基于GA-BP神經網絡的珠三角耕地質量評價

葉云 ，趙小娟，胡月明 *

1. 華南農業大學資源環境學院，廣東 廣州 510642；2. 國土資源部建設用地再開發重點實驗室，廣東 廣州 510642；3. 廣東省土地利用與整治重點實驗室，廣東 廣州 510642；4. 廣東省土地信息工程技術研究中心，廣東 廣州 510642；5. 佛山職業技術學院，廣東 佛山 528137

耕地及耕地質量對于中國糧食安全、經濟良性發展及社會和諧穩定都是至關重要的。中國國耕地質量問題已十分突出，就珠三角地區而言，情況亦不容樂觀。改革開放以來，經濟發展導致耕地數量銳減，尤其是城鎮建設占用大量優質農田，人類活動對農業土壤影響劇烈；另外，新技術、新品種的投入，給耕地帶來了土地污染等隱性安全隱患，嚴重威脅社會經濟持續發展和生態環境（張景茹等，2015）。因此，在優質耕地資源不斷被侵占、數量不斷減少的背景下，積極開展耕地質量評價研究，是順應社會經濟發展與解決糧食安全的可靠選擇。

耕地質量是耕地各種性質的綜合反映，涉及到自然、社會經濟、環境等因素。而傳統的耕地（土壤）質量評價主要從土地自然生產潛力的角度出發，基于土地自然屬性選取要素構建指標體系并對耕地進行適宜性評價及分級（Bui et al.，2006；Parisi et al.，2005）。近年來，社會發展、經濟水平和利用方式等對環境有影響的因素在耕地質量評價中受到普遍關注，在評價中開始注重考慮自然與環境、生態、社會、經濟等眾多因素（孔祥斌等，2008；奉婷等，2014；朱傳民等，2015）。在耕地質量評價中，由于選取的指標不同，分析目標的差異，選擇的評價方法也不同。隨著 3S技術、計算機技術和數學模型的應用和研究不斷增多，耕地質量評價方法和手段也日趨豐富，從簡單的定性描述發展為定量和半定量分析。但無論采用哪種方法，評價指標的篩選、指標等級的劃分或指標權重的確定，都會影響評價結果。因此，構建合理的評價指標體系、探尋有效的評價方法已成為當前耕地質量評價研究的重要內容。目前，耕地質量評價所采用的方法主要包括指數和法、模糊評價法、物元分析法、地統計學方法等，而這些方法都或多或少地存在主觀性或其他不足，很難保證客觀全面（林志壘，2008；沈仁芳等，2012）。近年來又涌現出許多新算法，將不同方法進行集成，取長補短以實現優勢組合，減少數據分析量對評價方法的限制。其中，智能化方法是耕地質量評價研究的熱點和發展趨勢之一（閆一凡等，2014）。賴紅松等（2011）基于粗糙集和支持向量機對標準農田地力等級進行評價，陳桂芬等（2011）探討了聚類、粗糙集與決策樹的組合算法在地力評價中的應用。耕地質量受各影響因素綜合作用，并非呈單純的線性關系，而神經網絡適用于多因素影響的非線性信息問題處理。因此，運用神經網絡進行耕地質量綜合評價是可行的（李小剛等，2015）。郄瑞卿等（2014）、高悅（2012）、潘潤秋等（2014）分別應用自組織神經網絡、BP神經網絡（Back Propagation Net-work，BP）、粒子群優化BP神經網絡對耕地自然質量進行評價。

BP神經網絡是一種在理論和應用方面發展都較為成熟的逆向傳播算法的多層前饋式網絡，具有多層神經網絡結構。其應用十分廣泛，但同時也具有易形成局部極小而得不到全局最優、效率低、收斂慢等缺點（黃慶斌，2010），故對神經網絡的優化成為了研究重點。在多種優化方法中，遺傳算法（Genetic Algorithm，GA）具有較好的全局搜索能力，可快速搜索解空間，有很強的魯棒性等優點，其對神經網絡的優化是一種較成熟有效的方法（吉根林，2004；吳玫等，2008）。

本文以珠三角耕地為研究對象，構建適用于該區域的評價指標體系，引入遺傳算法優化BP神經網絡，采用 GA-BP神經網絡模型進行耕地質量綜合評價研究，避免設定指標權重，可在一定程度上減少人為主觀性影響。本研究旨在探索出符合實際、較為準確的高效的方法以提高評價效率，使其向更合理、更規范、更科學的方向發展，也為其他類似研究提供一定的借鑒與參考。

1 研究區概況及數據

1.1 研究區域概況

珠三角位于廣東省中南部，珠江下游，地處東經 111°59'～115°26'，北緯 21°27'～23°56'，是中國經濟最發達的地區之一。行政轄域包括廣州、深圳、珠海、佛山、肇慶、中山、東莞、江門及惠州等 9個地級市，涉及 48個縣區，土地面積占廣東省國土面積的23.2%。屬南亞熱帶海洋性季風氣候，雨熱充沛，年均氣溫 21～23 ℃，年均降雨量1600～2300 mm，界內有數千條大小河道縱橫交錯。三角洲平原土地肥沃，土壤類型多樣，可分為5個土類，包括水稻土、赤紅壤、石灰土、紫色土和潮土。2014年珠三角土地總面積5.48×106hm2，其中耕地6.16×105hm2（不包含可調整地類），占全省耕地總面積的23.49%。

1.2 數據來源及處理

1.2.1 研究數據

研究數據涉及氣象、水文、土壤、地貌等自然條件統計資料，包括珠三角區域 2014年行政區劃圖、交通道路圖；珠三角及周邊區域 41個氣象站點近 10年的年日照時數、年降雨量等數據；土壤屬性數據來源于第二次土壤普查資料，包括土壤志、土種志、土壤普查報告；珠三角各地市農用地分等數據；地質災害易發區相關數據來源于廣東省地質災害防治規劃（2011—2020年）；影像數據主要為在地理空間數據云平臺下載的2014年多幅30 m分辨率TM遙感數據；社會經濟數據主要來源于2015年《廣東農村統計年鑒》、《廣東統計年鑒》及各地市統計年鑒，以及 2014年的國民經濟和社會發展統計公報。

1.2.2 數據處理

遙感影像數據的接收時間是7—12月，選擇無云或少云，影像質量高的數據。對影像數據的預處理主要包括輻射定標、大氣校正以及影像的拼接和裁剪等。遙感數據分類參考土地利用現狀分類（GB/T 21010—2007）以及中國科學研究院土地利用覆蓋分類體系，結合珠三角區域TM遙感影像特點和景觀異質性，分為耕地、林地、草地、水域、建設用地和未利用地。分類結果的精度檢驗是從遙感圖像上分層隨機選擇了100個樣點，保證各地類都有覆蓋且所包含樣點不少于 10個，采用目視解譯的方法結合實地調查與第二次土地調查成果，結果表明影像分類總體精度達到87.3%，Kappa系數也超過了0.7，分類達到使用要求。

2 研究方法

2.1 劃分評價單元

耕地質量評價中各項指標均有其計算或獲取的單元，這樣就會存在多種計算單元，社會經濟數據多是以行政單元進行統計的，而自然屬性數據多以自然單位為基礎。通過網格化則可將自然與人文數據轉換到統一的地理格網，實現評價單元的統一（高艷梅，2006）。因此劃分珠三角耕地質量評價單元采用網格法，考慮到珠三角評價區域的因素差異及面積，以500 m×500 m網格作為評價單元，共劃分為24215個評價單元。

2.2 構建評價指標體系

影響耕地質量的自然因素包括氣候、地形、土壤、水文、生物等，除此之外，還包括環境質量狀況以及社會經濟因素。耕地質量評價的社會經濟因素可以分為農田基礎設施建設、區位條件和農戶生產行為方式等。農戶是耕地的直接利用者，其利用決策、利用方式、農業投入對耕地質量有很大影響（李賡等，2006）。

根據珠三角區域特點，遵循綜合性、主導性、差異性、科學性、可操作性等原則，采用資料統計和專家咨詢法，從自然質量、經濟質量、利用質量、生態質量4個方面選擇年均日照時數、年均降雨量、坡度、土壤類型、土壤有機質、表層土壤質地、有效土層厚度、土壤養分元素、pH值、農藥殘留污染指數、地質災害易發程度、水資源保證率、機械投入量、化肥施用量、勞動力投入量、道路通達度、中心城鎮影響度、排水條件、耕地利用方式、耕地連片度等指標構建珠三角區域耕地質量評價體系。如表1所示。

2.3 評價因素量化

首先進行指標標準化，并采用百分制[0, 100]的分值標準進行賦分，各因子不同級別分值則按其對耕地質量影響衰減程度及特爾菲法確定（邵華等，2008）。具體因子級別臨界值和等級劃分標準參考《耕地地力調查與質量評價技術規程》（2008）、《廣東省農用地分等定級與估價技術方案》（2004）、《農用地質量分等規程》及《農用地定級規程》（2012）及有關文獻。

表1 珠三角耕地質量評價因子級別指標值及級別分值Table 1 Grade index value and grade value of cultivated land quality evaluation factors in Pearl River Delta

氣候條件：采用協同克里金法對氣象站點的近10年均降雨量和年均日照時數數據進行插值分析，采用交叉驗證法來檢查插值效果，年降雨量插值結果標準均方根誤差為1.120，標準平均值誤差為-0.013；年日照時數插值結果標準均方根誤差為 0.954，標準平均值誤差為-0.008，檢驗結果是有效的。

土壤養分：主要涉及有機質、全氮、有效磷、速效鉀等元素，根據國內外對土壤肥力評價的研究結果，結合T型和S型效應土壤肥力因子分級標準綜合評價法（李賡等，2006），確定土壤養分各因子權重，分別取值為0.3、0.3、0.2、0.2，通過加權處理方式計算土壤養分綜合分值。指標分級及相應分值如表1所示。

單位耕地面積投入：表示單位耕地面積上包括化肥施用、機械投入和勞動力投入3方面的綜合投入量。根據珠三角實際情況分別賦予0.3、0.3、0.4的權重進行加權綜合（秦元偉等，2010）。

耕地連片度：采用空間相連性計算法，利用ArcGIS的空間分析功能，定量計算地塊的集中連片程度（錢鳳魁，2011）。公式如下：

式中，F為耕地連片度；Si為連片面積現狀值；Smin為連片面積最小值；Smax為最大值。連片度指標值取值范圍為[0, 1）。

水資源保證率：用各地有效灌溉面積占年末實有耕地面積的比重來表示。

地質災害易發程度：根據收集到的《廣東省地質災害防治規劃》和“十二五”規劃中對廣東省地質災害易發情況的區域劃分。

區位條件：包括交通通達度和中心城鎮影響度，利用 ArcGIS中的多級緩沖分析，設定不同的緩沖距離，再與耕地評價單元進行空間鏈接得到評價單元值。

農藥污染指數：采用單位耕地面積農藥施用量來表示農藥可能污染程度（陳朝等，2010）。

式中，ACPi為研究年農藥污染風險；yi為年農藥施用總量，xi為年末耕地面積。ACPi越大，說明研究年耕地農藥施用量較多，農藥污染的風險上升，反之，則下降。

社會經濟數據：采用中心點歸屬結合面積占優的方法實現從行政單元向網格單元的轉化（朱良峰等，2004），如下公式：

式中，Wi是柵格i上的某指標值；A為某區域行政單元該指標的統計值；Si為柵格 i的面積；n是該區域行政單元的柵格個數。

其余指標具體分級如表1所示。

2.4 GA-BP神經網絡評價模型

GA-BP神經網絡結合GA的全局收斂性和BP局部快速搜索等優點，能顯著地提高神經網絡的性能。針對BP神經網絡的缺陷引進遺傳算法優化連接權值，構建應用于耕地質量評價中的 GA-BP神經網絡模型，避免設定指標權重，可在一定程度上減少人為主觀影響。

2.4.1 GA-BP神經網絡流程

利用遺傳算法優化神經網絡連接權，主要包括兩部分（翟宜峰等，2003）：首先采用遺傳算法優化網絡的初始權重，并將這些優化值賦給網絡得到優化的BP神經網絡，以更好地預測輸出；再采用BP算法訓練網絡。

在整個進化過程中，神經網絡結構，包括隱含層數、隱含層節點數以及節點間的連接方式，是固定不變的（沈花玉等，2008）。遺傳算法只作為訓練神經網絡的一種學習算法，將其優化后得到的編碼數據轉換為權重組合作為神經網絡訓練的初始權值（閾值），完成訓練。GA-BP神經網絡流程如圖1所示：

2.4.2 設計BP神經網絡模型

本研究BP神經網絡結構由輸入層、隱含層和輸出層3層組成，具體網絡結構如圖2所示。

（1）傳遞函數

采用自適應梯度下降法進行網絡訓練，訓練函數采用 Trainbp，隱含層采用正切 S型傳遞函數，輸入層激勵函數采用Tansig函數，輸出層傳遞函數采用Purelin函數，其輸入和輸出值可取任意值。初始權值和閾值為默認值。

（2）確定輸入層和輸出層神經元數

選擇了16個指標對珠三角耕地質量進行評價，因此輸入層有 16個神經元；根據耕地質量評價所表達的識別要求，1個輸出神經元就能對耕地質量進行有效區分，即輸出層節點數為1。

圖1 GA-BP神經網絡模型流程圖Fig. 1 GA-BP neural network model of flow chart

圖2 珠三角耕地質量評價的BP神經網絡結構Fig. 2 Quality evaluation of cultivated land in the Pearl River Delta Based on BP neural network

（3）確定隱含層節點數

一般根據設計者的經驗和多次實驗來確定最適隱含層神經元個數（焦斌等，2013），參考公式：

式中，Nhid為隱含層節點數；Nin為輸入層節點數；Nout為輸出層節點數；a為1～10的常數。經過試驗，綜合考慮擬合和預測效果以及訓練時間，在珠三角耕地質量評價神經網絡模型中，當隱層個數為9時，效果較好（表2）。

表2 BP神經網絡不同隱含層節點數的訓練次數與誤差Table 2 The training times and errors of BP neural networks with different hidden layer nodes

（4）初始權值及學習速率的選取

初始權值應選分布均勻的小經驗值，一般在某一區間范圍取隨機數，由于數據已經過標準化，遺傳算法中優化神經網絡的初始權值在[0, 1]區間內取值。系統傾向于選取較慢的學習速率以保證系統的穩定性，學習速率的范圍在 0.01～0.7之間較優。所以本文選取學習速率為 0.01，訓練次數為1000。

（5）期望誤差的選取

采用改進的方法（焦斌等，2013），在神經網絡訓練過程中選擇均方誤差 MSE（mean squared error）作為性能評價參數。結束訓練的條件是在檢驗誤差沒有出現增大趨勢時訓練樣本的均方誤差小于10-4。計算公式：

式中，m是輸出層節點數；p是訓練樣本集的總數目； 是網絡的期望輸出值；ypj是網絡實際輸出值。

2.4.3 用遺傳算法優化BP神經網絡

（1）權值編碼

本文設計的BP神經網絡是16×11×1結構，用二進制編碼易造成編碼串過長，導致運算速率下降，所以采用實數編碼，編碼長度為：

式中，r為常數；S1為輸入層節點數；S2為輸出層節點數。

（2）設計適應度函數

要求珠三角耕地質量評價輸出結果為非負數，可將均方誤差的倒數作為適應度函數。計算公式為（吳永明，2011）：

式中，i=1, 2, 3,…；N表示染色體數；k是輸出層節點數，k=1；m是學習樣本數；Y是實際輸出值；U是期望輸出值。當fi在一定程度上接近1時，即被認為達到網絡的精度要求。

（3）選擇操作

采用輪盤賭選擇方法，對適應度為fi的權值個體，計算每一個個體評價函數，并將其進行排序，按如下公式計算概率值 pi選擇網絡個體（王楓，2005）。

概率值pi反映了個體適應度在所有個體適應度總和中所占的比例。

（4）交叉與變異操作

交叉是對兩個相互配對的染色體依據交叉概率按某種方式相互交換部分基因，從而形成兩個新的個體，變異是依據變異概率將個體編碼串中的某些基因值用其他基因值來替換，形成新個體。本文采用實數編碼方式，在變異中采用非均勻變異算子。

3 研究過程與結果分析

3.1 訓練樣本的選擇與學習

采用均勻設計法（王少波等，2003），依據農用地分等首先在每個縣區內隨機選取不同等級的耕地作為樣本，對于等級差異較大的縣區，增加樣本數量。并根據樣本空間位置進行調整，以實現空間分布的均勻性；同時根據樣本屬性進行調整，兼顧地域分布平衡，且具有代表性。總共選取 4000個樣本，其中 3000個作為訓練樣本，500個作為檢驗樣本，500個作為測試樣本。

將上述用遺傳算法優化后的權值作為BP神經網絡的初始權值和閾值，其他參數（如學習速率、期望誤差）的設定如前所述，然后進行網絡訓練，最終得到滿足條件的BP神經網絡。以另外的樣本作為輸入層，利用訓練好的BP網絡進行訓練，得到期望輸出。

3.2 評價結果分析

運用MATLAB將3000個訓練樣本耕地質量評價的16項指標輸入網絡，利用建立GA-BP神經網絡模型進行訓練，通過仿真輸出耕地質量評價結果。

在MATLAB中進行模型運算，分別基于BP神經網絡模型與GA-BP網絡模型對珠三角24215個評價單元的綜合質量分進行 5次實驗，結果如表3所示。由表3可知，GA-BP神經網絡模型的訓練次數明顯小于BP網絡，BP神經網絡模型的平均訓練次數為76次，而GA-BP神經網絡僅32次，說明GA-BP神經網絡算法能減少模型訓練的迭代次數，在全局搜索能力上更為有效，在一定程度上避免了標準BP網絡陷入局部極小值，同時其收斂速度也優于 BP神經網絡模型；GA-BP網絡模型中均方誤差都比BP模型的小，且最大和最小均方誤差的差值也比 BP神經網絡模型的差值小0.1116，說明GA-BP神經網絡模型更穩定，適應度更好。

表3 BP神經網絡模型與GA-BP神經網絡模型的對比Table 3 Comparison of BP neural network model and GA-BP neural network model

在部分縣區隨機抽取共20個評價單元，對BP和 GA-BP神經網絡模型的耕地質量評價結果進一步驗證分析，結果如表4所示。常規法是在農用地分等成果的基礎上確定指標權重進行計算，通過上表結果可知，兩種模型的質量分與常規法都相差不大，相對誤差率絕對值在0.01處上下浮動，GA-BP模型平均相對誤差率也比BP模型小，更接近實際耕地質量分。這表明，應用神經網絡進行耕地質量分計算是可行的，且不用事先確定權重，可直接向訓練樣本“學習”。在耕地質量分等中可在確定各因子分值的基礎上，通過對模型進行訓練，計算耕地質量分，從而簡化計算工作，結果更科學合理。綜合來看，運用 GA-BP神經網絡進行耕地質量評價是合理可靠的。

根據實驗得到的珠三角耕地質量分（0.53～0.89）計算結果，在ArcGIS中通過ID把實驗結果鏈接到珠三角耕地評價單元中，并采用自然間斷法劃分耕地綜合質量等別，最終將耕地綜合質量分劃分為5個級別。得到珠三角耕地綜合質量等別劃分結果，如圖3所示。由圖3a和圖3b可知，各區域耕地質量的分布等級差別較大。位于珠三角西北部的肇慶市的封開、廣寧，優等耕地較少而差等耕地面積占多數；懷集、四會、德慶、鼎湖耕地質量等級符合整體趨勢，2、3、4等地面積所占比例超過80%，質量最好和最差的耕地占據少數；端州、鼎湖的耕地質量等級主要集中1、2、3等，面積占絕大多數。佛山的禪城、南海沒有4、5等耕地分布，尤其是禪城區，耕地質量基本屬于1等地；高明的耕地質量等級也以優等地為主，質量較差的耕地僅占耕地面積的2.62%；順德、三水的質量等級以中等地為主，優等地和差等地耕地少有分布。廣州市耕地面積較少，質量等級均以優等地和中等地為主，大部分集中在質量等級較高的 1、2等地。深圳市耕地數量更少，有耕地分布的區域質量等級也以中等地居多，1等地和5等地數量都較少。珠海市香洲、金灣耕地質量等級主要集中在 3、4等，整體質量較差，而斗門耕地質量則較好，質量較高的1、2等耕地面積占到83.47%，也無差等地分布。江門市耕地質量等級較集中，各縣區耕地質量基本都集中在中等地，耕地最優和最差的耕地面積都較少。惠州市除博羅縣耕地質量總體水平較高，質量等級以1等地為主，占耕地數量的62.7%，其余縣區耕地質量等級則以中等地為主。東莞和中山的耕地質量等級都集中在2、3等，面積占60%以上。

表4 不同方法下部分評價單元的質量分比較Table 4 Comparison of quality of partial evaluation units under different methods

圖3 珠三角耕地綜合質量分級Fig. 3 Coomprehensive quallity grading of culttivated land in the Pearl River

由圖3cc可知，珠三角區域耕地質量總體較好，其中 2、3等地所占比重最大，占耕地總面積的54.4%，而質量最好的1等地和質量最差的5等地所占比重相對較少，分別為16.88%%和8.75%，耕地質量等別基本符合正態分布的態勢。從分布來看，珠三角區域耕地質量空間分布不平衡，受地形地貌和社會經濟發展水平影響較大，總體呈現中部質量高，四周質量低的特點。質量較高的耕地主要分布在珠三角中部廣州、佛山、中山、珠海斗門以及惠州的博羅一帶，而質量較低的耕地主要分布在肇慶、江門、惠州、東莞、深圳等地。珠三角中部屬于三角洲平原地帶，氣候條件優越，地勢平坦，土壤肥沃，土質較好，以壤土和砂土為主，水源地較多，水利設施良好便于灌溉排水，土壤肥沃而土層深厚的廣大沖積平原適宜發展耕作業；珠三角西北部、東北部及東部區域多是丘陵山地，地勢較高，坡度也較大，容易造成水土流失，灌溉條件一般，土壤肥力相對于三角洲也較差，耕地面積多但管理方式粗放，土地利用水平相對較低，平緩的丘陵、臺地和海灘等適宜種植亞熱帶水果。

4 結論與討論

4.1 討論

耕地質量評價指標體系的構建是質量評價研究的重點難點。如何基于不同的評價目的，因地制宜地確定評價指標體系，是耕地質量評價首要解決的問題。孔祥斌等（2008）創建了基于農戶土地利用目標變化的“壓力-狀態--效應-響應”耕地質量評價指標體系；方琳娜等（20008）基于“PSR”框架提出了生產壓力指數、耕地狀態指數、社會行為指數的評價指標體系。耕地質量高低與土壤類型、地形地貌、土地利用及社會經濟發展水平等因素之間存在密切關系（宋戈等，2012）。由于地域差異性及耕地構成要素的多樣性和多層次性，目前耕地質量評價體系并未統一化（沈仁芳等，2012）。而現有的調查評價體系已不能完全滿足耕地質量管理的需要，如農用地分等指標不能充分反映土地整治和高標準農田建設帶來的質量提升等。因此，建立考慮社會經濟因素以及生態環境的指標體系顯得尤為重要。任艷敏等（2014）考慮將耕地生態質量列入基本農田的評價指標體系中；奉婷等（2014）從自然質量、利用條件、空間形態和生態安全方面構建綜合評價體系。然而，大多數研究都基于小尺度區域，而本文從自然質量、經濟質量、利用質量、生態質量4個方面選擇最有代表性且適于珠三角研究區特點的指標構建評價體系。但在對珠三角區域耕地生態質量指標的選取上，由于數據缺失，未能從環境質量的實質入手，選擇污染元素進行分析，只是用了幾個代替性指標，對于生態環境質量的描述還不夠全面，有待進一步探討和深入研究。

耕地質量評價方法的優劣直接影響耕地質量評價結果的可靠性（于東升等，2011）。郄瑞卿等（2014）運用自組織神經網絡方法對吉林省九臺市耕地自然質量進行了評價，本文則針對BP算法的缺陷引進GA技術，設計了可應用于耕地質量評價中的GA-BP神經網絡模型。GA-BP神經網絡模型的訓練次數明顯小于BP網絡，能減少模型訓練的迭代次數，在全局搜索能力上更為有效，一定程度上避免了標準BP網絡陷入局部極小值的不缺陷，收斂速度也優于BP神經網絡模型。GA-BP神經網絡模型更穩定，適應度更好。另外，利用 GA-BP神經網絡進行耕地質量評價中，關于訓練樣本的選擇至關重要，不同樣本對于最終的評價結果都有影響，而本文僅采用均勻設計法選擇樣本，因此下一步可通過不同方式選擇樣本并進行深入對比分析。

4.2 結論

本文以珠三角耕地為研究對象，依據BP神經網絡和遺傳算法的各自優勢，采用 GA-BP神經網絡模型進行耕地質量評價，劃分了質量等級，并對常規方法、BP神經網絡模型與GA-BP神經網絡模型的結果進行對比分析。主要結論如下：

（1）在5次試驗中，GA-BP網絡模型均方誤差都比BP模型的小，并且最大和最小均方誤差的差值也比 BP神經網絡模型的差值小 0.1116，將GA-BP網絡模型用于耕地質量評價中，事先不需要確定指標權重，直接輸入網絡進行訓練，可以減少人為主觀影響，取得了較好的試驗效果。同時，也可提高耕地質量評價效率，使其向更合理、科學的方向發展，為其他類似研究提供參考。

（2）珠三角區域耕地質量總體較好，其中2、3等地所占比重最大，占耕地總面積的54.4%，耕地質量等別基本符合正態分布的態勢。從分布來看，珠三角區域耕地質量空間分布不平衡，受地形地貌和社會經濟發展水平影響較大，呈現出明顯的地域分布規律，整體呈現為中部高，四周低的特點；各區域耕地質量的分布等級差別也較大。

BUI E N, HENDERSON B L, VIERGEVER K. 2006. Knowledge discovery from models of soil properties developed through data mining [J]. Ecological Modelling, 191(3-4): 431-446.

PARISI V, MENTA CRISTINA, GARDI CIRO, et al. 2005.Microarthropod communities as a tool to assess soil quality and biodiversity: a new approach in Italy [J]. Agriculture Ecosystems &Environment, 105(1-2): 323-333.

陳朝, 呂昌河. 2010. 基于綜合指數的湖北省耕地質量變化分析[J]. 自然資源學報, 25(12): 2018-2029.

陳桂芬, 馬麗, 董瑋, 等. 2011. 聚類、粗糙集與決策樹的組合算法在地力評價中的應用[J]. 中國農業科學, 44(23): 4833-4840.

方琳娜, 宋金平. 2008. 基于SPOT多光譜影像的耕地質量評價——以山東省即墨市為例[J]. 地理科學進展, 27(5): 71-78.

奉婷, 張鳳榮, 李燦, 等. 2014. 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, 30(1): 200-210.

高艷梅. 2006. 工業化、城市化對農地質量影響研究[D]. 南京: 南京農業大學.

高悅. 2012. 基于BP神經網絡的耕地自然質量評價研究[D]. 武漢: 華中師范大學.

黃慶斌. 2010. BP算法的改進及其應用研究[D]. 成都: 西南交通大學.

吉根林. 2004. 遺傳算法研究綜述[J]. 計算機應用與軟件, 21(2): 69-73.

焦斌, 葉明星. 2013. BP神經網絡隱層單元數確定方法[J]. 上海電機學院學報, 16(3): 113-116.

孔祥斌, 劉靈偉, 秦靜. 2008. 基于農戶土地利用行為的北京大興區耕地質量評價[J]. 地理學報, 63(8): 856-868.

賴紅松, 吳次芳. 2011. 基于粗糙集和支持向量機的標準農田地力等級評價[J]. 自然資源學報, 26(12): 2141-2154.

李賡, 吳次芳, 曹順愛. 2006. 劃定基本農田指標體系的研究[J]. 農機化研究, (8): 46-48.

李小剛, 馬友華, 張益, 等. 2015. 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,46(4): 816-822.

李小剛, 馬友華, 張益, 等. 2015. 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,46(4): 816-822.

林志壘. 2008. 基于PCA和決策樹模型的農用地(耕地)質量評價研究[J].福建師范大學學報(自然科學版), 24(6): 99-104.

潘潤秋, 馬小淞, 劉珺. 2014. 基于粒子群優化BP神經網絡的耕地自然質量分計算模型[J]. 地理與地理信息科學, 30(5): 78-82.

錢鳳魁. 2011. 基于耕地質量及其立地條件評價體系的基本農田劃定研究[D]. 沈陽: 沈陽農業大學.

郄瑞卿, 關俠, 鄢旭久, 等. 2014. 基于自組織神經網絡的耕地自然質量評價方法及其應用[J]. 農業工程學報, 30(23): 298-305.

秦元偉, 趙庚星, 董超, 等. 2010. 鄉鎮級耕地質量綜合評價及其時空演變分析[J]. 自然資源學報, 25(3): 454-464.

任艷敏, 唐秀美, 劉玉, 等. 2014. 考慮耕地生態質量的基本農田劃定方法[J]. 農業工程學報, 30(24): 53-54, 298-307.

邵華, 石慶華, 趙小敏. 2008. 基于GIS的江西省耕地土壤質量評價研究[J]. 江西農業大學學報, 30(6): 1137-1141.

沈花玉, 王兆霞, 高成耀, 等. 2008. BP神經網絡隱含層單元數的確定[J]. 天津理工大學學報, 24(5): 13-15.

沈仁芳, 陳美軍, 孔祥斌, 等. 2012. 耕地質量的概念和評價與管理對策[J]. 土壤學報, 49(6): 1210-1217.

宋戈, 李丹, 梁海鷗, 等. 2012. 松嫩高平原黑土區耕地質量特征及其空間分異——以黑龍江省巴彥縣為例[J]. 經濟地理, 32(7): 129-134.

王楓. 2005. 遺傳神經網絡模型在農用地分等中的應用[D]. 武漢: 武漢大學.

王少波, 柴艷麗, 梁醒培. 2003. 神經網絡學習樣本點的選取方法比較[J]. 鄭州大學學報(工學版), 24(1): 63-65.

吳玫, 陸金桂. 2008. 遺傳算法的研究進展綜述[J]. 機床與液壓, 36(3):176-179.

吳永明. 2011. 遺傳算法在 BP神經網絡結構優化中的應用研究[D]. 昆明: 昆明理工大學.

閆一凡, 劉建立, 張佳寶. 2014. 耕地地力評價方法及模型分析[J]. 農業工程學報, 30(5): 204-210.

于東升, 張廣星, 張忠啟, 等. 2011. BIO-NORM與NORM耕地質量評價方法對比研究[J]. 土壤學報, 48(2): 238-245.

翟宜峰, 李鴻雁, 劉寒冰, 等. 2003. 用遺傳算法優化神經網絡初始權重的方法[J]. 吉林大學學報(工學版), 33(2): 45-50.

張景茹, 周永章, 莫麗萍, 等. 2015. 珠三角經濟區農田土壤重金屬環境地球化學特征及生態風險預測預警研究[C]//中國礦物巖石地球化學學會第15屆學術年會. 長春.

朱傳民, 郝晉珉, 陳麗, 等. 2015. 基于耕地綜合質量的高標準基本農田建設[J]. 農業工程學報, 31(8): 233-242.

朱良峰, 吳信才, 劉修國. 2004. GIS中矢量多邊形網格化問題研究[J].地理與地理信息科學, 20(1): 12-15.