基于神經(jīng)網(wǎng)絡方法的土壤流失量預測研究

錢愛國，高 榮，彭 琦

(1．中國水電顧問集團 華東勘測設計研究院，浙江 杭州310014;2．深圳地鐵集團 深圳市政設計研究院有限公司，廣東 深圳518029)

(責任編輯 趙文禮)

土壤流失量預測是生產(chǎn)建設項目水土保持方案編制的重點之一，其準確與否直接影響到對生產(chǎn)建設項目的水土保持分析、評價和防治措施體系的布局，并間接影響水土保持投資估算和效益分析的準確性。

生產(chǎn)建設項目土壤流失量預測方法主要有類比法、數(shù)學模型法和試驗觀測法等。盡管方法很多，但由于生產(chǎn)建設項目土壤流失的影響因子多且因子之間的耦合關系難以確定，各種土壤流失量的預測方法均存在一定的局限性和不合理性，從而使得土壤流失量的準確預測成了業(yè)內(nèi)關注的重點和難點［1］。目前，生產(chǎn)建設項目土壤流失量預測通常選取項目建設區(qū)附近某一個或兩個同類建設項目作為類比工程，線性類比兩個項目各預測單元的土壤流失主導因子后確定修正系數(shù)，對類比工程的監(jiān)測成果進行修正后確定預測單元的土壤侵蝕模數(shù)。此法雖顯直觀，但受限于類比工程的可比性以及無法準確反映不同建設項目土壤流失影響因子的差異，使得該法不僅在理論上缺乏嚴謹，而且也常因類比工程可比性差而顯得牽強。本研究將人工神經(jīng)網(wǎng)絡的BP 算法引入生產(chǎn)建設項目土壤流失量預測，將降雨侵蝕力、土壤可蝕性、坡長和坡度、水土保持措施等作為影響土壤流失量的主導因子，并根據(jù)大量的生產(chǎn)建設項目水土保持監(jiān)測實例，初步建立了基于人工神經(jīng)網(wǎng)絡方法的土壤流失量預測系統(tǒng)，旨在探索一種新的生產(chǎn)建設項目土壤流失量預測方法。

1 人工神經(jīng)網(wǎng)絡簡介

人工神經(jīng)網(wǎng)絡思想具有超強的自學習功能，對于預測有特別重要的意義，因此在多元非線性的預測問題中得到了廣泛應用［2］。

人工神經(jīng)網(wǎng)絡是以對大腦的生理研究成果為基礎的，其目的在于模擬大腦的某些機理與機制，實現(xiàn)某個方面的功能。人工神經(jīng)網(wǎng)絡具有如下突出優(yōu)點［2-4］:①可以充分逼近任意復雜的非線性關系;②所有定量或定性的信息都等勢分布貯存于網(wǎng)絡內(nèi)的各神經(jīng)元，故有很強的魯棒性和容錯性;③采用并行分布處理方法，使得快速進行大量運算成為可能;④可學習和自適應不知道或不確定的系統(tǒng);⑤能夠同時處理定量、定性問題。

基于誤差反向傳播的多層前饋網(wǎng)絡(Error Back Propagation，簡稱BP)，是目前運用最多最成功的人工神經(jīng)網(wǎng)絡之一，其拓撲結(jié)構(gòu)如圖1 所示，一般分為輸入層、隱含層、輸出層三層網(wǎng)絡。BP 網(wǎng)絡的權(quán)值學習常采用誤差逆?zhèn)鞑W習算法，建立BP 網(wǎng)絡過程分為網(wǎng)絡訓練及網(wǎng)絡工作2 個階段:在網(wǎng)絡訓練階段，根據(jù)給定的訓練模式，按照“模式順傳播→誤差逆?zhèn)鞑ァ洃浻柧殹鷮W習收斂”4 個過程進行網(wǎng)絡權(quán)值(包括閾值)的訓練;在網(wǎng)絡工作階段，根據(jù)訓練好的網(wǎng)絡權(quán)值及給定的輸入向量，按照“模式順傳播”方式求得與輸入向量相對應的輸出向量的解答［2］。

圖1 BP 神經(jīng)網(wǎng)絡典型拓撲結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡能夠處理數(shù)據(jù)擬合和預測等問題，目前已經(jīng)在很多工程建設中發(fā)揮了巨大的作用。最近，很多學者將發(fā)展和引用新的非線性理論帶入神經(jīng)網(wǎng)絡模型中，以求達到更優(yōu)的數(shù)學性能。如近年來發(fā)展起來的小波神經(jīng)網(wǎng)絡［5-8］，就是結(jié)合小波變換理論與人工神經(jīng)網(wǎng)絡的思想而構(gòu)造的一種新的神經(jīng)網(wǎng)絡模型，具有更強的逼近和容錯能力。這些新理論新方法的引進和應用，無疑給神經(jīng)網(wǎng)絡的發(fā)展注入了新的活力。

2 水土流失影響因子與數(shù)據(jù)收集

2．1 影響因子分析

通用土壤流失方程是用于定量預報農(nóng)地或草地坡面多年平均年土壤流失量的一個經(jīng)驗性的土壤侵蝕預報模型，它是建立在自然狀態(tài)或耕地徑流小區(qū)試驗基礎上的，因此在開挖、填筑等擾動強度較大的生產(chǎn)建設項目土壤流失量預測中難以應用。本研究選擇可直接獲得且反映通用土壤流失方程中影響土壤流失量的各個主導參數(shù)作為人工神經(jīng)網(wǎng)絡的輸入層，進而得出預測單元的土壤流失量。輸入層的具體參數(shù)確定如下:

(1)降雨侵蝕力因子。降雨侵蝕力因子是一個地區(qū)降水侵蝕潛勢的一個量度，定義為降雨動能E 和最大30 min 降水強度I30兩個暴雨特征值的乘積，即EI30。由于降雨動能E 和最大30 min 降水強度I30在實際應用中較難獲得，因此Wischmeier 提出了一個直接利用年平均降雨量(P)和月平均降雨量(Pi)兩個參數(shù)推算降雨侵蝕力因子的經(jīng)驗公式［9］。鑒于同一地區(qū)的年平均降水量在短期內(nèi)基本相同，無法全面反映不同生產(chǎn)建設項目不同預測時段之間的降雨差異，而對于單一生產(chǎn)建設項目而言，施工期往往跨越數(shù)個年度，月平均降雨量參數(shù)的獲取又顯得繁瑣，因此本研究簡略地利用預測單元所在區(qū)域預測期(或監(jiān)測期)單月平均降雨量(P月)表示降雨侵蝕力因子。

(2)土壤可蝕性因子。土壤可蝕性因子即單位侵蝕力所產(chǎn)生的土壤流失量，在通用土壤流失方程中該值的獲取是在坡長22．1m、寬1．83m、坡度為9%的徑流小區(qū)內(nèi)測定的(小區(qū)完全裸露且無水土保持措施)。由于生產(chǎn)建設項目中土壤的粒徑組成、有機質(zhì)、土壤入滲等多種資料較難獲得，Shiraz 等提出并經(jīng)驗證僅考慮土壤幾何平均粒徑(Dg)即可計算土壤可蝕性［9］。本研究的土壤可蝕性因子也直接用Dg表示。

(3)坡長、坡度因子。坡長、坡度因子為復合因子，即當徑流小區(qū)的坡長L=22．1m、坡度S=9%時，LS為1，完全平坦的地面LS=0。根據(jù)國內(nèi)外學者多年的研究，本研究中的坡度S 采用劉寶元等［9］提出的陡坡公式，利用預測單元的坡度(θ)表示;坡長采用USLE公式中預測單元的坡長(λ)表示。

(4)水土保持措施因子。施工期水土保持措施的實施可極大地減少水土流失。施工過程中無任何水土保持措施，其水土保持措施因子(C)值為1;若場地全部硬化，則水土保持措施因子(C)值為0;如有相關水土保持措施因子，根據(jù)其防護效果，在0 ＜C ＜1 范圍內(nèi)取值。

根據(jù)上述分析，本研究輸入層指標主要包括5 個參數(shù)，輸入層參數(shù)及數(shù)據(jù)來源見表1。

表1 輸入層各參數(shù)及數(shù)據(jù)來源

2．2 數(shù)據(jù)收集

廣泛收集國內(nèi)各類工程水土保持監(jiān)測的實測數(shù)據(jù)，監(jiān)測單元包括路基邊坡、堆土邊坡、施工場地和棄渣場等，數(shù)據(jù)庫包含17 個工程實例的監(jiān)測數(shù)據(jù)(表2)。

3 水土流失量BP 神經(jīng)網(wǎng)絡模型

3．1 預測模型的建立

確定影響土壤流失量的主導因子后，運用人工神經(jīng)網(wǎng)絡方法建立土壤流失量預測模型的步驟如下:

(1)輸入層的確定。輸入層為土壤流失量的主要影響因素，其神經(jīng)元個數(shù)為5，分別為預測期(或監(jiān)測期)單月平均降雨量(P月)、土壤幾何平均粒徑(Dg)、預測單元的坡度(θ)、預測單元的坡長(λ)和水土保持措施因子(C)。

(2)確定神經(jīng)網(wǎng)絡的結(jié)構(gòu)。包括隱含層層數(shù)和單元個數(shù)以及輸出層的單元個數(shù)和期望輸出。輸出層為預測目標，即土壤流失量，單元個數(shù)為1。經(jīng)測試，隱含層層數(shù)為1。預測模型中輸入層、隱含層和輸出層單元個數(shù)分別為5、10、1。

(3)依據(jù)表2 收集的國內(nèi)生產(chǎn)建設項目土壤流失量監(jiān)測數(shù)據(jù)，建立學習與檢測樣本，對神經(jīng)網(wǎng)絡模型進行學習和訓練，確定神經(jīng)網(wǎng)絡的連接參數(shù)和閾值，并運用檢測樣本進行測試，檢驗預測模型的準確性。

為了保證神經(jīng)網(wǎng)絡收斂速度，需要輸入層和輸出層數(shù)值在0 ～1 之間，因此需要對數(shù)據(jù)進行歸一化處理。進行歸一化處理采用如下公式

式中:X'為歸一化后的數(shù)值;Xmax、Xmin分別為數(shù)組中最大值和最小值。

表2 部分國內(nèi)生產(chǎn)建設項目土壤流失量監(jiān)測數(shù)據(jù)

3．2 數(shù)據(jù)結(jié)果分析

表2 中的工程實例，前14 個樣本作為學習樣本，后3 個樣本作為檢測樣本。運用MATLAB 軟件編制的神經(jīng)網(wǎng)絡程序?qū)W習樣本進行了訓練，學習樣本的擬合結(jié)果見圖2。從圖2 看出，預測值和實測值的散點圖基本分布在Y =X 這條直線周圍，說明擬合精度非常高，也證明了建立的神經(jīng)網(wǎng)絡模型在數(shù)據(jù)擬合上的巨大優(yōu)勢。用檢測樣本對神經(jīng)網(wǎng)絡預測模型的有效性和準確性進行驗證，結(jié)果如表3。由表3 知，3 個檢測樣本的預測誤差均小于15%，預測精度較高，能夠滿足工程應用需要。

圖2 模型預測值與實測值比較

表3 檢測樣本判定結(jié)果對比

4 結(jié) 語

(1)影響生產(chǎn)建設項目土壤流失量的因素繁多，每個因素與土壤流失量的關系又難以準確確定，加上各因素之間存在的各種耦合關系，導致土壤流失量的預測成為一個高度復雜的多元非線性問題，常規(guī)的預測方法因其局限性、不合理性以及精度差等問題，往往難以實現(xiàn)準確預測。本研究創(chuàng)造性地將人工神經(jīng)網(wǎng)絡的BP 算法引入到生產(chǎn)建設項目土壤流失量預測中，充分發(fā)揮人工神經(jīng)網(wǎng)絡較強的自學習和逼近能力，將降雨侵蝕力、土壤可蝕性、坡長、坡度和水土保持措施因子等作為土壤流失量的主要影響因子，將收集到的17 個工程土壤流失量監(jiān)測實例作為學習樣本和檢測樣本，建立了土壤流失量的神經(jīng)網(wǎng)絡預測模型。預測結(jié)果表明，該模型擬合和預測精度高，具有很強的應用價值，能夠滿足工程應用需要。

(2)一個網(wǎng)絡結(jié)構(gòu)優(yōu)良、預測精度高的神經(jīng)網(wǎng)絡模型需要種類齊全、數(shù)量眾多的樣本作為數(shù)據(jù)支撐，這樣才能保證所建立的神經(jīng)網(wǎng)絡模型隨機性小，并降低其預測數(shù)據(jù)的波動性。因此，要在土壤流失量預測中利用好神經(jīng)網(wǎng)絡這一工具，一方面要求我們加強對土壤流失規(guī)律的研究，將更多獨立、易采集且直接影響土壤流失產(chǎn)生的因子引入到神經(jīng)網(wǎng)絡模型中來，另一方面需要我們加強對生產(chǎn)建設項目水土保持的監(jiān)測，更加廣泛地積累土壤流失量監(jiān)測數(shù)據(jù)，不斷擴展預測模型的數(shù)據(jù)庫系統(tǒng)，實現(xiàn)神經(jīng)網(wǎng)絡預測模型的持續(xù)完善。

［1］潘獻鴻，李海林，高榮．類比法預測建設項目水土流失量［J］．水土保持應用技術(shù)，2009(6):14-16．

［2］王偉．人工神經(jīng)網(wǎng)絡原理［M］．北京:北京航空航天大學出版社，1995:2-45．

［3］郭雷，李夕兵，巖小明，等．基于BP 網(wǎng)絡理論的巖爆預測方法［J］．工業(yè)安全與環(huán)保，2005，31(10):32-34．

［4］桂現(xiàn)才．BP 神經(jīng)網(wǎng)絡在MATLAB 上的實現(xiàn)與應用［J］．湛江師范學院學報，2004，25(3):79-89．

［5］劉洪波，張宏偉，閆曉強．城市供水管網(wǎng)水量預測的小波神經(jīng)網(wǎng)絡方法［J］．天津大學學報，2005，38(7):636-639．

［6］馬濤，徐向東．基于小波網(wǎng)模型的區(qū)域供熱系統(tǒng)負荷預測［J］．清華大學學報，2005，45(5):708-710．

［7］彭琦，張茹，謝和平，等．基于AE 時間序列的巖爆預測模型研究［J］．巖土力學，2009，30(5):1436-1440．

［8］彭琦，錢愛國，肖鈺．基于人工智能方法的巖爆預測系統(tǒng)［J］．四川大學學報:工程科學版，2010(4):18-25．

［9］劉秉正，吳發(fā)啟．土壤侵蝕［M］．西安:陜西人民出版社，1996:75-83．