本文關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)在全球氣候變化和生態(tài)學(xué)中的應(yīng)用研究，，由筆耕文化傳播整理發(fā)布。

2010年第55卷第31期：2987~2997；評述；《中國科學(xué)》雜志社；SCIENCECHINAPRESS；；人工神經(jīng)網(wǎng)絡(luò)在全球氣候變化和生態(tài)學(xué)中的應(yīng)用研究；劉澤麟①,彭長輝①②*,項(xiàng)文化①,田大倫①,鄧湘；①中南林業(yè)科技大學(xué)生命科學(xué)與技術(shù)學(xué)院,長沙410；②InstituteofEnvironmentS；*

2010年 第55卷 第31期：2987 ~ 2997

評 述

《中國科學(xué)》雜志社

SCIENCE CHINA PRESS

csb.scichina.com

人工神經(jīng)網(wǎng)絡(luò)在全球氣候變化和生態(tài)學(xué)中的應(yīng)用 研究

劉澤麟①, 彭長輝①②*, 項(xiàng)文化①, 田大倫①, 鄧湘雯①, 趙梅芳①

① 中南林業(yè)科技大學(xué)生命科學(xué)與技術(shù)學(xué)院, 長沙 410004;

② Institute of Environment Sciences, Department of Biology Sciences, University of Quebec at Montreal, Case postale 8888, Succ Centre-Ville, Montreal (QC) H3C 3P8, Canada

* 聯(lián)系人, E-mail: peng.changhui@uqam.ca 2010-05-07收稿, 2010-08-27接受

國家林業(yè)局948項(xiàng)目(2010-4-03)、教育部新世紀(jì)優(yōu)秀人才支持計(jì)劃(NCET-06-0715)、湖南省高等學(xué)校科技創(chuàng)新團(tuán)隊(duì)項(xiàng)目和湖南省“芙蓉學(xué)者計(jì)劃”資助

摘要 近年來, 隨著計(jì)算機(jī)技術(shù)和人工智能的發(fā)展, 人工神經(jīng)網(wǎng)絡(luò)(ANN)的應(yīng)用領(lǐng)域不斷被開拓. 同時(shí), 人們對全球氣候變化和生態(tài)環(huán)境問題也日益關(guān)注, 如全球變暖、El Ni?o和La Ni?a出現(xiàn)頻繁、大氣環(huán)流異常等, 使得人工神經(jīng)網(wǎng)絡(luò)方法在全球氣候變化和生態(tài)學(xué)研究中得到了廣泛的應(yīng)用. 雖然人工神經(jīng)網(wǎng)絡(luò)仍存在一些不足和風(fēng)險(xiǎn), 如模型的參數(shù)要求更高的靈敏度、網(wǎng)絡(luò)結(jié)構(gòu)的選擇一般更依賴于個(gè)人經(jīng)驗(yàn)和神經(jīng)網(wǎng)絡(luò)對短期的預(yù)測研究精確度往往高于中長期預(yù)測, 但全球變化研究中尤其要重視交互作用的影響和長期實(shí)驗(yàn)等. 不過, 神經(jīng)網(wǎng)絡(luò)在處理非線性問題上仍然優(yōu)于許多傳統(tǒng)的方法. 因此, 在全球氣候變化和生態(tài)學(xué)研究中人工神經(jīng)網(wǎng)絡(luò)具有很大的應(yīng)用潛力, 它能在實(shí)測過程可能十分困難或者使用不完整的數(shù)據(jù)難以實(shí)現(xiàn)的情況下, 完成其他方法完成不了的問題. 可以預(yù)料人工神經(jīng)網(wǎng)絡(luò)將在全球氣候變化和生態(tài)學(xué)研究中得到更多的應(yīng)用和發(fā)展.

關(guān)鍵詞

人工神經(jīng)網(wǎng)絡(luò) 全球氣候變化 生態(tài)學(xué) 非線性問題

近年來, 全球變化日益成為各國政府、社會(huì)各界與科學(xué)家所關(guān)注的焦點(diǎn)問題, 并在各個(gè)領(lǐng)域進(jìn)行了相關(guān)研究, 取得了一定的成果. 全球氣候變化主要表現(xiàn)在全球氣溫升高, El Ni?o和La Ni?a出現(xiàn)頻繁、大氣環(huán)流異常等. 全球平均溫度在過去100年增高了約0.6℃并且將繼續(xù)升高; CO2濃度與工業(yè)革命前相比增加了38%, 21世紀(jì)末將達(dá)到700 μmol/mol[1], 以“全球變暖”為突出標(biāo)志的全球變化很可能對各個(gè)生態(tài)系統(tǒng)產(chǎn)生嚴(yán)重影響. 多年來, 各國研究工作者們進(jìn)行了大量的觀測和實(shí)驗(yàn), 整理了大量氣候變化的數(shù)據(jù). 因此, 現(xiàn)在需要充分利用這些數(shù)據(jù), 對氣候變化的影響和響應(yīng)做出合理模擬和預(yù)測, 為政府決策提供科學(xué)依據(jù). 人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANN)

英文版見: Liu Z L, Peng C H, Xiang W H, et al. Application of artificial neural networks in global climate change and ecological research: An overview.

Chinese Sci Bull, 2010, 55, doi: 10.1007/s11434-010-4183-3

是一種專門對數(shù)據(jù)進(jìn)行有效訓(xùn)練、校驗(yàn)、模擬和預(yù)測的工具, 已經(jīng)發(fā)展成為一種有效的研究方法. 神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)能力, 是刻畫難于用數(shù)學(xué)解析表達(dá)式描述的復(fù)雜非線性系統(tǒng)和非線性關(guān)系的方便工具. 由于理論上, 一個(gè)三層的神經(jīng)網(wǎng)絡(luò)模型可實(shí)現(xiàn)任意非線性的映射, 而生態(tài)系統(tǒng)自身是一個(gè)復(fù)雜的非線性系統(tǒng), 所以采用人工神經(jīng)網(wǎng)絡(luò)描述生態(tài)系統(tǒng)、研究其各種特性是一個(gè)很有效的方法.

最近幾年人工神經(jīng)網(wǎng)絡(luò)在全球氣候變化和生態(tài)學(xué)中的應(yīng)用已經(jīng)得到了迅速的發(fā)展, 在水文生態(tài)環(huán)境、森林生態(tài)環(huán)境和城市空氣質(zhì)量變化等生態(tài)學(xué)研究中也越來越多的應(yīng)用人工神經(jīng)網(wǎng)絡(luò). 本文介紹了人工神經(jīng)網(wǎng)絡(luò)方法, 并對其近幾年(主要是2000年之

2010年11月 第55卷 第31期

后)在全球氣候變化和生態(tài)學(xué)中的應(yīng)用進(jìn)行了述評, 最后提出了將來的應(yīng)用前景和發(fā)展方向. 1 人工神經(jīng)網(wǎng)絡(luò)

1.1 概述

人工神經(jīng)網(wǎng)絡(luò)(ANN)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征, 進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模

型. 這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度, 通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系, 從而達(dá)到處理信息的目的.

1943年, 心理學(xué)家McCulloch W. S.和數(shù)理邏輯學(xué)家Pitts W.建立了神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型, 稱為MP模型. 他們通過MP模型提出了神經(jīng)元的形式化數(shù)學(xué)描述和網(wǎng)絡(luò)結(jié)構(gòu)方法, 證明了單個(gè)神經(jīng)元能執(zhí)行邏輯功能, 從而開創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)的研究的時(shí)代. 隨著計(jì)算機(jī)技術(shù)的進(jìn)步, 在20世紀(jì)80年代初, 美國加州工學(xué)院物理學(xué)家John Hopfield提出了著名的Hopfield神經(jīng)網(wǎng)的網(wǎng)絡(luò)模型[2]

. 他在神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性研究方面引入了利亞普諾夫函數(shù)(能量函數(shù))作為判斷依據(jù), 使得網(wǎng)絡(luò)模型具有聯(lián)想記憶能力, 可進(jìn)行優(yōu)化問題的求解, 并利用該網(wǎng)絡(luò)模型較好地解決了巡回推銷商問題(Travelling Saleman Problem, TSP), 這為采用神經(jīng)網(wǎng)絡(luò)方法解決優(yōu)化計(jì)算提供了新途徑, 同時(shí)也為神經(jīng)計(jì)算機(jī)(Neural Computer)的開發(fā)研究提供了重要的基礎(chǔ)[3]. 1986~1988年, 心理學(xué)家Mcclelland L. L.和Rumelhart D. E.經(jīng)過共同努力提出了著名的多層網(wǎng)絡(luò)的誤差反向傳播算法即BP算法. 該算法迄今為止仍然是一種應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法. 遙感圖像分析和分類一直采用傳統(tǒng)的統(tǒng)計(jì)方法(如最小距離和最大似然分類器)[4]. 這些方法有其自身的局限性, 特別是在涉及到不同數(shù)據(jù)類型的整合和樣品的像素分布假設(shè)時(shí)局限性更為明顯. 而采用人工神經(jīng)網(wǎng)絡(luò)方法可以克服統(tǒng)計(jì)分類的這些缺點(diǎn)和提高分類性能. 在過去的10年中, 人工神經(jīng)網(wǎng)絡(luò)(ANN)一直都是土地覆蓋和利用衛(wèi)星圖像信息對土地分類中最流行的非參數(shù)分類技術(shù)之一[5~8]. 如今網(wǎng)絡(luò)的算法更加豐富, 在反向傳播算法的基礎(chǔ)上, 模擬退化算法、遺傳算法、競爭學(xué)習(xí)等都融入到網(wǎng)絡(luò)算法體系中. 利用神經(jīng)網(wǎng)絡(luò)模型可以實(shí)現(xiàn)函數(shù)逼近、預(yù)測、數(shù)據(jù)聚類、模式識別及優(yōu)化計(jì)算等功能. 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展除了對算法本身的改進(jìn)外, 還可與多種其他方法相結(jié)合, 如神經(jīng)網(wǎng)絡(luò)與決

2988 策樹的結(jié)合來進(jìn)行預(yù)測和分析, 人工神經(jīng)網(wǎng)絡(luò)結(jié)合系統(tǒng)動(dòng)力學(xué)(System Dynamics, SD)和元胞自動(dòng)機(jī)(Cellular Automata, CA)進(jìn)行模型開發(fā)等, 更可以將應(yīng)用范圍擴(kuò)展到不同學(xué)科, 如信息生態(tài)學(xué)中對神經(jīng)網(wǎng)絡(luò)的應(yīng)用需求就很大.

人工神經(jīng)網(wǎng)絡(luò)一般由3個(gè)基本要素構(gòu)成, 即處理單元、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及訓(xùn)練規(guī)則[3].

處理單元是人工神經(jīng)網(wǎng)絡(luò)操作的基本單元, 主要模擬人腦神經(jīng)元的功能. 一個(gè)處理單元有多個(gè)輸入及輸出路徑. 輸入端起信息傳遞的作用; 輸出端將處理后的信息從一個(gè)處理單元傳給下一個(gè). 如圖1, x為神經(jīng)元輸入, w為可調(diào)的輸入權(quán)值, θ 做為偏移信號用于建模神經(jīng)元的興奮閾值. u(·)和f(·)分別表示神經(jīng)元的基函數(shù)和激活函數(shù).

網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)決定各處理單元、各層之間信息的傳遞方式與途徑. 目前應(yīng)用的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)有幾十種.

由于一個(gè)三層的反向傳播神經(jīng)網(wǎng)絡(luò)(BPN)模

型能模擬任何連續(xù)函數(shù)[9], 所以現(xiàn)在研究中大多都采用三層的神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬, 并且簡單的神經(jīng)網(wǎng)絡(luò)容易解釋、訓(xùn)練速度快

, 也很少產(chǎn)生過度吻合[10]

, 三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖

2.

圖1 通用神經(jīng)元模型

圖2 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

訓(xùn)練(Training)又稱學(xué)習(xí)(Learning), 是神經(jīng)網(wǎng)絡(luò)的一個(gè)基本特征, 通過反復(fù)訓(xùn)練與調(diào)整來達(dá)到需要的精度. 主要是利用轉(zhuǎn)換函數(shù)f(x)對處理數(shù)據(jù)進(jìn)行加權(quán)與求和, 并訓(xùn)練網(wǎng)絡(luò)系統(tǒng)進(jìn)行模式識別來處理所得的加權(quán)和, 再通過轉(zhuǎn)移函數(shù)轉(zhuǎn)換為輸出值. 最后, 分類結(jié)果是將獲取最大權(quán)重的類別指定為輸入數(shù)據(jù)的歸屬類別[11].

與人腦的作用機(jī)理類似, 神經(jīng)網(wǎng)絡(luò)完成任務(wù)的過程主要分為兩個(gè)階段[3,11]: 第一個(gè)階段是學(xué)習(xí)期, 是神經(jīng)網(wǎng)絡(luò)自我完善的階段, 此時(shí), 網(wǎng)絡(luò)按一定的學(xué)習(xí)規(guī)則修改突觸的權(quán)系數(shù), 以使測度函數(shù)達(dá)到最小, 這個(gè)時(shí)期各計(jì)算單元狀態(tài)保持不變, 各連線上的權(quán)值可以通過學(xué)習(xí)訓(xùn)練來修改; 第二個(gè)階段是執(zhí)行期, 是神經(jīng)網(wǎng)絡(luò)對輸入信息進(jìn)行處理并產(chǎn)生對應(yīng)的輸出過程, 此時(shí)各連接權(quán)固定, 計(jì)算單元狀態(tài)發(fā)生變化, 已達(dá)到訓(xùn)練后的穩(wěn)定狀態(tài).

1.2 應(yīng)用軟件

目前已推出了大量神經(jīng)網(wǎng)絡(luò)的專用或通用軟件. 其中, 美國NeuralWare公司()開發(fā)的Predict和NeuralSight是一套先進(jìn)的神經(jīng)網(wǎng)絡(luò)模型開發(fā)軟件包, 也是當(dāng)今世界上最成熟的神經(jīng)網(wǎng)絡(luò)商業(yè)產(chǎn)品. 它可以用來訓(xùn)練、測試以及應(yīng)用神經(jīng)網(wǎng)絡(luò)模型, 具體包括預(yù)測、分類、聚合等. 軟件自動(dòng)將神經(jīng)網(wǎng)絡(luò)技術(shù)和遺傳算法、模糊邏輯、以及統(tǒng)計(jì)方法等有機(jī)的結(jié)合在一起, 為多個(gè)行業(yè)的廣泛問題都提供了穩(wěn)定的解決方案.

此外美國NeuralWare公司的MATLAB Neural Network TOOL Box和Neuralworks ProfessionalⅡ/ Plus5.20, 美國NeuroDimension公司的NeurSolu- tionV3.0[12], 都是目前應(yīng)用較廣的神經(jīng)網(wǎng)絡(luò)應(yīng)用軟件.

2 人工神經(jīng)網(wǎng)絡(luò)在全球氣候變化和生態(tài)學(xué)

中的應(yīng)用

2.1 氣候變化對水文生態(tài)環(huán)境影響方面的應(yīng)用

自從1996年Clair和Ehrman首次采用ANN模型評估氣候變化對河水流量和環(huán)境的影響以來, ANN在氣候變化和水文環(huán)境之間的應(yīng)用就沒有停止過[13]. 為了分析氣候因子變化對流域徑流的影響, 陳喜等人[13]利用ANN模型建立巴音布魯克站的月降水、氣溫與大山口站徑流關(guān)系, 再根據(jù)區(qū)域氣候模型

評 述

(Regional Climate Models, RCMs)推算CO2加倍情況下西北地區(qū)氣候的可能變化, 估算氣候變化對大山口徑流量影響. 研究結(jié)果表明: 當(dāng)氣溫升高1~3℃時(shí), 年徑流量增加6.7%~25%; 當(dāng)降水增加5%~25%時(shí), 年徑流量增加1.4%~11%. 因此, 該地區(qū)氣溫升高對徑流的影響較降雨量增加對徑流的影響要大. 很明顯, 氣溫升高和降水量增加有利于緩和目前西北地區(qū)干旱狀態(tài), 但增加徑流量主要集中在7, 8月份, 夏季發(fā)生洪水危險(xiǎn)大大增加, 將會(huì)改變目前水資源開發(fā)利用模式和水利工程規(guī)劃、運(yùn)行方案. 鄒志紅和王學(xué)良[14]對BP神經(jīng)網(wǎng)絡(luò)模型在河流水質(zhì)預(yù)測中的有效性進(jìn)行了驗(yàn)證. 結(jié)果表明, 在進(jìn)行連續(xù)河段水質(zhì)預(yù)測時(shí), 對多河段的長距離預(yù)測有較大的誤差; 而對多河段的短距離預(yù)測則誤差較小, 但短距離預(yù)測需要更充足的河段數(shù)據(jù), 進(jìn)行計(jì)算時(shí)也需要更長的時(shí)間.

季節(jié)性溫度和降水的變化情況對流域中碳、磷和氮等的研究產(chǎn)生重要影響, Holmberg等人[15]使用CLIGEN生成了未來2040~2069年的每日溫度值和降水值, 并利用人工神經(jīng)網(wǎng)絡(luò)對河流水內(nèi)的每日總有機(jī)碳(TOC)、全氮(Ntot)、全磷(Ptot)通量建模, 從而對未來氣候變化情況下的通量采用數(shù)值模擬. 他們發(fā)現(xiàn)河流水中TOC, Ntot和Ptot通量的增加, 主要取決于徑流量的變化而不是濃度的變化. 雖然ANN模型對河流水的TOC, Ntot和Ptot通量沒有獲得全部的極端值, 但是它仍然符合觀測中大部分的動(dòng)態(tài)值. 該研究在選擇網(wǎng)絡(luò)參數(shù)的時(shí)候, 需要判斷出溫度和徑流量之間的顯著差異. 特別是在干燥條件下, 觀測和模擬中得出的年度輸出值相對于濃度極端值更為重要. Nour等人[16]也設(shè)計(jì)了一個(gè)能預(yù)測非標(biāo)準(zhǔn)(每日流量沒有被完全監(jiān)測)河流流量和全磷濃度的ANN模型.

氣候變化對石漠化地區(qū)的影響也是不可忽視的. 由于喀斯特地形的含水層是高度非勻質(zhì)的, 同時(shí)在這些地區(qū)的監(jiān)測數(shù)據(jù)也是非常少的. 因此, 為了更好地可持續(xù)利用和保護(hù)喀斯特地下水資源, 可以建立模型來模擬喀斯特地下泉水流量, 來更好地幫助理解喀斯特水文過程. Hu等人[17]使用人工神經(jīng)網(wǎng)絡(luò)建立一個(gè)精確模擬泉水排放的簡潔模型, 并應(yīng)用到娘子關(guān)喀斯特泉水的模擬中. 研究表明, 雖然在短期數(shù)據(jù)的訓(xùn)練下, ANN的穩(wěn)定性不如長期數(shù)據(jù), 但ANN較于之前的時(shí)間滯后線性模型(Time-Lag Linear Model)

2989

2010年11月 第55卷 第31期

模擬效果要好很多.

在徑流的路徑選擇里, 整個(gè)徑流的總和并不是全部子流域選擇徑流路徑的線性疊加, 人工神經(jīng)網(wǎng)絡(luò)作為一個(gè)有效的非線性映射工具, 用來研究從單個(gè)流域到總徑流的全部水流輸出的非線性變換是非常合適的. Chen和Adams[18]就在降雨-徑流模型里集成人工神經(jīng)網(wǎng)絡(luò)的概念模型, 發(fā)現(xiàn)集成了ANN的綜合模型能將單獨(dú)的子流域的徑流轉(zhuǎn)換為全部流域的徑流流出, 這種新方法比以往使用的Xinanjiang, SMAR和Tank三種模型效果更好. 我們認(rèn)為Chen等人[18]的研究還有相當(dāng)大的潛力, 比如說, 可以對不同地形, 不同環(huán)境條件繼續(xù)擴(kuò)展研究.

Elshorbagy和Parasuraman[19]先是采用傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)對復(fù)雜的土壤含水量的動(dòng)態(tài)變化建模. 而后, 又將高階神經(jīng)網(wǎng)絡(luò)模型發(fā)展應(yīng)用到表征土壤水分動(dòng)態(tài)變化模擬. 模擬顯示, 表征土壤水分的最具影響力的狀態(tài)變量是地面溫度, 強(qiáng)調(diào)的是土壤熱性能和相應(yīng)水分狀況的聯(lián)系. 該研究的貢獻(xiàn)是得出高階神經(jīng)網(wǎng)絡(luò)的結(jié)果較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對土壤水分模擬具有更高的相關(guān)系數(shù)的結(jié)論, 并在加入時(shí)間滯后輸入?yún)?shù)后, 改進(jìn)了模型的性能和獲得了更好的模擬效果. 同樣的在Friedrich Recknagel[20]的研究中也認(rèn)為神經(jīng)網(wǎng)絡(luò)模型在經(jīng)過時(shí)滯時(shí)間序列訓(xùn)練后具有更高的預(yù)測精度. Friedrich Recknage的研究中采用監(jiān)督的反饋神經(jīng)網(wǎng)絡(luò)結(jié)合非監(jiān)督神經(jīng)網(wǎng)絡(luò)來綜合靈敏度曲線被證明是一種有效的途徑. 與Friedrich Recknagel的觀點(diǎn)相同, 我們也相當(dāng)看好神經(jīng)網(wǎng)絡(luò)在信息生態(tài)學(xué)的應(yīng)用前景, 比如通過面向?qū)ο缶幊毯突ヂ?lián)網(wǎng)實(shí)行混合模型的一般函數(shù)庫在全球范圍內(nèi)對生態(tài)系統(tǒng)分類, 就是一個(gè)非常不錯(cuò)的方向.

此外, Chen和Chang[21]構(gòu)建了一個(gè)新的人工神經(jīng)網(wǎng)絡(luò)混合模型, 它采用遺傳算法和按比例的共軛梯度法對前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)重進(jìn)行優(yōu)化, 并在真實(shí)水文時(shí)間序列里驗(yàn)證了該模型的適應(yīng)性和可靠性. 同時(shí), 該混合模型的精度優(yōu)于AR和ARMAX模型. Lischeid

[22]

采用人工神經(jīng)網(wǎng)絡(luò)方法對森林集水

區(qū)的徑流量估算進(jìn)行SO4的短期和長期趨勢的動(dòng)態(tài)研究, 表明人工神經(jīng)網(wǎng)絡(luò)的潛力優(yōu)于分析化學(xué)時(shí)間序列. 同樣, ANN模型能作為計(jì)算水質(zhì)參數(shù)的工具, 例如Singh等人[23]使用ANN模型對DO和BOD的計(jì)算值與實(shí)際河流水的測量值非常接近. Park等人[24]報(bào)道了他們應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對河流水中水生昆蟲

2990 豐富度的預(yù)測和制圖. 國內(nèi)的宋松柏和蔡煥杰[25]利用BP神經(jīng)網(wǎng)絡(luò)開發(fā)了一個(gè)旱區(qū)流域水土環(huán)境質(zhì)量的綜合定量評價(jià)模型, 并對西北地區(qū)水資源開發(fā)利用程度最高的石羊河流域進(jìn)行實(shí)例研究, 模型預(yù)測評價(jià)等級與實(shí)際評價(jià)等級相一致. 該研究說明, ANN模型具有實(shí)用性和可操作性強(qiáng)的特點(diǎn), 可以很好地應(yīng)用于流域水土環(huán)境質(zhì)量評價(jià).

我們可以看到, ANN不論是在水文預(yù)測和測量, 還是水質(zhì)動(dòng)態(tài)預(yù)測等水文生態(tài)環(huán)境研究中的應(yīng)用越來越廣泛, 目前正在向不同環(huán)境的兼容、多環(huán)境數(shù)據(jù)同步處理的方向發(fā)展. 如宋松柏和蔡煥杰[25]試圖尋求一種通用的評價(jià)模型, 能進(jìn)行不同地區(qū)水土環(huán)境的綜合評價(jià); 鄒志紅和王學(xué)良[14]的研究就從以往的單河道預(yù)測, 發(fā)展為多河道連續(xù)預(yù)測. Nour等人[16]的研究使得所有輸入都很容易進(jìn)入如加拿大環(huán)境天氣數(shù)據(jù)庫等公共數(shù)據(jù)庫中, 而不需要在每一個(gè)模擬河流安裝流量儀. 他們的ANN模型在復(fù)雜生態(tài)系統(tǒng)和高度相關(guān)變量建模方面能力突出.

2.2 氣候變化下空氣質(zhì)量和溫室氣體排放估算中

的應(yīng)用

Viotti和Liuti[26]使用BP算法, 根據(jù)24~48小時(shí)的氣象條件和交通水平, 來預(yù)測意大利的佩魯賈(Perugia)城市污染物濃度. 監(jiān)測的變量包括二氧化硫、氮的氧化物、全部微顆粒以及晚上10點(diǎn)后的苯、一氧化碳、臭氧濃度, 水平風(fēng)速、濕度、壓強(qiáng)、溫度、總的陽光輻射、降水量和交通情況. 這一方法對于未來1小時(shí)的污染物濃度預(yù)測結(jié)果較好. 雖然通過假設(shè)未來24~48小時(shí)的交通和氣象參數(shù)來進(jìn)行中長期(24~48小時(shí))預(yù)測的效果不如1小時(shí)的預(yù)測, 但是比通常的統(tǒng)計(jì)確定性模型的預(yù)測效果還是要好很多. Nagendra和Khare[27]使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)對NO2分散現(xiàn)象建模, 并應(yīng)用到印度的德里(Delhi)市車輛廢氣排放預(yù)測上, 模型的輸入包括10個(gè)氣象參數(shù)和6個(gè)交通特性變量. 數(shù)據(jù)來自交通十字路口(AQCR1) 和城市主干道(AQCR2) 2個(gè)空氣質(zhì)量控制區(qū)域(AQCRs). 該模型預(yù)測值與觀測值的擬合系數(shù)d(d為模擬值對觀測值的精確估計(jì)程度)最高為0.76. 陳柳和馬廣大[28]利用小波分解和重構(gòu)判斷大氣污染物濃度序列的年變化趨勢, 并在此基礎(chǔ)上建立大氣污染物濃度的分段神經(jīng)網(wǎng)絡(luò)模型, 對大氣SO2濃度進(jìn)行預(yù)測. 為了提高網(wǎng)絡(luò)的推廣能力, 他們在程序中加入了

“提前停止”和“神經(jīng)網(wǎng)絡(luò)集成”的方法[29], 優(yōu)化了網(wǎng)絡(luò)學(xué)習(xí)過程. Ryan等人[30]則使用人工神經(jīng)網(wǎng)絡(luò)模擬溫帶草原生態(tài)系統(tǒng)的N2O的排放研究.

Barcenas等人[31]利用人工神經(jīng)網(wǎng)絡(luò)對臭氧層表面建模, 并利用無偏敏感分析和修剪技術(shù)對模型進(jìn)行簡化. 數(shù)據(jù)采樣來自距離西班牙的瓦倫西亞(Valencia)城南40 km的小鎮(zhèn)Carcaixent. 輸入?yún)?shù)包括NO, NO2濃度和一些氣象參數(shù)(風(fēng)速、溫度、大氣壓強(qiáng)、太陽輻射度、相對濕度), 時(shí)間為2002年4月1日到4月20日連續(xù)20 d, 模型輸出為臭氧的濃度. 在此基礎(chǔ)上, 他們通過敏感度分析, 得出與臭氧濃度最相關(guān)的參數(shù)是溫度和太陽輻射度, 最無關(guān)的參數(shù)是臭氧化學(xué)前體(NO和NO2). 這一結(jié)果表明, 當(dāng)?shù)爻粞踔饕獊碓床⒉皇潜镜厣? 而是從其他地方通過風(fēng)力傳輸而來.

植被與大氣之間的碳交換量(NEE)是影響陸地生態(tài)系統(tǒng)碳匯、源的重要因素, 準(zhǔn)確估計(jì)和長期觀測不同生態(tài)系統(tǒng)中的NEE、研究NEE的空間分布以及模擬NEE動(dòng)態(tài)變化是預(yù)測氣候變化的基礎(chǔ)之一. 何洪林等人

[32]

利用能量通量和CO2通量的密切關(guān)系, 研

究了人工神經(jīng)網(wǎng)絡(luò)方法模擬CO2通量的可行性. 研究發(fā)現(xiàn)CO2通量和能量通量、溫度存在密切的相關(guān)關(guān)系, 土壤水分因子的輸入并未使模型模擬的精度有明顯的提高. 該研究證明, 可以用人工神經(jīng)網(wǎng)絡(luò)模型有效地模擬CO2通量. 同時(shí)為通過渦度相關(guān)觀測與遙感反演技術(shù)的集成, 并利用已獲取的區(qū)域能量通量數(shù)據(jù)來模擬分析區(qū)域尺度的CO2通量空間格局提供了一種有效的技術(shù)途徑. Melesse和Hanley

[33]

將

多層次感知器誤差反饋人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到森林、草地和麥田生態(tài)系統(tǒng)CO2通量模擬研究中. 采用能量通量(凈輻射能量、潛熱、感熱、土壤熱通量)和溫度(空氣和土壤)來訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型. 結(jié)果顯示, 預(yù)測的相關(guān)系數(shù)(R2

)值在0.75到0.94之間, 并且森林和麥田的預(yù)測結(jié)果比草地更好. 這一技術(shù)的意義在于以點(diǎn)測量來估算地區(qū)或全球CO2通量, 并能夠很好地幫助理解CO2通量的時(shí)空變化. Papale和Valentini[34]結(jié)合人工神經(jīng)網(wǎng)絡(luò)和渦流通量來研究歐洲森林的碳變化. 不僅開展了單站點(diǎn)的通量數(shù)據(jù)插補(bǔ)研究, 還結(jié)合土地利用、NDVI等數(shù)據(jù), 模擬了歐洲大陸區(qū)域的空間分辨率為1 km×1 km, 時(shí)間尺度為周的CO2通量空間分布格局.

評 述

2.3 氣候變化下森林生態(tài)系統(tǒng)建模和植被、土壤

變化預(yù)測等方面的應(yīng)用

因?yàn)锳NN克服了森林?jǐn)?shù)據(jù)處理中非線性關(guān)系和非正態(tài)性等方面的困難, 最近成為了森林建模中一個(gè)比較流行的工具. 森林生物量的估測是全球變化研究的基礎(chǔ), 王淑君和管東生[35]嘗試應(yīng)用BP和RBF神經(jīng)網(wǎng)絡(luò)模型對森林生物量進(jìn)行遙感估測. 結(jié)果表明, 在獨(dú)立樣地估測中, 兩種人工神經(jīng)網(wǎng)絡(luò)估測的相對誤差均小于15.18%, 而RBF網(wǎng)絡(luò)的ANN模型最大相對誤差不超過10.12%, 平均相對誤差僅為4.76%, 在識別精度上、穩(wěn)定性、速度上, 均優(yōu)于BP 網(wǎng)絡(luò)ANN模型.

森林生態(tài)系統(tǒng)中氮的現(xiàn)狀可以通過森林土壤的氮飽和潛力來表現(xiàn), Ito等人[36]使用人工神經(jīng)網(wǎng)絡(luò)模型來對土壤的NNP(Net Nitrification Potential)進(jìn)行預(yù)測. 他們的ANN模型使用ridge-stabilized Gauss- Newton算法處理現(xiàn)有數(shù)據(jù), 來防止過度學(xué)習(xí)造成的過高權(quán)重. 所以, 該ANN基礎(chǔ)模型僅僅使用2個(gè)土壤特性數(shù)據(jù)(碳氮比和最大含水量)就能提供很好的NNP預(yù)測, 大大提高了簡單模型在森林管理計(jì)劃中的實(shí)際價(jià)值.

同樣, 理解氣候變化中植被是如何改變的是氣候變化中的一個(gè)關(guān)鍵問題. Ostendorf等人[37]利用人工神經(jīng)網(wǎng)絡(luò)研究氣候變化對熱帶雨林植物的影響. 預(yù)測結(jié)果表明雨林的中小型植被將有所減少, 中型開放性植被在森林和林地將有所增加. 然而, 預(yù)測中型藤蔓植物和潮濕硬葉植物的結(jié)果在不同模型中卻有很大的區(qū)別.

高分辨率的土壤分布圖一般僅僅適用于很小的范圍, 因?yàn)橥ㄟ^實(shí)地考察獲得這些分布圖是很費(fèi)時(shí)和很昂貴的. 最近, Zhao等人[38]成功的使用ANN模型對土壤質(zhì)地(沙礫、黏土和淤泥)進(jìn)行預(yù)測, 從現(xiàn)有較粗糙的分辨率的土壤分布圖結(jié)合數(shù)字化高程模型(Digital Elevation Model, DEM)得出的水道測量參數(shù)來獲得土壤屬性. 校正過的ANN模型能對相似地區(qū)制作高分辨率土壤質(zhì)地結(jié)構(gòu)圖, 而不需要進(jìn)行額外的現(xiàn)場調(diào)查. 就模型預(yù)測和野外測量值之間的均方根誤差而言, 黏土為4.0, 沙礫為6.6. 相對總精度(現(xiàn)場測量時(shí)正負(fù)5%)黏土是88%, 沙礫是81%. Kavdir[39]報(bào)道了利用人工神經(jīng)網(wǎng)絡(luò)分類器對向日葵(陽光植物), 雜草和土壤進(jìn)行識別. 劉殿偉等人[40]在用高光

2991

最新搜索

人工神經(jīng)網(wǎng)絡(luò)在全球氣候變化和生態(tài)學(xué)中的應(yīng)用研究

38遺傳學(xué)2

慶元旦兒童畫圖片

違約風(fēng)險(xiǎn)的信用增級不包括( )。 (本題20分)

2012高考語用題匯總

30TD-LTE概念自總結(jié)

俠盜飛車罪惡都市100個(gè)隱藏包裹位置(圖文)

紅旗鎮(zhèn)中學(xué)依法治校示范學(xué)校申報(bào)材料90

2016年《電子商務(wù)》(2016年必修課程一)題庫答案

貴州省主要的氣候?yàn)?zāi)害有( )代表中國舊石器時(shí)代早期的三種文化

  本文關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)在全球氣候變化和生態(tài)學(xué)中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。