趙金濤， 馬逸雪， 石 云， 郝姍姍， 馬小燕

(1.寧夏大學(xué)地理科學(xué)與規(guī)劃學(xué)院，750021，銀川; 2.黃河水利委員會 黃河水利科學(xué)研究院，450003，鄭州；3.中國地質(zhì)大學(xué)(北京)，100083，北京)

土壤侵蝕淤積河道、降低土壤肥力、破壞地表植被，是全球性重要的生態(tài)環(huán)境問題之一[1]。位于黃土高原北部的黃土丘陵區(qū)是我國重點水土流失區(qū)之一，嚴(yán)重的土壤侵蝕破壞當(dāng)?shù)氐纳鷳B(tài)環(huán)境，如何有效預(yù)防水土流失已成為急需迫切解決的問題[2-3]。精準(zhǔn)的土壤侵蝕預(yù)測可以獲取未來土壤侵蝕發(fā)生的空間位置與強度，對科學(xué)合理的控制土壤侵蝕具有重要的現(xiàn)實意義[4]。

隨著人工智能技術(shù)的不斷發(fā)展，元胞自動機(cellular automata,CA)與人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)被廣泛的應(yīng)用在多個領(lǐng)域的研究中[5-10]。土壤侵蝕是一個復(fù)雜的非線性巨系統(tǒng)，元胞自動機與人工神經(jīng)網(wǎng)絡(luò)分別具有模擬復(fù)雜系統(tǒng)時空演化過程和自組織、自學(xué)習(xí)的能力，適合應(yīng)用于復(fù)雜的土壤侵蝕變化預(yù)測研究[11]。例如：劉婷等[12]基于BP神經(jīng)網(wǎng)絡(luò)模擬三峽庫區(qū)2030年土壤侵蝕強度，取得較好的預(yù)測結(jié)果；林晨等[13]基于優(yōu)化的GeoCA模型預(yù)測研究區(qū)2020年土壤侵蝕，分析研究區(qū)30年的土壤侵蝕演化規(guī)律；郝姍姍等[14]基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測RUSLE模型各因子的敏感性，較傳統(tǒng)的回歸模型預(yù)測精度大幅更高。此外，將ANN與CA相結(jié)合構(gòu)建ANN-CA模型也被應(yīng)用于土壤侵蝕預(yù)測研究，如李傳華等[15]、董婷婷等[16]、李芳[17]和鄭麗丹[18]通過構(gòu)建ANN-CA模型，實現(xiàn)小流域尺度的土壤侵蝕空間動態(tài)變化模擬，揭示小流域土壤侵蝕變化規(guī)律，驗證ANN-CA在土壤侵蝕預(yù)測中的可行性。上述研究對ANN和CA在土壤侵蝕預(yù)測與模擬方面的應(yīng)用進行探索，為土壤侵蝕變化研究提供了新的方法，而以黃土丘陵區(qū)縣域尺度的土壤侵蝕預(yù)測研究較少。

位于黃土丘陵溝壑區(qū)第二副區(qū)的彭陽縣，是全國水土流失重點治理區(qū)，經(jīng)過多年的大力治理生態(tài)環(huán)境已得到有效改善，為鞏固治理成果，準(zhǔn)確的土壤侵蝕預(yù)測結(jié)果是合理預(yù)防水土流失的科學(xué)依據(jù)。因此，筆者以彭陽縣為研究區(qū)，在縣域尺度下基于GIS和RUSLE模型計算2000—2015年土壤侵蝕，應(yīng)用ANN耦合CA的方法構(gòu)建ANN-CA模型，預(yù)測彭陽縣2025年土壤侵蝕，以期為黃土丘陵區(qū)縣域尺度預(yù)防水土流失提供決策依據(jù)。

1 研究區(qū)概況

彭陽縣(E 106°32′～106°58′，N 35°41′～36°17′)屬于黃土丘陵溝壑區(qū)過渡地帶(圖1)，土壤類型以黃綿土為主，泥砂含量高，抗沖蝕性弱，容易造成水土流失[19]。嚴(yán)重的水土流失曾是制約當(dāng)?shù)亟?jīng)濟發(fā)展的瓶頸問題，該縣自2000年被國家確定為退耕還林(草)試點縣后，先后探索形成多種水土保持生態(tài)建設(shè)模式，有效改善水土保持生態(tài)環(huán)境，使經(jīng)濟發(fā)展逐步走上快車道[20]。

圖1 研究區(qū)概況圖Fig.1 Overview map of the study area

2 材料與方法

2.1 數(shù)據(jù)來源

1)影像數(shù)據(jù)。2000年8月22日、2008年6月25日的Landsat-5TM和2015年7月31日的Landsat-8 OLI影像；

2)DEM數(shù)據(jù)。ASTER GDEM (30 m)，來源于地理空間數(shù)據(jù)云(http:∥www.gscloud.cn/)；

3)土地利用數(shù)據(jù)。由1)中的三期影像通過目視解譯獲得；

4)其他數(shù)據(jù)。彭陽縣1∶5萬土壤類型柵格數(shù)據(jù)；2000、2008、2015年彭陽縣及周邊各縣氣象站點日降雨數(shù)據(jù)。

2.2 修正通用土壤侵蝕方程(RUSLE)

土壤侵蝕模數(shù)采用RUSLE計算[21-27]。

2.3 ANN-CA模型

元胞自動機由4部分組成，用集合的語言來描述CA模型，即：

St+1=ψ(St,N)。

(1)

式中：St+1為下一時刻元胞狀態(tài)；St為當(dāng)前時刻元胞狀態(tài)；N為元胞鄰域；ψ為轉(zhuǎn)換規(guī)則。CA元胞在一個多維的空間里呈離散分布；在某個時刻，一個元胞的狀態(tài)只有一種；鄰域是按一定范圍劃定的元胞集合，常用的鄰域結(jié)構(gòu)有Von.Neumann、Moore和Margolus；轉(zhuǎn)換規(guī)則是CA的核心部分，定義元胞狀態(tài)發(fā)生變化的條件，一般采用數(shù)學(xué)公式表達，而公式中的參數(shù)率定有較大難度。筆者將ANN獲取的不同侵蝕等級間的轉(zhuǎn)換概率作為CA的轉(zhuǎn)換規(guī)則實現(xiàn)二者耦合，可以降低定義規(guī)則的難度和避免人為主觀因素的影響。ANN-CA模型原理如圖2所示。

圖2 ANN-CA模型原理圖Fig.2 Schematic diagram of ANN-CA model

ANN-CA模型采用的是目前應(yīng)用較多的BP神經(jīng)網(wǎng)絡(luò)(BPNN)，BPNN可以根據(jù)誤差動態(tài)調(diào)整網(wǎng)絡(luò)中各神經(jīng)元連接的權(quán)值，逐步降低網(wǎng)絡(luò)誤差，最終得到一個理想的網(wǎng)絡(luò)模型[28]。BPNN由輸入層、隱藏層、輸出層組成，輸入層神經(jīng)元是影響土壤侵蝕發(fā)生變化的主要因子，決定元胞在t時刻的侵蝕等級轉(zhuǎn)換概率；輸出層神經(jīng)元表示元胞的目標(biāo)狀態(tài)。轉(zhuǎn)換概率計算公式如下：

(3)

2.4 精度評價

預(yù)測結(jié)果精度評價采用Kappa系數(shù)與像元混淆矩陣，公式如下：

(4)

式中：Kα為Kappa系數(shù)；P0為預(yù)測與真實像元值的一致率；PC為期望一致率；S為預(yù)測等于真實值的像元數(shù)；N為總像元數(shù)；a1為真實值是微度的像元數(shù)；b1為預(yù)測值是微度的像元數(shù)；a2,…,a6，b2,…,b6同理。

3 模型的訓(xùn)練與應(yīng)用

土壤侵蝕演化機理復(fù)雜且影響因子眾多[29]，選用反映影響區(qū)域土壤侵蝕發(fā)生的主要因素，即RUSLE模型中的6個參數(shù)(R、K、L、S、C、P)作為輸入層的空間變量，由6個神經(jīng)元接收，輸入模型前每個空間變量圖層需做歸一化處理，使其值介于[0,1]之間。

模型的訓(xùn)練樣本采用分層抽樣法，數(shù)量為總元胞數(shù)的15%。網(wǎng)絡(luò)的期望誤差設(shè)定為0.01，在訓(xùn)練的開始階段，BPNN的誤差會有明顯收斂，隨著迭代次數(shù)的增加，誤差收斂很快趨向平緩，當(dāng)達到預(yù)設(shè)的次數(shù)后網(wǎng)絡(luò)停止訓(xùn)練。CA在模擬元胞狀態(tài)變化時轉(zhuǎn)換概率的取值采用最大隸屬度原則，設(shè)定為0.8，>0.8元胞狀態(tài)就可以發(fā)生變化。

模型參數(shù)設(shè)置完成后，首先將2000、2008年土壤侵蝕分級數(shù)據(jù)與6個空間變量圖層輸入ANN-CA模型進行訓(xùn)練，確定各層網(wǎng)絡(luò)連接權(quán)重獲得最優(yōu)網(wǎng)絡(luò)?；谧顑?yōu)網(wǎng)絡(luò)預(yù)測出2015年土壤侵蝕，并將預(yù)測結(jié)果與2015年RUSLE模型計算結(jié)果作對比，采用混淆矩陣與Kappa系數(shù)檢驗預(yù)測結(jié)果精度，若精度較高(總體精度>80%)則將2008、2015年數(shù)據(jù)輸入ANN-CA模型，預(yù)測出彭陽縣2025年土壤侵蝕，反之則調(diào)整模型參數(shù)，直至預(yù)測精度符合要求。

4 結(jié)果與分析

4.1 彭陽縣2000—2015年土壤侵蝕時空分布特征

彭陽縣2000—2015年土壤侵蝕強度等級和統(tǒng)計結(jié)果如圖3和表1所示。2000—2008年侵蝕等級面積變化最大的是極強度和微度侵蝕，分別為-246.37和184.89 km2，其次是輕度侵蝕增加167.49 km2。2000年微度侵蝕面積906.09 km2，占總面積的36.28%，中度及以上侵蝕面積為1 242.87 km2，占總面積的49.77%，在各鄉(xiāng)鎮(zhèn)均有分布；2008年中度及以上侵蝕面積為890.51 km2，占總面積的35.65%，較2000年減少352.36 km2，極強度及以上侵蝕主要分布在彭陽縣西南部的古城鎮(zhèn)與新集鄉(xiāng)以及東部的孟塬鄉(xiāng)。

表1 2000—2015年土壤侵蝕強度分級統(tǒng)計表

圖3 2000—2015年土壤侵蝕強度等級圖Fig.3 Soil erosion intensity grade in 2000-2015

2008—2015年侵蝕等級面積變化最大的是微度，2015年較2008年增加173.31 km2，增幅為15.89%，其次是強度侵蝕面積減少127.15 km2，減幅為48.62%；2015年中度及以上侵蝕面積為618.38 km2，較2008年減少272.13 km2，極強度侵蝕主要分布在新集鄉(xiāng)與古城鎮(zhèn)，劇烈侵蝕主要分布在孟塬鄉(xiāng)。

2000—2015年3個時期土壤侵蝕空間分布相似，均以微度侵蝕為主；中度以上侵蝕面積逐期減少，其中強度面積減少205.99 km2，極強度減少357.2 km2，劇烈減少89.62 km2，變幅相對較大，分別為-60.52%、94.49%和99.06%；微度和輕度侵蝕面積均大幅度增加，分別增加358.2 km2、266.29 km2，中度侵蝕面積增幅較小，僅增加28.32 km2。總體來看，彭陽縣土壤侵蝕狀況整體呈現(xiàn)向好趨勢，說明該縣實行的多種水土保持生態(tài)建設(shè)模式與工程措施效果顯著。

4.2 未來土壤侵蝕預(yù)測與精度評價

結(jié)果(表2、表3和圖4)顯示，2015年預(yù)測結(jié)果與計算結(jié)果在空間分布以及各等級侵蝕面積基本保持一致，Kappa系數(shù)0.82，預(yù)測總體精度為87.9%，說明ANN-CA模型適合于土壤侵蝕預(yù)測。其中微度、輕度和中度侵蝕預(yù)測效果較好，正確像元分別占該等級像元數(shù)的91.58%、86.37%和85.14%；強度、極強度、劇烈侵蝕預(yù)測精度相對較低，誤差像元分別占該等級像元總數(shù)的21.75%、19.73%和21.21%。強度、極強度、劇烈侵蝕等級的誤差像元大多數(shù)分布在相鄰等級，按等級劃分標(biāo)準(zhǔn)對土壤侵蝕進行分級，處在臨界值附近且侵蝕等級高的像元轉(zhuǎn)化隨機性相對較大，降低了預(yù)測精度。

表2 2015年土壤侵蝕計算與預(yù)測的混淆矩陣Tab.2 Confusion matrix of soil erosion calculation and prediction in 2015 %

預(yù)測結(jié)果(表3和圖4)顯示，彭陽縣2025年土壤侵蝕狀況較2015年繼續(xù)向好發(fā)展。微度、輕度侵蝕面積分別增加102.38和133.51 km2；中度以上侵蝕面積均較大幅度減少，強度、極強度和劇烈侵蝕面積分別減少103.73、18.34和0.66 km2，減幅分別為77.19%、88%和77.65%；從空間分布上來看，彭陽縣2025年極強度和劇烈侵蝕主要分布在孟塬鄉(xiāng)和新集鄉(xiāng)，可在該區(qū)域加強水土保持措施建設(shè)，預(yù)防水土流失。

表3 計算與預(yù)測土壤侵蝕分級表Tab.3 Calculated and predicted soil erosion grades

圖4 2015、2025年土壤侵蝕預(yù)測圖Fig.4 Prediction of soil erosion in 2015 and 2025

5 討論

RUSLE模型各因子對土壤侵蝕的敏感性以及貢獻量各有不同，為探究各因子對土壤侵蝕的貢獻率，以2015年數(shù)據(jù)為例，建立各因子與土壤侵蝕模數(shù)的回歸模型，將2015年各影響因子的平均值代入模型計算各因子貢獻量，單因子貢獻量與各因子貢獻量之和的比值作為貢獻率[14,30]。

結(jié)果如表4所示，LS因子對水力侵蝕的影響最顯著，貢獻量最大，貢獻率為21.82%，其次是C與P因子，貢獻率分別為20%和19.78%，貢獻率最小的是K因子。水土保持措施一方面可有效改變局部地形，降低LS因子的影響，另一方面可以提高植被覆蓋率，改善下墊面環(huán)境，增強抗雨水沖刷能力，可有效減弱土壤侵蝕。所以要因地制宜、科學(xué)合理的實施水土保持生態(tài)工程才能有效治理水土流失。

表4 2015年各因子的貢獻量與貢獻率Tab.4 Contribution and contribution rate of each factor in 2015

研究耦合ANN與CA構(gòu)建了ANN-CA模型，輸入模型的變量為R、K、L、S、C和P6個自然影響因子，但地理系統(tǒng)巨大、復(fù)雜，影響土壤侵蝕的不確定因素眾多，例如暴雨導(dǎo)致的山體滑坡、泥石流等次生災(zāi)害以及水土保持政策的改變等。以上因素具有不確定性和偶發(fā)性，難以定量化表達，但對土壤侵蝕的影響效果顯著，在以后的研究中可以嘗試將這些因子率定，建立更加完善的預(yù)測模型。

6 結(jié)論

1)彭陽縣2000—2015年土壤侵蝕整體趨好，高等級侵蝕逐漸向低等級轉(zhuǎn)移，“魚鱗坑”“88542”“坡改梯”等多種水土保持措施對治理水土流失具有顯著效果。

2)基于ANN與CA構(gòu)建的ANN-CA模型具有較好的預(yù)測效果。彭陽縣2015年預(yù)測結(jié)果總體精度達到87.9%，Kappa系數(shù)0.82，表明ANN-CA模型具有較強的自學(xué)習(xí)能力與空間動態(tài)模擬功能，適合應(yīng)用于土壤侵蝕演化預(yù)測。

3)經(jīng)過預(yù)測，彭陽縣2025年土壤侵蝕狀況較2015年進一步好轉(zhuǎn)，強度以上侵蝕主要發(fā)生在孟塬鄉(xiāng)與新集鄉(xiāng)的部分區(qū)域，可在以上區(qū)域加強水土保持措施建設(shè)，科學(xué)合理的預(yù)防水土流失的發(fā)生。