现有粮食系统下环境最大年限预测

现有粮食系统下环境最大年限预测

刘国炎 蒋志鑫 陈婧

华北理工大学冶金与能源学院，河北 唐山 063210

摘要：通过分析主要粮食作物的收益以及成本，当综合考虑在四要素（供给侧、获得性、稳定性、持续性）的共同影响下，根据改变其权重的大小，构建三种不同的粮食系统。通过RBF神经网络分别预测环境的安全响应趋势，给出环境最大的承受年限。以此可导出不同国家，不同的原始环境，实施相应的制度所需的时间截点。

关键词：粮食系统；RBF；年限预测；安全响应

引言：随着我们的全球人口持续增长，同时近几十年来对环境肆无忌惮的破坏带来了对人类的惩罚，因此，在维持甚至改善我们的环境健康的同时，生产更多粮食的需求从未像现在一样迫切。然而在当前的食品体系下，对地球环境的承受年限进行全面评估似乎是合理和迫切需要的。

1.时间预测模型

• RBF神经网络基本原理

RBF神经网络存在着多种形式，在输入变量上，它采取隐含层基函数的方式给其任意的一个输入向量 ( 为输入样本集)，然后进行处理，通常基函数选取高斯函数，表示如下：

₍₁₎

式中： 表示隐含层中第i个神经元节点的输出；x表示n维输入向量；C_i表示第i个神经元节点高斯函数的中心点；a_i表示第i个神经元节点的归一化参数(即神经元节点宽度)；m表示隐含层神经元节点数。

• RBF神经网络学习过程

(1)中心初始化。(2)抽取样本。

(3)相似匹配。按照欧氏最小距离准则，在第n次迭代时确定最佳匹配中心的下标值k(x)，式中 是第k个径向基函数的第n次迭代中心：

₍₂₎

(4)更新与调整。采用最小二乘法对输出权重值进行求解，中心确定后再改变径向基函数重心，每增加一次迭代就重复一次上述的运算过程，直到中心改变量较小时运算完成。

₍₃₎

式中： 表示隐含层中第i个神经元输出值； 表示隐含层中第i个神经元到输出层第j个神经元的权重。

（5）调整权重系数ΔW，式中： 是调整后的权重，ε表示学习速率。

₍₄₎

通过以上运算，确定样本集中心C_i与权重W_j，这时的网络模型就可进行预测，然后给定某一输入样本，便可以得到相对应的输出值。

• RBF神经网络效果检验

选用均方根误差RMSE和Pearson相关系数R对输出值与样本实际值进行误差检验，其公式为：

₍₅₎

₍₆₎

式中：y_jt、Y_jt分别代表第t个样本的第j个神经元的实际值与输出值， 是y_jt的平均值，T为样本数。当RMSE<0.04、R>0.95时，模型学习效果好。

2.预测结果分析

当前的粮食系统允许以相对廉价和高效的方式生产和分配粮食，优先考虑效率和盈利能力。然而对资源的浪费以及自然环境会造成不可逆转的影响，通过与上述相似的熵权方法选取城镇化发展、产业结构调整、生态环境治理、技术进步、城乡收入差距作为预测指标，改变不同的权重做为优先顺序的改变，建立RBF神经网络预测模型，对未来几十年内的全球生态安全演化趋势进行预测，得到在不同政策实施下，环境的最大承受年限。

结语：

1. 若维持粗放式的农业生产方式，第一产业占比的下降使得会降低农业的产出水平将不利于粮食的可持续安全，因此从2030年开始，应当改变当前的政策，重视粮食系统的公平与可持续发展。

2. 若大力推行生态型种植，在先进技术和密集型生产方式的作用下，科学运用化肥农药等化学用品，农村剩余劳动力得到了合理的释放，推进了农业生产的配套产业发展，进而有利于提升粮食的可持续安全发展水平。

但于此同时，种植面积的缩小会导致一定数量的粮食减产，进而粮食收益略有减少。

3. 采用收益-可持续均衡型粮食系统时，生态系统由当前的较不安全逐渐过渡到临界安全，随着时间的变化，安全性几乎保持平稳状态，实现社会经济利益与自然环境的生态利益双赢的局面。

参考文献

[1]石秀华. 我国粮食安全和农业可持续发展的风险研究[J]. 武汉科技大学学报(社会科学版), 2015, 第17卷(6):648-652.

[2]起晓星. 基于粮食安全和环境风险控制目标的可持续农业土地利用模式研究[D].中国农业大学,2015.

[3]李飞. 恢复生态学视角下的土地利用优化研究[D].吉林大学,2016.