全 文 ：桂凌，张征，王举位，闫国振.BP 神经网络在沙棘生态功能评价中的应用[J]. 生态科学, 2011. 30(3): 269-272.
GUI Ling,ZHANG Zheng,WANGJu-wei,YANGuo-zhen.The Effects of combination ectomycorrhizal fungi with filamentous
fungi on decomposition of litter of Korean pine[J]. Ecological Science, 2011.30(3): 269-272.
BP 神经网络在沙棘生态功能评价中的应用
桂 凌1 ，张 征*，王举位3，闫国振3，
北京林业大学环境科学与工程学院，北京 100083
【摘要】BP 人工神经网络技术在环境评价领域中已经得到越来越广泛的运用，将该法引入到陕蒙砒砂岩区沙棘生态功能综合评
价的研究中，以沙棘生态功能评价指标标准值作为样本输入，综合评价级别作为网络输出，建立了一个含有 4 个输入神经元节
点、6 个隐含神经元节点和 1 个输出神经元节点的 BP 人工神经网络等级模型。将目标年（2008 年）各评价指标实际数据作为
输入，得到输出值是 0.44，大于Ⅱ级标准，研究结果表明：砒砂岩区种植十年沙棘后，其生态效益很好，对砒砂岩地区的生态
环境改善作用显著。BP 神经网络的评价结果与较成熟的 AHP-模糊综合评价结果一致，证明将 BP 人工神经网络模型用于沙棘
生态功能评价是可行的，且评价结论客观。
关键词：BP 人工神经网络；生态功能；评价模型；沙棘
doi:10.3969/j.issn. 1008-8873.2011.03.009 中图分类号：X8; Q14 文献标识码：A 文章编号：1008-8873(2011)03-269-04

The application of BP-artificial neural network in ecological function evaluation of
seabuckthorn
GUI Ling
1
,ZHANG Zheng
*
,WANG Ju-wei
3
,YAN Guo-zhen
3
College of Environmental Science and Engineering, BeijingForestryUniversity, Beijing 100083, China

Abstract: BP artificial neural network technology has been increasingly used widely in the field of environmental assessment. In this
paper, the method had been used to evaluate the ecological function of seabuckthorn. A level model based on BP-artificial neural
network was set up, which contained 4 input layer nodes, 6 cryptic layer nodes and 1 output layer node with index of ecological
functions as a sample input and comprehensive assessment level as the network output. The output value was 0.44, greater than
grandⅡstandard after actual data of target year(2008) as input. The results showed the seabuckthorn significantly improve the ecological
environment after seabuckthorns have been planted for ten years. The results was consistent with those obtained from the more mature
AHP-fuzzy comprehensive evaluation method, indicating the BP artificial neural network model for evaluating the ecological functions
of seabuckthorn was feasible and evaluation result was objective.
Key words: BP-artificial neural network; ecological function; assessment model; seabuckthorn
_________________________


收稿日期：2011-01-18 收稿，2011-04-20 接受
基金项目：水利部沙棘生态治理项目“晋陕蒙砒砂岩区沙棘生态工程”(水规计[1998]111 号）
作者简介：桂凌，女（1985—）硕士研究生，从事污染预测与环境评价研究。Email：sippis@126.com
*通讯作者，张征（1957-），男，教授，博士生导师。从事污染预测与环境评价研究。Email：scliu@bjfu.edu.cn

第 30卷第 3期 生 态 科 学 30(3): 269-272
2011 年 5 月 Ecological Science May. 2011

万方数据
1 引言（Introduction）

自1998年起，我国水利部开始大规模利用沙棘
（Hippophaerhamnoides Linn）来治理晋陕蒙砒砂岩地
区的水土流失，十几年来沙棘生态工程已见成效。为了
沙棘生态工程今后更好的发展，对已建沙棘生态工程有
个准确的评价显得十分重要及必要，但目前鲜见国内对
于砒砂岩区沙棘生态功能综合评价的研究。在实际应用
中，综合评价所涉及的多项指标与评价等级之间存在复
杂的非线性关系，而人工神经网络是由大量的、简单的
神经元广泛互连形成的复杂的非线性系统[1]，具有自学
习性、自组织性、自适应性和很强的非线性映射能力，
特别适合于因果关系复杂的非确定性推理、判断、识别
和分类等问题[2]。
本文引入人工神经网络法对沙棘生态工程进行
评价，期为该方面的研究提供新的思路。该方法在沙
棘生态功能评价中还没有应用，为此本文在建立沙棘
生态功能指标体系、应用AHP分析各指标的重要程度
的基础之上，引入BP神经网络法建立了沙棘生态功
能评价等级模型，从定量评价的角度，为人们直观地
展示沙棘生态工程所创造的生态效益。

2研究区概况（Study area）

砒砂岩广泛分布于黄河流域的晋陕蒙接壤地区，
面积 3.2×104 km2，是黄土高原的剧烈侵蚀中心和环
境最为恶劣的地区，也是黄河多沙、粗沙的主要来源
区，有“地球癌症”之称。为改变砒砂岩区的生态环
境，减少入黄泥沙量，我国于 1998 年正式实施了“晋
陕蒙砒砂岩区沙棘生态工程”，10年间共种植沙棘31.3
万 hm2。生态效益主要表现在对砒砂岩区的生态环境
质量的改善，包括砒砂岩区植被的恢复与植被覆盖率
的提高、控制水土流失以及所产生的水土资源的改善、
局部生态系统的重建与系统的动态平衡以及沙棘生态
工程区对周边及整个生态环境的贡献等方面。

3BP人工神经网络应用（Empirical study of BP
neural network）

3.1 BP 人工神经网络模型原理
按学习策略划分人工神经网络有监督式学习网络、
无监督式学习网络和联想式学习网络三种。BP(Back
Propagation)人工神经网络属于监督式学习网络，适用
于从问题领域中取得训练范例，并从范例中学习输入
变数与输出变数的内在对应规则，以应用于新的案
例[3]。本例欲构建模型完全符合这一特征。
BP人工神经网络作为一种多层前馈型神经网络
（Multi-Layer Feedforward Neural Networks，简称
MFNN），是ANN(Artificial Neural Networks)技术中
目前应用最广泛也是最成熟的一种网络结构。MFNN
具有分层结构，由多层神经元组成，图1为具有三层
的前馈神经网络。


图 1 三层的前馈神经网络
Fig.1 Feedforward Neural Network with three layers

一个三层前馈神经网络由输入层、隐含层和输出
层组成，各层包含一个或多个神经元(称为节点)，相
邻层任意两节点均相连且其权值可调。BP 算法的学习
过程由信号的正向传播与误差的反向传播两个过程组
成。正向传播时，输入样本从输入层传入，经各隐含
层逐层处理后，传向输出层。若输出层的实际输出与
期望的输出不符，则转入误差的反向传播阶段。误差
反传是将输出误差以某种形式通过隐含层向输入层逐
层反传，并将误差分摊给各层的所有单元，从而获得
各层单元的误差信号以作为修正各单元权值的依据。
此过程一直进行到网络输出的误差减少到可接受的程
度，或进行到预先设定的学习次数为止[4]。

3.2 BP神经网络实例应用
本文的程序基于MATLAB7.0环境下实现，以沙
棘生态功能准则层评价指标的质量分级标准值作为
输入样本，综合评价等级作为网络输出，通过BP神
经网络的反复学习，建立多个评价指标和评级等级之
间复杂的对应关系。利用这样的等级模型即可用以沙
棘生态功能的综合评价。
3.2.1输入、输出指标的确定
在查阅大量国内外文献的基础上，并结合现场调
















270 生 态 科 学 Ecological Science 30 卷

万方数据
表 1 准则层四指标质量分级表
Table.1 quality level of four indicators in criteria layer
评价指标
Evaluating Indicator
标准 Standard
Ⅰ级
GrandⅠ
Ⅱ级
GrandⅡ
Ⅲ级
GrandⅢ
Ⅳ级
GrandⅣ
Ⅴ级
GrandⅤ
土壤团聚度（%）Degree of soil aggregation ≥80 ≥60 ≥40 ≥20 ≥0
根系土壤层蓄水量 (t/a·hm2)Water storage capacity of root soil layer ≥50 ≥40 ≥30 ≥20 ≥10
固碳量（t/a·hm2）Carbon sequestration ≥3.2 ≥2.3 ≥1.2 ≥0.8 ≥0
土壤肥力（%） Fertility ≥1.0 ≥0.75 ≥0.5 ≥0.25 ≥0
研和专家咨询后，建立了具有四层指标的沙棘生态功能
综合评价指标体系。其中目标层为1个：砒砂岩区沙棘
生态功能；功能层指标7个：保育土壤、涵养水源、防
风固沙、生物多样性、固碳制氧、净化环境和景观游憩；
准则层指标15个：土壤抗侵蚀性能、土壤入渗性能、土
壤肥力、林冠层蓄水量、枯枝落叶层蓄水量、根系土壤
层蓄水量、防风效果、固沙效果、生物多样性、动物物
种丰富度、植物物种丰富度、固碳功能、制氧功能、吸
收污染物、滞尘降尘和支付意愿；指标层指标35个：根
系腐殖质含量、地上生物量、风速减少率等。
结合层次分析法通过两两比较的方式确定了指
标体系中各层各指标的相对重要性，并分别对功能层、
准则层和指标层指标按其权重大小排序。在选取指标
作为模型输入时，考虑到功能层7个指标涵义综合性
强，难以定量化，衡量指标层35个指标的可操作性较
弱，均难以作为有效的模型输入。因此，笔者基于权
重排序选取准则层中最重要且占绝对比重（占15个指
标权重综合的59%）的四个指标，以土壤团聚度（权
重为0.2236）、根系土壤层蓄水量（权重为0.1497）、
固碳功能（权重为0.1395）和土壤肥力（权重为0.0745）
作为欲构建模型的输入。由于沙棘的生态功能评价在
国内研究很少，笔者根据文献资料及我国沙棘专家的
意见建立了准则层这四个指标的质量分级表（表一）。
运用BP神经网络评价沙棘生态功能的本质，即以表
一中数值构成的矩阵作为训练样本的输入，综合评价
等级值作为样本输出建立等级模型。鉴于BP人工神
经网络中所用函数的限制，通常将数值界定在[-1,1]
之间，因此，将等级模型中网络输出值对应相应的等
级值分别设定为：0.8（Ⅰ级）、0.4（Ⅱ级）、0（Ⅲ
级）、-0.4（Ⅳ级）、-0.8（Ⅴ级）。
3.2.2 训练样本和测试样本的获取
在BP神经网络模型的构建过程中，训练样本和
测试样本的数量对于结果的准确性具有重要影响。在
神经网络应用于类似的综合评价时，大部分文献通常
采用评价的分级标准作为训练样本。但赵林明[5]指出，
如果参与训练的学习样本数目少于网络的连接权值
数，训练得到的神经网络模型虽对学习样本有很高的
逼近精度，而对于非学习样本，则可能出现错误的反
映。楼文高[6]认为训练样本数至少要多于网络连接权
值数，一般要求2～1O倍以上。
笔者仅以准则层质量分级表中的数据构建网络
模型时，发现其结果具有较大的随机性，训练样本过
少会造成等级模型的精准性较低，从而不能对实测数
据作出准确的识别，既而对沙棘生态功能状况做出错
误判别。针对模型存在的这一问题，根据李晶[7]的研
究，利用rand函数生成的样本在模型中更易获得较高
的精度。笔者在质量分级标准各等级间以随机均匀分
布方式内插获取足量的训练样本和测试样本，一、二
级标准之间生成100个，二、三级标准之间生成100
个，三、四级标准之间生成100个，四、五级标准之
间生成100个。并从插值构造的样本中随机选取15个
样本作为测试样本，其余样本为训练样本。
3.2.3数据预处理
利用BP网络评价生态功能等级，在获取了训练样
本与测试样本以后，还应对输入输出数据进行预处理。
目前，数据的预处理方式通常是归一化或标准化，这
是由于激励函数常采用Sigmoid函数，根据其中间高
增益、两端低增益的特性，如果数据不在靠近0的区
域里进行学习，收敛速度很慢，甚至于出现麻痹现象
[8]。因此，采用对数变换，即按公式（1）将网络的
输入输出数据限制在[-1,1]区间内。
minln( 0.01) / 20x x x    （1）
3.2.4模型的构建与训练
生态功能综合评价是个典型的非线性关系较为复
杂的问题，本文采用Mathworks公司出品的Matlab7.0
3 期 桂凌，等：BP 神经网络在沙棘生态功能评价中的应用 271

万方数据
软件进行编程，调用newff函数生成前向型BP神经网
络。网络中隐含层和输出层神经元传递函数均采用S
型正切函数tansig，训练函数采用变学习率动量梯度下
降算法traingdx。在BP神经网络的应用中，隐含层神经
元节点数的确定一直是个难点，隐含层节点数太小则
构建的模型不够精确，但隐含层节点数过大则会导致
训练时间延长。本文采用“试错法”[9]确定了隐含层
节点数为6，最终建立了一个含有4个输入神经元节点、
6个隐含神经元节点和1个输出神经元节点的BP神经
网络。主程序语句为:
net=newff(minmax(p),[6,1],{‘tansig’,‘tansig’},‘traingdx’)
经过多次训练，网络训练误差达到0.000999，其
误差收敛情况见图2。此时的等级模型已趋于稳定，
可以用以计算沙棘生态功能综合评价值。

图 2BP 网络训练均方误差图
Fig.2 Mean square error of BP network training plan

通过查阅文献资料及咨询专家，确定了目标年
（2008年）四个指标土壤团聚度、根系土壤层蓄水量、
固碳功能和土壤肥力的实际数据分别为51.4%、
33.36t•(a•hm
2
)
-1、3.02 t•(a·hm2)-1、0.6%。将4个指
标目标年的实际结果按公式（1）作相同变化后作为
样本输入代入模型计算，得到该年的等级输出值是
0.44，稍大于Ⅱ级标准0.4，说明砒砂岩区种植十年沙
棘后，其生态效益很好。
3.2.5BP神经网络模型评价与AHP-模糊综合评价结
果对比
模糊综合评价是对受多种因素影响的事物做出
全面评价的一种比较有效的多因素决策方法。层次分
析法（Analytic Hierarchy Process，AHP）是一种定量
与定性结合，将人的主观判断用数量形式表达和处理
的方法，可以尽量减少个人主观臆断所带来的弊端。
本项目中，笔者结合两种方法的优点，通过AHP确定
了沙棘生态功能指标体系中各层各指标的权重，再运
用模糊综合评价法对砒砂岩区沙棘生态功能进行综
合评价，得到评价结果是Ⅱ级。其评价结果与BP神
经网络的评价结果一致，也验证了BP人工神经网络
法用以沙棘生态功能评价模型的可行性，且操作简便
易行，评价结果切合实际，具有很好的实用性，为沙
棘乃至其它植被的生态功能评价提供了新的方法。

4 结论(Conclusion)

BP人工神经网络运用广泛，效果好，通过前期
数据训练后，能够科学地评价相关内容。本文运用
BP神经网络对沙棘生态功能进行评价在国内尚属首
次，在一定程度上克服了一般评价方法的主观性，保
证了评价结果的客观性。通过BP神经网络建立等级
模型后，得到评价结果是Ⅱ级，表明砒砂岩区种植沙
棘十年后，其生态效益很好，对砒砂岩地区的生态环
境改善作用显著，对当地社会、经济、文化的可持续
发展提供了重要保障。将神经网络等级模型得到的结
论与较为成熟的AHP-模糊综合评价方法相比较，得
到了一致性的结论。研究结果表明，利用BP人工神
经网络对砒砂岩区沙棘进行生态功能评价是可靠及
有效的，这也为今后相关研究者提供了参考。

参考文献(References)

[1] 胡守仁. 神经网络导论[M]. 长沙: 国防科技大学出版社,
1993:28-31.
[2] 闵惜琳，刘国华. 用MATLAB神经网络工具箱开发BP网
络应用[J]. 计算机应用, 2001, 21(8):163-1.
[3] 龙腾锐. 基于人工神经网络(ANN)的水质评价与水质模拟研
究[D]. 重庆: 重庆大学城市建设与环境工程学院, 2002.
[4] 钟珞，饶文碧，邹承明. 人工神经网络及其融合应用技术
[M]. 北京: 科学出版社, 2007:12-19.
[5] 赵林明，胡浩之，魏德华. 多层前向人工神经网络[M]. 郑
州: 黄河水利出版社, 1999:9-68.
[6] 楼文高，王延政. 基于BP网络的水质综合评价模型及其应
用[J]. 环境污染治理技术与备, 2003, 4(8):22-25.
[7] 李晶，张征，朱建刚. BP神经网络地下水水质评价若干问
题及修正[J]. 环境科学与技术, 2009, 6(32):387-392.
[8] 熊忠华，陈琦，郑秀梅. 基于遗传算法的人工神经网络
大气环境评价[J]. 环境科学技术, 2005, 28(4):83-84,94.
[9] 董曼玲，黄胜伟.径向基函数神经网络在水质评价中的应
用[J]. 环境科学与技术, 2003, 26(1):23-25.
0 1000 2000 3000 4000 5000 6000
10
-4
10
-3
10
-2
10
-1
10
0
6286 Epochs(6286步长）
T
ra
in
in
g-
B
lu
e
G
oa
l-
B
la
ck
训
练
误
差
Performance is 0.000999733, Goal is 0.001
实际误差0.000999733，目标误差0.001
272 生 态 科 学 Ecological Science 30 卷

万方数据
BP神经网络在沙棘生态功能评价中的应用
作者： 桂凌， 张征， 王举位， 闫国振， GUI Ling， ZHANG Zheng， WANG Ju-wei， YAN Guo-zhen
作者单位： 北京林业大学环境科学与工程学院,北京,100083
刊名： 生态科学
英文刊名： ECOLOGICAL SCIENCE
年，卷(期)： 2011,30(3)

参考文献(9条)
1.董曼玲;黄胜伟 径向基函数神经网络在水质评价中的应用 2003(01)
2.熊忠华;陈琦;郑秀梅 基于遗传算法的人工神经网络大气环境评价 2005(04)
3.李晶;张征;朱建刚 BP神经网络地下水水质评价若干问题及修正 2009(32)
4.楼文高;王延政 基于BP网络的水质综合评价模型及其应用 2003(08)
5.赵林明;胡浩之;魏德华 多层前向人工神经网络 1999
6.钟珞;饶文碧;邹承明 人工神经网络及其融合应用技术 2007
7.龙腾锐 基于人工神经网络(ANN)的水质评价与水质模拟研究 2002
8.闵惜琳;刘国华 用MATLAB神经网络工具箱开发BP网络应用 2001(08)
9.胡守仁 神经网络导论 1993

本文读者也读过(6条)
1. 李芳亮.王锐.高杨.刘莹.赵立冬.LI Fang-liang.WANG Rui.GAO Yang.LIU Ying.ZHAO Li-dong 沙棘叶水溶性多糖分级组分抗氧化活
性的研究[期刊论文]-黑龙江农业科学2011(6)
2. 王天乐.李伟.丁洁.俞道远.刘茂松.WANG Tianle.LI Wei.DING Jie.YU Daoyuan.LIU Maosong 退化湿地恢复中土壤节肢动物的群落结
构[期刊论文]-南京林业大学学报（自然科学版）2011,35(2)
3. 曹明崇.李新媛.张林 黄土丘陵区几种耐旱植物的试验研究[期刊论文]-发展2011(3)
4. 王成磊.张文辉.何景峰.WANG Cheng-lei.ZHANG Wen-hui.HE Jing-feng 黄土高原丘陵沟壑区天然沙棘种群空间分布格局研究[期刊论
文]-西北植物学报2011,31(1)
5. 康丽红.徐静 复方沙棘油栓与氯喹那多普罗雌烯在老年性阴道炎中的联合应用[期刊论文]-医学信息（中旬刊）2011,24(3)
6. 朱凌.王举位.桂凌.张征.闫国振 基于生态威胁的湖泊生态安全指标体系研究[期刊论文]-安徽农业科学2011,39(11)


本文链接：http://d.g.wanfangdata.com.cn/Periodical_stkx201103009.aspx