基于BP神经网络的区域生态安全模拟研究

梁小英 商舒涵 徐婧仪

摘要：日益增强的人类活动严重影响区域生态安全，如何科学预测和模拟区域生态安全已成为学者关注的焦点之一。该研究基于PSR（Pressure-State-Response）模型构建生态安全指标体系，分析陕西省2005—2015年间生态安全的时空分异;以Maxout为激活函数构建BP神经网络模型，且以栅格作为最小评价单元，预测和分析陕西省生态安全时空分异及其等级的时空序列变化规律。研究结果表明：① 2005—2015年陕西省生态安全综合状况逐步好转。生态安全等级空间格局由“南低北高”向“南北高、中间低”转变，即北部和南部大部分区域转向安全状态，中部局部仍处于不安全状态，但有缓解趋势。② 构建的BP神经网络预测模型精度为83.98％，能够对陕西省生态安全进行预测。③ 预测结果表明，2016—2021年陕西省生态安全综合状况持续好转，且中部向高安全状态转变。文中研究结果可为区域生态安全研究提供理论依据和决策支持。

关键词：区域生态安全;BP神经网络;PSR;模拟;陕西省

中图分类号：X826

DOI：10.16152/j.cnki.xdxbzr.2020-04-017開放科学（资源服务）标识码（OSID）：

The research simulation of regional ecologicalsecurity based on BP neural network

LIANG Xiaoying， SHANG Shuhan， XU Jingyi

（College of Urban and Environmental Science， Northwest University， Xi′an 710127， China）

Abstract： Increasing human activities have seriously affected regional ecological security. How to predict and simulate the regional ecological security scientifically has become one of the significant issues. In this research， the index system of ecological security is constructed based on the "pressure-state-response" model， and the spatio-temporal variation of ecological security are analyzed in Shaanxi Province from 2005 to 2015; the BP neural network model is constructed with maxout as the activation function， and the grid as the minimum evaluation unit to predict and analyze the spatial and temporal differences and their change rules of ecological security in Shaanxi Province. Conclusions： ① From 2005 to 2015， the comprehensive situation of ecological security in Shaanxi Province gradually improved. The spatial pattern of ecological security changes from "low level  southern， high level in northern" to "high level in northern and southern， low level in central"， which means most northern and southern areas turn to a state of security， while some central areas are still in a state of insecurity with a trend of mitigation. ② The accuracy of BP neural network prediction model is 83.98％， which can predict the ecological security of Shaanxi Province. ③ The prediction results show that the general situation of ecological security of Shaanxi Province continues to improve from 2016 to 2021， and the central is changing to the security state. The results of this paper can provide theoretical basis and decision support for regional ecological security research.

Key words： regional ecological security; BP neural network; PSR; simulation; Shaanxi Province

生态安全是一个国家赖以生存和发展的生态环境处于不受或少受破坏与威胁的状态［1］，是国家安全的重要基石［2］。广义的生态安全强调人类活动对自然生态系统的影响，是社会-经济-自然复合系统的安全［3］。目前，生态安全问题已成为我国全面建成小康社会的突出短板［4］。如何基于生态安全影响因子与社会经济的持续发展之间的相互关系探讨区域生态安全，已成为国内外学者研究的热点之一［5］。

通过构建指标体系评估生态安全已得到诸多学者的认可。压力-状态-响应（PSR）指标体系以因果关系为基础［6］，在国家级、省级、流域等大尺度区域范围的生态安全评价中得到了广泛的应用［7-9］。由于生态系统和时空维度的差异［10］，目前还没有形成学者们一致认可的指标体系［11］，但依据区域特点因地制宜构建生态安全指标体系已得到多数学者的认同［10，12-13］。

在生态安全预测方面，神经网络模型用于生态系统的时空预测有其突出的优越性［14］，且以BP和RBF神经网络模型居多［15-17］。RBF和BP神经网络同属非线性多层前向网络，RBF的泛化能力优于BP网络［18-19］，但其网络结构相对复杂、运算量大［20］，不能有效应对大数据量复杂问题［21］。构建BP神经网络模型的核心是激活函数的选取，早期研究主要采用的Sigmoid函数存在较大概率的梯度消失［22］，ReLU函数虽能解决梯度消失问题［23］，但在训练中容易出现均值偏移和神经元消失问题［24，25］。有学者建议选择可学习的分段线性函数Maxout作为激活函数来解决梯度消失问题［26］，而目前鲜有应用于生态安全的预测模拟研究。另外，虽然BP神经网络在模式识别和预测方面具有较好的容错性［27］，但有限的省级尺度数据量使得训练过程中容易出现过拟合问题［28］。已有研究表明，采用栅格为最小评价单元，使得评价结果更加精细化，能最大限度地体现出行政单元内部生态安全程度的空间差异［29］，同时为模型预测提供足够的样本数。

本文以生态系统类型多样、社会经济发展时空分异大的陕西省为研究区。依据研究区的实际情况，采用PSR框架构建生态安全评价指标体系，以熵权法确定指标权重，通过加权综合的方法定量计算区域生态安全综合指数，分析区域生态安全时空分异;尝试以Maxout作为激活函数构建BP神经网络模型，在模拟验证的基础上预测2016—2021年陕西省生态安全，分析其时空分异。为陕西省区域生态安全评估和生态安全政策制定提供必要的理论基础。

1 研究区概况及数据

1.1 研究区概况

陕西省（105°29′E～111°15′E，31°42′N～39°35′N）地處中国西北内陆腹地，土地总面积20.57×104 km2。全省地域南北长，东西窄，以北山和秦岭为界，自北向南分为陕北黄土高原、关中平原和陕南山地三大自然单元。全省年平均气温9～16 ℃，自南向北、自东向西递减;年平均降水量340～1 240 mm，南多北少。陕西省三大区域经济发展不平衡，全省70％以上的工商业、科技教育等资源集中在关中平原地区，80％以上的煤炭等工业资源分散在陕北黄土高原地区，70％以上的生物资源分布在陕南山地地区。同时，陕西省是我国退耕还林面积最大的省份，累计退耕地还林124.1万公顷，森林覆盖率净增12.14％。陕西省生态系统多样，土地覆被变化剧烈，加之该区在地形、地貌、气候等地理条件及社会经济的过渡性特点，为研究区域生态安全提供了良好的平台。

1.2 数据来源与处理

1）陕西省DEM数据来源于地理空间数据云ASTER GDEMS数据集DEM（90m×90m）栅格（http：／／www.gscloud.cn／），提取研究区高程和坡度数据，重采样为1km分辨率。陕西省边界矢量化文件来自陕西省县域尺度矢量文件，陕西省下辖10个设区市，含30个市辖区、72个县、5个县级市，共107个县级区域。

2）陕西省2005—2015年1km栅格分辨率NDVI数据和地表温度数据来自地理空间数据云（http：／／www.gscloud.cn／），属MODIS合成产品。

3）陕西省社会经济类数据通过查阅2005—2015年省域、县域的统计年鉴、统计公报或数据库的方式获取。其中，城乡居民收入平衡指数、农民人均纯收入、人口密度、人均粮食拥有量、土地垦殖率、地均全社会固定投资总额、经济密度、第三产业产值、人均耕地面积主要来自《陕西省区域统计年鉴》《陕西省统计年鉴》;封山育林总面积主要来自《中国县域统计年鉴》《中国林业统计年鉴》。

2 研究方法

2.1 PSR指标体系构建

根据指标科学性、系统性、数据可获得性，借鉴前人的研究［30-31］，结合陕西省实际情况，构建基于PSR模型框架的陕西省生态安全评价指标体系。指标体系自上向下分为目标层、准则层和指标层3个层级。指标层是准则层各系统下表征区域生态安全状况的具体可度量指标。

依据指标选取原则与研究区特点，本文共筛选出20个指标。除一些常用的生态安全的表征指标外，还针对陕西省区域特点，选取了单位耕地面积塑料薄膜使用量、NDVI、地表温度、高程、坡度、封山育林面积、单位耕地农业机械化动力这7个指标。下面分别对选择上述指标的原因进行说明。陕西省南北长，东西窄，纬度跨越较大，土地适宜耕种作物不同，对于地膜的使用差异巨大，选择单位耕地面积塑料薄膜使用量（P4）作为负向指标，可以区分不同耕作环境对生态的影响;陕西省植被分布不均，选择八月份合成植被指数栅格数据NDVI（P8）代替各县域的森林覆盖率，该指数随生物量的增加而增大，是生态安全的正向指标，可以突出表现研究区不同地域植被覆盖情况;陕西省南北地区温度差异巨大，用八月份白天地表温度栅格数据（P9）代替温度数据，可以有效区分相邻地区裸露地面和涵养湿地的生态状况，显示年度最热时期陕西省不同区域的极端天气分布状况，数值越大生态安全综合指数越低;陕西省地形变化多样，包括高原、平原、山地丘陵等多种情况，选取高程数据（P13）和坡度数据（P14）作为状态指标，是为了体现地形要素对生态环境的影响，从自然要素角度更全面的展现陕西省生态安全的状态;陕西省是退耕还林大省，耕地面积和林地面积在研究时间内变化剧烈，选取封山育林面积（P18）作为响应层的正向指标，可以有效将这种时间尺度上的变化量化分析;同时，陕西省不同地域经济科技状况迥异，西安、咸阳等中心城市和陕北乡村之间机械化动力的差异巨大，选择单位耕地农业机械化动力（P19）作为响应层正向指标，可以表现不同经济状况对生态安全的响应程度。最后，采用熵权法确定指标权重，得到陕西省生态安全指标评价体系及其权重（见表1）。

2.2 区域生态安全综合指数计算及安全等级划分

通过加权综合的方法对区域生态安全综合指数（ecological security comprehensive index，ESCI），公式如下：

ESCIij=∑（wijk×xijk）（1）

式中，ESCIij为i县级区域j年的生态安全综合指数，wijk和xijk分别为i县级区域j年k指标的综合权重和归一化后的标准值。

参考国家生态安全评估体系研究结果［32］，将陕西省生态安全划分为5个等级，分别对应于Ⅰ级（恶劣状态）、Ⅱ级（风险状态）、Ⅲ级（临界安全状态）、Ⅳ级（比较安全状态）、Ⅴ级（非常安全状态）；即生态安全等级越高，区域生态安全状态越好，反之安全状态越差。根据陕西省2005—2015年生态安全变化情况，本文以2010年（第一轮“退耕还林”结束年份）作为安全等级划分标准，将陕西省2010年生态安全综合指数利用自然间断法划分为5个等级，再利用其分界点对其他年份数据等级进行划分，以此增强不同年份区域生态安全等级变化的对比性。

2.3 BP神经网络算法

生态系统安全程度及其影响因素之间的关系复杂，通常表现为非线性关系，很难通过确定的模型进行准确描述。而利用BP神经网络能以任意精度逼近任意非线性函数的优势，可以提高样点生态安全综合指数预测准确度。

2.3.1 Maxout-BP模型构建

本文在构建BP神经网络模型中对以下几个关键环节进行了优化和选择：

1）激活函数

激活函数的主要作用是提供网络的非线性建模能力，避免单纯的线性映射。本文选择Maxout为激活函数，其是一个分段线性函数，它是任务凸函数的分段线性近似。假设网络某一层的输入特征向量为：X=（x1， x2， …， xd），即输入的d个神经元;Maxout隐藏层每个神经元i的计算公式如下：

hi（x）=maxj∈［1，k］zij  （2）

zij=XW…ij+bij  （3）

式中，权重W是一个大小为（d， m， k）三维矩阵，公式（3）表示取出第i列，下标i前的省略号表示对应第i列中的所有行;b是一个大小为（m， k）的二维矩阵;d为输入层节点的个数，m为隐含层节点的个数，k为每个隐含层节点对应k个“隐隐含层”节点，“隐隐含层”节点均为线性输出，而Maxout的每个节点取这k个“隐隐含层”节点输出的最大值。

2）优化函数

预测生态安全综合指数的BP神经网络模型较为复杂，为了有效提高模型收敛效速率，本文选择标度共轭梯度SCG（scaled conjugate gradient）算法作为优化函数，解决传统梯度下降（traingd）算法收敛速度慢的问题，有效避免BP神经网络的震荡，大幅提升收敛水平。

3）损失函数

损失函数是模拟值和真实值之间的损失或误差，根据生态安全综合数据的复杂性，兼顾离群点的存在，mean-squared-error（MSE）损失函数相较其他函数对异常值敏感，其导数连续，可以给出更稳定的闭式解。

4）Dropout算法

Dropout是指在神经网络模型训练过程中，按照一定的概率将一部分神经网络单元暂时关闭的算法，以减少神经元之间复杂的共适应关系，进而减少模型对某些局部特征的依赖，防止过拟合问题的出现。本文利用公式（1）获取陕西省2005—2015年生态安全综合指数栅格数据，将其文件转成点数据，每个点的属性值对应栅格数据该像元点的生态安全综合指数数值。研究区生态安全综合指数栅格数据上每一个像元点为一个样本组，用该像元点上前10年的数据与下一年的数据进行拟合，构建陕西省区域生态安全预测模型。原始样本数据量超过40万，隐藏层神经元个数及层数相应增加，模型复杂度高，采用Dropout算法增强网络的泛化性，防止模型过拟合。

基于对上述核心函数及算法的改进和选择，本文使用keras的线性叠加模型对构建的Maxout-BP模型进行初始化。输入层添加改进后的BP神经网络层，设置输入层神经元个数d为10;隐藏层数目及隐含层节点个数受多种因素影响，经测试后，分别取值5和1 024;模型使用Maxout为激活函数，需要输入参数k（隐隐含节点的个数），经测试后取值为5;每层网络设置dropout为0.5。输出层设置神经元个数t为1;优化函数选择SCG，学习速率为0.01;损失函数为mean-squared-error;并设置训练迭代次数为1 000。输入陕西省2005—2014年连续10年的区域生态安全综合指数，拟合陕西省2015年的区域生态安全综合指数，由此构建完成Maxout-BP神经网络模型。

2.3.2 模型验证

本文以PSR模型计算研究区2015年生态安全综合指数栅格数据，与采用Maxout-BP模型预测得到的2015年生态安全综合指数栅格数据进行对比，以其准确率确定模型的有效性。在ArcGIS10.2中按照本文2.2的划分标准重分类，通过栅格叠加得到预测准确像元所占比例，以此验证Maxout-BP神经网络模型的精度。

3 结果与分析

3.1 生态安全时空分异及变化趋势

本文使用陕西省107个县（区）20个指标值的历年数据，以PSR模型构建生态安全指标体系，计算出陕西省2005—2015年的生态安全综合指数栅格数据。以2010年数据为基础，利用 ArcGIS10.2 自然间断法得到生态安全综合指数值分级标准：I 级（ESCI<0.498 2），II 级（0.498 2≤ESCI<0.517 2），III 级（0.517 2≤ESCI<0.537 7），IV 级（0.537 7≤ESCI<0.564 7），V 级（ESCI≥0.564 7），以此得到陕西省2005—2015年生态安全空间分布圖（图2）。

由图2可知，2005年陕西省生态安全等级空间格局为“南低北高”，且以恶劣状态等级和风险状态等级为主，其中恶劣状态等级主要位于地势较为低平且经济条件较好的关中平原和部分海拔落差大的陕南山地;高安全等级仅分布于延安北部和榆林部分区域。相较于2005年，2010年陕西省生态安全等级在空间上仍呈现“南低北高”的分布格局;生态安全整体趋于好转的态势，恶劣状态等级和风险状态等级所占面积明显减少，陕北、关中和陕南的整体安全等级均有所提升，其中陕北地区安全等级提高最为显著。2015年陕西省生态安全在空间上呈现“南北高、中间低”的格局，以高安全等级为主，恶劣状态等级和风险状态等级仅在关中部分地区和陕北零星区域出现。

表2为陕西省生态安全等级面积变化表。由表2看出，2005—2010年研究区Ⅲ，Ⅳ，Ⅴ级占比面积分别增加18.46％，12.62％，5.83％，Ⅱ级占比面积减少2.29％，Ⅰ级占比面积减少34.62％，整体变化显著。2010—2015年研究区Ⅲ，Ⅳ，Ⅴ级占比面积分别增加5.04％，23.01％，3.16％，I，Ⅱ级占比面积分别减少9.25％，21.97％，其中Ⅱ，Ⅳ级是转移面积最大的两个类型，整体变化也十分明显。结合图2、图3看出，2005—2010年陕北地区生态安全状况优于关中和陕南地区，陕北地区中部生态安全变化明显。2010—2015年陕北和陕南生态安全状况优于关中地区，陕南地区整体生态安全明显提升。

图3为2005—2015年陕西省三大自然区生态安全等级面积占比图。由图3可知，2005—2010年陕北地区Ⅰ，Ⅱ，Ⅲ级面积占比有所减少，其中I级占比面积减少20％以上，Ⅳ，Ⅴ级面积占比增加，其中Ⅳ级增加超过20％（图3a）;关中地区生态安全等级提高明显，该区Ⅱ，Ⅲ，Ⅳ，Ⅴ级占比面积均有增加，Ⅰ级大幅减少40％以上，是面积变化最大的类型（图3b）;相较上述两个区域，陕南地区生态安全变化较为平缓，整体向临界安全状态转变，2005—2010年均没有Ⅴ级区域，Ⅰ级占比面积大幅度减少，Ⅱ级占比面积有明显减少，Ⅲ级占比面积大幅度增加，Ⅳ级占比面积仅略有增加（图3c）。2010—2015年陕北地区东部、北部变化明显，高安全等级面积进一步扩大。具体表现为：Ⅰ，Ⅱ级占比面积有所下降，Ⅲ级占比面积明显增加，Ⅴ级占比面积基本保持不变（图3a）;关中平原地区除中部变化缓慢，周边地区安全等级大幅度提升。具体表现为：Ⅰ，Ⅱ级占比面积有所下降，Ⅲ，Ⅳ，Ⅴ级明显增加（图3b）;相较其他两个区域，陕南山地区域生态安全变化显著，整体向比较安全状态转变。至2015年，Ⅰ，Ⅱ级基本消失，Ⅲ级占比有所下降，Ⅳ，Ⅴ级增加，其中Ⅱ级和Ⅳ级占比面积转移比例远超其他等级，大面积区域已经稳定在比较安全状态。

综上述，2005—2015年陕西省生态安全空间分布格局由“南低北高”向“南北高、中间低”转变，且以2005年的低安全等级为主逐步向2015年的高安全等级为主转变，研究区整体生态安全状况改善显著。从陕西省整体生态安全发展变化来看，随着退耕还林政策的实施，陕西省整体生态安全等级是全面提升的状态，但陕北黄土高原、关中平原、陕南山地三大自然区域的变化各有特点，陕北黄土高原受退耕还林影响最大，生态安全等级提升最快;并且稳定在高安全等级，关中平原受制于人口影响，是陕西省经济发展的核心，安全等级提升速度最慢;陕南山地变化平滑而稳定，稳步从恶劣状态等级和风险状态等级转移至比较安全状态等级和非常安全状态等级。

3.2 基于Maxout-BP神经网络区域生态安全预测模型

利用PSR模型计算得到2005—2015年陕西省生态安全时空序列栅格数据作为数据集，其中2005—2014年数据为训练样本输入数据，2015年为训练样本输出数据，每一个像元点上连续11年的数据为一个样本组，用2004—2014年的数据与2015年的数据进行拟合。计算得到2005—2015年生态安全综合指数数据，总量为58万组，选用其中47万组数据作为样本集拟合模型。其余11万数据作为测试集，验证精度，结果见表3。

在BP神经网络中， 隐藏层数和神经元个数决定了模型预测精度结果， 依次调整隐藏层神经元个数遍历网络层数， 优化函数选用标度共轭梯度SCG算法， 执行迭代次数为1 000。由表3知，神经元个数为2 048个、 网络层数为7层时训练出来网络模拟效果最好（84.82％）。 综合考虑模型的效率及精度， 本文最终选定模型神经元个数为1 024个， 网络层数为7层，预测精度为84.74％。

根据选定模型对2015年全陕西省数据进行验证预测结果见图4。在ArcGIS10.2软件中将2015年实际数据和2015年模拟数据（图4a）进行对比分析，得到结果图4b，误差点代表预测错误区域，准确点代表预测正确区域。结果表明，Maxout-BP神经网络模型的精度达到83.98％，与实际情况基本一致，预测结果可信。失误区域较为集中，主要集中在两个区域：陕北风沙沿线东南缘和黄土高原南缘。这两个分别是内蒙古高原向黄土高原的过渡区和黄土高原向关中平原的过渡区。

3.3 基于Maxout-BP神经网络的生态安全时空预测

基于验证后的Maxout-BP神经网络模型，利用2006—2015年数据预测研究区2016年生态安全综合指数，2007—2016年数据预测2017年生态安全综合指数，依次类推，直至预测出陕西省2016—2021年生态安全综合指数。按照3年一个梯度选取2018年、2021年数据和2015年的数据（图4a）进行对比（图5）。

从预测结果来看，相较于2015年，2018年陕西省生态安全空间布局仍以高安全等级为主导，恶劣状态等级和风险状态等级零星分布于咸阳——渭南部分区域、以散点状分布在陕南山地和榆林中、北部区域，且整体生态安全空间格局呈“南北高、中间低”;2021年陕西省低安全等级区域进一步减少，整体生态安全空间格局转向“南北低、中间高”，且以比较安全和非常安全狀态为主。

表4为陕西省2015—2021年生态安全等级面积变化表。由表4可知，2015—2018年间研究区生态安全等级整体有所提升，研究区Ⅰ，Ⅱ，Ⅲ，Ⅴ级占比面积均有小幅下降，Ⅳ级转移面积最大，占比面积增加4.80％，转移速率较2005—2015年间明显降低。2018—2021年间陕西省生态安全等级持续提升，且咸阳——渭南Ⅰ，Ⅱ级核心区域缩小显著。具体表现为：研究区Ⅰ，Ⅱ，Ⅴ级占比面积略有下降，Ⅲ，Ⅳ级略有增加。结合图5、图6看出，2015—2018年陕南地区生态安全状况优于关中和陕北地区，但关中地区生态安全变化明显。2018—2021年关中地区生态安全状况优于陕北和陕南地区，关中地区整体生态安全等级明显提升。

图6为2015—2021年陕西省三大自然区生态安全等级面积占比图。由图6可知，2015—2018年陕北地区变化幅度不大，Ⅱ，Ⅳ，Ⅴ级占比面积略有增加，I，Ⅲ级明显减少，其中Ⅲ级和Ⅴ级转移面积最大，整体变化较为缓和（图6a）;关中地区生态安全等级提高相对明显，大部分区域转向比较安全状态，该区Ⅲ，Ⅳ级占比面积增加明显，Ⅰ，Ⅱ，Ⅴ级减少明显，Ⅳ级转移面积最大（图6b）;相对其他两个区域，陕南地区生态安全等级变化较大，如Ⅲ级和Ⅳ级分别明显减少和增加，即安全等级面积转移主要发生在Ⅲ，Ⅳ级之间（图6c）。

2018—2021年陕北地区Ⅰ，Ⅱ级区域基本消失，Ⅲ级占比面积有明显增加，Ⅱ，Ⅳ级略有减少且有向Ⅲ级转移的现象（图6a）;关中地区生态安全等级显著提高，该区Ⅰ级占比面积略有增加，Ⅱ，Ⅲ，V级有明显下降，Ⅳ级占比面积大幅度增加，已超过该区域面积的60％，生态安全状况优于陕北黄土高原地区（图6b）;相对其他两个区域，陕南山地地区生态安全变化略有波折，Ⅱ，Ⅲ级占比面积均有明显增加，Ⅰ，Ⅳ，Ⅴ级有明显下降，出现高安全等级Ⅳ，Ⅴ级向Ⅱ，Ⅲ级转变的趋势，但整体还是稳定在临界安全状态和比较安全状态（图6c）。

综上述，2016—2021年陕西省生态安全空间分布格局由“南北高、中间低”向“南北低、中间高”转变，整体格局变化显著，生态安全等级面积转移速率较2005—2015年相对平缓，安全状况基本趋于稳定。2015年在关中和陕北部分区域存在的恶劣状态等级和风险状态等级进一步缩减，直至2021年恶劣状态等级和风险状态等级基本消失，虽然在陕南山地存在比较安全状态向临界安全状态转变的现象，但研究区整体生态安全状况呈良性发展趋势。陕西省未来生态安全发展趋势表明经济的发展与区域生态安全两者之间并非此消彼长关系，而是相互促进与协调关系，这在关中地区的表现最为明显。

4 结论与讨论

4.1 结 论

本文以陕西省为例，通过PSR模型框架构建生态安全指标体系整合研究生态安全的时空演化，并基于Maxout-BP神经网络对陕西省未来生态安全等级变化趋势进行模拟预测研究。研究结果如下：

1）2005—2015年陕西省生态安全综合状况逐步好转。整体而言，陕西省生态安全等级空间布局由“南低北高”转向“南北高、中间低”，生态安全状况呈良性发展趋势，各等级持续增高。陕北黄土高原地区初期情况相对其他两个区域较好，陕南山地区域生态安全等级变化平缓，后期区域表现优于陕北;关中平原地区变化显著，但中部地区始终存在低安全等级区域。

2）构建的Maxout-BP神经网络模型模拟精度较高。通过对2015年陕西省生态安全模拟结果检验，Maxout-BP神经网络模型的精度达到83.98％，预测结果可信。失误区域集中在陕北风沙沿线东南缘和黄土高原南缘。

3）2016—2021年陕西省生态安全综合状况持续好转。空间格局变化显著，空间布局从“南北高、中间低”转为“南北低、中间高”，生态安全状况持续向良性发展。关中平原地区生态安全变化最为显著，从低安全等级迅速转向高安全等級，陕北黄土高原地区生态安全等级变化不明显，缓慢持续向高安全等级转换，陕南山地虽存在高安全等级向中安全等级转换，但整体还稳定在临界安全状态和比较安全状态。

4.2 讨 论

本文基于PSR模型，从自然、人文、经济等多要素和多维度构建生态安全评价指标体系。相较于前期的研究，本文进一步整合自然生态数据、遥感数据和社会经济数据，采用栅格为最小评价单元，在通过栅格尺度实现多维度数据的空间化、实现县域尺度社会经济数据的空间表达等方面进行了有益的尝试，对生态安全变化的内在机制探讨将是未来进一步需要解决的问题。同时，本文以Maxout作为激活函数，选择SCG算法提高模型收敛速率，利用Dropout算法解决BP神经网络模型过拟合现象，对研究区生态安全进行模拟和预测，取得较好的模拟效果。但该方法对过渡地带的模拟效果较差，模型误差集中分布在陕北风沙沿线东南缘和黄土高原南缘，如何更全面地兼顾不同区域的自然经济特点，辅助BP神经网络模型做决策，是未来研究的方向之一。

参考文献：

［1］ 高吉喜.生态安全是国家安全的重要组成部分［J］.求是， 2015 （24）：43-44.

［2］ 齐琳.生态环境问题在中国的安全化进程［J］.江南社会学院学报，2016，18（4）：1-9.

QI L. Ecological security progress in China［J］.Journal of Jiangnan Social University，2016，18（4）：1-9.

［3］ 曹秉帅，邹长新，高吉喜， 等.生态安全评价方法及其应用［J］.生态与农村环境学报，2019，35（8）：953-963.

CAO B S， ZOU C X， GAO J X， et al. Review on methodology and application of ecological security assessment［J］.Journal of Ecology and Rural Environment，2019，35（8）：953-963.

［4］ 陈吉宁. 着力解决突出环境问题［N］. 人民日报， 2018-01-11（007）.

［5］ WEI C， GOU Z Y， WU J P， et al. Constructing an assessment indices system to analyze integrated regional carrying capacity in the coastal zones：A case in Nantong［J］. Ocean ＆ Coastal Management， 2014， 93： 51-59.

［6］ SUN T T， LIN W P， CHEN G S， et al. Wetland ecosystem health assessment through integrating remote sensing and inventory data with an assessmentmodel for the Hangzhou Bay， China［J］. Science of the Total Environment， 2016（566/567）： 627-640.

［7］ 张锐， 郑华伟， 刘友兆. 基于PSR模型的耕地生态安全物元分析评价［J］. 生态学报， 2013， 33（16）： 5090-5100.

ZHANG R， ZHENG H W， LIU Y Z. Evaluation on cultivated land ecological security based on the PSR model and matter element analysis［J］.Acta Ecologica Sinica， 2013， 33（16）： 5090-5100.

［8］ HE G， YU B H， LI S Z， et al. Comprehensive evaluation of ecological security in mining area based on PSR-ANP-GRAY［J］. Environmental Technology， 2017， 39（23）： 1-7.

［9］ 曲衍波， 朱伟亚， 郧文聚， 等. 基于压力-状态-响应模型的土地整治空间格局及障碍诊断［J］. 农业工程学报， 2017， 33（3）： 241-249.

QU Y B， ZHU W Y， YUN W J， et al. Land consolidation spatial pattern and diagnosis of its obstacle factors based on pressure-state-response model［J］.Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（3）： 241-249.

［10］DU P J， XIA J S， DU Q， et al. Evaluation of the spatio-temporal pattern of urban ecological security using remote sensing and GIS［J］. International Journal of Remote Sensing， 2013， 34（3）：848-863.

［11］蔡懿苒.国内外生态安全评价研究进展［J］.安徽林业科技，2018，44（5）：25-30，34.

CAI Y R. Research progress in ecological security assessment at home and abroad［J］.Anhui Forestry Science and Technology，2018，44（5）：25-30，34.

［12］劉剑锋，张可慧，马文才.基于高分一号卫星遥感影像的矿区生态安全评价研究——以井陉矿区为例［J］.地理与地理信息科学，2015，31（5）：121-126.

LIU J F， ZHANG K H， MA W C. Research on evaluation of mining area ecological security based on Gaofen-1 satellite imagery： Take Jingxing mining area for example［J］.Geography and Geo-Information Science，2015，31（5）：121-126.

［13］徐浩田，周林飞，成遣.基于PSR模型的凌河口湿地生态系统健康评价与预警研究［J］.生态学报，2017，37（24）：8264-8274.

XU H T， ZHOU L F， CHENG Q.Study on ecosystem health evaluation and risk assessment for Linghekou wetlands based on a PSR model［J］.Acta Ecologica Sinica，2017，37（24）：8264-8274.

［14］孙世军， 严晓飞，崔朋，等. 基于BP人工神经网络的小城镇生态规划研究——以梅河口市中和镇为例［J］.经济地理， 2010， 30（9）：1473-1477，1491.

SUN S J， YAN X F，CUI P，et al.Ecological planning for small town based on BP artificial neural networks：Taking Zhonghe Town of Meihekou City as an example［J］.Economic Geography， 2010， 30（9）：1473-1477，1491.

［15］ 苟露峰， 高强， 高乐华. 基于BP神经网络方法的山东省海洋生态安全评价［J］.海洋环境科学， 2015， 34（3）：427-432.

GOU L F， GAO Q， GAO L H. Evaluation on marine ecological security in Shandong Province based on BP neural network［J］.Marine Environmental Science， 2015， 34（3）： 427-432.

［16］李秀霞， 周也， 张婷婷. 基于BP神经网络的土地生态安全预警研究——以吉林省为例［J］.林业经济， 2017， 39（3）：83-86.

LI X X， ZHOU Y， ZHANG T T. Research on early-warning of land ecological security based on BP neural network［J］.Forestry Economics， 2017， 39（3）： 83-86.

［17］欧定华，夏建国，欧晓芳.基于GIS和RBF的城郊区生态安全评价及变化趋势预测——以成都市龙泉驿区为例［J］.地理与地理信息科学，2017，33（1）：49-58.

OU D H， XIA J G， OU X F. Regional ecological security assessment and change trend prediction in Peri-Urban areas based on GIS and RBF： a case study in Longquanyi district of Chengdu City［J］.Geography and Geo-Information Science，2017，33（1）：49-58.

［18］李蕾， 陈倩， 薛安. 基于BP和RBF神经网络的外加碳源量模型研究［J］. 环境工程学报， 2014， 8（11）： 4788-4794.

LI L， CHEN Q， XUE A. Model based on BP and RBF neural network for predicting external carbon dosage［J］.Chinese Journal of Environmental Engineering， 2014， 8（11）： 4788-4794.

［19］闻新，陈镝，乔羽.国内神经网络故障诊断技术及其在航天器中的应用［J］.沈阳航空航天大学学报，2018，35（3）：17-26.

WEN X， CHEN D， QIAO Y. Neural network fault diagnosis technology and its application on spacecraft in China［J］.Journal of Shenyang Aerospace University，2018，35（3）：17-26.

［20］董鹏，卢苇，秦芙蓉.基于BP和RBF神经网络的军事装备维修保障点选址问题研究［J］.计算机科学，2017，44（S1）：442-445.

DONG P， LU W， QIN F R. Study on military equipment maintenance support sites′ location problem based on BP and RBF neural network［J］.Computer Science，2017，44（S1）：442-445.

［21］张昭昭， 乔俊飞， 余文. 多层自适应模块化神经网络结构设计［J］. 计算机学报， 2017， 40（12）： 2827-2838.

ZHANG Z Z， QIAO J F， YU W. Structure design of hierarchical adaptive modular neural network［J］.Chinese Journal of Computers， 2017， 40（12）： 2827-2838.

［22］蒋昂波， 王维维. ReLU激活函数优化研究［J］. 传感器与微系统， 2018， 37（2）： 50-52.

JIANG A B， WANG W W. Research on optimization of ReLU activation function［J］.Transducer and Microsystem Technologies， 2018， 37（2）： 50-52.

［23］KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks［J］.Communications of the ACM，2017，60（6）：84-90.

［24］CLEVERT D A， UNTERTHINER T， HOCHREITER S. Fast and accurate deep network learning by exponential linear units （ELUS） ［EB/OL］.arXiv：1511. 07289［cs.LG］.https：//arxiv.org/abs/1511.07289.

［25］崔福彬， 張茜， 雷俞承志， 等 基于深度学习的SAR图像目标识别算法［J］. 长春理工大学学报（自然科学版）， 2019， 42（4）： 33-36.

CUI F B， ZHANG X， LEI Y C Z，et al. Target recognition algorithm for SAR image based on deep learning［J］.Journal of Changchun University of Science and Technology（Natural Science Edition）， 2019， 42（4）： 33-36.

［26］IAN J G， DAVID W F， MEHDI M， et al. Maxout Networks［J］. Compute Science， 2013： 1319-1327.

［27］韩力群. 神经网络研究趋势展望［J］.北京工商大学学报（自然科学版）， 2007， 25（6）：39-43.

HAN L Q. Prospect of development trend of neural network［J］.Journal of BeijingTechnology and Business University（Natural Science Edition）， 2007， 25（6）： 39-43.

［28］刘邵权， 陈国阶， 陈治谏. 农村聚落生态环境预警——以万州区茨竹乡茨竹五组为例［J］.生态学报， 2001，21（2）：295-301.

LIU S Q ， CHEN G J， CHEN Z J. Ecological and environmental warning on rural habitat ecosystem：A case study of group 5 of Cizhu Village in Wanxian City［J］.Acta Ecologica Sinica， 2001，21（2）：295-301.

［29］葛京鳳， 梁彦庆， 冯忠江. 山区生态安全评价、预警与调控研究：以河北山区为例［M］. 北京：科学出版社， 2011：30-35.

［30］秦趣， 代稳， 杨琴. 基于熵权模糊综合评价法的城市生态系统安全研究［J］.西北师范大学学报（自然科学版）， 2014， 50（2）： 110-114.

QIN Q， DAI W， YANG Q. Security evaluation on ecological system of city based on entropy weight and fuzzy synthetic evaluation［J］.Journal of Northwest Normal University（Natural Science）， 2014， 50（2）： 110-114.

［31］秦晓楠， 卢小丽. 基于BP-DEMATEL模型的沿海城市生态安全系统影响因素研究［J］. 管理评论， 2015， 27（5）： 48-58.

QIN X N， LU X L. A BP-DEMATEL-model-based research of the factors that affect coastal urban ecological security system［J］.Management Review， 2015， 27（5）： 48-58.

［32］左伟， 王桥， 王文杰， 等. 区域生态安全评价指标与标准研究［J］.地理学与国土研究， 2002，18（1）：67-71.

ZUO W， WANG Q， WANG W J， et al. Study on regional ecological security assessment index and standard［J］.Geography and Territorial Research， 2002，18（1）：67- 71.

（编 辑 亢小玉）