基于自组织神经网络的耕地自然质量评价方法及其应用_郄瑞卿

第30卷第23期农业工程学报V ol.30 No.23298 2014年12月Transactions of the Chinese Society of Agricultural Engineering Dec. 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郄瑞卿1，关侠1，鄢旭久2，窦世翔1，赵玲1（1. 吉林农业大学经济管理学院，长春 130118； 2. 吉林省国土勘测规划研究院，长春 130214）摘 要：耕地质量各构成要素的特点和相互间的影响，决定了耕地质量的外在表现，客观地确定耕地自然质量，对耕地分等定级具有重要的意义。

该文通过对已有耕地质量评价方法的优势与不足的分析，提出在空间数据库基础上应用自组织神经网络的耕地自然质量评价方法，并应用该方法对吉林省九台市耕地自然质量进行了评价，通过步长为1 000次训练，自动生成13个类别，在13个类别基础上按照九台市的指定作物的光温生产潜力指数、作物的产量比系数，进行了耕地自然质量评价。

根据评价分值的大小分为 3 等，其中质量等级Ⅰ级占全市耕地面积42.13%，Ⅱ级占全市耕地面积30.40%，Ⅲ级占全市耕地面积27.47%。

评价结果与《九台市耕地质量更新成果》比较，图斑重合率为80.78%，面积重合率为79.42%。

2 种评价方法可能出现差异的原因：该文评价方法增加了坡度因子，且《九台市耕地质量更新成果》采用的是全省统一的指标权重；2 种方法对于一些定性描述指标均通过信息赋权值法进行量化，而2种方法中量化方法不同，赋值不同。

该方法将自组织神经网络和地理信息系统相结合，有效地集成影响耕地质量相关的土壤及土壤环境信息，利用自组织神经网络在没有教师信号时自动连接权值向着更利于竞争方向调整，通过度量评价单元的相似程度，使类间差异最大而类内差异最小，逐步将评价单元划分类别。

根据每个类别中图斑自然质量指数的大小进行耕地质量等别评价，提高了评价结果的可信度，为耕地质量评价提供了新思路。

关键词：地理信息系统；分等；神经网络；自组织特征映射；耕地；九台市doi：10.3969/j.issn.1002-6819.2014.23.038中图分类号：TP183 文献标识码：A 文章编号：1002-6819(2014)-23-0298-08郄瑞卿，关侠，鄢旭久，等. 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，2014，30(23)：298－305.Qie Ruiqing, Guan Xia, Yan Xujiu, et al. Method and its application of natural quality evaluation of arable land based on self-organizing feature map neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 298－305. (in Chinese with English abstract)0 引 言耕地自然质量是土壤因素和土壤环境因素综合作用的结果。

土壤因素和土壤环境因素包括土壤类型、土壤质地、土壤有机质、土层厚度、土体构型、地形坡度、灌溉条件、排水条件、坡度等，这些因素之间与其他地理过程中存在着不同程度的相互关联性。

因此耕地质量评价是一个比较复杂的问题，无论在理论上还是实践上都存在着许多不同的观点和方法[1]。

影响耕地质量的土壤因素和土壤环境因素由于所处的区域环境不同，对耕地自然质量的影响程度也不同，构成了耕地自然质量评价理收稿日期：2014-07-31 修订日期：2014-11-14基金项目：国家自然科学基金（41071160)；吉林省科技发展计划项目（20150418079FG）；吉林省教育厅项目（20100068）；吉林省社科基金项目（2012BS32)；长春市哲学社会科学规划项目（CSK2014ZYJ-0018) 作者简介：郄瑞卿，男，内蒙古察右中旗人，副教授，主要研究方向为GIS应用与土地利用规划。

长春吉林农业大学经济管理学院土地管理系，130118。

Email：qieruiqing@ 论与实践中的复杂局面[1]，因此客观地确定耕地自然质量，对耕地分等定级具有重要的意义。

农用地分等多采用《农用地质量分等规程》（GB/T 28407-2012）确定的参数体系以加权指数求和法进行，通过选取评价指标体系，根据规程中提供的权重，用加权求和法，求出评价单元总分，根据分值确定评价单元等级。

这些方法操作步骤繁琐，人为赋值的主观性强，特别是权重赋值，不同区域评价因子权重不同，而每个省采用相同权重，势必影响评价结果。

传统的聚类方法有一定的局限性，如对输入参数敏感（Ｋ均值聚类）、聚类精度低（网格类算法）、收敛速度慢、容易早熟（遗传算法）等[2]。

近年一些学者探索了基于GIS空间分析采用空间聚类[1,3-5]、模糊物元[6-7]、模糊聚类[8-9]等耕地质量评价方法。

实际上耕地的自然质量是表征耕地自然质量高低的各因素综合作用的结果，并不是简单的线性关系，难以建立显式的定量关系。

针对自组织特征映射神经网络（SOFM，self-organizing feature map）是一种无监督学习的第23期 郄瑞卿等：基于自组织神经网络的耕地自然质量评价方法及其应用299人工神经网络，是解决以高度复杂性、非线性及数据结构庞大等为特征的数据分类问题的有效方法，它通过对输入信号的竞争学习而进行类别划 分[10-12]。

本研究尝试将地理信息系统（GIS ，geographic information system ）与MATLAB 结合，在空间数据库基础上，应用SOFM 对耕地自然质量进行评价，实现耕地自然质量的空间变化规律评价，并将评价结果与《九台市耕地质量更新成果》（2012年）进行比较分析。

该方法可通过自动寻找评价单元内耕地自然质量的内在规律和本质属性，自组织、自适应改变网络参数和结构，采用竞争型学习规则，最后竞争胜利的神经元，自动连接权值向更利于竞争方向调整，在海量数据集中通过度量空间实体间（评价单元）的相似程度，逐步对空间实体（评价单元）划分类别，使类间差异最大而类内差异最小[13-14]。

1 研究方法1.1 SOFM 网络模型及学习算法Kohonen 神经网络是自组织竞争型神经网络的一种，该网络为无监督学习网络，能够识别环境特征并自动聚类。

Kohonen 神经网络是芬兰学者Teuvo Kohonen 于1981年提出一种自组织竞争人工神经网络，该网络通过自组织特征映射调整网络权值，使神经网络收敛于一种表示形态。

在这一形态中，一个神经元只对某种输入模式特别匹配或特别敏感。

网络训练后神经元被划分为不同区域，各区域对输入模型具有不同的响应特征[10,13-14]。

Kohonen 神经网络训练步骤如下：1）初始化网络。

初始化网络权值w 。

2）计算距离。

计算输入向量X =(x 1，x 2，x 3，…，x n ) 与竞争层神经元j 之间的距离d j21()mj iij i d xw ==−∑ j = 1，2，3,…,n3）选择神经元。

把与输入向量X 距离最小的竞争层神经元c 作为最优匹配输出神经元。

4）调整权值。

调整节点c 和在其领域N C (t )内包含的节点权系数，即：N C (t )=(t /find （norm pos t , pos c ))＜r )t=1, 2, 3, …, n w ij = w ij +η(X i - w ij )式中：pos c ，pos t 分别为神经元c 和t 的位置；norm 计算2神经元之间欧几里得距离；r 为领域半径； η为学习速率；r ，η一般随进化次数的增加而线性下降。

5）判断算法是否结束，若没有结束，返回步骤2）。

1.2 空间数据库基础上SOFM 的耕地自然质量评价耕地自然质量评价是按照“依据适宜性、揭示差异性和体现综合性”的原则在农业区划、土壤普查、土地利用现状调查的基础上进行的。

它依据图斑地块（即以田间末级固定工程如路、渠、沟、林、坎等所包围的生产环境、管理水平、常年产量相近的范围）的适宜性、生产力和本身的自然属性，划分出各地块的等级[3]。

耕地自然质量评价实际上是以土地利用现状调查的基本单元地块或图斑为评价单元，通过综合考虑各地块土壤理化指标、土壤环境指标，对各地块进行评价。

由于耕地自然质量等级具有空间特征的固定性和结构属性的复杂化，使其不能简单地运用常规数据库管理系统进行评价，而GIS 可以把与耕地自然质量相关的空间信息要素层，以图层方式进行管理，并可在此基础上进行GIS 空间分析，这为耕地自然质量空间评价奠定了基础。

基于SOFM 的耕地自然质量评价就是利用地理信息系统的空间数据管理及分析功能，在对土壤理化指标、土壤环境指标处理的基础上，应用自组织神经网络的自组织分类功能，通过度量各评价单元的相似程度，对耕地评价单元进行分类。

然后应用GIS 的空间分析功能，根据各图斑（评价单元）影响因子的属性平均值进行质量等级划分，确定评价区域耕地的自然质量类型。

1.3 SOFM 耕地自然质量评价流程 SOFM 耕地自然质量评价流程评价流程如图1所示。

图1 自组织神经网络（SOFM ）耕地自然质量评价流程 Fig.1 Evaluation process of arable land natural quality basedon self-organizing feature map neural network农业工程学报 2014年3001）建立数据库图层：数据库以图层概念为基础的，包括基础地理数据、土壤数据、土壤环境数据等[15-17]，主要有地理位置分布、表层土壤质地、剖面构型、土壤有机质含量、土壤pH值、障碍层距地表深度、盐渍化程度、有效土层厚度、排水条件、地形坡度等图层[18-19]。

一般来说选取的图层（评价指标）越多，分析评价的结果越精确。

评价图层的建立是评价工作的基础，进而影响评价结果的精度。

2）指标属性数据录入：以研究区耕地质量更新数据库中的耕地图斑为评价单元。

将研究区表层土壤质地、剖面构型、盐渍化程度、土壤有机质含量、土壤pH值、障碍层距地表深度、有效土层厚度、坡度、排水条件等定量、定性指标录入评价图层。

3）指标属性归一化处理：根据《农用地质量分等规程》（GB/T 28407-2012）《耕地地力调查与质量评价技术规程》（NY/T 1634-2008）对各评价指标图层属性值进行归一化处理，分值0～100。