BP神經網絡在生態系統服務功能中的應用

于寶航 張明

摘要 選取蘇州市為研究地區，在生態系統服務價值評價方法的基礎上，根據具體狀況對蘇州市的當量因子數值進行修改，確定土地利用類型中不同的服務功能的價值。并將其作為網絡學習的樣本，然后建立BP神經網絡，通過模型來研究土地利用類別的生態服務功能在時空上的演變規律。

關鍵詞 可持續發展;人工神經網絡;區域分析;生態經濟系統

Abstract Suzhou is selected as the research area. On the basis of the ecosystem service value evaluation method， the equivalent factor value of Suzhou was modified according to the specific situation to determine the value of different service functions in the land use type. By using it as a sample of network learning， a BP neural network was established to study the temporal and spatial evolution of the ecological function value of land use categories through models.

Key words Sustainable development;Artificial neural network;Regional analysis;Eco-economic system

Constance等[1]在1997年將全球的生態服務分為17類，并對其進行定量分析;謝高地等[2]通過調查問卷制定了完善的生態服務價值當量表。賈晨陽等[3]將InVEST模型與生態服務評估模型相結合，更加明確了土地利用所帶來的負面影響，由于區域性生態經濟系統特征間連接較復雜，所以片面剖析很難了解系統的整體特征。以往采用的評價方式多為人為評分，導致評價結果帶有主觀因素，缺乏科學性;最近幾年研究人員采用的主成分分析法、層次分析法、綜合指數法等雖然帶有客觀性的評價，但忽視了動態層面上的對比。

人工神經網絡具有調整權值、容錯性高等特點，通過學習的網絡能逼近1個多層次的社會經濟系統。通過搭建非線性評價模型使人工神經網絡學習，輸入各時間段系統中的參數，使之成為系統參數與評價等級的映射集成，也同時避免了人為因素計算各指標權重帶來的主觀性[4]。為了從客觀的角度評價區域的生態服務系統的功能以及潛在的發展水平，在評價指標的選取能夠反映整體的經濟實力和狀態，并能通過1個網絡模型來分析指標間的差異和動態層面的對比，筆者選取蘇州市為研究地區，在生態系統服務價值評價方法的基礎上，根據具體狀況對蘇州市的當量因子數值進行修改，確定土地利用類型中不同的服務功能的價值，并將其作為網絡學習的樣本，然后建立BP神經網絡，通過模型來研究土地利用類別的生態服務功能在時空上的演變規律。

1 研究區和方法概況

1.1 研究區概括 蘇州市位于江蘇省東南部（119°55′～121°20′E，30°47′～32°02′N）。作為中國經濟最強的地級市，蘇州GDP增長率長期保持在中國城市總排名的前5～6名，人均 GDP領先其他城市。伴隨著連續多年的高速發展，蘇州的土地利用也發生了非常劇烈的變化，最主要的特征是隨著城市的急劇擴張，大量農田被建設用地吞并，少數轉換成了林地、水域和園地。

1.2 神經網絡技術原理

（1）近代神經網絡起源于人們對大腦的認識，人類慢慢加深對腦部神經系統的結構了解，通過學習對腦神經系統處理信息的模式進行數學建模并且研究的一門科學。圖1為有2個隱含層的網絡。

（2）神經網絡本質是一種監督學習，用已得到的輸入和目標向量，對建立的模型中各個參數進行調整。使用最小二乘法即模型的實際輸出值和目標值的誤差平方和（公式4），然后借助于迭代的算法，反方向逐層修正參數（公式5），使得誤差低于給定的最小誤差值時，模型收斂穩定[5]。

2 算法的缺點及改進方法

當前的BP神經網絡主要存在的缺點為訓練時間長、收斂速度慢、容易陷入局部極小點，針對這幾個問題，提出以下幾種改進的方法：

2.1 附加動量項

為了避免網絡在訓練過程中產生震蕩，可以在公式（5）中加入動量因子α，既能平滑權值變化，也能適當提高網絡的收斂速度：

2.2 調整學習率 學習率的一般取值（0，1），學習率過大或過小都會對網絡的訓練產生很大影響，該研究的方法是在初期學習率選取較大的值，隨著網絡的訓練來進行調整不斷減小，直至模型收斂。

2.3 確定節點和隱藏層層數

3 生態服務系統內部經濟參數的選取

3.1 調整模型

在謝高地等[2]提出的基本理論模型的基礎上，根據蘇州市的實際情況，對當量因子表進行了修改。分別是耕地對應農業用地，園地取園林和果園的平均值，林地對應森林，牧草地對應草地，水域則取濕地和水體的平均值，其他用地按未利用地來計算，建設用地來自其他研究者提供的數值，表1定義1 hm2耕地的食物生產的服務功能價值是1，其他生態服務價值的大小是相對于耕地中食物生產服務的貢獻大小[8-9]。將生態服務分為供給服務（食物生產、原材料生產），調節服務（氣體調節、氣候調節、水文調節、廢物調節），支持服務（保持土壤、維持生物多樣性），文化服務（提供美學景觀），得到新的生態系統服務功能評估單價體系（表1）。從表1可以看出，耕地主要提供了供給和支持服務，而園地和林地的生態服務功能相當，會側重于調節服務和支持服務。水域在調節服務，特別是水文和廢物調節上發揮了重要的作用，牧草地和其他用地由于在整個土地利用板塊占有比例很少，所以對生態服務的貢獻很小，而建設用地對整個生態服務功能是持有一種消極的作用，特別是在水文和服務調節的功能板塊上。

3.2 研究區域單位面積生態系統生產的價值

根據蘇州市統計年鑒公布的2009—2016年糧食播種面積以及糧食產量數據（來源于蘇州市統計年鑒，中國統計年鑒），得出以下公式：

式中，mi、pi、qi、M分別表示第i種糧食作物的播種面積、價格、單位面積產量、糧食產量總價值，Eα為單位播種面積糧食產值，Nij表示的是第i種土地利用的第種生態服務功能評估單價。根據該公式，得出2009—2016年間的Eα值，通過Eα值對表1的當量因子進行相乘（公式9），得到蘇州市生態單個服務功能的價值Mc[10]，以此作為網絡的輸入值，即可計算每年的BP價值，上述公式中各列參數的具體數值皆來自于蘇州市2009—2016年的統計年鑒。由表2可知，在研究年份內，蘇州市單位面積生態系統生產的價值逐漸增加，這得益于蘇州市對土地的集約利用，將對生態環境產生積極的影響。

4 神經網絡訓練和學習

4.1 數據處理 以耕地、園地、林地、牧草地、水域、建設用地、其他用地作為網絡的輸出特征值，以9類生態系統服務類型作為網絡的輸入，在特征值過大情況下，應該對所有輸入數據進行歸一化[11]，將值劃到[0，1]，公式如下：

4.2 樣本訓練 運用自然斷點法對輸出向量進行等級區分，訓練數據見表3。再根據公式（7）和反復的試驗最終確定了的網絡結構。

Matlab中參數設計如下：初始權值w為[0，1]的隨機數;學習率為0.01;最大迭代次數設置成10 000次;最大誤差0.001;激活函數分別為 “tansig”和“purelin”[12-13]。 以2009—2016年間的9類生態系統服務價值食物生產（X1）、原材料生產（X2）、氣體調節（X3）、氣候調節（X4）、水文調節（X5）、廢物調節（X6）、保持土壤（X7）、維持生物多樣性（X8）、提供美學景觀（X9）作為經濟指標對神經網絡的輸入參數。由表3可知，X1～X9為評價指標，網絡通過不斷學習修改權值，找出評價指標與評價級別間復雜的內在對應關系，利用網絡模型即可以進行經濟發展水平的綜合評價。

4.3 網絡學習

網絡訓練完成后，再將輸入值的原始數據先歸一化，再輸入網絡中，經過1 918步迭代，MSE=0.00 099 824（均方誤差），綜合以上構建的模型得到蘇州市8年間生態系統服務功能的BP評價結果（表4）。從表4可以看出，蘇州市生態系統服務BP評價值的構成以園地和林地所占比例最高，而建設用地和其他用地的評價指標最低。

5 小結與討論

近幾年蘇州市暫緩耕種了易造成水土流失的農田，有計劃地植樹造林，因此相應林地的BP值增加。2009年處于蘇州市工業化中期向后期的過渡，該時期地區的發展依賴于土地要素的投入，蘇州市政府對閑置用地進行整治，建設用地增加，而建設用地BP價值逐漸減少，因此可以得出建設用地的BP評價值和利用面積呈負相關。水域在水源涵養和廢料處理等方面有巨大優勢，蘇州市的水體資源豐富，加上政府對水域的有效開采和利用，因此水域的BP評價值呈積極的上升趨向。

到了工業發展、城鎮化后期，人們迫切想保護生態環境，很快蘇州市政府優化產業結構，對果園、茶等原料積極支持，帶動了園地和牧草地BP評價值的上升，由于建設用地的急速擴張，大量耕地減少，相應耕地的BP價值降低。

1個具有良好性能的神經網絡模型必須擁有訓練樣本、檢驗樣本和測試樣本3個部分，而該研究在網絡訓練的樣本數不夠多。此外，評價體系也必須建立在模型的精度之上，而有關特征指數的選取尚未進行深入研究，其是否具有代表性或者是否能夠滿足生態系統的評價標準是在以后的研究中需要解決的問題。

參考文獻

[1]COSTANZA R，DARGE R，DE GROOT R，et al.The value of the worlds ecosystem services and natural capital[J]. Ecological economics，1998，25（1）：3-15.

[2]謝高地，魯春霞，成升魁. 全球生態系統服務價值評估研究進展[J].資源科學，2001，23（6）：5-9.

[3]賈晨陽，陳玟汐，郭闖，等.基于模糊綜合評價的生態服務評估[J].化工設計通訊，2019，45（7）：248-252.

[4]崔朋. 基于BP人工神經網絡的小城鎮生態規劃研究：以梅河口市中和鎮為例[D].長春：東北師范大學，2008.

[5]LEK S，DELACOSTE M，BARAN P，et al.Application of neural networks to modelling nonlinear relationships in ecology[J].Ecological modelling， 1996，90（1）：39-52.

[6]劉鯖潔，陳桂明，劉小方，等.BP神經網絡權重和閾值初始化方法研究[J].西南師范大學學報（自然科學版），2010，35（6）：137-141.

[7]麻永建.基于人工神經網絡的江蘇省小城鎮經濟發展水平及其區域差異研究[J].安徽農業科學，2006，34（5）：1003-1005.

[8]馬淑花. 基于生態系統服務價值評估的土地利用規劃研究[D].武漢：華中科技大學，2018.

[9]謝高地，張彩霞，張雷明，等. 基于單位面積價值當量因子的生態系統服務價值化方法改進[J].自然資源學報，2015，30（8）：1243-1254.

[10]肖玉，謝高地，安凱.莽措湖流域生態系統服務功能經濟價值變化研究[J].應用生態學報，2003，14（5）：676-680.

[11]徐艷艷.基于BP神經網絡的吉林省縣域經濟發展水平評價[J].云南地理環境研究，2010，22（5）：68-72.

[12]吳勁軍，黃望彥.基于BP神經網絡區域經濟發展實力的模糊綜合評價[J].江西廣播電視大學學報，2004（4）：30-31.

[13]黃宇棟. BP神經網絡在信息系統數據分類中的應用研究[D].北京：中國地質大學，2013.