黃土高原油松人工林土壤水分變動(dòng)的人工神經(jīng)網(wǎng)絡(luò)模型研究

尹準(zhǔn)生 唐孝甲 盧佶 洪奕豐 陳偉 左松源

?

黃土高原油松人工林土壤水分變動(dòng)的人工神經(jīng)網(wǎng)絡(luò)模型研究

尹準(zhǔn)生 唐孝甲 盧佶 洪奕豐 陳偉 左松源

（國(guó)家林業(yè)和草原局華東調(diào)查規(guī)劃設(shè)計(jì)院 浙江杭州 310019）

依據(jù)黃土高原油松人工林試驗(yàn)樣地林分情況，確定神經(jīng)網(wǎng)絡(luò)的輸入變量和輸出變量，利用2012—2015年的567組數(shù)據(jù)對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和檢驗(yàn)，構(gòu)建了5∶q∶1的土壤水分變動(dòng)的BP神經(jīng)網(wǎng)絡(luò)模型。結(jié)果表明：最適宜的網(wǎng)絡(luò)結(jié)構(gòu)為5∶6∶1，均方誤差mse=0.002 645，總體擬合精度為96.78%，模擬檢驗(yàn)擬合精度為94.44%。

土壤水分變動(dòng)模型；人工神經(jīng)網(wǎng)絡(luò)；油松；黃土高原

作為陸地植被生態(tài)系統(tǒng)的主體，森林與其所生存的環(huán)境之間存在著巨大的相互作用[4,11]。黃土高原森林由于降雨量小但蒸發(fā)量大的干旱氣候特點(diǎn)，森林與其生存環(huán)境間相互作用方式與此特點(diǎn)有著一定的相關(guān)性，具有特殊的水文效應(yīng)[10, 15, 16, 18]。在目前大量的土壤蒸發(fā)模型中，雖然國(guó)內(nèi)外學(xué)者進(jìn)行了大量的研究工作，但在野外林地所做的研究則比較少，這是因?yàn)閷?shí)際的土壤蒸發(fā)涉及到諸多的因素。林地土壤水分的變動(dòng)不僅受到氣象要素（如大氣溫度、濕度、風(fēng)速、太陽(yáng)總輻射等）、地形條件、土壤水分狀況的影響，同時(shí)還受到林地小環(huán)境（林分郁閉度、枯落物、林下植被等）的影響。特別是，在野外的實(shí)際研究中還受到降雨等因子的影響，這些復(fù)雜的因素都限制了土壤蒸發(fā)模型的研究。

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network）是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)具有全局并行、局部處理和非線性三大特點(diǎn)，信息處理能力很強(qiáng)。由于神經(jīng)網(wǎng)絡(luò)對(duì)于非線性系統(tǒng)建模具有很強(qiáng)的擬合性，利用神經(jīng)網(wǎng)絡(luò)的非線性特質(zhì)，可用于解決許多比較復(fù)雜的非線性問(wèn)題[1-3, 5-8]。本文以黃土高原油松（）人工林為研究對(duì)象，根據(jù)測(cè)試區(qū)的實(shí)際情況選取相關(guān)變量建立神經(jīng)網(wǎng)絡(luò)模型，并以實(shí)測(cè)數(shù)據(jù)對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練、模擬和評(píng)價(jià)，探索林地土壤水分變動(dòng)量與相關(guān)因子之間的關(guān)系，從而為森林水文的研究和生態(tài)環(huán)境建設(shè)提供理論參考。

1 數(shù)據(jù)來(lái)源

研究地點(diǎn)位于山西省偏關(guān)縣陳家營(yíng)鄉(xiāng)，地處晉西北的晉蒙交界處，東經(jīng)111°22′～11°01′、北緯39°12′～39°40′，為大陸性氣候，年平均氣溫4.3 ℃，年平均降雨量為425.3 mm，7-9月份的降雨占全年的60%以上，植被以人工喬木林和灌木為主，造林樹(shù)種主要為油松、落葉松、樟子松，土壤為沙質(zhì)黃綿土。供觀測(cè)的人工油松純林為28年生，平均樹(shù)高4.3～5.2 m，平均胸徑9.4～11.9 cm，郁閉度0.67～0.85。

本研究采用設(shè)置長(zhǎng)期固定標(biāo)準(zhǔn)地的方式對(duì)林地內(nèi)外氣象因子進(jìn)行定位觀測(cè)，共設(shè)置了3個(gè)固定樣地，各樣地具體特征見(jiàn)表1。試驗(yàn)數(shù)據(jù)于2012年起進(jìn)行觀測(cè)。

表1 油松試驗(yàn)林基本情況

每個(gè)林內(nèi)樣地和氣象站內(nèi)各設(shè)置2個(gè)土壤蒸發(fā)器。土壤蒸發(fā)器由兩部分組成，內(nèi)筒所使用的材料為PVC管，內(nèi)徑25cm，高25cm；外筒采用鍍鋅板制作而成，其內(nèi)徑略大于內(nèi)筒外徑。在無(wú)降雨情況下，蒸發(fā)器的測(cè)量周期為3~5天，每次的測(cè)量時(shí)間為當(dāng)日18時(shí)?？紤]到降雨后土壤的水分變化較大，為了保證網(wǎng)絡(luò)模型訓(xùn)練的質(zhì)量，所以每次降雨后對(duì)其進(jìn)行加測(cè)。林外氣象站在每天的8：00、14：00和20：00進(jìn)行水面蒸發(fā)、降雨量、溫度、濕度、風(fēng)速及光照的測(cè)定。表2為2012—2015年的調(diào)查數(shù)據(jù)匯總。

表2 2012—2015年調(diào)查數(shù)據(jù)匯總

2 研究方法

2.1 問(wèn)題分析

在本研究中，針對(duì)土壤水分的研究主要是通過(guò)土壤蒸發(fā)器來(lái)進(jìn)行，并且蒸發(fā)器土壤表面均覆蓋接近于自然狀態(tài)的枯枝落葉，以便能更好地反應(yīng)林地的現(xiàn)實(shí)狀況，通過(guò)一段時(shí)期兩次土壤蒸發(fā)器重量之差來(lái)度量一定時(shí)間段內(nèi)的土壤水分變動(dòng)量。由趙鴻雁等給出的枯落物覆蓋下土壤蒸發(fā)數(shù)學(xué)表達(dá)式可知，一段時(shí)間內(nèi)的土壤蒸發(fā)量與原始土壤含水量和時(shí)間長(zhǎng)短有關(guān)，同時(shí)也與枯落物厚度有關(guān)。但本研究中，根據(jù)實(shí)際情況和便于模型的建立，枯落物層的厚度被看作是恒定不變的。

土壤蒸發(fā)力的大小與氣象因子的蒸發(fā)力及林分結(jié)構(gòu)密切相關(guān)，氣象因子涉及到如空氣溫度、空氣相對(duì)濕度、風(fēng)速、光照等，而這些因子所引起的土壤蒸發(fā)潛力可通過(guò)水面蒸發(fā)量得到衡量。而且水面蒸發(fā)量越大，其土壤蒸發(fā)潛力就越大。由于該地區(qū)的林分經(jīng)人工撫育后林相整齊，林分的結(jié)構(gòu)主要與郁閉度有關(guān)。基于此，并為了減少構(gòu)造模型的復(fù)雜性，研究在氣象因子方面只考慮一段時(shí)間內(nèi)的水面蒸發(fā)量，而林分結(jié)構(gòu)則只考慮郁閉度。

在實(shí)際的野外林地中，除了土壤蒸發(fā)損失水分之外，土壤本身還接受降雨的水分補(bǔ)給，因此降雨也會(huì)影響到土壤水分的變動(dòng)。但在林地中，由于林冠、林下植被及枯落物的截留等作用，會(huì)影響到達(dá)土壤層的水分，所以在考慮土壤水分變動(dòng)時(shí)也應(yīng)將其考慮在內(nèi)。

2.2 模型建立

根據(jù)以上分析，先利用公式（1）進(jìn)行網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)的初步訓(xùn)練，然后采用試錯(cuò)法確定其隱含層數(shù)，使其在滿足一定的精度要求下取其最小值以提高網(wǎng)絡(luò)的泛化能力[19]。

（1）

式中：為一整數(shù)，常在1到10之間取值。

網(wǎng)絡(luò)的結(jié)構(gòu)可表示為圖1。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3 模型的訓(xùn)練與檢驗(yàn)

3.1 模型的訓(xùn)練

（3）

式中：為原始數(shù)據(jù)；為轉(zhuǎn)化后的數(shù)據(jù)；min和max分別為中的最小值和最大值。

3.2 模型的模擬檢驗(yàn)

選取2015年的144組數(shù)據(jù)用MATLAB的仿真函數(shù)sim進(jìn)行仿真檢驗(yàn)，并對(duì)其仿真的結(jié)果進(jìn)行擬合精度分析，最后得出的擬合精度計(jì)算公式為：

（4）

式中：c表示擬合精度；表示理論值即網(wǎng)絡(luò)的模擬值；表示真實(shí)值即實(shí)際調(diào)查值。

經(jīng)計(jì)算可得擬合精度為94.44%，如圖2所示，其結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型的仿真理論值能夠較好地跟蹤實(shí)測(cè)值，結(jié)果令人滿意。

圖2 網(wǎng)絡(luò)模擬結(jié)果

4 結(jié)論與討論

根據(jù)影響林地土壤水分的主要因素，建立土壤水分變動(dòng)的BP神經(jīng)網(wǎng)絡(luò)模型。得出最適宜的網(wǎng)絡(luò)結(jié)構(gòu)為5:6:1，均方誤差mse=0.002 645，總體擬合精度為96.78%，模擬檢驗(yàn)擬合精度為94.44%，結(jié)果顯示效果良好，表明將BP網(wǎng)絡(luò)用于黃土高原林地土壤水分變動(dòng)模型研究是可行的。但由于網(wǎng)絡(luò)的訓(xùn)練過(guò)程是利用網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)來(lái)反映所研究的關(guān)系，網(wǎng)絡(luò)中的參數(shù)沒(méi)有具體的物理意義，不能反映出真實(shí)的物理過(guò)程，這是神經(jīng)網(wǎng)絡(luò)模型的主要局限。另外，由于試驗(yàn)地的區(qū)域性以及區(qū)域內(nèi)的特殊性，模型有一定的適用范圍，對(duì)于其他條件下如不同地區(qū)、不同樹(shù)種、結(jié)構(gòu)林分是否適用還有待今后進(jìn)一步研究。

[1] Minns A,Hall M. Artificial neural networks as rainfall-runoff models. Hydrological Sciences Journal,1996, 41（3）: 399-417.

[2] Flood I,Kartam N. Neural networks in civil engineering,I:Principles and understanding. Comp Civ Eng,1994, 8（2）: 132-148.

[3] Freeman J, Skapura D. Neural Networks:Algorithms, Applications,and Programming Techniuques. USA, Andison-Wesley Publ. Comp, 1991.

[4] McCulloch J, Robinson M. History of forest hydrology. Journal of Hydrology,1993, 150（2）: 189-216.

[5] Smith J,Eli R. Neural-network models of rainfall-runoff process. Journal of water resources planning and management,1995, 121（6）: 499-508.

[6] Nachimuthu Karunanithi, William J Grenney, Darrell Whitley, et al. Neural networks for river flow prediction. Journal of Computing in Civil Engineering,1994, 8（2）: 201-220.

[7] Lorrai M,Sechi G. Neural nets for modelling rainfall-runoff transformations. Water resources management,1995, 9（4）: 299-313.

[8] Martin T. Neural Network Design[M].北京：機(jī)械工業(yè)出版社, 2002.

[9] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M]. 北京：機(jī)械工業(yè)出版社, 2002.

[10]尹準(zhǔn)生,孫長(zhǎng)忠,趙明揚(yáng).黃土高原半干旱區(qū)油松人工林枯落物截留雨量模擬研究[J].林業(yè)科學(xué)研究, 2015,28（3）: 417-420.

[11]黃洪峰. 土壤-植物-大氣相互作用原理及模擬研究[M]. 北京：氣象出版社, 1997.

[12]蔣宗禮. 人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M]. 北京：高等教育出版社, 2001.

[13]李祚泳,彭荔紅. BP網(wǎng)絡(luò)學(xué)習(xí)能力與泛化能力滿足的不確定關(guān)系式[J]. 中國(guó)科學(xué),2003, 33（10）: 887-895.

[14]盛仲飆,同曉榮. BP神經(jīng)網(wǎng)絡(luò)在曲線擬合中的應(yīng)用[J].科學(xué)技術(shù)與工程,2011,11（28）:1671- 1815.

[15]孫長(zhǎng)忠,陳海濱. 黃土高原林業(yè)資源開(kāi)發(fā)與發(fā)展問(wèn)題的探討[J]. 西北林學(xué)院學(xué)報(bào),1995, 10（增）: 174-179.

[16]孫長(zhǎng)忠, 黃寶龍, 陳海濱, 等. 黃土高原人工植被與其水分環(huán)境相互作用關(guān)系研究[J]. 北京林業(yè)大學(xué)大學(xué)學(xué)報(bào),1998, 20（3）: 7-14.

[17]田景文,高美娟. 人工神經(jīng)網(wǎng)絡(luò)算法研究及其應(yīng)用[M]. 北京：北京理工大學(xué)出版社, 2006.

[18]尹準(zhǔn)生,孫長(zhǎng)忠,趙明揚(yáng).黃土高原半干旱區(qū)油松人工林林冠截留模型及其參數(shù)特征研究[J].林業(yè)科學(xué)研究,2015,28（2）: 261-264.

[19]閻平凡. 人工神經(jīng)網(wǎng)絡(luò)的容量、學(xué)習(xí)與計(jì)算復(fù)雜性[J]. 電子學(xué)報(bào),1995, （5）: 63-67.

[20]張立明. 人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用[M]. 上海：復(fù)旦大學(xué)出版社, 1993.

Artificial Neural Network model of soil moisture fluctuation ofplantations in Loess Plateau

Yin Zhunsheng,Tang Xiaojia,Lu Ji,Hong Yifeng,Chen Wei,Zuo Songyuan

Based on the actual local conditions ofin Loess Plateau, the input variables and output variables were selected and five hundred seventy-six groups of observed data ranging from 2012 to 2015 were applied to train and examine the neural network model. The results showed that the optimum network structure was 5:6:1,mean square error was 0.002 645,the general fitting accuracy was 96.78%,and the examined fitting accuracy was 94.44%.

The model of soil moisture changing; artificial neural network;; Loess Plateau

O157.5

A

1004-7743（2019）02-0067-04

2018-12-25