目前土壤肥力质量评价的方法很多,主要有指数和法、层次分析法、模糊综合法、灰色系统评价法等,大都需要构造隶属函数和确定各评价指标的权值以及怎样客观与合理确定权值,而隶属函数的设计具有一定人为性。模糊神经网络具有很强的自适应性、自组织性和容错性能,已被广泛地应用于信息处理、自动控制和模式识别等方面。因此,可以尝试利用神经网络模型来进行土壤肥力质量评价。本文以名山河流域为例,借助EXCEL、SPSS16.0和MATLAB7.1等软件,首先对不同利用方式下土壤肥力指标的特征分析,然后应用遗传模糊神经网络模型,评价流域内土壤肥力质量等级,最后运用模糊综合评价法对该流域土壤肥力评价,并对评价结果验证和比较。主要得到以下结论:(1)小流域土地利用方式对土壤性质产生了显著的影响,水田土壤中有机质、氮素养分含量高,说明水田可能是小流域养分流失的汇;人类活动干扰小的土地利用系统(天然林)土壤有机质、全氮含量和有效钾等普遍较高,其土壤肥力为较高,人工竹林在恢复土壤肥力性质中有其较好的作用,同时也可降低土壤侵蚀,减少水土流失,改善土壤质量。茶园有机质、全氮、速效磷等含量均显著高于旱地,旱地主要分布于具有一定坡度的地形上,加之降雨集中,有机质、有效钾等养分流失严重,土壤肥力为低等。(2)通过名山河流域土壤肥力评价表明,依靠对训练样本对的自学习,神经网络可以建立土壤肥力影响因素与土壤肥力状态间的高度非线性映射关系,并进而实现对待评价土壤的肥力评价和预测。评价结果为土壤肥力质量等级最高的是水田,其土壤肥力质量综合指数计算结果为3.7411,而旱地的值最低。从土地利用方式来看,土壤肥力综合指标值具体排列顺序为:水田＞自然林地＞茶园＞人工竹林＞旱地。(3)模糊综合评判结果取决于隶属函数和指标权值的具体形式,而此形式依赖专家或前人的经验,且土壤肥力的影响因素及各因素之间的关系。评价结果为水田、旱地、茶园、竹林和自然林地的IFI值分别是0.8407,0.3731,0.6431,0.5301和0.7358。可以看出各种利用方式下土壤肥力的差异很大,水田的IFI值最高而旱地的IFI值最低。从土地利用方式来看,土壤肥力综合指标值具体排列顺序为:水田＞自然林地＞茶园＞竹林＞旱地。(4)神经网络模型能够综合各指标值对样本作出评价,从而得出比较客观的评价结果。即使样本中有一两种指标值的单项等级远高于其它因子,神经网络模型仍然能够兼顾样本中所有因子的含量,排除干扰,对样本做出客观的分析,从而得出比较科学的评价结果。因此,神经网络模型是比模糊综合评价模型更为科学,客观的一个模型。