基于Elman神经网络的阿拉善荒漠啮齿动物群落组成物种数量预测研究

卢志宏，武晓东*，郭利彪，付和平，满都呼，岳闯，柴享贤，包达尔罕，杨素文，叶丽娜，李燕妮

1. 内蒙古农业大学生态环境学院，内蒙古 呼和浩特 010018；2. 草业与草地资源教育部重点实验室，内蒙古 呼和浩特 010018；3. 中国农业科学研究院草原科学研究所，内蒙古 呼和浩特 010010

基于Elman神经网络的阿拉善荒漠啮齿动物群落组成物种数量预测研究

卢志宏1,2，武晓东1,2*，郭利彪3，付和平1,2，满都呼1,2，岳闯1,2，柴享贤1,2，包达尔罕1,2，杨素文1,2，叶丽娜1,2，李燕妮1,2

1. 内蒙古农业大学生态环境学院，内蒙古 呼和浩特 010018；2. 草业与草地资源教育部重点实验室，内蒙古 呼和浩特 010018；3. 中国农业科学研究院草原科学研究所，内蒙古 呼和浩特 010010

群落的数量变动及预测是生态学研究的重要内容，将神经网络技术应用到啮齿动物群落数量预测中是一种新尝试。Elman神经网络通过在前馈网络中增加延时算子，实现了记忆功能，能够对啮齿动物组成物种数量进行动态模拟和预测。以腾格里沙漠东缘荒漠为试验区，以啮齿动物数量为研究对象，采用标志重捕法，逐月监测2006─2014年每年的4─10月捕获量，建立Elman神经网络预测模型，利用2006─2013年的捕获量建立训练网络，以2014年的数据进行验证与测试，比较3种数据处理方法建立预测模型后的平均误差和拟合度，确立最优模型，预测阿拉善荒漠啮齿动物组成物种数量动态。结果表明：（1）未经归一化处理预测结果的平均误差mse为5.30，最小误差1.52%，拟合度为0.80；（2）经[0, 1]归一化处理的预测结果平均误差mse为4.51，最小误差1.54%，拟合度为0.82；（3）经[-1, 1]归一化处理预测结果的平均误差mse为5.03，最小误差1.63%，拟合度为0.69；（4）3种归一化处理后Elman神经网络模型差异不显著。通过平均误差和拟合度的比较，文章认为采用[0, 1]归一化建立的Elman神经网络能较好的预测荒漠啮齿动物数量的变化规律，应用该网络可以预测阿拉善荒漠啮齿动物组成物种数量变化趋势，对指导当地鼠情监控和防治具有重要意义。

Elman神经网络；阿拉善荒漠；啮齿动物；标志重捕法

LU Zhihong, WU Xiaodong, GUO Libiao, FU Heping, MAN Duhu, YUE Chuang, CHAI Xiangxian, BAO Daerhan, YANG Suwen, YE Lina, LI Yanni. Prediction of the Number of Rodent Community Composition Species Based on Elman Neural Network in Alasan Desert [J]. Ecology and Environmental Sciences, 2015, 24(12): 1976-1982.

种群的数量动态主要是研究种群组成数量在时间和空间上的变动规律及其调节机制，是种群生态学研究的核心理论和核心问题，为此生态学家提出了许多数学模型进行模拟和预测种群数量动态（孙儒泳，2001）。长期以来，种群生态学家通过大量研究揭示动物种群的数量变动，认为调节机制复杂多变，提出了许多种群数量动态研究的假说和理论（Chitty，1960；Christian et al.，1964；Wynne-Edwards，1962；Krebs et al.，1973；张志彬等，1998；张志彬，1999；Lima et al.，1999）。

前人应用的主要预测方法是建立线性回归方程，运用不同的预测指标，针对特定的啮齿动物建立一元或多元回归模型预测种群数量或发生等级（陈安国等，1981；朱盛侃等，1993；姜运良等，1994；王勇等，1997；董维惠等，1998；王利民等，1998；侯希贤等，2000a，2000b；杨再学等，2010）。由于建立回归方程的指标、研究对象不同，建立的预测模型存在较大差异，同时人们越来越发现用线性方程的关系反应种群数量的变动预测，具有较大的局限性。自然界中物种种群的数量变动与环境之间的关系并非是简单的线性关系。因此，对于啮齿动物种群数量动态预测，研究人员运用了指数法、灰色理论、马尔科夫链进行了模拟预测（何淼等，1996；王玉志等，1997；冯志勇等，2000；武文华等，2007）；戴应贵（2001）研究了四川邛崃县农田生境中啮齿动物结合群落密度动态变化规律。

目前，研究啮齿动物种群数量预测绝大多数只限于在种群水平上的研究，很少在群落水平上研究物种的数量动态及其预测，而未来种群和群落生态学发展的趋势是更加关注种间关系、群落动态及其维持机制，同时研究种群维持机制一直是种群生态学讨论的核心问题，也是生态学家长期面临的挑战。因此，应用神经网络技术研究啮齿动物群落组成物种的数量动态机制具有重要的理论意义和实际意义。

人工神经网络（Artificial Neural Network，ANN），简称神经网络，是由大量简单的信息单元（即神经元）通过广泛地相互连接组成的复杂网络，其建立是以仿生物学对人脑组织结构进行了全面系统研究为基础，可以模拟大脑组成结构及思维活动。人工神经网络是分析输入变量和输出变量两者之间复杂的非线性全局变化映射关系的数据处理方法。从理解模式和分析模式两者关系的本质上来看，由输入神经元和输出神经元构成的神经网络属于非线性动力系统，通过对已知事件进行学习理解分析及适应，实现非线性分析，相比较于传统的数据分析方法，神经网络具有以下优势：（1）处理逻辑关系模糊的数据；（2）特征表现模糊的数据；（3）非线性特征的数据；（4）存在噪声的随机数据。最突出的特点是任何能用传统的统计方法解决的问题，用神经网络能处理得更好、更准确、更科学（祖元刚，2004）。目前神经网络已被广泛应用于工业控制、农业产量预测、水华预测、气象预测等诸多领域的拟合和预测（徐兴梅，2014；殷高方等，2012；彭昱忠，2015）。

生态学数据多具有随机性特征，由于生物的进化和环境的变化，采用确定的数学方程预测和分析生态系统行为是十分困难的，人工神经网络在继承了统计数据处理的优点之外，表现出了数据处理的灵活性和分析结构较强的规律性，可以将不同种类、不同性质的变量联系在一起，数字化系统信息，并将客观存在系统的特征映射到数字化系统中，由此建立的模型能够模拟和分析生态系统的本质状态。Elman神经网络是在BP神经网络拓扑结构增加延时算子达到输出神经元与下一时刻输入隐含层神经元的同步性，从而实现了记忆过去动态的功能，适合于时间序列的预测研究（陈明，2013）。相关人员对存在时间序列变化规律的事件进行了预测研究，训练曲线光滑，收敛速度快，预测精度高（吴萍等，2007；王中凯等，2013；崔东文，2013；邵月红等，2014）。

对环境造成压力甚至产生危害的往往是多种啮齿动物共同作用产生的结果，啮齿动物包括不同科属的物种，生活型亦不同，对环境的利用及产生的影响亦不同，因此应用Elman神经网络模拟预测啮齿动物群落组成物种数量变动规律，可以更好地研究群落变动机理。本研究尝试应用Elman神经网络模型对阿拉善荒漠啮齿动物群落组成物种数量进行模拟预测研究，为评估鼠害危害程度、鼠疫流行强度及制定防治方案提供科学的理论指导。

1　研究地概况与方法

1.1研究地概况

研究区（E104°10′～E105°30′，N37°24′～N38°25′）位于内蒙古阿拉善左旗南部荒漠，是典型的温性荒漠草原，植物种类少，密度低，盖度一般在1%～20%之间，多为旱生、超旱生及盐生植物。冬季严寒，夏季酷热，全年气候干燥，昼夜温差大。2003─2014年最低气温-36 ℃，最高气温42 ℃；降水量45～288 mm，主要集中在7─8月份。年平均气温9.0 ℃，无霜期156 d；年潜在蒸发量3000～4700 mm。土壤贫瘠，质地松散，淋溶作用微弱。主要啮齿动物有子午沙鼠（Meriones meridianus）、三趾跳鼠（Dipus sagitta）、五趾跳鼠（Allacraga sibirica）、长爪沙鼠（Meriones unguiculatus）、小毛足鼠（Phodopus roborovskii）、 阿 拉 善 黄 鼠 （ Spermophilus alaschanicus）等。

1.2研究方法

在阿拉善左旗孪井滩建立固定的标志重捕样地，样地面积为2 hm2，以方格式布笼，笼距15 m，每个网格点上布设 1个活捕笼（42 cm×17 cm×13 cm），共计112个活捕笼，以新鲜花生米为诱饵。于2006─2014年每年的4─10月，每月月初连捕4 d。记录捕获个体种名、性别、繁殖状况、体重及捕获位置，统计捕获量。以连续4 d的捕获个体数量（不计重捕个体）表示种群数量。2006─2014年4─10月捕获比例见表1。

表1　2006─2014年4─10月捕获比例Table 1 The catch proportion of April to October in 2006─2014 %

本文采用[0, 1]、[-1, 1]归一化方法对原始数据进行处理，对比研究不同归一化神经网络模型对荒漠啮齿动物组成物种数量变化规律。归一化是指将不同量纲和数量级的数据转变成具有可比性的相同量纲和数量级的数据，反归一化是归一化的逆过程。归一化和反归一化公式如下。

其中公式（1）、（2）表示将原始数据归一化到[0, 1]区间及反归一化，xi表示第i个数据，xmax表示所有输入数据的最大值，xmin表示所有输入数据的最小值， y1i表示经[0, 1]区间归一化所得到的相应的值， x1i′表示 Elman神经网络模拟得到的预测值， y1i′表示经[0, 1]区间反归一化后对应的预测值；公式（3）、（4）表示将原始数据归一化到[-1, 1]区间及反归一化，同xi、xmax、xmin同上，其中常数项（-1）的作用是将归一化后的值限定在[-1, 1]之间，

y2i表示表示经[-1, 1]区间归一化所得到的相应的值， x2i′表示Elman神经网络模拟得到的预测值， y2i′表示经[-1, 1]区间反归一化后对应的预测值。

1.3Elman神经网络原理和方法

1.3.1Elman神经网络网络原理

Elman神经网络是典型的反馈神经网络，通过在隐含层中增加承接作用的延时算子，使上一时刻输出神经元与下一时刻输入神经元同时作为隐含层输入单元，实现了记忆功能，使网络具有适应时变能力，能够反应系统动态过程的特征（高玮等，2001；王小川等，2013）。Elman神经网络由Elman于 1990年针对语音处理问题提出来的，该神经网络通过延时算子将隐含层输出神经元延迟到与下一时刻输入神经元信息同时作为输入信号，实现了对历史数据进行反馈，增加了Elman网络处理输入与输出数据的能力，从而达到了动态建模的目的（刘天舒，2001）。

反馈型神经网络，又称递归网络，注重全局稳定性方面的研究，是反馈动力学系统，反向传播的实现比前向传播更具强大的计算能力，主要作用是优化和预测，Elman网络是一种重要的预测模型。

Elman型回归神经元网络一般分为4层：输入层、中间层（隐含层）、承接层和输出层（图 1）。输入层主要是传输信号，输出层通过加权计算实现信息输出，隐含层实现前一时刻和下一时刻信号的传递，有线性和非线性函数；承接层实现了上一时刻的输出信号与下一时刻输入信号同时输入，可以认为这一步是一个延时算子，可实现记忆的功能。以图1（崔东文，2013；王小川，2013）为例，Elman网络的非线性状态空间表达式（崔东文，2013；王小川，2013）为：

图1　Elman网络的非线性状态空间表达式Fig. 1 Nonlinear state space expression of the Elman NeuralNetwork

式中：y、x、u、xc分别表示m维输出节点向量、n维中间层节点单元向量、r维输入向量和n维反馈状态向量；w3、w2、w1分别表示中间层到输出层、输入层到中间层、承接层到中间层的连接权值；g为输出神经元的传递函数，是中间层输出的线性组合；f为中间层神经元的传递函数，常采用S函数。

Elman神经网络也采用BP算法进行权值修正，学习指标函数采用误差平方和函数。表达式为：

式中：y^k(k)为目标输入向量。

Elman神经网络通过前馈神经网络中加入延时算子，从而加强了记忆功能，通过误差反向传播，逐层调整连接权值和阈值，最终确定最优的权值和阈值，并将其储存，进而对真实数据进行模拟和预测，从而解决实际问题。

1.3.2Elman神经网络的设计

在MATLAB神经网络工具箱中函数initnw初始化函数及其参数值确定网络权值及初始值，以Nguyen-Widrore网络初始化方法进行，权值和阈值的方向传播函数为 leargdm。Elman网络训练采用train函数，在梯度下降BP算法的基础上，与目标序列进行比较并产生一序列误差进行反向传播，以确定每一个权值和阈值的误差梯度，进行反向权值修正，从而提高网络性能。训练结束后，采用 sim函数来仿真网络输出，用plot函数绘制误差曲线，用 postreg函数对训练结果进行分析，用误差性能函数mse检验误差大小。

1.3.3样本设计

本研究以啮齿动物群落物种数量作为研究对象，以历史观测数据（表 1）作为研究样本，是按时间序列排列的数字序列，它们之间具有某种统计意义上的关系，该样本是随时间变化而变化的。高玮等（2001）指出在时序分析方面采用递归网络更合理。因此引入对时间序列和历史数据更为敏感的递归型Elman神经网络动态预测模型，利用连续N（N≥1）个的数据来预测未来 M个时刻的值（王小川等，2013；刘天舒，2011），从而对啮齿动群落物种群数量进行分析。

啮齿动物种群数量是基于时间序列对复杂环境因子的综合表现，种群数量动态变化受到历史种群数量的制约，因此选择2006─2013年这8年的数据作为神经网络的训练样本，前3年的种群数量作为输入向量，第4年的种群数量作为目标向量，可以得到6组训练数据，2014年的数据作为网络的测试样本，用于验证预测的准确性。

2　结果与分析

2.1未归一化Elman神经网络

由表2可知，4─9月份的预测误差均小于25%， 8月份的预测误差仅为1.52，误差百分比为5.24%，10月预测值和实测值的差值较大，预测趋势和实际变化趋势基本吻合。由图2可知，预测值变化趋势接近实测值，经回归分析可知，拟合度为 0.80（P=0.0065）。2014年平均误差mse为5.30。

表2　2014年未归一化Elman神经网络预测结果Table 2 Predict result of 2014’ not normalized Elman ANN

图2　2014年未归一化Elman神经网络预测结果Fig. 2 Predict result of 2014’ not normalized Elman ANN

2.2[0, 1]区间归一化Elman神经网络

由表3可知，4─9月份的预测误差均小于16%，8月份的预测误差仅为1.54，误差百分比为5.31%，10月预测值和实测值的差值较大，预测趋势和实际变化趋势基本吻合。由图3可知，预测值变化趋势接近实测值，经回归分析可知，拟合度为 0.82（P=0.0047）。2014年平均误差mse为4.51。

表3　2014年[0, 1]区间归一化Elman神经网络预测结果Table 3 Predict result of 2014’ [0, 1] normalized Elman ANN

图3　2014年[0, 1]归一化Elman神经网络预测结果Fig. 3 Predict result of 2014’ [0, 1] normalized Elman ANN

表4　2014年[-1, 1]区间归一化Elman神经网络预测结果Table 4 Predict result of 2014’ [-1, 1] normalized Elman ANN

2.3[-1, 1]区间归一化结果Elman神经网络

由表4可知，4─9月份的预测误差均小于20%，7月份的预测误差为1.83，误差百分比为5.72%，10月预测值和实测值的差值较大，预测值变化趋势和实测值基本吻合。由图4可知，预测值变化趋势接近实测值，经回归分析可知，拟合度为 0.685（P=0.0216）。2014年平均误差mse为5.03。

图4　[-1, 1]归一化Elman神经网络预测结果Fig. 4 Predict result of 2014’ [-1, 1] normalized Elman ANN

2.43种处理方式分析

由表5可知，3种归一化处理建立的神经网络模型的预测值、误差、误差百分比差异不显著；通过比较神经网络性能评价指标（拟合度 R2和平均误差mse）发现，，，均以[0, 1]归一化建立的模型最小，因此[0, 1]归一化建立的模型较为理想。

表5　不同归一化预测模型Table 5 Predict model of different normalized

3　讨论

3.1种群数量变动规律

种群数量变动规律的研究始终是种群生态学研究的核心内容，有关啮齿动物种群数量变动规律，国内外取得了较好的研究结果（房继明，1989，1994；杨春文，1996；陈安国等，1981；董维惠等，1993，1998；姜运良等，1994；侯希贤等，2000a，2000b；杨再学等，2013；Ostfeld et al.，2000；Adamík et al.，2008；Letnic et al.，2011；Meserve et al.，2011；Leanne et al.，2014；Georgy，2014）。小型兽类种群数量一般存在季节消长规律，长期定点研究是最基本的研究方法（武文华等，2007；丁平等，1989；杨泽龙等，2005）。杨再学等（2015）经过30多年监测，发现黑线姬鼠种群数量的消长变化规律发生了改变，由前峰型变为了后峰型；贵州地区黑线姬鼠在1年内出现次数不等、数量高峰出现时间不同的现象（杨再学等，2015），黑腹绒鼠种群数量全年出现两个数量高峰，不同月份变异较大（杨再学等，2013）。戴应贵（2001）发现四川邛崃县平原农田啮齿动物结合群落密度在84个月中有8个月有明显的峰值，表现出不规律的交替升降动态变化，大足鼠种群与结合种群密度具有显著相关性，与结合种群密度具有相似的动态变化规律。降雨促使食物资源增加，导致以茎叶和种子为食物的啮齿动物数量增加，不同种类存在不同的延迟效应（Letnic et al.，2011；Ostfeld et al.，2000；Georgy，2014）。干旱到来时，数量下降很快（Leanne et al.，2014）。Adamík et al.（2008）发现温度对鹿鼠数量有很大的影响。不同生命跨度的物种在降雨后几周到一年出现数量高峰（Letnic et al.，2011；Meserve et al.，2011）。影响啮齿动物群落数量变化的因素包括气象因子、食物资源（植物）、干扰等外部因子和啮齿动物本身生命跨度、繁殖、躲避天敌、竞争等内部因子共同发挥作用。在群落水平上研究啮齿动物组成物种数量变化规律，这种规律呈现出复杂性和可变性，增加了预测的难度。造成鼠害的鼠种往往不是一种啮齿动物，而是几种啮齿动物的结合种群密度，实际生产中对草地（农田、林地）造成损失的往往是啮齿动物群落。本研究旨在根据历史啮齿动物群落数量进行学习预测。如上所述，以往的研究大部分针对1种啮齿动物从不同角度进行研究，很少一部分研究针对啮齿动物群落数量进行研究。啮齿动物群落数量受到气候、植物、食物、天敌以及种间、种内关系综合作用达到暂时平衡状态，这种平衡状态随时间变化而表现出复杂的变化规律。

经过归一化处理的数据能够促进神经网络的收敛速度和预测精度，归一化方法因研究对象不同而存在差异，本研究表明经过[0, 1]归一化能够提高啮齿动物物种组成数量的预测精度，更加准确模拟群落数量动态规律；对未来群落数量进行了预测，取得了较好的结果（R2>0.8）。

3.2种群数量预测方法

啮齿动物种群数量预测主要是对等级预测和种群数量（密度）进行预测。武文华等（2007）应用马尔科夫链各阶转移概率矩阵，冯志勇等（2000）利用平滑指数法，姜运良等（1994）通过逐步回归分析，准确预测不同鼠种捕获率等级和发生等级；王玉志等（1997）运用灰色系统，以种群数量为主行为序列，其它因子为相关因子序列，建立了动态模型。侯希贤等（2000a；2000b）应用捕获率、繁殖指数建立了线性回归模型分别对小毛足鼠和子午沙鼠进行了短、中、长期预测。不同科研工作者运用不同的方法对啮齿动物数量进行了预测，取得了良好的效果。本文运用捕获量建立了Elman神经网络，实现了连续预测，并取得了较好的效果，最小误差仅为5.13%。

影响啮齿动物种群数量的内部因素和外部因素众多，包括气象、植物、干扰以及不同物种繁殖能力、寿命、对环境的适应能力，但究竟是内部因素还是外部因素起主要作用，以往的研究得出不同的结论，实际上是内部因素和外部因素共同作用影响了种群和群落的数量变化，因此使预测变得十分困难。Letnic et al.（2011）认为预测的困难主要是在什么时间、什么地点出现数量爆发的把握上。侯希贤等（2000a）认为选用诸如捕获率、繁殖指数等这些指标均未体现外部因素的具体数值，但均受到了外部因素的影响，这种影响受种群繁殖、生存策略等的影响，选用这些指标使模型简单，便于推广。

从分析对象来看，神经网络的优势在于分析背景知识模糊的、相互影响关系不清楚的，即存在频繁干扰的大通量信息；从预测结果来看，神经网络的特长在于搜索相对精度较低而比较满意的结果，放弃高精度但难以实现的结果，从而大大增加了满意结果的效率以及解决实际问题的能力。组成神经网络的基本单元及神经元通过从临近的大量其它基本单元接受信号及同步传递信号的相互作用机制来实现其信息处理功能。相互独立的神经元通过物理联系实现存储功能，连接权值的动态变化实现了网络的学习和识别，若输入与输出间映射关系为F，则神经网络通过线性转换实现 F的简单线性函数复合的最近逼近，实现样本的输入与输出。本文正是根据这样的思路，通过比较不同归一化方法建立Elman神经网络，预测啮齿动物数量，过程简单，结果较为满意。本文为进一步研究群落格局变化、物种的消失与更替奠定了一定基础。Vellend（2010）指出生态学家面临着清晰阐述群落格局和过程的连续动态过程，这种变化过程是下一步研究的重点内容和方向。

4　结论

Elman神经网络模型凭借着其自身输入与输出高度的非线性映射的优势，为基于时间序列的啮齿动物种群数量的预测提出了新方法，相对于传统的预测方法，Elman神经网络模型基于历史数据，反应复杂环境因子对种群数量的综合作用，能够较好地预测未来的发展趋势。

本文通过对比不同归一化 Elman神经网络模型，结果表明[0, 1]归一化处理建立的神经网络在啮齿动物种群数量方面的预测，取得了较好的拟合效果（R2=0.82，P=0.0065），平均误差较小（mse=4.51），4─9月份的预测准确率超过了80%，可以指导实际应用。

致谢：本文使用了近十年的野外数据，饱含着内蒙古阿拉善盟草原工作站工作人员、历届师兄师姐师弟师妹们的辛苦工作，在此对你们表示衷心的感谢！

ADAMÍK P, KRÁL M. 2008. Climate- and resource-driven long-term changes in dormice populations negatively affect hole-nesting songbirds [J]. Journal of Zoology, 275(3): 209-215.

CHITTY D. 1960. Population processes in the vole and their reference to general theory [J]. Canadian Journal of Zoology, 38(1): 99-113.

CHRISTIAN J J, DAVIS D E. 1964. Endocrines,behavior and population [J]. Science, 146(3651): 1550-1560.

GEORGY SHENBROT. 2014. Population and community dynamics and habitat selection of rodents in complex desert landscapes [J]. Mammalia, 78(1): 1-10.

KREBS, C J, GAINES M S, KELLER B L, et al. 1973. Population cycles in small rodents [J]. Science, 179: 35-41.

LEANNE M HEISLER, CHRISTOPHER M SOMERS, RAY G POULIN. 2014. Rodent populations on the northern Great Plains respond to weather variation at a landscape scale [J]. Journal of Mammalogy, 95(1): 82-90.

LETNIC M, STORY P, STORY G, et al. 2011. Resource pulses, switching trophic control, and the dynamics of small mammal assemblages in arid Australia [J]. Journal of Mammalogy, 92(6): 1210-1222.

LIMA M, KEYMER J, JAKSIC F. 1999. El Nino-Southern Oscillation-Drived rainfall variability and delayed density dependence cause rodent outbreaks in Western South America: Linking demography and population dynamics [J]. The America Naturalist, 153(5): 476-491.

MESERVE P L, KELT D A, PREVITALI M A, et al. 2011. Global climate change and small mammal populations in north-central [J]. Journal of Mammalogy, 92(6): 1223-1235.

OSTFELD R S, KEESING F. 2000. Pulsed resources and community dynamics of consumers in terrestrial ecosystems [J]. Trends in Ecology and Evolution, 15(6): 232-237.

VELLEND M. 2010. Conceptual synthesis in community ecology [J]. The Quarterly Review of Biology, 85(5): 183-206.

WYNNE-EDWARDS V C. 1962. Animal Dispersion in Relation to Social Behavior [M]. New York: Hafner.

陈安国, 朱盛侃, 李春秋, 等. 1981. 新疆北部农业区害鼠的研究（六）小家鼠种群数量消长同气候的关系[R]//灭鼠和鼠类生物学研究报告[M]. 北京: 科学出版社: 69-93.

陈明. 2013. MATLAB神经网络原理与实例精解[M]. 北京: 清华大学出版社: 278-307.

崔东文. 2013. 改进Elman神经网络在径流预测中的应用[J]. 水利水运工程学报, 4(2): 71-77.

戴应贵. 2001. 川西平原农田啮齿动物群落动态: 年间变动和季节变动[J]. 兽类学报, 21(1): 23-34.

丁平, 鲍毅新, 诸葛阳, 等. 1989. 萧山围垦农区小型兽类种群动态的研究[J]. 兽类学报, 9(2): 35-42.

董维惠, 侯希贤, 林小泉, 等. 1993. 黑线仓鼠种群数量动态预测研究[J].生态学报, 13(4): 300-304.

董维惠, 侯希贤, 周延林, 等. 1998. 黑线毛足鼠种群数量动态及预测研究[J]. 草地学报, 6(34): 207-211.

房继明, 孙儒泳. 1989. 布氏田鼠种群数量的季节动态与鼠洞的关系[J].兽类学报, 9(3): 202-209.

房继明, 孙儒泳. 1994. 布氏田鼠数量和空间分布的年际动态及周期性初步分析[J]. 动物学杂志, 29(6): 35-37.

冯志勇, 黄秀清, 颜世祥, 等. 2000. 黄毛鼠种群数量中、长期测报模型的研究[J]. 广东农业科学, (5): 47-49.

高玮, 郑颖人. 2001. 岩土工程位移预测神经网络建模的几个问题[J].地下空间, 21(5): 369-374.

何淼, 林继球, 翁文英, 等. 1996. 板齿鼠种群数量中长期预测的时间序列模型[J].兽类学报, 16(4): 297-301.

侯希贤, 董维惠, 杨玉平, 等. 2013. 鄂尔多斯沙地草场小毛足鼠种群数量动态分析[J]. 中国媒介生物学及控制杂志, 14(3): 177-180.

侯希贤, 董维惠, 周延林, 等. 2000a. 鄂尔多斯沙地草场小毛足鼠种群数量动态及预测[J]. 中国媒介生物学及控制杂志, 11(1): 7-10.

侯希贤, 董维惠, 周延林, 等. 2000b. 子午沙鼠种群数量动态及预测[J].生态学报, 20(4): 711-714.

姜运良, 卢浩泉, 李玉春, 等. 1994. 山东阳谷县黑线仓鼠种群数量预测预报[J].兽类学报, 14(3): 195-202.

刘冰, 郭海霞. 2014. MATLAB神经网络超级学习手册[M]. 北京: 人民邮电出版社: 242-252.

刘天舒. 2011. BP神经网络的改进研究及应用[D]. 哈尔滨: 东北农业大学: 20-32.

彭昱忠，王谦，元昌安，等. 2015. 数据挖掘技术在气象预报研究中的应用[J]. 干旱气象, 33(1): 19-27.

邵月红, 林炳章, 叶金印, 等. 2014. 基于 Elman 动态神经网络的降雨—径流模拟研究[J]. 大气科学学报, 37(2): 223-228.

孙儒泳. 2001. 动物生态学原理（第三版）[M]. 北京: 北京师范大学出版社: 122-139.

王利民, 周延林, 董维惠, 等. 1998. 库布其沙地黑线仓鼠种群数量动态的研究[J]. 内蒙古大学学报, 29(1): 109-113.

王小川, 史峰, 郁磊, 等. 2013. MATLAB神经网络43个案例分析[M].北京: 北京航空航天大学出版社: 196-200.

王勇, 陈安国, 郭聪, 等. 1997. 洞庭湖稻区黑线姬鼠种群数量预测[J].兽类学报, 17(2): 125-130.

王玉志, 卢浩泉, 陈安, 等. 1997. 灰色系统在华北平原旱作区黑线仓鼠种群数量预测预报中的应用[J]. 动物学报, 43(增刊): 107-112.

王中凯, 梁秀娟, 肖长来, 等. 2013. Elman神经网络在平原区降水入渗补给预测中的应用[J]. 节水灌溉, (7): 42-44.

吴萍, 迟道才, 王殿武, 等. 2007. Elman反馈型神经网络模型在灌溉用水量预测中的应用[J]. 沈阳农业大学学报, 38(4): 586-589.

武文华, 付和平, 武晓东, 等. 2007. 应用马尔可夫链模型预测长爪沙鼠和黑线仓鼠种群数量[J]. 动物学杂志, 42(6): 69-78.

徐兴梅，曹丽英. 2014. 基于粗糙集和BP神经网络的粮食产量预测研究[J]. 东北农业大学学报, 45(10): 55-100.

杨再学, 金星, 郭永旺, 等. 2010. 高山姬鼠种群数量动态及预测预报模型[J]. 生态学报, 30(13): 3545-3552.

杨春文，张春美，张广臣, 等.1996. 长白山地林区棕背䶄种群数量分布及变动的研究[J]. 森林病虫通讯, (3): 9-11.

杨再学, 金星, 郭永旺, 等. 2015. 贵州省不同地区黑线姬鼠种群数量动态分析[J]. 山地农业生物学报, 34(1): 13-17.

杨再学, 雷邦海, 金星, 等. 2013. 凯里市黑腹绒鼠种群数量变动规律[J].中国农学通报, 29(36): 378-381.

杨泽龙, 傅和平, 武晓东, 等. 2005. 内蒙古阿拉善荒漠啮齿动物群落格局的干扰效应[J]. 内蒙古农业大学学报, 26(2): 28-34.

殷高方, 张玉钧, 胡丽, 等. 2012. BP神经网络在水华短期预测中的应用[J]. 北京理工大学学报, 32(6): 655-660.

张志彬, 王祖望. 1998. ENSO现象与生物灾害[J]. 中国科学院院刊, 13(1): 34-38.

张志彬. 1999. 厄尔尼诺与大尺度、超长期生物灾害预警[J]. 中国科学院院刊, (1): 34-36.

朱盛侃, 陈安国. 1993. 小家鼠生态特征与预测[M]. 北京: 科学出版社: 197-250.

邹波, 张慧娣, 魏明峰, 等. 2007. 晋西林区地面害鼠数量的季节变化与防治技术研究[J]. 中国植保导刊, 27(12): 8-11.

祖元刚，赵则海，于景华，等. 2004. 非线性生态模型[M]. 北京: 科学出版社: 530-572.

Prediction of the Number of Rodent Community Composition Species Based on Elman Neural Network in Alasan Desert

LU Zhihong1,2, WU Xiaodong1,2*, GUO Libiao3, FU Heping1,2, MAN Duhu1,2, YUE Chuang1,2, CHAI Xiangxian1,2, BAO Daerhan1,2, YANG Suwen1,2, YE Lina1,2, LI Yanni1,2
1. College of Ecology and Environmental Science, Inner Mongolia Agricultural University, Hohhot 010018, China; 2. Key Laboratory of Prataculture Grassland Resources, Ministry of Education, Huhhot 010018, China; 3. Grassland Research Institute, Chinese Academy of Agricultural Sciences, Huhhot 010018, China

The fluctuation and prediction of population is one of important research contents in ecology, however, it is necessary to explore new approaches. In this study, a novel method was used in rodent population prediction by neural network technology. The neural network of Elmam has the function of memory, which can simulate and forecast the quantity of species in rodent by adding delay-units in feedforward networks. Based on the eastern edge of Tengger desert as the study area, with the rodent population as the research object, by use of mark recapture method to continuously looked into 2006─2014 (Apr-Oct) and build Elman neural network forecasting model, data between 2006─2013 were used to build training network, data of 2014 were used for test, the mean error and fitting degree of three processing methods were compared and predicted the number of Alashan desert rodent population dynamics. Results showed that: (1) Average error of the prediction results without normalization mse was 5.30 with Minimum error of 1.52%, fitting degree 0.80. (2) After [0, 1] normalization, Average error of the prediction results mse was 4.51 with Minimum error of 1.54%, fitting degree 0.82. (3) After [-1, 1] normalization, Average error of the prediction results mse was 5.03 with Minimum error of 1.63%, fitting degree 0.69. (4) The difference of Elman neural network model was not significant after three kinds of normalized treatment. While comparison of mean error and fitting degree, the article suggested that by use of [0, 1] normalization to establish Elman neural network can better predicted the animal composition and species dynamic trend. Thus providing theoretical basis for guiding and preventing local rodent infestation

elman neural network; alasan desert; rodent; mark recapture method

10.16258/j.cnki.1674-5906.2015.12.008

S714.6; X171.1

A

1674-5906（2015）12-1976-07

国家自然科学基金资助项目（30760044；31160096）；公益性行业科研专项经费项目（201203041）

卢志宏（1982年生），男（蒙古族），博士研究生，主要从事啮齿动物生态学与草地保护研究。E-mail: luzhihong305@163.com *通信作者：武晓东（1959年生），男，教授，博士生导师，主要从事啮齿动物生态学与草地保护研究。Email: wuxiaodong_hgb@163.com

2015-11-02

引用格式：卢志宏, 武晓东, 郭利彪, 付和平, 满都呼, 岳闯, 柴享贤, 包达尔罕, 杨素文, 叶丽娜, 李燕妮. 基于Elman神经网络的阿拉善荒漠啮齿动物群落组成物种数量预测研究[J]. 生态环境学报, 2015, 24(12): 1976-1982.