退化废弃地监测模型

通过分析退化废弃地监测目标与不同监测方式，开发了基于复杂地理计算和不同监测方式的退化废弃地监测模型。依据匹配本底数据、匹配退化基准和模型监测三种监测方式，监测模型主要包括人工神经网络模型和匹配法两种。

( 一) 人工神经网络模型

人工神经网络 ( Neural Networks，简称 NN) 是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。退化废弃地监测的人工神经网络模型的输入层和输出层一般都与具体问题相联系，代表一定的实际意义，隐含层主要根据模型要求和问题的复杂程度进行设置，必须首先确定输入层和输出层，然后再确定隐含层。以下是人工神经网络模型的构建:

1. 输入层

在传统监测方法中，必须确定退化废弃地评价的指标体系。由于人工神经网络具有自学习性，因此从理论上讲，应用人工神经网络方法进行监测与评价不需要确定指标体系，而是由人工神经网络模型通过对样本的学习取得。但是，如果评价每一种用地类型都采用同一种模型结构 ( 输入层、输出层和隐含层的节点数都相同) ，势必会增加模型的复杂程度，使训练时间延长，同时由于存在多个无关因子，模型的准确程度将受到影响。因此，在应用人工神经网络方法进行监测与评价时，应该首先选取各种用地类型的影响因子 ( 不需要确定权重) ，再建立相应的模型。

2. 输出层

评价结果是土地的退化程度或等级，因此网络的输出响应应该能够反映这一结果。输出层神经元的个数依模型的设计思想的不同而不同。一般说来，可以用一个在一定范围内( 例如 0 ～ 1) 连续变化的实数代表适宜程度的量化，因此，输出层可用一个神经元来表示。

3. 隐含层

隐含层神经元只具有计算意义，对其数目没有严格的规定。一个公认的指导原则是在没有其他经验知识时，能与给定样本相符 ( 一致) 的最简单 ( 规模最小) 的网络就是最好的选择，这相当于是样本点的偏差在允许范围内用最平滑的函数去逼近未知的非线性映射。

隐含层神经元数目和优化曲面维数的增加使得网络能鉴别各种样本，但是计算和存储量的增加，加上有可能出现的过拟合，随着训练次数的增加，网络在训练集上的误差虽然会继续下降，但是在其他样本上的误差反而可能上升 ( 推广能力下降) 。

根据有关文献和实践，能够兼顾系统精度和运算速度的神经元个数应满足下述条件:

退化废弃地遥感信息提取研究

式中: m 为隐含层神经元数; n 为输入层神经元数; w 为输出层神经元数; Ｒ ( 10) 表示为 0 至 10 之间的任意整数。满足这两个条件的 m 仍然可以在一较大范围内变动。

4. 模型的训练

以下以 BP ( Back-Propagation) 算法为例介绍模型训练的基本步骤:

基本原理是在神经网络的训练过程中，对于每一个给定的输入输出模式 ( 学习样本) ，输入信号由输入层到输出层的传递是一个前向传播的过程; 如果输出信号与期望值有差别，即存在误差，则将该误差逐层向输入端传播，即按照各层的误差大小来调节各层之间的连接权重值; 经过反复调整，使神经网络在训练样本集上的误差达到最小。

BP 算法由正向传播和反向传播组成。在正向传播过程中，输入信息经隐含单元逐层处理并传向输出层。如果输出层不能得到期望的输出，则转入反向传播过程，将实际值与网络输出值之间误差沿原来的连接通路返回，通过修改各层神经元的连接权重值，使误差减小，然后再转入正向传播过程，反复迭代，直到误差小于给定值为止。

( 二) 匹配法

匹配法即通过逐个监测指标的比较，确定土地单元是否发生退化，主要包括匹配本底数据和匹配退化基准，其中本底数据为前期监测结果，退化基准为根据区域特征确定的监测指标基准值。