基于GIS技术及多种数学模型,采用经验指数和法、地统计学方法、模糊数学方法及人工神经网络方法等对复杂地理环境下太子参产地环境适宜性评价进行研究,并通过种植区太子参等级指标对评价结果进行精度检验,进一步完善了复杂环境条件下区域环境适宜性评价的理论。经验指数和法即为影响环境适宜性程度的要素因子层的空间加权叠加得到综合适宜性分级[1]。但是,由于能够反映环境因素指标的样点数据具有空间分布离散性,而实际的地理要素指标的空间分布具有连续性。因此,普通的样点数据指标值空间插值模拟得到环境适宜性因子要素层误差较大。基于空间插值模拟的地统计学方法通过对指标数据的探索,根据不同要素指标数据的分布特征,选用适宜指标数据分布特征的空间插值模拟的数学模型,能够更好地表达因子要素值分布的空间连续性,从而得到更加符合实际情况的因子要素层[2]。因此,地统计学方法的介入提高了环境适宜性评价精度,是环境适宜性评价过程中必须考虑的基础数据分析过程。之前的地统计学方法并没有从环境适宜性影响因子的权重进行探索研究。模糊数学方法的介入,则通过对因子指标数据的模糊聚类分析,最终确定环境影响因子权重,并在经验指数和法基础之上最终完成太子参环境适宜性综合评价,避免了人为打分的主观性,从而使得最终的适宜性评价结果更加客观,更加符合实际情况。人工神经网络作为一种模仿人脑基本结构和功能来处理非线性高维与高阶性知识信息问题的有力的新方法[3]。通过对该方法的探索研究,发现将神经网络方法应用于环境适宜性综合评价速度快、效率高。然而,实际的评价结果显示其综合评价精度却并非同其速度一样乐观。研究采用2014年研究区涉及的8个乡镇的200个太子参样品的等级指标与不同数据处理所得评价结果进行检验。太子参品质检验结果表明,在所检验的来自施秉县200个太子参样品检验中,其中41个样本品质最优,92个样本品质优良,45个样本品质一般,剩下22个样本品质较差。因此,推断施秉县太子参种植环境适宜性适宜种植区域环境89%,不适宜太子参种植区域环境11%。基于经验指数和法的环境适宜性评价结果的实际验证符合率72.47%,实际验证不符合率27.53%。基于地统计学法的环境适性评价结果的实际验证符合率89.21%,实际验证不符合率10.79%。基于模糊聚类法的环境适宜性评价结果的实际验证符合率85.37%,实际验证不符合率14.63%。基于人工神经网络的环境适宜性评价结果的实际验证符合率75.29%,实际验证不符合率24.71%。本论文通过对经验指数和法、地统计学方法、模糊数学方法以及人工神经网络方法四种环境适宜性评价方法的对比研究,以及采用2014年研究区涉及的8个乡镇的200个太子参样品的等级指标进行检验的结果,最终选择地统计学方法为施秉县环境适宜性评价方法的最优方案。