前言：寻找写作灵感？中文期刊网用心挑选的BP神经网络在生态系统服务功能中应用，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
摘要：选取苏州市为研究地区，在生态系统服务价值评价方法的基础上，根据具体状况对苏州市的当量因子数值进行修改，确定土地利用类型中不同的服务功能的价值。并将其作为网络学习的样本，然后建立bp神经网络，通过模型来研究土地利用类别的生态服务功能在时空上的演变规律。
关键词：可持续发展;人工神经网络;区域分析;生态经济系统
Constance等［1］在1997年将全球的生态服务分为17类，并对其进行定量分析;谢高地等［2］通过调查问卷制定了完善的生态服务价值当量表。贾晨阳等［3］将InVEST模型与生态服务评估模型相结合，更加明确了土地利用所带来的负面影响，由于区域性生态经济系统特征间连接较复杂，所以片面剖析很难了解系统的整体特征。以往采用的评价方式多为人为评分，导致评价结果带有主观因素，缺乏科学性;最近几年研究人员采用的主成分分析法、层次分析法、综合指数法等虽然带有客观性的评价，但忽视了动态层面上的对比。人工神经网络具有调整权值、容错性高等特点，通过学习的网络能逼近1个多层次的社会经济系统。通过搭建非线性评价模型使人工神经网络学习，输入各时间段系统中的参数，使之成为系统参数与评价等级的映射集成，也同时避免了人为因素计算各指标权重带来的主观性［4］。为了从客观的角度评价区域的生态服务系统的功能以及潜在的发展水平，在评价指标的选取能够反映整体的经济实力和状态，并能通过1个网络模型来分析指标间的差异和动态层面的对比，笔者选取苏州市为研究地区，在生态系统服务价值评价方法的基础上，根据具体状况对苏州市的当量因子数值进行修改，确定土地利用类型中不同的服务功能的价值，并将其作为网络学习的样本，然后建立BP神经网络，通过模型来研究土地利用类别的生态服务功能在时空上的演变规律。
1研究区和方法概况
1．1研究区概括。苏州市位于江苏省东南部(119°55'～121°20'E，30°47'～32°02'N)。作为中国经济最强的地级市，苏州GDP增长率长期保持在中国城市总排名的前5～6名，人均GDP领先其他城市。伴随着连续多年的高速发展，苏州的土地利用也发生了非常剧烈的变化，最主要的特征是随着城市的急剧扩张，大量农田被建设用地吞并，少数转换成了林地、水域和园地。
1．2神经网络技术原理。(1)近代神经网络起源于人们对大脑的认识，人类慢慢加深对脑部神经系统的结构了解，通过学习对脑神经系统处理信息的模式进行数学建模并且研究的一门科学。图1为有2个隐含层的网络。图1中第1个隐藏层的第1个神经元的计算结果为公式(1)，其中x1、x2为输入的特征值，w(x1)1、w(x2)1为连接权值，f1为该层的激活函数。y1=f1(x1w(x1)1+x2w(x2)1)(1)同理，第2个隐藏层的第1个神经元及最后y的计算结果为公式(2)和(3):y4=f4(y1w14+y2w24+y3w34)(2)y=f6(y4w46+y5w56)(3)(2)神经网络本质是一种监督学习，用已得到的输入和目标向量，对建立的模型中各个参数进行调整。使用最小二乘法即模型的实际输出值和目标值的误差平方和(公式4)，然后借助于迭代的算法，反方向逐层修正参数(公式5)，使得误差低于给定的最小误差值时，模型收敛稳定［5］。δ=12?nk=1(y－t)2(4)w'(x1)1=w(x1)1+ηδ1?f1(e)?ex1(5)式中，δ为误差值，y是实际输出值，t是期望输出值，得到误差后，与前向传播一样，反向传播给前面的神经元(图1)，先乘上连接权重:δ4=w34δ，如此反复传播至第1层，δ1则为传播至输入层的误差，η为网络的学习率，w'(x1)1为修正的输入层至隐藏层的权值，w(x1)1为原来的权值，后面的修正同理。
2算法的缺点及改进方法
当前的BP神经网络主要存在的缺点为训练时间长、收敛速度慢、容易陷入局部极小点，针对这几个问题，提出以下几种改进的方法:2．1附加动量项为了避免网络在训练过程中产生震荡，可以在公式(5)中加入动量因子α，既能平滑权值变化，也能适当提高网络的收敛速度:w(x1)1=αw(x1)1+(1－α)ηδ1?f1(e)?ex1(6)式中，α通常为常数，一般取值［0，1］，当α=0时，权值修正取当前梯度下降值;当α=1时，权值则选择上1次的修正量，这样既提高了模型的收敛，又避免了算法无法跳出极小值［6］。
2．2调整学习率。学习率的一般取值(0，1)，学习率过大或过小都会对网络的训练产生很大影响，该研究的方法是在初期学习率选取较大的值，随着网络的训练来进行调整不断减小，直至模型收敛。
2．3确定节点和隐藏层层数。目前，没有准确的方法来合理确定节点和层数，部分学者采用经验公式(7):n1=n+槡m+α(7)式中，n1为隐藏层神经元数，n为输入神经元数，m为输出神经元数，α为1～10的常数。由该公式计算，取n=9，m=1，得到的n1取值在4～13，接下来在这个取值范围不断调试，最终该研究选择3～5层的神经网络进行试验［7］。
3生态服务系统内部经济参数的选取
3．1调整模型。在谢高地等［2］提出的基本理论模型的基础上，根据苏州市的实际情况，对当量因子表进行了修改。分别是耕地对应农业用地，园地取园林和果园的平均值，林地对应森林，牧草地对应草地，水域则取湿地和水体的平均值，其他用地按未利用地来计算，建设用地来自其他研究者提供的数值，表1定义1hm2耕地的食物生产的服务功能价值是1，其他生态服务价值的大小是相对于耕地中食物生产服务的贡献大小［8－9］。将生态服务分为供给服务(食物生产、原材料生产)，调节服务(气体调节、气候调节、水文调节、废物调节)，支持服务(保持土壤、维持生物多样性)，文化服务(提供美学景观)，得到新的生态系统服务功能评估单价体系(表1)。从表1可以看出，耕地主要提供了供给和支持服务，而园地和林地的生态服务功能相当，会侧重于调节服务和支持服务。水域在调节服务，特别是水文和废物调节上发挥了重要的作用，牧草地和其他用地由于在整个土地利用板块占有比例很少，所以对生态服务的贡献很小，而建设用地对整个生态服务功能是持有一种消极的作用，特别是在水文和服务调节的功能板块上。
3．2研究区域单位面积生态系统生产的价值。根据苏州市统计年鉴公布的2009—2016年粮食播种面积以及粮食产量数据(来源于苏州市统计年鉴，中国统计年鉴)，得出以下公式:Eα=17?ni=1mi×pi×qiM(i=1，2，3，…，n)(8)Mc=NijEα(9)式中，mi、pi、qi、M分别表示第i种粮食作物的播种面积、价格、单位面积产量、粮食产量总价值，Eα为单位播种面积粮食产值，Nij表示的是第i种土地利用的第种生态服务功能评估单价。根据该公式，得出2009—2016年间的Eα值，通过Eα值对表1的当量因子进行相乘(公式9)，得到苏州市生态单个服务功能的价值Mc［10］，以此作为网络的输入值，即可计算每年的BP价值，上述公式中各列参数的具体数值皆来自于苏州市2009—2016年的统计年鉴。由表2可知，在研究年份内，苏州市单位面积生态系统生产的价值逐渐增加，这得益于苏州市对土地的集约利用，将对生态环境产生积极的影响。
4神经网络训练和学习
4．1数据处理。以耕地、园地、林地、牧草地、水域、建设用地、其他用地作为网络的输出特征值，以9类生态系统服务类型作为网络的输入，在特征值过大情况下，应该对所有输入数据进行归一化［11］，将值划到［0，1］，公式如下:x*=x－xminxmax－xmin(10)式中，xmax是样本数据中最大值，xmin是样本数据中最小值。
4．2样本训练。运用自然断点法对输出向量进行等级区分，训练数据见表3。再根据公式(7)和反复的试验最终确定了的网络结构。Matlab中参数设计如下:初始权值w为［0，1］的随机数;学习率为0．01;最大迭代次数设置成10000次;最大误差0．001;激活函数分别为“tansig”和“purelin”［12－13］。以2009—2016年间的9类生态系统服务价值食物生产(X1)、原材料生产(X2)、气体调节(X3)、气候调节(X4)、水文调节(X5)、废物调节(X6)、保持土壤(X7)、维持生物多样性(X8)、提供美学景观(X9)作为经济指标对神经网络的输入参数。由表3可知，X1～X9为评价指标，网络通过不断学习修改权值，找出评价指标与评价级别间复杂的内在对应关系，利用网络模型即可以进行经济发展水平的综合评价。表3生态经济系统发展水平BP模型评价标准(神经元学习参数)比较
4．3网络学习。网络训练完成后，再将输入值的原始数据先归一化，再输入网络中，经过1918步迭代，MSE=0．00099824(均方误差)，综合以上构建的模型得到苏州市8年间生态系统服务功能的BP评价结果(表4)。从表4可以看出，苏州市生态系统服务BP评价值的构成以园地和林地所占比例最高，而建设用地和其他用地的评价指标最低。
5小结与讨论
近几年苏州市暂缓耕种了易造成水土流失的农田，有计划地植树造林，因此相应林地的BP值增加。2009年处于苏州市工业化中期向后期的过渡，该时期地区的发展依赖于土地要素的投入，苏州市政府对闲置用地进行整治，建设用地增加，而建设用地BP价值逐渐减少，因此可以得出建设用地的BP评价值和利用面积呈负相关。水域在水源涵养和废料处理等方面有巨大优势，苏州市的水体资源丰富，加上政府对水域的有效开采和利用，因此水域的BP评价值呈积极的上升趋向。到了工业发展、城镇化后期，人们迫切想保护生态环境，很快苏州市政府优化产业结构，对果园、茶等原料积极支持，带动了园地和牧草地BP评价值的上升，由于建设用地的急速扩张，大量耕地减少，相应耕地的BP价值降低。1个具有良好性能的神经网络模型必须拥有训练样本、检验样本和测试样本3个部分，而该研究在网络训练的样本数不够多。此外，评价体系也必须建立在模型的精度之上，而有关特征指数的选取尚未进行深入研究，其是否具有代表性或者是否能够满足生态系统的评价标准是在以后的研究中需要解决的问题。
作者:于宝航 张明 单位:东华理工大学测绘工程学院