基于異質(zhì)SVM神經(jīng)網(wǎng)絡(luò)的土壤鹽漬化災(zāi)害預(yù)測(cè)模型

武 丹，賈科利，張曉東，張俊華

(1.寧夏大學(xué)資源環(huán)境學(xué)院，寧夏 銀川 750021；2.寧夏回族自治區(qū)遙感測(cè)繪勘查院(寧夏回族自治區(qū)遙感中心)，寧夏 銀川 750021；3.中國地質(zhì)大學(xué)(北京)信息工程學(xué)院，北京 100083；4.寧夏回族自治區(qū)地質(zhì)調(diào)查院，寧夏 銀川 750021；5.寧夏大學(xué)環(huán)境工程研究院，寧夏 銀川 750021)

土壤鹽漬化是氣候、水文地質(zhì)、環(huán)境地質(zhì)及人類活動(dòng)共同作用下形成的一類災(zāi)害性的土壤變化，忽視土壤鹽漬化治理，會(huì)導(dǎo)致土壤肥力下降，不利于土壤的可持續(xù)利用。由于技術(shù)方法與數(shù)據(jù)精度等因素的限制，早期土壤鹽漬化程度的評(píng)價(jià)工作主要使用信息疊加的分析方法，通過地理信息系統(tǒng)(GIS)的疊加分析功能將多個(gè)指標(biāo)進(jìn)行疊加來評(píng)估土壤鹽漬化風(fēng)險(xiǎn)等級(jí)。研究表明，評(píng)價(jià)指標(biāo)之間不僅僅是疊加關(guān)系[1]，而是呈非線性關(guān)系，通過綜合作用影響土壤鹽漬化的程度。因此，通過數(shù)學(xué)方法建立預(yù)測(cè)模型逐漸成為土壤鹽漬化研究的主要方法。丁建麗等[1]選擇BP-Adaboost預(yù)測(cè)器對(duì)4個(gè)預(yù)測(cè)指標(biāo)進(jìn)行處理，得到土壤鹽漬化預(yù)測(cè)結(jié)果；姚榮江等[2]將生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)數(shù)學(xué)模型與灰色系統(tǒng)理論結(jié)合，對(duì)蘇北海涂圍墾區(qū)進(jìn)行土壤鹽漬化風(fēng)險(xiǎn)評(píng)估與分級(jí)；沈掌泉等[3]對(duì)比集成BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)統(tǒng)計(jì)學(xué)的克里格插值法，研究土壤養(yǎng)分的空間變異和插值精度。以上研究均表明基于數(shù)學(xué)建模的鹽漬化研究方法能更準(zhǔn)確地評(píng)價(jià)土壤鹽漬化程度且預(yù)測(cè)精度更高。

隨著定量研究的不斷深入，在土壤鹽漬化評(píng)價(jià)中使用神經(jīng)網(wǎng)絡(luò)模型的研究逐漸增多[4]，預(yù)測(cè)精度也進(jìn)一步得到提升。支持向量機(jī)(Support Vector Machine，SVM)神經(jīng)網(wǎng)絡(luò)是以大腦生理變化過程為基礎(chǔ)，借助計(jì)算機(jī)定量計(jì)算大量數(shù)據(jù)[5]，計(jì)算過程中不需要反復(fù)調(diào)試權(quán)重值，克服了以往為提高模型預(yù)測(cè)精度需多次調(diào)整指標(biāo)所占權(quán)重來獲得參數(shù)的缺點(diǎn)，適合用于解決分類問題，已應(yīng)用于短時(shí)交通量預(yù)測(cè)[6]、地下水位預(yù)測(cè)[7]、需水量預(yù)測(cè)等諸多領(lǐng)域并取得了很好的效果。本文以銀川平原為研究區(qū)，應(yīng)用異質(zhì)SVM神經(jīng)網(wǎng)絡(luò)建立土壤鹽漬化預(yù)測(cè)模型，對(duì)銀川平原的土壤鹽漬化進(jìn)行評(píng)價(jià)研究，以期為銀川平原的土壤鹽漬化預(yù)測(cè)提供借鑒。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

銀川平原位于寧夏北部(圖1)，面積約7 790 km2，海拔高度1 100～1 500 m，屬于中溫帶干旱區(qū)，氣候干燥蒸發(fā)作用強(qiáng)烈，年均降水量185 mm，年均蒸發(fā)量1 825 mm，蒸降比為10∶1。銀川平原位于黃河上游中段是典型的引黃灌溉區(qū)，自西向東、由南向北緩傾，黃河水溶解性總固體為4.5～4.85 g/L，局部地區(qū)地下水溶解性總固體高、埋藏淺。銀川平原南部地區(qū)灌排條件較好，北部地區(qū)坡降小、地下水位高、排水不暢，導(dǎo)致土壤積鹽情況較嚴(yán)重[8～9]。

圖1 研究區(qū)地理位置與采樣點(diǎn)分布Fig.1 Location of the study area and sampling points

1.2 數(shù)據(jù)源

研究使用的遙感影像為L(zhǎng)andsat8 OLI數(shù)據(jù)，分辨率為30 m，具有9個(gè)波段，覆蓋銀川平原共2景數(shù)據(jù)，影像獲取時(shí)間為2017年4月30日。對(duì)影像進(jìn)行輻射定標(biāo)、FLAASH大氣校正以及正射校正等預(yù)處理，統(tǒng)一對(duì)影像做投影變換、鑲嵌等處理。植被指數(shù)、鹽分指數(shù)、土壤干旱指數(shù)的計(jì)算均以Landsat8 OLI遙感影像為數(shù)據(jù)源，具體計(jì)算方法參考文[10～11]；參考全國第二次土地調(diào)查分類標(biāo)準(zhǔn)，使用eCognition軟件，通過面向?qū)ο蠓诸惻c目視解譯相結(jié)合的方法，調(diào)查研究區(qū)土地利用類型狀況，結(jié)合野外實(shí)地調(diào)查結(jié)果評(píng)價(jià)解譯成果的精度為94.5%；地面高程使用ASTER GDEM數(shù)據(jù)，空間分辨率為30 m；地下水埋深數(shù)據(jù)采用銀川平原2012—2016年共458個(gè)測(cè)井的地下水靜態(tài)水位數(shù)據(jù)，在ArcGIS中選擇球面模型進(jìn)行Kriging[11]處理得到研究區(qū)地下水位埋深的連續(xù)表面；地下水溶解性總固體數(shù)據(jù)采用銀川平原2010—2016年間共325個(gè)鉆孔的地下水溶解性總固體數(shù)據(jù)進(jìn)行插值計(jì)算得到的連續(xù)表面。

2 研究方法

本次研究從災(zāi)害預(yù)測(cè)的角度展開，選取6類指標(biāo)作為模型的預(yù)測(cè)指標(biāo)，經(jīng)過處理形成相應(yīng)的數(shù)字地面模型作為指標(biāo)數(shù)據(jù)源。根據(jù)野外土壤樣點(diǎn)的實(shí)測(cè)含鹽量結(jié)果制定訓(xùn)練數(shù)據(jù)集與檢驗(yàn)數(shù)據(jù)集，根據(jù)樣點(diǎn)的經(jīng)緯度提取每個(gè)點(diǎn)對(duì)應(yīng)的6類指標(biāo)值。利用2個(gè)數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練及檢驗(yàn)建立SVM神經(jīng)網(wǎng)絡(luò)災(zāi)害預(yù)測(cè)模型。最后，將研究區(qū)內(nèi)的預(yù)測(cè)樣本集輸入模型中，經(jīng)模型預(yù)測(cè)得到分類結(jié)果，將分類結(jié)果插值后得出銀川平原鹽漬化預(yù)測(cè)圖，研究的整體流程見圖2。

圖2 基于異質(zhì)SVM神經(jīng)網(wǎng)絡(luò)的土壤鹽漬化預(yù)測(cè)流程圖Fig.2 Flow chart of soil salinization prediction based on heterogeneous SVM neural network

2.1 評(píng)價(jià)指標(biāo)的選取與提取

常用的評(píng)價(jià)指標(biāo)[13]主要包括：土壤含鹽量、土壤水分、植被覆蓋度等。在氣候干燥蒸發(fā)量大、地下水埋藏較淺的地區(qū)，地下水中的鹽分會(huì)隨著土壤水分的蒸發(fā)不斷向地表遷移聚集。當(dāng)?shù)叵滤芙庑钥偣腆w相同時(shí)，地下水位埋深是影響土壤鹽分分布的主要因素，水位埋深越淺，土壤鹽漬化程度越高；當(dāng)?shù)叵滤宦裆钕嗖畈淮髸r(shí)，高溶解性總固體水分布區(qū)土壤鹽漬化程度較高。土壤鹽漬化的發(fā)生會(huì)威脅周圍的生態(tài)環(huán)境，地表鹽分過度積累會(huì)導(dǎo)致植被覆蓋度降低、干旱指數(shù)升高。綜合以上造成土壤鹽漬化的原因，本次研究選擇地面高程、地下水位埋深、地下水溶解性總固體、植被指數(shù)、鹽分指數(shù)、干旱指數(shù)作為模型的預(yù)測(cè)指標(biāo)[14]。圖3為研究使用的6類指標(biāo)數(shù)據(jù)源。

2.2 數(shù)據(jù)處理

野外采樣時(shí)間為2017年5月，在研究區(qū)內(nèi)隨機(jī)采集土壤樣本208個(gè)，采樣時(shí)每個(gè)取土點(diǎn)用GPS定位并記錄經(jīng)緯度坐標(biāo)，取表層0～30 cm土壤，剔除土樣中的植物莖葉、礫石等雜質(zhì)，送實(shí)驗(yàn)室測(cè)定土壤的堿化度，根據(jù)土壤堿化度[15]對(duì)土壤鹽堿化程度進(jìn)行劃分，樣點(diǎn)土壤的鹽堿化程度分為：1級(jí)，非鹽漬化(土壤堿化度≤5)；2級(jí)，輕度(5<土壤堿化度≤15)；3級(jí)，中度(15<土壤堿化度≤30)；4級(jí)，重度(土壤堿化度>30)。經(jīng)實(shí)驗(yàn)室測(cè)定后，根據(jù)土樣的鹽堿化程度，篩選出108個(gè)土壤樣本作為本次實(shí)驗(yàn)的樣本數(shù)據(jù)集(樣點(diǎn)的分布情況見圖1)，剩余100個(gè)樣點(diǎn)用作檢驗(yàn)預(yù)測(cè)結(jié)果的精度。在SVM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中，土壤鹽漬化的分級(jí)情況分別用標(biāo)簽1，2，3，4表示。

從土樣中篩選非鹽漬化土壤、輕度鹽漬化土壤、中度鹽漬化土壤、重度鹽漬化土壤樣本各27個(gè)，每一類中17個(gè)作為訓(xùn)練樣本，另外10個(gè)作為檢驗(yàn)樣本，共計(jì)108個(gè)樣點(diǎn)。在ArcGIS軟件中，根據(jù)點(diǎn)的經(jīng)緯度坐標(biāo)，使用值提取至點(diǎn)工具得到每個(gè)點(diǎn)對(duì)應(yīng)的6類指標(biāo)值，組成訓(xùn)練數(shù)據(jù)集和檢驗(yàn)數(shù)據(jù)集。

圖3 土壤鹽漬化評(píng)價(jià)指標(biāo)Fig.3 Evaluation indexes of soil salinization

2.3 SVM神經(jīng)網(wǎng)絡(luò)分類原理

SVM神經(jīng)網(wǎng)絡(luò)[16]的訓(xùn)練方法屬于監(jiān)督學(xué)習(xí)，原理是建立一個(gè)分類超平面作為決策曲面，使得不同類別間的隔離邊緣被最大化。算法利用已知點(diǎn)的類別求出它和類別之間的對(duì)應(yīng)關(guān)系，利用對(duì)應(yīng)關(guān)系將訓(xùn)練集分類，或者預(yù)測(cè)新的數(shù)據(jù)集中每個(gè)點(diǎn)對(duì)應(yīng)的類別。SVM算法的關(guān)鍵是構(gòu)造支持向量x(i)和輸入空間抽取的向量x之間的內(nèi)積核，SVM神經(jīng)網(wǎng)絡(luò)原理是由算法從訓(xùn)練數(shù)據(jù)中抽取的小的子集構(gòu)成的，K為核函數(shù)。最大隔離邊緣在二維分類中被稱為最優(yōu)分類線，推廣到多維分裂問題中為最優(yōu)分類面，使得分類間隔最大。二維分類是容量為n的訓(xùn)練樣本集{(xi,yi),i=1,2,…，n}由2個(gè)類別組成，xi為第一類，yi為第二類，設(shè)xi=1，yi=-1。設(shè)分類超平面為：

(1)

可知平面wTxi+b=1和wTxi+b=-1為該分類問題的分類超平面，轉(zhuǎn)化為求超平面的參數(shù)：

(2)

依據(jù)拉格朗日對(duì)偶論轉(zhuǎn)化為對(duì)偶問題，求得的最優(yōu)解為：

(3)

其中，xr和xs為兩個(gè)類別中任意的一對(duì)支持向量，求得最優(yōu)分類函數(shù)為：

(4)

式中：ai*、b*——最優(yōu)化過程求解的參數(shù)；

yi——類別標(biāo)簽；

K(X，xi)——核函數(shù)，當(dāng)核函數(shù)采用線性(Linear)、多項(xiàng)式(Polynomial)、徑向基核函數(shù)(Radial Basis Function)等不同算法時(shí)，SVM神經(jīng)網(wǎng)絡(luò)被稱為異質(zhì)SVM神經(jīng)網(wǎng)絡(luò)。

3 模型的建立和結(jié)果

使用Matlab R2013a軟件編程[17]建立基于SVM神經(jīng)網(wǎng)絡(luò)的土壤鹽漬化預(yù)測(cè)模型。首先，將訓(xùn)練樣本輸入模型中對(duì)SVM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后選取適當(dāng)?shù)暮撕瘮?shù)與參數(shù)提升分類器的性能[18]，驗(yàn)證分類器精度是否滿足實(shí)驗(yàn)要求，最后將研究區(qū)內(nèi)隨機(jī)樣點(diǎn)數(shù)據(jù)輸入模型，得到預(yù)測(cè)結(jié)果。核函數(shù)與參數(shù)的選取對(duì)模型預(yù)測(cè)精度有著直接的影響，是本次建模過程中的關(guān)鍵步驟。

3.1 參數(shù)選取

核函數(shù)和參數(shù)c、g是SVM模型的重要參數(shù)，SVM神經(jīng)網(wǎng)絡(luò)計(jì)算精度與核函數(shù)及參數(shù)c、g的選擇有著直接關(guān)系[19]。常用的核函數(shù)有線性、多項(xiàng)式、徑向基核函數(shù)3種，本文分別使用3種核函數(shù)對(duì)SVM模型進(jìn)行測(cè)試，結(jié)果顯示3種核函數(shù)的準(zhǔn)確率分別為70.4%、82.7%和89.6%，準(zhǔn)確率最高的核函數(shù)為徑向基核函數(shù)，線性核函數(shù)準(zhǔn)確率最低。因此，選定徑向基核函數(shù)為該模型的核函數(shù)。

參數(shù)c、g的取值是通過交叉驗(yàn)證(Cross Validation，CV)計(jì)算得出的，實(shí)驗(yàn)使用的CV[20]方法包括：H-CV，K-CV和LOO-CV，分別得出3組c、g值。用RBF核函數(shù)與3組c、g參數(shù)配置SVM神經(jīng)網(wǎng)絡(luò)得到3種模型，將檢驗(yàn)樣本輸入模型中對(duì)3種分類器的精度進(jìn)行驗(yàn)證。分類器的分類精度如表1所示，“實(shí)際類別”代表實(shí)驗(yàn)室測(cè)出的鹽漬化類別的對(duì)應(yīng)標(biāo)簽，“預(yù)測(cè)類別”代表SVM分類器預(yù)測(cè)的鹽漬化類別的對(duì)應(yīng)標(biāo)簽，當(dāng)預(yù)測(cè)類別與實(shí)際類別相同時(shí)，代表預(yù)測(cè)結(jié)果與土壤鹽漬化真實(shí)情況一致，說明SVM分類器的預(yù)測(cè)結(jié)果正確。3種模型的分類精度分別為85%、75%和72.5%，因此選擇分類精度最高的模型作為本次實(shí)驗(yàn)的鹽漬化預(yù)測(cè)模型，其參數(shù)c=100，g=3。

表1 不同c、g值的模型分類精度對(duì)比Table 1 Model classification accuracy with different values of c & g

3.2 分類結(jié)果

在研究區(qū)內(nèi)隨機(jī)且盡量均勻地選擇317個(gè)點(diǎn)作為預(yù)測(cè)樣本集，將預(yù)測(cè)樣本集輸入具備最優(yōu)核函數(shù)的SVM神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)，得到研究區(qū)預(yù)測(cè)樣本集的分類結(jié)果。圖4(a)為317個(gè)隨機(jī)點(diǎn)的分類結(jié)果，縱軸1～4類別標(biāo)簽分別對(duì)應(yīng)土壤鹽漬化程度由非鹽漬化—重度的等級(jí)。在ArcGIS中選擇Natural Neighbor[2]方法對(duì)分類結(jié)果做插值處理，得出研究區(qū)的土壤鹽漬化程度預(yù)測(cè)圖(圖4b)。使用ArcGIS的空間統(tǒng)計(jì)功能對(duì)4類鹽漬化土壤的面積進(jìn)行統(tǒng)計(jì)，結(jié)合自然資源狀況(圖4c)對(duì)研究區(qū)鹽漬化分布情況進(jìn)行綜合分析，結(jié)果表明：非鹽漬化土壤主要分布在研究區(qū)西邊的賀蘭山周邊、利通區(qū)以及青銅峽地區(qū)，該地區(qū)地下水位埋藏較深，地物類型以草地為主，鹽漬化土壤幾乎未見分布；輕度鹽漬化土壤面積約854.08 km2，主要分布在黃河灘涂及耕地周邊，該地區(qū)植被覆蓋度高，干旱指數(shù)較低，灌溉方式主要為引黃灌溉，由于地勢(shì)較高排水順暢，農(nóng)田土壤不易積累過多鹽分；中度鹽漬化土壤面積約985.52 km2，主要分布在研究區(qū)中北部，東部的中度鹽漬化土壤沿黃河灘涂分布，西部的沿賀蘭山呈帶狀分布，惠農(nóng)及平羅的部分地區(qū)在開墾耕地時(shí)破壞土壤覆蓋的原生植被導(dǎo)致植被覆蓋度較低，干旱指數(shù)多在0.42～0.48之間，土壤水分消耗的增加導(dǎo)致土質(zhì)鹽分增多，鹽漬化程度較高；重度鹽漬化土壤面積約231.97 km2，主要在平羅縣西大灘、銀川蘆花和吳忠苦水河地區(qū)的耕地周邊呈點(diǎn)狀集中分布，該地區(qū)地勢(shì)低洼、地下水溶解性總固體高埋藏淺且易滲出地表，植被覆蓋度低，干旱指數(shù)集中在0.62～0.89之間，由于農(nóng)業(yè)耕種過程中人為填埋排水溝，造成農(nóng)田排水不暢導(dǎo)致土壤鹽分積累，農(nóng)業(yè)灌溉后殘余田間的水難以排出，加之強(qiáng)烈的蒸發(fā)作用，引起土壤表面鹽分聚集，鹽漬化程度嚴(yán)重。

圖4 分類結(jié)果Fig.4 Classification results

3.3 精度驗(yàn)證

以野外采集的100個(gè)土壤樣本的實(shí)際鹽漬化類別的對(duì)應(yīng)標(biāo)簽作為橫坐標(biāo)，以模型預(yù)測(cè)得出的鹽漬化類別的對(duì)應(yīng)標(biāo)簽為縱坐標(biāo)，求實(shí)際值與預(yù)測(cè)值之間的相關(guān)系數(shù)，R2為0.834，表明模型預(yù)測(cè)精度較高，滿足本次研究的預(yù)測(cè)精度。

圖5 樣點(diǎn)土壤鹽漬化實(shí)際類別與測(cè)試類別的關(guān)系Fig.5 Actual category and test category of the sample soil salinization

不同鹽漬化程度的點(diǎn)密度也可用于評(píng)估區(qū)域土壤鹽漬化危害的合理性。對(duì)銀川平原非鹽漬化、輕度、中度、重度4類鹽漬化分區(qū)的災(zāi)害點(diǎn)數(shù)量及面積進(jìn)行統(tǒng)計(jì)(表2)，計(jì)算不同分區(qū)的災(zāi)害點(diǎn)密度，結(jié)果表明從非鹽漬化區(qū)域到重度鹽漬化區(qū)域，災(zāi)害點(diǎn)的密度呈增加趨勢(shì)，重度鹽漬化區(qū)災(zāi)害點(diǎn)密度為0.172是所有類型中密度最大的，表明研究區(qū)域內(nèi)土壤鹽漬化災(zāi)害等級(jí)分布合理。

4 結(jié)論及建議

本研究使用6類引發(fā)土壤鹽漬化的指標(biāo)，選取野外實(shí)測(cè)樣本，利用SVM神經(jīng)網(wǎng)絡(luò)模型對(duì)銀川平原土壤鹽漬化的分布情況及潛在發(fā)展趨勢(shì)做出預(yù)測(cè)，結(jié)果表明：

表2 四類鹽漬化程度災(zāi)害點(diǎn)統(tǒng)計(jì)Table 2 Severity of salinization in 4 categories

(1)模型建立過程中，實(shí)驗(yàn)驗(yàn)證了3種核函數(shù)，結(jié)果顯示徑向基核函數(shù)對(duì)計(jì)算精度影響最大，當(dāng)c=100、g=3時(shí)，整個(gè)模型的預(yù)測(cè)正確率最高可達(dá)85%。

(2)非鹽漬化土壤主要分布在研究區(qū)西邊的賀蘭山周邊、利通區(qū)以及青銅峽地區(qū)；輕度鹽漬化在銀川平原分布廣泛，面積約854.08 km2，集中分布于吳忠、青銅峽、靈武地區(qū)；中度鹽漬化在銀川平原分布較廣，北至惠農(nóng)地區(qū)南至石靈武地區(qū)，面積約985.52 km2；重度鹽漬化主要集中在平羅、惠農(nóng)、石嘴山地區(qū)，面積約231.97 km2。

(3)銀川平原土地利用類型主要以耕地資源為主，預(yù)測(cè)結(jié)果表明多數(shù)鹽漬化土壤分布在耕地中，其中鹽漬化土壤面積占耕地面積的51%，中度與高度鹽漬化土壤面積占耕地面積的30%。由此可見，銀川平原的土壤鹽漬化程度已較為嚴(yán)重，加之耕地種植結(jié)構(gòu)單一，降低了耕地對(duì)土壤災(zāi)害的抵抗力，因此在農(nóng)業(yè)種植中應(yīng)注重植被的豐富度。同時(shí)，應(yīng)注重耕地的合理灌溉與排水，增加土壤的可持續(xù)利用性，減少次生土壤鹽漬化災(zāi)害發(fā)生。此外，經(jīng)野外實(shí)地考察發(fā)現(xiàn)，國家“十二五”期間鹽堿地治理效果顯著，應(yīng)延續(xù)其治理方法。

基于SVM神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型對(duì)銀川平原土壤鹽漬化程度進(jìn)行了預(yù)測(cè)，實(shí)驗(yàn)結(jié)果表明，有效的指標(biāo)數(shù)據(jù)是提高預(yù)測(cè)精度的關(guān)鍵，然而研究區(qū)內(nèi)近年數(shù)據(jù)更新不及時(shí)導(dǎo)致數(shù)據(jù)獲取的難度增大，以往的數(shù)據(jù)相對(duì)現(xiàn)在的實(shí)際狀況可能已發(fā)生變化，影響了模型的預(yù)測(cè)精度，今后應(yīng)注重指標(biāo)數(shù)據(jù)的更新。