黃河三角洲土壤鹽漬化災害預警模型設計

李婉婉 ，金 麗 ，李慶國

（1.濟南大學，山東 濟南250022；2.山東省水利科學研究院，山東 濟南 250014）

土壤鹽漬化會造成土壤鹽分累積使得土壤肥力下降，導致農作物減產或絕收以及土質劣化、地表干裂，土地和植被的復雜性下降或喪失，對農業和經濟的可持續發展造成不可逆轉的損失。為減輕土壤鹽漬化災害帶來的諸多損失，本文利用模糊優選BP神經網絡評價模型建立土壤鹽漬化災害預警模型，對未來土壤鹽漬化惡化程度進行預警。根據對以往水文情況的實地調查，本文將黃河三角洲灌區土壤鹽漬化災害警度分成無警、輕警、中警和重警4類。針對不同警度，對灌區不同區域采取不同措施減輕土壤鹽漬化的惡化。

1 模型評價因子選取

土壤鹽漬化災害預警模型評價因子的選取，應遵循科學性與數據的可獲取性相結合原則，定性和定量相結合原則，系統性與層次性原則，主導和相互獨立原則等。通過對黃河三角洲地區引黃灌區土壤鹽漬化現狀的調查和綜合分析，本文從自然地理因素、土壤內在因素和人為活動影響三個方面，選取9個預警因子，8個樣點的數據作為評價指標，建立研究區土壤鹽漬化災害預警指標體系（見表1）。

2 指標體系的標準化

在確定權重之前，首先要確定該指標的類型。由于各指標的量綱、數量級不同，因此需要對指標進行標準化處理，具體計算公式如下：

表1 土壤鹽漬化災害預警評價指標

對于正效益指標，指標值越大表明土壤鹽漬化的程度越小，極差標準化法的公式為：

對于負效益指標，指標值越大表明土壤鹽漬化程度越嚴重，極差標準化法的公式為：

式中：yij∈[0，1]，且 y 值越大土壤鹽漬化預警程度越低；max ｛xij｝是第j個指標時的xij最大值；min ｛xij｝是第j個指標時xij的最小值（i=1，2，…，n）。

3 預警因子的權重計算

由于各個指標的作用不同，對鹽漬化的影響程度也不同，為了區分差異性，本研究采用模糊評價法分別來確定各個指標的權重值，計算公式為：

根據公式（3）計算的結果見表2。由表2可以看出，土壤鹽漬化災害預警評價指標權重值可靠性比較強。預警因子按其權重大小分，依次為：土壤含鹽量＞潛在蒸散量＞土地利用類型＞電導率＞地下水位＞地下水礦化度＞TDS＞坡度值＞pH值。

表2 權重計算結果表

4 鹽漬化災害評價模型的建立

模糊優選BP神經網絡評價模型將黃河三角洲灌區的歷史觀測指標數據值標準化矩陣S輸入模型的輸入層，uij=sih。該訓練的目的是使得網絡輸出upj與期望輸出M（upj）即對應各學習樣本的級別綜合相對隸屬度eh之間誤差最小。設

故訓練的目標函數表示為：

訓練結束，再把新樣本矩陣X進行標準化處理，得到的指標特征值矩陣：

然后把R輸入網絡，得到神經網絡實際輸出值upj也即新樣本的預報評價結果。按下式計算評價樣本的級別特征值：

該預報的具體步驟如下：

1）令t=1，并賦予α∈（0，1），η∈（0，1），wik（t）=wik（0）。以模糊優選神經網絡的收斂性判定作為準則。

2）輸入評價樣本的數據。計算樣本的神經網絡實際輸出值。

3）計算網絡的平均誤差E。

4）若 E≤ξ（ξ為網絡訓練精度），則訓練結束，轉入步驟7）；否則，轉入下一步。

5）令t=t+1，根據新的權重和各樣本的指標值，計算樣本的實際輸出值，再計算網絡的平均誤差E。

6）轉到第 4）步。

7）訓練結束。輸入待新樣本，根據網絡輸出計算預報該樣本的預警級別。具體結果見表3。

表3 樣本預報結果及誤差檢驗

5 結論

本研究選用模糊優選BP神經網絡評價模型的結構為3層，拓撲結構為9∶5∶2，訓練速率為0.1，樣本數據平均絕對誤差為0.021，均方根誤差為0.026，相對誤差為2.3%，誤差結果均較小，說明網絡學習和訓練比較理想。檢驗樣本最大絕對誤差為0.06、最小絕對誤差為0.004，平均絕對誤差0.024；最大相對誤差為6.4%、最小相對誤差為0.23%，平均相對誤差為3.1%。由表3可看出，黃河三角洲灌區的預警等級整體程度較輕，重警所占比例較小，8個檢驗樣本預警等級的預報中，誤報一個樣本預警等級。

由此可知，運用模糊優選BP神經模型可以對未來土壤鹽漬化發展程度進行大致預測，可有效降低土壤鹽漬化災害帶來的影響。