尹準生 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的人工神經(jīng)網(wǎng)絡模型研究

尹準生 唐孝甲 盧佶 洪奕豐 陳偉 左松源

（國家林業(yè)和草原局華東調查規(guī)劃設計院 浙江杭州 310019）

依據(jù)黃土高原油松人工林試驗樣地林分情況，確定神經(jīng)網(wǎng)絡的輸入變量和輸出變量，利用2012—2015年的567組數(shù)據(jù)對網(wǎng)絡模型進行訓練和檢驗，構建了5∶q∶1的土壤水分變動的BP神經(jīng)網(wǎng)絡模型。結果表明：最適宜的網(wǎng)絡結構為5∶6∶1，均方誤差mse=0.002 645，總體擬合精度為96.78%，模擬檢驗擬合精度為94.44%。

土壤水分變動模型；人工神經(jīng)網(wǎng)絡；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，森林與其生存環(huán)境間相互作用方式與此特點有著一定的相關性，具有特殊的水文效應[10, 15, 16, 18]。在目前大量的土壤蒸發(fā)模型中，雖然國內外學者進行了大量的研究工作，但在野外林地所做的研究則比較少，這是因為實際的土壤蒸發(fā)涉及到諸多的因素。林地土壤水分的變動不僅受到氣象要素（如大氣溫度、濕度、風速、太陽總輻射等）、地形條件、土壤水分狀況的影響，同時還受到林地小環(huán)境（林分郁閉度、枯落物、林下植被等）的影響。特別是，在野外的實際研究中還受到降雨等因子的影響，這些復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（artificial neural network）是一種應用類似于大腦神經(jīng)突觸聯(lián)接的結構進行信息處理的數(shù)學模型。人工神經(jīng)網(wǎng)絡具有全局并行、局部處理和非線性三大特點，信息處理能力很強。由于神經(jīng)網(wǎng)絡對于非線性系統(tǒng)建模具有很強的擬合性，利用神經(jīng)網(wǎng)絡的非線性特質，可用于解決許多比較復雜的非線性問題[1-3, 5-8]。本文以黃土高原油松（）人工林為研究對象，根據(jù)測試區(qū)的實際情況選取相關變量建立神經(jīng)網(wǎng)絡模型，并以實測數(shù)據(jù)對網(wǎng)絡模型進行訓練、模擬和評價，探索林地土壤水分變動量與相關因子之間的關系，從而為森林水文的研究和生態(tài)環(huán)境建設提供理論參考。

1 數(shù)據(jù)來源

研究地點位于山西省偏關縣陳家營鄉(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，造林樹種主要為油松、落葉松、樟子松，土壤為沙質黃綿土。供觀測的人工油松純林為28年生，平均樹高4.3～5.2 m，平均胸徑9.4～11.9 cm，郁閉度0.67～0.85。

本研究采用設置長期固定標準地的方式對林地內外氣象因子進行定位觀測，共設置了3個固定樣地，各樣地具體特征見表1。試驗數(shù)據(jù)于2012年起進行觀測。

表1 油松試驗林基本情況

每個林內樣地和氣象站內各設置2個土壤蒸發(fā)器。土壤蒸發(fā)器由兩部分組成，內筒所使用的材料為PVC管，內徑25cm，高25cm；外筒采用鍍鋅板制作而成，其內徑略大于內筒外徑。在無降雨情況下，蒸發(fā)器的測量周期為3~5天，每次的測量時間為當日18時。考慮到降雨后土壤的水分變化較大，為了保證網(wǎng)絡模型訓練的質量，所以每次降雨后對其進行加測。林外氣象站在每天的8：00、14：00和20：00進行水面蒸發(fā)、降雨量、溫度、濕度、風速及光照的測定。表2為2012—2015年的調查數(shù)據(jù)匯總。

表2 2012—2015年調查數(shù)據(jù)匯總

2 研究方法

2.1 問題分析

在本研究中，針對土壤水分的研究主要是通過土壤蒸發(fā)器來進行，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，以便能更好地反應林地的現(xiàn)實狀況，通過一段時期兩次土壤蒸發(fā)器重量之差來度量一定時間段內的土壤水分變動量。由趙鴻雁等給出的枯落物覆蓋下土壤蒸發(fā)數(shù)學表達式可知，一段時間內的土壤蒸發(fā)量與原始土壤含水量和時間長短有關，同時也與枯落物厚度有關。但本研究中，根據(jù)實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)力及林分結構密切相關，氣象因子涉及到如空氣溫度、空氣相對濕度、風速、光照等，而這些因子所引起的土壤蒸發(fā)潛力可通過水面蒸發(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，林分的結構主要與郁閉度有關?；诖耍榱藴p少構造模型的復雜性，研究在氣象因子方面只考慮一段時間內的水面蒸發(fā)量，而林分結構則只考慮郁閉度。

在實際的野外林地中，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給，因此降雨也會影響到土壤水分的變動。但在林地中，由于林冠、林下植被及枯落物的截留等作用，會影響到達土壤層的水分，所以在考慮土壤水分變動時也應將其考慮在內。

2.2 模型建立

根據(jù)以上分析，先利用公式（1）進行網(wǎng)絡隱含層神經(jīng)元個數(shù)的初步訓練，然后采用試錯法確定其隱含層數(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)絡的結構可表示為圖1。

圖1 BP神經(jīng)網(wǎng)絡結構

3 模型的訓練與檢驗

3.1 模型的訓練

（3）

式中：為原始數(shù)據(jù)；為轉化后的數(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

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

（4）

式中：c表示擬合精度；表示理論值即網(wǎng)絡的模擬值；表示真實值即實際調查值。

經(jīng)計算可得擬合精度為94.44%，如圖2所示，其結果表明BP神經(jīng)網(wǎng)絡模型的仿真理論值能夠較好地跟蹤實測值，結果令人滿意。

圖2 網(wǎng)絡模擬結果

4 結論與討論

根據(jù)影響林地土壤水分的主要因素，建立土壤水分變動的BP神經(jīng)網(wǎng)絡模型。得出最適宜的網(wǎng)絡結構為5:6:1，均方誤差mse=0.002 645，總體擬合精度為96.78%，模擬檢驗擬合精度為94.44%，結果顯示效果良好，表明將BP網(wǎng)絡用于黃土高原林地土壤水分變動模型研究是可行的。但由于網(wǎng)絡的訓練過程是利用網(wǎng)絡結構和參數(shù)來反映所研究的關系，網(wǎng)絡中的參數(shù)沒有具體的物理意義，不能反映出真實的物理過程，這是神經(jīng)網(wǎng)絡模型的主要局限。另外，由于試驗地的區(qū)域性以及區(qū)域內的特殊性，模型有一定的適用范圍，對于其他條件下如不同地區(qū)、不同樹種、結構林分是否適用還有待今后進一步研究。

[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：機械工業(yè)出版社, 2002.

[9] 高雋. 人工神經(jīng)網(wǎng)絡原理及仿真實例[M]. 北京：機械工業(yè)出版社, 2002.

[10]尹準生,孫長忠,趙明揚.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)絡導論[M]. 北京：高等教育出版社, 2001.

[13]李祚泳,彭荔紅. BP網(wǎng)絡學習能力與泛化能力滿足的不確定關系式[J]. 中國科學,2003, 33（10）: 887-895.

[14]盛仲飆,同曉榮. BP神經(jīng)網(wǎng)絡在曲線擬合中的應用[J].科學技術與工程,2011,11（28）:1671- 1815.

[15]孫長忠,陳海濱. 黃土高原林業(yè)資源開發(fā)與發(fā)展問題的探討[J]. 西北林學院學報,1995, 10（增）: 174-179.

[16]孫長忠, 黃寶龍, 陳海濱, 等. 黃土高原人工植被與其水分環(huán)境相互作用關系研究[J]. 北京林業(yè)大學大學學報,1998, 20（3）: 7-14.

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

[18]尹準生,孫長忠,趙明揚.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)科學研究,2015,28（2）: 261-264.

[19]閻平凡. 人工神經(jīng)網(wǎng)絡的容量、學習與計算復雜性[J]. 電子學報,1995, （5）: 63-67.

[20]張立明. 人工神經(jīng)網(wǎng)絡的模型及其應用[M]. 上海：復旦大學出版社, 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