基于RBF-BP神經(jīng)網(wǎng)絡的農(nóng)村人居環(huán)境適宜性評價

摘 要：目前，農(nóng)村人居環(huán)境評價方法存在一定的局限性，難以精確反映農(nóng)村環(huán)境的復雜性和多樣性。因此，本文從數(shù)據(jù)采集與預處理、評價指標體系確定等多個方面提出一種基于RBF-BP神經(jīng)網(wǎng)絡的農(nóng)村人居環(huán)境適宜性評價方法。該方法結合RBF神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡的優(yōu)點，通過訓練樣本數(shù)據(jù)，對農(nóng)村人居環(huán)境各指標進行權重分配和綜合評價。試驗結果表明，該方法在預測兩個試驗區(qū)的適宜性方面性能良好，能夠為改善居住條件提供科學依據(jù)。

關鍵詞：RBF-BP神經(jīng)網(wǎng)絡；人居環(huán)境；評價指標

中圖分類號：TP 3-0 文獻標志碼：A

由于歷史原因與經(jīng)濟發(fā)展水平的差異，因此農(nóng)村人居環(huán)境存在明顯的地域差異與不平衡現(xiàn)象，例如基礎設施建設滯后、環(huán)境污染問題突出、公共服務設施不足等問題，制約農(nóng)村的可持續(xù)發(fā)展[1]。在此背景下，科學有效地評估農(nóng)村人居環(huán)境的適宜性，并提出合理的改進措施成為亟待解決的問題。傳統(tǒng)的人居環(huán)境評估方法多利用專家打分或單一指標的比較方法，這種方法主觀性強且缺乏系統(tǒng)的分析工具與手段，難以滿足現(xiàn)代農(nóng)村人居環(huán)境綜合評價的需求，而徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡因其具有良好的非線性映射能力，在模式識別、函數(shù)逼近等方面有著廣泛的應用，而反向傳播（Back Propagation，BP）算法作為最常用的訓練多層前饋網(wǎng)絡的方法之一，能夠?qū)碗s函數(shù)進行有效逼近。結合這兩種方法形成RBF-BP混合神經(jīng)網(wǎng)絡模型，不僅可以克服BP算法容易陷入局部極小值的問題，還能利用RBF網(wǎng)絡的優(yōu)點進行高效的數(shù)據(jù)處理，從而提高模型的學習能力和預測精度。本研究對基于RBF-BP神經(jīng)網(wǎng)絡的農(nóng)村人居環(huán)境適宜性評價方法進行詳細研究，以期為我國農(nóng)村人居環(huán)境整治提供理論支持和實踐指導。

1 數(shù)據(jù)采集與預處理

數(shù)據(jù)采集與預處理環(huán)節(jié)直接影響后續(xù)模型構建與評價結果的準確性，因此在數(shù)據(jù)采集階段，要綜合運用地理信息系統(tǒng)（GIS）技術與遙感（RS）技術，通過高分辨率衛(wèi)星圖像獲取農(nóng)村地區(qū)的地貌特征、植被覆蓋度、土地利用類型等關鍵環(huán)境信息，同時，通過實地考察和社會調(diào)查的方式收集農(nóng)村居民對生活環(huán)境滿意度的問卷數(shù)據(jù)以及當?shù)卣峁┑幕A設施建設情況，包括供水供電系統(tǒng)、衛(wèi)生設施、交通網(wǎng)絡等信息，全面反映農(nóng)村人居環(huán)境的現(xiàn)狀。此外，利用物聯(lián)網(wǎng)（IoT）設備監(jiān)測農(nóng)村地區(qū)的空氣質(zhì)量和噪聲水平等實時環(huán)境參數(shù)，這些動態(tài)數(shù)據(jù)對評估人居環(huán)境質(zhì)量的變化趨勢極為重要。

在數(shù)據(jù)預處理階段，采用一系列數(shù)據(jù)清洗與轉(zhuǎn)換技術保證輸入神經(jīng)網(wǎng)絡模型中的數(shù)據(jù)準確。針對缺失值問題，使用基于K近鄰算法（K-Nearest Neighbors，KNN）進行填補，設xr是第r個含有缺失值的數(shù)據(jù)點，則KNN填補缺失值的過程如公式（1）所示。

（1）

式中：x'r為第r個含有缺失值數(shù)據(jù)點的估計值；NK（xr）為一個集合，包括距離xr最近的K個鄰居數(shù)量，xo對應xr缺失值位置上的實際觀測值。這種方法可以根據(jù)相似樣本的信息來推斷缺失數(shù)據(jù)，避免因簡單刪除而導致的信息損失。鑒于原始數(shù)據(jù)可能存在異常值或離群點，可以應用Z-score標準化技術檢測并修正這些異常情況，保證樣本之間的可比性。該方法的數(shù)學表達式如公式（2）所示。

（2）

式中：x為原始值；μ為均值；σ為標準差。Z-score標準化后的數(shù)據(jù)服從標準正態(tài)分布，若某個數(shù)據(jù)點的Z-score絕對值大于設定閾值3，則認為該點是一個離群點，需要對其進行修正或剔除。以上數(shù)據(jù)采集與預處理方法能夠為基于RBF-BP神經(jīng)網(wǎng)絡的農(nóng)村人居環(huán)境適宜性評價提供高質(zhì)量、結構化的數(shù)據(jù)基礎。

2 建立RBF-BP神經(jīng)網(wǎng)絡評價指標模型

2.1 評價指標體系

確定評價指標體系是適宜性評價的核心步驟之一，旨在為后續(xù)的關鍵評價特征提取析提供根據(jù)。具體而言，應根據(jù)農(nóng)村人居環(huán)境的特性和研究目標，結合相關領域的文獻研究形成合理的指標體系[2]。同時，邀請環(huán)境科學、城鄉(xiāng)規(guī)劃、生態(tài)學等領域的專家，根據(jù)專家的經(jīng)驗和知識對可能的評價指標進行篩選和初步評估，保證指標的科學性和合理性。當確定具體的評價指標時，須從多個維度進行綜合考慮，將農(nóng)村人居環(huán)境適宜性劃分為生態(tài)環(huán)境、生活環(huán)境、經(jīng)濟條件和社會文化4類，每類下設若干具體指標。具體如圖1所示。

在這個指標體系中，每個評價維度下的指標能夠全面覆蓋農(nóng)村人居環(huán)境的多方面特征，為適宜性評價提供更為詳實的依據(jù)。

2.2 提取關鍵評價特征

在基于RBF-BP神經(jīng)網(wǎng)絡進行農(nóng)村人居環(huán)境適宜性評價過程中，采用一種結合因子分析法與模糊綜合評判技術的方法保證所提取特征的準確性和代表性。這種方法可以對收集到的環(huán)境指標數(shù)據(jù)進行全面解析，發(fā)現(xiàn)與農(nóng)村居民生活質(zhì)量直接相關的決定性因素。為量化這些指標對人居環(huán)境適宜性的影響，須運用因子分析法去除對最終評價結果影響較小的冗余指標，從而形成一套簡潔且高效的關鍵評價特征指標。具體步驟如下。利用因子分析法對n項環(huán)境指標進行因子旋轉(zhuǎn)，找出隱藏在大量原始數(shù)據(jù)背后的幾個主要因子。在這個過程中，根據(jù)因子載荷矩陣確定哪些原始指標可以歸并到同一個因子下。然后，計算每個因子的貢獻率，并根據(jù)累積貢獻率達到預設閾值的原則，選出最重要的w個因子，具體計算過程如公式（3）所示。

（3）

式中：τ為累計貢獻率；λe為第e個因子的特征值；d為被選中的因子數(shù)量。

當累計貢獻率達到85%時，就認為已經(jīng)提取到足夠的關鍵特征。進一步利用模糊綜合評判技術優(yōu)化這些關鍵因子的選擇，這個方法可以將專家的主觀判斷與客觀數(shù)據(jù)相結合，通過構造隸屬度矩陣描述各項指標對人居環(huán)境適宜性的隸屬程度。對每個評價指標vj來說，每位專家根據(jù)自身的經(jīng)驗和知識給出各自的評價值，根據(jù)其屬性范圍設定隸屬度函數(shù)γij（vj），量化指標在適宜性評價中的重要程度，如公式（4）所示。

（4）

式中：aj和bj分別為第j個因子的隸屬度函數(shù)的下限和上限。根據(jù)隸屬度矩陣，采用熵權法確定各評價指標的權重。熵權法是一種客觀賦權方法，它根據(jù)指標數(shù)據(jù)的信息熵確定權重，信息熵越小表明指標的差異程度越大，權重也應越大。

2.3 建立評價因子關聯(lián)模型

在提取關鍵評價特征后，通過構建因子與適宜性評價結果之間的數(shù)學關聯(lián)關系，保證模型在學習和預測過程中能準確捕捉各評價因子對環(huán)境適宜性的影響程度。利用RBF神經(jīng)網(wǎng)絡對提取的關鍵評價因子進行初步非線性映射。RBF網(wǎng)絡的輸入層接受從因子分析和模糊綜合評判提取的特征向量，隱含層通過高斯徑向基函數(shù)對輸入數(shù)據(jù)進行非線性變換，生成隱含節(jié)點的輸出值。該過程的數(shù)學表達式如公式（5）所示。

（5）

式中：y為第g個隱含節(jié)點的輸出；sg為輸入數(shù)據(jù)向量；cg為隱含節(jié)點的中心向量；?g為與該節(jié)點關聯(lián)的寬度參數(shù)。RBF能夠有效處理非線性關系，使復雜環(huán)境數(shù)據(jù)在隱含層中的映射更加平滑。然后，BP神經(jīng)網(wǎng)絡對RBF輸出的結果進行誤差反向傳播訓練，使輸出層能夠更準確地映射到目標評價值。在BP神經(jīng)網(wǎng)絡中，輸入層接受RBF網(wǎng)絡的輸出，經(jīng)過多層隱含層的加權計算輸出適宜性評價結果。在RBF-BP神經(jīng)網(wǎng)絡的訓練過程中，為提高模型的收斂速度和預測精度，采用自適應學習率技術動態(tài)調(diào)整學習速率，當誤差較大時，提高學習率加快訓練，而當誤差接近收斂時，降低學習率，防止模型震蕩。其更新規(guī)則如公式（6）所示。

ηt+1=ηt×（1+α×ΔE） （6）

式中：ηt+1為第t+1輪迭代的學習率；ηt為第t輪迭代的學習率；α為學習率調(diào)整系數(shù)；ΔE為當前和前一次迭代之間的誤差變化量。通過這個機制，RBF-BP神經(jīng)網(wǎng)絡在訓練過程中能夠更加穩(wěn)定地逼近最優(yōu)解。

3 評價結果可視化表達

在評價結果的可視化表達環(huán)節(jié)，為直觀呈現(xiàn)農(nóng)村人居環(huán)境適宜性評價的空間和數(shù)值特征，采用多種數(shù)據(jù)可視化工具和技術，包括ArcGIS、Matplotlib、Plotly等。借助ArcGIS軟件，對模型輸出的適宜性評價結果進行空間映射，將評價結果與地理坐標系進行匹配，生成可視化的適宜性分布圖。這種空間分布圖能夠清晰展示不同區(qū)域的適宜性差異，方便研究者分析影響因素在地理空間上的分布特征。此外，將基于遙感數(shù)據(jù)生成的地形圖和土地利用圖疊加到適宜性分布圖中，增強評價結果的環(huán)境背景信息，可以使決策者更好地理解評價結果背后的環(huán)境狀況。

為展示適宜性評價的具體數(shù)值結果和趨勢變化，采用Matplotlib庫繪制評價指標的時間序列折線圖和柱狀圖，這些圖表能清晰呈現(xiàn)特定時間段內(nèi)農(nóng)村人居環(huán)境的適宜性變化趨勢，例如空氣質(zhì)量、噪聲水平、植被覆蓋率等關鍵指標的波動情況，及時發(fā)現(xiàn)潛在的環(huán)境問題和變化趨勢，為后續(xù)環(huán)境治理提供依據(jù)。為增強交互性，使用Plotly庫制作熱力圖和3D散點圖等可視化圖表，且允許用戶動態(tài)調(diào)整參數(shù)，深入探索評價結果與各指標之間的關系。例如，用戶可以通過滑動條選擇特定的時間或區(qū)域，查看該范圍內(nèi)的適宜性評分變化，并分析不同指標對最終適宜性評分的影響程度。

4 應用試驗

4.1 試驗準備

本研究選取A地區(qū)和B地區(qū)作為試驗區(qū)，基于RBF-BP神經(jīng)網(wǎng)絡進行農(nóng)村人居環(huán)境適宜性評價。A地區(qū)位于我國東部，總面積約為876km2，地形以平原和丘陵為主，氣候類型為亞熱帶季風氣候。B地區(qū)位于我國西部，總面積約為1041km2，地形以山地和盆地為主，氣候類型為溫帶大陸性氣候。兩個地區(qū)在自然環(huán)境、經(jīng)濟發(fā)展和人口密度等方面存在較大差異，具有一定的代表性。在此基礎上，對RBF-BP神經(jīng)網(wǎng)絡模型進行訓練，訓練集包括來自A地區(qū)和B地區(qū)，共10000組樣本數(shù)據(jù)，其中70%的數(shù)據(jù)用來訓練，20%用來驗證，將剩余10%作為測試集，評估模型的泛化能力。

4.2 試驗結果

A地區(qū)與B地區(qū)適宜性評分對比見表1。

A地區(qū)在生態(tài)環(huán)境、生活環(huán)境、經(jīng)濟條件和社會文化4個方面的平均評分均高于B地區(qū)。具體來看，A地區(qū)的生態(tài)環(huán)境評分為82.5，而B地區(qū)為76.3，表明A地區(qū)的自然環(huán)境狀況較好，可能是東部地區(qū)較為溫和的氣候和較為發(fā)達的生態(tài)保護措施的原因。在生活環(huán)境方面，A地區(qū)的居住條件更佳，可能得益于東部地區(qū)較為完善的基礎設施建設和更高的生活水平。在經(jīng)濟條件方面，A地區(qū)的平均分領先B地區(qū)6.2分，說明A地區(qū)的經(jīng)濟發(fā)展水平較高，可能是東部地區(qū)的工業(yè)化和城鎮(zhèn)化進程較快，為當?shù)鼐用裉峁┝烁嗟木蜆I(yè)機會和更高的收入水平。在社會文化方面，A地區(qū)的社會文化活動更加豐富多樣，社區(qū)服務和教育水平也可能更高。在總體適宜性評分方面，A地區(qū)的農(nóng)村人居環(huán)境整體上比B地區(qū)更為適宜。值得注意的是，雖然評分有差距，但是兩地的實際測量值與模型預測值非常接近，這表明RBF-BP神經(jīng)網(wǎng)絡模型在預測農(nóng)村人居環(huán)境適宜性方面具有較高的準確性。

5 結語

綜上所述，本研究開發(fā)并應用基于徑向基函數(shù)-反向傳播（RBF-BP）神經(jīng)網(wǎng)絡的方法評估農(nóng)村人居環(huán)境的適宜性。這個方法不僅能夠提高評估模型的準確性和可靠性，而且還能夠克服傳統(tǒng)評估手段中主觀性強、數(shù)據(jù)需求復雜等問題。后續(xù)相關人員應繼續(xù)深化對RBF-BP神經(jīng)網(wǎng)絡在農(nóng)村人居環(huán)境適宜性評價中的應用研究。不僅可以進一步優(yōu)化網(wǎng)絡結構，提高模型的泛化能力和預測精度，還能將更多影響農(nóng)村人居環(huán)境的因素納入評價體系，保證評價結果更全面、更精準。

參考文獻

[1]段志宏，伍林林.基于灰色理論與BP神經(jīng)網(wǎng)絡的邊坡變形預測模型研究[J].湖南交通科技，2024，50（3）：57-60.

[2]馬學晶.建筑工程中基于改進BP神經(jīng)網(wǎng)絡的造價控制方法研究[J].中國水運（下半月），2024，24（10）：148-150.