基于BP神經(jīng)網(wǎng)絡草原土壤Cu含量預測

史紅飛，侯建偉，盧志宏，楊 勇

（1. 銅仁學院，貴州 銅仁 554300；2. 內(nèi)蒙古自治區(qū)草原勘察規(guī)劃院，內(nèi)蒙古 呼和浩特 010051）

隨著對草原礦產(chǎn)資源的開發(fā)利用，重金屬元素隨著粉塵、地表徑流、地下暗河流動而擴散，造成礦區(qū)周圍草地的重金屬污染[1]。土壤Cu含量的增加，隨食物鏈富集，最終以奶、蛋、肉等形式被人類消費；有研究表明，Cu含量超標可以影響神經(jīng)、呼吸和內(nèi)分泌系統(tǒng)[2-3]，因此快速監(jiān)測土壤Cu含量對草原牧業(yè)生產(chǎn)，尤其是礦區(qū)周邊地區(qū)的監(jiān)測具有重要的意義。

土壤是一個動態(tài)、開放和復雜的生態(tài)系統(tǒng)，更是動植物和人類基本的自然資源，土壤理化性質(zhì)、生物因素及它們之間的結(jié)構(gòu)和組成決定土壤的平衡和功能[4]。影響土壤重金屬含量的因素復雜多樣，包括氣候因素(濕度、溫度)、理化性質(zhì)(pH、硬度、結(jié)構(gòu))、生物因素(植物、微生物)及成土母質(zhì)等[5-6]。

土壤有機質(zhì)是土壤組成的關(guān)鍵參數(shù)，能夠影響重金屬元素的組成，可以顯著的絡合銅等元素[4,7]。有機質(zhì)含量和重金屬元素之間存在較高的相關(guān)性，R = 0.649，R = 0.41[7-8]。研究發(fā)現(xiàn)，溶解性有機質(zhì)中Cu含量是黏土的4倍[9]，溶解性有機質(zhì)對Cu的富集作用最為顯著[10]，紫色水稻(Oryza sativa)土壤顆粒有機質(zhì)對Cu的富集系數(shù)為3.35[11]；李秋言和趙秀蘭[11]土壤有機質(zhì)含量和Cu含量存在極顯著相關(guān)關(guān)系，認為有機質(zhì)是促進Cu富集的關(guān)鍵因素，因此可以嘗試利用礦區(qū)周圍土壤有機質(zhì)含量預測Cu含量。

土壤性質(zhì)與影響因素之間是一種極其復雜的非線性關(guān)系[12-13]。BP神經(jīng)網(wǎng)絡通過模仿人類大腦的思維模式而實現(xiàn)對復雜的非線性的系統(tǒng)進行學習和分析，廣泛應用于識別、分類和預測[14]。利用土壤有機質(zhì)含量預測金屬含量具有可行性，但未見報道，大量工作集中在光譜反演方面，成功應用神經(jīng)網(wǎng)絡模型進行了模擬和預測[3,15]。為此，嘗試應用有機質(zhì)含量、pH耦合Cu含量建立BP神經(jīng)網(wǎng)絡模型，探索重金屬元素預測的途徑和方法。

1 研究區(qū)概況與試驗設計

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古錫林浩特西北方向[16]，屬于典型草原氣候，夏季高溫多雨，冬季寒冷干燥，年降水量為336.9 mm；年平均氣溫0.3 ℃，年蒸發(fā)量高于降水量，為1 600～1 800 mm。2010 - 2013年錫林浩特主導風向為南西南風，出現(xiàn)頻率為11.5%，冬季高達20%；秋季靜風頻率高達17%。土層較薄，為25～35 cm，為典型栗鈣土。主要植物有大針茅(Stipa grandis)和羊草(Leymus chinensis)，蓋度35%左右[1,17]。

1.2 試驗設計

將勝利煤田周邊作為研究區(qū)域，在8個方向采集樣品，因礦區(qū)西北方向建有大型風力發(fā)電場，為避免風力發(fā)電場內(nèi)部小氣流可能產(chǎn)生的影響而未采集樣品，故設置7個采樣方向[16]，每隔0.5 km取樣，共計70個取樣點[16-17]，每處按照S形采集5個位置的表層(0 - 10 cm)土樣，混合、裝袋，風干，室內(nèi)研磨、過篩后測定有機質(zhì)、pH值和Cu含量，Cu含量采用碘量法測定。

2 研究方法

2.1 BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡因其擁有完整的數(shù)學推導過程，是目前最為完善的神經(jīng)網(wǎng)絡模型，可以無限逼近任意復雜的非線性函數(shù)[14,16]，隨著網(wǎng)絡復雜程度的增加，可以模擬更加復雜系統(tǒng)的變化過程，但是模型的學習時間增加，獲得較高預測精度模型的時間也增加。神經(jīng)網(wǎng)絡信號通過連接權(quán)函數(shù)傳遞，包括誤差正向和反向傳遞，經(jīng)過不斷調(diào)整，逐漸逼近目標誤差[18]。

2.2 模型構(gòu)建

在Matalab2014a上編寫多隱含層BP神經(jīng)網(wǎng)絡模型，有機質(zhì)含量和pH為輸入向量，Cu含量為目標向量，訓練集數(shù)據(jù)、驗證集數(shù)據(jù)和測試集數(shù)據(jù)的比例為70∶15∶15[19-20]。最優(yōu)網(wǎng)絡的選取采用試湊法，設置隱含層層數(shù)1 - 10，重復100次；隨著隱含層層數(shù)的增加，篩選最優(yōu)網(wǎng)絡的時間成倍增加，1 - 5層隱含層模型順利運行，6層隱含層以上的網(wǎng)絡篩選過程中因計算機內(nèi)存不足而死機，因此反復運行10次。

在建模前，首先進行歸一化，消除不同量綱之間的差異，使網(wǎng)絡能夠更好地學習，公式如下：

式中：xi和為第i個指標歸一化前后的值，xmax為該指標的最大值，xmin為最小值。模型學習速率lr =0.000 1，學習精度goal = 0.004，最大訓練次epochs =1 000，輸入層和隱含層之間使用tagsig傳遞函數(shù)，隱含層與輸出層之間使用logsig傳遞函數(shù)，采用L-M優(yōu)化算法進行優(yōu)化，模型精度評價指標采用擬合優(yōu)度(R2)，值越大，模擬效果越好[16,18]。R2計算公式如下：

3 結(jié)果與分析

3.1 訓練數(shù)據(jù)的擬合優(yōu)度

隨著隱含層層數(shù)的增加，訓練數(shù)據(jù)的擬合優(yōu)度呈先增加后降低的趨勢，在隱含層層數(shù)為4的時達到最大，R2= 0.706 8。雙隱含層模型的決定系數(shù)最低，第6層的大于第5層的，第7層的小于第8層的，不同隱含層模型的擬合優(yōu)度并非單調(diào)變化(圖 1)。

圖1 訓練數(shù)據(jù)的擬合優(yōu)度Figure 1 R-squared of training data

3.2 測試數(shù)據(jù)擬合優(yōu)度

隨著隱含層層數(shù)的增加，測試數(shù)據(jù)的擬合優(yōu)度呈先增加后降低的趨勢，在隱含層層數(shù)為4的時達到最大，R2= 0.674 2，在第5層時出現(xiàn)拐點，在第6層時略小于第4層(R2= 0.655 9)，隨后呈下降趨勢 (圖 2)。

3.3 隱含層節(jié)點數(shù)

隱含層節(jié)點數(shù)是一個非常重要的參數(shù)，容易引起過擬合現(xiàn)象。隨著隱含層層數(shù)的增加，最優(yōu)網(wǎng)絡的節(jié)點數(shù)呈上升趨勢，第5和7層略有下降。第4層的節(jié)點數(shù)和第3、5、7層的節(jié)點數(shù)十分接近(圖 3)。

圖2 測試數(shù)據(jù)的擬合優(yōu)度Figure 2 R-squared of test data

圖3 隱含層節(jié)點數(shù)Figure 3 Node numbers of hidden layer

3.4 不同模型擬合能力

BP神經(jīng)網(wǎng)絡模型的擬合優(yōu)度一般包括訓練網(wǎng)絡和測試網(wǎng)絡，訓練網(wǎng)絡的擬合優(yōu)度大于測試網(wǎng)絡，隨著隱含層層數(shù)和節(jié)點數(shù)的增加，網(wǎng)絡容易出現(xiàn)過擬合現(xiàn)象；本研究采用試湊法篩選最優(yōu)網(wǎng)絡的過程中，設置了訓練網(wǎng)絡擬合優(yōu)度大于等于測試網(wǎng)絡的擬合優(yōu)度條件，試圖將所有數(shù)據(jù)進行測試，通過整體的擬合優(yōu)度來評價Cu含量預測模型的擬合能力。如圖4所示，4層隱含層的網(wǎng)絡擬合優(yōu)度高于其他隱含層的；在保證精度要求的前提下，盡可能降低網(wǎng)絡隱含層的節(jié)點數(shù)，可以初步認為4層隱含層網(wǎng)絡預測Cu含量是可行的。

3.5 不同模型的比較

圖4 不同模型的擬合與預測效果Figure 4 Fitting and prediction results for different models

訓練數(shù)據(jù)、測試數(shù)據(jù)和全部數(shù)據(jù)的擬合優(yōu)度隨隱含層層數(shù)增加而增加(表1)，在第3層時最大，隨后呈下降趨勢，在第6層時出現(xiàn)波動。3層隱含層模型測試數(shù)據(jù)的擬合優(yōu)度較低，5、6層隱含層模型全部數(shù)據(jù)的擬合優(yōu)度較低，4層隱含層模型的3組擬合優(yōu)度均較高，進一步根據(jù)試湊法篩選模型的次數(shù)來考慮，4層模型的規(guī)模適當，建模數(shù)據(jù)擬合系數(shù)R2＞ 0.70，測試數(shù)據(jù)擬合系數(shù)R2＞ 0.65，因此認為，4層隱含層BP網(wǎng)絡模型在模擬和預測草原Cu含量較為合適。

4 討論與結(jié)論

露天開采破環(huán)原有景觀格局，重金屬大面積擴散造成污染；粉塵等物質(zhì)隨塵降作用影響原有生態(tài)系統(tǒng)，使植被逐年減少[19]，使開采區(qū)、排土場及其周邊1.5 km植被蓋度顯著下降[20]，周邊約1 km范圍土壤有機質(zhì)含量下降[21]；距錫銅礦中心越近，有機質(zhì)含量越低[21]；勝利一號露天礦周邊土壤有機質(zhì)含量較采礦前有所升高[22]。同時，露天開采形成的粉塵降低植物光合速率，影響植物生長，甚至導致植物死亡，改變?nèi)郝浣Y(jié)構(gòu)，影響土壤微生物活動，進一步影響有機質(zhì)形態(tài)，導致土壤有機質(zhì)含量和土壤pH發(fā)生改變。

表1 不同模型的評價參數(shù)Table 1 The evaluation parameters of different models

土壤中的重金屬元素可以被土壤有機質(zhì)、黏土礦物、鐵錳氧化物和碳酸鹽礦物等吸附[23]，構(gòu)成了一個極為復雜的耦合系統(tǒng)；土壤Cu含量達到一定濃度時才具有光譜特征[24]，Thomas和Stefan[25]指出，重金屬元素含量和高光譜波段線性關(guān)系明顯時，神經(jīng)網(wǎng)絡和多重現(xiàn)性模型相比，前者優(yōu)勢并不明顯；神經(jīng)網(wǎng)絡在處理已知的非線性問題時才有滿意的表現(xiàn)，神經(jīng)網(wǎng)絡并不依賴于統(tǒng)計分布[26]。李啟權(quán)等[27]指出，神經(jīng)網(wǎng)絡方法可以相對準確、快速地獲取區(qū)域土壤異質(zhì)性空間分布；李耀翔等[28]指出，應用近紅外光譜建立BP神經(jīng)網(wǎng)絡模型可以有效地大面積快速預測森林土壤碳含量。本研究利用土壤有機質(zhì)含量和pH建立BP神經(jīng)網(wǎng)絡模型，取得了較好的預測效果(R2= 0.67)，大于Thomas等利用高光譜預測Cu含量的擬合優(yōu)度(R2= 0.45)，但是低于其對Pb、Hg、Sb(R2＞ 0.93)預測精度。

一般來說，一層隱含層的神經(jīng)網(wǎng)絡就能滿足需要，模擬任意連續(xù)型函數(shù)，而復雜的系統(tǒng)通過增加隱含層層數(shù)和節(jié)點才能取得理想效果；但是增加隱含層層數(shù)和節(jié)點數(shù)，使網(wǎng)絡規(guī)模、復雜程度增加，收斂速度減慢，容易出現(xiàn)過擬合現(xiàn)象，使預測精度降低[29]；采用試湊法篩選模型，可供篩選的模型隨隱含層層數(shù)的增加而呈指數(shù)級增加，篩選最優(yōu)模型花費的時間較長[16]。本研究隱含層層數(shù)范圍設置為1～10，根據(jù)經(jīng)驗公式[30]，每層節(jié)點數(shù)設置為2～12，重復100次。5層以上網(wǎng)絡可供篩選的模型超過了盧志宏等[16]篩選4層網(wǎng)絡的規(guī)模，效率極低，7層以上網(wǎng)絡因計算機內(nèi)存不足而出現(xiàn)死機現(xiàn)象，實際可供篩選的模型減少。深度神經(jīng)網(wǎng)絡可以大規(guī)模提高隱含層層數(shù)，目前多應用于自動控制、圖像識別等領(lǐng)域，因此需要進一步將深度神經(jīng)網(wǎng)絡應用到土壤礦物質(zhì)含量預測方面。

王澤平[31]認為，3層隱含層BP神經(jīng)網(wǎng)絡在水質(zhì)時精度最高，多隱含層網(wǎng)絡不遜色于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡模型；盧志宏等[16]認為3層BP神經(jīng)網(wǎng)絡模型在預草原N/P時效果最好。本研究綜合考慮擬合優(yōu)度、可供篩選模型數(shù)量，計算機配置能夠完成的可能性，認為4層網(wǎng)絡最為合適，可以耦合土壤有機質(zhì)含量和pH來預測草原表層土壤Cu含量，為草地重金屬監(jiān)測提供簡單快速的方法。