基于BP神经网络的矿产资源综合区划功能分区方法研究

杨博，吕新彪，魏彦芳

（1.中国地质大学（武汉）资源学院，湖北武汉430000；2.甘肃省国土资源厅，甘肃兰州730000；3.甘肃煤炭地质勘查院，甘肃兰州730000）

基于BP神经网络的矿产资源综合区划功能分区方法研究

杨博1，2，吕新彪1，魏彦芳3

（1.中国地质大学（武汉）资源学院，湖北武汉430000；2.甘肃省国土资源厅，甘肃兰州730000；3.甘肃煤炭地质勘查院，甘肃兰州730000）

开展矿产资源综合区划功能分区研究，对进行差别化管理政策的制定、空间分区管理有理论和实践意义。在分析矿产资源综合区划影响因素的基础上，构建以资源条件、开发基础、生态条件、区域经济潜能为准则层的矿产资源综合区划二级区划的指标体系和分区体系。分析和讨论了矿产资源综合区划二级区划分区方法，并采用BP神经网络方法对甘肃省矿产资源综合区划二级区划进行分类研究，将甘肃省划分为重点发展、一般发展、限制发展和禁止发展4类功能区。结果表明，BP神经网络分类结果符合实际，是对传统区划方法的重要补充。

综合区划；矿产资源；BP神经网络；功能分区

区划是从区域角度观察和研究地域综合体，探讨区域单元的形成发展、分异组合、划分合并和相互联系，是对过程和类型综合研究的概括和总结［1］。综合区划是人与环境系统研究对可持续发展的重大理论贡献［2］，是当前地域系统研究和全球环境变化人文因素研究的热点［3，4］，不同部门综合区划研究也取得很多理论成果［5-9］。第三轮矿产资源规划编制要求开展矿产资源基础、开发条件、生态约束、区域发展需求等各因素整合起来的矿产资源综合区划研究，为分区规划、分类指导矿产资源勘查、开发利用与保护，为矿产资源规划编制提供理论依据。杨博等［10，11］已对矿产资源综合区划的概念内涵、区划体系、划分方法等作了大量研究，提出了较重要的理论成果。候华丽等［12］将矿产资源综合区划体系划分为两级，一级为地域分区，二级为功能分区。并认为二级区划指标体系应包含矿产资源基础条件、矿产资源开发条件、生态条件、地区经济发展水平等综合性指标。本文拟探讨矿产资源综合区划二级区划指标体系、分区方法，并以县区为基本单位，采用BP神经网络方法开展甘肃省矿产资源综合区划二级区划功能分区研究，为丰富和拓展区划的方法和途径，并为矿产资源综合区划分区研究和矿产资源规划提供理论依据和实证参考。

1　矿产资源综合区划二级区划指标体系与分区体系

1.1矿产资源综合区划二级区划指标体系

综合考虑矿产资源勘查、开发利用与保护全过程，可以发现其受到资源因素、环境因素、社会因素、经济因素等四个方面的影响。基于这些影响因素，在遵循全面性与可操作性、数据可获得性与可对比性、系统性和导向性等原则基础上，构建矿产资源综合区划二级区划指标体系，从而实现区域划分。其中目标层为矿产资源合理开发与区划可持续发展，准则层包括矿产资源条件、开发基础、生态条件和区域经济潜能等四个方面。准则层又由若干指标组成（表1）。

1.2矿产资源综合区划二级区划分区体系

依据矿产资源综合区划的定义，以及矿产资源综合区划指标体系，按照区划的目标和功能，划分矿产资源综合区划二级区划体系。根据矿产资源综合区划影响因素指标分析，可以知道矿产资源基础为综合区划核心要素，其他如开发条件、区域经济发展水平等因素是综合区划的重要影响因素，而生态条件矿产资源综合区划约束性因素。因此，本文认为矿产资源综合区划二级区区划应该包含重点发展、禁止开发、限制发展、一般发展等四种类型区，其中一般发展区为其他三类发展区的补充，不单独划分。因此，矿产资源综合区划二级区可划分为：矿产资源重点发展区、生态保护区（禁止开发区）、限制发展区和一般发展区。

表1　矿产资源综合区划指标体系

2　基于BP神经网络的矿产资源综合区划功能分区

2.1矿产资源综合区划二级区划分区方法

矿产资源综合区划受自然、社会、环境、经济的综合影响，影响因子多，难以提取主要因子，同时不同因子之间又存在一定相关性，且每个因子贡献率也不同，导致矿产资源综合区划难以划分。现有比较常见的区划分析方法有：主导标志法、相关分析法、专家集成定性分析法、最终分类评价矩阵分类法［13］，逐步归并模型定量法等［14］。朱传耿等［15］采用最终分类评价矩阵分类法对地域主体功能区划进行实证研究，取得良好的成果，是目前常用的地域功能识别和划分方法方法。刘玉邦［16］等运用主成分与聚类分析方法进行农业水资源高效利用综合分区，这种方法可以避免人为的主观确定因子的权值，同时可以消除不同因子之间的相关性干扰，但此方法也易受影响［17］，导致聚类中心偏移。神经网络方法在区域划分中取得了很好地效果［18-23］，但目前应用神经网络进行库上次资源综合区划分区的案例还未见报道。本文拟选取产资源条件、开发基础、生态条件和区域经济潜能等指标层和指标因子，运用BP神经网络方法，进行矿产资源综合区划二级区划分区划分，目的在于探索实践定量途径在区划划分中的应用，拓展区划的方法和途径。

2.2BP神经网络及其理论基础

2.2.1神经网络的分类

神经网络理论的研究工作始于上世纪中页，McMulloch和Pitts首先提出神经元的形式化模型［24］，并进行逻辑函数运算，开启了人工神经网络的理论研究。经过多年的发展，人工神经网络的理论和应用研究在数学和工程学方面取得了丰硕的成果，产生出了诸如向前神经网络、反馈神经网络、随机神经网络及自组织神经网络等30多种不同类型、结构的神经网络等，这些模型又大致分为三类：前向神经网络（以BP网络为典型代表），反馈神经网络（以Hopfidld网络为典型代表）以及自组织神经网络（以SOFM网络为典型代表）。从系统角度来看，BP最适合解决分类问题，因为分类问题可视为分析计算静态的非线性映射f，BP这种前向网络通过非线性处理能力可较好的逼近映射f。

2.2.2BP神经网络模型的理论分析

BP神经网络是基于BP算法的多层前馈网络，其网络结构简单，算法成熟，具有自学习和自适应等优点。BP算法通过输入、输出数据样本集，根据误差反向传递的原理，对网络进行训练，其学习过程包括信息的正向传播过程以及误差的反向传播这两个过程，对其反复训练，连续不断地在相对误差函数梯度下降的方向上，对网络权值和偏差的变化进行计算，逐渐逼近目标。典型的BP神经网络由一个输入层、至少一个隐含层和一个输出层组成［25］（图1）。BP神经网络模拟预测过程由以下四个阶段组成：（1）模式顺传播过程；（2）误差逆传播过程；（3）记忆训练过程；（4）学习收敛过程。最终形成模拟预测结果。

2.3BP神经网络聚类步骤

2.3.1BP神经网络构成

指标因子输入。在输入层输入指标因子，本文将12个指标层因子列为指标因子，即基础地质调查工作覆盖率、查明资源储量、大中型矿产地、年度开采总量、大中型矿山数量、可利用土地资源、可利用水资源、交通优势度、生态重要性、生态脆弱性、工业化阶段、矿业所占比重等。

隐含层。进行BP网络建模时，隐层数的确定至关重要。隐层数没有强制的规定，隐层数越多，模型识别训练样本的差异性越好，但计算机运行的中间过程越复杂，耗时越多，对于检验样本误差可能会增大。所以一般原则是：隐层数小于训练样本数的前提下，达到精度要求时的隐层数越少越好，本文将隐含层也设为12层。

输出层。输出层根据研究目的而确定，笔者以农用地的土地适宜性为输出层。在BP网络结构中，每层都是用数值来刻画，而农用地适宜性只是一个概念性的模型，因此笔者将概念模型用数值进行刻画。根据矿产资源综合区划二级区划分区体系，综合矿产资源不同功能分区，即开发强度、限制性强度和生态保护能力的高低，将二级区划开发适宜性分为4等，4为高度适宜，3为较适宜，2为一般适宜，1为不适宜。

2.3.2训练样品的选取

根据甘肃省实际，结合专家的知识经验，确定14个市州的12个指标层形成的二级区划开发适宜性指标作为训练样本，即给定14个市州二级区划开发适宜性评分，作为实际建模选择的样本。

2.4研究实例

2.4.1数据分析与处理

本研究以甘肃省为对象展开实证分析，以县区为基本单位进行数据收集和处理，主要针对二级区划指标层指标逐一收集，数据资源主要来源于《甘肃统计年鉴2013年》、《2013年甘肃省国土资源公报》等。

主要针对指标层数据进行逐一分析说明：基础地质调查工作覆盖率：引用2013年甘肃省已完成的1：5万矿产远景调查图幅和面积，并与相关县域国土面积相比，得出各县的基础地质调查工作覆盖率；各县查明资源储量、大中型矿产地、年度开采总量、大中型矿山数量引用2013年矿产资源储量年报数据；可利用土地资源引用2008年土地总体利用规划数据；可利用水资源引用2013年甘肃统计年鉴数据；各县区交通优势度采用金凤君［26］等计算方法，依据甘肃省2013年铁路、公路网地理图属性数据计算得到；各县区生态重要性和生态脆弱性指标数据来源于甘肃省生态功能区划；各县区工业化阶段和矿业所占比重来源于2013年甘肃统计年鉴数据。

矿产资源综合区划指标体系包括4项准则层，12项评价指标及项基础指标，每项指标都有不同的量纲单位，若要对指标进行BP神经网络分析时，就必须要消除量纲的影响，进行无量纲化处理［27］。

图1　BP神经网络传递模式

2.4.2BP神经网络计算

在Matlab平台下，首先录入训练样本，即14个市州的指标数据进行网络训练，进而录入其他各县的各类指标数据，使用newff函数创建级联前向神经网络，输入层和输出层的神经元采用tansig传递函数，隐含层与输出层采用purelin函数，训练算法为trainlm。采取的训练精度设置为0.001。计算结果如图2所示。

2.4.3结果分析

图2　BP神经法划分的甘肃省矿产资源综合区划二级区划分区图

从图2可得，BP神经网络分类结果的空间聚集性较高，基本反映了甘肃省矿产资源分布的区域特征。BP神经网络输出结果为4类区域。第一类为矿产资源重点发展区，第二类为矿产资源一般发展区，第三类为矿产资源限制发展区，第四类为生态保护区（禁止开发区）。每一类发展区都包括若干县区，每类发展区与所保护的县区都有很强的相关性，如重点发展区包含：金川区、平川区、崇信县、华亭县等4个县区，这些县都是矿产资源储量丰富，矿产资源开发强度高，矿业产值高的地区；限制发展区大都为矿产资源储量较为匮乏，或者开发基础条件较差，不适宜大规模进行矿产资源开发的地区；生态保护区（禁止开发区）如卓尼县、舟曲县、碌曲县、肃南县等，大都位于自然保护区，不适宜进行矿产资源开发。

3　讨论

基于BP神经网络开展的矿产资源综合区划二级区划分区，你搞过预测结果和验证分析，结果表明模型的建立与选择是符合实际的，且有以下优点：（1）能够快速把握区域的分异特点，进行大范围的区划工作；（2）BP网络模型可以避免聚类分析的噪音影响带来的评价误差；（3）与专家经验集成的区划方法相比，BP神经网络方法更加客观。但也有需要完善的地方，如典型样本（训练样本）的选择上，有一定的主观性；只进行了一种神经网络方法的分类研究，研究论证不够全面等等。但总体上，基于BP神经网络进行的矿产资源综合区划二级区划分具有划分层次明显、区域分割清晰、客观性强等优点，是对传统区划方法的重要补充。在未来的工作中，应该加强对因子选择、典型样本选取方法研究，同时要运用多种神经网络方法开展分区研究，通过对不同方法的对比分析，总结出最优区划方案。

［1］郑度，葛全胜，张雪芹，等.中国区划工作的回顾与展望［J］.地理研究，2005，24（3）：330-344.

［2］刘燕华，葛全胜，张雪芹.关于中国全球环境变化人文因素研究发展方向的思考［J］.地球科学进展，2004，19（6）：889-895.

［3］吴绍洪.综合区划的初步设想［J］.地理研究，1998，17（4）：367-374.

［4］刘燕华，郑度，葛全胜，等.关于开展中国综合区划研究若干问题的认识［J］.地理研究，2005，24（3）：321-329.

［5］杨勤业，郑度，吴绍洪，等.20世纪50年代以来中国综合自然地理研究进展［J］.地理研究，2005，24（6）：89-91.

［6］毛汉英，方创琳.我国新一轮国土规划编制的基本构想［J］.地理研究，2002，21（3）：267-275.

［7］陈守煜，李亚伟.基于模糊迭代聚类的水资源分区研究［J］.辽宁工程技术大学学报，2004，23（6）：848-851.

［8］冯红燕，谭永忠，王庆日.中国土地利用分区研究综述［J］.中国土地科学，2010，24（8）：71-76.

［9］金贵，王占岐，姚小薇，等.国土空间分区的概念与方法探讨［J］.中国土地科学，2013，27（5）：48-53.

［10］杨博，吕新彪，魏彦芳.矿产资源综合区划的概念与方法探讨［J］.国土与自然资源研究，2015（3）：50-53.

［11］杨博，吕新彪，魏彦芳.省级尺度矿产资源综合区划方法与应用［J］.国土与自然资源研究，2015（6）：19-22.

［12］侯华丽，吴尚昆，张玉韩，周璞.对我国开展矿产资源综合区划相关问题的思考［J］.国土资源科技管理，2015（03）：78-83.

［13］陈雯，段学军，陈江龙，等.空间开发功能区划的方法［J］.地理学报，2004，59（增刊）：53-58.

［14］黄桂芝，董平，吴霜.可持续发展理论基本模式新探及数学模型研究［J］.太原理工大学学报，2005，36（1）：103-106.

［15］朱传耿，仇方道，马晓冬，等.地域主体功能区划理论与方法的初步研究［J］.地理科学，2007，27（2）：136-141.

［16］刘玉邦，梁川.基于主成分和模糊C-均值聚类算法的农业水资源高效利用综合分区［J］.水文，2011，31（5）：57-63.

［17］秦福高，孙悦娟.聚类与关联规则挖掘进行结合的研究［J］.电脑知识与技术，2011，7（14）：3418-3419.

［18］黄娇，高阳，赵志强，等.基于GIS与SOFM网络的中国综合自然区划［J］.地理研究，2011，30（9）：1648-1659.

［19］刘娅，朱文博，韩雅，等.基于SOFM神经网络的京津冀地区水源涵养功能分区［J］.环境科学研究，2015，28（3）：369-376.

［20］王江思，马传明，王文梅.基于SPSS和GIS的BP神经网络农用地适宜性评价［J］.地质科技情报，2013，32（2）：138-143.

［21］黄亚捷，叶回春，张世文.基于自组织特征映射神经网络的中国耕地生产力分区［J］.中国农业科学，2015，48（6）：1136-1150.

［22］张学儒，张镱锂，刘林山.基于SOFM神经网络模型的土地类型分区尝试—以青藏高原东部样带为例［J］.地理研究，2013，32（5）：839-847.

［23］袁满，刘耀林，危小建.基于模糊自组织神经网络的土地用途分区研究［J］.国土资源科技管理，2013，30（6）：74-80.

［24］谢承泮.神经网络发展综述［J］.科技情报开发与经济，2006，16（12）：148-150.

［25］李朝静，唐幼纯，黄霞.BP神经网络的应用综述［J］.劳动保障世界，2012（8）：71-74.

［26］金凤君，王成金，李秀伟.中国区域交通优势的甄别方法及应用分析［J］.地理学报，2008，63（8）：787-798.

［27］蒋维杨，赵嵩正，刘丹，等.大样本评价的定量指标无量纲化方法［J］.统计与决策，2012，365（17）：4-9.

（2016-01-20收稿S编辑）

The Comprehensive Regionalization Function Partition Method Research Based on BP Neural Network

YANG Bo1，2et al
（1.Faculty of Earth Resource，China University of Geosciences （Wuhan），Hubei Wuhan 430000；2.Gansu Provincial Department of Land and Resources，Gansu Lanzhou 730000，China）

Research on mineral resources comprehensive regionalization functional partition has theoretical and practical significance for differential management policy，space partition management.On the basis of analyzing the factors affecting mineral resources comprehensive regionalization，build mineral resources comprehensive regionalization secondary zoning index system and partition system based on resource conditions，development，ecological conditions，regional economic potential for rule layer.Analysis and discusses the comprehensive regionalization secondary mineral resources districts partition method.Research Gansu province comprehensive regionalization secondary division classification using BP neural network method. The Gansu province has divided into four kinds of functional areas:the key development，the general development，the limited development and the prohibited development.The results show that the BP neural network classification results are reality，it is the important supplement of traditional division method.

comprehensive regionalization；mineral resources；BP neural network；Functional partition

F426

A

1003-7853（2016）01-0066-05

甘肃省工业发展“六大行动计划”专项经费

杨博（1980-），男，甘肃玉门人，工程师，中国地质大学（武汉）博士，从事矿产资源规划研究。