基于GA-BP神经网络的珠三角耕地质量评价

叶云 ，赵小娟，胡月明 *

1. 华南农业大学资源环境学院，广东 广州 510642；2. 国土资源部建设用地再开发重点实验室，广东 广州 510642；3. 广东省土地利用与整治重点实验室，广东 广州 510642；4. 广东省土地信息工程技术研究中心，广东 广州 510642；5. 佛山职业技术学院，广东 佛山 528137

耕地及耕地质量对于中国粮食安全、经济良性发展及社会和谐稳定都是至关重要的。中国国耕地质量问题已十分突出，就珠三角地区而言，情况亦不容乐观。改革开放以来，经济发展导致耕地数量锐减，尤其是城镇建设占用大量优质农田，人类活动对农业土壤影响剧烈；另外，新技术、新品种的投入，给耕地带来了土地污染等隐性安全隐患，严重威胁社会经济持续发展和生态环境（张景茹等，2015）。因此，在优质耕地资源不断被侵占、数量不断减少的背景下，积极开展耕地质量评价研究，是顺应社会经济发展与解决粮食安全的可靠选择。

耕地质量是耕地各种性质的综合反映，涉及到自然、社会经济、环境等因素。而传统的耕地（土壤）质量评价主要从土地自然生产潜力的角度出发，基于土地自然属性选取要素构建指标体系并对耕地进行适宜性评价及分级（Bui et al.，2006；Parisi et al.，2005）。近年来，社会发展、经济水平和利用方式等对环境有影响的因素在耕地质量评价中受到普遍关注，在评价中开始注重考虑自然与环境、生态、社会、经济等众多因素（孔祥斌等，2008；奉婷等，2014；朱传民等，2015）。在耕地质量评价中，由于选取的指标不同，分析目标的差异，选择的评价方法也不同。随着 3S技术、计算机技术和数学模型的应用和研究不断增多，耕地质量评价方法和手段也日趋丰富，从简单的定性描述发展为定量和半定量分析。但无论采用哪种方法，评价指标的筛选、指标等级的划分或指标权重的确定，都会影响评价结果。因此，构建合理的评价指标体系、探寻有效的评价方法已成为当前耕地质量评价研究的重要内容。目前，耕地质量评价所采用的方法主要包括指数和法、模糊评价法、物元分析法、地统计学方法等，而这些方法都或多或少地存在主观性或其他不足，很难保证客观全面（林志垒，2008；沈仁芳等，2012）。近年来又涌现出许多新算法，将不同方法进行集成，取长补短以实现优势组合，减少数据分析量对评价方法的限制。其中，智能化方法是耕地质量评价研究的热点和发展趋势之一（闫一凡等，2014）。赖红松等（2011）基于粗糙集和支持向量机对标准农田地力等级进行评价，陈桂芬等（2011）探讨了聚类、粗糙集与决策树的组合算法在地力评价中的应用。耕地质量受各影响因素综合作用，并非呈单纯的线性关系，而神经网络适用于多因素影响的非线性信息问题处理。因此，运用神经网络进行耕地质量综合评价是可行的（李小刚等，2015）。郄瑞卿等（2014）、高悦（2012）、潘润秋等（2014）分别应用自组织神经网络、BP神经网络（Back Propagation Net-work，BP）、粒子群优化BP神经网络对耕地自然质量进行评价。

BP神经网络是一种在理论和应用方面发展都较为成熟的逆向传播算法的多层前馈式网络，具有多层神经网络结构。其应用十分广泛，但同时也具有易形成局部极小而得不到全局最优、效率低、收敛慢等缺点（黄庆斌，2010），故对神经网络的优化成为了研究重点。在多种优化方法中，遗传算法（Genetic Algorithm，GA）具有较好的全局搜索能力，可快速搜索解空间，有很强的鲁棒性等优点，其对神经网络的优化是一种较成熟有效的方法（吉根林，2004；吴玫等，2008）。

本文以珠三角耕地为研究对象，构建适用于该区域的评价指标体系，引入遗传算法优化BP神经网络，采用 GA-BP神经网络模型进行耕地质量综合评价研究，避免设定指标权重，可在一定程度上减少人为主观性影响。本研究旨在探索出符合实际、较为准确的高效的方法以提高评价效率，使其向更合理、更规范、更科学的方向发展，也为其他类似研究提供一定的借鉴与参考。

1 研究区概况及数据

1.1 研究区域概况

珠三角位于广东省中南部，珠江下游，地处东经 111°59'～115°26'，北纬 21°27'～23°56'，是中国经济最发达的地区之一。行政辖域包括广州、深圳、珠海、佛山、肇庆、中山、东莞、江门及惠州等 9个地级市，涉及 48个县区，土地面积占广东省国土面积的23.2%。属南亚热带海洋性季风气候，雨热充沛，年均气温 21～23 ℃，年均降雨量1600～2300 mm，界内有数千条大小河道纵横交错。三角洲平原土地肥沃，土壤类型多样，可分为5个土类，包括水稻土、赤红壤、石灰土、紫色土和潮土。2014年珠三角土地总面积5.48×106hm2，其中耕地6.16×105hm2（不包含可调整地类），占全省耕地总面积的23.49%。

1.2 数据来源及处理

1.2.1 研究数据

研究数据涉及气象、水文、土壤、地貌等自然条件统计资料，包括珠三角区域 2014年行政区划图、交通道路图；珠三角及周边区域 41个气象站点近 10年的年日照时数、年降雨量等数据；土壤属性数据来源于第二次土壤普查资料，包括土壤志、土种志、土壤普查报告；珠三角各地市农用地分等数据；地质灾害易发区相关数据来源于广东省地质灾害防治规划（2011—2020年）；影像数据主要为在地理空间数据云平台下载的2014年多幅30 m分辨率TM遥感数据；社会经济数据主要来源于2015年《广东农村统计年鉴》、《广东统计年鉴》及各地市统计年鉴，以及 2014年的国民经济和社会发展统计公报。

1.2.2 数据处理

遥感影像数据的接收时间是7—12月，选择无云或少云，影像质量高的数据。对影像数据的预处理主要包括辐射定标、大气校正以及影像的拼接和裁剪等。遥感数据分类参考土地利用现状分类（GB/T 21010—2007）以及中国科学研究院土地利用覆盖分类体系，结合珠三角区域TM遥感影像特点和景观异质性，分为耕地、林地、草地、水域、建设用地和未利用地。分类结果的精度检验是从遥感图像上分层随机选择了100个样点，保证各地类都有覆盖且所包含样点不少于 10个，采用目视解译的方法结合实地调查与第二次土地调查成果，结果表明影像分类总体精度达到87.3%，Kappa系数也超过了0.7，分类达到使用要求。

2 研究方法

2.1 划分评价单元

耕地质量评价中各项指标均有其计算或获取的单元，这样就会存在多种计算单元，社会经济数据多是以行政单元进行统计的，而自然属性数据多以自然单位为基础。通过网格化则可将自然与人文数据转换到统一的地理格网，实现评价单元的统一（高艳梅，2006）。因此划分珠三角耕地质量评价单元采用网格法，考虑到珠三角评价区域的因素差异及面积，以500 m×500 m网格作为评价单元，共划分为24215个评价单元。

2.2 构建评价指标体系

影响耕地质量的自然因素包括气候、地形、土壤、水文、生物等，除此之外，还包括环境质量状况以及社会经济因素。耕地质量评价的社会经济因素可以分为农田基础设施建设、区位条件和农户生产行为方式等。农户是耕地的直接利用者，其利用决策、利用方式、农业投入对耕地质量有很大影响（李赓等，2006）。

根据珠三角区域特点，遵循综合性、主导性、差异性、科学性、可操作性等原则，采用资料统计和专家咨询法，从自然质量、经济质量、利用质量、生态质量4个方面选择年均日照时数、年均降雨量、坡度、土壤类型、土壤有机质、表层土壤质地、有效土层厚度、土壤养分元素、pH值、农药残留污染指数、地质灾害易发程度、水资源保证率、机械投入量、化肥施用量、劳动力投入量、道路通达度、中心城镇影响度、排水条件、耕地利用方式、耕地连片度等指标构建珠三角区域耕地质量评价体系。如表1所示。

2.3 评价因素量化

首先进行指标标准化，并采用百分制[0, 100]的分值标准进行赋分，各因子不同级别分值则按其对耕地质量影响衰减程度及特尔菲法确定（邵华等，2008）。具体因子级别临界值和等级划分标准参考《耕地地力调查与质量评价技术规程》（2008）、《广东省农用地分等定级与估价技术方案》（2004）、《农用地质量分等规程》及《农用地定级规程》（2012）及有关文献。

表1 珠三角耕地质量评价因子级别指标值及级别分值Table 1 Grade index value and grade value of cultivated land quality evaluation factors in Pearl River Delta

气候条件：采用协同克里金法对气象站点的近10年均降雨量和年均日照时数数据进行插值分析，采用交叉验证法来检查插值效果，年降雨量插值结果标准均方根误差为1.120，标准平均值误差为-0.013；年日照时数插值结果标准均方根误差为 0.954，标准平均值误差为-0.008，检验结果是有效的。

土壤养分：主要涉及有机质、全氮、有效磷、速效钾等元素，根据国内外对土壤肥力评价的研究结果，结合T型和S型效应土壤肥力因子分级标准综合评价法（李赓等，2006），确定土壤养分各因子权重，分别取值为0.3、0.3、0.2、0.2，通过加权处理方式计算土壤养分综合分值。指标分级及相应分值如表1所示。

单位耕地面积投入：表示单位耕地面积上包括化肥施用、机械投入和劳动力投入3方面的综合投入量。根据珠三角实际情况分别赋予0.3、0.3、0.4的权重进行加权综合（秦元伟等，2010）。

耕地连片度：采用空间相连性计算法，利用ArcGIS的空间分析功能，定量计算地块的集中连片程度（钱凤魁，2011）。公式如下：

式中，F为耕地连片度；Si为连片面积现状值；Smin为连片面积最小值；Smax为最大值。连片度指标值取值范围为[0, 1）。

水资源保证率：用各地有效灌溉面积占年末实有耕地面积的比重来表示。

地质灾害易发程度：根据收集到的《广东省地质灾害防治规划》和“十二五”规划中对广东省地质灾害易发情况的区域划分。

区位条件：包括交通通达度和中心城镇影响度，利用 ArcGIS中的多级缓冲分析，设定不同的缓冲距离，再与耕地评价单元进行空间链接得到评价单元值。

农药污染指数：采用单位耕地面积农药施用量来表示农药可能污染程度（陈朝等，2010）。

式中，ACPi为研究年农药污染风险；yi为年农药施用总量，xi为年末耕地面积。ACPi越大，说明研究年耕地农药施用量较多，农药污染的风险上升，反之，则下降。

社会经济数据：采用中心点归属结合面积占优的方法实现从行政单元向网格单元的转化（朱良峰等，2004），如下公式：

式中，Wi是栅格i上的某指标值；A为某区域行政单元该指标的统计值；Si为栅格 i的面积；n是该区域行政单元的栅格个数。

其余指标具体分级如表1所示。

2.4 GA-BP神经网络评价模型

GA-BP神经网络结合GA的全局收敛性和BP局部快速搜索等优点，能显著地提高神经网络的性能。针对BP神经网络的缺陷引进遗传算法优化连接权值，构建应用于耕地质量评价中的 GA-BP神经网络模型，避免设定指标权重，可在一定程度上减少人为主观影响。

2.4.1 GA-BP神经网络流程

利用遗传算法优化神经网络连接权，主要包括两部分（翟宜峰等，2003）：首先采用遗传算法优化网络的初始权重，并将这些优化值赋给网络得到优化的BP神经网络，以更好地预测输出；再采用BP算法训练网络。

在整个进化过程中，神经网络结构，包括隐含层数、隐含层节点数以及节点间的连接方式，是固定不变的（沈花玉等，2008）。遗传算法只作为训练神经网络的一种学习算法，将其优化后得到的编码数据转换为权重组合作为神经网络训练的初始权值（阈值），完成训练。GA-BP神经网络流程如图1所示：

2.4.2 设计BP神经网络模型

本研究BP神经网络结构由输入层、隐含层和输出层3层组成，具体网络结构如图2所示。

（1）传递函数

采用自适应梯度下降法进行网络训练，训练函数采用 Trainbp，隐含层采用正切 S型传递函数，输入层激励函数采用Tansig函数，输出层传递函数采用Purelin函数，其输入和输出值可取任意值。初始权值和阈值为默认值。

（2）确定输入层和输出层神经元数

选择了16个指标对珠三角耕地质量进行评价，因此输入层有 16个神经元；根据耕地质量评价所表达的识别要求，1个输出神经元就能对耕地质量进行有效区分，即输出层节点数为1。

图1 GA-BP神经网络模型流程图Fig. 1 GA-BP neural network model of flow chart

图2 珠三角耕地质量评价的BP神经网络结构Fig. 2 Quality evaluation of cultivated land in the Pearl River Delta Based on BP neural network

（3）确定隐含层节点数

一般根据设计者的经验和多次实验来确定最适隐含层神经元个数（焦斌等，2013），参考公式：

式中，Nhid为隐含层节点数；Nin为输入层节点数；Nout为输出层节点数；a为1～10的常数。经过试验，综合考虑拟合和预测效果以及训练时间，在珠三角耕地质量评价神经网络模型中，当隐层个数为9时，效果较好（表2）。

表2 BP神经网络不同隐含层节点数的训练次数与误差Table 2 The training times and errors of BP neural networks with different hidden layer nodes

（4）初始权值及学习速率的选取

初始权值应选分布均匀的小经验值，一般在某一区间范围取随机数，由于数据已经过标准化，遗传算法中优化神经网络的初始权值在[0, 1]区间内取值。系统倾向于选取较慢的学习速率以保证系统的稳定性，学习速率的范围在 0.01～0.7之间较优。所以本文选取学习速率为 0.01，训练次数为1000。

（5）期望误差的选取

采用改进的方法（焦斌等，2013），在神经网络训练过程中选择均方误差 MSE（mean squared error）作为性能评价参数。结束训练的条件是在检验误差没有出现增大趋势时训练样本的均方误差小于10-4。计算公式：

式中，m是输出层节点数；p是训练样本集的总数目； 是网络的期望输出值；ypj是网络实际输出值。

2.4.3 用遗传算法优化BP神经网络

（1）权值编码

本文设计的BP神经网络是16×11×1结构，用二进制编码易造成编码串过长，导致运算速率下降，所以采用实数编码，编码长度为：

式中，r为常数；S1为输入层节点数；S2为输出层节点数。

（2）设计适应度函数

要求珠三角耕地质量评价输出结果为非负数，可将均方误差的倒数作为适应度函数。计算公式为（吴永明，2011）：

式中，i=1, 2, 3,…；N表示染色体数；k是输出层节点数，k=1；m是学习样本数；Y是实际输出值；U是期望输出值。当fi在一定程度上接近1时，即被认为达到网络的精度要求。

（3）选择操作

采用轮盘赌选择方法，对适应度为fi的权值个体，计算每一个个体评价函数，并将其进行排序，按如下公式计算概率值 pi选择网络个体（王枫，2005）。

概率值pi反映了个体适应度在所有个体适应度总和中所占的比例。

（4）交叉与变异操作

交叉是对两个相互配对的染色体依据交叉概率按某种方式相互交换部分基因，从而形成两个新的个体，变异是依据变异概率将个体编码串中的某些基因值用其他基因值来替换，形成新个体。本文采用实数编码方式，在变异中采用非均匀变异算子。

3 研究过程与结果分析

3.1 训练样本的选择与学习

采用均匀设计法（王少波等，2003），依据农用地分等首先在每个县区内随机选取不同等级的耕地作为样本，对于等级差异较大的县区，增加样本数量。并根据样本空间位置进行调整，以实现空间分布的均匀性；同时根据样本属性进行调整，兼顾地域分布平衡，且具有代表性。总共选取 4000个样本，其中 3000个作为训练样本，500个作为检验样本，500个作为测试样本。

将上述用遗传算法优化后的权值作为BP神经网络的初始权值和阈值，其他参数（如学习速率、期望误差）的设定如前所述，然后进行网络训练，最终得到满足条件的BP神经网络。以另外的样本作为输入层，利用训练好的BP网络进行训练，得到期望输出。

3.2 评价结果分析

运用MATLAB将3000个训练样本耕地质量评价的16项指标输入网络，利用建立GA-BP神经网络模型进行训练，通过仿真输出耕地质量评价结果。

在MATLAB中进行模型运算，分别基于BP神经网络模型与GA-BP网络模型对珠三角24215个评价单元的综合质量分进行 5次实验，结果如表3所示。由表3可知，GA-BP神经网络模型的训练次数明显小于BP网络，BP神经网络模型的平均训练次数为76次，而GA-BP神经网络仅32次，说明GA-BP神经网络算法能减少模型训练的迭代次数，在全局搜索能力上更为有效，在一定程度上避免了标准BP网络陷入局部极小值，同时其收敛速度也优于 BP神经网络模型；GA-BP网络模型中均方误差都比BP模型的小，且最大和最小均方误差的差值也比 BP神经网络模型的差值小0.1116，说明GA-BP神经网络模型更稳定，适应度更好。

表3 BP神经网络模型与GA-BP神经网络模型的对比Table 3 Comparison of BP neural network model and GA-BP neural network model

在部分县区随机抽取共20个评价单元，对BP和 GA-BP神经网络模型的耕地质量评价结果进一步验证分析，结果如表4所示。常规法是在农用地分等成果的基础上确定指标权重进行计算，通过上表结果可知，两种模型的质量分与常规法都相差不大，相对误差率绝对值在0.01处上下浮动，GA-BP模型平均相对误差率也比BP模型小，更接近实际耕地质量分。这表明，应用神经网络进行耕地质量分计算是可行的，且不用事先确定权重，可直接向训练样本“学习”。在耕地质量分等中可在确定各因子分值的基础上，通过对模型进行训练，计算耕地质量分，从而简化计算工作，结果更科学合理。综合来看，运用 GA-BP神经网络进行耕地质量评价是合理可靠的。

根据实验得到的珠三角耕地质量分（0.53～0.89）计算结果，在ArcGIS中通过ID把实验结果链接到珠三角耕地评价单元中，并采用自然间断法划分耕地综合质量等别，最终将耕地综合质量分划分为5个级别。得到珠三角耕地综合质量等别划分结果，如图3所示。由图3a和图3b可知，各区域耕地质量的分布等级差别较大。位于珠三角西北部的肇庆市的封开、广宁，优等耕地较少而差等耕地面积占多数；怀集、四会、德庆、鼎湖耕地质量等级符合整体趋势，2、3、4等地面积所占比例超过80%，质量最好和最差的耕地占据少数；端州、鼎湖的耕地质量等级主要集中1、2、3等，面积占绝大多数。佛山的禅城、南海没有4、5等耕地分布，尤其是禅城区，耕地质量基本属于1等地；高明的耕地质量等级也以优等地为主，质量较差的耕地仅占耕地面积的2.62%；顺德、三水的质量等级以中等地为主，优等地和差等地耕地少有分布。广州市耕地面积较少，质量等级均以优等地和中等地为主，大部分集中在质量等级较高的 1、2等地。深圳市耕地数量更少，有耕地分布的区域质量等级也以中等地居多，1等地和5等地数量都较少。珠海市香洲、金湾耕地质量等级主要集中在 3、4等，整体质量较差，而斗门耕地质量则较好，质量较高的1、2等耕地面积占到83.47%，也无差等地分布。江门市耕地质量等级较集中，各县区耕地质量基本都集中在中等地，耕地最优和最差的耕地面积都较少。惠州市除博罗县耕地质量总体水平较高，质量等级以1等地为主，占耕地数量的62.7%，其余县区耕地质量等级则以中等地为主。东莞和中山的耕地质量等级都集中在2、3等，面积占60%以上。

表4 不同方法下部分评价单元的质量分比较Table 4 Comparison of quality of partial evaluation units under different methods

图3 珠三角耕地综合质量分级Fig. 3 Coomprehensive quallity grading of culttivated land in the Pearl River

由图3cc可知，珠三角区域耕地质量总体较好，其中 2、3等地所占比重最大，占耕地总面积的54.4%，而质量最好的1等地和质量最差的5等地所占比重相对较少，分别为16.88%%和8.75%，耕地质量等别基本符合正态分布的态势。从分布来看，珠三角区域耕地质量空间分布不平衡，受地形地貌和社会经济发展水平影响较大，总体呈现中部质量高，四周质量低的特点。质量较高的耕地主要分布在珠三角中部广州、佛山、中山、珠海斗门以及惠州的博罗一带，而质量较低的耕地主要分布在肇庆、江门、惠州、东莞、深圳等地。珠三角中部属于三角洲平原地带，气候条件优越，地势平坦，土壤肥沃，土质较好，以壤土和砂土为主，水源地较多，水利设施良好便于灌溉排水，土壤肥沃而土层深厚的广大冲积平原适宜发展耕作业；珠三角西北部、东北部及东部区域多是丘陵山地，地势较高，坡度也较大，容易造成水土流失，灌溉条件一般，土壤肥力相对于三角洲也较差，耕地面积多但管理方式粗放，土地利用水平相对较低，平缓的丘陵、台地和海滩等适宜种植亚热带水果。

4 结论与讨论

4.1 讨论

耕地质量评价指标体系的构建是质量评价研究的重点难点。如何基于不同的评价目的，因地制宜地确定评价指标体系，是耕地质量评价首要解决的问题。孔祥斌等（2008）创建了基于农户土地利用目标变化的“压力-状态--效应-响应”耕地质量评价指标体系；方琳娜等（20008）基于“PSR”框架提出了生产压力指数、耕地状态指数、社会行为指数的评价指标体系。耕地质量高低与土壤类型、地形地貌、土地利用及社会经济发展水平等因素之间存在密切关系（宋戈等，2012）。由于地域差异性及耕地构成要素的多样性和多层次性，目前耕地质量评价体系并未统一化（沈仁芳等，2012）。而现有的调查评价体系已不能完全满足耕地质量管理的需要，如农用地分等指标不能充分反映土地整治和高标准农田建设带来的质量提升等。因此，建立考虑社会经济因素以及生态环境的指标体系显得尤为重要。任艳敏等（2014）考虑将耕地生态质量列入基本农田的评价指标体系中；奉婷等（2014）从自然质量、利用条件、空间形态和生态安全方面构建综合评价体系。然而，大多数研究都基于小尺度区域，而本文从自然质量、经济质量、利用质量、生态质量4个方面选择最有代表性且适于珠三角研究区特点的指标构建评价体系。但在对珠三角区域耕地生态质量指标的选取上，由于数据缺失，未能从环境质量的实质入手，选择污染元素进行分析，只是用了几个代替性指标，对于生态环境质量的描述还不够全面，有待进一步探讨和深入研究。

耕地质量评价方法的优劣直接影响耕地质量评价结果的可靠性（于东升等，2011）。郄瑞卿等（2014）运用自组织神经网络方法对吉林省九台市耕地自然质量进行了评价，本文则针对BP算法的缺陷引进GA技术，设计了可应用于耕地质量评价中的GA-BP神经网络模型。GA-BP神经网络模型的训练次数明显小于BP网络，能减少模型训练的迭代次数，在全局搜索能力上更为有效，一定程度上避免了标准BP网络陷入局部极小值的不缺陷，收敛速度也优于BP神经网络模型。GA-BP神经网络模型更稳定，适应度更好。另外，利用 GA-BP神经网络进行耕地质量评价中，关于训练样本的选择至关重要，不同样本对于最终的评价结果都有影响，而本文仅采用均匀设计法选择样本，因此下一步可通过不同方式选择样本并进行深入对比分析。

4.2 结论

本文以珠三角耕地为研究对象，依据BP神经网络和遗传算法的各自优势，采用 GA-BP神经网络模型进行耕地质量评价，划分了质量等级，并对常规方法、BP神经网络模型与GA-BP神经网络模型的结果进行对比分析。主要结论如下：

（1）在5次试验中，GA-BP网络模型均方误差都比BP模型的小，并且最大和最小均方误差的差值也比 BP神经网络模型的差值小 0.1116，将GA-BP网络模型用于耕地质量评价中，事先不需要确定指标权重，直接输入网络进行训练，可以减少人为主观影响，取得了较好的试验效果。同时，也可提高耕地质量评价效率，使其向更合理、科学的方向发展，为其他类似研究提供参考。

（2）珠三角区域耕地质量总体较好，其中2、3等地所占比重最大，占耕地总面积的54.4%，耕地质量等别基本符合正态分布的态势。从分布来看，珠三角区域耕地质量空间分布不平衡，受地形地貌和社会经济发展水平影响较大，呈现出明显的地域分布规律，整体呈现为中部高，四周低的特点；各区域耕地质量的分布等级差别也较大。

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.

陈朝, 吕昌河. 2010. 基于综合指数的湖北省耕地质量变化分析[J]. 自然资源学报, 25(12): 2018-2029.

陈桂芬, 马丽, 董玮, 等. 2011. 聚类、粗糙集与决策树的组合算法在地力评价中的应用[J]. 中国农业科学, 44(23): 4833-4840.

方琳娜, 宋金平. 2008. 基于SPOT多光谱影像的耕地质量评价——以山东省即墨市为例[J]. 地理科学进展, 27(5): 71-78.

奉婷, 张凤荣, 李灿, 等. 2014. 基于耕地质量综合评价的县域基本农田空间布局[J]. 农业工程学报, 30(1): 200-210.

高艳梅. 2006. 工业化、城市化对农地质量影响研究[D]. 南京: 南京农业大学.

高悦. 2012. 基于BP神经网络的耕地自然质量评价研究[D]. 武汉: 华中师范大学.

黄庆斌. 2010. BP算法的改进及其应用研究[D]. 成都: 西南交通大学.

吉根林. 2004. 遗传算法研究综述[J]. 计算机应用与软件, 21(2): 69-73.

焦斌, 叶明星. 2013. BP神经网络隐层单元数确定方法[J]. 上海电机学院学报, 16(3): 113-116.

孔祥斌, 刘灵伟, 秦静. 2008. 基于农户土地利用行为的北京大兴区耕地质量评价[J]. 地理学报, 63(8): 856-868.

赖红松, 吴次芳. 2011. 基于粗糙集和支持向量机的标准农田地力等级评价[J]. 自然资源学报, 26(12): 2141-2154.

李赓, 吴次芳, 曹顺爱. 2006. 划定基本农田指标体系的研究[J]. 农机化研究, (8): 46-48.

李小刚, 马友华, 张益, 等. 2015. 基于模糊评价与 BP神经网络模型的耕地质量评价对比研究——以淮北平原凤台县为例[J]. 土壤通报,46(4): 816-822.

李小刚, 马友华, 张益, 等. 2015. 基于模糊评价与 BP神经网络模型的耕地质量评价对比研究——以淮北平原凤台县为例[J]. 土壤通报,46(4): 816-822.

林志垒. 2008. 基于PCA和决策树模型的农用地(耕地)质量评价研究[J].福建师范大学学报(自然科学版), 24(6): 99-104.

潘润秋, 马小淞, 刘珺. 2014. 基于粒子群优化BP神经网络的耕地自然质量分计算模型[J]. 地理与地理信息科学, 30(5): 78-82.

钱凤魁. 2011. 基于耕地质量及其立地条件评价体系的基本农田划定研究[D]. 沈阳: 沈阳农业大学.

郄瑞卿, 关侠, 鄢旭久, 等. 2014. 基于自组织神经网络的耕地自然质量评价方法及其应用[J]. 农业工程学报, 30(23): 298-305.

秦元伟, 赵庚星, 董超, 等. 2010. 乡镇级耕地质量综合评价及其时空演变分析[J]. 自然资源学报, 25(3): 454-464.

任艳敏, 唐秀美, 刘玉, 等. 2014. 考虑耕地生态质量的基本农田划定方法[J]. 农业工程学报, 30(24): 53-54, 298-307.

邵华, 石庆华, 赵小敏. 2008. 基于GIS的江西省耕地土壤质量评价研究[J]. 江西农业大学学报, 30(6): 1137-1141.

沈花玉, 王兆霞, 高成耀, 等. 2008. BP神经网络隐含层单元数的确定[J]. 天津理工大学学报, 24(5): 13-15.

沈仁芳, 陈美军, 孔祥斌, 等. 2012. 耕地质量的概念和评价与管理对策[J]. 土壤学报, 49(6): 1210-1217.

宋戈, 李丹, 梁海鸥, 等. 2012. 松嫩高平原黑土区耕地质量特征及其空间分异——以黑龙江省巴彦县为例[J]. 经济地理, 32(7): 129-134.

王枫. 2005. 遗传神经网络模型在农用地分等中的应用[D]. 武汉: 武汉大学.

王少波, 柴艳丽, 梁醒培. 2003. 神经网络学习样本点的选取方法比较[J]. 郑州大学学报(工学版), 24(1): 63-65.

吴玫, 陆金桂. 2008. 遗传算法的研究进展综述[J]. 机床与液压, 36(3):176-179.

吴永明. 2011. 遗传算法在 BP神经网络结构优化中的应用研究[D]. 昆明: 昆明理工大学.

闫一凡, 刘建立, 张佳宝. 2014. 耕地地力评价方法及模型分析[J]. 农业工程学报, 30(5): 204-210.

于东升, 张广星, 张忠启, 等. 2011. BIO-NORM与NORM耕地质量评价方法对比研究[J]. 土壤学报, 48(2): 238-245.

翟宜峰, 李鸿雁, 刘寒冰, 等. 2003. 用遗传算法优化神经网络初始权重的方法[J]. 吉林大学学报(工学版), 33(2): 45-50.

张景茹, 周永章, 莫丽萍, 等. 2015. 珠三角经济区农田土壤重金属环境地球化学特征及生态风险预测预警研究[C]//中国矿物岩石地球化学学会第15届学术年会. 长春.

朱传民, 郝晋珉, 陈丽, 等. 2015. 基于耕地综合质量的高标准基本农田建设[J]. 农业工程学报, 31(8): 233-242.

朱良峰, 吴信才, 刘修国. 2004. GIS中矢量多边形网格化问题研究[J].地理与地理信息科学, 20(1): 12-15.