全 文 ：第 16 卷
第 3 期

Vol. 16
No . 3
草
地
学
报
ACTA AGRESTIA SINICA



2008 年
5 月

May

2008
基于 BP网络的典型草原群落自然演替预测模型研究
冯
全1 , 邵新庆2* , 王赟文2
( 1. 甘肃农业大学, 甘肃 兰州 730070; 2. 中国农业大学动物科技学院, 北京
100193)
摘要 : 以典型草原植被群落为研究对象, 探讨草地生态系统自然演替恢复的动态变化, 采用 BP 人工神经网络, 以
演替年度为输入量,群落的凋落物、含水量、容重、孔隙度、有机质、微生物量 C、土壤 N、地上生物量和多年生禾草密
度为输出量,对典型草原群落自然演替进程进行模拟和预测。结果表明: BP-NN 的稳定性较好,各参数预测结果的
平均误差为 2. 04% ,说明 BP- NN 可适用预测典型草原群落自然恢复演替,其优势在于可模拟了解较少或不确定性
和模糊性较大的系统行为,这是传统数学模型所无法实现的,因而是对传统机理模型的重要补充。
关键词: 典型草原; 人工神经网络; 自然演替; 预测
中图分类号: S812; TP39




文献标识码: A




文章编号: 1007-0435( 2008) 03-0251-05
Studies on Natural Succession Prediction of Typical Steppe Based on BP-NN
FENG Quan
1
, SHA O Xin-qing
2*
, WANG Yun-w en
2
( 1. Gansu Agricultural University, Lanzhou, Gansu Province 730070, China;
2. Department of Grass lan d S cien ce, College of Animal Science and T ech nology, Ch ina Agricu ltural U nivers ity, Bei jing 100193, China)
Abstract: Focusing on the natural resto rat ion o f typical steppe community, the dynamic pro gress o f the
natur al restor at ion and succession o f the steppe w as studied using BP neural netw ork. Several representa-
t ive community parameters, i. e. lit ter biomass, soil w ater content , soil bulk density, soil porosity , soil
org anic mat ter, soil m icrobial biomass C, soil total N, aboveground biomass, and perennial gr ass density,
in the succession w er e simulate and predicted by BP-NN. T he results of emulational experiment show that
BP-NN had very good stability and the average predict ion er ror w as 2. 04% and those indicate that BP-NN
is v iable to fo recast the self-o rganized succession of typical steppe community . The advantage of ar tif icial
neural netw ork lies on its ability to precisely simulate the vaguely under stood and uncertain systemic be-
havior w hich canno t be realized by the tr aditional approaches. As a nonlinear approx imato r, art if icial neu-
r al netw ork w ould be an important to ol complementary to the comprehensive models.
Key words: T ypical steppe; A rt if icial neural netw ork; Natural succession; Predict ion


生态系统是个非常复杂的、时变的、多参量和高
度非线性的巨系统,很难有简单的模型来对生态系
统的自组织特性进行描述和预测[ 1] , 传统的生态和
农业统计模式大多建立在线性模型的基础上, 这些
模型通常假定植物与环境的关系都是平滑、连续的
线性多项式关系。建立在多元回归基础上的系统分
析方法能解决许多实际问题, 但也不尽如人意 [ 2]。
随着生物和农业科学研究的深入,整个研究系统的
复杂性、模糊性和不确定性增加。目前广泛应用的
生态及植物模型虽然已经包括了气象、土壤及水分
等重要因素,但当病虫害等其他生态因子成为限制
因素,还难以整合到生态机理模型中。而 BP 网络
具有通过学习逼近任何非线性映射的能力 [ 3, 4] , 在
非线性系统的描述和预测上显示较强的优越性, 特
别适合复杂生态系统的应用。


人工神经网络( art if icial neural netw ork)简称
神经网络( ANN) ,是基于现代生物学研究人脑组织
的成果基础上,用大量简单的处理单元广泛连接组
成的复杂网络,来模拟人类大脑神经网络的学习、记
忆、推理和归纳等功能。ANN 是一个大规模自组
织、自适应的非线性动力系统。它能较好地模拟人
的形象思维,具有大规模并行协同处理能力,具有较
收稿日期: 2008-01-15; 修回日期: 2008-03-19
基金项目: 农业部公益性行业科研专项( ny hyzx07- 022)
作者简介: 冯全( 1969-) , 男, 四川人, 博士, 主要从事农业信息研究, E- mail : fqu an@ s ina. com; 通讯作者 Auth or for correspondence, E-
mail: shaoxinqing@ 163. com
草
地
学
报 第 16卷
强的容错能力、联想能力和学习能力,能根据外界环
境的变化修改自己的行为[ 5] 。人工神经网络是 80
年代迅速兴起的一门非线性科学。在神经网络模型
中,前馈式的 BP 网络是一种简单而用途广泛的人
工神经网络[ 6] , 它适用于非线性的模式识别和分类
预测问题。
BP 网络在农业生产技术管理与持续农业中的
应用,可对精确农业进行农业技术管理,也用于无土
栽培中水培液养分、水分和 pH 值的优化控制以及
温室内 CO 2 浓度的最优控制[ 7]。同时 BP 网络可用
来预测大豆开花和生理成熟期以及小麦播种期 [ 8] ;
BP 网络也广泛应用于蔬菜、果实、谷物等的分级、鉴
定和生产中 [ 9] ; 在病虫害预测预报上, 文新辉 [ 10] 等
分析了影响昆虫种群密度的主要因素, 提出了广义
时间序列模型, 利用人工神经网络预测棉田害虫烟
蓟马发生动态。近年来, 神经网络也用于放牧演替
上[ 11, 12]。本研究尝试把人工神经网络引入到草地
生态系统恢复演替研究中, 构建适合于模拟草地生
态系统自然恢复演替动态的 BP 神经网络模型, 并
应用 BP 神经网络对系统动态进行预测。
1
材料与方法
1. 1
试验区概况
试验区域巴林右旗位于内蒙古自治区赤峰市北
部,北纬 43
12
~ 44
27
, 东经 118
10
~ 120
05
。
温带季风型大陆性气候, 年平均气温 4. 9
,年日照
3000- 3200 h。年无霜期 121 d, 生长期142 d,平均
年降水量 358 mm。巴林右旗水分与热量在地区分
布上很不协调,
0
积温南北相差 1000
之多。
水分条件在年际间波动幅度较大。巴林右旗地形复
杂,土壤类型复杂多样, 主要有栗褐土、栗钙土和风
沙土等。
本研究以不同年度围封的草地为基础, 选取了
5个围封恢复的梯度: ( 1)围封 1年( 2003a)的样地
面积分别约 70 hm2 , 优势植物为星毛委陵菜( Po-
tenti lla acauli s )百里香( Thymus mongol icus )、狗尾
草( S etar ia v ir id is ) ; ( 2)围封 2年( 2002a)的样地面
积约为50 hm2 ,优势植物为万年蒿( Ar tem isia gme-
l ini i )、糙隐子草 ( Clei stogenes squar ros )、苔草
( Car ex kor shinsky )、狗尾草( S . vi r idi s) ; ( 3)围封 4
年( 2000a)的样地面积约 22 hm2 , 位于巴林右旗麻
斯塔拉,优势植物为冷蒿( A rtemisia f r igid a)、糙隐
子草( C. squar ros)和达乌里胡枝子( L esp ed ez a da-
vur ica) ; ( 4) 围封 6 年 ( 1998a ) 的样地面积约 45
hm2 , 优势植物主要有冷蒿 ( A . f r igid )和大针茅
( S tipa g randis) ; ( 5)围封 10年 ( 1994a )的样地约
14 hm2 , 优势植物主要有大针茅( St ip a grandis )、
扁穗冰草( A gr opy ron cri statum ) 和羊草 ( L eymus
chinensis )。
1. 2
研究方法
1. 2. 1
群落调查
试验于 2004年 6月开始,在不
同恢复年限的草地上随机设置样方,样方面积 1 m

1 m,每一恢复梯度草地设 15个样方。调查不同
自然恢复梯度的种类组成、植株密度、植被盖度、生
物量和高度。
1. 2. 2
土壤含水量和容重测定
土壤含水量用重
量法测定。土钻取土, 取样深度为 0 ~ 5、5~ 10、
10~ 20、20~ 30和 30~ 60 cm,不同恢复年限样地取
6点, 装入编号的铝盒内, 烘干法测定土壤含水量;
土壤用环刀法测土壤容重。按 0~ 5、5~ 10、10~ 20
和 20~ 30 cm 的层次逐区取样, 每个围封恢复样地
3次重复。
1. 2. 3
土壤养分分析
每个恢复阶段土壤取样设
3个重复, 按蛇形取样法。土壤层次为 0~ 5, 5~ 10,
10~ 20, 20~ 30 cm。所取土样, 一部分风干并过
1 mm筛后用四分法取 200 g 左右装入纸袋, 回实验
室用作营养成分分析; 一部分装入塑料袋放入冰箱
保存, 留作室内土壤酶及微生物量 C、微生物量 N
和速 N分析之用。有机质采用铬酸氧还滴定法;全
氮采用半微量凯氏定氮法测定; 土壤微生物总量
( C, N)采用氯仿熏蒸萃取法, 土壤微生物采用稀释
平板记数法。
1. 2. 4
凋落物测定
采用直接收集法,于 2005年
5月开始进行, 每个恢复阶段设 3 个重复, 在早春
地上部返青之前,将地面清除干净, 每个样点放置
5个用铁丝网制作的枯枝落叶收集器, 网眼大小,
使植物的茎穿过生长为宜, 这样就可将生长初期
枯枝落叶量视为零, 定期测定枯枝落叶积累量, 并
烘干称重。
1. 3
数据处理及分析
所有数据采用 Excel进行初步整理, 采用 SAS
8. 2分析数据, 并用 Excel作图。
2
BP网络原理
BP 神经网络是一种有监督的误差逆传播的多
层神经网络。BP 网络模型具有很强的自组织能力、
252
第 3期 冯全等:基于 BP 网络的典型草原群落自然演替预测模型研究
容错能力以及联想能力, 是当前应用最为广泛的一
种人工神经网络,它的最大特点是无需根据现实系
统的基本物理、化学定律等理论为基础建立数学模
型,仅借助于样本的输入和输出数据,就可对系统实
现由 Rn空间( n为输入节点数)到 Rm 空间( m 为输
出节点数)的高度非线性映射。典型的 BP 网络是
一种 3 层结构, 分为输入层、隐层和输出层(图 1)。
网络使用前按有监督学习方式进行训练, 训练结束
后网络可根据输入进行预测。
图 1
BP 神经网络结构
F ig . 1
T he f rame of BP neural netwo rk model


假设 BP 网络每层有 N 个处理单元, 单元间连
接权值为 W ,作用函数为 f ( x ) ,训练集包括 M 个样
本( x k , y k )。对第 q 个训练样本,处理单元 j 的总输
入和记为
qj输出为Q qj ,则:

qj =
N
j = 1
W j iQ qj
Oqj = f (
qj )
那么对每个输入模式 q, 网络输出与期望输出
dqj之间的误差为:
E=
1
2

N
j= 1
( dqi - Oqj ) 2
BP 网络的权值修正公式为:
W j i ( t+ 1) = W j i ( t)+
qjO qj

qj = f
(
qj ) ( dqj - Oqj ) , fo r output
f
(
qj )
qk W kj , for input
BP 算法采用梯度下降的搜索求解算法,不可避
免地产生网络学习收敛速度慢, 以及容易陷入局部
极小值等问题,因此可以采用一些改进策略。
( 1)动量法,权值按照如下方法修正:
W j i ( t+ 1)= W j i ( t) +
[ (1-
) D ( t ) +
D( t-
1) ]
其中 D( t) =
E/
W ( t) , 为 t 时刻的负梯度, D
( t- 1)为 -t 1时刻的负梯度,
为学习率,
为动量因
子。这样改进后, 减少了学习过程中的振荡趋势,从
而改善了收敛性。
( 2) Levenberg-Marquardt方法,权值调整率为:

W= ( J T J +
I ) - 1 J Te
其中 J 为误差对权值微分的 Jacobian 矩阵, e
为误差向量,
为一个标量。
3
草地自然恢复演替 BP神经网络模
型的建立
3. 1
输入输出参数的确定
草地植物群落、土壤亚系统以及分解亚系统共
同构建了草地生态系统,本文从这 3 个方面选择指
标参数, 来反应自然恢复过程中草地的状况。选择
的参数有凋落物、含水量、容重、孔隙度、有机质、微
生物量 C、土壤 N、土壤细菌菌数、地上生物量以及
多年生禾草密度, 并以这 10 个参数作为模型的输
出。采用 3层前馈网络, 以年度作为输入, 输出有
10个神经元, 根据多次实验调整, 隐层神经元数量
确定为 8, 网络模型为 1-8-10的结构。
3. 2
BP网络的实现和样本训练
对网络的训练及测试均在 MATLAB 6. 5环境
下进行的。网络隐层神经元传递函数采用 S型正切
表 1
典型草原自然演替恢复的实测样本
Table 1
The measur ed samples during natur al r estorat ion and succession of Inner Mongolia Steppe
年度 Year 1 2 4 6 10
土壤含水量 Soil w ater content ( % ) 4. 500 5. 100 8. 700 11. 500 12. 000
凋落物量 Lit ter biomass ( kg/ hm 2) 1218. 600 1341. 480 1891. 480 2182. 690 2255. 870
土壤微生物量碳 Soil micr ob ial biomass C ( mg/ kg) 237. 700 232. 090 319. 450 388. 640 416. 080
土壤细菌菌数 Soil bacteria number 785. 000 847. 660 1108. 660 1450. 000 1590. 000
有机质 Organic m at ter ( g/ kg) 20. 040 23. 390 29. 910 37. 560 40. 570
孔隙度 Soil porosity ( % ) 0. 406 0. 407 0. 431 0. 456 0. 465
容重 Soil bulk d ensity ( g/ cm3 ) 1. 427 1. 424 1. 346 1. 273 1. 247
土壤全 N T otal N ( g/ kg) 1. 150 1. 180 1. 667 2. 28 2. 345
生物量 Biomass ( kg/ hm2 ) 768. 000 929. 000 1203. 000 1387. 000 1473. 000
多年生禾草密度 Perennial g rass density ( number/ m2 ) 62. 000 83. 000 127. 000 162. 000 179. 000
253
草
地
学
报 第 16卷
函数 tansig,输出层神经元采用 S型对数函数 logsig。
网络训练函数设定为
tranlm
, 它采用 Levenberg-
Marquart算法进行网络训练。训练次数为 1000次,
训练误差目标为 0. 01,学习速率为 0. 1。
现有样本 6组, 分别为围封 1、2、4、6、10年天然
观测值作为训练样本, 以王丽娟和李青丰对禁牧后
巴林右旗天然草地生产力及植被组成的调查, 以及
巴林右旗草原站对天然草原保护与建设项目的动态
检测作为第 3年观测样本[ 13, 14] 。
3. 3
训练、预测结果及分析
在 MATLAB6. 5中,经过多次训练得到训练网
络并进行模拟预测, 其中部分预测结果与实测值比
较如图 2。
图 2
模型预测值与实测值的比较
F ig. 2
Compar ison of the BP predict ed vs. measured values
表 2
第 3 年网络预测值与实测值比较
Table 2
Compar ison betw een measured vs. predicted values in the third year
土壤含水量
Soil w ater
content
( % )
凋落物量
Lit ter biom as s
( kg
hm - 2)


微生物量碳
Soil microbial
biom as s C
( mg
kg- 1 )
细菌菌数
S oil b acteria
number


有机质
Organic
matter
( g
kg- 1)
容重
Soil bulk
dens ity
( g
cm- 3 )
全 N
T otal N
( g
kg- 1 )


地上生物量
Abovegr ou nd
biomass
( kg
hm- 2)
实测值 Measured value 7. 1019 1426. 3 316. 08 1096. 0 25. 068 1. 3890 1. 6400 1130. 000
预测值 Predicted valu e 7. 0369 1281. 4 309. 12 1010. 0 24. 986 1. 3961 1. 6554 1128. 100
绝对误差 Absolute error 0. 0650 44. 9 6. 96 86. 0 0. 082 - 0. 0071 - 0. 0154 1. 900
相对误差 Relat ive error 0. 009152 0. 033854 0. 02202 0. 078467 0. 003271 - 0. 00511 - 0. 00939 0. 001681


应用该网络模型所得的预测结果满足误差精度
要求,所建立的模型已经能够充分描述演替阶段与
凋落物、含水量、容重、孔隙度、有机质、微生物量 C、
土壤 N、细菌数量、地上生物量以及多年生禾草密度
之间的映射关系。为进一步验证该网络模型的预测
能力,用第 3年数据作为网络模型的测试样本,考核
网络的泛化能力,表 2所示为该网络模型对第 3 年
的预测结果与实测值的比较。结果表明,网络预测
结果的平均误差为 2. 04%, 考虑到训练样本数较少,
这样的结果是可以接受的。此试验结果也表明此网
络模型有良好的泛化性能,上述试验说明,利用 BP网
络预测典型草原群落自组织演替的方法是可行的。
4
讨
论
BP 网络模型通常被认为是
黑箱
模型和数据
驱动的经验模型, 具有自适应、抗干扰和容错性强能
力,特别是其总结各非线性关系的能力,能够满足非
254
第 3期 冯全等:基于 BP 网络的典型草原群落自然演替预测模型研究
线性预测的要求[ 15] 。个别学习样本的分量偏差对
网络的学习效果影响较小,因此模型的稳定性较好。
可以看出 BP 网络对解决复杂问题有较大的潜力,
但 BP 人工神经网络的应用受自身的理论研究、软
件和硬件的发展水平所牵制。首先, BP 网络模型通
常作为一个
黑箱
, 在这个
黑箱
中,由于隐层和非
线性激活方程的作用,权重难以解释,而且不具有生
物学的意义。神经网络结点也不能自我解释。对于
一些输入变量或重要水平的预测,没有一个标准的
检验方法能测定输出变量的可变程度, 这就是目前
较少应用 BP 网络方法的主要原因。另外, 由于 BP
网络模型具有十分复杂的建筑学和最佳网络的几何
学(即隐层的数目和隐层中的结点数目)。它可能对
某一组数据的模拟表现出很好的结果, 而对另一组
数据则相反。这种情况的出现通常是由于 BP 网络
内在的非线性关系导致它过度拟合数据, 这需要大
量和有代表性的数据来保证正确的模型参数估
计[ 16]。对于草地生态的系统恢复演替研究,经长期
的定位观测,而要获得大量有代表性的数据, 实际中
存有不少的难度。本研究虽借草地生态重建的机
遇,找到一系列的恢复梯度, 获得了 6年的数据, 但
对于 BP 网络模型的构建仍然不够充足,应用所构
建的模型进行预测,也在一定程度上存在过度吻合现
象。任何一个生态系统演变过程都是非常复杂的,生
态恢复的目的以追求植物多样性和稳定性为目
的[ 17, 18] ,本文所选择的 10个参数指标没有包括植被
组成及多样性等参数,因一年生植被在典型草原演替
前期大量出现对群落多样性影响较大,多样性在演替
恢复过程的动态变化呈双峰型。由于典型草原原生
植物主要以大针茅和羊草为主,多年生禾草的多少在
一定程度上能预示演替的进展和群落稳定性,因此,
选择多年生禾草密度作为演替恢复进展的一个指标。
5
结
论
5. 1
初步将人工神经网络应用到草地生态系统恢
复演替中。结果表明: 网络预测结果的平均误差为
2. 04%,说明利用 BP 网络预测典型草原群落自然
恢复演替的方法是可行的, BP 网络模型是对机理模
型的重要补充。
5. 2
这一模型也存在许多问题。同传统机理模型
一样,用以支持模型的数据获得存在一定的困难。
指标的选取还应斟酌,研究所用指标涉及植被、土壤
以及凋落物等方面 10个参数来映射的恢复年限, 但
未考虑气候因子和地形等要素的影响。
5. 3
由于 BP 网络模型属于
黑箱
模型, 应用也处
于初期阶段,因此应用模型来解释生态系统的机理
应非常谨慎。完善网络模型,使之能得到广泛应用
将是今后工作的主要目标。
参考文献
[ 1]
郭新宇. 作物生育动态的全息协调神经网络研究[ D] : [学位论
文] . 北京: 中国农业大学, 2001
[ 2]
Jam es F C, McCul loch C E. Mult ivariate analysis in ecology
an d sys temat ics [ J] . Annu al Review of Ecology and Sys temat-
ics, 1990, 21( 6) : 192- 196
[ 3]
阎平凡, 黄端旭. 人工神经网络-模型、分析与应用[ M ] .合肥:
安徽教育出版社, 1993. 55
[ 4]
H ornik K, S tin chcom be M, White H . Mil til ayer feedforw ard
netw ork s are un iversal approximators [ J] . Neural Netw orks ,
1989, 12( 2) : 359-366
[ 5]
张志鹏, 曹庆波, 文新亚. 应用人工神经网络方法评定作物生
产系统中指标的权重[ J] .农业系统科学与综合研究, 2003, 24
( 2) : 1-4
[ 6]
Rumelhart D, H infon G, Wil liam s R. Learn ing repres entation
by back propagat ing errors [ J] Natu re, 1986, 323: 533-536
[ 7]
Elizondo D A, McClen don R W, H oogenboom G L. Neu ral
net w ork models for predict ing flowering and physiological ma-
turity of s oy bean [ J ] . T ransact ions of th e ASAE, 1994, 37
( 3) : 981-988
[ 8]
Major D J, H ill B D, T oure A. Predict ion date in southern Al-
berta [ J] . Canadian J. of Plant S cien ce, 1996, 76( 8) : 59- 65
[ 9]
Bochereau L, Bou rgine P, Palagos B. A meth od for prediction
by combling data an aly sis and neural net w orks [ J ] . J . Ag ri.
Eng. Res. , 1992, 51( 2) : 207-216
[ 10] 文新辉, 陈开周. 一种新的昆虫神经网络预测预报方法 [ J ] .
系统科学与数学, 1995, 13( 2) : 9-13
[ 11] 浦瑞良, 宫鹏. 应用神经网络和多元回归技术预测森林产量
[ J] . 应用生态学报, 1999, 10( 2) : 129- 134
[ 12] 蔡煜东, 汪列, 甘骏人. 羊草草地放牧演替阶段的人工神经网
络分析方法[ J] . 中国草地, 1995, 16( 1) : 6- 9
[ 13] 王丽娟, 李青丰, 根晓. 禁牧对巴林右旗天然草地生产力及植
被组成的影响[ J] . 中国草地, 2005, 27( 3) : 11- 15
[ 14] 周景云, 乌云, 建原. 禁牧舍饲对草原植被恢复的作用 [ J ] .
内蒙古草业, 2003, 15( 1) : 40-42
[ 15] Schnlt z A, Wielan d R, Lu tz e G. Neu ral netw orks in agrecolog-
ical m od eling-stylis h appl icat ion or helpful tool [ J] . Computer
an d Elect ronics in Agricultur e, 2000, 29( 8) : 73-97
[ 16 ] Goh A T. Back-pr opagation neu ral netw orks for modelin g
complex system s [ J ] . Artif ical intel ligen ce in Engineerin g,
1995, 27( 9) : 143-151
[ 17] 刘景玲, 高玉葆, 何兴东, 等. 内蒙古中东部草原植物群落物
种多样性和稳定性分析[ J] . 草地学报, 2006, 14( 4) : 390- 392
[ 18] 汪诗平. 天然草原持续利用理论和实践的困惑[ J ] . 草地学报,
2006, 14( 2) : 188-192
(责任编辑
梁艳萍)
255