黄河三角洲土壤盐渍化灾害预警模型设计

李婉婉 ，金 丽 ，李庆国

（1.济南大学，山东 济南250022；2.山东省水利科学研究院，山东 济南 250014）

土壤盐渍化会造成土壤盐分累积使得土壤肥力下降，导致农作物减产或绝收以及土质劣化、地表干裂，土地和植被的复杂性下降或丧失，对农业和经济的可持续发展造成不可逆转的损失。为减轻土壤盐渍化灾害带来的诸多损失，本文利用模糊优选BP神经网络评价模型建立土壤盐渍化灾害预警模型，对未来土壤盐渍化恶化程度进行预警。根据对以往水文情况的实地调查，本文将黄河三角洲灌区土壤盐渍化灾害警度分成无警、轻警、中警和重警4类。针对不同警度，对灌区不同区域采取不同措施减轻土壤盐渍化的恶化。

1 模型评价因子选取

土壤盐渍化灾害预警模型评价因子的选取，应遵循科学性与数据的可获取性相结合原则，定性和定量相结合原则，系统性与层次性原则，主导和相互独立原则等。通过对黄河三角洲地区引黄灌区土壤盐渍化现状的调查和综合分析，本文从自然地理因素、土壤内在因素和人为活动影响三个方面，选取9个预警因子，8个样点的数据作为评价指标，建立研究区土壤盐渍化灾害预警指标体系（见表1）。

2 指标体系的标准化

在确定权重之前，首先要确定该指标的类型。由于各指标的量纲、数量级不同，因此需要对指标进行标准化处理，具体计算公式如下：

表1 土壤盐渍化灾害预警评价指标

对于正效益指标，指标值越大表明土壤盐渍化的程度越小，极差标准化法的公式为：

对于负效益指标，指标值越大表明土壤盐渍化程度越严重，极差标准化法的公式为：

式中：yij∈[0，1]，且 y 值越大土壤盐渍化预警程度越低；max ｛xij｝是第j个指标时的xij最大值；min ｛xij｝是第j个指标时xij的最小值（i=1，2，…，n）。

3 预警因子的权重计算

由于各个指标的作用不同，对盐渍化的影响程度也不同，为了区分差异性，本研究采用模糊评价法分别来确定各个指标的权重值，计算公式为：

根据公式（3）计算的结果见表2。由表2可以看出，土壤盐渍化灾害预警评价指标权重值可靠性比较强。预警因子按其权重大小分，依次为：土壤含盐量＞潜在蒸散量＞土地利用类型＞电导率＞地下水位＞地下水矿化度＞TDS＞坡度值＞pH值。

表2 权重计算结果表

4 盐渍化灾害评价模型的建立

模糊优选BP神经网络评价模型将黄河三角洲灌区的历史观测指标数据值标准化矩阵S输入模型的输入层，uij=sih。该训练的目的是使得网络输出upj与期望输出M（upj）即对应各学习样本的级别综合相对隶属度eh之间误差最小。设

故训练的目标函数表示为：

训练结束，再把新样本矩阵X进行标准化处理，得到的指标特征值矩阵：

然后把R输入网络，得到神经网络实际输出值upj也即新样本的预报评价结果。按下式计算评价样本的级别特征值：

该预报的具体步骤如下：

1）令t=1，并赋予α∈（0，1），η∈（0，1），wik（t）=wik（0）。以模糊优选神经网络的收敛性判定作为准则。

2）输入评价样本的数据。计算样本的神经网络实际输出值。

3）计算网络的平均误差E。

4）若 E≤ξ（ξ为网络训练精度），则训练结束，转入步骤7）；否则，转入下一步。

5）令t=t+1，根据新的权重和各样本的指标值，计算样本的实际输出值，再计算网络的平均误差E。

6）转到第 4）步。

7）训练结束。输入待新样本，根据网络输出计算预报该样本的预警级别。具体结果见表3。

表3 样本预报结果及误差检验

5 结论

本研究选用模糊优选BP神经网络评价模型的结构为3层，拓扑结构为9∶5∶2，训练速率为0.1，样本数据平均绝对误差为0.021，均方根误差为0.026，相对误差为2.3%，误差结果均较小，说明网络学习和训练比较理想。检验样本最大绝对误差为0.06、最小绝对误差为0.004，平均绝对误差0.024；最大相对误差为6.4%、最小相对误差为0.23%，平均相对误差为3.1%。由表3可看出，黄河三角洲灌区的预警等级整体程度较轻，重警所占比例较小，8个检验样本预警等级的预报中，误报一个样本预警等级。

由此可知，运用模糊优选BP神经模型可以对未来土壤盐渍化发展程度进行大致预测，可有效降低土壤盐渍化灾害带来的影响。