基于BP神经网络的未利用地开发生态风险预警研究

李吉龙　刘新平

摘要：首先，构建阜康市未利用地开发生态风险指标体系，其次确定该市各样本点生态风险等级，最后运用BP神经网络模型学习、训练，为该区域未利用地开发生态风险预警提供对策建议。根据阜康市的地貌特征，选取6个具有代表性的样本点，通过生态风险综合指数法，结合生态风险评价指标权重，确定6个样本点区域内未利用地生态风险等级。运用BP神经网络模型进行模拟训练、测试。结果表明，未利用地开发的生态风险与地形地貌水文有直接关系；BP神经网络模型能较好地拟合实际数据，仿真效果好，对未利用地开发生态风险预警研究具有重要意义。在进行未利用地开发过程中，对一些地貌条件差、生态环境不稳定的地区，要降低开发强度，在未利用地开发后的生态保护建设中，应更多关注这些区域，加强对这些区域的生态保护投资。

关键词：未利用地开发；BP神经网络模型；生态风险；预警

中图分类号： F323.211；S126 文献标志码： A 文章编号：1002-1302（2015）10-0500-04

近年来，随着我国社会、经济的快速发展，规模不断扩大的非农建设用地将占用大量的耕地，加上生态退耕，使得中国耕地数量将大大减少[1]。为缓解耕地数量锐减的现状，许多地方大力开发未利用地，以无序性、单一性、不可持续性的方式挖潜未利用地，对原未利用地所处地区的生态环境造成严重影响。在此背景下，对区域未利用地开发生态风险预警可以有效防止未利用地开发向无序化、病态化、危害环境方向发展，为实现未利用地开发、环境和社会效益统一提供参考。针对未利用地开发利用的不合理趋势，政府及有关学者主要围绕耕地适宜性评价、未利用地开发绩效评价和未利用地开发生态风险评价三方面做了大量研究。未利用地开发的单方面研究较多，将耕地适宜性评价与生态风险评价结合的研究较少[2]。生态风险预警研究多采用面板数据，运用层次分析法、综合因子法等对生态风险进行预警。这种方法研究的准确性较高，创建模型容易。但由于生态风险因子有复杂、非线性的特点，因地而异、因时而异，因此最好选择一种具有学习功能的模型，这样既能满足研究的动态性，又能满足研究的持续性[3]。 本研究在阜康市沙漠边缘、冲积扇洪积扇、山地3种地貌类型中选取具有代表性的6个样本点作为研究对象，通过生态风险综合指数法对选取的6个样本点的生态风险进行评估，并运用BP神经网络进行模拟训练、测试，最后运用训练好的BP神经网络模型对2013年未利用地开发利用的生态风险进行了预测。所选取的样本点尽量包含研究区域的大体地形地貌，在对BP神经网络进行训练、预测时能更趋于合理性。

1 材料与方法

1.1 研究区域概况

阜康市位于新疆维吾尔自治区昌吉回族自治州境内，地处天山东段（博格达山）北麓、准格尔盆地南缘，东临吉木萨尔县，西与米东区接壤，南与乌鲁木齐县相望，北与阿勒泰地区福海县相连，境内东西最宽处约76 km，南北最长处约 198 km，土地总面积8 528.8 km2。地貌特征由南向北可划分为南部山区、中部平原、北部沙漠3个单元，因此选取3个单元内具有代表性的6个样本点作为本次研究的对象，分别为城关镇（位于冲积洪积扇中部），上户沟乡、水磨沟乡、三工河镇（位于冲洪积扇下部），九运街镇（位于冲洪积扇中下部），滋泥泉子镇（位于沙漠边缘）。该6个样本点区域内未利用地开发现状如表1。

1.2 研究方法

1.2.1 BP神经网络基本原理 （1）BP模型结构一般分为3层，即输入层、隐层、输出层。（2）从大量的离散试验数据中，经过学习训练，调节各层与层之间的节点连接权wij，使网络“记忆”各训练组。（3）通过大量的训练组的学习，建立起反映实际过程内在规律的系统模型。

1.2.2 BP神经网络模型 设BP网络的输入层有n个节点，隐含层有q个节点，输出层有m个节点，输入层与隐含层之间的权值为νki，隐含层与输出层之间的权值为wjk。隐含层用z表示，输出层用y表示。隐含层的传递函数为f1（），输出层的传递函数为f2（）。

1.2.2.1 正向传播 （1）作用函数模型。作用函数是反映下层输入对上层节点刺激脉冲强度的函数，又称刺激函数，一般取为（0，1）内连续取值Sigmoid函数：

2 结果与分析

2.1 构建指标体系

根据生态系统的组成、功能及生态风险评价的内涵，结合研究区内未利用地的实际，利用特尔非法，确定自然条件、土壤养分条件、景观破碎度3项指标为未利用地开发生态风险评价的二级指标。由于生态风险评价的三级指标过于复杂、繁琐，运用主成分分析法降维，选出少数几个新的综合指标，构建未利用地开发生态风险指标体系（表2）[5]。

2.2 样本指标值的代入

将所选取的6个样本的指标值作为输入层（表3）。

2.3 样本预处理

2.3.1 归一化处理 由表3数据可以看出，原始样本中大量综合测评的属性值是大于1的整数，而BP神经网络所处理的数值应为区间的数据，因此采用归一化处理，公式如下：L=（X-Xmin）/（Xmax-Xmin），得到归一化后的6个样本点区域未利用地开发生态风险指标值（表4）。

2.3.2 确定网络期望输出值 运用生态风险综合指数法结合各指标的权重确定生态风险各样本的生态风险等级，计算公式如下：

式中：ERI为生态风险综合指数；Ai为各生态指标标准化值；Wi为各生态评价指标权重。

采用效应函数对所有数据进行标准化处理，为避免人为的主观性，采用熵值法计算权重，运算结果如表5。

结合6个样本点区域的实际条件，利用特尔非法，将生态警度区分为4个等级，即高风险、低风险、较低风险和无风险，分别对应重警、中警、轻警和无警（表6）。

按照输出因子科学性、准确性、直观性的原则，运用矢量数据表示风险等级，神经网络模型的输出因子见表7。endprint

2.4 网络训练

（1）确定神经网络层数。

对于一般的模式识别问题用三层网络可以很好地解决。因此，本研究选取三层BP网络运算。

（2）确定隐含层节点。

公式：N2=2N1+1。式中，N2是隐含层神经元个数，N1是输入层神经元个数[6]。因此，本例隐含层的神经元个数为12个。

（3）确定神经元传递函数。

由于风险指标具有复杂性、非线性、随机性等特点，因此本研究中间层神经元传递函数采用S型正切函数tansig；又由于输出指标有递增趋势，因此采用S型对数函数logsig，其余训练参数的设定见表8。

（4）训练结果。

经过575次训练后，网络目标误差即可达到要求，网络的期望输出与实际输出误差见表9，训练结果见图1。

2.5 BP神经网络的检测

网络训练完成后，输入验证样本数据，对该样本进行仿真，验证网络的适应性。MATLAB程序运行结果进行归一化后得到验证样本水磨沟乡的未利用地生态风险模拟值。网络模拟结果的误差见表10，网络仿真结果见图2。

从表10可以看出，水磨沟乡网络模型输出结果已经显示出风险级别：较低风险，误差率不超过4%。这说明该模型能较好地进行生态风险预警。BP神经网络模型需要更多的训练样本， 以便网络学习，这会使模型有更强的容错性，一般误差在12%左右即可满足训练要求。

2.6 BP神经网络的预测

生态风险预测需要有生态风险指标值和至少6年的生态风险程度作为样本。以前3年为输入样本，以第4年为输出样本，共有7个样本。本研究大体选取2005—2012年7个训练样本，经预测2013年的该研究区域生态风险值y1=0.402 5，由于篇幅有限不过多陈述。

3 讨论

本研究运用构建的BP神经网络模型对6个训练样本的生态风险程度得出如下结论：高风险包括滋泥泉子镇，较低风险包括九运街镇，低风险包括上户沟乡、水磨沟乡、三工河镇，无风险包括城关镇。

经过分析研究，笔者认为生态风险很大程度和地形地貌有直接关联。例如城关镇位于冲洪积扇中部，山区坡地较多，土壤质地以粉沙壤和壤土为主，没有生态风险。上户沟乡、水磨沟乡、三工河镇位于冲洪积扇下部，土壤质地以粉沙壤为主。九运街镇位于冲洪积扇中下部，土壤以粉沙壤为主，有部分黏壤土。滋泥泉子镇位于冲击洪积扇的下部，沙漠边缘，土壤以粉沙壤为主，还有少量的黏土。通过观察可以发现，6个样本点位于冲击洪积扇的上下部以及沙漠边缘的生态风险高，位于冲击洪积扇中部的生态风险较低，靠近山区的生态风险低。这说明在进行未利用地开发过程中，对一些地貌条件差、生态环境不稳定的地区，要降低开发强度，在未利用地开发后的生态保护建设中，应更多关注这些区域，加强对这些区域的生态保护投资。

单项指标的预警对于BP神经网络来说有些难度。BP神经网络本身属于一种黑箱似的模型，而单项预警就涉及到每个指标的警度都需要警限来分类。一个黑箱模型很难将其他约束条件容纳进来。因此，笔者认为可以尝试将警限作为训练样本，将训练好的网络模型应用到生态风险指标当中[3]。例如，可以用训练好的网络对生态风险单项指标进行仿真，y=sim（net，p′）；此处net即是训练好的网络，p′是通过网络被分类的样本。经测算该方法精度不高，但也大体能对单项指标预警。

4 结论

生态风险综合评价法结合样本的权重，确定区域样本的风险等级。运用BP神经网络的学习、预测功能，可以为该区域的未利用地开发生态风险预警提供合理对策建议。

生态风险预警是一个系统性的研究，应避免研究的片面化、单一化。所以笔者在结尾处，对生态风险的单一指标预警以及生态风险预测做了粗略的陈述。

参考文献：

[1]王筱明，闫弘文，卞正富. 基于适宜性的济南市宜耕未利用地开发潜力评估[J]. 农业工程学报，2010，26（2）：307-312.

[2]张凤荣，郭力娜，关小克，等. 生态安全观下耕地后备资源评价指标体系探讨[J]. 中国土地科学，2009，23（9）：4-8，14.

[3]李春华，李 宁，骆华莹，等. 中国耕地资源安全模式识别的PNN神经网络方法[J]. 中国农学通报，2011，27（26）：181-186.

[4]方 健，李自品，彭 辉，等. 基于主成分分析法的BP神经网络的应用[J]. 变压器，2011，48（1）：47-51.

[5]张维宸，刘建芬. 人工神经网络分类及其在遥感调查中的应用[J]. 中国地质灾害与防治学报，2002，13（4）：96-98.

[6]陈如云. 基于BP神经网络的应用研究[J]. 微计算机信息，2007，23（24）：258-259.潘玫玫. 基于自适应改进小波阈值模型的农业图像去噪[J]. 江苏农业科学，2015，43（10）：504-506.endprint