基于BP神经网络的土地适宜性评价研究

2016-10-11罗玮祥张廷玉

绿色科技 2016年16期

关键词：人工神经网络土地利用神经网络

罗玮祥，张廷玉

(福建师范大学地理科学学院，福建福州 350007)

基于BP神经网络的土地适宜性评价研究

罗玮祥，张廷玉

(福建师范大学地理科学学院，福建福州 350007)

指出了土地适宜性评价是土地利用总体规划的一个重要研究专题，通过评价可以为土地利用现状分析、土地利用及土地开发和充分、合理利用土地资源提供科学依据。研究了现行土地适宜性评价的理论与方法，分析了以往土地适宜性评价方法存在的不足，提出了利用改进的BP神经网络评价模型进行土地适宜性评价的办法。

土地适宜性评价；土地利用规划；智能地理计算；BP神经网络

1　引言

土地是人类赖以生存的基本条件和物质基础。随着人口的增长和经济社会的发展，对土地的需求也在不断增加。在有限的土地资源条件下，如何合理配置人类生产、生活所需用地，保证土地资源的可持续利用，协调人地之间的矛盾，是摆在人类面前的重大课题。

土地适宜性评价是在对土地各构成要素包括自然的、经济的、社会的进行全面分析基础上,以土地合理利用为目标。根据特定的目的或针对一定的土地用途来对土地的属性进行鉴定, 并阐述土地的适宜性及其程度的过程。着眼于探索新时期、新形势下土地利用规划中土地适宜性的理论、系统分析以及技术方法，在此基础上，着重研究探讨土地适宜性的评价方法与应用，将计算智能理论引入土地评价领域，借助智能地理计算中的人工神经网络模型，从而科学快速合理地评价土地适宜性。

2　国内外研究动态及其发展趋势

2.1国外相关研究动态

20世纪60年代以后，随着计算机技术、地理信息系统技术、遥感技术和全球卫星定位技术等先进的信息处理技术的广泛应用，土地适宜性评价方法有了很大的发展。土地评价无论在体系上还是方法上都日趋走向成熟。圭尔夫大学的Moss以加拿大生态土地分类作为土地评议单元，通过分析土地系统内部的各种地理过程及过程反应，建立数学模型，将气候和土壤的生产潜力相结合进行土地的生态评价(Moss，1985)；Steiner F，McSherry L，JillCohen对流经亚利桑那州和新墨西哥州的Gila河流域分流憩地、工业用地、商业用地和低密度住宅用地4种类型分别进行评价(Steiner F,2000)；Kalogirou S结合使用GIS和专家系统进行土地适宜性评价模型，并开发了LEIGIS软件(Kalogirou S，2002)等。

2.2国内相关研究动态

我国的土地适宜性评价工作起步较晚，比较综合的土地适宜性评价始于20世纪70年代后期。进入90年代后，计算机技术和3S技术等为土地适宜性评价研究提供了现代化的研究手段，土地适宜性评价得以迅速发展并有新的拓展。例如，尹启后，何劲耘对四川省涪陵市未利用土地适宜性评价与开发利用研究(尹启后等，1995)；杨国栋、贾成前等利用人工神经网络模型高速公路复垦土地适宜性评价(杨国栋等，2002)；王全，徐建刚等对南京市高淳新区进行了城市用地生态适宜性评价(王全等，2005)等。

3　BP神经网络分类实验分析

3.1资料收集和软件准备

采用的资料为湖北省松滋市的土地利用现状图、地质图、地形地貌图等社会经济文献资料。BP神经网络分类程序采用国家863项目课题五——智能地理计算并行技术与中间件中的神经网络算法进行，主要采用C++进行开发，利用gdal类库进行矢量数据的操作，利用QT类库进行界面设计。BP神经网络分类程序使用开源的GIS软件QGIS作为宿主程序，自身作为插件进行应用。程序分为训练测试及分类两个模块。土地适宜性评价BP神经网络分类的路线图，如图1所示。

3.2BP神经网络模型结构设计

3.2.1输入层的确定

由于人工神经网络具有自学习性，进行土地适宜性分类时不需要预先确定指标权重体系，土地因子对不同用地的影响规律可由神经网络模型通过对样本的学习取得。因此可将土地适宜性评价的影响因子作为神经网络输入层的神经元。

3.2.2输出层的确定

将土地的适宜程度分为高度适宜、适宜、勉强适宜、不适宜4个等级，我们用1,2,3,4这4个连续变化的实数代表适宜程度的量化，故输出层可用一个神经元来表示。

3.2.3隐含层的确定

隐含神经元只具有计算意义，其数目没有严格的规定。一个公认的指导原则是在没有其他经验知识时，符合给定样本的最简单(规模最小)的网络就是最好的选择，这相当于是样本点的偏差在允许范围条件下用最平滑的函数去逼近未知的非线性映射。

3.3实验分析

试验以湖北省松滋市宜旱地适宜性评价为例说明。根据研究区土地资源和数据源特点，选取pH值、有机质含量、土壤质地、耕层厚度、地形坡度、全氮、有效磷、速效钾这8个影响因子作为土地适宜性评价测试属性。为了计算方便，采用这8个属性值量化后的值进行计算，每个属性量化值分布从0～100。对于因子等级的划分以及土地适宜性评价结果均以高度适宜、适宜、勉强适宜、不适宜这4个等级来表示(表1)。

3.3.1数据预处理

试验采用湖北省松滋市的1∶50000土地利用现状图，以土地利用现状图中的地块单元作为评价单元，其原因一是由于土地利用现状中的地块单元相对来说其单元内各种条件比较一致，另外也方便评价结果的应用。整个实验区地块数总共有4763个，随机选取60%的样本作为训练样本，另外40%的样本作为测试样本，来评定精度(图2)。

表1　训练数据示例

图2　训练数据原始分类

3.3.2BP网络模型结构

针对湖北省松滋市的土地适宜性评价分类构造如图3所示的BP神经网络模型。

3.3.3训练与测试

应用BP神经网络模型进行土地适宜性评价分类首先要对网络模型进行训练和测试，其基本过程如图4所示。

程序默认状态是样本训练状态，设置最大训练次数为1000次，训练/测试后，保存网络，得到BP网络结构图。

图3土地适宜性评价分类BP神经网络模型结构

图4　BP神经网络模型的训练和测试

3.3.4土地适宜性分类

点击程序主页面中的分类功能，得到土地适宜性BP人工神经网络分类结果，如图5所示。训练精度值高达93%。

3.4试验结论

试验选取有机质含量、土壤质地、pH值、耕层厚度、地形坡度、全氮、有效磷、速效钾8个影响因子，利用BP人工神经网络模型对土地适宜性进行评价，获得了高达93%的精度，验证了其可行性。但是本模型仍然存在一定的不完善性。

图5神经网络分类结果

(1)训练样本数量的限制。如果要保证网络模型的精度，往往需要大量的历史数据作为训练样本，此次研究采用的相关数据存在欠缺。

(2)学习收敛速度慢，容易陷入局部极小。利用此次的训练数据进行训练时，BP算法每训练完一次实验，需要较长的时间，这主要是由于学习速率太小造成的。虽然可以通过采用LM算法加以改进，但是如果学习速率设置过大，网络可能不收敛。

(3)由于研究的时间有限，笔者在土地适宜性评价模型的构建和程序设计上只提供了简单的演示功能，尚未进行数据库的深入研究，需要在以后的工作中进一步加以改进。

4　结语

人工神经网络技术的优越性伴随着计算机技术的发展在模式识别和区域分类领域正发挥着强大优势，已成为近年来研究的热点。以智能地理计算为背景，以土地适宜性评价实现过程为核心，将GIS技术与评价方法有机结合，在理论、方法和技术上对土地适宜性评价进行了研究与设计，利用BP神经网络评价模型对湖北省松滋市宜旱地适应性进行了评价，并对实验结果进行了分析，发现其中有待改进的不足之处。

[1]中国土地学会规划分会.当前土地利用规划的形式与对策探讨[J].中国土地科学,2003(1).

[2]欧阳志云,王如松.生态位适宜度模型及其在土地利用适宜性评价中的应用[J].生态学报,1999(2):113～120.

[3]姚建民.农用土地适宜性评价方法及其实践[J].资源开发与市场,1994(6):249～251.

[4]史舟，等.基于GIS的县级柑橘适宜性评价系统研制[J].浙江大学学报(农业与生命科学版),2002(5):492～494.

[5]唐家平，刘钊.基于GIS的特色经济作物种植适宜性评价系统[J].农业系统科学与综合研究,2002(1):9～12.

[6]张萍.农业土地资源动态评价模型研究[J].国土资源遥感,2000 (3):51～56.

[7]蒋宗礼.人工神经网络电子讲义[M].北京:高等教育出版社, 2004.

[8]阎平凡.张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社,1999.

[9]赵需生.在土地评价中应用人工神经网络专家系统的理论与实践[J]. 中国土地科学, 1998(3).

[10]焦利民, 刘耀林.土地适宜性评价的模糊神经网络模型[J].武汉大学学报(信息科学版), 2004(6).

[11]Homik,Kstin.Mchcombe and White.H. Multilayer Feedforward Networks Universal Approximator[J]. Neural Networks， 1989,11(2):183～192.

[12]Poggio T, Girosi F. Network for Approximation and learn[J]. Proceedings of the IEEE.1990, 23(78):1481～1496.