人工神经网络模型在河流减水河段景观质量评价中的应用

彭金涛，王 莉, 杨玖贤，姜跃良

(中国水电顾问集团成都勘测设计研究院，四川 成都 610072)

1 前 言

河流是人类文明的发祥地，为人类活动提供了丰富的饮用水、工业用水和灌溉用水水源，同时也是大量动植物、微生物的栖息生境和迁徙走廊。随着社会的进步、人类精神文化需求的不断提高，河流作为一项重要的景观资源也越来越为人们所重视，但同时又在很大程度上受人类活动的干扰。

由于河流景观及其要素影响的是人的视觉，其过程复杂，涉及心理学和美学的范畴，因而难以统一而确切地对河流景观质量进行评价。在景观评价上，目前已形成一些影响广泛的理论学派，大致可分为专家学派、心理物理学派、认知学派和经验学派四类[1]。基于风景审美是风景和人之间共同作用的过程，心理物理学派认为人们对风景的审美评判(风景质量)是可以通过风景的自然要素来预测和定量的，其目的是为了建立反映这种主客观作用的关系模型。心理物理学方法是各种风景评价方法中最严格、可靠性最好的一种方法。Daniel等就用诸如林木的胸径，朽木、倒木的多少，下层灌木及地被的多少等7个因素来预测西黄松林分的风景质量(美景度)；Buhyoff等人着重对远景风景进行研究，其仍以公众的平均审美评判作为应变量，以峻山在照片上所占的面积、远景森林所占的面积等作为自变量，建立多元回归方程；有许多研究都证明了不同风景评价者及团体之间存在着高度的一致性，又由于该方法把审美态度测量同风景成分的定量分析结合起来，实现用数字模型来评价和预测风景质量，而且本身具有一整套的检验方法，使该风景评价方法具有很高的灵敏性[2]。

景观质量评价无论采用什么方式建模，都存在两个方面的难点：(1)如何选定具有效力的景观构成要素；(2)如何将定性的景观构成要素评价转化为定量的评价[3]。目前，景观评价多采用的方法有景观综合评价指数法、模糊综合评价法，还有提出了愉悦、公众利益、生态三位一体的景观评价体系[4]。景观要素或因子与景观质量的关系具有很多的模糊性与主观性，而人工神经网络正是依据于人脑判断能力而建立的一种模型，该模型能较好地用于模糊问题的预测评价[5]。因此本文参照风景评价的心理物理学方法的一般过程[6]，对人工神经网络在河流景观质量评价中的应用进行研究，构建适用于引水式开发电站减水河段的景观质量评价模型，运用该模型研究河道在减水情况下的景观质量变化情况。

2 人工神经网络基本原理

人工神经网络是人类在对生物神经网络认识理解的基础上，人工构造能够实现某种功能的智能仿生动态网络。它是理论化的人脑神经网络的数学模型，是一个高度非线性的网络体系，具有十分强的自适应、自学习能力，常运用在对模糊的、复杂的关系处理上。在模式识别和图像处理方面，可应用人工神经网络实现手写字体识别、语音识别及图像压缩等处理；在控制和优化方面，可应用人工神经网络实现化工过程控制、机器人运动控制等；在预报与智能信息管理方面，可应用人工神经网络进行地震预报、借贷风险分析、影响预测及交通管理等。另外，人工神经网络在自适应与空间科学中也有应用。实践证明，一个三层的BP网络能逼近任意精度的函数，可以运用人工神经网络进行预测，其精确度高[5]。

人工神经网络模型的基本单元为神经元，这些单元通过一定的拓扑结构和算法建立输入与输出的高度非线性关系。其数学表达式为：

(1)

图1 BP神经网络拓扑结构

其中f为传递函数 (激励函数或特性函数)，一般可采用线性函数、阈值函数、S型函数、双曲正切函数。

BP神经网络是一种误差反向传播的多层前馈人工神经网络，由输入层、隐含层(一层或多层)和输出层组成，各层之间无反馈连接，各层内神经元之间无连接，仅相邻层神经元之间有连接。BP神经网络拓扑结构如图1所示，图中x表述输入，y表述输出。该网络的输入和输出之间是高度非线性映射关系。

BP神经网络中推理过程分两个阶段：一个为学习阶段，即神经元之间连接权的调整，使学习样本经过BP神经网络计算逼近教师样本；另一阶段为BP网络的推理运用阶段，在该阶段将实现神经网络的仿真计算，从而使其具有解决某种问题的能力。

3 减水河段景观质量评价模型

3.1 模型建立过程

参照心理物理学派建立风景(或景观)评价模型的一般过程[6]，建立基于人工神经网络的减水河段景观质量评价模型包括三部分内容：(1)测定公众的审美态度，即获得美景度量值；(2)将景观进行要素分解并测定各要素量值；(3)通过人工神经网络建立美景度与各要素之间的关系模型。具体步骤如下：

(1)景观评价样地的布设与调查。根据对四川省内已建引水式电站的调查研究，选择岷江干流吉鱼至映秀电站、杂谷脑河红叶二级至薛城电站之间的各电站的减水河段作为景观样本取地，对较大范围暴露于公路视野的河段、沿河有较大居民点的河段，以及在河道宽阔和河谷开阔处拍摄照片。

(2)评价照片的选取。结合人工神经网络模型对训练样本的要求，同时为了本研究的需要，在前述获得的景观图片及水文测量资料的基础上，选择河流枯水期(12月份)和平水期(4月)共100张照片，作为建立人工神经网络模型的样本。

(3)评判者的选择。本次评价选择非专业的一般游客6人，风景、环境方面的专家4人，利用打分的方法，对以上所选100张图片的景观质量进行评分。

(4)评判的方式。将公众对河流景观的评判分为很差、较差、一般、较好、很好五个优劣程度上的等级，假设该优劣程度和(0.1,1)范围内的取值是线性映射关系，五个等级分别在(0, 0.2]、(0.2,0.4]、(0.4, 0.6]、(0.6,0.8]、(0.8,1)区间上取值。

将前述选择的100张照片编号排列于WORD之中，其中还包括对图片的简单说明和评分要求，发给各评判者，要求评判者根据景观优劣程度在0.1～0.9之间评分取值，小数点后取一位。因为公众评价存在主观性和模糊性，对某些细小的景观质量差别不敏感，以(0.1,0.9)区间上的评分取值方法一定程度上弱化了公众对景观质量差别的判断，同时考虑了0或1这种往往在实际中不存在的极端情况。这种评分方式较合理。

(5)获取景观质量公众评分值。综合评判者的打分情况，对专家评分均值和一般游客评分均值各取0.5的权重进行加权计算，得到景观质量公众评分值。由于专家人数比例小，在景观质量公众评分值中专家评分所占的权重实际上较大，这从一定程度上考虑了专家意见的可靠性，也在一定程度上反映了河流的生态、环境功能。

(6)将景观要素进行分解，并测定各个要素值。根据对大量图片呈现的河流景观的综合分析及人工神经网络试算，得出了主要、合理的景观要素。最终确定六个要素：图片中水面面积占河道面积的比例、河道在图片中的比例、水色、周围植被类型、植被色彩、河岸河滩形态。

前两个要素可直接通过测量的方法得到，有很高的精度；后四个要素根据描述性分级进行选取，分为差、一般、好三个等级，分别对应在(0.1,0.4)、[0.4,0.6]、(0.6,09)三个区间上取值，其取值是直接依据于照片所呈现出的色彩、形式和范围而定，具有相对性，更多地是反映风景美景度的优劣程度。

(7)运用人工神经网络建立景观质量评分值和各个要素间的关系模型。要求模型具有较好的收敛性能和泛化能力，即能快速达到收敛，同时有很好的预测性能，能较好地预测减水河段其他情形下的景观质量。本文基于MATLAB6.5提供的人工神经网络模型构建环境[7]，建立减水河段景观质量评价的BP神经网络模型，实现网络的训练及模拟。

(8)运用建立好的人工神经网络模型，预测评价减水河段其他状态下的景观质量，同河段内的流量或其他表征流量的因子建立关系，从而能进一步分析研究流量变化所引起的景观质量变化情况。

3.2 人工神经网络拓扑结构

本文建立了一个3层BP网络模型(含1个隐层)。输入层有6个神经元，对应6个景观要素，即水面在河道中的比例、河道在图片中的比例、水色、周围植被类型、植被色彩、河岸河滩形态；隐含层有13个神经元；输出层有1个神经元，对应景观质量评价值。该人工神经网络的模型结构见图2。

图2 人工神经网络模型结构

其中，隐层的神经元数目一般可按下式估算，并通过比较试算得到：

(2)

式中nH——隐含层神经元数目；

n1——输入层神经元数目；

n0——输出层神经元数目；

l——1～20之间的整数。

3.3 样本选择与标准化处理

选择3.1节介绍所得的各景观要素取值及景观质量公众评分值共100组数据作为模型计算样本，对样本进行标准化处理。标准化处理方法为：

(3)

式中u——样本s的平均值;

smax和smin——分别为样本的最大和最小值。

标准化后的数据一般集中分布在0附近。

为避免网络的过度拟合，本文采用提前停止的训练方法，将标准化后的样本划分为人工神经网络的训练样本、测试样本和验证样本，划分比例为2∶1∶1，即获得训练样本50组，测试样本和验证样本各25组。

3.4 网络模型的参数及算法

本模型各层间均采用S型正切函数为传递函数，采用梯度下降动量的学习函数，以样本均方差为控制的性能函数进行计算。计算过程见以上介绍的BP算法。

3.5 网络模型的训练及收敛性

利用标准化处理后的样本对网络进行训练，训练采用提前停止控制，防止过度拟合。经过12步的训练，得到了一个收敛性较好的网络模型。训练结果见图3。

训练的目标设置为样本均方差小于0.001，模型实际收敛到均方差为0.0025，十分接近目标，但同时由于测试样本的均方差增大，训练提前停止。从各点误差来看，训练结果同实际值已相当接近，因此该网络模型的收敛性很好。

3.6 模型的泛化能力

运用前述划分的25组验证样本，对模型的泛化能力进行考察。在训练好的网络模型中，输入这25组各景观质量要素取值，通过网络模拟计算其输出。计算得到的景观质量评价模拟值与实际测试值(公众质量评分值)情况见图4。计算各点绝对误差的绝对值均小于0.13，该差别几乎不反映景观质量程度变化，即预测值与咨询公众评分的测试值拟合的很好。

进一步研究模拟的相对误差情况可得，该输出平均相对误差为12%，有5个点的相对误差在25%以上，其余点相对误差均在15%以下。这说明除少数点外，预测值与实测值相符性很好。通过分析发现，计算相对误差较大所对应的河道断面处于断流或大流量两种极端情况下。和公众评分相比，断流时模拟值较大，大流量时模拟值较小，说明模型在这两种极端情况下具有不可靠性。另外，可能与流水浑浊、周围色彩灰暗相关，在这种情况下景观质量评价值较小，计算偏差较灵敏，但从绝对误差来看，计算偏差不大于一个景观质量变化程度范围。忽略这5个点的误差后，得到的平均相对误差为7.8%。因此，该人工神经网络模型具有较好的泛化能力，其模拟或预测结果精确度高，可以作为减水河段景观质量的预测评价方法。

图3 人工神经网络训练结果

图4 人工神经网络模拟结果

3.7 模型分析

一般地，河道内流量越大，河道水面积越大，流速越大，水体颜色更富于层次感，河流展现的连续性和生动性越好，河流的视觉景观越好。以上建立的网络模型，水面在河道中的比例、河道在图片中的比例和水色可反映出河流流动性、连续性和水的亲和性。因此，当流量发生变化时，本模型的各输入要素将发生一定的变化，通过模型计算可实现对该变化情况下河流的景观质量进行预测。

以上的网络模型是基于测量图片的景观要素建立的，由于照片拍摄角度及摄取的河流景观类型不同，同时缺乏景观图片处河道流量的资料，难以同流量建立确切的关系。但对于同一位置及角度所拍摄的图片，可以理解为同一个视野下所获得的景观，人们通过视觉感知水面面积的多少等要素对河流景观做出相应的评价。本文将这种带有感知成分的水面在一个视野中的比例定义为水面视觉比例(以Ps表示)，在山区水力开发河段中该比例直接关系到河流景观质量的优劣程度。本文研究的所有图片大小一致，可以将一个图片定义为一个视野范围，将水面积在河道中的比例同河道在图片中的比例相乘积，即得到水面视觉比例Ps：

通过考察3.5节中模拟误差与水面视觉比例Ps的关系发现，误差较大的点全部对应为Ps很大或很小时的情况，说明本文建立的人工神经网络在预测水面视觉比例过大或过小的情况下有一定的不可靠性。水面视觉比例过小、过大的极端情况一般是河流近似干涸和河床完全被水面覆盖的情况，或者是游客过远或过近观看河流的情况。该情况对研究河流景观一般无实际意义，因此可以忽略本模型相应的误差与不可靠性。

4 减水河段景观质量预测评价结果及分析

4.1 预测工况

由于山区河流水质较好，水流清澈，枯期水色一般很好，水色无大的变化。当闸址下泄不同工况的流量、减水河段内流量变化时，可假设本评价模型里6个指标因子只有水面在河道中的比例是变化的，水面视觉比例亦相应变化，其他要素取值不变，因此可利用人工神经网络模型，单从水面视觉比例变化情况来考察景观质量的变化，实现对减水河段内因减水导致水面视觉减小的景观质量预测评价。亦可进一步根据游客的位置、视觉范围及角度等情况，建立Ps与河道内流量的确切关系，从而通过本模型对不同流量下的河流景观质量进行预测评价。

鉴于本人工神经网络模型在水面积比例极小和极大情况下的不可靠性，在所获得100处样本照片中选择河流水面相对适中，无明显灰暗、不清晰的20处图片，选择水面积在河段内比例为10%、20%、30%、40%、50%、60%、70%、80%、90%这9种工况，利用建立好的人工神经网络模型进行景观质量预测。通过计算得到各断面9种工况所对应的河流景观质量预测值。

4.2 预测结果及其分析

所选的9种工况比例乘以该图片中河道所占的比例，得到各处断面9种从小到大的水面视觉比例Ps。Ps与景观质量预测评价值的对应关系见图5。

图5 水面视觉比例同景观质量预测值之间的关系

由图5可得，对于所有的河流断面景观，Ps和景观质量预测值之间存在正相关关系，Ps增大，景观质量预测值增大；开始增幅较大，Ps达到一定值后，景观质量预测值的增幅趋于平缓。

一般地，由于各处视野范围内的河流类型、周围景观等不同，水面视觉比例与景观质量之间的变化关系亦不相同。根据以上预测计算成果，对各处景观预测值随水面视觉比例的变化以曲线描述，经统计分析，可分为两种不同的变化趋势(见图6、7)。

图6 第一类水面视觉比例的景观响应

在图6所示的9个断面上，当Ps达到5%时，景观质量预测值大都能达到0.4，景观质量不至于很差；当Ps增大至20%左右时，景观质量由大幅度增加转为增幅缓慢，景观质量预测量值达到0.6，呈现较好的河流景观。通过归纳发现，这9个断面处河岸带均有绿树分布，河岸带视野范围内植被较好，说明这种情况下景观背景质量较好，一定程度上缓解了水面减少对景观的负面影响。水面视觉比例由20%下降至5%的范围内对河流景观影响显著，河流景观质量降低了一个或多个程度；而水面视觉比例在较小与较大两个范围内增减时，相应引起的景观质量变化不明显。计算结果和实际情况较符合。

图7 第二类水面视觉比例的景观响应

在图7所示的11处断面上，Ps在较小范围内增加时所引起的景观质量增幅不大，此时景观质量预测值在0.2～0.4之间，景观质量很差或较差；当Ps达到15%左右后，景观质量开始大幅度增加，至40%或以上时转为增幅缓慢，此时景观质量预测值基本达到0.6，呈现较好的河流景观，或不能达到较好的河流景观质量。通过归纳发现，这11处河流断面处河岸带均无绿树分布，且视野范围内的周围植被较差，说明这种情况下景观背景质量较差，水面视觉比例在15%～40%范围变化时对河流景观影响显著，在达到20%以上时才能有效提升河流景观，而水面视觉比例在较小和较大两个范围内增减时，相应引起的景观质量变化不明显。计算结果和实际情况较符合。

综上可知，河流周围植被对河流景观具有积极的作用。因此，应在做好河岸带绿化的基础上，通过控制水面视觉比例在5%～20%之间增加，可有效维持或改善河流景观。提升水面视觉比例一般通过增加河道内流量实现，另外也可采取在河道内挖潭或设置堰、坝等工程措施。如河道周围植被较差，仅考虑增加河道流量来改善河流景观，将需要大的流量状态才能使其景观得到较大的提升，势必造成水资源浪费。

5 结 论

本文建立了一个基于三层BP人工神经网络的景观质量评价模型，该模型基于景观图片，以水面面积占河道的比例、河道在图片中的比例、水色、周围植被类型、植被色彩、河岸河滩形态这六个景观要素为输入因子，通过模型计算可预测减水河段河流景观质量，预测或模拟结果精度较高。其中，水面面积占河道的比例与河道在图片中的比例的乘积定义为水面视觉比例。可通过一定视野范围内的水面视觉比例来考察景观质量的优劣程度，但其中与河流周围植被相关。当河流周围植被较好时，水面视觉比例在5%～20%之间增加时河流景观改善明显；当周围植被较差时，水面视觉比例在15%～40%之间增加时河流景观改善明显。河流周围植被包括河岸带绿化能缓解河段减水的不利景观影响。在水资源开发利用中，除维持河道内一定的流量外，应充分结合植物措施及工程措施对河道进行适当的修复，达到维持或改善河流景观的目的。

本文的人工神经网络模型基于图片的景观要素而建立，取决于观察者所处的角度、视野和光线色彩等方面，水面视觉比例为河流景观的重要影响因素。目前河道内景观需水量一般以流量来衡量，可通过获得控制断面或河段实测的地形、风景分布等资料，建立水面视觉比例与河道内流量、水面宽等因子的关系，进而通过人工神经网络直接建立流量与景观质量的关系模型，并通过大量实测样本的输入使模型不断优化，更便于河流景观需水量的控制与管理。

参考文献：

[1] 俞孔坚，等.自然风景景观评价方法[J].中国园林，1986(3)：38-40.

[2] 俞孔坚.风景资源评价的主要学派及方法[EB/OL].(1988-)[2010-05-10].http://wenku.baidu.com/view/cabea7c20c225901012029dba/html.

[3] 葛冰.景观生态规划与景观评价初探[J].甲木斯大学社会科学学报，2004，22(5)：42-44.

[4] 田辛.景观“水”要素研究[D].重庆：重庆大学，2002.

[5] 张铃，张钴.人工神经网络理论及应用[M].杭州：浙江科学技术大学出版社，1997.

[6] 王冰，宋力.景观美学评价中心物理学方法的理论及其应用[J].安徽农业科学，2007，35(12)：3531-3532.

[7] 张德丰，等.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.