摘 要：【目的】隨著電力系統(tǒng)的發(fā)展和輸變電工程建設(shè)的不斷推進(jìn)，臨時(shí)占地已經(jīng)成為電力工程建設(shè)的重要環(huán)節(jié)。本文以湖北土石山區(qū)輸變電工程臨時(shí)占地范圍為研究對(duì)象，以綠色策劃為出發(fā)點(diǎn)，結(jié)合人工神經(jīng)網(wǎng)絡(luò)，構(gòu)建可以自動(dòng)規(guī)劃臨時(shí)占地面積的模型，以期高效地確定輸變電工程建設(shè)的臨時(shí)占地面積?！痉椒ā渴紫龋瑢?duì)臨時(shí)占地的概念和規(guī)劃原則進(jìn)行介紹，分析當(dāng)前臨時(shí)占地規(guī)劃存在的問題和難點(diǎn)，探討遙感與深度學(xué)習(xí)技術(shù)預(yù)測(cè)模型在臨時(shí)占地規(guī)劃領(lǐng)域中的應(yīng)用及優(yōu)勢(shì)。其次，收集220 kV及以上等級(jí)的輸變電工程資料，梳理分析影響臨時(shí)占地面積的組成因素及特征，對(duì)臨時(shí)占地的影響因素進(jìn)行綜合統(tǒng)計(jì)和分類，形成完善的220 kV及以上等級(jí)的輸變電工程臨時(shí)占地影響因子集。最后，通過對(duì)各個(gè)影響因子進(jìn)行綜合評(píng)估，建立線性回歸模型、多項(xiàng)式回歸模型、支持向量機(jī)（SVM）模型、BP神經(jīng)網(wǎng)絡(luò)模型這四種不同的臨時(shí)占地預(yù)測(cè)模型，并對(duì)模型的訓(xùn)練情況進(jìn)行評(píng)估。【結(jié)果】在臨時(shí)占地范圍控制輔助決策的實(shí)際應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)模型在精準(zhǔn)度和實(shí)際應(yīng)用方面表現(xiàn)出色，該模型能處理復(fù)雜的非線性數(shù)據(jù)，并具有較強(qiáng)的擬合能力，適用于對(duì)臨時(shí)占地范圍進(jìn)行準(zhǔn)確預(yù)測(cè)?！窘Y(jié)論】BP神經(jīng)網(wǎng)絡(luò)模型能有效地提高臨時(shí)占地規(guī)劃的準(zhǔn)確性和效率，有助于臨時(shí)占地面積的精確預(yù)測(cè)并提高計(jì)算效率，為輸變電工程項(xiàng)目提供更可靠的支持，具有一定的實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞：湖北土石山區(qū)；輸變電工程；臨時(shí)占地；擾動(dòng)控制預(yù)測(cè)模型

中圖分類號(hào)：X703.5" " "文獻(xiàn)標(biāo)志碼：A" " "文章編號(hào)：1003-5168（2025）05-0009-10

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.05.002

Comparison of Prediction Model of Disturbance Control for Temporary Land Occupation Area for Hubei Province's Earth and Rock Mountainous Areas Power Transmission and Transformation Project

LIU Ping1 SHI Jianbo2 ZHAN Haige3

（1.State Grid Hubei Electric Power Co.， Ltd.，Wuhan 430075，China; 2.State Grid Hubei Electric Power

Research Institute Co.， Ltd.，Wuhan 430075，China; 3.Hubei Fangyuan Dongli Electric Power Science amp;

Research Limited Company，Wuhan 430060， China）

Abstract：[Purposes] With the development of the power system and the continuous advancement of power transmission and transformation engineering construction， temporary land occupation has become an important link in power engineering construction. This article takes the temporary land area of the power transmission and transformation project in Hubei province as the research object， takes the green planning as the starting point and combines artificial neural network technology to explore how to construct a model that can automatically plan temporary land occupation，so as efficiently determine the temporary area of power transmission and transformation project construction.[Methods] Firstly， the concept and planning principles of temporary land occupation were introduced， and then the problems and difficulties in current temporary land occupation planning were analyzed，and the application and advantages of artificial neural networks in the field of planning were explored. Then， this paper collected the data of power transmission and transformation projects of 220 kV and above in Hubei Province， the constituent factors and characteristics of the temporary occupation land were analyzed， and the factors affecting the temporary occupation were comprehensively counted and classified， so as to form a perfect subset of the temporary occupation influence factors of power transmission and transformation projects of 220 kV and above in Hubei Province. Through the comprehensive evaluation of each influence factor，this paper established four different temporary land occupation prediction models， include linear regression model， polynomial regression model， support vector machine （SVM） model and BP neural network model，and evaluated the training of the model. [Findings] In the practical application of temporary land occupation range control auxiliary decision， BP neural network model has excellent performance in terms of accuracy and practical application potential. The model can handle complex nonlinear data and has strong fitting ability， which is suitable for accurate prediction of temporary footprint range.[Conclusions] BP neural network model can effectively improve the accuracy and efficiency of temporary land occupation planning，which contributes to the accurate prediction of temporary footprint and improves the calculation efficiency， provides more reliable support for power transmission and transformation projects， and has certain practical application value.

Keywords：earth and rock mountainous areas in Hubei Province; power transmission and transformation project; temporary land occupation; disturbance control prediction model

0 引言

在電網(wǎng)建設(shè)中，輸變電工程是不可或缺的一環(huán)，對(duì)經(jīng)濟(jì)發(fā)展和社會(huì)生活起著至關(guān)重要的作用［1］。然而，在輸變電工程的建設(shè)和運(yùn)營過程中，難免會(huì)產(chǎn)生噪聲、水資源污染、大氣污染、水土流失等環(huán)境問題［2］。

輸變電工程所使用的占地可劃分為永久占地和臨時(shí)占地。通常情況下，由于輸變電工程的分布比較分散，永久占地已無法滿足施工需求，因此需要臨時(shí)占用土地進(jìn)行施工。然而，臨時(shí)占地相關(guān)方面的水土保持投資不足，監(jiān)管也容易疏漏。并且一些水保方案中的措施在適宜性和有效性方面都存在問題，導(dǎo)致臨時(shí)占地范圍內(nèi)的水土流失防治措施難以有效實(shí)施，從而引發(fā)許多水土流失問題［3］，對(duì)生態(tài)環(huán)境造成較大影響。不僅如此，臨時(shí)占地還會(huì)對(duì)生態(tài)系統(tǒng)結(jié)構(gòu)、表層土壤物理性質(zhì)、資源分布、物種多樣性和能量流動(dòng)造成影響，進(jìn)而破壞整個(gè)生態(tài)系統(tǒng)功能。例如，工程占地可能會(huì)破壞周邊森林、濕地等生態(tài)系統(tǒng)，導(dǎo)致區(qū)域生態(tài)系統(tǒng)的生產(chǎn)力下降，使水土保持和水源涵養(yǎng)等生態(tài)性能降低［4］；施工和設(shè)施建設(shè)會(huì)對(duì)土壤的物理性質(zhì)造成改變，包括挖掘、施工活動(dòng)及人員和機(jī)器在土地上行走都會(huì)導(dǎo)致土壤表層結(jié)構(gòu)發(fā)生改變，進(jìn)而影響土壤的性質(zhì)和特性［5］；輸變電工程建設(shè)還會(huì)對(duì)生物多樣性和動(dòng)植物的生存環(huán)境造成嚴(yán)重威脅［6］。在輸變電工程建設(shè)過程中，整改場(chǎng)地、開挖基坑、修建道路等施工活動(dòng)不可避免地產(chǎn)生地表擾動(dòng)、破壞植被、加速水土流失等危害，而這些問題在散點(diǎn)狀塔基站場(chǎng)和放線狀施工便道上表現(xiàn)得尤為突出［7］。因此，優(yōu)化臨時(shí)占地的水土流失防治措施配置和加強(qiáng)監(jiān)管制度是完善生產(chǎn)建設(shè)項(xiàng)目水土流失防治體系的關(guān)鍵步驟［8］，盡量減小臨時(shí)占地在工程規(guī)劃和實(shí)施中的影響成為保護(hù)環(huán)境的重要手段。

綜上所述，為了避免輸變電工程對(duì)水土流失和生態(tài)環(huán)境造成的嚴(yán)重影響，迫切需要制訂出臨時(shí)占地面積預(yù)測(cè)方案。與永久占地相比，臨時(shí)占地面積受多種因素的影響，測(cè)算較為復(fù)雜，而傳統(tǒng)的計(jì)算方法效率較低，導(dǎo)致預(yù)測(cè)臨時(shí)占地面積成為一個(gè)重要的技術(shù)挑戰(zhàn)。

1 臨時(shí)占地面積測(cè)算現(xiàn)狀

1.1 傳統(tǒng)的臨時(shí)占地計(jì)算方法

傳統(tǒng)的臨時(shí)占地計(jì)算方法主要依賴人工測(cè)算，但輸變電工程通常地形跨越復(fù)雜、施工周期較長，而且很多地區(qū)交通不便，傳統(tǒng)方法存在一系列問題。首先，傳統(tǒng)方法效率低下，常常難以計(jì)算準(zhǔn)確，并需要大量的人力和時(shí)間，難以做到全面的查驗(yàn)和準(zhǔn)確的劃定。其次，傳統(tǒng)方法的數(shù)據(jù)獲取面臨許多挑戰(zhàn)，如計(jì)算數(shù)據(jù)的空間信息難以滿足需求、難以獲得最新數(shù)據(jù)等。因此，傳統(tǒng)方法很難全面、真實(shí)地動(dòng)態(tài)計(jì)算出臨時(shí)占地面積。

隨著遙感技術(shù)的不斷進(jìn)步，其已經(jīng)成為最佳的臨時(shí)占地計(jì)算工具之一［9］。遙感技術(shù)具有獲取信息迅速、條件限制較少、獲取信息量豐富、覆蓋范圍廣等優(yōu)勢(shì)，能夠彌補(bǔ)傳統(tǒng)臨時(shí)占地計(jì)算方法的不足。目前，無人機(jī)遙感攝影技術(shù)已經(jīng)成為臨時(shí)占地面積測(cè)算的主要工具之一。無人機(jī)具有高效率、低成本、數(shù)據(jù)精確、操作靈活等優(yōu)勢(shì)，可以獲取高清立體影像數(shù)據(jù)，解決了傳統(tǒng)人工測(cè)量受天氣等外界因素干擾的問題，提高臨時(shí)占地計(jì)算的全面性、準(zhǔn)確性和效率。盡管遙感技術(shù)的進(jìn)步已經(jīng)解決了臨時(shí)占地計(jì)算的許多問題，但在實(shí)際操作過程中依然需要花費(fèi)大量的人力與時(shí)間。與之相反的是，臨時(shí)占地面積的預(yù)測(cè)工具能在最大程度上減少對(duì)人力物力的消耗，并大幅度提高效率。

1.2 多源遙感數(shù)據(jù)與深度學(xué)習(xí)技術(shù)

深度學(xué)習(xí)技術(shù)在人工智能領(lǐng)域蓬勃發(fā)展，極大地推動(dòng)了語音識(shí)別、視覺對(duì)象識(shí)別、目標(biāo)檢測(cè)等領(lǐng)域的進(jìn)步［10］。尤其是在圖像處理領(lǐng)域，深度學(xué)習(xí)技術(shù)與遙感影像的相互融合已廣泛應(yīng)用于目標(biāo)檢測(cè)、土地利用與土地覆蓋分類、場(chǎng)景識(shí)別等多個(gè)關(guān)鍵領(lǐng)域［11-12］。深度學(xué)習(xí)技術(shù)通過整合深度學(xué)習(xí)網(wǎng)絡(luò)提取的特征，在土地利用與土地覆蓋分類的任務(wù)中，顯著提高了對(duì)農(nóng)田、灌木地、草地、不透水面、濕地等不同地面的識(shí)別精度［13］。相較于傳統(tǒng)的機(jī)器學(xué)習(xí)模型，深度學(xué)習(xí)的表現(xiàn)更為出色［14］。然而，盡管在這一領(lǐng)域取得了顯著進(jìn)展，但目前的研究仍面臨一個(gè)明顯的瓶頸，即將多源遙感數(shù)據(jù)與深度學(xué)習(xí)技術(shù)融為一體，并應(yīng)用于新增建設(shè)用地的自動(dòng)檢測(cè)方面，尚未開展系統(tǒng)且全面的研究。

2 預(yù)測(cè)模型

2.1 線性回歸模型

線性回歸模型的擬合原理源自對(duì)已知數(shù)據(jù)線性關(guān)系的探索，通過擬合一條直線來預(yù)測(cè)未知數(shù)據(jù)。多元線性回歸進(jìn)一步深化了這一概念，通過對(duì)多個(gè)自變量和因變量之間復(fù)雜關(guān)系進(jìn)行線性擬合，確定多元線性回歸模型的參數(shù)，并將其回歸到原始的假設(shè)方程中，利用回歸方程準(zhǔn)確預(yù)測(cè)因變量的變化趨勢(shì)。盡管線性回歸模型具有易理解和高速計(jì)算的優(yōu)勢(shì)，但其適用性受到限制，僅適用于線性關(guān)系的數(shù)據(jù)，對(duì)非線性數(shù)據(jù)的表現(xiàn)不佳。當(dāng)數(shù)據(jù)集中存在清晰的線性關(guān)系時(shí)，線性回歸模型能夠提供相對(duì)準(zhǔn)確的預(yù)測(cè)結(jié)果。然而，實(shí)際情況中，數(shù)據(jù)集的復(fù)雜性和非線性關(guān)系普遍存在，導(dǎo)致線性回歸模型在許多情境下的表現(xiàn)不盡如人意。多元線性回歸模型原理如下：設(shè)因變量為y，自變量為[x1， x2，…， xn?1]，e是誤差項(xiàng)，均值為零［15］，共有m組觀察數(shù)據(jù)。則存在的線性關(guān)系見式（1）。

[y=β0+β1x1+β2x2+…+βn?1xn?1+ε]" " " （1）

在確定多元線性回歸模型后，采用最小二乘法估計(jì)未知參數(shù)。根據(jù)最小二乘法來確定觀測(cè)數(shù)據(jù)點(diǎn)與模型擬合線（或超平面）之間的殘差平方和最小化。

在一元線性回歸中，通過使用判斷系數(shù)R2來表示擬合度，具體見式（2）。

[SST=i=1nyi?y2SSR=i=1nyi?y2SSE=i=1nyi?yi2 ] （2）

式中：SST為總離差平方和；SSR為回歸平方和；SSE為殘差平方和。

三者的關(guān)系見式（3）。

[SST=SSR+SSE ]" " "（3）

判定系數(shù)R2的定義見式（4）。

[R2=1?SSESST" " ]" （4）

由此可知，判定系數(shù)R2越小，說明擬合程度越低；判定系數(shù)R2越接近于1，說明擬合程度越高。

2.2 多元多項(xiàng)式回歸模型

多元多項(xiàng)式回歸模型是線性回歸模型的擴(kuò)展，是研究一個(gè)因變量與多個(gè)自變量間多項(xiàng)式的回歸分析方法。在實(shí)際情況中，自變量與因變量的關(guān)系不完全是線性的，多項(xiàng)式回歸問題可以通過變量轉(zhuǎn)換為多元線性回歸問題來解決，其結(jié)構(gòu)見式（5）。

[yi=β0+β1x+β2x2+…+βnxn+ε] （5）

同樣，假設(shè)有p個(gè)樣本，則其矩陣形式見式（6）。

[y=Xβ+?] （6）

其中：[y=y1y2?yp]，[X=1x1x21…xn11x2x22…xn2?1?xp???x2p…xnp]，

[β=β0β1β2?βn]，[?=?0?1?2??p]。

令[x1=x]，[x2]=[x2]，…，[xn=xn]，則原方程改寫為[y=β0+β1x1+β2x2]+[β3x3+]…+[βnxn+ε]，后續(xù)使用有關(guān)線性回歸的方法。此時(shí)，[xn]為[x]的二次變換，線性回歸將[xn]當(dāng)作一個(gè)變量來處理，多元多項(xiàng)式只是為了模型特征并沒有改變線性回歸擬合模型的方式。

2.3 支持向量機(jī)（SVM）模型

支持向量機(jī)理論（SVM）最早由統(tǒng)計(jì)學(xué)而來，是一種二元線性分類器。1992 年，由 BernhardE. Boser、Isabelle M. Guyon 和 Vapnik 提出了該方法，該函數(shù)的引入使得支持向量機(jī)理論可用于解決非線性分類問題［16］。支持向量機(jī)本質(zhì)上為二分類器，當(dāng)處理多分類問題時(shí)，則對(duì)其算法進(jìn)行改進(jìn)，支持向量機(jī)通過找到一個(gè)最優(yōu)超平面來進(jìn)行數(shù)據(jù)分類或回歸預(yù)測(cè)，對(duì)高維數(shù)據(jù)和非線性數(shù)據(jù)有較好的處理能力，但是對(duì)大規(guī)模數(shù)據(jù)集的訓(xùn)練時(shí)間較長，對(duì)參數(shù)的選擇敏感［17］。

SVM學(xué)習(xí)的基本思路是找到一個(gè)能夠正確劃分訓(xùn)練數(shù)據(jù)集，并使幾何間隔最大化地分離超平面。在線性可分的情況下，存在許多能夠?qū)?shù)據(jù)正確分開的超平面（即感知機(jī)），但是幾何間隔最大的超平面卻是唯一的。

在給定一個(gè)測(cè)試樣本后，發(fā)現(xiàn)決策邊界兩側(cè)的樣本點(diǎn)離決策邊界越遠(yuǎn)，分類效果就越好。向量a1與向量a2稱為支持向量，SVM嘗試尋找一個(gè)最優(yōu)決策邊界，使得距離兩個(gè)類別的最近樣本點(diǎn)最遠(yuǎn)。在找到最優(yōu)邊界后，支持向量到最優(yōu)邊界向量的垂直距離與邊界點(diǎn)所在的支持向量到最優(yōu)邊界向量的垂直距離相等，并記作d，見式（7）。

m[argin=2d ]" "（7）

支持向量機(jī)SVM用于分類上述樣本，要求最大化margin。當(dāng)上述的樣本點(diǎn)能確定線性邊界時(shí)，則被稱為線性可分，此時(shí)的SVM模型可稱為Hard Margin SVM；當(dāng)劃分的邊界為非線性，則為Soft Margin SVM，此時(shí)劃分的數(shù)據(jù)集多為線性不可分。由于margin=2d，則最大距離margin的搜索問題轉(zhuǎn)為搜索最大d值問題。與Hard Margin SVM相反的是Soft Margin SVM，在數(shù)據(jù)集線性不可分的情況下使用。Soft Margin SVM允許一些樣本點(diǎn)位于margin內(nèi)部或者被錯(cuò)誤分類，通過引入一個(gè)懲罰參數(shù)C來權(quán)衡margin的大小和誤分類的程度，從而實(shí)現(xiàn)對(duì)線性不可分?jǐn)?shù)據(jù)的分類。Soft Margin SVM的優(yōu)點(diǎn)是對(duì)噪聲數(shù)據(jù)具有一定的魯棒性，缺點(diǎn)是模型的選擇比較依賴于參數(shù)C的選擇，易受到參數(shù)選擇的影響。在實(shí)際應(yīng)用中，為了找到最大的margin，問題可轉(zhuǎn)化為搜索最大間隔距離d。通過優(yōu)化算法（如SMO算法）求解這個(gè)最優(yōu)化問題，并找到最佳的超平面，從而實(shí)現(xiàn)對(duì)樣本的分類。

2.4 BP神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)元（Artificial Neuron）是構(gòu)成人工神經(jīng)網(wǎng)絡(luò)的基本單元，其設(shè)計(jì)靈感來源于生物神經(jīng)元的結(jié)構(gòu)和功能［18］。人工神經(jīng)元可以通過特定的排列和連接方式組成更復(fù)雜的網(wǎng)絡(luò)以實(shí)現(xiàn)各種輔助功能。這種網(wǎng)絡(luò)結(jié)構(gòu)既可以模擬出線性模型，也可以模擬出線性回歸無法完成的非線性模型。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程本質(zhì)上是通過不斷迭代，將預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的誤差反饋給網(wǎng)絡(luò)中的神經(jīng)元，通過調(diào)整連接權(quán)重來提高預(yù)測(cè)準(zhǔn)確率。這種訓(xùn)練方法稱為誤差反向傳播算法（Error Back Propagation Training），簡(jiǎn)稱為BP神經(jīng)網(wǎng)絡(luò)［19］。

BP神經(jīng)網(wǎng)絡(luò)是一種經(jīng)過誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)［20］。BP神經(jīng)網(wǎng)絡(luò)具有存儲(chǔ)和學(xué)習(xí)大量輸入輸出數(shù)據(jù)的能力，不用描述變量之間的映射關(guān)系，直接利用輸入輸出數(shù)據(jù)進(jìn)行建模。這使得BP神經(jīng)網(wǎng)絡(luò)在處理非線性系統(tǒng)時(shí)具有很強(qiáng)的模擬能力。通過調(diào)整網(wǎng)絡(luò)中的連接權(quán)值并利用誤差逆?zhèn)鞑ニ惴▉聿粩鄡?yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，BP神經(jīng)網(wǎng)絡(luò)能夠?qū)?fù)雜的非線性系統(tǒng)進(jìn)行有效的建模和預(yù)測(cè)。與傳統(tǒng)的線性模型相比，BP神經(jīng)網(wǎng)絡(luò)能夠更好地處理非線性關(guān)系，對(duì)于復(fù)雜和不確定性較高的系統(tǒng)具有更好的適應(yīng)性和泛化能力。此外，BP神經(jīng)網(wǎng)絡(luò)還具有很強(qiáng)的自學(xué)習(xí)能力，能夠迅速找到未知數(shù)據(jù)集的最優(yōu)解。

然而，BP神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)量較小或特征較簡(jiǎn)單的情況下容易出現(xiàn)過擬合現(xiàn)象。過擬合是指機(jī)器學(xué)習(xí)模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)過于優(yōu)秀，但在未見過的數(shù)據(jù)上卻表現(xiàn)較差。造成過擬合的原因是網(wǎng)絡(luò)過于復(fù)雜，導(dǎo)致模型過度適應(yīng)了訓(xùn)練數(shù)據(jù)的噪聲或特定特征，使模型忽略了數(shù)據(jù)的真正規(guī)律。在實(shí)際應(yīng)用中，需要謹(jǐn)慎選擇BP神經(jīng)網(wǎng)絡(luò)模型的參數(shù)和結(jié)構(gòu)，以免出現(xiàn)過擬合問題。BP神經(jīng)網(wǎng)絡(luò)算法如圖1所示。

3 實(shí)例分析

湖北省地處中國中部地區(qū)，位于秦嶺——淮河線以南?，轄12個(gè)地級(jí)市、1個(gè)自治州、4個(gè)省直轄縣級(jí)行政區(qū)。湖北省地勢(shì)大致為東、西、北三面環(huán)山，中間低平，略呈向南敞開的不完整盆地。西北為秦

嶺東延部分武當(dāng)山脈和大巴山的東段神農(nóng)架、荊山、巫山組成的山地，最高峰神農(nóng)頂海拔為3 106.2 m；西南為云貴高原的東北延伸部分山地，主要有大婁山和武陵山；東北為綿亙于豫、鄂、皖邊境的桐柏山—大別山脈山地，呈北西—南東走向；東南為蜿蜒于湘、鄂、贛邊境的幕阜山脈山地，略呈西南—東北走向。

湖北省承東啟西、連南接北的地理位置使其成為電力資源南北互濟(jì)的樞紐、“西電東送”的重要通道、全國聯(lián)網(wǎng)的中心。同時(shí)，湖北省因其地形地貌也是全國水土流失嚴(yán)重的省份之一，也因其地理位置成為生態(tài)環(huán)境保護(hù)的重點(diǎn)區(qū)域，對(duì)于保護(hù)生態(tài)環(huán)境、實(shí)現(xiàn)可持續(xù)發(fā)展具有重要意義［21］。由于湖北省三面環(huán)山，湖北省恩施土家族苗族自治州、十堰市、宜昌市、襄陽市、荊門市、隨州市、咸寧市、黃岡市、黃石市、神農(nóng)架地區(qū)位于土石山區(qū)，地勢(shì)陡峭，土質(zhì)松軟，是湖北省水土流失防治重點(diǎn)區(qū)域。湖北省地形示意如圖2所示。

本研究收集了湖北省220 kV及以上等級(jí)的輸變電工程資料，從工程的宏觀層面（包括施工場(chǎng)地地形分類、土地利用類型、工程性質(zhì)）和工程具體施工層面對(duì)變電工程相關(guān)的臨時(shí)占地影響因子按照工程特點(diǎn)進(jìn)行分區(qū)討論。同時(shí)，梳理并分析了影響臨時(shí)占地面積的組成因素及特征，根據(jù)不同的特征特點(diǎn)統(tǒng)計(jì)特征因子，對(duì)影響臨時(shí)占地因素進(jìn)行綜合統(tǒng)計(jì)與分類，形成較為完善的湖北省220 kV及以上等級(jí)的輸變電工程臨時(shí)占地影響因子集。建立了地類（地形地貌、土地利用類型）、工程性質(zhì)（電流類型、電壓類型、工程類型）、塔基區(qū)、跨越施工場(chǎng)地區(qū)、牽張場(chǎng)、施工道路、站外設(shè)施區(qū)、施工生產(chǎn)生活區(qū)等影響因子［22］。為了對(duì)各個(gè)影響因子進(jìn)行綜合評(píng)估，建立了四種不同的臨時(shí)占地預(yù)測(cè)模型，并對(duì)模型的訓(xùn)練情況進(jìn)行評(píng)估。

訓(xùn)練時(shí)從總的工程數(shù)目中隨機(jī)取出80%作為訓(xùn)練數(shù)據(jù)，剩下的20%作為驗(yàn)證樣本。每次只隨機(jī)一次，所有的模型均采用這一次分配的結(jié)果。臨時(shí)占地影響因子見表1。

在預(yù)測(cè)時(shí)，以均方誤差（MSE）、均方根誤差（RMSE）、回歸決定系數(shù)（R2）、中位數(shù)絕對(duì)偏差（MAD）和平均絕對(duì)值誤差（MAE）作為評(píng)估指標(biāo)，對(duì)預(yù)測(cè)結(jié)果進(jìn)行綜合評(píng)估。指標(biāo)的計(jì)算見式（8）至式（12）。

[MSE=1mi=1m（yi?yi）2 ]" " "（8）

[RMSE=1mi=1m（yi?yi）2 ]" " （9）

[R2=1?SSresidualSStotal ]" （10）

[MAD=yi?yin ]" （11）

[MAE=1mi=1myi?yi]" （12）

3.1 多元線性回歸預(yù)測(cè)

多元線性回歸預(yù)測(cè)評(píng)估數(shù)據(jù)見表2。這些指標(biāo)在預(yù)測(cè)結(jié)果與實(shí)際值之間存在差異時(shí)會(huì)有相應(yīng)的值，當(dāng)預(yù)測(cè)值與實(shí)際值完全一致時(shí)，MSE、RMSE、MAD、MAE的值都為0，表明預(yù)測(cè)效果完美。此外，當(dāng)預(yù)測(cè)值與實(shí)際值完全吻合時(shí)，R2等于1。因此，R2值越接近于1，說明預(yù)測(cè)效果就越好。多元線性回歸預(yù)測(cè)如圖3所示。由圖3可知，預(yù)測(cè)結(jié)果與實(shí)際案例結(jié)果符合程度較好，基本可以準(zhǔn)確預(yù)測(cè)。但受到較為復(fù)雜的數(shù)據(jù)集影響，其MAD值和MAE值偏大，無法應(yīng)用于較為復(fù)雜的系統(tǒng)，對(duì)實(shí)際應(yīng)用有很大限制。此外，多元線性回歸模型在處理多重共線性或異常值等問題時(shí)也可能表現(xiàn)不佳，這些因素都會(huì)影響到模型的穩(wěn)定性和準(zhǔn)確性?？偟膩碚f，多元線性回歸在處理復(fù)雜數(shù)據(jù)集時(shí)，其表現(xiàn)受到較大限制。由于臨時(shí)占地影響因子較多，數(shù)據(jù)集中往往包含大量變量之間的非線性關(guān)系、多重共線性和異常值等問題，這些因素會(huì)使多元線性回歸模型的預(yù)測(cè)能力下降。此外，多元線性回歸模型對(duì)數(shù)據(jù)的要求較高，需要滿足一系列假設(shè)條件，如誤差項(xiàng)的獨(dú)立同分布、自變量之間不存在嚴(yán)重共線性等，而這些條件在實(shí)際數(shù)據(jù)中往往難以滿足。因此，多元線性回歸模型難以滿足實(shí)際臨時(shí)占地預(yù)測(cè)需要。

3.2 多元多項(xiàng)式回歸預(yù)測(cè)

多項(xiàng)式回歸模型選擇Polynomial Linear Regression Model，采用四次多項(xiàng)式。多元多項(xiàng)式回歸預(yù)測(cè)評(píng)估數(shù)據(jù)見表3。多元多項(xiàng)式回歸預(yù)測(cè)如圖4所示。由表3和圖4可知，預(yù)測(cè)結(jié)果與實(shí)際案例結(jié)果符合程度一般，其MSE與RMSE值均偏大，并且R2較小，整體預(yù)測(cè)水平較差。

3.3 支持向量機(jī)（SVM）預(yù)測(cè)

SVM預(yù)測(cè)模型的訓(xùn)練采用線性核函數(shù)和多項(xiàng)式回歸模型。線性核函數(shù)適用于線性可分的數(shù)據(jù)集，可以在較簡(jiǎn)單的情況下提供良好的預(yù)測(cè)結(jié)果；多項(xiàng)式回歸模型則更適用于處理具有一定非線性關(guān)系的數(shù)據(jù)集，能夠更好地?cái)M合復(fù)雜的數(shù)據(jù)特征。支持向量機(jī)回歸預(yù)測(cè)評(píng)估數(shù)據(jù)見表4。支持向量機(jī)回歸預(yù)測(cè)如圖5所示。由表4和圖5可知，預(yù)測(cè)結(jié)果與實(shí)際案例結(jié)果的符合程度較好，基本可以準(zhǔn)確預(yù)測(cè)。然而，模型在某些情況下存在一定的偏差，即MAE值較高，R2值較小，這可能是模型在處理復(fù)雜數(shù)據(jù)集時(shí)未能很好地捕捉數(shù)據(jù)間的非線性關(guān)系或者存在一些未考慮到的因素所導(dǎo)致的。此外，SVM預(yù)測(cè)模型的訓(xùn)練時(shí)間較長，這給實(shí)際應(yīng)用帶來了一定的不便，特別是在需要實(shí)時(shí)預(yù)測(cè)的場(chǎng)景下可能無法滿足需求。雖然SVM模型在一定條件下表現(xiàn)出了較好的預(yù)測(cè)效果，但在處理復(fù)雜數(shù)據(jù)集和實(shí)時(shí)預(yù)測(cè)方面仍存在一定的挑戰(zhàn)。

3.4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

BP神經(jīng)網(wǎng)絡(luò)處理復(fù)雜的非線性數(shù)據(jù)具有很強(qiáng)的擬合能力，但在數(shù)據(jù)量較小或特征較簡(jiǎn)單的情況下可能會(huì)出現(xiàn)過擬合現(xiàn)象。綜合考慮模型擬合時(shí)長和驗(yàn)證有效性等因素，本研究使用的BP神經(jīng)網(wǎng)絡(luò)設(shè)置的模型迭代次數(shù)為1 000次，驗(yàn)證百分比為20%，激活函數(shù)為ReLU。設(shè)置對(duì)比模型的模型深度、模型學(xué)習(xí)率，以驗(yàn)證模型擬合能力和效果。不同學(xué)習(xí)率BP神經(jīng)網(wǎng)絡(luò)回歸預(yù)測(cè)評(píng)估數(shù)據(jù)見表5。不同學(xué)習(xí)率BP神經(jīng)網(wǎng)絡(luò)回歸預(yù)測(cè)如圖6所示。由表5和圖6可知，學(xué)習(xí)率越小，均方誤差（MSE）越接近0，將學(xué)習(xí)率設(shè)定為0.001時(shí)，數(shù)據(jù)均方誤差最接近0，擬合時(shí)長和擬合度均最佳。

當(dāng)學(xué)習(xí)率設(shè)定為0.001時(shí)，不同模型深度BP神經(jīng)網(wǎng)絡(luò)回歸預(yù)測(cè)評(píng)估數(shù)據(jù)見表6。不同模型深度BP神經(jīng)網(wǎng)絡(luò)回歸預(yù)測(cè)如圖7所示。由表6和圖7可知，當(dāng)模型深度為50時(shí)，MSE較小，R2值較大。

經(jīng)過上述分析，本研究神經(jīng)網(wǎng)絡(luò)回歸預(yù)測(cè)模型設(shè)置學(xué)習(xí)率設(shè)定為0.001、隱藏層為50。BP神經(jīng)網(wǎng)絡(luò)回歸預(yù)測(cè)評(píng)估數(shù)據(jù)見表7。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)如圖8所示。由表7和圖8可知，預(yù)測(cè)結(jié)果與實(shí)際案例結(jié)果相比符合程度很好，可以進(jìn)行準(zhǔn)確預(yù)測(cè)。

3.5 不同模型對(duì)比結(jié)果

通過多元線性回歸模型、四次多項(xiàng)式線性回歸模型、支持向量機(jī)（SVM）模型、BP神經(jīng)網(wǎng)絡(luò)模型等多種工具進(jìn)行輸變電工程臨時(shí)占地范圍模型預(yù)測(cè)擬合實(shí)際臨時(shí)占地范圍對(duì)比實(shí)驗(yàn)，對(duì)比四種模型預(yù)測(cè)結(jié)果的均方誤差（MSE）、均方根誤差（RMSE）、回歸決定系數(shù)（R2）、中位數(shù)絕對(duì)偏差（MAD）和平均絕對(duì)值誤差（MAE）評(píng)估指標(biāo)，不同模型預(yù)測(cè)結(jié)果見表8。

由表8可知，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的均方誤差（MSE）、均方根誤差（RMSE）、平均絕對(duì)值誤差（MAE）、中位數(shù)絕對(duì)偏差（MAD）均是四種模型中最低的，這表明了BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與臨時(shí)用地實(shí)際占地范圍之間的差異最小，模型的擬合效果最好。同時(shí)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的回歸決定系數(shù)（R2）在四種模型預(yù)測(cè)中最接近1，這也表明了四種模型中BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的擬合效果最好，證明了其在擬合復(fù)雜數(shù)據(jù)上的優(yōu)勢(shì)。另外，由于BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式，通過不斷訓(xùn)練，模型的準(zhǔn)確度將逐漸提高，這意味著即使在面對(duì)更加復(fù)雜的數(shù)據(jù)集時(shí)，BP神經(jīng)網(wǎng)絡(luò)也有望取得更好的預(yù)測(cè)效果。

綜上所述，BP神經(jīng)網(wǎng)絡(luò)在占地預(yù)測(cè)方面展現(xiàn)了明顯的優(yōu)勢(shì)，其強(qiáng)大的擬合能力使其能夠有效處理復(fù)雜的非線性數(shù)據(jù)，通過合理設(shè)置隱藏層、輸出層以及參數(shù)配置，BP神經(jīng)網(wǎng)絡(luò)能夠在占地預(yù)測(cè)中取得較高的準(zhǔn)確性。尤其是在數(shù)據(jù)量較大、特征較復(fù)雜的情況下，BP神經(jīng)網(wǎng)絡(luò)能夠更好地適應(yīng)并捕捉數(shù)據(jù)中的非線性關(guān)系，提供更可靠的預(yù)測(cè)結(jié)果。此外，BP神經(jīng)網(wǎng)絡(luò)還具有自我學(xué)習(xí)和優(yōu)化的能力，通過不斷訓(xùn)練，模型的準(zhǔn)確度可以逐步提高，進(jìn)一步增強(qiáng)了其在占地預(yù)測(cè)中的應(yīng)用價(jià)值。因此，BP神經(jīng)網(wǎng)絡(luò)在占地預(yù)測(cè)領(lǐng)域具有廣闊的應(yīng)用前景，有望為輸變電工程等領(lǐng)域提供高效、準(zhǔn)確的占地預(yù)測(cè)方案。

4 結(jié)語

綜合而言，不同的數(shù)據(jù)預(yù)測(cè)方法各具優(yōu)點(diǎn)和不足。在實(shí)際應(yīng)用中，選擇合適的方法需要根據(jù)具體的問題和數(shù)據(jù)特點(diǎn)進(jìn)行綜合評(píng)估。在臨時(shí)占地范圍控制輔助決策的實(shí)際應(yīng)用中，通過多元線性回歸模型、四次多項(xiàng)式線性回歸模型、支持向量機(jī)（SVM）模型、BP神經(jīng)網(wǎng)絡(luò)模型回歸等多種工具進(jìn)行輸變電工程臨時(shí)占地范圍模型預(yù)測(cè)擬合實(shí)際臨時(shí)占地范圍對(duì)比實(shí)驗(yàn)，最終選定BP神經(jīng)網(wǎng)絡(luò)模型作為主要的預(yù)測(cè)工具。研究結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型在精準(zhǔn)度和實(shí)際應(yīng)用方面表現(xiàn)出色，該模型能夠處理復(fù)雜的非線性數(shù)據(jù)，并具有較強(qiáng)的擬合能力，適用于對(duì)臨時(shí)占地范圍進(jìn)行準(zhǔn)確預(yù)測(cè)。通過持續(xù)的學(xué)習(xí)過程，BP神經(jīng)網(wǎng)絡(luò)模型有望為輸變電工程提供高度準(zhǔn)確的臨時(shí)占地面積預(yù)測(cè)，從而在項(xiàng)目規(guī)劃和實(shí)施中發(fā)揮重要作用。這一創(chuàng)新方法將有助于臨時(shí)占地面積的精確預(yù)測(cè)，為輸變電工程項(xiàng)目提供更可靠的支持。同時(shí)，該方法的成功應(yīng)用還為其他領(lǐng)域的數(shù)據(jù)預(yù)測(cè)和決策提供有益的借鑒，促進(jìn)相關(guān)領(lǐng)域的發(fā)展和進(jìn)步。

參考文獻(xiàn)：

［1］姚琳， 于志勇， 祝曉峰. 輸變電工程施工臨時(shí)占地水土保持分析［J］. 水資源開發(fā)與管理， 2021（12）：68-72.

［2］朱克勤. 輸變電工程的環(huán)境影響評(píng)價(jià)與管理研究［D］. 天津：天津工業(yè)大學(xué)， 2019.

［3］陳忠霞. 輸變電工程系統(tǒng)性成本管理模式的構(gòu)建與評(píng)價(jià)［D］.烏魯木齊：新疆大學(xué)， 2020.

［4］石垚， 王如松， 黃錦樓， 等. 中國陸地生態(tài)系統(tǒng)服務(wù)功能的時(shí)空變化分析［J］. 科學(xué)通報(bào)， 2012， 57（9）： 720-731.

［5］金秋含. 基于高分影像的鐵路建設(shè)臨時(shí)占地監(jiān)測(cè)研究 ［D］. 蘭州：蘭州交通大學(xué)， 2019.

［6］黃志元， 劉寶華， 崔星怡， 等. 輸變電工程對(duì)土壤環(huán)境的影響及其防控［J］. 農(nóng)業(yè)資源與環(huán)境學(xué)報(bào)， 2019， 36（5）： 561-569.

［7］蔡萱， 石劍波， 張瑩， 等. 湖北省輸變電工程水土流失特征研究［J］. 水電與新能源， 2019， 33（6）： 57-62.

［8］牛光輝， 陳紹宇， 譚曉， 等. 生產(chǎn)建設(shè)項(xiàng)目水土保持工程中土地復(fù)墾工程的界定［J］. 中國水土保持， 2012 （1）： 58-60.

［9］陳曉琳， 何清懷， 張?bào)w強(qiáng)， 等. 涉及自然保護(hù)區(qū)輸變電工程的全過程環(huán)境保護(hù)管理［J］. 四川環(huán)境， 2020， 39（1）： 159-163.

［10］張書豪， 董四清， 羅兆楠， 等. 北斗和遙感技術(shù)在特高壓交流輸變電工程地質(zhì)災(zāi)害預(yù)警中的應(yīng)用研究［J］. 地理信息世界， 2016， 23（3）： 97-102.

［11］張澤瑞， 劉小平， 張鴻輝， 等. 基于深度學(xué)習(xí)與多源遙感數(shù)據(jù)的 新增建設(shè)用地自動(dòng)檢測(cè)［J］. 中山大學(xué)學(xué)報(bào)（自然科學(xué)版）（中英文）， 2022， 61（2）：28-37.

［12］馮權(quán)瀧， 牛博文， 朱德海， 等. 土地利用/覆被深度學(xué)習(xí)遙感分類研究綜述［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（3）： 1-17.

［13］劉大偉， 韓玲， 韓曉勇. 基于深度學(xué)習(xí)的高分辨率遙感影像分類研究［J］. 光學(xué)學(xué)報(bào)， 2016，36（4）：306-314.

［14］李澤文， 鄒彬， 趙廷， 等. 基于偏最小二乘回歸的高精度同步時(shí)鐘［J］. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)， 2019， 31（1）： 1-6.

［15］卞穎. 基于深度學(xué)習(xí)的圖像檢索技術(shù)研究［D］. 成都：電子科技大學(xué)， 2017.

［16］林香亮， 袁瑞， 孫玉秋， 等. 支持向量機(jī)的基本理論和研究進(jìn)展［J］. 長江大學(xué)學(xué)報(bào)（自科版）， 2018， 15（17）： 48-53.

［17］向昌盛. 基于支持向量機(jī)的時(shí)間序列組合預(yù)測(cè)模型［D］. 長沙： 湖南農(nóng)業(yè)大學(xué)， 2011.

［18］趙姚陽， 濮勵(lì)杰， 胡曉添. BP 神經(jīng)網(wǎng)絡(luò)在城市建成區(qū)面積預(yù)測(cè)中的應(yīng)用：以江蘇省為例［J］. 長江流域資源與環(huán)境， 2006（1）： 14-18.

［19］劉英華. 基于主成分分析與 BP 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)［J］. 激光雜志， 2015 ，36（6）： 151-153，157.

［20］孫志軍， 薛磊， 許陽明，等. 深度學(xué)習(xí)研究綜述［J］. 計(jì)算機(jī)應(yīng)用研究， 2012， 29（8）： 2806-2810.

［21］王潔，付桂琴，武輝芹，等. 冀北電網(wǎng)災(zāi)害事故的時(shí)空分布特征及風(fēng)險(xiǎn)評(píng)價(jià)［J］. 干旱氣象， 2018， 36（5）： 879-883.

［22］劉承佳，鄭樹海，李莉，等. 特高壓直流輸電線路工程建設(shè)過程中臨時(shí)占地范圍探討［J］. 中國水土保持， 2020（4）： 24-27.