基于BP人工神经网络的农村居民点用地整理潜力评价

来源:用户上传      作者:

　　摘要：针对当前农村居民点整理潜力评价方法效率低、易受主观因素影响的现状，提出利用反向传播（BP）人工神经网络方法对农村居民点建设用地整理潜力进行评价。以江苏省徐州市丰县的12个镇为研究对象，在Matlab R2015b软件平台支持下，构建BP人工神经网络预测模型，在对数据进行关联关系分析的基础上，测算农村居民点建设用地整理的现实潜力，实现对丰县各镇土地整理潜力集约利用的评价。结果表明：（1）丰县农村居民点人均占地面积较大，农村居民点布局较为分散。丰县农村居民点最终可整理面积达2 111.81 hm2，原耕地面积为64 775 hm2，耕地可增加系数达3.26%。（2）宋楼镇的整理潜力最大，范楼镇次之，师寨镇的整理潜力最小。
　　关键词：农村居民点整理;BP人工神经网络;潜力评价;丰县;Matlab软件
　　中图分类号： F301.2
　　文献标志码： A
　　文章编号：1002-1302（2020）02-0007-07
　　收稿日期：2018-10-18
　　作者简介：鲍 倩（1993—），女，江苏徐州人，硕士研究生，主要从事土地整理及“3S”应用方面研究。E-mail：bqianjiayou@foxmail.com。
　　通信作者：胡召玲，博士，教授，主要从事遥感与GIS理论及应用等方面的教学与科研。E-mail：huzhaoling@jsnu.edu.cn。
　　土地整理是实现土地资源集约利用，提高土地生产力和利用率的重要途径[1]。随着人口的不断增长，我国的土地后备资源日益短缺，广大农村的土地利用率不高且退化严重。据统计，2016年全国总人口数约138 271万人，其中乡村人口58 973万人，占全国总人口的42.65%，人均建设用地面积282.74 m2[2]。但近年来随着江苏省农村人口的减少，农村居民点用地并未减少，人均农村居民点用地规模反而增大。2016年江苏省农村居民点用地面积为289.38 m2/人，大于2010年年末的 252.19 m2/人，且远远高于国家150 m2/人的最高标准，这是一种不合理的现象[3]。我国有十几亿的人口要养活，而耕地最主要的作用是生产粮食作物，我国的人均耕地面积仅为0.092 hm2，远远低于世界平均水平。由于二胎政策的开放，未来几年我国的人口数量仍处于不断上升阶段，耕地数量的减少对我国未来的发展势必会带来巨大的隐患。当前我国农村居民点土地普遍存在闲置、废弃等浪费现象，利用率低下，结构不合理。对农村居民点用地进行整理不仅能丰富农村居民点整理的理论体系，还可以优化用地布局并释放农村建设用地潜力，是建设社会主义新农村的重要举措，如何有效利用农村土地，促进农村土地资源的有效利用，进而实现农村经济持续发展，不仅已成为目前我国农村亟需解决的问题，也是学术界关注的热点[4-6]。
　　1 研究区概况与数据来源
　　1.1 研究区概况
　　丰县地处江苏省徐州市的西北部，属黄泛冲积平原，地势高亢，地形平坦，土地肥沃，物产丰饶。丰县总面积为144 970 hm2，南北长约59.2 km，东西宽约46.6 km，共有12个镇，总人口数为919 275人，从业人员共508 259人。2015年《江苏省统计年鉴》数据资料显示，丰县土地总面积为 120 293 hm2，耕地面积为64 775 hm2，占全县土地总面积的54%。根据实际调研资料可知，丰县居民点布局较为分散，用地面积大，同时住宅地空置和废弃现象严重。丰县各乡镇的地理位置如图1所示。
　　1.2 数据来源
　　以丰县12个镇为研究对象，通过文献检索、实地调研与专家访谈等方式，广泛收集影响农村居民点整理潜力的因素，并分析每种因素的影响机制。根据2015年《江苏省统计年鉴》、丰县政府统计数据、丰县农村居民点调查数据（2015年）以及2014—2015年丰县土地利用变更资料数据，获得丰县各个镇经济水平、财政收入、人口基数、居民点用地面积和丰县土地利用状况等数据。
　　1.3 丰县土地利用强度分析
　　土地利用强度是指单位面积内的土地利用状况，各镇的土地利用强度与土地的集约利用情况有着很大的关系，土地利用强度的总体状况可根据农村居民点用地面积占镇域面积的比重、人口密度等指标来衡量。
　　从表1可以看出，综合分析农村居民点规模和人均用地面积特征，丰县的农村居民点总体上以小规模为主，从空间上看，各个镇的农村居民点分布较为分散。由于社会经济发展状况的不同，镇与镇之间存在突出的地域差异，大沙河镇和顺河镇的农村居民点用地面积所占比重相对来说较小，而常店镇和王沟镇相对较大。
　　2 研究方法
　　近年来，对农村居民点整理的研究主要集中在对当前农村居民点利用现状剖析、 农村居民点整理潜力估算方法以及整理适宜性评价等方面。最常用的农村居民点整理潜力估算方法为数理统计方法，包括Logistic二元逻辑回归模型[7-10]、模糊综合评价法[11-12]、层次分析（AHP）法[13-14]、综合修正与测算法[15-16]等。尽管数理统计方法可以较好地反映单个居民点的整理潜力，但忽略了外部因素对居民点整理潜力的影响，忽视了选取的各项指标之间的必然联系，大大削弱了对农村居民点用地整理研究的现实意义。
　　针对数理统计方法存在的不足，本研究提出利用反向传播（BP）人工神经网络法进行农村居民点建设用地整理。人工神经网络是一种模拟人脑数据分析机制的计算方法，也是目前最成功的分析方法之一，它能进行分布式并行信息处理，具有强大的特征提取与抽象能力，能够整合多源信息、处理异构数据、捕捉变化动态，是实现数据价值转换的桥梁[17-18]，已被用于土地整理潛力评析、未来土地利用的发展趋势预测等方面[19-22]。BP人工神经网络模型具有较强的非线性拟合能力，学习规则简单，便于计算机实现，是一种适应性比较广的非参数模型。由于BP人工神经网络模型内部较好的自适应过程可以弥补传统方法模型存在的主观性等弊端，因此该模型能够解决土地整理过程中的非线性映射问题。 　　根据研究区农村居民点分布现状，本研究在Matlab R2015b软件平台支持下，构建基于BP人工神经网络的农村居民点人均建设用地面积预测模型，对2015年丰县各镇农村居民点建设用地面积进行评价，并估算其整理潜力。
　　3 农村居民点建设用地整理潜力评价模型构建
　　3.1 评价指标选取
　　在对丰县农村居民点建设用地进行整理的过程中发现，居民对其居住地的满意程度直接影响他们的整理意愿，而居民的年龄、性别、人均收入、家庭人口数、受教育程度、从事职业、现居住地的住房面积、房屋结构以及建造时间等最终影响他们的整理意愿。
　　从农村居民点的自然、经济以及社会角度出发，为全面准确地评价并反映研究区的土地整理状况，指标体系的选取本着整体性、科学性原则以及综合性与实用性相结合原则，将影响农村居民点整理的因素主要分为农村居民点空间区位、人均建设用地面积、人均耕地面积、家庭成员人口迁移比例、人均迁出时间、土地流转意愿等作为影响因素评价指标（表2）。
　　农村居民点的空间区位指研究区的地形地貌状况，若居民点地势平坦，土地开阔，易于耕种，用地规模大，则整理工作易开展，整理成本低;反之，若居民点地形崎岖，多山地丘陵，且分布较为分散，用地面积小，则整理作业难以开展，整理成本高。
　　人作为土地资源的使用者和服务对象，对土地资源整理具有深远的影响。居民点人口指标是影响居民点整理的重要社会要素，反映目标地劳动力的多少。农村人口迁出较多或迁出时间较长的区域，整理工作容易进行;反之，家庭成员迁出较少或者迁出时间较短、农村人口多的区域，劳动力充足，人地矛盾尖锐，开展居民点整理工作就难。
　　就业率变化反映一个地区就业人口与当地年满18岁以上总人口的百分比变化率，就业率与居民点整理呈正相关关系，当研究区的就业人口较多时，则易于开展居民点整理工作。反之，若大多数居民待在家里务农，他们大多不愿对自己的居住地或活动区域进行整理。
　　财政收入反映了地方基层政府的经济实力，对农村居民点用地进行整理需要当地政府的统筹协调，更需要多方面的资金支持，所以基层政府的财政收入越高，进行农村居民点用地整理的能力越强，整理的资金压力越小，农村居民点用地整理的潜力就越大。
　　人均收入反映研究区农民的收入水平，一般农民的人均收入越高，则证明其承受能力和投资能力就越强，就易于开展整理工作。
　　人均补偿标准、人均新房重购成本、农户搬迁成本，这3个与主体经济效益密切相关的成本因素，是决定居民点用地整理开展是否顺利的重要经济因素。
　　人均建设用地面积根据GB 50188—1993《中华人民共和国村镇规划标准》中人均建设用地分级标准（一级：50～60 m2/人;二级：60～80 m2/人;三级：80～100 m2/人;四级：100～120 m2/人;五级：120～140 m2/人）进行分级，人均建设用地面积越大，则整理成标准后的挖掘潜力就越大[23]。
　　人均耕地面积与农村居民点土地整理潜力呈负相关关系。人均耕地面积越小，农民的土地整理愿望越强烈。
　　土地流转意愿可反映村民对整理工作的认可度。农村居民点整理是改善农村生产、生活的有效方式，关系到农民切身利益。流转意愿越强，对居民点整理工作的开展越有利;同理，年轻人对整理工作开展的支持率较老年人高，若农村年轻人口比例高，则整理工作可获更多支持，工作开展阻力小。
　　农村居民点整理是一个耗资较大的社会工程，整理工作的正常开展，需要充分的资金支持。目标地经济水平和财政收入指标，是衡量整理工作的经济指标。目前，农村居民点整理仍是以政府投资为主，目标地经济水平和财政收入是否殷实，是资金保障的关键。农民利益诉求依靠经济指标得到最大满足，若农民利益诉求得到最大满足则可最大限度地释放整理潜力。
　　3.2 BP人工神经网络模型的构建
　　Roberto等已经证明，对任何一个在闭区间内的连续函数都可以用一个3层BP网络（即含有1个隐含层）进行逼近，因此3层网络结构即可完成任意n维到m维的映射[24-25]，且训练速度快，很少产生过度吻合[26]。本研究建立的BP人工神经网络模型包括3层，即输入层、隐含层、输出层，其中输入层包括各项指标数据，隐含层包括要素权重类别判断、指标权重策略判断，输出层主要包括目标输出数据。采用多层感知器神经网络智能算法，将每个影响要素看作一个神经元细胞，建立各神经元细胞之间的联系，利用多层感知器分类自适应能力，设置激励函数，得出各要素连接权值，进而更准确地得出每项要素对居民点整理的影响权值，对理论潜力进行改正。
　　以各镇为单位，将各镇总人口数、从业人员数、人均收入、人均耕地面积等进行标准化后作为样本数据输入模型中，对目标镇的要素权重类别进行判断;将自然要素、社会要素、经济要素权重指标作为输入数据，对指标权重进行策略判断，得出各项指标元权重。根据上述分析构建的影响因子评价模型结构如图2所示。
　　4 评价过程及结果分析
　　4.1 数据预处理
　　为了加快BP人工神经网络对数据的训练速度，消除不同量纲对结果的影响，避免因输入输出数据数量级的差别较大而造成过大网络预测误差，需要将输入和输出的数据进行归一化处理，将每组数据的取值范围设为0～1，具体见表3。
　　4.2 训练过程
　　4.2.1 训练样本 训练样本也称专家样本，BP人工神经网络通过对样本数据进行不断的训练和学习，数据在隐含层中通过函数关系不断进行计算，自动获取模型参数间的合理规则，样本数据网络训练完毕后，该网络的权值和阈值不需要再进行修改，只需改变输入节点数和输出节点数，即可直接用于测试样本的训练，对计算结果进行反复修正，从而使网络输出的最后结果具有误差最小、精度最高的特点。
　　本研究选取位于丰县周边苏北地区的24个新农村建设示范镇村的各指标值作为训练样本，从地理位置及经济发展状况等方面来看，这些新农村示范镇村与研究区的经济、社会、自然状况相似，且具有农村居民点用地整理的示范性。这些镇村分别为徐州市铜山区的刘集镇、汉王镇西沿村，睢宁县的睢城镇、高作镇八里村，连云港市赣榆区的海关镇小口村、羅阳镇，泗洪县的上塘镇、石集乡石集社区，沛县的栖山镇胡楼村、胡寨镇草庙村，邳州市的港上镇前湖村，新沂市的新安镇臧圩村、马陵山镇王庄村，东海县的洪庄镇连湾村，盱眙县的盱城镇宣化村，丰县的凤城镇古丰社区、凤城镇江丰社区、首羡镇王庄新村、孙楼镇张梨园村、华山镇徐屯村、凤城镇周庙村、师寨镇古庙村、华山镇岚山新村，徐州市泉山区的奎山街道奎西社区。 　　4.2.2 测试样本 将测试样本数据进行归一化后输入网络，将logsig函数作为输入层到隐含层的传递函数，将Purelin线性传递函数作为隐含层到输出层的传递函数。训练函数为traingdx，训练参数通过net.trainParam来设定。隐含层神经元数设为3个，网络性能函数为mse，网络迭代次数为5 000次，期望误差目标为 0.000 000 1，开始训练网络。赵庄镇位于主城区的西北部，棉花、特种蔬菜种植的发展速度较快，是传统的农业大镇。据丰县镇村布局规划可知，赵庄镇被规划为以木业加工、汉文化旅游为特色的邊贸型城镇，居民点分布以及人均建设用地面积均合理，为新农村建设标准的典范。本研究以丰县赵庄镇为例，将其相关数据代入网络模型对算法进行计算说明，根据网络训练测试结果可得，在对样本进行了89次训练后，误差达到规定范围。网络设定的误差范围逼近见图3。
　　通过该神经网络模型训练，可预测各个镇的居民点人均建设用地面积。
　　4.3 整理潜力测算结果
　　丰县农村居民点建设用地理论整理潜力的预测公式为
　　式中：Qi为该镇居民点理论整理潜力，m2;Qio为该镇居民点人均建设用地面积实际值，m2;Pit为该镇居民点人均建设用地面积预测值，m2;S为该镇人口
　　总数，人。若理论整理潜力的预测结果为正，则说明该镇的农村居民点建设用地具有整理潜力;若理论整理潜力的预测结果为负，则说明该镇原来的农村居民点建设用地较为合理。根据建立的模型计算2015年丰县各个镇的居民点整理潜力，结果见表4。
　　由表4可知，丰县居民点理论整理潜力总计为21 118 109.31 m2，其中宋楼镇农村居民点值的预测值与实际值差异较大，其相应整理潜力最大，为 5 486 162.50 m2;范楼镇整理潜力次之，理论整理潜力为3 985 406.12 m2;欢口镇再次之，为 3 253 996.98 m2;师寨镇整理潜力最小，为 126 354.80 m2。
　　4.4 整理潜力测算结果分析
　　首先对人口、实际人均建设用地面积、预测人均建设用地面积数据等进行归一化处理，从图4中可以看出，人口和预测的农村居民点人均建设用地面积呈相反变化趋势。几个人口相对较少的镇，如顺河镇、大沙河镇等，预测的农村居民点人均建设用地面积较大，理论整理潜力与人均建设用地面积呈相关性。
　　5 结论
　　本研究通过综合考虑研究区自然地理条件、社会经济发展情况、土地利用状况、土地利用规划布局以及居民意愿等因素对农村居民点建设用地整
　　理的影响，采用BP人工神经网络方法构建了农村居民点建设用地整理潜力预测模型，该模型不仅单纯着眼于单个指标要素对居民点整理潜力的影响，更加注重要素与要素之间的相互联系，注重从地理空间和时间上对影响要素进行分析，不受主观因素影响。对丰县农村居民点建设用地整理的研究结果表明：（1）丰县农村居民点人均占地面积较大，农村居民点布局较为分散。（2）丰县各镇农村居民点最终可整理面积达2 111.81 hm2，耕地可增加系数达326%。（3）由于丰县农村居民点规模、个数、密度等方面存在较大地域性差异，农村居民点用地形状在不同尺度下都较为零散且较为不规则。（4）从居民点个数上来看，宋楼镇的农村居民点个数最多，位于丰县主城区西南部且距离相对较远，居民点集约化程度低且较为分散，整理潜力最大。范楼镇的居民点个数虽不及宋楼镇，但处于丰县最南部，距主城区最远，整理潜力仅次于宋楼镇。（5）从各个镇的规划上看，欢口镇宜被规划为以现代制造业、建材、食品加工为主要功能的工业型城镇，其建设用地规模大，相应的耕地数量就会减少，整理潜力也较大。师寨镇宜被规划为以盐钾化工、锻造工艺为主要功能的工矿型城镇，该镇人多地少，其居民点的整理潜力较小。
　　参考文献：
　　[1]刘世梁，安南楠，王 军. 土地整理对生态系统服务影响的评价研究进展[J]. 中国农业生态学报，2014，22（9）：1010-1019.
　　[2]国家统计局. 中国统计年鉴2000—2004[J]. 北京：中国统计出版社，2000—2004.
　　[3]江苏省统计局. 江苏统计年鉴2009—2017[J]. 北京：中国统计出版社，2009—2017.
　　[4]马 历，唐 宏，尹 奇，等. 四川农村人口土地和经济系统的协调发展及时空演变[J]. 中国生态农业学报，2017，25（1）：136-146.
　　[5]文 博，刘友兆，夏 敏，等. 基于灰靶模型的宜兴市农村居民点布局适宜性评价及分类调控研究[J]. 地域研究与开发，2016，35（5）：153-157，169.
　　[6]王雨桐，李 钢，赵 华，等. 农村居民点整理潜力测算方法综述[J]. 江苏农业科学，2014，42（5）：260-263.
　　[7]高 会，谭莉梅，刘 鹏，等. 基于二分类Logistic回归模型的太行山丘陵区县域耕地资源潜力估算[J]. 中国生态农业学报，2017，25（4）：490-497.
　　[8]王二磊，高海迎，戎晓红. 基于Logistic模型农户居民点整理的农户意愿分析——以徐州市睢宁县杨怀村为例[J]. 现代商业，2016（17）：186-187.
　　[9]何娟娟，石培基，高小琛，等. 农村居民点整理意愿影响因素分析——以张掖市甘州区为例[J]. 干旱区资源与环境，2013，27（10）：38-43.
　　[10]邓梅娥，张安录，陈红兵. 基于集体土地产权权能的农户宅基地退出意愿：上海松江、金山区的实证分析[J]. 中国生态农业学报，2017，25（9）：1392-1402.
　　[11]孟 霖，郭 杰，欧名豪. 基于适应性和潜力分析的徐州市农村居民点整理分区管制研究[J]. 资源科学，2014，36（11）：2291-2298. 　　[12]陈荣清，张凤荣，张军连，等. 农村居民点整理潜力调查——以山东省文登市侯家镇为例[J]. 中国土地科学，2008，22（10）：70-73.
　　[13]纪亚洲，臧永宜，顾和和. 基于GIS技术与AHP方法的农村居民点整理潜力评价——以江苏省新沂市为例[J]. 江苏农业科学，2015，43（2）：432-437.
　　[14]倪九派，李 萍，魏朝富，等. 基于AHP和熵权法赋权的区域土地开发整理潜力评价[J]. 农业工程学报，2009，25（5）：202-209.
　　[15]曲衍波，张凤荣，宋 伟，等. 农村居民点整理潜力综合修正与测算——以北京市平谷区为例[J]. 地理学报，2012，67（4）：490-503.
　　[16]李 鑫，甘志伍，殴名豪，等. 农村居民点整理潜力测算与布局优化研究——以江苏省江都市为例[J]. 地理科学，2013，33（2）：150-156.
　　[17]章 毅，郭 泉，王建勇. 大数据分析的神经网络方法[J]. 工程科学与技术，2017，49（1）：9-18.
　　[18]刘泽麟，彭长辉，项文化，等. 人工神经网络在全球气候变化和生态学中的应用研究[J]. 科学通报，2010，55（31）：2987-2997.
　　[19]梁彦庆，黄志英，冯忠江，等. 基于人工神经网络的土地整理项目综合效益评价研究[J]. 安徽农业科学，2011，39（8）：4799-4801.
　　[20]翟 航，辛 欣. BP人工神经网络对长春市土壤质量评价[J]. 环境研究与检测，2009，22（4）：70-72.
　　[21]李 焕，徐建春，徐知渊，等. BP人工神经网络在土地集约利用评价中的应用研究——以浙江省遂昌工业园区为例[J]. 中国农学通报，2011，27（6）：447-450.
　　[22]张明媛. 基于GIS和人工神经网络预测土地利用变化[J]. 燕山大学学报，2004，28（3）：279-282.
　　[23]李 旭. 基于神經网络方法的土地整理潜力评价——以河北省青县为例[D]. 石家庄：河北经贸大学，2016.
　　[24]张立明. 人工神经网络的模型及应用[M]. 上海：复旦大学出版社，1993：43-46.
　　[25]王耀南. 智能信息处理技术[M]. 北京：高等教育出版社，2003：25.
　　[26]米湘成，马克平，邹应斌. 人工神经网络模型及其在农业和生态学研究中的应用[J]. 植物生态学报，2005，29（5）：863-870.王 爔，房建恩. 乡村旅游产品同质化问题分析及对策研究[J]. 江苏农业科学，2020，48（2）：14-19.
转载注明来源:https://www.xzbu.com/1/view-15164414.htm