征體系。

2.1.1土壤生產力特性(I1)

土壤生產力特性表征耕地地塊的本底條件，由多種土壤理化性質共同決定。已有研究表明[26-27]，光譜反射特性與土壤內部多種理化性質密切相關，同時王瓊[28]的研究表明，多時相NDVI可顯著反映作物長勢、土壤綜合質量等的空間分布規律。本文通過空間分析提取年平均值NPP和年多期NDVI總值的2 155個耕地內部隨機樣點，對樣點進行相關性分析，結果如表1所示，在雙側置信度0.01的水平上，兩者呈顯著的中等正相關。因此本文選擇全年關鍵生物期農田的NDVI總值來間接反演土壤基礎生產力，具體為

(1)

式中INDN——土壤生產力特性值，用整年內關鍵物候期NDVI的總和表征

NDVIk——第k個關鍵物候期的NDVI值

m——關鍵物候期個數

2.1.2耕地連片特性(I2)

耕地連片特性表征耕地地塊間的集中連片程度，影響農業生產的機械化程度及效率。本文采取連接性計算法[29]，以連片耕地的周長密度反映連片情況：值越大，說明耕地被打斷或分割的程度越大；反之說明被分割的程度越小，耕地越連片。具體為

圖2　方法流程圖Fig.2　Flow chart of method

(2)

式中IND_P——耕地連片特性值

L——連片耕地周長總和

A——連片耕地面積總和

2.1.3田塊形狀特性(I3)

田塊規整是高標準農田建設的主要目標之一，田塊形狀特性表征耕地地塊形態的規整性。本文選用面積加權平均斑塊形狀指數度量連片耕地內部田塊的平均形狀復雜度，值越大，說明形狀越復雜、越不規則。具體為

(3)

式中IND_S——田塊形狀特性值

N——連塊耕地內部的田塊總數

ai——連片耕地內部各田塊的面積

Pi——連片耕地內部各田塊的周長

式中，0.25為正方形校正常數。

2.1.4道路通達特性(I4)

道路通達特性表征連片耕地內部田塊的通達情況。高標準農田建設要求在田間道路密度與占地面積合理的情況下，確保農機盡可能到達多的田塊，值越大，說明連片耕地內部道路能夠通達的田塊越多，機械化生產成本越小。具體為

表1　相關性分析結果Tab.1　Correlation analysis results

注：** 表示在置信度0.01水平(雙側)上顯著相關。

(4)

式中IND_RC——連片耕地內部各田塊的道路通達度特性值

n——連片耕地內部所有道路可通達的田塊數

2.1.5生態防護特性(I5)

生態防護特性表征連片耕地的生態防護水平，高標準農田重視耕地生態改善和可持續發展，防護林是當前農田中最普遍的生態防護措施，本文以林網對連片耕地的防護面積占比定量評價農田生態防護特性，具體為

(5)

式中IND_E——耕地田塊生態防護特性值

E——覆蓋連片耕地的防護林服務帶面積，每條防護林的服務帶是以防護林為中心，300 m有效距離范圍的緩沖區

2.2　多特性值歸一化

為了消除量綱、數量級以及屬性導向等對數據分析和決策結果的影響，本文對正相關和負相關指標分別采用歸一化方法，將數據映射到0～1，具體為

(6)

(7)

式中j——各耕地評價單元的編號

i——各特性的編號

Xij——原始數據中第j個評價單元第i個特性的特性值

Ximin——所有評價單元第i個特性的最小值

Ximax——所有評價單元第i個特性的最大值

Yij——第j個評價單元第i個特性歸一化值

2.3　TOPSIS與BP神經網絡模型

TOPSIS是一種實現相對優劣程度評價的方法，通過找到多特性的最優解集和最劣解集，分別檢測評價單元與兩者的相對貼近程度，從而進行優劣排序并實現綜合評價，其中多特性的最優解集由所有特性的最優值組成，最劣解集由所有特性的最差值組成。具體為

(8)

wi——第i個特性的權重

Yimax——第i個特性歸一化后的最大值

Yimin——第i個特性歸一化后的最小值

Rj——第j個評價單元特性與理想最優解集的相對貼切度

Rj的值越小，表明該評價單元與最優解集越接近，其耕地綜合質量應初步被認定為越好。先假設在高標準農田中各特性權重相同，均初步設定為0.20，據此進行農田綜合質量的初步評價。其中對各特性的相對重要性考慮不足，需要與大安市2014年耕地質量利用等指數據進行空間套合，結合人機交互的方式，選取評價合理的各等級農田作為真值樣本；進一步通過BP神經網絡對權值進行隱性調整，獲得精確的綜合評價結果。BP神經網絡是一種按誤差反向傳播算法訓練的多層前饋網絡，適用于各種非線性關系分析[30]。其結構由輸入層(I)、輸出層(O)和若干隱含層(H)組成：輸入包含輸入量和期望輸出量的學習樣本，實際輸出量與期望輸出量之間存在偏差，使用最速下降法和反向傳播算法對網絡的權值和偏差反復調整，直到實際輸出量與期望輸出量盡可能地接近時結束訓練。原理為

(9)

式中δ——實際輸出值與期望值之間的偏差

p——輸出層的神經元個數

Zk——輸出層第k個神經元的實際輸出量

Z′k——輸出層第k個神經元的期望輸出量

ωij——輸入單元j到隱含層單元i的權重

Δωij——權重的修正量

μ——學習速率

Mi——隱含層單元i到輸出層的傳輸函數

本文將5項特性作為主控因素，即BP神經網絡的輸入層節點數為5；研究表明，輸入節點數為τ、隱含層節點數取2τ+1時，BP神經網絡的學習能力好[30]，故隱含層節點數為11；此外，3層結構的BP網絡具有模擬復雜非線性關系的能力[31]；農田的綜合質量等級為輸出層節點。綜上確定BP神經網絡結構如圖3所示。

圖3　BP神經網絡結構圖Fig.3　Construction diagram of BP neural networks model

3　試驗結果與分析

3.1　耕地圖斑多特性值歸一化結果分析

土壤生產力特性(I1)歸一化結果如圖4a所示。大安市耕地的該特性平均水平高且分布均勻，大部分區域特性值高，中南部和東南沿線較高，東北部和南部有極少部分特性值偏低；當地農業生產基礎條件好，耕地土質優良，僅有少數鹽漬化耕地土壤基礎較差。

圖4　I1～I5歸一化結果Fig.4　Normalization results of I1～I5

耕地連片特性(I2)歸一化結果如圖4b所示。大安市耕地的該特性平均水平一般，空間分異明顯，東部和南部高，中北部、東北部和西北沿線較高，中西部和中南部偏低；特性值較高的耕地主要分布在田塊集中、距離市中心較近的區域，適于農業現代化生產的需求。

田塊形狀特性(I3)歸一化結果如圖4c所示。大安市耕地的該特性平均水平較高且分布較均勻，東部、中東部和南部高，東北部和西部較高，西南部和東南沿線偏低；特性值較高的耕地主要分布在田塊集中的區域，在分布散亂的區域特性值偏低。

道路通達特性(I4)歸一化結果如圖4d所示。大安市耕地的該特性平均水平高，僅有零星的低值耕地分散在全域各部；特性值較高的耕地區域田塊集中、路網密集，較低的耕地分布在田塊零散且路網稀疏的區域。

生態防護特性(I5)歸一化結果如圖4e所示。大安市耕地的該特性平均水平一般，空間分異明顯，東部、中北部和南部值較高，東北部和西北沿線值一般，西部和西南部值偏低，在東北和西北的邊界也有少量低值分布；田塊集中連片區域的防護林建設較為完善，而分布零散的區域生態防護建設薄弱，有待加強。

3.2　基于TOPSIS的農田質量初步評價

利用式(8)得到各評價單元綜合特性與理想最優解集的相對貼切度(Rj)，作為研究區農田綜合質量的初步評價結果。如圖5所示，研究區農田的平均質量水平較高，高質量農田主要分布在中東部、東部、東北部、西北沿線和南部等耕地連片區域，低質量農田主要在西部和東南部邊緣零散分布。

圖5　基于TOPSIS的評價結果Fig.5　Evaluation results based on TOPSIS

依據TOPSIS的結果，利用自然斷點法對研究區農田質量進行初步等級劃分，并將大安市2014年耕地質量等別數據中的國家利用等指數，通過自然斷點法對應分級，空間疊加分析得到評價一致的耕地圖斑，相應的初步等級劃分結果作為該農田的綜合質量真值，從中隨機抽取如表2所示的1 096個樣本。

3.3　基于BP神經網絡的高標準農田最終識別

3.3.1構建BP神經網絡

利用1 096個真值樣本，通過構建的BP神經網絡隱性調整各特性的權值大小。其中80%的樣本用于訓練、20%的樣本用于測試，并采用交叉驗證法求取實驗均值作為模型參數，最終各等級的識別精度如圖6所示，預測變量中I5、I2、I4、I3、I1的權重依次為：0.23、0.21、0.20、0.19、0.17。

表2　樣本選取情況Tab.2　Sample selection

綜合質量為1、2、3等級的農田具有較高的分類準確性，精度均達到96%以上；但對于4等級農田分類精度不高，原因是研究區農田的平均綜合質量較好，較差的4等級農田樣本數極少，造成了錯分現象，但對于本文識別1、2等級高標準農田的目標沒影響。

圖6　BP神經網絡運行結果Fig.6　BP neural networks results

3.3.2基于農田質量綜合評價的高標準農田識別

將所有評價單元的BP網絡輸出作為農田綜合質量的最終評價結果。如圖7所示，研究區農田的平均綜合質量水平較高，1、2等級農田占到耕地總面積的一半以上，呈現出東北高于西南的特點，與初步評價結果具有空間一致性。

圖7　基于BP神經網絡的精確綜合評價結果Fig.7　Accurate comprehensive evaluation results based on BP neural network

將1、2等級農田作為高標準農田的識別結果，如圖8所示。研究區高標準農田面積大，重點分布在耕地集中連片、道路通達且防護林分布密集，具有農業現代化生產優勢條件的區域，在南部也有小規模分布；1等級高標準農田主要分布在東部、中東和南部，應以合理利用為主，輔以可持續監管；2等級高標準農田主要連片分布在西北部邊緣、中西部和東北部，應當管護與利用并重，同時加強薄弱環節的建設。

圖8　高標準農田識別結果Fig.8　Extraction results of well-facilitated farmland

3.3.3驗證與分析

為了驗證識別結果的科學性，將當地已備案的高標準農田區域即大安市2013—2015年高標準農田項目區地塊邊界與之進行套合，同時結合野外調研的實際情況進行分析。如圖9所示，已備案的高標準農田區域得到了有效識別，主要分布在月亮泡鎮、太山鎮、聯合鄉、四棵樹鄉、紅崗子鎮、燒鍋鎮鄉和舍力鎮；但在識別結果中，有大片的區域雖未備案為高標準農田，也被識別了出來。

圖9　識別結果檢驗Fig.9　Test of extraction results

除了生產、生態條件原本較為優越，耕地資源豐沃的原因之外，這部分農田被識別主要有兩種情況：分布在已備案的高標準農田附近，原因是其周圍存在高標準農田整治項目，促進了自身農田綜合質量的提升，如舍力鎮和月亮泡鎮等區域；分布在其他土地整治項目區及周邊，原因是通過土地整治提高了相應區域的農田質量，使其具有潛力成為高標準農田，如叉干鎮和龍沼鎮等區域。

4　結論

(1)從耕地質量、生態和適應農業現代化生產需求的角度理解高標準農田，圍繞耕地本底條件、空間形態、建設水平、生態防護等方面構建農田綜合質量的多特性表征及高標準農田識別的技術方法體系，并利用耕地多期的NDVI間接表征耕地土壤生產力特性。

(2)在利用TOPSIS實現農田綜合質量初步評價的基礎上，進一步采用BP神經網絡識別高標準農田；農田綜合質量的評價精度達到96%以上，當地高標準農田主要分布在具有農業現代化生產優勢的東北部、中北部、西北部邊緣和部分南部區域。

(3)通過空間分析和實地調研，驗證識別結果的科學性；研究區已備案的高標準農田得到有效識別，可為高標準農田建設后評價和管護提供支撐；研究區未備案的、有潛力的農田得到有效提取，可為高標準農田建設前選址提供依據。

1中華人民共和國國家質量監督檢驗檢疫總局,中國國家標準化管理委員會.高標準農田建設通則：GB/T 30600—2014[S].北京:中國標準出版社,2014.

2中華人民共和國中央人民政府.2008年國務院政府工作報告[EB/OL][2008-03-05].http:∥www.gov.cn.

3中華人民共和國中央人民政府.中華人民共和國國民經濟和社會發展第十二個五年規劃綱要[EB/OL][2011-03-14].http:∥www.gov.cn.

4中華人民共和國國家發展和改革委員會.全國高標準農田建設總體規劃[EB/OL][2013-12-09].http:∥camn.agri.gov.cn.

5中華人民共和國中央人民政府.中華人民共和國國民經濟和社會發展第十三個五年規劃綱要[EB/OL][2016-03-17].http:∥www.gov.cn.

6中發[2017]4號.中共中央國務院關于加強耕地保護和改進占補平衡的意見[EB/OL][2017-01-09].http:∥www.chinadnid.com.

7ANDERSEN E,BALDOCK D,BROUWER F M, et al.Developing a high nature value farming area indicator: final report[R]. FAO,2004.

8ROSA D L,PRIVITERA R.Characterization of non-urbanized areas for land-use planning of agricultural and green infrastructure in urban contexts[J].Landscape & Urban Planning,2013,109(1):94-106.

9PLIENINGER T,BIELING C.Resilience-based perspectives to guiding high nature value farmland through socio-economic change[J].Ecology & Society,2013,18(4):20.

10DOXA A,PARACCHINI M L,POINTEREAU P, et al.Preventing biotic homogenization of farmland bird communities: the role of high nature value farmland[J].Agriculture Ecosystems & Environment,2012,148(7):83-88.

11POINTEREAU P,PARACCHINI M L,TERRES J M, et al.Identification of high nature value farmland in france through statistical information and farm practice surveys[J].Dissertations & Theses-Gradworks,2007:22786.

12HAZEU G,MILENOV P,PEDROLI B, et al.High nature value farmland identification from satellite imagery, a comparison of two methodological approaches[J].International Journal of Applied Earth Observation & Geoinformation,2014,30:98-112.

13楊建宇,杜貞容,杜振博,等.基于耕地質量評價和局部空間自相關的高標準農田劃定[J/OL].農業機械學報,2017,48(6):109-115.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170614&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.06.014.

YANG Jianyu,DU Zhenrong,DU Zhenbo, et al.Well facilitied capital farmland assignment based on land quality evaluation and LISA[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(6):109-115.(in Chinese)

14楊建宇,趙龍,徐凡,等.基于耕地連片度的高標準基本農田建設劃區[J/OL].農業機械學報,2017,48(4):142-148.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170418&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.04.018.

YANG Jianyu,ZHAO Long,XU Fan, et al.Zoning of high standard prime farmland construction based on arable lands connectivity[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(4):142-148.(in Chinese)

15趙冬玲,何珊珊,林尚緯,等.基于TOPSIS和熱點分析的高標準農田建設優先區選擇[J/OL].農業機械學報,2017,48(7):153-158.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170719&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.07.019.

ZHAO Dongling,HE Shanshan,LIN Shangwei, et al.Layout of high-standard farmland construction priority area based on TOPSIS and hotspot analysis[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(7):153-158.(in Chinese)

16薛劍,韓娟,張鳳榮,等.高標準基本農田建設評價模型的構建及建設時序的確定[J].農業工程學報,2014,30(5):193-203.

XUE Jian,HAN Juan,ZHANG Fengrong, et al.Development of evaluation model and determination of its construction sequence for well-facilitied capital farmland[J].Transactions of the CSAE,2014,30(5):193-203.(in Chinese)

17楊偉,謝德體,廖和平,等.基于高標準基本農田建設模式的農用地整治潛力分析[J].農業工程學報,2013,29(7):219-229.

YANG Wei,XIE Deti,LIAO Heping, et al.Analysis of consolidation potential of agricultural land based on construction mode of high-standard basic farmland[J].Transactions of the CSAE,2013,29(7):219-229.(in Chinese)

18唐秀美,潘瑜春,程晉南,等.高標準基本農田建設對耕地生態系統服務價值的影響[J].生態學報,2015,35(24):8009-8015.

TANG Xiumei,PAN Yuchun,CHENG Jinnan, et al.Impact of high-standard prime farmland construction on ecosystem service value in Beijing[J]. Acta Ecologica Sinica,2015,35(24):8009-8015.(in Chinese)

19劉建生,鄖文聚,趙小敏,等.基于差距度與投資度的高標準基本農田建設研究與應用[J].中國人口資源與環境,2014,24(3):47-53.

LIU Jiansheng,YUN Wenju,ZHAO Xiaomin, et al.Theory and application of well-facilitied capital farmland construction: an analysis based on the gap degree and investment intensity[J].China Population Resources and Environment,2014,24(3):47-53.(in Chinese)

20劉佳佳.基于遙感的高標準農田快速識別研究[D].北京:中國農業大學,2017.

LIU Jiajia.Research on quick identification of high standard farmland based on remote sensing[D].Beijing:China Agricultural University,2017.(in Chinese)

21王暉,陳麗,陳墾,等.多指標綜合評價方法及權重系數的選擇[J].廣東藥學院學報,2007,23(5):583-589.

22劉繼斌,曲成毅,王瑞花.基于屬性AHM的Topsis綜合評價及其應用[J].現代預防醫學,2006,33(10):1862-1863.

23楊建宇,徐凡,劉光成,等.基于TOPSIS算法的永久基本農田劃定方法[J/OL].農業機械學報,2017,48(8):133-139.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170814&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.08.014.

YANG Jianyu,XU Fan,LIU Guangcheng, et al.Demarcation method of permanent prime cultivated land based on TOPSIS[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(8):133-139.(in Chinese)

24張宏,馬巖,李勇,等.基于遺傳BP神經網絡的核桃破裂功預測模型[J].農業工程學報,2014,30(18):78-84.

ZHANG Hong,MA Yan,LI Yong, et al.Rupture energy prediction model for walnut shell breaking based on genetic BP neural network[J].Transactions of the CSAE,2014,30(18):78-84.(in Chinese)

25吉林省農委發展計劃處.突出抓好“五個結合、五個優先”扎實推進吉林省高標準農田整合建設[J].吉林農業月刊,2017(3):46-47.

26白燕英.基于多時相遙感影像的鹽漬化農田表層土壤水分反演研究[D].呼和浩特:內蒙古農業大學,2014.

BAI Yanying.Study on surface soil moisture inversion of salinization of farmland based on multi·temporal remote sensing images[D].Huhhot:Inner Mongolia Agricultural University,2014.(in Chinese)

27吳嵩.典型黑土區土壤有機質含量反演研究[D].長春:吉林大學,2016.

WU Song.Research on soil organic matter content inversion in typical black soil area[D].Changchun:Jilin University,2016.(in Chinese)

28王瓊.基于遙感技術的棉田土壤質量評價研究[D].石河子:石河子大學,2013.

WANG Qiong.The assessment of soil quality on cotton field based on remote sensing technology[D].Shihezi:Shihezi University,2013.(in Chinese)

29郭姿含,楊永俠.基于GIS的耕地連片性分析方法與系統實現[J].地理與地理信息科學,2010,26(3):59-62.

GUO Zihan,YANG Yongxia.GIS-based farmland connectivity analysis methods research and system implementation[J].Geography and Geo-information Science,2010, 26(3):59-62.(in Chinese)

30孟召平,田永東,雷旸.煤層含氣量預測的BP神經網絡模型與應用[J].中國礦業大學學報,2008,37(4):456-461.

MENG Zhaoping,TIAN Yongdong,LEI Yang.Prediction models of coal bed gas content based on BP neural networks and its applications[J].Journal of China University of Mining & Technology,2008,37(4):456-461.(in Chinese)

31唐萬梅.BP神經網絡網絡結構優化問題的研究[J].系統工程理論與實踐,2005,25(10):95-100.

TANG Wanmei.The study of the optimal structure of BP nueral network[J].Systems Engineering—Theory & Practice,2005,25(10):95-100.(in Chinese)