基于Logistic回歸和RBF神經網絡的土壤侵蝕模數預測

周 寧， 李 超， 滿秀玲

(1.東北林業大學 林學院， 黑龍江 哈爾濱 150040；

2.黑龍江省水土保持科學研究院， 黑龍江 哈爾濱 150070； 3.北京林業大學 林學院， 北京 100083)

?

基于Logistic回歸和RBF神經網絡的土壤侵蝕模數預測

周 寧1,2， 李 超3， 滿秀玲1

(1.東北林業大學 林學院， 黑龍江 哈爾濱 150040；

2.黑龍江省水土保持科學研究院， 黑龍江 哈爾濱 150070； 3.北京林業大學 林學院， 北京 100083)

摘要：[目的] 尋求估算土壤侵蝕模數的新方法，并通過GIS實現對土壤侵蝕空間分布情況的預測。[方法] 采用土壤侵蝕模數作為判別條件，分別驗證基于Logistic回歸和RBF神經網絡而建立的土壤侵蝕預報模型的適用性，進而構建并驗證改進模型——LOG-RBF神經網絡土壤侵蝕預測模型。[結果] (1) Logistic回歸模型判別目標土地是否發生土壤侵蝕的優勢明顯，未發生和發生土壤侵蝕的預測正確率分別為77.4%和97.9%，總預測正確率為94.9%。(2) RBF神經網絡模型估計土壤侵蝕模數的能力較強，模擬結果的相對誤差和平方和誤差分別為0.612%和13.292，R2為0.57。(3) LOG-RBF神經網絡土壤侵蝕預測模型預測結果的相對誤差和平方和誤差比RBF神經網絡模型模擬結果分別降低了0.157%和2.601。R2為0.82，擬合程度上優于RBF神經網絡模型。隨著土壤侵蝕模數的增大,錯估現象呈逐漸減少趨勢。通過受試者工作特征曲線的判別，LOG-RBF神經網絡模型的曲線下面積值比RBF神經網絡模型大0.063，模型判斷的準確性更高。[結論] 利用LOG-RBF神經網絡土壤侵蝕預測模型可更準確地估計土壤侵蝕模數，基于GIS能夠預測土壤侵蝕的空間分布情況。

關鍵詞：Logistic回歸； RBF神經網絡； 土壤侵蝕； 預測模型； USLE

在土壤侵蝕評價研究中，模型的應用對實踐工作具有很大幫助，各國學者針對區域土壤侵蝕評價開展了長期、系統的研究，形成了對土壤侵蝕的過程反饋和趨勢預報的經驗模型、物理模型和概念模型等多種模型。W. H. Wischmeier等[1]提出的通用土壤流失方程(universal soil-loss equation，USLE)以及之后修正通用土壤流失方程(revised universal soil-loss equation，RUSLE)最具代表性，在此基礎上，由美國4機構聯合開發并發布了WEPP模型(water erosion prediction project)，該模型能夠完整反映水力侵蝕過程。荷蘭研究機構基于地理信息系統(geographic information system，GIS)建立了LISEM模型(limburg soil erosion model)，這種模型實現了研究成果的直觀可視。Kirkby等[2]提出了可用于流域土壤侵蝕研究的方法。De Jong等[3]等通過對土壤侵蝕過程的研究，闡述了區域土壤侵蝕研究的新方法。另多位學者構建了適用于歐洲[4]的土壤侵蝕評價模型，其中具有典型性的包括： EUROSEM[5](European soil erosion model), PESERA[6](pan-European soil erosion risk assessment), SHE[7](systeme hydrologique European)和SEMMED(soil erosion model for Mediterranean regions)等。中國早期研究主要是對USLE和RUSLE等成熟模型的介紹引入，之后相繼出現了符合中國自然規律和實際情況的土壤侵蝕評價模型，如孫立達等[8]提出的小流域土壤流失預報方程，牟金澤等[9]開展的降雨侵蝕土壤流失預報方程研究。特別指出的是，針對區域的土壤侵蝕評價模型研究得到了廣泛的開展，形成了諸多具有地域適用性的基礎性評價模型，如楊艷生等[10]構建的長江二峽區土壤流失預測方程，趙羽等[11]進行的內蒙占土壤侵蝕研究，陳楚群等[12]以陜北小流域為例建立的土壤侵蝕量多因子灰色模型，張憲奎等[13]進行的黑龍江省土壤流失方程的修訂，付煒等[14]建立的黃土丘陵溝壑區土壤侵蝕預測模型，黃炎和等[15]開展的閩東南土壤流失預報研究，楊子生[16-17]分別就滇東北山區坡耕地和云南省金沙江流域構建的土壤流失方程，劉寶元等[18]提出的中國水土流失方程(Chinese soil loss equation， CSLE)對已有研究進行了全面匯總分析，闡述了適用全國范圍的具統一規范標準的模型。但利用數學方法構建土壤侵蝕反演預測模型的研究相對較少，本研究以黑龍江省拉林河流域為研究區，在建立和驗證Logistic回歸和RBF神經網絡土壤侵蝕模型的基礎上，構建經改進的LOG-RBF神經網絡土壤侵蝕模型，嘗試估算土壤侵蝕模數更為便捷的方法，并實現與GIS的有機結合，預測土壤侵蝕模數的空間分布情況，對區域土壤侵蝕預報及評價模型研究具有積極的實踐意義。

1研究區概況

黑龍江省拉林河流域的地理位置、水文、氣象、土壤、植被、地形以及地貌等自然概況，與文獻[19]相同，此處不再贅述。

2數據處理

土壤類型、土地利用、降雨和數字高程模型(digital elevation model，DEM)等基礎數據的處理方法，土壤侵蝕模數、降雨侵蝕力(R值)的計算和標準化植被指數(normalized difference vegetation index，NDVI)、坡度以及坡向的提取方法詳見同期研究[20]，此處不再贅述。僅介紹NDVI、坡度和坡向的分級處理方法。在ArcGIS上，將NDVI劃分為8級，如附圖3所示，0表示存在裸土、水面或巖石等。《黑土區水土流失綜合防治技術標準》[21]中，判別坡耕地土壤侵蝕時坡度共劃分6級，分別為≤0.25°,0.25°~1.5°,1.5°~3°,3°~4°,4°~5°和>5°；判別荒山荒坡土壤侵蝕時坡度共劃分5級，分別為3°~5°,5°~8°,8°~15°,15°~25°和>25°，參考其分級標準并結合黑龍江省拉林河流域坡度分布情況，將研究區坡度劃分為9級(附圖4)。參考相關研究[22]，坡向劃分為8級(附圖5)。

3研究方法

3.1　Logistic回歸模型的建立

判別目標土地是否發生土壤侵蝕是進行合理土壤侵蝕評價的基礎，Logistic回歸分析適合對事件存在或發生與否做出概率預測，相關研究有：姜文亮等[23]采用空間Logistic回歸模型，進行了城市空間擴展的預測；邢秋菊等[24]采用Logistic回歸分析法，進行了滑坡地質災害危險性評價；王海鷹等[25]建立并驗證了用于城市邊緣區界定的Logistic回歸模型；王靜等[26]利用Logistic回歸方法，分析了土地退化和環境之間的空間關系。本文通過Logistic回歸分析的方法，構建并驗證黑龍江省拉林河流域空間Logistic回歸模型，實現對空間柵格是否發生土壤侵蝕的判別和預測。

Logistic回歸分析在一個因變量和若干個自變量間構建多元回歸關系，對預測任意或某一事件的發生概率具有一定優勢，自變量可以是連續型變量或離散型變量，且不要求必須滿足正態分布。Logistic回歸模型[27]表達式為：

(1)

z=a0+a1X1+a2X2+…+anXn

(2)

式中：P——土壤侵蝕發生的概率，發生土壤侵蝕的條件概率為P=P(Y=1∣X1，X2，…，Xn)；Xn——第n個變量；z——變量參數；a0——回歸常數；an——第n個變量的回歸系數；n——自然數。Logistic回歸分析中，因變量Y取值0和1，分別代表未發生土壤侵蝕和發生土壤侵蝕。

在Logistic分析過程中，要以土壤侵蝕模數對是否發生土壤侵蝕做出定量判別，依據現行的水利行業標準，區域土壤侵蝕強度為微度即可狹義地認定不發生土壤侵蝕，《土壤侵蝕分類分級標準》[28]和《黑土區水土流失綜合防治技術標準標準》以土壤侵蝕模數為量度分別對不同土壤侵蝕強度做出了級別劃分，考慮到黑龍江省拉林河流域地處東北黑土區，且以水力侵蝕為主，容許土壤流失量為200 t/(km2·a)，對發生土壤侵蝕的定量界定基準宜采用下限值，即土壤侵蝕模數≤200 t/(km2·a)表示未發生土壤侵蝕，否則發生土壤侵蝕。

選取坡度(X1)、坡向(X2)、NDVI(X3)、土地利用類型(X4)和土壤類型(X5)作為變量，坡度、坡向和NDVI的分級結果(附圖3—5)，以及土壤類型、土地利用[20]分類作為狀態指標，對離散型變量土壤類型和土地利用類型直接以二進制表示，即存在賦值1，否則賦值0。模型共考慮74個獨立變量，其中連續型變量25個、離散型變量49個。在ArcGIS上，進行分類區統計，以土壤類型矢量數據為分類區數據層，土壤侵蝕模數柵格數據作為統計數據，統計各土壤類型對應的土壤侵蝕模數，然后將分區統計后土壤侵蝕模數添加到土壤類型矢量數據屬性表中。將坡度分級、坡向分級和NDVI分級柵格數據轉化成矢量數據。通過交集操作，將土壤類型、土地利用、坡度分級、坡向分級和NDVI分級等矢量數據的所有屬性在新的圖層顯示，得到含82 137個像斑的矢量數據。

3.2　RBF神經網絡模型的建立

在對區域土壤侵蝕進行預報評價時，最直接的量化指標就是土壤侵蝕模數。神經網絡適合對復雜、非線性事件做出處理，在組織、學習和適應上的自主優勢顯著，適用于圖像處理、模式和非線性系統識別。RBF神經網絡模型在許多領域都得到了應用，伊燕平等[29]利用徑流系數、汛期降雨量、有機質含量、土壤容量及孔隙度等因子，基于RBF神經網絡模型構建并驗證了土壤侵蝕預測模型；黃華[30]利用SPSS軟件構建主成分分析—RBF神經網絡模型, 實現了利用人工近紅外譜模擬數據對葡萄糖濃度的估計；張宇等[31]利用RBF神經網絡模型對森林蓄積量進行了估測；趙玉芹[32]基于RBF神經網絡模型，分別對不同的水質參數構建了水質遙感反演模型。本文通過構建土壤侵蝕模數的RBF神經網絡模型，實現對黑龍江省拉林河流域土壤侵蝕模數的預測，并比較分析預測值與實際值之間的相對誤差，驗證模型的有效性和適用性。

RBF神經網絡[33]是Broomhead和Lower于1988年設計的，是一種3層前向網絡，第1層為輸入層，由信號源結點組成；第2層為隱含層，隱節點的基函數采用距離函數，并使用以中心點徑向對稱呈衰減的非負非線性徑向基函數作為激活函數，隱單元數依需要確定；第3層為輸出層，將對輸入模式的效果作出響應。從輸人層到隱含層的變換是非線性的，從隱含層到輸出層的變換是線性的，且能以任意精度逼近任意連續函數。通常將高斯函數作為徑向基函數，其表達式為：

(3)

式中：Ki——隱含層中第i個點的輸出值；x——輸入值；ci——隱含層中第i個點的中心；σi——隱含層中第i個點的方差，反映函數與中心點的寬度，σ與寬度呈正相關，其值越小表示函數選擇性越好；i=1,2,3，…，n。

選擇可充分表現土壤侵蝕信息的多年平均降雨侵蝕力、土壤顆粒的幾何平均粒徑、坡度、坡向和NDVI這5個變量作為輸入量，以土壤侵蝕模數作為輸出量，構建黑龍江省拉林河流域土壤侵蝕模數RBF神經網絡模型 。

輸入層變量的處理。在ArcGIS上，對土壤類型矢量數據添加屬性，增加不同土壤類型對應的土壤顆粒的幾何平均粒徑。通過進行分類區統計添加土壤侵蝕模數屬性，以土壤類型矢量數據為分類區數據層，土壤侵蝕模數柵格數據作為統計數據，統計各土壤類型對應的土壤侵蝕模數，然后將分區統計后土壤侵蝕模數添加到土壤類型矢量數據屬性表中。同理，將多年平均降雨侵蝕力、坡度、坡向和NDVI等柵格數據經分類區統計后添加到土壤類型矢量數據屬性表中。經處理，得到含多年平均降雨侵蝕力、土壤顆粒的幾何平均粒徑、坡度、坡向和NDVI這5個變量屬性的土壤類型矢量數據庫。將數據導出，得到以土壤類型分類為承載基礎平臺的變量矩陣，列×行為6×140。

4結果與分析

4.1　Logistic回歸模型的適用性驗證

在SPSS上進行Logistic回歸分析，no為未發生土壤侵蝕，內部值為0；yes為發生土壤侵蝕，內部值為1。Hosmer和Lemeshow檢驗表明預測值與期望值逐漸接近，模型的整體擬合效果較好。經過20次迭代運算，模型參數逐漸收斂至穩定值，直接讀取分析結果，未發生土壤侵蝕的預測正確率為77.4%，發生土壤侵蝕的預測正確率為97.9%，總預測正確率為94.9%，參考同類模型研究，模型預測效果理想。

根據黑龍江省拉林河流域土壤侵蝕模數柵格數據，制作黑龍江省拉林河流域土壤侵蝕分布圖(圖1)，與Logistic回歸模型預測的土壤侵蝕結果做比較，表明發生土壤侵蝕的正確預測概率(圖2)集中分布在>85%的概率區段，未發生土壤侵蝕的正確預測概率(圖3)集中分布在>75% 的概率區段，總的來看，Logistic回歸模型對發生土壤侵蝕的正確預測概率比未發生土壤侵蝕的正確預測概率要高，兩者正確預測概率的空間分布呈相似規律，大體上呈東部>西部中部的分布趨勢，結合土地利用類型綜合分析，被正確預測概率林地>草地>耕地。經Logistic回歸分析，得到Logistic回歸模型的回歸常數a0為16.268，變量參數z=16.268+0.642X1-0.101X2+0.090X3+a4X4+a5X5，其中X1，X2，X3，X4，X5根據每個圖斑賦有的矢量屬性確定，a4，a5參數查表可得(表略)。根據變量參數可知，土壤侵蝕發生概率與坡度和NDVI這2個連續型變量呈正相關，與坡向呈負相關，與土地利用中8個狀態變量呈正相關，7個狀態變量呈負相關，與土壤類型中4個狀態變量呈正相關，23個狀態變量呈負相關。

圖1　黑龍江省拉林河流域土壤侵蝕分布

4.2　RBF神經網絡模型的驗證

在SPSS上進行RBF神經網絡分析，以土壤侵蝕模數為因變量，多年平均降雨侵蝕力、土壤顆粒的幾何平均粒徑、坡度、坡向和NDVI這5個因子作為協變量，選擇對因變量和自變量都進行標準化處理，系統自動分配訓練和測試樣本數量，訓練樣本數為103，占樣本總數的74.1%，測試樣本數為36，占樣本總數的25.9%。在保證因變量和協變量不改變，RBF不改變的前提下，調整隱含層單位數，進行土壤侵蝕模數RBF神經網絡模型的模擬，以尋求相對誤差和平方和誤差最小的預測結果。

圖2　發生土壤侵蝕的正確預測概率分布

圖3　未發生土壤侵蝕的正確預測概率分布

如圖4所示，在隱含層單位數增加的過程中，模擬結果的相對誤差和平方和誤差變化起伏較大，隱含層單位數小于65時，相對誤差和平方和誤差呈遞增趨勢；隱含層單位數大于95時，由于過度擬合相對誤差和平方和誤差變化趨勢表現不明顯；隱含層單位數在65—95區間時，相對誤差和平方和誤差呈明顯同步下降趨勢，兩者均在隱含層單位數為95時達到最小值，分別為0.612%和13.292。此時，RBF神經網絡模型模擬效果達到最佳。

基于對預測值的誤差分析，將預測值與實際值做比較，預測值基本沿1∶1參考線分布，決定系數R2為0.57，達到了模型估算的精度，進一步分析發現，土壤侵蝕模數<2 000 t/(km2·a)時，RBF神經網絡模型過高估計現象較集中出現，土壤侵蝕模數在2 000~3 000 t/(km2·a)時，RBF神經網絡模型過低估計現象較集中出現。總的來看，RBF神經網絡模型能夠較好的估計黑龍江省拉林河流域土壤侵蝕模數。

圖4　RBF神經網絡模型測試結果

4.3　LOG-RBF神經網絡模型的建立與驗證

Logistic回歸模型的優勢集中體現在判斷土地是否發生土壤侵蝕上，但不容易直接對土壤侵蝕分級結果進行判讀和預測，需要通過在閾值限制區間內進行多次Logistic回歸分析才能實現，過程繁瑣且預測預報的正確率難以得到保障。RBF神經網絡模型通過模擬訓練可以估計土壤侵蝕模數，且預測預報的準確性較高，基于土壤侵蝕模數可做進一步分級處理，解讀分析黑龍江省拉林河流域的土壤侵蝕強度分布情況。

綜合以上分析，構建Logistic回歸模型和RBF神經網絡模型于一體的信息綜合模型，將Logistic回歸模型的變量參數作為徑向神經網絡模型的輸入層，通過模擬訓練實現LOG-RBF神經網絡模型的構建。選擇經Logistic回歸分析得到的變量參數、多年平均降雨侵蝕力、土壤顆粒的幾何平均粒徑、坡度、坡向和NDVI這6個變量作為輸入量，以土壤侵蝕模數作為輸出量，構建黑龍江省拉林河流域土壤侵蝕模數LOG-RBF神經網絡模型。輸入層變量的處理與4.1節所采用的方法同理，經在ArcGIS上處理得到含土壤侵蝕模數、變量參數、多年平均降雨侵蝕力、土壤顆粒的幾何平均粒徑、坡度、坡向和NDVI這7個變量屬性的空間矢量數據庫，導出數據得到變量矩陣，列×行為7×1 150。在SPSS上進行模擬訓練，以土壤侵蝕模數為因變量，變量參數、多年平均降雨侵蝕力、土壤顆粒的幾何平均粒徑、坡度、坡向和NDVI這6個因子作為協變量，選擇對因變量和自變量都進行標準化處理，系統自動分配訓練和測試樣本數量，訓練樣本數為815，占樣本總數的70.9%，測試樣本數為335，占樣本總數的29.1%。同理于4.2節方法，隱含層單位數為85時，模擬結果的相對誤差和平方和誤差均達到最小值，分別為0.455%和10.691，模擬效果達到最佳。對比RBF神經網絡模型模擬的結果，LOG-RBF神經網絡模型的相對誤差和平方和誤差分別降低了0.157%和2.601，模擬結果的精度有所提高，模型預測效果達到了預期目標。

再將預測值與實際值做比較，預測值基本沿1∶1參考線分布，決定系數R2為0.82，LOG-RBF神經網絡模型達到了模型估算的精度，在擬合程度上明顯優于RBF神經網絡模型模；進一步分析發現，對土壤侵蝕模數的過高和過低估計現象仍然存在，但隨著土壤侵蝕模數的增大錯估現象逐漸減少，LOG-RBF神經網絡模型能夠很好的估計黑龍江省拉林河流域土壤侵蝕模數。

受試者工作特征曲線[34](receiver operating characteristic curve，ROC曲線)是以預測結果的每一個值作為可能的判斷閾值，由此計算得到相應的敏感度和特異性。將曲線下面積(area under the ROC Curve，AUC)作為衡量模型預測準確度的指標，AUC值大小與模型判斷力呈正比。

在SPSS上繪制ROC曲線，將LOG-RBF神經網絡模型和RBF神經網絡模型估計的土壤侵蝕模數值作為檢驗變量，將是否做出合理范圍內預測的二分類賦值作為狀態變量，狀態變量的值取1。狀態變量賦值采用二進制方法，結合4.2節對相對誤差的分析，預測的土壤侵蝕模數相對誤差小于1%賦值1，否則為0。以1-特異性為橫坐標，表示未發生土壤侵蝕被正確預測的概率；以敏感度為縱坐標繪制而成，表示發生土壤侵蝕被正確預測的概率。

如圖5所示，兩種模型的ROC曲線均在1∶1比較線之上，且均凸向左上角，表明在判斷是否發生土壤侵蝕上均具有評價價值，比較來看，LOG-RBF神經網絡模型的線型大部分在上，更凸向左上角，優勢更明顯。LOG-RBF神經網絡模型和RBF神經網絡模型的AUC值分別為0.856和0.793，表明在判斷土壤侵蝕發生上，LLOG-RBF神經網絡模型比RBF神經網絡模型判斷的準確性更高。

圖5　LOG-RBF神經網絡模型和RBF

5結 論

Logistic回歸模型的構建目的是判別目標土地是否發生土壤侵蝕，評價指標選擇連續型或離散型的自然屬性變量，基于現有土地利用、土壤類型和遙感資料即可實現模型預報；RBF神經網絡的構建目的是對土壤侵蝕模數做出估計，網絡模擬的輸入層選取可充分表現土壤侵蝕信息的序列變量，在對已建立的降雨、遙感和土壤普查等空間信息數據庫進行相關信息讀取后，可實現土壤侵蝕模數的預測。通過改進，將Logistic回歸模型的變量參數作為RBF神經網絡模型的輸入層，構建LOG-RBF神經網絡模型。結果表明：

(1) Logistic回歸模型判別目標土地是否發生土壤侵蝕的優勢明顯，未發生和發生土壤侵蝕的預測正確率分別為77.4%和97.9%，總預測正確率為94.9%;

(2) RBF神經網絡模型估計土壤侵蝕模數的能力較強，模擬結果的相對誤差和平方和誤差分別為0.612%和13.292，R2為0.57;

(3) LOG-RBF神經網絡土壤侵蝕預測模型預測結果的相對誤差和平方和誤差比RBF神經網絡模型模擬結果分別降低了0.157%和2.601；R2為0.82，擬合程度上優于RBF神經網絡模型，隨著土壤侵蝕模數的增大錯估現象呈逐漸減少趨勢；通過ROC曲線的判別，LOG-RBF神經網絡模型的線型更凸向左上角，且AUC值比RBF神經網絡模型大0.063，模型判斷的準確性更高。利用數學反演模型估計土壤侵蝕模數，并與GIS有機結合，預測區域的土壤侵蝕空間分布情況，對開展土壤侵蝕預報及評價模型研究具有積極的實踐意義。

本文僅探討了大尺度空間上LOG-RBF神經網絡模型預測土壤侵蝕模數的適用性，對該模型在小尺度空間的適用性未做深入探究，此外，模型參數是否適用于其他區域以及更大空間尺度區域，均需進一步驗證。

[參考文獻]

[1]Wischmeier W H, Smith D D. A universal soil-loss equation to guide conservation farm planning[J].Transactions 7th Int. Congr. Soil Sci.,1960(1):418-425.

[2]Kirkby M J, Abraham R, McMahon M D, et al. MEDALUS soil erosion models for global change[J].Geomorphology, 1998,24(1):35-49.

[3]De Jong S M, Paracchini M L, Bertolo F, et al. Regional assessment of soil erosion using the distributed model SEMMED and remotely sensed data[J].Catena, 1999,7(3/4):291-308.

[4]De Vente J, Poesen J, Verstraeten G, et al. Spatially distributed modelling of soil erosion and sediment yield at regional scales in Spain[J]. Global and Planetary Change, 2008,60(3):393-415.

[5]Morgan R P C, Quinton J N, Smith R E, et al. The European soil erosion model (EUROSEM): A dynamic approach for predicting sediment transport from fields and small catchments[J]. Earth Surface Processes and Landforms, 1998(23):527-544.

[6]Kirkby M, Gobin A, Irvine B. Pan European soil erosion risk assessment(deliverable 5): PESERA Model Strategy, land use and vegetation growth [J]. European Soil Bureau, 2005,23(1):192-197.

[7]Abbott M B, Bathurst J C, Cunge J A, et al. An introduction to the European Hydrological System—Systeme Hydrologique Europeen,“SHE”(1): History and philosophy of a physically-based, distributed modelling system[J]. Journal of Hydrology, 1986,87(1):45-59.

[8]孫立達,洪惜英,韓熙春,等.小流域土壤流失預報方程[J].北京林學院學報,1982(4):33-40.

[9]牟金澤,孟慶枚.降雨侵蝕土壤流失預報方程的初步研究[J].中國水土保持,1983(6):23-27.

[10]楊艷生,史德明,呂喜璽.長江二峽區土壤流失預測方程[J] .土壤,1986,18(6):313-314.

[11]趙羽,金爭平,史培軍,等.內蒙占土壤侵蝕研究[M].北京:科學出版社,1989.

[12]陳楚群.土壤侵蝕量多因子灰色模型的建立與應用:以陜北典型小流域為例[J].水土保持學報,1991,5(1):27-32.

[13]張憲奎,許靖華.黑龍江省土壤流失方程的研究[J].水土保持通報,1992,12(4):1-9.

[14]付煒.黃土丘陵溝壑區土壤侵蝕預測模型建立方法的研究[[J].水土保持學報,1992,6(3):6-10.

[15]黃炎和,盧程,隆付勤,等.閩東南土壤流失預報研究[J].水土保持學報,1993,7(4):13-17.

[16]楊子生.滇東北山區坡耕地土壤流失方程研究[J].水土保持通報,1999,19(1):1-9.

[17]楊子生.云南省金沙江流域土壤流失方程研究[J].山地學報,2002,20(S1):1-9.

[18]劉寶元,謝云,張科利.土壤侵蝕預報模型[M].北京:中國科學技術出版社,2001.

[19]周寧,滿秀玲,李超.黑龍江省黑土區拉林河流域土壤侵蝕強度評價方法比較[J].中國水土保持科學,2013,11(3):73-77.

[20]周寧,李超,滿秀玲.基于GIS的黑龍江省拉林河流域土壤侵蝕空間特征分析[J].水土保持研究,2014,21(6):10-15.

[21]中華人民共和國水利部.SL446—2009 黑土區水土流失綜合防治技術標準[S].北京:中國水利水電出版社,2009.

[22]龔文峰,蔡體久,范文義,等.松花江流域哈爾濱城區段土壤侵蝕時空格局及動態變化研究[J] .水土保持通報,2009,29(5):56-60.

[23]姜文亮,張曉通,李霖,等.基于GIS和空間邏輯回歸模型的城市空間擴展預測:以深圳市龍崗區為例[J].測繪科學,2008,33(4):172-174.

[24]邢秋菊,趙純勇,高克昌,等.基于GIS的滑坡危險性邏輯回歸評價研究[J].地理與地理信息科學,2004,20(3):49-51.

[25]王海鷹,張新長,趙元.基于邏輯回歸模型的城市邊緣區界定方法研究[J].測繪通報,2010(10):7-10.

[26]王靜,何挺,郭旭東,等. 基于邏輯回歸模型的環北京地區土地退化態勢分析[J].地理科學進展,2005,24(5):23-32.

[27]劉藝梁,殷坤龍,劉斌,等.邏輯回歸和人工神經網絡模型在滑坡災害空間預測中的應用[J].水文地質工程地質,2010,37(5):92-96.

[28]中華人民共和國水利部.SL 190—2007土壤侵蝕分類分級標準[S].北京:中國水利水電出版社,2008.

[29]伊燕平,盧文喜,許曉鴻,等.基于RBF神經網絡的土壤侵蝕預測模型研究[J].水土保持研究,2013,20(2):25-28.

[30]黃華.基于SPSS的PCA-RBF神經網絡模型的仿真試驗[J].新疆農業大學學報, 2010,33(6):535-538.

[31]張宇,谷建才,曹立顏,等.基于RS和GIS的徑向基神經網絡模型對森林蓄積量的估測[J].浙江林業科技,2009,29(5):51-54.

[32]趙玉芹.基于神經網絡的渭河水質定量遙感研究[D].西安:陜西師范大學,2009:28-31.

[33]Fredric M H, Kostanic I. 神經計算原理[M].北京:機械工業出版社,2007.

[34]王運生,謝丙炎,萬方浩,等.ROC曲線分析在評價入侵物種分布模型中的應用[J].生物多樣性,2007,15(4):365-372.

Prediction of Soil Erosion Modulus Based on Logistic Regression and RBF Neural Network

ZHOU Ning1,2, LI Chao3, MAN Xiuling1

(1.CollegeofForestry,NortheastForestryUniversity,Harbin,Heilongjiang150040,China; 2.HeilongjiangInstituteofSoilandWaterConservation,Harbin,Heilongjiang150070,China; 3.CollegeofForestry,BeijingForestryUniversity,Beijing100083,China)

Abstract：[Objective] To found a new approach to estimate soil erosion modulus, and achieve predictions of spatial distribution of soil erosion based on GIS. [Methods] Taking soil erosion modulus as discriminant conditions, each applicability of soil erosion prediction model built based on Logistic regression and RBF neural network was validated, and then the improved model(soil erosion prediction model) based on LOG-RBF neural network was built and validated. [Results] (1) There was obvious advantage for Logistic regression model to discriminant the occurrence of soil erosion, and the accuracy of prediction for un-occurring and occurring was 77.4% and 97.9%, respectively, the total predictive accuracy was 94.9%. (2) RBF neural network model had the stronger ability to estimate soil erosion modulus, the relative error and error sum of squares of the simulation results was 0.612% and 13.292, respectively, andR2was 0.57. (3) Relative error and error sum of squares of the simulation results was decreased by 0.157% and 2.601, respectively based on LOG-RBF neural network model than RBF neural network model, andR2was 0.82, so LOG-RBF neural network model had a better fitting degree, and with the soil erosion modulus increase, misjudge phenomenon showed a trend of gradual reduction. Determined by receiver operating characteristic curve, the value of area under curve based on LOG-RBF neural network model was 0.063 larger than RBF neural network model, and the accuracy was higher. [Conclusion] LOG-RBF neural network model could be used to estimate soil erosion modulus, and predict spatial distribution of soil erosion based on GIS.

Keywords:Logistic regression; RBF neural network; soil erosion; prediction model; USLE

文獻標識碼：B

文章編號：1000-288X(2015)03-0235-07

中圖分類號：S157

收稿日期：2014-04-07修回日期：2014-05-20

資助項目：國家自然科學基金項目“大興安嶺森林流域水文過程對植被和氣候變化的響應”(31170420)

第一作者：周寧(1984—),男(漢族),黑龍江省海倫市人,碩士,工程師,主要從事水土保持規劃設計及土壤侵蝕研究。E-mail:zn8764@163.com。