耕地地力评价方法及模型分析

第30卷 第5期 农 业 工 程 学 报 Vol.30 No.5

204 2014年 3月 Transactions of the Chinese Society of Agricultural Engineering Mar. 2014

耕地地力评价方法及模型分析

闫一凡1,2，刘建立1※，张佳宝1

（1. 中国科学院南京土壤研究所，南京 210008； 2. 中国科学院大学，北京 100049）

摘 要：耕地地力的定量评价和分等定级是测土配方施肥的重要内容，也是实现农田地力定向培育和精准农作的基础。该文从地力评价指标筛选、评价单元划分与赋值、评价指标的权重确定等方面介绍了国内外耕地地力评价的主要流程和重要研究进展，对中国农业部推荐方法（特尔斐法-层次分析法）、神经网络法、支持向量机和决策树法等评价方法的原理及其优劣进行了较系统的述评。进一步地，还对该领域目前存在的指标体系通用性、评价结果可比性、数据缺失等问题及可能的解决方案作了探讨。在未来的耕地地力评价工作中，应将传统的层次分析法与近年兴起的分类与回归树等数据挖掘新技术相结合，建立起更为客观、全面的地力定量评价模型，为中国精准农业生产提供方法学参考。

关键词：土地利用；土壤；数学模型；耕地地力；评价方法；评价指标；权重系数 doi：10.3969/j.issn.1002-6819.2014.05.026

中图分类号：S158 文献标识码：A 文章编号：1002-6819(2014)-05-0204-07

闫一凡，刘建立，张佳宝. 耕地地力评价方法及模型分析[J].农业工程学报，2014，30(5)：204－210.

Yan Yifan, Liu Jianli, Zhang Jiabao. Evaluation method and model analysis for productivity of cultivated land[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(5): 204－210. (in Chinese with English abstract)

0 引 言

耕地作为土壤的精华，是人类获取粮食和其他农产品不可替代的生产资料，耕地的地力水平直接决定了粮食的产量和质量。根据2008年农业部发布的《耕地地力调查与质量评价技术规程（NY/T1634-2008）》，耕地地力是指“在当前管理水平下，由土壤本身特性、自然背景条件和基础设施水平等要素综合构成的耕地的生产能力”。对耕地地力进行全面、客观评价以获得其时间、空间分布，是解析中低产田主要障碍因子、实现地力定向培育和农田精准管理的前提，对保障国家的粮食安全具有重要意义。

由其定义可知，耕地地力是多种自然、人为因素共同作用的结果，获取影响地力主要因子的实测数据（定性或定量的）是开展地力评价的前提。在进行地力评价时，需要首先筛选出地力的主要影响因子，确定各因子的相对权重或隶属度，然后进行收稿日期：2013-11-27 修订日期：2014-01-20

基金项目：973 计划课题（2011CB100506）；国家自然科学基金项目（41171179，41001127）

作者简介：闫一凡（1989－），女，河南新乡人，博士生，主要从事土壤水文模型研究。南京 中国科学院南京土壤研究所，210008。Email：[email protected]

※通信作者：刘建立（1973－），男，河北高邑人，博士，副研究员，主要从事土壤物理学领域研究。南京 中国科学院南京土壤研究所，210008。Tel：025- 86881226，Email：[email protected]

时间、空间上的评价单元赋值。由于耕地地力呈现出动态性、随机性、非线性、空间变异性等特征，各种地力影响因子间也可能存在交互作用，掌握不同耕地地力评价方法的基本原理、流程、适用范围及优缺点有着至关重要的作用。本文将就这些问题进行阐述和讨论。

中国的土地评价开始于4200多年前，《尚书·禹贡篇》将九州农用地评为3等9级；战国时，《管子·地员篇》按农用地生产力将土地分为18类，按其性质分为上土、中土、下土3等。这是世界上最早的农用地分等定级。在国外，俄国的库恰耶夫在1877年为查明土地税和土地质量的关系开展了土地评价工作；美国于1933年提出“斯托利指数分等”（storie index rating，SIR）和康乃尔评价系统，用于取代之前采用的产量评价方法[1]；1934年，德国财政部提出《农地评价条例》；1961年，美国正式颁布土地潜力分类系统；1976年，联合国粮农组织（Food and Agriculture Organization of the United Nation，FAO）发布《土地评价纲要》。近几十年来，随着全球定位系统、地理信息系统（GIS）和遥感技术的迅猛发展，基于GIS平台的耕地地力评价得到了国内外研究者的广泛关注。如鲁明星等[2]基于GIS进行了华中丘陵区的耕地地力评价；谢叶伟等[3]进行了基于GIS的典型黑土区耕地地力评价研究；王良杰等[4]结合测土配方施肥，在GIS支持下利用层次分析法和模糊数学等对安徽省宣城市

第5期 闫一凡等：耕地地力评价方法及模型分析 205

宣州区耕地地力进行了综合评价等。同样，基于GIS的作物适用性分类评估及全球范围的产量估算也得到了国外研究者的关注[5]。随着耕地地力调查和质量评价工作的广泛开展，各种潜在的问题也逐步显现出来。笔者在查阅大量文献资料的基础上，结合自己的实际工作体验，剖析了目前各种主流地力评价方法的优缺点并提出了可能的解决方案，以期为中国耕地地力评价提供方法学参考。

1 地力评价指标筛选

由于世界各国采用的地力评价方法不同，同一国家不同地区间也往往不统一[6]，而且评价目的和侧重点不尽相同，所以用于地力评价的指标体系也颇具差异。但通常都包括气候、立地条件、土壤、养分状况、管理措施等指标。例如，中国农业部于2000年组织专家用穷尽法建立了1套供全国地力评价的公用指标体系，该体系中包含了气候、立地条件、剖面性状、耕层理化性质、土壤养分状况、障碍因素、土壤管理7类共64项指标[7]。

气候因素在各国的评价体系中存在较大差别，如美国农业部的评价指标和中国一致，均包含了土壤湿度及温度等指标，但是FAO生产力评估指标中则不包含上述信息。此外，土壤微生物性质（如微生物量碳、氮等）也有明显差异，如Glover等[8]在美国华盛顿州土壤质量评价中采用了土壤微生物性质指标，而中国的相关研究则甚少涉及微生物方面。

由于不同区域的气候、土壤母质、质地、坡面性状、土壤理化性状等存在着巨大的差异，在实际工作中并不一定将全部指标都纳入考虑，而是根据经验和因地制宜的原则加以筛选。指标筛选一般遵循以下原则：选定的因子对地力有较大的影响，且存在较明显的变异；应选择稳定性高的因子，以便评价结果在较长时间内有应用价值，或选择稳定性较低但与当前生产有密切关系的因子；选择因子应与评价目的、范围和用途相协调。如小比例尺制图、区域评价时，环境因素（如气候、地貌等）应占主导地位；反之，土壤等应作为主导参评因素[9]。

在指标筛选过程中，除利用原始变量作为评价指标外，还可以利用主成分分析等统计学方法[4,10],通过降维而仅用少数几个综合变量来替代多个原始变量。一般采用相关分析、聚类分析等方法[11]从全部评价指标中选取最终的参评指标。

2 地力评价单元划分及赋值

2.1 评价单元划分

根据农业部的技术规程，一般用土地利用现状

图和土壤图叠加形成的图斑作为评价单元。这样做既克服了土地利用类型在性质上的不均一性，又克服了土壤类型在地域边界上的不一致性。同时，以土壤系统分类单元结合土地利用现状作为评价单元，也有助于中国土地评价工作与国际接轨，实现信息共享[12]。也有学者利用土壤图、基本农田划定图、土地利用现状图进行3图数字化叠置的图斑作为评价单元[13]，但在3者叠加过程中会形成大量面积小于农用地图层或土壤图单元的小多边形，需要对其进行合并处理[14]。与上述方法不同，周红艺 等[15]利用SOTER（soil and terrain database）数据库进行地力评价。SOTER数据库是以地形、母质特性和土壤属性作为3类基础数据，划分为地形-母质-土壤单元（即SOTER单元），每个SOTER单元都包含全面的地形、母质特性和土壤属性信息，这样在建立SOTER数据库的时候就已确定了评价单元。 2.2 评价单元赋值

评价单元赋值是根据各评价因子的空间分布图或属性数据库，将其数据赋值给每个评价单元。对于点位分布图（如养分点位分布图），多采用空间插值将其转换为栅格图，并与评价单元图叠加，通过加权统计进行赋值。目前最常用的空间插值方法为基于半方差函数的克里格法（如普通克里格、泛克里格、回归克里格等），其他方法包括反距离

加权、径向基函数、全局多项式、局部多项式 等[16-20]。插值方法应根据研究区域、实测点数量、具体用途等来选择[21]。在采用克里格插值时，可利用块金系数检验其因子空间相关性的强弱，即块金系数≤25%、25%～75%和≥75%时，分别表示其具有强烈、中等及微弱的空间自相关性。当变量空间自相关程度为微弱时，反应其变异主要由随机变异组成，不适合采用插值方法进行空间尺度拓展[22]。生成克里格插值图件后，可以通过检验和交互检验来评价其预测精度。常用的精度检验指标有平均预测误差、均方根误差、平均标准误差等。

对于矢量分布图（如土壤质地分布图），将其直接与评价单元图叠加，通过加权统计、属性提取，给每个评价单元赋值。对于线型图（如等高线图），可对其进行栅格化，再与评价单元图叠加，通过加权统计给评价单元赋值。

在实际工作中，很多指标（如成土母质、土体厚度、灌溉保证率等）并无矢量分布图可以用于直接赋值，同时也往往难以进行空间插值，此时多采用以点带面的方式进行赋值。但需要满足以下2个条件：土壤调查中采样点分布均匀且密度较大，并在调查中有详细的记录；这些定性指标在空间上一定范围内存在相对的一致性[23]。一些学者也做了些

206

农业工程学报 2014年

许变通，如王良杰等[4]利用GIS以耕地距水库、河人工神经网络（artificial neural network，ANN）流、灌区、较大水塘等的空间距离来计算灌溉条件具有高度非线性函数映射功能，由大量神经元节点指标，但这种方法并不一定适用于其他类型的 互连形成复杂的网络。在本质上，人工神经网络的指标。 3 评价指标权重及隶属度计算

权重系数的大小反映了不同评价指标与耕地

质量间的相关程度，准确计算各指标的权重系数关

系到评价结果的客观性和可靠性。实际应用中较多

采用的方法主要包括专家打分（特尔斐法）、层次

分析法（analytical hierarchy process，AHP）、多元

回归、模糊数学、灰度理论等[10,24-25]。农业部2008

年发布的《耕地地力调查与质量评价技术规程

（NY/T1634-2008）》中即推荐使用特尔斐法-层次

分析法确定各评价因子权重。美国的土地评价与立

地分析系统（land evaluation and site analysis system，LESA）也同样采用了层次分析法。

特尔斐法的核心是充分发挥一组专家对问题

的独立看法，然后归纳、反馈，逐步收缩、集中，

最终得出评价与判断。层次分析法是Saaty[26]提出

的1种定性与定量相结合的决策分析方法，其基本

原理是根据问题的性质和最终的目标，将问题分解

为不同的组成因子，按照因子间的相互关联影响以

及隶属关系将因子按不同层次聚合，形成1个多层

次的分析结构模型，最终把系统分析归结为确定最

底层相对于最高层的相对重要性权值。通过判断矩

阵，在计算出某一层次相对于上一层次各个因素

的单排序权值后，用上一层次因素本身的权值加 权综合，即可计算出某层因素相对于上一层乃至整

个层次的相对重要性权值，即层次总排序权值。特

尔斐-层次分析法是上述2种方法的集成，该方法

虽可充分利用专家经验，但是在实际工作中由于个

体认识的差异，不同专家对某一指标的打分值有时

会差异很大，往往导致判断矩阵的某些元素难以确

定，做出的判断不能满足一致性检验，无法建立起

完全判断矩阵[27]，并且因为较少考虑土壤各属性

间的依赖关系，所以较难表达环境变量和土壤性质

间的非线性关系[28]。

多元回归分析法是处理变量的统计相关关系

的1种数理统计方法，其基本思想是：虽然自变量

和因变量之间没有严格的、确定的函数关系，但是

可以设法找出最能代表其相互关系的数学表达形

式。如刘友兆等[10]利用多元回归分析拟合了标准粮产量与灌溉条件、排水条件、地下水埋深和耕层质地间的回归方程，从而确定了评价指标权重。多元回归分析便于操作，但是可能忽略了交互效应和非线性的因果关系。 学习是1种归纳学习方法，即通过对大量实例的反

复学习，由内部自适应过程不断修改各神经元之间

互联的权重值，最终使神经网络权重值分布收敛于1个稳定的范围。利用人工神经网络可找到统一的数学模型来反映评价指标与耕地地力间的非线性关系，并在学习过程中不断地更正权重，以得到比较客观的权重值。如王瑞燕等[29]、孔维娜等[30]都是将作物产量作为定量目标结合人工神经网络建立了评价模型。 除评价因子的组合权重外，计算耕地地力的综合指数还需要确定其隶属度。根据模糊数学理论，可将评价指标与耕地地力之间的关系分为戒上型函数（如有机质、速效磷、速效钾）

、戒下型函数（如土壤容重）、峰型函数（如pH值）、直线型函数（如坡度、灌溉指数）以及概念型（地貌类型、土壤剖面构型，质地等5类）隶属函数。对于前4种类型，可以用特尔斐法对某组实测值进行评估得出相应的隶属度，并根据这2组数据拟合隶属函数；也可以根据唯一差异原则，用田间试验的方法获得测试值与耕地地力的一组数据，用这组数据直接拟合隶属函数，求得隶属函数中各参数值。再将各评价因子的实测值代入隶属函数，即可计算各评价因子的隶属度。对于概念型评价因子，可采用特尔菲法直接给出隶属度。许多学者如鲁明星等[2]、白根川等[31]均采用这种方式进行地力评价。 4 现有的耕地地力评价方法和模型

与农业部推荐的方法不同，许多评价方法需要通过产量数据来校正模型参数或是直接将产量数据作为分等定级的标准直接应用到模型当中。如土壤生产力指数（soil productivity index，PI）模型即需要通过研究区的产量数据来校正模型参数。PI模型最早由Neil于1979年提出，用来评价土壤性质对作物产量的影响。模型基于2个假设：在一定气候条件与管理措施下，作物产量与根系生长呈正相关；根系生长依赖于土壤质量。PI模型后来被Pierce等[32]、Mulengera[33]等作了进一步的发展和改良。段兴武等[18]在PI模型中引入土壤有机质指标，对东北黑土区主要地带性土进行了生产力评价，结果表明引入有机质指标的MPI（modified productivity index）模型评价效果明显优于PI模型。总体而言，PI模型将一定厚度的土体作为对象综合评价土壤生产力，效果明显优于表土评价法，但在实际应用时应因地制宜选择适当指标加以修订。

第5期 闫一凡等：耕地地力评价方法及模型分析 207

支持向量机（support vector machine）最早由Vapnik提出，之后Vapnik和Cortes又提出了1种改进的最大间隔区方法[34]，进一步拓展了支持向量机的应用范围。赖红松等[35]、魏善沛等[36]利用粗糙集和支持向量机相结合的组合算法探索人工林地力等级评价的新方法。这种组合充分利用了粗糙集理论在消除冗余信息和处理不确定性信息等方面的优势及支持向量机在解决小样本、非线性及高维模式识别问题中表现出的优越性。

随着人工智能机器学习技术（machine learning）的发展，决策树（decision tree）技术也渐渐被应用于土壤学研究领域。决策树的早期经典算法当属

ID3（iterative dichotomizer 3）决策算法[37]

（Quinlan，1986），该算法用信息增益值（或信息熵）度量，在每个非叶节点上选择信息增益最大的属性作为测试属性，信息增益值越大，不确定性越小。之后，Quinlan[38]将ID3算法进一步发展得到了C4.5算法。

曹丽英等[39]、

司巧梅等[40]利用ID3决策树算法分布对吉林省德惠市和牡丹江市土地进行了地力等级评价。孙微微等[41]采用C4.5算法对广东省土壤质量进行分等定级，并以定量规则方式表达所获取的知识。结果表明，其知识表达易于理解，预测准确率为96.61%。C4.5之后又发展形成了C5.0算法，它在C4.5的基础上采用了boosting技术，使样本的

预测精度更高。田剑 等[42]

在聚类支持下利用C5.0算法建立了决策树模型对广东省龙川县耕地进行了评价，其预测精度达到了94.92%。

与ID3决策算法比较接近的方法是Brieman等[43]

提出的分类与回归树模型（classification and regression tree，CART）。与ID3算法不同，CART算法的不纯度度量是Gini指数，而非信息熵。王莉莎等[44]以产量比为因变量，以速效磷、有机质、耕层厚度等22个环境因子为自变量，采用回归树统计方法对双季稻田的地力特征进行了分析。结果表明以往被忽视的耕地地形（如海拔）、地形部位等因子是调控双季稻水稻土地力的重要因子。就预测能力而言，预测产量比的中值与实测值十分接近。CART方法的优点是简单明了、直观易解析，在分析大容量，多变量数据的复杂关系时具有很好的效果。而且，各种决策树不需要进行专家打分，避免了人为因素的干扰，而且当评价属性集合变更时，传统评价方法需要由专家重新确定属性的权重和隶属度，而决策树方法只需要重新学习一次树模型即可。不过，决策树方法需要预先确定训练集中各评价单元的地力等级，所以更适合在已有相关等级结果的研究中采用。

5 讨 论

自2002年启动耕地地力调查和质量评价工作以来，全国多个省市试点不断取得新的成果，但是随着工作的深入开展，地力评价中存在的评价指标体系缺乏通用性、评价结果横向无可对比性、偏远地区工作难以开展等问题日益凸显。 5.1 评价指标体系的通用性问题

目前文献报道的耕地地力评价工作多是以国家或地区为基础开展的。由于各国的实际情况（包括地力主要影响因子、技术能力和水平等）差异很大，所采取的指标筛选方法和标准也不尽相同，试图建立1套适用不同国家/地区的通用的地力评价指标体系是不现实的。而且，仅从实际工作量的角度出发，在国际上也不可能建立起包含所有地力影响因子的数据全集。

实际工作中必然涉及评价指标的筛选和取舍，以使投入工作量与评价结果可靠性之间达到1个平衡点，而这仍依赖于数据筛选和挖掘技术方面的进步。总的来说，当前解决评价指标通用性的可行方案仍然是由各国政府独立制定1套尽可能详尽（包括国际公认评价指标）的、同时又符合本国国情的地力指标体系。

5.2 地力评价结果的横向可比性问题

为解决地力评价结果的横向可比性问题，首先必须将地力等级的定义统一起来。例如，地力分等定级究竟按照单位年产还是地力综合指数目前尚无统一的标准，而实际工作中多以当地的实际年产量来划分等级，这可能使得低产区的1等地在高产区仅能认定为2等地或3等地。针对这一问题，可考虑以气候、立地条件等为主导因素，首先将较大的研究区划分为几个相对均一的亚区，再确定各个分区内的评价指标和权重，最后统一来划分评价等级，以实现结果的横向对比。

5.3 地力评价方法的未来发展趋势

目前主流的地力评价方法均不同程度地存在人为随意性或其它不足，要做到结果全面、客观也很困难。除采用层出不穷的各种新算法外，还可将不同方法有机集成起来，取长补短以实现优势组合。这是近年来地力评价方法研究的热点和未来发展趋势之一。例如，中国农业部推荐的特尔斐法-层次分析法虽然条理清晰，具有高度的逻辑性，但由于个人认知的差异，往往导致判断矩阵的某些元素难以确定，得出的判断不满足一致性检验，无法建立起完全判断矩阵；而支持向量机或决策树法等则不存在人工筛选的过程，可以避免人为因素的影响。将二者结合起来有助于弥补其各自的缺陷，并

208

农业工程学报 2014年

获得更全面客观的评价结果。

除了上述几个方面之外，在进行地力评价时还需因地制宜，充分考虑不同地区开展工作的难度差异（主要是数据缺失问题），评价方法或模型应具有较强的包容性，便于处理缺失和异常数据等。例如在自然条件恶劣的偏远地区，由于数据源不足，可以考虑采用CART方法，这是因为该方法缺失值处理机制灵活，显著提高了数据来源的宽容度。

6 结 论

本文通过对耕地地力评价的主要过程、主流方法及其国内外进展情况的综合分析，探讨了特尔斐—层次分析法、支持向量机、决策树等方法的相对优劣。同时，针对当前实际工作中存在的问题，提出了可能的解决方案，对该领域今后的发展趋势也作了展望。主要结论如下：

1）耕地地力评价涉及评价指标筛选、单元划分与赋值、指标权重或隶属度计算等主要步骤。其中，评价指标筛选目前尚无国际通用的标准，中国已建立了包括7类共64项指标的公用指标体系；单元划分和赋值多采用两图叠加（土地利用图和土壤图）、空间插值实现，权重及隶属度计算则多用经验法（特尔斐法）、定量法（人工神经网络、模糊数学等）或二者的组合方法。

2）当前主流的地力评价方法（如中国农业部推荐的特尔斐-层次分析法等）仍存在人为随意性等不足，推荐将不同评价方法（特别是特尔斐-层次分析法和分类与回归树模型法的组合）组合起来用于实际工作，可取长补短，进一步提高结果的可靠性。

3）建立起统一的地力等级定义，引入分类与回归树、人工智能、机器学习等新方法，并将其与现有评价方法（如特尔斐法、多元回归等）集成，充分挖掘数据、实现优势互补，将是未来耕地地力评价研究的重点和发展趋势。

[参 考 文 献]

[1] Huddleston J H. Development and use of soil

productivity ratings in the United States[J]. Geoderma, 1984, 32(4): 297－317.

[2] 鲁明星，贺立源，吴礼树，等. 基于GIS的华中丘陵

区耕地地力评价研究[J]. 农业工程学报，2006，8(22)：96－102.

Lu Mingxing, He Liyuan, Wu Lishu, et al. Evaluation of the farmland productivity of hilly region of central China based on GIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 8(22): 96－102. (in Chinese with English abstract) [3] 谢叶伟，赵军，李勇，等. 基于GIS的典型黑土区海

伦市耕地地力评价研究[J]. 干旱区地理，2011，34(2)：325－330.

Xie Yewei, Zhao Jun, Li Yong, et al. Assessment of

cropland productivity based on GIS for typical black soil region at Hailun County[J]. Arid Land Geography, 2011, 34(2): 325－330. (in Chinese with English abstract)

[4]

王良杰，赵玉国，郭敏，等. 基于GIS与模糊数学的县级耕地地力质量评价研究土壤[J]. 土壤，2010，42(1)：131－135.

Wang Liangjie, Zhao Yuguo, Guo Min, et al. Evaluation of farmland productivity based on GIS and fuzzy mathematics theory at county level[J]. Soils, 2010, 42(1): 131－135. (in Chinese with English abstract)

[5]

Fischer G, Van V H, Shah M. et al. Global Agro-ecological Assessment for Agriculture in the 21st century: Methodology and Results, International Institute for Applied Systems Analysis[M]. Laxenburg: International Institute for Applied Aystems Analysis, 2002.

[6]

Lothar M, Uwe S, Wilfried M, et al. Assessing the productivity function of soils.:A review[J]. Agron. Sustain. Dev, 2010, 30(3): 601－614.

[7] 全国农业技术推广服务中心——耕地地力评价指南[M]. 北京：中国农业科学技术出版社，2006：14－18.

[8]

GloverJ D, Reganold J P, Andrews P K. Systematic method for rating soil quality of conventional, organic, and integrated apple orchards in Washington State, Agriculture[J]. Ecosystems and environment, 2000, 80(1/2): 29－45.

[9]

张炳宁，张月平，张秀美，等. 基本农田信息系统的建立及其应用-耕地地力等级体系研究[J]. 土壤学报，1999，36(4)：510－520.

Zhang Bingning, Zhang Yueping, Zhang Xiumei, et al. Establishing and applying on the basic farmland information system[J]. Acta Pedologica Sinica, 1999, 36(4): 510－520. (in Chinese with English abstract)

[10]

刘友兆，王峻，刘吉军，等. 地理信息系统支持下的县域耕地分等研究[J]. 南京农业大学学报，2001，24(3)：106－110.

Liu Youzhao, Wang Jun, Liu Jijun, et al. Study on the gradation of cultivated land at county level with the support of GIS[J]. Journal of Nanjing Agricultural University, 2001, 24(3): 106－110. (in Chinese with English abstract)

[11]

Duan Xingwu, Xie Yun, Feng Yanjie, et al. Study on the method of soil productivity assessment in black soil region of northeast China[J]. Agricultural Sciences in China, 2009, 8(4): 472－481.

[12]

张海涛，周勇，汪善勤，等. 利用GIS和RS资料及层次分析法综合评价江汉平原后湖地区耕地自然地力[J].农业工程学报，2003，19(2)：219－223.

Zhang Haitao, Zhou Yong, Wang Shanqin, et al. Natural productivity evaluation of aultivate land based on GIS and RS data in Houhu farm of Jianghan Plain[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2003, 19(2): 219－223. (in Chinese with English abstract)

[13]

黄健，李会民，张惠琳，等. 基于GIS的吉林省县级耕地地力平评价与评价指标体系的研究[J]. 土壤通报，2007，38(3)：422－426.

Huang Jian, Li Huimin, Zhang Huilin, et al. Evaluation of integrated soil fertilities of cultivated land of count level in Jilin Province and a evaluation index system based on GIS-a case study in Jiutai city[J]. Chinese Journal of Soil Science, 2007, 38(3): 422－426. (in Chinese with English abstract) [14]

丁文斌，朱中华，陶吉平，等. 基于GIS的江苏省溧阳市

第5期 闫一凡等：耕地地力评价方法及模型分析 209 耕地地力评价研究[J]. 农学学报，2011，1(2)：19－24. Ding Wenbin, Zhu Zhonghua, Tao Jiping, et al. A GIS-based research of evaluation on cultivated land productivity in Liyang city, Jiangsu province[J]. Journal of Agriculture, 2011, 1(2): 19－24. (in Chinese with English abstract)

[15]

周红艺，熊东红，杨忠，等. 长江上游典型地区基于SOTER数据库的耕地地力评价[J]. 土壤通报，2005，36(2)：145－148.

Zhou Hongyi, Xiong Donghong, Yang Zhong, et al. Natural productivity evaluation of cultivated land based on SOTER database in the typical region of upper reaches of the Yangtse River[J]. Chinese Journal of Soil Science, 2005, 36(2): 145－148. (in Chinese with English abstract)

[16]

徐丹. 县域耕地地力评价理论与方法研究——以河南开封县为例[D]. 郑州：河南农业大学，2009.

Xu Dan. Research on Theory and Methods Applied in Evaluation of Land Productivity at County Level: A case Study in Kaifeng County[D]. Zhengzhou: Henan Agricultural University. (in Chinese with English abstract) [17]

杜红悦，李京. 土地农业适宜性评价方法研究与系统实现——以攀枝花为例[J]. 资源科学，2001，23(5)：41－45. Du Hongyue, Li Jing. Agricultural land suitability evaluation: model and system implementation: A case study of Panzhihua[J]. Resources Science, 2001, 23(5): 41－45. (in Chinese with English abstract)

[18]

段兴武，谢云，张玉平，等. PI模型在东北松嫩黑土区土壤生产力评价中的应用[J]. 中国农学通报，2010，26(8)：179－188.

Duan Xingwu, Xie Yun, Zhang Yuping, et al. Applied PI model in soil productivity assessment of Songnen black soil region in Northeast China[J]. Chinese Agricultural Science Bulletin, 2010, 26(8): 179－188. (in Chinese with English abstract)

[19]

刘莎，任红艳，史学正，等. 水稻土有机碳密度的空间预测分析——以浙江省长兴县为例[J]. 地球信息科学学报，2010，12(2)：165－169.

Liu Sha, Ren Hongyan, Shi Xuezheng, et al. Different methods for prediction of spatial patterns of paddy soil organic carbon density in Changxing county, Zhejiang province[J]. Journal of Geo-information Science, 2010, 12(2): 165－169. (in Chinese with English abstract)

[20]

赵永存，史学正，于东升，等. 不同方法预测河北省土壤有机碳密度空间分布特征的研究[J]. 土壤学报，2005，42(3)：379－385.

Zhao Yongcun, Shi Xuezheng, Yu Dongsheng, et al. Different methods for prediction of spatial patterns of soil organic carbon density in Hebei Province, China[J]. Acta Pedologica Sinica, 2005, 42(3): 379－385. (in Chinese with English abstract)

[21]

吴鹏飞，孙先明，龚素华，等. 耕地地力评价可持续研究发展方向探讨[J]. 土壤，2011，43(6)：876－882. Wu Pengfei, Sun Xianming, Gong Suhua, et al. On sustainable research of cultivated land productivity assessment[J]. Soils, 2011, 43(6): 876－882. (in Chinese with English abstract)

[22]

Combardella C A, Mooman T B, Novak J M, et al. Field-scale variability of soil properties in central soils[J]. Soil Sci Am, 1994, 58(5): 1501－1511.

[23] 樊燕. 梁平县耕地地力评价研究[D]. 重庆：西南大学，

2008.

Fan Yan. Evaluation of Cultivated Land Productivity in Liangping County[D]. Chongqing: Southwest University, 2008. (in Chinese with English abstract)

[24] 徐盛荣. 土地资源评价[M]. 北京：中国农业出版社，

1995：91－111.

[25] 朱德举. 土地评价[M]. 北京：中国大地出版社，1996：

91－104.

[26] Satty T L. Theanalytic hierarchy[M]. New York：

McGraw-Hill Inc, 1980.

[27] 高文，王双林. BP网在多灰度运动目标识别中的应用[J].

哈尔滨工业大学学报，1995，27(3)：94－99.

Gao Wen, Wang Shuanglin. Moving object recognition by BP neural network[J]. Journal of Harbin Institute of Tehcnology, 1995, 27(3): 94－99. (in Chinese with English abstract)

[28] 陈桂芬，马丽，董玮，等. 聚类、粗糙集与决策树的组

合算法在地力评价中的应用[J]. 中国农业科学，2011，44(23)：4833－4840.

Chen Guifen, Ma Li, Dong Wei, et al. Applied research of combinatorial algorithm of clustering, rough set and decision tree method in productivity evaluation[J]. Scientia Agricultura Sinica, 2011, 44(23): 4833－4840. (in Chinese with English abstract)

[29] 王瑞燕，赵庚星，陈丽丽. 基于ANN—产量的耕地地

力定量评价模型及其应用[J]. 农业工程学报，2008，24(1)：113－118.

Wang Ruiyan, Zhao Gengxing, Chen Lili. Evaluation model of cultivated land fertility using artificial neural network and productivity and its application[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(1): 113－118. (in Chinese with English abstract)

[30] 孔维娜，李跃进，李双异，等. 人工神经网络产量定量

评价模型在县域耕地地力评价中的应用[J]. 国土与自然资源研究，2012(2)：30－32.

Kong Weina, Li Yuejin, Li Shuangyi, et al. Application for cultivated land fertility evaluation in county level based on ANN-productivity quantitative model[J]. Territory& Natural Resources Study, 2012(2): 30－32. (in Chinese with English abstract)

[31] 白根川，王昌全，夏建国，等. 基于GIS技术的平昌

县域耕地地力评价[J]. 中国农学通报，2012，28(29)：212－220.

Bai Yinchuan, Wang Changquan, Xia Jianguo, et al. Evaluation of farmland productivity in Pingchang County based on GIS technology[J]. Chinese Agricultural Science Bulletin, 2012, 28(29): 212－220. (in Chinese with English abstract)

[32] Pierce F J, Larson W E, Dowdy R H, et al. Productivity of

soils: Assessing long term changes due to Erosion’s long term effects[J]. Soil water conserve, 1983, 38(1): 39－44. [33] Mulengera M K, Payton R W. Modification of the

productivity index model[J]. Soil tillage Res., 1999, 52(1/2): 11－19.

[34] Corinna Cortes, Vladimir Vapnik. Support-Vector

Networks[J]. Machine Learning, 1995, 20(3): 273－297. [35] 赖红松，吴次芳. 基于粗糙集和支持向量机的标准农田地

力等级评价[J]. 自然资源学报，2011，26(12)：2141－2154. Lai Hongsong, Wu Cifang. Productivity evaluation of

210

农业工程学报 2014年

Chinese with English abstract)

孙微微，胡月明，刘才兴，等. 基于决策树的土壤质量等级研究[J]. 华南农业大学学报，2005，26(3)：108－110. Sun Weiwei, Hu Yueming, Liu Caixing, et al. Soil quality grade evaluation based on decision tree[J]. Journal of China Agricultural University, 2005, 26(3): 108－110. (in Chinese with English abstract)

田剑，胡月明，王长委，等. 聚类支持下决策树模型在耕地地力评价中的应用[J]. 农业工程学报，2007，23(12)：58－63.

Tian Jian, Hu Yueming, Wang Changwei, et al. Application of evaluation in farmland with decision tree model based on clustering[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(12): 58－63. (in Chinese with English abstract)

Leo B, Friedman J H, Olshen R A, et al. Classification and Regression Trees[M]. Monterey: Brooks/Cole Publishing, 1984.

王莉莎，李勇，沈健林，等. 应用回归树分析双季稻区水稻土地力特征[J]. 生态学杂志，2013，32(1)：232－240.

Wang Lisha, Li Yong, Shen Jianlin, et al. Using regression tree to analyze the fertility characteristics of paddy soil in double-rice cropping region[J]. Chinese Journal of Ecology, 2013, 32(1): 232－240. (in Chinese with English abstract)

[36]

[37] [38] [39]

[40]

standard cultivated land based on rough set and support vector machine[J]. Journal of Natural Resources, 2011, 26(12): 2141－2154. (in Chinese with English abstract) 魏善沛，章景，王凯. 粗糙集与SVM的组合算法在人工林地力评价中的应用[J]. 中南林业科技大学学报，2013，33(5)：1－5.

Wei Shanpei, Zhang Jing, Wang Kai. Application of algorithm of rough set and support vector machine in productivity evaluation of plantation[J]. Journal of Central South University of Forestry and Technology, 2013, 33(5): 1－5. (in Chinese with English abstract)

Quinlan J R. Induction of decision trees[J]. Machine Learning, 1986, 1(1): 81－106.

Quinlan J R. C4.5: Programs for Machine Learning[M]. Morgan Kaufmann, 1993.

曹丽英，孙学生，赵月玲，等. 一种基于决策树算法的耕地地力等级评价[J]. 东北林业大学学报，2011，39(2)：93－96.

Cao Liying, Sun Xuesheng, Zhao Yueling, et al. Evaluation on soil fertility grade for cultivated land based on decision trees[J]. Journal of Northeast Forestry University, 2011, 39(2): 93－96. (in Chinese with English abstract)

司巧梅，宋丽. 决策树在耕地地力等级评价中的应用[J]. 安徽农业科学，2011，39(12)：7328－7329，7417. Si Qiaomei, Song Li. Application of decision tree in grade evaluation of arable land fertility[J]. Journal of Anhui Agri. Sci. 2011, 39(12): 7328－7329, 7417. (in

[41]

[42]

[43]

[44]

Evaluation method and model analysis for productivity of cultivated land

Yan Yifan, Liu Jianli1※, Zhang Jiabao1

(1. Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China;

2. University of Chinese Academy of Sciences, Beijing 100049, China)

1,2

Abstract: Quantitative evaluation, classification and gradation of cultivated land productivity are important for implementing formula fertilization, guiding the oriented soil fertility cultivation and precision farming. In this paper, the definition and main processes of cultivated land productivity were introduced ranging from indexes selection, evaluation unit division and assignment, index weight determination and gradation. Different evaluation methods of land productivity using machine learning technique confirmed with good results were summarized such as China's ministry of agriculture recommended method, Delphi-analytical hierarchy process, soil productivity index, support vector machine, artificial neural network, and decision tree. Their use methods, advantages and disadvantages were analyzed. In general, these machine learning techniques are objective and can easily overcome Delphi’s subjective effect. Farmland soil fertility survey and quality evaluation are popular. However, some potential problems occurred, for example that evaluation index system is lack of universality, results of evaluation cannot be compared for different city, even county if the evaluation methods are different, and work is hard to be done in some remote mountainous areas where the economy and science fall far behind other regions. These problems were discussed and some possible solutions were proposed such as applying classification and regression trees in remote mountainous areas to enhance coefficient of utilization of data set based on mechanism for handling missing values. Finally, the paper analyzed if average annual yields used as target variables of these new machine learning techniques are feasible and reasonable. If the answer was yes, how to integrate these new techniques into traditional evaluation and classification methods of cultivated land productivity may become the possible direction for study. It hoped that this article would provide valuable information on methodology for evaluation, classification, and gradation of cultivated land productivity.

Key words: land use; soils; mathematical model; cultivated land productivity; assessment method; assessment indicator; weight coefficient

（责任编辑：王 柳）

耕地地力评价方法及模型分析

作者：作者单位：刊名：

闫一凡， 刘建立， 张佳宝， Yan Yifan， Liu Jianli， Zhang Jiabao

闫一凡,Yan Yifan(中国科学院南京土壤研究所，南京 210008; 中国科学院大学，北京 100049)， 刘建立,张佳宝,Liu Jianli,Zhang Jiabao(中国科学院南京土壤研究所,南京,210008)农业工程学报

Transactions of the Chinese Society of Agricultural Engineering 2014(5)

英文刊名：年，卷(期)：

本文链接：http://d.g.wanfangdata.com.cn/Periodical_nygcxb201405026.aspx