论文部分内容阅读
耕地质量是一个直接关系着国家粮食安全与社会稳定的研究热点问题，近几十年来国内开展了多次的土地调查评价工作，虽然已经积累了海量土地资源相关数据，并取得一定研究进展，但是在对耕地质量评价时，如何在大量土地调查数据库中引进抽样技术并结合地学模型，优化样点的空间布局，使有限的样点可反映全局土壤类型、利用方式、质量等级及区域等相关信息，以指导野外土地调查及采样，仍然是一个亟待解决的问题。
本文以广州市番禺区为研究区域，从耕地质量评价的指标体系及权值制定、耕地质量等级评定出发，系统研究了耕地质量评价中野外调查样点的优化策略，并在样点优化的基础上运用BP神经网络的方法进行耕地质量的评价。主要研究内容如下：
(1)耕地质量评价数据准备。
从影响番禺区耕地质量的自然因素、经济因素和区位因素中，选择地貌类型、田面坡度、耕作层深度、表层土壤质地、土壤剖面构型、土壤pH值、土壤有机质含量、土壤速效磷含量、土壤速效钾含量、地下水位深度、灌溉水质、利用现状、农业人口人均耕地面积、灌溉保证率、排水条件、耕作距离、田块形状、距离广州市距离、距市桥距离、距镇（街、区）距离、距国道和省道距离、距县道距离、距乡道距离、距离高速路口距离、距港口码头距离等25个因子作为评价指标，建立了混合型与离散型两套耕地质量评价指标体系，计算出每个评价单元的耕地质量分值。
(2)耕地质量最优分类数目的确定。
本文在遵循有效最大隶属原则基础上，结合c-Ф多次组合最优取值法与混乱度指数(CI)相结合研究思想，采用c-均值聚类对25个指标的综合分值进行无监督分类，然后应用模糊c-均值聚类进行模糊分类，通过二者分类结果重合度(CD)的比较选择最优分类数目，其实质与模糊性能指数(FPI)表达效果一致，反映定级指标因素得分矩阵的模糊c-均值分区间分离程度；同时，结合另一种度量指标样本混乱度指数和(CIS)表征样本模糊隶属关系的不确定性复杂程度，从而选择出最优的划分级别为5类。
(3)样本记录的自动化抽取。
在样点进行预处理的基础上，运用Cochran公式计算出置信度为99％和精度为99％的样本容量为374，再通过基于属性和基于空间聚类分析的方法实现样本记录的自动化抽取。研究结果表明，基于空间信息的莫兰指数聚类方法优于传统的-K-均值聚类法。最后采用有监督学习分类思想，以自动化抽取的耕地质量样点为学习样本集，应用BP神经网络评定数据库中全体耕地样点的土地质量等级。
通过本文研究，解决了耕地质量评价中调查样点样本容量的问题，探讨了基于属性的K-均值和基于空间信息的Moran聚类两种方法在样本记录抽取中的应用，并对两种聚类的应用效果进行分析比较，最后采用BP网络进行耕地质量评价，评价结果表明：应用改进BP网络模型对番禺区耕地质量正确率普遍较高（≥98.74％，除基于K-均值学习样本的学习Quick改进BP网络模型对测试祥本集的分类结果正确率为85.17％外），完全可以应用有限个样本的分类结果来预测评价研究区耕地质量评价数据库所有样本记录的质量等别。