基于人工神经网络的青藏公路铁路沿线生态系统风险研究

北京大学学报（自然科学版）

基于人工神经网络的青藏公路铁路沿线生态系统风险研究

陈辉^1,3,李双成²,郑度¹

¹中国科学院地理科学与资源研究所, 北京，100101，E-mail:chenhui@igsnrr.ac.cn；²北京大学环境学院，北京，100871；³河北师范大学资源与环境科学学院, 石家庄，050016

收稿日期:2004-06-03 出版日期:2005-07-20 发布日期:2005-07-20

Ecological Risk Assessment of Regions Alongside Qinghai-Xizang Highway and Railway Based on Artificial Neural Network

CHEN Hui^{1, 3}, LI Shuangcheng², ZHENG Du¹

¹Institute of Geographical Sciences and Natural Resources Research, CAS, Beijing, 100101, E-mail:chenhui@igsnrr.ac.cn; ²College of environmental sciences, Peking University, Beijing, 100871; ³College of resources and environmental sciences, Hebei Normal University, Shijiazhuang, 050016

Received:2004-06-03 Online:2005-07-20 Published:2005-07-20

摘要/Abstract

摘要： 根据青藏公路铁路沿线（50 km缓冲区）生态系统特征，选取雪灾、旱灾、崩塌滑坡等7项指标，依托人工神经网络MLP（Multilayer Percetron）模型，构建青藏公路铁路沿线生态风险评价模型。评价结果显示：青藏公路铁路沿线生态系统所跨越的6个自然区的平均生态风险值居前3位的是：柴达木山地荒漠区（4.2585），果洛那曲高寒灌丛草甸区（2.7640）、青东祁连山地草原区（2.7335）；沿线10种植被生态系统平均生态风险值居前3位的是：针叶林生态系统（4.3096）、荒漠生态系统（4.1174）和无植被地段（3.6182）。在影响各区、各植被生态系统风险值大小的因素中，自然因素为主要控制因素，人为因素影响相对较弱。依据评价结果，将青藏公路铁路沿线生态系统划分为4个区：柴达木盆地高风险区、西大滩至当雄中度风险区、青东祁连和青南2个轻度风险区。

关键词: 生态风险评价, 人工神经网络, MLP模型, 自然因素, 人为因素

Abstract: Concept model of regional ecological risk is built for the characteristics of ecosystems alongside Qinghai-Xizang highway and railway based on MLP (Multilayer percetron) model. Seven indices such as snow hazard, drought hazard and landslide are selected to evaluate the integrated ecological risk of the ecosystems alongside Qinghai-Xizang highway and railway. Results show that Qaidam mountain desert region has the highest average ecological risk value (4.2585), followed by Guoluonaqu alpine scrub meadow region (2.7640) and Qinghai and Qilian mountain steppe region (2.7335) among these ecosystems alongside Qinghai-Xizang highway and railway through six natural regions. As far as land cover types are concerned, the top three ecological risk values appear in the needle-leaved forest (4.3096), desert ecosystem (4.1174) and land without vegetation (3.6182) respectively, which are higher than those in the other seven land cover types in the study site. Although the risk values are influenced by natural factors and human activities, they are more strongly controlled by natural factors. According to the ecological risk characteristics, these ecosystems alongside Qinghai-Xizang highway and railway are subdivided to four subregions, including Chaidam basin high risk region, Xidatan to Dangxiong moderate risk region, and east Qinghai, Qilian and south Qinghai slight risk regions.

Key words: ecological risk assessment, artificial neural network, MLP(Multilayer percetron) model, natural factors, artificial factors

中图分类号:

陈辉,李双成,郑度. 基于人工神经网络的青藏公路铁路沿线生态系统风险研究[J]. 北京大学学报（自然科学版）.

CHEN Hui,LI Shuangcheng,ZHENG Du. Ecological Risk Assessment of Regions Alongside Qinghai-Xizang Highway and Railway Based on Artificial Neural Network[J]. Acta Scientiarum Naturalium Universitatis Pekinensis.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/

https://xbna.pku.edu.cn/CN/Y2005/V41/I4/586

[1]	刘佳驹, 李金城, 郭怀成, 袁鹏, 李政, 张扬, 王志勇. 基于人工神经网络的雅鲁藏布江水化学变化趋势研究[J]. 北京大学学报自然科学版, 2023, 59(6): 1043-1051.
[2]	屈永霖, 闻新宇, 张慕琪, 刘喆. 使用人工神经网络改进2022年北京冬奥会数值天气预报后处理过程的算法研究[J]. 北京大学学报自然科学版, 2022, 58(2): 210-220.
[3]	张慕琪, 闻新宇, 包赟, 屈永霖. 基于人工神经网络开发中国地区统计降尺度气候预估数据[J]. 北京大学学报自然科学版, 2022, 58(2): 221-233.
[4]	周佩, 黄颖婕, 胡冰逸, 韦骏. 基于LSTM深度学习的ENSO预测及其春季预报障碍研究[J]. 北京大学学报自然科学版, 2021, 57(6): 1071-1078.
[5]	于超月, 王晨旭, 冯喆, 吴克宁, 赵华甫. 北京市生态安全格局保护紧迫性分级[J]. 北京大学学报自然科学版, 2020, 56(6): 1047-1055.
[6]	朱丽君, 蒙吉军, 李江风. 河北省植被覆盖变化及对生态建设工程的响应[J]. 北京大学学报自然科学版, 2020, 56(4): 755-764.
[7]	王雨琪, 程舒鹏, 陆文涛, 付正辉, 郭怀成. 基于径向基函数网络模型的中国生态压力指数评价[J]. 北京大学学报自然科学版, 2019, 55(1): 182-188.
[8]	杨阳, 沈泽昊, 郑天立, 丁雨賝, 李本纲. 中国当前城市空气综合质量的主要影响因素分析[J]. 北京大学学报（自然科学版）, 2016, 52(6): 1102-1108.
[9]	王磊,王羊,蔡运龙. 土地利用变化的ANN-CA模拟研究??以西南喀斯特地区猫跳河流域为例[J]. 北京大学学报（自然科学版）, 2012, 48(1): 116-122.
[10]	马禄义,许学工,徐丽芬. 中国综合生态风险评价的不确定性分析[J]. 北京大学学报（自然科学版）, 2011, 47(5): 893-900.
[11]	王羊,高阳,赵琳,赵志强,李双成. 元胞自动机模型的尺度敏感性分析[J]. 北京大学学报（自然科学版）, 2011, 47(4): 750-758.
[12]	张吉豫,刘先华,梁?,程旭. 一种基于人工神经网络的基本块重排方法[J]. 北京大学学报（自然科学版）, 2011, 47(1): 9-16.
[13]	窦浩洋,邓航,孙小明,赵昕奕. 基于均生函数-最优子集回归预测模型的青藏高原气温和降水短期预测[J]. 北京大学学报（自然科学版）, 2010, 46(4): 643-648.
[14]	孙小明, 赵昕奕. 气候变化背景下我国北方农牧交错带生态风险评价[J]. 北京大学学报（自然科学版）, 2009, 45(4): 713-720.
[15]	孙强,王乐,蔡运龙. 基于SOFM网络的中国耕地压力综合分区[J]. 北京大学学报（自然科学版）, 2008, 44(4): 625-631.