基于RBF-BP神經網絡的農村人居環境適宜性評價

摘 要：目前，農村人居環境評價方法存在一定的局限性，難以精確反映農村環境的復雜性和多樣性。因此，本文從數據采集與預處理、評價指標體系確定等多個方面提出一種基于RBF-BP神經網絡的農村人居環境適宜性評價方法。該方法結合RBF神經網絡和BP神經網絡的優點，通過訓練樣本數據，對農村人居環境各指標進行權重分配和綜合評價。試驗結果表明，該方法在預測兩個試驗區的適宜性方面性能良好，能夠為改善居住條件提供科學依據。

關鍵詞：RBF-BP神經網絡；人居環境；評價指標

中圖分類號：TP 3-0 文獻標志碼：A

由于歷史原因與經濟發展水平的差異，因此農村人居環境存在明顯的地域差異與不平衡現象，例如基礎設施建設滯后、環境污染問題突出、公共服務設施不足等問題，制約農村的可持續發展[1]。在此背景下，科學有效地評估農村人居環境的適宜性，并提出合理的改進措施成為亟待解決的問題。傳統的人居環境評估方法多利用專家打分或單一指標的比較方法，這種方法主觀性強且缺乏系統的分析工具與手段，難以滿足現代農村人居環境綜合評價的需求，而徑向基函數（Radial Basis Function，RBF）神經網絡因其具有良好的非線性映射能力，在模式識別、函數逼近等方面有著廣泛的應用，而反向傳播（Back Propagation，BP）算法作為最常用的訓練多層前饋網絡的方法之一，能夠對復雜函數進行有效逼近。結合這兩種方法形成RBF-BP混合神經網絡模型，不僅可以克服BP算法容易陷入局部極小值的問題，還能利用RBF網絡的優點進行高效的數據處理，從而提高模型的學習能力和預測精度。本研究對基于RBF-BP神經網絡的農村人居環境適宜性評價方法進行詳細研究，以期為我國農村人居環境整治提供理論支持和實踐指導。

1 數據采集與預處理

數據采集與預處理環節直接影響后續模型構建與評價結果的準確性，因此在數據采集階段，要綜合運用地理信息系統（GIS）技術與遙感（RS）技術，通過高分辨率衛星圖像獲取農村地區的地貌特征、植被覆蓋度、土地利用類型等關鍵環境信息，同時，通過實地考察和社會調查的方式收集農村居民對生活環境滿意度的問卷數據以及當地政府提供的基礎設施建設情況，包括供水供電系統、衛生設施、交通網絡等信息，全面反映農村人居環境的現狀。此外，利用物聯網（IoT）設備監測農村地區的空氣質量和噪聲水平等實時環境參數，這些動態數據對評估人居環境質量的變化趨勢極為重要。

在數據預處理階段，采用一系列數據清洗與轉換技術保證輸入神經網絡模型中的數據準確。針對缺失值問題，使用基于K近鄰算法（K-Nearest Neighbors，KNN）進行填補，設xr是第r個含有缺失值的數據點，則KNN填補缺失值的過程如公式（1）所示。

（1）

式中：x'r為第r個含有缺失值數據點的估計值；NK（xr）為一個集合，包括距離xr最近的K個鄰居數量，xo對應xr缺失值位置上的實際觀測值。這種方法可以根據相似樣本的信息來推斷缺失數據，避免因簡單刪除而導致的信息損失。鑒于原始數據可能存在異常值或離群點，可以應用Z-score標準化技術檢測并修正這些異常情況，保證樣本之間的可比性。該方法的數學表達式如公式（2）所示。

（2）

式中：x為原始值；μ為均值；σ為標準差。Z-score標準化后的數據服從標準正態分布，若某個數據點的Z-score絕對值大于設定閾值3，則認為該點是一個離群點，需要對其進行修正或剔除。以上數據采集與預處理方法能夠為基于RBF-BP神經網絡的農村人居環境適宜性評價提供高質量、結構化的數據基礎。

2 建立RBF-BP神經網絡評價指標模型

2.1 評價指標體系

確定評價指標體系是適宜性評價的核心步驟之一，旨在為后續的關鍵評價特征提取析提供根據。具體而言，應根據農村人居環境的特性和研究目標，結合相關領域的文獻研究形成合理的指標體系[2]。同時，邀請環境科學、城鄉規劃、生態學等領域的專家，根據專家的經驗和知識對可能的評價指標進行篩選和初步評估，保證指標的科學性和合理性。當確定具體的評價指標時，須從多個維度進行綜合考慮，將農村人居環境適宜性劃分為生態環境、生活環境、經濟條件和社會文化4類，每類下設若干具體指標。具體如圖1所示。

在這個指標體系中，每個評價維度下的指標能夠全面覆蓋農村人居環境的多方面特征，為適宜性評價提供更為詳實的依據。

2.2 提取關鍵評價特征

在基于RBF-BP神經網絡進行農村人居環境適宜性評價過程中，采用一種結合因子分析法與模糊綜合評判技術的方法保證所提取特征的準確性和代表性。這種方法可以對收集到的環境指標數據進行全面解析，發現與農村居民生活質量直接相關的決定性因素。為量化這些指標對人居環境適宜性的影響，須運用因子分析法去除對最終評價結果影響較小的冗余指標，從而形成一套簡潔且高效的關鍵評價特征指標。具體步驟如下。利用因子分析法對n項環境指標進行因子旋轉，找出隱藏在大量原始數據背后的幾個主要因子。在這個過程中，根據因子載荷矩陣確定哪些原始指標可以歸并到同一個因子下。然后，計算每個因子的貢獻率，并根據累積貢獻率達到預設閾值的原則，選出最重要的w個因子，具體計算過程如公式（3）所示。

（3）

式中：τ為累計貢獻率；λe為第e個因子的特征值；d為被選中的因子數量。

當累計貢獻率達到85%時，就認為已經提取到足夠的關鍵特征。進一步利用模糊綜合評判技術優化這些關鍵因子的選擇，這個方法可以將專家的主觀判斷與客觀數據相結合，通過構造隸屬度矩陣描述各項指標對人居環境適宜性的隸屬程度。對每個評價指標vj來說，每位專家根據自身的經驗和知識給出各自的評價值，根據其屬性范圍設定隸屬度函數γij（vj），量化指標在適宜性評價中的重要程度，如公式（4）所示。

（4）

式中：aj和bj分別為第j個因子的隸屬度函數的下限和上限。根據隸屬度矩陣，采用熵權法確定各評價指標的權重。熵權法是一種客觀賦權方法，它根據指標數據的信息熵確定權重，信息熵越小表明指標的差異程度越大，權重也應越大。

2.3 建立評價因子關聯模型

在提取關鍵評價特征后，通過構建因子與適宜性評價結果之間的數學關聯關系，保證模型在學習和預測過程中能準確捕捉各評價因子對環境適宜性的影響程度。利用RBF神經網絡對提取的關鍵評價因子進行初步非線性映射。RBF網絡的輸入層接受從因子分析和模糊綜合評判提取的特征向量，隱含層通過高斯徑向基函數對輸入數據進行非線性變換，生成隱含節點的輸出值。該過程的數學表達式如公式（5）所示。

（5）

式中：y為第g個隱含節點的輸出；sg為輸入數據向量；cg為隱含節點的中心向量；?g為與該節點關聯的寬度參數。RBF能夠有效處理非線性關系，使復雜環境數據在隱含層中的映射更加平滑。然后，BP神經網絡對RBF輸出的結果進行誤差反向傳播訓練，使輸出層能夠更準確地映射到目標評價值。在BP神經網絡中，輸入層接受RBF網絡的輸出，經過多層隱含層的加權計算輸出適宜性評價結果。在RBF-BP神經網絡的訓練過程中，為提高模型的收斂速度和預測精度，采用自適應學習率技術動態調整學習速率，當誤差較大時，提高學習率加快訓練，而當誤差接近收斂時，降低學習率，防止模型震蕩。其更新規則如公式（6）所示。

ηt+1=ηt×（1+α×ΔE） （6）

式中：ηt+1為第t+1輪迭代的學習率；ηt為第t輪迭代的學習率；α為學習率調整系數；ΔE為當前和前一次迭代之間的誤差變化量。通過這個機制，RBF-BP神經網絡在訓練過程中能夠更加穩定地逼近最優解。

3 評價結果可視化表達

在評價結果的可視化表達環節，為直觀呈現農村人居環境適宜性評價的空間和數值特征，采用多種數據可視化工具和技術，包括ArcGIS、Matplotlib、Plotly等。借助ArcGIS軟件，對模型輸出的適宜性評價結果進行空間映射，將評價結果與地理坐標系進行匹配，生成可視化的適宜性分布圖。這種空間分布圖能夠清晰展示不同區域的適宜性差異，方便研究者分析影響因素在地理空間上的分布特征。此外，將基于遙感數據生成的地形圖和土地利用圖疊加到適宜性分布圖中，增強評價結果的環境背景信息，可以使決策者更好地理解評價結果背后的環境狀況。

為展示適宜性評價的具體數值結果和趨勢變化，采用Matplotlib庫繪制評價指標的時間序列折線圖和柱狀圖，這些圖表能清晰呈現特定時間段內農村人居環境的適宜性變化趨勢，例如空氣質量、噪聲水平、植被覆蓋率等關鍵指標的波動情況，及時發現潛在的環境問題和變化趨勢，為后續環境治理提供依據。為增強交互性，使用Plotly庫制作熱力圖和3D散點圖等可視化圖表，且允許用戶動態調整參數，深入探索評價結果與各指標之間的關系。例如，用戶可以通過滑動條選擇特定的時間或區域，查看該范圍內的適宜性評分變化，并分析不同指標對最終適宜性評分的影響程度。

4 應用試驗

4.1 試驗準備

本研究選取A地區和B地區作為試驗區，基于RBF-BP神經網絡進行農村人居環境適宜性評價。A地區位于我國東部，總面積約為876km2，地形以平原和丘陵為主，氣候類型為亞熱帶季風氣候。B地區位于我國西部，總面積約為1041km2，地形以山地和盆地為主，氣候類型為溫帶大陸性氣候。兩個地區在自然環境、經濟發展和人口密度等方面存在較大差異，具有一定的代表性。在此基礎上，對RBF-BP神經網絡模型進行訓練，訓練集包括來自A地區和B地區，共10000組樣本數據，其中70%的數據用來訓練，20%用來驗證，將剩余10%作為測試集，評估模型的泛化能力。

4.2 試驗結果

A地區與B地區適宜性評分對比見表1。

A地區在生態環境、生活環境、經濟條件和社會文化4個方面的平均評分均高于B地區。具體來看，A地區的生態環境評分為82.5，而B地區為76.3，表明A地區的自然環境狀況較好，可能是東部地區較為溫和的氣候和較為發達的生態保護措施的原因。在生活環境方面，A地區的居住條件更佳，可能得益于東部地區較為完善的基礎設施建設和更高的生活水平。在經濟條件方面，A地區的平均分領先B地區6.2分，說明A地區的經濟發展水平較高，可能是東部地區的工業化和城鎮化進程較快，為當地居民提供了更多的就業機會和更高的收入水平。在社會文化方面，A地區的社會文化活動更加豐富多樣，社區服務和教育水平也可能更高。在總體適宜性評分方面，A地區的農村人居環境整體上比B地區更為適宜。值得注意的是，雖然評分有差距，但是兩地的實際測量值與模型預測值非常接近，這表明RBF-BP神經網絡模型在預測農村人居環境適宜性方面具有較高的準確性。

5 結語

綜上所述，本研究開發并應用基于徑向基函數-反向傳播（RBF-BP）神經網絡的方法評估農村人居環境的適宜性。這個方法不僅能夠提高評估模型的準確性和可靠性，而且還能夠克服傳統評估手段中主觀性強、數據需求復雜等問題。后續相關人員應繼續深化對RBF-BP神經網絡在農村人居環境適宜性評價中的應用研究。不僅可以進一步優化網絡結構，提高模型的泛化能力和預測精度，還能將更多影響農村人居環境的因素納入評價體系，保證評價結果更全面、更精準。

參考文獻

[1]段志宏，伍林林.基于灰色理論與BP神經網絡的邊坡變形預測模型研究[J].湖南交通科技，2024，50（3）：57-60.

[2]馬學晶.建筑工程中基于改進BP神經網絡的造價控制方法研究[J].中國水運（下半月），2024，24（10）：148-150.