基于深度置信網絡的農用地基準地價評估模型

王 華，羅 平，趙志剛，聶 可

?

基于深度置信網絡的農用地基準地價評估模型

王 華1,2，羅 平1，趙志剛1，聶 可1

（1. 國土資源部城市土地資源監測與仿真重點試驗室，深圳 518034；2. 鄭州輕工業學院計算機與通信工程學院，鄭州 450002）

該文針對現有基準地價評估模型主觀性較強及精度不夠等問題，提出了一種基于深度學習思想的農用地基準地價評估方法，構建了樣本特征集合與地價標簽集合的深層網絡結構映射關系，并以廣東省普寧市農用地基準地價評估為實例，驗證了模型的可行性和有效性。結果如下：1）與神經網絡、支持向量機這類淺層學習模型相比，深度置信網絡模型其對地價的擬合精度要高出3.61%，3.12%；2）在訓練樣本只有300時，深度置信網絡模型對地價的擬合誤差為16.43%，比神經網絡、支持向量機模型的擬合精度最少要高出6.76個百分點；3）深度置信網絡模型對單個樣本的運算時間及內存占用比神經網絡、支持向量機模型都要高，但在評估精度都達到95%左右的情況下，深度置信網絡模型所需訓練樣本較少，支持向量機訓練時間為193 s，而深度置信網絡模型耗時187 s，兩者耗時基本持平；4）基于DBN模型對耕地評估單元的地價測算結果，將將普寧市耕地評估單元劃分為5級，然后利用面積加權法求取對應的級別基準地價范圍為21.34～26.23元/m2。上述試驗結果表明該方法在對樣本點地價的評估精度上要優于傳統的淺層方法，并且該模型計算所得普寧市耕地基準地價與耕地質量在空間分布規律上保持一致。

土地利用；模型；農用地估價；深度學習；深度置信網絡；基準地價；普寧市

0 引 言

農用地估價（agricultural land appraisal，ALA）工作是中國為促進農村土地使用制度深化改革而開展的一項重要工作，可為國家科學合理、依法統一管理農用土地、培育土地市場，提供科學精確的農用地標準價格體系[1]。農用地基準地價評估對于順利開展土地承包經營權流轉、征地補償、土地整理、土地資產合理配置等農村土地管理工作具有十分重要的意義[2]。

中國在地價評估工作實踐當中常用的方法包括算術平均模型[3]及回歸模型[4-6]：算數平均模型對某均質區域內的樣點地價取平均值來確定該區域基準地價，其缺陷在于該結果嚴重依賴于區域內樣點的空間及數量分布情況；線性模型和指數模型等回歸統計模型通過建立樣點地價與土地級別或定級單元作用分值之間的數學模型來預測基準地價，但該模型需要預先人為確定眾多影響因素權重值，具有很大的主觀性、經驗性與不確定性，并且無法準確地模擬地價與其影響因素之間復雜的非線性關系[7]。針對傳統方法存在的缺陷，有研究人員嘗試利用模糊數學[8-9]以及云模型[10]等方法來改進傳統回歸模型，但上述方法更為關注定性因素的評估量化，未改善回歸模型的先天缺陷。由于影響地價的自然、社會、經濟等因素在空間上均具有隨機性和結構性，為消除變量本身的空間自相關對回歸結果的影響，Kriging空間插值法[11-12]被用于構建地價求解方程，但該方法并未消除影響因素權重取值的隨意性。近十幾年來，人工神經網絡模型在基準地價評估研究中獲得廣泛應用[13-16]。人工神經網絡模型具有自主學習地價樣本特征的優勢，且不需要確定權重，克服了多因素權重確定受人為因素影響大的缺陷，并可利用多層神經網絡建立地價與影響因素之間的映射關系。也有學者進一步提出基于支持向量機（support vector machine，SVM）的基準地價評估模型，該算法無論是對樣本的擬合情況以及對地價的測算精度都要略優于人工神經網絡模型[17]。無論是人工神經網絡模型或者支持向量機都屬于淺層學習算法，其有限的計算單元導致淺層學習的網絡難以全面的表征影響因素與農用地基準地價之間的復雜函數關系，并且隨著樣本數量的浮動及多樣性增加，淺層模型也無法適應復雜的樣本[18]，地價評估精度也因此受到較大影響。

近些年興起的深度學習技術由于擁有多層非線性映射網絡層，使其具有強大的復雜函數表達能力，在復雜分類、識別、預測等問題的解決中獲得了廣泛應用，并取得良好的效果和效率[19-20]。深度學習可以看作為神經網絡的發展，Hinton等[21]認為深層神經網絡結構可以學習到對象更深刻更本質的特征。為解決上述問題，本文嘗試選擇深度學習的經典算法深度置信網絡（deep belief network，DBN）[22]來構建農用地基準地價評估模型，并以廣東省普寧市農用地基準地價評估為實例，對基于深度學習的農用地基準地價評估模型的原理及建立流程進行了探討和研究。

1 基于深度學習的農用地基準地價評估模型

1.1 深度置信網絡理論

深度學習是一類新興的多層神經網絡學習算法，通過多隱層感知器來組合低層特征形成更加抽象的高層表示，自動地學習得到層次化的特征表示，從而有助于提高分類和預測的準確性。DBN 結合了無監督學習和有監督學習，是由若干層無監督的受限玻爾茲曼機(RBM，restricted Boltz-Mann machine)和一層有監督的反向傳播網絡(BP，back-propagation)組成的一種深層神經網絡（如圖1所示），其基本思想是采用無監督學習方法逐層訓練每一個RBM，最后對整個網絡采用有監督學習進行微調。

圖1 DBN結構圖

受限玻爾茲曼機（RBM）是一種特殊的玻爾茲曼機，由一個可視層（）和一個隱含層（）組成，可以看作為一個二部圖，兩層之間通過權重連接，同層單元之間沒有連接（如圖2所示）。可視層中任一可見節點v和隱含層中隱含節點h之間都存在一條權值為w的連接，且w=w，0<<，0<<。

圖2 RBM示意圖

RBM進行無監督學習的目的就是通過吉布斯抽樣不斷調節連接權值及偏置參數，最終使得隱含特征信號還原重建成￠后與之間誤差最小。由于難以確定概率變化斜率計算的步長，Hinton[23]提出了一種對比散度（CD，contrastive divergence）算法來加速RBM訓練過程并保持了精度。

1.2 深度置信網絡地價評估模型

1.2.1 農用地基準地價評估問題描述

農用地基準地價受自然、經濟、區位等多種因素影響，評估結果既能夠表現出自然經濟因素影響土地價值的區域空間結構性特征，也能反映人文活動及其它因素對地價的隨機性擾動。農用地基準地價評估問題實質就是在對自然經濟影響因素作用量化的基礎之上，利用評估模型構建起地價與多維特征之間的復雜映射關系，基于該映射關系求取不同級別評估單元價格，進而確定均質區域內基準地價。

對于農用地基準地價評估問題，樣本特征即為評估模型的輸入，將樣本特征數據集表示為

為與樣本特征數據集對應的樣本標簽數據集，可以表示為式（2），y表示第個樣本地塊對應的實際市場價格。

農用地基準地價評估的核心即為尋找映射→的問題。由于特征維數較高，映射關系通常會非常復雜，通過機器學習方法，特別是深度學習方法能夠對這類問題進行較為準確的求解。基于該映射網絡可以將各級別評估單元的特征向量分別輸入，通過DBN模型參數計算輸出評估單元地價，再通過加權或者取平均值的方法即可求取某一級別的平均地價即基準地價。

1.2.2 模型的建立

選擇如圖1所示的DBN網絡來建立農用地估價模型，它由輸入層、多層RBM和BP微調層構成，輸入層為土地價格影響因素x，輸出層為評估地價y。農用地估價DBN模型的建立流程如圖3所示。

圖3 農用地估價模型的構建

1)采用z-score方法對樣本集特征數據及進行歸一化預處理，如式（3）所示。其中為歸一化后的數據特征值，為某一具體特征值，為平均數，為標準差。

歸一化的目的：一是為滿足DBN算法對輸入特征數據格式的要求；二是消除不同量綱的影響從而避免部分特征無法有效參與地價評估。

2)將原始樣本集合按照設定比例隨機拆分為訓練樣本集合（train，train）和測試樣本集合（test，test），并給定所有樣本的地價標簽。

3)樣本預訓練：以全體訓練樣本數據集的維特征向量作為輸入，地價向量為輸出，采用逐層地無監督貪婪學習的方法來訓練模型中的RBM。在每一層，可視層h及隱含層v單元的狀態按照式（4）和式（5）進行計算，b表示可視層偏置量、c表示隱含層偏置量，參數空間（，，）可通過CD算法進行更新。

4)微調：采用有監督學習方式對最后一層的BP網絡進行訓練，具體是將最后一層RBM的輸出由BP輸入端傳到輸出端，然后根據前向傳播的輸出結果與預期值的誤差從輸出端到輸入端進行反向傳播，進而對整個DBN網絡參數進行微調，直到迭代次數達到設定值為止。

5)測試及評估：將測試樣本數據集輸入到訓練好的DBN，利用模型的輸出地價與樣本標簽地價計算得到平均評估誤差率λ（如式（6）所示）并將其作為衡量DBN 評估性能的標準，式中test表示測試樣本的實際地價，test表示測試樣本集合的數量，表示模型的輸出地價。

6)計算評估單元地價：對評估單元每一個特征值進行量化，并同樣按照公式（3）進行歸一化，并輸入到訓練好的DBN網絡之中，可計算得到每一個評估單元的地價。

7)劃定單元級別：采用總分頻率法以所有評估單元輸出地價作為依據劃定評估單元級別，并用道路、地類界、權屬界、其它線狀地物校核級別邊界。

8)計算基準地價：本模型選用面積加權法，利用每一級別內的評估單元的地價及對應的面積權重進行基準地價計算，如公式（7）所示：BValue表示第級別的基準地價，Area表示級別內第個評估單元的面積，TotalArea表示級別的所有單元的面積之和，ZValue表示利用模型求取的第個評估單元的地價。

2 研究區及數據來源

2.1 研究區概況

普寧市位于廣東省東部偏南，潮汕平原西部。東毗潮陽市，南臨惠來縣，西南連陸豐市、陸河縣，北接揭西縣，東北與榕城區交界。市域東西約50 km，南北約38 km。市區東至汕頭市70 km，西距廣州市約400 km，市域南部距海岸線30 km。行政區范圍位于115°43￠102～116°21￠022E和23°05￠402～23°31￠482N之間（如圖4所示）。全市總面積1 604.23 km2。全市設20個鎮、5個街道辦事處、3個國營農場；有519個村委會、48個居委會。區域面積1 620 km2，其中耕地2.58萬hm2，占15.9%。

圖4 普寧市區位圖

本研究涉及到的數據主要包括土地利用、氣候、水文、土壤、地形、交通條件、土地經濟等方面的資料及空間圖件等。土地利用數據來源于普寧市國土環境資源局提供的土地變更調查數據、土地利用更新調查和第二次土地調查數據庫；地形坡度、灌溉保證率、pH值、有機質含量等數據同樣來源于普寧市國土局提供的農用地分等定級數據；道路通達度、汽車站主要參考交通部門提供的道路等級圖、道路分布圖、交通圖等資料。

2.2 農用地估價特征體系

普寧市農用地地價評估對象包括耕地、園地、林地、養殖水面4類用地單元，本文只以耕地單元評估為例。一般而言，影響農業用地地價的因素指標有: 地形地貌、土壤條件、水資源狀況等自然因素；基礎設施、土地利用狀況、耕作便利條件等社會經濟因素以及交通條件、區位條件等區位因素。根據農用地定級估價國家規程中推薦的因素體系，課題組在征求普寧市國土資源局、農業局、水利交通及從事土地定級估計的專業人士的意見基礎之上，參考現有研究對于農用地地價影響因子的分析[5,12,24]，利用特爾菲法最終確定普寧市耕地價格評估因素體系，共計19個評價因子，如表1所示。

2.3 樣本點集合構建

本課題組在全市范圍內以調查表格的形式進行樣點資料外業調查，同時使用手持GPS進行樣本點定位，確保每一個行政村都至少包含十個以上的樣點，共計12 555個水田和旱地投入產出樣點。對每一個樣點從種植收益、農用地出租、承包轉包、土地開發、農用地抵押以及農用地征用等幾個方面進行資料收集和調查工作（如表2所示）。對初步調查的樣點的總收益（主產品產量′單價+副產品產量′單價），各項費用（物質費用+人工費用+投資機會成本+稅金）和純收益（土地總收益-土地總費用）進行分項檢查，發現異常數據（采用兩倍標準差），并對其進行糾正或剔除，然后對修改后的樣點進行統一編號和規范化處理并入庫備用按樣點的具體位置落實到定級單元圖上。經整理后有效樣點共11 496個，并運用收益還原法將樣點地價修正到農用地基準地價內涵的價格水平，采用年期修正系數、農用地熟化程度、期日修正和區位條件修正系數修正。

表1 耕地價格評估指標體系

注：式中E為評價單元因子實際值，min為評價單元因子最小值，max為評價單元因子最大值，f是因子的作用分值；=100；為相對距離；d為單元距擴散源的影響半徑。

Note: Erepresents the value of factorof assessment unit,minrepresents the minimum value of factorof assessment unit,maxrepresents the maximum value of factorof assessment unit,frepresents the influence grade of factor;=100；denotes the relative distance;ddenotes the influence radius between assessment unit and diffusion source.

表2 樣本點原始資料

3 結果與分析

3.1 試驗設置

將樣本點集合中的11 496個地價樣本點全部進行標注，隨機抽取其中10 000個樣本作為農用地估價模型的訓練樣本，剩余的1 496個作為測試樣本驗證模型性能。BP神經網絡模型和SVM模型均為淺層學習結構算法，且已有學者將其應用于基準地價評估研究[14-17]，因此為驗證DBN深層網絡結構模型的評估性能，本研究實現了兩種不同網絡結構參數的BP神經網絡評估模型作為對比，分別定義為BPANN1和BPANN2，并將SVM模型也設置為對照試驗。DBN隱含層數目設置為3，即總層數為5層，每層的神經單元數依次為19-12-6-3-1，先放大特征信號再逐層壓縮，最后形成 6 維特征向量進行擬合。DBN模型無監督訓練階段學習率為0.6，迭代次數為200，為動態調整學習率設置初始動量項參數為0.5，中后期調整為0.9。BP神經網絡考慮兩種情況，BPANN1設置為單隱層結構，隱含層神經單元個數采用遍歷法確定，遍歷區間為[1,20]，經搜尋，隱層單元設定為10個。BPANN2則采用和DBN一樣的網絡結構即19-12-6-3-1；DBN 的監督學習階段和兩個 ANN 的訓練方式一致，均采用梯度下降算法，學習率設置為0.4，迭代 200 次。SVM取核函數為高斯徑向基核，利用6折交叉驗證和網格法遍歷尋找到最優的懲罰因子C為100，徑向基核函數參數為6.4。

試驗采用的硬件平臺為Intel(R)Core(TM) i7-4600U CPU 4核，主頻2.1 GHz，內存16 GB。軟件配置為Microsoft Windows 7專業版64 位操作系統，Matlab 2015運行環境。

3.2 評估性能對比

考慮到多層神經網絡參數的隨機性，將上述3種算法各運行20次，并統計對應的輸出誤差及相對誤差，結果見表3。表中的誤差為各次測試的平均值，“輸出誤差”指根據測試樣本的模型地價與實際地價求出的地價中誤差（median）、最大誤差（max）和最小誤差（min），“相對誤差”由“輸出誤差”和“實際地價”計算而得。

表3 不同評估模型的測試結果

由表3的結果可以看出DBN模型的相對誤差比BPANN1、BPANN2、SVM 4個模型分別要低3.61%、8.14%、3.12%。相比于BPANN1、SVM模型，DBN的深層架構明顯能夠更好地挖掘地價樣本集的深層特征，其將原始的19維特征抽象成了3維高階特征進行評估，能夠獲得比淺層結構更好的擬合精度。此外，DBN與BPANN2模型的網絡結構及監督訓練階段的參數設置雖然均保持一致，但兩者的擬合精度卻相差較多，這是由于DBN模型利用其無監督貪心算法有效的對網絡結構參數進行了預訓練，顯著提高了模型的擬合精度。BPANN2的網絡結構參數一般是通過隨機化方法來進行初始化，然后通過該網絡進行訓練，其參數未經過有效優化，所以對樣本集合的地價擬合精度較差，DBN與BPANN2的監督訓練過程如圖5所示。此外，BPANN2的網絡結構雖然要復雜于BPANN1，但由于傳統訓練及反饋系統的誤差傳播效應導致其復雜參數系統影響整體網絡系統的擬合功能，所以其擬合精度反而要比BPANN1低4.53%。SVM的目標函數是一個凸函數，可以保證得到問題的全局最優解，避免了人工神經網絡優化頻繁陷入局部最優的困擾，所以其擬合精度要比BPANN1略高0.46。

傳統的淺層學習方法一般僅依靠監督訓練來優化模型參數，當訓練樣本不足時，模型評估性能不夠理想。但本文DBN模型包括RBM無監督訓練和BP有監督訓練2個訓練階段，理論上來講可以在樣本較少時依然獲得較高的擬合精度。本研究通過從樣本集合中抽取少量訓練樣本來測試各個模型在訓練樣本數量不足時的評估性能。在各模型參數設置同上的情況下，從11 496個標注樣本中分別抽取300、600、900、1 200、1 500個樣本作為訓練樣本，剩余的作為測試樣本，各模型的測試相對誤差如表4所示。

圖5 DBN和BPANN2的監督訓練過程

表4 不同訓練樣本數目的相對誤差測試結果

根據表4測試結果可以看出，在訓練樣本數量較少的情況下，DBN模型顯示出了比BPANN1、 BPANN2、SVM模型明顯更優越的評估性能。當訓練樣本數量僅為300時，DBN的相對誤差值比上述3個模型低了8.95、13.13和6.76個百分點。隨著訓練樣本數量的遞增，各個模型的評估精度都增長明顯，DBN模型在訓練樣本數量為1200時，擬合精度提高到90.28%，而樣本數量為1500時，擬合精度已經可以達到93.54%，仍然比其他模型的擬合精度高出4.81～14.06個百分點。SVM模型的評估精度雖然低于DBN但卻顯著高于BPANN1和BPANN2，這是由于其基于結構風險最小化的訓練框架能夠在一定程度上客服訓練樣本不足的問題，但是BP神經網絡是基于經驗風險最小化的模型，在訓練樣本數量不足時，網絡參數無法得到有效優化，因此其評估精度較低。DBN通過對無標簽農用地樣本數據的非監督訓練來進一步抽象樣本集合特征，使得網絡結構參數盡量靠近最優區域，因此在有監督訓練階段即使通過少量標注樣本的訓練也可使模型獲得較高的評估精度。綜上所述，DBN模型在訓練樣本數量不足時依然可獲得較為理想的評估精度。

上述試驗一定程度上說明了DBN的無監督訓練過程對于模型評估性能的重要性，本文繼續通過改變參與無監督訓練的地價樣本數量來探討DBN地價模型評估精度的變化規律。首先固定有監督訓練微調階段的標注樣本數量為1 000，然后分別設置RBM無監督訓練段的無標簽訓練樣本數量為500、1 000、1 500、…、5 000，每一種參數設置的模型分別運行5次然后求取平均相對誤差如圖6所示。

圖6 DBN相對誤差

由圖6可以看出，隨著無標簽地價樣本數量的增加，DBN模型的測試相對誤差逐漸降低，即評估精度越來越高，當加入2 000個無標簽樣本時，評估精度達到了97.23%。從曲線變化趨勢來看，在無標簽訓練樣本數從500到2 000的過程中，DBN的評估準確率上升較快，之后的增加趨勢較為平緩。總體來看，充分的無監督訓練可以有效改善深層網絡結構參數，為監督訓練微調提供優化后的網絡結構，進而提高模型整體的評估精度。

對比4種算法處理10 000個測試數據的運行時間和內存占用率峰值（表5），SVM模型所需時間最短，內存占用率最小，BP神經網絡和 DBN 由于隱含層較多，所以運行時間和內存占用率相對較大。尤其是DBN算法的無監督訓練及微調訓練2個階段占用計算資源較多，其總體訓練時間及內存占用都是最高的。

表5 各類算法運行時間及內存占用率

繼續將淺層模型中評估準確率最高的SVM與DBN進行運算效能進行對比。DBN模型依靠1 000個標注樣本和1 000個無標注樣本可實現95.38%的評估精度（如圖6）。而SVM達到95.13%的評估精度需要10 000個標注樣本（如表3）。上述兩者對應的訓練樣本所需的計算耗時如表6所示。根據測試結果，達到近似的評估精度，SVM的訓練樣本仿真耗時為193 s，而DBN耗時187 s，兩者耗時基本持平。如果考慮地價評估系統規模擴大時（如增加影響因子或者擴充地價樣本庫），為達到同等評估精度，SVM會需要更多的標注樣本，DBN模型將逐漸體現出更明顯的時間優勢。

表6 DBN與SVM訓練耗時對比

3.3 基準地價評估

在耕地估價特征體系下，根據點、線、面三類因子對評估單元的不同作用方式選擇相應的量化方法（可參見農用地定級估價國家規程）計算并構建所有評估單元的特征向量矩陣，并將其輸入DBN的深層網絡結構，可輸出所有評估單元對應的地價，然后利用總分頻率法結合當地實際將耕地評估單元劃分為5級，然后運用公式（7）可計算得到各級別的基準地價，具體計算結果見表7。

表7 普寧市不同級別耕地基準地價

普寧市農用地基準地價評估DBN模型綜合考慮了評價單元的自然條件、社會經濟條件和區位條件3方面因素的影響。而耕地質量同樣也受3類因素的制約，因此耕地的基準地價成果和分等成果在宏觀的空間分布上應該具有較高的一致性。普寧市耕地分等成果（由普寧市國土局提供的農用地分等成果數據）和基于DBN模型的基準地價評估成果的空間分布特征如圖7所示：1）從空間位置上看質量最好的耕地分布在普寧中東部和東北部的沖擊平原地區，該地區土壤質量較好，自然條件比較優良，是普寧市的糧食主產區，此外該地區也具有較好的區位條件和交通條件，不僅有國道過境，省道和縣道相連，而且具有二個1級中心城鎮（占隴鎮和洪陽鎮），7個二級中心城鎮（流沙、池尾、下架山、軍埠、大壩、麒麟、南溪），4個客運站和5個農貿市場，因此該地區對應的耕地基準地價總體也是最高的，但是該區域也存在耕地質量最優但由于遠離主干道路、中心城鎮或者客運導致評估單元基準地價級別較低；2）較好的耕地主要分布在東北部丘陵區和中西部丘陵區，該地區土壤耕層較厚，排灌較好，但肥力一般，總體區位和交通條件不十分理想，雖然有省道貫通南北，但是縣道較少，中心城鎮、農貿市場和客運站數量不多，所以其總體基準地價不高，但也有部分評估單元雖然耕地等別不高，但由于臨近國道、省道、中心城鎮或者農貿市場，在DBN模型的深層網絡映射關系下，最終評估單元也獲得了較高的基準地價水平，這也與該區域實際農用地交易情況保持一致；3）最差的耕地主要分布在西南部，此地帶土壤耕層淺薄，肥力較差，另外該地區省道較短，主要由縣道和農村道路相連，中心城鎮、農貿市場和客運站稀少而分散，因此其對應的基準地價也最低。

上述結果表明通過本模型計算所得的普寧市基準地價與耕地質量在空間分布上呈現出較為一致的異質性規律，并且DBN模型在前期訓練時能夠綜合考慮自然質量、交通區位等因素，使得二者的空間分布也存在一定的差異性。

4 結 論

本文針對農用地地價評估問題，提出一種基于深度置信網絡的農用地基準地價評估方法。以廣東省普寧市農用地基準地價評估為實例，得出以下結論：

1）DBN模型將原始的19維特征抽象成了3維高階特征進行評估，與BPANN1、SVM這類淺層學習模型相比，其對地價的擬合精度要高出3.61%、3.12%；

2）由于DBN模型借助其無監督貪心算法能夠有效對網絡結構參數進行預訓練，而BPANN2采用隨機化方法生成網絡參數，因此DBN比具有同樣網絡結構的BPANN2地價評估精度要高出8.14%；

3）在訓練樣本只有300時，DBN模型對地價的擬合誤差為16.43%，比BPANN1、BPANN2、SVM模型的相對誤差分別要低8.95、13.13和6.76個百分點。當樣本數量增加至1500時，擬合精度已經可以達到93.54%。此外DBN通過對無標簽地價樣本數據的非監督訓練來進一步抽象樣本集合特征，使得網絡結構參數能夠盡量靠近最優區域，進而提升評估精度；

4）對比10 000個測試樣本的訓練過程，DBN模型的運算時間高于BPANN1、BPANN2、SVM模型，但內存占用率最少，但在都獲取到95%左右的評估精度的情況下，SVM 的訓練樣本仿真耗時為193 s，而DBN耗時187 s，兩者耗時基本持平。

5）在訓練完成的DBN網絡結構下，求取所有評估單元地價，并采用總分頻率法將普寧市耕地評估單元劃分為5級，然后利用面積加權法求取對應的級別基準地價范圍為21.34～26.23元/m2。通過與普寧市耕地質量等別圖對比分析，發現二者之間的空間分布規律具有較高的一致性。

本研究首次將深度學習方法與農用地基準地價評估問題相結合，為地價評估課題的研究提供了新思路。通過對地價樣本數據集合的訓練仿真結果可以看出DBN模型要比BP神經網絡、SVM算法的擬合精度更高，一定程度上可以證明通過DBN求取的基準地價準確度更高，但從現有研究來看現在還缺乏可以直接檢驗基準地價測算結果精準度的理論與方法，使得本研究的實驗效果證明這一部分還不夠完善，這也成為下一步研究的重點內容。

[1] 鄧南榮，文雅，張金前，等. 農用地估價中土地還原率和社會保障價格的探討[J]. 農業工程學報，2008，24(增刊1)：164－168. Deng Nanrong, Wen Ya, Zhang Jinqian, et al. Land capitalization rate and social security cost in the evaluation of agricultural land price[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(Suppl.1): 164－168. (in Chinese with English abstract)

[2] 劉躍辰，王秋兵，錢鳳魁，等. 灰色模型與回歸模型在農用地基準地價評估中的比較分析[J]. 農業工程學報，2010，26(增刊2)：344－348. Liu Yuechen, Wang Qiubing, Qian Fengkui, et al. Comparison and analysis of gray model and regression model in basic prices appraisal of agricultural land [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(Suppl.2): 344－348. (in Chinese with English abstract)

[3] 吳宇哲. 基準地價評估中算術平均方法的應用[J]. 中外房地產導報，2000(9)：52－54.

[4] 張雅杰，唐旭，祝國瑞. 城市基準地價評估回歸模型分析與改進[J]. 武漢大學學報(信息科學版)，2004，29(6)： 551－554. Zhang Yajie, Tang Xu, Zhu Guorui. Improvement on evaluation model for base land price[J]. Geomatics and Information Science of Wuhan University, 2004, 29(6): 551－554. (in Chinese with English abstract)

[5] 吳群，溫修春，唐焱，等. 模型法在農用地基準地價評估中的應用—以江蘇省泰興市為例[J]. 資源科學，2004，26(5)：68－73. Wu Qun, Wen Xiuchun, Tang Yan, et al. Application of modeling method in datum price appraisal of arable land: a case study of Taixing city in Jiangsu province[J]. Resources Science, 2004, 26(5): 68－73. (in Chinese with English abstract)

[6] 姚慧，鄭新奇，江吉星. 基于多元線性回歸的宗地地價評估—以東營市為例[J]. 資源開發與市場，2006，22(3)：228－229. Yao Hui, Zheng Xinqi, Jiang Jixing. Study on zone land price estimation based on regressive equation[J]. Resource Development & Market, 2006, 22(3): 228－229. (in Chinese with English abstract)

[7] 王滿銀，肖瑛，汪應宏，等. 中國基準地價評估近10年研究進展[J]. 華中農業大學學報：社會科學版，2011(6)： 71－75. Wang Manyin, Xiao Ying, Wang Yinghong, et al. Research progress of appraisal of benchmark land price in China in recent ten years[J]. Journal of Huazhong Agricultural University: Social Sciences Edition, 2011(6)：71－75. (in Chinese with English abstract)

[8] 方乃芳. 宗地地價模糊評估的研究[J]. 遼寧工程技術大學學報, 2005, 24(增刊1): 86－88. Fang Naifang. Research on the price of land with blurring valuation method[J]. Journal of Liaoning Technical University, 2005, 24(Suppl.1): 86－88. (in Chinese with English abstract)

[9] Bogataj M, Suban D T, Drobne S. Regression-fuzzy approach to land valuation[J]. Central European Journal of Operations Research, 2011, 19(3): 253－265.

[10] 胡石元，李德仁，劉耀林. 一種新的基于云模型的宗地地價評估方法[J]. 武漢大學學報(信息科學版)，2008，23(9)：983－985. Hu Shiyuan, Li Deren, Liu Yaolin. A new land price evaluation method based on cloud model[J]. Geomatics and Information Science of Wuhan University, 2008, 23(9): 983－985. (in Chinese with English abstract)

[11] 劉耀林，傅佩紅. Kriging空間分析法及其在地價評估中的應用[J]. 武漢大學學報(信息科學版)，2004，29(6)：471－474. Liu Yaolin, Fu Peihong. Kriging analysis and its application to urban base land-value evaluation[J]. Geomatics and Information Science of Wuhan University, 2004, 29(6): 471－474. (in Chinese with English abstract)

[12] 聶艷，周勇，曾菊新. 基于Kriging的宜都市農用地基準地價評估研究[J]. 地域研究與開發，2008，27(4)：94－98. Nie Yan, Zhou Yong, Zeng Juxin. Datum land value evaluation of agricultural land of Yidou city based on Kriging spatial analysis[J]. Areal Research and Development, 2008, 27(4): 94－98. (in Chinese with English abstract)

[13] Lewis O M, Ware J A, Jenkins D. A novel neural network technique for the valuation of residential property[J]. Neural Computing & Applications, 1997, 5(4): 224－229.

[14] 劉耀林，焦利民. 人工神經網絡的基準地價評估方法研究[J]. 地球信息科學學報，2002，4(4)：1－6. Liu Yaolin, Jiao Limin. Artificial neural network based method for evaluating basic land price[J]. Journal of Geo-Information Science, 2002, 4(4): 1－6. (in Chinese with English abstract)

[15] 吳迪軍，劉耀林，黃全義. 城鎮基準地價評估的人工神經網絡模型研究[J]. 測繪科學技術學報，2007，24(4)：255－258. Wu Dijun, Liu Yaolin, Huang Quanyi. An artificial neural network appraisal model for urban base land price[J]. Journal of Geomatics Science and Technology, 2007, 24(4): 255－258. (in Chinese with English abstract)

[16] Sampathkumar V, Santhi M H, Vanjinathan J. Forecasting the land price using statistical and neural network software[J]. Procedia Computer Science, 2015, 57: 112－121.

[17] 賴紅松，吳次芳. 基于GASA優化支持向量機的基準地價測算[J]. 中國土地科學，2008，22(8)：56－61. Lai Hongsong, Wu Cifang. Measurement and calculation on base land price based on GASA-optimized support vector machine[J]. China Land Science, 2008, 22(8): 56－61. (in Chinese with English abstract)

[18] Bengio Y. Learning deep architectures for AI[J]. Foundations and Trends in Machine Learning, 2009, 2(1): 1－127.

[19] Golovko V A. Deep learning: An overview and main paradigms[J]. Optical Memory & Neural Networks, 2017, 26(1): 1－17.

[20] Schmidhuber J. Deep learning in neural networks: an overview[J]. Neural Networks the Official Journal of the International Neural Network Society, 2015, 61: 85－117.

[21] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504－507.

[22] Hinton G E, Osindero S, The Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527－1554.

[23] Hinton G E. Training products of experts by minimizing contrastive divergence[J]. Neural Computer, 2002, 14(8): 1771–1800.

[24] 劉潔，李宏，高敏華. 農用地定級與基準地價評估研究—以吐魯番市為例[J]. 中國農業資源與區劃，2011，32(2)：6－12. Liu Jie, Li Hong, Gao Minhua. Research on agricultural land classification and datum land price evalution[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2011, 32(2): 6－12. (in Chinese with English abstract)

Establishment of agricultural land appraisal model based on deep belief network

Wang Hua1,2, Luo Ping1, Zhao Zhigang1, Nie Ke1

(1.518034,;2.450002,)

The basic prices of agricultural land appraisal (ALA) has the extremely vital significance on establishing a complete set of agricultural land price system and smoothly carry out land assets, such as reasonable allocation of land consolidation rural land management. Existing models such as artificial neural networks, support vector machines, multivariable regression cannot build the complex function relationship fully between the affecting factors and land prices, and the above-mentioned models with shallow structure have no ability to handle a high-dimensional sample set for land appraisal. So deep learning method was firstly introduced into ALA, and a novel method for ALA based on deep belief networks (DBN) was proposed. A group of 19-dimensional original features reflecting status of land location and quality were employed as inputs, and the land prices were used as outputs of DBN model. The parameters of DBN model were firstly initialized by unsupervised learning method with no-label samples, and then fine-tuned by supervised learning method with labeled samples. The land price of each assessment unit can be calculated by using the well-trained DBN deep neural network with the input of feature vector, and the level of assessment unit can be determined by taking advantage of total value frequency distribution histogram, then the benchmark land price for each level can be calculated via the method of area weighted technique. Take the city of Puning in Guangdong province as a case study, feasibility and validity of the model was validated. The results of the present study indicate that: 1) With respect to the artificial neural networks and support vector machines models, the DBN model get better assessment accuracy with a slight increase of 3.61% and 3.12% because of it is able to take the advantage of feature extraction of deep structure, and can enhance its generation ability by a large amount of no-label land price samples; 2) The simulating error of DBN model for land price appraisal is 16.43% when the number of training samples is only 300, which is less than the artificial neural networks and support vector machines models with a least reduction of 6.76%, DBN model gets high assessment accuracy with a small amount of training samples resorting to its unsupervised learning framework, and the assessment accuracy increases with the number of no-label samples; 3) The running time and memory usage of DBN for single training sample is higher than the artificial neural networks and support vector machines models, and the running time of support vector machines model is 193 and 187 s for DBN model when the assessment accuracy reaches about 95%, both of which are equal because of the DBN model need less training samples than the SVM model; 4) The cultivated land assessment units of Puning city are divided into 5 levels based on the their land price results which are calculated based on the DBN model, and the benchmark land price of Puning city ranges from 21.34 to 26.23 yuan/m2which are calculated based on the area weighted technique. The above experiment results indicate that the assessment accuracy of DBN model is significantly better than the models with shallow structure, and the spatial distribution pattern of benchmark land price and quality level of cultivated land for Puning city are consistent with each other. It is concluded that the method is feasible and effective in measurement and calculation on agricultural base land price.

land use; models; agricultural land appraisal; deep learning; deep belief network; basic land price; Puning

10.11975/j.issn.1002-6819.2018.21.033

F301.2

A

1002-6819(2018)-21-0263-09

2018-01-26

2018-08-10

國家自然科學基金項目資助（41601418）；國土資源部城市土地資源監測與仿真重點實驗室開放基金資助課題（KF-2016-02-014）；河南省科技攻關項目資助（172102210539；162102210059）

王 華，博士，講師，主要從事地理信息系統研究，空間數據挖掘，空間決策支持技術研究。Email：whuwanghua@163.com

王 華，羅 平，趙志剛，聶 可.基于深度置信網絡的農用地基準地價評估模型[J]. 農業工程學報，2018，34(21)：263－271. doi：10.11975/j.issn.1002-6819.2018.21.033 http://www.tcsae.org

Wang Hua, Luo Ping, Zhao Zhigang, Nie Ke.Establishment of agricultural land appraisal model based on deep belief network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 263－271. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.21.033 http://www.tcsae.org