全 文 ：书基于犛犗犉犕网络法的天然草地分类
魏淑珍，王菲凤，张江山
（福建师范大学环境科学研究所，福建 福州３５０００７）
摘要：自组织特征映射（ＳＯＦＭ）模型是一种无监督的人工神经网络计算方法，适用于解决多种分类和识别问题。本
研究首次将ＳＯＦＭ网络法用于中国新疆准噶尔盆地西部地区的天然草地分类中，基于该法的聚类功能，依据草地
生产、生态、经济等方面的６个天然草地分类指标，结合 Ｍａｔｌａｂ软件对神经网络进行权值训练，将这３１份草地样本
数据分为温性荒漠类、温性草原类、草甸类３类。并将分析结果与集对分析法、灰色关联度分析法、投影寻踪法做
了对比分析。结果表明，ＳＯＦＭ网络法与上述３种方法分析基本一致，可以很好地反映和提取样本中复杂的信息，
分类效果较好。说明了ＳＯＦＭ网络法对不同类型草地之间草地资源的整体性有很好的区分度。由此得出ＳＯＦＭ
网络法对草地进行分类具有很好的实用价值，可以在聚类分析中广泛应用。
关键词：ＳＯＦＭ；人工神经网络；天然草地；分类
中图分类号：Ｓ８１２．３；Ｑ９４８．１５＋８　　文献标识码：Ａ　　文章编号：１００４５７５９（２０１１）０１０１７５０８
　 草地作为一种可再生资源，不仅是重要的水源涵养地和水土保持区，也是西部地区防风固沙的天然绿色屏
障，是广大农牧民赖以生存和发展的基本生产资料［１］。干旱区天然草地在其漫长的生物演化过程中，蒸腾量和耗
水量相对较少、适于在干旱区生长，它对于我国干旱地区和其他生境严酷地区具有特殊的生态意义［２］。但由于人
口与家畜数量的剧增，目前典型草地面临着生物多样性减少，生产能力下降，草地大面积退化等严重问题［３］。而
天然草地类型及面积作为草原资源最基础的信息，是掌握草原资源与生态状况的根本［４］。不同类型的天然草地，
它的草地稳定水平、缓冲水平、自净水平、抗逆水平和恢复水平等草地生态服务功能和承载能力明显不同［５］。因
此，对各种天然草地进行科学分类是草地学中的一项基础工作，这对人类认识、研究和利用草地资源的自然特性
和经济特性具有重要意义［６］。同时，也能为草地资源的合理利用与有效管理、生物多样性的保护及草地畜牧业的
可持续发展提供指导。
早在２０世纪５０年代中期，王栋［７］就根据草地分布地区的地势、气候、地质和牧草生长状况，制定了两级草地
分类系统，把我国的草地划分为８个类、６个草地带。Ｓａｍｐｓｏｎ［８］于１９５２年在其《草原管理学》一书中，将美国的
天然牧地划分为草地植被类、荒漠灌丛植被类和森林植被类３大类、１２个型。随后，贾慎修［９］（１９５５）提出了植被
－生境分类法，任继周等［１０］（１９５７）提出了多元顺序分类法，许鹏［１１］（１９６５）提出了天然草地主体特征综合分类
法［１２］。就分类原则的基本依据而言，两大分类体系可归纳为植被－生境分类法［９］和气候－土地－植被综合顺序
分类法［１０］。综合顺序分类法将草地分为３个基本级别：类（以水热特征为指标）、亚类（以土地特征为指标）和型
（以植被特征为指标）［１３］。所谓综合，就是分类系统中概括了气候、土地、植被等各种草原发生与发展的要素，所
谓顺序，就是依照各个要素对草原类型演替［１４］。
综合顺序分类法把量的概念引入草地分类的范畴［１５］，很大程度上减少了人为因素的影响，更具科学性和实
用性。９０年代，胡自治和高彩霞［１６］进一步改进综合顺序分类法，补充了非地带性草地类型的分类和检索，并建立
了类一级的计算机检索软件。２００４年，靳瑰丽等［１７］针对草地分类系统及草地类型在生态环境建设和资源优化配
置运用中存在的问题，将景观生态分类理论引入草地资源分类中，划分草地资源类型，建立草地资源分类的原则、
依据和标准。２００９年，张国胜等［１８］结合青海省干湿分布状况，把青海省分为６个气候区域，按照草地类型的划分
原则、系统与标准，把青海省１０个草地类型进行组合分类划分至６个气候区域；阐述了不同草地类型的分布与海
拔、温度及降水等生境特征的关系；定量评价了各草地类型的丰富度、生物量、草层高度以及草群盖度等植被特
第２０卷　第１期
Ｖｏｌ．２０，Ｎｏ．１
草　业　学　报
ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ 　　
１７５－１８２
２０１１年２月
 收稿日期：２０１００１２８；改回日期：２０１００４２１
作者简介：魏淑珍（１９８５），女，福建三明人，在读硕士。Ｅｍａｉｌ：ｗｅｉｓｈｕｚｈｅｎ２０１０＠ｙａｈｏｏ．ｃｎ
通讯作者。
征。
草地分类系统虽然有利于对草地资源有较为深入的认识，但若划分类型繁多，仅侧重于对资源数量与分布
的调查和对资源的认识，会给生态环境建设和资源优化配置的科学决策带来不便［１９］。同时，随着草地科学认识
的升华和理论认识、研究手段的不断完善，草地分类已逐渐从定性研究向定量化方向发展，有的甚至发展了计
算机程序化评价。目前，学者们提出的天然草地分类的方法很多，有集对分析法、灰色关联度分析法、基于投影寻
踪的天然草地分类法等［５］。这些方法都有其独特的优势，但集对分析法需要在一定分类标准的基础上进行分析
计算，而灰色关联度分析法、投影寻踪法都是通过抽象的定量指标进行分类，由于没有定量的聚类依据，有时难以
划定明确的聚类界限。因此，本研究采用已被广泛应用于模式分类问题中的自组织特征映射人工神经网络
（ＳＯＦＭ）方法，利用其较强的非线性能力，对面向新疆准噶尔盆地西部的克孜尔山、加依尔山、玛依尔山等地区的
天然草地进行分类。
１　材料与方法
１．１　研究资料
样本数据及分类指标的选取：天然草地分类的实质是把研究地区各天然草地的多维指标按相近原则进行聚
类分析。对天然草地资源进行数量化的研究是草地研究从定性到定量的一项重要进展。不同类型的天然草地影
响其生产性能的指标因素很多，而且，评价指标运用于天然草地评价时，具有一定的模糊性。因此，对不同草地
类型的综合评价是一种多因素、模糊性的综合评价［１９］。
本研究选取中国新疆准噶尔盆地西部地区的３１个天然草地分类［１９］作为实例，根据研究分析［５］，天然草地分
类指标体系由天然草地植被覆盖度、可食风干牧草产量２个草地生态指标，草地牧草利用率、草地可利用面积系
数２个草地生产指标，以及草群中优良牧草比率、羊单位需草地面积２个草地经济指标共６个指标组成。设研究
地区天然草地分类指标的数据样本集为ｘｉｊ，其中ｉ、ｊ分别为评价指标编号和草地样本的数目。分类标准见表１，
Ⅰ表示指标类型为温性荒漠类，Ⅱ表示指标类型为温性草原类，Ⅲ表示指标类型为草甸类。样本数据见表２。
１．２　研究方法
１．２．１　ＳＯＦＭ模型的基本概念和原理　自组织特征映射方法［２０］（ｓｅｌｆｏｒｇａｎｉｚｉｎｇｆｅａｔｕｒｅｍａｐ，简称ＳＯＦＭ），是
一种人工神经网络方法，是由芬兰赫尔辛基技术大学的Ｋｏｈｏｎｅｎ［２０］于１９８１年提出来的。它可以同时实现模式
识别和数据分类，将高维数据间复杂、非线性的统计关系转换为低维形式中简单的几何关系［２１］。
ＳＯＦＭ神经网络基本结构如图１所示。图１中，ｉ为输入层神经元（ｉｎｐｕｔｌａｙｅｒｎｅｕｒｏｎｓ），Ｎ为输入向量的
维数（ｔｈｅｄｉｍｅｎｓｉｏｎｏｆｉｎｐｕｔｖｅｃｔｏｒ），Ｗｊｉ为连接权矢量（ｃｏｎｎｅｃｔｉｏｎｗｅｉｇｈｔｖｅｃｔｏｒ）。根据ＳＯＦＭ网络的模糊聚
类原理，学习样本由Ｎ个分类指标的Ｐ个实测样本组成，假设这Ｐ个学习样本是Ｎ维空间的点，显然，类别相同
或某些特征相似的样本在Ｎ维空间就比较接近，这些比较接近的样本就在Ｎ维空间形成一个集群。当输入样本
分别属于多个类型时，Ｎ维空间就会呈现出多个集群状分布的特点。每个集群代表一个类型，集群的中心就是
聚类中心。同属一类的样本与该类的聚类中心的欧氏距离最短［２２］。
表１　中国新疆准噶尔盆地西部地区天然草地的分类标准［５］
犜犪犫犾犲１　犆犾犪狊狊犻犳犻犮犪狋犻狅狀狊狋犪狀犱犪狉犱狅犳犪狀犪狋狌狉犪犾犵狉犪狊狊犾犪狀犱犻狀狑犲狊狋犲狉狀犑狌狀犵犵犪狉犫犪狊犻狀，犛犻狀犽犻犪狀犵，犆犺犻狀犪
草地指标
Ｇｒａｓｓｌａｎｄｉｎｄｅｘｅｓ
分类指标Ｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎｄｅｘｅｓ
Ⅰ Ⅱ　 Ⅲ　
植被覆盖度Ｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅ（％） ｘ１ｊ≤３３ ３３＜ｘ１ｊ＜６７ ｘ１ｊ≥６７
可食风干牧草产量Ｄｒｙｅｄｉｂｌｅｆｏｒａｇｅｇｒａｓｓｐｒｏｄｕｃｔｉｏｎ（ｔ／ｈｍ２） ｘ２ｊ≤０．６ ０．６＜ｘ２ｊ＜１ ｘ２ｊ≥１
牧草利用率Ｆｏｒａｇｅｇｒａｓｓｕｔｉｌｉｚａｔｉｏｎｒａｔｅ（％） ｘ３ｊ≤６０ ６０＜ｘ３ｊ＜８０ ｘ３ｊ≥８０
草群中优良牧草比率Ｒａｔｉｏｏｆｈｉｇｈｑｕａｌｉｔｙｆｏｒａｇｅｇｒａｓｓ（％） ｘ４ｊ≤６０ ６０＜ｘ４ｊ＜８０ ｘ４ｊ≥８０
草地可利用面积系数Ａｒｅａｃｏｅｆｆｉｃｉｅｎｔｏｆｇｒａｓｓｌａｎｄａｖａｉｌａｂｌｅ（％） ｘ５ｊ≤９０ ９０＜ｘ５ｊ＜９５ ｘ５ｊ≥９５
羊单位需草地面积Ｇｒａｓｓａｒｅａｆｏｒｅｖｅｒｙｓｈｅｅｐ（ｈｍ２／只Ｉｎｄｉｖｉｄｕａｌ） ｘ６ｊ≤３ １＜ｘ６ｊ＜３ ｘ６ｊ≥１
６７１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１１） Ｖｏｌ．２０，Ｎｏ．１
表２　中国新疆准噶尔盆地西部地区天然草地的样本数据［１９］
犜犪犫犾犲２　犇犪狋犪狅犳狊犪犿狆犾犲狊犳狉狅犿犪狀犪狋狌狉犪犾犵狉犪狊狊犾犪狀犱犻狀狑犲狊狋犲狉狀犑狌狀犵犵犪狉犫犪狊犻狀，犛犻狀犽犻犪狀犵，犆犺犻狀犪
草地序号
Ｇｒａｓｓｌａｎｄ
ｎｕｍｂｅｒ
植被覆盖率
Ｖｅｇｅｔａｔｉｏｎ
ｃｏｖｅｒａｇｅ（％）
可食风干牧草产量
Ｄｒｙｅｄｉｂｌｅｆｏｒａｇｅｇｒａｓｓ
ｐｒｏｄｕｃｔｉｏｎ（ｔ／ｈｍ２）
牧草利用率
Ｆｏｒａｇｅｇｒａｓｓ
ｕｔｉｌｉｚａｔｉｏｎｒａｔｅ（％）
草群中优良牧草比率
Ｆｏｒａｇｅｇｒａｓｓｕｔｉｌｉｚａｔｉｏｎ
ｒａｔｅ（％）
草地可利用面积系数
Ａｒｅａｃｏｅｆｆｉｃｉｅｎｔｏｆ
ｇｒａｓｓｌａｎｄａｖａｉｌａｂｌｅ（％）
羊单位需草地面积
Ｇｒａｓｓａｒｅａｆｏｒｅｖｅｒｙｓｈｅｅｐ
（ｈｍ２／只Ｉｎｄｉｖｉｄｕａｌ）
１ ８．０ ０．３６１５ ５０．００ １．８０ ８６．０ ３．６４
２ ６．０ ０．５１１５ ４８．００ ０．００ ８２．０ ２．６７
３ １０．０ ０．２３４０ ４７．５０ ３２．８０ ９０．０ ５．９１
４ １５．０ ０．３９３０ ４５．００ ４９．６０ ９５．０ ３．７１
５ １５．０ ０．３４３５ ４２．００ ２９．８０ ８５．０ ４．５５
６ ２５．０ ０．１６９５ ４５．００ １００．００ ９８．０ ８．６０
７ ２０．０ ０．２９７０ ４３．００ ７１．２０ ９５．０ ５．１４
８ ２５．０ ０．３０８９ ４３．００ ７５．９０ ９３．０ ４．９７
９ ３０．０ ０．６０８９ ４２．００ ８７．１０ ９０．０ ２．５７
１０ ２５．０ ０．５１９０ ５７．９８ ６０．２０ ９２．０ ２．１８
１１ ２５．０ ０．３３６２ ４０．００ ６８．２０ ８５．０ ４．８７
１２ ２５．０ ０．４４２５ ４０．１８ ７８．７７ ９４．０ ３．６９
１３ ２５．０ ０．４８００ ４５．００ ７３．９０ １００．０ ３．０６
１４ １０．０ ０．５５９５ ５０．００ ０．００ ９０．０ ２．３７
１５ ４５．０ １．０１４５ ４５．００ ８６．８０ ９４．０ １．４４
１６ ５０．０ ０．６０１５ ６４．６１ ９５．３０ ９８．０ １．６８
１７ ４５．０ ０．７８０９ ４３．００ ９６．００ ９２．０ １．９５
１８ ４０．０ ０．６１３５ ４７．３０ ８０．７０ ９２．０ ２．２７
１９ ５５．０ ０．５７００ ６５．００ １００．００ ９８．０ １．７７
２０ ５０．０ ０．６４９５ ６４．５０ １００．００ ９５．０ １．５７
２１ ５０．０ ０．４２３０ ４６．００ ８０．１０ ９４．０ ３．３８
２２ ５０．０ ０．６８８４ ４７．００ １００．００ ９５．０ ２．０３
２３ ４５．０ ０．９２０３ ５６．１６ ８１．１０ ９５．０ １．４５
２４ ７０．０ １０．０５１７ ６５．００ ８４．２０ １００．０ ０．９１
２５ ８０．０ １．６０３５ ６４．７３ ２６．７０ １００．０ ０．６７
２６ ９０．０ ２．０５８６ ６２．０４ ８２．４０ ９８．０ ０．３４
２７ ９０．０ ５．５３５０ ９８．００ ８７．７０ ９８．０ ０．１２
２８ ５５．０ ３．０４５０ ５５．００ ０．００ ９８．０ ０．３９
２９ ７０．０ ２．８７４０ ５５．００ ０．００ ９８．０ ０．２８
３０ ９０．０ ４．３６３５ ９５．００ １５．１５ ９９．０ ０．１６
３１ ８０．０ １．１５６５ ９５．００ ５．５０ ９８．０ ０．６２
自组织映射学习算法是无导师竞争学习算法，自组织映射网络可以将任意维数的输入模式以拓扑有序的方
式变换到一维或者二维的离散空间上。映射变换如下：
ｆ：输入空间Ｎ→输出空间 Ｍ
其中，输入空间Ｎ是输入向量的集合，其维数等于输入向量的维数，输出空间 Ｍ 在二维网格的自组织映射中是
二维平面［２３］。
对于Ｎ维输入向量，假设网络的输入模式矢量为：犡犽＝（犡１犽，犡２犽，……，犡犖犽），犽＝１，２，……，犘（犽为学习样
本的个数），输出层神经元犼与输入层神经元犻之间的连接权矢量犠犼犻＝（犠犼１，犠犼２，……，犠犼犖），犼＝１，２，……，犕；犻
７７１第２０卷第１期 草业学报２０１１年
＝１，２，……，犖；其中，犕 为输出向量的维数。
图１　犛犗犉犕 网络结构图
犉犻犵．１　犛犗犉犕狀犲狋狑狅狉犽狊狋狉狌犮狋狌狉犲
ＳＯＦＭ网络算法步骤［２４］如下：
１）初始化。随机给定网络初始权０＜犠犼犻＜１（犼＝１，２，……，犕；犻＝１，２，……，犖）。学习率η（狋）的初值η（０）、
邻域犖犵（狋）的初值犖犵（０）及总的学习次数犜。
２）对输入模式犡犽 和连接权矢量犠犼犻进行归一化处理。
犡犽＝
犡犽
‖犡犽‖＝
（犡１犽，犡２犽，……，犡犖犽）
［（犡１犽）２＋（犡２犽）２＋，……，＋（犡犖犽）２］１／２
（１）
犠犼犻＝
犠犼犻
‖犠犼犻‖
＝
（犠犼１，犠犼２，……，犠犼犖）
［（犠犼１）２＋（犠犼２）２＋，……，＋（犠犼犖）２］１／２
（２）
３）计算犡犽与犠犼犻之间的欧式距离犱犼，并找出最小距离犱犵，确定获胜神经元犵。
犱犼＝［∑
犖
犻＝１
（犡犽－犠犼犻）２］１／２ （３）
４）调整连接权值，对竞争层领域内所有神经元与输入层神经元之间的连接权值进行修正。
５）选取新的学习模式输入网络，返回步骤２），直至所有数据全部提供给网络。
６）更新学习率η（狋）及领域犖犵（狋）。
η（狋）＝η（０）＋（１－狋／犜） （４）
式中，η（０）为初始学习速率；狋为学习次数。
７）令狋＝狋＋１，返回步骤２），直至狋＝犜为止。
１．２．２　ＳＯＦＭ模型模拟　在天然草地分类特性以及
指标的样本数据基础上，结合天然草地的生态特性，
可将天然草地分为Ⅰ级、Ⅱ级、Ⅲ级。Ⅰ表示指标类型
为温性荒漠类，Ⅱ表示指标类型为温性草原类，Ⅲ表
示指标类型为草甸类。
利用 Ｍａｔｌａｂ软件对这组数据进行运算和分析。
在将数据读入 Ｍａｔｌａｂ之前，首先对所有变量数据进行
Ｚｓｃｏｒｅ标准化［２４］，得到表３中均值为０、方差为１的
数值，以避免由于个别指标在数量级上的差异而带来
的对训练结果的影响，然后编写源程序，利用 Ｍａｔ
ｌａｂ７．０软件进行计算。Ｚｓｃｏｒｅ标准化公式为：
珘狌＝
（狌－珡犃）
σ犃
（５）
式中，狌为表２中天然草地各个分类指标所对应的样本数据，珡犃 为所有样本数据的均值，σ犃 为所有样本数据的标
准差。
Ｍａｔｌａｂ源程序［２５］编写如下：
［ｐｎ，ｍｅａｎｐ，ｓｔｄｐ］＝ｐｒｅｓｔｄ（Ｐ）；
［ｐｔｒａｎｓ，ｔｒａｎｓＭａｔ］＝ｐｒｅｐｃａ（ｐｎ，０．１）；
ｎｅｔ＝ｎｅｗｓｏｍ（ｍｉｎｍａｘ（ｐｔｒａｎｓ），［３１］）；
ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｅｐｏｃｈｓ＝５０００；
ｎｅｔ＝ｔｒａｉｎ（ｎｅｔ，ｐｔｒａｎｓ）；ａ＝ｓｉｍ（ｎｅｔ，ｐｔｒａｎｓ）；
ｙｃ＝ｖｅｃ２ｉｎｄ（ａ）
其中，Ｐ为输入向量，ｔｒａｉｎ（）为训练函数；ｓｉｍ（）为仿真函数。由表１得：ｍｉｎｍａｘ（）指定了输入向量元素的最大值
和最小值；为便于与其他分类方法进行比较，因此将分类数目控制在３类，则［３１］表示创建网络的竞争层为３×１
结构，当训练次数达到５０００次以上时，不同维数的网络权值分布不再明显改变，因此设定５０００为迭代次数。
８７１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１１） Ｖｏｌ．２０，Ｎｏ．１
表３　草地各项测定指标的犣狊犮狅狉犲标准化值
犜犪犫犾犲３　犜犺犲犣狊犮狅狉犲狊狋犪狀犱犪狉犱犻狕犲犱犻狀犱犲狓狏犪犾狌犲狊狅犳犵狉犪狊狊犾犪狀犱
草地序号
Ｇｒａｓｓｌａｎｄ
ｎｕｍｂｅｒ
植被覆盖率
Ｖｅｇｅｔａｔｉｏｎ
ｃｏｖｅｒａｇｅ
（％）
可食风干牧草产量
Ｄｒｙｅｄｉｂｌｅｆｏｒａｇｅ
ｇｒａｓｓｐｒｏｄｕｃｔｉｏｎ
（ｔ／ｈｍ２）
牧草利用率
Ｆｏｒａｇｅｇｒａｓｓ
ｕｔｉｌｉｚａｔｉｏｎ
ｒａｔｅ（％）
草群中优良牧草比率
Ｆｏｒａｇｅｇｒａｓｓ
ｕｔｉｌｉｚａｔｉｏｎ
ｒａｔｅ（％）
草地可利用面积系数
Ａｒｅａｃｏｅｆｆｉｃｉｅｎｔｏｆ
ｇｒａｓｓｌａｎｄａｖａｉｌａｂｌｅ
（％）
羊单位需草地面积
Ｇｒａｓｓａｒｅａｆｏｒ
ｅｖｅｒｙｓｈｅｅｐ
（ｈｍ２／只Ｉｎｄｉｖｉｄｕａｌ）
１ －１．３２８０ －０．４９４５ －０．３１９０ －１．５８２８ －１．６８０１ ０．５５４５
２ －１．４０４９ －０．４２１１ －０．４４５０ －１．６３２０ －２．５１０２ ０．０６２４
３ －１．２５１１ －０．５５６９ －０．４７６５ －０．７３５５ －０．８５０１ １．７０６２
４ －１．０５８９ －０．４７９１ －０．６３４０ －０．２７６３ ０．１８７４ ０．５９００
５ －１．０５８９ －０．５０３３ －０．８２３０ －０．８１７５ －１．８８７７ １．０１６２
６ －０．６７４５ －０．５８８５ －０．６３４０ １．１０１４ ０．８１００ ３．０７０９
７ －０．８６６７ －０．５２６１ －０．７６００ ０．３１４１ ０．１８７４ １．３１５５
８ －０．６７４５ －０．５２０３ －０．７６００ ０．４４２６ －０．２２７６ １．２２９２
９ －０．４８２４ －０．３７３４ －０．８２３０ ０．７４８８ －０．８５０１ ０．０１１６
１０ －０．６７４５ －０．４１７４ ０．１８３７ ０．０１３５ －０．４３５１ －０．１８６２
１１ －０．６７４５ －０．５０６９ －０．９４９０ ０．２３２１ －１．８８７７ １．１７８５
１２ －０．６７４５ －０．４５４８ －０．９３７６ ０．５２１１ －０．０２０１ ０．５７９９
１３ －０．６７４５ －０．４３６５ －０．６３４０ ０．３８８０ １．２２５０ ０．２６０２
１４ －１．２５１１ －０．３９７６ －０．３１９０ －１．６３２０ －０．８５０１ －０．０８９８
１５ ０．０９４２ －０．１７４８ －０．６３４０ ０．７４０６ －０．０２０１ －０．０８９８
１６ ０．２８６４ －０．３７７０ ０．６０１３ ０．９７２９ ０．８１００ －０．４３９９
１７ ０．０９４２ －０．２８９２ －０．７６００ ０．９９２０ －０．４３５１ －０．３０２９
１８ －０．０９８０ －０．３７１１ －０．４８９１ ０．５７３８ －０．４３５１ －０．１４０６
１９ ０．４７８６ －０．３９２４ ０．６２５９ １．１０１４ ０．８１００ －０．３９４３
２０ ０．２８６４ －０．３５３５ ０．５９４４ １．１０１４ ０．１８７４ －０．４９５７
２１ ０．２８６４ －０．４６４４ －０．５７１０ ０．５５７４ －０．０２０１ ０．４２２６
２２ ０．２８６４ －０．３３４４ －０．５０８０ １．１０１４ ０．１８７４ －０．２６２４
２３ ０．０９４２ －０．２２０９ ０．０６９０ ０．５８４８ ０．１８７４ －０．５５６６
２４ １．０５５２ ４．２５０２ ０．６２５９ ０．６６９５ １．２２５０ －０．８３０６
２５ １．４３９６ ０．１１３６ ０．６０８９ －０．９０２２ １．２２５０ －０．９５２３
２６ １．８２４０ ０．３３６５ ０．４３９４ ０．６２０３ ０．８１００ －１．１１９８
２７ １．８２４０ ２．０３８６ ２．７０４７ ０．７６５２ ０．８１００ －１．２３１４
２８ ０．４７８６ ０．８１９４ －０．００４１ －１．６３２０ ０．８１００ －１．０９４４
２９ １．０５５２ ０．７３５７ －０．００４１ －１．６３２０ ０．８１００ －１．１５０２
３０ １．８２４０ １．４６５０ ２．５１５７ －１．２１７９ １．０１７５ －１．２１１１
３１ １．４３９６ －０．１０５２ ２．５１５７ －１．４８１７ ０．８１００ －０．９７７７
　　根据表１所提供的样本数据，将其输入网络进行训练，ＳＯＦＭ网络运行至最大批次后，给出分类结果。经过
计算调整，最终得到如表４所示的分类结果，并将其与用其他聚类法分类得出的结果进行对比（表５）。
２　结果与分析
样本数据中这３１个草地位于新疆准噶尔盆地西部，就地理条件而言，该地区自然条件严酷，植被覆盖度一
般较低，草地类型是从温性荒漠类过渡到草甸类。从分类结果看（表４），草地序号｛１～９，１１，１２，１４｝聚为第Ⅰ类，
为温性荒漠类，此类草地是新疆分布面积较广的一个草地类型，主要分布从北疆山前平原到中低山带，到南疆则
９７１第２０卷第１期 草业学报２０１１年
上升到中山到亚高山带，总面积６２９．８６×１０４ｈｍ２，可
利用面积５８０．９７×１０４ｈｍ２，受极端干旱气候所控制，
它是在干旱、半干旱气候条件下形成的，是草原草地中
最干旱的类型。草地植被由荒漠种构成，草群种类少，
结构简单，覆盖度低，生物量少。在该地区，草地水分
状况差，植被覆盖度、可食风干牧草产量等生态、经济
指标列最低范围［２６］；草地序号｛１０，１３，１５～２３｝聚为第
Ⅱ类，为温性草原类，其广泛分布在山地的低山区，在
背风坡干燥坡面可上升至中山。迎风坡海拔１０００～
１２００ｍ（１３００ｍ），背风坡１４００～１８００ｍ，土壤为山
地栗钙土和淡栗钙土。面积占总草地面积的２３．０％，
草群以旱生丛生禾草为主，但在迎风坡面常形成灌木
化的草原植被。植物种类较上一类偏少，覆盖度下降，
产草量不高［２７］，而水分条件有所改善，植被覆盖度、
可食风干牧草产量等指标有所提高；草地序号｛２４～
３１｝聚为第Ⅲ类，为草甸类，是草地中产草量最高的类
型之一，牧草株本较高，草质较好。该地区植物种类
多，草群密度较大，产草量适中，耐牧性强，经济利用价
值高。可见，ＳＯＦＭ网络法对不同类型草地之间草地
资源的整体性有很好的区分度。
当将中国新疆克孜尔山、加依尔山、玛依尔山等地
区的天然草地分为３类时，上述４种算法的分析结果
的差异点为草地序号为１０，１３，１４的点（表５）。其中，
草地１０和１３的单项指标中，草群中优良牧草比率和
草地可利用面积系数均超出Ⅰ级的分类指标的标准
值，而草地１４各项指标均符合Ⅰ级指标的标准值，所
以可以认为，ＳＯＦＭ 网络法的分类结果是较为合理
的。虽然用ＳＯＦＭ 网络得出的结果与用其他聚类法
分类得出的结果存在差异，但大部分结果基本吻合。
由此可见，ＳＯＦＭ网络法分类结果与其他聚类法分类
结果基本一致。这说明ＳＯＦＭ 网络法在天然草地分
类中的应用是切实可行的。
３　讨论
天然草地分类的实质［２８］就是把研究地区各天然
草地的多维分类指标综合成一维或二维指标，然后进
行聚类分析。由于该问题涉及许多不确定因素，而各
单因素指标的分类结果往往是不相容的，现有方法对
此类问题的处理在客观性、可操作性方面尚存在一定
的局限性。
人工神经网络中的自组织特征映射网络能够处理
大量的不精确、不完全的模糊信息，对非线性问题求解
能力强，因此具有较强的聚类功能。理论上讲，它能够
表４　基于犛犗犉犕的天然草地的分类
犜犪犫犾犲４　犜犺犲犮犾犪狊狊犻犳犻犮犪狋犻狅狀犿犲狋犺狅犱狅犳犪狀犪狋狌狉犪犾
犵狉犪狊狊犾犪狀犱狇狌犪犾犻狋狔犫犪狊犲犱狅狀犛犗犉犕
级别
Ｃｌａｓｓｉｆｉｃａｔｉｏｎ
草地序号
Ｇｒａｓｓｌａｎｄｎｕｍｂｅｒ
类型
Ｔｙｐｅ
Ⅰ １，２，３，４，５，６，７，８，
９，１１，１２，１４
温性荒漠类
Ｔｅｍｐｅｒａｔｅｄｅｓｅｒｔｇｒａｓｓｌａｎｄ
Ⅱ １０，１３，１５，１６，１７，
１８，１９，２０，２１，２２，２３
温性草原类
Ｔｅｍｐｅｒａｔｅｓｔｅｐｐｅｓｇｒａｓｓｌａｎｄ
Ⅲ ２４，２５，２６，２７，２８，
２９，３０，３１
草甸类
Ｍｅａｄｏｗｇｒａｓｓｌａｎｄ
表５　中国新疆准噶尔盆地西部地区天然草地的分类对比结果
犜犪犫犾犲５　犜犺犲犮狅犿狆犪狉犻狀犵犮犾犪狊狊犻犳犻犮犪狋犻狅狀狉犲狊狌犾狋狊狅犳
犪狀犪狋狌狉犪犾犵狉犪狊狊犾犪狀犱犻狀犛犻狀犽犻犪狀犵，犆犺犻狀犪
草地序号
Ｇｒａｓｓｌａｎｄ
ｎｕｍｂｅｒ
ＳＯＦＭ网络法
ＳＯＦＭ
ｎｅｔｗｏｒｋ
集对分析法
Ｓｅｔｐａｉｒ
ａｎａｌｙｓｉｓ
灰色关联度法
Ｇｒｅｙｒｅｌａｔｉｏｎａｌ
ａｎａｌｙｓｉｓ
投影寻踪法
Ｐｒｏｊｅｃｔｉｏｎ
ｐｕｒｓｕｉｔｍｅｔｈｏｄ
１ Ⅰ Ⅰ Ⅰ Ⅰ
２ Ⅰ Ⅰ Ⅰ Ⅰ
３ Ⅰ Ⅰ Ⅰ Ⅰ
４ Ⅰ Ⅰ Ⅰ Ⅰ
５ Ⅰ Ⅰ Ⅰ Ⅰ
６ Ⅰ Ⅰ Ⅰ Ⅰ
７ Ⅰ Ⅰ Ⅰ Ⅰ
８ Ⅰ Ⅰ Ⅰ Ⅰ
９ Ⅰ Ⅰ Ⅰ Ⅰ
１０ Ⅱ Ⅰ／Ⅱ Ⅰ Ⅰ
１１ Ⅰ Ⅰ Ⅰ Ⅰ
１２ Ⅰ Ⅰ Ⅰ Ⅰ
１３ Ⅱ Ⅰ Ⅰ Ⅰ
１４ Ⅰ Ⅰ Ⅱ Ⅱ
１５ Ⅱ Ⅱ Ⅱ Ⅱ
１６ Ⅱ Ⅱ Ⅱ Ⅱ
１７ Ⅱ Ⅱ Ⅱ Ⅱ
１８ Ⅱ Ⅱ Ⅱ Ⅱ
１９ Ⅱ Ⅱ Ⅱ Ⅱ
２０ Ⅱ Ⅱ Ⅱ Ⅱ
２１ Ⅱ Ⅰ Ⅱ Ⅱ
２２ Ⅱ Ⅱ Ⅱ Ⅱ
２３ Ⅱ Ⅱ Ⅱ Ⅱ
２４ Ⅲ Ⅲ Ⅲ Ⅲ
２５ Ⅲ Ⅲ Ⅲ Ⅲ
２６ Ⅲ Ⅲ Ⅲ Ⅲ
２７ Ⅲ Ⅲ Ⅲ Ⅲ
２８ Ⅲ Ⅲ Ⅲ Ⅲ
２９ Ⅲ Ⅲ Ⅲ Ⅰ
３０ Ⅲ Ⅲ Ⅲ Ⅲ
３１ Ⅲ Ⅲ Ⅲ Ⅲ
０８１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１１） Ｖｏｌ．２０，Ｎｏ．１
更好地反映自然现象和规律。同时能够并行分布工作，因此网络运算速度极快。它能够使信息分布于整个网络
各权重的变化之中，某些单元的障碍不会影响网络的整体信息处理功能，因此非常适合对复杂系统的分析研
究［２９］。
基于神经网络的聚类分析技术可以作为其他算法的预处理，及特征和分类算法的预处理重要步骤，将聚类
结果直接用于关联分析，也可作为一个独立的工具来获得数据分布的情况。利用 Ｍａｔｌａｂ编制了模糊聚类分析
算法的通用程序，对常用的几种标定方法进行编制，针对不同的问题和需要，可以选择不同的方法建立模糊相
似矩阵。Ｍａｔｌａｂ内部含有大量的数学函数，充分利用这些函数将大大简化程序中代码的编写。Ｍａｔｌａｂ自组织
网络工具箱简单实用，网络仿真效果好。通过 Ｍａｔｌａｂ神经网络工具箱进行数据处理简单易行［３０］。
本研究首次将ＳＯＦＭ网络法用于天然草地分类中，实例研究结果表明，ＳＯＦＭ 网络法用于天然草地分类是
一种简便、快捷的方法，操作过程简单易行，不仅具有较高的效率，可以更精确地描述分类结果，而且避免了人为
确定各指标或各层次权重带来的主观性，使得不同研究成果之间具有可比性，分类效果较好，它能够反映出各草
地类型之间的亲疏程度，有利于人们进一步认识和掌握草地属性，因此可以在天然草地分类中应用。
通过构建ＳＯＦＭ网络对天然草地进行分类只是作为现有传统草地类型分类的一种辅助方法，仍然存在很多
需要改进的地方，如分类指标体系的选取和学习率、邻域、总学习次数等初始函数的调整等，判断依据是基于各属
性综合影响的结果，但由于各属性的影响程度不同，对分类结果是否合理还需验证；该法需要在一定分类标准的
基础上，进行分析计算，而此领域尚没有一个统一的标准；分类组数是人为给定的，有一定的主观性，但这不是大
缺点，因为在数量分类方法中，有相当一部分方法都是这样做的，比如模糊Ｃ均值聚类。最后的分类结果需要研
究者根据专业知识和研究经验加以判断，这是数学方法所不能替代的［３１］。所以该方法不可避免地存在许多问
题，有待于进一步的探讨和解决，从而使网络改进和完善后有更大的适应性和稳定性。
参考文献：
［１］　李文娟，马轩龙，陈全功．青海省海东、海北地区草地资源产量与草畜平衡现状研究［Ｊ］．草业学报，２００９，１８（５）：２７０２７５．
［２］　赵同谦，欧阳志云，郑华．草地生态系统服务功能分析及其评价指标体系［Ｊ］．生态学杂志，２００４，２３（６）：１５５１６０．
［３］　单贵莲，徐柱，宁发，等．围封年限对典型草原植被与土壤特征的影响［Ｊ］．草业学报，２００９，１８（２）：３１０．
［４］　董永平，吴新宏，戎郁萍，等．草原遥感监测技术［Ｍ］．北京：化学工业出版社，２００５．
［５］　王素芳，王红芳，丁晶，等．基于集对原理的天然草地分类方法［Ｊ］．四川环境，２００７，（６）：４４４８．
［６］　拉毛才让．青海草地类型在中国草地分类系统中的归并初探［Ｊ］．草业科学，２００８，２５（８）：３１３４．
［７］　王栋．草原管理学［Ｍ］．南京：畜牧兽医图书出版社，１９５５．
［８］　ＳａｍｐｓｏｎＡＷ．ＲａｎｇｅＭａｎａｇｅｍｅｎｔ：ＰｒｉｃｉｐｌｅｓａｎｄＰｒａｃｔｉｃｅｓ［Ｍ］．ＮｅｗＹｏｒｋ：ＪｏｈｎａｎｄＳｏｎｓＩｎｃ．，１９５２．
［９］　贾慎修．中国草原类型分类的商讨［Ｊ］．中国草原，１９８０，（１）：１１１．
［１０］　任继周，胡自治，牟新待，等．草原综合顺序分类法及其草原发生学意义［Ｊ］．中国草原，１９８０，（１）：１２２４．
［１１］　许鹏．中国草地分类原则与系统的讨论［Ｊ］．四川草原，１９８５，（３）：１７．
［１２］　孟林．草地资源综合评价研究进展［Ｊ］．国外畜牧学－草原与牧草，１９９８，（４）：１８．
［１３］　ＲｅｎＪＺ，ＨｕＺＺ，ＺｈａｏＪ，犲狋犪犾．ＡｇｒａｓｓｌａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｓｙｓｔｅｍａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎＣｈｉｎａ［Ｊ］．ＴｈｅＲａｎｇｅｌａｎｄＪｏｕｒｎａｌ，
２００８，３０：１９９２０９．
［１４］　任继周．分类、聚类与草原类型［Ｊ］．草地学报，２００８，１６（１）：４１０．
［１５］　胡自治．草原分类方法研究的新进展［Ｊ］．草原与草坪，１９９４，（４）：１８．
［１６］　胡自治，高彩霞．草原综合顺序分类法的新改进Ｉ．第一级分类的水热指标及其分类检索图［Ｊ］．草业学报，１９９５，４（３）：
１７．
［１７］　靳瑰丽，安沙舟，孟林．景观生态分类在草地资源分类中的运用［Ｊ］．中国草地，２００４，２６（５）：６５６８．
［１８］　张国胜，伏洋，杨琼，等．青海省天然草地类型空间分布特征及气候分区［Ｊ］．草业科学，２００９，２６（１）：２３２９．
［１９］　王新忠，林仪，于磊．天然草地类型综合评价中的数据处理及灰色关联度分析［Ｊ］．系统工程理论与实践，２０００，（２）：１３１
１４０．
１８１第２０卷第１期 草业学报２０１１年
［２０］　ＫｏｈｏｎｅｎＴ．ＳｅｌｆＯｒｇａｎｉｚｉｎｇＭａｐｓ［Ｍ］．Ｂｅｒｌｉｎ：Ｓｐｒｉｎｇｅｒ，１９９５．
［２１］　付凌晖，王惠文，ＬｅｃｈｅｖａｌｉｅｒＹ．自组织特征映射在鄱阳湖地区洪涝灾害研究中的应用［Ｊ］．北京航空航天大学学报（社会
科学版），２００２，（４）：４３４８．
［２２］　刘勇健，沈军．自组织神经网络法综合评价水质［Ｊ］．勘察科学技术，２００３，（４）：２２２５．
［２３］　吴建生．自组织特征映射神经网络及其应用［Ｊ］．柳州师专学报，２００５，２０（３）：１０５１０８．
［２４］　武国正，李畅游，张生，等．基于ＳＯＭ模型的乌梁素海夏季水质状况聚类研究［Ｊ］．安全与环境学报，２００８，（４）：９６１００．
［２５］　周少华，付略，梁宝鎏．基于ＳＯＭ神经网络的古代青瓷聚类分析［Ｊ］．中国科学（Ｅ辑：技术科学），２００８，（７）：１０８９１０９６．
［２６］　徐海量，乔木，艾合买提，等．荒漠草地物种多样性的水分特征研究［Ｊ］．干旱地区农业研究，２００６，２４（２）：１０５１０８．
［２７］　于磊．新疆兵团农九师天然草地分类及类型特征［Ｊ］．石河子大学学报（自然科学版），２００１，５（３）：２１９２２４．
［２８］　倪长健，王顺久，崔鹏．投影寻踪动态聚类模型及其在天然草地分类中的应用［Ｊ］．安全与环境学报，２００６，６（５）：６８７１．
［２９］　张彦成，段禅伦．基于自组织特征映射神经网络的土壤分类［Ｊ］．计算机工程与科学，２００８，３０（１０）：１１３１１５．
［３０］　刘鑫，迟道才．基于 ＭＡＴＬＡＢ的ＳＯＭ网络的干旱聚类分析［Ｊ］．沈阳农业大学学报，２００８，３９（１）：６１６４．
［３１］　张金屯，杨洪晓．自组织特征人工神经网络在庞泉沟自然保护区植物群落分类中的应用［Ｊ］．生态学报，２００７，２７（３）：
１００５１０１０．
犃犿犲狋犺狅犱犳狅狉犮犾犪狊狊犻犳犻犮犪狋犻狅狀狅犳狀犪狋狌狉犪犾犵狉犪狊狊犾犪狀犱狇狌犪犾犻狋狔犫犪狊犲犱狅狀犛犗犉犕
ＷＥＩＳｈｕｚｈｅｎ，ＷＡＮＧＦｅｉｆｅｎｇ，ＺＨＡＮＧＪｉａｎｇｓｈａｎ
（ＩｎｓｔｉｔｕｔｅｏｆＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ，ＦｕｊｉａｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ３５０００７，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ｔｈｅｓｅｌｆｏｒｇａｎｉｚｉｎｇｆｅａｔｕｒｅｍａｐｓ（ＳＯＦＭ）ｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓｆｉｒｓｔａｐｐｌｉｅｄｔｏｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｔｈｅｄａ
ｔａｆｒｏｍ３１ｎａｔｕｒａｌｇｒａｓｓｌａｎｄｓｉｎＳｉｎｋｉａｎｇ，Ｃｈｉｎａ．Ｔｈｅｒｅｓｕｌｔｗａｓｃｏｍｐａｒｅｄｗｉｔｈｔｈａｔｆｒｏｍｓｅｔｐａｉｒａｎａｌｙｓｉｓ，
ｇｒｅｙｒｅｌａｔｉｏｎａｌａｎａｌｙｓｉｓａｎｄｐｒｏｊｅｃｔｉｏｎｐｕｒｓｕｉｔｍｅｔｈｏｄｓ．ＣｏｍｐａｒａｂｌｅｒｅｓｕｌｔｓｗｅｒｅｃｏｎｓｉｓｔｅｎｔａｎｄｔｈｅＳＯＦＭｎｅｔ
ｗｏｒｋｒｅｆｌｅｃｔｅｄｔｈｅｃｏｍｐｌｉｃａｔｅｄｉｎｆｏｒｍａｔｉｏｎｂｅｔｗｅｅｎａｌｓａｍｐｌｅｓ．Ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｅｆｆｅｃｔｗａｓｇｏｏｄａｎｄｉｔｃｏｕｌｄ
ｂｅｗｉｄｅｌｙａｐｐｌｉｅｄｔｏｃｌｕｓｔｅｒｉｎｇａｎａｌｙｓｉｓ．
犓犲狔狑狅狉犱狊：ＳＯＦＭ；ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ；ｎａｔｕｒａｌｇｒａｓｓｌａｎｄｓ；ｃｌａｓｓｉｆｉｃａｔｉｏｎ
２８１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１１） Ｖｏｌ．２０，Ｎｏ．１