利用人工神经网络建立土壤中生物含硫气体释放模型
作者：***
指导教师：***
摘要：
BP神经网络具有结构简单、技术成熟的优点，在很多领域都有广泛的应用。本文中详尽的阐述了BP神经网络的原理及结构，并介绍了如何利用BP神经网络建立土壤生物含硫气体释放模型，准确预测土壤生物含硫气体释量。
关键词：BP神经网络，人工神经网络，含硫气体，土壤，释放。
Using artificial neural network build soil biological sulfur
gases released model
****
Abstract：
With the advantage of simple structure and mature technique,BP neural net work has extensive application in many fields.Detailed in this article describes the BP neural network structure and principle,Establish mathematical model for soil sulfur emission using BP learning algorithm in artificial neural network,The forecast tests of soil sulfur emission were conducted using this model.
Key words: BP neural network,Artificial neural network,Sulfur gas, soil,Emission
前言：
随着全球气候变化的日益明显和酸沉降问题的加剧，人们越来越关注自然界中硫循环对全球气候变化和环境的影响。陆地生态系统是含硫化合物释放的重要自然源之一，建立土壤挥发性含硫化合物释放模型，不仅可以减少硫释放通量的实测次数，而且可使估算的通量值更准确。
人工神经网络方法是一种新型的黑箱方法，不需要了解输入输出之间的相互关系，其自组织学习功能能够“记忆”样本所含的信息，网络根据训练样本的数据来自动寻找相互关系，给所研究的系统以具体的数学表达。该方法对非线性问题具有极高的求解能力，特别适合用来解决推理过程不明确的问题。目前，对于含硫物质在土壤中分解转化为挥发性含硫化合物的机理和过程了解不多，因此应用人工神经网络独特的学习能力和自动建模功能，对非线形问题具有极高的求解能力，来解决这一推理过程不明确的问题。
正文：
1 BP神经网络描述
1.1 人工神经网络
人工神经网络（Artificial NeuralNetworks,ANN），是一种模拟人类或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[1]。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。人工神经网络对那些暂不清楚内部原理和过程而无法用数学公式表示的问题、无法解决的三维以上的数理空间问题或在求解非线性问题领域中，有着很好地解决能力[2]。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。
1.2 BP神经网络
早在1943年心理学家Mcculloch和数理逻辑学家Pitts就提出了关于神经网络的数学模型，现在一般称为MP神经网络模型。到1982年Hopfield提出了非线性的离散模型[3]。Rumelhart等于1986年提出了并行分布处理(PDP)的理论和多层网络的误差反传学习法(Back-Propagation，简称BP算法)，由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把多层前馈网络称为BP神经网络[4]。由于具有结构简单、工作状态稳定、易于硬件实现等优点，在众多的神经网络模型中， BP神经网络的应用最为广泛，尤其是在模式识别及分类、系统仿真、故障智能诊断、图像处理、函数拟合、最优预测等方面。
1.3 BP神经网络结构
上图为三层前馈神经网络的拓扑结构，其中x为输入节点，y为输出节点，w为隐节点的输入及输出信息，这种神经网络模型的特点是：多层神经元仅与相邻层神经元之间有连接;各层内神经元之间无任何连接;各层神经元之间无反馈连接[5]。
输入信号先向前传播到隐节点，经过变换函数之后，把隐结点的输出信息传播到输出结点，在给出输出结果。结点的变换函数通常选取Sigmoid型函数。
BP神经网络的输入输出关系是一个高度非线性映射关系，如果输入结点数为n，输出结点数为m，则网络是从n维欧氏空间的映射。通过调整BP神经网络中的连接权值以及网络的规模，可以实现非线性分类等问题，并且可以以任意精度逼近任何非线性函数。在确定了BP网络的结构后，利用输入输出样本集对其进行训练，也即对网络的权值和阈值进行学习调整，以使网络实现给定的输入输出的映射关系。经过训练的BP网络，对于不是样本集中的输入也能给出合适的输出，这种性质称为泛化(Generalization)功能。从函数拟合的角度看，说明BP网络具有插值功能。
2 利用BP神经网络算法建立土壤中生物含硫气体释放模型
2.1 建模原理
采用目前广泛应用的反向传播神经网络(BP )模型。它包括三个节点层次，即输入层、隐含层和输出层[6]。各层节点之间通过权形成全互连，而各层次内的节点之间没有连接。输入层各点的输入信号经权重藕合到隐层的各节点，由作用函数f(x)转换后再耦合到输出层的各点，将输出信号与学习样本的目标值进行比较，两者之误差沿原连接通道返回，利用反传算法修改各层节点的连接权重，使误差达到最小。最常用的作用函数是Sigmoid函数。
即：
因为Sigmoid函数是一个连续可微的函数，在实际应用中效果良好。对于n-m-1三层BP网络，基本的BP算法可描述如下：给定训练样本的输入I和输出T，设
为第P个样本的实际输出，则
设
为第P个样本的期望输出，则：
（1） 输出层到隐含层的传递误差项为：
式中；δ为节点误差；w为权重。
由于经典的BP算法存在着收敛速度慢，有局部最小问题等缺点，因此人们提出了一些改进方法。改进的BP算法：在调整权值时，采用添加惯性冲量技术，过滤学习过程中的高频振荡，使学习率可以取较大的值，加快学习速度。权值调整公式如下：
其中：ΔW (t)为当前的权值修正值；ΔW (t-1)为上一学习周期的权值修正值；t为学习次数；η和α分别为学习率和惯性因子。(2)跳跃学习，在学习过程中对于一些先达到很小误差的学习样本，不进行反传算法，直至其误差超过最小误差，再进行权值修正[7]。
2.3 实验概述
以温度、土壤含水率、氨酸添加量和土壤pH值作为土壤释放挥发性含硫化合物的主要影响因素，采用正交实验方法分析这些因素与土壤硫释放速率的关系，利用BP神经网络算法对实验结果建模[8]。
2.2 实验中影响含硫气体释放的主要因素
由于土壤生物含硫气体释放是在微生物作用下产生的，因此影响含硫气体释放的主要因素也是影响微生物的因素。它包括：土壤温度、土壤含水量、氨基酸添加量，土壤pH值，光照，含氧量[9]。
2.2.1 土壤温度
如前所述，挥发性有机硫化合物释放受微生物和酶活性的影响，而微生物和酶必须在一定的温度下才能表现出活性[10]。因此，挥发性有机硫化合物通量与温度有较强相关性。在一定的温度范围内，微生物活动和酶活性随温度升高而增加。温度升高土壤中有机物质和含硫化合物代谢速度加快，含硫气体的释放种类和释放量均随之增加。同时，温度升高土壤中微生物种类也增加，因此代谢生成的含硫化合物种类也将随之增加。
当温度超过一定范围后，含硫气体通量反而下降。这主要是当温度超过某一阀值后，酶结构发生重组或破坏，导致酶活性降低。另一方面，高温也将导致微生物活性降低。微生物活动和酶活性的最佳温度不同的研究得到的结果不同。土壤COS吸收的最适温度可能与不同类型以及土壤中不同土壤微生物种类有关。
2.2.2 含水量
土壤含水量影响土壤的物理、化学和生物过程，因此对土壤痕量气体交换有一定影响。当土壤含水量过低时，微生物代谢活动明显减慢，许多微生物休眠甚至死亡，导致含硫气体释放降低;另一方面，由于很多参与硫循环的微生物为微需氧型或兼性厌氧型微生物，当土壤含水量超过一定值后，随着土壤含水率的增加，土壤环境将逐渐趋于严格的绝对无氧条件，在此条件下微需氧微生物和兼性厌氧型微生物活性受到抑制甚至死亡，导致硫释放减少。研究表明[11]，硫源释放含硫气体的最佳含水率为50%～75%，这也是土壤中微生物生长的较适宜的含水条件。
2.2.3 土壤PH
土壤酸碱度一可影响土壤微生物数量、分布及酶活性，因此也将在很大程度上影响含硫气体的释放。土壤在中性偏酸的环境下硫释放较多，这主要与土壤中微生物适宜生长的P一致[12]。由于微生物H值相休眠期芽饱复苏期长的缘故，在酸性条件下，H2S，DMS(甲硫醚)，MT(甲硫醇)产生较慢，释放初始时间较长；由于酸性条件下·OH自由基较少的缘故，酸性条件下含硫气体消失速度也较慢。
2.2.4 氨基酸添加量
实验中采用添加不同种类的氨基酸来增强土壤硫源，增强土壤硫释放量。
2.2.5土壤氧化还原条件
土壤氧化还原条件是影响硫气体释放的一个重要因素。氧化还原条件的变化可改变土壤中硫的形态，并导致含硫气体种类和速率的改变[13]。土壤中反硫化菌对Eh有一定要求，故土壤中凡是能够影响土壤氧化还原电位的物质含量均能通过影响土壤Eh而影响含硫气体的发生量。土壤有机质，特别是易矿化的有机质，对稻田H2S的产生起着双重作用，一是作为土壤微生物的碳源和能源，为微生物活动提供条件;二是作为最主要的电子供体，在其被土壤微生物分解的同时使土壤Eh降低，为反硫化菌活动提供环境条件。
2.2.6 光照
根据利用能源的方式，微生物可分为光能营养型与化能营养型两大类。当参一与含硫气体释放的微生物为严格光能营养型时，只有在白天光照条件下才一参与含硫气体代谢。当微生物为严格的化能营养型时，无光照条件下，没有光能微生物与之竞争，化能微生物代谢较为旺盛，含硫气体通量增加[14]。当参与含硫气体的微生物为兼性营养型时，在有光照时条件下主要以光能作能量，在无光照条件下则以化学能作为能量，光照对其影响不大。室内培养水稻土研究发现，光照条件下土壤含硫气体释放速率普遍高于无光照条件光照还可影响植物含硫气体的通量。研究发现[16]，植物COS吸收日变化与光合有效辐射(PRA)有较好相关性。主要是由于COS吸收与CO2吸收均受气孔控制，植物COS吸收速率与植物光合作用速率有很好相关性，白天高等植物COS吸收速率显著高于晚上，晚上植物也可吸收COS，但速率较小，说明光照并不是高等植物吸收COS的必要因素。
2.2.7 碳源氮源
土壤类型的不同、肥料的添加都对土壤微生物的种类、数量有较大影响。一般土壤越肥沃(有机物质含量多)，土壤中的微生物也越丰富，比如黑钙土＞棕壤＞灰壤＞水沼土＞砖红壤[5]。这是造成各种土壤含硫气体释放量不同的重要因素之一。研究表明[15]：有机碳的加入使含硫氨基酸分解产生的大部分含硫气体的释放量增加，而它对硫酸二乙酯分解的影响恰恰相反。在水稻土中添加一定量的硝酸铵(氮肥)可以大大降低含硫气体的释放量，从而改善还原性含硫气体对植物根系的毒害。
3 结语
BP神经网络具有自学习能力、自组织能力、容错与自修复能力、模式识别与检索能力，BP神经网络应用于土壤含硫气体释放研究与预测有很大优势。但BP模型是一个非线性映射网络，模型学习样本的输入和输出信号相关性大小对模型的预测能力有较大影响。因此，本研究中选择影响土壤硫释放的因素非常重要，只有将对土壤硫释放有明显影响的因素作为模型输人，才能使建立的模型有较高预测精度。
参考文献：
[1]陈格.人工神经网络技术发展综述. 中国科技信息[J].2009,17
[2]王辉.人工神经网络研究与发展综述.电脑知识与技术[J].2008,4
[3]周政.BP神经网络发展现状.山西电子技术[J].2008,2.
[4]李翱翔,陈健. BP神经网络参数改进方法综述.电子科技[J].2007,2
[5]刘艳侠,高新琛. BP神经网络在材料领域中的应用.辽宁大学学报[J].2007,2(34)
[6]张晋华. 土壤一植物生态系统中挥发性含硫化合物释放研究.南京理工大学[D].2004,12
[7]焦志钦. BP人工神经网络的原理及其应用.科技风[J].2010,12
[8]聂亚峰.建立土壤硫释放过程的人工神经网络模型.上海环境科学[J].2001,7
[9]易志刚.珠江三角洲典型陆地生态系统挥发性有机硫化全物地气交换通量研究.中国科学院研究生院[D].2006,12
[10]杨震.土壤中发生的挥发性有机硫气体的研究.环境科学学报[J].1997,1
[11]张晋华,王雷等.水稻土中胱氨酸分解产生含硫气体的研究.环境科学[J].1999,5
[12]张晋华,乔维川等.稻田中有机硫气体释放的研究.环境化学[J].2003,2
[13]张晋华.大气硫循环中的自然硫释放研究.环境科学与技术[J].2001,6
[14]杨震,王雷.挥发性有机硫化合物释放的研究与展望.环境科学进展[J].1996,3
[15]乔维川.土壤理化条件变化对含硫气体释放的影响.环境科学[J].2000,1
[16]张晋华.水稻土中半胱氨酸分解产生含硫气体的研究.环境科学[J].2001,4
[17]张晋华,聂亚峰等.水稻土中甲硫氨酸分解释放挥发性含硫气体的影响因素. 环境科学[J].2000,11