人工神经网络在中国区域可持续发展研究中的应用

第４１卷第６期

２０１１年１１月河南大学学报（自然科学版））ＪｏｕｒｎａｌｏｆＨｅｎａｎＵｎｉｖｅｒｓｉｔＮａｔｕｒａｌＳｃｉｅｎｃｅ　　　　ｙ（Ｖｏｌ．４１　Ｎｏ．６Ｎｏｖ．２０１１

人工神经网络在中国区域可持续发展研究中的应用

２，艾少伟３，秦耀辰２＊，张二勋１张金萍１，（山东聊城２１．聊城大学环境与规划学院，５２０５９；２．河南大学环境与规划学院，

）河南开封４河南开封４７５００４；３．河南大学黄河文明与可持续发展研究中心，７５００１

摘　要：人工神经网络由于本身所具有的独特优势，使得自然要素环境质量评价更加科学和客观，也使得区域可持

续发展的高精度趋势预测和预警成为可能，但在资源可持续利用评价和区域可持续发展综合评价方面的应用尚未

研究表明，人工神经网络在区域可持续发展中的应用不断拓展，但发展态势并不均衡；取得预期进展．ＢＰ网络虽然

但研究中常忽略训练样本与网络结构相互牵制的关系；国内研究多重训练而轻检测，且模型的作用经常应用广泛，

被夸大．人工神经网络所推动的区域可持续发展研究新格局有望通过与传统模型、空间信息技术等的交叉和融合

而得以进一步的强化和发展．

关键词：人工神经网络；区域可持续发展；非线性；系统学方法

中图分类号：Ｘ２２；Ｎ９３　　　文献标志码：Ａ（）文章编号：１００３－４９７８２０１１０６－０５９９－０６

ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓｉｎＲｅｉｏｎａｌＳｕｓｔａｉｎａｂｌｅ　　　　　ｇ

ＤｅｖｅｌｏｍｅｎｔＳｔｕｄｉｎＣｈｉｎａ　　ｐｙ　

１，２３２１，Ｑ，ＺＨＡＮＧＪｉｎＩＳｈａｏｅｉＩＮ　ＹａｏｃｈｅｎＺＨＡＮＧＥｒｘｕｎｉｎ　－ｐ　－ｗ　－　－ｇ，Ａ

（１．ＣｏｌｌｅｅｏＥｎｖｉｒｏｎｍｅｎｔａｎｄ　ＰｌａｎｎｉｎＬｉａｏｃｈｅｎＵｎｉｖｅｒｓｉｔＬｉａｏｃｈｅｎ５２０５９，Ｃｈｉｎａ；　　ｇｆ　ｇ，ｇ　ｙ，ｇ２

２．ＣｏｌｌｅｅｏＥｎｖｉｒｏｎｍｅｎｔａｎｄ　ＰｌａｎｎｉｎＨｅｎａｎ　ＵｎｉｖｅｒｓｉｔＫａｉｅｎ７５００４，Ｃｈｉｎａ；３．Ｃｅｎｔｅｒｏｒ　　　ｇｆ　ｇ，ｙ，ｆｇ４ｆ

Ｙｅｌｌｏｗ　ＲｉｖｅｒＣｉｖｉｌｉｚａｔｉｏｎａｎｄ　Ｓｕｓｔａｉｎａｂｌｅ　Ｄｅｖｅｌｏｍｅｎｔ，Ｈｅｎａｎ　ＵｎｉｖｅｒｓｉｔＫａｉｅｎ７５００１，Ｃｈｉｎａ）　　ｐｙ，ｆｇ４

Ａｂｓｔｒａｃｔ：Ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｎｏｔｏｎｌｍａｋｅｔｈｅｅｎｖｉｒｏｎｍｅｎｔａｌｕａｌｉｔｅｖａｌｕａｔｉｏｎｏｆｔｈｅｎａｔｕｒａｌｅｌｅｍｅｎｔｓｍｏｒｅ　　　　　　　　　　　　ｙｑｙ　　

，ｓｃｉｅｎｔｉｆｉｃａｎｄｏｂｅｃｔｉｖｅｂｕｔａｌｓｏｍａｋｅｉｔｏｓｓｉｂｌｅｔｏｒｅａｌｉｚｅｈｉｈｒｅｃｉｓｉｏｎｔｒｅｎｄｓｆｏｒｅｃａｓｔｉｎａｎｄｅａｒｌｗａｒｎｉｎｉｎ　　　　　　　　　－ｐ　　　ｊｐｇｇｙｇ　　　

，ｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｍｅｎｔｏｆｒｅｓｏｕｒｃｅｓａｎｄｅｎｖｉｒｏｎｍｅｎｔｆｏｒｔｈｅｉｒｕｎｉｕｅａｄｖａｎｔａｅｓ．Ａｔｔｈｅｓａｍｅｔｉｍｅａｌｉｃａｔｉｏｎｓｉｎ　　　　　　　　　　　　　ｐｑｇｐｐ

，，ｏｎｓｕｓｔａｉｎａｂｌｅｕｔｉｌｉｚａｔｉｏｎｏｆｒｅｓｏｕｒｃｅｓｃｏｍｒｅｈｅｎｓｉｖｅｅｖａｌｕａｔｉｏｎｆｏｒｅｃａｓｔｉｎａｎｄｅａｒｌｗａｒｎｉｎｏｎｔｈｅｅｖａｌｕａｔｉｏｎ　　　　　　　　ｐｇｙｇ　　　

ｅｔｒｏｒｅｓｓ．Ｓｔｕｄｉｅｓｗｈｏｌｅｒｅｉｏｎａｌｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｍｅｎｔｓｓｔｅｍｈａｖｅｎｏｔｍａｄｅｔｈｅｅｘｅｃｔｅｄｓｈｏｗｅｄｔｈａｔ，　　　　　　　　　　　　　ｙｐｇｇｐｙｐ

，，ｗｒｉｍａｒｉｌａｌｉｃａｔｉｏｎｓｏｆａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｉｎｒｅｉｏｎａｌｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｍｅｎｔａｒｅｅｘａｎｄｉｎｈｉｌｅｔｈｅ　　　　　　　　　　　ｐｙｐｐｇｐｐｇ

；，ｂｒｏａａｔｉｏｎ（ｓｉｔｕａｔｉｏｎａｎｄｔｒｅｎｄｏｆｄｅｖｅｌｏｍｅｎｔａｒｅｎｏｔｂａｌａｎｃｅｄｓｅｃｏｎｄｌａｃｋＢＰ）ｎｅｔｗｏｒｋｈａｓｂｅｅｎｗｉｄｅｌ　　　　　　　　　　　ｐｐｇｐｙｙ

，ｗ；，ｈｉｌｅｔｈｅｒｅｌａｔｉｏｎｓｈｉｂｅｔｗｅｅｎｔｈｅｔｒａｉｎｉｎｓａｍｌｅｓａｎｄｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｉｓｏｆｔｅｎｉｎｏｒｅｄｆｉｎａｌｌｔｈｅｕｓｅｄ　　　　　　　　　　ｐｇｐｇｙ　　

，ｗ，ｒｏｃｅｓｓｔｒａｉｎｉｎｉｓｅｍｈａｓｉｚｅｄｈｉｌｅｔｈｅｄｅｔｅｃｔｉｎｏｎｅｉｓｏｆｔｅｎｎｅｌｅｃｔｅｄｉｎＣｈｉｎａａｎｄｔｈｅｒｏｌｅｏｆｍｏｄｅｌｓｈａｓｏｆｔｅｎ　　　　　　　　　　　　　　　ｐｇｐｇｇ　　

ｅｘａｅｒａｔｅｄ．Ｔｈｅｎｅｗｏｆｒｅｉｏｎａｌｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｍｅｎｔｓｔｕｄｂａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓａｔｔｅｒｎｒｏｍｏｔｅｄｂｅｅｎ　　　　　　　　　　　ｇｇｐｇｐｙｐｙ　　

，ｉｓｅｘｅｃｔｅｄｔｏｂｅｆｕｒｔｈｅｒｅｎｈａｎｃｅｄａｎｄｄｅｖｅｌｏｅｄｗｉｔｈｔｈｅｉｎｔｅｒｃｒｏｓｓａｎｄｉｎｔｅｒａｔｉｏｎｏｆｔｒａｄｉｔｉｏｎａｌｍｏｄｅｌｓｓａｔｉａｌ　　　　　　　　　　　　　　　ｐｐｇｐ

ｔｅｃｈｎｏｌｏａｎｄｅｘｅｒｔｓｓｔｅｍ．ｉｎｆｏｒｍａｔｉｏｎ　　　ｇｙｐｙ　

；；；Ｋｅｗｏｒｄｓ：ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｒｅｉｏｎａｌｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｍｅｎｔｎｏｎｌｉｎｅａｒｓｓｔｅｍａｔｉｃｍｅｔｈｏｄ　　　　　ｇｐｙｙ　

诸如系统动力学、灰色系统理论、层次分析法、主成分分析法、模糊数学方法等在区域可持　　系统学方法，

续发展定量研究中占有重要地位．这些方法取得满意效果的前提是对系统机理的深刻认识，方法选择及指标权重的处理是其关键．对系统特征及性质的不同理解以及主客观权重本身存在的缺陷导致模型、参数及结果

２０１１０４２６　收稿日期：－－

；省部共建河南大学研究基金资助项目１０ＪＪＤＺＯＮＧＨＥ０１５）　基金项目：国家教育部人文社会科学重点研究基地重大项目（

（）；）聊城大学校级基金项目（ＳＢＧＪ０９０１１１Ｘ０９０１６

，女，山东招远人，博士，讲师．主要研究空间分析与区域系统建模．１９７７－）　作者简介：张金萍（

：Ｅ－ｍａｉｌｉｎｃｅｎｕ．ｅｄｕ．ｃｎ　＊通讯作者，＠ｈｑｙ

６００　，河南大学学报（自然科学版）第４２０１１年，１卷第６期存在较大差异．实践证明，传统方法未能很好地解决区域可持续发展系统的复杂性和非线性难题，而基于数

，ＡＮＮ）法解决此类问题有其独特优势．据驱动的人工神经网络（ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｓ　　

人工神经网络能以简单的结构模拟人脑的思维方式，实现专家知识和经验的自动获取，理论上可以任意

其理论和实践源于控制领域中不同于冯·诺依曼数字计算机技术精度自适应地逼近任意非线性连续函数，

的神经网络计算机研究．模式识别、信号处理、知识工程、专家系统、优化组合、智能控制等自动控制领域是其主要用武之地．但作为一种“黑箱”模型，人工神经网络是一种功能模拟技术，它跳出了系统结构和过程的束

１］，）缚，直接着眼于系统的输入和输出［其自组织、自学习、自适应、鲁棒（性和容错性的特点为复杂非ｒｏｂｕｓｔ

因而在地理学、生态学、经济学、地质学等领域也获得了成功的应用．线性系统建模提供了有效的解决方案，

中国区域可持续发展研究大致可概括为战略研究、综合研究、评价系统研究、预测研究、资源环境和产业

生态研究、区域协调研究、城市研究以及省区研究等主要领域．人工神经网络法强于评价系统研究发展研究、

和预测研究，其在中国区域可持续发展研究中的应用始于环境质量评价，逐渐扩展到资源可持续利用、区域综合评价与预测、预警等领域．

１　环境质量评价

这一领域中人工神经网络法的主要应用是单一自然要素（水、土壤、大气等）的环境质量评价，而在生态环境质量综合评价中的应用近年来正逐渐得到重视．

１．１　单一自然要素环境质量评价

水质及水环境富营养化评价是人工神经网络法在中国区域可持续发展研究中较早涉足的领域，已经形

］］］２－３４－６７－８９］、、、成覆盖地下水［河流［湖泊［海洋［等水环境质量评价的较完善的神经网络应用模式．早期的水

，神经网络，选取对应国家水环境质量标准中的全部或环境评价多采用标准误差反传（ｂａｃｋＢＰ）ｒｏａａｔｉｏｎ　ｐｐｇ

部分指标作为评价标准．其结构多为含有一个隐层的３层网络，输入层节点数对应于指标数，输出层节点对

］应于评价级别，用数值介于［区间的一个节点表示，或根据评价级别数目而采取基向量的形式，以拉大不０，１

同级别间的特征差距．隐层节点数的选择多采用试错法，或根据已有研究的经验公式进行初选，再经反复试验确定．训练样本的数量及代表性决定神经网络泛化能力，而以卢文喜、倪深海等为代表的早期研究以某种

］１０－１１，评价等级数对应于训练样本数．数据量太少使得神经网络根本不环境要素的评价标准作为训练样本［

可能掌握分级规则，既不满足建模条件又不具备泛化能力的神经网络影响了其应用价值．

近几年的研究主要是通过随机生成技术和线性内插技术在评价等级之间派生出足够数量的训练样本以解决其代表性问题，对标准Ｂ李梅等采用附Ｐ算法本身的改进及多种神经网络模型的应用也日益丰富多彩．

［２］，以改善标准Ｂ加动量项及自适应调节学习率的改进ＢＰ算法应用于水环境质量评价１Ｐ算法容易陷入局

部极小且收敛速度慢的缺陷．陈守煜等将模糊数学方法与Ｂ形成模糊神经网络，使识Ｐ神经网络结合起来，

１３］，Ｒ别系统的柔性处理能力得到很大提高［罗定贵等应用径向基函数（网络自适．ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎＢＦ）　　

２］，应确定地下水质评价的神经网络结构［由于无需人为确定初始权值，避免了Ｂ冗长的计算，学Ｐ算法繁琐、

、习收敛速度快，其应用日益得到重视．概率神经网络（自组织特征映射ｎｅｕｒａｌｎｅｔｗｏｒｋ，ＰＮＮ）ｒｏｂａｂｉｌｉｓｔｉｃ　　ｐ

神经网络（等无导师算法用于解决生态环境模式的分类问题，在区域可ｓｅｌｆｏｒａｎｉｚｉｎｆｅａｔｕｒｅｍａＳＯＦＭ）－　ｇｇｐ，　

持续发展中的应用则刚刚兴起．

１４］１５］、人工神经网络模型在土壤［大气［环境质量评价中的研究相对较弱，这可能与对应国家标准中原始

数据量较少、指标标准值差距较大以及监测数据的获取难度有关．与水环境质量评价过程类似，人工神经网络的应用以有导师的Ｂ问题仍然集中在采用评价等级做训练样本所带来的样本量不足和代表Ｐ算法为主，

性不强等方面．

当前单一自然要素环境质量评价根据相关标准生成训练样本的实质是默认指标之间相互独立，即样本的综合质量评价等级与单个评价因子所处的级别相对应，并且由其最低级别所决定，然而这种“一票否决”的做法忽略了环境要素指标间不同程度的协同作用，可能造成评价的失真．因此，研究的进一步完善依赖于现有评价标准基础上的指标分类研究及指标间相互依存关系的深入探索．

１．２　生态环境质量综合评价

生态系统具有整体性和动态性，尽管目前其内部结构和动态机理尚无定论，但神经网络模型成功绕过该

张金萍，等：人工神经网络在中国区域可持续发展研究中的应用６０１　

环节，逼真地模拟输入输出因子间复杂的非线性关系，其与生态系统的结构模拟技术相结合取得了单一传统方法研究无法比拟的效果．

１６］１７］、国内在应用Ｂ诸如宋松柏［吴开亚［等人采用的以评价标准Ｐ算法进行生态环境质量综合评价时，

１］，周敬宣利用已有历史监测数据作为训练样本［李洪义等将遥感解译内插来生成训练样本是最常用的做法．

１８］与实地监测相结合以获得训练样本［人工神经网络与３．Ｓ技术相结合获取训练样本是区域可持续发展评

价研究的新选择．研究表明，多学科交叉和融合使得典型训练样本集的获取方式更加多样化，这为神经网络模型在生态环境质量综合评价中的深层次应用奠定了基础．辅以系统动力学等结构模拟技术及新兴的空间

充分发挥人工神经网络可以从整体上把握系统因子间内在响应模式的优势，进行系统内部结构和信息技术，

过程之间耦合关系的深度挖掘，将是生态系统建模崭新的发展方向．

２　资源可持续利用评价

］］１９－２０２１－２２２３］、神经网络在资源可持续利用评价中的应用主要集中于水资源［土地资源［和油气资源［等方

面．资源可持续利用评价的传统方法严重依赖于权重设置，而广泛采用的层次分析法赋权存在较大争议，反映在专家知识和经验的偏差可能造成较大的系统误差，使结果易受人为因素制约．从本质上看，资源可持续利用评价属于模式识别问题，采用擅长解决此问题的神经网络模型进行定量研究是一个新的尝试．

此类研究多选易于分级的指标，进行内插或随机生成足够多的训练样本以构造基于ＢＰ算法的神经网

１９］络，如宋松柏等的研究［作为网络的输出，可持续利用等级与输入指标的等级相对应，从而突破传统方法．

２４］评价结果易受人为因素影响的局限，更能反映资源的自然规律与本质特征．以尹君等［为代表的少数研究

或直接由专家给出各样本的评价级将传统方法的评价结果按照专家意见修正之后作为训练样本的输出值，

别作为期望输出，这种方法本质上仍然是对专家知识和经验的模拟，尽管可以引入专家定性决策，但由于目前尚不存在公认的资源可持续利用标准，如何避免由于专家的主观判断带来的误差是需要着重考虑的因素．

值得注意的是，适应于神经网络的训练及建模需求，资源可持续利用评价指标体系往往只由与该种资源

极少设置子系统级指标．若采用指标内插或随机生成技术构造训练样本集，则指密切相关的少数指标构成，

这与传统方法动辄数十个指标、子系统间关系错综复杂的庞大体系形成鲜明对标必须易于确定其评价等级，

比．小规模、结构简单的神经网络在很大程度上可以避免陷入局部极小，提高模型精度，但有时为了建模需要不得不舍弃一些重要指标，可能存在指标覆盖面较小，难以对资源可持续发展作出全面解释的问题．并且，由于资源可持续利用评价理论尚不完善，针对不同方法的评价标准常有较大差异，使得基于人工神经网络的资源可持续利用评价和以传统压力－状态－响应（模型的研究结果之间可比性不强．目前基于人工神经ＰＳＲ）

网络建模的资源持续利用指标体系构建与评价标准研究、指标的临界区间划分研究等是亟待解决的问题．

预警３　可持续发展综合评价与预测、

区域可持续发展系统的功能并非资源、环境、社会、经济等子系统的简单叠加，而是其复合．传统方法很难定量描述这种复杂的非线性耦合关系，在简化处理时往往造成信息不同程度的丢失．神经网络模型则可更好地把握系统的这种非线性本质，不仅用于系统现状评价研究，也为复杂系统的调控、预测及预警提供了新的思路．

３．１　可持续发展综合评价

在应用人工神经网络研究时，国内可持续发展综合评价与环境质量评价建模的原理不同．环境质量评价多有现成国家标准或经验研究结果作为评价等级划分依据，这是神经网络模型得以成功运用的重要基础．然而，区域可持续发展综合评价的大多数指标很难确定其最佳值范围，给神经网络建模带来一定的障碍．许月

２５］，卿采用类似水质评价的方法［将经济子系统各指标根据规划值或标准值进行分级从而确定网络的输入和

输出，在缺少公认标准的情况下尽管存在一定的主观性，但不失为一个有益的探索．

采用人工神经网络法研究区域、企业等对象的可持续发展问题，均取得了较好的效果．李双成以中国３１个省市（自治区）经济、资源和环境状况作为待分样本，采用自组织特征映射网络，用Ｓ１９９６年的社会、ＯＦＭ

２６］，进行了可持续发展区域差异的判定［结果与专家的判断基本近似．薛荔等以模糊推理系统和ＢＰ神经网络

２７］相结合的模糊神经网络（来模拟广州市生态经济系统的功能，证明了模型的有效性［朱祖平等应用ＦＮＮ）．

６０２　，河南大学学报（自然科学版）第４２０１１年，１卷第６期

２８］构建模糊Ｂ提供了该领域定量分析有效的新途径［Ｐ神经网络模型对企业技术创新效果进行综合评价，．

预警研究３．２　可持续发展预测、

、目前区域可持续发展预测、预警问题主要采用系统动力学、灰色ＧＭ（回归分析等常规模型来研１，１）

但其应用效果多不甚理想．系统动力学尽管可以处理高阶次、非线性、多重反馈复杂时变系统的问题，但究，

模型的建立与研究人员的专业知识、对系统机理的把握程度密切相关．灰色ＧＭ（尽管可以实现小数据１，１）

量建模，但其预测精度依赖于原始数据是否呈指数规律变化．回归分析模型尽管可以建立因素间的预报方程式，但自变量选取常受统计检验的限制而无法全部进入模型，不能反映系统复杂的非线性关系．神经网络不

没有数据分布形式的限制，经过学习就能达到精确模拟与预测需要建立反映系统内部动力机制的数学模型，

的目的．另外，传统模型对数据质量有较高的要求，很小的扰动往往会引起预测结果较大的变化．相比而言，神经网络模型具有较强的鲁棒性，并且，通过有意识的在训练时引入噪声，可使容错能力进一步增强．

此类研究主要以Ｂ预警模型，多运用滚动预测技术，根据多Ｐ、ＲＢＦ等有导师神经网络为核心构建预测、

年历史数据，用指标前若干年（月）的数值作为输入，而用其随后若干年（月）数据作为输出来训练和检验模型预测能力，这种做法的特点是输入与输出节点的内涵与数目相同．另一种做法是建立反映输入输出间关系的指标体系，采用指标多年历史数据来作为训练样本，输入与输出节点数多不相同且常存在直接或间接的因果

这两种方法在理论和操作上均可行，因而建模效果较好．人工神经网络出色的数据处理能力使其在生关系．

２９］态环境、水土资源、城市、经济系统［等可持续发展预测、预警领域取得了令人瞩目的进展．

杨娟等利用遗传神经网络模型分析成都市各年人均生态足迹值与其主要影响因素之间的内在关系，并

３０］苏安玉等采用改进的Ｂ对三江平原创业农场地下水以此来预测未来生态足迹发展趋势［．Ｐ神经网络模型，

３１］埋深进行动态预测，使预测精度显著提高［胡茂桂等运用人工神经网络与元胞自动机的结合，利用Ｅ．ＴＭ

遥感影像对莫莫格国家级湿地自然保护区的土地覆被变化进行动态模拟和预测，与实际土地覆被类型比较

［２］预测精度提高至约８李华生等采用Ｂ得出了合理可０％３．Ｐ神经网络法建立了南京市人居环境预警系统，

３３］靠的预警结果［．

研究认为，具有良好泛化能力的人工神经网络很好地改善了同类研究的整体预测精度．遗传算法、粒子群算法等优化技术大大提高了Ｂ充分发挥人工神经网络在不确定性及随机性因素Ｐ算法的全局寻优能力，

弥补其对数据确定性方面把握的不足．但是，目前的研究多集中于某种自然资源与生态环预测领域的优势，

境要素可持续发展的预测、预警方面，对于区域可持续发展各子系统乃至综合系统的预测、预警研究很少涉

这跟预测、预警结果的表达方式有很大关系．出于服务决策的角度，系统学方法常采用一个综合指数来进及，

行结果表达，但综合指数生成方法的选择是个难题．从非线性建模角度考虑，若仍然采用神经网络模型实现，则将面临与上述区域可持续发展综合评价相同的问题．若采用传统系统学方法，二者之间的有机结合与科学解释则值得研究．除此之外，预测、预警指标的临界值确定研究、非综合指数法的结果表达方式研究等均是基于人工神经网络的区域可持续发展系统综合预测、预警研究进一步发展需要考虑的因素．

４　结论与讨论

但发展并不均衡４．１　应用范围不断拓展，

人工神经网络在区域可持续发展定量研究领域引入及应用的实践表明，该模型提供了不同于结构模拟

指引着系统学方法进一步发展的方向．虽然应用范围不断拓展，但人工神经网络在国内区域技术的新思路，

可持续发展诸领域中的发展并不均衡．自然要素尤其是水环境质量评价是人工神经网络较早涉及的领域，从早期研究的标准Ｂ较好的解决了有评价标Ｐ算法到当前多种神经网络模型及其与常规方法的交叉和融合，

准可依情况下的神经网络建模问题，提高了自然要素环境质量评价的科学性和客观性，但环境要素各指标间不同程度的协同作用需要得到进一步的重视．在区域可持续发展预测、预警领域，人工神经网络尽管最近几年才得到重视，但很快就成为研究的热点，基于多年历史数据的神经网络建模很好地把握了指标随时间变化的规律及输入输出间的复杂非线性耦合关系，使资源、环境要素的高精度趋势预测、预警研究成为可能，然而

结果表达方式单一等限制，区域可持续发展系统综合预测、预警目前尚未取得突囿于指标临界值设置困难、

破性进展．相比而言，人工神经网络在资源可持续利用评价和区域可持续发展综合评价方面的应用不甚理想，主要反映在指标评价标准的界定十分主观，而采用传统方法根据指标值计算出综合评价值的做法只能是

张金萍，等：人工神经网络在中国区域可持续发展研究中的应用６０３　

神经网络对传统方法的复制，其应用价值没有得到应有的体现，对评价机理的探究和典型训练样本集的设定是这些领域获得突破性进展的障碍．

但训练样本与网络结构的关系未得到充分重视４．２　ＢＰ网络应用广泛，

百余种人工神经网络模型中，只有少数几种在区域可持续发展定量研究中得到较广泛的应用，且以有导师算法，特别是Ｂ囿于区域可持续发展研究问题的限制，无导师算法目前多用于解决Ｐ神经网络最受关注．

区域可持续发展模式的分类问题，但应用水平尚浅，加大对其研究的力度并注重与有导师算法的结合将不断拓宽其应用领域．尽管Ｂ但其建模过程存在着若干复杂和关键Ｐ网络以低误差拟合非线性函数的能力很强，

的环节，处理不慎将直接影响应用效果．其中，训练样本的质量和数量对网络结构和性能起关键作用，表现在神经网络的泛化能力及各层次节点数的设置均与训练样本密切相关．参与训练的样本数目要多于网络的连接权值数是神经网络建模最基本的要求，否则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，但

３４］对于非学习样本，则可能出现错误的反映［鉴于区域可持续发展研究的复杂性，目前的训练样本集构建多．

采用评价等级随机生成或线性内插而派生出足够样本，但若选用有限的历史数据则不然，这种情况下除了采用“轮训”方法外，还应尽可能缩小网络规模以避免出现过拟合．对于可持续发展综合评价而言，动辄构建一个包含数十个输入节点的神经网络很难达到精确评价和预测的目的，而将其拆分成若干小规模的子网络是

另外，对于３层Ｂ当训练样本数不多于隐层节点数时，网络的系统误差不依赖值得推广的方式．Ｐ神经网络，

３５］训练样本的结构与特性而趋于０，这种网络缺乏泛化机制［然而，在目前国内区域可持续发展领域的人工．

神经网络设计过程中，常存在训练样本数量不足、模型结构过于复杂、隐层节点数存在冗余等现象，训练样本与网络结构之间相互牵制的关系没有得到充分重视．

且模型的作用经常被夸大４．３　重训练而轻检测，

在神经网络设计过程中，泛化能力是最受重视的问题．没有泛化能力的网络不具备对未知样本作出正确反应的能力，因而应用价值不大．有导师的神经网络通过典型训练集来掌握输入与输出之间所蕴含的规律，然而其泛化能力高低却不仅仅取决于训练样本，检测样本起着更为重要的作用．但是目前国内区域可持续发展研究的人工神经网络建模，往往重视训练样本集的生成和误差检验，大多不设置或仅设置少数几个样本来检验建模精度．尽管训练样本的模型预测值与其期望输出之间的误差可以达到很小，但这并不能说明神经网络具有较强的泛化能力．泛化能力必须用一定数量检验样本误差的大小来表征，而检测样本应该与训练样本

］３６－３７，相比而言，国外研究从训练到测试的建模过程非常严谨［值得国内同行借鉴．不同．

当前重训练而轻检测的现象一方面说明国内研究对神经网络的认识还不够深入，另一方面也反映了部分研究人员对神经网络模型的盲目崇拜，认为少量样本、简单训练就可以获得理想的效果，甚至达到一劳永

然而任何模型或方法都是为解决实际问题服务的，如果不去探求神经网络的数学原理，不与区域逸的目的．

可持续发展要解决的核心问题紧密结合，单凭一组数据，很难建立反映复杂系统本质的高质量模型．因此，过度简化模型适用的条件，过分夸大模型的作用只能使神经网络建模失去应有的意义．

总之，已有人工神经网络在国内区域可持续发展中的研究充分挖掘其作为功能模拟技术的优势，即不需深入了解系统的动态机理就可达到精确评价与预测的目的．神经网络模型的这一“黑箱”本质契合当前机理并不明晰的区域可持续发展模拟研究，然而更为重要的区域可持续发展调控与规划研究却依赖于对系统机理的深度剖析．神经网络模型本身不足以使人们获取对可持续发展这个复杂巨系统的全面认识，其结构及参

，数往往无法从机理上进行解释，因此不能够取代机理和结构研究．只有打开“黑箱”人工神经网络模型在区

”域可持续发展中才能得到更深层次的应用．传统模型、人工智能技术、以“为代表的空间信息技术以及专３Ｓ

家系统等与可持续发展实践的有机结合将大大推动区域可持续发展的定量化进程．

参考文献：

［］周敬宣，——以南水北调后的湖北省襄樊市为例［］陈云峰，肖杰，等．生态服务功能的动态货币化评价—生态学报，１Ｊ．２００４，

（）：２４４７４３－７４９．

［］罗定贵，］王学军，郭青．基于ＭＡ北京大学学报：自然科学版，２ＴＬＡＢ实现的ＡＮＮ方法在地下水质评价中的应用［Ｊ．２００４，

（）：４０２２９６－３０２．

［］董艳慧，］（）：周维博，赖坤容，等．基于概率神经网络的西安地区地下水水质评价［自然资源学报，３Ｊ．２００９，２４４７３７－７４２．

６０４　，河南大学学报（自然科学版）第４２０１１年，１卷第６期［］杨洁，］（）：吴贻名，万飚．汉江水质综合评价的Ｂ武汉大学学报：工学版，４Ｐ网络方法［Ｊ．２００４，３７１５１－５４．［］陈永灿，］（）：付健，刘昭伟，等．三峡水库蓄水前后近坝水域的水质评价与分析［水力发电学报，５Ｊ．２００７，２６４５１－５５．［］苏畅，］（）：沈志良，姚云，等．长江口及其邻近海域富营养化水平评价［水科学进展，６Ｊ．２００８，１９１９９－１０５．［］李家科，］（）：周孝德，李亚娇，等．灌溉排水学报，７ＲＢＦ神经网络方法在水质评价中的应用［Ｊ．２００３，２２６７０－７３．［］邓大鹏，］（）：刘刚，李学德，等．基于神经网络简单集成的湖库富营养化综合评价模型［生态学报，８Ｊ．２００７，２７２７２５－７３１．［］楼文高．］（）：海水水质评价的人工神经网络模型研究［海洋环境科学，９Ｊ．２００１，２０４４９－５３．

［］卢文喜，］（）：祝廷成．应用人工神经网络评价长春南湖水的营养状态［地理科学，１０Ｊ．１９９９，１９５４６２－４６５．［］倪深海，］（）：白玉慧．系统工程理论与实践，１１ＢＰ神经网络模型在地下水水质评价中的应用［Ｊ．２０００８１２４－１２７．［］李梅，］：孟凡玲，李群，等．基于改进Ｂ河海大学学报：自然科学版，１２Ｐ神经网络的地下水环境脆弱性评价［Ｊ．２００７，３５（３）

２４５－２５０．

［］陈守煜，］（）：李亚伟．基于模糊人工神经网络识别的水质评价模型［水科学进展，１３Ｊ．２００５，１６１８８－９１．

［］付强，］（）：王志良，梁川．自组织竞争人工神经网络在土壤分类中的应用［水土保持通报，１４Ｊ．２００２，２２１３９－４３．［］熊忠华，］（）：陈琦，郑秀梅，等．基于遗传算法的人工神经网络大气环境评价［环境科学与技术，１５Ｊ．２００５，２８４８３－８４，９４．［］宋松柏，］（）：蔡焕杰．旱区流域水土环境质量的综合定量评价模型［应用生态学报，１６Ｊ．２００５，１６２３４５－３４９．［］吴开亚，］（）：金菊良，王玲杰．区域生态安全评价的Ｂ长江流域资源与环境，１７Ｐ神经网络方法［Ｊ．２００８，１７２３１７－３２２．［］李洪义，］（）：史舟，沙晋明，等．基于人工神经网络的生态环境质量遥感评价［应用生态学报，１８Ｊ．２００６，１７８１４７５－１４８０．［］宋松柏，］（）：蔡焕杰．区域水资源可持续利用评价的人工神经网络模型［农业工程学报，１９Ｊ．２００４，２０６８９－９２．［］程瑶，］（）：孙倩，马建琴，等．区域水资源可持续利用系统评价的模糊对向传播神经网络模型［水文，２０Ｊ．２００８，２８１２８－３１．［］叶敏婷，］：王仰麟，彭建，等．基于Ｓ地理科学进展，２１ＯＦＭ网络的云南省土地利用程度类型划分研究［Ｊ．２００７，２６（２）９７－

１０５．

［］薛月菊，］（）：胡月明，杨敬锋，等．基于Ｓ农业工程学报，２２ＦＡＭ神经网络集成的土地评价［Ｊ．２００８，２４３１８４－１８８．［］李本亮，］孙岩，张喜慧，等．自构形神经网络模型在天然气储量评价中的应用初探［南京大学学报：自然科学版，２３Ｊ．２０００，

（）：３６３３９１－３９６．

［］尹君，］（）：谢俊奇，王力，等．基于Ｒ自然资源学报，２４Ｓ的城市土地集约利用评价方法研究［Ｊ．２００７，２２５７７５－７８２．［］许月卿，］（）：李双成．中国经济发展水平区域差异的人工神经网络判定［资源科学，２５Ｊ．２００５，２７１６９－７３．［］李双成．］（）：中国可持续发展水平区域差异的人工神经网络判定［经济地理，２６Ｊ．２００１，２１５５２３－５２６．

［］薛荔，］（）：刘勇，黄敏镁．生态经济可持续发展的运行与研究［武汉理工大学学报，２７Ｊ．２００６，２８６１３０－１３２．［］朱祖平，］朱彬．基于Ｂ系统工程理论与实践，２８Ｐ神经网络的企业技术创新效果的模糊综合评价［Ｊ．２００３，９：１６－２１．［］叶正波．］（）：基于人工神经网络的区域经济子系统可持续发展指标预测研究［浙江大学学报，２９Ｊ．２００３，３０１１０９－１１４．［］杨娟，］（）：王昌全，李冰，等．基于遗传神经网络的成都市人均生态足迹预测［生态学报，３０Ｊ．２００９，２９１３５９－３６７．［］苏安玉，］：李衡，濮励杰，等．基于Ｒ地理科学，３１ＡＧＡ－ＢＰ神经网络模型的三江平原地下水资源预测研究［Ｊ．２００９，２９（２）

２８３－２８７．

［］胡茂桂，］（）：傅晓阳，张树清，等．基于元胞自动机的莫莫格湿地土地覆被预测模拟［资源科学，３２Ｊ．２００７，２９２１４２－１４８．［］李华生，］（）：徐瑞祥，高中贵，等．南京城市人居环境质量预警研究［经济地理，３３Ｊ．２００５，２５５６５８－６６１．

［］赵林明，胡浩之，魏德华，等．多层前向人工神经网络［黄河水利出版社，３４Ｍ］．郑州：１９９９：９－６８．

［］董聪．］（：多层前向网络的逼近与泛化机制［控制与决策，增刊）３５Ｊ．１９９８，１３４１３－４１７．

［］３６ＥｌｈａｔｉＨ，ＫｍüｒＭ　Ａ．ＥｖａｌｕａｔｉｏｎｏｆｗａｔｅｒｆｏｒｔｈｅＭａｍａｓｉｎｄａｍｉｎＡｋｓａｒａＣｉｔｉｎｔｈｅｃｅｎｔｒａｌＡｎａｕａｌｉｔａｒａｍｅｔｅｒｓ　　　　　　　　　　　　　－ｐｙｙｑｙｐ　　　　

［］，ｔｏｌｉａｎａｒｔｏｆＴｕｒｋｅｂｍｅａｎｓｏｆａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓＪ．ＥｎｖｉｒｏｎＧｅｏｌ２００８，５３：１１５７－１１６４．　　　　　　　　ｐｙｙ　　

［］Ｋ３７ｕｍａｒＭ，ＢａｎｄｏａｄｈａＡ，ＲａｈｕｗａｎｓｈｉＮＳ，ｅｔａｌ．Ｃｏｍａｒａｔｉｖｅｓｔｕｄｏｆｃｏｎｖｅｎｔｉｏｎａｌａｎｄａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ　　　　　　　　　　－ｙｐｙｙｇｐｙ　　

［］，ｂａｓｅｄＥＴｏｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｓＪ．ＩｒｒｉＳｃｉ２００８，２６：５３１－５４５．　　　ｇ　

责任编辑：党兰学

本文来源：https://www.bwwdw.com/article/w7p1.html