基于人工神經(jīng)網(wǎng)絡(luò)的農(nóng)地石漠化預(yù)警模型及應(yīng)用

摘要：應(yīng)用相關(guān)分析和主成分分析法并借鑒相關(guān)研究成果，選取巖性、地表起伏指數(shù)、基巖裸露率、植被覆蓋率、≥25°坡地面積比、土壤類型、土地墾殖指數(shù)、坡耕地指數(shù)、農(nóng)業(yè)人口密度和人均耕地面積等10個(gè)與農(nóng)地石漠化密切相關(guān)的因子作為輸入變量，根據(jù)人工神經(jīng)網(wǎng)絡(luò)的原理和方法，建立了農(nóng)地石漠化預(yù)警的BP人工神經(jīng)網(wǎng)絡(luò)模型，并利用該模型對(duì)陽山縣進(jìn)行了實(shí)證研究。結(jié)果表明，該模型性能良好，能夠較好地實(shí)現(xiàn)農(nóng)地石漠化預(yù)警功能，預(yù)警結(jié)果客觀合理，具有一定的推廣應(yīng)用價(jià)值，能夠?yàn)閰^(qū)域農(nóng)地石漠化的預(yù)防與綜合治理提供依據(jù)。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；農(nóng)地石漠化；預(yù)警模型；陽山縣

中圖分類號(hào)： X141；S158.1文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2014）09-0297-03

收稿日期：2013-11-25

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：31170486、31070426）；廣東省哲學(xué)社會(huì)科學(xué)“十二五”規(guī)劃項(xiàng)目（編號(hào)：GD12CGL01）；廣東省自然科學(xué)基金（編號(hào)：S2012010009272）

作者簡(jiǎn)介：黃金國(guó)（1967—），男，湖南桃源人，副教授，研究方向?yàn)橥恋赝嘶乐闻c農(nóng)業(yè)資源利用。E-mail：fsjgh@163.com。

農(nóng)地石漠化是巖溶地區(qū)農(nóng)用地退化的一種極端形式，其形成與發(fā)展不僅造成巖溶地區(qū)農(nóng)用地土壤嚴(yán)重侵蝕、肥力下降、基巖出露、地表水源短缺、旱澇災(zāi)害頻繁等一系列生態(tài)環(huán)境問題，而且也是造成巖溶地區(qū)農(nóng)村經(jīng)濟(jì)貧困的主要原因[1-2]。因此，將預(yù)警科學(xué)引入石漠化研究領(lǐng)域，加強(qiáng)對(duì)巖溶地區(qū)農(nóng)地石漠化的預(yù)警預(yù)測(cè)具有重要的理論和實(shí)踐意義。通過預(yù)警可以定性、定量、定位地反映農(nóng)地石漠化發(fā)生的可能性及其危害程度，進(jìn)而對(duì)農(nóng)地石漠化進(jìn)行有效治理與科學(xué)防范，為農(nóng)地資源的合理利用提供科學(xué)依據(jù)。影響農(nóng)地石漠化的因素涉及自然環(huán)境、經(jīng)濟(jì)、社會(huì)等諸多方面，各因素之間關(guān)系復(fù)雜，并呈現(xiàn)非線性關(guān)系，一般的回歸分析、時(shí)間序列預(yù)測(cè)等傳統(tǒng)方法難以對(duì)其進(jìn)行準(zhǔn)確預(yù)測(cè)。而近年來發(fā)展起來的人工神經(jīng)網(wǎng)絡(luò)是一種高度復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng)，具有自學(xué)習(xí)、自組織自適應(yīng)能力等特點(diǎn)，對(duì)解決規(guī)律不明顯，用統(tǒng)計(jì)方法難以處理的非線性預(yù)測(cè)問題有著獨(dú)特的優(yōu)勢(shì)，同時(shí)它還具有很強(qiáng)的輸入輸出非線性映射能力以及易于學(xué)習(xí)和訓(xùn)練的優(yōu)點(diǎn)，在模式識(shí)別、圖像處理、控制和優(yōu)化、智能信息管理、預(yù)測(cè)等領(lǐng)域有著廣泛的應(yīng)用[3-4]。本研究根據(jù)人工神經(jīng)網(wǎng)絡(luò)的原理和方法，以粵北巖溶山區(qū)農(nóng)地石漠化分布典型區(qū)域陽山縣為例，選取10個(gè)與農(nóng)地石漠化顯著相關(guān)的指標(biāo)作為預(yù)警因子，建立了基于BP人工神經(jīng)網(wǎng)絡(luò)的農(nóng)地石漠化預(yù)警模型，并利用該模型對(duì)陽山縣農(nóng)地石漠化進(jìn)行預(yù)警分析，以期為粵北巖溶山區(qū)農(nóng)地石漠化的綜合防治和農(nóng)地資源的合理利用提供參考。

1材料與方法

1.1研究區(qū)概況

陽山縣地處廣東省西北部，屬清遠(yuǎn)市管轄，位于東經(jīng)112°22′01″～113°01′06″，北緯23°57′～24°56′，全縣現(xiàn)轄12個(gè)鎮(zhèn)和1個(gè)瑤族鄉(xiāng)，總面積3 329.53 km2，縣域內(nèi)地形復(fù)雜，總體為南北高峻，并以單斜山地不規(guī)則地由兩端向腹地傾斜，形成中間低緩、四周較高的船形地貌，山地約占全縣總面積的90%，盆地和沖擊平原約占10%[5]。氣候?qū)賮啛釒Ъ撅L(fēng)氣候，年平均氣溫20.3 ℃，年降雨量1 850 mm。陽山縣土地利用整體結(jié)構(gòu)以農(nóng)用地為主，根據(jù)陽山縣第二次土地調(diào)查數(shù)據(jù)，全縣農(nóng)用地面積268 807 hm2，占土地總面積的80.73%，屬典型的山區(qū)農(nóng)業(yè)縣。同時(shí)，陽山縣是粵北山區(qū)石漠化分布的主要區(qū)域，石漠化總面積16 169.5 hm2，其中輕度石漠化面積340.6 hm2，占2.11%；中度石漠化面積6 009.8 hm2，占3717%；重度石漠化面積9479.9 hm2，占58.63%；極重度石漠化面積339.2 hm2，占2.10%[6]。由于特殊的自然條件和社會(huì)經(jīng)濟(jì)發(fā)展背景，陽山縣的社會(huì)經(jīng)濟(jì)發(fā)展長(zhǎng)期以來處于落后水平，是廣東省主要的貧困地區(qū)，石漠化問題仍是制約當(dāng)?shù)厣鐣?huì)經(jīng)濟(jì)可持續(xù)發(fā)展的關(guān)鍵因素。

1.2研究方法

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是對(duì)人腦或自然的神經(jīng)網(wǎng)絡(luò)若干基本特性的抽象和模擬，是一種非線性的動(dòng)力學(xué)系統(tǒng)，它具有大規(guī)模的并行處理和分布式的信息存儲(chǔ)能力，良好的自適應(yīng)性，自組織性及很強(qiáng)的學(xué)習(xí)、聯(lián)想、容錯(cuò)及抗干擾能力，特別適合處理需要同時(shí)考慮很多因素和條件的、不確定和模糊的信息處理問題[7-8]。在目前30多種神經(jīng)網(wǎng)絡(luò)模型中，算法最成熟、應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型是由Rumelhart等提出的前饋網(wǎng)絡(luò)（back propagation network）模型，即BP網(wǎng)絡(luò)模型[9]。常用的BP網(wǎng)絡(luò)模型由輸入層、隱含層（1個(gè)或多個(gè)）和輸出層三部分組成，每一層包含若干神經(jīng)元，同一層內(nèi)部各神經(jīng)元之間沒有連接，而上下層之間的神經(jīng)元采用全互聯(lián)的連接方式。典型的三層BP人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

BP算法的基本思想是整個(gè)網(wǎng)絡(luò)的學(xué)習(xí)過程由信號(hào)的正向傳播和誤差的反向傳播兩個(gè)過程組成。正向傳播時(shí)，輸入信息從輸入層輸入，經(jīng)網(wǎng)絡(luò)的權(quán)重、閾值和神經(jīng)元的傳遞函數(shù)作用后從輸出層輸出。如果輸出層的實(shí)際輸出和期望輸出之間的誤差大于規(guī)定量則轉(zhuǎn)入誤差信號(hào)的反向傳播階段，即將輸出信號(hào)的誤差沿原來的連接道路返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。周而復(fù)始的信號(hào)正向傳播和誤差反向傳播過程是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程將一直循環(huán)進(jìn)行，直到網(wǎng)絡(luò)的輸出誤差減小到允許值或到達(dá)預(yù)先設(shè)定的訓(xùn)練次數(shù)為止[10] 。完成訓(xùn)練后，該BP神經(jīng)網(wǎng)絡(luò)模型就可以用來求解相似的問題。BP神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用設(shè)計(jì)，可借助于MATLAB軟件包中的神經(jīng)網(wǎng)絡(luò)工具箱完成[11]。

2農(nóng)地石漠化預(yù)警模型的建立

2.1輸入與輸出變量的確定endprint

農(nóng)地石漠化是地質(zhì)、地貌、植被、土壤、氣候等自然背景因素和人類不合理的農(nóng)業(yè)生產(chǎn)活動(dòng)綜合作用的結(jié)果。根據(jù)陽山縣的實(shí)際情況和預(yù)警指標(biāo)選取的科學(xué)性、系統(tǒng)性、簡(jiǎn)明性、可表征性、可獲得性和可度量性等原則，應(yīng)用相關(guān)分析和主成分分析方法并借鑒相關(guān)研究成果[12]，本研究選取巖性、地表起伏指數(shù)、土壤類型、植被覆蓋率、基巖裸露率、土地墾殖指數(shù)、坡耕地指數(shù)、農(nóng)業(yè)人口密度、人均耕地面積、≥25°坡地面積比共10個(gè)和農(nóng)地石漠化密切相關(guān)的指標(biāo)作為輸入變量，即輸入層神經(jīng)元數(shù)目為10。輸出變量的選擇與預(yù)警結(jié)果相對(duì)應(yīng)，本研究根據(jù)陽山縣的實(shí)際情況設(shè)置無警、輕警、中警和重警4個(gè)預(yù)警結(jié)果，即輸出層神經(jīng)元數(shù)目為4，其中輸出（1 0 0 0）為無警，（0 1 0 0）為輕警，（0 0 1 0） 為中警，（0 0 0 1）為重警。

2.2隱含層和隱含層神經(jīng)元數(shù)的確定

現(xiàn)有理論已證明，具有一個(gè)隱含層的三層 BP神經(jīng)網(wǎng)絡(luò)可以映射所有的連續(xù)非線性函數(shù)[10]，因此，本文隱含層數(shù)選為 1個(gè)。對(duì)于隱含層神經(jīng)元數(shù)的確定是神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中非常重要的一個(gè)環(huán)節(jié)，若隱含層神經(jīng)元個(gè)數(shù)過少，會(huì)使網(wǎng)絡(luò)不能建立復(fù)雜映射關(guān)系，訓(xùn)練效果不理想，網(wǎng)絡(luò)的容錯(cuò)性也隨之較低；若隱含層神經(jīng)元個(gè)數(shù)過多，會(huì)使樣本學(xué)習(xí)能力降低，網(wǎng)絡(luò)學(xué)習(xí)時(shí)間過長(zhǎng)，總體性能減弱[4]。因此，在具體設(shè)計(jì)時(shí)通常先根據(jù)經(jīng)驗(yàn)公式n1=m+n+a（式中 m 為輸入層神經(jīng)元數(shù)，n 為輸出層神經(jīng)元數(shù)，n1為隱含層神經(jīng)元數(shù)，a為[1，10] 之間的常數(shù)。）初步確定隱含層神經(jīng)元個(gè)數(shù)，然后通過對(duì)不同神經(jīng)元數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練對(duì)比，再最終確定神經(jīng)元數(shù)[10]。

本研究輸入層神經(jīng)元數(shù)為10，輸出層神經(jīng)元數(shù)為4，通過訓(xùn)練對(duì)比發(fā)現(xiàn)，隱含層神經(jīng)元數(shù)為8時(shí)，網(wǎng)絡(luò)性能最好，誤差最小，因此，選擇隱含層的神經(jīng)元數(shù)為8。

2.3模型結(jié)構(gòu)

有10個(gè)輸入神經(jīng)元、8個(gè)隱含層神經(jīng)元和4個(gè)輸出神經(jīng)元，故采用10-8-4結(jié)構(gòu)的3層BP神經(jīng)網(wǎng)絡(luò)模型（圖2）。

3實(shí)例應(yīng)用

3.1數(shù)據(jù)來源及處理

根據(jù)陽山縣農(nóng)地石漠化的實(shí)際情況，選取15個(gè)樣本區(qū)域（無石漠化區(qū)域、輕度石漠化區(qū)域、中度石漠化區(qū)域、重度石漠化區(qū)域、極重度石漠化區(qū)域各選3個(gè)）進(jìn)行數(shù)據(jù)采集，其中農(nóng)業(yè)人口密度、人均耕地面積數(shù)據(jù)來源于《陽山縣統(tǒng)計(jì)年鑒》，土地墾殖指數(shù)、坡耕地指數(shù)數(shù)據(jù)來源于陽山縣第二次土地利用調(diào)查數(shù)據(jù)庫，地表起伏指數(shù)、≥25°坡地面積比數(shù)據(jù)應(yīng)用GIS方法從DEM數(shù)據(jù)中提取，基巖裸露率、植被覆蓋率數(shù)據(jù)來源于遙感影像解譯和野外調(diào)查，對(duì)巖性、土壤類型等定性指標(biāo)的處理，由專家根據(jù)實(shí)際情況打分進(jìn)行量化。

原始數(shù)據(jù)由于量綱、數(shù)量級(jí)和單位等存在較大差別，在網(wǎng)絡(luò)訓(xùn)練前須對(duì)其進(jìn)行歸一化處理。本研究采用的歸一化公式為x′i=（xi-xmin）/（xmax-xmin），式中x′i為經(jīng)過標(biāo)準(zhǔn)化處理的數(shù)據(jù)，xi為原始數(shù)據(jù)，xmax和xmin分別為數(shù)據(jù)序列中的最大數(shù)和最小數(shù)。經(jīng)過歸一化處理后的15組樣本數(shù)據(jù)見表1。

3.2網(wǎng)絡(luò)訓(xùn)練與檢測(cè)

在MATLAB軟件中創(chuàng)建10-8-4的BP神經(jīng)網(wǎng)絡(luò)，隱含層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)logsig，訓(xùn)練函數(shù)采用traingdx。設(shè)定最大訓(xùn)練次數(shù)為10 000，訓(xùn)練目標(biāo)誤差為0.001，初始學(xué)習(xí)速率為0.7，其余訓(xùn)練參數(shù)取默認(rèn)值。取表1中前12組（樣本1～12）數(shù)據(jù)作為訓(xùn)練樣本，調(diào)用訓(xùn)練函數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，電腦顯示經(jīng)過1 033次訓(xùn)練后，其均方誤差MSE=0.000 946，小于預(yù)先設(shè)定的0.001的最小誤差，網(wǎng)絡(luò)性能達(dá)到最好，訓(xùn)練結(jié)束。

取表1中后3組（樣本13～15）數(shù)據(jù)作為輸入數(shù)據(jù)對(duì)上述訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證，其結(jié)果見表2。從表2可以看出，模型輸出值與期望輸出值非常接近，最大絕對(duì)誤差為0.008 5，最小為0.000 7，表明訓(xùn)練后的 BP 神經(jīng)網(wǎng)絡(luò)模型有較高的模擬精度和可信度，完全能滿足農(nóng)地石漠化預(yù)警要求，到此整個(gè)建模過程結(jié)束。

3.3預(yù)警結(jié)果及分析

4討論

由于影響農(nóng)地石漠化的因素涉及自然環(huán)境、經(jīng)濟(jì)、社會(huì)等諸多方面，各因素之間既相互聯(lián)系又相互作用，屬多變量非線性問題，而BP神經(jīng)網(wǎng)絡(luò)具有良好的模式識(shí)別能力和較強(qiáng)的非線性處理能力，能根據(jù)所提供的數(shù)據(jù)，通過學(xué)習(xí)和訓(xùn)練，找出輸入與輸出之間的內(nèi)在聯(lián)系，從而求取問題的解，人為主觀性影響較小，計(jì)算結(jié)果準(zhǔn)確性高，所以基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)地石漠化預(yù)警方法是可行的。但預(yù)警過程中輸入變量的選取、隱含層神經(jīng)元個(gè)數(shù)的確定和運(yùn)行參數(shù)的設(shè)置等問題尚需進(jìn)一步研究。

本研究采用BP神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了農(nóng)地石漠化預(yù)警的模型，并以陽山縣為例進(jìn)行了農(nóng)地石漠化預(yù)警分析。預(yù)警結(jié)果表明：2015年陽山縣13個(gè)鄉(xiāng)鎮(zhèn)中有2個(gè)鎮(zhèn)屬重警區(qū)，1個(gè)鎮(zhèn)屬中警區(qū)，7個(gè)鎮(zhèn)屬輕警區(qū)，1個(gè)鄉(xiāng)和2個(gè)鎮(zhèn)屬無警區(qū)。預(yù)警結(jié)果為陽山縣各鎮(zhèn)的農(nóng)地石漠化綜合防治與農(nóng)地資源合理利用提供了參考。

參考文獻(xiàn)：

[1]韓清延，胡寶清，閆妍，等. 基于ANN-FES的石漠化綜合治理智能決策支持系統(tǒng)設(shè)計(jì)及應(yīng)用研究[J]. 測(cè)繪與空間地理信息，2009，32（2）：63-68.

[2]李明，李雪銘. 基于遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在我國(guó)主要城市人居環(huán)境質(zhì)量評(píng)價(jià)中的應(yīng)用[J]. 經(jīng)濟(jì)地理，2007，27（1）：99-103.

[3]田彥清，楊振宏，張?jiān)从?，? 基于BP神經(jīng)網(wǎng)絡(luò)的作業(yè)場(chǎng)所風(fēng)險(xiǎn)預(yù)警模型研究[J]. 安全與環(huán)境學(xué)報(bào)，2011，11（6）：255-259.

[4]劉連勝，陳樂書，李小非，等. 基于GIS、RS的陽山縣耕地后備資源調(diào)查評(píng)價(jià)[J]. 廣東農(nóng)業(yè)科學(xué)，2009（8）：110-112，119.

[5]黃金國(guó)，魏興琥，王兮之. 粵北巖溶山區(qū)土地石漠化成因及其生態(tài)經(jīng)濟(jì)治理模式[J]. 水土保持研究，2013，20（4）：105-109.

[6]侯建才，李占斌，李勉，等. 流域次降雨侵蝕產(chǎn)沙的BP神經(jīng)網(wǎng)絡(luò)模擬[J]. 水土保持通報(bào)，2007，27（3）：79-83.

[7]李文超，胡天然，魏永霞.BP-ANN模型在地下水動(dòng)態(tài)預(yù)測(cè)中的應(yīng)用研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2009，40（9）：44-47.

[8]吳璞周，衛(wèi)海燕. 基于GIS和人工神經(jīng)網(wǎng)絡(luò)的區(qū)域水資源壓力評(píng)價(jià)模型及其驗(yàn)證[J]. 水土保持通報(bào)，2007，27（6）：160-164.

[9]袁琦，黃建清，符新，等. 基于神經(jīng)網(wǎng)絡(luò)的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)模型研究[J]. 湖北農(nóng)業(yè)科學(xué)，2013，52（1）：143-146.

[10]吳璞周，衛(wèi)海燕. 基于GIS和人工神經(jīng)網(wǎng)絡(luò)的區(qū)域水資源壓力評(píng)價(jià)模型及其驗(yàn)證[J]. 水土保持通報(bào)，2007，27（6）：160-164.

[11]蘇廣實(shí)，胡寶清，梁銘忠，等. 基于神經(jīng)網(wǎng)絡(luò)的喀斯特石漠化預(yù)警分析模型研究——以廣西都安為例[J]. 地球與環(huán)境，2009，37（3）：287-292.

[12]閆妍，胡寶清，韓清延，等. 基于3S-ANN技術(shù)的縣域農(nóng)地石漠化預(yù)警分析——以廣西壯族自治區(qū)都安瑤族自治縣為例[J]. 中國(guó)巖溶，2012，31（1）：52-58.董麗麗，丁忠義，劉一瑋，等. 基于TOPSIS模型的煤礦區(qū)土地生態(tài)質(zhì)量評(píng)價(jià)[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（9）：300-303.endprint

農(nóng)地石漠化是地質(zhì)、地貌、植被、土壤、氣候等自然背景因素和人類不合理的農(nóng)業(yè)生產(chǎn)活動(dòng)綜合作用的結(jié)果。根據(jù)陽山縣的實(shí)際情況和預(yù)警指標(biāo)選取的科學(xué)性、系統(tǒng)性、簡(jiǎn)明性、可表征性、可獲得性和可度量性等原則，應(yīng)用相關(guān)分析和主成分分析方法并借鑒相關(guān)研究成果[12]，本研究選取巖性、地表起伏指數(shù)、土壤類型、植被覆蓋率、基巖裸露率、土地墾殖指數(shù)、坡耕地指數(shù)、農(nóng)業(yè)人口密度、人均耕地面積、≥25°坡地面積比共10個(gè)和農(nóng)地石漠化密切相關(guān)的指標(biāo)作為輸入變量，即輸入層神經(jīng)元數(shù)目為10。輸出變量的選擇與預(yù)警結(jié)果相對(duì)應(yīng)，本研究根據(jù)陽山縣的實(shí)際情況設(shè)置無警、輕警、中警和重警4個(gè)預(yù)警結(jié)果，即輸出層神經(jīng)元數(shù)目為4，其中輸出（1 0 0 0）為無警，（0 1 0 0）為輕警，（0 0 1 0） 為中警，（0 0 0 1）為重警。

2.2隱含層和隱含層神經(jīng)元數(shù)的確定

現(xiàn)有理論已證明，具有一個(gè)隱含層的三層 BP神經(jīng)網(wǎng)絡(luò)可以映射所有的連續(xù)非線性函數(shù)[10]，因此，本文隱含層數(shù)選為 1個(gè)。對(duì)于隱含層神經(jīng)元數(shù)的確定是神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中非常重要的一個(gè)環(huán)節(jié)，若隱含層神經(jīng)元個(gè)數(shù)過少，會(huì)使網(wǎng)絡(luò)不能建立復(fù)雜映射關(guān)系，訓(xùn)練效果不理想，網(wǎng)絡(luò)的容錯(cuò)性也隨之較低；若隱含層神經(jīng)元個(gè)數(shù)過多，會(huì)使樣本學(xué)習(xí)能力降低，網(wǎng)絡(luò)學(xué)習(xí)時(shí)間過長(zhǎng)，總體性能減弱[4]。因此，在具體設(shè)計(jì)時(shí)通常先根據(jù)經(jīng)驗(yàn)公式n1=m+n+a（式中 m 為輸入層神經(jīng)元數(shù)，n 為輸出層神經(jīng)元數(shù)，n1為隱含層神經(jīng)元數(shù)，a為[1，10] 之間的常數(shù)。）初步確定隱含層神經(jīng)元個(gè)數(shù)，然后通過對(duì)不同神經(jīng)元數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練對(duì)比，再最終確定神經(jīng)元數(shù)[10]。

本研究輸入層神經(jīng)元數(shù)為10，輸出層神經(jīng)元數(shù)為4，通過訓(xùn)練對(duì)比發(fā)現(xiàn)，隱含層神經(jīng)元數(shù)為8時(shí)，網(wǎng)絡(luò)性能最好，誤差最小，因此，選擇隱含層的神經(jīng)元數(shù)為8。

2.3模型結(jié)構(gòu)

有10個(gè)輸入神經(jīng)元、8個(gè)隱含層神經(jīng)元和4個(gè)輸出神經(jīng)元，故采用10-8-4結(jié)構(gòu)的3層BP神經(jīng)網(wǎng)絡(luò)模型（圖2）。

3實(shí)例應(yīng)用

3.1數(shù)據(jù)來源及處理

根據(jù)陽山縣農(nóng)地石漠化的實(shí)際情況，選取15個(gè)樣本區(qū)域（無石漠化區(qū)域、輕度石漠化區(qū)域、中度石漠化區(qū)域、重度石漠化區(qū)域、極重度石漠化區(qū)域各選3個(gè)）進(jìn)行數(shù)據(jù)采集，其中農(nóng)業(yè)人口密度、人均耕地面積數(shù)據(jù)來源于《陽山縣統(tǒng)計(jì)年鑒》，土地墾殖指數(shù)、坡耕地指數(shù)數(shù)據(jù)來源于陽山縣第二次土地利用調(diào)查數(shù)據(jù)庫，地表起伏指數(shù)、≥25°坡地面積比數(shù)據(jù)應(yīng)用GIS方法從DEM數(shù)據(jù)中提取，基巖裸露率、植被覆蓋率數(shù)據(jù)來源于遙感影像解譯和野外調(diào)查，對(duì)巖性、土壤類型等定性指標(biāo)的處理，由專家根據(jù)實(shí)際情況打分進(jìn)行量化。

原始數(shù)據(jù)由于量綱、數(shù)量級(jí)和單位等存在較大差別，在網(wǎng)絡(luò)訓(xùn)練前須對(duì)其進(jìn)行歸一化處理。本研究采用的歸一化公式為x′i=（xi-xmin）/（xmax-xmin），式中x′i為經(jīng)過標(biāo)準(zhǔn)化處理的數(shù)據(jù)，xi為原始數(shù)據(jù)，xmax和xmin分別為數(shù)據(jù)序列中的最大數(shù)和最小數(shù)。經(jīng)過歸一化處理后的15組樣本數(shù)據(jù)見表1。

3.2網(wǎng)絡(luò)訓(xùn)練與檢測(cè)

在MATLAB軟件中創(chuàng)建10-8-4的BP神經(jīng)網(wǎng)絡(luò)，隱含層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)logsig，訓(xùn)練函數(shù)采用traingdx。設(shè)定最大訓(xùn)練次數(shù)為10 000，訓(xùn)練目標(biāo)誤差為0.001，初始學(xué)習(xí)速率為0.7，其余訓(xùn)練參數(shù)取默認(rèn)值。取表1中前12組（樣本1～12）數(shù)據(jù)作為訓(xùn)練樣本，調(diào)用訓(xùn)練函數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，電腦顯示經(jīng)過1 033次訓(xùn)練后，其均方誤差MSE=0.000 946，小于預(yù)先設(shè)定的0.001的最小誤差，網(wǎng)絡(luò)性能達(dá)到最好，訓(xùn)練結(jié)束。

取表1中后3組（樣本13～15）數(shù)據(jù)作為輸入數(shù)據(jù)對(duì)上述訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證，其結(jié)果見表2。從表2可以看出，模型輸出值與期望輸出值非常接近，最大絕對(duì)誤差為0.008 5，最小為0.000 7，表明訓(xùn)練后的 BP 神經(jīng)網(wǎng)絡(luò)模型有較高的模擬精度和可信度，完全能滿足農(nóng)地石漠化預(yù)警要求，到此整個(gè)建模過程結(jié)束。

3.3預(yù)警結(jié)果及分析

4討論

由于影響農(nóng)地石漠化的因素涉及自然環(huán)境、經(jīng)濟(jì)、社會(huì)等諸多方面，各因素之間既相互聯(lián)系又相互作用，屬多變量非線性問題，而BP神經(jīng)網(wǎng)絡(luò)具有良好的模式識(shí)別能力和較強(qiáng)的非線性處理能力，能根據(jù)所提供的數(shù)據(jù)，通過學(xué)習(xí)和訓(xùn)練，找出輸入與輸出之間的內(nèi)在聯(lián)系，從而求取問題的解，人為主觀性影響較小，計(jì)算結(jié)果準(zhǔn)確性高，所以基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)地石漠化預(yù)警方法是可行的。但預(yù)警過程中輸入變量的選取、隱含層神經(jīng)元個(gè)數(shù)的確定和運(yùn)行參數(shù)的設(shè)置等問題尚需進(jìn)一步研究。

本研究采用BP神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了農(nóng)地石漠化預(yù)警的模型，并以陽山縣為例進(jìn)行了農(nóng)地石漠化預(yù)警分析。預(yù)警結(jié)果表明：2015年陽山縣13個(gè)鄉(xiāng)鎮(zhèn)中有2個(gè)鎮(zhèn)屬重警區(qū)，1個(gè)鎮(zhèn)屬中警區(qū)，7個(gè)鎮(zhèn)屬輕警區(qū)，1個(gè)鄉(xiāng)和2個(gè)鎮(zhèn)屬無警區(qū)。預(yù)警結(jié)果為陽山縣各鎮(zhèn)的農(nóng)地石漠化綜合防治與農(nóng)地資源合理利用提供了參考。

參考文獻(xiàn)：

[1]韓清延，胡寶清，閆妍，等. 基于ANN-FES的石漠化綜合治理智能決策支持系統(tǒng)設(shè)計(jì)及應(yīng)用研究[J]. 測(cè)繪與空間地理信息，2009，32（2）：63-68.

[2]李明，李雪銘. 基于遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在我國(guó)主要城市人居環(huán)境質(zhì)量評(píng)價(jià)中的應(yīng)用[J]. 經(jīng)濟(jì)地理，2007，27（1）：99-103.

[3]田彥清，楊振宏，張?jiān)从?，? 基于BP神經(jīng)網(wǎng)絡(luò)的作業(yè)場(chǎng)所風(fēng)險(xiǎn)預(yù)警模型研究[J]. 安全與環(huán)境學(xué)報(bào)，2011，11（6）：255-259.

[4]劉連勝，陳樂書，李小非，等. 基于GIS、RS的陽山縣耕地后備資源調(diào)查評(píng)價(jià)[J]. 廣東農(nóng)業(yè)科學(xué)，2009（8）：110-112，119.

[5]黃金國(guó)，魏興琥，王兮之. 粵北巖溶山區(qū)土地石漠化成因及其生態(tài)經(jīng)濟(jì)治理模式[J]. 水土保持研究，2013，20（4）：105-109.

[6]侯建才，李占斌，李勉，等. 流域次降雨侵蝕產(chǎn)沙的BP神經(jīng)網(wǎng)絡(luò)模擬[J]. 水土保持通報(bào)，2007，27（3）：79-83.

[7]李文超，胡天然，魏永霞.BP-ANN模型在地下水動(dòng)態(tài)預(yù)測(cè)中的應(yīng)用研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2009，40（9）：44-47.

[8]吳璞周，衛(wèi)海燕. 基于GIS和人工神經(jīng)網(wǎng)絡(luò)的區(qū)域水資源壓力評(píng)價(jià)模型及其驗(yàn)證[J]. 水土保持通報(bào)，2007，27（6）：160-164.

[9]袁琦，黃建清，符新，等. 基于神經(jīng)網(wǎng)絡(luò)的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)模型研究[J]. 湖北農(nóng)業(yè)科學(xué)，2013，52（1）：143-146.

[10]吳璞周，衛(wèi)海燕. 基于GIS和人工神經(jīng)網(wǎng)絡(luò)的區(qū)域水資源壓力評(píng)價(jià)模型及其驗(yàn)證[J]. 水土保持通報(bào)，2007，27（6）：160-164.

[11]蘇廣實(shí)，胡寶清，梁銘忠，等. 基于神經(jīng)網(wǎng)絡(luò)的喀斯特石漠化預(yù)警分析模型研究——以廣西都安為例[J]. 地球與環(huán)境，2009，37（3）：287-292.

[12]閆妍，胡寶清，韓清延，等. 基于3S-ANN技術(shù)的縣域農(nóng)地石漠化預(yù)警分析——以廣西壯族自治區(qū)都安瑤族自治縣為例[J]. 中國(guó)巖溶，2012，31（1）：52-58.董麗麗，丁忠義，劉一瑋，等. 基于TOPSIS模型的煤礦區(qū)土地生態(tài)質(zhì)量評(píng)價(jià)[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（9）：300-303.endprint

農(nóng)地石漠化是地質(zhì)、地貌、植被、土壤、氣候等自然背景因素和人類不合理的農(nóng)業(yè)生產(chǎn)活動(dòng)綜合作用的結(jié)果。根據(jù)陽山縣的實(shí)際情況和預(yù)警指標(biāo)選取的科學(xué)性、系統(tǒng)性、簡(jiǎn)明性、可表征性、可獲得性和可度量性等原則，應(yīng)用相關(guān)分析和主成分分析方法并借鑒相關(guān)研究成果[12]，本研究選取巖性、地表起伏指數(shù)、土壤類型、植被覆蓋率、基巖裸露率、土地墾殖指數(shù)、坡耕地指數(shù)、農(nóng)業(yè)人口密度、人均耕地面積、≥25°坡地面積比共10個(gè)和農(nóng)地石漠化密切相關(guān)的指標(biāo)作為輸入變量，即輸入層神經(jīng)元數(shù)目為10。輸出變量的選擇與預(yù)警結(jié)果相對(duì)應(yīng)，本研究根據(jù)陽山縣的實(shí)際情況設(shè)置無警、輕警、中警和重警4個(gè)預(yù)警結(jié)果，即輸出層神經(jīng)元數(shù)目為4，其中輸出（1 0 0 0）為無警，（0 1 0 0）為輕警，（0 0 1 0） 為中警，（0 0 0 1）為重警。

2.2隱含層和隱含層神經(jīng)元數(shù)的確定

現(xiàn)有理論已證明，具有一個(gè)隱含層的三層 BP神經(jīng)網(wǎng)絡(luò)可以映射所有的連續(xù)非線性函數(shù)[10]，因此，本文隱含層數(shù)選為 1個(gè)。對(duì)于隱含層神經(jīng)元數(shù)的確定是神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中非常重要的一個(gè)環(huán)節(jié)，若隱含層神經(jīng)元個(gè)數(shù)過少，會(huì)使網(wǎng)絡(luò)不能建立復(fù)雜映射關(guān)系，訓(xùn)練效果不理想，網(wǎng)絡(luò)的容錯(cuò)性也隨之較低；若隱含層神經(jīng)元個(gè)數(shù)過多，會(huì)使樣本學(xué)習(xí)能力降低，網(wǎng)絡(luò)學(xué)習(xí)時(shí)間過長(zhǎng)，總體性能減弱[4]。因此，在具體設(shè)計(jì)時(shí)通常先根據(jù)經(jīng)驗(yàn)公式n1=m+n+a（式中 m 為輸入層神經(jīng)元數(shù)，n 為輸出層神經(jīng)元數(shù)，n1為隱含層神經(jīng)元數(shù)，a為[1，10] 之間的常數(shù)。）初步確定隱含層神經(jīng)元個(gè)數(shù)，然后通過對(duì)不同神經(jīng)元數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練對(duì)比，再最終確定神經(jīng)元數(shù)[10]。

本研究輸入層神經(jīng)元數(shù)為10，輸出層神經(jīng)元數(shù)為4，通過訓(xùn)練對(duì)比發(fā)現(xiàn)，隱含層神經(jīng)元數(shù)為8時(shí)，網(wǎng)絡(luò)性能最好，誤差最小，因此，選擇隱含層的神經(jīng)元數(shù)為8。

2.3模型結(jié)構(gòu)

有10個(gè)輸入神經(jīng)元、8個(gè)隱含層神經(jīng)元和4個(gè)輸出神經(jīng)元，故采用10-8-4結(jié)構(gòu)的3層BP神經(jīng)網(wǎng)絡(luò)模型（圖2）。

3實(shí)例應(yīng)用

3.1數(shù)據(jù)來源及處理

根據(jù)陽山縣農(nóng)地石漠化的實(shí)際情況，選取15個(gè)樣本區(qū)域（無石漠化區(qū)域、輕度石漠化區(qū)域、中度石漠化區(qū)域、重度石漠化區(qū)域、極重度石漠化區(qū)域各選3個(gè)）進(jìn)行數(shù)據(jù)采集，其中農(nóng)業(yè)人口密度、人均耕地面積數(shù)據(jù)來源于《陽山縣統(tǒng)計(jì)年鑒》，土地墾殖指數(shù)、坡耕地指數(shù)數(shù)據(jù)來源于陽山縣第二次土地利用調(diào)查數(shù)據(jù)庫，地表起伏指數(shù)、≥25°坡地面積比數(shù)據(jù)應(yīng)用GIS方法從DEM數(shù)據(jù)中提取，基巖裸露率、植被覆蓋率數(shù)據(jù)來源于遙感影像解譯和野外調(diào)查，對(duì)巖性、土壤類型等定性指標(biāo)的處理，由專家根據(jù)實(shí)際情況打分進(jìn)行量化。

原始數(shù)據(jù)由于量綱、數(shù)量級(jí)和單位等存在較大差別，在網(wǎng)絡(luò)訓(xùn)練前須對(duì)其進(jìn)行歸一化處理。本研究采用的歸一化公式為x′i=（xi-xmin）/（xmax-xmin），式中x′i為經(jīng)過標(biāo)準(zhǔn)化處理的數(shù)據(jù)，xi為原始數(shù)據(jù)，xmax和xmin分別為數(shù)據(jù)序列中的最大數(shù)和最小數(shù)。經(jīng)過歸一化處理后的15組樣本數(shù)據(jù)見表1。

3.2網(wǎng)絡(luò)訓(xùn)練與檢測(cè)

在MATLAB軟件中創(chuàng)建10-8-4的BP神經(jīng)網(wǎng)絡(luò)，隱含層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)logsig，訓(xùn)練函數(shù)采用traingdx。設(shè)定最大訓(xùn)練次數(shù)為10 000，訓(xùn)練目標(biāo)誤差為0.001，初始學(xué)習(xí)速率為0.7，其余訓(xùn)練參數(shù)取默認(rèn)值。取表1中前12組（樣本1～12）數(shù)據(jù)作為訓(xùn)練樣本，調(diào)用訓(xùn)練函數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，電腦顯示經(jīng)過1 033次訓(xùn)練后，其均方誤差MSE=0.000 946，小于預(yù)先設(shè)定的0.001的最小誤差，網(wǎng)絡(luò)性能達(dá)到最好，訓(xùn)練結(jié)束。

取表1中后3組（樣本13～15）數(shù)據(jù)作為輸入數(shù)據(jù)對(duì)上述訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證，其結(jié)果見表2。從表2可以看出，模型輸出值與期望輸出值非常接近，最大絕對(duì)誤差為0.008 5，最小為0.000 7，表明訓(xùn)練后的 BP 神經(jīng)網(wǎng)絡(luò)模型有較高的模擬精度和可信度，完全能滿足農(nóng)地石漠化預(yù)警要求，到此整個(gè)建模過程結(jié)束。

3.3預(yù)警結(jié)果及分析

4討論

由于影響農(nóng)地石漠化的因素涉及自然環(huán)境、經(jīng)濟(jì)、社會(huì)等諸多方面，各因素之間既相互聯(lián)系又相互作用，屬多變量非線性問題，而BP神經(jīng)網(wǎng)絡(luò)具有良好的模式識(shí)別能力和較強(qiáng)的非線性處理能力，能根據(jù)所提供的數(shù)據(jù)，通過學(xué)習(xí)和訓(xùn)練，找出輸入與輸出之間的內(nèi)在聯(lián)系，從而求取問題的解，人為主觀性影響較小，計(jì)算結(jié)果準(zhǔn)確性高，所以基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)地石漠化預(yù)警方法是可行的。但預(yù)警過程中輸入變量的選取、隱含層神經(jīng)元個(gè)數(shù)的確定和運(yùn)行參數(shù)的設(shè)置等問題尚需進(jìn)一步研究。

本研究采用BP神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了農(nóng)地石漠化預(yù)警的模型，并以陽山縣為例進(jìn)行了農(nóng)地石漠化預(yù)警分析。預(yù)警結(jié)果表明：2015年陽山縣13個(gè)鄉(xiāng)鎮(zhèn)中有2個(gè)鎮(zhèn)屬重警區(qū)，1個(gè)鎮(zhèn)屬中警區(qū)，7個(gè)鎮(zhèn)屬輕警區(qū)，1個(gè)鄉(xiāng)和2個(gè)鎮(zhèn)屬無警區(qū)。預(yù)警結(jié)果為陽山縣各鎮(zhèn)的農(nóng)地石漠化綜合防治與農(nóng)地資源合理利用提供了參考。

參考文獻(xiàn)：

[1]韓清延，胡寶清，閆妍，等. 基于ANN-FES的石漠化綜合治理智能決策支持系統(tǒng)設(shè)計(jì)及應(yīng)用研究[J]. 測(cè)繪與空間地理信息，2009，32（2）：63-68.

[2]李明，李雪銘. 基于遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在我國(guó)主要城市人居環(huán)境質(zhì)量評(píng)價(jià)中的應(yīng)用[J]. 經(jīng)濟(jì)地理，2007，27（1）：99-103.

[3]田彥清，楊振宏，張?jiān)从拢? 基于BP神經(jīng)網(wǎng)絡(luò)的作業(yè)場(chǎng)所風(fēng)險(xiǎn)預(yù)警模型研究[J]. 安全與環(huán)境學(xué)報(bào)，2011，11（6）：255-259.

[4]劉連勝，陳樂書，李小非，等. 基于GIS、RS的陽山縣耕地后備資源調(diào)查評(píng)價(jià)[J]. 廣東農(nóng)業(yè)科學(xué)，2009（8）：110-112，119.

[5]黃金國(guó)，魏興琥，王兮之. 粵北巖溶山區(qū)土地石漠化成因及其生態(tài)經(jīng)濟(jì)治理模式[J]. 水土保持研究，2013，20（4）：105-109.

[6]侯建才，李占斌，李勉，等. 流域次降雨侵蝕產(chǎn)沙的BP神經(jīng)網(wǎng)絡(luò)模擬[J]. 水土保持通報(bào)，2007，27（3）：79-83.

[7]李文超，胡天然，魏永霞.BP-ANN模型在地下水動(dòng)態(tài)預(yù)測(cè)中的應(yīng)用研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2009，40（9）：44-47.

[8]吳璞周，衛(wèi)海燕. 基于GIS和人工神經(jīng)網(wǎng)絡(luò)的區(qū)域水資源壓力評(píng)價(jià)模型及其驗(yàn)證[J]. 水土保持通報(bào)，2007，27（6）：160-164.

[9]袁琦，黃建清，符新，等. 基于神經(jīng)網(wǎng)絡(luò)的水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測(cè)模型研究[J]. 湖北農(nóng)業(yè)科學(xué)，2013，52（1）：143-146.

[10]吳璞周，衛(wèi)海燕. 基于GIS和人工神經(jīng)網(wǎng)絡(luò)的區(qū)域水資源壓力評(píng)價(jià)模型及其驗(yàn)證[J]. 水土保持通報(bào)，2007，27（6）：160-164.

[11]蘇廣實(shí)，胡寶清，梁銘忠，等. 基于神經(jīng)網(wǎng)絡(luò)的喀斯特石漠化預(yù)警分析模型研究——以廣西都安為例[J]. 地球與環(huán)境，2009，37（3）：287-292.

[12]閆妍，胡寶清，韓清延，等. 基于3S-ANN技術(shù)的縣域農(nóng)地石漠化預(yù)警分析——以廣西壯族自治區(qū)都安瑤族自治縣為例[J]. 中國(guó)巖溶，2012，31（1）：52-58.董麗麗，丁忠義，劉一瑋，等. 基于TOPSIS模型的煤礦區(qū)土地生態(tài)質(zhì)量評(píng)價(jià)[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（9）：300-303.endprint