基于GIS和BP神经网络的土地适应性评价

王华春（江西理工大学,江西　赣州341000）

基于GIS和BP神经网络的土地适应性评价

王华春
（江西理工大学,江西赣州341000）

摘要：通过运用GIS技术和BP神经网络理论，力图用新的研究方法对土地的适应性进行分析和评价。将土地适应性评价指标标准作为BP神经网络的学习样本，利用GIS的Union工具将各指标图层进行叠加，选取合适的评价单元，以单元的属性数据作为训练好的BP神经网络的输入，进行了土地适应性等级的划分。将评价等级划分为高度适宜S1、中度适宜S2、勉强适宜S3以及不适宜N四个等级。最后发现该研究方法具有简单方便和客观性强等优点。

关键词：GIS；BP神经网络；土地适应性评价

0　引言

GIS和BP神经网络应用到土地适应性评价中是科技进步的必然趋势。以往对土地评价的研究中，大部分研究都运用到了GIS技术，特别是运用其强大的空间分析能力，但运用到神经网络的却不是很多。将两者结合起来运用到土地适应性评价中更是甚少。针对以上研究的不足，本研究力图将两者结合起来应用到土地适应性评价中，以寻求新的方法[1-5]。

1　指标体系及评价等级

土地适宜性评价即评定土地在一定经营管理水平下对确定利用类型的适宜状况。本文将这里的利用类型限定为宜耕地类型。根据指标选取原则并结合贵州省毕节市鸭池镇为例，选取土壤酸碱度、年均降水量、土壤厚度、海拔、坡度以及交通区位作为影响土地适应性评价的因子。本文将耕地类型的土地适应性评价等级划分为高度适宜S1、中度适宜S2、勉强适宜S3以及不适宜N四个等级。

1.1 GIS的应用

将以上6个指标体系在ArcGIS10.0中分别以独立图层表示，然后利用ArcGIS10.0的叠加分析中的Union工具将以上6个指标图层进行合并，在合并的同时也进行了相应的属性合并，即每个栅格单元都具有土壤酸碱度、年均降水量、土壤厚度、海拔、坡度以及交通区位等属性。在将指标图层进行叠加分析后，需要将研究区域划分为许多评价单元。因为评价单元是土地适应性评价的最小评价单位。这也将成为后文中运用BP神经网络进行评价的基础。这里根据研究区域的面积，将整个研究区域分为2374个单元。

1.2 BP神经网络的应用

在运用BP神经网络时[6]，需要确定输入层、隐藏层和输出层的确定以及每一层的单元数，训练样本的选取；有关BP神经网络的算法和知识将参考有关书籍[7-8]。在本文研究中，根据相关理论以及不断试验确定了BP神经网络的层数为3层，其结构为6-9-4，采用Sigmoid作为激活函数。要对土地适应性进行评价，还需要以下步骤：

（1）确定BP神经网络的训练样本集。本文将以上六个指标作为输入值，即X=[土壤酸碱度，降水量，土壤厚度，海拔，坡度，交通区位]T，其中T表示向量X的转置。输出值为相应的4个评价等级，即D=[高度适宜S1，中度适宜S2，勉强适宜S3，不适宜N]T，同样T表示向量D的转置。具体见表1。

表1　指标划分表

为了获得训练样本集的输入向量X，将表1中的数据进行归一化处理，我们将归一化后的每个等级区间按线性插值的方法等比例划分为10个训练样本，这样，最后就会有40个输入训练样本，1-10号样本为高度适宜S1，11-20号样本为中度适宜S2，21-30号样本为勉强适宜S3，31-40号样本为不适宜N。

当得到输入向量X后，我们还需要知道期望值向量D。由于将评价等级划分为4个等级，我们可以将高度适宜S1表示为（1，0，0，0），中度适宜S2表示为（0，1，0，0），勉强适宜S3表示为（0，0，1，0），不适宜N表示为（0，0，0，1）。

（2）对土地适应性进行评价。通过上面建立的训练样本集，选取合适的训练误差（这里选取训练差r=0.0005），对建立好的BP神经网络进行训练，经过1049次的训练，训练结果满足训练误差的要求。

此时，可以对土地适应性进行评价。在评价之前，需要将通过ArcGIS10.0划分的2374个单元的属性导出到表格中，并对表格中的数据进行归一化处理。将这些数据作为训练好后的BP神经网络的输入，最终测算出每个评价单元的评价等级（见表2）。

表2　部分评价结果

最后一步就是利用ArcGIS10.0将这些评价结果数据通过表格的形式以对每个评价单元以追加字段的方式导入图层上（见下图）。

2　结论

基于GIS和BP神经网络在土地适应性评价中的应用，有以下几个优点：

（1）直观形象：通过GIS的使用，能将评价结果以图形的形式展现出来，直观形象。

（2）信息获取的简易性：通过利用GIS，能方便地获取BP神经网络需要的训练样本，而且，对于信息的处理特别是空间信息的处理具有强大的功能。

（3）计算简单：只需要确定训练样本集，BP神经网络会自动进行学习，不需要人为的大量计算。

（4）客观性强：利用BP神经网络对土地适应性进行评价，不像其他文献中需要对指标求权重值。

通过将两者结合起来运用于土地适应性评价中，得到了预期的效果，说明本文使用的方法具有可行性。

参考文献:

[1]侯文广,江聪世,熊庆文等.基于GIS的土壤质量评价研究[J].

武汉大学学报:信息科学版,2003,28(01):60-64.

[2]赵银军,林清.县域农业资源与环境管理决策支持系统设计与实现[J].安徽农业科学,2009,37(10):4827-4828,4830.

[3]周忠发.基于GIS的喀斯特地区农村土地适宜性评价--以贵州省仁怀市为例[J].贵州师范大学学报:自然科学版,2006,24(03):17-19.

[4]胡月明,薛月菊,李波等.从神经网络中抽取土地评价模糊规则[J].农业工程学报,2005,21(12):93-96.

[5]常胜,李江风.基于BP神经网络的城市土地集约利用评价--以湖北省鄂州为例[J].资源与产业,2010,12(02):31-34.

[6]丛爽.神经网络、模糊系统及其在运动控制中的应用［M］.合肥:中国科学技术大学出版社,2001:1-31.

[7]SimonHaykin.神经网络与机器学习[M].北京:机械工业出版社,2013:77-143.

[8]史忠植.神经网络[M].北京:高等教育出版社,2009:48-63.