基于BP人工神經網絡的農村居民點用地整理潛力評價

鮑倩　胡召玲　蘇繼良　紀亞洲　楊小艷

摘要：針對當前農村居民點整理潛力評價方法效率低、易受主觀因素影響的現狀，提出利用反向傳播（BP）人工神經網絡方法對農村居民點建設用地整理潛力進行評價。以江蘇省徐州市豐縣的12個鎮為研究對象，在Matlab R2015b軟件平臺支持下，構建BP人工神經網絡預測模型，在對數據進行關聯關系分析的基礎上，測算農村居民點建設用地整理的現實潛力，實現對豐縣各鎮土地整理潛力集約利用的評價。結果表明：（1）豐縣農村居民點人均占地面積較大，農村居民點布局較為分散。豐縣農村居民點最終可整理面積達2 111.81 hm2，原耕地面積為64 775 hm2，耕地可增加系數達3.26%。（2）宋樓鎮的整理潛力最大，范樓鎮次之，師寨鎮的整理潛力最小。

關鍵詞：農村居民點整理;BP人工神經網絡;潛力評價;豐縣;Matlab軟件

中圖分類號： F301.2

文獻標志碼： A

文章編號：1002-1302（2020）02-0007-07

收稿日期：2018-10-18

作者簡介：鮑 倩（1993—），女，江蘇徐州人，碩士研究生，主要從事土地整理及“3S”應用方面研究。E-mail：bqianjiayou@foxmail.com。

通信作者：胡召玲，博士，教授，主要從事遙感與GIS理論及應用等方面的教學與科研。E-mail：huzhaoling@jsnu.edu.cn。

土地整理是實現土地資源集約利用，提高土地生產力和利用率的重要途徑[1]。隨著人口的不斷增長，我國的土地后備資源日益短缺，廣大農村的土地利用率不高且退化嚴重。據統計，2016年全國總人口數約138 271萬人，其中鄉村人口58 973萬人，占全國總人口的42.65%，人均建設用地面積282.74 m2[2]。但近年來隨著江蘇省農村人口的減少，農村居民點用地并未減少，人均農村居民點用地規模反而增大。2016年江蘇省農村居民點用地面積為289.38 m2/人，大于2010年年末的 252.19 m2/人，且遠遠高于國家150 m2/人的最高標準，這是一種不合理的現象[3]。我國有十幾億的人口要養活，而耕地最主要的作用是生產糧食作物，我國的人均耕地面積僅為0.092 hm2，遠遠低于世界平均水平。由于二胎政策的開放，未來幾年我國的人口數量仍處于不斷上升階段，耕地數量的減少對我國未來的發展勢必會帶來巨大的隱患。當前我國農村居民點土地普遍存在閑置、廢棄等浪費現象，利用率低下，結構不合理。對農村居民點用地進行整理不僅能豐富農村居民點整理的理論體系，還可以優化用地布局并釋放農村建設用地潛力，是建設社會主義新農村的重要舉措，如何有效利用農村土地，促進農村土地資源的有效利用，進而實現農村經濟持續發展，不僅已成為目前我國農村亟需解決的問題，也是學術界關注的熱點[4-6]。

1 研究區概況與數據來源

1.1 研究區概況

豐縣地處江蘇省徐州市的西北部，屬黃泛沖積平原，地勢高亢，地形平坦，土地肥沃，物產豐饒。豐縣總面積為144 970 hm2，南北長約59.2 km，東西寬約46.6 km，共有12個鎮，總人口數為919 275人，從業人員共508 259人。2015年《江蘇省統計年鑒》數據資料顯示，豐縣土地總面積為 120 293 hm2，耕地面積為64 775 hm2，占全縣土地總面積的54%。根據實際調研資料可知，豐縣居民點布局較為分散，用地面積大，同時住宅地空置和廢棄現象嚴重。豐縣各鄉鎮的地理位置如圖1所示。

1.2 數據來源

以豐縣12個鎮為研究對象，通過文獻檢索、實地調研與專家訪談等方式，廣泛收集影響農村居民點整理潛力的因素，并分析每種因素的影響機制。根據2015年《江蘇省統計年鑒》、豐縣政府統計數據、豐縣農村居民點調查數據（2015年）以及2014—2015年豐縣土地利用變更資料數據，獲得豐縣各個鎮經濟水平、財政收入、人口基數、居民點用地面積和豐縣土地利用狀況等數據。

1.3 豐縣土地利用強度分析

土地利用強度是指單位面積內的土地利用狀況，各鎮的土地利用強度與土地的集約利用情況有著很大的關系，土地利用強度的總體狀況可根據農村居民點用地面積占鎮域面積的比重、人口密度等指標來衡量。

從表1可以看出，綜合分析農村居民點規模和人均用地面積特征，豐縣的農村居民點總體上以小規模為主，從空間上看，各個鎮的農村居民點分布較為分散。由于社會經濟發展狀況的不同，鎮與鎮之間存在突出的地域差異，大沙河鎮和順河鎮的農村居民點用地面積所占比重相對來說較小，而常店鎮和王溝鎮相對較大。

2 研究方法

近年來，對農村居民點整理的研究主要集中在對當前農村居民點利用現狀剖析、 農村居民點整理潛力估算方法以及整理適宜性評價等方面。最常用的農村居民點整理潛力估算方法為數理統計方法，包括Logistic二元邏輯回歸模型[7-10]、模糊綜合評價法[11-12]、層次分析（AHP）法[13-14]、綜合修正與測算法[15-16]等。盡管數理統計方法可以較好地反映單個居民點的整理潛力，但忽略了外部因素對居民點整理潛力的影響，忽視了選取的各項指標之間的必然聯系，大大削弱了對農村居民點用地整理研究的現實意義。

針對數理統計方法存在的不足，本研究提出利用反向傳播（BP）人工神經網絡法進行農村居民點建設用地整理。人工神經網絡是一種模擬人腦數據分析機制的計算方法，也是目前最成功的分析方法之一，它能進行分布式并行信息處理，具有強大的特征提取與抽象能力，能夠整合多源信息、處理異構數據、捕捉變化動態，是實現數據價值轉換的橋梁[17-18]，已被用于土地整理潛力評析、未來土地利用的發展趨勢預測等方面[19-22]。BP人工神經網絡模型具有較強的非線性擬合能力，學習規則簡單，便于計算機實現，是一種適應性比較廣的非參數模型。由于BP人工神經網絡模型內部較好的自適應過程可以彌補傳統方法模型存在的主觀性等弊端，因此該模型能夠解決土地整理過程中的非線性映射問題。

根據研究區農村居民點分布現狀，本研究在Matlab R2015b軟件平臺支持下，構建基于BP人工神經網絡的農村居民點人均建設用地面積預測模型，對2015年豐縣各鎮農村居民點建設用地面積進行評價，并估算其整理潛力。

3 農村居民點建設用地整理潛力評價模型構建

3.1 評價指標選取

在對豐縣農村居民點建設用地進行整理的過程中發現，居民對其居住地的滿意程度直接影響他們的整理意愿，而居民的年齡、性別、人均收入、家庭人口數、受教育程度、從事職業、現居住地的住房面積、房屋結構以及建造時間等最終影響他們的整理意愿。

從農村居民點的自然、經濟以及社會角度出發，為全面準確地評價并反映研究區的土地整理狀況，指標體系的選取本著整體性、科學性原則以及綜合性與實用性相結合原則，將影響農村居民點整理的因素主要分為農村居民點空間區位、人均建設用地面積、人均耕地面積、家庭成員人口遷移比例、人均遷出時間、土地流轉意愿等作為影響因素評價指標（表2）。

農村居民點的空間區位指研究區的地形地貌狀況，若居民點地勢平坦，土地開闊，易于耕種，用地規模大，則整理工作易開展，整理成本低;反之，若居民點地形崎嶇，多山地丘陵，且分布較為分散，用地面積小，則整理作業難以開展，整理成本高。

人作為土地資源的使用者和服務對象，對土地資源整理具有深遠的影響。居民點人口指標是影響居民點整理的重要社會要素，反映目標地勞動力的多少。農村人口遷出較多或遷出時間較長的區域，整理工作容易進行;反之，家庭成員遷出較少或者遷出時間較短、農村人口多的區域，勞動力充足，人地矛盾尖銳，開展居民點整理工作就難。

就業率變化反映一個地區就業人口與當地年滿18歲以上總人口的百分比變化率，就業率與居民點整理呈正相關關系，當研究區的就業人口較多時，則易于開展居民點整理工作。反之，若大多數居民待在家里務農，他們大多不愿對自己的居住地或活動區域進行整理。

財政收入反映了地方基層政府的經濟實力，對農村居民點用地進行整理需要當地政府的統籌協調，更需要多方面的資金支持，所以基層政府的財政收入越高，進行農村居民點用地整理的能力越強，整理的資金壓力越小，農村居民點用地整理的潛力就越大。

人均收入反映研究區農民的收入水平，一般農民的人均收入越高，則證明其承受能力和投資能力就越強，就易于開展整理工作。

人均補償標準、人均新房重購成本、農戶搬遷成本，這3個與主體經濟效益密切相關的成本因素，是決定居民點用地整理開展是否順利的重要經濟因素。

人均建設用地面積根據GB 50188—1993《中華人民共和國村鎮規劃標準》中人均建設用地分級標準（一級：50～60 m2/人;二級：60～80 m2/人;三級：80～100 m2/人;四級：100～120 m2/人;五級：120～140 m2/人）進行分級，人均建設用地面積越大，則整理成標準后的挖掘潛力就越大[23]。

人均耕地面積與農村居民點土地整理潛力呈負相關關系。人均耕地面積越小，農民的土地整理愿望越強烈。

土地流轉意愿可反映村民對整理工作的認可度。農村居民點整理是改善農村生產、生活的有效方式，關系到農民切身利益。流轉意愿越強，對居民點整理工作的開展越有利;同理，年輕人對整理工作開展的支持率較老年人高，若農村年輕人口比例高，則整理工作可獲更多支持，工作開展阻力小。

農村居民點整理是一個耗資較大的社會工程，整理工作的正常開展，需要充分的資金支持。目標地經濟水平和財政收入指標，是衡量整理工作的經濟指標。目前，農村居民點整理仍是以政府投資為主，目標地經濟水平和財政收入是否殷實，是資金保障的關鍵。農民利益訴求依靠經濟指標得到最大滿足，若農民利益訴求得到最大滿足則可最大限度地釋放整理潛力。

3.2 BP人工神經網絡模型的構建

Roberto等已經證明，對任何一個在閉區間內的連續函數都可以用一個3層BP網絡（即含有1個隱含層）進行逼近，因此3層網絡結構即可完成任意n維到m維的映射[24-25]，且訓練速度快，很少產生過度吻合[26]。本研究建立的BP人工神經網絡模型包括3層，即輸入層、隱含層、輸出層，其中輸入層包括各項指標數據，隱含層包括要素權重類別判斷、指標權重策略判斷，輸出層主要包括目標輸出數據。采用多層感知器神經網絡智能算法，將每個影響要素看作一個神經元細胞，建立各神經元細胞之間的聯系，利用多層感知器分類自適應能力，設置激勵函數，得出各要素連接權值，進而更準確地得出每項要素對居民點整理的影響權值，對理論潛力進行改正。

以各鎮為單位，將各鎮總人口數、從業人員數、人均收入、人均耕地面積等進行標準化后作為樣本數據輸入模型中，對目標鎮的要素權重類別進行判斷;將自然要素、社會要素、經濟要素權重指標作為輸入數據，對指標權重進行策略判斷，得出各項指標元權重。根據上述分析構建的影響因子評價模型結構如圖2所示。

4 評價過程及結果分析

4.1 數據預處理

為了加快BP人工神經網絡對數據的訓練速度，消除不同量綱對結果的影響，避免因輸入輸出數據數量級的差別較大而造成過大網絡預測誤差，需要將輸入和輸出的數據進行歸一化處理，將每組數據的取值范圍設為0～1，具體見表3。

4.2 訓練過程

4.2.1 訓練樣本 訓練樣本也稱專家樣本，BP人工神經網絡通過對樣本數據進行不斷的訓練和學習，數據在隱含層中通過函數關系不斷進行計算，自動獲取模型參數間的合理規則，樣本數據網絡訓練完畢后，該網絡的權值和閾值不需要再進行修改，只需改變輸入節點數和輸出節點數，即可直接用于測試樣本的訓練，對計算結果進行反復修正，從而使網絡輸出的最后結果具有誤差最小、精度最高的特點。

本研究選取位于豐縣周邊蘇北地區的24個新農村建設示范鎮村的各指標值作為訓練樣本，從地理位置及經濟發展狀況等方面來看，這些新農村示范鎮村與研究區的經濟、社會、自然狀況相似，且具有農村居民點用地整理的示范性。這些鎮村分別為徐州市銅山區的劉集鎮、漢王鎮西沿村，睢寧縣的睢城鎮、高作鎮八里村，連云港市贛榆區的海關鎮小口村、羅陽鎮，泗洪縣的上塘鎮、石集鄉石集社區，沛縣的棲山鎮胡樓村、胡寨鎮草廟村，邳州市的港上鎮前湖村，新沂市的新安鎮臧圩村、馬陵山鎮王莊村，東海縣的洪莊鎮連灣村，盱眙縣的盱城鎮宣化村，豐縣的鳳城鎮古豐社區、鳳城鎮江豐社區、首羨鎮王莊新村、孫樓鎮張梨園村、華山鎮徐屯村、鳳城鎮周廟村、師寨鎮古廟村、華山鎮嵐山新村，徐州市泉山區的奎山街道奎西社區。

4.2.2 測試樣本 將測試樣本數據進行歸一化后輸入網絡，將logsig函數作為輸入層到隱含層的傳遞函數，將Purelin線性傳遞函數作為隱含層到輸出層的傳遞函數。訓練函數為traingdx，訓練參數通過net.trainParam來設定。隱含層神經元數設為3個，網絡性能函數為mse，網絡迭代次數為5 000次，期望誤差目標為 0.000 000 1，開始訓練網絡。趙莊鎮位于主城區的西北部，棉花、特種蔬菜種植的發展速度較快，是傳統的農業大鎮。據豐縣鎮村布局規劃可知，趙莊鎮被規劃為以木業加工、漢文化旅游為特色的邊貿型城鎮，居民點分布以及人均建設用地面積均合理，為新農村建設標準的典范。本研究以豐縣趙莊鎮為例，將其相關數據代入網絡模型對算法進行計算說明，根據網絡訓練測試結果可得，在對樣本進行了89次訓練后，誤差達到規定范圍。網絡設定的誤差范圍逼近見圖3。

通過該神經網絡模型訓練，可預測各個鎮的居民點人均建設用地面積。

4.3 整理潛力測算結果

豐縣農村居民點建設用地理論整理潛力的預測公式為

式中：Qi為該鎮居民點理論整理潛力，m2;Qio為該鎮居民點人均建設用地面積實際值，m2;Pit為該鎮居民點人均建設用地面積預測值，m2;S為該鎮人口

總數，人。若理論整理潛力的預測結果為正，則說明該鎮的農村居民點建設用地具有整理潛力;若理論整理潛力的預測結果為負，則說明該鎮原來的農村居民點建設用地較為合理。根據建立的模型計算2015年豐縣各個鎮的居民點整理潛力，結果見表4。

由表4可知，豐縣居民點理論整理潛力總計為21 118 109.31 m2，其中宋樓鎮農村居民點值的預測值與實際值差異較大，其相應整理潛力最大，為 5 486 162.50 m2;范樓鎮整理潛力次之，理論整理潛力為3 985 406.12 m2;歡口鎮再次之，為 3 253 996.98 m2;師寨鎮整理潛力最小，為 126 354.80 m2。

4.4 整理潛力測算結果分析

首先對人口、實際人均建設用地面積、預測人均建設用地面積數據等進行歸一化處理，從圖4中可以看出，人口和預測的農村居民點人均建設用地面積呈相反變化趨勢。幾個人口相對較少的鎮，如順河鎮、大沙河鎮等，預測的農村居民點人均建設用地面積較大，理論整理潛力與人均建設用地面積呈相關性。

5 結論

本研究通過綜合考慮研究區自然地理條件、社會經濟發展情況、土地利用狀況、土地利用規劃布局以及居民意愿等因素對農村居民點建設用地整

理的影響，采用BP人工神經網絡方法構建了農村居民點建設用地整理潛力預測模型，該模型不僅單純著眼于單個指標要素對居民點整理潛力的影響，更加注重要素與要素之間的相互聯系，注重從地理空間和時間上對影響要素進行分析，不受主觀因素影響。對豐縣農村居民點建設用地整理的研究結果表明：（1）豐縣農村居民點人均占地面積較大，農村居民點布局較為分散。（2）豐縣各鎮農村居民點最終可整理面積達2 111.81 hm2，耕地可增加系數達326%。（3）由于豐縣農村居民點規模、個數、密度等方面存在較大地域性差異，農村居民點用地形狀在不同尺度下都較為零散且較為不規則。（4）從居民點個數上來看，宋樓鎮的農村居民點個數最多，位于豐縣主城區西南部且距離相對較遠，居民點集約化程度低且較為分散，整理潛力最大。范樓鎮的居民點個數雖不及宋樓鎮，但處于豐縣最南部，距主城區最遠，整理潛力僅次于宋樓鎮。（5）從各個鎮的規劃上看，歡口鎮宜被規劃為以現代制造業、建材、食品加工為主要功能的工業型城鎮，其建設用地規模大，相應的耕地數量就會減少，整理潛力也較大。師寨鎮宜被規劃為以鹽鉀化工、鍛造工藝為主要功能的工礦型城鎮，該鎮人多地少，其居民點的整理潛力較小。

參考文獻：

[1]劉世梁，安南楠，王 軍. 土地整理對生態系統服務影響的評價研究進展[J]. 中國農業生態學報，2014，22（9）：1010-1019.

[2]國家統計局. 中國統計年鑒2000—2004[J]. 北京：中國統計出版社，2000—2004.

[3]江蘇省統計局. 江蘇統計年鑒2009—2017[J]. 北京：中國統計出版社，2009—2017.

[4]馬 歷，唐 宏，尹 奇，等. 四川農村人口土地和經濟系統的協調發展及時空演變[J]. 中國生態農業學報，2017，25（1）：136-146.

[5]文 博，劉友兆，夏 敏，等. 基于灰靶模型的宜興市農村居民點布局適宜性評價及分類調控研究[J]. 地域研究與開發，2016，35（5）：153-157，169.

[6]王雨桐，李 鋼，趙 華，等. 農村居民點整理潛力測算方法綜述[J]. 江蘇農業科學，2014，42（5）：260-263.

[7]高 會，譚莉梅，劉 鵬，等. 基于二分類Logistic回歸模型的太行山丘陵區縣域耕地資源潛力估算[J]. 中國生態農業學報，2017，25（4）：490-497.

[8]王二磊，高海迎，戎曉紅. 基于Logistic模型農戶居民點整理的農戶意愿分析——以徐州市睢寧縣楊懷村為例[J]. 現代商業，2016（17）：186-187.

[9]何娟娟，石培基，高小琛，等. 農村居民點整理意愿影響因素分析——以張掖市甘州區為例[J]. 干旱區資源與環境，2013，27（10）：38-43.

[10]鄧梅娥，張安錄，陳紅兵. 基于集體土地產權權能的農戶宅基地退出意愿：上海松江、金山區的實證分析[J]. 中國生態農業學報，2017，25（9）：1392-1402.

[11]孟 霖，郭 杰，歐名豪. 基于適應性和潛力分析的徐州市農村居民點整理分區管制研究[J]. 資源科學，2014，36（11）：2291-2298.

[12]陳榮清，張鳳榮，張軍連，等. 農村居民點整理潛力調查——以山東省文登市侯家鎮為例[J]. 中國土地科學，2008，22（10）：70-73.

[13]紀亞洲，臧永宜，顧和和. 基于GIS技術與AHP方法的農村居民點整理潛力評價——以江蘇省新沂市為例[J]. 江蘇農業科學，2015，43（2）：432-437.

[14]倪九派，李 萍，魏朝富，等. 基于AHP和熵權法賦權的區域土地開發整理潛力評價[J]. 農業工程學報，2009，25（5）：202-209.

[15]曲衍波，張鳳榮，宋 偉，等. 農村居民點整理潛力綜合修正與測算——以北京市平谷區為例[J]. 地理學報，2012，67（4）：490-503.

[16]李 鑫，甘志伍，毆名豪，等. 農村居民點整理潛力測算與布局優化研究——以江蘇省江都市為例[J]. 地理科學，2013，33（2）：150-156.

[17]章 毅，郭 泉，王建勇. 大數據分析的神經網絡方法[J]. 工程科學與技術，2017，49（1）：9-18.

[18]劉澤麟，彭長輝，項文化，等. 人工神經網絡在全球氣候變化和生態學中的應用研究[J]. 科學通報，2010，55（31）：2987-2997.

[19]梁彥慶，黃志英，馮忠江，等. 基于人工神經網絡的土地整理項目綜合效益評價研究[J]. 安徽農業科學，2011，39（8）：4799-4801.

[20]翟 航，辛 欣. BP人工神經網絡對長春市土壤質量評價[J]. 環境研究與檢測，2009，22（4）：70-72.

[21]李 煥，徐建春，徐知淵，等. BP人工神經網絡在土地集約利用評價中的應用研究——以浙江省遂昌工業園區為例[J]. 中國農學通報，2011，27（6）：447-450.

[22]張明媛. 基于GIS和人工神經網絡預測土地利用變化[J]. 燕山大學學報，2004，28（3）：279-282.

[23]李 旭. 基于神經網絡方法的土地整理潛力評價——以河北省青縣為例[D]. 石家莊：河北經貿大學，2016.

[24]張立明. 人工神經網絡的模型及應用[M]. 上海：復旦大學出版社，1993：43-46.

[25]王耀南. 智能信息處理技術[M]. 北京：高等教育出版社，2003：25.

[26]米湘成，馬克平，鄒應斌. 人工神經網絡模型及其在農業和生態學研究中的應用[J]. 植物生態學報，2005，29（5）：863-870.王 爔，房建恩. 鄉村旅游產品同質化問題分析及對策研究[J]. 江蘇農業科學，2020，48（2）：14-19.