全 文 ：书基于犅犘和犚犅犉神经网络模型的
草坪质量综合评价
肖波１，２，宋桂龙１，韩烈保１，２，包永霞１，李飞飞１，陈爱霞３
（１．北京林业大学草坪研究所，北京１０００８３；２．长江大学园艺园林学院，湖北 荆州４３４０２５；３．荆州市高级技工学校，湖北 荆州４３４０２５）
摘要：依据现有的草坪质量评价指标体系，于２０１０年调查了２０个草地早熟禾品种成坪后的１１项指标，包括草坪的
密度、质地、颜色、均一性、绿期、抗病性、盖度、耐践踏性、成坪速度、草坪强度以及生物量。然后，运用神经网络原
理及 Ｍａｔｌａｂ神经网络工具箱，以其中的１５个草地早熟禾品种成坪后的１１项指标的实地调查值作为网络输入，以
专家打分作为网络输出，通过不断调整网络训练参数，使网络性能达到最优，构建了草坪质量综合评价的ＢＰ和
ＲＢＦ神经网络模型，并给出了ＢＰ和ＲＢＦ神经网络模型的分析方法及其 Ｍａｔｌａｂ实现步骤。利用训练好了的网络
模型，对其余的５个草地早熟禾品种的综合质量评价得分进行网络预测，结果表明，ＲＢＦ神经网络的预测误差均小
于２％，而ＢＰ神经网络的预测误差均大于５％，因此，基于ＲＢＦ神经网络模型的草坪质量评价结果比ＢＰ神经网络
更准确，可以用于草坪质量综合评价。与常规的加权法、层次分析法或模糊综合评判法评价草坪质量相比，基于
ＲＢＦ神经网络模型的草坪质量综合评价，在一定程度上减少了评价中主观因素的影响，简化了计算步骤，为草坪质
量综合评价提供了一种全新的思路。
关键词：草坪质量综合评价；ＢＰ神经网络；ＲＢＦ神经网络
中图分类号：Ｓ６８８．４　　文献标识码：Ａ　　文章编号：１００４５７５９（２０１２）０４０２７５０７
　　草坪是指草本植物经人工建植和天然草地经人工改造后形成的具有美化与观赏效果，并能供人休闲、游乐和
适度体育运动的坪状草地［１］，已成为城市绿地不可缺少的一部分。草坪质量评价是对草坪整体性状的评定，它反
映了成坪后的草坪是否满足人们对它的期望与要求以及草坪的建植、管理水平［２］。因此，受到草坪业者的普遍关
注。
目前，国内外学者对草坪质量的评价指标体系和评价方法提出了许多有价值的成果［３１５］。其中最具代表性
的是全美草坪评价体系（ＮａｔｉｏｎａｌＴｕｒｆｇｒａｓｓＥｖａｌｕａｔｉｏｎＰｒｏｇｒａｍ，ＮＴＥＰ），各项指标均采用严格的九级评分制，
用最小显著差数法（ｌｅａｓｔｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅ，ＬＳＤ）来衡量单项指标的优劣差异性，主要用于评价草坪草在美
国和加拿大地区的适应性及特性［３］。在国内，许多学者更加关注草坪的综合质量，提出了一些草坪质量综合评价
指标体系。例如刘建秀［８］给出了“景观－性能－应用适合度”的综合评价指标体系，郑海金等［９］以及范海荣等［１０］
建立了“外观－生态－使用”的综合评价指标体系。有关草坪质量综合评价的方法，刘晓静［１１］采取的是直接将单
项指标得分相加的方法；刘建秀［８，１２］采用专家打分确定单项指标权重然后加权的方法；范海荣等［１０］将层次分析
法应用于确定单项指标的权重然后再加权的方法；李景奇［１３］、闫磊和杨德江［１４］采用专家打分确定单项指标权重
结合模糊数学的方法；赵有益等［１５］将层次分析法与模糊数学结合起来进行草坪质量的综合评价。这些方法客观
上要求影响因素间具有线性关系，需要确定评价指标各级标准的隶属函数以及各指标的权重［１６，１７］，而在确定指
标权重时，存在很强的主观性，易造成评价结果的失真和偏差，而且计算过程比较复杂。
草坪质量综合评价是一个多因素、多变量、模糊的非线性问题，影响因素众多，常规方法进行评价时，存在诸
多不足。人工神经网络（ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ）理论的出现，为解决这类问题提供了新的途径。人工神经网络
是２０世纪８０年代后期迅速发展起来的一种人工智能技术，凭借其非线性处理、自适应学习、高度容错能力等特
第２１卷　第４期
Ｖｏｌ．２１，Ｎｏ．４
草　业　学　报
ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ 　　
２７５－２８１
２０１２年８月
收稿日期：２０１１０６２０；改回日期：２０１１０９２６
基金项目：国家林业局“９４８”项目（２０１１４５０）和北京市重点学科建设项目资助。
作者简介：肖波（１９７９），男，湖北荆州人，在读博士。Ｅｍａｉｌ：ｘｉａｏｂｏ３０００＠１２６．ｃｏｍ
通讯作者。Ｅｍａｉｌ：ｈａｎｌｉｅｂａｏ＠１６３．ｃｏｍ
性，具有极强的信息处理能力，广泛应用于分类、模式识别、组合优化、预测预估等领域［１８，１９］。ＢＰ（ｂａｃｋｐｒｏｐａｇａ
ｔｉｏｎ）神经网络和ＲＢＦ（ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ）神经网络是人工神经网络中常用的２种模型，已在各类评估问题中
得到了广泛使用［２０２５］。因此，本研究创新地将人工神经网络的原理与方法引入到草坪质量综合评价中，通过构建
草坪质量综合评价的ＢＰ神经网络模型和ＲＢＦ神经网络模型，然后对其进行网络训练及实例仿真，试图考察出
ＢＰ、ＲＢＦ神经网络对草坪质量综合评价的适用性，进而为草坪质量综合评价提供一种全新的思路。
１　材料与方法
１．１　试验材料
供试的２０个草地早熟禾（犘狅犪狆狉犪狋犲狀狊犻狊）品种分别是：Ｂｌｕｅｃｈｉｐ、Ｂｒｏｏｋｌａｗｎ、Ｆｒｅｅｄｏｍ Ⅲ、ＭｉｄｎｉｇｈｔＢｌｕｅ、
Ｋｅｎｔｕｃｋｙ、Ｒｈｙｔｈｍ、Ａｍｅｒｉｃａ、Ａｗａｒｄ、Ｆｅａｓｔ、Ｍｉｄｎｉｇｈｔ、Ｅｕｒｏｍｙｔｈ、Ｂａｒｉｓｔｅｒ、ＴｈｅｒｍａｌＢｌｕｅ、Ｂｅｄａｚｚｌｅｄ、Ｕｔｍｏｓｔ、
Ｉｍｐａｃｔ、Ｅｘｃｕｒｓｉｏｎ、Ｂａｒｏｎ、Ｌｉｂｅｒａｔｏｒ、ＳｕｐｅｒＭｅｒｉｔ。试验于２０１０年３月１日开始，持续调查至第２年３月，在北
京市昌平区北京林业大学草坪试验基地进行。随机区组设计，小区面积４ｍ２（２ｍ×２ｍ），３次重复，按一般性观
赏草坪进行管理。
１．２　样本数据的获取
１．２．１　草坪质量评价指标的选择　草坪质量评价指标体系的设置是对草坪进行综合评价的前提与基础，它直接
影响着评价结果的科学性、可靠性与准确性［９］。本研究选择文献［１２］中出现频率最高的１０个指标，即密度、质
地、颜色、均一性、绿期、抗病性、盖度、耐践踏性、成坪速度和草坪强度，再加生物量，总共１１个指标，作为草坪质
量评价的指标。
１．２．２　评价指标的测定方法　１）密度（枝／ｃｍ２）：采用小样方法［１５，２６］，测定单位面积上草坪草的分蘖枝数。
２）质地（ｍｍ）：测量植株第３个叶片的最宽处［１５］。
３）颜色（ｍｇ／ｄｍ２）：用ＰＯＣ１型数字显示叶绿素测定仪测叶片叶绿素含量［１５］。
４）均一性（％）：用均匀度法来测定草坪的均一性［２］，即在草坪上按对角线或棋盘法布置样点，在样点上测定
密度（Ｄ）、颜色（Ｃ）、质地（Ｔ），取得各组数据，应用统计学公式，计算出标准差：ＳＤ，ＳＣ，ＳＴ，再计算出变异系数：
ＣＶＤ，ＣＶＣ，ＣＶＴ，最后计算出均匀度：犝＝［１－（犆犞犇＋犆犞犆＋犆犞犜）／３］×１００％。
５）盖度（％）：采用针刺法［６，２７］，在样方中针插若干个方格点，根据刺中叶片的方格数占总方格数的比值，计算
出草坪草的盖度。
６）绿期（ｄ）：草坪群落中８％的植物返青之日到８０％的植物呈现枯黄之日的持续日数［９］。
７）生物量（ｇ／１００ｃｍ２）：取１０ｃｍ×１０ｃｍ样框内草坪草的地上和地下生物量，６５℃烘干至恒重，用０．００１ｇ
电子天平称重［２８］。
８）耐践踏性（枝／ｃｍ２）：采用人为（６５ｋｇ）践踏法［２９］，每隔１ｈ践踏１次，每小区共践踏５次。３ｄ后，每小区随
机取１０ｃｍ×１０ｃｍ的样框，测定其内的直立枝条数。
９）草坪强度（ｇ／ｃｍ２）：用土壤取样器，取出０～５０ｃｍ土层单位面积上的草坪草，用清水洗掉根系中的土壤，
纱布沥干，剪取根系，用０．００１ｇ电子天平称重［９］。
１０）成坪速度（ｄ）：用从播种到成坪之间所需要的天数表示［８］。
１１）抗病性（％）：根据单株发病程度和普遍率对各参试材料的单株进行病情程度目测打分［３０］。
以上指标，除绿期和成坪速度外，其余指标在每个月的中旬（２０１０年５－１０月期间），分别对每个小区测定３
次，全年取平均值。
１．２．３　草坪质量指标评价标准　本试验选用的草坪质量评价标准是国内常用的“５级制法”（表１）。各项指标均
划分为５个等级（Ｉ、ＩＩ、ＩＩＩ、ＩＶ和Ｖ），单项指标的得分在［０，１］。
１．２．４　草坪质量的综合评价　采取专家打分的方法。具体为，依据供试的２０个草地早熟禾品种的各项指标测
定的结果（表２）以及这２０个草地早熟禾品种在北京地区多年来的引种适应性，由当地的１５位草坪总监，按照各
自对评价指标的理解以及实际工作经验，给出供试的２０个草地早熟禾品种的综合评价得分，得分在［０，１］，然后
求得平均值，数值越大，表明草坪质量越好。供试的２０个草地早熟禾品种在北京地区广泛种植，１５位草坪总监
也均来自北京，故可认为该方法得出的草坪质量综合评分能够真实的反映出不同草坪草在北京地区的综合质量。
６７２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１２） Ｖｏｌ．２１，Ｎｏ．４
表１　草坪质量评价指标的评级标准
犜犪犫犾犲１　犜犺犲狉犪狋犻狀犵狊狋犪狀犱犪狉犱狅犳狋狌狉犳犵狉犪狊狊狇狌犪犾犻狋狔犻狀犱犲狓犲狊
评价指标Ｑｕａｌｉｔｙｅｖａｌｕａｔｉｏｎｉｎｄｅｘ Ｉ（０～０．２） ＩＩ（０．２～０．４）ＩＩＩ（０．４～０．６）ＩＶ（０．６～０．８） Ｖ（０．８～１）
密度Ｄｅｎｓｉｔｙ（枝Ｔｉｌｅｒｎｕｍｂｅｒ／１００ｃｍ２） ＜２０ ２０～４０ ４０～６１ ６０～８０ ＞８０
质地Ｔｅｘｔｕｒｅ（ｍｍ） ＞３．５ ３．０～３．５ ２．５～３．０ ２．０～２．５ ＜２
颜色Ｃｏｌｏｒ（ｍｇ／ｄｍ２） ＜３．０ ３．０～３．５ ３．５～４．０ ４．０～４．５ ＞４．５
均一性Ｕｎｉｆｏｒｍｉｔｙ（％） ＜６０ ６０～７０ ７０～８０ ８０～９０ ９０～１００
盖度Ｃｏｖｅｒａｇｅ（％） ＜３０ ３０～５０ ５０～７０ ７０～８０ ８０～１００
绿期Ｇｒｅｅｎｐｅｒｉｏｄ（ｄ） ＜２２０ ２２１～２４０ ２４１～２６０ ２６１～２８０ ＞２８０
生物量Ｂｉｏｍａｓｓ（ｇ／１００ｃｍ２） １５～２０ ２０～２５ ２５～３０ ３０～３５ ＞３５
耐践踏性Ｔｒａｆｆｉｃｔｏｌｅｒａｎｃｅ（枝Ｔｉｌｅｒｎｕｍｂｅｒ／１００ｃｍ２） ＜１５ １５～２０ ２０～２５ ２５～３０ ＞３０
草坪强度Ｔｕｒｆｓｔｒｅｎｇｔｈ（ｇ／ｃｍ２） ＜０．２０ ０．２１～０．３０ ０．３１～０．４０ ０．４１～０．５０ ＞０．５０
成坪速度Ｓｅｅｄｌｉｎｇｅｓｔａｂｌｉｓｈｍｅｎｔ（ｄ） ＞６５ ６０～６５ ５５～６０ ５０～５５ ＜５０
抗病性Ｄｉｓｅａｓｅｒｅｓｉｓｔａｎｃｅ（％） ＞５０ ２５～５０ １０～２５ ５～１０ ＜５
　注：本试验评级标准参考刘建秀［８］、郑海金等［９］的方法，有所改动。
　Ｎｏｔｅ：ＴｈｅｒａｔｉｎｇｓｔａｎｄａｒｄｏｆｔｕｒｆｇｒａｓｓｑｕａｌｉｔｙｉｎｄｅｘｅｓｉｎｔｈｉｓｓｔｕｄｙｗａｓａｄａｐｔｅｄｆｒｏｍｔｈｅｒａｔｉｎｇｓｔａｎｄａｒｄｄｅｓｃｒｉｂｅｄｂｙＬｉｕ［８］ａｎｄＺｈｅｎｇ［９］．Ｍｉｎｏｒ
ａｌｔｅｒａｔｉｏｎｓｗｅｒｅｍａｄｅ．
１．３　草坪质量评价的ＢＰ神经网络模型设计及 Ｍａｔｌａｂ实现
１）模型的设计
在进行ＢＰ网络模型设计时，主要考虑网络的层数和每层中神经元的个数［１９］。隐含层可以是１层，也可以是
多层。多层隐含层虽然能在速度上提高网络的训练，但是，需要较多的训练时间，因此，本研究在设计ＢＰ神经网
络时，选取只有１个隐含层的３层ＢＰ神经网络。
根据所选取的草坪质量评价指标，一共有１１个指标，所以，输入层节点为１１。
根据评价体系，将综合评价的结果作为网络的输出，因此，输出层节点数为１。
对于隐含层神经元的确定，采用试凑法［１９］。在本研究中，经过多次训练，发现当隐含层神经元个数为１６时，
网络的训练速度最快，网络性能最好，因此，隐含层节点数为１６。
本研究输入层采用ｔａｎｓｉｇ函数，隐含层采用ｌｏｇｓｉｇ函数，网络训练采用ＬｅｖｅｎｂｅｒｇＭａｒｑｕａｒｄｔ算法的变梯度
反向传播算法（ｔｒａｉｎｌｍ）。
２）模型的 Ｍａｔｌａｂ仿真
利用 Ｍａｔｌａｂ７．１中的神经网络工具箱，以表２中的前１５组数据作为训练样本，后５组数据作为测试样本，
编写程序代码，进行实例仿真，程序代码省略。
１．４　草坪质量评价的ＲＢＦ神经网络模型设计及 Ｍａｔｌａｂ实现
１）模型的设计
ＲＢＦ神经网络模型输入层、输出层的确定同ＢＰ神经网络。网络采用ｎｅｗｒｂ创建，其调用格式为ｎｅｔ＝ｎｅ
ｗｒｂ（Ｐ，Ｔ，ＧＯＡＬ，ＳＰＲＥＡＤ，ＭＮ，ＤＦ），各参数的意义见文献［１９］。本研究经反复测试，发现当ＳＰＲＥＡＤ＝０．９
时，其网络性能最佳。
２）模型的 Ｍａｔｌａｂ仿真
实例仿真同ＢＰ神经网络。
２　结果与分析
２．１　样本数据调查分析
对供试的２０个草地早熟禾品种的各项指标进行测定，结果见表２。依据１５位草坪总监的综合评价结果发
现，２０个草地早熟禾品种中，Ａｍｅｒｉｃａ的得分最高，达到０．９０，处于优秀等级，得分在０．８～０．９的有４个，分别是
ＭｉｄｎｉｇｈｔＢｌｕｅ、Ｍｉｄｎｉｇｈｔ、Ｂａｒｉｓｔｅｒ、Ｂａｒｏｎ，达到良好等级，得分在０．７～０．８的有１１个，处于中等质量水平，另外
还有４个品种的综合得分在０．７以下，草坪综合质量较差。
７７２第２１卷第４期 草业学报２０１２年
表２　２０个草地早熟禾品种各项指标评价结果
犜犪犫犾犲２　犜犺犲狉犲狊狌犾狋狊狅犳狋狌狉犳犵狉犪狊狊狇狌犪犾犻狋狔犲狏犪犾狌犪狋犻狅狀犳狅狉２０犘．狆狉犪狋犲狀狊犻狊犮狌犾狋犻狏犪狉狊
序号
Ｎｏ．
品种名称
犘．狆狉犪狋犲狀狊犻狊ｃｕｌｔｉｖａｒ
质量评价指标Ｉｎｄｅｘｏｆｑｕａｌｉｔｙｅｖａｌｕａｔｉｏｎ
Ｘ１ Ｘ２ Ｘ３ Ｘ４ Ｘ５ Ｘ６ Ｘ７ Ｘ８ Ｘ９ Ｘ１０ Ｘ１１
专家打分
Ｅｖａｌｕａｔｅｄｄａｔａｂｙｅｘｐｅｒｔｓ
１ Ｂｌｕｅｃｈｉｐ ０．６５ ０．８６ ０．７５ ０．７９ ０．８１ ０．８１ ０．８５ ０．６１ ０．６７ ０．７２ ０．７５ ０．７４
２ Ｂｒｏｏｋｌａｗｎ ０．７２ ０．８５ ０．７４ ０．７１ ０．８５ ０．６５ ０．８７ ０．６１ ０．５５ ０．７８ ０．６０ ０．７０
３ Ｆｒｅｅｄｏｍ Ⅲ ０．８４ ０．８１ ０．７５ ０．６８ ０．８９ ０．６５ ０．８９ ０．８１ ０．７６ ０．８４ ０．７７ ０．７７
４ ＭｉｄｎｉｇｈｔＢｌｕｅ ０．９４ ０．７４ ０．８４ ０．９５ ０．９１ ０．８５ ０．９１ ０．８５ ０．８３ ０．８９ ０．８６ ０．８７
５ Ｋｅｎｔｕｃｋｙ ０．７２ ０．７５ ０．８４ ０．６５ ０．８５ ０．４５ ０．８７ ０．７５ ０．６５ ０．６０ ０．８０ ０．７０
６ Ｒｈｙｔｈｍ ０．８１ ０．８２ ０．７５ ０．７８ ０．７７ ０．５５ ０．８５ ０．６８ ０．６１ ０．５１ ０．６０ ０．７１
７ Ａｍｅｒｉｃａ ０．９１ ０．８１ ０．９３ ０．８８ ０．９６ ０．９２ ０．９７ ０．８９ ０．８８ ０．９３ ０．８９ ０．９０
８ Ａｗａｒｄ ０．８４ ０．８４ ０．８１ ０．６７ ０．８６ ０．７６ ０．７６ ０．６３ ０．６３ ０．６７ ０．８０ ０．７４
９ Ｆｅａｓｔ ０．６７ ０．９０ ０．７３ ０．６３ ０．８２ ０．６２ ０．８７ ０．４５ ０．８５ ０．７５ ０．８４ ０．６９
１０ Ｍｉｄｎｉｇｈｔ ０．９５ ０．７５ ０．８６ ０．９３ ０．８７ ０．７５ ０．８５ ０．８９ ０．８０ ０．８７ ０．８０ ０．８５
１１ Ｅｕｒｏｍｙｔｈ ０．７４ ０．８７ ０．８２ ０．８１ ０．８８ ０．４０ ０．９２ ０．７２ ０．７５ ０．７１ ０．５５ ０．７３
１２ Ｂａｒｉｓｔｅｒ ０．８３ ０．８３ ０．８５ ０．８４ ０．８６ ０．８４ ０．９４ ０．７１ ０．６３ ０．７７ ０．８９ ０．８１
１３ ＴｈｅｒｍａｌＢｌｕｅ ０．７８ ０．８６ ０．７５ ０．６３ ０．７２ ０．６０ ０．８１ ０．６１ ０．５０ ０．８７ ０．７０ ０．６９
１４ Ｂｅｄａｚｚｌｅｄ ０．７９ ０．８１ ０．６５ ０．６３ ０．７５ ０．５１ ０．７５ ０．６５ ０．５０ ０．５２ ０．７０ ０．６５
１５ Ｕｔｍｏｓｔ ０．６７ ０．７８ ０．８５ ０．７１ ０．８２ ０．７５ ０．８１ ０．６１ ０．５８ ０．５１ ０．７２ ０．７１
１６ Ｉｍｐａｃｔ ０．６９ ０．７２ ０．６４ ０．６６ ０．７９ ０．５６ ０．７３ ０．７３ ０．７０ ０．６５ ０．５３ ０．６７
１７ Ｅｘｃｕｒｓｉｏｎ ０．８２ ０．８７ ０．８５ ０．７５ ０．８７ ０．７０ ０．８７ ０．６２ ０．６１ ０．８９ ０．７１ ０．７６
１８ Ｂａｒｏｎ ０．８４ ０．８１ ０．８４ ０．８３ ０．８６ ０．８７ ０．９５ ０．８１ ０．８６ ０．７５ ０．８９ ０．８４
１９ Ｌｉｂｅｒａｔｏｒ ０．７９ ０．８８ ０．７５ ０．６８ ０．８６ ０．６５ ０．７９ ０．７１ ０．７１ ０．７８ ０．７１ ０．７４
２０ ＳｕｐｅｒＭｅｒｉｔ ０．８４ ０．８５ ０．７６ ０．８９ ０．８５ ０．７２ ０．８２ ０．７５ ０．６９ ０．６１ ０．８１ ０．７９
　注：Ｘ１～Ｘ１１分别代表密度、质地、颜色、均一性、绿期、抗病性、盖度、耐践踏性、成坪速度、草坪强度、生物量。
　Ｎｏｔｅ：Ｘ１－Ｘ１１ｒｅｐｒｅｓｅｎｔｄｅｎｓｉｔｙ，ｔｅｘｔｕｒｅ，ｃｏｌｏｒ，ｕｎｉｆｏｒｍｉｔｙ，ｇｒｅｅｎｐｅｒｉｏｄ，ｄｉｓｅａｓｅｒｅｓｉｓｔａｎｃｅ，ｃｏｖｅｒａｇｅ，ｔｒａｆｆｉｃｔｏｌｅｒａｎｃｅ，ｓｅｅｄｌｉｎｇｅｓｔａｂｌｉｓｈｍｅｎｔ，
ｔｕｒｆｓｔｒｅｎｇｔｈ，ｂｉｏｍａｓｓ，ｒｅｓｐｅｃｔｉｖｅｌｙ．
２．２　神经网络模型的实例仿真
图１　犅犘网络训练误差曲线
犉犻犵．１　犜狉犪犻狀犻狀犵犲狉狉狅狉犮狌狉狏犲狅犳犅犘狀犲狌狉犪犾狀犲狋狑狅狉犽
根据表２的样本数据，利用 Ｍａｔｌａｂ７．１中的神
经网络工具箱，对草坪质量评价的ＢＰ神经网络模
型进行实例仿真，即可得到图１所示的网络建立过
程误差曲线，神经网络经过４步迭代即可达到精度
要求。对测试样本的ＢＰ网络预测与专家打分进行
比较分析（表３），发现５个预测值中有４个的误差
小于１０％，但另外１个的误差达－３２．０８％。因此，
ＢＰ网络对草坪质量评价的误差较大。
同理，对草坪质量评价的ＲＢＦ神经网络模型进
行实例仿真，得到图２所示的网络建立过程误差曲
线，神经网络经过１１步迭代达到精度要求。对测试
样本的ＲＢＦ网络预测与专家打分进行比较分析（表
３），发现５个预测值的误差均小于２％，其预测误差
远远小于ＢＰ神经网络。因此，ＲＢＦ网络对草坪质
量的综合评价要好于ＢＰ网络，而且，其预测的准确
性很高。
８７２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１２） Ｖｏｌ．２１，Ｎｏ．４
表３　犅犘和犚犅犉神经网络模型的预测值及误差
犜犪犫犾犲３　犜犺犲狆狉犲犱犻犮狋犲犱犱犪狋犪犪狀犱狋犺犲犲狉狉狅狉犵犪犻狀犲犱犫狔犅犘犪狀犱犚犅犉狀犲狌狉犪犾狀犲狋狑狅狉犽犿狅犱犲犾
品种名称
犘．狆狉犪狋犲狀狊犻狊
ｃｕｌｔｉｖａｒ
ＢＰ网络预测
Ｐｒｅｄｉｃｔｅｄｄａｔａｂｙ
ＢＰｎｅｔｗｏｒｋ
ＲＢＦ网络预测
Ｐｒｅｄｉｃｔｅｄｄａｔａｂｙ
ＲＢＦｎｅｔｗｏｒｋ
专家打分
Ｅｖａｌｕａｔｅｄｄａｔａ
ｂｙｅｘｐｅｒｔｓ
ＢＰ网络误差
ＥｒｒｏｒｏｆＢＰ
ｎｅｔｗｏｒｋ（％）
ＲＢＦ网络误差
ＥｒｒｏｒｏｆＲＢＦ
ｎｅｔｗｏｒｋ（％）
Ｉｍｐａｃｔ ０．４５ ０．６７ ０．６７ －３２．８４ ０
Ｅｘｃｕｒｓｉｏｎ ０．７０ ０．７６ ０．７６ －７．８９ ０
Ｂａｒｏｎ ０．８９ ０．８５ ０．８４ ５．９５ １．１９
Ｌｉｂｅｒａｔｏｒ ０．６７ ０．７４ ０．７４ －９．４６ ０
ＳｕｐｅｒＭｅｒｉｔ ０．７２ ０．７８ ０．７９ －８．８６ －１．２７
　注：误差＝（网络预测－专家打分）／专家打分×１００％。
　Ｎｏｔｅ：Ｅｒｒｏｒ＝（Ｐｒｅｄｉｃｔｅｄｄａｔａｂｙｎｅｔｗｏｒｋ－Ｅｖａｌｕａｔｅｄｄａｔａｂｙｅｘｐｅｒｔｓ）／Ｅｖａｌｕａｔｅｄｄａｔａｂｙｅｘｐｅｒｔｓ×１００％．
３　讨论
图２　犚犅犉网络训练误差曲线
犉犻犵．２　犜狉犪犻狀犻狀犵犲狉狉狅狉犮狌狉狏犲狅犳犚犅犉狀犲狌狉犪犾狀犲狋狑狅狉犽
３．１　基于神经网络模型的草坪质量综合评价方
法的原理与常规方法的异同
基于神经网络模型的草坪质量评价，其方法
原理与常规方法相比，有一些共同的地方，就是这
些方法都是根据单项评价指标的表现（测定值或
得分），计算出综合评价得分。同时，它们之间也
存在较大差异，最明显的差异表现在计算综合评
价得分的过程中，单项评价指标权重的确定方法
有本质的不同。基于神经网络模型的草坪质量评
价方法（简称神经网络法）采用对训练样本的多次
训练（学习过程），找出最佳网络训练参数，然后用
训练好的网络，对测试样本进行实例仿真，得出网
络预测值，最后将网络预测值与实际观测值进行
比较，来判断所构建的网络模型的适用性及评价
的准确性。而常规的草坪质量评价方法，其单项
评价指标权重的确定，要么是通过评审人员主观打分或征求专家意见得出［６，８］，要么是利用层次分析法计算出权
重［１５］。前者对指标权重的确定具有很强的主观性，而后者，当指标过多时，对两两指标之间重要程度的判断可能
出现困难，甚至会对层次单排序和总排序的一致性产生影响，使得一致性检验不能通过，也就是说，由于客观事物
的复杂性或对事物认识的片面性，通过所构造的判断矩阵求出的特征向量（权值）不一定是合理的。如果一致性
检验不能通过，就需要调整，在指标数量较多的时候，这是个很艰难的过程。在利用模糊综合评价法来评价草坪
综合质量时，也同样存在需要确定单项评价指标权重的问题，而且计算过程比较复杂。基于以上分析，可以看出，
神经网络法评价草坪质量，不需要人为确定或计算单项指标的权重，而是通过调整网络参数来训练网络，使网络
模型最优化，从而得出网络预测值。
３．２　利用神经网络原理评价草坪质量的优势
在草坪质量综合评价的方法中，最简单的方法莫过于专家打分法，即由经验丰富的专家根据草坪草的坪用性
状的真实表现来综合打分（本研究中样本数据的获得就是采用该方法），该方法适用于评价那些生长习性已经了
解得比较清楚的草坪草，而且需要依靠那些对草坪质量有深刻理解的专家，才能有准确的评价，但在实际生活中，
经验丰富的专家相对偏少，且存在地域差异、草种差异等不确定因素，使得该方法难以普及。而人工神经网络的
９７２第２１卷第４期 草业学报２０１２年
出现，可以克服这个问题，它能够通过对给定样本专家评价模式的学习，获取评价专家的经验、知识以及对目标重
要性的倾向，然后对测试样本进行评价。
可见，神经网络法评价草坪综合质量，有着独特的优势。一方面，它省略了人为确定或计算单项指标的权重，
一定程度上减少了评价中主观因素的影响，较好地保证了草坪质量评价的客观性；另一方面，在计算综合评价得
分时，没有繁琐的计算过程，完全是由训练好的网络自动输出，简化了草坪质量的评价方法。因此，它为草坪质量
综合评价提供了一种新颖的手段，具有广泛的应用前景。
３．３　神经网络法评价草坪质量的科学性
在人工神经网络中，网络性能的好坏，与训练的样本密切相关。一个好的训练样本，既要注意样本规模，又要
注意样本的质量［３１］。本研究在已有的草坪质量评价理论及方法的基础上，选取了１１项指标作为草坪质量评价
的指标，采用１５组数据作为训练样本，训练样本中包含了优中差各类数据，各类数据的样本呈均匀分布，而且，样
本数据的获得大都采用定量化测定，数据准确可靠，提高了评价的客观性、准确性。
此外，网络参数的优化取值也是应用人工神经网络的一大难点，网络参数的设置会对网络性能产生重大的影
响，而参数值的设置目前还没有统一的方法，通常采用尝试法，最终选择较为优化的参数组合［３２］。本研究在设计
草坪质量评价的ＢＰ神经网络模型和ＲＢＦ神经网络模型时，参考了大量文献，采取反复测试的方法，最终确定了
优化的网络参数，取得了很好的网络仿真结果。
但是，由于本研究是首次将人工神经网络原理运用于草坪质量评价，有关网络模型的选择、网络参数的优化
等问题，仍有待于进一步研究。
参考文献：
［１］　夏汉平，赵南先．中国草坪科学发展过程中几个值得注意的问题［Ｊ］．中国园林，２０００，１６（５）：１３１６．
［２］　刘及东，陈秋全，焦念智．草坪质量评定方法的研究［Ｊ］．内蒙古农牧学院学报，１９９９，２０（２）：４４４８．
［３］　陈谷，马其东．ＮＴＥＰ评价体系在草坪草评价中的应用［Ｊ］．草业科学，２０００，１７（１）：６２６８．
［４］　苏德荣，吴劲锋，韩烈保．草坪工程质量评价模型［Ｊ］．北京林业大学学报，２０００，２２（２）：５４５７．
［５］　许岳飞，金晶炜，孙小玲，等．基于反射光谱技术评价草坪质量模型的研究［Ｊ］．草业学报，２００９，１８（４）：２５６２５９．
［６］　王钦，谢源芳．草坪质量评定方法［Ｊ］．草业科学，１９９３，１０（４）：６９７３．
［７］　云宝庆，李德增，王宝春，等．用层次分析法评价草坪质量的研究［Ｊ］．天津农业科学，２０１０，１６（４）：５７５９．
［８］　刘建秀．草坪坪用价值综合评价体系的探讨———Ⅰ评价体系的建立［Ｊ］．中国草地，１９９８，（１）：４４４７．
［９］　郑海金，华珞，高占国．草坪质量的指标体系与评价方法［Ｊ］．首都师范大学学报，２００３，２４（１）：７８８２．
［１０］　范海荣，华珞，王洪海．草坪质量评价指标体系与评价方法探讨［Ｊ］．草业科学，２００６，２３（１０）：１０１１０５．
［１１］　刘晓静．草坪质量评价新方法———综合外观质量法［Ｊ］．甘肃农业大学学报，２００４，３９（６）：６５１６５５．
［１２］　刘建秀．草坪坪用价值综合评价体系的探讨———Ⅱ评价体系的应用［Ｊ］．中国草地，２０００，（３）：５４５６．
［１３］　李景奇．草坪质量的模糊综合评价方法研究［Ｊ］．中国园林，１９９７，１３（３）：１８１９．
［１４］　闫磊，杨德江．草坪质量的模糊综合评判法研究［Ｊ］．草业科学，２００３，２０（５）：５４５６．
［１５］　赵有益，林惠龙，任继周．草坪质量的模糊数学综合评价方法［Ｊ］．草业科学，２００６，２３（２）：９２９７．
［１６］　李文龙，苏敏，李自珍．甘南高寒草地放牧系统生态风险的ＡＨＰ决策分析及管理对策［Ｊ］．草业学报，２０１０，１９（３）：２２２８．
［１７］　李源，刘贵波，高洪文，等．紫花苜蓿种质耐盐性综合评价及盐胁迫下的生理反应［Ｊ］．草业学报，２０１０，１９（４）：７９８６．
［１８］　魏淑珍，王菲凤，张江山．基于ＳＯＦＭ网络法的天然草地分类［Ｊ］．草业学报，２０１１，２０（１）：１７５１８２．
［１９］　张德丰．ＭＡＴＬＡＢ神经网络应用设计［Ｍ］．北京：机械工业出版社，２００９．
［２０］　ＰａｉＴＹ，ＴｓａｉＹＰ，ＬｏＨ Ｍ，犲狋犪犾．Ｇｒｅｙａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｏｆｓｕｓｐｅｎｄｅｄｓｏｌｉｄｓａｎｄｃｈｅｍｉｃａｌｏｘｙｇｅｎｄｅｍａｎｄｉｎ
ｈｏｓｐｉｔａｌｗａｓｔｅｗａｔｅｒｔｒｅａｔｍｅｎｔｐｌａｎｔｅｆｆｌｕｅｎｔ［Ｊ］．ＣｏｍｐｕｔｅｒｓａｎｄＣｈｅｍｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２００７，３１（１０）：１２７２１２８１．
［２１］　ＰｅｒｅｚＲｏａＲ，ＣａｓｔｒｏＪ，ＪｏｒｑｕｅｒａＨ，犲狋犪犾．Ａｉｒｐｏｌｕｔｉｏｎｍｏｄｅｌｉｎｇｉｎａｎｕｒｂａｎａｒｅａ：ｃｏｒｒｅｌａｔｉｎｇｔｕｒｂｕｌｅｎｔｄｉｆｆｕｓｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓ
ｂｙｍｅａｎｓｏｆａｎａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｐｐｒｏａｃｈ［Ｊ］．ＡｔｍｏｓｐｈｅｒｉｃＥｎｖｉｒｏｎｍｅｎｔ，２００６，４０（１）：１０９１２５．
［２２］　ＬｉＣＢ，ＷａｎｇＫＣ．ＡｎｅｗｇｒｅｙｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄＭａｒｋｏｖｃｈａｉｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｅｎｔｒａｌ
ＳｏｕｔｈＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２００７，１４（５）：７１３７１８．
０８２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１２） Ｖｏｌ．２１，Ｎｏ．４
［２３］　ＧｈｉａｓｓｉＭ，ＳａｉｄａｎｅＨ，ＺｉｍｂｒａＤＫ．Ａｄｙｎａｍｉｃａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｆｏｒｆｏｒｅｃａｓｔｉｎｇｔｉｍｅｓｅｒｉｅｓｅｖｅｎｔｓ［Ｊ］．Ｉｎｔｅｒ
ｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＦｏｒｅｃａｓｔｉｎｇ，２００５，２１（２）：３４１３６２．
［２４］　王琨，王文帅，张夏，等．基于ＢＰ神经网络模型的森林空气质量评价［Ｊ］．哈尔滨工业大学学报，２０１０，４２（８）：１２７８１２８１．
［２５］　殷勇，吴守一．遗传ＲＢＦ神经网络在卷烟香气质量评定中的应用［Ｊ］．农业工程学报，２００１，１７（６）：１４７１４９．
［２６］　孙吉雄．草坪学［Ｍ］．兰州：甘肃科技出版社，１９８９．
［２７］　王祺，郭有祯，刘世增．皇台酒厂观赏性草坪的品质评定［Ｊ］．草业科学，１９９６，１３（６）：６６６８．
［２８］　李敏，徐琳，赵美琦．冷季型草草坪建植与管理指南［Ｍ］．北京：中国林业出版社，２００２．
［２９］　胥晓刚，吴彦奇，干友民，等．冬季追播草坪建立质量评价体系的探讨［Ｊ］．中国草地，２０００，（１）：３９４４．
［３０］　张露明，方程，张学勇，等．北京地区结缕草锈病流行规律及种质抗病性鉴定［Ｊ］．草业科学，２０１１，２８（２）：２７９２８５．
［３１］　苑希民，李鸿雁，刘树坤，等．神经网络和遗传算法在水科学领域的应用［Ｍ］．北京：中国水利水电出版社，２００２．
［３２］　胡焱弟，赵玉杰，白志鹏，等．土壤环境质量评价的径向基函数神经网络的模型设计与应用［Ｊ］．农业环境科学学报，２００６，
２５（增刊）：５１２．
犃犮狅犿狆狉犲犺犲狀狊犻狏犲犲狏犪犾狌犪狋犻狅狀狅犳狋狌狉犳犵狉犪狊狊狇狌犪犾犻狋狔犫犪狊犲犱狅狀犪犅犘犪狀犱犚犅犉狀犲狌狉犪犾狀犲狋狑狅狉犽犿狅犱犲犾
ＸＩＡＯＢｏ１，２，ＳＯＮＧＧｕｉｌｏｎｇ１，ＨＡＮＬｉｅｂａｏ１，２，ＢＡＯＹｏｎｇｘｉａ１，ＬＩＦｅｉｆｅｉ１，ＣＨＥＮＡｉｘｉａ３
（１．ＩｎｓｔｉｔｕｔｅｏｆＴｕｒｆｇｒａｓｓＳｃｉｅｎｃｅ，ＢｅｉｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００８３，Ｃｈｉｎａ；２．Ｃｏｌｅｇｅｏｆ
ＧａｒｄｅｎｉｎｇａｎｄＨｏｒｔｉｃｕｌｔｕｒｅ，ＹａｎｇｔｚｅＵｎｉｖｅｒｓｉｔｙ，Ｊｉｎｇｚｈｏｕ４３４０２５，Ｃｈｉｎａ；３．Ｊｉｎｇｚｈｏｕ
ＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｊｉｎｇｚｈｏｕ４３４０２５，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ｂａｓｅｄｏｎｔｈｅｒｅｃｅｎｔｔｕｒｆｇｒａｓｓｑｕａｌｉｔｙｅｖａｌｕａｔｉｏｎｓｙｓｔｅｍ，ｅｌｅｖｅｎｉｎｄｅｘｅｓ（ｄｅｎｓｉｔｙ，ｔｅｘｔｕｒｅ，ｃｏｌｏｒ，ｕｎｉ
ｆｏｒｍｉｔｙ，ｇｒｅｅｎｐｅｒｉｏｄ，ｄｉｓｅａｓｅｒｅｓｉｓｔａｎｃｅ，ｃｏｖｅｒａｇｅ，ｔｒａｆｆｉｃｔｏｌｅｒａｎｃｅ，ｓｅｅｄｌｉｎｇｅｓｔａｂｌｉｓｈｍｅｎｔ，ｔｕｒｆｓｔｒｅｎｇｔｈａｎｄ
ｂｉｏｍａｓｓ）ｗｅｒｅｕｓｅｄｔｏｓｅｌｅｃｔ２０犘狅犪狆狉犪狋犲狀狊犻狊ｃｕｌｔｉｖａｒｓｉｎ２０１０．Ｔｈｅｖａｌｕｅｓｏｆｅｌｅｖｅｎｉｎｄｅｘｅｓｆｒｏｍ１５ｏｆｔｈｅ犘．
狆狉犪狋犲狀狊犻狊ｃｕｌｔｉｖａｒｓｗｅｒｅｓｅｌｅｃｔｅｄａｓｉｎｐｕｔｄａｔａｆｏｒｔｈｅｓｙｓｔｅｍｕｓｉｎｇｔｈｅｐｒｉｎｃｉｐｌｅｓｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｓａｎｄｔｈｅ
Ｍａｔｌａｂｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｏｌｂｏｘ．Ｔｈｅｏｕｔｐｕｔｗａｓｅｘｐｅｒｔｇｒａｄｅｄｄａｔａ．Ｐｅｒｆｏｒｍａｎｃｅｏｐｔｉｍｉｚａｔｉｏｎｗａｓｃａｒｒｉｅｄｏｕｔ
ｂｙｒｕｎｎｉｎｇｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｓｗｉｔｈｄｉｆｆｅｒｅｎｔｐａｒａｍｅｔｅｒｓａｎｄｔｈｅｎｍｏｄｅｌｓｏｆｔｈｅＢＰａｎｄＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｓ
ｆｏｒｅｖａｌｕａｔｉｏｎｏｆｔｕｒｆｇｒａｓｓｑｕａｌｉｔｙｗｅｒｅｅｓｔａｂｌｉｓｈｅｄ．Ｍｅｔｈｏｄｓｏｆｅｓｔａｂｌｉｓｈｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｓａｎｄｓｔｅｐｓ
ｆｏｒＭａｔｌａｂａｒｅｌｉｓｔｅｄ．Ｑｕａｌｉｔｙｏｆｔｈｅｏｔｈｅｒ５犘．狆狉犪狋犲狀狊犻狊ｃｕｌｔｉｖａｒｓｗａｓｅｖａｌｕａｔｅｄｕｓｉｎｇｔｈｅｔｒａｉｎｅｄｎｅｕｒａｌｎｅｔ
ｗｏｒｋｍｏｄｅｌ．ＴｈｅｐｒｅｄｉｃｔｅｄｅｒｒｏｒｓｏｆｔｈｅＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｗｅｒｅｌｅｓｓｔｈａｎ２％ａｎｄｔｈｅｐｒｅｄｉｃｔｅｄｅｒｒｏｒｓｏｆｔｈｅ
ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗｅｒｅｍｏｒｅｔｈａｎ５％ｗｈｅｎｔｈｅｙｗｅｒｅａｐｐｌｉｅｄａｓａｃｏｍｐｒｅｈｅｎｓｉｖｅｅｖａｌｕａｔｉｏｎｏｆｔｕｒｆｇｒａｓｓｑｕａｌ
ｉｔｙ．ＴｈｅｒｅｆｏｒｅｔｈｅＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｗｉｔｈｓｍａｌｅｒｅｒｒｏｒｏｄｄｓｗａｓａｂｌｅｔｏｐｒｏｖｉｄｅａｍｏｒｅａｃｃｕｒａｔｅｅｖａｌｕａｔｉｏｎ
ｏｆｔｕｒｆｇｒａｓｓｑｕａｌｉｔｙｔｈａｎｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｉｔｃａｎｂｅｕｓｅｄｔｏｅｖａｌｕａｔｅｔｕｒｆｇｒａｓｓｑｕａｌｉｔｙ．Ｃｏｍｐａｒｅｄｗｉｔｈ
ｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｓ，ｓｕｃｈａｓｔｈｅｗｅｉｇｈｔｉｎｇｍｅｔｈｏｄ，ａｎａｌｙｔｉｃｈｉｅｒａｒｃｈｙｐｒｏｃｅｓｓ，ａｎｄｆｕｚｚｙｓｙｎｔｈｅｓｉｓ，ｔｈｅＲＢＦ
ｎｅｕｒａｌｎｅｔｗｏｒｋｓａｃｃｕｒａｃｙｒｅｄｕｃｅｓｔｈｅｉｎｆｌｕｅｎｃｅｓｏｆｓｕｂｊｅｃｔｉｖｅｆａｃｔｏｒｓａｎｄｓｉｍｐｌｉｆｉｅｓｔｈｅｃａｌｃｕｌａｔｉｎｇｐｒｏｃｅｄｕｒｅｓ．
Ｉｔｐｒｏｖｉｄｅｓａｎｅｗｉｄｅａｆｏｒｃｏｍｐｒｅｈｅｎｓｉｖｅｅｖａｌｕａｔｉｏｎｏｆｔｕｒｆｇｒａｓｓｑｕａｌｉｔｙ．
犓犲狔狑狅狉犱狊：ｃｏｍｐｒｅｈｅｎｓｉｖｅｅｖａｌｕａｔｉｏｎｏｆｔｕｒｆｇｒａｓｓｑｕａｌｉｔｙ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；ＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ
１８２第２１卷第４期 草业学报２０１２年