基于BP神經(jīng)網(wǎng)絡(luò)的流域生態(tài)恢復(fù)度計(jì)算
——以福建長(zhǎng)汀朱溪小流域?yàn)槔?/h1>
2015-03-11 06:41:47李榮麗陳志彪陳志強(qiáng)張曉云鄭麗丹王秋云
生態(tài)學(xué)報(bào) 2015年6期
李榮麗, 陳志彪, 陳志強(qiáng), 張曉云, 鄭麗丹, 王秋云
福建師范大學(xué)地理科學(xué)學(xué)院, 福州 350007
基于BP神經(jīng)網(wǎng)絡(luò)的流域生態(tài)恢復(fù)度計(jì)算
——以福建長(zhǎng)汀朱溪小流域?yàn)槔?/p>
李榮麗, 陳志彪*, 陳志強(qiáng), 張曉云, 鄭麗丹, 王秋云
福建師范大學(xué)地理科學(xué)學(xué)院, 福州 350007
以福建省長(zhǎng)汀縣朱溪小流域?yàn)檠芯繉?duì)象，通過(guò)野外調(diào)查、室內(nèi)分析以及遙感影像提取相結(jié)合的方法獲取數(shù)據(jù)。利用Matlab7.0軟件建立BP神經(jīng)網(wǎng)絡(luò)生態(tài)恢復(fù)模型，定量評(píng)價(jià)退化生態(tài)系統(tǒng)的恢復(fù)程度。選擇土壤理化性質(zhì)(有機(jī)質(zhì)、全N、全P、全K、容重和pH)、植被結(jié)構(gòu)(植被蓋度)、物種多樣性指數(shù)(Shannon-Wiener指數(shù))和熱環(huán)境(地表溫度)等4個(gè)方面的9個(gè)指標(biāo)建立退化生態(tài)系統(tǒng)評(píng)價(jià)體系，并作為生態(tài)恢復(fù)模型的輸入層數(shù)據(jù)，生態(tài)恢復(fù)度作為輸出層數(shù)據(jù)。使用Matlab7.0進(jìn)行數(shù)據(jù)預(yù)處理、樣本訓(xùn)練、樣本檢驗(yàn)并建立生態(tài)恢復(fù)模型。利用建立的生態(tài)恢復(fù)模型對(duì)整個(gè)朱溪小流域生態(tài)恢復(fù)度進(jìn)行定量評(píng)價(jià)。結(jié)果表明，生態(tài)恢復(fù)模型預(yù)測(cè)結(jié)果與流域生態(tài)恢復(fù)的實(shí)際情況基本吻合，利用BP神經(jīng)網(wǎng)絡(luò)模型定量評(píng)價(jià)退化生態(tài)系統(tǒng)的恢復(fù)程度具有可行性。朱溪小流域內(nèi)生態(tài)恢復(fù)程度極低的區(qū)域面積僅占0.94%，95.48%區(qū)域?yàn)橹械然謴?fù)程度，說(shuō)明生態(tài)保護(hù)措施已初見(jiàn)成效；生態(tài)恢復(fù)程度高的區(qū)域面積僅占3.62%，意味著未來(lái)仍需加強(qiáng)治理和保護(hù)工作。
BP神經(jīng)網(wǎng)絡(luò); 生態(tài)恢復(fù); 模型; 朱溪小流域
生態(tài)環(huán)境退化嚴(yán)重制約了世界各國(guó)的經(jīng)濟(jì)和社會(huì)發(fā)展進(jìn)程，已成為全人類必須面對(duì)和亟待解決的重要課題[1]。在此背景下，相關(guān)學(xué)者和各國(guó)政府部門積極開(kāi)展退化生態(tài)系統(tǒng)恢復(fù)與重建工作[2]。為了評(píng)估生態(tài)恢復(fù)與重建的成效，以及對(duì)未來(lái)工作的部署，均要求對(duì)退化生態(tài)系統(tǒng)恢復(fù)程度作出科學(xué)的評(píng)價(jià)。
目前，常見(jiàn)的評(píng)價(jià)方法多以統(tǒng)計(jì)學(xué)方法[3-4]、綜合評(píng)價(jià)法[5-6]、模糊評(píng)價(jià)法[7]、灰色評(píng)價(jià)法[8]、主成分分析法[9-10]等為基礎(chǔ)，建立相應(yīng)的指標(biāo)體系進(jìn)行定量評(píng)價(jià)[11-12]，但是，已有方法對(duì)指標(biāo)貢獻(xiàn)率的確定方面較復(fù)雜，而BP神經(jīng)網(wǎng)絡(luò)方法則通過(guò)網(wǎng)絡(luò)訓(xùn)練不斷調(diào)節(jié)權(quán)值，方便且精度高。另外，此方法適合于非線性模式識(shí)別和分類預(yù)測(cè)問(wèn)題，可以通過(guò)學(xué)習(xí)逼近任何非線性函數(shù)[13-14]，適合類似本研究這樣的非線性問(wèn)題。
綜上，本文選擇具有代表性的土壤侵蝕極為嚴(yán)重的中國(guó)亞熱帶紅壤地區(qū)，朱溪小流域?yàn)檠芯繀^(qū)域[15]，引入BP神經(jīng)網(wǎng)絡(luò)方法，采用BP算法建立生態(tài)恢復(fù)定量評(píng)價(jià)模型，評(píng)價(jià)朱溪小流域的生態(tài)恢復(fù)情況。這既是對(duì)生態(tài)恢復(fù)與重建評(píng)價(jià)方法的有益嘗試和探索，也可對(duì)流域今后的治理工作提供決策依據(jù)，兼具理論和現(xiàn)實(shí)意義。
1 研究地區(qū)與研究方法
1.1 研究區(qū)自然概況
朱溪小流域位于福建西南部的長(zhǎng)汀縣河田鎮(zhèn)(116°23′30″—116°30′30″E，25°38′15″—25°42′55″N)(圖1)，屬中亞熱帶季風(fēng)性濕潤(rùn)氣候，年平均氣溫18.4 ℃，年平均降水量1 730 mm，年平均徑流量950—1020 mm。地貌類型以低山丘陵為主，土壤主要為燕山晚期礦物晶粒粗大的黑云母花崗巖，在長(zhǎng)期濕熱濕熱氣候條件下風(fēng)化發(fā)育而成的紅壤、侵蝕紅壤。地帶性植被為亞熱帶常綠闊葉林，但因長(zhǎng)期嚴(yán)重的水土流失和人為破壞，地帶植被遭到嚴(yán)重破壞，原始植被幾乎全部被次生林所替代，主要植被類型為次生馬尾林、幼林，樹(shù)種單一，結(jié)構(gòu)簡(jiǎn)單[15]。
圖1 研究區(qū)地理位置圖Fig.1 The location of study region
1.2 基礎(chǔ)數(shù)據(jù)獲取
圖2 朱溪小流域土壤采樣分布圖 Fig.2 The distribution of sampling point in the small watershed of Zhuxi
本研究采用野外調(diào)查、室內(nèi)分析及遙感影像提取相結(jié)合的方法獲取相關(guān)數(shù)據(jù)。2009年7月，采用典型SOTER(Soil and Terrain Digital Database)單元和柵格結(jié)合法，選擇朱溪小流域內(nèi)涵蓋研究區(qū)內(nèi)各種土地覆被利用類型的118個(gè)點(diǎn)作為研究樣點(diǎn)(圖2)。依據(jù)不同植被類型布設(shè)20 m×20 m的標(biāo)準(zhǔn)樣地46個(gè)，進(jìn)行植物群落調(diào)查。同時(shí)隨機(jī)挖取3個(gè)土壤剖面，取表層土0—20 cm，挑去石礫與根系，帶回實(shí)驗(yàn)室做相應(yīng)處理，測(cè)定土壤養(yǎng)分指標(biāo)。測(cè)定方法采用濃硫酸-重鉻酸鉀加熱法測(cè)定土壤有機(jī)質(zhì)；開(kāi)氏定氮法測(cè)定土壤全N；濃硫酸-高氯酸消煮-原子吸收法測(cè)定土壤全K；濃硫酸-高氯酸消煮-鑰銻抗比色法測(cè)定土壤全P；室內(nèi)風(fēng)干水土電位法(水土比5∶1)測(cè)定土壤pH值。
植被蓋度、地表溫度數(shù)據(jù)通過(guò)軟件ENVI4.2、ArcGIS9.2提取SPOT5、ASTER影像數(shù)據(jù)獲?。籗hannon-Wiener多樣性指數(shù)根據(jù)公式計(jì)算得到。
1.3 數(shù)據(jù)處理與研究方法
采用Excel軟件對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行前期處理，基于BP算法，利用Matlab7.0軟件建立生態(tài)恢復(fù)模型。以118個(gè)樣點(diǎn)數(shù)據(jù)為基礎(chǔ)，應(yīng)用ArcGIS9.2軟件地統(tǒng)計(jì)模塊的克里格空間插值和ENVI4.2軟件提取影像等獲取流域內(nèi)的9個(gè)評(píng)價(jià)指標(biāo)的柵格數(shù)據(jù)，作為生態(tài)恢復(fù)評(píng)價(jià)模型應(yīng)用的輸入層數(shù)據(jù)，并將其輸入已建立的評(píng)價(jià)模型，得到整個(gè)流域的生態(tài)恢復(fù)度值。最后借助ArcGIS9.2軟件生成整個(gè)流域的生態(tài)恢復(fù)度結(jié)果圖。
2 生態(tài)恢復(fù)度模型的構(gòu)建
2.1 BP網(wǎng)絡(luò)結(jié)構(gòu)和算法
圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 The structure of BP neural network
典型的BP神經(jīng)網(wǎng)絡(luò)是一個(gè)由輸入層、隱含層和輸出層構(gòu)成的三層前饋神經(jīng)網(wǎng)絡(luò)(圖3)。BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由信息的正向傳播和誤差的反向傳播組成。當(dāng)給定網(wǎng)絡(luò)一組輸入模式時(shí)，BP網(wǎng)絡(luò)將依次對(duì)這組輸入模式按如下方式學(xué)習(xí)：首先，把輸入模式從輸入層傳輸?shù)诫[含層單元，經(jīng)隱含層單元逐層處理后，產(chǎn)生一個(gè)輸入模式傳送到輸出層，這一過(guò)程稱為正向傳播；然后將輸出結(jié)果和期待值進(jìn)行比較，如果沒(méi)有達(dá)到所預(yù)計(jì)的期望，則轉(zhuǎn)變?yōu)檎`差的反向傳播，將誤差沿原路徑返回，通過(guò)修改各層神經(jīng)元的連接權(quán)值，使誤差信號(hào)變小。這種正向傳播和反向傳播相互交替，看成一個(gè)“記憶訓(xùn)練”的過(guò)程。系統(tǒng)不斷地循環(huán)這兩個(gè)過(guò)程，重復(fù)學(xué)習(xí)，一直到輸出值和期待值的誤差減小到規(guī)定范圍內(nèi)，系統(tǒng)停止學(xué)習(xí)。此刻將新樣本輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，就可以得到相應(yīng)的輸出值[16]。有研究表明，一個(gè)三層神經(jīng)網(wǎng)絡(luò)模型就可解決一般函數(shù)的擬合逼近問(wèn)題，因此，三層人工神經(jīng)網(wǎng)絡(luò)能滿足要求，即網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)由輸入層、單隱含層和輸出層組成[17]。
2.2 設(shè)定生態(tài)恢復(fù)度值
根據(jù)中亞熱帶地區(qū)森林生態(tài)系統(tǒng)恢復(fù)進(jìn)程，將裸地—草地—馬尾松和灌叢—針闊混交林—常綠闊葉林5個(gè)不同恢復(fù)階段分別用0—0.2、0.2—0.4、0.4—0.6、0.6—0.8、0.8—1等5個(gè)數(shù)值區(qū)間表示，定量表征退化生態(tài)系統(tǒng)恢復(fù)與重建程度。其中，常綠闊葉林生態(tài)恢復(fù)度最佳，設(shè)為恢復(fù)等級(jí)1，針闊混交林、馬尾松和灌叢、草地次之，依次設(shè)為恢復(fù)等級(jí)2、恢復(fù)等級(jí)3和恢復(fù)等級(jí)4，裸地的生態(tài)恢復(fù)度最低，設(shè)為恢復(fù)等級(jí)5。
2.3 指標(biāo)體系構(gòu)建
關(guān)于退化生態(tài)系統(tǒng)評(píng)價(jià)指標(biāo)，國(guó)際恢復(fù)生態(tài)學(xué)會(huì)提出了9個(gè)生態(tài)系統(tǒng)特征，相關(guān)學(xué)者在實(shí)踐應(yīng)用中將其歸納為：1)生態(tài)學(xué)過(guò)程(如，養(yǎng)分庫(kù)、土壤有機(jī)質(zhì)以及生物間的相互關(guān)系)[18]；2)植被結(jié)構(gòu)(如，植被蓋度、生物量、凋落物結(jié)構(gòu)、喬木密度、高度等)[19-20]；3)物種多樣性[21-22]等三個(gè)方面[23]。此外，鑒于環(huán)境因子(如溫度、濕度、降水等微域小氣候)與生態(tài)系統(tǒng)類型之間的聯(lián)系，比如：炎熱的環(huán)境嚴(yán)重制約著植物的生長(zhǎng)，因此本研究增加了熱環(huán)境數(shù)據(jù)，以進(jìn)一步完善和豐富指標(biāo)體系。
綜上，本文從土壤理化性質(zhì)(有機(jī)質(zhì)、全N、全P、全K、容重和pH)、植被結(jié)構(gòu)(植被蓋度)、物種多樣性(Shannon-Wiener指數(shù))以及熱環(huán)境(地表溫度)四個(gè)方面選擇9個(gè)指標(biāo)建立退化生態(tài)系統(tǒng)評(píng)價(jià)體系。
2.4 模型樣本選取
118個(gè)樣地中，選擇對(duì)植物群落做過(guò)調(diào)查的46個(gè)樣地，因此，46個(gè)不同恢復(fù)程度的樣本作為模型建立的樣本數(shù)據(jù)(表1)，其中包括常綠闊葉林樣地7個(gè)，針闊混交林樣地6個(gè)，馬尾松和灌叢樣地21個(gè)，草地樣地7個(gè)，裸地樣地5個(gè)。然后在樣本數(shù)據(jù)中按10%的比例，隨機(jī)抽取能夠代表5個(gè)不同恢復(fù)程度(樣地編號(hào)分別為7、11、19、31、39和44)的6個(gè)樣地，作為測(cè)試樣本，其余40個(gè)樣地為訓(xùn)練樣本。
表1 模型樣本數(shù)據(jù)Table 1 The sample data of model
2.5 結(jié)果輸出
圖4 BP網(wǎng)絡(luò)生態(tài)恢復(fù)模型Fig.4 BP network model of Ecological restoration
在BP 人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，輸入層神經(jīng)元與輸出層神經(jīng)元個(gè)數(shù)是由問(wèn)題的本身決定。本文中輸入層神經(jīng)元個(gè)數(shù)為選定的9個(gè)評(píng)價(jià)指標(biāo)，輸出層為生態(tài)恢復(fù)度等級(jí)，隱含層的神經(jīng)元數(shù)采用逐步減少神經(jīng)元個(gè)數(shù)的刪減法則和逐步增加神經(jīng)元個(gè)數(shù)的擴(kuò)張法則試算確定，經(jīng)過(guò)反復(fù)比較各種隱含層神經(jīng)元個(gè)數(shù)網(wǎng)絡(luò)收斂情況，最后確定隱含層最優(yōu)神經(jīng)元個(gè)數(shù)為9個(gè)。為保證網(wǎng)絡(luò)快速收斂，采用Levenberg-Marquardt反傳算法，隱含層神經(jīng)元采用的傳遞函數(shù)為雙曲正切S型函數(shù)tansig，輸出層神經(jīng)元采用S型傳輸函數(shù)logsig，構(gòu)建的生態(tài)恢復(fù)模型見(jiàn)圖4。
2.6 模型訓(xùn)練
為避免訓(xùn)練過(guò)程中出現(xiàn)過(guò)飽和狀態(tài)，提高網(wǎng)絡(luò)收斂速度，首先對(duì)訓(xùn)練樣本(40個(gè))進(jìn)行歸一化處理，設(shè)定網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainlm，性能函數(shù)為mse，訓(xùn)練參數(shù)為默認(rèn)值，網(wǎng)絡(luò)訓(xùn)練8次后，達(dá)到設(shè)定的精度，網(wǎng)絡(luò)收斂，訓(xùn)練結(jié)束。
2.7 模型檢驗(yàn)
網(wǎng)絡(luò)訓(xùn)練完成以后，利用檢驗(yàn)樣本(6個(gè))進(jìn)行測(cè)試，檢查模型輸出值和真實(shí)值之間的誤差。由表2可見(jiàn)，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型輸出的生態(tài)恢復(fù)度值與真實(shí)值非常接近，絕對(duì)誤差處于±0.03之間，相對(duì)誤差低于7%，不會(huì)產(chǎn)生分類歧義，所以網(wǎng)絡(luò)對(duì)測(cè)試樣本的分辨100%成功，由此可以認(rèn)為網(wǎng)絡(luò)的映射能力較高，完全能夠進(jìn)行正確分類，模型訓(xùn)練精度及檢驗(yàn)結(jié)果可信度均較高，檢驗(yàn)通過(guò)。
3 結(jié)果與分析
3.1 流域生態(tài)恢復(fù)度的計(jì)算
BP神經(jīng)網(wǎng)絡(luò)生態(tài)恢復(fù)模型的應(yīng)用原理，是將被評(píng)價(jià)對(duì)象的特征參數(shù)作為評(píng)價(jià)指標(biāo)，由輸入層輸入模型，模型根據(jù)訓(xùn)練記憶作出判讀，并輸出對(duì)應(yīng)的生態(tài)恢復(fù)度值。因此，在應(yīng)用模型評(píng)價(jià)朱溪小流域生態(tài)恢復(fù)程度時(shí)，首先要提取整個(gè)流域的9個(gè)評(píng)價(jià)指標(biāo)數(shù)據(jù)。
表2 模型檢驗(yàn)結(jié)果和期望輸出對(duì)比Table 2 Comparison of expected value and model test results
本文中，通過(guò)ENVI4.2軟件提取SPOT5、ASTER影像獲取植被蓋度、地表溫度數(shù)據(jù)。其余指標(biāo)獲取途徑如下：以110個(gè)樣點(diǎn)數(shù)據(jù)為基礎(chǔ)，應(yīng)用ArcGIS9.2軟件的地統(tǒng)計(jì)模塊，采用普通克里格最優(yōu)內(nèi)插值法，得到整個(gè)朱溪小流域內(nèi)土壤有機(jī)質(zhì)、全N、全P、全K、容重、pH以及生物多樣性指標(biāo)(Shannon-Wiener指數(shù))的空間分布柵格圖，部分圖給出(圖5—圖10)。然后，借助ArcGIS9.2軟件，將各個(gè)指標(biāo)空間分布圖的柵格單元轉(zhuǎn)化成點(diǎn)數(shù)據(jù)，作為模型的輸入樣本。整個(gè)小流域共有65 567個(gè)輸入樣本。
將輸入樣本輸入BP神經(jīng)網(wǎng)絡(luò)生態(tài)恢復(fù)模型，由模型計(jì)算得出65 567個(gè)生態(tài)恢復(fù)度值。然后，利用ArcGIS9.2軟件剔除未治理區(qū)域的(耕地、交通用地、水域、園地、居住地與工礦用地等)數(shù)據(jù)(因本文主要對(duì)朱溪小流域內(nèi)實(shí)施治理措施的林地、草地等作出評(píng)價(jià))，根據(jù)剩余數(shù)據(jù)生成朱溪小流域生態(tài)恢復(fù)度分布圖(圖11)，并統(tǒng)計(jì)不同恢復(fù)等級(jí)的分布面積(表3)。
圖5 土壤有機(jī)質(zhì)空間分布圖Fig.5 The spatial distribution of SOM
圖6 土壤全氮空間分布圖Fig.6 The spatial distribution of soil total N
圖7 土壤容重空間分布圖Fig.7 The spatial distribution of soil bulk destiny
圖8 土壤pH空間分布圖Fig.8 The spatial distribution of soil pH
圖9 植被蓋度圖Fig.9 The figure of vegetation coverage
圖10 地表溫度圖Fig.10 The figure of surface temperature
圖11 朱溪小流域生態(tài)恢復(fù)程度Fig.11 Ecological restoration of the small watershed of Zhuxi
由圖11和表3可以看出，朱溪小流域內(nèi)4級(jí)、5級(jí)地面積較小，僅占總面積的8.04%，土地利用類型為居民用地與耕地，因受人為活動(dòng)影響較大，其生態(tài)恢復(fù)程度較差。2級(jí)地和3級(jí)地占地面積最大，分布最廣，兩者共占流域總面積的88.35%。其中，3級(jí)地占總面積的44.11%，上、中、下游都有分布，且集中在流域東部；2級(jí)地所占比例為44.24%，主要分布在流域上游和中游；1級(jí)地占地面積也較少，只有3.62%，分布也比較零散，主要分布在流域東北部與中部，還有一部分零星分布在流域東部。
總體來(lái)看，朱溪小流域內(nèi)生態(tài)恢復(fù)程度極低(等級(jí)4和等級(jí)5)的區(qū)域面積較小，大部分區(qū)域?yàn)橹械然謴?fù)程度(等級(jí)2和等級(jí)3)，說(shuō)明生態(tài)保護(hù)措施發(fā)揮了一定作用。另一方面，研究區(qū)內(nèi)生態(tài)恢復(fù)程度高的區(qū)域面積(等級(jí)1)仍很小，這意味未來(lái)仍需加強(qiáng)治理和保護(hù)工作。
表3 朱溪小流域生態(tài)恢復(fù)度分級(jí)面積統(tǒng)計(jì)數(shù)據(jù)Table 3 The statistic of ecological recovery degree grading area in the small watershed of Zhuxi
4 討論
生態(tài)恢復(fù)定量評(píng)價(jià)面臨的難點(diǎn)，是各個(gè)評(píng)價(jià)指標(biāo)與生態(tài)恢復(fù)度之間的非線性映射關(guān)系以及各指標(biāo)貢獻(xiàn)率的確定，克服難點(diǎn)的關(guān)鍵，在于如何處理非線性關(guān)系和貢獻(xiàn)率的問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)模型具有感知、記憶和思維、自組織、自適應(yīng)、抗干擾和容錯(cuò)性強(qiáng)等優(yōu)點(diǎn)，模型采用誤差反向傳播算法，通過(guò)調(diào)整隱含層節(jié)點(diǎn)數(shù)，提高網(wǎng)絡(luò)學(xué)習(xí)能力，修正訓(xùn)練結(jié)果，實(shí)現(xiàn)任意精度無(wú)限逼近任何非線性函數(shù)，克服了傳統(tǒng)方法在映射關(guān)系方面的不足。此外，在學(xué)習(xí)訓(xùn)練過(guò)程中，模型依據(jù)各指標(biāo)對(duì)結(jié)果的影響程度，自動(dòng)調(diào)整各指標(biāo)的權(quán)值，解決了貢獻(xiàn)率如何確定的問(wèn)題。因此，BP網(wǎng)絡(luò)具備的先天優(yōu)勢(shì)恰好匹配了生態(tài)恢復(fù)評(píng)價(jià)的需要，采用BP 神經(jīng)網(wǎng)絡(luò)建模，評(píng)價(jià)生態(tài)恢復(fù)程度，可行性較高。
評(píng)價(jià)指標(biāo)體系的選取是建模的另一個(gè)核心部分，本文使用熱環(huán)境(地表溫度)數(shù)據(jù)，使得評(píng)價(jià)體系更為全面，并得到了較為理想的模擬結(jié)果。未來(lái)相關(guān)工作，可以將生物量、凋落物組成、喬木密度、高度等更多指示生態(tài)系統(tǒng)特征的指標(biāo)融入評(píng)價(jià)體系，模型的評(píng)價(jià)結(jié)果將更為完善和精確。
基于BP算法建立的各種模型已經(jīng)被廣泛應(yīng)用于各個(gè)領(lǐng)域，本文借助建立的BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)朱溪小流域生態(tài)恢復(fù)程度做了定量評(píng)價(jià)，研究結(jié)果與實(shí)地情況基本相符，能夠較好的反映當(dāng)?shù)氐纳鷳B(tài)恢復(fù)現(xiàn)狀，實(shí)踐驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)在生態(tài)恢復(fù)評(píng)價(jià)領(lǐng)域同樣具有可行性。
另外，為了直觀的展示模型的輸出結(jié)果，本研究借助ArcGIS9.2軟件，將模型輸出的點(diǎn)數(shù)據(jù)轉(zhuǎn)換成面數(shù)據(jù)，生成整個(gè)朱溪小流域的生態(tài)恢復(fù)度分布圖，更加直觀。
[1] Freer-Smith P H. Do pollutant-related forest declines threaten the sustainability of forests? Ambio, 1998, 27(2): 123-131.
[2] Li W H. Degradation and restoration of forest ecosystems in China. Forest Ecology and Management, 2004; 201(1): 33-41.
[3] McKee K L, Faulkner P L. Restoration of biogeochemical function in mangrove forests. Restoration Ecology, 2000, 8(3): 247-259.
[4] Watts C H, Gibbs G W. Revegetation and its effect on the ground-dwelling beetle fauna of Matiu-Somes Island, New Zealand. Restoration Ecology, 2002, 10(1): 96-106.
[5] 高春風(fēng). 生態(tài)環(huán)境質(zhì)量指標(biāo)體系的建立與應(yīng)用. 渤海大學(xué)學(xué)報(bào): 自然科學(xué)版, 2006, 27(3): 215-219.
[6] 劉綺, 潘偉斌. 環(huán)境質(zhì)量評(píng)價(jià). 廣州: 華南理工大學(xué)出版社, 2004.
[7] 丁立仲, 盧劍波, 徐文榮. 浙西山區(qū)上梧溪小流域生態(tài)恢復(fù)工程效益評(píng)價(jià)研究. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2006, 14(3): 202-205.
[8] 於方, 周昊, 許申來(lái). 生態(tài)恢復(fù)的環(huán)境效應(yīng)評(píng)價(jià)研究進(jìn)展. 生態(tài)環(huán)境學(xué)報(bào), 2009, 18(1): 374-379.
[9] 李菘, 邱微, 趙慶良, 劉正茂. 層次分析法應(yīng)用于黑龍江省生態(tài)環(huán)境質(zhì)量評(píng)價(jià)研究. 環(huán)境科學(xué), 2006, 27(5): 1031-1034.
[10] Jollands N, Lermit J, Patterson M. Aggregate eco-efficiency indices for New Zealand-a principal components analysis. Journal of environmental Management, 2004, 73(4): 293-305.
[11] Palmer M, Bernhardt E, Allan J, Lake P, Alexander G, Brooks S, Carr J, Clayton S, Dahm C N, Follstad Shah J, Galat D L, Loss S G, Goodwin P, Hart D D, Hassett B, Jenkinson R, Kondolf G M, Lave R, Meyer J L, O′donnell T K, Pagano L, Sudduth E. Standards for ecologically successful river restoration. Journal of Applied Ecology, 2005, 42(2): 208-217.
[12] 馬姜明, 劉世榮, 史作民, 劉興良, 繆寧. 退化森林生態(tài)系統(tǒng)恢復(fù)評(píng)價(jià)研究綜述. 生態(tài)學(xué)報(bào), 2010, 30(12): 3297-3303.
[13] 周開(kāi)利, 康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì). 北京: 清華大學(xué)出版社, 2005.
[14] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例. 北京: 機(jī)械工業(yè)出版社, 2003.
[15] 陳志彪. 花崗巖侵蝕山地生態(tài)重建及其生態(tài)環(huán)境效應(yīng) [D]. 福州: 福建師范大學(xué), 2005.
[16] Rhoades C C, Eckert G E, Coleman D C. Effect of pasture trees on soil nitrogen and organic matter: implications for tropical montane forest restoration. Restoration Ecology, 1998, 6(3): 262-270.
[17] Parrotta J A, Knowles O H. Restoration of tropical moist forests on bauxite-mined lands in the Brazilian Amazon. Restoration Ecology, 1999, 7(2): 103-16.
[18] 李洪義, 史舟, 沙晉明, 程街亮. 基于人工神經(jīng)網(wǎng)絡(luò)的生態(tài)環(huán)境質(zhì)量遙感評(píng)價(jià). 應(yīng)用生態(tài)學(xué)報(bào), 2006, 17(8): 1475-1480.
[19] 李湘梅, 周敬宣. 基于BP神經(jīng)網(wǎng)絡(luò)的城市總生態(tài)足跡預(yù)測(cè)研究——以武漢市為例. 環(huán)境科學(xué)與技術(shù), 2007, 30(8): 68-70.
[20] Clewell A F. Restoration of riverine forest at Hall Branch on phosphate-mined land, Florida. Restoration Ecology, 1999, 7(1): 1-14.
[21] Van Aarde R J, Ferreira S M, Kritzinger J J. An evaluation of habitat rehabilitation on coastal dune forests in northern KwaZulu-Natal, South Africa. Restoration Ecology, 1996, 4(4): 334-345.
[22] Reay S D, Norton D A. Assessing the success of restoration plantings in a temperate New Zealand forest. Restoration Ecology, 1999, 7(3): 298-308.
[23] Ruiz-Jaen M C, Mitchell Aide T. Restoration success: How is it being measured? Restoration Ecology, 2005, 13(3): 569-577.
Calculation of ecological recovery based on bp neural network: a case study of Zhuxi Small Watershed in Changting County, Fujian Province
LI Rongli, CHEN Zhibiao*, CHEN Zhiqiang, ZHANG Xiaoyun, ZHENG Lidan, WANG Qiuyun
CollegeofGeographicalSciences,FujianNormalUniversity,Fuzhou350007,China
Environmental degeneration has seriously restricted the economic and social development of countries around the world. To tackle the problem, the projects of ecological restoration and reconstruction have been or are being carried out in many places. Under this background, many scholars try to assess the effects of ecological restoration through statistical method, comprehensive evaluation method, fuzzy evaluation method and grey evaluation method. However, it is difficult to discern the non-liner correlation between each assessment indicator and the degree of ecosystem restoration, as well as to decide the contribution ratio of each indicator. The methods mentioned above were complicated in assessing the contribution ratio of indicators; whereas, the back propagation neural network can solve the problems about non-linear model and contribution ratio of indicators effectively through adjusting the weight of each indicator automatically in the training process of this model. The research focuses on the small watershed of Zhuxi in Changting County, Fujian Province. The data was acquired from field investigation, lab analysis and remote sensing images which the features are extracted from. The ecosystem restoration model which can quantitatively evaluate the degree of the ecosystem restoration is built using back propagation neural network (BP-NN) by Matlab7.0 software. Firstly, four aspects covering nine indicators are chosen to assess the restored ecosystem, including soil physicochemical properties (soil organic matter, soil total N, soil total P, soil total K, soil bulk density, pH), indices of species diversity(Shannon-Wiener), thermal environment (surface temperature) and vegetation structure (vegetation coverage). The nine indicators are the input variables and the values of ecological restoration are output of the BP-NN. Secondly, the ecosystem restoration model is built by data preprocessing, sample training and sample test using Matlab7.0 software. Lastly, the ecological restoration of Zhuxi small watershed is quantitatively evaluated by the model. The results show that the predicted values from ecosystem restoration model are in accordance with the real situation, which indicates BP-NN model is feasible in quantitative evaluation of restored ecosystem. The area of extremely low ecosystem restoration in Zhuxi small watershed occupies only 0.94% and the area of medium ecosystem restoration accounts for 95.48%, which indicates that the measures of ecological protection have achieved initial results. However, the area of high ecosystem restoration accounts for only 3.62%, suggesting more work should be done in managing and protecting environment in future. The selection of assessment indicators is another core for building the model. Based on former researches, we add thermal environment data (surface temperature) to the model in this study, which can make the assessment system more comprehensive, and achieve more ideal simulation result. In further research, more indicators including biomass, composition of litter, arbor density, and height and so on will be admitted to the assessment system for more accurate result. For direct perception of the output of the model, the dot data of model output was transformed into the surface data to create the map for the degree of ecosystem restoration.
back propagation neural network; ecological restoration; model; Zhuxi small watershed
國(guó)家自然科學(xué)基金(41171232; 40871141)
2013-05-24;
日期:2014-04-25
10.5846/stxb201305241158
*通訊作者Corresponding author.E-mail: chenzhib408@vip.163.com
李榮麗，陳志彪，陳志強(qiáng)，張曉云，鄭麗丹，王秋云.基于BP神經(jīng)網(wǎng)絡(luò)的流域生態(tài)恢復(fù)度計(jì)算——以福建長(zhǎng)汀朱溪小流域?yàn)槔?生態(tài)學(xué)報(bào),2015,35(6):1973-1981.
Li R L, Chen Z B, Chen Z Q, Zhang X Y, Zheng L D, Wang Q Y.Calculation of ecological recovery based on bp neural network: a case study of Zhuxi Small Watershed in Changting County, Fujian Province.Acta Ecologica Sinica,2015,35(6):1973-1981.
猜你喜歡
一半模型童話王國(guó)·奇妙邏輯推理(2024年5期)2024-06-19 16:03:38 SBR改性瀝青的穩(wěn)定性評(píng)價(jià)石油瀝青(2021年4期)2021-10-14 08:50:44 “生態(tài)養(yǎng)生”娛晚年保健醫(yī)苑(2021年7期)2021-08-13 08:48:02 重要模型『一線三等角』中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2020年10期)2020-11-26 08:24:50 住進(jìn)呆萌生態(tài)房學(xué)生天地(2020年36期)2020-06-09 03:12:30 重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布數(shù)學(xué)物理學(xué)報(bào)(2020年2期)2020-06-02 11:29:24 生態(tài)之旅小學(xué)科學(xué)(學(xué)生版)(2020年5期)2020-05-25 07:11:32 3D打印中的模型分割與打包光學(xué)精密工程(2016年6期)2016-11-07 09:07:19 基于Moodle的學(xué)習(xí)評(píng)價(jià)中國(guó)教育技術(shù)裝備(2015年19期)2015-03-01 02:43:07 生態(tài)領(lǐng)導(dǎo)文萃(2015年4期)2015-02-28 09:19:05
李榮麗, 陳志彪, 陳志強(qiáng), 張曉云, 鄭麗丹, 王秋云
福建師范大學(xué)地理科學(xué)學(xué)院, 福州 350007
基于BP神經(jīng)網(wǎng)絡(luò)的流域生態(tài)恢復(fù)度計(jì)算
——以福建長(zhǎng)汀朱溪小流域?yàn)槔?/p>
李榮麗, 陳志彪*, 陳志強(qiáng), 張曉云, 鄭麗丹, 王秋云
福建師范大學(xué)地理科學(xué)學(xué)院, 福州 350007
以福建省長(zhǎng)汀縣朱溪小流域?yàn)檠芯繉?duì)象，通過(guò)野外調(diào)查、室內(nèi)分析以及遙感影像提取相結(jié)合的方法獲取數(shù)據(jù)。利用Matlab7.0軟件建立BP神經(jīng)網(wǎng)絡(luò)生態(tài)恢復(fù)模型，定量評(píng)價(jià)退化生態(tài)系統(tǒng)的恢復(fù)程度。選擇土壤理化性質(zhì)(有機(jī)質(zhì)、全N、全P、全K、容重和pH)、植被結(jié)構(gòu)(植被蓋度)、物種多樣性指數(shù)(Shannon-Wiener指數(shù))和熱環(huán)境(地表溫度)等4個(gè)方面的9個(gè)指標(biāo)建立退化生態(tài)系統(tǒng)評(píng)價(jià)體系，并作為生態(tài)恢復(fù)模型的輸入層數(shù)據(jù)，生態(tài)恢復(fù)度作為輸出層數(shù)據(jù)。使用Matlab7.0進(jìn)行數(shù)據(jù)預(yù)處理、樣本訓(xùn)練、樣本檢驗(yàn)并建立生態(tài)恢復(fù)模型。利用建立的生態(tài)恢復(fù)模型對(duì)整個(gè)朱溪小流域生態(tài)恢復(fù)度進(jìn)行定量評(píng)價(jià)。結(jié)果表明，生態(tài)恢復(fù)模型預(yù)測(cè)結(jié)果與流域生態(tài)恢復(fù)的實(shí)際情況基本吻合，利用BP神經(jīng)網(wǎng)絡(luò)模型定量評(píng)價(jià)退化生態(tài)系統(tǒng)的恢復(fù)程度具有可行性。朱溪小流域內(nèi)生態(tài)恢復(fù)程度極低的區(qū)域面積僅占0.94%，95.48%區(qū)域?yàn)橹械然謴?fù)程度，說(shuō)明生態(tài)保護(hù)措施已初見(jiàn)成效；生態(tài)恢復(fù)程度高的區(qū)域面積僅占3.62%，意味著未來(lái)仍需加強(qiáng)治理和保護(hù)工作。
BP神經(jīng)網(wǎng)絡(luò); 生態(tài)恢復(fù); 模型; 朱溪小流域
生態(tài)環(huán)境退化嚴(yán)重制約了世界各國(guó)的經(jīng)濟(jì)和社會(huì)發(fā)展進(jìn)程，已成為全人類必須面對(duì)和亟待解決的重要課題[1]。在此背景下，相關(guān)學(xué)者和各國(guó)政府部門積極開(kāi)展退化生態(tài)系統(tǒng)恢復(fù)與重建工作[2]。為了評(píng)估生態(tài)恢復(fù)與重建的成效，以及對(duì)未來(lái)工作的部署，均要求對(duì)退化生態(tài)系統(tǒng)恢復(fù)程度作出科學(xué)的評(píng)價(jià)。
目前，常見(jiàn)的評(píng)價(jià)方法多以統(tǒng)計(jì)學(xué)方法[3-4]、綜合評(píng)價(jià)法[5-6]、模糊評(píng)價(jià)法[7]、灰色評(píng)價(jià)法[8]、主成分分析法[9-10]等為基礎(chǔ)，建立相應(yīng)的指標(biāo)體系進(jìn)行定量評(píng)價(jià)[11-12]，但是，已有方法對(duì)指標(biāo)貢獻(xiàn)率的確定方面較復(fù)雜，而BP神經(jīng)網(wǎng)絡(luò)方法則通過(guò)網(wǎng)絡(luò)訓(xùn)練不斷調(diào)節(jié)權(quán)值，方便且精度高。另外，此方法適合于非線性模式識(shí)別和分類預(yù)測(cè)問(wèn)題，可以通過(guò)學(xué)習(xí)逼近任何非線性函數(shù)[13-14]，適合類似本研究這樣的非線性問(wèn)題。
綜上，本文選擇具有代表性的土壤侵蝕極為嚴(yán)重的中國(guó)亞熱帶紅壤地區(qū)，朱溪小流域?yàn)檠芯繀^(qū)域[15]，引入BP神經(jīng)網(wǎng)絡(luò)方法，采用BP算法建立生態(tài)恢復(fù)定量評(píng)價(jià)模型，評(píng)價(jià)朱溪小流域的生態(tài)恢復(fù)情況。這既是對(duì)生態(tài)恢復(fù)與重建評(píng)價(jià)方法的有益嘗試和探索，也可對(duì)流域今后的治理工作提供決策依據(jù)，兼具理論和現(xiàn)實(shí)意義。
1 研究地區(qū)與研究方法
1.1 研究區(qū)自然概況
朱溪小流域位于福建西南部的長(zhǎng)汀縣河田鎮(zhèn)(116°23′30″—116°30′30″E，25°38′15″—25°42′55″N)(圖1)，屬中亞熱帶季風(fēng)性濕潤(rùn)氣候，年平均氣溫18.4 ℃，年平均降水量1 730 mm，年平均徑流量950—1020 mm。地貌類型以低山丘陵為主，土壤主要為燕山晚期礦物晶粒粗大的黑云母花崗巖，在長(zhǎng)期濕熱濕熱氣候條件下風(fēng)化發(fā)育而成的紅壤、侵蝕紅壤。地帶性植被為亞熱帶常綠闊葉林，但因長(zhǎng)期嚴(yán)重的水土流失和人為破壞，地帶植被遭到嚴(yán)重破壞，原始植被幾乎全部被次生林所替代，主要植被類型為次生馬尾林、幼林，樹(shù)種單一，結(jié)構(gòu)簡(jiǎn)單[15]。
圖1 研究區(qū)地理位置圖Fig.1 The location of study region
1.2 基礎(chǔ)數(shù)據(jù)獲取
圖2 朱溪小流域土壤采樣分布圖 Fig.2 The distribution of sampling point in the small watershed of Zhuxi
本研究采用野外調(diào)查、室內(nèi)分析及遙感影像提取相結(jié)合的方法獲取相關(guān)數(shù)據(jù)。2009年7月，采用典型SOTER(Soil and Terrain Digital Database)單元和柵格結(jié)合法，選擇朱溪小流域內(nèi)涵蓋研究區(qū)內(nèi)各種土地覆被利用類型的118個(gè)點(diǎn)作為研究樣點(diǎn)(圖2)。依據(jù)不同植被類型布設(shè)20 m×20 m的標(biāo)準(zhǔn)樣地46個(gè)，進(jìn)行植物群落調(diào)查。同時(shí)隨機(jī)挖取3個(gè)土壤剖面，取表層土0—20 cm，挑去石礫與根系，帶回實(shí)驗(yàn)室做相應(yīng)處理，測(cè)定土壤養(yǎng)分指標(biāo)。測(cè)定方法采用濃硫酸-重鉻酸鉀加熱法測(cè)定土壤有機(jī)質(zhì)；開(kāi)氏定氮法測(cè)定土壤全N；濃硫酸-高氯酸消煮-原子吸收法測(cè)定土壤全K；濃硫酸-高氯酸消煮-鑰銻抗比色法測(cè)定土壤全P；室內(nèi)風(fēng)干水土電位法(水土比5∶1)測(cè)定土壤pH值。
植被蓋度、地表溫度數(shù)據(jù)通過(guò)軟件ENVI4.2、ArcGIS9.2提取SPOT5、ASTER影像數(shù)據(jù)獲?。籗hannon-Wiener多樣性指數(shù)根據(jù)公式計(jì)算得到。
1.3 數(shù)據(jù)處理與研究方法
采用Excel軟件對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行前期處理，基于BP算法，利用Matlab7.0軟件建立生態(tài)恢復(fù)模型。以118個(gè)樣點(diǎn)數(shù)據(jù)為基礎(chǔ)，應(yīng)用ArcGIS9.2軟件地統(tǒng)計(jì)模塊的克里格空間插值和ENVI4.2軟件提取影像等獲取流域內(nèi)的9個(gè)評(píng)價(jià)指標(biāo)的柵格數(shù)據(jù)，作為生態(tài)恢復(fù)評(píng)價(jià)模型應(yīng)用的輸入層數(shù)據(jù)，并將其輸入已建立的評(píng)價(jià)模型，得到整個(gè)流域的生態(tài)恢復(fù)度值。最后借助ArcGIS9.2軟件生成整個(gè)流域的生態(tài)恢復(fù)度結(jié)果圖。
2 生態(tài)恢復(fù)度模型的構(gòu)建
2.1 BP網(wǎng)絡(luò)結(jié)構(gòu)和算法
圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 The structure of BP neural network
典型的BP神經(jīng)網(wǎng)絡(luò)是一個(gè)由輸入層、隱含層和輸出層構(gòu)成的三層前饋神經(jīng)網(wǎng)絡(luò)(圖3)。BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由信息的正向傳播和誤差的反向傳播組成。當(dāng)給定網(wǎng)絡(luò)一組輸入模式時(shí)，BP網(wǎng)絡(luò)將依次對(duì)這組輸入模式按如下方式學(xué)習(xí)：首先，把輸入模式從輸入層傳輸?shù)诫[含層單元，經(jīng)隱含層單元逐層處理后，產(chǎn)生一個(gè)輸入模式傳送到輸出層，這一過(guò)程稱為正向傳播；然后將輸出結(jié)果和期待值進(jìn)行比較，如果沒(méi)有達(dá)到所預(yù)計(jì)的期望，則轉(zhuǎn)變?yōu)檎`差的反向傳播，將誤差沿原路徑返回，通過(guò)修改各層神經(jīng)元的連接權(quán)值，使誤差信號(hào)變小。這種正向傳播和反向傳播相互交替，看成一個(gè)“記憶訓(xùn)練”的過(guò)程。系統(tǒng)不斷地循環(huán)這兩個(gè)過(guò)程，重復(fù)學(xué)習(xí)，一直到輸出值和期待值的誤差減小到規(guī)定范圍內(nèi)，系統(tǒng)停止學(xué)習(xí)。此刻將新樣本輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，就可以得到相應(yīng)的輸出值[16]。有研究表明，一個(gè)三層神經(jīng)網(wǎng)絡(luò)模型就可解決一般函數(shù)的擬合逼近問(wèn)題，因此，三層人工神經(jīng)網(wǎng)絡(luò)能滿足要求，即網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)由輸入層、單隱含層和輸出層組成[17]。
2.2 設(shè)定生態(tài)恢復(fù)度值
根據(jù)中亞熱帶地區(qū)森林生態(tài)系統(tǒng)恢復(fù)進(jìn)程，將裸地—草地—馬尾松和灌叢—針闊混交林—常綠闊葉林5個(gè)不同恢復(fù)階段分別用0—0.2、0.2—0.4、0.4—0.6、0.6—0.8、0.8—1等5個(gè)數(shù)值區(qū)間表示，定量表征退化生態(tài)系統(tǒng)恢復(fù)與重建程度。其中，常綠闊葉林生態(tài)恢復(fù)度最佳，設(shè)為恢復(fù)等級(jí)1，針闊混交林、馬尾松和灌叢、草地次之，依次設(shè)為恢復(fù)等級(jí)2、恢復(fù)等級(jí)3和恢復(fù)等級(jí)4，裸地的生態(tài)恢復(fù)度最低，設(shè)為恢復(fù)等級(jí)5。
2.3 指標(biāo)體系構(gòu)建
關(guān)于退化生態(tài)系統(tǒng)評(píng)價(jià)指標(biāo)，國(guó)際恢復(fù)生態(tài)學(xué)會(huì)提出了9個(gè)生態(tài)系統(tǒng)特征，相關(guān)學(xué)者在實(shí)踐應(yīng)用中將其歸納為：1)生態(tài)學(xué)過(guò)程(如，養(yǎng)分庫(kù)、土壤有機(jī)質(zhì)以及生物間的相互關(guān)系)[18]；2)植被結(jié)構(gòu)(如，植被蓋度、生物量、凋落物結(jié)構(gòu)、喬木密度、高度等)[19-20]；3)物種多樣性[21-22]等三個(gè)方面[23]。此外，鑒于環(huán)境因子(如溫度、濕度、降水等微域小氣候)與生態(tài)系統(tǒng)類型之間的聯(lián)系，比如：炎熱的環(huán)境嚴(yán)重制約著植物的生長(zhǎng)，因此本研究增加了熱環(huán)境數(shù)據(jù)，以進(jìn)一步完善和豐富指標(biāo)體系。
綜上，本文從土壤理化性質(zhì)(有機(jī)質(zhì)、全N、全P、全K、容重和pH)、植被結(jié)構(gòu)(植被蓋度)、物種多樣性(Shannon-Wiener指數(shù))以及熱環(huán)境(地表溫度)四個(gè)方面選擇9個(gè)指標(biāo)建立退化生態(tài)系統(tǒng)評(píng)價(jià)體系。
2.4 模型樣本選取
118個(gè)樣地中，選擇對(duì)植物群落做過(guò)調(diào)查的46個(gè)樣地，因此，46個(gè)不同恢復(fù)程度的樣本作為模型建立的樣本數(shù)據(jù)(表1)，其中包括常綠闊葉林樣地7個(gè)，針闊混交林樣地6個(gè)，馬尾松和灌叢樣地21個(gè)，草地樣地7個(gè)，裸地樣地5個(gè)。然后在樣本數(shù)據(jù)中按10%的比例，隨機(jī)抽取能夠代表5個(gè)不同恢復(fù)程度(樣地編號(hào)分別為7、11、19、31、39和44)的6個(gè)樣地，作為測(cè)試樣本，其余40個(gè)樣地為訓(xùn)練樣本。
表1 模型樣本數(shù)據(jù)Table 1 The sample data of model
2.5 結(jié)果輸出
圖4 BP網(wǎng)絡(luò)生態(tài)恢復(fù)模型Fig.4 BP network model of Ecological restoration
在BP 人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，輸入層神經(jīng)元與輸出層神經(jīng)元個(gè)數(shù)是由問(wèn)題的本身決定。本文中輸入層神經(jīng)元個(gè)數(shù)為選定的9個(gè)評(píng)價(jià)指標(biāo)，輸出層為生態(tài)恢復(fù)度等級(jí)，隱含層的神經(jīng)元數(shù)采用逐步減少神經(jīng)元個(gè)數(shù)的刪減法則和逐步增加神經(jīng)元個(gè)數(shù)的擴(kuò)張法則試算確定，經(jīng)過(guò)反復(fù)比較各種隱含層神經(jīng)元個(gè)數(shù)網(wǎng)絡(luò)收斂情況，最后確定隱含層最優(yōu)神經(jīng)元個(gè)數(shù)為9個(gè)。為保證網(wǎng)絡(luò)快速收斂，采用Levenberg-Marquardt反傳算法，隱含層神經(jīng)元采用的傳遞函數(shù)為雙曲正切S型函數(shù)tansig，輸出層神經(jīng)元采用S型傳輸函數(shù)logsig，構(gòu)建的生態(tài)恢復(fù)模型見(jiàn)圖4。
2.6 模型訓(xùn)練
為避免訓(xùn)練過(guò)程中出現(xiàn)過(guò)飽和狀態(tài)，提高網(wǎng)絡(luò)收斂速度，首先對(duì)訓(xùn)練樣本(40個(gè))進(jìn)行歸一化處理，設(shè)定網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainlm，性能函數(shù)為mse，訓(xùn)練參數(shù)為默認(rèn)值，網(wǎng)絡(luò)訓(xùn)練8次后，達(dá)到設(shè)定的精度，網(wǎng)絡(luò)收斂，訓(xùn)練結(jié)束。
2.7 模型檢驗(yàn)
網(wǎng)絡(luò)訓(xùn)練完成以后，利用檢驗(yàn)樣本(6個(gè))進(jìn)行測(cè)試，檢查模型輸出值和真實(shí)值之間的誤差。由表2可見(jiàn)，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型輸出的生態(tài)恢復(fù)度值與真實(shí)值非常接近，絕對(duì)誤差處于±0.03之間，相對(duì)誤差低于7%，不會(huì)產(chǎn)生分類歧義，所以網(wǎng)絡(luò)對(duì)測(cè)試樣本的分辨100%成功，由此可以認(rèn)為網(wǎng)絡(luò)的映射能力較高，完全能夠進(jìn)行正確分類，模型訓(xùn)練精度及檢驗(yàn)結(jié)果可信度均較高，檢驗(yàn)通過(guò)。
3 結(jié)果與分析
3.1 流域生態(tài)恢復(fù)度的計(jì)算
BP神經(jīng)網(wǎng)絡(luò)生態(tài)恢復(fù)模型的應(yīng)用原理，是將被評(píng)價(jià)對(duì)象的特征參數(shù)作為評(píng)價(jià)指標(biāo)，由輸入層輸入模型，模型根據(jù)訓(xùn)練記憶作出判讀，并輸出對(duì)應(yīng)的生態(tài)恢復(fù)度值。因此，在應(yīng)用模型評(píng)價(jià)朱溪小流域生態(tài)恢復(fù)程度時(shí)，首先要提取整個(gè)流域的9個(gè)評(píng)價(jià)指標(biāo)數(shù)據(jù)。
表2 模型檢驗(yàn)結(jié)果和期望輸出對(duì)比Table 2 Comparison of expected value and model test results
本文中，通過(guò)ENVI4.2軟件提取SPOT5、ASTER影像獲取植被蓋度、地表溫度數(shù)據(jù)。其余指標(biāo)獲取途徑如下：以110個(gè)樣點(diǎn)數(shù)據(jù)為基礎(chǔ)，應(yīng)用ArcGIS9.2軟件的地統(tǒng)計(jì)模塊，采用普通克里格最優(yōu)內(nèi)插值法，得到整個(gè)朱溪小流域內(nèi)土壤有機(jī)質(zhì)、全N、全P、全K、容重、pH以及生物多樣性指標(biāo)(Shannon-Wiener指數(shù))的空間分布柵格圖，部分圖給出(圖5—圖10)。然后，借助ArcGIS9.2軟件，將各個(gè)指標(biāo)空間分布圖的柵格單元轉(zhuǎn)化成點(diǎn)數(shù)據(jù)，作為模型的輸入樣本。整個(gè)小流域共有65 567個(gè)輸入樣本。
將輸入樣本輸入BP神經(jīng)網(wǎng)絡(luò)生態(tài)恢復(fù)模型，由模型計(jì)算得出65 567個(gè)生態(tài)恢復(fù)度值。然后，利用ArcGIS9.2軟件剔除未治理區(qū)域的(耕地、交通用地、水域、園地、居住地與工礦用地等)數(shù)據(jù)(因本文主要對(duì)朱溪小流域內(nèi)實(shí)施治理措施的林地、草地等作出評(píng)價(jià))，根據(jù)剩余數(shù)據(jù)生成朱溪小流域生態(tài)恢復(fù)度分布圖(圖11)，并統(tǒng)計(jì)不同恢復(fù)等級(jí)的分布面積(表3)。
圖5 土壤有機(jī)質(zhì)空間分布圖Fig.5 The spatial distribution of SOM
圖6 土壤全氮空間分布圖Fig.6 The spatial distribution of soil total N
圖7 土壤容重空間分布圖Fig.7 The spatial distribution of soil bulk destiny
圖8 土壤pH空間分布圖Fig.8 The spatial distribution of soil pH
圖9 植被蓋度圖Fig.9 The figure of vegetation coverage
圖10 地表溫度圖Fig.10 The figure of surface temperature
圖11 朱溪小流域生態(tài)恢復(fù)程度Fig.11 Ecological restoration of the small watershed of Zhuxi
由圖11和表3可以看出，朱溪小流域內(nèi)4級(jí)、5級(jí)地面積較小，僅占總面積的8.04%，土地利用類型為居民用地與耕地，因受人為活動(dòng)影響較大，其生態(tài)恢復(fù)程度較差。2級(jí)地和3級(jí)地占地面積最大，分布最廣，兩者共占流域總面積的88.35%。其中，3級(jí)地占總面積的44.11%，上、中、下游都有分布，且集中在流域東部；2級(jí)地所占比例為44.24%，主要分布在流域上游和中游；1級(jí)地占地面積也較少，只有3.62%，分布也比較零散，主要分布在流域東北部與中部，還有一部分零星分布在流域東部。
總體來(lái)看，朱溪小流域內(nèi)生態(tài)恢復(fù)程度極低(等級(jí)4和等級(jí)5)的區(qū)域面積較小，大部分區(qū)域?yàn)橹械然謴?fù)程度(等級(jí)2和等級(jí)3)，說(shuō)明生態(tài)保護(hù)措施發(fā)揮了一定作用。另一方面，研究區(qū)內(nèi)生態(tài)恢復(fù)程度高的區(qū)域面積(等級(jí)1)仍很小，這意味未來(lái)仍需加強(qiáng)治理和保護(hù)工作。
表3 朱溪小流域生態(tài)恢復(fù)度分級(jí)面積統(tǒng)計(jì)數(shù)據(jù)Table 3 The statistic of ecological recovery degree grading area in the small watershed of Zhuxi
4 討論
生態(tài)恢復(fù)定量評(píng)價(jià)面臨的難點(diǎn)，是各個(gè)評(píng)價(jià)指標(biāo)與生態(tài)恢復(fù)度之間的非線性映射關(guān)系以及各指標(biāo)貢獻(xiàn)率的確定，克服難點(diǎn)的關(guān)鍵，在于如何處理非線性關(guān)系和貢獻(xiàn)率的問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)模型具有感知、記憶和思維、自組織、自適應(yīng)、抗干擾和容錯(cuò)性強(qiáng)等優(yōu)點(diǎn)，模型采用誤差反向傳播算法，通過(guò)調(diào)整隱含層節(jié)點(diǎn)數(shù)，提高網(wǎng)絡(luò)學(xué)習(xí)能力，修正訓(xùn)練結(jié)果，實(shí)現(xiàn)任意精度無(wú)限逼近任何非線性函數(shù)，克服了傳統(tǒng)方法在映射關(guān)系方面的不足。此外，在學(xué)習(xí)訓(xùn)練過(guò)程中，模型依據(jù)各指標(biāo)對(duì)結(jié)果的影響程度，自動(dòng)調(diào)整各指標(biāo)的權(quán)值，解決了貢獻(xiàn)率如何確定的問(wèn)題。因此，BP網(wǎng)絡(luò)具備的先天優(yōu)勢(shì)恰好匹配了生態(tài)恢復(fù)評(píng)價(jià)的需要，采用BP 神經(jīng)網(wǎng)絡(luò)建模，評(píng)價(jià)生態(tài)恢復(fù)程度，可行性較高。
評(píng)價(jià)指標(biāo)體系的選取是建模的另一個(gè)核心部分，本文使用熱環(huán)境(地表溫度)數(shù)據(jù)，使得評(píng)價(jià)體系更為全面，并得到了較為理想的模擬結(jié)果。未來(lái)相關(guān)工作，可以將生物量、凋落物組成、喬木密度、高度等更多指示生態(tài)系統(tǒng)特征的指標(biāo)融入評(píng)價(jià)體系，模型的評(píng)價(jià)結(jié)果將更為完善和精確。
基于BP算法建立的各種模型已經(jīng)被廣泛應(yīng)用于各個(gè)領(lǐng)域，本文借助建立的BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)朱溪小流域生態(tài)恢復(fù)程度做了定量評(píng)價(jià)，研究結(jié)果與實(shí)地情況基本相符，能夠較好的反映當(dāng)?shù)氐纳鷳B(tài)恢復(fù)現(xiàn)狀，實(shí)踐驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)在生態(tài)恢復(fù)評(píng)價(jià)領(lǐng)域同樣具有可行性。
另外，為了直觀的展示模型的輸出結(jié)果，本研究借助ArcGIS9.2軟件，將模型輸出的點(diǎn)數(shù)據(jù)轉(zhuǎn)換成面數(shù)據(jù)，生成整個(gè)朱溪小流域的生態(tài)恢復(fù)度分布圖，更加直觀。
[1] Freer-Smith P H. Do pollutant-related forest declines threaten the sustainability of forests? Ambio, 1998, 27(2): 123-131.
[2] Li W H. Degradation and restoration of forest ecosystems in China. Forest Ecology and Management, 2004; 201(1): 33-41.
[3] McKee K L, Faulkner P L. Restoration of biogeochemical function in mangrove forests. Restoration Ecology, 2000, 8(3): 247-259.
[4] Watts C H, Gibbs G W. Revegetation and its effect on the ground-dwelling beetle fauna of Matiu-Somes Island, New Zealand. Restoration Ecology, 2002, 10(1): 96-106.
[5] 高春風(fēng). 生態(tài)環(huán)境質(zhì)量指標(biāo)體系的建立與應(yīng)用. 渤海大學(xué)學(xué)報(bào): 自然科學(xué)版, 2006, 27(3): 215-219.
[6] 劉綺, 潘偉斌. 環(huán)境質(zhì)量評(píng)價(jià). 廣州: 華南理工大學(xué)出版社, 2004.
[7] 丁立仲, 盧劍波, 徐文榮. 浙西山區(qū)上梧溪小流域生態(tài)恢復(fù)工程效益評(píng)價(jià)研究. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2006, 14(3): 202-205.
[8] 於方, 周昊, 許申來(lái). 生態(tài)恢復(fù)的環(huán)境效應(yīng)評(píng)價(jià)研究進(jìn)展. 生態(tài)環(huán)境學(xué)報(bào), 2009, 18(1): 374-379.
[9] 李菘, 邱微, 趙慶良, 劉正茂. 層次分析法應(yīng)用于黑龍江省生態(tài)環(huán)境質(zhì)量評(píng)價(jià)研究. 環(huán)境科學(xué), 2006, 27(5): 1031-1034.
[10] Jollands N, Lermit J, Patterson M. Aggregate eco-efficiency indices for New Zealand-a principal components analysis. Journal of environmental Management, 2004, 73(4): 293-305.
[11] Palmer M, Bernhardt E, Allan J, Lake P, Alexander G, Brooks S, Carr J, Clayton S, Dahm C N, Follstad Shah J, Galat D L, Loss S G, Goodwin P, Hart D D, Hassett B, Jenkinson R, Kondolf G M, Lave R, Meyer J L, O′donnell T K, Pagano L, Sudduth E. Standards for ecologically successful river restoration. Journal of Applied Ecology, 2005, 42(2): 208-217.
[12] 馬姜明, 劉世榮, 史作民, 劉興良, 繆寧. 退化森林生態(tài)系統(tǒng)恢復(fù)評(píng)價(jià)研究綜述. 生態(tài)學(xué)報(bào), 2010, 30(12): 3297-3303.
[13] 周開(kāi)利, 康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì). 北京: 清華大學(xué)出版社, 2005.
[14] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例. 北京: 機(jī)械工業(yè)出版社, 2003.
[15] 陳志彪. 花崗巖侵蝕山地生態(tài)重建及其生態(tài)環(huán)境效應(yīng) [D]. 福州: 福建師范大學(xué), 2005.
[16] Rhoades C C, Eckert G E, Coleman D C. Effect of pasture trees on soil nitrogen and organic matter: implications for tropical montane forest restoration. Restoration Ecology, 1998, 6(3): 262-270.
[17] Parrotta J A, Knowles O H. Restoration of tropical moist forests on bauxite-mined lands in the Brazilian Amazon. Restoration Ecology, 1999, 7(2): 103-16.
[18] 李洪義, 史舟, 沙晉明, 程街亮. 基于人工神經(jīng)網(wǎng)絡(luò)的生態(tài)環(huán)境質(zhì)量遙感評(píng)價(jià). 應(yīng)用生態(tài)學(xué)報(bào), 2006, 17(8): 1475-1480.
[19] 李湘梅, 周敬宣. 基于BP神經(jīng)網(wǎng)絡(luò)的城市總生態(tài)足跡預(yù)測(cè)研究——以武漢市為例. 環(huán)境科學(xué)與技術(shù), 2007, 30(8): 68-70.
[20] Clewell A F. Restoration of riverine forest at Hall Branch on phosphate-mined land, Florida. Restoration Ecology, 1999, 7(1): 1-14.
[21] Van Aarde R J, Ferreira S M, Kritzinger J J. An evaluation of habitat rehabilitation on coastal dune forests in northern KwaZulu-Natal, South Africa. Restoration Ecology, 1996, 4(4): 334-345.
[22] Reay S D, Norton D A. Assessing the success of restoration plantings in a temperate New Zealand forest. Restoration Ecology, 1999, 7(3): 298-308.
[23] Ruiz-Jaen M C, Mitchell Aide T. Restoration success: How is it being measured? Restoration Ecology, 2005, 13(3): 569-577.
Calculation of ecological recovery based on bp neural network: a case study of Zhuxi Small Watershed in Changting County, Fujian Province
LI Rongli, CHEN Zhibiao*, CHEN Zhiqiang, ZHANG Xiaoyun, ZHENG Lidan, WANG Qiuyun
CollegeofGeographicalSciences,FujianNormalUniversity,Fuzhou350007,China
Environmental degeneration has seriously restricted the economic and social development of countries around the world. To tackle the problem, the projects of ecological restoration and reconstruction have been or are being carried out in many places. Under this background, many scholars try to assess the effects of ecological restoration through statistical method, comprehensive evaluation method, fuzzy evaluation method and grey evaluation method. However, it is difficult to discern the non-liner correlation between each assessment indicator and the degree of ecosystem restoration, as well as to decide the contribution ratio of each indicator. The methods mentioned above were complicated in assessing the contribution ratio of indicators; whereas, the back propagation neural network can solve the problems about non-linear model and contribution ratio of indicators effectively through adjusting the weight of each indicator automatically in the training process of this model. The research focuses on the small watershed of Zhuxi in Changting County, Fujian Province. The data was acquired from field investigation, lab analysis and remote sensing images which the features are extracted from. The ecosystem restoration model which can quantitatively evaluate the degree of the ecosystem restoration is built using back propagation neural network (BP-NN) by Matlab7.0 software. Firstly, four aspects covering nine indicators are chosen to assess the restored ecosystem, including soil physicochemical properties (soil organic matter, soil total N, soil total P, soil total K, soil bulk density, pH), indices of species diversity(Shannon-Wiener), thermal environment (surface temperature) and vegetation structure (vegetation coverage). The nine indicators are the input variables and the values of ecological restoration are output of the BP-NN. Secondly, the ecosystem restoration model is built by data preprocessing, sample training and sample test using Matlab7.0 software. Lastly, the ecological restoration of Zhuxi small watershed is quantitatively evaluated by the model. The results show that the predicted values from ecosystem restoration model are in accordance with the real situation, which indicates BP-NN model is feasible in quantitative evaluation of restored ecosystem. The area of extremely low ecosystem restoration in Zhuxi small watershed occupies only 0.94% and the area of medium ecosystem restoration accounts for 95.48%, which indicates that the measures of ecological protection have achieved initial results. However, the area of high ecosystem restoration accounts for only 3.62%, suggesting more work should be done in managing and protecting environment in future. The selection of assessment indicators is another core for building the model. Based on former researches, we add thermal environment data (surface temperature) to the model in this study, which can make the assessment system more comprehensive, and achieve more ideal simulation result. In further research, more indicators including biomass, composition of litter, arbor density, and height and so on will be admitted to the assessment system for more accurate result. For direct perception of the output of the model, the dot data of model output was transformed into the surface data to create the map for the degree of ecosystem restoration.
back propagation neural network; ecological restoration; model; Zhuxi small watershed
國(guó)家自然科學(xué)基金(41171232; 40871141)
2013-05-24;
日期:2014-04-25
10.5846/stxb201305241158
*通訊作者Corresponding author.E-mail: chenzhib408@vip.163.com
李榮麗，陳志彪，陳志強(qiáng)，張曉云，鄭麗丹，王秋云.基于BP神經(jīng)網(wǎng)絡(luò)的流域生態(tài)恢復(fù)度計(jì)算——以福建長(zhǎng)汀朱溪小流域?yàn)槔?生態(tài)學(xué)報(bào),2015,35(6):1973-1981.
Li R L, Chen Z B, Chen Z Q, Zhang X Y, Zheng L D, Wang Q Y.Calculation of ecological recovery based on bp neural network: a case study of Zhuxi Small Watershed in Changting County, Fujian Province.Acta Ecologica Sinica,2015,35(6):1973-1981.
猜你喜歡
童話王國(guó)·奇妙邏輯推理(2024年5期)2024-06-19 16:03:38
石油瀝青(2021年4期)2021-10-14 08:50:44
保健醫(yī)苑(2021年7期)2021-08-13 08:48:02
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2020年10期)2020-11-26 08:24:50
學(xué)生天地(2020年36期)2020-06-09 03:12:30
數(shù)學(xué)物理學(xué)報(bào)(2020年2期)2020-06-02 11:29:24
小學(xué)科學(xué)(學(xué)生版)(2020年5期)2020-05-25 07:11:32
光學(xué)精密工程(2016年6期)2016-11-07 09:07:19
中國(guó)教育技術(shù)裝備(2015年19期)2015-03-01 02:43:07
領(lǐng)導(dǎo)文萃(2015年4期)2015-02-28 09:19:05
