基于遗传算法优化BP神经网络的石漠化区土壤水分动态预测模型

引用本文

杨佳琦, 郭建斌, 汤明华, 周金星, 万龙. 基于遗传算法优化BP神经网络的石漠化区土壤水分动态预测模型[J]. 中国水土保持科学, 2022, 20(3): 109-118. DOI: 10.16843/j.sswc.2022.03.014.

YANG Jiaqi, GUO Jianbin, TANG Minghua, ZHOU Jinxing, WAN Long. Dynamic prediction model of soil moisture in rocky desertification region based on BP neural network optimized by genetic algorithm[J]. Science of Soil and Water Conservation, 2022, 20(3): 109-118. DOI: 10.16843/j.sswc.2022.03.014.

项目名称

云南省重点研发计划课题“石漠化区生态产业复合系统构建技术研究”(2019BC001-03)；国家重点研发计划项目“农田节水灌溉、土壤保墒技术研发”(2016YFC0502502)；国家自然科学基金“考虑植被蒸腾水分来源结构的岩溶小流域时变增益水文模型模拟研究”(31700640)；中央高校基本科研业务费专项资金资助“云南建水荒漠生态系统国家定位观测”(PTYX202124)

第一作者简介

杨佳琦(1996—)，女，硕士研究生。主要研究方向: 水土保持与林业生态工程。E-mail: 784724427@qq.com

通信作者简介

万龙(1986—)，男，博士。主要研究方向: 水土保持与林业生态工程。E-mail: wanlong255@sina.com

文章历史

收稿日期：2021-09-18
修回日期：2022-04-20

Contents Abstract Full text Figures/Tables PDF

基于遗传算法优化BP神经网络的石漠化区土壤水分动态预测模型

杨佳琦 ^1,2, 郭建斌 ^1,2, 汤明华 ^1,2, 周金星 ^1,2, 万龙 ^1,2

1. 北京林业大学水土保持学院云南建水荒漠生态系统国家定位观测研究站，654300，云南建水;
2. 北京林业大学水土保持国家林业和草原局重点实验室，100083，北京

收稿日期：2021-09-18; 修回日期：2022-04-20

项目名称：云南省重点研发计划课题“石漠化区生态产业复合系统构建技术研究”(2019BC001-03)；国家重点研发计划项目“农田节水灌溉、土壤保墒技术研发”(2016YFC0502502)；国家自然科学基金“考虑植被蒸腾水分来源结构的岩溶小流域时变增益水文模型模拟研究”(31700640)；中央高校基本科研业务费专项资金资助“云南建水荒漠生态系统国家定位观测”(PTYX202124)

第一作者简介：杨佳琦(1996—)，女，硕士研究生。主要研究方向: 水土保持与林业生态工程。E-mail: 784724427@qq.com

通信作者简介：万龙(1986—)，男，博士。主要研究方向: 水土保持与林业生态工程。E-mail: wanlong255@sina.com

摘要：云南省建水县为典型的岩溶断陷盆地地貌，是我国喀斯特石漠化综合治理的重要类型区，对该地区土壤水分动态变化过程及其影响因素的揭示是水土保持和生态恢复工作的必要条件。收集云南建水县石漠化治理区2006年4月16日—2020年12月1日的逐日气象资料和轻度和中度2个石漠化区的土壤水分资料，分层建立BP(back propagation)神经网络土壤水分预测模型，并利用遗传算法对模型的权值和偏置进行优化。结果表明：1)经遗传算法优化后轻度石漠化区和中度石漠化区样地平均相对误差分别提升45%和63%，均方根误差分别提升3%和12%，R²分别提升约27%和17%，但随着土层深度的增加，预测精度呈降低趋势；2)应用敏感性分析确定影响该地区土壤水分动态的主要气象因子为降水和气温, 但随着土层深度增加，对气象因子的响应程度降低，遗传算法优化BP神经网络模型更适合对中度石漠化样地进行土壤水分预测。基于遗传算法优化的神经网络预测模型精度较高，能更好地实现该区域的预测。

关键词：遗传算法 BP神经网络土壤水分预测敏感性分析石漠化

Dynamic prediction model of soil moisture in rocky desertification region based on BP neural network optimized by genetic algorithm

YANG Jiaqi ^1,2, GUO Jianbin ^1,2, TANG Minghua ^1,2, ZHOU Jinxing ^1,2, WAN Long ^1,2

1. Jianshui Research Station, School of Soil and Water Conservation, Beijing Forestry University, 654300, Jianshui, Yunnan, China;
2. Key Laboratory of National Forestry and Grassland Administration on Soil and Water Conservation, Beijing Forestry University, 100083, Beijing, China

Abstract: [Background] Jianshui county of Yunnan province is a typical karst faulted basin landform, which is an important type area for the comprehensive control of karst rocky desertification in China. Because of the severe seasonal drought and rocky desertification, the barren water holding capacity of soil is poor and heterogeneity is high, and the prediction of soil water dynamic is difficult. It is of great significance for soil and water conservation and ecological restoration to reveal the process of soil water dynamic change and its influencing factors in this area. [Methods] Based on the daily meteorological data from April 16, 2006 to December 1, 2020 and soil moisture data from two different degrees of rocky desertification areas in Jianshui Karst rift basin of Yunnan province, a dynamic prediction model of soil moisture volume based on BP neural network was established for 0-10, 10-20 and 20-30 cm soil layers. Genetic algorithm was used to optimize the weights and thresholds of the model. The default factor method was used for sensitivity analysis to identify the main meteorological factors affecting the prediction of soil water dynamics in this area. [Results] The BP neural network model optimized by genetic algorithm was used to predict the soil volume moisture content of mild rocky desertification area and moderate rocky desertification area from September 13, 2019 to December1, 2020. The results showed that the predicted value of the model was close to the measured value. Y_MARE increased by 45% and 63%, Y_RMSE by 3% and 12%, R² by 27% and 17%, respectively. The simulation accuracy of soil water in 20-30 cm depth was improved most obviously, The sensitivity analysis showed that the sensitivity index of soil moisture to rainfall was the highest (1.317-1.735), followed by the sensitivity index to average temperature (0.880 9-1.071 2), followed by atmospheric pressure and solar radiation. [Conclusions] The simulation result of genetic algorithm optimization was improved obviously. The results show that the BP neural network model optimized by genetic algorithm can be well applied to soil moisture simulation in rocky desertification area, and the simulation accuracy is significantly improved compared with the non-optimized model. It is proved that the prediction accuracy of soil water in moderate rocky desertification plot is higher than that in mild rocky desertification plot, and the prediction accuracy decreases with the increase of soil depth. Sensitivity analysis was used to determine that precipitation was the main meteorological factor, followed by air temperature. The sensitivity analysis showed that the soil at 0-10 cm surface layer was the most sensitive to meteorological factors, while the soil at > 10-20 cm middle layer was the most sensitive to meteorological factors.

Keywords: genetic algorithm BP neural network soil moisture prediction sensitivity analysis rocky desertification

岩溶断陷盆地地貌是我国八大岩溶地貌组合类型之一，主要分布于云贵高原，长江、珠江上游地区，因其脆弱而特殊的生态环境和人类不合理的经济社会活动，生态问题日益严重，进而演变成喀斯特岩溶石漠化现象^[1]。云南省红河州建水县为典型的岩溶断陷盆地地貌，该地区岩石裸露率高，土壤渗透性强，持水力差，严重制约了生态、经济的可持续发展^[2]。植被恢复是岩溶地区生态恢复的关键^[3]，了解土壤水分动态变化格局，才能对岩溶石漠化进行有效的植被恢复^[4]。国内外对于喀斯特岩溶区土壤水分动态变化过程已开展了一些研究^[5]，但这些研究更多是针对单一石漠化程度下的土壤水分动态变化过程，缺乏对不同石漠化程度和不同植被恢复模式等条件的综合考虑以及较长期的持续性监测，因此预测该区不同石漠化程度土壤水分动态变化对指导区域水土保持，恢复石漠化地区生态具有重要的意义。

土壤水分预测是一个高度非线性的过程，具有复杂性、多变性以及不确定性，预测方法目前主要有模型预测和数据驱动预测2种^[6]。BP神经网络模型可以准确度较高地处理复杂的输入输出关系，已逐渐应用于土壤水分预测^[7]。目前，众多学者在非喀斯特地区进行了土壤水分预测及其环境响应的研究，如林洁等^[8]基于BP神经网络建立太湖典型农田土壤水分预测模型，并利用对气象因子进行敏感性分析来判断影响土壤水分动态的主要气象因子，以主要气象因子建立土壤水分动态模拟模型。丁从慧^[9]建立南京典型夏玉米农田的BP神经网络模型模拟土壤水分动态，并讨论了各气象因子对土壤水分的敏感性差异。郝姗姗等^[10]在六盘山地区的高建堡、虎沟等11个小流域构建基于BP神经网络的土壤侵蚀因子模型，并分别探究了降雨侵蚀力、坡度坡长等影响因子对土壤侵蚀因子的显著性。李柳阳等^[11]构建长三角地区农田站点土壤水分和气象因子的BP神经网络模型预测土壤水分的长时间序列，并对比了基于全部站点和分站点构建的模型精度差异。岩溶断陷盆地季节性干旱严重，土壤水分变化敏感，然而在该区域对土壤水分动态模拟研究薄弱。

大量研究发现，BP神经网络算法的权值和偏置由随机初始化产生，因而模型在训练过程中存在收敛速度慢，易遇到局部最小陷阱的缺点，导致训练效果不佳^[12]。遗传算法(genetic algorithms)将网络中所有的权值和偏置组成种群个体，通过计算个体的适应度并选取最优个体，最终将最优个体赋值给网络的初始权值和偏置，提高网络的整体拟合程度^[13-14]，因此，笔者选取研究区2种程度石漠化样地，分层建立基于BP神经网络的土壤水分动态预测模型，引入遗传算法来优化模型。采用缺省因子法进行敏感性分析，确定影响该区土壤水分动态的主要气象因子，为喀斯特地区生态恢复以及石漠化综合治理提供理论依据。

1 研究区概况

以建水县九标国有林场石漠化治理恢复区为试验研究区域，该区位于云南省红河州建水县(地理坐标E102°54′, N 23°37′)，小流域内地貌为典型的石漠化岩溶断陷盆地地貌。海拔230~2 515 m，南亚热带季风气候，年均气温19.8 ℃，年均相对湿度72%，蒸发量2 311.19 mm，年均降水量805 mm，全年无霜期307 d。在2008年，建水县被列入国家首批100个石漠化综合治理试点县之一。试验选取恢复区2种石漠化区样地：中度石漠化区和轻度石漠化区进行研究。试验区于1985年进行了人工植被恢复，其中中度石漠化区样地植被为灌-草结构，主要覆盖植被为车桑子(Dodonaea viscosa)和硬秆子草(Capillipedium assimile); 轻度石漠化区样地为灌-草结构，主要覆盖植被为车桑子和荩草(Arthraxon hispidus)。土壤类型为红色石灰土，2种石漠化样地详细信息见表 1，土壤的基本理化性质信息见表 2。

表 1 2种石漠化程度样地的基本概况 Tab. 1 Basic situation of two kinds of Rocky desertification erosion degree

表 2 2种石漠化程度样地土壤的基本理化性质 Tab. 2 Basic physical and chemical properties of soils in two types of rocky desertification plots

2 数据与方法 2.1 数据来源

数据采集于2016年4月16日—2020年12月1日。使用Enviro-SMART CS616土壤水分定位监测系统(Campbell Scientific Inc. USA)每10 min 1次对研究区进行实时监测，测定土壤深度分别为0~10 cm、10~20 cm和20~30 cm。选取同期小型气象站(WatchDog 2900ET, Spectrum Technologies Inc. USA)，按照每10 min 1次的频率对研究区气象进行测定。经合并换算得到土壤水分和气象要素日数据，共计1 691组数据。

2.2 BP神经网络模型的建立 2.2.1 BP神经网络模型的建立

笔者采用Matlab软件编程，以6个气象因子作为输入因子，中度石漠化区和轻度石漠化区0~10 cm，10~20 cm，20~30 cm土层土壤含水率分别作为输出因子，共1 691组数据，其中在前1 245组随机抽取800组作为训练数据集，用于训练土壤含水量预测模型，其余445组为验证数据集，用于检验土壤含水量预测模型，最后446组为测试组用于土壤水分动态模拟的性能检验。隐含层的最优节点取值范围根据经验公式求得为[3, 12]，通过多次网络训练精度，确定最优拓扑结构。轻度石漠化区3土层按照土层深度依次为6∶9∶1、6∶4∶1和6∶3∶1结构；中度石漠化区3土层依次为6∶7∶1、6∶4∶1和6∶7∶1结构。设置最大迭代次数为1 000次; 学习率0.01;输入输出的目标误差0.000 1。在模型训练过程中，将训练数据集输入进行误差的反向传播，不断更新网络权值和偏置，得到最小误差时建立预测模型。在此基础上，引入具有全局搜索能力的遗传算法优化BP神经网络。通过6个气象因子逐一缺省进行敏感性分析，得到影响该地区土壤水分动态的主要气象因子。

2.2.2 遗传算法优化BP神经网络模型的建立

遗传算法是由美国人提出的一种模仿生物自然进化过程的随机并行自适应优化方法^[15]。具有简单、随机性、鲁棒性和全局性以及不受搜索空间限制性条件约束等特点，可视为介于确定性与随机性优化方法之间的一类新的优化方法^[16]。

笔者采用十进制编码，优化过程如下。

1) 种群初始化。将神经网络模型所有的权值和偏置建立种群信息，权值与偏置按一定顺序级联起来相当于一个染色体，其长度

$ M = N(N + O) + Y + O。$

(1)

式中: M为染色体长度；N为输入节点数；O为输出节点数；Y为隐含层结点数。

2) 个体适应度计算。通过计算找出种群中的每一代进化中的最优染色体并记录保留。笔者选用的适应度函数

$ {A_{(i)}} = \frac{1}{{\sum\limits_{i = 1}^n {(\hat y(} i) - y(i){)^2}}}。$

(2)

式中: n为样本数；ŷ(i)和y(i)分别为样本i的模拟值和实测值。

3) 遗传进化。循环进行选择、交叉、变异，个体适应度计算的遗传叠代操作，笔者采用算数交叉，交叉概率为0.4，变异概率为0.08。

4) 得到最高个体适应度个体，实现优胜劣汰。最终赋值给BP神经网络模型的权值和偏置，来提高网络的整体拟合程度，使其得到优化。

2.3 模拟效果评价方法

笔者采用平均相对误差(Y_MARE)、均方根误差(Y_RMSE)和决定系数(R²)评价土壤水分预模型的精度^[17]。

$ {Y_{{\rm{MARE}}}} = \frac{1}{n}\sum\limits_{i = 1}^n {\frac{{|\hat y(i) - y(i)|}}{{y(i)}}} ; $

(3)

$ {Y_{{\rm{RMSE}}}} = \sqrt {\frac{{\sum\limits_{i = 1}^n {(\hat y(} i) - y(i){)^2}}}{{n - 1}}} ; $

(4)

$ {R^2} = 1 - \frac{{\sum\limits_{i = 1}^n {(y(} i) - \hat y(i){)^2}}}{{\sum\limits_{i = 1}^n {(y(} i) - \bar y{)^2}}}。$

(5)

式中y为实测值的平均值。

2.4 敏感性评价方法

根据敏感性指数(Y_i)来判断神经网络内部输出因子对各个缺省因子的响应强度。敏感性指数的数值越大则土壤水分动态对i气象因子越敏感。

$ {Y_i} = {Y_{{\rm{RMSE}}( - i)}}/{Y_{{\rm{RMSE}}}}。$

(6)

式中: Y_i为第i个因子敏感性指数；Y_RMSE(-i)为不包括i气象因子的模型均方根误差；Y_RMSE为全因子模型均方根误差。

3 结果与分析 3.1 BP神经网络模型的检验

将训练所得的轻度石漠化区和中度石漠化区不同土层的BP神经网络模型用于预测2019年9月13日—2020年12月1日的土壤体积含水率，并绘制了土壤含水率实测值和预测值对比图(图 1)。显示土壤含水量的动态变化趋势模拟结果与实测值有较好的一致性。

图 1 2种石漠化区基于BP神经网络的土壤水分动态模拟与实测值对比 Fig. 1 Comparison of dynamic simulated and measured values of soil moisture in two rocky desertification erosion areas based on BP neural network

总体来说，中度石漠化样地模拟精度高于轻度石漠化样地。从测试样本模拟结果来看，中度石漠化样地Y_MARE比轻度石漠化低42%~50%，Y_RMSE低5%~54%，R²高6%~14%。不同土层模拟结果表明，2个样地均为表层土壤水分0~10 cm模拟精度最高，Y_MARE < 20%，Y_RMSE＜4%，R²＞0.704 2。随着土层深度增加，模拟精度降低。在20~30 cm土层土壤水分模拟精度较差，Y_MARE在1%~25%之间，Y_RMSE在4%~5%之间，R²＞0.547 6。由此可以得出，中度石漠化区土壤水分动态模拟效果优于轻度石漠化区，并且随土层深度增加模拟效果呈现降低趋势的结论。

总体上，轻度石漠化区和中度石漠化区的3个数据集Y_MARB均＜25%，Y_RMSE均＜5%，R²均＞0.547 6，BP神经网络模型对该区土壤水分进行预测精度有待于优化。

3.2 遗传算法优化BP神经网络模型的检验

将训练所得的轻度石漠化区和中度石漠化区不同土层经遗传算法优化的BP神经网络模型用于预测2019年9月13日—2020年12月1日的土壤体积含水率，绘制土壤含水率实测值和预测值对比图(图 2)。对比图 1可知通过遗传算法优化BP神经网络模型后各土层土壤预测值和实际值的拟合度更高，故该地区应用遗传算法优化BP神经网络模型可以更好地进行水分动态模拟。

图 2 2种石漠化区基于遗传算法优化BP神经网络的土壤水分动态模拟与实测值对比 Fig. 2 Comparison of dynamic simulated and measured values of soil moisture based on BP neural network optimized by genetic algorithm in two rocky desertification erosion areas

模型检验效果由表 3和表 4对比可知: 经遗传算法优化后与优化前的预测模型在该地均呈现相同的规律，即中度石漠化区土壤水分动态模拟效果高于轻度石漠化区，并且随土层深度增加模拟效果呈现降低趋势。

表 3 2种石漠化区基于BP神经网络的土壤水分模拟效果统计分析 Tab. 3 Statistical analysis of soil moisture simulation effect based on BP neural network in two rocky desertification erosion areas

表 4 2种石漠化区基于神经算法优化BP神经网络的土壤水分模拟效果统计分析 Tab. 4 Statistical analysis of soil moisture simulated effect based on BP neural network optimized by neural algorithm in two rocky desertification erosion areas

优化前(表 3)，轻度石漠化区测试样本集的Y_MARE均＜26%，Y_RMSE均＜5%，R²均＞0.547 6；中度石漠化区Y_MARE均＜14%，Y_RMSE均＜4%，R²均＞0.599 6。经遗传算法优化后(表 4)，轻度石漠化区测试样本集的Y_MARE均＜13%，Y_RMSE均＜5%，R²均＞0.696 3；中度石漠化区的Y_MARE均＜6%，Y_RMSE均＜3%，R²均＞0.701 2。经遗传算法优化后，测试样本20~30 cm深层土壤水分模拟精度提升最为明显。轻度石漠化和中度石漠化Y_MARE分别提升45%和63%, Y_RMSE分别提升3%和12%，R²分别提升约27%和17%。

由表 3和表 4可以看到轻度石漠化区和中度石漠化区样地经过遗传算法优化后3个数据集的模拟精度评价指标整体较优化前均有明显提升，且对于测试样本模拟的效果优化后较优化前得到较高程度提升。总体来看，轻度石漠化区和中度石漠化区的3个数据集Y_MARE均＜14%，Y_RMSE均＜4%，R²均＞0.70。可以得出，表明该地区应用经遗传算法优化的BP神经网络模型可以更好地进行石漠化区土壤水分模拟，且更适合进行土壤水分动态模拟预报。

3.3 敏感性分析

笔者利用缺省因子法确定影响轻度石漠化区和中度石漠化区不同土层土壤水分预测的主要气象因子。通过对6个输入因子(平均气温、降水量、平均风速、太阳辐射、平均相对湿度及气压)的缺省分别进行神经网络模型的建立、检验。该5因子模型的建立采用与6因子模型相同的训练样本、检验样本与算法，使得6因子模型和5因子模型具有可比性。

从表 5中可以看出，轻度石漠化区和中度石漠化区样地不同深度土层的土壤水分含量均不同程度的受到6种气象因子的影响，总体上看，2样地每层土壤水分含量均对降雨量的敏感度最高，土壤水分对降雨的敏感性指数在1.317 0~1.783 5之间，其次为平均气温，敏感性指数在0.880 9~1.071 2之间，再次为大气压和太阳辐射。不同石漠化程度和土层深度对气象要素的敏感程度都存在着一定的差异。2种石漠化程度样地均表现出随土层深度增加，模拟效果降低的规律。敏感性分析表明, 轻度石漠化在0~10 cm表层土壤对气象因子响应敏感性最高, 而中度石漠化区样地在10~20 cm中层土壤对气象因子响应敏感性最高。

表 5 基于遗传算法优化BP神经网络模型土壤水分动态的敏感性分析 Tab. 5 Sensitivity analysis of soil water dynamics based on BP neural network model optimized by genetic algorithm

因子 Factor	轻度石漠化区Mild rocky desertification area									中度石漠化区Moderate rocky desertification area
	0~10 cm			10~20 cm			20~30 cm			0~10 cm			10~20 cm			20~30 cm
	Y_RMSE	敏感性指数 Sensitivity index	敏感因子排序 Rank of sensitive factor	Y_RMSE	敏感性指数 Sensitvity index	敏感因子排序 Rank of sensitive factor	Y_RMSE	敏感性指数 Sensitvity index	敏感因子排序 Rank of sensitive factor	Y_RMSE	敏感性指数 Sensitvity index	敏感因子排序 Rank of sensitive factor	Y_RMSE	敏感性指数 Sensitvity index	敏感因子排序 Rank of sensitive factor	Y_RMSE	敏感性指数 Sensitvity index	敏感因子排序 Rank of sensitive factor
全因子 Full factors	0.026 4			0.037 3			0.038 8			0.015 5			0.023 2			0.036 2
平均气温 Average temperature	0.026 9	1.018 1	2	0.0329	0.880 9	2	0.035 4	0.9126	2	0.014 7	0.945 5	2	0.024 9	1.071 2	2	0.038 0	1.049 8	2
相对湿度 Relative humidity	0.025 7	0.972 3	4	0.029 7	0.797 2	4	0.030 5	0.784 8	4	0.013 1	0.846 8	5	0.023 6	1.015 9	5	0.037 5	1.036 9	3
风速 Wind speed	0.025 5	0.967 8	5	0.027 4	0.734 0	6	0.029 6	0.763 0	6	0.013 1	0.846 2	6	0.023 9	1.028 8	4	0.036 6	1.011 2	6
太阳辐射 Solar radiation	0.025 9	0.979 5	3	0.029 7	0.796 8	5	0.029 8	0.768 9	5	0.013 4	0.863 8	4	0.024 4	1.053 6	3	0.036 7	1.014 0	5
大气压 Atmospheric pressure	0.023 4	0.885 9	6	0.030 0	0.805 4	3	0.030 7	0.792 1	3	0.013 5	0.867 9	3	0.023 5	1.013 4	6	0.037 1	1.025 4	4
降雨量 Rainfall	0.043 5	1.649 5	1	0.049 1	1.317 0	1	0.051 4	1.324 9	1	0.022 8	1.471 6	1	0.041 4	1.783 5	1	0.056 3	1.555 2	1

4 讨论

1) BP神经网络模型已在土壤水分预测普遍应用，但应用于土壤水分动态预测的研究较少。在非喀斯特地区，邓建强^[18]在红壤丘陵区建立的BP神经网络的土壤水分动态预测模型，预测精度Y_RMSE为0.814；郭守平^[19]在北方风沙区建立的基于BP神经网络的土壤水分动态预测模型R²为0.982，Y_MARE均＜15%；白冬妹^[20]在西北黄土高原区建立NARX递归神经网络模型，预测精度R²＞0.92，Y_RMSE＜0.77。对比笔者结果可以看到，在非喀斯特地区利用BP神经网络进行土壤水分动态预测，预测精度普遍高于喀斯特地区。这可能由于喀斯特地区具有岩石裸露率高，土壤瘠薄，持水力差的特点，即使在降水较多的雨季，也只能在每次降雨后维持短时间的水分充足状态有关^[21]。笔者研究结果所揭示的基于遗传算法优化的BP神经网络模型能够很好地应用于该地区石漠化区土壤水分模拟，对指导区域水土保持、喀斯特地区生态恢复以及石漠化综合治理具有重要的意义。

近年来，有大量研究从不同角度提升了神经网络的预测精度^[22-23]，如将灰狼算法、粒子群算法、遗传算法、模拟退火法与BP神经网络相结合，但将多种优化方法进行比较，并应用于土壤水分预测模型的研究较少。在今后的研究中，可以考虑应用其他优化方法改进土壤水分动态预测模型，探究更适合于优化该地区的土壤水分预测模型的算法。

2) 在喀斯特地区，何兴潼等^[24]在贵州喀斯特地区应用滑动平均法和回归分析法得到降水、气温、地表温度为影响贵州喀斯特地区土壤水分变化的最主要因子。在非喀斯特地区韩湘云等^[25]在江西省低丘红壤坡面应用冗余分析发现气温、降水、相对湿度、水汽压是土壤水分季节变化的主控因子；林洁等^[26]在江苏太湖典型农田应用缺省因子法进行敏感性分析，得到土壤水分含量对气象因子的敏感性大小依次为降水量、蒸发量、平均气温、平均地表温度、平均风速。基于以上研究，可以得出降雨为影响喀斯特地区土壤水分变化最主要的气象因子，笔者获得相同的结论。而在非喀斯特地区，不同月份的主控因子不同，降雨在雨季对土壤水分变化的影响较大，但在旱季气温为影响土壤水分变化最主要的气象因子。这主要与非喀斯特区地域旱雨季气候特点有关。

笔者仅研究了土壤水分与气象因子的关系，基于气象因子的遗传算法BP神经网络模型可以揭示70%左右的土壤水分变化，其他相关的影响因子对土壤水分的影响有待进一步研究。有研究表明，除气象因子外，植被，土壤初始含水量及理化性质及地形、地貌和土地利用等影响因素对土壤水分预测结果的影响较大^[27]。在植被覆盖度低，土壤持水性差的中度石漠化样地土壤水分受气象因子的影响更大，因此笔者基于气象因子与土壤水分建立的遗传优化BP神经网络模型对中度石漠化样地的预测精度高于轻度石漠化样地。可以在今后对土壤水分建立预测模型时更细致地探究不同石漠化程度植被覆盖度，土壤特性和地形等相关因子对模型精度的影响。此外，本研究应用敏感性分析方法确定影响土壤水分动态预测的主要气象因子，也可供其他地区进行参考。

5 结论

1) 对云南建水喀斯特岩溶断陷盆地2种不同程度石漠化区的0~10 cm、10~20 cm和20~30 cm土层分别建立基于BP神经网络的土壤水分动态预测模型，并采用遗传算法对模型的初始权值和偏置进行优化，经验证，遗传算法优化后的模拟拟合效果较未优化模型明显提高, 克服了传统BP神经网络模型存在的收敛速度慢、易陷入局部极小点的缺点。结果表明中度石漠化样地的土壤水分预测模型精度高于轻度石漠化样地，模拟效果随土层深度增加而降低。基于遗传算法优化的BP神经网络模型能够很好地应用于石漠化区土壤水分模拟，更适合进行土壤水分动态模拟预报。

2) 通过遗传算法优化的BP神经网络对气象要素逐一缺省进行敏感性分析，分析土壤水分与气象要素之间的非线性关系，发现影响该研究区土壤水分动态预测精度的最主要的气象因子为降雨，其次为气温。轻度石漠化表层土壤水分对气象因子的敏感性最高, 中度石漠化区样地中层土壤水分对气象因子敏感性最高。中度石漠化样地对各气象因子的敏感性均高于轻度石漠化样地，且随着土层深度的增加，对气象因子的敏感性呈降低趋势。

6 参考文献

[1]	蒋忠诚, 罗为群, 童立强, 等. 21世纪西南岩溶石漠化演变特点及影响因素[J]. 中国岩溶, 2016, 35(5): 461. JIANG Zhongcheng, LUO Weiqun, TONG Liqiang, et al. Evolution features of rocky desertification and influence factors in karst areas of southwest China in the 21stcentury[J]. Carsologica Sinica, 2016, 35(5): 461.
[2]	付奔, 胡关东, 杨帆, 等. 云南干旱"常态化"的分析[J]. 水文, 2014, 34(4): 82. FU Ben, HU Guandong, YANG Fan, et al. Analysis of drought normalization in Yunnan province[J]. Journal of China Hydrology, 2014, 34(4): 82.
[3]	JIANG Zhongcheng, LIAN Yanqing, QIN Xiaoqun. Rocky desertification in southwest China: Impacts, causes, and restoration[J]. Earth-Science Reviews, 2014, 132(3): 1.
[4]	彭淑惠, 袁忠玉, 张华. 滇东南南丘河流域石漠化特征及其防治研究[J]. 昆明理工大学学报(自然科学版), 2014, 39(1): 26. PENG Shuhui, YUAN Zhongyu, ZHANG Hua. Research on characteristics and prevention of rocky desertification in Nanqiu river basin in southeastern Yunnan[J]. Journal of Kunming University of Science and Technology(Natural Sciences), 2014, 39(1): 26.
[5]	王赛男. 基于SWAT模型的气候变化与土地利用/覆被变化对岩溶断陷盆地水资源量的影响研究[D]. 重庆: 西南大学, 2020: 1. WANG Sainan. Impacts of climate change and land use/cover change on water resources in a karst Graben basin based on SWAT model[D]. Chongqing: Southwest University, 2020: 1.
[6]	路璐. 淮北平原区农田土壤水分动态模拟实验研究[D]. 河北邯郸: 河北工程大学, 2020: 5. LU Lu. Experimental study on dynamic simulation of farmland soil moisture in Huaibei plain[D]. Handan, Hebei: Hebei University of Engineering, 2020: 5.
[7]	SHI Yajie, REN Chao, YAN Zhiheng, et al. High spatial-temporal resolution estimation of ground-based global navigation satellite system interferometric reflectometry (GNSS-IR) soil moisture using the genetic algorithm back propagation (GA-BP) neural network[J]. ISPRS International Journal of Geo-Information, 2021, 10(9): 623. DOI:10.3390/ijgi10090623
[8]	林洁, 陈效民, 张勇, 等. 基于BP神经网络的太湖典型农田土壤水分动态模拟[J]. 南京农业大学学报, 2012, 35(4): 140. LIN Jie, CHEN Xiaomin, ZHANG Yong, et al. Simulation of soil moisture dynamics based on the BP neural network in the typical farmland of Tai lake region[J]. Journal of Nanjing Agricultural University, 2012, 35(4): 140.
[9]	丁从慧. 土壤水分对夏玉米生理生态特征的影响及动态模拟研究[D]. 南京: 南京信息工程大学, 2015: 17. DING Conghui. Effects of soil moisture on ecophysiological characteristics of summer maize and dynamic simulation research[D]. Nanjing: Nanjing University of Information Science & Technology, 2015: 17.
[10]	郝姗姗, 李梦华, 马永强, 等. 黄土丘陵区土壤侵蚀因子敏感性分析[J]. 中国水土保持科学, 2019, 17(2): 77. HAO Shanshan, LI Menghua, MA Yongqiang, et al. Significance analysis of soil erosion factors in loess hilly gully region[J]. Science of Soil and Water Conservation, 2019, 17(2): 77.
[11]	李柳阳, 朱青, 刘亚, 等. 基于气象因子的长三角地区农田站点土壤水分时间序列预测[J]. 水土保持学报, 2021, 35(2): 131. LI Liuyang, ZHU Qing, LIU Ya, et al. Time series prediction of insitu soil moisture based on meteorological datain the Yangtze River Delta[J]. Journal of Soil and Water Conservation, 2021, 35(2): 131.
[12]	刘威, 刘尚, 白润才, 等. 互学习神经网络训练方法研究[J]. 计算机学报, 2017, 40(6): 1291. LIU Wei, LIU Shang, BAl Runcai, et al. Research of mutual learning neural network training method[J]. Chinese Journal of Computers, 2017, 40(6): 1291.
[13]	LI Dongjie, LI Yangyang, LI Junxiang, et al. Gesture recognition based on BP neural network improved by chaotic genetic algorithm[J]. International Journal of Automation and Computing, 2018, 15(3): 267. DOI:10.1007/s11633-017-1107-6
[14]	HUANG Mingzhi, MA Yongwen, WAN Jinquan, et al. Simulation of a paper mill wastewater treatment using a fuzzy neural network[J]. Expert Systems with Applications, 2009, 36(3): 5064. DOI:10.1016/j.eswa.2008.06.006
[15]	冯智莉, 易国洪, 李普山, 等. 并行化遗传算法研究综述[J]. 计算机应用与软件, 2018, 35(11): 1. FENG Zhili, YI Guohong, LI Pushan, et al. Review of parallel genetic algorithm[J]. Computer Applications and Software, 2018, 35(11): 1.
[16]	NIKBAKHT S, ANITESCU C, RABCZUK T. Optimizing the neural network hyperparameters utilizing genetic algorithm[J]. Journal of Zhejiang University Science A(Applied Physics & Engineering), 2021, 22(6): 407.
[17]	CHEN J, ISLAMSLAM S, BISWAS P. Nonlinear dynamics of hourly ozone concentrations[J]. Atmospheric Environment, 1998, 32(11): 1839. DOI:10.1016/S1352-2310(97)00399-3
[18]	邓建强. 典型红壤区土壤水分动态变化模拟及预测模型研究[D]. 南京: 南京农业大学, 2009: 42. DENG Jianqiang. Soil water simulation and perdication in typical red soil region[D]. Nanjing: Nanjing Agricultural University, 2009: 42.
[19]	郭守平. 不同固沙模式土壤水分动态变化及预测研究[D]. 北京: 中国农业科学院, 2006. 48. GUO Shouping. The study on dynamic change and prediction of soil water content under different sand-fixing modes on shifting dune[D]. Beijing: Chinese Academy of Agricultural Sciences, 2006. 48.
[20]	白冬妹. 黄土丘陵半干旱地区柠条林地土壤水分预测模型研究[D]. 西安: 西北农林科技大学, 2014: 32. BAI Dongmei. The forecast model study of soil water content in semiarid region of the Loess Plateau[D]. Xi'an: Northwest A&F University, 2014: 32.
[21]	刘长成, 刘玉国, 郭柯. 四种不同生活型植物幼苗对喀斯特生境干旱的生理生态适应性[J]. 植物生态学报, 2011, 35(10): 1070. LIU Changcheng, LIU Yuguo, GUO Ke. Ecophysiological adaptations to drought stress of seedlings of four plant species with different growth forms in karst habitats[J]. Chinese Journal of Plant Ecology, 2011, 35(10): 1070.
[22]	王宽, 李萍, 汤航, 等. 基于改进粒子群算法优化BP网络的短期风电功率预测[J]. 工业控制计算机, 2021, 34(11): 119. WANG Kuan, LI Ping, TANG Hang, et al. Short term wind power prediction based on improved particle swarm optimization BP network industrial[J]. Control Computer, 2021, 34(11): 119.
[23]	杨帆, 周敏, 金继民, 等. 智能优化算法及人工神经网络在催化裂化模型分析中的应用进展[J]. 石油学报(石油加工), 2020, 36(4): 878. YANG Fan, ZHOU Min, JIN Jimin, et al. Research progress on application of intelligent optimization algorithm and artificial neural network in FCC model analysis[J]. Acta Petrolei Sinica(Petroleum Processing Section), 2020, 36(4): 878.
[24]	何兴潼, 袁淑杰, 谷晓平, 等. 贵州省喀斯特区域土壤水分持续上升时期气象要素对土壤水分的影响[J]. 水土保持通报, 2018, 38(2): 87. HE Xingtong, YUAN Shujie, GU Xiaoping, et al. Response of soil moisture in arising term to meteorological factors over karst area of Guizhou province[J]. Bulletin of Soil and Water Conservation, 2018, 38(2): 87.
[25]	韩湘云, 景元书, 李根. 低丘红壤坡面土壤水分变化的气象因素冗余分析[J]. 生态学杂志, 2013, 32(9): 368. HAN Xiangyun, JING Yuanshu, LI Gen. Relationships between soil moisture variability and meteorological factors on low hill red soil slope: A redundancy analysis[J]. Chinese Journal of Ecology, 2013, 32(9): 368.
[26]	林洁, 陈效民, 张勇, 等. 基于BP神经网络的太湖典型农田土壤水分动态模拟[J]. 南京农业大学学报, 2012, 35(4): 140. LIN Jie, CHEN Xiaomin, ZHANG Yong, et al. Simulation of soil moisture dynamics based on the BP neural network in the typical farmland of Tai Lake region[J]. Journal of Nanjing Agricultural University, 2012, 35(4): 140.
[27]	梁香寒. 毛乌素沙地不同固定程度油蒿群落土壤水分变化过程及影响因素研究[D]. 北京: 北京林业大学, 2020: 23. LIANG Xianghan. Soil moisture dynamics and its mechanism of Artemisia ordosica community in Mu Us sandy land[D]. Beijing: Beijing Forestry University, 2020: 23.