基于隨機森林算法的耕地質(zhì)量定級指標體系研究

林子聰，任向?qū)?，朱阿興,2，趙 鑫，胡月明,3,4

(1 華南農(nóng)業(yè)大學 資源環(huán)境學院/華南農(nóng)業(yè)大學 地理信息工程研究所/國土資源部建設(shè)用地再開發(fā)重點實驗室/廣東省土地利用與整治重點實驗室，廣東 廣州 501642； 2 威斯康星大學?麥迪遜分校 地理系，威斯康星州 麥迪遜 53706；3 青海大學 農(nóng)牧學院，青海 西寧 810016； 4 電子科技大學 資源與環(huán)境學院，四川 成都 610054)

耕地是特殊的公共資源和最為寶貴的自然資源，是糧食生產(chǎn)的載體，也是保障社會安全及社會可持續(xù)發(fā)展的物質(zhì)基礎(chǔ)[1]。目前，我國經(jīng)濟發(fā)展進入新常態(tài)，新型工業(yè)化、城鎮(zhèn)化建設(shè)深入推進，耕地占多補少，占優(yōu)補劣現(xiàn)象突出，優(yōu)質(zhì)耕地正大量流失；同時，由于土壤污染和不合理高強度利用，導致耕地退化，較大地影響了農(nóng)業(yè)的生產(chǎn)力[2-4]。

面對嚴峻的耕地形勢，為摸清耕地資源狀況，及時準確地掌握耕地質(zhì)量現(xiàn)狀，把握耕地質(zhì)量動態(tài)，我國開展了耕地質(zhì)量定級評價工作，即對耕地進行綜合評定并劃分級別，從而反映因耕地自然質(zhì)量、現(xiàn)實(或?qū)嶋H可能的)利用水平和效益水平的不同所造成的耕地生產(chǎn)力水平的差異[5]。耕地質(zhì)量評價工作是保護耕地的主要途徑，其有利于分析區(qū)域內(nèi)耕地質(zhì)量差異，能夠優(yōu)化耕地利用與布局，能夠為耕地保護提供參考依據(jù)，對耕地的占補平衡、占優(yōu)補優(yōu)工作提供指導。

自20世紀80年代末開始，我國許多專家學者對耕地定級的方法不斷探究，高中貴等[6]認為：定級指標體系是其定級結(jié)果準確可靠的基礎(chǔ)，但在實際操作中存在較多困難；金東海等[7]通過對以分等成果為基礎(chǔ)的“兩層七參數(shù)法”的定級新方法研究后認為：定級指標的篩選、權(quán)重的賦值是定級方法的關(guān)鍵。

以往傳統(tǒng)的定級指標篩選和賦權(quán)中，通常采用專家經(jīng)驗法，該方法主要通過專家根據(jù)經(jīng)驗對各個定級指標進行打分，累加各定級指標的分值并根據(jù)分值大小確認權(quán)重[8]。該方法完全根據(jù)專家組的經(jīng)驗判斷，主觀性較強，其選定的定級指標和確認的權(quán)重缺乏定量地分析，定級指標之間存在層級關(guān)系，相關(guān)性較強，導致定級結(jié)果不夠客觀準確。隨著科學技術(shù)方法的發(fā)展，應用耕地產(chǎn)量[9]于數(shù)學統(tǒng)計與數(shù)學模型的客觀定量法能夠定量測算定級指標的權(quán)重，同時可以避免定級指標之間的相關(guān)性，降低定級結(jié)果的多重共線性問題。因此，客觀定量法已經(jīng)成為必然趨勢[10]。隨機森林算法基于分類樹構(gòu)建模型，利用分類樹與實際值計算誤差得到變量重要性，屬于客觀定量法。

本文以青海省共和縣、都蘭縣及烏蘭縣為研究區(qū)域，應用隨機森林算法，建立耕地產(chǎn)量與自然、社會經(jīng)濟、區(qū)位等影響因素的有機聯(lián)系，同時結(jié)合因素的相關(guān)性分析結(jié)果，確定合理的定級指標及定級指標權(quán)重，并與傳統(tǒng)方法結(jié)果進行比較，為耕地定級工作提供科學依據(jù)。

1 材料與方法

1.1 研究區(qū)域概況

研究區(qū)域位于青海省的共和縣、都蘭縣和烏蘭縣，是國家生態(tài)保護與建設(shè)的戰(zhàn)略要地，是國家乃至全球重要的水源地和生態(tài)屏障，是高原生物多樣性基因資源的寶庫。另外，青海省生態(tài)系統(tǒng)較為脆弱，水土流失、荒漠化、沙化面積擴大，濕地萎縮，草場退化等問題突出，而生態(tài)環(huán)境的自我恢復能力、凈化能力越低的地區(qū)，越容易影響到耕地的產(chǎn)出水平。

研究區(qū)域地處柴達木盆地東部，山脈、盆地、平原各地貌交錯，地勢北低南高，平均海拔3 500 m，海拔差最大達3 076 m。位于大陸腹地，遠離海洋，具有典型的高寒大陸性氣候特點：年降水少、時空分布不均，蒸發(fā)強烈、干燥度大；溫度低、溫差大、日照長、輻射強；冬春季多大風，災害性天氣頻繁。研究區(qū)域2017年轄3縣12鎮(zhèn)11鄉(xiāng)242個行政村，土地總面積 74 187.94 km2，耕地面積 49 739.29 hm2；總?cè)丝?6.27萬，其中農(nóng)業(yè)人口16.87萬，集中分布在研究區(qū)域內(nèi)氣候較適宜的平原及盆地地區(qū)。耕地的主要作物為小麥、青稞及油菜。

根據(jù)研究區(qū)域耕地的空間分布特征，在研究區(qū)域共布設(shè)97個采樣點，通過實地問卷調(diào)查，收集到2015—2017年耕地產(chǎn)量及對應分布的基礎(chǔ)數(shù)據(jù)。對3年的產(chǎn)量數(shù)據(jù)取平均值，得到各調(diào)查樣點的年均產(chǎn)量數(shù)據(jù)，其數(shù)據(jù)特征及分布如表1與圖1所示。

表1 研究區(qū)域調(diào)查樣點產(chǎn)量數(shù)據(jù)Table 1 Yield information of investigation plot in research area

圖1 研究區(qū)位置及采樣點分布圖Fig. 1 Location of the research area and spatial distribution of the sampling sites

1.2 數(shù)據(jù)來源

目前，各種類型耕地質(zhì)量評價所構(gòu)建的評價指標體系都以氣候因素、地形自然條件因素和土壤物理化學性狀因素等為主。根據(jù)耕地質(zhì)量的概念和內(nèi)涵，影響耕地質(zhì)量的因子可分為自然因素和社會經(jīng)濟因素兩類[11-13]。此外還有一些研究表明，隨著高標準農(nóng)田建設(shè)的開展，耕地工程要素對農(nóng)業(yè)生產(chǎn)的便捷性、經(jīng)濟性具有重要影響[14-15]。

因此，本文收集的影響因素分為以下5類：1)自然因素：氣候數(shù)據(jù)，包括溫度、降水、太陽輻射等；基礎(chǔ)地理數(shù)據(jù)，主要包括海拔、地形坡度；土壤理化數(shù)據(jù)；水資源狀況數(shù)據(jù)。2)生態(tài)因素：指研究區(qū)域生態(tài)系統(tǒng)的脆弱程度，自然災害等易發(fā)程度。3)社會經(jīng)濟因素：指基礎(chǔ)設(shè)施、耕作便利程度、土地利用方面數(shù)據(jù)。4)區(qū)位因素：指城鎮(zhèn)、農(nóng)貿(mào)市場、道路等對耕地的影響。5)工程因素：指高標準農(nóng)田建設(shè)中的土地整治工程。

氣候數(shù)據(jù)是依據(jù)馬昊翔等[16]制作的青海省生長季均溫圖、青海省生長季降水圖，保廣裕等[17]制作的青海省年太陽總輻射量空間分布圖獲得；基礎(chǔ)地理數(shù)據(jù)是根據(jù)中國科學院計算機網(wǎng)絡信息中心地理空間數(shù)據(jù)云平臺(http://www.Gscloud.cn)獲取的30 m分辨率數(shù)字高程圖，在Arcgis10.2中提取海拔和坡向獲得；依據(jù)2017年共和縣、都蘭縣和烏蘭縣耕地質(zhì)量定級成果，獲取有效土層厚度、表層土壤質(zhì)地、礫石含量、土壤有機質(zhì)含量、土壤酸堿度、灌溉保證率、灌溉水質(zhì)量、田塊形狀、田塊大小以及利用現(xiàn)狀等耕地質(zhì)量定級指標值；生態(tài)因素依據(jù)的是全國主體功能區(qū)規(guī)劃[18]中的自然災害危險性評價圖、生態(tài)脆弱性評價圖及青海省國土局制作的青海省水土流失狀況評價圖；依據(jù)2016年共和縣、都蘭縣和烏蘭縣的土地利用現(xiàn)狀數(shù)據(jù)庫，獲取道路、城鎮(zhèn)、農(nóng)貿(mào)市場、耕地等分布數(shù)據(jù)，在Arcgis10.2中通過與耕地進行空間分析，獲取耕作距離、農(nóng)田破碎度、農(nóng)田路網(wǎng)密度、城鎮(zhèn)影響度、農(nóng)貿(mào)市場影響度、道路通達度、對外交通便利度等狀況數(shù)據(jù)；工程因素是對2012—2016年共和縣，都蘭縣和烏蘭縣的高標準基本農(nóng)田整理項目資料進行數(shù)據(jù)化，得到灌溉排水工程、道路工程、農(nóng)田防護林工程、土地平整工程的分布及工程建設(shè)狀況。

影響因素數(shù)據(jù)類別及描述如表2所示。

1.3 分析方法

1.3.1 隨機森林算法 隨機森林是由 Breiman 等[19]在2001年提出的一種基于分類樹的算法，具有防止過擬合、模型穩(wěn)定性強以及易于處理非線性回歸等特點，由于其良好的性能表現(xiàn)，在眾多領(lǐng)域的問題解決中都取得了不錯的效果[20-26]。

表2 影響耕地質(zhì)量的因素Table 2 Factors impacting the quality of cultivated land

隨機森林是基于二進制分割數(shù)據(jù)解決分類和回歸問題的算法[27]。隨機森林算法首先采用Bootstrap抽樣技術(shù)從原始數(shù)據(jù)集中抽取N個訓練集，每個訓練集的大小約為原始數(shù)據(jù)集的2/3; 然后，為每個訓練集分別建立分類回歸樹，產(chǎn)生由n棵分類樹組成的森林，在每棵樹生長過程中，從全部M個特征變量中隨機抽選m個(m≤M)特征變量，在這m個屬性中根據(jù)Gini系數(shù)最小原則選出最優(yōu)屬性進行內(nèi)部節(jié)點分支；最后，集合n棵分類樹的預測結(jié)果，采用投票的方式?jīng)Q定新樣本的類別，每次抽樣約有1/3的數(shù)據(jù)未被抽中，利用這部分袋外數(shù)據(jù)(Out-of-bag，OOB)進行內(nèi)部誤差估計，產(chǎn)生OOB誤差[28]。

隨機森林算法利用OOB誤差計算特征變量重要性(I)：首先，根據(jù)袋外數(shù)據(jù)計算隨機森林中每個分類樹的袋外誤差(E)；然后，隨機改變袋外數(shù)據(jù)第j個特征變量()的值，并計算新的袋外誤差()；最后，變量的重要性[I()]表示為

隨機森林算法通過R語言軟件平臺實現(xiàn)，運行過程中需要至少定義2個參數(shù):分類樹的數(shù)目(n)和節(jié)點分裂時輸入的特征變量個數(shù)(m)。若做分類分析，則m設(shè)定為變量個數(shù)的平方根，回歸分析則設(shè)定為變量個數(shù)的1/3[31]。本研究影響因素為30個，因此，n=500，m=5，其余參數(shù)均根據(jù)模型默認值進行設(shè)定。

1.3.2 相關(guān)性分析 通過 SPSS19.0 平臺，對在隨機森林模型中模擬的各影響因素進行Pearson相關(guān)性分析。

1.3.3 定級方法 1)定級指標量化：根據(jù)定級指標分布類型及對定級評價單元的影響方式，對定級指標分為3類進行量化。其中：面狀指標包括耕作距離、農(nóng)田破碎度、林網(wǎng)化密度和城鎮(zhèn)影響度；線狀指標包括道路通達度和農(nóng)田路網(wǎng)密度；點狀指標包括農(nóng)貿(mào)市場影響度和對外交通便利度。面狀指標的量化主要通過直接指標或者間接指標進行，線狀指標的量化則采用線性衰減法進行。

2)定級評價單元劃分：定級單元是級別劃分和質(zhì)量評定的基本空間單位，單元劃分的主要方法為地塊法、網(wǎng)格法和疊置法。本文為了保持原始地類圖斑的自然屬性和形狀，與土地利用現(xiàn)狀圖中的耕地圖斑保持一致，更貼近現(xiàn)實耕作情況，采用地塊法[32]進行定級評價單元劃分，最終劃定定級單元數(shù)為 9 219。

3)定級指數(shù)與級別劃分：定級指數(shù)計算采用加權(quán)求和法[33]。耕地級別一般根據(jù)單元定級指數(shù)值進行劃分，通常采用等間距法、數(shù)軸法或總分頻率曲線法進行土地級別的劃分。本文采用等間距法對單元定級指數(shù)進行級別劃分。

1.3.4 特爾菲法 目前耕地質(zhì)量定級評價工作中，應用特爾菲法確認定級指標體系是比較常用的方法，本文將研究成果與采用特爾菲法的定級結(jié)果進行對比分析，嘗試分析隨機森林算法的優(yōu)勢與不足。本文采用的特爾菲法的定級指標體系如表3所示，共計30個指標作為影響因素。

表3 采用特爾菲法的定級指標體系Table 3 Grading indicators system using Delphi method

續(xù)表 3 Continued table 3

2 結(jié)果與分析

2.1 隨機森林算法分析結(jié)果

以97個產(chǎn)量采樣點2015—2017年的平均標準產(chǎn)量作為因變量，30個影響因素作為自變量建立隨機森林回歸模型，并對30個影響因素進行重要性分析。模型的預測產(chǎn)量與實際產(chǎn)量的擬合度(R2)達到79.47，反映出模型的擬合度較好。

表4列出了隨機森林模型分析的變量重要性I值。30 個影響因素的變量重要性I值在 0.03～11.94，其中生態(tài)系統(tǒng)脆弱性、生長季平均降水和自然災害危險性的重要性較強，I值分別為11.94、10.63和10.01。年總太陽輻射量、土壤酸堿度、灌溉水質(zhì)量、對外交通便利度、地形坡度、生長季平均溫度、農(nóng)田破碎度、城鎮(zhèn)影響度、農(nóng)貿(mào)市場影響度、土壤有機質(zhì)含量、水土流失狀況和耕作距離的I值在 5.70～9.08，其他 15 個影響因素的I值在4.74以下。

表4 隨機森林算法對影響因素的變量重要性(I)排序Table 4 Variable importance (I) ranking of impact factors by random forest algorithm

2.2 相關(guān)性分析結(jié)果

對30個影響因素進行Pearson相關(guān)分析，結(jié)果顯示，大部分影響因素間相關(guān)性不顯著。其中有8個影響因素為顯著相關(guān)(表5)：自然災害危險性與生態(tài)系統(tǒng)脆弱性的Pearson相關(guān)系數(shù)r=0.957，為顯著正相關(guān)；表層土壤質(zhì)地與礫石含量的相關(guān)系數(shù)r=0.790；灌溉排水工程、道路工程、農(nóng)田防護林工程和土地平整工程之間r>0.850 ，結(jié)果表明，在該研究區(qū)域，以上影響因素之間存在較強的相關(guān)性，會對定級結(jié)果造成多重共線性的問題。

在面對多重共線性問題上，最常用做法是保留重要解釋變量，去掉次要或可替代解釋變量。然而，相關(guān)性分析雖然可以判斷影響因素之間的相關(guān)性，但是無法識別其中重要的解釋變量。因此，本文結(jié)合隨機森林的變量重要性的分析結(jié)果進行了解釋變量的識別。

表5 顯著相關(guān)影響因素的相關(guān)系數(shù)1)Table 5 Correlation coefficients matrix of significantly related impact factors

2.3 定級指標體系

對重要性I值進行標準化后的研究區(qū)域的定級指標體系如表6所示，這套耕地質(zhì)量定級指標體系的一級指標權(quán)重序列為自然因素>區(qū)位因素>生態(tài)因素>社會經(jīng)濟因素，其中自然因素權(quán)重最大，為0.53；區(qū)位因素和生態(tài)因素分別為0.19和0.16，社會經(jīng)濟因素權(quán)重最小，為0.12。該套耕地質(zhì)量定級指標體系包含了生態(tài)環(huán)境狀況、氣候狀況、地形狀況、土壤條件、水資源狀況、基礎(chǔ)設(shè)施條件、耕作便利條件及區(qū)位、交通等方面，選取的指標都不同程度地對研究區(qū)域耕地質(zhì)量有所影響，其權(quán)重與影響程度比較相符，能夠比較合理地評價研究區(qū)域的耕地質(zhì)量。

2.4 隨機森林算法和特爾菲法定級結(jié)果的比較

從隨機森林算法和特爾菲法定級結(jié)果(圖2)可知，隨機森林算法和特爾菲法計算的耕地質(zhì)量定級結(jié)果具有比較相似的空間分布情況，即共和縣東部及烏蘭縣中部耕地級別較高，共和縣西部及南部比較低，但局部地區(qū)定級結(jié)果存在較大差異。由于研究區(qū)域耕地分布較為零散，難以從總體空間和數(shù)量上對比2種方法定級結(jié)果的差異，故在研究區(qū)內(nèi)設(shè)置能夠穿越最多耕地斑塊的2條典型樣帶，對隨機森林算法及特爾菲法的定級結(jié)果進行比較觀察，即“東北?西南”樣帶及“西北?東南”樣帶，樣帶寬度為5 km(圖3)。

表6 耕地質(zhì)量定級指標體系Table 6 The index system of cultivated land quality grading

圖2 研究區(qū)域2種方法的定級結(jié)果及空間分布圖Fig. 2 The grading result and spatial distribution map of two methods in the research area

從對樣帶的定級結(jié)果(圖4)可知，隨機森林算法和特爾菲法的定級結(jié)果空間變化趨勢基本一致的趨同性強，對同一地塊的級別高低判斷基本一致，都能夠較好地體現(xiàn)出耕地級別的空間變異性。另外，隨機森林算法更加穩(wěn)定，級別變化程度小，更有利于構(gòu)建省級空間尺度的耕地級別可比序列。

圖3 研究區(qū)域2條樣帶位置圖Fig. 3 Position of two sample belts in the study area

圖4 隨機森林算法和特爾菲法對2條樣帶定級結(jié)果的對比Fig. 4 Comparison of grading results of random forest method and Delphi method to two sample belts

在西北?東南樣帶第220 km處，隨機森林算法的定級結(jié)果與特爾菲法比較相似。該位置地形平整，土壤質(zhì)地為壤土，有效土層厚度大于1 m，土壤有機質(zhì)含量較高，但生長季降水及溫度條件較差，距離共和縣城區(qū)較遠，區(qū)位條件較差。表明盡管隨機森林算法比特爾菲法的定級指標數(shù)量較少，但定級結(jié)果由于權(quán)重的大小調(diào)整，未影響定級結(jié)果的準確性，隨機森林算法能夠有效地表現(xiàn)研究區(qū)域耕地級別的空間變異性。

其次，在東北?西南樣帶第110 km處，隨機森林算法的定級結(jié)果顯著高于特爾菲法的定級結(jié)果。此處耕地位于柴達木盆地的東部，年總太陽輻射量為 6 735 MJ·m-2，生長季平均氣溫為 11～12 ℃，生態(tài)系統(tǒng)脆弱性類型為略脆弱型。在研究區(qū)域中該位置耕地的太陽輻射量較大，生長季氣溫高，生態(tài)環(huán)境比較穩(wěn)定，是青海省著名的春小麥高產(chǎn)區(qū)。表明隨機森林算法能夠通過變量重要性值大小的設(shè)置，充分體現(xiàn)以上定級指標對耕地質(zhì)量的正向影響作用，有效識別出研究區(qū)域的優(yōu)質(zhì)高產(chǎn)耕地，修正研究區(qū)域中高值低估的狀況。另外，在西北?東南樣帶第290 km位置，隨機森林算法的定級結(jié)果顯著低于特爾菲法。該區(qū)域靠近城鎮(zhèn)及國道，生長季溫度為10～11 ℃，生長季溫度較高，降水比較充足，區(qū)位和交通條件優(yōu)越。然而該區(qū)域位于研究區(qū)域中人口總量最多的共和縣，耕地開發(fā)程度較高，生態(tài)系統(tǒng)脆弱性類型為一般脆弱型，人與自然矛盾比較突出，脆弱的生態(tài)環(huán)境限制了耕地的耕作；另外，該地區(qū)的太陽輻射量為研究區(qū)較低的區(qū)域，較大地限制了耕地作物的產(chǎn)量。表明由于特爾菲法定級指標體系的定級指標過多，各定級指標權(quán)重值的差異較小，無法突出一些重要的定級指標，定級結(jié)果易受到多影響因素的綜合影響，造成低值高估的現(xiàn)象?？傊S機森林算法穩(wěn)定性更好，級別指數(shù)變幅區(qū)間更小，更有利于構(gòu)建省級空間尺度的耕地級別可比序列。

3 討論與結(jié)論

隨機森林算法計算得到耕地質(zhì)量定級指標體系，對該體系的研究結(jié)果表明，自然因素是對研究區(qū)域耕地影響最大的方面，本文從自然因素的定級指標分別討論其對研究區(qū)域耕地質(zhì)量的影響。

生長季平均降水和灌溉水質(zhì)量這2個定級指標描述了耕地灌溉情況，也是影響研究區(qū)域耕地質(zhì)量的重要因素。年降水不足，灌溉條件較差，均直接制約著青海省農(nóng)作物的單產(chǎn)。青海省氣候干燥，蒸發(fā)量遠大于降水量，使農(nóng)作物的需水量劇增。當降水充足、灌溉水質(zhì)量高時，將直接影響作物吸收的水分、土壤養(yǎng)分的質(zhì)量[34]。年太陽輻射量的權(quán)重為0.09，排權(quán)重的第3位，對研究區(qū)域耕地質(zhì)量影響較大。青海省尤其是研究區(qū)域中位于柴達木盆地的部分，太陽輻射量僅次于西藏，是青海省發(fā)展農(nóng)業(yè)的重要優(yōu)勢，其對于小麥的莖稈發(fā)育、揚花、灌漿的作用十分明顯，直接影響耕地的產(chǎn)量[35]。青海地區(qū)屬于高原大陸性氣候，易形成土壤鹽漬化[36]，土壤pH也是影響耕地產(chǎn)量的因素之一。地形坡度對地區(qū)水熱條件的能量交換起重要作用，同時直接影響土壤的形成和植被的生長發(fā)育。生長季平均溫度對生物的正常發(fā)育和生長起著決定性的作用，決定農(nóng)作物的耕作制度。土壤有機質(zhì)提供植物生長發(fā)育所需要的養(yǎng)分，其含量能影響耕地的產(chǎn)出。

本研究首先根據(jù)研究區(qū)域相關(guān)部門的研究成果、相關(guān)文獻及實地農(nóng)業(yè)調(diào)查，整理出影響研究區(qū)域耕地質(zhì)量的30個影響因素，并收集了研究區(qū)域近3年的耕地產(chǎn)量數(shù)據(jù)。其次，對影響因素進行相關(guān)性分析，并將耕地產(chǎn)量與該30個影響因素建立隨機森林回歸模型。通過綜合影響因素的相關(guān)性分析結(jié)果及隨機森林變量重要性結(jié)果，將30個影響因素篩選為14個定級指標，構(gòu)建了本研究區(qū)域的耕地質(zhì)量定級指標體系，并對研究區(qū)域的耕地進行了質(zhì)量定級。最后將定級結(jié)果與定級工作常用的特爾菲法成果進行對比分析，得出以下結(jié)論：1)將隨機森林算法與相關(guān)性分析結(jié)合，構(gòu)建了定級指標體系。指標體系同時涵蓋生態(tài)因素、自然因素、社會經(jīng)濟因素和區(qū)位因素共4方面，既包含了大尺度上生態(tài)、氣候和區(qū)位影響因素的指標，同時又考慮精細到地塊尺度的土地屬性，結(jié)果可以比較全面地評價研究區(qū)域耕地的質(zhì)量。2)通過對隨機森林算法和特爾菲法定級結(jié)果的比較，2種方法定級結(jié)果的趨同性強，對同一地塊的級別高低判斷基本一致，都能夠較好地體現(xiàn)出耕地級別的空間變異性；隨機森林算法穩(wěn)定性更好，級別指數(shù)變幅區(qū)間更小，更有利于構(gòu)建省級空間尺度的耕地級別可比序列，為隨機森林算法的應用及耕地質(zhì)量定級指標體系的構(gòu)建提供了新的依據(jù)。

此外，本研究的部分呈面狀分布指標如生態(tài)系統(tǒng)脆弱性，自然災害危險性等，無法有效表示各程度影響的漸變過程。同時，生態(tài)系統(tǒng)的變化比較劇烈和頻繁，如何使指標精確定量化是評價耕地質(zhì)量需要解決的重要問題，有待今后進一步的研究探索。