全 文 ：第 33卷 第 5期 生 态 科 学 33(5): 1017−1022
2014 年 9 月 Ecological Science Sep. 2014

收稿日期: 2013-09-01; 修订日期: 2014-02-03
基金项目: 国家自然科学基金项目(61063020, 11261042)
作者简介: 李风军(1973—), 男, 副教授, 博士, 硕导, 主要从事人工智能、数据挖掘、环境科学技术等方面的研究, E-mail: fjli@nxu.edu.cn

李风军, 冯晓秀, 陆桂琴, 等. 宁东能源化工基地生态环境脆弱性评价研究[J]. 生态科学, 2014, 33(5): 1017−1022.
LI Fengjun, FENG Xiaoxiu, LU Guiqin, et al. Evaluation of eco-environmental vulnerability of Ningdong Energy and Chemistry Industry
Base[J]. Ecological Science, 2014, 33(5): 1017−1022.

宁东能源化工基地生态环境脆弱性评价研究
李风军, 冯晓秀, 陆桂琴
宁夏大学数学计算机学院, 银川 750021

【摘要】 以宁东能源化工基地为研究对象, 生态环境脆弱性评价为研究目标。依据主客观因素, 利用主成分分析法选
取 11 个符合宁东基地实情的评价指标, 构建生态环境脆弱性评价的 SVM 模型。将 GA 嵌入 SVM 中以优化其结构及
参数, 利用 SVM 良好的泛化能力和高精度的分类性能进行评价。再利用已有的 BP-ANN 模型进行评价并加以比较分
析。结果表明: 宁东基地的生态环境脆弱性为Ⅱ级, 属于中度脆弱; SVM 模型简单、通用、精度高, 可在生态环境脆
弱性评价中推广应用。最后对脆弱性形成的原因进行了分析。

关键词：生态环境; 脆弱性评价; SVM; ANN; 宁东能源化工基地
doi:10.14108/j.cnki.1008-8873.2014.05.031 中图分类号：X144 文献标识码：A 文章编号：1008-8873(2014)05-1017-06
Evaluation of eco-environmental vulnerability of Ningdong Energy and Chemistry
Industry Base
LI Fengjun, FENG Xiaoxiu, LU Guiqin
School of Mathematics and Computer Science, Ningxia University, Yinchuan 750021, China

Abstract: Taking Ningdong Energy and Chemistry Industry Base as study area, and the ecological environment as evaluating
target, basing on the subject and object factors, 11 evaluation indicators are selected to establish I, II and III grade standards
of models input and expectation output. Thus the vulnerability assessment model of ecological environment in Ningdong
Energy and Chemistry Industry Base is constructed. The evaluation of eco-environmental vulnerability is regarded as the
pattern of classification. Meanwhile, the parameters of SVM are optimized by GA. Next, this model is applied to study area,
and the results are compared with ANN method results, which show that the vulnerability is determined to the second level.
SVM model is simple, universal, and accurate, and it can be applied in evaluation of eco-environmental vulnerability in
practice. Finally, the reasons of vulnerability formation are discussed.
Key words: ecological environment; evaluation; SVM; ANN; Ningdong Energy and Chemistry Industry Base
1 前言
生态环境脆弱性评价是生态环境研究的重要内
容。目前已有的评价方法[1–8]大多需要人为建立主要影
响因素与评价结果间的加权映射关系, 相关研究[9–11]
分别运用基于模糊数学和灰色理论、面向对象理论
和神经网络模型等方法进行生态环境等级评价, 取
得了较好的结果。但这些方法也存在缺陷, 如评价
精度不够高, 特别是神经网络模型存在如何确定网
络拓扑结构的问题、过学习与欠学习问题、局部极
1018 生 态 科 学 33 卷
小点问题等[12]。支持向量机(Support Vector Machine,
简称 SVM)是基于统计学习理论中的 VC 维理论和
结构风险最小化原则上发展起来的一种新的机器学
习方法 , 与已有的人工神经网络(Artificial Neural
Network, 简称 ANN)相比, 具有简洁的数学形式、
较少的人为设置参数、良好的泛化能力、能有效避
免局部极值、在解决小样本、非线性及高维模式识
别问题中表现出许多特有的优势[12]。本文分别利用
嵌入遗传算法(Genetic Algorithm, 简称 GA)优化的
SVM 及带误差反传算法(Back Propagation, 简称 BP)
的 ANN 对宁东能源化工基地的生态环境脆弱性进行
了评价, 并对两种算法的评价结果进行了比较分析。
2 研究区概况
宁东能源化工基地(简称“宁东基地”)地处宁夏
中东部, 位于毛乌素沙地西南缘, 地形波状起伏,
平岗与宽谷相间, 以低山丘陵和山地为主, 境内遍
布流动沙丘、半固定沙丘和平铺沙地, 西部、南部
较高, 北部较低, 略呈西南-东北方向倾斜, 平均海
拔在 1150—1512 m 之间。宁东基地是国家 13 个亿
吨级大型煤炭生产基地之一, 煤质优良, 白云岩和石
灰岩资源丰富, 且开采条件好。研究区总面积 3484
km2, 东西宽约 16—41 km, 南北长约 127 km, 范围
覆盖灵武市、盐池县、同心县、红寺堡开发区等 4
个县市(区)。研究区属中温带干旱气候区, 具有典型
的大陆性气候特征, 气候特点是干燥、雨量少而集
中, 蒸发量强, 冬寒长, 夏热短, 温差大, 日照长,
光能丰富, 冬春季风沙多, 无霜期短等特征。研究区
土壤主要有灰钙土、风沙土、山地灰钙土及少量盐碱
土, 土层较薄, 表土中含可溶盐浓度较高, 有机质含
量不足 1%。规划区植被覆盖度 10%—30%, 天然植
被分布稀少、且不均匀, 主要以一年生或多年生、旱
生或超旱生灌木、半灌木或草本植物为主, 具耐旱、
耐寒、耐土壤脊薄。宁东基地水资源比较短缺, 研
究区降水的季节变化和年际变化均较大, 近年平均
降水量不足 300 mm。
宁东基地, 是国务院“十一五”规划项目, 也是
宁夏回族自治区“十一五”规划中的“一号工程”。
基地既是宁夏实现跨越式发展的坚实基础, 也是宁
夏彻底摆脱落后、与全国同步实现小康目标的根本
出路和希望所在。按照《国务院关于进一步促进宁
夏经济社会发展的若干意见》要求, 要把宁东基地真
正建设成为国家重要的大型煤炭基地、煤化工产业基
地、“西电东送”火电基地和循环经济示范区。由
于基地所在地的大部分地区生态损毁严重, 生态
系统功能退化, 生态环境脆弱, 三废污染突出, 如
何处理好开发建设与生态建设的关系, 谋求生态
与经济社会协调发展, 是有关基地开发成败的根
本性问题[13]。
3 SVM 分类的基本原理
SVM是从寻找两类线性可分的样本集 ( , )i ix y ,
1,2, ,i n= L , dix R∈ , {1, 1}iy ∈ − 的最优分类线产
生的, 基本思想可用图 1 的情况来说明。
此时的分类间隔为 2 ω , 满足
( )i iy x bω ⋅ + 1 0− ≥ , 1,2, , .i n= L (1)
且使 2|| ||ω 最小的分类超平面就是最优分类超平面。
使(1)式等号成立的样本点称作支持向量( 1,H 2H 上
的点)。求最优分类超平面可以转化为如下的约束优
化问题:
21min || ||
2
( ) 1 0, 1,2, , .i isub y x b i n
ω
ω
⎧⎪⎨⎪ ⋅ + − =⎩ L≥

这是一个二次凸规划问题, 由于目标函数和约束条
件都是凸的, 根据最优化理论, 这一问题存在唯一
全局最小解。应用Lagrange乘子法及KKT条件:
[i iyα ( ) 1] 0.ix bω ⋅ + − = (2)
最后可得到求解上述问题的最优分类函数为:
( ) sgn[( ) ]f x x bω∗ ∗= ⋅ +
1
sgn[ ( ) ]
n
i i i
i
y x x bα∗ ∗
=
= ⋅ +∑ , (3)
其中 ,bα∗ ∗为确定最优分类超平面的参数。由(2)式
知, 非支持向量对应的 iα 均为零, 故(3)式中的求和
只对少数支持向量进行。
对非线性问题, 可以通过非线性变化将其转化

图 1 线性可分情况下的最优分类线
Fig. 1 Hyper line of linear classification
5 期 李风军, 等. 宁东能源化工基地生态环境脆弱性评价研究 1019
为某个高维特征空间中的线性问题, 在变换空间中
寻找最优分类超平面。这种变化可能比较复杂, 因此
该思路在一般情况下不易实现。根据泛函的有关理论,
我们发现: 满足 mercer 条件的核函数 ( , )i jK x x , 就是
某一变换空间中的内积[14]。因此, 在最优分类超平
面中采用适当的内积函数 ( , )i jK x x 就可以实现某一
非线性变化后的线性分类, 而计算复杂度却没有增
加。相应的分类函数为[14]:
1
( ) sgn[ ( ) ]
n
i i i
i
f x y K x x bα ∗ ∗
=
= ⋅ +∑ (4)
这就是 SVM。
SVM 常用的核函数主要有三类:
1) 多项式函数 ( , ) (1 )di iK x x x x= + ⋅ ;
2) 高斯径向基函数 2 2( , ) exp( 1 / )i iK x x x x σ= − − ;
3) 神经网络函数 ( , ) tanh( ( ) ).i iK x x v x x c= ⋅ +
SVM 分类算法形式上类似于 ANN, 其中隐层
节点对应于输入样本与一个支持向量的内积核函数,
而输出节点对应于隐层输出的加权线性组合。图 2
给出了 SVM 的网络结构示意图。设计一个 SVM 时,

图 2 支持向量机拓扑结构示意图
Fig. 2 Topology structure of SVM
只需要选择满足 Mercer 条件的核函数即可。
4 评价模型
4.1 样本来源
目前国内外尚无统一的生态环境脆弱性及相关
指标的评价标准, 本文综合分析了区域生态环境影
响因素后, 根据全国及宁夏回族自治区各类指标的
取值范围及前人研究[3–5,13], 利用主成分分析法确定
11 个因素作为宁东基地生态环境脆弱性评价指标,
见表 1, 并构造了以区间形式表示的宁东基地生态
环境脆弱性 3个等级评价标准, 其中 I级代表轻度脆
弱, II 级代表中度脆弱, III 级代表重度脆弱。级别越
高, 脆弱性越强, 具体见表 2。
根据给出的宁东基地的生态环境脆弱性评价指
标区间值, 在每级区间之间随机生成不同的样本,
这样样本就分属于每一个不同的指标等级。利用
MATLAB 的随机矩阵函数从每个等级各产生 30 组
样本数据, 共就产生 90组样本数据, 即可用于 SVM
的训练和检验。
4.2 嵌入 GA 优化 SVM 结构与参数
在线性不可分的情况下, 可以在条件(1)中增加
一个松弛项 iξ ( 0)≥ 成为
iy ( ) 1 0i ix bω ξ⋅ + − + ≥ (5)
将目标改为求
2
1
1min || || ( )
2
( ) 1 0, 1,2, , .
n
i
i
i i i
C
sub y x b i n
ω ξ
ω ξ
=
⎧ + ∑⎪⎨⎪ ⋅ + − + =⎩ L≥

表 1 宁东基地生态环境脆弱性评价指标及其涵义
Tab. 1 Meaning of evaluation indicators
评价指标 计量统计方法 指标涵义
1T 年平均降水量/mm 月平均降水量之和 反映降水的基本情况
2T 蒸发系数 年平均蒸发量/年平均降水量 反映气候干旱程度
3T 森林覆盖率/% 森林面积/土地总面积 反映植被的调节和抗干扰能力
4T 水域面积比例/% 水域面积/土地总面积 反映空气干燥程度
5T 沙丘面积比例/% 沙丘面积/土地总面积 反映土地质量的指标
6T 大专以上人数占总人口比例/% 大专以上人数/总人口 反映人口素质状况
7T 人均 GDP/元 国内生产总值/总人口 反映综合经济发展水平指标
8T 农民人均纯收入/元 农民纯收入/总人口 反映综合经济发展水平指标
9T 粮食单产/(t⋅hm–2) 粮食产量/耕地面积 反映粮食生产能力指标
10T 人均农业机械化总动力/kW 农业机械化总动力/总人口 反映农业现代化水平
11T 第二产业产值占 GDP 的比例/% (kW) 第二产业产值/GDP 产值 反映现代化水平
1020 生 态 科 学 33 卷
即折衷考虑最少错分样本与最大分类间隔, 这样就
得到广义最优分类超平面。其中 0C > 为常数, 它控
制对错分样本惩罚的程度。
低维空间样本集往往难以分类, 目前好的解决
方案是将它们变换到较高维空间。遗憾的是计算复
杂度会增加, 而核函数恰好迎合了解决这个问题的
需要。由此看出, SVM 的本质在于核函数的选择。
只要找到恰当的核函数, 就可以得到高维空间的分
类函数[14]。
综上可知, 在 SVM 的操作中, 影响分类精度的
主要参数是惩罚因子C 和核函数 K 。本文选用高斯
径向基核函数并对其加以优化。GA 是一种新发展起
来的基于优胜劣汰、自然选择、适者生存和基因遗
传思想的优化算法, 它将自然生物系统的重要机理
运用到人工系统的设计中, 与其他寻优算法必然有
着本质的不同。本文将 GA 潜入 SVM 分类评价模型
中以对其结构及参数加以优化, 算法流程如图 3 所
示。具体优化过程如下:
将SVM的结构模式编码成码串表示的个体, 用
多种不同的初始参数对种群中的结构进行训练, 根
据训练结果或其他策略确定每个个体的适应度, 选
择一些适应度高的个体直接进入下一代, 其余按适
配度值确定的概率遗传。对当前种群进行交叉和变
异等遗传操作, 产生下一代种群。经过若干代进化,

表 2 宁东基地生态环境脆弱性等级评价标准
Tab. 2 Grade standards of evaluation
评价等级
评价指标
I（轻度脆弱） II（中度脆弱） III（重度脆弱）
1T [400, 500] [300, 400] <300
2T [1.00, 4.00] (4.00, 7.00) >7.00
3T [15.00, 20.00] [10.00, 15.00] <10.00
4T [5.00, 6.00] [4.00, 5.00] <4.00
5T [2.00, 3.00] (3.00, 4.00) >4.00
6T [30.00, 40.00] [20.00, 30.00] <20.00
7T [17000, 22000] [12000, 17000] <12000
8T [7000, 10000] [4000, 7000] <4000
9T [2000, 2500] [1500, 2000] <1500
10T [1.00, 1.20] [0.80, 1.00] <0.80
11T [40, 50] (50, 60) >60


图 3 潜入 GA 优化 SVM 参数与结构
Fig. 3 Optimized parameters and structure of SVM by GA
直到当前种群中的某个个体对应的结构模式满足要
求; 将SVM中所有支持向量的参数编码成二进制码
串表示的个体, 随机生成这些码串的初始种群, 即
可进行常规的遗传算法优化计算。每进行一代计算
后, 将码串解码为参数构成新的 SVM, 通过对所有
样本进行计算得到 SVM 输出的均方误差从而确定
每个个体适应度。经过若干代计算, SVM 将进化到
误差全局最小。从随机产生的每个等级的样本数据
中抽取 20 组, 总共 60 组作为训练样本, 用剩余的
30 组进行检验。采用文献[15]中的 Libsvm 工具箱, 样
本进行归一化处理后, 用 60 组训练样本进行训练后
再用 30 个检验样本进行检验。GA 对结构与参数寻
优的过程如图 4 所示, 当参数 0.8153C = , 核函数
2.3206K = 时, 分类精度最高, 可达 100%, 具体结
果如图 5 所示。
5 期 李风军, 等. 宁东能源化工基地生态环境脆弱性评价研究 1021

图 4 嵌入 GA 优化 SVM 结构与参数的适应度曲线
Fig. 4 Fitness curve of optimized parameters and structure
of SVM by GA

图 5 测试集实际与预测分类结果
Fig. 5 Actual and predication classification results of test set
采用相同的样本用 BP-ANN 模型进行评价时,
当选用 300 个训练样本时, 分类正确率仅为 83%,
选用 1200 个训练样本时, 分类正确率为 94.7%, 选
用 2000 个训练样本时, 分类精度才能达到 100%。
这说明 BP-ANN 模型在小样本训练时无法得出准确
的结果, 而 GA-SVM 的评价模型与 BP-ANN 评价模
型相比, 可以在小样本训练的情况下准确的评价出
生态环境脆弱性的实情。
5 评价结果
用上述训练好的GA-SVM模型及BP-ANN模型
分别对宁东基地生态环境的脆弱性进行评价。数据
来源于宁东能源化工基地管理委员会下属的发展改
革局、经济发展局及环境保护局等, 结果见表 3。
从表 3 可以看出, 采用 GA-SVM 模型与 BP-
ANN 模型评价的最终等级一致, 但各个评价指标所
属等级稍有差异, 前者评价的结果中有 7 个指标属
于 II级, 而后者评价结果中只有 5 个指标属于 II级。
虽然二者评价结果中有 9 个指标所属等级相同, 但
具体的数值不同, 前者好于后者。近 2 年来, 宁东能
源化工基地生态环境脆弱性基本维持在 II 级水平
(中度脆弱), 目前的生态环境总体上向好的发展,
这体现出 GA-SVM 模型的评价结果更符合宁东基
地当前生态环境的实情。与 BP-ANN 模型相比,
GA-SVM 模型具有小样本训练、分类精度高、泛化
性强等优点。
6 讨论与结论
本文将 GA 嵌入 SVM 中以优化结构与参数, 使
其具有更高的训练精度。同时建立了基于 GA-SVM
的生态环境脆弱性评价模型, 利用SVM良好的分类
性能对宁东能源化工基地的生态环境脆弱性进行了
评价, 得到的结果与 BP-ANN 模型评价的结果一致,
但 GA-SVM 模型具有更多的优点, 可以在生态环境
脆弱性系统评价中应用。
分析宁东基地生态环境脆弱性的成因可知, 导
致该区域生态环境脆弱的主要因素体现在两个方面:
(1)客观因素。宁东能源化工基地具有典型的大陆干
旱区气候特征, 雨量少而集中, 由于基地所在地区
大部是退化严重的荒漠草原和沙化土地, 水资源紧
缺[13]。少降水, 大蒸发是造成宁东能源化工基地生
态环境脆弱的潜在因素。(2)主观因素。由于前几年

表 3 宁东基地生态环境脆弱性评价指标样本数值及评价等级
Tab. 3 Evaluation index sample numerical and evaluation grade
评价指标样本数值及所属等级
评价模型
1T 2T 3T 4T 5T 6T 7T 8T 9T 10T 11T
总体评
价等级
255 6.97 11.45 3.36 3.74 31.03 16418 6839 1536 0.83 65
GA-SVM
Ⅲ Ⅱ Ⅱ Ⅲ Ⅱ Ⅰ Ⅱ Ⅱ Ⅱ Ⅱ Ⅲ
Ⅱ
278 7.38 11.06 2.82 4.14 32.79 17226 5345 1715 0.88 68
BP-ANN Ⅲ Ⅱ Ⅱ III III Ⅰ Ⅰ Ⅱ Ⅱ Ⅱ Ⅲ Ⅱ
1022 生 态 科 学 33 卷
生态建设与经济建设脱节, 过于追求经济增长目标
而未能因地制宜、科学规划、合理开发进而导致宁
东能源化工基地资源开发面临煤矿采空区地面塌
陷、地下水位下降、植被退化、三废污染等突出问
题[13]。不合理的工业开发利用, 导致了宁东基地生
态环境的恶化。
可喜的是近 2 年来, 由于各级政府的高度重视,
基本构建了高效、协调、可持续的资源与环境关系。
根据宁夏水利厅水土保持局与宁夏遥感研究院的合
作监测研究[16−17], 宁东基地目前的生态环境总体表
现为向好的方向发展 , 这也验证了本文利用
GA-SVM 模型评价的结果。
参考文献
[1] 徐涵秋. 区域生态环境变化的遥感评价指数[J]. 中国
环境科学, 2013, 33(5): 889–897.
[2] 徐庆勇, 黄玫, 陆佩玲. 基于 RS 与 GIS 的长江三角洲生
态环境脆弱性综合评价[J]. 环境科学研究, 2011, 24(1):
58–65.
[3] 李笑诺, 施晓清, 王成新, 等. 烟台生态城市建设指标体
系构建与评价[J]. 生态科学, 2012, 31(2): 206–213.
[4] 刘正佳, 于兴修, 李蕾. 基于 SRP 概念的沂蒙山区生态
环境脆弱性评价 [J]. 应用生态学报 , 2011, 22(8):
2084–2090.
[5] 类延忠, 冯颖, 周宝同. 基于主成分分析及聚类分析法
的岩溶区生态脆弱性评价——以毕节岩溶区为例[J].
广东农业科学, 2013, 39(2): 169–172.
[6] 金腊华, 刘慧璇, 蓝方勇, 等. 燃煤发电工程对陆地生态
环境的影响[J]. 生态科学, 2003, 22(1): 54–57.
[7] WANG Siyuan, LIU Jingshi, YANG Cunjian. Eco- Environ-
mental vulnerability evaluation in the Yellow River Basin[J].
China Pedosphere, 2008, 18(2): 171–182.
[8] KVAERNER J, SWENSEN G, ERIKSTAD L. Assessing
environmental vulnerability in EIA-the content and context
of the vulnerability concept in an alternative approach to
standard EIA procedure[J]. Environmental Impact Assess-
ment, 2006, 26(3): 511–527.
[9] 刘洋, 吕建树, 吴泉源. 基于面向对象理论的区域生态环
境综合评价[J]. 中国环境科学, 2012, 32(8): 1521–1529.
[10] 梁伟, 张慧颖, 朱孔来. 基于模糊数学和灰色理论的城
市生态环境竞争力评价[J]. 中国环境科学, 2013, 33(5):
945–951.
[11] 刘泽麟, 彭长辉, 项文化. 人工神经网络在全球气候变
化和生态学中的应用研究[J]. 科学通报, 2010, 55(31):
2987–2997.
[12] 陈冰梅, 樊晓平, 周志明. 支持向量机原理及展望[J].
制造业自动化, 2010, 32(12): 136–138.
[13] 汪一鸣. 宁夏目前生态建设的主要任务和建设途径[J].
宁夏工程技术, 2013, 12(1): 68–71.
[14] 李国正, 王猛, 曾华军. 支持向量机导论[M]. 北京: 电
子工业出版社, 2005.
[15] CHANG C C, LIN C J. LIBSVM-A Library for Support
Vector Machines [EB/OL]. http: //www. kernel-machines.
org/.
[16] 姚建华. 宁东能源化工基地生态环境遥感监测评价[J].
水土保持应用技术, 2012(4): 7–10.
[17] 马斌, 徐志友, 卜崇德, 等. 宁东能源化工基地水土保持
生态环境动态监测分析[J]. 水土保持, 2011(14): 53–56.