伊燕平，盧文喜，許曉鴻，洪德法

（1．吉林大學(xué) 環(huán)境與資源學(xué)院，長春130021；2．吉林省水土保持科學(xué)研究院，長春130033；3．長春市城鄉(xiāng)規(guī)劃設(shè)計(jì)研究院，長春130021）

目前，土壤侵蝕已成為危害人類生存與發(fā)展的主要生態(tài)環(huán)境問題之一。土壤侵蝕預(yù)測模型是實(shí)施水土流失監(jiān)測、指導(dǎo)水土保持措施配置、優(yōu)化水土資源利用的有效工具，已成為土壤侵蝕學(xué)科的前沿領(lǐng)域和土壤侵蝕過程定量研究的重要手段［1］。隨著計(jì)算機(jī)等相關(guān)學(xué)科的快速發(fā)展和土壤侵蝕機(jī)理研究的不斷深入，自20世紀(jì)60年代以來，土壤侵蝕模型研究和模擬技術(shù)越來越受到國內(nèi)外學(xué)者的重視，并對(duì)此進(jìn)行了大量研究建立了一系列經(jīng)驗(yàn)統(tǒng)計(jì)模型［2－3］。1965年Wischmeier和Smith在對(duì)美國東部地區(qū)30個(gè)州10 000多個(gè)徑流小區(qū)近30a觀測資料的基礎(chǔ)上提出了著名的通用土壤流失方程（USLE）［4－5］，并于1978年針對(duì)其應(yīng)用中存在的問題修正了通用土壤流失方程（RUSLE）［6］。與此同時(shí)，在土壤侵蝕機(jī)理研究方面以美國的 WEPP預(yù)測模型［7］、歐洲的EUROSEM模型［8］、澳大利亞的 GUEST模型［9］最具代表性。以上模型復(fù)雜性及適用性各異，模型中經(jīng)驗(yàn)參數(shù)適用范圍有限，不具備一定的通用性［10］。

人工神經(jīng)網(wǎng)絡(luò)是20世紀(jì)80年代興起的一種處理復(fù)雜非線性問題的手段，具有自組織、自學(xué)習(xí)、自適應(yīng)等特點(diǎn)，不僅被廣泛應(yīng)用于模式識(shí)別、圖像處理、非線性系統(tǒng)識(shí)別等領(lǐng)域，還被廣泛用于模擬預(yù)測和優(yōu)化配置等方面［11］。與經(jīng)驗(yàn)統(tǒng)計(jì)模型相比，神經(jīng)網(wǎng)絡(luò)模型具有更好的持久性與預(yù)測性，能夠用于解決同時(shí)存在多個(gè)自變量和多個(gè)因變量的預(yù)報(bào)問題。土壤侵蝕受多種隨機(jī)性、模糊性和灰色性等不確定性因素的影響，是一個(gè)復(fù)雜的非線性系統(tǒng)。針對(duì)土壤侵蝕過程的非線性、隨機(jī)性、模糊性等特點(diǎn)［12］，國內(nèi)外已有學(xué)者將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到土壤侵蝕預(yù)測研究中，如：Licznar等［13］通過神經(jīng)網(wǎng)絡(luò)模型對(duì)土壤侵蝕的產(chǎn)流產(chǎn)沙過程進(jìn)行模擬，模擬結(jié)果較WEPP模型更準(zhǔn)確；趙西寧等［14］應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)土壤侵蝕產(chǎn)沙量進(jìn)行預(yù)測，認(rèn)為神經(jīng)網(wǎng)絡(luò)模型比回歸模型能更好地刻畫出復(fù)雜的產(chǎn)沙過程；張科利等［15］應(yīng)用神經(jīng)網(wǎng)絡(luò)模型對(duì)土壤侵蝕進(jìn)行了預(yù)報(bào)研究。目前大多數(shù)神經(jīng)網(wǎng)絡(luò)土壤侵蝕預(yù)測模型采用BP（Back Propagation）網(wǎng)絡(luò)，但BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、局部極小、網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)難于確定，訓(xùn)練結(jié)果過于依賴初始值等缺陷［16－17］。本文在分析徑向基函數(shù)（RBF）網(wǎng)絡(luò)基本原理的基礎(chǔ)上，以東遼縣杏木小流域?yàn)檠芯繉?duì)象，引入RBF神經(jīng)網(wǎng)絡(luò)模型這一新的定量研究方法進(jìn)行土壤侵蝕預(yù)測研究。通過該模型的模擬與預(yù)測以期為復(fù)雜的土壤侵蝕規(guī)律研究提供新的路徑，為水土流失綜合治理奠定科學(xué)基礎(chǔ)。

1 RBF神經(jīng)網(wǎng)絡(luò)的基本原理

徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)是一種局部逼近的前饋式神經(jīng)網(wǎng)絡(luò)。它由輸入層、隱含層和輸出層組成，隱含層采用徑向基函數(shù)作為激勵(lì)函數(shù)。選用合適的徑向基函數(shù)是網(wǎng)絡(luò)得以實(shí)現(xiàn)的關(guān)鍵。徑向基函數(shù)是局部分布、中心徑向?qū)ΨQ的、非負(fù)衰減的非線性函數(shù)，它的兩個(gè)參數(shù)（基中心和基寬度）將決定對(duì)輸入產(chǎn)生顯著響應(yīng)的范圍［18－19］。

高斯函數(shù)常被作為RBF網(wǎng)絡(luò)的徑向基函數(shù)，它的基本表達(dá)形式如下：

式中：Ri（x）——隱含層第i個(gè)節(jié)點(diǎn)的輸出，i＝1，2，…，m；σi——隱含層第i個(gè)節(jié)點(diǎn)的方差，它決定著基函數(shù)圍繞中心點(diǎn)的寬度。

徑向基函數(shù)將徑向基層的每個(gè)神經(jīng)元j（j＝1，2，…，R）的權(quán)值向量wj與第p個(gè)輸入向量xp之間的向量距離與偏差bj的乘積作為輸入值，輸入表達(dá)式：

則徑向基層神經(jīng)元j的輸出為：

如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的輸入與輸出示意圖

在RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，隱含層神經(jīng)元數(shù)的確定是一個(gè)關(guān)鍵問題，在輸入矢量很多時(shí)，從0個(gè)神經(jīng)元開始訓(xùn)練，通過檢查輸出誤差使網(wǎng)絡(luò)自動(dòng)增加神經(jīng)元，每次循環(huán)使用，使網(wǎng)絡(luò)產(chǎn)生最大誤差所對(duì)應(yīng)的輸入矢量作為權(quán)值向量，產(chǎn)生一個(gè)新的隱含層神經(jīng)元，然后檢查新網(wǎng)絡(luò)的誤差，重復(fù)此過程直到達(dá)到誤差要求或最大隱含層神經(jīng)元數(shù)為止?？梢姡琑BF神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)自適應(yīng)確定、輸出與初始權(quán)值無關(guān)的特點(diǎn)。

2 土壤侵蝕預(yù)測模型的建立

2．1 研究區(qū)概況

本研究以吉林省東遼縣杏木小流域作為研究對(duì)象，位于東經(jīng)125°22′40″—125°26′10″，北緯42°58′05″—43°01′40″。杏木小流域地處長白山余脈，東遼河流域上游，屬于典型的低山丘陵區(qū)，最高海拔452m，相對(duì)高差133m。土壤類型以棕壤土為主，土層厚度為30～70cm，土壤容重為1．58g／cm3。屬于寒溫帶半濕潤大陸性季風(fēng)氣候，多年平均氣溫5．2℃，多年平均降雨量658．10mm。據(jù)遼源市水文站50a的觀測資料，最大年降水量為911．0mm，最小降水量為410．6mm。最大一日降水量為165．6mm，平均徑流系數(shù)為0．23。多年平均侵蝕模數(shù)為3 350t／（km2·a）。

2．2 數(shù)據(jù)處理

選取土壤侵蝕的影響因子：汛期降雨量、平均徑流系數(shù)、土壤容重、有機(jī)質(zhì)含量、孔隙度作為預(yù)測模型的輸入變量，輸出變量為年土壤侵蝕模數(shù)，RBF神經(jīng)網(wǎng)絡(luò)模型將土壤侵蝕預(yù)測問題轉(zhuǎn)化為影響因子和年侵蝕模數(shù)的非線性問題。以20組實(shí)測數(shù)據(jù)作為模型的訓(xùn)練樣本集，5組樣本作為模型的檢驗(yàn)樣本。在模型學(xué)習(xí)訓(xùn)練過程中，為了消除各個(gè)因子由于量綱和單位不同所產(chǎn)生的影響，首先對(duì)其輸入輸出樣本分別進(jìn)行歸一化處理（表1）。

2．3 RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與檢驗(yàn)

RBF神經(jīng)網(wǎng)絡(luò)模型輸入層神經(jīng)元數(shù)為土壤侵蝕因子數(shù)，輸入層神經(jīng)元個(gè)數(shù)為5，輸出層神經(jīng)元個(gè)數(shù)為1，調(diào)用matlab平臺(tái)中的函數(shù)newrb（）訓(xùn)練網(wǎng)絡(luò)，自動(dòng)確定隱含層單元數(shù)。網(wǎng)絡(luò)訓(xùn)練程度與誤差控制有關(guān)，由表2可見，當(dāng)均方誤差為0．002時(shí)，所得網(wǎng)絡(luò)訓(xùn)練最佳，此時(shí)，網(wǎng)絡(luò)對(duì)20組訓(xùn)練樣本的擬合誤差最大值為1．84%，對(duì)5組測試樣本的相對(duì)誤差最大值為3%，誤差可控制在5%以內(nèi)，可見RBF神經(jīng)網(wǎng)絡(luò)模型能夠達(dá)到土壤侵蝕預(yù)測的目的（表3）。

表1 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本與測試樣本數(shù)據(jù)

表2 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練與檢驗(yàn)

3 預(yù)測精度分析

表3 兩種預(yù)測模型的輸出值與實(shí)測值擬合結(jié)果對(duì)比

圖2 RBF網(wǎng)絡(luò)模型與BP網(wǎng)絡(luò)模型對(duì)比

表4 RBF網(wǎng)絡(luò)與BP網(wǎng)絡(luò)預(yù)測誤差比較

如表4所示，經(jīng)計(jì)算，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型與BP神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)模型得到的預(yù)測結(jié)果與實(shí)測值誤差更小，預(yù)測精度高于BP神經(jīng)網(wǎng)絡(luò)模型。

4 結(jié) 論

基于土壤侵蝕過程的復(fù)雜性和非線性，本文將RBF神經(jīng)網(wǎng)絡(luò)方法引入土壤侵蝕預(yù)測中，使土壤侵蝕預(yù)測問題轉(zhuǎn)化為影響因子和侵蝕模數(shù)的非線性問題，結(jié)果顯示，RBF神經(jīng)網(wǎng)絡(luò)模型的泛化能力較強(qiáng)，可以達(dá)到理想的土壤侵蝕預(yù)測效果，預(yù)測精度較高，具有較大的實(shí)用價(jià)值，是一種值得推廣的土壤侵蝕預(yù)測模型。RBF神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建與預(yù)測為復(fù)雜的土壤侵蝕規(guī)律研究提供了新途徑。

RBF神經(jīng)網(wǎng)絡(luò)模型本身仍處于初步發(fā)展階段，其理論和學(xué)習(xí)算法還有很多未完善的地方，如沒能力解釋模型本身的預(yù)測過程和預(yù)測依據(jù)，把問題的特征轉(zhuǎn)變?yōu)閿?shù)字對(duì)其結(jié)果丟失信息如何處理等，仍需要今后進(jìn)一步改進(jìn)和深入研究。

［1］ 張光輝．土壤侵蝕模型研究現(xiàn)狀與展望［J］．水科學(xué)進(jìn)展，2002，13（3）：389－396．

［2］ 李發(fā)鵬，李景玉，徐宗學(xué)．東北黑土區(qū)土壤退化及水土流失研究現(xiàn)狀［J］．水土保持研究，2006，13（3）：50－54．

［3］ 尹懷寧，湯姿，呂芳．東北平原西部近百年來生態(tài)環(huán)境退化機(jī)制分析［J］．水土保持研究，2003，10（4）：190－192．

［4］ Smith D D．Interpretation of soil conservation data for field use［J］．Agricultural Engineering，1941，22：173－175．

［5］ Wischmeier W H，Smith D D．Predicting Rainfall－Erosion Losses from Cropland East of the Rocky Mountains［M］．USDA Agricultural Handbook，No．292，1965．

［6］ Wischmeier W H，Smith D D．Predicting Rainfall－Erosion Losses［M］．USDA Handbook，No．537，1978．

［7］ Nearing M A，Lane L J，Alberts E E，et al．Prediction technology for soil erosion by water：status and research needs［J］．Soil Sci．Soc．Am．J．，1990，54（6）：1702－1711．

［8］ Morgan R．The European Soil Erosion Model：An Update on Its Structure and Research Base［M］／／Rickson R．Conserving Soil Resources：European perspectives［M］．CAB International，Cambridge，1994．

［9］ Rose C W，Williams J R，Sander C C，et al．A mathematical model of soil erosion and deposition processes：theory for a plane land element［J］．Soil Sci Soc Am J．，1983，47（5）：991－995．

［10］ 符素華，張衛(wèi)國，劉寶元，等．北京山區(qū)小流域土壤侵蝕模型［J］．水土保持研究，2001，8（4）：114－120．

［11］ 張坤，丁新新，洪偉，等．BP神經(jīng)網(wǎng)絡(luò)在降雨侵蝕力預(yù)測預(yù)報(bào)中的應(yīng)用研究［J］．2009，16（1）：53－56．

［12］ 徐鼎甲．用離散微分動(dòng)態(tài)規(guī)劃制訂梯級(jí)水電站最優(yōu)日運(yùn)行方式［J］．水利水電技術(shù)，1996（2）：33－38．

［13］ Licznar P，Nearing M A．Artificial neural networks of soil erosion and runoff prediction at the plot scale［J］．Catena，2003，51（2）：89－114．

［14］ 趙西寧，吳普特，馮浩，等．坡面土壤侵蝕產(chǎn)沙的神經(jīng)網(wǎng)絡(luò)模擬［J］．土壤學(xué)報(bào)，2006，43（2）：324－327．

［15］ 張科利，彭文英，楊紅麗．中國土壤可蝕性值及其估算［J］．土壤學(xué)報(bào)，2007，44（1）：7－13．

［16］ 毛典輝，曾致遠(yuǎn)，王乘，等．基于支持向量機(jī)的土壤侵蝕預(yù)測模型研究［J］．人民長江，2007，38（8）：82－84．

［17］ 陳玉紅．RBF網(wǎng)絡(luò)在時(shí)間序列預(yù)測中的應(yīng)用研究［D］．哈爾濱：哈爾濱工程大學(xué)，2009．

［18］ 柴杰，江青茵，曾志凱．RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力及其算法［J］．模式識(shí)別與人工智能，2005，15（3）：310－316．

［19］ 張淮清，俞集輝．波導(dǎo)本征問題分析的徑向基函數(shù)方法［J］．電子學(xué)報(bào)，2008，36（12）：2433－2438．

［20］ 朱樹先，張仁杰．BP和RBF神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別中的比較［J］．儀器儀表學(xué)報(bào)，2007，28（2）：375－379．

［21］ 尹江紅，葉漢民，羅明，等．BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)用于輸電線路故障定位比較［J］．中國電力教育，2010，33（184）：259－262．

［22］ 諶愛文．基于BP和RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測方法研究［D］．長沙：中南大學(xué)，2007．