基于随机森林的耕地质量评价智能模型及其应用研究

为了更精确地表达耕地质量的系统性、非线性、差异性等特点,旨在探索一种新的智能化耕地质量评价方法,提高耕地质量评价精度。以襄州区为研究区域,从地形地貌、土壤条件、社会经济、生态安全4个方面构建耕地质量综合评价指标体系,选用熵权法(EW)、后向传播神经网络(BPNN)、随机森林(RF)三种模型进行训练,比较三种模型的评价精度,并分析襄州区2018年耕地质量等级分布规律。结果表明:(1)襄州区耕地质量整体较好,以二、三等级为主,累积面积占比达到54.63%,呈现出明显的地域分异规律,高质量耕地主要分布在中北部,低质量耕地主要聚集在南部,且各乡镇耕地质量等级分布也具有明显差异;(2)耕地质量RF评价模型能够较为精确地模拟指标之间的复杂关系,科学定量分析各指标对耕地质量的贡献;(3)耕地质量平均指数比较,RF>BPNN>EW,RF与BPNN的评价结果具有相似的空间分布,且均与EW的差异较为显著;(4)相比于BPNN和EW,RF具有更高的数据挖掘能力和训练精度,其评价结果最为理想,决定系数R2为0.8145,MAE为0.009,MSE为0.012,RF能有效运用于耕地质量评价研究。本研究丰富和完善了县域尺度耕地质量评价指标体系及方法,为襄州区耕地资源数量、质量、生态“三位一体”的管护提供理论依据,同时为其他类似地区耕地质量评价提供借鉴与参考。