馮惠妍，陳爭光，王淑云

（1．黑龍江八一農墾大學信息技術學院，大慶163319；2．黑龍江省科學技術情報研究所）

土壤肥力評價是精準農業(yè)的重點和熱點問題。針對土壤肥力評價問題，韓磊等[1]建立了基于matlab的BP神經網絡的土壤養(yǎng)分綜合評價參考模型，李政等[2]建立了東湖沉積物營養(yǎng)狀況的BP神經網絡模型。龐永青等[3]立了基于WebGIS的農田測土配方施肥管理系統(tǒng)的設計。目前基于matlab的土壤肥力評價方法得到廣泛的使用，但很少將基于BP神經網絡的土壤肥力評價方法和WebGIS技術相結合。使用matlab實現BP神經網絡模型的構建，再根據WebGIS技術特點及土壤肥力評價的實際需要，實現matlab2009a和VS2008的混合編程，實現對該區(qū)域土壤肥力進行綜合評價?；赪ebGIS評價平臺的建立，可為用戶提供準確、科學的施肥指導。

1 材料來源

黑龍江850農場位于虎林市境內，北依完達山南麓、南傍穆棱河畔，地處著名的三江平原。地理位置東經132 015′～132 051′，北緯45 041′～45 054′，屬三江平原完達山亞區(qū)地帶。土壤肥沃，水資源充足，自然資源豐富，取采樣點1 500個，對其進行土壤測定。土壤測定項目包括pH值、有機質、速效氮、有效磷、速效鉀五個項目，測定方法按《測土配方施肥理論與實踐》中的方法進行[4]。土壤肥力等級的劃分依據北京市第二次土壤普查結果的指標等級，并結合土壤質量的實際狀況，將土壤等級分為：{極高、高、中、低、極低}，對應等級{一等、二等、三等、四等、五等}[5-6]。

2 BP神經網絡模型的建立

誤差反向傳播神經網絡模型（BP）是近年應用最廣泛的網絡之一，它通過對有代表性例子的學習、訓練，能夠掌握事物的本質特征，進而解決問題[3]，由輸入層、輸出層和若干個隱含層構成。采用BP人工神經網絡技術構建的非線性評價模型，可以避免人為確定各指標的權重帶來的主觀性，使評價結果的準確性提高。

因BP方法在權重的確定上不依賴于人為因素，根據表1的分級指標在matlab中使用Linspace函數，均勻分布內插生成5個級別的樣本，沒個級別樣本300個，共計1 500個訓練樣本，從中隨機抽取1 200個樣本作為訓練樣本，剩下的300個作為檢驗樣本，為了便于利用matlab神經網絡工具箱中的訓練函數，應用最大最小函數premnmx對訓練樣本、檢測樣本進行預處理，將各參數量化到[-1，1]內，進行歸一化處理，然后再作為輸入單元。

表1 土壤養(yǎng)分含量分級標準Table1 Classification criterion of soil nutrient content

采用三層BP神經網絡模型，因研究參評的土壤養(yǎng)分指標為5個，故輸入層節(jié)點數為5，目標輸出為土壤養(yǎng)分等級，故輸出層節(jié)點確定為1。隱層節(jié)點數的確定過程是將神經網絡的算法學習速率設定為0.01，學習速率增加比率為10，減少比率為10，期望誤差為0.000 01，網絡最大訓練次數設定為50 000次，輸入層到隱含層的激活函數為非線性Sigmoid函數，隱含層到輸出層的激活函數為線性Purlin函數[7]，使用matlab中的nntool工具箱進行驗證，結果表明模型在隱含層節(jié)點數為7時，在速度和精度兩方面達到最優(yōu)。故模型為5-7-1的拓撲結構。結果用postmnmx函數進行反歸一化處理，訓練之后的BP神經網絡的權值（如表2所示），相應的閾值為：{20.93，-88.90，15.86，-9.56，5.50，57.78，24.86}。

表2 BP神經網絡的權值Table2 Weightof BP neural network

3 BP神經網絡模型的應用

將訓練好的BP網絡模型應用到黑龍江850農場的土壤肥力評價上。該農場的基本地理信息已建立，包括地理空間數據以及養(yǎng)分屬性數據信息[8]。

使用VS中調用matlab com組件達到數據共享編程，com組件的建立和VS中引用該組件如下：

（1）預測函數文件：因BP神經網絡模型的3層結構（5-7-1）、權值、閾值已確定，編寫預測函數文件（M文件）。函數頭為：Funntion[m]=bpnet（a），其中a為輸入的養(yǎng)分，m為輸出的預測結果，函數保存為bpnet.m。

（2）將bpnet.m生成com組件，并發(fā)布組件，設置目標為.net Assemby，并注冊組件。

（3） 在VS2008中添加對該com組件的引用using Bpnet；為滿足程序需要還需要添加引用如using MathWorks.MATLAB.NET.Arrays；（把C#中的數組轉化為matlab中的數組）；using MathWorks；等。

（4）在VS中編寫代碼，完成功能。

實現“選中”地塊，并高亮顯示如圖1所示，讀取該地塊的養(yǎng)分信息并作為com組件的輸入參數調用組件，經BP模型的預測得到輸入養(yǎng)分的等級預測結果m，之后將該預測結果返回并顯示，如表3所示。

圖1 選擇地塊Fig.1 Selection of plot

表3 返回地塊級別信息Table3 Return plot level information

經神經網絡確定的地塊等級，各個等級部分數據如表4所示。經直方圖檢驗（圖2所示）標準方差0.974，偏度0.12（0.47），峰度-0.17（0.92），W檢驗值為0.263>0.05，服從正態(tài)分布。

圖2 直方圖檢驗Fig.2 Histogram test

用GS+7.0對地塊等級進行半方差Gaussian函數模擬（如圖3所示），將模擬的參數在Arcgis9.3中進行克里格插值[9]，得到了該研究區(qū)域的在線等級分布圖，如圖4所示。

圖3 Gaussian函數模擬Fig.2 Gaussian functional simulation

圖4 土壤肥力等級在線空間分布Fig.4 Online spatial distribution of soil fertility grade

4 和相關方法比較

主要和文獻[8]中的模糊評判法進行了結果預測比較，從數據庫中抽取其中一部分數據（如表3所示）由表3可知兩種方法進行等級評價得出的結果基本一致，但BP神經網絡方法因在整個評價過程中不需要人為干預因素，因此更可信更客觀。

造成其中有等級預測結果不一致現象，分析其可能原因：（1）文獻[8]中計算權重使用的是層次分析法（AHP），該方法在計算過程中舍棄了方差較小的主成分，從而造成了一定的人為因素影響，而BP神經網絡的權重的獲得是在反復的調整，直到滿足條件要求，整個過程自動完成，沒有人為干預，所以結果更客觀。（2）克里格插值方法是在有限區(qū)域內對區(qū)域化變量進行無偏最優(yōu)的估計進行取值，原因1造成有限區(qū)域內的數值有誤差，導致在該方法下的插值也會有誤差。

5 結論

針對黑龍江850農場的土壤肥力評價的實際應用，建立了BP神經網絡模型，確定了模型的三層結構，并給出了模型的權值和閾值。在此基礎上，建立了基于webgis的土壤肥力評價的空間信息平臺，實現了地塊等級的在線評價及等級的地理空間分布。與相關方法的比較得出，此方法能夠更有效地進行土壤肥力評價。研究結果為實現網絡化、數字化、廣適性的精確農作決策支持提供了基本平臺。

[1]韓磊，李銳，朱會利.基于BP神經網絡的土壤養(yǎng)分綜合評價模型[J].農業(yè)機械學報，2011，42（7）：109-115.

[2]龐永青，歐陽歡，閆林，等.基于WebGIS的農田測土配方施肥管理系統(tǒng)的設計[J].南方農業(yè)學報，2012，43（1）：117-119.

[3]李政，方濤，王坎，等.湖沉積物營養(yǎng)狀況的BP神經網絡模型研究[J].環(huán)境科學與技術，2011，34（12）：110-114.

[4]謝衛(wèi)國.測土配方施肥理論與實踐[M].長沙：湖南科學技術出版社，2006.

[5]呂新，寇金梅，李宏偉.模糊評判方法在土壤肥力綜合評價中的應用研究[J].干旱地區(qū)農業(yè)研究，2004，22（3）：56-59.

[6]董文濤，路明浩，韋大山，等.基于模糊數學方法的土壤肥力綜合評價及應用[J].資源開發(fā)與市場，2011，27（6）：511-513.

[7]肖鋼，鐘洛，陳立耀.神經網絡結構與訓練參數選取[J].武漢工業(yè)大學學報，1997，19（2）：108-110.

[8]馮惠妍，陳爭光.基于WebGIS的模糊評判法的土壤肥力評價研究[J].黑龍江八一農墾大學學報，2012，24（6）：65-67.

[9]劉東海，梁國慶，周衛(wèi)，等.基于神經網絡的土壤肥力綜合評價[J].中國土壤與肥料，2011（5）：12-19.

[10]丁毓峰.精通MATLAB混合編程[M].北京：電子工業(yè)出版社，2012.