基于BP神經網絡的未利用地開發生態風險預警研究

李吉龍　劉新平

摘要：首先，構建阜康市未利用地開發生態風險指標體系，其次確定該市各樣本點生態風險等級，最后運用BP神經網絡模型學習、訓練，為該區域未利用地開發生態風險預警提供對策建議。根據阜康市的地貌特征，選取6個具有代表性的樣本點，通過生態風險綜合指數法，結合生態風險評價指標權重，確定6個樣本點區域內未利用地生態風險等級。運用BP神經網絡模型進行模擬訓練、測試。結果表明，未利用地開發的生態風險與地形地貌水文有直接關系；BP神經網絡模型能較好地擬合實際數據，仿真效果好，對未利用地開發生態風險預警研究具有重要意義。在進行未利用地開發過程中，對一些地貌條件差、生態環境不穩定的地區，要降低開發強度，在未利用地開發后的生態保護建設中，應更多關注這些區域，加強對這些區域的生態保護投資。

關鍵詞：未利用地開發；BP神經網絡模型；生態風險；預警

中圖分類號： F323.211；S126 文獻標志碼： A 文章編號：1002-1302（2015）10-0500-04

近年來，隨著我國社會、經濟的快速發展，規模不斷擴大的非農建設用地將占用大量的耕地，加上生態退耕，使得中國耕地數量將大大減少[1]。為緩解耕地數量銳減的現狀，許多地方大力開發未利用地，以無序性、單一性、不可持續性的方式挖潛未利用地，對原未利用地所處地區的生態環境造成嚴重影響。在此背景下，對區域未利用地開發生態風險預警可以有效防止未利用地開發向無序化、病態化、危害環境方向發展，為實現未利用地開發、環境和社會效益統一提供參考。針對未利用地開發利用的不合理趨勢，政府及有關學者主要圍繞耕地適宜性評價、未利用地開發績效評價和未利用地開發生態風險評價三方面做了大量研究。未利用地開發的單方面研究較多，將耕地適宜性評價與生態風險評價結合的研究較少[2]。生態風險預警研究多采用面板數據，運用層次分析法、綜合因子法等對生態風險進行預警。這種方法研究的準確性較高，創建模型容易。但由于生態風險因子有復雜、非線性的特點，因地而異、因時而異，因此最好選擇一種具有學習功能的模型，這樣既能滿足研究的動態性，又能滿足研究的持續性[3]。 本研究在阜康市沙漠邊緣、沖積扇洪積扇、山地3種地貌類型中選取具有代表性的6個樣本點作為研究對象，通過生態風險綜合指數法對選取的6個樣本點的生態風險進行評估，并運用BP神經網絡進行模擬訓練、測試，最后運用訓練好的BP神經網絡模型對2013年未利用地開發利用的生態風險進行了預測。所選取的樣本點盡量包含研究區域的大體地形地貌，在對BP神經網絡進行訓練、預測時能更趨于合理性。

1 材料與方法

1.1 研究區域概況

阜康市位于新疆維吾爾自治區昌吉回族自治州境內，地處天山東段（博格達山）北麓、準格爾盆地南緣，東臨吉木薩爾縣，西與米東區接壤，南與烏魯木齊縣相望，北與阿勒泰地區福?？h相連，境內東西最寬處約76 km，南北最長處約 198 km，土地總面積8 528.8 km2。地貌特征由南向北可劃分為南部山區、中部平原、北部沙漠3個單元，因此選取3個單元內具有代表性的6個樣本點作為本次研究的對象，分別為城關鎮（位于沖積洪積扇中部），上戶溝鄉、水磨溝鄉、三工河鎮（位于沖洪積扇下部），九運街鎮（位于沖洪積扇中下部），滋泥泉子鎮（位于沙漠邊緣）。該6個樣本點區域內未利用地開發現狀如表1。

1.2 研究方法

1.2.1 BP神經網絡基本原理 （1）BP模型結構一般分為3層，即輸入層、隱層、輸出層。（2）從大量的離散試驗數據中，經過學習訓練，調節各層與層之間的節點連接權wij，使網絡“記憶”各訓練組。（3）通過大量的訓練組的學習，建立起反映實際過程內在規律的系統模型。

1.2.2 BP神經網絡模型 設BP網絡的輸入層有n個節點，隱含層有q個節點，輸出層有m個節點，輸入層與隱含層之間的權值為νki，隱含層與輸出層之間的權值為wjk。隱含層用z表示，輸出層用y表示。隱含層的傳遞函數為f1（），輸出層的傳遞函數為f2（）。

1.2.2.1 正向傳播 （1）作用函數模型。作用函數是反映下層輸入對上層節點刺激脈沖強度的函數，又稱刺激函數，一般取為（0，1）內連續取值Sigmoid函數：

2 結果與分析

2.1 構建指標體系

根據生態系統的組成、功能及生態風險評價的內涵，結合研究區內未利用地的實際，利用特爾非法，確定自然條件、土壤養分條件、景觀破碎度3項指標為未利用地開發生態風險評價的二級指標。由于生態風險評價的三級指標過于復雜、繁瑣，運用主成分分析法降維，選出少數幾個新的綜合指標，構建未利用地開發生態風險指標體系（表2）[5]。

2.2 樣本指標值的代入

將所選取的6個樣本的指標值作為輸入層（表3）。

2.3 樣本預處理

2.3.1 歸一化處理 由表3數據可以看出，原始樣本中大量綜合測評的屬性值是大于1的整數，而BP神經網絡所處理的數值應為區間的數據，因此采用歸一化處理，公式如下：L=（X-Xmin）/（Xmax-Xmin），得到歸一化后的6個樣本點區域未利用地開發生態風險指標值（表4）。

2.3.2 確定網絡期望輸出值 運用生態風險綜合指數法結合各指標的權重確定生態風險各樣本的生態風險等級，計算公式如下：

式中：ERI為生態風險綜合指數；Ai為各生態指標標準化值；Wi為各生態評價指標權重。

采用效應函數對所有數據進行標準化處理，為避免人為的主觀性，采用熵值法計算權重，運算結果如表5。

結合6個樣本點區域的實際條件，利用特爾非法，將生態警度區分為4個等級，即高風險、低風險、較低風險和無風險，分別對應重警、中警、輕警和無警（表6）。

按照輸出因子科學性、準確性、直觀性的原則，運用矢量數據表示風險等級，神經網絡模型的輸出因子見表7。endprint

2.4 網絡訓練

（1）確定神經網絡層數。

對于一般的模式識別問題用三層網絡可以很好地解決。因此，本研究選取三層BP網絡運算。

（2）確定隱含層節點。

公式：N2=2N1+1。式中，N2是隱含層神經元個數，N1是輸入層神經元個數[6]。因此，本例隱含層的神經元個數為12個。

（3）確定神經元傳遞函數。

由于風險指標具有復雜性、非線性、隨機性等特點，因此本研究中間層神經元傳遞函數采用S型正切函數tansig；又由于輸出指標有遞增趨勢，因此采用S型對數函數logsig，其余訓練參數的設定見表8。

（4）訓練結果。

經過575次訓練后，網絡目標誤差即可達到要求，網絡的期望輸出與實際輸出誤差見表9，訓練結果見圖1。

2.5 BP神經網絡的檢測

網絡訓練完成后，輸入驗證樣本數據，對該樣本進行仿真，驗證網絡的適應性。MATLAB程序運行結果進行歸一化后得到驗證樣本水磨溝鄉的未利用地生態風險模擬值。網絡模擬結果的誤差見表10，網絡仿真結果見圖2。

從表10可以看出，水磨溝鄉網絡模型輸出結果已經顯示出風險級別：較低風險，誤差率不超過4%。這說明該模型能較好地進行生態風險預警。BP神經網絡模型需要更多的訓練樣本， 以便網絡學習，這會使模型有更強的容錯性，一般誤差在12%左右即可滿足訓練要求。

2.6 BP神經網絡的預測

生態風險預測需要有生態風險指標值和至少6年的生態風險程度作為樣本。以前3年為輸入樣本，以第4年為輸出樣本，共有7個樣本。本研究大體選取2005—2012年7個訓練樣本，經預測2013年的該研究區域生態風險值y1=0.402 5，由于篇幅有限不過多陳述。

3 討論

本研究運用構建的BP神經網絡模型對6個訓練樣本的生態風險程度得出如下結論：高風險包括滋泥泉子鎮，較低風險包括九運街鎮，低風險包括上戶溝鄉、水磨溝鄉、三工河鎮，無風險包括城關鎮。

經過分析研究，筆者認為生態風險很大程度和地形地貌有直接關聯。例如城關鎮位于沖洪積扇中部，山區坡地較多，土壤質地以粉沙壤和壤土為主，沒有生態風險。上戶溝鄉、水磨溝鄉、三工河鎮位于沖洪積扇下部，土壤質地以粉沙壤為主。九運街鎮位于沖洪積扇中下部，土壤以粉沙壤為主，有部分黏壤土。滋泥泉子鎮位于沖擊洪積扇的下部，沙漠邊緣，土壤以粉沙壤為主，還有少量的黏土。通過觀察可以發現，6個樣本點位于沖擊洪積扇的上下部以及沙漠邊緣的生態風險高，位于沖擊洪積扇中部的生態風險較低，靠近山區的生態風險低。這說明在進行未利用地開發過程中，對一些地貌條件差、生態環境不穩定的地區，要降低開發強度，在未利用地開發后的生態保護建設中，應更多關注這些區域，加強對這些區域的生態保護投資。

單項指標的預警對于BP神經網絡來說有些難度。BP神經網絡本身屬于一種黑箱似的模型，而單項預警就涉及到每個指標的警度都需要警限來分類。一個黑箱模型很難將其他約束條件容納進來。因此，筆者認為可以嘗試將警限作為訓練樣本，將訓練好的網絡模型應用到生態風險指標當中[3]。例如，可以用訓練好的網絡對生態風險單項指標進行仿真，y=sim（net，p′）；此處net即是訓練好的網絡，p′是通過網絡被分類的樣本。經測算該方法精度不高，但也大體能對單項指標預警。

4 結論

生態風險綜合評價法結合樣本的權重，確定區域樣本的風險等級。運用BP神經網絡的學習、預測功能，可以為該區域的未利用地開發生態風險預警提供合理對策建議。

生態風險預警是一個系統性的研究，應避免研究的片面化、單一化。所以筆者在結尾處，對生態風險的單一指標預警以及生態風險預測做了粗略的陳述。

參考文獻：

[1]王筱明，閆弘文，卞正富. 基于適宜性的濟南市宜耕未利用地開發潛力評估[J]. 農業工程學報，2010，26（2）：307-312.

[2]張鳳榮，郭力娜，關小克，等. 生態安全觀下耕地后備資源評價指標體系探討[J]. 中國土地科學，2009，23（9）：4-8，14.

[3]李春華，李 寧，駱華瑩，等. 中國耕地資源安全模式識別的PNN神經網絡方法[J]. 中國農學通報，2011，27（26）：181-186.

[4]方 健，李自品，彭 輝，等. 基于主成分分析法的BP神經網絡的應用[J]. 變壓器，2011，48（1）：47-51.

[5]張維宸，劉建芬. 人工神經網絡分類及其在遙感調查中的應用[J]. 中國地質災害與防治學報，2002，13（4）：96-98.

[6]陳如云. 基于BP神經網絡的應用研究[J]. 微計算機信息，2007，23（24）：258-259.潘玫玫. 基于自適應改進小波閾值模型的農業圖像去噪[J]. 江蘇農業科學，2015，43（10）：504-506.endprint