广东省农业发展优势度综合评价方法及其空间特征研究

刘玉，孟超，蔡玉梅，路磊，唐林楠

（1. 北京市农林科学院信息技术研究中心，北京 100097；2. 中国国土勘测规划院，北京 100035；3. 自然资源部土地利用重点实验室，北京 100035；4. 黑龙江省肇东市农业技术推广中心，黑龙江 肇东 151100）

农业是保障国民经济稳定发展的基础产业[1]。随着中国经济迈进高质量发展阶段，农业发展逐渐由“数量型”向契合“创新、协调、绿色、开放、共享”发展理念的“质量型”转变[2]。农业高质量发展意味着在资源禀赋、劳动力状况、历史基础及经济发展水平等综合作用下，地区农业差异化发展[3]， 并形成生产、经济或竞争等比较优势，拉动地方农业增长。《中共中央国务院关于全面推进乡村振兴加快农业农村现代化的意见》指出，到2025年，我国农业农村现代化将取得重要进展，农业基础建设、粮食和重要农产品供应、农业质量效益和竞争力等将实现大幅度改善和提升。据此，在“三农”工作重心历史性转移之际，开展农业发展优势度评价研究，客观辨识区域农业发展空间差异，并因地制宜制订差异化策略，将为促进农业高质高效发展、乡村全面振兴等提供支撑。

农业发展优势度评价是服务部门及地方农业发展问题诊断辨识、管理与决策实践的重要环节，其关键问题是如何把评价对象从高维映射到低维或一维，进而基于转化后的数值、序列或类别，开展特征分析与决策等。目前，学者们重点关注了水稻、蔬菜等的生产和区位优势[4-5]、优势格局演化与布局优化[6-7]、优势区域差异与影响因素[8-9]等内容，在农业发展优势度内涵、指标体系构建、评价方法选择等方面已形成了一定成果[10]，覆盖城市群、省域、县域等多个尺度，而农业现代化[11]、农业高质量发展[12]、农业可持续发展[13]、农业绿色发展[14]、农业竞争力[15]等内容也为农业发展优势度评价研究提供了诸多视角与方法借鉴。但在以下方面尚有拓展空间：1）在指标体系构建方面，更倾向于农业生产、区位等单一优势评价或测度研究，并以规模、产量、效益等为主要维度来构建模型，而综合考虑生产、区位、生态、市场等多重优势的研究较少。2）在 评价方法选择方面，通常分为基于知识和规则梳理的逻辑推理（经验指数和法、模糊综合评判方法等）和基于自学习、自适应系统的样本学习机制（人工神经网络、模糊神经网络方法等）2种[16]。随着高质量的农业资源监测调查数据快速增长，并逐渐由低维属性向高维属性跨越，传统方法的评价结果在反映农业发展优势方面难免不足[17-18]。随着统计学和计算机技术的发展，逐渐形成了机器学习、深度学习等智能计算方法[19]，在农情分析与建模、农业气象制图、农产品质量检测与分级等领域得到广泛运用与实践[20-21]。

鉴于此，本研究尝试界定农业发展优势度内涵，构建基于机器学习的农业发展优势度综合评价方法，客观评价广东省县域农业发展优势度；借助空间分析方法，揭示不同方面的空间分布特征与方向差异，并提出应对策略，以期为新形势下农业发展优势度的智能化评价提供方法借鉴，为农业空间布局优化和乡村产业振兴等提供有效支撑。

1 研究区概况

广东省地处中国南部，与香港、福建、湖南等地接邻。全省陆地总面积为17.97万km2，共辖广州、深圳、珠海等21个地级市，121个县（县级市、自治县、市辖区）。区域地势北高南低，山地、丘陵和平原交错，北部多为山地和高丘陵，南部则为平原和台地（表1）。截至2019年，全省常住人口11 521万人，其中乡村人口3 295万人；地区生产总值107 671.07亿元，其中农林牧渔业增加值 4 477.17亿元；农村居民人均可支配收入18 818元，农产品进出口贸易总额2 160.81亿元，农业经济发展处于全国前列。近年来，广东省相继编制了《广东省实施乡村振兴战略规划（2018—2022年）》《关于推进现代农业高质量发展的指导意见》等政策文件与规划，来指导、推动全省农业高质量发展，积极打造农业农村经济高质量发展的先行区[22]。因此，开展广东省县域农业发展优势度综合评价和空间特征研究，具有典型性和迫切性。鉴于部分市辖区没有农业数据或者数据不齐全，对单元进行合并，最终形成110个单元。

表1 广东省县域地形地貌分布Table 1 Topographic and geomorphological distribution of Guangdong Province

2 研究方法

2.1 农业发展优势度内涵界定及评价方法

2.1.1 内涵界定及指标体系构建 农业发展优势度发轫于要素禀赋论、比较优势论等理论[23]。早期阶段，学者们主要从规模和产量方面构建规模（效率）比较优势指数来反映农业发展优势度。随着产业发展理论的拓展与丰富，农业发展优势度被认为是区位、生产、资源、市场等多种优势的综合体现[12,14]。本研究将农业发展优势度定义为：以农业生产基本要素配置和投入为基础、以追求农业经济高质高效为目标，涵盖一个国家或区域的自然资源禀赋、经济产业基础、农业生产投入、现代化水平、经营体系、发展潜力、生态等多重优势，是农业生产、经营、组织、管理等过程表现出来的综合优势体现。遵循典型性、科学性、系统性、可操作性等原则，并参考《全国农业现代化规划（2016—2020年）》以及农 业现代化[11,24]、农业高质量发展[22]、农业竞争力[15]、农业适宜性[25]等相关文献资料，从自然地理本底、农业生产环境、农业质量效益、经营组织效益、生态协调能力和产业发展潜力6方面选取17项指标构建农业发展优势度综合评价指标体系（表2）。

表2 农业发展优势度综合评价指标体系Table 2 Comprehensive evaluation index system of agricultural development advantage degree

1）自然地理本底是农业赖以发展的自然物质基础，也是农业发展差异形成的重要因素[28]，选取地形位指数、光温生产潜力指数和耕地面积来表征。2）农业生产环境反映地区在劳动力、资本、技术等人为追加投入要素的比较优势，选取农业机械化水平和有效灌溉率表征。3）农业质量效益侧重衡量农业综合产出能力[24]，包括土地产出效益、农业产出效益、结构效益等，分别用地均农业产出、劳均农业产出、农林牧渔增加值率表征。4）农村经营组织效益反映一定产业组织化水平下农村的社会经济发展水平，选取经营组织化程度、农村居民人均可支配收入和第一产业从业人员比重表征。5）生态协调能力侧重反映县域农业发展对生态环境造成的负面影响。选取化肥农药负荷量、塑料农膜负荷量、河道治理率[29]表征。6）产业发展潜力是农业发展的活力体现，选取乡村通达度、节水灌溉面积比重和休闲农业示范点个数表征。其中，乡村通达度是度量县域内部交通网络结构以及对外联系的重要指标[8]，反映农业生产、农民生活的综合交通便利程度。节水灌溉面积比重和休闲农业示范点个数分别表征县域节水农业发展和产业融合能力。

2.1.2 指标标准化处理、权重确定与指数计算 选取极值法进行指标无量纲化处理，并采用熵权法确定权重（表2），该方法具有高于层次分析法和专家经验评估法的可信度，在多元指标体系的综合评价应用广泛，通常指标变异程度越大，提供信息越多，权重越高[30]。尔后，借助综合指数法计算农业发展分项及综合优势度。熵权法公式详见文献资料[15]，标准化及综合指数法计算公式如下：

式中：x'ij、xij、minxij、maxxij分别表示第i个县第j项指标的标准化值、实际值、最小值、最大值。公式（1）和（2）分别表示正向和逆向指标的标准化公式。Gik表示第i个县第k维优势度，k分别代表自然地理本底、农业生产环境等；Wj表示第j项指标权重，p表示自然地理本底等维度对应的指标项数。Gi表示第i个县的综合优势度。

2.2 基于机器学习的农业发展优势度评价模型构建

机器学习是人工智能体系的一个重要分支，通过将数据由非完整结构化转变为结构化形式，并将大量统计学模型部署于计算机系统中，用于发现数据尤其是大型数据集中的模式或规律，进而对未知数据进行预测或分类。与传统方法相比，机器学习以其“黑箱化”的数据处理模型和自主学习能力，避开了权重设置、指标间的复杂线性关系以及量纲等干扰因素，并提供一系列优化策略，提升了结果的可靠性[31]。目前，机器学习集成了人工神经网络、随机森林、支持向量机等经典算法。其中，BP神经网络是一种基于误差反向传播的监督型网络，具有较强的非线性处理能力和容噪能力，通过对输入信息、输出信息、误差的计算和反馈，修改BP网络中各层神经元的权值，从而得到最小误差信号并形成最终的网络模型，方法成熟并应用广泛[32]。据此，将BP神经网络融入农业发展优势度综合评价研究，探讨其应用可行性。技术流程如图1。

2.2.1 学习样本选取及网络参数设置 1）学习样本选取。考虑到农业数据的地域分异特点，借助ArcGIS“Geostatistical Analysis”模块的创建子集工具筛选样本（通常，学习样本占总体样本数的70%以上。为提升学习效果，设置为80%），使样本在空间上随机均匀分布；为避免模型过拟合，借助dividerand函数将学习样本随机分为训练集、测试集和验证集，比例分别为70%、15%、15%。

2）关键网络参数设置。①输入层、隐含层和输出层的激活函数分别为‘logsig’、‘tansig’、‘purelin’。②训练函数选用‘trainlm’。学习率设置为0.01。③目标函数选择均方差函数（MSE，mean squared error），目标值设为10-5。越接近目标值，模型拟合效果越好。④为避免过拟合造成的模型无法泛化和精度过低等问题，训练次数（epoch）选择1000次，有效性检验(validation checks)最大失败次数为6次。

2.2.2 样本学习结果评价及模拟 基于2.2.1中的经验公式确定隐含层神经元个数，取值在4～15之间，并采用试错法确定最优网络结构。具体规则如下： 1）依次调整隐含层神经元节点个数，并修改相关参数，对网络进行训练，当训练结果“R2越接近1，且通过有效性验证和测试”时，认为网络具有良好的学习效果，保存网络仿真值，并循环执行操作，直至结束。

2）计算并比较样本数据的仿真输出值与预期输出值之间的MSE/RMSE值，寻找MSE/RMSE均最小时对应的隐含层神经元个数。由图2可知，隐含层神经元个数为5时，MSE/RMSE均最小，分别为6.0×10-5和8.3×10-4，故确定最优网络结构为17-5-1。而后，基于相应结构和相关参数，对所有样本执行操作，并保存网络仿真输出值，操作执行结束，将结果导入ArcGIS中以备分析。

2.3 空间分析方法

2.3.1 重心模型 重心模型来源于物理学，是一种分析地理现象空间变异及动态变化过程的方法，在地理学领域通常借助于要素的某种属性和地理坐标，以对比分析同一要素的地理分布重心变化或不同要素的地理分布重心变化[33]。本研究用于分析农业发展各分项优势度的地理分布重心移动方向和移动距离变化，用以探寻各要素的地理空间差异，公式如下：

式中：O(X，Y)表示某项优势度重心的地理坐标。（Xi，Yi）表示县域i的地理坐标，具体用质心坐标代替；Ai为县域i某项优势度的属性值。θ为重心移动角度，以正东方向为0°，顺时针旋转为负，逆时针旋转为正。若0°＜θ＜90°，为东北方向；90°＜θ＜180°，为西北方向；-90°＜θ＜0°，为东南方向；-180°＜θ＜-90°，为西南方向。D为重心移动距离。R指把经纬度坐标转换为平面距离所对应的值，取常数值111.11 km。Xm、Xq、Ym、Yq分别是某项优势度第m级和第q级重心的经度值和纬度值。

2.3.2 标准差椭圆 标准差椭圆（Standard Deviational Ellipse，SDE）是Lefever[34]于1926年提出的一种常规空间统计工具，能够从多方面反映地理要素空间分布的整体性特征，包括4个基本要素：质心反映要素空间分布格局的相对位置；长、短轴分别表示要素在主要、次要方向上的离散程度，其比值体现要素空间分布的形态；由长轴与正北方向顺时针产生的夹角（即转角），反映要素分布的主趋势方向，具体公式为：

式中：(Xwmc,Ywmc)是空间要素(Xi,Yi)质心；(X'i,Y'i)是空间要素(Xi,Yi)距离质心(Xwmc,Ywmc)相对坐标；wi为空间要素属性值；Dx、Dy分别为沿x轴、y轴的标准差。

3 结果与分析

3.1 农业发展优势度综合评价

基于17-5-1的神经网络结构计算广东省农业发展综合优势度，并利用自然断裂法将结果从强到弱依次分为I、II、III和IV 4个级别（图3b）。与综合指数法计算得到的综合优势度期望值及分级结果对比可知（图3a），县域农业优势度仿真值与期望值的绝对误差介于0～0.020 9之间，平均绝对误差为0.001，样本总体均方差为0.028 8；在分级结果方面，除梅县区、花都区、南沙区、电白区、湛江市区的级别略有变化外，其余单元仿真值对应级别与单元对应优势度期望值所在级别均一致，错分率为4.55%。样本绝对误差、总体均方差和分级结果错分率等均在可接受范围内，表明神经网络能够很好的获取知识，实现农业发展优势度的智能化评价。

3.2 农业发展优势度空间分布特征

2019年广东省县域农业发展综合优势度空间分异性明显（图3b），平原区总体优于丘陵台地和山地丘陵区，并以广州、佛山、惠州、深圳、东莞等珠江三角洲平原区县域为核心向外衰减，粤西和粤东亦形成了类似的格局，但空间集聚程度和总体水平均较弱。具体而言，I级区共16个县，平均值为0.422 5，集中位于珠三角平原区（广州、惠州、 东莞、佛山、深圳等），雷州半岛和潮汕平原区内亦有零星分布；II级区共38个县，平均值为0.357 5，在空间上以粤西南分布居多，主要位于珠三角平原区、肇庆和清远南部地区，粤东北（梅州、潮汕）地区亦有少量分布；III级区共34个单元，平均值为0.313 9，空间分布以韶关和河源市为代表的粤东北地区为主，云浮市内亦有分布；IV级区共22个单元，平均值为0.269 5，空间上以汕尾、揭阳、梅州以及清远、韶关、河源等市内居多，阳江和云浮市内亦有少量分布，综合优势度最弱。

由图4可知，自然地理本底、农业生产环境和生态协调能力是广东省农业发展综合优势度的主要贡献因素，各县三项优势度累计值占综合优势度的比值均在50%以上。借助自然断裂法同样将6个分项优势度由强至弱分成I～IV级，进一步分析分项农业优势度的空间特征（表3）。

表3 优势度重心及标准差椭圆参数Table 3 Center of gravity and standard deviation ellipse parameters

3.2.1 自然地理本底 与综合优势度重心（113.65°E，23.23°N）相比，自然地理本底重心（113.5°E，23.19°N） 分别向西和向南偏移16.74 km和4.46 km，向西南共偏移17.33 km，表明粤西南方向的自然地理本底优势较强，并以粤西方向最明显。标准差椭圆覆盖范围和长轴（Y轴）均较大，短轴标准距离略小，长短轴比值较大，表明椭圆范围内偏西南-偏东北方向的极化趋势加剧，而偏西北-偏东南方向的分散态势加强。具体来看，I级区标准差椭圆偏西南-偏东北方向的极化态势最明显，椭圆范围覆盖了雷州半岛丘陵台地区以及茂名、阳江、云浮等丘陵区县域，这些单元耕地资源和光热条件良好，为区域农业发展提供了丰厚的自然物质条件。Ⅱ级～IV级椭圆重心东北偏移趋势加剧。Ⅱ级区主要分布在粤中南部地区（清远、肇庆、中山、江门、湛江）和粤东北丘陵和潮汕平原区（河源、揭阳、潮州、梅州、五华）内，这部分单元地势平坦，且光热条件良好，具有较强的农业发展适宜性。而处于IV级的清远、惠州、深圳、梅州等粤东北县域由于光温生产潜力和耕地禀赋较差，自然地理本底优势较弱。

3.2.2 农业生产环境 农业生产环境重心（113.98°E，23.24°N）位于综合优势度重心（113.65°E，23.23°N） 最东北方向，椭圆面积最小，仅为综合优势度椭圆面积的85.95%，长轴和短轴均收缩，长短轴比值却最大，表明农业生产环境的空间分布差异明显，可能存在集聚区，且东北方向明显强于西南方向。与农业生产环境重心（113.98°E，23.24°N）相比，I级区重心（114.59°E，23.02°N）向东南方向偏移72.26 km，覆盖面积仅为0.87万km2，区域内空间差异悬殊。其中，顺德区、蓬江区和南澳县的农业灌溉率和农业机械投入最好，具有绝对优势。Ⅱ级区椭圆重心（114.47°E，23.26°N）向东北方向偏移54.97 km，覆盖面积5.16万km2，椭圆范围内以Ⅱ级县域居多，单元地处珠江三角洲平原区和潮汕平原区，平坦的地势为区域农业灌溉提供了较好的基础，有利于形成农业生产环境优势。III和IV级重心西北方向偏移趋势更明显，椭圆面积逐渐增大，空间分布分散，其中，IV级区则以偏西南-偏西北方向分布为主，在清远、韶关市分布较为集中，这部分单元农业水利投入和农业机械投入均较少，总体处于劣势。

3.2.3 农业质量效益 农业质量效益重心（113.64°E，23.26°N）与农业发展综合优势度重心（113.65°E，23.23°N）基本重合，椭圆面积最大，为10.94万km2，表明农业质量效益空间分布分散态势最明显，其对农业发展综合优势度的影响不再明显，这与农业发展日益注重经济以外的效益有关[14]。其中，Ⅰ级区因单元数目较少，尚未形成相应的标准差椭圆分布，仅包括顺德区和香洲区，二者分别因良好的土地产出和劳动产出优势，表现出绝对优势；Ⅱ级区重心（113.27°E，23.28°N）位于农业质量效益重心（113.64°E，23.26°N）偏西方向，其中，茂名、肇庆、清远、云浮、揭阳和梅州市内县域丘陵、山地、平原等地貌类型多样，产业形式多样，具有明显的农林牧渔业发展优势，加之土地和劳动产出效益相对较好，农业质量效益优势较强。III～IV级椭圆呈偏西南-偏东北方向分布，III级椭圆面积分布较大，空间分布总体均衡，IV级椭圆面积分布小，差异相对明显，并以阳江、佛山、江门、中山市内的县域最弱。

3.2.4 经营组织效益 经营组织效益重心（113.44°E，23.19°N）偏离综合优势度重心（113.65°E，23.23°N） 西南方向15.67 km，椭圆面积一致，长短轴之比略微下降，长轴和短轴均收缩，表明该项优势以西南方向最优。与经营组织效益重心（113.44°E，23.19°N）相比，I级和Ⅱ级区标准差椭圆偏西南-偏东北方向分布趋势加强，III级和IV级区重心东北方向偏移趋势加剧。其中，I级区椭圆覆盖了顺德区、黄埔区、德庆县、高明区、东莞市、梅县区、徐闻县、湛江市区、深圳市等，县域农业发展各具特色，在农民收入、产业组织化水平以及就业水平方面表现均较突出，具有绝对的经营组织效益优势。Ⅱ级区椭圆覆盖范围包括粤西南地区（湛江、茂名）和粤中地区（东莞、深圳、佛山、广州、肇庆），单元优势次之。III级椭圆范围内相应级别的县域分布相对分散。IV级区椭圆面积较小，为5.07万km2，仅为经营组织效益椭圆面积的51.79%，长短轴之比为3.88，呈狭长型椭圆分布，方向呈偏西南-偏东北分布，覆盖了东莞、惠州、汕尾、揭阳、潮州、汕头等粤东南地区县域，县域间差异较大。其中，潮汕平原区内的单元以及和平县、阳春市，由于较低的收入水平以及产业组织化水平，效益表现最差。

3.2.5 生态协调能力 生态协调能力的重心（113.67°E，23.26°N）与农业质量效益（113.64°E，23.26°N）以及农业发展综合优势度重心（113.65°E，23.23°N）基本重合，表明生态协调能力内部差异性与农业发展综合优势度整体水平相似。与生态协调能力重心（113.67°E，23.26°N）相比，由I～IV级，各等级生态协调能力优势区的重心呈“西南-东南-东北-西南”的偏移趋势，椭圆面积呈先增大后收缩态势。其中，I～III级椭圆面积由8.82万km2增至11.92万km2，而后收缩至IV级的8.63万km2，表明随着等级的降低，椭圆范围内县域等级差异分散态势加剧，但IV级椭圆范围内的县域等级差异不均衡性加强。结合其指数分布来看，生态协调能力优势区集中位于粤中南地区（肇庆、广州、江门、东莞、河源、惠州），雷州半岛亦有少量分布，这部分县域河道治理率高、化肥农药以及农膜负荷量小，生态协调优势相对较强。而粤西南丘陵以及粤东地区的生态协调优势相对较弱，并以茂名、阳江、清远、云浮、汕尾、揭阳等市内的县域表现最差。

3.2.6 产业发展潜力 产业发展潜力重心（113.79°E，23.22°N）偏移农业发展综合优势度重心（113.65°E，23.23°N）东南方向15.67 km，长短轴之比与农业发展综合优势度相同，但长轴和短轴均收缩，表明产业发展潜力以东南方向发展更优，并呈集聚分布。与产业发展潜力的重心相比，由I～IV级，各等级产业发展潜力优势区的重心呈现“东北-西北-西南-东北”的偏移趋势；在椭圆覆盖范围上，随着级别的减弱，各等级椭圆面积呈现“增大-收缩-增大-收缩”的态势；在长短轴之比方面，I级最大（5.30），是产业发展潜力长短轴之比的2.24倍，表明I级椭圆范围内县域差异较大，并在偏西南-偏东北方向极化趋势加剧；Ⅱ和IV级椭圆范围内的县域空间分布趋于分散，且分散趋势加强；III级椭圆西南方向偏移趋势加剧，区域内覆盖了茂名、阳江、云浮、清远等产业发展潜力弱势区和江门、佛山、广州等优势区，前者多为丘陵地带，地形限制较大，道路建设受限，农业生产和生活便利较差，产业发展潜力较弱，后者多处于平原区，地势平坦，路网完善，节水农业和休闲农业发展迅速，具有明显的潜力 优势。

在教育教学改革中，各国高校都将实践能力和创新精神作为主要目标进行研究与改革。国外在20世纪60年代就开始了这方面的调研，随着时间的推移，也积累了很多成功经验，开发出了一些适用于本国的人才培养模式，如双元制模式、CBE模式等。我国从20世纪80年代开始了应用型人才培养模式的创新，在学习和借鉴外国优秀经验的基础上，根据本国国情，开发出了一些新课程，例如多元统合型课程等，这些课程模式各有特点，但仍然不能适应我国快速发展的新形势对人才的需要。

4 结论与政策建议

4.1 结论

本研究从自然地理本底、农业生产环境、农业质量效益、经营组织效益、生态协调能力和产业发展潜力6个维度构建评价指标体系，并借助机器学习框架下的BP算法以及空间分析方法，开展广东省农业发展优势度的实证研究和空间特征分析，主要结论如下：

1）2019年广东省农业发展综合优势度空间格局差异明显，平原区总体优于丘陵台地和山地丘陵区，珠江三角洲平原区县域农业发展综合优势度最突出。

2）6个分项优势度的空间分布和等级差异明 显，其中，自然地理本底、农业生产环境和生态协调能力是主要贡献因素。相对于农业发展综合优势度而言，自然地理本底和经营组织效益表现为粤西南方向优于粤东北方向；农业生产环境表现为粤东北方向优于粤西南方向；产业发展潜力表现为粤东南方向较优；农业质量效益和生态协调能力的内部差异性与农业发展综合优势度整体差异相似，但农业质量效益对农业发展综合优势度的影响不再起到关键作用，生态协调能力表现为粤中南和粤东北方向相对较优。

4.2 政策建议

综上，未来广东省可依托粤西南雷州半岛、粤中南珠江三角洲平原区、粤东南潮汕平原以及粤东北山地丘陵区相应的农业发展优势，分别形成高效农业区、现代都市农业区、特色农业区和生态农业区，助力农业高质量发展。具体建议如下：

1）针对湛江、茂名、清远、肇庆等粤西南丘陵区县域，依托现有资源禀赋、农业质量效益以及经营组织效益优势，借助龙头企业、现代农业产业园等新型经营主体，深化水果、有机茶叶、草药、海鲜等农产品生产与加工产业，加快品牌创建与推广，提升其全国知名度，实现区域农业提质升级。

3）针对汕尾、揭阳、汕头和潮州等粤东南区域，以潮汕平原为核心，结合区域地形资源、产业融合优势，以蔬菜种植、水产养殖等优势产业为依托，加快养殖生产智能化、农业机械化投入，提高其生产投入水平，加快形成规模化、现代化的产业园区，并加大港口、道路等交通设施的建设，配合产业园建设，形成农产品加工、物流配送一体化的农业产业化布局，助力精细农业发展。

4）针对清远、韶关、河源、梅州等粤东北山地丘陵区县域，结合区域地形地貌优势和生态优势，加强丘陵山地（果园、茶叶）生产机械化、智能养殖机械装备研发力度与资金投入，改善农业生产环境；加大地方财政资金或社会资金投入，吸引龙头企业或农业公司入驻；结合清新、英德、乳源、仁化、东源等县的特色农业优势，实现区域生态农业、观光休闲农业产业化发展，改善农民收入和农业产出效益双低面貌，助力乡村振兴。

本研究结论与《广东省国土空间规划（2020—2035年）》中农业生产空间布局基本一致，表明基于机器学习的智能化评价方法在县域农业发展综合优势度评价中具有适用性，对农业发展评价智能化方法具有一定的参考价值。但需要指出的是，随着农业数据的海量增长和智能化评价方法的发展，在智能化方法探索、应用与系统开发方面，建立指标预筛选机制和指标贡献诊断机制将成为评价成果有效指导农业发展的关键，而BP网络在该方面的探索还有待完善，未来模型设计时需重点关注指标智能化筛选和特征识别。本研究基于县域尺度开展农业智能化评价方法研究，而基于大尺度、大样本数据集的应用效果有待进一步探讨。