基于BP神經(jīng)網(wǎng)絡(luò)的流域生態(tài)恢復(fù)度計(jì)算
——以福建長汀朱溪小流域?yàn)槔?/h1>
2015-03-11 06:41:47李榮麗陳志彪陳志強(qiáng)張曉云鄭麗丹王秋云
生態(tài)學(xué)報 2015年6期
李榮麗, 陳志彪, 陳志強(qiáng), 張曉云, 鄭麗丹, 王秋云
福建師范大學(xué)地理科學(xué)學(xué)院, 福州 350007
基于BP神經(jīng)網(wǎng)絡(luò)的流域生態(tài)恢復(fù)度計(jì)算
——以福建長汀朱溪小流域?yàn)槔?/p>
李榮麗, 陳志彪*, 陳志強(qiáng), 張曉云, 鄭麗丹, 王秋云
福建師范大學(xué)地理科學(xué)學(xué)院, 福州 350007
以福建省長汀縣朱溪小流域?yàn)檠芯繉ο螅ㄟ^野外調(diào)查、室內(nèi)分析以及遙感影像提取相結(jié)合的方法獲取數(shù)據(jù)。利用Matlab7.0軟件建立BP神經(jīng)網(wǎng)絡(luò)生態(tài)恢復(fù)模型，定量評價退化生態(tài)系統(tǒng)的恢復(fù)程度。選擇土壤理化性質(zhì)(有機(jī)質(zhì)、全N、全P、全K、容重和pH)、植被結(jié)構(gòu)(植被蓋度)、物種多樣性指數(shù)(Shannon-Wiener指數(shù))和熱環(huán)境(地表溫度)等4個方面的9個指標(biāo)建立退化生態(tài)系統(tǒng)評價體系，并作為生態(tài)恢復(fù)模型的輸入層數(shù)據(jù)，生態(tài)恢復(fù)度作為輸出層數(shù)據(jù)。使用Matlab7.0進(jìn)行數(shù)據(jù)預(yù)處理、樣本訓(xùn)練、樣本檢驗(yàn)并建立生態(tài)恢復(fù)模型。利用建立的生態(tài)恢復(fù)模型對整個朱溪小流域生態(tài)恢復(fù)度進(jìn)行定量評價。結(jié)果表明，生態(tài)恢復(fù)模型預(yù)測結(jié)果與流域生態(tài)恢復(fù)的實(shí)際情況基本吻合，利用BP神經(jīng)網(wǎng)絡(luò)模型定量評價退化生態(tài)系統(tǒng)的恢復(fù)程度具有可行性。朱溪小流域內(nèi)生態(tài)恢復(fù)程度極低的區(qū)域面積僅占0.94%，95.48%區(qū)域?yàn)橹械然謴?fù)程度，說明生態(tài)保護(hù)措施已初見成效；生態(tài)恢復(fù)程度高的區(qū)域面積僅占3.62%，意味著未來仍需加強(qiáng)治理和保護(hù)工作。
BP神經(jīng)網(wǎng)絡(luò); 生態(tài)恢復(fù); 模型; 朱溪小流域
生態(tài)環(huán)境退化嚴(yán)重制約了世界各國的經(jīng)濟(jì)和社會發(fā)展進(jìn)程，已成為全人類必須面對和亟待解決的重要課題[1]。在此背景下，相關(guān)學(xué)者和各國政府部門積極開展退化生態(tài)系統(tǒng)恢復(fù)與重建工作[2]。為了評估生態(tài)恢復(fù)與重建的成效，以及對未來工作的部署，均要求對退化生態(tài)系統(tǒng)恢復(fù)程度作出科學(xué)的評價。
目前，常見的評價方法多以統(tǒng)計(jì)學(xué)方法[3-4]、綜合評價法[5-6]、模糊評價法[7]、灰色評價法[8]、主成分分析法[9-10]等為基礎(chǔ)，建立相應(yīng)的指標(biāo)體系進(jìn)行定量評價[11-12]，但是，已有方法對指標(biāo)貢獻(xiàn)率的確定方面較復(fù)雜，而BP神經(jīng)網(wǎng)絡(luò)方法則通過網(wǎng)絡(luò)訓(xùn)練不斷調(diào)節(jié)權(quán)值，方便且精度高。另外，此方法適合于非線性模式識別和分類預(yù)測問題，可以通過學(xué)習(xí)逼近任何非線性函數(shù)[13-14]，適合類似本研究這樣的非線性問題。
綜上，本文選擇具有代表性的土壤侵蝕極為嚴(yán)重的中國亞熱帶紅壤地區(qū)，朱溪小流域?yàn)檠芯繀^(qū)域[15]，引入BP神經(jīng)網(wǎng)絡(luò)方法，采用BP算法建立生態(tài)恢復(fù)定量評價模型，評價朱溪小流域的生態(tài)恢復(fù)情況。這既是對生態(tài)恢復(fù)與重建評價方法的有益嘗試和探索，也可對流域今后的治理工作提供決策依據(jù)，兼具理論和現(xiàn)實(shí)意義。
1 研究地區(qū)與研究方法
1.1 研究區(qū)自然概況
朱溪小流域位于福建西南部的長汀縣河田鎮(zhèn)(116°23′30″—116°30′30″E，25°38′15″—25°42′55″N)(圖1)，屬中亞熱帶季風(fēng)性濕潤氣候，年平均氣溫18.4 ℃，年平均降水量1 730 mm，年平均徑流量950—1020 mm。地貌類型以低山丘陵為主，土壤主要為燕山晚期礦物晶粒粗大的黑云母花崗巖，在長期濕熱濕熱氣候條件下風(fēng)化發(fā)育而成的紅壤、侵蝕紅壤。地帶性植被為亞熱帶常綠闊葉林，但因長期嚴(yán)重的水土流失和人為破壞，地帶植被遭到嚴(yán)重破壞，原始植被幾乎全部被次生林所替代，主要植被類型為次生馬尾林、幼林，樹種單一，結(jié)構(gòu)簡單[15]。
圖1 研究區(qū)地理位置圖Fig.1 The location of study region
1.2 基礎(chǔ)數(shù)據(jù)獲取
圖2 朱溪小流域土壤采樣分布圖 Fig.2 The distribution of sampling point in the small watershed of Zhuxi
本研究采用野外調(diào)查、室內(nèi)分析及遙感影像提取相結(jié)合的方法獲取相關(guān)數(shù)據(jù)。2009年7月，采用典型SOTER(Soil and Terrain Digital Database)單元和柵格結(jié)合法，選擇朱溪小流域內(nèi)涵蓋研究區(qū)內(nèi)各種土地覆被利用類型的118個點(diǎn)作為研究樣點(diǎn)(圖2)。依據(jù)不同植被類型布設(shè)20 m×20 m的標(biāo)準(zhǔn)樣地46個，進(jìn)行植物群落調(diào)查。同時隨機(jī)挖取3個土壤剖面，取表層土0—20 cm，挑去石礫與根系，帶回實(shí)驗(yàn)室做相應(yīng)處理，測定土壤養(yǎng)分指標(biāo)。測定方法采用濃硫酸-重鉻酸鉀加熱法測定土壤有機(jī)質(zhì)；開氏定氮法測定土壤全N；濃硫酸-高氯酸消煮-原子吸收法測定土壤全K；濃硫酸-高氯酸消煮-鑰銻抗比色法測定土壤全P；室內(nèi)風(fēng)干水土電位法(水土比5∶1)測定土壤pH值。
植被蓋度、地表溫度數(shù)據(jù)通過軟件ENVI4.2、ArcGIS9.2提取SPOT5、ASTER影像數(shù)據(jù)獲取；Shannon-Wiener多樣性指數(shù)根據(jù)公式計(jì)算得到。
1.3 數(shù)據(jù)處理與研究方法
采用Excel軟件對實(shí)測數(shù)據(jù)進(jìn)行前期處理，基于BP算法，利用Matlab7.0軟件建立生態(tài)恢復(fù)模型。以118個樣點(diǎn)數(shù)據(jù)為基礎(chǔ)，應(yīng)用ArcGIS9.2軟件地統(tǒng)計(jì)模塊的克里格空間插值和ENVI4.2軟件提取影像等獲取流域內(nèi)的9個評價指標(biāo)的柵格數(shù)據(jù)，作為生態(tài)恢復(fù)評價模型應(yīng)用的輸入層數(shù)據(jù)，并將其輸入已建立的評價模型，得到整個流域的生態(tài)恢復(fù)度值。最后借助ArcGIS9.2軟件生成整個流域的生態(tài)恢復(fù)度結(jié)果圖。
2 生態(tài)恢復(fù)度模型的構(gòu)建
2.1 BP網(wǎng)絡(luò)結(jié)構(gòu)和算法
圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 The structure of BP neural network
典型的BP神經(jīng)網(wǎng)絡(luò)是一個由輸入層、隱含層和輸出層構(gòu)成的三層前饋神經(jīng)網(wǎng)絡(luò)(圖3)。BP網(wǎng)絡(luò)的學(xué)習(xí)過程由信息的正向傳播和誤差的反向傳播組成。當(dāng)給定網(wǎng)絡(luò)一組輸入模式時，BP網(wǎng)絡(luò)將依次對這組輸入模式按如下方式學(xué)習(xí)：首先，把輸入模式從輸入層傳輸?shù)诫[含層單元，經(jīng)隱含層單元逐層處理后，產(chǎn)生一個輸入模式傳送到輸出層，這一過程稱為正向傳播；然后將輸出結(jié)果和期待值進(jìn)行比較，如果沒有達(dá)到所預(yù)計(jì)的期望，則轉(zhuǎn)變?yōu)檎`差的反向傳播，將誤差沿原路徑返回，通過修改各層神經(jīng)元的連接權(quán)值，使誤差信號變小。這種正向傳播和反向傳播相互交替，看成一個“記憶訓(xùn)練”的過程。系統(tǒng)不斷地循環(huán)這兩個過程，重復(fù)學(xué)習(xí)，一直到輸出值和期待值的誤差減小到規(guī)定范圍內(nèi)，系統(tǒng)停止學(xué)習(xí)。此刻將新樣本輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，就可以得到相應(yīng)的輸出值[16]。有研究表明，一個三層神經(jīng)網(wǎng)絡(luò)模型就可解決一般函數(shù)的擬合逼近問題，因此，三層人工神經(jīng)網(wǎng)絡(luò)能滿足要求，即網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)由輸入層、單隱含層和輸出層組成[17]。
2.2 設(shè)定生態(tài)恢復(fù)度值
根據(jù)中亞熱帶地區(qū)森林生態(tài)系統(tǒng)恢復(fù)進(jìn)程，將裸地—草地—馬尾松和灌叢—針闊混交林—常綠闊葉林5個不同恢復(fù)階段分別用0—0.2、0.2—0.4、0.4—0.6、0.6—0.8、0.8—1等5個數(shù)值區(qū)間表示，定量表征退化生態(tài)系統(tǒng)恢復(fù)與重建程度。其中，常綠闊葉林生態(tài)恢復(fù)度最佳，設(shè)為恢復(fù)等級1，針闊混交林、馬尾松和灌叢、草地次之，依次設(shè)為恢復(fù)等級2、恢復(fù)等級3和恢復(fù)等級4，裸地的生態(tài)恢復(fù)度最低，設(shè)為恢復(fù)等級5。
2.3 指標(biāo)體系構(gòu)建
關(guān)于退化生態(tài)系統(tǒng)評價指標(biāo)，國際恢復(fù)生態(tài)學(xué)會提出了9個生態(tài)系統(tǒng)特征，相關(guān)學(xué)者在實(shí)踐應(yīng)用中將其歸納為：1)生態(tài)學(xué)過程(如，養(yǎng)分庫、土壤有機(jī)質(zhì)以及生物間的相互關(guān)系)[18]；2)植被結(jié)構(gòu)(如，植被蓋度、生物量、凋落物結(jié)構(gòu)、喬木密度、高度等)[19-20]；3)物種多樣性[21-22]等三個方面[23]。此外，鑒于環(huán)境因子(如溫度、濕度、降水等微域小氣候)與生態(tài)系統(tǒng)類型之間的聯(lián)系，比如：炎熱的環(huán)境嚴(yán)重制約著植物的生長，因此本研究增加了熱環(huán)境數(shù)據(jù)，以進(jìn)一步完善和豐富指標(biāo)體系。
綜上，本文從土壤理化性質(zhì)(有機(jī)質(zhì)、全N、全P、全K、容重和pH)、植被結(jié)構(gòu)(植被蓋度)、物種多樣性(Shannon-Wiener指數(shù))以及熱環(huán)境(地表溫度)四個方面選擇9個指標(biāo)建立退化生態(tài)系統(tǒng)評價體系。
2.4 模型樣本選取
118個樣地中，選擇對植物群落做過調(diào)查的46個樣地，因此，46個不同恢復(fù)程度的樣本作為模型建立的樣本數(shù)據(jù)(表1)，其中包括常綠闊葉林樣地7個，針闊混交林樣地6個，馬尾松和灌叢樣地21個，草地樣地7個，裸地樣地5個。然后在樣本數(shù)據(jù)中按10%的比例，隨機(jī)抽取能夠代表5個不同恢復(fù)程度(樣地編號分別為7、11、19、31、39和44)的6個樣地，作為測試樣本，其余40個樣地為訓(xùn)練樣本。
表1 模型樣本數(shù)據(jù)Table 1 The sample data of model
2.5 結(jié)果輸出
圖4 BP網(wǎng)絡(luò)生態(tài)恢復(fù)模型Fig.4 BP network model of Ecological restoration
在BP 人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，輸入層神經(jīng)元與輸出層神經(jīng)元個數(shù)是由問題的本身決定。本文中輸入層神經(jīng)元個數(shù)為選定的9個評價指標(biāo)，輸出層為生態(tài)恢復(fù)度等級，隱含層的神經(jīng)元數(shù)采用逐步減少神經(jīng)元個數(shù)的刪減法則和逐步增加神經(jīng)元個數(shù)的擴(kuò)張法則試算確定，經(jīng)過反復(fù)比較各種隱含層神經(jīng)元個數(shù)網(wǎng)絡(luò)收斂情況，最后確定隱含層最優(yōu)神經(jīng)元個數(shù)為9個。為保證網(wǎng)絡(luò)快速收斂，采用Levenberg-Marquardt反傳算法，隱含層神經(jīng)元采用的傳遞函數(shù)為雙曲正切S型函數(shù)tansig，輸出層神經(jīng)元采用S型傳輸函數(shù)logsig，構(gòu)建的生態(tài)恢復(fù)模型見圖4。
2.6 模型訓(xùn)練
為避免訓(xùn)練過程中出現(xiàn)過飽和狀態(tài)，提高網(wǎng)絡(luò)收斂速度，首先對訓(xùn)練樣本(40個)進(jìn)行歸一化處理，設(shè)定網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainlm，性能函數(shù)為mse，訓(xùn)練參數(shù)為默認(rèn)值，網(wǎng)絡(luò)訓(xùn)練8次后，達(dá)到設(shè)定的精度，網(wǎng)絡(luò)收斂，訓(xùn)練結(jié)束。
2.7 模型檢驗(yàn)
網(wǎng)絡(luò)訓(xùn)練完成以后，利用檢驗(yàn)樣本(6個)進(jìn)行測試，檢查模型輸出值和真實(shí)值之間的誤差。由表2可見，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型輸出的生態(tài)恢復(fù)度值與真實(shí)值非常接近，絕對誤差處于±0.03之間，相對誤差低于7%，不會產(chǎn)生分類歧義，所以網(wǎng)絡(luò)對測試樣本的分辨100%成功，由此可以認(rèn)為網(wǎng)絡(luò)的映射能力較高，完全能夠進(jìn)行正確分類，模型訓(xùn)練精度及檢驗(yàn)結(jié)果可信度均較高，檢驗(yàn)通過。
3 結(jié)果與分析
3.1 流域生態(tài)恢復(fù)度的計(jì)算
BP神經(jīng)網(wǎng)絡(luò)生態(tài)恢復(fù)模型的應(yīng)用原理，是將被評價對象的特征參數(shù)作為評價指標(biāo)，由輸入層輸入模型，模型根據(jù)訓(xùn)練記憶作出判讀，并輸出對應(yīng)的生態(tài)恢復(fù)度值。因此，在應(yīng)用模型評價朱溪小流域生態(tài)恢復(fù)程度時，首先要提取整個流域的9個評價指標(biāo)數(shù)據(jù)。
表2 模型檢驗(yàn)結(jié)果和期望輸出對比Table 2 Comparison of expected value and model test results
本文中，通過ENVI4.2軟件提取SPOT5、ASTER影像獲取植被蓋度、地表溫度數(shù)據(jù)。其余指標(biāo)獲取途徑如下：以110個樣點(diǎn)數(shù)據(jù)為基礎(chǔ)，應(yīng)用ArcGIS9.2軟件的地統(tǒng)計(jì)模塊，采用普通克里格最優(yōu)內(nèi)插值法，得到整個朱溪小流域內(nèi)土壤有機(jī)質(zhì)、全N、全P、全K、容重、pH以及生物多樣性指標(biāo)(Shannon-Wiener指數(shù))的空間分布柵格圖，部分圖給出(圖5—圖10)。然后，借助ArcGIS9.2軟件，將各個指標(biāo)空間分布圖的柵格單元轉(zhuǎn)化成點(diǎn)數(shù)據(jù)，作為模型的輸入樣本。整個小流域共有65 567個輸入樣本。
將輸入樣本輸入BP神經(jīng)網(wǎng)絡(luò)生態(tài)恢復(fù)模型，由模型計(jì)算得出65 567個生態(tài)恢復(fù)度值。然后，利用ArcGIS9.2軟件剔除未治理區(qū)域的(耕地、交通用地、水域、園地、居住地與工礦用地等)數(shù)據(jù)(因本文主要對朱溪小流域內(nèi)實(shí)施治理措施的林地、草地等作出評價)，根據(jù)剩余數(shù)據(jù)生成朱溪小流域生態(tài)恢復(fù)度分布圖(圖11)，并統(tǒng)計(jì)不同恢復(fù)等級的分布面積(表3)。
圖5 土壤有機(jī)質(zhì)空間分布圖Fig.5 The spatial distribution of SOM
圖6 土壤全氮空間分布圖Fig.6 The spatial distribution of soil total N
圖7 土壤容重空間分布圖Fig.7 The spatial distribution of soil bulk destiny
圖8 土壤pH空間分布圖Fig.8 The spatial distribution of soil pH
圖9 植被蓋度圖Fig.9 The figure of vegetation coverage
圖10 地表溫度圖Fig.10 The figure of surface temperature
圖11 朱溪小流域生態(tài)恢復(fù)程度Fig.11 Ecological restoration of the small watershed of Zhuxi
由圖11和表3可以看出，朱溪小流域內(nèi)4級、5級地面積較小，僅占總面積的8.04%，土地利用類型為居民用地與耕地，因受人為活動影響較大，其生態(tài)恢復(fù)程度較差。2級地和3級地占地面積最大，分布最廣，兩者共占流域總面積的88.35%。其中，3級地占總面積的44.11%，上、中、下游都有分布，且集中在流域東部；2級地所占比例為44.24%，主要分布在流域上游和中游；1級地占地面積也較少，只有3.62%，分布也比較零散，主要分布在流域東北部與中部，還有一部分零星分布在流域東部。
總體來看，朱溪小流域內(nèi)生態(tài)恢復(fù)程度極低(等級4和等級5)的區(qū)域面積較小，大部分區(qū)域?yàn)橹械然謴?fù)程度(等級2和等級3)，說明生態(tài)保護(hù)措施發(fā)揮了一定作用。另一方面，研究區(qū)內(nèi)生態(tài)恢復(fù)程度高的區(qū)域面積(等級1)仍很小，這意味未來仍需加強(qiáng)治理和保護(hù)工作。
表3 朱溪小流域生態(tài)恢復(fù)度分級面積統(tǒng)計(jì)數(shù)據(jù)Table 3 The statistic of ecological recovery degree grading area in the small watershed of Zhuxi
4 討論
生態(tài)恢復(fù)定量評價面臨的難點(diǎn)，是各個評價指標(biāo)與生態(tài)恢復(fù)度之間的非線性映射關(guān)系以及各指標(biāo)貢獻(xiàn)率的確定，克服難點(diǎn)的關(guān)鍵，在于如何處理非線性關(guān)系和貢獻(xiàn)率的問題。BP神經(jīng)網(wǎng)絡(luò)模型具有感知、記憶和思維、自組織、自適應(yīng)、抗干擾和容錯性強(qiáng)等優(yōu)點(diǎn)，模型采用誤差反向傳播算法，通過調(diào)整隱含層節(jié)點(diǎn)數(shù)，提高網(wǎng)絡(luò)學(xué)習(xí)能力，修正訓(xùn)練結(jié)果，實(shí)現(xiàn)任意精度無限逼近任何非線性函數(shù)，克服了傳統(tǒng)方法在映射關(guān)系方面的不足。此外，在學(xué)習(xí)訓(xùn)練過程中，模型依據(jù)各指標(biāo)對結(jié)果的影響程度，自動調(diào)整各指標(biāo)的權(quán)值，解決了貢獻(xiàn)率如何確定的問題。因此，BP網(wǎng)絡(luò)具備的先天優(yōu)勢恰好匹配了生態(tài)恢復(fù)評價的需要，采用BP 神經(jīng)網(wǎng)絡(luò)建模，評價生態(tài)恢復(fù)程度，可行性較高。
評價指標(biāo)體系的選取是建模的另一個核心部分，本文使用熱環(huán)境(地表溫度)數(shù)據(jù)，使得評價體系更為全面，并得到了較為理想的模擬結(jié)果。未來相關(guān)工作，可以將生物量、凋落物組成、喬木密度、高度等更多指示生態(tài)系統(tǒng)特征的指標(biāo)融入評價體系，模型的評價結(jié)果將更為完善和精確。
基于BP算法建立的各種模型已經(jīng)被廣泛應(yīng)用于各個領(lǐng)域，本文借助建立的BP神經(jīng)網(wǎng)絡(luò)模型，對朱溪小流域生態(tài)恢復(fù)程度做了定量評價，研究結(jié)果與實(shí)地情況基本相符，能夠較好的反映當(dāng)?shù)氐纳鷳B(tài)恢復(fù)現(xiàn)狀，實(shí)踐驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)在生態(tài)恢復(fù)評價領(lǐng)域同樣具有可行性。
另外，為了直觀的展示模型的輸出結(jié)果，本研究借助ArcGIS9.2軟件，將模型輸出的點(diǎn)數(shù)據(jù)轉(zhuǎn)換成面數(shù)據(jù)，生成整個朱溪小流域的生態(tài)恢復(fù)度分布圖，更加直觀。
[1] Freer-Smith P H. Do pollutant-related forest declines threaten the sustainability of forests? Ambio, 1998, 27(2): 123-131.
[2] Li W H. Degradation and restoration of forest ecosystems in China. Forest Ecology and Management, 2004; 201(1): 33-41.
[3] McKee K L, Faulkner P L. Restoration of biogeochemical function in mangrove forests. Restoration Ecology, 2000, 8(3): 247-259.
[4] Watts C H, Gibbs G W. Revegetation and its effect on the ground-dwelling beetle fauna of Matiu-Somes Island, New Zealand. Restoration Ecology, 2002, 10(1): 96-106.
[5] 高春風(fēng). 生態(tài)環(huán)境質(zhì)量指標(biāo)體系的建立與應(yīng)用. 渤海大學(xué)學(xué)報: 自然科學(xué)版, 2006, 27(3): 215-219.
[6] 劉綺, 潘偉斌. 環(huán)境質(zhì)量評價. 廣州: 華南理工大學(xué)出版社, 2004.
[7] 丁立仲, 盧劍波, 徐文榮. 浙西山區(qū)上梧溪小流域生態(tài)恢復(fù)工程效益評價研究. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2006, 14(3): 202-205.
[8] 於方, 周昊, 許申來. 生態(tài)恢復(fù)的環(huán)境效應(yīng)評價研究進(jìn)展. 生態(tài)環(huán)境學(xué)報, 2009, 18(1): 374-379.
[9] 李菘, 邱微, 趙慶良, 劉正茂. 層次分析法應(yīng)用于黑龍江省生態(tài)環(huán)境質(zhì)量評價研究. 環(huán)境科學(xué), 2006, 27(5): 1031-1034.
[10] Jollands N, Lermit J, Patterson M. Aggregate eco-efficiency indices for New Zealand-a principal components analysis. Journal of environmental Management, 2004, 73(4): 293-305.
[11] Palmer M, Bernhardt E, Allan J, Lake P, Alexander G, Brooks S, Carr J, Clayton S, Dahm C N, Follstad Shah J, Galat D L, Loss S G, Goodwin P, Hart D D, Hassett B, Jenkinson R, Kondolf G M, Lave R, Meyer J L, O′donnell T K, Pagano L, Sudduth E. Standards for ecologically successful river restoration. Journal of Applied Ecology, 2005, 42(2): 208-217.
[12] 馬姜明, 劉世榮, 史作民, 劉興良, 繆寧. 退化森林生態(tài)系統(tǒng)恢復(fù)評價研究綜述. 生態(tài)學(xué)報, 2010, 30(12): 3297-3303.
[13] 周開利, 康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì). 北京: 清華大學(xué)出版社, 2005.
[14] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例. 北京: 機(jī)械工業(yè)出版社, 2003.
[15] 陳志彪. 花崗巖侵蝕山地生態(tài)重建及其生態(tài)環(huán)境效應(yīng) [D]. 福州: 福建師范大學(xué), 2005.
[16] Rhoades C C, Eckert G E, Coleman D C. Effect of pasture trees on soil nitrogen and organic matter: implications for tropical montane forest restoration. Restoration Ecology, 1998, 6(3): 262-270.
[17] Parrotta J A, Knowles O H. Restoration of tropical moist forests on bauxite-mined lands in the Brazilian Amazon. Restoration Ecology, 1999, 7(2): 103-16.
[18] 李洪義, 史舟, 沙晉明, 程街亮. 基于人工神經(jīng)網(wǎng)絡(luò)的生態(tài)環(huán)境質(zhì)量遙感評價. 應(yīng)用生態(tài)學(xué)報, 2006, 17(8): 1475-1480.
[19] 李湘梅, 周敬宣. 基于BP神經(jīng)網(wǎng)絡(luò)的城市總生態(tài)足跡預(yù)測研究——以武漢市為例. 環(huán)境科學(xué)與技術(shù), 2007, 30(8): 68-70.
[20] Clewell A F. Restoration of riverine forest at Hall Branch on phosphate-mined land, Florida. Restoration Ecology, 1999, 7(1): 1-14.
[21] Van Aarde R J, Ferreira S M, Kritzinger J J. An evaluation of habitat rehabilitation on coastal dune forests in northern KwaZulu-Natal, South Africa. Restoration Ecology, 1996, 4(4): 334-345.
[22] Reay S D, Norton D A. Assessing the success of restoration plantings in a temperate New Zealand forest. Restoration Ecology, 1999, 7(3): 298-308.
[23] Ruiz-Jaen M C, Mitchell Aide T. Restoration success: How is it being measured? Restoration Ecology, 2005, 13(3): 569-577.
Calculation of ecological recovery based on bp neural network: a case study of Zhuxi Small Watershed in Changting County, Fujian Province
LI Rongli, CHEN Zhibiao*, CHEN Zhiqiang, ZHANG Xiaoyun, ZHENG Lidan, WANG Qiuyun
CollegeofGeographicalSciences,FujianNormalUniversity,Fuzhou350007,China
Environmental degeneration has seriously restricted the economic and social development of countries around the world. To tackle the problem, the projects of ecological restoration and reconstruction have been or are being carried out in many places. Under this background, many scholars try to assess the effects of ecological restoration through statistical method, comprehensive evaluation method, fuzzy evaluation method and grey evaluation method. However, it is difficult to discern the non-liner correlation between each assessment indicator and the degree of ecosystem restoration, as well as to decide the contribution ratio of each indicator. The methods mentioned above were complicated in assessing the contribution ratio of indicators; whereas, the back propagation neural network can solve the problems about non-linear model and contribution ratio of indicators effectively through adjusting the weight of each indicator automatically in the training process of this model. The research focuses on the small watershed of Zhuxi in Changting County, Fujian Province. The data was acquired from field investigation, lab analysis and remote sensing images which the features are extracted from. The ecosystem restoration model which can quantitatively evaluate the degree of the ecosystem restoration is built using back propagation neural network (BP-NN) by Matlab7.0 software. Firstly, four aspects covering nine indicators are chosen to assess the restored ecosystem, including soil physicochemical properties (soil organic matter, soil total N, soil total P, soil total K, soil bulk density, pH), indices of species diversity(Shannon-Wiener), thermal environment (surface temperature) and vegetation structure (vegetation coverage). The nine indicators are the input variables and the values of ecological restoration are output of the BP-NN. Secondly, the ecosystem restoration model is built by data preprocessing, sample training and sample test using Matlab7.0 software. Lastly, the ecological restoration of Zhuxi small watershed is quantitatively evaluated by the model. The results show that the predicted values from ecosystem restoration model are in accordance with the real situation, which indicates BP-NN model is feasible in quantitative evaluation of restored ecosystem. The area of extremely low ecosystem restoration in Zhuxi small watershed occupies only 0.94% and the area of medium ecosystem restoration accounts for 95.48%, which indicates that the measures of ecological protection have achieved initial results. However, the area of high ecosystem restoration accounts for only 3.62%, suggesting more work should be done in managing and protecting environment in future. The selection of assessment indicators is another core for building the model. Based on former researches, we add thermal environment data (surface temperature) to the model in this study, which can make the assessment system more comprehensive, and achieve more ideal simulation result. In further research, more indicators including biomass, composition of litter, arbor density, and height and so on will be admitted to the assessment system for more accurate result. For direct perception of the output of the model, the dot data of model output was transformed into the surface data to create the map for the degree of ecosystem restoration.
back propagation neural network; ecological restoration; model; Zhuxi small watershed
國家自然科學(xué)基金(41171232; 40871141)
2013-05-24;
日期:2014-04-25
10.5846/stxb201305241158
*通訊作者Corresponding author.E-mail: chenzhib408@vip.163.com
李榮麗，陳志彪，陳志強(qiáng)，張曉云，鄭麗丹，王秋云.基于BP神經(jīng)網(wǎng)絡(luò)的流域生態(tài)恢復(fù)度計(jì)算——以福建長汀朱溪小流域?yàn)槔?生態(tài)學(xué)報,2015,35(6):1973-1981.
Li R L, Chen Z B, Chen Z Q, Zhang X Y, Zheng L D, Wang Q Y.Calculation of ecological recovery based on bp neural network: a case study of Zhuxi Small Watershed in Changting County, Fujian Province.Acta Ecologica Sinica,2015,35(6):1973-1981.
猜你喜歡
壓油溝小流域中國水土保持(2022年6期)2022-06-08 03:58:40 額爾古納市興安落葉松中齡林植被碳儲量研究現(xiàn)代園藝(2021年23期)2021-12-01 07:47:44 堡子溝流域綜合治理中國水土保持(2021年7期)2021-07-08 06:14:06 羅堰小流域中國水土保持(2021年12期)2021-04-11 08:19:44 昆明市主要綠化樹種閾值測定與分析林業(yè)勘查設(shè)計(jì)(2020年1期)2021-01-18 02:40:48 基于角尺度模型的林業(yè)樣地空間結(jié)構(gòu)分析新農(nóng)業(yè)(2020年18期)2021-01-07 02:17:08 神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究電子制作(2019年19期)2019-11-23 08:42:00 水利規(guī)劃與設(shè)計(jì)(2018年1期)2018-01-31 01:53:37 基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立重型機(jī)械(2016年1期)2016-03-01 03:42:04 復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用大連工業(yè)大學(xué)學(xué)報(2015年4期)2015-12-11 04:06:52
李榮麗, 陳志彪, 陳志強(qiáng), 張曉云, 鄭麗丹, 王秋云
福建師范大學(xué)地理科學(xué)學(xué)院, 福州 350007
基于BP神經(jīng)網(wǎng)絡(luò)的流域生態(tài)恢復(fù)度計(jì)算
——以福建長汀朱溪小流域?yàn)槔?/p>
李榮麗, 陳志彪*, 陳志強(qiáng), 張曉云, 鄭麗丹, 王秋云
福建師范大學(xué)地理科學(xué)學(xué)院, 福州 350007
以福建省長汀縣朱溪小流域?yàn)檠芯繉ο螅ㄟ^野外調(diào)查、室內(nèi)分析以及遙感影像提取相結(jié)合的方法獲取數(shù)據(jù)。利用Matlab7.0軟件建立BP神經(jīng)網(wǎng)絡(luò)生態(tài)恢復(fù)模型，定量評價退化生態(tài)系統(tǒng)的恢復(fù)程度。選擇土壤理化性質(zhì)(有機(jī)質(zhì)、全N、全P、全K、容重和pH)、植被結(jié)構(gòu)(植被蓋度)、物種多樣性指數(shù)(Shannon-Wiener指數(shù))和熱環(huán)境(地表溫度)等4個方面的9個指標(biāo)建立退化生態(tài)系統(tǒng)評價體系，并作為生態(tài)恢復(fù)模型的輸入層數(shù)據(jù)，生態(tài)恢復(fù)度作為輸出層數(shù)據(jù)。使用Matlab7.0進(jìn)行數(shù)據(jù)預(yù)處理、樣本訓(xùn)練、樣本檢驗(yàn)并建立生態(tài)恢復(fù)模型。利用建立的生態(tài)恢復(fù)模型對整個朱溪小流域生態(tài)恢復(fù)度進(jìn)行定量評價。結(jié)果表明，生態(tài)恢復(fù)模型預(yù)測結(jié)果與流域生態(tài)恢復(fù)的實(shí)際情況基本吻合，利用BP神經(jīng)網(wǎng)絡(luò)模型定量評價退化生態(tài)系統(tǒng)的恢復(fù)程度具有可行性。朱溪小流域內(nèi)生態(tài)恢復(fù)程度極低的區(qū)域面積僅占0.94%，95.48%區(qū)域?yàn)橹械然謴?fù)程度，說明生態(tài)保護(hù)措施已初見成效；生態(tài)恢復(fù)程度高的區(qū)域面積僅占3.62%，意味著未來仍需加強(qiáng)治理和保護(hù)工作。
BP神經(jīng)網(wǎng)絡(luò); 生態(tài)恢復(fù); 模型; 朱溪小流域
生態(tài)環(huán)境退化嚴(yán)重制約了世界各國的經(jīng)濟(jì)和社會發(fā)展進(jìn)程，已成為全人類必須面對和亟待解決的重要課題[1]。在此背景下，相關(guān)學(xué)者和各國政府部門積極開展退化生態(tài)系統(tǒng)恢復(fù)與重建工作[2]。為了評估生態(tài)恢復(fù)與重建的成效，以及對未來工作的部署，均要求對退化生態(tài)系統(tǒng)恢復(fù)程度作出科學(xué)的評價。
目前，常見的評價方法多以統(tǒng)計(jì)學(xué)方法[3-4]、綜合評價法[5-6]、模糊評價法[7]、灰色評價法[8]、主成分分析法[9-10]等為基礎(chǔ)，建立相應(yīng)的指標(biāo)體系進(jìn)行定量評價[11-12]，但是，已有方法對指標(biāo)貢獻(xiàn)率的確定方面較復(fù)雜，而BP神經(jīng)網(wǎng)絡(luò)方法則通過網(wǎng)絡(luò)訓(xùn)練不斷調(diào)節(jié)權(quán)值，方便且精度高。另外，此方法適合于非線性模式識別和分類預(yù)測問題，可以通過學(xué)習(xí)逼近任何非線性函數(shù)[13-14]，適合類似本研究這樣的非線性問題。
綜上，本文選擇具有代表性的土壤侵蝕極為嚴(yán)重的中國亞熱帶紅壤地區(qū)，朱溪小流域?yàn)檠芯繀^(qū)域[15]，引入BP神經(jīng)網(wǎng)絡(luò)方法，采用BP算法建立生態(tài)恢復(fù)定量評價模型，評價朱溪小流域的生態(tài)恢復(fù)情況。這既是對生態(tài)恢復(fù)與重建評價方法的有益嘗試和探索，也可對流域今后的治理工作提供決策依據(jù)，兼具理論和現(xiàn)實(shí)意義。
1 研究地區(qū)與研究方法
1.1 研究區(qū)自然概況
朱溪小流域位于福建西南部的長汀縣河田鎮(zhèn)(116°23′30″—116°30′30″E，25°38′15″—25°42′55″N)(圖1)，屬中亞熱帶季風(fēng)性濕潤氣候，年平均氣溫18.4 ℃，年平均降水量1 730 mm，年平均徑流量950—1020 mm。地貌類型以低山丘陵為主，土壤主要為燕山晚期礦物晶粒粗大的黑云母花崗巖，在長期濕熱濕熱氣候條件下風(fēng)化發(fā)育而成的紅壤、侵蝕紅壤。地帶性植被為亞熱帶常綠闊葉林，但因長期嚴(yán)重的水土流失和人為破壞，地帶植被遭到嚴(yán)重破壞，原始植被幾乎全部被次生林所替代，主要植被類型為次生馬尾林、幼林，樹種單一，結(jié)構(gòu)簡單[15]。
圖1 研究區(qū)地理位置圖Fig.1 The location of study region
1.2 基礎(chǔ)數(shù)據(jù)獲取
圖2 朱溪小流域土壤采樣分布圖 Fig.2 The distribution of sampling point in the small watershed of Zhuxi
本研究采用野外調(diào)查、室內(nèi)分析及遙感影像提取相結(jié)合的方法獲取相關(guān)數(shù)據(jù)。2009年7月，采用典型SOTER(Soil and Terrain Digital Database)單元和柵格結(jié)合法，選擇朱溪小流域內(nèi)涵蓋研究區(qū)內(nèi)各種土地覆被利用類型的118個點(diǎn)作為研究樣點(diǎn)(圖2)。依據(jù)不同植被類型布設(shè)20 m×20 m的標(biāo)準(zhǔn)樣地46個，進(jìn)行植物群落調(diào)查。同時隨機(jī)挖取3個土壤剖面，取表層土0—20 cm，挑去石礫與根系，帶回實(shí)驗(yàn)室做相應(yīng)處理，測定土壤養(yǎng)分指標(biāo)。測定方法采用濃硫酸-重鉻酸鉀加熱法測定土壤有機(jī)質(zhì)；開氏定氮法測定土壤全N；濃硫酸-高氯酸消煮-原子吸收法測定土壤全K；濃硫酸-高氯酸消煮-鑰銻抗比色法測定土壤全P；室內(nèi)風(fēng)干水土電位法(水土比5∶1)測定土壤pH值。
植被蓋度、地表溫度數(shù)據(jù)通過軟件ENVI4.2、ArcGIS9.2提取SPOT5、ASTER影像數(shù)據(jù)獲取；Shannon-Wiener多樣性指數(shù)根據(jù)公式計(jì)算得到。
1.3 數(shù)據(jù)處理與研究方法
采用Excel軟件對實(shí)測數(shù)據(jù)進(jìn)行前期處理，基于BP算法，利用Matlab7.0軟件建立生態(tài)恢復(fù)模型。以118個樣點(diǎn)數(shù)據(jù)為基礎(chǔ)，應(yīng)用ArcGIS9.2軟件地統(tǒng)計(jì)模塊的克里格空間插值和ENVI4.2軟件提取影像等獲取流域內(nèi)的9個評價指標(biāo)的柵格數(shù)據(jù)，作為生態(tài)恢復(fù)評價模型應(yīng)用的輸入層數(shù)據(jù)，并將其輸入已建立的評價模型，得到整個流域的生態(tài)恢復(fù)度值。最后借助ArcGIS9.2軟件生成整個流域的生態(tài)恢復(fù)度結(jié)果圖。
2 生態(tài)恢復(fù)度模型的構(gòu)建
2.1 BP網(wǎng)絡(luò)結(jié)構(gòu)和算法
圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 The structure of BP neural network
典型的BP神經(jīng)網(wǎng)絡(luò)是一個由輸入層、隱含層和輸出層構(gòu)成的三層前饋神經(jīng)網(wǎng)絡(luò)(圖3)。BP網(wǎng)絡(luò)的學(xué)習(xí)過程由信息的正向傳播和誤差的反向傳播組成。當(dāng)給定網(wǎng)絡(luò)一組輸入模式時，BP網(wǎng)絡(luò)將依次對這組輸入模式按如下方式學(xué)習(xí)：首先，把輸入模式從輸入層傳輸?shù)诫[含層單元，經(jīng)隱含層單元逐層處理后，產(chǎn)生一個輸入模式傳送到輸出層，這一過程稱為正向傳播；然后將輸出結(jié)果和期待值進(jìn)行比較，如果沒有達(dá)到所預(yù)計(jì)的期望，則轉(zhuǎn)變?yōu)檎`差的反向傳播，將誤差沿原路徑返回，通過修改各層神經(jīng)元的連接權(quán)值，使誤差信號變小。這種正向傳播和反向傳播相互交替，看成一個“記憶訓(xùn)練”的過程。系統(tǒng)不斷地循環(huán)這兩個過程，重復(fù)學(xué)習(xí)，一直到輸出值和期待值的誤差減小到規(guī)定范圍內(nèi)，系統(tǒng)停止學(xué)習(xí)。此刻將新樣本輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，就可以得到相應(yīng)的輸出值[16]。有研究表明，一個三層神經(jīng)網(wǎng)絡(luò)模型就可解決一般函數(shù)的擬合逼近問題，因此，三層人工神經(jīng)網(wǎng)絡(luò)能滿足要求，即網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)由輸入層、單隱含層和輸出層組成[17]。
2.2 設(shè)定生態(tài)恢復(fù)度值
根據(jù)中亞熱帶地區(qū)森林生態(tài)系統(tǒng)恢復(fù)進(jìn)程，將裸地—草地—馬尾松和灌叢—針闊混交林—常綠闊葉林5個不同恢復(fù)階段分別用0—0.2、0.2—0.4、0.4—0.6、0.6—0.8、0.8—1等5個數(shù)值區(qū)間表示，定量表征退化生態(tài)系統(tǒng)恢復(fù)與重建程度。其中，常綠闊葉林生態(tài)恢復(fù)度最佳，設(shè)為恢復(fù)等級1，針闊混交林、馬尾松和灌叢、草地次之，依次設(shè)為恢復(fù)等級2、恢復(fù)等級3和恢復(fù)等級4，裸地的生態(tài)恢復(fù)度最低，設(shè)為恢復(fù)等級5。
2.3 指標(biāo)體系構(gòu)建
關(guān)于退化生態(tài)系統(tǒng)評價指標(biāo)，國際恢復(fù)生態(tài)學(xué)會提出了9個生態(tài)系統(tǒng)特征，相關(guān)學(xué)者在實(shí)踐應(yīng)用中將其歸納為：1)生態(tài)學(xué)過程(如，養(yǎng)分庫、土壤有機(jī)質(zhì)以及生物間的相互關(guān)系)[18]；2)植被結(jié)構(gòu)(如，植被蓋度、生物量、凋落物結(jié)構(gòu)、喬木密度、高度等)[19-20]；3)物種多樣性[21-22]等三個方面[23]。此外，鑒于環(huán)境因子(如溫度、濕度、降水等微域小氣候)與生態(tài)系統(tǒng)類型之間的聯(lián)系，比如：炎熱的環(huán)境嚴(yán)重制約著植物的生長，因此本研究增加了熱環(huán)境數(shù)據(jù)，以進(jìn)一步完善和豐富指標(biāo)體系。
綜上，本文從土壤理化性質(zhì)(有機(jī)質(zhì)、全N、全P、全K、容重和pH)、植被結(jié)構(gòu)(植被蓋度)、物種多樣性(Shannon-Wiener指數(shù))以及熱環(huán)境(地表溫度)四個方面選擇9個指標(biāo)建立退化生態(tài)系統(tǒng)評價體系。
2.4 模型樣本選取
118個樣地中，選擇對植物群落做過調(diào)查的46個樣地，因此，46個不同恢復(fù)程度的樣本作為模型建立的樣本數(shù)據(jù)(表1)，其中包括常綠闊葉林樣地7個，針闊混交林樣地6個，馬尾松和灌叢樣地21個，草地樣地7個，裸地樣地5個。然后在樣本數(shù)據(jù)中按10%的比例，隨機(jī)抽取能夠代表5個不同恢復(fù)程度(樣地編號分別為7、11、19、31、39和44)的6個樣地，作為測試樣本，其余40個樣地為訓(xùn)練樣本。
表1 模型樣本數(shù)據(jù)Table 1 The sample data of model
2.5 結(jié)果輸出
圖4 BP網(wǎng)絡(luò)生態(tài)恢復(fù)模型Fig.4 BP network model of Ecological restoration
在BP 人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，輸入層神經(jīng)元與輸出層神經(jīng)元個數(shù)是由問題的本身決定。本文中輸入層神經(jīng)元個數(shù)為選定的9個評價指標(biāo)，輸出層為生態(tài)恢復(fù)度等級，隱含層的神經(jīng)元數(shù)采用逐步減少神經(jīng)元個數(shù)的刪減法則和逐步增加神經(jīng)元個數(shù)的擴(kuò)張法則試算確定，經(jīng)過反復(fù)比較各種隱含層神經(jīng)元個數(shù)網(wǎng)絡(luò)收斂情況，最后確定隱含層最優(yōu)神經(jīng)元個數(shù)為9個。為保證網(wǎng)絡(luò)快速收斂，采用Levenberg-Marquardt反傳算法，隱含層神經(jīng)元采用的傳遞函數(shù)為雙曲正切S型函數(shù)tansig，輸出層神經(jīng)元采用S型傳輸函數(shù)logsig，構(gòu)建的生態(tài)恢復(fù)模型見圖4。
2.6 模型訓(xùn)練
為避免訓(xùn)練過程中出現(xiàn)過飽和狀態(tài)，提高網(wǎng)絡(luò)收斂速度，首先對訓(xùn)練樣本(40個)進(jìn)行歸一化處理，設(shè)定網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainlm，性能函數(shù)為mse，訓(xùn)練參數(shù)為默認(rèn)值，網(wǎng)絡(luò)訓(xùn)練8次后，達(dá)到設(shè)定的精度，網(wǎng)絡(luò)收斂，訓(xùn)練結(jié)束。
2.7 模型檢驗(yàn)
網(wǎng)絡(luò)訓(xùn)練完成以后，利用檢驗(yàn)樣本(6個)進(jìn)行測試，檢查模型輸出值和真實(shí)值之間的誤差。由表2可見，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型輸出的生態(tài)恢復(fù)度值與真實(shí)值非常接近，絕對誤差處于±0.03之間，相對誤差低于7%，不會產(chǎn)生分類歧義，所以網(wǎng)絡(luò)對測試樣本的分辨100%成功，由此可以認(rèn)為網(wǎng)絡(luò)的映射能力較高，完全能夠進(jìn)行正確分類，模型訓(xùn)練精度及檢驗(yàn)結(jié)果可信度均較高，檢驗(yàn)通過。
3 結(jié)果與分析
3.1 流域生態(tài)恢復(fù)度的計(jì)算
BP神經(jīng)網(wǎng)絡(luò)生態(tài)恢復(fù)模型的應(yīng)用原理，是將被評價對象的特征參數(shù)作為評價指標(biāo)，由輸入層輸入模型，模型根據(jù)訓(xùn)練記憶作出判讀，并輸出對應(yīng)的生態(tài)恢復(fù)度值。因此，在應(yīng)用模型評價朱溪小流域生態(tài)恢復(fù)程度時，首先要提取整個流域的9個評價指標(biāo)數(shù)據(jù)。
表2 模型檢驗(yàn)結(jié)果和期望輸出對比Table 2 Comparison of expected value and model test results
本文中，通過ENVI4.2軟件提取SPOT5、ASTER影像獲取植被蓋度、地表溫度數(shù)據(jù)。其余指標(biāo)獲取途徑如下：以110個樣點(diǎn)數(shù)據(jù)為基礎(chǔ)，應(yīng)用ArcGIS9.2軟件的地統(tǒng)計(jì)模塊，采用普通克里格最優(yōu)內(nèi)插值法，得到整個朱溪小流域內(nèi)土壤有機(jī)質(zhì)、全N、全P、全K、容重、pH以及生物多樣性指標(biāo)(Shannon-Wiener指數(shù))的空間分布柵格圖，部分圖給出(圖5—圖10)。然后，借助ArcGIS9.2軟件，將各個指標(biāo)空間分布圖的柵格單元轉(zhuǎn)化成點(diǎn)數(shù)據(jù)，作為模型的輸入樣本。整個小流域共有65 567個輸入樣本。
將輸入樣本輸入BP神經(jīng)網(wǎng)絡(luò)生態(tài)恢復(fù)模型，由模型計(jì)算得出65 567個生態(tài)恢復(fù)度值。然后，利用ArcGIS9.2軟件剔除未治理區(qū)域的(耕地、交通用地、水域、園地、居住地與工礦用地等)數(shù)據(jù)(因本文主要對朱溪小流域內(nèi)實(shí)施治理措施的林地、草地等作出評價)，根據(jù)剩余數(shù)據(jù)生成朱溪小流域生態(tài)恢復(fù)度分布圖(圖11)，并統(tǒng)計(jì)不同恢復(fù)等級的分布面積(表3)。
圖5 土壤有機(jī)質(zhì)空間分布圖Fig.5 The spatial distribution of SOM
圖6 土壤全氮空間分布圖Fig.6 The spatial distribution of soil total N
圖7 土壤容重空間分布圖Fig.7 The spatial distribution of soil bulk destiny
圖8 土壤pH空間分布圖Fig.8 The spatial distribution of soil pH
圖9 植被蓋度圖Fig.9 The figure of vegetation coverage
圖10 地表溫度圖Fig.10 The figure of surface temperature
圖11 朱溪小流域生態(tài)恢復(fù)程度Fig.11 Ecological restoration of the small watershed of Zhuxi
由圖11和表3可以看出，朱溪小流域內(nèi)4級、5級地面積較小，僅占總面積的8.04%，土地利用類型為居民用地與耕地，因受人為活動影響較大，其生態(tài)恢復(fù)程度較差。2級地和3級地占地面積最大，分布最廣，兩者共占流域總面積的88.35%。其中，3級地占總面積的44.11%，上、中、下游都有分布，且集中在流域東部；2級地所占比例為44.24%，主要分布在流域上游和中游；1級地占地面積也較少，只有3.62%，分布也比較零散，主要分布在流域東北部與中部，還有一部分零星分布在流域東部。
總體來看，朱溪小流域內(nèi)生態(tài)恢復(fù)程度極低(等級4和等級5)的區(qū)域面積較小，大部分區(qū)域?yàn)橹械然謴?fù)程度(等級2和等級3)，說明生態(tài)保護(hù)措施發(fā)揮了一定作用。另一方面，研究區(qū)內(nèi)生態(tài)恢復(fù)程度高的區(qū)域面積(等級1)仍很小，這意味未來仍需加強(qiáng)治理和保護(hù)工作。
表3 朱溪小流域生態(tài)恢復(fù)度分級面積統(tǒng)計(jì)數(shù)據(jù)Table 3 The statistic of ecological recovery degree grading area in the small watershed of Zhuxi
4 討論
生態(tài)恢復(fù)定量評價面臨的難點(diǎn)，是各個評價指標(biāo)與生態(tài)恢復(fù)度之間的非線性映射關(guān)系以及各指標(biāo)貢獻(xiàn)率的確定，克服難點(diǎn)的關(guān)鍵，在于如何處理非線性關(guān)系和貢獻(xiàn)率的問題。BP神經(jīng)網(wǎng)絡(luò)模型具有感知、記憶和思維、自組織、自適應(yīng)、抗干擾和容錯性強(qiáng)等優(yōu)點(diǎn)，模型采用誤差反向傳播算法，通過調(diào)整隱含層節(jié)點(diǎn)數(shù)，提高網(wǎng)絡(luò)學(xué)習(xí)能力，修正訓(xùn)練結(jié)果，實(shí)現(xiàn)任意精度無限逼近任何非線性函數(shù)，克服了傳統(tǒng)方法在映射關(guān)系方面的不足。此外，在學(xué)習(xí)訓(xùn)練過程中，模型依據(jù)各指標(biāo)對結(jié)果的影響程度，自動調(diào)整各指標(biāo)的權(quán)值，解決了貢獻(xiàn)率如何確定的問題。因此，BP網(wǎng)絡(luò)具備的先天優(yōu)勢恰好匹配了生態(tài)恢復(fù)評價的需要，采用BP 神經(jīng)網(wǎng)絡(luò)建模，評價生態(tài)恢復(fù)程度，可行性較高。
評價指標(biāo)體系的選取是建模的另一個核心部分，本文使用熱環(huán)境(地表溫度)數(shù)據(jù)，使得評價體系更為全面，并得到了較為理想的模擬結(jié)果。未來相關(guān)工作，可以將生物量、凋落物組成、喬木密度、高度等更多指示生態(tài)系統(tǒng)特征的指標(biāo)融入評價體系，模型的評價結(jié)果將更為完善和精確。
基于BP算法建立的各種模型已經(jīng)被廣泛應(yīng)用于各個領(lǐng)域，本文借助建立的BP神經(jīng)網(wǎng)絡(luò)模型，對朱溪小流域生態(tài)恢復(fù)程度做了定量評價，研究結(jié)果與實(shí)地情況基本相符，能夠較好的反映當(dāng)?shù)氐纳鷳B(tài)恢復(fù)現(xiàn)狀，實(shí)踐驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)在生態(tài)恢復(fù)評價領(lǐng)域同樣具有可行性。
另外，為了直觀的展示模型的輸出結(jié)果，本研究借助ArcGIS9.2軟件，將模型輸出的點(diǎn)數(shù)據(jù)轉(zhuǎn)換成面數(shù)據(jù)，生成整個朱溪小流域的生態(tài)恢復(fù)度分布圖，更加直觀。
[1] Freer-Smith P H. Do pollutant-related forest declines threaten the sustainability of forests? Ambio, 1998, 27(2): 123-131.
[2] Li W H. Degradation and restoration of forest ecosystems in China. Forest Ecology and Management, 2004; 201(1): 33-41.
[3] McKee K L, Faulkner P L. Restoration of biogeochemical function in mangrove forests. Restoration Ecology, 2000, 8(3): 247-259.
[4] Watts C H, Gibbs G W. Revegetation and its effect on the ground-dwelling beetle fauna of Matiu-Somes Island, New Zealand. Restoration Ecology, 2002, 10(1): 96-106.
[5] 高春風(fēng). 生態(tài)環(huán)境質(zhì)量指標(biāo)體系的建立與應(yīng)用. 渤海大學(xué)學(xué)報: 自然科學(xué)版, 2006, 27(3): 215-219.
[6] 劉綺, 潘偉斌. 環(huán)境質(zhì)量評價. 廣州: 華南理工大學(xué)出版社, 2004.
[7] 丁立仲, 盧劍波, 徐文榮. 浙西山區(qū)上梧溪小流域生態(tài)恢復(fù)工程效益評價研究. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2006, 14(3): 202-205.
[8] 於方, 周昊, 許申來. 生態(tài)恢復(fù)的環(huán)境效應(yīng)評價研究進(jìn)展. 生態(tài)環(huán)境學(xué)報, 2009, 18(1): 374-379.
[9] 李菘, 邱微, 趙慶良, 劉正茂. 層次分析法應(yīng)用于黑龍江省生態(tài)環(huán)境質(zhì)量評價研究. 環(huán)境科學(xué), 2006, 27(5): 1031-1034.
[10] Jollands N, Lermit J, Patterson M. Aggregate eco-efficiency indices for New Zealand-a principal components analysis. Journal of environmental Management, 2004, 73(4): 293-305.
[11] Palmer M, Bernhardt E, Allan J, Lake P, Alexander G, Brooks S, Carr J, Clayton S, Dahm C N, Follstad Shah J, Galat D L, Loss S G, Goodwin P, Hart D D, Hassett B, Jenkinson R, Kondolf G M, Lave R, Meyer J L, O′donnell T K, Pagano L, Sudduth E. Standards for ecologically successful river restoration. Journal of Applied Ecology, 2005, 42(2): 208-217.
[12] 馬姜明, 劉世榮, 史作民, 劉興良, 繆寧. 退化森林生態(tài)系統(tǒng)恢復(fù)評價研究綜述. 生態(tài)學(xué)報, 2010, 30(12): 3297-3303.
[13] 周開利, 康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì). 北京: 清華大學(xué)出版社, 2005.
[14] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例. 北京: 機(jī)械工業(yè)出版社, 2003.
[15] 陳志彪. 花崗巖侵蝕山地生態(tài)重建及其生態(tài)環(huán)境效應(yīng) [D]. 福州: 福建師范大學(xué), 2005.
[16] Rhoades C C, Eckert G E, Coleman D C. Effect of pasture trees on soil nitrogen and organic matter: implications for tropical montane forest restoration. Restoration Ecology, 1998, 6(3): 262-270.
[17] Parrotta J A, Knowles O H. Restoration of tropical moist forests on bauxite-mined lands in the Brazilian Amazon. Restoration Ecology, 1999, 7(2): 103-16.
[18] 李洪義, 史舟, 沙晉明, 程街亮. 基于人工神經(jīng)網(wǎng)絡(luò)的生態(tài)環(huán)境質(zhì)量遙感評價. 應(yīng)用生態(tài)學(xué)報, 2006, 17(8): 1475-1480.
[19] 李湘梅, 周敬宣. 基于BP神經(jīng)網(wǎng)絡(luò)的城市總生態(tài)足跡預(yù)測研究——以武漢市為例. 環(huán)境科學(xué)與技術(shù), 2007, 30(8): 68-70.
[20] Clewell A F. Restoration of riverine forest at Hall Branch on phosphate-mined land, Florida. Restoration Ecology, 1999, 7(1): 1-14.
[21] Van Aarde R J, Ferreira S M, Kritzinger J J. An evaluation of habitat rehabilitation on coastal dune forests in northern KwaZulu-Natal, South Africa. Restoration Ecology, 1996, 4(4): 334-345.
[22] Reay S D, Norton D A. Assessing the success of restoration plantings in a temperate New Zealand forest. Restoration Ecology, 1999, 7(3): 298-308.
[23] Ruiz-Jaen M C, Mitchell Aide T. Restoration success: How is it being measured? Restoration Ecology, 2005, 13(3): 569-577.
Calculation of ecological recovery based on bp neural network: a case study of Zhuxi Small Watershed in Changting County, Fujian Province
LI Rongli, CHEN Zhibiao*, CHEN Zhiqiang, ZHANG Xiaoyun, ZHENG Lidan, WANG Qiuyun
CollegeofGeographicalSciences,FujianNormalUniversity,Fuzhou350007,China
Environmental degeneration has seriously restricted the economic and social development of countries around the world. To tackle the problem, the projects of ecological restoration and reconstruction have been or are being carried out in many places. Under this background, many scholars try to assess the effects of ecological restoration through statistical method, comprehensive evaluation method, fuzzy evaluation method and grey evaluation method. However, it is difficult to discern the non-liner correlation between each assessment indicator and the degree of ecosystem restoration, as well as to decide the contribution ratio of each indicator. The methods mentioned above were complicated in assessing the contribution ratio of indicators; whereas, the back propagation neural network can solve the problems about non-linear model and contribution ratio of indicators effectively through adjusting the weight of each indicator automatically in the training process of this model. The research focuses on the small watershed of Zhuxi in Changting County, Fujian Province. The data was acquired from field investigation, lab analysis and remote sensing images which the features are extracted from. The ecosystem restoration model which can quantitatively evaluate the degree of the ecosystem restoration is built using back propagation neural network (BP-NN) by Matlab7.0 software. Firstly, four aspects covering nine indicators are chosen to assess the restored ecosystem, including soil physicochemical properties (soil organic matter, soil total N, soil total P, soil total K, soil bulk density, pH), indices of species diversity(Shannon-Wiener), thermal environment (surface temperature) and vegetation structure (vegetation coverage). The nine indicators are the input variables and the values of ecological restoration are output of the BP-NN. Secondly, the ecosystem restoration model is built by data preprocessing, sample training and sample test using Matlab7.0 software. Lastly, the ecological restoration of Zhuxi small watershed is quantitatively evaluated by the model. The results show that the predicted values from ecosystem restoration model are in accordance with the real situation, which indicates BP-NN model is feasible in quantitative evaluation of restored ecosystem. The area of extremely low ecosystem restoration in Zhuxi small watershed occupies only 0.94% and the area of medium ecosystem restoration accounts for 95.48%, which indicates that the measures of ecological protection have achieved initial results. However, the area of high ecosystem restoration accounts for only 3.62%, suggesting more work should be done in managing and protecting environment in future. The selection of assessment indicators is another core for building the model. Based on former researches, we add thermal environment data (surface temperature) to the model in this study, which can make the assessment system more comprehensive, and achieve more ideal simulation result. In further research, more indicators including biomass, composition of litter, arbor density, and height and so on will be admitted to the assessment system for more accurate result. For direct perception of the output of the model, the dot data of model output was transformed into the surface data to create the map for the degree of ecosystem restoration.
back propagation neural network; ecological restoration; model; Zhuxi small watershed
國家自然科學(xué)基金(41171232; 40871141)
2013-05-24;
日期:2014-04-25
10.5846/stxb201305241158
*通訊作者Corresponding author.E-mail: chenzhib408@vip.163.com
李榮麗，陳志彪，陳志強(qiáng)，張曉云，鄭麗丹，王秋云.基于BP神經(jīng)網(wǎng)絡(luò)的流域生態(tài)恢復(fù)度計(jì)算——以福建長汀朱溪小流域?yàn)槔?生態(tài)學(xué)報,2015,35(6):1973-1981.
Li R L, Chen Z B, Chen Z Q, Zhang X Y, Zheng L D, Wang Q Y.Calculation of ecological recovery based on bp neural network: a case study of Zhuxi Small Watershed in Changting County, Fujian Province.Acta Ecologica Sinica,2015,35(6):1973-1981.
猜你喜歡
中國水土保持(2022年6期)2022-06-08 03:58:40
現(xiàn)代園藝(2021年23期)2021-12-01 07:47:44
中國水土保持(2021年7期)2021-07-08 06:14:06
中國水土保持(2021年12期)2021-04-11 08:19:44
林業(yè)勘查設(shè)計(jì)(2020年1期)2021-01-18 02:40:48
新農(nóng)業(yè)(2020年18期)2021-01-07 02:17:08
電子制作(2019年19期)2019-11-23 08:42:00
重型機(jī)械(2016年1期)2016-03-01 03:42:04
大連工業(yè)大學(xué)學(xué)報(2015年4期)2015-12-11 04:06:52
