人工神經(jīng)網(wǎng)絡(luò)模型在河流減水河段景觀質(zhì)量評(píng)價(jià)中的應(yīng)用

彭金濤，王 莉, 楊玖賢，姜躍良

(中國(guó)水電顧問(wèn)集團(tuán)成都勘測(cè)設(shè)計(jì)研究院，四川 成都 610072)

1 前 言

河流是人類文明的發(fā)祥地，為人類活動(dòng)提供了豐富的飲用水、工業(yè)用水和灌溉用水水源，同時(shí)也是大量動(dòng)植物、微生物的棲息生境和遷徙走廊。隨著社會(huì)的進(jìn)步、人類精神文化需求的不斷提高，河流作為一項(xiàng)重要的景觀資源也越來(lái)越為人們所重視，但同時(shí)又在很大程度上受人類活動(dòng)的干擾。

由于河流景觀及其要素影響的是人的視覺(jué)，其過(guò)程復(fù)雜，涉及心理學(xué)和美學(xué)的范疇，因而難以統(tǒng)一而確切地對(duì)河流景觀質(zhì)量進(jìn)行評(píng)價(jià)。在景觀評(píng)價(jià)上，目前已形成一些影響廣泛的理論學(xué)派，大致可分為專家學(xué)派、心理物理學(xué)派、認(rèn)知學(xué)派和經(jīng)驗(yàn)學(xué)派四類[1]?；陲L(fēng)景審美是風(fēng)景和人之間共同作用的過(guò)程，心理物理學(xué)派認(rèn)為人們對(duì)風(fēng)景的審美評(píng)判(風(fēng)景質(zhì)量)是可以通過(guò)風(fēng)景的自然要素來(lái)預(yù)測(cè)和定量的，其目的是為了建立反映這種主客觀作用的關(guān)系模型。心理物理學(xué)方法是各種風(fēng)景評(píng)價(jià)方法中最嚴(yán)格、可靠性最好的一種方法。Daniel等就用諸如林木的胸徑，朽木、倒木的多少，下層灌木及地被的多少等7個(gè)因素來(lái)預(yù)測(cè)西黃松林分的風(fēng)景質(zhì)量(美景度)；Buhyoff等人著重對(duì)遠(yuǎn)景風(fēng)景進(jìn)行研究，其仍以公眾的平均審美評(píng)判作為應(yīng)變量，以峻山在照片上所占的面積、遠(yuǎn)景森林所占的面積等作為自變量，建立多元回歸方程；有許多研究都證明了不同風(fēng)景評(píng)價(jià)者及團(tuán)體之間存在著高度的一致性，又由于該方法把審美態(tài)度測(cè)量同風(fēng)景成分的定量分析結(jié)合起來(lái)，實(shí)現(xiàn)用數(shù)字模型來(lái)評(píng)價(jià)和預(yù)測(cè)風(fēng)景質(zhì)量，而且本身具有一整套的檢驗(yàn)方法，使該風(fēng)景評(píng)價(jià)方法具有很高的靈敏性[2]。

景觀質(zhì)量評(píng)價(jià)無(wú)論采用什么方式建模，都存在兩個(gè)方面的難點(diǎn)：(1)如何選定具有效力的景觀構(gòu)成要素；(2)如何將定性的景觀構(gòu)成要素評(píng)價(jià)轉(zhuǎn)化為定量的評(píng)價(jià)[3]。目前，景觀評(píng)價(jià)多采用的方法有景觀綜合評(píng)價(jià)指數(shù)法、模糊綜合評(píng)價(jià)法，還有提出了愉悅、公眾利益、生態(tài)三位一體的景觀評(píng)價(jià)體系[4]。景觀要素或因子與景觀質(zhì)量的關(guān)系具有很多的模糊性與主觀性，而人工神經(jīng)網(wǎng)絡(luò)正是依據(jù)于人腦判斷能力而建立的一種模型，該模型能較好地用于模糊問(wèn)題的預(yù)測(cè)評(píng)價(jià)[5]。因此本文參照風(fēng)景評(píng)價(jià)的心理物理學(xué)方法的一般過(guò)程[6]，對(duì)人工神經(jīng)網(wǎng)絡(luò)在河流景觀質(zhì)量評(píng)價(jià)中的應(yīng)用進(jìn)行研究，構(gòu)建適用于引水式開(kāi)發(fā)電站減水河段的景觀質(zhì)量評(píng)價(jià)模型，運(yùn)用該模型研究河道在減水情況下的景觀質(zhì)量變化情況。

2 人工神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)是人類在對(duì)生物神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)理解的基礎(chǔ)上，人工構(gòu)造能夠?qū)崿F(xiàn)某種功能的智能仿生動(dòng)態(tài)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是一個(gè)高度非線性的網(wǎng)絡(luò)體系，具有十分強(qiáng)的自適應(yīng)、自學(xué)習(xí)能力，常運(yùn)用在對(duì)模糊的、復(fù)雜的關(guān)系處理上。在模式識(shí)別和圖像處理方面，可應(yīng)用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)手寫(xiě)字體識(shí)別、語(yǔ)音識(shí)別及圖像壓縮等處理；在控制和優(yōu)化方面，可應(yīng)用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)化工過(guò)程控制、機(jī)器人運(yùn)動(dòng)控制等；在預(yù)報(bào)與智能信息管理方面，可應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行地震預(yù)報(bào)、借貸風(fēng)險(xiǎn)分析、影響預(yù)測(cè)及交通管理等。另外，人工神經(jīng)網(wǎng)絡(luò)在自適應(yīng)與空間科學(xué)中也有應(yīng)用。實(shí)踐證明，一個(gè)三層的BP網(wǎng)絡(luò)能逼近任意精度的函數(shù)，可以運(yùn)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，其精確度高[5]。

人工神經(jīng)網(wǎng)絡(luò)模型的基本單元為神經(jīng)元，這些單元通過(guò)一定的拓?fù)浣Y(jié)構(gòu)和算法建立輸入與輸出的高度非線性關(guān)系。其數(shù)學(xué)表達(dá)式為：

(1)

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

其中f為傳遞函數(shù) (激勵(lì)函數(shù)或特性函數(shù))，一般可采用線性函數(shù)、閾值函數(shù)、S型函數(shù)、雙曲正切函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播的多層前饋人工神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層(一層或多層)和輸出層組成，各層之間無(wú)反饋連接，各層內(nèi)神經(jīng)元之間無(wú)連接，僅相鄰層神經(jīng)元之間有連接。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示，圖中x表述輸入，y表述輸出。該網(wǎng)絡(luò)的輸入和輸出之間是高度非線性映射關(guān)系。

BP神經(jīng)網(wǎng)絡(luò)中推理過(guò)程分兩個(gè)階段：一個(gè)為學(xué)習(xí)階段，即神經(jīng)元之間連接權(quán)的調(diào)整，使學(xué)習(xí)樣本經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)計(jì)算逼近教師樣本；另一階段為BP網(wǎng)絡(luò)的推理運(yùn)用階段，在該階段將實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的仿真計(jì)算，從而使其具有解決某種問(wèn)題的能力。

3 減水河段景觀質(zhì)量評(píng)價(jià)模型

3.1 模型建立過(guò)程

參照心理物理學(xué)派建立風(fēng)景(或景觀)評(píng)價(jià)模型的一般過(guò)程[6]，建立基于人工神經(jīng)網(wǎng)絡(luò)的減水河段景觀質(zhì)量評(píng)價(jià)模型包括三部分內(nèi)容：(1)測(cè)定公眾的審美態(tài)度，即獲得美景度量值；(2)將景觀進(jìn)行要素分解并測(cè)定各要素量值；(3)通過(guò)人工神經(jīng)網(wǎng)絡(luò)建立美景度與各要素之間的關(guān)系模型。具體步驟如下：

(1)景觀評(píng)價(jià)樣地的布設(shè)與調(diào)查。根據(jù)對(duì)四川省內(nèi)已建引水式電站的調(diào)查研究，選擇岷江干流吉魚(yú)至映秀電站、雜谷腦河紅葉二級(jí)至薛城電站之間的各電站的減水河段作為景觀樣本取地，對(duì)較大范圍暴露于公路視野的河段、沿河有較大居民點(diǎn)的河段，以及在河道寬闊和河谷開(kāi)闊處拍攝照片。

(2)評(píng)價(jià)照片的選取。結(jié)合人工神經(jīng)網(wǎng)絡(luò)模型對(duì)訓(xùn)練樣本的要求，同時(shí)為了本研究的需要，在前述獲得的景觀圖片及水文測(cè)量資料的基礎(chǔ)上，選擇河流枯水期(12月份)和平水期(4月)共100張照片，作為建立人工神經(jīng)網(wǎng)絡(luò)模型的樣本。

(3)評(píng)判者的選擇。本次評(píng)價(jià)選擇非專業(yè)的一般游客6人，風(fēng)景、環(huán)境方面的專家4人，利用打分的方法，對(duì)以上所選100張圖片的景觀質(zhì)量進(jìn)行評(píng)分。

(4)評(píng)判的方式。將公眾對(duì)河流景觀的評(píng)判分為很差、較差、一般、較好、很好五個(gè)優(yōu)劣程度上的等級(jí)，假設(shè)該優(yōu)劣程度和(0.1,1)范圍內(nèi)的取值是線性映射關(guān)系，五個(gè)等級(jí)分別在(0, 0.2]、(0.2,0.4]、(0.4, 0.6]、(0.6,0.8]、(0.8,1)區(qū)間上取值。

將前述選擇的100張照片編號(hào)排列于WORD之中，其中還包括對(duì)圖片的簡(jiǎn)單說(shuō)明和評(píng)分要求，發(fā)給各評(píng)判者，要求評(píng)判者根據(jù)景觀優(yōu)劣程度在0.1～0.9之間評(píng)分取值，小數(shù)點(diǎn)后取一位。因?yàn)楣娫u(píng)價(jià)存在主觀性和模糊性，對(duì)某些細(xì)小的景觀質(zhì)量差別不敏感，以(0.1,0.9)區(qū)間上的評(píng)分取值方法一定程度上弱化了公眾對(duì)景觀質(zhì)量差別的判斷，同時(shí)考慮了0或1這種往往在實(shí)際中不存在的極端情況。這種評(píng)分方式較合理。

(5)獲取景觀質(zhì)量公眾評(píng)分值。綜合評(píng)判者的打分情況，對(duì)專家評(píng)分均值和一般游客評(píng)分均值各取0.5的權(quán)重進(jìn)行加權(quán)計(jì)算，得到景觀質(zhì)量公眾評(píng)分值。由于專家人數(shù)比例小，在景觀質(zhì)量公眾評(píng)分值中專家評(píng)分所占的權(quán)重實(shí)際上較大，這從一定程度上考慮了專家意見(jiàn)的可靠性，也在一定程度上反映了河流的生態(tài)、環(huán)境功能。

(6)將景觀要素進(jìn)行分解，并測(cè)定各個(gè)要素值。根據(jù)對(duì)大量圖片呈現(xiàn)的河流景觀的綜合分析及人工神經(jīng)網(wǎng)絡(luò)試算，得出了主要、合理的景觀要素。最終確定六個(gè)要素：圖片中水面面積占河道面積的比例、河道在圖片中的比例、水色、周圍植被類型、植被色彩、河岸河灘形態(tài)。

前兩個(gè)要素可直接通過(guò)測(cè)量的方法得到，有很高的精度；后四個(gè)要素根據(jù)描述性分級(jí)進(jìn)行選取，分為差、一般、好三個(gè)等級(jí)，分別對(duì)應(yīng)在(0.1,0.4)、[0.4,0.6]、(0.6,09)三個(gè)區(qū)間上取值，其取值是直接依據(jù)于照片所呈現(xiàn)出的色彩、形式和范圍而定，具有相對(duì)性，更多地是反映風(fēng)景美景度的優(yōu)劣程度。

(7)運(yùn)用人工神經(jīng)網(wǎng)絡(luò)建立景觀質(zhì)量評(píng)分值和各個(gè)要素間的關(guān)系模型。要求模型具有較好的收斂性能和泛化能力，即能快速達(dá)到收斂，同時(shí)有很好的預(yù)測(cè)性能，能較好地預(yù)測(cè)減水河段其他情形下的景觀質(zhì)量。本文基于MATLAB6.5提供的人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)建環(huán)境[7]，建立減水河段景觀質(zhì)量評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練及模擬。

(8)運(yùn)用建立好的人工神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)評(píng)價(jià)減水河段其他狀態(tài)下的景觀質(zhì)量，同河段內(nèi)的流量或其他表征流量的因子建立關(guān)系，從而能進(jìn)一步分析研究流量變化所引起的景觀質(zhì)量變化情況。

3.2 人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

本文建立了一個(gè)3層BP網(wǎng)絡(luò)模型(含1個(gè)隱層)。輸入層有6個(gè)神經(jīng)元，對(duì)應(yīng)6個(gè)景觀要素，即水面在河道中的比例、河道在圖片中的比例、水色、周圍植被類型、植被色彩、河岸河灘形態(tài)；隱含層有13個(gè)神經(jīng)元；輸出層有1個(gè)神經(jīng)元，對(duì)應(yīng)景觀質(zhì)量評(píng)價(jià)值。該人工神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)見(jiàn)圖2。

圖2 人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

其中，隱層的神經(jīng)元數(shù)目一般可按下式估算，并通過(guò)比較試算得到：

(2)

式中nH——隱含層神經(jīng)元數(shù)目；

n1——輸入層神經(jīng)元數(shù)目；

n0——輸出層神經(jīng)元數(shù)目；

l——1～20之間的整數(shù)。

3.3 樣本選擇與標(biāo)準(zhǔn)化處理

選擇3.1節(jié)介紹所得的各景觀要素取值及景觀質(zhì)量公眾評(píng)分值共100組數(shù)據(jù)作為模型計(jì)算樣本，對(duì)樣本進(jìn)行標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化處理方法為：

(3)

式中u——樣本s的平均值;

smax和smin——分別為樣本的最大和最小值。

標(biāo)準(zhǔn)化后的數(shù)據(jù)一般集中分布在0附近。

為避免網(wǎng)絡(luò)的過(guò)度擬合，本文采用提前停止的訓(xùn)練方法，將標(biāo)準(zhǔn)化后的樣本劃分為人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本、測(cè)試樣本和驗(yàn)證樣本，劃分比例為2∶1∶1，即獲得訓(xùn)練樣本50組，測(cè)試樣本和驗(yàn)證樣本各25組。

3.4 網(wǎng)絡(luò)模型的參數(shù)及算法

本模型各層間均采用S型正切函數(shù)為傳遞函數(shù)，采用梯度下降動(dòng)量的學(xué)習(xí)函數(shù)，以樣本均方差為控制的性能函數(shù)進(jìn)行計(jì)算。計(jì)算過(guò)程見(jiàn)以上介紹的BP算法。

3.5 網(wǎng)絡(luò)模型的訓(xùn)練及收斂性

利用標(biāo)準(zhǔn)化處理后的樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練采用提前停止控制，防止過(guò)度擬合。經(jīng)過(guò)12步的訓(xùn)練，得到了一個(gè)收斂性較好的網(wǎng)絡(luò)模型。訓(xùn)練結(jié)果見(jiàn)圖3。

訓(xùn)練的目標(biāo)設(shè)置為樣本均方差小于0.001，模型實(shí)際收斂到均方差為0.0025，十分接近目標(biāo)，但同時(shí)由于測(cè)試樣本的均方差增大，訓(xùn)練提前停止。從各點(diǎn)誤差來(lái)看，訓(xùn)練結(jié)果同實(shí)際值已相當(dāng)接近，因此該網(wǎng)絡(luò)模型的收斂性很好。

3.6 模型的泛化能力

運(yùn)用前述劃分的25組驗(yàn)證樣本，對(duì)模型的泛化能力進(jìn)行考察。在訓(xùn)練好的網(wǎng)絡(luò)模型中，輸入這25組各景觀質(zhì)量要素取值，通過(guò)網(wǎng)絡(luò)模擬計(jì)算其輸出。計(jì)算得到的景觀質(zhì)量評(píng)價(jià)模擬值與實(shí)際測(cè)試值(公眾質(zhì)量評(píng)分值)情況見(jiàn)圖4。計(jì)算各點(diǎn)絕對(duì)誤差的絕對(duì)值均小于0.13，該差別幾乎不反映景觀質(zhì)量程度變化，即預(yù)測(cè)值與咨詢公眾評(píng)分的測(cè)試值擬合的很好。

進(jìn)一步研究模擬的相對(duì)誤差情況可得，該輸出平均相對(duì)誤差為12%，有5個(gè)點(diǎn)的相對(duì)誤差在25%以上，其余點(diǎn)相對(duì)誤差均在15%以下。這說(shuō)明除少數(shù)點(diǎn)外，預(yù)測(cè)值與實(shí)測(cè)值相符性很好。通過(guò)分析發(fā)現(xiàn)，計(jì)算相對(duì)誤差較大所對(duì)應(yīng)的河道斷面處于斷流或大流量?jī)煞N極端情況下。和公眾評(píng)分相比，斷流時(shí)模擬值較大，大流量時(shí)模擬值較小，說(shuō)明模型在這兩種極端情況下具有不可靠性。另外，可能與流水渾濁、周圍色彩灰暗相關(guān)，在這種情況下景觀質(zhì)量評(píng)價(jià)值較小，計(jì)算偏差較靈敏，但從絕對(duì)誤差來(lái)看，計(jì)算偏差不大于一個(gè)景觀質(zhì)量變化程度范圍。忽略這5個(gè)點(diǎn)的誤差后，得到的平均相對(duì)誤差為7.8%。因此，該人工神經(jīng)網(wǎng)絡(luò)模型具有較好的泛化能力，其模擬或預(yù)測(cè)結(jié)果精確度高，可以作為減水河段景觀質(zhì)量的預(yù)測(cè)評(píng)價(jià)方法。

圖3 人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖4 人工神經(jīng)網(wǎng)絡(luò)模擬結(jié)果

3.7 模型分析

一般地，河道內(nèi)流量越大，河道水面積越大，流速越大，水體顏色更富于層次感，河流展現(xiàn)的連續(xù)性和生動(dòng)性越好，河流的視覺(jué)景觀越好。以上建立的網(wǎng)絡(luò)模型，水面在河道中的比例、河道在圖片中的比例和水色可反映出河流流動(dòng)性、連續(xù)性和水的親和性。因此，當(dāng)流量發(fā)生變化時(shí)，本模型的各輸入要素將發(fā)生一定的變化，通過(guò)模型計(jì)算可實(shí)現(xiàn)對(duì)該變化情況下河流的景觀質(zhì)量進(jìn)行預(yù)測(cè)。

以上的網(wǎng)絡(luò)模型是基于測(cè)量圖片的景觀要素建立的，由于照片拍攝角度及攝取的河流景觀類型不同，同時(shí)缺乏景觀圖片處河道流量的資料，難以同流量建立確切的關(guān)系。但對(duì)于同一位置及角度所拍攝的圖片，可以理解為同一個(gè)視野下所獲得的景觀，人們通過(guò)視覺(jué)感知水面面積的多少等要素對(duì)河流景觀做出相應(yīng)的評(píng)價(jià)。本文將這種帶有感知成分的水面在一個(gè)視野中的比例定義為水面視覺(jué)比例(以Ps表示)，在山區(qū)水力開(kāi)發(fā)河段中該比例直接關(guān)系到河流景觀質(zhì)量的優(yōu)劣程度。本文研究的所有圖片大小一致，可以將一個(gè)圖片定義為一個(gè)視野范圍，將水面積在河道中的比例同河道在圖片中的比例相乘積，即得到水面視覺(jué)比例Ps：

通過(guò)考察3.5節(jié)中模擬誤差與水面視覺(jué)比例Ps的關(guān)系發(fā)現(xiàn)，誤差較大的點(diǎn)全部對(duì)應(yīng)為Ps很大或很小時(shí)的情況，說(shuō)明本文建立的人工神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)水面視覺(jué)比例過(guò)大或過(guò)小的情況下有一定的不可靠性。水面視覺(jué)比例過(guò)小、過(guò)大的極端情況一般是河流近似干涸和河床完全被水面覆蓋的情況，或者是游客過(guò)遠(yuǎn)或過(guò)近觀看河流的情況。該情況對(duì)研究河流景觀一般無(wú)實(shí)際意義，因此可以忽略本模型相應(yīng)的誤差與不可靠性。

4 減水河段景觀質(zhì)量預(yù)測(cè)評(píng)價(jià)結(jié)果及分析

4.1 預(yù)測(cè)工況

由于山區(qū)河流水質(zhì)較好，水流清澈，枯期水色一般很好，水色無(wú)大的變化。當(dāng)閘址下泄不同工況的流量、減水河段內(nèi)流量變化時(shí)，可假設(shè)本評(píng)價(jià)模型里6個(gè)指標(biāo)因子只有水面在河道中的比例是變化的，水面視覺(jué)比例亦相應(yīng)變化，其他要素取值不變，因此可利用人工神經(jīng)網(wǎng)絡(luò)模型，單從水面視覺(jué)比例變化情況來(lái)考察景觀質(zhì)量的變化，實(shí)現(xiàn)對(duì)減水河段內(nèi)因減水導(dǎo)致水面視覺(jué)減小的景觀質(zhì)量預(yù)測(cè)評(píng)價(jià)。亦可進(jìn)一步根據(jù)游客的位置、視覺(jué)范圍及角度等情況，建立Ps與河道內(nèi)流量的確切關(guān)系，從而通過(guò)本模型對(duì)不同流量下的河流景觀質(zhì)量進(jìn)行預(yù)測(cè)評(píng)價(jià)。

鑒于本人工神經(jīng)網(wǎng)絡(luò)模型在水面積比例極小和極大情況下的不可靠性，在所獲得100處樣本照片中選擇河流水面相對(duì)適中，無(wú)明顯灰暗、不清晰的20處圖片，選擇水面積在河段內(nèi)比例為10%、20%、30%、40%、50%、60%、70%、80%、90%這9種工況，利用建立好的人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行景觀質(zhì)量預(yù)測(cè)。通過(guò)計(jì)算得到各斷面9種工況所對(duì)應(yīng)的河流景觀質(zhì)量預(yù)測(cè)值。

4.2 預(yù)測(cè)結(jié)果及其分析

所選的9種工況比例乘以該圖片中河道所占的比例，得到各處斷面9種從小到大的水面視覺(jué)比例Ps。Ps與景觀質(zhì)量預(yù)測(cè)評(píng)價(jià)值的對(duì)應(yīng)關(guān)系見(jiàn)圖5。

圖5 水面視覺(jué)比例同景觀質(zhì)量預(yù)測(cè)值之間的關(guān)系

由圖5可得，對(duì)于所有的河流斷面景觀，Ps和景觀質(zhì)量預(yù)測(cè)值之間存在正相關(guān)關(guān)系，Ps增大，景觀質(zhì)量預(yù)測(cè)值增大；開(kāi)始增幅較大，Ps達(dá)到一定值后，景觀質(zhì)量預(yù)測(cè)值的增幅趨于平緩。

一般地，由于各處視野范圍內(nèi)的河流類型、周圍景觀等不同，水面視覺(jué)比例與景觀質(zhì)量之間的變化關(guān)系亦不相同。根據(jù)以上預(yù)測(cè)計(jì)算成果，對(duì)各處景觀預(yù)測(cè)值隨水面視覺(jué)比例的變化以曲線描述，經(jīng)統(tǒng)計(jì)分析，可分為兩種不同的變化趨勢(shì)(見(jiàn)圖6、7)。

圖6 第一類水面視覺(jué)比例的景觀響應(yīng)

在圖6所示的9個(gè)斷面上，當(dāng)Ps達(dá)到5%時(shí)，景觀質(zhì)量預(yù)測(cè)值大都能達(dá)到0.4，景觀質(zhì)量不至于很差；當(dāng)Ps增大至20%左右時(shí)，景觀質(zhì)量由大幅度增加轉(zhuǎn)為增幅緩慢，景觀質(zhì)量預(yù)測(cè)量值達(dá)到0.6，呈現(xiàn)較好的河流景觀。通過(guò)歸納發(fā)現(xiàn)，這9個(gè)斷面處河岸帶均有綠樹(shù)分布，河岸帶視野范圍內(nèi)植被較好，說(shuō)明這種情況下景觀背景質(zhì)量較好，一定程度上緩解了水面減少對(duì)景觀的負(fù)面影響。水面視覺(jué)比例由20%下降至5%的范圍內(nèi)對(duì)河流景觀影響顯著，河流景觀質(zhì)量降低了一個(gè)或多個(gè)程度；而水面視覺(jué)比例在較小與較大兩個(gè)范圍內(nèi)增減時(shí)，相應(yīng)引起的景觀質(zhì)量變化不明顯。計(jì)算結(jié)果和實(shí)際情況較符合。

圖7 第二類水面視覺(jué)比例的景觀響應(yīng)

在圖7所示的11處斷面上，Ps在較小范圍內(nèi)增加時(shí)所引起的景觀質(zhì)量增幅不大，此時(shí)景觀質(zhì)量預(yù)測(cè)值在0.2～0.4之間，景觀質(zhì)量很差或較差；當(dāng)Ps達(dá)到15%左右后，景觀質(zhì)量開(kāi)始大幅度增加，至40%或以上時(shí)轉(zhuǎn)為增幅緩慢，此時(shí)景觀質(zhì)量預(yù)測(cè)值基本達(dá)到0.6，呈現(xiàn)較好的河流景觀，或不能達(dá)到較好的河流景觀質(zhì)量。通過(guò)歸納發(fā)現(xiàn)，這11處河流斷面處河岸帶均無(wú)綠樹(shù)分布，且視野范圍內(nèi)的周圍植被較差，說(shuō)明這種情況下景觀背景質(zhì)量較差，水面視覺(jué)比例在15%～40%范圍變化時(shí)對(duì)河流景觀影響顯著，在達(dá)到20%以上時(shí)才能有效提升河流景觀，而水面視覺(jué)比例在較小和較大兩個(gè)范圍內(nèi)增減時(shí)，相應(yīng)引起的景觀質(zhì)量變化不明顯。計(jì)算結(jié)果和實(shí)際情況較符合。

綜上可知，河流周圍植被對(duì)河流景觀具有積極的作用。因此，應(yīng)在做好河岸帶綠化的基礎(chǔ)上，通過(guò)控制水面視覺(jué)比例在5%～20%之間增加，可有效維持或改善河流景觀。提升水面視覺(jué)比例一般通過(guò)增加河道內(nèi)流量實(shí)現(xiàn)，另外也可采取在河道內(nèi)挖潭或設(shè)置堰、壩等工程措施。如河道周圍植被較差，僅考慮增加河道流量來(lái)改善河流景觀，將需要大的流量狀態(tài)才能使其景觀得到較大的提升，勢(shì)必造成水資源浪費(fèi)。

5 結(jié) 論

本文建立了一個(gè)基于三層BP人工神經(jīng)網(wǎng)絡(luò)的景觀質(zhì)量評(píng)價(jià)模型，該模型基于景觀圖片，以水面面積占河道的比例、河道在圖片中的比例、水色、周圍植被類型、植被色彩、河岸河灘形態(tài)這六個(gè)景觀要素為輸入因子，通過(guò)模型計(jì)算可預(yù)測(cè)減水河段河流景觀質(zhì)量，預(yù)測(cè)或模擬結(jié)果精度較高。其中，水面面積占河道的比例與河道在圖片中的比例的乘積定義為水面視覺(jué)比例?？赏ㄟ^(guò)一定視野范圍內(nèi)的水面視覺(jué)比例來(lái)考察景觀質(zhì)量的優(yōu)劣程度，但其中與河流周圍植被相關(guān)。當(dāng)河流周圍植被較好時(shí)，水面視覺(jué)比例在5%～20%之間增加時(shí)河流景觀改善明顯；當(dāng)周圍植被較差時(shí)，水面視覺(jué)比例在15%～40%之間增加時(shí)河流景觀改善明顯。河流周圍植被包括河岸帶綠化能緩解河段減水的不利景觀影響。在水資源開(kāi)發(fā)利用中，除維持河道內(nèi)一定的流量外，應(yīng)充分結(jié)合植物措施及工程措施對(duì)河道進(jìn)行適當(dāng)?shù)男迯?fù)，達(dá)到維持或改善河流景觀的目的。

本文的人工神經(jīng)網(wǎng)絡(luò)模型基于圖片的景觀要素而建立，取決于觀察者所處的角度、視野和光線色彩等方面，水面視覺(jué)比例為河流景觀的重要影響因素。目前河道內(nèi)景觀需水量一般以流量來(lái)衡量，可通過(guò)獲得控制斷面或河段實(shí)測(cè)的地形、風(fēng)景分布等資料，建立水面視覺(jué)比例與河道內(nèi)流量、水面寬等因子的關(guān)系，進(jìn)而通過(guò)人工神經(jīng)網(wǎng)絡(luò)直接建立流量與景觀質(zhì)量的關(guān)系模型，并通過(guò)大量實(shí)測(cè)樣本的輸入使模型不斷優(yōu)化，更便于河流景觀需水量的控制與管理。

參考文獻(xiàn)：

[1] 俞孔堅(jiān)，等.自然風(fēng)景景觀評(píng)價(jià)方法[J].中國(guó)園林，1986(3)：38-40.

[2] 俞孔堅(jiān).風(fēng)景資源評(píng)價(jià)的主要學(xué)派及方法[EB/OL].(1988-)[2010-05-10].http://wenku.baidu.com/view/cabea7c20c225901012029dba/html.

[3] 葛冰.景觀生態(tài)規(guī)劃與景觀評(píng)價(jià)初探[J].甲木斯大學(xué)社會(huì)科學(xué)學(xué)報(bào)，2004，22(5)：42-44.

[4] 田辛.景觀“水”要素研究[D].重慶：重慶大學(xué)，2002.

[5] 張鈴，張鈷.人工神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用[M].杭州：浙江科學(xué)技術(shù)大學(xué)出版社，1997.

[6] 王冰，宋力.景觀美學(xué)評(píng)價(jià)中心物理學(xué)方法的理論及其應(yīng)用[J].安徽農(nóng)業(yè)科學(xué)，2007，35(12)：3531-3532.

[7] 張德豐，等.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2009.