基于 LM-BP 神经网络模型的高速铁路沿线环境影响评价研究

刘春姣，王 丹，郝晶晶，敦晨霞

LIU Chunjiao1，WANG Dan1，HAO Jingjing2，DUN Chenxia1

（1.石家庄铁道大学 经济管理学院，河北 石家庄 050043；2.石家庄铁道大学 土木工程学院，河北石家庄 050043）

(1.School of Economics and Management， Shijiazhuang Tiedao University， Shijiazhuang 050043， Hebei， China 2.School of Civil Engineering， Shijiazhuang Tiedao University， Shijiazhuang 050043， Hebei， China)

0 引言

近年来，我国高速铁路事业蓬勃发展，高速铁路建设在快速发展的同时，环保问题引起人们的重视。如何进行生态环境影响评价，即在项目实施之前，开展有效的预测与评估，给决策者提供决策依据，在未来高速铁路发展中极为重要。20世纪70年代，美国等发达国家通过研究铁路建设对环境影响的评价指标和方法，出台了相关法律法规，规定所有铁路建设项目必须在项目建设初期的可研阶段进行预测研究，在方案选择上，与工程造价相比，应更重视环境保护。我国于1987年发布了《铁路工程设计环境保护技术规定》，标志着我国开始注重铁路建设对生态环境的影响。随着铁路部门对生态环境影响评价制度的多次修订，环境评价体系在规范、途径、评价指标、评价范围及评价水平等方面逐步健全。

现有环境影响评价方法主要为层次分析法、主成分分析法、聚类分析法等，这些方法不能有效地利用指标之间的相互关联性、层次性和指标体系的综合性进行分析。目前采用BP神经网络等定量方法开展高速铁路生态环境影响综合评价的研究较少。为此，以LM-BP神经网络方法为基础搭建高速铁路建设中、短期工程环境影响评价模型，与传统神经网络算法相比较，该种算法在收敛速度、精确度和寻找全局最优点方面都具有较强优势，同时利用神经网络对训练样本进行学习，可以减少由于人的主观性而引起的评价误差，使得评价系统更加客观实用。最后，以长益常城际铁路为例，对其沿线生态环境影响进行评价。

1 LM-BP 神经网络模型

1.1 BP 神经网络模型

人工神经网络是通过模拟生物神经网络对信息进行处理的，并由大量处理单元互联组成的非线性、自适应信息处理系统。而反向传播(Back-Propagation， BP)算法是一种建立在梯度下降法的基础上有监督的神经网络学习算法，适于解决分类问题[1]，因而可以用于高速铁路项目的生态环境影响评价。传统性质的三层BP神经网络模型一共有3层，分别是n个单元的输入层{x1，x2，…，xn}、隐含层和m个单元的输出层{y1，y2，…，ym}，每一层都含有神经元，这些神经元位于同层时无连接，而层和层之间的神经元有连接[2]。三层BP神经网络模型如图1所示。

图1 三层BP神经网络模型Fig.1 Three-layer BP neural network model

BP神经网络算法是将外部的信息通过输入层传播进来，利用神经元的传播作用，输入到隐含层中，之后再经过隐含层神经元进行计算，传递到输出层，计算误差，如误差达不到要求，则误差反向传播[3]。这一过程的作用是通过连续的调整阈值及权值，使得误差逐步减小，接着继续进行正向传播，这2种传播的方式不断进行，当误差足够小的时候，学习过程就可以宣布停止，得到符合精度要求的阈值与权值，而网络也实现了良好训练[4]。BP神经网络学习过程就是信号正向传播及误差反向传播的结合。

对于某一层的第j个计算单元，脚标i代表前一层第i个单元，脚标k代表后一层的第k个单元，Oj代表本层的输出，ωij是前一层到本层的权值。反向传播算法单元权值约定如图2所示。

图2 反向传播算法单元权值约定Fig.2 Back propagation algorithm unit weight agreement

BP神经网络算法的主要步骤如下。

（1）步骤1：初始化阈值与权值。初始化过程一般把权值设定为较小的任意数(如± 0.2区间)。

（2）步骤2：对样本进行标准化处理。由于在实际过程中，样本的输入差别较大，为了避免数值间的差别大而影响学习效果，要对数据进行规范化处理。经常采用最小-最大规范化，即将数据线性映射到[0，1]之间。

（3）步骤3：正向计算各单元。输入样本X=(x1，x2，…，xn)T，期望输出Y= (y1，y2，…，ym)T，实际输出此时误差E=其中，yk为第k个期望输出，为第k个实际输出，k= 1，2，…，m。从前到后对每层各单元神经元的动作如下。首先，计算隐含层第j个节点的输入值其中，ωij是为输入层第i个节点到隐含层第j个节点的权值，i= 1，2，…，n。然后，选用Sigmoid函数计算隐含层第j个节点的输出值最后，计算输出层第k个节点的局部梯度δk，δk=

（4）步骤4：反向计算隐含层第j个节点的局部梯度其中，ωjk是输出层第k个节点到隐含层第j个节点的权值，k= 1，2，…，m。

（6）步骤6：重复步骤2至步骤6，直至收敛。其中步长η对收敛性影响较大，可在0.1 ~ 3之间试探。惯性项系数α≥ 1时不收敛，其值可在0.9 ~ 1之间选择。

1.2 LM-BP神经网络模型

BP神经网络算法基于梯度下降原理，存在着容易陷入局部极值和收敛速度慢等问题。因此，研究者们提出了各种改进的BP神经网络算法，研究选取LM (Levenberg-Marquardt)算法。LM-BP神经网络算法是在BP神经网络算法之上，结合了梯度下降法和高斯-牛顿算法，根据雅可比矩阵修正权值，利用二阶导数，提升计算速度，解决BP神经网络容易陷入局部极值的问题[4]。对于一组样本，LM-BP算法的修正规则如下。

式中：Δω为修整权值；μ为相关系数；I为单位矩阵；R为误差矩阵；J为雅可比矩阵。

输出单元数量为M的误差矩阵记为第k个输出单元的误差为。

J为雅可比矩阵，对权值数量为Q的样本，雅可比矩阵

基于LM算法修正权值的BP神经网络模型步骤如下。

（1）步骤1：初始化各参数，神经元之间的权值ω、精度ε、相关系数μ0和常数β(0 ＜β＜ 1)。

（3）步骤3：计算并存储雅可比矩阵J(ω)。

（4）步骤4：计算Δω。

（5）步骤5：比较E与ε大小，若E＜ε，则停止计算，否则进行下一步。

（6）步骤6：由后向前，修正权值，第t次迭 代 中 令ω(t+ 1) =ω(t) +Δω(t)， 计 算E； 若E(ω(t+ 1)) ＜E(ω(t))，令μ=μβ，从步骤 2 开始进行新的迭代；否则，令μ=μ/β，从步骤4进行新的迭代。

2 案例分析

长益常城际铁路(长沙—益阳—常德)项目位于湖南省西北地区，临近环洞庭湖生态经济圈。2017年12月18日，项目获国家发展和改革委员会批复，同月26日，项目正式开工建设。长益常城际铁路全长189.8 km，为双线铁路，最高设计速度350 km/h，采用自动化控制，以电力牵引的方式驱动。项目建设工期约48个月，工程投资估算217.2亿元。我国对高速铁路沿线环境影响展开评价是一项繁复的、系统性较强的工作，在进行评价的时候，应从全局出发，综合考虑，探讨生态环境影响评价的范围及等级。

2.1 长益常城际铁路生态环境影响评价

2.1.1 生态环境影响评价级别划分

参照工程项目的实施可能会对生态环境造成的干扰，将该评价按照严重程度由高到低划分为Ⅰ级、Ⅱ级、Ⅲ级3个等级[5]。生态环境影响评价等级划分标准如表1所示。

表1 生态环境影响评价等级划分标准Tab.1 Classification criteria for work level assessment of ecological environment impact assessment

从表1可以看出，受到高速铁路建设项目影响的因素有水、土地、生物群落和生态地域，如果建设项目对生态的影响是多方面的，在评价时要选取评价级别高的内容进行级别评判[6]。在实际工作中，根据具体情况，对评价工作进行适当的调整和整改还需要得到有关部门的认可。

2.1.2 生态环境影响的评价范围

以生态因子互相之间的连结关系作为基础和前提，主要依靠生态完整性、地质条件等因素来确定生态环境影响评价的对应范围。为保护拟建项目经过区域生态环境的完整性和生态敏感地区，确定生态环境影响评价范围如下：①从建设初期，规划外侧轨道用地向外延伸300 m；②施工便道中心线向外两侧延伸各100 m；③临时设施占地向外延伸100 m；④水体上方桥涵向外延伸300 m；水体上方在建桥，桥位下游1 km、上游500 m。

参照生态影响评价等级及工程的特点，该环境影响评价工作参照Ⅱ级作出评价[5]。

2.1.3 项目建设期生态影响评价指标分析

建设项目对环境的影响包括：在工程建设时期，隧道、路堤及路堑等在进行施工时会使植被遭到破坏，地表地质发生改变引起水土流失，地下水位受到干扰；项目途径村镇和城市等地，居民生活会受到大型机械的噪声影响；施工引起的粉尘、较大粉尘颗粒物和机械油烟等降低空气质量；生活废水、建设废水等如果处理不当，易使水环境遭到破坏[7]。

对长益常城际铁路建设项目各项环境影响评价指标分析如下。

（1）植物覆盖率。工程沿线区域植被类型包含常绿阔叶林亚地带、经济林和人工次生林。施工结束后，对工程临时占用地进行恢复，可以降低对植被的影响，而永久性占地对植被的覆盖率有一定影响。

（2）植物物种变化程度。工程项目沿线的植物种类以热带植物为主，工程项目的永久性占地会对植物造成一定的破坏和扰动，但由于不涉及珍稀植物种类，且该类植物在该区域分布广泛，不会造成该评价区域植物种类的减少。通过加强项目建设施工过程中机动车辆的管理，可以进一步减小对植物物种的影响。

（3）动物种类变化程度。工程项目施工范围内包含两牺动物、爬行类动物、鸟类动物、兽类动物和水生动物。由于施工范围与周围生态条件较为接近，因而不会对动物栖息地造成太大影响。同时，对施工人员应加强环保教育，严控施工人员迫害野生动物和乱砍乱伐的行为。

（4）土壤受侵蚀程度。工程项目地处大陆中亚热带季风湿润气候区，年平均降雨量高达1 400 mm，平均风速为1.7 m/s，但农田和林地的水土流失不明显。在项目建设过程中，应采取建立排水沟或恢复植被等措施，以防止水土流失。

（5）水环境影响。在工程建设时期，对水环境的影响主要来源于生产施工和项目管理人员生活污水、废水，以及隧道桥梁等建设工程对地下水体的破坏。虽然作业过程中的工业排水量不大，但由于其影响时间较长，对地下水质产生的影响将持续累积。因此，应采取适当的措施降低水环境的污染。

（6）土地占用量影响。项目施工区域的评价范围主要以耕地、园地和林地为主，极少含有建筑用地。通过调查，评价范围内耕地变化率为-5.18%，林地变化率为-2.61%，水域变化率为-3.48%。

（7）噪声影响。在施工过程中产生噪声的主要原因为大型机械作业，以及运输作业的机动车辆。通过禁止夜间施工和按照标准要求设置施工场地等措施可以有效降低噪声。

（8）大气污染。施工产生的粉尘、扬尘和机械排放的气体为主要的大气污染源。针对这些污染源，可以采取洒水降尘、文明施工等方式降低影响。

（9）固体废物。固体废物主要包括生活垃圾和拆迁导致的建筑垃圾。固体废物按照环卫规定收集处理后，不会对生态环境产生太大影响。

2.2 基于LM-BP神经网络模型的综合评价结果

2.2.1 评价等级确定

把工程项目建设期对环境造成的影响程度分为5级，具体划分如下：[0.8，1)区间为极大影响，[0.6，0.8)区间为较大影响，[0.4，0.6)区间为中等影响，[0.2，0.4)区间为较小影响，[0，0.2)区间为极小影响[5]。因此，样本输出值范围在规定的5个等级之中，期望输出分别取各区间的中间值0.9，0.7，0.5，0.3和 0.1。

2.2.2 综合评价结果

按照工程项目对环境的影响时间，将从直接干扰区、间接干扰区和对照区采集的数据划分为短期和中期2组，每组选取2 000个样本，其中每组测试样本500个，训练样本1 500个。参照5个等级范围，输出值直接反映影响程度。利用LM-BP神经网络模型对输入数据进行迭代，就可以得出评价标准与评价值二者存在的关系，从而搭建高速铁路对生态环境影响的综合评价模型[8]。

利用Matlab软件进行训练，首先设置输入层神经元数量、隐含层神经元数量和输出层神经数量分别为9，25和1，相关系数μ设为0.03，期望误差为1e-006。然后，对数据进行规范化处理后使BP神经网络通过LM学习算法展开练习。结果显示，训练到475步的时候误差是最小的，训练过程误差曲线如图3所示。

图3 训练过程误差曲线Fig.3 Training process error curve

把选取的测试样本代入搭建好的网络中，得到实验样本的实际输出值，通过线性回归分析，得出测试样本的期望输出与实际输出值之间的相关系数是0.971 3。通过训练之后得出的神经网络模型有较强的泛化能力，可以在未知样本的评价中发挥较好的作用。

利用LM-BP神经网络模型对各评价指标展开评价，量化评价指标如表2所示。

分别将中期和短期指标评价预测值输入模型后，输出值即为综合评价值。计算结果显示，长益常高速铁路项目短期环境综合评价值为0.34，表明建设项目对环境短期影响程度较小；中期输出值是0.19，表明建设项目对中期环境影响程度为极小。

表2 量化评价指标Tab.2 Quantitative evaluation index

3 结束语

以LM-BP神经网络模型为基础，进行高速铁路环境评价影响研究，而如何对项目进行长期跟踪并开展多种评价方法的准确性和有效性比较工作仍然值得探索。另外，由于高速铁路项目对生态环境造成的长期影响预测难度大、影响因素多，在后续的工作中，需要对高速铁路建设对生态环境的长期影响进行深入研究。同时，采取积极措施，促进水环境、声环境、大气环境、动植物及土地环境的全面协调发展。