1. 引言
草原作为世界上分布最广的重要的陆地植被类型之一,分布面积广泛。中国的草原面积为3.55亿公顷,是世界草原总面积的6%~8%,居世界第二。中国草原主要分为温带草原、高寒草原和荒漠草原等类型。内蒙古锡林郭勒草原是温带草原中具有代表性和典型性的草原,是中国四大草原之一,位于内蒙古高原锡林河流。内蒙古锡林郭勒草原不仅是国家重要的畜牧业生产基地,同时也是重要的绿色生态屏障,在减少沙尘暴和恶劣天气的发生方面发挥着作用,也是研究生态系统对人类干扰和全球气候变化响应机制的典型区域之一和国际地圈—生物圈计划(IGBP)陆地样带—中国东北陆地生态系统样带(NECT)的重要组成部分,因此研究放牧策略对草原土壤状态和植被生物量有着重要的意义。
Ren等 [1] 评估了全球优化放牧管理的固碳潜力,修正了IPCC报告关于放牧固碳潜力的评估结果。研究表明,优化放牧管理具有较大的气候减缓潜力,为相关政策制定提供了科学支撑。于和硕等 [2] 从机理分析的角度出发,建立不同放牧策略对草原土壤化学性质影响的数学模型,并且结合相关数据采用ARIMA时间序列模型对2022年土壤中化学成分进行预测,同时可视化预测结果。
2. 不同放牧策略对土壤影响的AHP分析
使用层次分析法(AHP) [3] 对放牧方式和放牧强队进行分析,通过打分的方式分析放牧方式和放牧强度的影响权重。层次分析法原理如下:层次分析法是指将与决策总是有关的元素分解成目标、准测、方案等层次,在此基础上进行定性和定量分析的决策方法。首先需要建立层次模型,模型如图1所示。
之后需要建立判断矩阵,最后需要根据打分结果计算一致性指标(CI)和平均随机一致性指标(RI),然后进行一致性检验(CR = CI/RI),当CR < 0.1时,即表示通过一致性校验。最后得到放牧方式和放牧强度的相关权重如表1所示。
![](Images/Table_Tmp.jpg)
Table 1. The results of hierarchical analysis
表1. 层次分析结果展示
3. 放牧强度对土壤化学性质的分析
3.1. LSTM原理
LSTM算法 [4] 全称为Long short-term memory,它是RNN循环神经网络的一种变体。LSTM算法结构如图2所示,其结构单元具有特殊的“遗忘”的功能,该功能确保LSTM算法在相应的门控结构中可以进行更长的时间跨度预测。
![](//html.hanspub.org/file/107-2571726x8_hanspub.png?20240603091031574)
Figure 2. Repetitive structures in LSTM
图2. LSTM中的重复结构
LSTM由输入门、输出门、遗忘门和细胞(cell)组成,其核心就是cell状态和相应的“门控”结构。cell细胞的作用就是将上一层的有用信息传递下去,克服短时记忆的缺点。而“门”结构,又被称为门控,用于存储和更新信息。
(1)遗忘门:用于读取当前细胞接受到的
信息,和接受前神经元信息
,由
来决定哪些丢弃的信息,
公式如下(1):
(1)
公式中的
表示权重,
表示截距,
表示激活
函数,将
时刻的输出
与t时刻的输入
组合,并进行线性变换。
(2) 输入门:确定cell状态所存放的新信息,由sigmoid层和tanh层组成。sigmoid层作为“输入层”,判断待更新的一些值
;tanh层是构建新候选值向量
,并会加入到cell状态中去。
(2)
(3) 两门结合更新旧cell的状态:将
更新为
。把旧状态与
相乘,丢弃掉确定需要丢弃的信息。接着加上
。神经网络的各个时刻都会有数据的输入,通过“遗忘门”与“记忆门”处理操作之后,保留
时刻的
,并结合t时刻的
,计算此刻的
,其对应的计算公式如下:
(3)
(4) 输出门:用于输出门最终的信息,计算公式如(4):
(4)
对数据进行分析绘制2012、2014、2016和2018年不同放牧强度下土壤化学性质变化的趋势图如图3所示。分析发现放牧强度对土壤全氮N并无太大影响,而土壤有机碳、土壤无机碳、土壤全碳、土壤C/N比都随着放牧强度的增大而减小,成反比关系。
![](//html.hanspub.org/file/107-2571726x34_hanspub.png?20240603091031574)
Figure 3. Effects of grazing intensity on soil chemical properties
图3. 放牧强度对土壤化学性质的影响
由于不同放牧小区的有机碳等因素也是按照年份在变化,具有时间序列,所以采用LSTM模型针对在不同的放牧强度下对土壤化学指标进行预测。
3.2. 特征选择及数据处理
3.2.1. 特征相关性
使用斯皮尔曼相关性系数 [5] 进行分析,其原理如下:
(5)
在上述公式中,di是xi和yi之间的等级差。斯皮尔曼系数值越大,相关性越强;反之,绝对值越小,相关度越弱。
计算变量之间的斯皮尔曼系数并绘制相关的热力图矩阵,如图4所示。
![](//html.hanspub.org/file/107-2571726x36_hanspub.png?20240603091031574)
Figure 4. Spearman correlation coefficient diagram
图4. 斯皮尔曼相关系数图
从图中可以发现,变量之间贡献程度比较均匀,所以本题采用SOC土壤有机碳、SIC土壤无机碳、STC土壤全碳、全氮N、土壤C/N比进行预测。
3.2.2. 数据处理
绘制各个变量之间的箱型图如图5所示,发现STC土壤全碳变量存在部分异常值,进行异常值处理,最后经过标准化处理得到最终的变量数据。
3.3. 模型搭建及预测
本题采用的LSTM神经网络模型,经过调参,最终将每层LSTM神经元设置为50,优化器选的是adam优化器,采用Relu激活函数。2012~2021年不同放牧小区在不同放牧强度下真实结果和预测结果对比如下,可以发现,模型预测值和真实值较为非常接近,说明模型具有比较好的预测效果。
![](//html.hanspub.org/file/107-2571726x38_hanspub.png?20240603091031574)
![](//html.hanspub.org/file/107-2571726x39_hanspub.png?20240603091031574)
Figure 6. Comparison of variable prediction and true results under NG grazing intensity in G17 grazing plot during 2012~2021
图6. 2012~2021年G17放牧小区在NG放牧强度下变量预测和真实结果对比
真实结果和预测结果MAPE、MAE、RMSE如下表2所示:可以发现真实值和误差值RMSE、MAE误差都比较小。预测效果较好。
![](Images/Table_Tmp.jpg)
Table 2. Actual results and predicted results MAE, MAPE, RMSE
表2. 真实结果和预测结果MAE、MAE、RMSE
3.4. 模型预测结果
模型预测结果如下表3所示。
4. 结论
本文针对不同放牧强度对土壤影响进行了研究,主要结论如下:
(1) 采用AHP层次分析法,探讨不同放牧方式和放牧强度之间的关系,最后得到放牧方式与放牧强度之间的对应关系。
(2) 通过直接对数据的分析,寻找放牧强度对土壤不同化学性质的关系,发现放牧强度对土壤全氮N并无太大影响,而土壤有机碳、土壤无机碳、土壤全碳、土壤C/N比都随着放牧强度的增大而减小。
(3) 本文搭建了基于LSTM神经网络的放牧方式对土壤化学性质影响的预测模型。经过训练,LSTM模型的最大RMSE为0.026,最后利用训练好的模型对2022年不同放牧强度下的土壤化学参数进行预测,预测结果说明LSTM神经网络模型在该问题具有很好的精度和适用性。
本文探讨了放牧强度和放牧方式之间的关系,以及对不同放牧方式下的土壤化学性质进行预测,为政策的制定提供了一定的参考。但由于样本数据和采样的局限性,分析结果不一定适用全部场景,仍需要进一步进行研究。