人工神经网络在全球气候变化和生态学中的应用研究01

发布时间：2016-10-25 09:12

本文关键词：人工神经网络在全球气候变化和生态学中的应用研究，，由笔耕文化传播整理发布。

2010年第55卷第31期：2987~2997；评述；《中国科学》杂志社；SCIENCECHINAPRESS；；人工神经网络在全球气候变化和生态学中的应用研究；刘泽麟①,彭长辉①②*,项文化①,田大伦①,邓湘；①中南林业科技大学生命科学与技术学院,长沙410；②InstituteofEnvironmentS；*

2010年第55卷第31期：2987 ~ 2997

评述

《中国科学》杂志社

SCIENCE CHINA PRESS

csb.scichina.com

人工神经网络在全球气候变化和生态学中的应用研究

刘泽麟①, 彭长辉①②*, 项文化①, 田大伦①, 邓湘雯①, 赵梅芳①

① 中南林业科技大学生命科学与技术学院, 长沙 410004;

② Institute of Environment Sciences, Department of Biology Sciences, University of Quebec at Montreal, Case postale 8888, Succ Centre-Ville, Montreal (QC) H3C 3P8, Canada

* 联系人, E-mail: peng.changhui@uqam.ca 2010-05-07收稿, 2010-08-27接受

国家林业局948项目(2010-4-03)、教育部新世纪优秀人才支持计划(NCET-06-0715)、湖南省高等学校科技创新团队项目和湖南省“芙蓉学者计划”资助

摘要近年来, 随着计算机技术和人工智能的发展, 人工神经网络(ANN)的应用领域不断被开拓. 同时, 人们对全球气候变化和生态环境问题也日益关注, 如全球变暖、El Ni?o和La Ni?a出现频繁、大气环流异常等, 使得人工神经网络方法在全球气候变化和生态学研究中得到了广泛的应用. 虽然人工神经网络仍存在一些不足和风险, 如模型的参数要求更高的灵敏度、网络结构的选择一般更依赖于个人经验和神经网络对短期的预测研究精确度往往高于中长期预测, 但全球变化研究中尤其要重视交互作用的影响和长期实验等. 不过, 神经网络在处理非线性问题上仍然优于许多传统的方法. 因此, 在全球气候变化和生态学研究中人工神经网络具有很大的应用潜力, 它能在实测过程可能十分困难或者使用不完整的数据难以实现的情况下, 完成其他方法完成不了的问题. 可以预料人工神经网络将在全球气候变化和生态学研究中得到更多的应用和发展.

关键词

人工神经网络全球气候变化生态学非线性问题

近年来, 全球变化日益成为各国政府、社会各界与科学家所关注的焦点问题, 并在各个领域进行了相关研究, 取得了一定的成果. 全球气候变化主要表现在全球气温升高, El Ni?o和La Ni?a出现频繁、大气环流异常等. 全球平均温度在过去100年增高了约0.6℃并且将继续升高; CO2浓度与工业革命前相比增加了38%, 21世纪末将达到700 μmol/mol[1], 以“全球变暖”为突出标志的全球变化很可能对各个生态系统产生严重影响. 多年来, 各国研究工作者们进行了大量的观测和实验, 整理了大量气候变化的数据. 因此, 现在需要充分利用这些数据, 对气候变化的影响和响应做出合理模拟和预测, 为政府决策提供科学依据. 人工神经网络(Artificial Neural Networks, ANN)

英文版见: Liu Z L, Peng C H, Xiang W H, et al. Application of artificial neural networks in global climate change and ecological research: An overview.

Chinese Sci Bull, 2010, 55, doi: 10.1007/s11434-010-4183-3

是一种专门对数据进行有效训练、校验、模拟和预测的工具, 已经发展成为一种有效的研究方法. 神经网络具有强大的学习能力, 是刻画难于用数学解析表达式描述的复杂非线性系统和非线性关系的方便工具. 由于理论上, 一个三层的神经网络模型可实现任意非线性的映射, 而生态系统自身是一个复杂的非线性系统, 所以采用人工神经网络描述生态系统、研究其各种特性是一个很有效的方法.

最近几年人工神经网络在全球气候变化和生态学中的应用已经得到了迅速的发展, 在水文生态环境、森林生态环境和城市空气质量变化等生态学研究中也越来越多的应用人工神经网络. 本文介绍了人工神经网络方法, 并对其近几年(主要是2000年之

2010年11月第55卷第31期

后)在全球气候变化和生态学中的应用进行了述评, 最后提出了将来的应用前景和发展方向. 1 人工神经网络

1.1 概述

人工神经网络(ANN)是一种模仿动物神经网络行为特征, 进行分布式并行信息处理的算法数学模

型. 这种网络依靠系统的复杂程度, 通过调整内部大量节点之间相互连接的关系, 从而达到处理信息的目的.

1943年, 心理学家McCulloch W. S.和数理逻辑学家Pitts W.建立了神经网络的数学模型, 称为MP模型. 他们通过MP模型提出了神经元的形式化数学描述和网络结构方法, 证明了单个神经元能执行逻辑功能, 从而开创了人工神经网络的研究的时代. 随着计算机技术的进步, 在20世纪80年代初, 美国加州工学院物理学家John Hopfield提出了著名的Hopfield神经网的网络模型[2]

. 他在神经网络模型的稳定性研究方面引入了利亚普诺夫函数(能量函数)作为判断依据, 使得网络模型具有联想记忆能力, 可进行优化问题的求解, 并利用该网络模型较好地解决了巡回推销商问题(Travelling Saleman Problem, TSP), 这为采用神经网络方法解决优化计算提供了新途径, 同时也为神经计算机(Neural Computer)的开发研究提供了重要的基础[3]. 1986~1988年, 心理学家Mcclelland L. L.和Rumelhart D. E.经过共同努力提出了著名的多层网络的误差反向传播算法即BP算法. 该算法迄今为止仍然是一种应用最为广泛的神经网络学习算法. 遥感图像分析和分类一直采用传统的统计方法(如最小距离和最大似然分类器)[4]. 这些方法有其自身的局限性, 特别是在涉及到不同数据类型的整合和样品的像素分布假设时局限性更为明显. 而采用人工神经网络方法可以克服统计分类的这些缺点和提高分类性能. 在过去的10年中, 人工神经网络(ANN)一直都是土地覆盖和利用卫星图像信息对土地分类中最流行的非参数分类技术之一[5~8]. 如今网络的算法更加丰富, 在反向传播算法的基础上, 模拟退化算法、遗传算法、竞争学习等都融入到网络算法体系中. 利用神经网络模型可以实现函数逼近、预测、数据聚类、模式识别及优化计算等功能. 人工神经网络的发展除了对算法本身的改进外, 还可与多种其他方法相结合, 如神经网络与决

2988 策树的结合来进行预测和分析, 人工神经网络结合系统动力学(System Dynamics, SD)和元胞自动机(Cellular Automata, CA)进行模型开发等, 更可以将应用范围扩展到不同学科, 如信息生态学中对神经网络的应用需求就很大.

人工神经网络一般由3个基本要素构成, 即处理单元、网络拓扑结构及训练规则[3].

处理单元是人工神经网络操作的基本单元, 主要模拟人脑神经元的功能. 一个处理单元有多个输入及输出路径. 输入端起信息传递的作用; 输出端将处理后的信息从一个处理单元传给下一个. 如图1, x为神经元输入, w为可调的输入权值, θ 做为偏移信号用于建模神经元的兴奋阈值. u(·)和f(·)分别表示神经元的基函数和激活函数.

网络拓扑结构决定各处理单元、各层之间信息的传递方式与途径. 目前应用的神经网络拓扑结构有几十种.

由于一个三层的反向传播神经网络(BPN)模

型能模拟任何连续函数[9], 所以现在研究中大多都采用三层的神经网络进行模拟, 并且简单的神经网络容易解释、训练速度快

, 也很少产生过度吻合[10]

, 三层神经网络结构如图

图1 通用神经元模型

图2 神经网络拓扑结构

训练(Training)又称学习(Learning), 是神经网络的一个基本特征, 通过反复训练与调整来达到需要的精度. 主要是利用转换函数f(x)对处理数据进行加权与求和, 并训练网络系统进行模式识别来处理所得的加权和, 再通过转移函数转换为输出值. 最后, 分类结果是将获取最大权重的类别指定为输入数据的归属类别[11].

与人脑的作用机理类似, 神经网络完成任务的过程主要分为两个阶段[3,11]: 第一个阶段是学习期, 是神经网络自我完善的阶段, 此时, 网络按一定的学习规则修改突触的权系数, 以使测度函数达到最小, 这个时期各计算单元状态保持不变, 各连线上的权值可以通过学习训练来修改; 第二个阶段是执行期, 是神经网络对输入信息进行处理并产生对应的输出过程, 此时各连接权固定, 计算单元状态发生变化, 已达到训练后的稳定状态.

1.2 应用软件

目前已推出了大量神经网络的专用或通用软件. 其中, 美国NeuralWare公司()开发的Predict和NeuralSight是一套先进的神经网络模型开发软件包, 也是当今世界上最成熟的神经网络商业产品. 它可以用来训练、测试以及应用神经网络模型, 具体包括预测、分类、聚合等. 软件自动将神经网络技术和遗传算法、模糊逻辑、以及统计方法等有机的结合在一起, 为多个行业的广泛问题都提供了稳定的解决方案.

此外美国NeuralWare公司的MATLAB Neural Network TOOL Box和Neuralworks ProfessionalⅡ/ Plus5.20, 美国NeuroDimension公司的NeurSolu- tionV3.0[12], 都是目前应用较广的神经网络应用软件.

2 人工神经网络在全球气候变化和生态学

中的应用

2.1 气候变化对水文生态环境影响方面的应用

自从1996年Clair和Ehrman首次采用ANN模型评估气候变化对河水流量和环境的影响以来, ANN在气候变化和水文环境之间的应用就没有停止过[13]. 为了分析气候因子变化对流域径流的影响, 陈喜等人[13]利用ANN模型建立巴音布鲁克站的月降水、气温与大山口站径流关系, 再根据区域气候模型

评述

(Regional Climate Models, RCMs)推算CO2加倍情况下西北地区气候的可能变化, 估算气候变化对大山口径流量影响. 研究结果表明: 当气温升高1~3℃时, 年径流量增加6.7%~25%; 当降水增加5%~25%时, 年径流量增加1.4%~11%. 因此, 该地区气温升高对径流的影响较降雨量增加对径流的影响要大. 很明显, 气温升高和降水量增加有利于缓和目前西北地区干旱状态, 但增加径流量主要集中在7, 8月份, 夏季发生洪水危险大大增加, 将会改变目前水资源开发利用模式和水利工程规划、运行方案. 邹志红和王学良[14]对BP神经网络模型在河流水质预测中的有效性进行了验证. 结果表明, 在进行连续河段水质预测时, 对多河段的长距离预测有较大的误差; 而对多河段的短距离预测则误差较小, 但短距离预测需要更充足的河段数据, 进行计算时也需要更长的时间.

季节性温度和降水的变化情况对流域中碳、磷和氮等的研究产生重要影响, Holmberg等人[15]使用CLIGEN生成了未来2040~2069年的每日温度值和降水值, 并利用人工神经网络对河流水内的每日总有机碳(TOC)、全氮(Ntot)、全磷(Ptot)通量建模, 从而对未来气候变化情况下的通量采用数值模拟. 他们发现河流水中TOC, Ntot和Ptot通量的增加, 主要取决于径流量的变化而不是浓度的变化. 虽然ANN模型对河流水的TOC, Ntot和Ptot通量没有获得全部的极端值, 但是它仍然符合观测中大部分的动态值. 该研究在选择网络参数的时候, 需要判断出温度和径流量之间的显著差异. 特别是在干燥条件下, 观测和模拟中得出的年度输出值相对于浓度极端值更为重要. Nour等人[16]也设计了一个能预测非标准(每日流量没有被完全监测)河流流量和全磷浓度的ANN模型.

气候变化对石漠化地区的影响也是不可忽视的. 由于喀斯特地形的含水层是高度非匀质的, 同时在这些地区的监测数据也是非常少的. 因此, 为了更好地可持续利用和保护喀斯特地下水资源, 可以建立模型来模拟喀斯特地下泉水流量, 来更好地帮助理解喀斯特水文过程. Hu等人[17]使用人工神经网络建立一个精确模拟泉水排放的简洁模型, 并应用到娘子关喀斯特泉水的模拟中. 研究表明, 虽然在短期数据的训练下, ANN的稳定性不如长期数据, 但ANN较于之前的时间滞后线性模型(Time-Lag Linear Model)

2989

2010年11月第55卷第31期

模拟效果要好很多.

在径流的路径选择里, 整个径流的总和并不是全部子流域选择径流路径的线性叠加, 人工神经网络作为一个有效的非线性映射工具, 用来研究从单个流域到总径流的全部水流输出的非线性变换是非常合适的. Chen和Adams[18]就在降雨-径流模型里集成人工神经网络的概念模型, 发现集成了ANN的综合模型能将单独的子流域的径流转换为全部流域的径流流出, 这种新方法比以往使用的Xinanjiang, SMAR和Tank三种模型效果更好. 我们认为Chen等人[18]的研究还有相当大的潜力, 比如说, 可以对不同地形, 不同环境条件继续扩展研究.

Elshorbagy和Parasuraman[19]先是采用传统人工神经网络对复杂的土壤含水量的动态变化建模. 而后, 又将高阶神经网络模型发展应用到表征土壤水分动态变化模拟. 模拟显示, 表征土壤水分的最具影响力的状态变量是地面温度, 强调的是土壤热性能和相应水分状况的联系. 该研究的贡献是得出高阶神经网络的结果较传统神经网络对土壤水分模拟具有更高的相关系数的结论, 并在加入时间滞后输入参数后, 改进了模型的性能和获得了更好的模拟效果. 同样的在Friedrich Recknagel[20]的研究中也认为神经网络模型在经过时滞时间序列训练后具有更高的预测精度. Friedrich Recknage的研究中采用监督的反馈神经网络结合非监督神经网络来综合灵敏度曲线被证明是一种有效的途径. 与Friedrich Recknagel的观点相同, 我们也相当看好神经网络在信息生态学的应用前景, 比如通过面向对象编程和互联网实行混合模型的一般函数库在全球范围内对生态系统分类, 就是一个非常不错的方向.

此外, Chen和Chang[21]构建了一个新的人工神经网络混合模型, 它采用遗传算法和按比例的共轭梯度法对前馈神经网络结构和连接权重进行优化, 并在真实水文时间序列里验证了该模型的适应性和可靠性. 同时, 该混合模型的精度优于AR和ARMAX模型. Lischeid

[22]

采用人工神经网络方法对森林集水

区的径流量估算进行SO4的短期和长期趋势的动态研究, 表明人工神经网络的潜力优于分析化学时间序列. 同样, ANN模型能作为计算水质参数的工具, 例如Singh等人[23]使用ANN模型对DO和BOD的计算值与实际河流水的测量值非常接近. Park等人[24]报道了他们应用人工神经网络对河流水中水生昆虫

2990 丰富度的预测和制图. 国内的宋松柏和蔡焕杰[25]利用BP神经网络开发了一个旱区流域水土环境质量的综合定量评价模型, 并对西北地区水资源开发利用程度最高的石羊河流域进行实例研究, 模型预测评价等级与实际评价等级相一致. 该研究说明, ANN模型具有实用性和可操作性强的特点, 可以很好地应用于流域水土环境质量评价.

我们可以看到, ANN不论是在水文预测和测量, 还是水质动态预测等水文生态环境研究中的应用越来越广泛, 目前正在向不同环境的兼容、多环境数据同步处理的方向发展. 如宋松柏和蔡焕杰[25]试图寻求一种通用的评价模型, 能进行不同地区水土环境的综合评价; 邹志红和王学良[14]的研究就从以往的单河道预测, 发展为多河道连续预测. Nour等人[16]的研究使得所有输入都很容易进入如加拿大环境天气数据库等公共数据库中, 而不需要在每一个模拟河流安装流量仪. 他们的ANN模型在复杂生态系统和高度相关变量建模方面能力突出.

2.2 气候变化下空气质量和温室气体排放估算中

的应用

Viotti和Liuti[26]使用BP算法, 根据24~48小时的气象条件和交通水平, 来预测意大利的佩鲁贾(Perugia)城市污染物浓度. 监测的变量包括二氧化硫、氮的氧化物、全部微颗粒以及晚上10点后的苯、一氧化碳、臭氧浓度, 水平风速、湿度、压强、温度、总的阳光辐射、降水量和交通情况. 这一方法对于未来1小时的污染物浓度预测结果较好. 虽然通过假设未来24~48小时的交通和气象参数来进行中长期(24~48小时)预测的效果不如1小时的预测, 但是比通常的统计确定性模型的预测效果还是要好很多. Nagendra和Khare[27]使用人工神经网络技术对NO2分散现象建模, 并应用到印度的德里(Delhi)市车辆废气排放预测上, 模型的输入包括10个气象参数和6个交通特性变量. 数据来自交通十字路口(AQCR1) 和城市主干道(AQCR2) 2个空气质量控制区域(AQCRs). 该模型预测值与观测值的拟合系数d(d为模拟值对观测值的精确估计程度)最高为0.76. 陈柳和马广大[28]利用小波分解和重构判断大气污染物浓度序列的年变化趋势, 并在此基础上建立大气污染物浓度的分段神经网络模型, 对大气SO2浓度进行预测. 为了提高网络的推广能力, 他们在程序中加入了

“提前停止”和“神经网络集成”的方法[29], 优化了网络学习过程. Ryan等人[30]则使用人工神经网络模拟温带草原生态系统的N2O的排放研究.

Barcenas等人[31]利用人工神经网络对臭氧层表面建模, 并利用无偏敏感分析和修剪技术对模型进行简化. 数据采样来自距离西班牙的瓦伦西亚(Valencia)城南40 km的小镇Carcaixent. 输入参数包括NO, NO2浓度和一些气象参数(风速、温度、大气压强、太阳辐射度、相对湿度), 时间为2002年4月1日到4月20日连续20 d, 模型输出为臭氧的浓度. 在此基础上, 他们通过敏感度分析, 得出与臭氧浓度最相关的参数是温度和太阳辐射度, 最无关的参数是臭氧化学前体(NO和NO2). 这一结果表明, 当地臭氧主要来源并不是本地生成, 而是从其他地方通过风力传输而来.

植被与大气之间的碳交换量(NEE)是影响陆地生态系统碳汇、源的重要因素, 准确估计和长期观测不同生态系统中的NEE、研究NEE的空间分布以及模拟NEE动态变化是预测气候变化的基础之一. 何洪林等人

[32]

利用能量通量和CO2通量的密切关系, 研

究了人工神经网络方法模拟CO2通量的可行性. 研究发现CO2通量和能量通量、温度存在密切的相关关系, 土壤水分因子的输入并未使模型模拟的精度有明显的提高. 该研究证明, 可以用人工神经网络模型有效地模拟CO2通量. 同时为通过涡度相关观测与遥感反演技术的集成, 并利用已获取的区域能量通量数据来模拟分析区域尺度的CO2通量空间格局提供了一种有效的技术途径. Melesse和Hanley

[33]

将

多层次感知器误差反馈人工神经网络应用到森林、草地和麦田生态系统CO2通量模拟研究中. 采用能量通量(净辐射能量、潜热、感热、土壤热通量)和温度(空气和土壤)来训练人工神经网络模型. 结果显示, 预测的相关系数(R2

)值在0.75到0.94之间, 并且森林和麦田的预测结果比草地更好. 这一技术的意义在于以点测量来估算地区或全球CO2通量, 并能够很好地帮助理解CO2通量的时空变化. Papale和Valentini[34]结合人工神经网络和涡流通量来研究欧洲森林的碳变化. 不仅开展了单站点的通量数据插补研究, 还结合土地利用、NDVI等数据, 模拟了欧洲大陆区域的空间分辨率为1 km×1 km, 时间尺度为周的CO2通量空间分布格局.

评述

2.3 气候变化下森林生态系统建模和植被、土壤

变化预测等方面的应用

因为ANN克服了森林数据处理中非线性关系和非正态性等方面的困难, 最近成为了森林建模中一个比较流行的工具. 森林生物量的估测是全球变化研究的基础, 王淑君和管东生[35]尝试应用BP和RBF神经网络模型对森林生物量进行遥感估测. 结果表明, 在独立样地估测中, 两种人工神经网络估测的相对误差均小于15.18%, 而RBF网络的ANN模型最大相对误差不超过10.12%, 平均相对误差仅为4.76%, 在识别精度上、稳定性、速度上, 均优于BP 网络ANN模型.

森林生态系统中氮的现状可以通过森林土壤的氮饱和潜力来表现, Ito等人[36]使用人工神经网络模型来对土壤的NNP(Net Nitrification Potential)进行预测. 他们的ANN模型使用ridge-stabilized Gauss- Newton算法处理现有数据, 来防止过度学习造成的过高权重. 所以, 该ANN基础模型仅仅使用2个土壤特性数据(碳氮比和最大含水量)就能提供很好的NNP预测, 大大提高了简单模型在森林管理计划中的实际价值.

同样, 理解气候变化中植被是如何改变的是气候变化中的一个关键问题. Ostendorf等人[37]利用人工神经网络研究气候变化对热带雨林植物的影响. 预测结果表明雨林的中小型植被将有所减少, 中型开放性植被在森林和林地将有所增加. 然而, 预测中型藤蔓植物和潮湿硬叶植物的结果在不同模型中却有很大的区别.

高分辨率的土壤分布图一般仅仅适用于很小的范围, 因为通过实地考察获得这些分布图是很费时和很昂贵的. 最近, Zhao等人[38]成功的使用ANN模型对土壤质地(沙砾、黏土和淤泥)进行预测, 从现有较粗糙的分辨率的土壤分布图结合数字化高程模型(Digital Elevation Model, DEM)得出的水道测量参数来获得土壤属性. 校正过的ANN模型能对相似地区制作高分辨率土壤质地结构图, 而不需要进行额外的现场调查. 就模型预测和野外测量值之间的均方根误差而言, 黏土为4.0, 沙砾为6.6. 相对总精度(现场测量时正负5%)黏土是88%, 沙砾是81%. Kavdir[39]报道了利用人工神经网络分类器对向日葵(阳光植物), 杂草和土壤进行识别. 刘殿伟等人[40]在用高光

2991

下载地址：人工神经网络在全球气候变化和生态学中的应用研究01.Doc

　　【】