基于SPSS和GIS的BP神经网络农用地适宜性评价 - 王江思 - 图文

地质科技情报第３２卷　第２期Ｖｏｌ．３２　Ｎｏ．２　　　　　　　　

２０１３年　　３月ＧｅｏｌｏｉｃａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏＩｎｆｏｒｍａｔｉｏｎＭａｒ．０１３　　　　　　２ｇｇｙ　

基于ＳＰＳＳ和ＧＩＳ的ＢＰ神经网络农用地适宜性评价

王江思，马传明，王文梅，张鹄志（）中国地质大学环境学院，武汉４３００７４

摘　要：以中原城市群为研究区，在应用Ｇ根据因子贡献率提取主导性强的综合因ＩＳ基础上运用ＳＰＳＳ软件进行主成分分析，利用提取的主导因子进行系统聚类选择典型样本；依据因子的贡献率调整Ｂ建立评价模型，进行农用地子，Ｐ神经网络初始权值，适宜性评价方法的探讨。通过检验，改变初始权值建立的Ｂ相对误差最大值为１为了进一步改Ｐ模型预测合格率为５０％，８．９％；进Ｂ把第一次调整权值训练得到的网络权值作为下一次建模的初始权值，训练得到的Ｂ相对Ｐ网络，Ｐ模型预测合格率为１００％，误差最大值为９．主成分聚类法作为对照，验证了这种Ｂ５％。其后运用层次分析法、Ｐ模型在农用地适宜性评价中的可靠性与精确性。最后根据所建立的Ｂ各土地类型适宜性从西往东呈现由低到高的分带性，Ｐ模型预测获得中原城市群农用地适宜性分区图，其中高度适宜区占总面积的３中度适宜、勉强适宜、不适宜区分别占总面积的２２．４％；８．９％、２２．１％、１６．６％。关键词：农用地适宜性；主成分分析；系统聚类；初始权值；ＢＰ神经网络中图分类号：Ｘ２２　　　　　　文献标志码：Ａ　　　　文章编号：１０００８４９（２０１３）０２１３８６－７－０－０社会、经济的综合影响，　　农用地适宜性受自然、致使影响因子众多，难以提取主要因子，同时不同因子之间又存在相关性，其各自的贡献性也不同，这些问题的存在导致农用地适宜性评价困难。以往的评价方法有指数和法、灰色关联度法、回归分析法、层都需要制定次分析法。这些方法除回归分析法外，

或者二者兼有。回归因子的分级体系或权重体系，

分析法则事先要把因子和适宜程度的关系限定为线性相关，这是该方法的一个假设条件。总之，常规方知识规则的，主观性太强。鉴于此，法是基于经验、

国内外学者为解决此类问题不断地进行了探索。林

１］２］

、志垒［鲍艳等［运用主成分与聚类分析方法进行

立国家粮食战略工程河南核心区，中原城市群首当为了能够合理地利其冲成为核心区之一。鉴于此，

用土地资源，避免一味追求眼前利益而忽略为此带笔者以中原城市群９市为研究来的环境生态问题，

对象，借助Ｇ软ＩＳ（ｉｎｆｏｒｍａｔｉｏｎｓｓｔｅｍ）ｅｏｒａｈｉｃ　　ｙｇｇｐ件空间分析功能和ＳｒｏｄｕｃｔＰＳＳ（ｓｔａｔｉｓｔｉｃａｌａｎｄ　　ｐ

）软件的多元统计分析功能对研究ｓｏｌｕｔｉｏｎｓｓｅｒｖｉｃｅ　区域复杂指标进行筛选和定量赋值，在此基础上优选典型样本和优化Ｂ对农用Ｐ神经网络初始权值，地适宜性进行评价，为该地区的粮食核心区建设规划提供科学的指导。

土地适宜性评价，这种方法可以避免人为的主观确定因子的权值，同时可以消除不同因子之间的相关

３］

，性干扰，但是聚类分析方法容易受噪声影响［使得］４８－聚类中心偏移，聚类结果出现误差；一些学者等［

１　ＢＰ神经网络在农用地适宜性评价

中的应用

１．１ＢＰ神经网络　

１４］

（人工神经网络［是ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ）　　可以自动提取变量与自变量之间非线性关系的处理）网络是人工神经网络系统。ＢＰ（ｂａｃｋｒｏａａｔｉｏｎ　ｐｐｇ中最普遍、最有效的网络结构，可以模拟非线性问题。Ｂ自组织性、容错性Ｐ神经网络具有自学习性、和广泛的适用性等特征，可以很好地克服传统评价方法的缺点。但由于ＢＰ算法存在学习收敛速度容易陷入局部极小，不能保证收敛到全局最小、慢、

网络学习和记忆具有不稳定性等缺点，所以要对ＢＰ

运用判别分析法或模糊综合评判法进行土地适宜性评价，此类方法物元模型存在缺陷，权值的确定主观

］９１３－性强；还有一些学者［运用神经网络对农用地适

宜性进行评价，并取得了一定成果，其缺点在于单一的运用神经网络或单一的改进神经网络模型，却没有在改进因子选择、典型样本选取基础上运用神经评价的准确度不高。网络，

《河南省土地利用总体规划》中提出建２００８年，

收稿日期：刘江霞２０１２０２２０－－　　　编辑：

（）基金项目：中国地质调查局项目“中原城市群资源环境承载力综合评价与区划”ＫＺ１１１９６２

，：作者简介：王江思（男，现攻读地下水科学与工程专业硕士学位，主要从事水文地质、环境地质、方面的科研工作。Ｅ－ｍ１９８６—　）ａｉｌ

Ｗａｎｉａｎｓｉ２１１＠１２６．ｃｏｍｇｊｇ

，：通信作者：马传明（男，副教授，主要从事水文地质，环境地质方面的教学和科研工作。Ｅ－ｍ１９７５—　）ａｉｌｂｍｃｍ＠１６３．ｃｏｍｊ

　第２期王江思等：基于ＳＰＳＳ和ＧＩＳ的ＢＰ神经网络农用地适宜性评价

１３９

网络模型进行优化，其中有参数选取、网络初始权

网络算法等改进。值、

图１是经典的常用三层Ｂ其中输Ｐ网络结构，入节点为Ｒ，表示Ｒ维输入；隐层节点数为Ｎ，隐层；输出节点数为Ｓ，表示Ｓ维传递函数采用ｓｉｍｏｉｄｇ输出，输出层传递函数采用ｐｕｒｅｌｉｎ函数。ＸＲ表示第Ｒ个输入层因子；ａＹＳＮ表示第Ｎ个隐层因子；表示第Ｓ个输出层因子；ＷＮＲ表示第Ｒ输入层因子与第Ｎ个隐层因子之间的连接权值。

由正向传播和ＢＰ神经网络的核心是ＢＰ算法，

反向传播组成。在正向传播的Ｂ用于对Ｐ算法中，求和单元进行函数运算的激励函数ｆ常用ｓｉｍｏｉｄｇ

ｘ－

／（）。函数，ｘ）＝１１＋ｅｆ（

低，将土地适宜性分为４等。采用０～１之间的数值

分段区间属性为：刻画土地的不同适宜性，１≥输出层≥０．高度适宜；中等适７５，０．７５＞输出层≥０．５，

宜；勉强适宜；０．５０＞输出层≥０．２５，０．２５＞输出不适宜。层≥０，

１．２．４　初始权值

ＢＰ网络中不同的影响因子之间存在一个初始权值矩阵，该初始权值矩阵在建模过程中会随机生成，这对于建模存在随机性和不可靠性。为了克服

运用多元统计学主成分分析思想进行初这一问题，始权值的确定。

主成分分析原理：（）初始样本矩阵Ｘ１ｎ个研究区域，ｐ个指标，…，…，＝（ｘｉ＝１，２，ｎ，２，ｊ＝１，ｐ。ｉｎ×ｐ，ｊ）（）根据计算指标之间的相关系数矩阵ＲＰ×Ｐ得２

到特征向量λ１＞λ２＞…＞λｐ对应特征值的正规化向量ｅ且第ｊ个主成分为Ｆｊ＝Ｘｅｊ，ｊ。

（３）根据前ｍ个主成分的累计贡献率

ｍｊｐｊｊ＝１

∑λ／∑λｊ＝１

，达到一定数值时（取前ｍ个主ｍ≤ｐ）

ｍｍ图１　ＢＰ神经网络结构图Ｆｉ１　ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｍａ　　　　ｇ．ｐ１．２农用地适宜性评价的ＢＰ结构

１．２．１　输入层

输入层是针对输出层而言，影响输出层结果的所有因子。由于农用地适宜性的影响因子众多，笔

］１５１６－，最后选者结合前人研究中所有的可 …… 此处隐藏：2859字，全部文档内容请下载后查看。喜欢就下载吧 ……