人工神經網絡模型在河流減水河段景觀質量評價中的應用

彭金濤，王 莉, 楊玖賢，姜躍良

(中國水電顧問集團成都勘測設計研究院，四川 成都 610072)

1 前 言

河流是人類文明的發祥地，為人類活動提供了豐富的飲用水、工業用水和灌溉用水水源，同時也是大量動植物、微生物的棲息生境和遷徙走廊。隨著社會的進步、人類精神文化需求的不斷提高，河流作為一項重要的景觀資源也越來越為人們所重視，但同時又在很大程度上受人類活動的干擾。

由于河流景觀及其要素影響的是人的視覺，其過程復雜，涉及心理學和美學的范疇，因而難以統一而確切地對河流景觀質量進行評價。在景觀評價上，目前已形成一些影響廣泛的理論學派，大致可分為專家學派、心理物理學派、認知學派和經驗學派四類[1]?；陲L景審美是風景和人之間共同作用的過程，心理物理學派認為人們對風景的審美評判(風景質量)是可以通過風景的自然要素來預測和定量的，其目的是為了建立反映這種主客觀作用的關系模型。心理物理學方法是各種風景評價方法中最嚴格、可靠性最好的一種方法。Daniel等就用諸如林木的胸徑，朽木、倒木的多少，下層灌木及地被的多少等7個因素來預測西黃松林分的風景質量(美景度)；Buhyoff等人著重對遠景風景進行研究，其仍以公眾的平均審美評判作為應變量，以峻山在照片上所占的面積、遠景森林所占的面積等作為自變量，建立多元回歸方程；有許多研究都證明了不同風景評價者及團體之間存在著高度的一致性，又由于該方法把審美態度測量同風景成分的定量分析結合起來，實現用數字模型來評價和預測風景質量，而且本身具有一整套的檢驗方法，使該風景評價方法具有很高的靈敏性[2]。

景觀質量評價無論采用什么方式建模，都存在兩個方面的難點：(1)如何選定具有效力的景觀構成要素；(2)如何將定性的景觀構成要素評價轉化為定量的評價[3]。目前，景觀評價多采用的方法有景觀綜合評價指數法、模糊綜合評價法，還有提出了愉悅、公眾利益、生態三位一體的景觀評價體系[4]。景觀要素或因子與景觀質量的關系具有很多的模糊性與主觀性，而人工神經網絡正是依據于人腦判斷能力而建立的一種模型，該模型能較好地用于模糊問題的預測評價[5]。因此本文參照風景評價的心理物理學方法的一般過程[6]，對人工神經網絡在河流景觀質量評價中的應用進行研究，構建適用于引水式開發電站減水河段的景觀質量評價模型，運用該模型研究河道在減水情況下的景觀質量變化情況。

2 人工神經網絡基本原理

人工神經網絡是人類在對生物神經網絡認識理解的基礎上，人工構造能夠實現某種功能的智能仿生動態網絡。它是理論化的人腦神經網絡的數學模型，是一個高度非線性的網絡體系，具有十分強的自適應、自學習能力，常運用在對模糊的、復雜的關系處理上。在模式識別和圖像處理方面，可應用人工神經網絡實現手寫字體識別、語音識別及圖像壓縮等處理；在控制和優化方面，可應用人工神經網絡實現化工過程控制、機器人運動控制等；在預報與智能信息管理方面，可應用人工神經網絡進行地震預報、借貸風險分析、影響預測及交通管理等。另外，人工神經網絡在自適應與空間科學中也有應用。實踐證明，一個三層的BP網絡能逼近任意精度的函數，可以運用人工神經網絡進行預測，其精確度高[5]。

人工神經網絡模型的基本單元為神經元，這些單元通過一定的拓撲結構和算法建立輸入與輸出的高度非線性關系。其數學表達式為：

(1)

圖1 BP神經網絡拓撲結構

其中f為傳遞函數 (激勵函數或特性函數)，一般可采用線性函數、閾值函數、S型函數、雙曲正切函數。

BP神經網絡是一種誤差反向傳播的多層前饋人工神經網絡，由輸入層、隱含層(一層或多層)和輸出層組成，各層之間無反饋連接，各層內神經元之間無連接，僅相鄰層神經元之間有連接。BP神經網絡拓撲結構如圖1所示，圖中x表述輸入，y表述輸出。該網絡的輸入和輸出之間是高度非線性映射關系。

BP神經網絡中推理過程分兩個階段：一個為學習階段，即神經元之間連接權的調整，使學習樣本經過BP神經網絡計算逼近教師樣本；另一階段為BP網絡的推理運用階段，在該階段將實現神經網絡的仿真計算，從而使其具有解決某種問題的能力。

3 減水河段景觀質量評價模型

3.1 模型建立過程

參照心理物理學派建立風景(或景觀)評價模型的一般過程[6]，建立基于人工神經網絡的減水河段景觀質量評價模型包括三部分內容：(1)測定公眾的審美態度，即獲得美景度量值；(2)將景觀進行要素分解并測定各要素量值；(3)通過人工神經網絡建立美景度與各要素之間的關系模型。具體步驟如下：

(1)景觀評價樣地的布設與調查。根據對四川省內已建引水式電站的調查研究，選擇岷江干流吉魚至映秀電站、雜谷腦河紅葉二級至薛城電站之間的各電站的減水河段作為景觀樣本取地，對較大范圍暴露于公路視野的河段、沿河有較大居民點的河段，以及在河道寬闊和河谷開闊處拍攝照片。

(2)評價照片的選取。結合人工神經網絡模型對訓練樣本的要求，同時為了本研究的需要，在前述獲得的景觀圖片及水文測量資料的基礎上，選擇河流枯水期(12月份)和平水期(4月)共100張照片，作為建立人工神經網絡模型的樣本。

(3)評判者的選擇。本次評價選擇非專業的一般游客6人，風景、環境方面的專家4人，利用打分的方法，對以上所選100張圖片的景觀質量進行評分。

(4)評判的方式。將公眾對河流景觀的評判分為很差、較差、一般、較好、很好五個優劣程度上的等級，假設該優劣程度和(0.1,1)范圍內的取值是線性映射關系，五個等級分別在(0, 0.2]、(0.2,0.4]、(0.4, 0.6]、(0.6,0.8]、(0.8,1)區間上取值。

將前述選擇的100張照片編號排列于WORD之中，其中還包括對圖片的簡單說明和評分要求，發給各評判者，要求評判者根據景觀優劣程度在0.1～0.9之間評分取值，小數點后取一位。因為公眾評價存在主觀性和模糊性，對某些細小的景觀質量差別不敏感，以(0.1,0.9)區間上的評分取值方法一定程度上弱化了公眾對景觀質量差別的判斷，同時考慮了0或1這種往往在實際中不存在的極端情況。這種評分方式較合理。

(5)獲取景觀質量公眾評分值。綜合評判者的打分情況，對專家評分均值和一般游客評分均值各取0.5的權重進行加權計算，得到景觀質量公眾評分值。由于專家人數比例小，在景觀質量公眾評分值中專家評分所占的權重實際上較大，這從一定程度上考慮了專家意見的可靠性，也在一定程度上反映了河流的生態、環境功能。

(6)將景觀要素進行分解，并測定各個要素值。根據對大量圖片呈現的河流景觀的綜合分析及人工神經網絡試算，得出了主要、合理的景觀要素。最終確定六個要素：圖片中水面面積占河道面積的比例、河道在圖片中的比例、水色、周圍植被類型、植被色彩、河岸河灘形態。

前兩個要素可直接通過測量的方法得到，有很高的精度；后四個要素根據描述性分級進行選取，分為差、一般、好三個等級，分別對應在(0.1,0.4)、[0.4,0.6]、(0.6,09)三個區間上取值，其取值是直接依據于照片所呈現出的色彩、形式和范圍而定，具有相對性，更多地是反映風景美景度的優劣程度。

(7)運用人工神經網絡建立景觀質量評分值和各個要素間的關系模型。要求模型具有較好的收斂性能和泛化能力，即能快速達到收斂，同時有很好的預測性能，能較好地預測減水河段其他情形下的景觀質量。本文基于MATLAB6.5提供的人工神經網絡模型構建環境[7]，建立減水河段景觀質量評價的BP神經網絡模型，實現網絡的訓練及模擬。

(8)運用建立好的人工神經網絡模型，預測評價減水河段其他狀態下的景觀質量，同河段內的流量或其他表征流量的因子建立關系，從而能進一步分析研究流量變化所引起的景觀質量變化情況。

3.2 人工神經網絡拓撲結構

本文建立了一個3層BP網絡模型(含1個隱層)。輸入層有6個神經元，對應6個景觀要素，即水面在河道中的比例、河道在圖片中的比例、水色、周圍植被類型、植被色彩、河岸河灘形態；隱含層有13個神經元；輸出層有1個神經元，對應景觀質量評價值。該人工神經網絡的模型結構見圖2。

圖2 人工神經網絡模型結構

其中，隱層的神經元數目一般可按下式估算，并通過比較試算得到：

(2)

式中nH——隱含層神經元數目；

n1——輸入層神經元數目；

n0——輸出層神經元數目；

l——1～20之間的整數。

3.3 樣本選擇與標準化處理

選擇3.1節介紹所得的各景觀要素取值及景觀質量公眾評分值共100組數據作為模型計算樣本，對樣本進行標準化處理。標準化處理方法為：

(3)

式中u——樣本s的平均值;

smax和smin——分別為樣本的最大和最小值。

標準化后的數據一般集中分布在0附近。

為避免網絡的過度擬合，本文采用提前停止的訓練方法，將標準化后的樣本劃分為人工神經網絡的訓練樣本、測試樣本和驗證樣本，劃分比例為2∶1∶1，即獲得訓練樣本50組，測試樣本和驗證樣本各25組。

3.4 網絡模型的參數及算法

本模型各層間均采用S型正切函數為傳遞函數，采用梯度下降動量的學習函數，以樣本均方差為控制的性能函數進行計算。計算過程見以上介紹的BP算法。

3.5 網絡模型的訓練及收斂性

利用標準化處理后的樣本對網絡進行訓練，訓練采用提前停止控制，防止過度擬合。經過12步的訓練，得到了一個收斂性較好的網絡模型。訓練結果見圖3。

訓練的目標設置為樣本均方差小于0.001，模型實際收斂到均方差為0.0025，十分接近目標，但同時由于測試樣本的均方差增大，訓練提前停止。從各點誤差來看，訓練結果同實際值已相當接近，因此該網絡模型的收斂性很好。

3.6 模型的泛化能力

運用前述劃分的25組驗證樣本，對模型的泛化能力進行考察。在訓練好的網絡模型中，輸入這25組各景觀質量要素取值，通過網絡模擬計算其輸出。計算得到的景觀質量評價模擬值與實際測試值(公眾質量評分值)情況見圖4。計算各點絕對誤差的絕對值均小于0.13，該差別幾乎不反映景觀質量程度變化，即預測值與咨詢公眾評分的測試值擬合的很好。

進一步研究模擬的相對誤差情況可得，該輸出平均相對誤差為12%，有5個點的相對誤差在25%以上，其余點相對誤差均在15%以下。這說明除少數點外，預測值與實測值相符性很好。通過分析發現，計算相對誤差較大所對應的河道斷面處于斷流或大流量兩種極端情況下。和公眾評分相比，斷流時模擬值較大，大流量時模擬值較小，說明模型在這兩種極端情況下具有不可靠性。另外，可能與流水渾濁、周圍色彩灰暗相關，在這種情況下景觀質量評價值較小，計算偏差較靈敏，但從絕對誤差來看，計算偏差不大于一個景觀質量變化程度范圍。忽略這5個點的誤差后，得到的平均相對誤差為7.8%。因此，該人工神經網絡模型具有較好的泛化能力，其模擬或預測結果精確度高，可以作為減水河段景觀質量的預測評價方法。

圖3 人工神經網絡訓練結果

圖4 人工神經網絡模擬結果

3.7 模型分析

一般地，河道內流量越大，河道水面積越大，流速越大，水體顏色更富于層次感，河流展現的連續性和生動性越好，河流的視覺景觀越好。以上建立的網絡模型，水面在河道中的比例、河道在圖片中的比例和水色可反映出河流流動性、連續性和水的親和性。因此，當流量發生變化時，本模型的各輸入要素將發生一定的變化，通過模型計算可實現對該變化情況下河流的景觀質量進行預測。

以上的網絡模型是基于測量圖片的景觀要素建立的，由于照片拍攝角度及攝取的河流景觀類型不同，同時缺乏景觀圖片處河道流量的資料，難以同流量建立確切的關系。但對于同一位置及角度所拍攝的圖片，可以理解為同一個視野下所獲得的景觀，人們通過視覺感知水面面積的多少等要素對河流景觀做出相應的評價。本文將這種帶有感知成分的水面在一個視野中的比例定義為水面視覺比例(以Ps表示)，在山區水力開發河段中該比例直接關系到河流景觀質量的優劣程度。本文研究的所有圖片大小一致，可以將一個圖片定義為一個視野范圍，將水面積在河道中的比例同河道在圖片中的比例相乘積，即得到水面視覺比例Ps：

通過考察3.5節中模擬誤差與水面視覺比例Ps的關系發現，誤差較大的點全部對應為Ps很大或很小時的情況，說明本文建立的人工神經網絡在預測水面視覺比例過大或過小的情況下有一定的不可靠性。水面視覺比例過小、過大的極端情況一般是河流近似干涸和河床完全被水面覆蓋的情況，或者是游客過遠或過近觀看河流的情況。該情況對研究河流景觀一般無實際意義，因此可以忽略本模型相應的誤差與不可靠性。

4 減水河段景觀質量預測評價結果及分析

4.1 預測工況

由于山區河流水質較好，水流清澈，枯期水色一般很好，水色無大的變化。當閘址下泄不同工況的流量、減水河段內流量變化時，可假設本評價模型里6個指標因子只有水面在河道中的比例是變化的，水面視覺比例亦相應變化，其他要素取值不變，因此可利用人工神經網絡模型，單從水面視覺比例變化情況來考察景觀質量的變化，實現對減水河段內因減水導致水面視覺減小的景觀質量預測評價。亦可進一步根據游客的位置、視覺范圍及角度等情況，建立Ps與河道內流量的確切關系，從而通過本模型對不同流量下的河流景觀質量進行預測評價。

鑒于本人工神經網絡模型在水面積比例極小和極大情況下的不可靠性，在所獲得100處樣本照片中選擇河流水面相對適中，無明顯灰暗、不清晰的20處圖片，選擇水面積在河段內比例為10%、20%、30%、40%、50%、60%、70%、80%、90%這9種工況，利用建立好的人工神經網絡模型進行景觀質量預測。通過計算得到各斷面9種工況所對應的河流景觀質量預測值。

4.2 預測結果及其分析

所選的9種工況比例乘以該圖片中河道所占的比例，得到各處斷面9種從小到大的水面視覺比例Ps。Ps與景觀質量預測評價值的對應關系見圖5。

圖5 水面視覺比例同景觀質量預測值之間的關系

由圖5可得，對于所有的河流斷面景觀，Ps和景觀質量預測值之間存在正相關關系，Ps增大，景觀質量預測值增大；開始增幅較大，Ps達到一定值后，景觀質量預測值的增幅趨于平緩。

一般地，由于各處視野范圍內的河流類型、周圍景觀等不同，水面視覺比例與景觀質量之間的變化關系亦不相同。根據以上預測計算成果，對各處景觀預測值隨水面視覺比例的變化以曲線描述，經統計分析，可分為兩種不同的變化趨勢(見圖6、7)。

圖6 第一類水面視覺比例的景觀響應

在圖6所示的9個斷面上，當Ps達到5%時，景觀質量預測值大都能達到0.4，景觀質量不至于很差；當Ps增大至20%左右時，景觀質量由大幅度增加轉為增幅緩慢，景觀質量預測量值達到0.6，呈現較好的河流景觀。通過歸納發現，這9個斷面處河岸帶均有綠樹分布，河岸帶視野范圍內植被較好，說明這種情況下景觀背景質量較好，一定程度上緩解了水面減少對景觀的負面影響。水面視覺比例由20%下降至5%的范圍內對河流景觀影響顯著，河流景觀質量降低了一個或多個程度；而水面視覺比例在較小與較大兩個范圍內增減時，相應引起的景觀質量變化不明顯。計算結果和實際情況較符合。

圖7 第二類水面視覺比例的景觀響應

在圖7所示的11處斷面上，Ps在較小范圍內增加時所引起的景觀質量增幅不大，此時景觀質量預測值在0.2～0.4之間，景觀質量很差或較差；當Ps達到15%左右后，景觀質量開始大幅度增加，至40%或以上時轉為增幅緩慢，此時景觀質量預測值基本達到0.6，呈現較好的河流景觀，或不能達到較好的河流景觀質量。通過歸納發現，這11處河流斷面處河岸帶均無綠樹分布，且視野范圍內的周圍植被較差，說明這種情況下景觀背景質量較差，水面視覺比例在15%～40%范圍變化時對河流景觀影響顯著，在達到20%以上時才能有效提升河流景觀，而水面視覺比例在較小和較大兩個范圍內增減時，相應引起的景觀質量變化不明顯。計算結果和實際情況較符合。

綜上可知，河流周圍植被對河流景觀具有積極的作用。因此，應在做好河岸帶綠化的基礎上，通過控制水面視覺比例在5%～20%之間增加，可有效維持或改善河流景觀。提升水面視覺比例一般通過增加河道內流量實現，另外也可采取在河道內挖潭或設置堰、壩等工程措施。如河道周圍植被較差，僅考慮增加河道流量來改善河流景觀，將需要大的流量狀態才能使其景觀得到較大的提升，勢必造成水資源浪費。

5 結 論

本文建立了一個基于三層BP人工神經網絡的景觀質量評價模型，該模型基于景觀圖片，以水面面積占河道的比例、河道在圖片中的比例、水色、周圍植被類型、植被色彩、河岸河灘形態這六個景觀要素為輸入因子，通過模型計算可預測減水河段河流景觀質量，預測或模擬結果精度較高。其中，水面面積占河道的比例與河道在圖片中的比例的乘積定義為水面視覺比例?？赏ㄟ^一定視野范圍內的水面視覺比例來考察景觀質量的優劣程度，但其中與河流周圍植被相關。當河流周圍植被較好時，水面視覺比例在5%～20%之間增加時河流景觀改善明顯；當周圍植被較差時，水面視覺比例在15%～40%之間增加時河流景觀改善明顯。河流周圍植被包括河岸帶綠化能緩解河段減水的不利景觀影響。在水資源開發利用中，除維持河道內一定的流量外，應充分結合植物措施及工程措施對河道進行適當的修復，達到維持或改善河流景觀的目的。

本文的人工神經網絡模型基于圖片的景觀要素而建立，取決于觀察者所處的角度、視野和光線色彩等方面，水面視覺比例為河流景觀的重要影響因素。目前河道內景觀需水量一般以流量來衡量，可通過獲得控制斷面或河段實測的地形、風景分布等資料，建立水面視覺比例與河道內流量、水面寬等因子的關系，進而通過人工神經網絡直接建立流量與景觀質量的關系模型，并通過大量實測樣本的輸入使模型不斷優化，更便于河流景觀需水量的控制與管理。

參考文獻：

[1] 俞孔堅，等.自然風景景觀評價方法[J].中國園林，1986(3)：38-40.

[2] 俞孔堅.風景資源評價的主要學派及方法[EB/OL].(1988-)[2010-05-10].http://wenku.baidu.com/view/cabea7c20c225901012029dba/html.

[3] 葛冰.景觀生態規劃與景觀評價初探[J].甲木斯大學社會科學學報，2004，22(5)：42-44.

[4] 田辛.景觀“水”要素研究[D].重慶：重慶大學，2002.

[5] 張鈴，張鈷.人工神經網絡理論及應用[M].杭州：浙江科學技術大學出版社，1997.

[6] 王冰，宋力.景觀美學評價中心物理學方法的理論及其應用[J].安徽農業科學，2007，35(12)：3531-3532.

[7] 張德豐，等.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2009.