基于SPSS和GIS的BP神经网络农用地适宜性评价 - 王江思 - 图文(2)

０．６１９０．２４３　０．１９３０．０６８　－０．０３８　０．５３７　０．２１１　０．２６８　－０．３２３　－０．０８５　Ｆ３

－０．０８１０．０２６－０．０２２０．２１２０．１５７０．０６４０．２２７０．４１３０．２６６０．７９１地表水分布／亿ｔ

１０．８０．５　　　

／年降水量ｍｍ００～６００６００～７００７００～８００　５　　得分０．４０．６０．８　　　

（）坡度／°０～２１～６１～１２　２．　６．

得分土壤质地得分壤土１　粉壤土１　砂壤土３～４　０．９　０．９　粉黏壤砂黏壤０．５　粉砂黏壤１～２　０．５　黏壤土使用去除相关性变量Ｆ１、Ｆ２、Ｆ３对评价单元进

１］

根据林志垒［的研究成果，选择聚类数行聚类分析，

聚类平均法进行评价单元聚类，并依据聚类结为４、

果结合实际的知识与经验，确定各类的土地等级，从中选择典型样本６同时根据土地等级随机生成０个，

该等级的得分值。部分典型样本见表３。

０．９８７６５４２１　０．　０．　０．　０．　０．　０．　０．２～３　０．７　０．６～１０．２　土壤有机质／％＞４　得分１　表３　部分评价单元属性值和得分值

Ｔａｂｌｅ３　Ｐａｒｔａｓｓｅｓｓｍｅｎｔｕｎｉｔａｔｔｒｉｂｕｔｅｖａｌｕｅａｎｄｓｃｏｒｉｎｖａｌｕｅｓ　　　　　　　ｇ　

ＩＤ地表水分布４３　１１７　７９　１６０　３６１　３２３　４３３　４９１　５７０　６６０　

０．２００　

０．２００　０．６００　０．８００　０．８００　０．８００　０．８００　０．８００　１．０００　１．０００　

微地貌０．２００　

０．６５０　１．０００　１．０００　１．０００　０．５００　０．５００　０．２０７　０．８２３　０．５００　

地下水埋深灌溉条件０．２１７　

０．３５２　０．７００　０．２００　０．４００　０．２６０　０．１４３　０．１００　０．１００　０．１００　

０．６００　

０．２００　１．０００　１．０００　１．０００　０．４００　０．４００　０．４００　０．６００　０．６００　

交通优势０．６８０　

０．４００　０．６００　０．９００　０．９００　０．２００　０．２００　０．２００　０．２９９　０．４００　

年降水量０．４００　

０．４００　０．４００　０．６００　０．６００　０．８００　０．８００　０．８００　１．０００　１．０００　

坡度０．６７７　

０．５００　１．０００　１．０００　１．０００　０．２００　０．２０８　０．２００　０．８２５　１．０００　

土壤ｐＨ得分土壤有机质

０．４００　

０．２８９　０．４００　０．４００　０．４００　０．４００　０．４９２　０．４５２　０．６７５　１．０００　

０．７０１　

０．４６７　０．４９８　０．２０８　０．４９３　０．５００　０．２６２　０．４０７　０．５２０　０．３５３　

土壤质地０．５３９　

０．７０１　０．９８８　０．９４５　０．５８３　０．２５５　０．１８７　０．６７８　０．６４５　０．８００　

得分０．４３８

０．３３２０．８５４０．８９００．８４２０．１７８０．１３４０．１７５０．６１００．６３７

３　结果与分析

３．１ＢＰ网络预测结果　

输出，经过ＢＰ网络模型根据预先已知的输入、

参数的调整，达到最优验证效果，并利用许可误差范

围内的模型作为未知样本的预测。选用５０个典型

样本进行建模训练，１０个典型样本作为检验。隐层初始权值为主成分公式（中的各个单因子的系数１）值，调整Ｂ训练次数、训练函数Ｐ模型中目标精度、和隐层数，其余参数为系统默认值。最终选择的模

　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

１４１

型训练次数为１训练误差值＝０．训练２０、０００００５、　

、隐层数１检验结果如图２所示。函数ｔｒａｉｎｄｘ０，

预测，评价结果如图３。

３．２对比评价

为了证实本文ＢＰ模型进行农用地适宜性评价效果最优，做了如下对比分析：①根据主成分提取的评价农用地适宜性，因子Ｆ１、Ｆ２、Ｆ３进行聚类分析，

［］１７１８－，结果见图４由ＡＨＰ）－Ａ。②运用层次分析法（按照得分高低分专家打分得到指标之间的权重值，

段生成农用地适宜性分区，见图４Ｂ。－图２　ＢＰ预测与实际得分比较Ｆｉ２　ＢＰｒｅｄｉｃｔｉｏｎａｎｄａｃｔｕａｌｓｃｏｒｉｎｃｏｍａｒｉｓｏｎ　　　　ｇ．ｐｇｐ　从图２可以看出，在ＢＰ建模前调整不同因子

间初始权值１次时，检验样本得分的变化趋势和实际得分一致，但在勉强适宜和不适宜段的验证效果

使得农用地适宜性等级变高都略微高于实际得分，

一级，农用地适宜性等级合格率为５０％。存在原因或Ｂ可能是训练样本不足，Ｐ网络在训练中根据全局误差调整网络权值时，勉强适宜和不适宜段的误

对勉强适差相比高度适宜和中等适宜段的误差小，宜和不适宜段的调整小，导致拟合效果稍差。为了

把第１次调整权值训练后得进一步改进ＢＰ网络，到的网络权值作为下一次建模的初始权值。通过再

次建模预测结果可知，调整初始权值后的第２次预测得分与实际得分更加吻合，且检验样本的农用地适宜性等级合格率为１最大相对误差为００％，虽然预测值与９．５％。通过初始权值第２次调整后，实际值不能完全相同，但是农用地适宜性等级已经完全一致，为了避免ＢＰ网络建模时的过拟合缺陷，在达到精度要求时停止参数的调整，选择模型，进行

通过图４Ｂ的农用地适宜性分区图可－Ａ和图４－得以下结论：①运用主成分聚类分析法得到的农用地不适宜和高度适宜单元偏多，而勉强适宜和中度适宜单元则较少。这是由于农用地适宜性聚类时受到了两端的（不适宜和高度适宜）聚类中心向中间偏

使原本不属于该类的评价单元容纳进来，移的影响，

增加了聚类中心向中间段的偏移量。最后导致勉强

适宜与中度适宜的单元很少。②层次分析法得到的农用地适宜性分区图显示：洛阳西南部山区、济源北部鳌背山和天坛山一带及中部嵩山地区被划为中等适宜及勉强适宜类型，而不适宜区仅分布于济源部分山前地带，评价结果不能反映农用地适宜类型的真实分布。究其原因是：其一，层次分析法所得权重不能很好地反应评价因子中敏感性因子的重要性，忽略敏感因子或者对敏感因子的贡献率估计不准所得评价结果必然是不正确的。其二，利用层次分析法权重时，对评价因子间的相对重要性把握不够，主观性太强，所得权重不能真正地体现各因子的差异。通过以上方法的比较，证实运用ＢＰ模型评价

：农用地适宜性更加符合实际情况（图３）①高度适

２

，宜区有２面积为１占城市１５个单元，９０１３．５７１ｋｍ　

群面积的３主要分布在漯河、许昌东部地区、２．４％，

图３　ＢＰ模型评价农用地适宜性分区图Ｆｉ３　ＢＰ　ｍｏｄｅｌｅｖａｌｕａｔｉｏｎｏｆａｒｉｃｕｌｔｕｒａｌｌａｎｄｓｕｉｔａｂｉｌｉｔｚｏｎｉｎｍａｓ　　　　　ｇ．ｇｙｇｐ　　１４２

地质科技情报

２０１３年　

…… 此处隐藏：2352字，全部文档内容请下载后查看。喜欢就下载吧 ……