基于GIS和改進BP神經(jīng)網(wǎng)絡的天然白樺林健康評價

施明輝，趙翠薇，郭志華，劉世榮

(1.貴州師范大學地理與環(huán)境科學學院，貴陽550001;2.中國林業(yè)科學研究院濕地研究所，北京 100091;3.中國林業(yè)科學研究院，北京 100091)

森林健康研究最早是20世紀60年代出現(xiàn)的，它正在或已經(jīng)成為林業(yè)科技中的一個新方向，并得到越來越廣泛地承認，其評估理論和技術方法等在環(huán)境和生態(tài)系統(tǒng)科學領域是21世紀最重要和緊迫的任務之一[1]。目前，國內(nèi)外用于森林健康評價的方法很多，如:主成分分析法、層次分析法、多元線性回歸、健康距離法、模糊綜合評價法及灰色關聯(lián)度等，但森林健康評價至今仍缺乏一套切實可行的評價指標體系，定量評價處于摸索階段[2]。

地理信息系統(tǒng)(GIS)能大大提高評價的精度和效率，但在目前的森林健康評價工作中尚未得到廣泛應用，傳統(tǒng)的基于GIS技術的森林健康評價存在一定的不足，使評價缺乏對空間問題決策的支持能力，阻礙了GIS在森林健康評價中的進一步應用[3-5]。

BP神經(jīng)網(wǎng)絡(Back Propagation Network)是一種多層前饋型神經(jīng)網(wǎng)絡，其神經(jīng)元的傳遞是S型函數(shù)，輸出量為0～1之間的連續(xù)量，它可以實現(xiàn)從輸入到輸出的任意非線性映射。當前，將人工神經(jīng)網(wǎng)絡技術廣泛應用于森林生態(tài)系統(tǒng)的研究還比較少，在土地質(zhì)量[6]、水質(zhì)[7]及大氣環(huán)境質(zhì)量評價[8]等領域相對較成熟。相信隨著科技的發(fā)展，神經(jīng)網(wǎng)絡技術將趨向于微觀與宏觀功能的結(jié)合，并在智能化傳感器、隨機模式識別、實時知識處理、控制應用、最優(yōu)化問題等方面克服現(xiàn)時的理論和技術障礙后，更廣泛地應用到復雜系統(tǒng)的評價中。

正確的和科學的森林健康評價工作，既是構(gòu)建現(xiàn)代林業(yè)生態(tài)建設理論體系的需要，也是維護森林生態(tài)系統(tǒng)健康的現(xiàn)實需求，又是吸收消化國際先進森林恢復和經(jīng)營理念的必然過程，不僅可以為國家制定相關政策提供依據(jù)，還能為林業(yè)規(guī)劃、合理開發(fā)利用資源提供數(shù)據(jù)資料，為投資者提供引導，為生產(chǎn)經(jīng)營者提供決策依據(jù)。隨著近年來GIS技術的發(fā)展，森林生態(tài)系統(tǒng)健康評價方法也得到很大提高，研究方法也逐步從定性化到定量化方向發(fā)展。本文探索利用地理信息系統(tǒng)(GIS)和改進BP神經(jīng)網(wǎng)絡來對白河林業(yè)局兩江林場天然白樺林進行健康評價，為森林健康經(jīng)營和多功能利用提供堅實的理論支撐。

1 研究區(qū)概況

白河林業(yè)局兩江林場位于吉林省東南部，沿邊朝鮮族自治州安圖縣二道白河鎮(zhèn)北0.5 km處。地理坐標為東經(jīng) 127°53′-128°34′，北緯 42°01′-42°48′。調(diào)查工作于2001-2004年開展，集中于長白山白河林業(yè)局北端的兩江林場內(nèi)。

2 研究方法

2.1 野外調(diào)查

調(diào)查選取6個樣地，共計140個小班。調(diào)查內(nèi)容包括:樣地基本狀況，如經(jīng)緯度、胸徑、樹高、幼苗幼樹株數(shù)、林齡、郁閉度、喬木蓋度、立地類型等。森林病蟲害是一種自然生物災害，可用森林年均病蟲鼠害發(fā)生面積與林分總面積之比反映，本文采用5點式隨機抽樣方法，根據(jù)調(diào)查總體的大小，按照一定的抽樣方式，間隔一定的空間距離，抽出一定數(shù)量的樣本，對所選定的樣本要進行全面調(diào)查，將結(jié)果記錄在小班卡上。森林火災的監(jiān)測可通過實地調(diào)查統(tǒng)計森林火災的年發(fā)生次數(shù)、累計過火面積以及火災的等級分布，將其分為4個等級:Ⅰ、Ⅱ、Ⅲ和Ⅳ。

2.2 評價指標體系的建立方法

姬文元等[9]首次提出森林小班水平上的森林群落健康評價指標體系，創(chuàng)造性地利用郁閉度、下木總蓋度、地被物總蓋度、幼樹中建群種數(shù)量比例、更新等級、幼樹幼苗生長情況、單位面積活立木蓄積量、建群種的平均胸徑和建群種的平均樹高共9項指標，結(jié)合小班資料進行森林群落健康評價。范敏銳等[10]運用北京市“十五”森林資源二類清查數(shù)據(jù)，以北京市西山林場為例，從森林生態(tài)系統(tǒng)的完整性、穩(wěn)定性、可持續(xù)性建立森林生態(tài)系統(tǒng)健康快速評價指標體系。使用層次分析法確定指標權(quán)重，運用綜合評價模型對森林小斑尺度上北京市西山林場森林生態(tài)系統(tǒng)健康狀況進行了評價。而劉文軍等[11]通過對大青山天然白樺林的實地調(diào)查研究，從森林生態(tài)系統(tǒng)的結(jié)構(gòu)和功能的角度出發(fā)，選用復合結(jié)構(gòu)功能指標評價方法，在生態(tài)系統(tǒng)健康理論基礎上，以生產(chǎn)力(P)、組織結(jié)構(gòu)(O)和干擾(I)為綜合評價指標，對大青山地區(qū)天然林森林生態(tài)系統(tǒng)的健康狀況進行評價，建立一套相應的森林健康評價指標體系。

本文擬基于小班數(shù)據(jù)，對長白山白河林業(yè)局兩江林場白樺林健康狀況進行快速評價。森林健康快速評價(RAFH)突出的特點是指標簡易可測、方法易于掌握、結(jié)果獲取迅速，其首要問題是評價指標的確立[10-12]。小班卡的數(shù)據(jù)涵蓋整個研究區(qū)域，數(shù)據(jù)全面、完整，并且在表達形式上，各指標均為量化指標;在計算方法上，采用改進的BP神經(jīng)網(wǎng)絡方法，客觀性強。

綜上，本文根據(jù)大青山天然白樺林研究結(jié)果，將其結(jié)果作為學習樣本，當作向量輸入，以此構(gòu)建長白山兩江林場小班水平上的白樺林健康評價指標體系，選取胸徑、喬木蓋度、病蟲害、火災作為白樺林健康快速評價指標。

2.3 改進BP神經(jīng)網(wǎng)絡評價模型的建立方法

由于標準的BP網(wǎng)絡學習算法存在與輸入樣本的順序有關、收斂速度緩慢、易陷入局部極小等缺陷，于是采用基于 Levenberg-Marquardt法的改進算法來對白河林業(yè)局兩江林場的白樺林健康進行評價。Levenberg-Marquardt法實際上是梯度下降法和牛頓法的結(jié)合，它的優(yōu)點在于網(wǎng)絡權(quán)值數(shù)目較少時收斂非常迅速。運用 Levenberg-Marquardt優(yōu)化算法比傳統(tǒng)的BP及其它改進算法(如共軛梯度法、附加動量法、自適應調(diào)整法及擬牛頓法等)迭代次數(shù)少，收斂速度快，精確度高。因此，Levenberg-Marquardt優(yōu)化算法在BP網(wǎng)絡學習中具有一定的優(yōu)越性[13]。

2.3.1 定義輸入樣本數(shù)據(jù) 將大青山天然白樺林健康評價的9個小班的胸徑、喬木蓋度、病蟲害、火災數(shù)據(jù)作為4維向量輸入。并對專家樣本進行適當?shù)臄U充，增加訓練樣本數(shù)據(jù)量，提高了網(wǎng)絡訓練性能和泛化能力，解決網(wǎng)絡魯棒性差，實用性不強和過擬合等問題。

2.3.2 對森林健康評價結(jié)果進行編碼 編碼如表1所示。

表1 調(diào)節(jié)器輸出向量編碼表

輸出向量為4維向量，其中輸出向量中的1位則代表相應的健康級別。接下來定義期望輸出響應向量。

2.3.3 構(gòu)建BP神經(jīng)網(wǎng)絡 長白山兩江林場森林健康評價BP神經(jīng)網(wǎng)絡模型采用由輸入層、隱含層和輸出層構(gòu)成的3層網(wǎng)絡結(jié)構(gòu)，網(wǎng)絡拓撲結(jié)構(gòu)的確定主要是指輸入層神經(jīng)元個數(shù)、隱含層神經(jīng)元個數(shù)和輸出層神經(jīng)元個數(shù)的確定。眾所周知，網(wǎng)絡的泛化能力是非常重要的。因此，訓練網(wǎng)絡不能將訓練時間的消耗視為重要的因素，而要應將泛化能力放到第一位。因此，如果目標誤差設置不當，在訓練沒有收斂的情況下停止訓練，網(wǎng)絡泛化能力就很差。特別是在采用Levenberg-Marquardt快速收斂算法時，可能很快就能使網(wǎng)絡訓練誤差達到目標訓練誤差要求，但是網(wǎng)絡還沒有達到收斂，此處，將目標誤差設為0.001。網(wǎng)絡參數(shù)如表2所示。

表2 BP神經(jīng)網(wǎng)絡參數(shù)

接下來對網(wǎng)絡進行訓練，輸入如下命令:

2.3.4 定義驗證樣本和測試樣本 通過定義驗證樣本和測試樣本，對網(wǎng)絡進行驗證和仿真。運用BP神經(jīng)網(wǎng)絡進行健康評價，除了每次運行都具有一定的隨機性外，選擇的神經(jīng)元數(shù)目也會影響網(wǎng)絡的診斷性能，如神經(jīng)網(wǎng)絡隱含層的確定。仿真時，先讀取測試樣本ptest，再在matlab命令空間輸入 Result_test=sim(net，ptest)命令進行仿真。

2.4 GIS技術

GIS優(yōu)勢在于它把計算機圖形和數(shù)據(jù)庫融于一體，將地理位置和相關屬性有機地結(jié)合起來，利用其強大的空間查詢與分析功能，通過各種假設分析來模擬區(qū)域內(nèi)空間規(guī)律和發(fā)展趨勢，根據(jù)實際需要，真實、準確、圖文并茂的顯示或輸出給用戶。本文采用的森林健康評價的主要方法是在資料收集整理的基礎上，建立評價指標體系、選取評價因子、確定評價單元，然后構(gòu)建改進BP神經(jīng)網(wǎng)絡模型進行訓練仿真，將結(jié)果通過屬性連接導入數(shù)據(jù)庫，最后在ArcMap中通過屬性選擇(Selected By Attributes)、統(tǒng)計(Statistics)等對長白山兩江林場天然白樺林森林健康狀況進行分析。

本文的數(shù)據(jù)分析、處理及制圖在Matlab7.1及ArcGIS 9.2中完成。

3 結(jié)果與分析

3.1 訓練驗證曲線

對系統(tǒng)網(wǎng)絡模型進行訓練，訓練過程選擇訓練算法(trainlm)進行計算。這是一種直接批處理訓練的應用。泛化能力與很多因素有關，其中訓練也是一個重要的因素。圖1為該網(wǎng)絡的收斂曲線，經(jīng)過25次迭代，網(wǎng)絡達到目標誤差為0.001的要求。如果網(wǎng)絡沒有收斂就被停止，那么網(wǎng)絡的泛化誤差肯定很大，同時魯棒性非常差，最明顯的體現(xiàn)在不同初始權(quán)重產(chǎn)生的結(jié)果差異極大(初始權(quán)重敏感性)。

圖1 網(wǎng)絡收斂曲線

3.2 白樺林健康狀況

將改進BP神經(jīng)網(wǎng)絡模型進行模式識別出的代碼對應等級導入數(shù)據(jù)庫，利用ArcMap制圖所得長白山白河林業(yè)局兩江林場天然白樺林健康狀況示意圖(圖2)。經(jīng)統(tǒng)計計算，兩江林場白樺林140個森林小班，總面積1 007.5 hm2。分為 4級(非常健康、一般健康、亞健康、不健康)。其中非常健康的小班數(shù)19個，面積為 226 hm2，占林場內(nèi)白樺林總面積的22.43%;一般健康的小班56個，面積為 503 hm2，占林場內(nèi)白樺林總面積的49.93%;亞健康的小班37個，面積192 hm2，占林場內(nèi)白樺林總面積的19.06%;不健康的小班28個，面積為86.5 hm2，占林場內(nèi)白樺林總面積的8.59%。兩江林場中，處于一般健康的小班最多。

圖2 兩江林場白樺林健康狀況示意圖

因此，兩江整個林場的森林大體處于一般健康狀態(tài)。占總面積22.43%的白樺林屬于健康，49.93%的白樺林處于較健康狀態(tài)，19.06%的白樺林為亞健康狀態(tài)，而只有8.59%的白樺林是不健康的。

4 結(jié)論與討論

(1)用GIS和神經(jīng)網(wǎng)絡方法能較好地克服資料占有的不足以及經(jīng)驗方面的局限性對森林健康進行快速評價。運用Levenberg-Marquardt優(yōu)化算法比傳統(tǒng)的BP及其它改進算法(如共軛梯度法、附加動量法、自適應調(diào)整法及擬牛頓法等)迭代次數(shù)少，收斂速度快，精確度高。

(2)實踐證明，改進BP神經(jīng)網(wǎng)絡在解決森林生態(tài)系統(tǒng)這樣復雜的系統(tǒng)很有優(yōu)勢，能根據(jù)大量的林業(yè)調(diào)查數(shù)據(jù)來進行生態(tài)系統(tǒng)健康評價，應用效果良好。訓練方法采用LM(levenberg-marquardt)算法，進一步提高BP網(wǎng)路訓練速度和訓練精度。經(jīng)過25次迭代，網(wǎng)絡達到目標誤差為0.001的要求。評價結(jié)果顯示:兩江整個林場的森林大體處于一般健康狀態(tài)，占總面積22.43%的白樺林屬于健康，49.93%的白樺林處于較健康狀態(tài)，19.06%的白樺林為亞健康狀態(tài)，而只有8.59%的白樺林是不健康的。

(3)目前有關生態(tài)系統(tǒng)健康研究的一些基本問題尚未達成共識，而生態(tài)系統(tǒng)健康的跨學科性決定了生態(tài)系統(tǒng)健康研究需要生態(tài)學、環(huán)境學、醫(yī)學、社會學以及經(jīng)濟學等領域研究人員的廣泛合作[14]。隨著計算機技術和遙感技術的發(fā)展，將會展示更廣闊的發(fā)展前景和緊密結(jié)合，今后的森林健康評價發(fā)展方向?qū)⑹嵌鄬W科多領域多源數(shù)據(jù)的融合[15]。

(4)雖然用BP神經(jīng)網(wǎng)絡進行森林健康評價會存在一定的誤差，如網(wǎng)絡結(jié)構(gòu)大小的選擇，訓練樣本數(shù)的多少及其不確定性，訓練算法的選擇等，但總體而言，基于GIS和改進BP神經(jīng)網(wǎng)絡模型用于森林健康快速評價這一方法是確實可行的，不失為進行定量評價森林生態(tài)系統(tǒng)健康的一種良好方法。

[1] Chen G，Yang Z F，Cui B S.New assessment method on forest ecosystem health-Integrated Composed Index(ICI)and its pilot application[C]//The Proceedings of the China Association forScience and Technology，2004:602-613.

[2] 施明輝，趙翠薇，郭志華，等.森林健康評價研究進展[J].生態(tài)學雜志，2010，29(12):2498-2506.

[3] Jaiswal R K，Mukherjee S，Raju K D，et al.Forest fire risk zone mapping from satellite imagery and GIS[J].International Journal of Applied Earth Observation and Geoinformation ，2002，4:1-10.

[4] Phua M H，Minowa M.A GIS-based multi-criteria decision making approach to forest conservation planning at a landscape scale:a case study in the Kinabalu Area，Sabah，M alaysia[J].Landscape and Urban Planning，2005，71:207-222.

[5] Graymore M L M，Wallis A M，Richards A J.An Index of Regional Sustainability:A GIS-based multiple criteria analysis decision support system for progressing sustainability[J].Ecological Complexity ，2009，6:453-462.

[6] 王艷，宋振柏，吳佩林.基于BP網(wǎng)絡的高新技術產(chǎn)業(yè)用地適宜性評價[J].水土保持研究，2008，15(4):252-254，270.

[7] 劉登峰，齊實，韓小杰，等.縉云山不同土地利用類型地表徑流水質(zhì)評價[J].水土保持研究，2009，16(1):130-134.

[8] 彭馥艷，丁輝，趙源.基于RBF網(wǎng)絡的大氣環(huán)境質(zhì)量評價[J].水土保持研究 ，2006，13(5):158-159 ，163.

[9] 姬文元，邢韶華，郭寧，等.川西米亞羅林區(qū)云冷杉林健康狀況評價[J].林業(yè)科學，2009，45(3):13-18.

[10] 范敏銳，呂錫芝，余新曉，等.森林生態(tài)系統(tǒng)健康快速評價研究[J].水土保持通報，2010，30(3):199-203.

[11] 劉文軍，鐵牛，席青虎.大青山天然白樺林健康評價研究[J].現(xiàn)代農(nóng)業(yè)科技，2009，4(10):10-11，14

[12] 甘敬，朱建剛，張國禎，等.基于BP神經(jīng)網(wǎng)絡確立森林健康快速評價指標[J].林業(yè)科學，2007，43(12):4-10.

[13] 張德豐.MATLAB神經(jīng)網(wǎng)絡應用設計[M].北京:機械工業(yè)出版社，2009.

[14] 朱建剛，余新曉，甘敬，等.生態(tài)系統(tǒng)健康研究的一些基本問題探討[J].生態(tài)學雜志，2010，29(1):98-105.

[15] 孔紅梅，姬蘭柱.生態(tài)系統(tǒng)健康評價方法初探[J].應用生態(tài)學報，2002，13(4):486-490.