打开文本图片集

摘 要：前馈神经网络学习，在指标体系相互之间的系数关系评定中，各指标与最终安置适宜性水平的关系评定中，很难基于某一特定线性或非线性模型计算，而BP神经网络基于预算模型输出结果与期望结果之间误差的不断反馈修正，使输出误差最小化，从而逐渐逼近期望输出值，而不需要太多的人工干预或数据量。因此BP神经网络非常适合于在贫数据和少人工条件下的多指标综合评价模型的学习构建。本研究结合具体实例对模型进行验证，检验该方法的合理性，为水利水电工程移民搬迁安置区选址适宜性评价及优化提供参考依据。

关键词：水库移民;BP神经网络;移民安置

1 训练样本案例

上饶市铅山县伦潭水利枢纽工程252m方案库区淹没影响耕地1505.85亩，2011年（设计水平年）生产安置人口1336人，其中，通过大农业安置1330人，投亲靠友安置6人。

2012年库区迁移人口为1255人，经统筹规划，其中44人纳入农村安置，1211人纳入河口茶场安置。在农村安置人口中，38人在本村内建房安置，6人出乡在本县内建房安置。

规划复建四级公路15.109km，新建和复建等外公路0.65km、机耕道1.65km、人行便道2.50km、人行桥25m，新建盖竹码头一处、小型码头5对。

按推算至2011年的实物量和2012年二季度物价计算，252m方案水库淹没处理补偿总投资为25451.25万元，其中：农村移民补偿费11060.46万元、专项设施复、改建费5098.79万元、库底清理费294.12万元、其它费用1651.28万元、基本预备费905.23万元、有关税费6354.12万元、环保水保费87.24万元。

坝区永久占地共计214.17亩，其中：用材林128.17亩、其它用地86.0亩;无人口、房屋拆迁。

施工临时占地共计279.00亩，其中：灌木林250.00亩、其它用地29.00亩。

工程管理范围占地为工程管理单位办公用地，按照规范要求工程管理范围占地为4亩。

工程建设区占地补偿投资为336.42万元，其中：农村部分补偿费208.33万元、其它费用15.62万元、基本预备费11.20万元、有关税费101.27万元。

水库淹没处理补偿总投资为25787.67万元（不含建设期贷款利息），其中：农村移民补偿费11268.79万元、专项复建费5098.79万元、库底清理费294.12万元、其它费用1666.90万元、基本预备费916.43万元、有关税费6455.39万元、环境保护及水土保持费87.24万元。

2 模型检验案例

宜春市四方井水利枢纽工程建设征地涉及宜春市袁州区湖田镇、西村镇及明月山管委会温汤镇，共1个设区市2个县（区）3个乡（镇）6个行政村33个村民小组。建设征地总面积6.14km2，其中陆域面积5.51 km2，水域面积0.63 km2。

农村部分：基准年2015年搬迁人口为4006人，拆迁房屋面积359307.71m2，其中：特殊结构1637.04m2，框架房1410.32m2，砖混房216413.74m2，砖木房43798.53m2，土木房96048.07m2。征收土地9667.05亩，其中：耕地4055.05亩，园地63.90亩，林地2767.91亩，草地1150.49亩，住宅用地484.18亩，交通运输用地1627.66亩，水域及水利设施用地977.87亩。临时用地457.37亩，其中管线开挖临时用地192.37亩，施工临时用地265亩。

影响专业项目部分：影响四级公路18.73km，等外公路4.31km，机耕道16.57km，公路桥260.60m，人行桥7座;影响移动通讯线路21.72km，电信通讯线路7.50 km，联通通讯线路5.20km，广电通讯线路12.80km;影响220kV输电线路6.56km，10kV输电线路12.71km，变压器12台;影响小型水电站1座220kW，引水坝8座，水文雨量站1个，文物点4处。

根据江西省国土资源厅（赣国土资储压备字【2014】92号）文的相关内容，本阶段库区暂未发现有开采价值的矿产资源。

3 BP人工神经网络模型的应用

对于闭区间内的任何一个连续函数都可以用一个隐含层的BP神经网络来逼近，而且，根据Kolmogorov定理可知，一个3层的BP神经网络能够实现任意的n维到m维的映射，这是设计BP神经网络的一个基本原则。具体到本文，则是建立21个评价指标到5维向量的映射。21个定量指标的收集采用实地调查取证的方式完成，依据移民现有生产生活状况对扶持效果进行人为划分为与之对应的期望输出矩阵。利用5个自然村的数据建立神经网络，完成学习的过程，利用该网络仿真模拟其它5个自然村的扶持政策效果。

3.1 样本数据的收集与预处理

根据移民样本村、样本户的选取选择，结合铅山县伦潭水利枢纽工程移民安置报告。本文选取了铅山县具有代表性的太湖村、龙塘村、杨梅村、长举村和岗背村5个移民样本村的数据来作为本模型的学习训练样本。将四方井水库移民项目的下巩村、军背村、大布村、昌坑村、坑田村5个移民样本村的数据作为BP网络模型的检测样本，对这些样本村进行扶持效果评定。

本文中的样本数据的标准化在程序中直接处理。

3.2 BP 人工神经网络结构的确定

根据上文建立的移民风险评价指标体系，首先确定 BP 人工神经网络的输入层神经元数目，将样本村移民21个评价指标值作为模型旳输入向量，即输入向量维数为21，输入层神经元节点为 20，输出神经元节点数为 5。对最佳隐含层神经元节点数，根据经验公式通过试算法确定。即：

式中S，n，m分别为隐含层、输入层、输出层神经元节点数;。将n=5，m=20代入式（3-1）进行试算，并将隐含层网络神经元节点数依次设为 6-15 个，设选用样本集中前 10 个样本村的数据进行学习训练。通过试算发现，同时能够满足精度要求时，当选择10 为隐层神经元节点数时，神经 BP 网络能够满足较快的运算速度，同时也具有较好的稳定性及收敛性。因而最终确定本文 BP 人工神经网络模型的拓扑结构为 23x10x5。

3.3 BP 人工神经网络参数的设定

BP 网络训练样本采用数据样本中前5个样本村的数据，期望目标输出采用监测评估报告中综合评价结果的向量表达式，如表3-3所示。定网络训练精度为10-5、最大训练10-20次数为2000次，最大失败次数为5次，训练精度为icr5，最小梯度采用10-20，学习速率设为0.01，训练参数见表3-3，训练样本见表3-4。

根据太湖村、龙塘村、杨梅村、长举村和岗背村等5个移民样本村的数据来作为本模型的学习训练样本，经过训练学习后建立起神经网络，指标来自前文所提数据报告，对应的期望输出按照国家水库移民安置政策效果评定指导意见进行等级划分，并进一步将其对应为期望输出向量。

将下巩村、军背村、大布村、昌坑村、坑田村移民样本村的数据作为BP 网络模型的检测样本，对这些样本村进行扶持效果评定，网络输出如表3-5所示。从表中可以分析得出，根据BP网络输出确定下巩村的综合评价等级为Ⅱ级，良好;军背村的综合评价等级亦为Ⅱ级，良好;大布村的综合评价等级为Ⅲ级，及格;昌坑村的综合评价等级为Ⅲ级，中等;坑田村的综合评价等级为Ⅳ级，及格。详见表3-5。

4 结论

我们依据《江西省2015大中型水库移民后期扶持政策实施情况监测评估报告》的综合评价，采用统计分析对比的方法得出以下结论：

下巩村所有移民的各种安置综合水平高于他们搬迁之前的居住区，移民能够在此基础上有更大的发展空间;

军背村的各类移民安置综合水平也较高，相效与之前，有更多的就业渠道。

大布村的各类移民安置区综合水平与移民之前居住区的生态、生活条件和就业路径等方面基本维持不变。

昌坑村的各类移民安置区综合水平与移民之前居住区的综合水平略有提高。

坑田村和大布村一样，安置区各项指标综合水平与移民之前居住点水平相当。

对比BP神经网络模型检测结果和安置移民满意度调查，发现运用BP模型得出的安置区适宜性综合评价与相应区域的移民的综合满意度高度吻合，说明应用BP网络模型对水电水利移民安置区适宜性综合评价是合理、有效的。

程序经多次运行调试，将结果进行横向分析，纵向对比，发现尽管每次神经网络求解结果有微小差异，但并不影响最终评估等级。

参考文献：

[1]大型水利水电工程征地移民实施相关问题探讨[J]. 张西陆，任泽俭，阮同华.水利技术监督.2021（02）

[2]水利水电工程征地移民70年[J].姚玉琴.水力发电.2020（05）

[3]水利水电工程移民监督评估存在问题及策略研究[J].王雨，吕雅辉.黑龙江水利科技.2019（11）

[4]水库移民监督评估工作要难点分析探究[J]. 卢威，段练.水利技术监督.2019（06）

[5]水利水电工程移民监督评估实践存在的问题及完善措施[J].姜小青，蒋志强，胡玉龙，金晶.水利经济.2019（01）

[6]黄藏寺水利枢纽移民安置监督评估实践与思考[J]. 周鹏.水利规划与设计.2019（02）

[7]水利工程移民安置监督评估探索研究[J].段华飞，杨燕兵，王庆宽.云南水力发电.2018（04）

[8]水利工程移民安置监督评估专业技术人员管理办法[J].水利建设与管理.2014（11）

作者简介：吴子治（1986-），男，江西南昌，中级工程师，硕士研究生，云南财经大学土地资源管理专业，研究方向为国土空间规划及水库移民安置