李榮麗, 陳志彪, 陳志強, 張曉云, 鄭麗丹, 王秋云

福建師范大學地理科學學院, 福州 350007

基于BP神經網絡的流域生態(tài)恢復度計算
——以福建長汀朱溪小流域為例

李榮麗, 陳志彪*, 陳志強, 張曉云, 鄭麗丹, 王秋云

福建師范大學地理科學學院, 福州 350007

以福建省長汀縣朱溪小流域為研究對象，通過野外調查、室內分析以及遙感影像提取相結合的方法獲取數(shù)據(jù)。利用Matlab7.0軟件建立BP神經網絡生態(tài)恢復模型，定量評價退化生態(tài)系統(tǒng)的恢復程度。選擇土壤理化性質(有機質、全N、全P、全K、容重和pH)、植被結構(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個方面的9個指標建立退化生態(tài)系統(tǒng)評價體系，并作為生態(tài)恢復模型的輸入層數(shù)據(jù)，生態(tài)恢復度作為輸出層數(shù)據(jù)。使用Matlab7.0進行數(shù)據(jù)預處理、樣本訓練、樣本檢驗并建立生態(tài)恢復模型。利用建立的生態(tài)恢復模型對整個朱溪小流域生態(tài)恢復度進行定量評價。結果表明，生態(tài)恢復模型預測結果與流域生態(tài)恢復的實際情況基本吻合，利用BP神經網絡模型定量評價退化生態(tài)系統(tǒng)的恢復程度具有可行性。朱溪小流域內生態(tài)恢復程度極低的區(qū)域面積僅占0.94%，95.48%區(qū)域為中等恢復程度，說明生態(tài)保護措施已初見成效；生態(tài)恢復程度高的區(qū)域面積僅占3.62%，意味著未來仍需加強治理和保護工作。

BP神經網絡; 生態(tài)恢復; 模型; 朱溪小流域

生態(tài)環(huán)境退化嚴重制約了世界各國的經濟和社會發(fā)展進程，已成為全人類必須面對和亟待解決的重要課題[1]。在此背景下，相關學者和各國政府部門積極開展退化生態(tài)系統(tǒng)恢復與重建工作[2]。為了評估生態(tài)恢復與重建的成效，以及對未來工作的部署，均要求對退化生態(tài)系統(tǒng)恢復程度作出科學的評價。

目前，常見的評價方法多以統(tǒng)計學方法[3-4]、綜合評價法[5-6]、模糊評價法[7]、灰色評價法[8]、主成分分析法[9-10]等為基礎，建立相應的指標體系進行定量評價[11-12]，但是，已有方法對指標貢獻率的確定方面較復雜，而BP神經網絡方法則通過網絡訓練不斷調節(jié)權值，方便且精度高。另外，此方法適合于非線性模式識別和分類預測問題，可以通過學習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題。

綜上，本文選擇具有代表性的土壤侵蝕極為嚴重的中國亞熱帶紅壤地區(qū)，朱溪小流域為研究區(qū)域[15]，引入BP神經網絡方法，采用BP算法建立生態(tài)恢復定量評價模型，評價朱溪小流域的生態(tài)恢復情況。這既是對生態(tài)恢復與重建評價方法的有益嘗試和探索，也可對流域今后的治理工作提供決策依據(jù)，兼具理論和現(xiàn)實意義。

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)，屬中亞熱帶季風性濕潤氣候，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，在長期濕熱濕熱氣候條件下風化發(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，但因長期嚴重的水土流失和人為破壞，地帶植被遭到嚴重破壞，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，樹種單一，結構簡單[15]。

圖1 研究區(qū)地理位置圖Fig.1 The location of study region

1.2 基礎數(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

本研究采用野外調查、室內分析及遙感影像提取相結合的方法獲取相關數(shù)據(jù)。2009年7月，采用典型SOTER(Soil and Terrain Digital Database)單元和柵格結合法，選擇朱溪小流域內涵蓋研究區(qū)內各種土地覆被利用類型的118個點作為研究樣點(圖2)。依據(jù)不同植被類型布設20 m×20 m的標準樣地46個，進行植物群落調查。同時隨機挖取3個土壤剖面，取表層土0—20 cm，挑去石礫與根系，帶回實驗室做相應處理，測定土壤養(yǎng)分指標。測定方法采用濃硫酸-重鉻酸鉀加熱法測定土壤有機質；開氏定氮法測定土壤全N；濃硫酸-高氯酸消煮-原子吸收法測定土壤全K；濃硫酸-高氯酸消煮-鑰銻抗比色法測定土壤全P；室內風干水土電位法(水土比5∶1)測定土壤pH值。

植被蓋度、地表溫度數(shù)據(jù)通過軟件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)公式計算得到。

1.3 數(shù)據(jù)處理與研究方法

采用Excel軟件對實測數(shù)據(jù)進行前期處理，基于BP算法，利用Matlab7.0軟件建立生態(tài)恢復模型。以118個樣點數(shù)據(jù)為基礎，應用ArcGIS9.2軟件地統(tǒng)計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的9個評價指標的柵格數(shù)據(jù)，作為生態(tài)恢復評價模型應用的輸入層數(shù)據(jù)，并將其輸入已建立的評價模型，得到整個流域的生態(tài)恢復度值。最后借助ArcGIS9.2軟件生成整個流域的生態(tài)恢復度結果圖。

2 生態(tài)恢復度模型的構建

2.1 BP網絡結構和算法

圖3 BP神經網絡結構圖Fig.3 The structure of BP neural network

典型的BP神經網絡是一個由輸入層、隱含層和輸出層構成的三層前饋神經網絡(圖3)。BP網絡的學習過程由信息的正向傳播和誤差的反向傳播組成。當給定網絡一組輸入模式時，BP網絡將依次對這組輸入模式按如下方式學習：首先，把輸入模式從輸入層傳輸?shù)诫[含層單元，經隱含層單元逐層處理后，產生一個輸入模式傳送到輸出層，這一過程稱為正向傳播；然后將輸出結果和期待值進行比較，如果沒有達到所預計的期望，則轉變?yōu)檎`差的反向傳播，將誤差沿原路徑返回，通過修改各層神經元的連接權值，使誤差信號變小。這種正向傳播和反向傳播相互交替，看成一個“記憶訓練”的過程。系統(tǒng)不斷地循環(huán)這兩個過程，重復學習，一直到輸出值和期待值的誤差減小到規(guī)定范圍內，系統(tǒng)停止學習。此刻將新樣本輸入到已經訓練好的網絡，就可以得到相應的輸出值[16]。有研究表明，一個三層神經網絡模型就可解決一般函數(shù)的擬合逼近問題，因此，三層人工神經網絡能滿足要求，即網絡的拓撲結構由輸入層、單隱含層和輸出層組成[17]。

2.2 設定生態(tài)恢復度值

根據(jù)中亞熱帶地區(qū)森林生態(tài)系統(tǒng)恢復進程，將裸地—草地—馬尾松和灌叢—針闊混交林—常綠闊葉林5個不同恢復階段分別用0—0.2、0.2—0.4、0.4—0.6、0.6—0.8、0.8—1等5個數(shù)值區(qū)間表示，定量表征退化生態(tài)系統(tǒng)恢復與重建程度。其中，常綠闊葉林生態(tài)恢復度最佳，設為恢復等級1，針闊混交林、馬尾松和灌叢、草地次之，依次設為恢復等級2、恢復等級3和恢復等級4，裸地的生態(tài)恢復度最低，設為恢復等級5。

2.3 指標體系構建

關于退化生態(tài)系統(tǒng)評價指標，國際恢復生態(tài)學會提出了9個生態(tài)系統(tǒng)特征，相關學者在實踐應用中將其歸納為：1)生態(tài)學過程(如，養(yǎng)分庫、土壤有機質以及生物間的相互關系)[18]；2)植被結構(如，植被蓋度、生物量、凋落物結構、喬木密度、高度等)[19-20]；3)物種多樣性[21-22]等三個方面[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)境嚴重制約著植物的生長，因此本研究增加了熱環(huán)境數(shù)據(jù)，以進一步完善和豐富指標體系。

綜上，本文從土壤理化性質(有機質、全N、全P、全K、容重和pH)、植被結構(植被蓋度)、物種多樣性(Shannon-Wiener指數(shù))以及熱環(huán)境(地表溫度)四個方面選擇9個指標建立退化生態(tài)系統(tǒng)評價體系。

2.4 模型樣本選取

118個樣地中，選擇對植物群落做過調查的46個樣地，因此，46個不同恢復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，針闊混交林樣地6個，馬尾松和灌叢樣地21個，草地樣地7個，裸地樣地5個。然后在樣本數(shù)據(jù)中按10%的比例，隨機抽取能夠代表5個不同恢復程度(樣地編號分別為7、11、19、31、39和44)的6個樣地，作為測試樣本，其余40個樣地為訓練樣本。

表1 模型樣本數(shù)據(jù)Table 1 The sample data of model

2.5 結果輸出

圖4 BP網絡生態(tài)恢復模型Fig.4 BP network model of Ecological restoration

在BP 人工神經網絡拓撲結構中，輸入層神經元與輸出層神經元個數(shù)是由問題的本身決定。本文中輸入層神經元個數(shù)為選定的9個評價指標，輸出層為生態(tài)恢復度等級，隱含層的神經元數(shù)采用逐步減少神經元個數(shù)的刪減法則和逐步增加神經元個數(shù)的擴張法則試算確定，經過反復比較各種隱含層神經元個數(shù)網絡收斂情況，最后確定隱含層最優(yōu)神經元個數(shù)為9個。為保證網絡快速收斂，采用Levenberg-Marquardt反傳算法，隱含層神經元采用的傳遞函數(shù)為雙曲正切S型函數(shù)tansig，輸出層神經元采用S型傳輸函數(shù)logsig，構建的生態(tài)恢復模型見圖4。

2.6 模型訓練

為避免訓練過程中出現(xiàn)過飽和狀態(tài)，提高網絡收斂速度，首先對訓練樣本(40個)進行歸一化處理，設定網絡訓練函數(shù)為trainlm，性能函數(shù)為mse，訓練參數(shù)為默認值，網絡訓練8次后，達到設定的精度，網絡收斂，訓練結束。

2.7 模型檢驗

網絡訓練完成以后，利用檢驗樣本(6個)進行測試，檢查模型輸出值和真實值之間的誤差。由表2可見，應用BP神經網絡模型輸出的生態(tài)恢復度值與真實值非常接近，絕對誤差處于±0.03之間，相對誤差低于7%，不會產生分類歧義，所以網絡對測試樣本的分辨100%成功，由此可以認為網絡的映射能力較高，完全能夠進行正確分類，模型訓練精度及檢驗結果可信度均較高，檢驗通過。

3 結果與分析

3.1 流域生態(tài)恢復度的計算

BP神經網絡生態(tài)恢復模型的應用原理，是將被評價對象的特征參數(shù)作為評價指標，由輸入層輸入模型，模型根據(jù)訓練記憶作出判讀，并輸出對應的生態(tài)恢復度值。因此，在應用模型評價朱溪小流域生態(tài)恢復程度時，首先要提取整個流域的9個評價指標數(shù)據(jù)。

表2 模型檢驗結果和期望輸出對比Table 2 Comparison of expected value and model test results

本文中，通過ENVI4.2軟件提取SPOT5、ASTER影像獲取植被蓋度、地表溫度數(shù)據(jù)。其余指標獲取途徑如下：以110個樣點數(shù)據(jù)為基礎，應用ArcGIS9.2軟件的地統(tǒng)計模塊，采用普通克里格最優(yōu)內插值法，得到整個朱溪小流域內土壤有機質、全N、全P、全K、容重、pH以及生物多樣性指標(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，將各個指標空間分布圖的柵格單元轉化成點數(shù)據(jù)，作為模型的輸入樣本。整個小流域共有65 567個輸入樣本。

將輸入樣本輸入BP神經網絡生態(tài)恢復模型，由模型計算得出65 567個生態(tài)恢復度值。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)(因本文主要對朱溪小流域內實施治理措施的林地、草地等作出評價)，根據(jù)剩余數(shù)據(jù)生成朱溪小流域生態(tài)恢復度分布圖(圖11)，并統(tǒng)計不同恢復等級的分布面積(表3)。

圖5 土壤有機質空間分布圖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4級、5級地面積較小，僅占總面積的8.04%，土地利用類型為居民用地與耕地，因受人為活動影響較大，其生態(tài)恢復程度較差。2級地和3級地占地面積最大，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級地所占比例為44.24%，主要分布在流域上游和中游；1級地占地面積也較少，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。

總體來看，朱溪小流域內生態(tài)恢復程度極低(等級4和等級5)的區(qū)域面積較小，大部分區(qū)域為中等恢復程度(等級2和等級3)，說明生態(tài)保護措施發(fā)揮了一定作用。另一方面，研究區(qū)內生態(tài)恢復程度高的區(qū)域面積(等級1)仍很小，這意味未來仍需加強治理和保護工作。

表3 朱溪小流域生態(tài)恢復度分級面積統(tǒng)計數(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)恢復定量評價面臨的難點，是各個評價指標與生態(tài)恢復度之間的非線性映射關系以及各指標貢獻率的確定，克服難點的關鍵，在于如何處理非線性關系和貢獻率的問題。BP神經網絡模型具有感知、記憶和思維、自組織、自適應、抗干擾和容錯性強等優(yōu)點，模型采用誤差反向傳播算法，通過調整隱含層節(jié)點數(shù)，提高網絡學習能力，修正訓練結果，實現(xiàn)任意精度無限逼近任何非線性函數(shù)，克服了傳統(tǒng)方法在映射關系方面的不足。此外，在學習訓練過程中，模型依據(jù)各指標對結果的影響程度，自動調整各指標的權值，解決了貢獻率如何確定的問題。因此，BP網絡具備的先天優(yōu)勢恰好匹配了生態(tài)恢復評價的需要，采用BP 神經網絡建模，評價生態(tài)恢復程度，可行性較高。

評價指標體系的選取是建模的另一個核心部分，本文使用熱環(huán)境(地表溫度)數(shù)據(jù)，使得評價體系更為全面，并得到了較為理想的模擬結果。未來相關工作，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)特征的指標融入評價體系，模型的評價結果將更為完善和精確。

基于BP算法建立的各種模型已經被廣泛應用于各個領域，本文借助建立的BP神經網絡模型，對朱溪小流域生態(tài)恢復程度做了定量評價，研究結果與實地情況基本相符，能夠較好的反映當?shù)氐纳鷳B(tài)恢復現(xiàn)狀，實踐驗證了BP神經網絡在生態(tài)恢復評價領域同樣具有可行性。

另外，為了直觀的展示模型的輸出結果，本研究借助ArcGIS9.2軟件，將模型輸出的點數(shù)據(jù)轉換成面數(shù)據(jù)，生成整個朱溪小流域的生態(tài)恢復度分布圖，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. 生態(tài)環(huán)境質量指標體系的建立與應用. 渤海大學學報: 自然科學版, 2006, 27(3): 215-219.

[6] 劉綺, 潘偉斌. 環(huán)境質量評價. 廣州: 華南理工大學出版社, 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)恢復工程效益評價研究. 中國生態(tài)農業(yè)學報, 2006, 14(3): 202-205.

[8] 於方, 周昊, 許申來. 生態(tài)恢復的環(huán)境效應評價研究進展. 生態(tài)環(huán)境學報, 2009, 18(1): 374-379.

[9] 李菘, 邱微, 趙慶良, 劉正茂. 層次分析法應用于黑龍江省生態(tài)環(huán)境質量評價研究. 環(huán)境科學, 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)恢復評價研究綜述. 生態(tài)學報, 2010, 30(12): 3297-3303.

[13] 周開利, 康耀紅. 神經網絡模型及其MATLAB仿真程序設計. 北京: 清華大學出版社, 2005.

[14] 高雋. 人工神經網絡原理及仿真實例. 北京: 機械工業(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 [D]. 福州: 福建師范大學, 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. 基于人工神經網絡的生態(tài)環(huán)境質量遙感評價. 應用生態(tài)學報, 2006, 17(8): 1475-1480.

[19] 李湘梅, 周敬宣. 基于BP神經網絡的城市總生態(tài)足跡預測研究——以武漢市為例. 環(huán)境科學與技術, 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

國家自然科學基金(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，張曉云，鄭麗丹，王秋云.基于BP神經網絡的流域生態(tài)恢復度計算——以福建長汀朱溪小流域為例.生態(tài)學報,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.