劉春姣，王 丹，郝晶晶，敦晨霞

LIU Chunjiao1，WANG Dan1，HAO Jingjing2，DUN Chenxia1

（1.石家莊鐵道大學 經(jīng)濟管理學院，河北 石家莊 050043；2.石家莊鐵道大學 土木工程學院，河北石家莊 050043）

(1.School of Economics and Management， Shijiazhuang Tiedao University， Shijiazhuang 050043， Hebei， China 2.School of Civil Engineering， Shijiazhuang Tiedao University， Shijiazhuang 050043， Hebei， China)

0 引言

近年來，我國高速鐵路事業(yè)蓬勃發(fā)展，高速鐵路建設在快速發(fā)展的同時，環(huán)保問題引起人們的重視。如何進行生態(tài)環(huán)境影響評價，即在項目實施之前，開展有效的預測與評估，給決策者提供決策依據(jù)，在未來高速鐵路發(fā)展中極為重要。20世紀70年代，美國等發(fā)達國家通過研究鐵路建設對環(huán)境影響的評價指標和方法，出臺了相關法律法規(guī)，規(guī)定所有鐵路建設項目必須在項目建設初期的可研階段進行預測研究，在方案選擇上，與工程造價相比，應更重視環(huán)境保護。我國于1987年發(fā)布了《鐵路工程設計環(huán)境保護技術規(guī)定》，標志著我國開始注重鐵路建設對生態(tài)環(huán)境的影響。隨著鐵路部門對生態(tài)環(huán)境影響評價制度的多次修訂，環(huán)境評價體系在規(guī)范、途徑、評價指標、評價范圍及評價水平等方面逐步健全。

現(xiàn)有環(huán)境影響評價方法主要為層次分析法、主成分分析法、聚類分析法等，這些方法不能有效地利用指標之間的相互關聯(lián)性、層次性和指標體系的綜合性進行分析。目前采用BP神經(jīng)網(wǎng)絡等定量方法開展高速鐵路生態(tài)環(huán)境影響綜合評價的研究較少。為此，以LM-BP神經(jīng)網(wǎng)絡方法為基礎搭建高速鐵路建設中、短期工程環(huán)境影響評價模型，與傳統(tǒng)神經(jīng)網(wǎng)絡算法相比較，該種算法在收斂速度、精確度和尋找全局最優(yōu)點方面都具有較強優(yōu)勢，同時利用神經(jīng)網(wǎng)絡對訓練樣本進行學習，可以減少由于人的主觀性而引起的評價誤差，使得評價系統(tǒng)更加客觀實用。最后，以長益常城際鐵路為例，對其沿線生態(tài)環(huán)境影響進行評價。

1 LM-BP 神經(jīng)網(wǎng)絡模型

1.1 BP 神經(jīng)網(wǎng)絡模型

人工神經(jīng)網(wǎng)絡是通過模擬生物神經(jīng)網(wǎng)絡對信息進行處理的，并由大量處理單元互聯(lián)組成的非線性、自適應信息處理系統(tǒng)。而反向傳播(Back-Propagation， BP)算法是一種建立在梯度下降法的基礎上有監(jiān)督的神經(jīng)網(wǎng)絡學習算法，適于解決分類問題[1]，因而可以用于高速鐵路項目的生態(tài)環(huán)境影響評價。傳統(tǒng)性質(zhì)的三層BP神經(jīng)網(wǎng)絡模型一共有3層，分別是n個單元的輸入層{x1，x2，…，xn}、隱含層和m個單元的輸出層{y1，y2，…，ym}，每一層都含有神經(jīng)元，這些神經(jīng)元位于同層時無連接，而層和層之間的神經(jīng)元有連接[2]。三層BP神經(jīng)網(wǎng)絡模型如圖1所示。

圖1 三層BP神經(jīng)網(wǎng)絡模型Fig.1 Three-layer BP neural network model

BP神經(jīng)網(wǎng)絡算法是將外部的信息通過輸入層傳播進來，利用神經(jīng)元的傳播作用，輸入到隱含層中，之后再經(jīng)過隱含層神經(jīng)元進行計算，傳遞到輸出層，計算誤差，如誤差達不到要求，則誤差反向傳播[3]。這一過程的作用是通過連續(xù)的調(diào)整閾值及權值，使得誤差逐步減小，接著繼續(xù)進行正向傳播，這2種傳播的方式不斷進行，當誤差足夠小的時候，學習過程就可以宣布停止，得到符合精度要求的閾值與權值，而網(wǎng)絡也實現(xiàn)了良好訓練[4]。BP神經(jīng)網(wǎng)絡學習過程就是信號正向傳播及誤差反向傳播的結(jié)合。

對于某一層的第j個計算單元，腳標i代表前一層第i個單元，腳標k代表后一層的第k個單元，Oj代表本層的輸出，ωij是前一層到本層的權值。反向傳播算法單元權值約定如圖2所示。

圖2 反向傳播算法單元權值約定Fig.2 Back propagation algorithm unit weight agreement

BP神經(jīng)網(wǎng)絡算法的主要步驟如下。

（1）步驟1：初始化閾值與權值。初始化過程一般把權值設定為較小的任意數(shù)(如± 0.2區(qū)間)。

（2）步驟2：對樣本進行標準化處理。由于在實際過程中，樣本的輸入差別較大，為了避免數(shù)值間的差別大而影響學習效果，要對數(shù)據(jù)進行規(guī)范化處理。經(jīng)常采用最小-最大規(guī)范化，即將數(shù)據(jù)線性映射到[0，1]之間。

（3）步驟3：正向計算各單元。輸入樣本X=(x1，x2，…，xn)T，期望輸出Y= (y1，y2，…，ym)T，實際輸出此時誤差E=其中，yk為第k個期望輸出，為第k個實際輸出，k= 1，2，…，m。從前到后對每層各單元神經(jīng)元的動作如下。首先，計算隱含層第j個節(jié)點的輸入值其中，ωij是為輸入層第i個節(jié)點到隱含層第j個節(jié)點的權值，i= 1，2，…，n。然后，選用Sigmoid函數(shù)計算隱含層第j個節(jié)點的輸出值最后，計算輸出層第k個節(jié)點的局部梯度δk，δk=

（4）步驟4：反向計算隱含層第j個節(jié)點的局部梯度其中，ωjk是輸出層第k個節(jié)點到隱含層第j個節(jié)點的權值，k= 1，2，…，m。

（6）步驟6：重復步驟2至步驟6，直至收斂。其中步長η對收斂性影響較大，可在0.1 ~ 3之間試探。慣性項系數(shù)α≥ 1時不收斂，其值可在0.9 ~ 1之間選擇。

1.2 LM-BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡算法基于梯度下降原理，存在著容易陷入局部極值和收斂速度慢等問題。因此，研究者們提出了各種改進的BP神經(jīng)網(wǎng)絡算法，研究選取LM (Levenberg-Marquardt)算法。LM-BP神經(jīng)網(wǎng)絡算法是在BP神經(jīng)網(wǎng)絡算法之上，結(jié)合了梯度下降法和高斯-牛頓算法，根據(jù)雅可比矩陣修正權值，利用二階導數(shù)，提升計算速度，解決BP神經(jīng)網(wǎng)絡容易陷入局部極值的問題[4]。對于一組樣本，LM-BP算法的修正規(guī)則如下。

式中：Δω為修整權值；μ為相關系數(shù)；I為單位矩陣；R為誤差矩陣；J為雅可比矩陣。

輸出單元數(shù)量為M的誤差矩陣記為第k個輸出單元的誤差為。

J為雅可比矩陣，對權值數(shù)量為Q的樣本，雅可比矩陣

基于LM算法修正權值的BP神經(jīng)網(wǎng)絡模型步驟如下。

（1）步驟1：初始化各參數(shù)，神經(jīng)元之間的權值ω、精度ε、相關系數(shù)μ0和常數(shù)β(0 ＜β＜ 1)。

（3）步驟3：計算并存儲雅可比矩陣J(ω)。

（4）步驟4：計算Δω。

（5）步驟5：比較E與ε大小，若E＜ε，則停止計算，否則進行下一步。

（6）步驟6：由后向前，修正權值，第t次迭 代 中 令ω(t+ 1) =ω(t) +Δω(t)， 計 算E； 若E(ω(t+ 1)) ＜E(ω(t))，令μ=μβ，從步驟 2 開始進行新的迭代；否則，令μ=μ/β，從步驟4進行新的迭代。

2 案例分析

長益常城際鐵路(長沙—益陽—常德)項目位于湖南省西北地區(qū)，臨近環(huán)洞庭湖生態(tài)經(jīng)濟圈。2017年12月18日，項目獲國家發(fā)展和改革委員會批復，同月26日，項目正式開工建設。長益常城際鐵路全長189.8 km，為雙線鐵路，最高設計速度350 km/h，采用自動化控制，以電力牽引的方式驅(qū)動。項目建設工期約48個月，工程投資估算217.2億元。我國對高速鐵路沿線環(huán)境影響展開評價是一項繁復的、系統(tǒng)性較強的工作，在進行評價的時候，應從全局出發(fā)，綜合考慮，探討生態(tài)環(huán)境影響評價的范圍及等級。

2.1 長益常城際鐵路生態(tài)環(huán)境影響評價

2.1.1 生態(tài)環(huán)境影響評價級別劃分

參照工程項目的實施可能會對生態(tài)環(huán)境造成的干擾，將該評價按照嚴重程度由高到低劃分為Ⅰ級、Ⅱ級、Ⅲ級3個等級[5]。生態(tài)環(huán)境影響評價等級劃分標準如表1所示。

表1 生態(tài)環(huán)境影響評價等級劃分標準Tab.1 Classification criteria for work level assessment of ecological environment impact assessment

從表1可以看出，受到高速鐵路建設項目影響的因素有水、土地、生物群落和生態(tài)地域，如果建設項目對生態(tài)的影響是多方面的，在評價時要選取評價級別高的內(nèi)容進行級別評判[6]。在實際工作中，根據(jù)具體情況，對評價工作進行適當?shù)恼{(diào)整和整改還需要得到有關部門的認可。

2.1.2 生態(tài)環(huán)境影響的評價范圍

以生態(tài)因子互相之間的連結(jié)關系作為基礎和前提，主要依靠生態(tài)完整性、地質(zhì)條件等因素來確定生態(tài)環(huán)境影響評價的對應范圍。為保護擬建項目經(jīng)過區(qū)域生態(tài)環(huán)境的完整性和生態(tài)敏感地區(qū)，確定生態(tài)環(huán)境影響評價范圍如下：①從建設初期，規(guī)劃外側(cè)軌道用地向外延伸300 m；②施工便道中心線向外兩側(cè)延伸各100 m；③臨時設施占地向外延伸100 m；④水體上方橋涵向外延伸300 m；水體上方在建橋，橋位下游1 km、上游500 m。

參照生態(tài)影響評價等級及工程的特點，該環(huán)境影響評價工作參照Ⅱ級作出評價[5]。

2.1.3 項目建設期生態(tài)影響評價指標分析

建設項目對環(huán)境的影響包括：在工程建設時期，隧道、路堤及路塹等在進行施工時會使植被遭到破壞，地表地質(zhì)發(fā)生改變引起水土流失，地下水位受到干擾；項目途徑村鎮(zhèn)和城市等地，居民生活會受到大型機械的噪聲影響；施工引起的粉塵、較大粉塵顆粒物和機械油煙等降低空氣質(zhì)量；生活廢水、建設廢水等如果處理不當，易使水環(huán)境遭到破壞[7]。

對長益常城際鐵路建設項目各項環(huán)境影響評價指標分析如下。

（1）植物覆蓋率。工程沿線區(qū)域植被類型包含常綠闊葉林亞地帶、經(jīng)濟林和人工次生林。施工結(jié)束后，對工程臨時占用地進行恢復，可以降低對植被的影響，而永久性占地對植被的覆蓋率有一定影響。

（2）植物物種變化程度。工程項目沿線的植物種類以熱帶植物為主，工程項目的永久性占地會對植物造成一定的破壞和擾動，但由于不涉及珍稀植物種類，且該類植物在該區(qū)域分布廣泛，不會造成該評價區(qū)域植物種類的減少。通過加強項目建設施工過程中機動車輛的管理，可以進一步減小對植物物種的影響。

（3）動物種類變化程度。工程項目施工范圍內(nèi)包含兩犧動物、爬行類動物、鳥類動物、獸類動物和水生動物。由于施工范圍與周圍生態(tài)條件較為接近，因而不會對動物棲息地造成太大影響。同時，對施工人員應加強環(huán)保教育，嚴控施工人員迫害野生動物和亂砍亂伐的行為。

（4）土壤受侵蝕程度。工程項目地處大陸中亞熱帶季風濕潤氣候區(qū)，年平均降雨量高達1 400 mm，平均風速為1.7 m/s，但農(nóng)田和林地的水土流失不明顯。在項目建設過程中，應采取建立排水溝或恢復植被等措施，以防止水土流失。

（5）水環(huán)境影響。在工程建設時期，對水環(huán)境的影響主要來源于生產(chǎn)施工和項目管理人員生活污水、廢水，以及隧道橋梁等建設工程對地下水體的破壞。雖然作業(yè)過程中的工業(yè)排水量不大，但由于其影響時間較長，對地下水質(zhì)產(chǎn)生的影響將持續(xù)累積。因此，應采取適當?shù)拇胧┙档退h(huán)境的污染。

（6）土地占用量影響。項目施工區(qū)域的評價范圍主要以耕地、園地和林地為主，極少含有建筑用地。通過調(diào)查，評價范圍內(nèi)耕地變化率為-5.18%，林地變化率為-2.61%，水域變化率為-3.48%。

（7）噪聲影響。在施工過程中產(chǎn)生噪聲的主要原因為大型機械作業(yè)，以及運輸作業(yè)的機動車輛。通過禁止夜間施工和按照標準要求設置施工場地等措施可以有效降低噪聲。

（8）大氣污染。施工產(chǎn)生的粉塵、揚塵和機械排放的氣體為主要的大氣污染源。針對這些污染源，可以采取灑水降塵、文明施工等方式降低影響。

（9）固體廢物。固體廢物主要包括生活垃圾和拆遷導致的建筑垃圾。固體廢物按照環(huán)衛(wèi)規(guī)定收集處理后，不會對生態(tài)環(huán)境產(chǎn)生太大影響。

2.2 基于LM-BP神經(jīng)網(wǎng)絡模型的綜合評價結(jié)果

2.2.1 評價等級確定

把工程項目建設期對環(huán)境造成的影響程度分為5級，具體劃分如下：[0.8，1)區(qū)間為極大影響，[0.6，0.8)區(qū)間為較大影響，[0.4，0.6)區(qū)間為中等影響，[0.2，0.4)區(qū)間為較小影響，[0，0.2)區(qū)間為極小影響[5]。因此，樣本輸出值范圍在規(guī)定的5個等級之中，期望輸出分別取各區(qū)間的中間值0.9，0.7，0.5，0.3和 0.1。

2.2.2 綜合評價結(jié)果

按照工程項目對環(huán)境的影響時間，將從直接干擾區(qū)、間接干擾區(qū)和對照區(qū)采集的數(shù)據(jù)劃分為短期和中期2組，每組選取2 000個樣本，其中每組測試樣本500個，訓練樣本1 500個。參照5個等級范圍，輸出值直接反映影響程度。利用LM-BP神經(jīng)網(wǎng)絡模型對輸入數(shù)據(jù)進行迭代，就可以得出評價標準與評價值二者存在的關系，從而搭建高速鐵路對生態(tài)環(huán)境影響的綜合評價模型[8]。

利用Matlab軟件進行訓練，首先設置輸入層神經(jīng)元數(shù)量、隱含層神經(jīng)元數(shù)量和輸出層神經(jīng)數(shù)量分別為9，25和1，相關系數(shù)μ設為0.03，期望誤差為1e-006。然后，對數(shù)據(jù)進行規(guī)范化處理后使BP神經(jīng)網(wǎng)絡通過LM學習算法展開練習。結(jié)果顯示，訓練到475步的時候誤差是最小的，訓練過程誤差曲線如圖3所示。

圖3 訓練過程誤差曲線Fig.3 Training process error curve

把選取的測試樣本代入搭建好的網(wǎng)絡中，得到實驗樣本的實際輸出值，通過線性回歸分析，得出測試樣本的期望輸出與實際輸出值之間的相關系數(shù)是0.971 3。通過訓練之后得出的神經(jīng)網(wǎng)絡模型有較強的泛化能力，可以在未知樣本的評價中發(fā)揮較好的作用。

利用LM-BP神經(jīng)網(wǎng)絡模型對各評價指標展開評價，量化評價指標如表2所示。

分別將中期和短期指標評價預測值輸入模型后，輸出值即為綜合評價值。計算結(jié)果顯示，長益常高速鐵路項目短期環(huán)境綜合評價值為0.34，表明建設項目對環(huán)境短期影響程度較??；中期輸出值是0.19，表明建設項目對中期環(huán)境影響程度為極小。

表2 量化評價指標Tab.2 Quantitative evaluation index

3 結(jié)束語

以LM-BP神經(jīng)網(wǎng)絡模型為基礎，進行高速鐵路環(huán)境評價影響研究，而如何對項目進行長期跟蹤并開展多種評價方法的準確性和有效性比較工作仍然值得探索。另外，由于高速鐵路項目對生態(tài)環(huán)境造成的長期影響預測難度大、影響因素多，在后續(xù)的工作中，需要對高速鐵路建設對生態(tài)環(huán)境的長期影響進行深入研究。同時，采取積極措施，促進水環(huán)境、聲環(huán)境、大氣環(huán)境、動植物及土地環(huán)境的全面協(xié)調(diào)發(fā)展。