基于人工神經網絡的農地石漠化預警模型及應用

摘要：應用相關分析和主成分分析法并借鑒相關研究成果，選取巖性、地表起伏指數、基巖裸露率、植被覆蓋率、≥25°坡地面積比、土壤類型、土地墾殖指數、坡耕地指數、農業人口密度和人均耕地面積等10個與農地石漠化密切相關的因子作為輸入變量，根據人工神經網絡的原理和方法，建立了農地石漠化預警的BP人工神經網絡模型，并利用該模型對陽山縣進行了實證研究。結果表明，該模型性能良好，能夠較好地實現農地石漠化預警功能，預警結果客觀合理，具有一定的推廣應用價值，能夠為區域農地石漠化的預防與綜合治理提供依據。

關鍵詞：人工神經網絡；農地石漠化；預警模型；陽山縣

中圖分類號： X141；S158.1文獻標志碼： A文章編號：1002-1302（2014）09-0297-03

收稿日期：2013-11-25

基金項目：國家自然科學基金（編號：31170486、31070426）；廣東省哲學社會科學“十二五”規劃項目（編號：GD12CGL01）；廣東省自然科學基金（編號：S2012010009272）

作者簡介：黃金國（1967—），男，湖南桃源人，副教授，研究方向為土地退化防治與農業資源利用。E-mail：fsjgh@163.com。

農地石漠化是巖溶地區農用地退化的一種極端形式，其形成與發展不僅造成巖溶地區農用地土壤嚴重侵蝕、肥力下降、基巖出露、地表水源短缺、旱澇災害頻繁等一系列生態環境問題，而且也是造成巖溶地區農村經濟貧困的主要原因[1-2]。因此，將預警科學引入石漠化研究領域，加強對巖溶地區農地石漠化的預警預測具有重要的理論和實踐意義。通過預警可以定性、定量、定位地反映農地石漠化發生的可能性及其危害程度，進而對農地石漠化進行有效治理與科學防范，為農地資源的合理利用提供科學依據。影響農地石漠化的因素涉及自然環境、經濟、社會等諸多方面，各因素之間關系復雜，并呈現非線性關系，一般的回歸分析、時間序列預測等傳統方法難以對其進行準確預測。而近年來發展起來的人工神經網絡是一種高度復雜的非線性動力學系統，具有自學習、自組織自適應能力等特點，對解決規律不明顯，用統計方法難以處理的非線性預測問題有著獨特的優勢，同時它還具有很強的輸入輸出非線性映射能力以及易于學習和訓練的優點，在模式識別、圖像處理、控制和優化、智能信息管理、預測等領域有著廣泛的應用[3-4]。本研究根據人工神經網絡的原理和方法，以粵北巖溶山區農地石漠化分布典型區域陽山縣為例，選取10個與農地石漠化顯著相關的指標作為預警因子，建立了基于BP人工神經網絡的農地石漠化預警模型，并利用該模型對陽山縣農地石漠化進行預警分析，以期為粵北巖溶山區農地石漠化的綜合防治和農地資源的合理利用提供參考。

1材料與方法

1.1研究區概況

陽山縣地處廣東省西北部，屬清遠市管轄，位于東經112°22′01″～113°01′06″，北緯23°57′～24°56′，全縣現轄12個鎮和1個瑤族鄉，總面積3 329.53 km2，縣域內地形復雜，總體為南北高峻，并以單斜山地不規則地由兩端向腹地傾斜，形成中間低緩、四周較高的船形地貌，山地約占全縣總面積的90%，盆地和沖擊平原約占10%[5]。氣候屬亞熱帶季風氣候，年平均氣溫20.3 ℃，年降雨量1 850 mm。陽山縣土地利用整體結構以農用地為主，根據陽山縣第二次土地調查數據，全縣農用地面積268 807 hm2，占土地總面積的80.73%，屬典型的山區農業縣。同時，陽山縣是粵北山區石漠化分布的主要區域，石漠化總面積16 169.5 hm2，其中輕度石漠化面積340.6 hm2，占2.11%；中度石漠化面積6 009.8 hm2，占3717%；重度石漠化面積9479.9 hm2，占58.63%；極重度石漠化面積339.2 hm2，占2.10%[6]。由于特殊的自然條件和社會經濟發展背景，陽山縣的社會經濟發展長期以來處于落后水平，是廣東省主要的貧困地區，石漠化問題仍是制約當地社會經濟可持續發展的關鍵因素。

1.2研究方法

人工神經網絡（artificial neural network，ANN）是對人腦或自然的神經網絡若干基本特性的抽象和模擬，是一種非線性的動力學系統，它具有大規模的并行處理和分布式的信息存儲能力，良好的自適應性，自組織性及很強的學習、聯想、容錯及抗干擾能力，特別適合處理需要同時考慮很多因素和條件的、不確定和模糊的信息處理問題[7-8]。在目前30多種神經網絡模型中，算法最成熟、應用最廣泛的神經網絡模型是由Rumelhart等提出的前饋網絡（back propagation network）模型，即BP網絡模型[9]。常用的BP網絡模型由輸入層、隱含層（1個或多個）和輸出層三部分組成，每一層包含若干神經元，同一層內部各神經元之間沒有連接，而上下層之間的神經元采用全互聯的連接方式。典型的三層BP人工神經網絡結構如圖1所示。

BP算法的基本思想是整個網絡的學習過程由信號的正向傳播和誤差的反向傳播兩個過程組成。正向傳播時，輸入信息從輸入層輸入，經網絡的權重、閾值和神經元的傳遞函數作用后從輸出層輸出。如果輸出層的實際輸出和期望輸出之間的誤差大于規定量則轉入誤差信號的反向傳播階段，即將輸出信號的誤差沿原來的連接道路返回，通過修改各層神經元的權值，使得誤差信號最小。周而復始的信號正向傳播和誤差反向傳播過程是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程將一直循環進行，直到網絡的輸出誤差減小到允許值或到達預先設定的訓練次數為止[10] 。完成訓練后，該BP神經網絡模型就可以用來求解相似的問題。BP神經網絡模型的應用設計，可借助于MATLAB軟件包中的神經網絡工具箱完成[11]。

2農地石漠化預警模型的建立

2.1輸入與輸出變量的確定endprint

農地石漠化是地質、地貌、植被、土壤、氣候等自然背景因素和人類不合理的農業生產活動綜合作用的結果。根據陽山縣的實際情況和預警指標選取的科學性、系統性、簡明性、可表征性、可獲得性和可度量性等原則，應用相關分析和主成分分析方法并借鑒相關研究成果[12]，本研究選取巖性、地表起伏指數、土壤類型、植被覆蓋率、基巖裸露率、土地墾殖指數、坡耕地指數、農業人口密度、人均耕地面積、≥25°坡地面積比共10個和農地石漠化密切相關的指標作為輸入變量，即輸入層神經元數目為10。輸出變量的選擇與預警結果相對應，本研究根據陽山縣的實際情況設置無警、輕警、中警和重警4個預警結果，即輸出層神經元數目為4，其中輸出（1 0 0 0）為無警，（0 1 0 0）為輕警，（0 0 1 0） 為中警，（0 0 0 1）為重警。

2.2隱含層和隱含層神經元數的確定

現有理論已證明，具有一個隱含層的三層 BP神經網絡可以映射所有的連續非線性函數[10]，因此，本文隱含層數選為 1個。對于隱含層神經元數的確定是神經網絡設計中非常重要的一個環節，若隱含層神經元個數過少，會使網絡不能建立復雜映射關系，訓練效果不理想，網絡的容錯性也隨之較低；若隱含層神經元個數過多，會使樣本學習能力降低，網絡學習時間過長，總體性能減弱[4]。因此，在具體設計時通常先根據經驗公式n1=m+n+a（式中 m 為輸入層神經元數，n 為輸出層神經元數，n1為隱含層神經元數，a為[1，10] 之間的常數。）初步確定隱含層神經元個數，然后通過對不同神經元數的網絡進行訓練對比，再最終確定神經元數[10]。

本研究輸入層神經元數為10，輸出層神經元數為4，通過訓練對比發現，隱含層神經元數為8時，網絡性能最好，誤差最小，因此，選擇隱含層的神經元數為8。

2.3模型結構

有10個輸入神經元、8個隱含層神經元和4個輸出神經元，故采用10-8-4結構的3層BP神經網絡模型（圖2）。

3實例應用

3.1數據來源及處理

根據陽山縣農地石漠化的實際情況，選取15個樣本區域（無石漠化區域、輕度石漠化區域、中度石漠化區域、重度石漠化區域、極重度石漠化區域各選3個）進行數據采集，其中農業人口密度、人均耕地面積數據來源于《陽山縣統計年鑒》，土地墾殖指數、坡耕地指數數據來源于陽山縣第二次土地利用調查數據庫，地表起伏指數、≥25°坡地面積比數據應用GIS方法從DEM數據中提取，基巖裸露率、植被覆蓋率數據來源于遙感影像解譯和野外調查，對巖性、土壤類型等定性指標的處理，由專家根據實際情況打分進行量化。

原始數據由于量綱、數量級和單位等存在較大差別，在網絡訓練前須對其進行歸一化處理。本研究采用的歸一化公式為x′i=（xi-xmin）/（xmax-xmin），式中x′i為經過標準化處理的數據，xi為原始數據，xmax和xmin分別為數據序列中的最大數和最小數。經過歸一化處理后的15組樣本數據見表1。

3.2網絡訓練與檢測

在MATLAB軟件中創建10-8-4的BP神經網絡，隱含層神經元的傳遞函數采用S型正切函數tansig，輸出層神經元傳遞函數采用S型對數函數logsig，訓練函數采用traingdx。設定最大訓練次數為10 000，訓練目標誤差為0.001，初始學習速率為0.7，其余訓練參數取默認值。取表1中前12組（樣本1～12）數據作為訓練樣本，調用訓練函數對BP神經網絡進行訓練，電腦顯示經過1 033次訓練后，其均方誤差MSE=0.000 946，小于預先設定的0.001的最小誤差，網絡性能達到最好，訓練結束。

取表1中后3組（樣本13～15）數據作為輸入數據對上述訓練好的神經網絡進行驗證，其結果見表2。從表2可以看出，模型輸出值與期望輸出值非常接近，最大絕對誤差為0.008 5，最小為0.000 7，表明訓練后的 BP 神經網絡模型有較高的模擬精度和可信度，完全能滿足農地石漠化預警要求，到此整個建模過程結束。

3.3預警結果及分析

4討論

由于影響農地石漠化的因素涉及自然環境、經濟、社會等諸多方面，各因素之間既相互聯系又相互作用，屬多變量非線性問題，而BP神經網絡具有良好的模式識別能力和較強的非線性處理能力，能根據所提供的數據，通過學習和訓練，找出輸入與輸出之間的內在聯系，從而求取問題的解，人為主觀性影響較小，計算結果準確性高，所以基于BP神經網絡的農地石漠化預警方法是可行的。但預警過程中輸入變量的選取、隱含層神經元個數的確定和運行參數的設置等問題尚需進一步研究。

本研究采用BP神經網絡方法構建了農地石漠化預警的模型，并以陽山縣為例進行了農地石漠化預警分析。預警結果表明：2015年陽山縣13個鄉鎮中有2個鎮屬重警區，1個鎮屬中警區，7個鎮屬輕警區，1個鄉和2個鎮屬無警區。預警結果為陽山縣各鎮的農地石漠化綜合防治與農地資源合理利用提供了參考。

參考文獻：

[1]韓清延，胡寶清，閆妍，等. 基于ANN-FES的石漠化綜合治理智能決策支持系統設計及應用研究[J]. 測繪與空間地理信息，2009，32（2）：63-68.

[2]李明，李雪銘. 基于遺傳算法改進的BP神經網絡在我國主要城市人居環境質量評價中的應用[J]. 經濟地理，2007，27（1）：99-103.

[3]田彥清，楊振宏，張源勇，等. 基于BP神經網絡的作業場所風險預警模型研究[J]. 安全與環境學報，2011，11（6）：255-259.

[4]劉連勝，陳樂書，李小非，等. 基于GIS、RS的陽山縣耕地后備資源調查評價[J]. 廣東農業科學，2009（8）：110-112，119.

[5]黃金國，魏興琥，王兮之. 粵北巖溶山區土地石漠化成因及其生態經濟治理模式[J]. 水土保持研究，2013，20（4）：105-109.

[6]侯建才，李占斌，李勉，等. 流域次降雨侵蝕產沙的BP神經網絡模擬[J]. 水土保持通報，2007，27（3）：79-83.

[7]李文超，胡天然，魏永霞.BP-ANN模型在地下水動態預測中的應用研究[J]. 東北農業大學學報，2009，40（9）：44-47.

[8]吳璞周，衛海燕. 基于GIS和人工神經網絡的區域水資源壓力評價模型及其驗證[J]. 水土保持通報，2007，27（6）：160-164.

[9]袁琦，黃建清，符新，等. 基于神經網絡的水產養殖水質預測模型研究[J]. 湖北農業科學，2013，52（1）：143-146.

[10]吳璞周，衛海燕. 基于GIS和人工神經網絡的區域水資源壓力評價模型及其驗證[J]. 水土保持通報，2007，27（6）：160-164.

[11]蘇廣實，胡寶清，梁銘忠，等. 基于神經網絡的喀斯特石漠化預警分析模型研究——以廣西都安為例[J]. 地球與環境，2009，37（3）：287-292.

[12]閆妍，胡寶清，韓清延，等. 基于3S-ANN技術的縣域農地石漠化預警分析——以廣西壯族自治區都安瑤族自治縣為例[J]. 中國巖溶，2012，31（1）：52-58.董麗麗，丁忠義，劉一瑋，等. 基于TOPSIS模型的煤礦區土地生態質量評價[J]. 江蘇農業科學，2014，42（9）：300-303.endprint

農地石漠化是地質、地貌、植被、土壤、氣候等自然背景因素和人類不合理的農業生產活動綜合作用的結果。根據陽山縣的實際情況和預警指標選取的科學性、系統性、簡明性、可表征性、可獲得性和可度量性等原則，應用相關分析和主成分分析方法并借鑒相關研究成果[12]，本研究選取巖性、地表起伏指數、土壤類型、植被覆蓋率、基巖裸露率、土地墾殖指數、坡耕地指數、農業人口密度、人均耕地面積、≥25°坡地面積比共10個和農地石漠化密切相關的指標作為輸入變量，即輸入層神經元數目為10。輸出變量的選擇與預警結果相對應，本研究根據陽山縣的實際情況設置無警、輕警、中警和重警4個預警結果，即輸出層神經元數目為4，其中輸出（1 0 0 0）為無警，（0 1 0 0）為輕警，（0 0 1 0） 為中警，（0 0 0 1）為重警。

2.2隱含層和隱含層神經元數的確定

現有理論已證明，具有一個隱含層的三層 BP神經網絡可以映射所有的連續非線性函數[10]，因此，本文隱含層數選為 1個。對于隱含層神經元數的確定是神經網絡設計中非常重要的一個環節，若隱含層神經元個數過少，會使網絡不能建立復雜映射關系，訓練效果不理想，網絡的容錯性也隨之較低；若隱含層神經元個數過多，會使樣本學習能力降低，網絡學習時間過長，總體性能減弱[4]。因此，在具體設計時通常先根據經驗公式n1=m+n+a（式中 m 為輸入層神經元數，n 為輸出層神經元數，n1為隱含層神經元數，a為[1，10] 之間的常數。）初步確定隱含層神經元個數，然后通過對不同神經元數的網絡進行訓練對比，再最終確定神經元數[10]。

本研究輸入層神經元數為10，輸出層神經元數為4，通過訓練對比發現，隱含層神經元數為8時，網絡性能最好，誤差最小，因此，選擇隱含層的神經元數為8。

2.3模型結構

有10個輸入神經元、8個隱含層神經元和4個輸出神經元，故采用10-8-4結構的3層BP神經網絡模型（圖2）。

3實例應用

3.1數據來源及處理

根據陽山縣農地石漠化的實際情況，選取15個樣本區域（無石漠化區域、輕度石漠化區域、中度石漠化區域、重度石漠化區域、極重度石漠化區域各選3個）進行數據采集，其中農業人口密度、人均耕地面積數據來源于《陽山縣統計年鑒》，土地墾殖指數、坡耕地指數數據來源于陽山縣第二次土地利用調查數據庫，地表起伏指數、≥25°坡地面積比數據應用GIS方法從DEM數據中提取，基巖裸露率、植被覆蓋率數據來源于遙感影像解譯和野外調查，對巖性、土壤類型等定性指標的處理，由專家根據實際情況打分進行量化。

原始數據由于量綱、數量級和單位等存在較大差別，在網絡訓練前須對其進行歸一化處理。本研究采用的歸一化公式為x′i=（xi-xmin）/（xmax-xmin），式中x′i為經過標準化處理的數據，xi為原始數據，xmax和xmin分別為數據序列中的最大數和最小數。經過歸一化處理后的15組樣本數據見表1。

3.2網絡訓練與檢測

在MATLAB軟件中創建10-8-4的BP神經網絡，隱含層神經元的傳遞函數采用S型正切函數tansig，輸出層神經元傳遞函數采用S型對數函數logsig，訓練函數采用traingdx。設定最大訓練次數為10 000，訓練目標誤差為0.001，初始學習速率為0.7，其余訓練參數取默認值。取表1中前12組（樣本1～12）數據作為訓練樣本，調用訓練函數對BP神經網絡進行訓練，電腦顯示經過1 033次訓練后，其均方誤差MSE=0.000 946，小于預先設定的0.001的最小誤差，網絡性能達到最好，訓練結束。

取表1中后3組（樣本13～15）數據作為輸入數據對上述訓練好的神經網絡進行驗證，其結果見表2。從表2可以看出，模型輸出值與期望輸出值非常接近，最大絕對誤差為0.008 5，最小為0.000 7，表明訓練后的 BP 神經網絡模型有較高的模擬精度和可信度，完全能滿足農地石漠化預警要求，到此整個建模過程結束。

3.3預警結果及分析

4討論

由于影響農地石漠化的因素涉及自然環境、經濟、社會等諸多方面，各因素之間既相互聯系又相互作用，屬多變量非線性問題，而BP神經網絡具有良好的模式識別能力和較強的非線性處理能力，能根據所提供的數據，通過學習和訓練，找出輸入與輸出之間的內在聯系，從而求取問題的解，人為主觀性影響較小，計算結果準確性高，所以基于BP神經網絡的農地石漠化預警方法是可行的。但預警過程中輸入變量的選取、隱含層神經元個數的確定和運行參數的設置等問題尚需進一步研究。

本研究采用BP神經網絡方法構建了農地石漠化預警的模型，并以陽山縣為例進行了農地石漠化預警分析。預警結果表明：2015年陽山縣13個鄉鎮中有2個鎮屬重警區，1個鎮屬中警區，7個鎮屬輕警區，1個鄉和2個鎮屬無警區。預警結果為陽山縣各鎮的農地石漠化綜合防治與農地資源合理利用提供了參考。

參考文獻：

[1]韓清延，胡寶清，閆妍，等. 基于ANN-FES的石漠化綜合治理智能決策支持系統設計及應用研究[J]. 測繪與空間地理信息，2009，32（2）：63-68.

[2]李明，李雪銘. 基于遺傳算法改進的BP神經網絡在我國主要城市人居環境質量評價中的應用[J]. 經濟地理，2007，27（1）：99-103.

[3]田彥清，楊振宏，張源勇，等. 基于BP神經網絡的作業場所風險預警模型研究[J]. 安全與環境學報，2011，11（6）：255-259.

[4]劉連勝，陳樂書，李小非，等. 基于GIS、RS的陽山縣耕地后備資源調查評價[J]. 廣東農業科學，2009（8）：110-112，119.

[5]黃金國，魏興琥，王兮之. 粵北巖溶山區土地石漠化成因及其生態經濟治理模式[J]. 水土保持研究，2013，20（4）：105-109.

[6]侯建才，李占斌，李勉，等. 流域次降雨侵蝕產沙的BP神經網絡模擬[J]. 水土保持通報，2007，27（3）：79-83.

[7]李文超，胡天然，魏永霞.BP-ANN模型在地下水動態預測中的應用研究[J]. 東北農業大學學報，2009，40（9）：44-47.

[8]吳璞周，衛海燕. 基于GIS和人工神經網絡的區域水資源壓力評價模型及其驗證[J]. 水土保持通報，2007，27（6）：160-164.

[9]袁琦，黃建清，符新，等. 基于神經網絡的水產養殖水質預測模型研究[J]. 湖北農業科學，2013，52（1）：143-146.

[10]吳璞周，衛海燕. 基于GIS和人工神經網絡的區域水資源壓力評價模型及其驗證[J]. 水土保持通報，2007，27（6）：160-164.

[11]蘇廣實，胡寶清，梁銘忠，等. 基于神經網絡的喀斯特石漠化預警分析模型研究——以廣西都安為例[J]. 地球與環境，2009，37（3）：287-292.

[12]閆妍，胡寶清，韓清延，等. 基于3S-ANN技術的縣域農地石漠化預警分析——以廣西壯族自治區都安瑤族自治縣為例[J]. 中國巖溶，2012，31（1）：52-58.董麗麗，丁忠義，劉一瑋，等. 基于TOPSIS模型的煤礦區土地生態質量評價[J]. 江蘇農業科學，2014，42（9）：300-303.endprint

農地石漠化是地質、地貌、植被、土壤、氣候等自然背景因素和人類不合理的農業生產活動綜合作用的結果。根據陽山縣的實際情況和預警指標選取的科學性、系統性、簡明性、可表征性、可獲得性和可度量性等原則，應用相關分析和主成分分析方法并借鑒相關研究成果[12]，本研究選取巖性、地表起伏指數、土壤類型、植被覆蓋率、基巖裸露率、土地墾殖指數、坡耕地指數、農業人口密度、人均耕地面積、≥25°坡地面積比共10個和農地石漠化密切相關的指標作為輸入變量，即輸入層神經元數目為10。輸出變量的選擇與預警結果相對應，本研究根據陽山縣的實際情況設置無警、輕警、中警和重警4個預警結果，即輸出層神經元數目為4，其中輸出（1 0 0 0）為無警，（0 1 0 0）為輕警，（0 0 1 0） 為中警，（0 0 0 1）為重警。

2.2隱含層和隱含層神經元數的確定

現有理論已證明，具有一個隱含層的三層 BP神經網絡可以映射所有的連續非線性函數[10]，因此，本文隱含層數選為 1個。對于隱含層神經元數的確定是神經網絡設計中非常重要的一個環節，若隱含層神經元個數過少，會使網絡不能建立復雜映射關系，訓練效果不理想，網絡的容錯性也隨之較低；若隱含層神經元個數過多，會使樣本學習能力降低，網絡學習時間過長，總體性能減弱[4]。因此，在具體設計時通常先根據經驗公式n1=m+n+a（式中 m 為輸入層神經元數，n 為輸出層神經元數，n1為隱含層神經元數，a為[1，10] 之間的常數。）初步確定隱含層神經元個數，然后通過對不同神經元數的網絡進行訓練對比，再最終確定神經元數[10]。

本研究輸入層神經元數為10，輸出層神經元數為4，通過訓練對比發現，隱含層神經元數為8時，網絡性能最好，誤差最小，因此，選擇隱含層的神經元數為8。

2.3模型結構

有10個輸入神經元、8個隱含層神經元和4個輸出神經元，故采用10-8-4結構的3層BP神經網絡模型（圖2）。

3實例應用

3.1數據來源及處理

根據陽山縣農地石漠化的實際情況，選取15個樣本區域（無石漠化區域、輕度石漠化區域、中度石漠化區域、重度石漠化區域、極重度石漠化區域各選3個）進行數據采集，其中農業人口密度、人均耕地面積數據來源于《陽山縣統計年鑒》，土地墾殖指數、坡耕地指數數據來源于陽山縣第二次土地利用調查數據庫，地表起伏指數、≥25°坡地面積比數據應用GIS方法從DEM數據中提取，基巖裸露率、植被覆蓋率數據來源于遙感影像解譯和野外調查，對巖性、土壤類型等定性指標的處理，由專家根據實際情況打分進行量化。

原始數據由于量綱、數量級和單位等存在較大差別，在網絡訓練前須對其進行歸一化處理。本研究采用的歸一化公式為x′i=（xi-xmin）/（xmax-xmin），式中x′i為經過標準化處理的數據，xi為原始數據，xmax和xmin分別為數據序列中的最大數和最小數。經過歸一化處理后的15組樣本數據見表1。

3.2網絡訓練與檢測

在MATLAB軟件中創建10-8-4的BP神經網絡，隱含層神經元的傳遞函數采用S型正切函數tansig，輸出層神經元傳遞函數采用S型對數函數logsig，訓練函數采用traingdx。設定最大訓練次數為10 000，訓練目標誤差為0.001，初始學習速率為0.7，其余訓練參數取默認值。取表1中前12組（樣本1～12）數據作為訓練樣本，調用訓練函數對BP神經網絡進行訓練，電腦顯示經過1 033次訓練后，其均方誤差MSE=0.000 946，小于預先設定的0.001的最小誤差，網絡性能達到最好，訓練結束。

取表1中后3組（樣本13～15）數據作為輸入數據對上述訓練好的神經網絡進行驗證，其結果見表2。從表2可以看出，模型輸出值與期望輸出值非常接近，最大絕對誤差為0.008 5，最小為0.000 7，表明訓練后的 BP 神經網絡模型有較高的模擬精度和可信度，完全能滿足農地石漠化預警要求，到此整個建模過程結束。

3.3預警結果及分析

4討論

由于影響農地石漠化的因素涉及自然環境、經濟、社會等諸多方面，各因素之間既相互聯系又相互作用，屬多變量非線性問題，而BP神經網絡具有良好的模式識別能力和較強的非線性處理能力，能根據所提供的數據，通過學習和訓練，找出輸入與輸出之間的內在聯系，從而求取問題的解，人為主觀性影響較小，計算結果準確性高，所以基于BP神經網絡的農地石漠化預警方法是可行的。但預警過程中輸入變量的選取、隱含層神經元個數的確定和運行參數的設置等問題尚需進一步研究。

本研究采用BP神經網絡方法構建了農地石漠化預警的模型，并以陽山縣為例進行了農地石漠化預警分析。預警結果表明：2015年陽山縣13個鄉鎮中有2個鎮屬重警區，1個鎮屬中警區，7個鎮屬輕警區，1個鄉和2個鎮屬無警區。預警結果為陽山縣各鎮的農地石漠化綜合防治與農地資源合理利用提供了參考。

參考文獻：

[1]韓清延，胡寶清，閆妍，等. 基于ANN-FES的石漠化綜合治理智能決策支持系統設計及應用研究[J]. 測繪與空間地理信息，2009，32（2）：63-68.

[2]李明，李雪銘. 基于遺傳算法改進的BP神經網絡在我國主要城市人居環境質量評價中的應用[J]. 經濟地理，2007，27（1）：99-103.

[3]田彥清，楊振宏，張源勇，等. 基于BP神經網絡的作業場所風險預警模型研究[J]. 安全與環境學報，2011，11（6）：255-259.

[4]劉連勝，陳樂書，李小非，等. 基于GIS、RS的陽山縣耕地后備資源調查評價[J]. 廣東農業科學，2009（8）：110-112，119.

[5]黃金國，魏興琥，王兮之. 粵北巖溶山區土地石漠化成因及其生態經濟治理模式[J]. 水土保持研究，2013，20（4）：105-109.

[6]侯建才，李占斌，李勉，等. 流域次降雨侵蝕產沙的BP神經網絡模擬[J]. 水土保持通報，2007，27（3）：79-83.

[7]李文超，胡天然，魏永霞.BP-ANN模型在地下水動態預測中的應用研究[J]. 東北農業大學學報，2009，40（9）：44-47.

[8]吳璞周，衛海燕. 基于GIS和人工神經網絡的區域水資源壓力評價模型及其驗證[J]. 水土保持通報，2007，27（6）：160-164.

[9]袁琦，黃建清，符新，等. 基于神經網絡的水產養殖水質預測模型研究[J]. 湖北農業科學，2013，52（1）：143-146.

[10]吳璞周，衛海燕. 基于GIS和人工神經網絡的區域水資源壓力評價模型及其驗證[J]. 水土保持通報，2007，27（6）：160-164.

[11]蘇廣實，胡寶清，梁銘忠，等. 基于神經網絡的喀斯特石漠化預警分析模型研究——以廣西都安為例[J]. 地球與環境，2009，37（3）：287-292.

[12]閆妍，胡寶清，韓清延，等. 基于3S-ANN技術的縣域農地石漠化預警分析——以廣西壯族自治區都安瑤族自治縣為例[J]. 中國巖溶，2012，31（1）：52-58.董麗麗，丁忠義，劉一瑋，等. 基于TOPSIS模型的煤礦區土地生態質量評價[J]. 江蘇農業科學，2014，42（9）：300-303.endprint