论文部分内容阅读
摘 要：本研究将土壤重金属污染评价神经网络预测模型分为3层，7-6-1为该模型的神经网络结构，输入层共包括7个神经元，分别是土壤耕地有重要影响的Pb、As、Cr、Hg和Cd共5个重金属元素，以及2个限制条件：土壤类型（水田或旱地）和土壤pH值；以已知的成都市不同生态区土壤重金属指标作为本模型的训练和检验样本，本研究采用的软件为 Matlab ，利用这个软件训练和检验BP神经网络，然后对宜宾市翠屏区土壤中的重金属进行综合等级评价。评价结果显示BP神经网络对检验样本的模拟输出跟期望输出是相同的；同时，对研究区土壤重金属综合等级评价结果跟模糊模式识别、传统内梅罗指数评价法得出的结果也是基本一致的。
关键词：BP神经网络；土壤重金属污染
中图分类号：TP183 文献标识码：A DOI：10.11974/nyyjs.20170533219
1 材料与方法
1.1 研究区概况
以宜宾市翠屏区宋家乡洋坪村万宜粮油专业合作社粮食生产功能区252.07hm2农用地为研究区，该区地处中纬度北亚热带季风气候区，在地质构造上位于川东褶皱带永川帚状褶皱带的帚部；全区基岩广布，地层结构、岩石特性形迹明显，其中紫色岩层更是遍布于丘谷地区，多为侏罗系各组紫色岩层，岩层倾角10～30°，切割浅，田多土少。本区为川南丘陵区地貌形状，海拔340～400m，由于受四川盆地地质构造的影响，形成红色泥岩、沙质泥岩和沙岩互层沉积，主要土壤类型有：红棕石骨土、灰棕紫沙土、棕紫泥田、黄紫沙田、红紫沙田等，土壤质地沙壤-壤土，砾石含量较低，土壤耕性较好，经检测：土壤pH值5.94～8.40，微酸性-微碱性；有机质含量10.09～32.6g/kg、全氮0.71～1.86g/kg、有效磷0.4～17mg/kg、碱解氮74～151mg/kg、速效钾93～214mg/kg，耕地土壤养分含量中等丰富，水田地力多为2～3级，旱地多为3～4级。
1.2 土样采集与处理
土样采集按照《农田土壤环境质量监测技术规范》（NY/T395-2000）的要求，于2015年9月在作物收获后秋耕前，根据研究区土地利用现状划分取样单元，每13.3～20hm2取一个样点，共采集耕层土壤样品10个，耕层按0～20cm，亚耕层按20～40cm用不锈钢土钻采集土样，每个土样均采用“S”法随机采集15～20个点，经充分混合后，用四分法留取1kg，重点点位留取1.5kg，装入土袋标明，样品取回在实验室荫干、碾碎备用。
1.3 测定项目及方法
土樣送四川省农科院土壤肥料研究所化验室进行，对农产品质量安全有重要影响的Pb、As、Cr、Hg和Cd共5个重金属元素的化验分析，分析方法根据《农田土壤环境质量监测技术规范》（NY/T395-2000）要求确定：As、Hg采用原子荧光光谱法测试，Cd、Cr、Pb采用等离子体质谱法测试。
1.4 评价方法
1.4.1 传统指数评价法
污染指数法是检测评价土壤重金属污染中最常用的一种方法，主要包括2种，分别为单因子和多因子污染指数法，多因子指数法是内梅罗指数法使用最多的一种方法。内梅罗指数法可以计算污染指数的平均值以及最高值，通常在实际的应用过程中，重金属污染因子个数减少的情况比较适合应用该方法，加权有效地规避了权系数确定过程中的各种主观因素，当前该方法的应用比较广泛。但是，这种方法同时也存在不足之处，因为将土壤重金属污染评价化由复杂变得过于简单，过分强调了环境质量影响中最高值的作用。一般情况下，对土壤进行环境质量评价时，会按照中国土壤环境质量标准（GB15618-1995）中二级标准来确定研究的评价标准（表1）。
1.4.2 BP神经网络
1.4.2.1 BP神经网络原理
BP算法训练的神经网络，称之为BP神经网络，这种神经网络是目前应用最多的一种，按照误差逆传播算法进行训练，属于多层前馈网络。BP神经网络的学习功能比较强，输入—输出模式映射关系的存贮量也比较大，不必对描述该映射关系的数学方程进行揭示。梯度下降法是主要的学习规则，网络的阈值和权值可以通过反向传播得到适当的调整，最终得出的最小的误差平方和。BP神经网络模型拓扑共包括3层，分别是输入层、隐层和输出层。
1.4.2.2 BP神经网络算法
BP算法是目前最广泛用的神经网络学习算法之一，其反向传播包括2个步骤，分别是正向传播以及反向传播。
正向传播就是样本从输入层开始经过隐单元进行层层处理，之后传到输出层中；经过这个过程的层层处理，每层中神经单元的状态都只会影响到下一层神经元的状态。比较输出层中的现行输出以及期望输出，当现行输出跟期望输出不同时，则进行反向传播过程。
反向传播就是将误差信号按照原路返回，从输出层开始经过隐含层对神经元的权系数进行逐步修改，以最大化的减少误差信号。
采用非线性S型对数传递函数logsig函数应用到模型的输入层到隐含层的过程中，可以有效保证BP神经网络模型的非线性，线性函数 purlin 函数应用到隐含层到输出层中，trainlm函数为网络采用的训练函数。通过反复迭代运算，达到误差允许范围为止，最后固定权值系数及阀值，学习训练过程结束，模型建立。
2 基于BP神经网络的土壤重金属评价模型
2.1 学习样本的选取
选取BP神经网络训练样本可以确定模型，如果采用累加样本数量或者反复训练网络的方法，会耗费大量的时间，不利于提高网络的预测精度。因此只有在充分考虑样本的整体内在特征以及规律的基础上才能选定样本。
本文学习样本选用《成都耕地》中耕地重金属评价土壤样点数据100个，检验样本20个。样本中土壤等级采用传统内梅罗指数评价法得出（表3）。 2.2 神经网络预测模型的建立
3层前向BP神经网络能够实现随意精度接近任何一个非线性函数，而且过程中不需要建立数学模型，只要存在输入以及目标输出即可。赋予一个输入模式给网络，经过输入层—隐蔽层—输出层层层处理之后，产生一个输出模式。当实际输出跟期望输出不同时，则进行反向传播，误差值会沿着原路返回进行逐层修改。只有每个训练模式都满足特定要求，学习过程才能结束。
图1为本研究中的土壤重金属污染评价的BP神经网络预测模型，该模型共分为3层，7-6-1为该模型的神经网络结构，输入层共包括7个神经单元。分别是对土壤耕地有重要影响的Pb、As、Cr、Hg和Cd共5个元素，2个限制条件：土壤类型（水田或旱地）和土壤pH值，对土壤类型（水田、旱地）字符作对应性数字映射为水田-0，旱地-1；线性传递函数（purelin）为传递函数；隐蔽层共包括6个神经元，传递函数为s型传递函数（1ogsig）；输入层包含一个神经元，和土壤重金属污染评价等级对应，传递函数也是线性传递函数（purelin）。
网络学习过程中或者网络预测的过程中要实现更好的训练，就要进行输入矢量分量预处理以及输出适量分量预处理，使用permnmx函数对网络进行归一化处理，以使样本输出和输入范围维持在[-1，1]之间。仿真后的数据通过postmnmx函数进行反归一化处理。
本研究中有100个已知的土样点参数数据可以当做学习样本的输出节点值，在神经网络学习模型中带入5个影响参数和2个限制参数的输入节点值，可以自动生成样本群知识库以及项目区土壤重金属污染评价等级与7个特征參数的非线性计算关系，结果为：R?=0.99998；RMSE=0.01。
在神经网络推理机中带入学习样本以及验证土样点的7个参数标准值，利用知识库将各单元的评价等级求出，然后与已知结果进行比较，如果误差≤10%，再将其与传统内梅罗指数评价结果进行比较，2个结果非常贴合。（表4）。
2.3 基于BP网络的翠屏区土壤重金属污染评价
在BP神经网络预测模型被验证可用后，本文运用该模型，对宜宾市翠屏区宋家乡洋坪村万宜粮油专业合作社粮食生产功能区10个耕地土壤样点进行评价，将其作为仿真部分输入值代入网络程序，即可评价出本区域耕地土壤重金属污染等级，对该区域现代农业规划中土壤适宜性和农产品质量安全溯源提供科学依据。
3 结论
本文主要对研究区域中的5种重金属内梅罗指数综合评价以及神经网络综合评价的结果进行对比分析，对于该地区的污染水平和趋势，两者反映的基本一致，神经网络综合法评价结果对细小区域的评价更加适合，如土样1根据内梅罗指数法的结果显示，该区域评价等级为2级、尚清洁，但应用BP神经网络评价为1级、清洁，这个评价结果比较符合当地的污染状况。
借助BP神经网络方法建立起土壤重金属污染等级与区域种植业适宜性和农产品质量安全溯源之间构建起直接的联系，管理决策部门可以从这个方向出发制定现代农业规划的应对措施，从而更好的协调社会经济活动跟土壤环境之间的关系，从而有效的预防土壤重金属污染，进而保障农产品的质量安全。
参考文献
[1]李向.基于BP神经网络的土壤重金属污染评价方法——以包头土壤环境质量评价为例[J].中国农学通报，2012，28（02）：250-256.
[2]杨娟，王昌全.基于BP神经网络的城市边缘带土壤重金属污染预测[J].土壤学报，2007（05）：430-436.
作者简介：王鸿（1969-），男，四川泸县人，硕士，高级农艺师，主要从事耕地土壤改良与利用方面的研究。
关键词：BP神经网络；土壤重金属污染
中图分类号：TP183 文献标识码：A DOI：10.11974/nyyjs.20170533219
1 材料与方法
1.1 研究区概况
以宜宾市翠屏区宋家乡洋坪村万宜粮油专业合作社粮食生产功能区252.07hm2农用地为研究区，该区地处中纬度北亚热带季风气候区，在地质构造上位于川东褶皱带永川帚状褶皱带的帚部；全区基岩广布，地层结构、岩石特性形迹明显，其中紫色岩层更是遍布于丘谷地区，多为侏罗系各组紫色岩层，岩层倾角10～30°，切割浅，田多土少。本区为川南丘陵区地貌形状，海拔340～400m，由于受四川盆地地质构造的影响，形成红色泥岩、沙质泥岩和沙岩互层沉积，主要土壤类型有：红棕石骨土、灰棕紫沙土、棕紫泥田、黄紫沙田、红紫沙田等，土壤质地沙壤-壤土，砾石含量较低，土壤耕性较好，经检测：土壤pH值5.94～8.40，微酸性-微碱性；有机质含量10.09～32.6g/kg、全氮0.71～1.86g/kg、有效磷0.4～17mg/kg、碱解氮74～151mg/kg、速效钾93～214mg/kg，耕地土壤养分含量中等丰富，水田地力多为2～3级，旱地多为3～4级。
1.2 土样采集与处理
土样采集按照《农田土壤环境质量监测技术规范》（NY/T395-2000）的要求，于2015年9月在作物收获后秋耕前，根据研究区土地利用现状划分取样单元，每13.3～20hm2取一个样点，共采集耕层土壤样品10个，耕层按0～20cm，亚耕层按20～40cm用不锈钢土钻采集土样，每个土样均采用“S”法随机采集15～20个点，经充分混合后，用四分法留取1kg，重点点位留取1.5kg，装入土袋标明，样品取回在实验室荫干、碾碎备用。
1.3 测定项目及方法
土樣送四川省农科院土壤肥料研究所化验室进行，对农产品质量安全有重要影响的Pb、As、Cr、Hg和Cd共5个重金属元素的化验分析，分析方法根据《农田土壤环境质量监测技术规范》（NY/T395-2000）要求确定：As、Hg采用原子荧光光谱法测试，Cd、Cr、Pb采用等离子体质谱法测试。
1.4 评价方法
1.4.1 传统指数评价法
污染指数法是检测评价土壤重金属污染中最常用的一种方法，主要包括2种，分别为单因子和多因子污染指数法，多因子指数法是内梅罗指数法使用最多的一种方法。内梅罗指数法可以计算污染指数的平均值以及最高值，通常在实际的应用过程中，重金属污染因子个数减少的情况比较适合应用该方法，加权有效地规避了权系数确定过程中的各种主观因素，当前该方法的应用比较广泛。但是，这种方法同时也存在不足之处，因为将土壤重金属污染评价化由复杂变得过于简单，过分强调了环境质量影响中最高值的作用。一般情况下，对土壤进行环境质量评价时，会按照中国土壤环境质量标准（GB15618-1995）中二级标准来确定研究的评价标准（表1）。
1.4.2 BP神经网络
1.4.2.1 BP神经网络原理
BP算法训练的神经网络，称之为BP神经网络，这种神经网络是目前应用最多的一种，按照误差逆传播算法进行训练，属于多层前馈网络。BP神经网络的学习功能比较强，输入—输出模式映射关系的存贮量也比较大，不必对描述该映射关系的数学方程进行揭示。梯度下降法是主要的学习规则，网络的阈值和权值可以通过反向传播得到适当的调整，最终得出的最小的误差平方和。BP神经网络模型拓扑共包括3层，分别是输入层、隐层和输出层。
1.4.2.2 BP神经网络算法
BP算法是目前最广泛用的神经网络学习算法之一，其反向传播包括2个步骤，分别是正向传播以及反向传播。
正向传播就是样本从输入层开始经过隐单元进行层层处理，之后传到输出层中；经过这个过程的层层处理，每层中神经单元的状态都只会影响到下一层神经元的状态。比较输出层中的现行输出以及期望输出，当现行输出跟期望输出不同时，则进行反向传播过程。
反向传播就是将误差信号按照原路返回，从输出层开始经过隐含层对神经元的权系数进行逐步修改，以最大化的减少误差信号。
采用非线性S型对数传递函数logsig函数应用到模型的输入层到隐含层的过程中，可以有效保证BP神经网络模型的非线性，线性函数 purlin 函数应用到隐含层到输出层中，trainlm函数为网络采用的训练函数。通过反复迭代运算，达到误差允许范围为止，最后固定权值系数及阀值，学习训练过程结束，模型建立。
2 基于BP神经网络的土壤重金属评价模型
2.1 学习样本的选取
选取BP神经网络训练样本可以确定模型，如果采用累加样本数量或者反复训练网络的方法，会耗费大量的时间，不利于提高网络的预测精度。因此只有在充分考虑样本的整体内在特征以及规律的基础上才能选定样本。
本文学习样本选用《成都耕地》中耕地重金属评价土壤样点数据100个，检验样本20个。样本中土壤等级采用传统内梅罗指数评价法得出（表3）。 2.2 神经网络预测模型的建立
3层前向BP神经网络能够实现随意精度接近任何一个非线性函数，而且过程中不需要建立数学模型，只要存在输入以及目标输出即可。赋予一个输入模式给网络，经过输入层—隐蔽层—输出层层层处理之后，产生一个输出模式。当实际输出跟期望输出不同时，则进行反向传播，误差值会沿着原路返回进行逐层修改。只有每个训练模式都满足特定要求，学习过程才能结束。
图1为本研究中的土壤重金属污染评价的BP神经网络预测模型，该模型共分为3层，7-6-1为该模型的神经网络结构，输入层共包括7个神经单元。分别是对土壤耕地有重要影响的Pb、As、Cr、Hg和Cd共5个元素，2个限制条件：土壤类型（水田或旱地）和土壤pH值，对土壤类型（水田、旱地）字符作对应性数字映射为水田-0，旱地-1；线性传递函数（purelin）为传递函数；隐蔽层共包括6个神经元，传递函数为s型传递函数（1ogsig）；输入层包含一个神经元，和土壤重金属污染评价等级对应，传递函数也是线性传递函数（purelin）。
网络学习过程中或者网络预测的过程中要实现更好的训练，就要进行输入矢量分量预处理以及输出适量分量预处理，使用permnmx函数对网络进行归一化处理，以使样本输出和输入范围维持在[-1，1]之间。仿真后的数据通过postmnmx函数进行反归一化处理。
本研究中有100个已知的土样点参数数据可以当做学习样本的输出节点值，在神经网络学习模型中带入5个影响参数和2个限制参数的输入节点值，可以自动生成样本群知识库以及项目区土壤重金属污染评价等级与7个特征參数的非线性计算关系，结果为：R?=0.99998；RMSE=0.01。
在神经网络推理机中带入学习样本以及验证土样点的7个参数标准值，利用知识库将各单元的评价等级求出，然后与已知结果进行比较，如果误差≤10%，再将其与传统内梅罗指数评价结果进行比较，2个结果非常贴合。（表4）。
2.3 基于BP网络的翠屏区土壤重金属污染评价
在BP神经网络预测模型被验证可用后，本文运用该模型，对宜宾市翠屏区宋家乡洋坪村万宜粮油专业合作社粮食生产功能区10个耕地土壤样点进行评价，将其作为仿真部分输入值代入网络程序，即可评价出本区域耕地土壤重金属污染等级，对该区域现代农业规划中土壤适宜性和农产品质量安全溯源提供科学依据。
3 结论
本文主要对研究区域中的5种重金属内梅罗指数综合评价以及神经网络综合评价的结果进行对比分析，对于该地区的污染水平和趋势，两者反映的基本一致，神经网络综合法评价结果对细小区域的评价更加适合，如土样1根据内梅罗指数法的结果显示，该区域评价等级为2级、尚清洁，但应用BP神经网络评价为1级、清洁，这个评价结果比较符合当地的污染状况。
借助BP神经网络方法建立起土壤重金属污染等级与区域种植业适宜性和农产品质量安全溯源之间构建起直接的联系，管理决策部门可以从这个方向出发制定现代农业规划的应对措施，从而更好的协调社会经济活动跟土壤环境之间的关系，从而有效的预防土壤重金属污染，进而保障农产品的质量安全。
参考文献
[1]李向.基于BP神经网络的土壤重金属污染评价方法——以包头土壤环境质量评价为例[J].中国农学通报，2012，28（02）：250-256.
[2]杨娟，王昌全.基于BP神经网络的城市边缘带土壤重金属污染预测[J].土壤学报，2007（05）：430-436.
作者简介：王鸿（1969-），男，四川泸县人，硕士，高级农艺师，主要从事耕地土壤改良与利用方面的研究。