水土保持生态效应评价指标敏感性分析

周 玲

(云南三江源工程设计咨询有限公司，云南 昆明 650000)

评价指标的敏感性主要是指该指标对所评价目标的影响程度和能力。关于指标敏感性的研究，有许多专家学者进行了不同方面的研究。田坤等[1]对水生态环境治理中的敏感性因素进行分析和评价，选取对水生态治理影响较大的因素作为重点研究对象；郭鹏[2]使用有限元数值模拟的方法对输水渠防渗墙和基岩渗透系数影响因素的敏感性进行了分析，研究结果可以直接为引水渠防水提供理论支撑；黄开华[3]对百色市一水利大坝的位移影响因素进行分析，查明不同因素对大坝位移产生的影响；李哲等[4]对水资源分异的敏感因素进行分析，研究了哈尔滨地区水资源时空分布特征；陈卫平等[5]研究不同情况下不同因素对环境模型评价效果的影响程度，并对相关的敏感性评价方法进行了分析和研究。同时敏感性评价也应用于其他众多方面，如医学[6- 7]、植物学[8]等。水土流失在我国频繁发生，造成了严重的资源浪费。由于影响水土流失的因素众多，本文在前人研究的基础上结合自身经验[9- 10]，选取合适的评价指标，对水土流失影响因素进行敏感性分析，以期为治理水土流失提出更加具有针对性的建议。

1 水土流失影响因素分析

影响水土流失的因素众多，包括：地形坡度、降雨强度、植被覆盖率、土体密实度、风力等级等。

其中地形坡度越大，表层土体越容易产生向下的运动，在降雨、风蚀、人为扰动情况下越容易产生水土流失；降雨对土体的冲刷是造成水土流失的重要原因，其他因素一致的情况下，雨强越大水土流失越严重；植被根系具有良好的固土作用，植被覆盖率越高的区域水土保持情况越好；土体自身的密实度也是其防冲刷的一个重要的内因，密实度越高，土体越容易保持原位；风力等级越大，水土越容易流失且大颗粒的土体颗粒也将会被风蚀带走，造成土体流失。

2 水土流失影响因素敏感性分析

2.1 BP神经网络

神经网络模型按照结构分析，主要可以分为三个层次：输入层、输出层、隐含层。输入层-隐含层-输出层各层次间包含有大量的神经元连接。每条神经元连接都有其自身特定的权值，作为其定量计算的连接强度。

在实际使用过程中，由输入层输入数据，经过隐含层(中间层)后，变为非线性数据，从输出层输出结果，这是数据的正方向传输过程[11]。对比输出结果与设定的目标差值，如果输出结果的精度达不到计算要求，则可以通过反向传输来重新调整参数阈值，经过不断的调整直至精度达到目标的要求。通过误差的反向传播来调整精度过程就是神经网络的训练学习过程[9]。

计算过程如下。

定义函数ε：

(1)

式中，n—输出层单元的个数；y—期望输出值；y′—实际输出值。

每个权值的修正值为：

(2)

式中，ωi—输入数据k到隐含层i的权重；α—系统学习的效率；Ii—第i个隐含层的传输函数。

输入层至隐含层之间的传输通常采用Sigmoid函数，Sigmoid函数输入值为(-∞，+∞)，输出值区间范围为(0，1)，这样有助于模型进行训练学习。

f(x)=(1+e-x)-1

(3)

式中，x—输入值。

隐含层到输出值之间的关系通常采用Purelin函数来表达，即输出值等于输入值。

学习训练完成后，该模型即可应用于实际工作。

2.2 基于Garson的参数敏感性分析方法

在神经网络反复训练学习过程中，两个层之间的连接权值确定了输入值对输出值大小的影响程度，通过确定不同层次之间的权值(连接强度)即可确定输入值影响输出值的强弱程度。因此，可以描述这种强度的算法是十分必要的。

(4)

式中，Rij—输入值的对输出值的影响程度；Wij—输入层i—隐含层j的连接强度；Wjk—隐含层j—输出层k的连接强度；M、N—输入层、输出层的总数。

模型权值矩阵见表1。

表1 模型权值矩阵

计算过程如下：

(1)计算所有神经元上的权值的绝对值的乘积。

如输入值1—隐含层A—输出值O，则有

PA1=|WA1WAO|

(5)

(2)计算输入层-隐含层的贡献值

QA1=PA1/(PA1+PA2+PA3)

(6)

(3)计算输入值对输出值的贡献值

S1=QA1+QB1+QC1+QD1

(7)

(4)计算每个输入值的相对贡献值

R1=S1/(S1+S2+S3)

(8)

3 工程应用

将水土流失程度划分为三个级别，Ⅰ～Ⅲ级代表水土流失程度越来越严重。一处地形坡度为15°的区域，在降雨强度为10mm/d的降雨天气下，风力为2级，土体干密度为1.5g/cm3，植被覆盖率为62%的情况下，水土流失等级为Ⅰ级，水土流失程度较轻。

为使计算方便快捷，结果可靠，采用正交试验，见表2，各指标取值作为输入层，通过组合计算得到的水土流失程度等级作为输出层。正交试验结果见表3。将试验数据输入模型中，输入层的神经元共有5个，输出层神经元1个，隐含层神经元个数取11个，神经网络学习训练效果最好。神经网络不停地学习直至误差达到所设置的阈值时可停止学习，此时可获取输入值与输出值的关系。引入Garson算法对权值矩阵进行相应的处理获取各输入神经元的相对贡献量。各影响因素相对贡献量见表4，通过表4可以看出，水土流失程度对各因素的敏感程度按照强弱顺序如下：X3植被覆盖率，X2降雨强度，X1地形坡度，X4土体密实度，X5风力等级。研究区位于背风坡，因此风力强度对研究区水土流失程度影响最小。

表2 指标评价等级

表3 正交试验表

表4 各影响因素相对贡献量

4 结论

本文选取5个因素：植被覆盖率，降雨强度，地形坡度，土体密实度，风力等级作为水土流失程度判断的评价指标。结论如下：

(1)通过正交试验对评价指标的敏感性进行分析评价，在选取的指标内，植被覆盖率为影响水土流失的最重要因素。

(2)影响水土流失的因素众多，但各因素的重要程度相差较少，说明水土流失的产生遭受多方面因素的综合影响，在防治水土流失过程中应综合考虑多个因素，以达到较好的治理效果。