放牧策略對(duì)土壤與植被的影響及土壤濕度預(yù)測(cè)研究

關(guān)鍵詞：放牧策略;土壤濕度;機(jī)理分析;雙向長(zhǎng)短期記憶網(wǎng)絡(luò)

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

草原在維護(hù)生物多樣性、涵養(yǎng)水土、凈化空氣、固碳、調(diào)節(jié)水土流失和沙塵暴等方面具有重要的生態(tài)功能[1]。錫林郭勒草原不僅是國(guó)家重要的畜牧業(yè)生產(chǎn)基地，也是重要的綠色生態(tài)屏障，對(duì)減少沙塵暴和惡劣天氣具有重要的作用[2]。研究不同放牧策略對(duì)植被生物量和土壤濕度的影響，以及預(yù)測(cè)未來不同深度的土壤濕度，對(duì)于維持草原生態(tài)系統(tǒng)的可持續(xù)發(fā)展具有重要意義。通過機(jī)理分析，構(gòu)建一個(gè)模型以評(píng)估不同放牧策略對(duì)植被生物量和土壤濕度的影響，該模型對(duì)于預(yù)測(cè)未來土壤濕度的變化趨勢(shì)具有重要意義。本文旨在結(jié)合機(jī)理分析的方法和深度學(xué)習(xí)模型，研究在錫林郭勒草原采用不同放牧策略對(duì)土壤與植被的影響，并對(duì)不同深度的土壤濕度進(jìn)行了預(yù)測(cè)。

1 研究現(xiàn)狀（Research status）

自21世紀(jì)初以來，我國(guó)學(xué)者對(duì)草場(chǎng)土壤和土壤植被影響展開了深入的研究，涵蓋高寒草場(chǎng)動(dòng)植物群落、土壤養(yǎng)分、土壤微生物活動(dòng)及草場(chǎng)的退化等多個(gè)方面[3]。過度放牧是導(dǎo)致典型草原蓬勃發(fā)展受阻的關(guān)鍵因素之一，這凸顯了對(duì)制定合理放牧強(qiáng)度的緊迫需求。為了更全面地了解內(nèi)蒙古典型草原放牧的適宜強(qiáng)度，張娜[4]著重關(guān)注了不同放牧強(qiáng)度對(duì)植被群落和土壤理化性狀的潛在影響。該學(xué)者以內(nèi)蒙古典型草原為研究對(duì)象，在試驗(yàn)區(qū)設(shè)定了圍欄禁牧、輕度放牧、中度放牧、重度放牧和極重度放牧等不同的放牧強(qiáng)度，系統(tǒng)研究了其對(duì)草原植被群落和土壤理化性狀的影響。在針對(duì)不同放牧強(qiáng)度下土壤化學(xué)性質(zhì)的研究中，一些學(xué)者進(jìn)行了深入的探索。以希拉穆仁荒漠草原為例，于志慧等[5]分析了3種放牧強(qiáng)度（無牧、輕度放牧、重度放牧）對(duì)0～50 cm土壤有機(jī)碳、全氮等的影響，描繪了土壤有機(jī)碳含量隨放牧強(qiáng)度增大的變化趨勢(shì)。在黃土高原丘陵溝壑區(qū)，范春梅等[6]通過分析土壤的各項(xiàng)指標(biāo)，對(duì)放牧林草地土壤抗蝕性能進(jìn)行了研究，證實(shí)土壤的有機(jī)質(zhì)、全氮、水解氮和全磷含量會(huì)隨著放牧強(qiáng)度的增大而減少。此外，于和碩[7]通過建立不同的放牧策略對(duì)內(nèi)蒙古草原土壤化學(xué)性質(zhì)影響的數(shù)學(xué)模型，并結(jié)合相關(guān)數(shù)據(jù)，采用ARIMA（Autoregressive IntegratedMoving Average）時(shí)間序列模型對(duì)2022年錫林郭勒草原的土壤中化學(xué)成分進(jìn)行了預(yù)測(cè)。

2 不同的放牧策略對(duì)土壤物理性質(zhì)的影響（Impact of different grazing strategies on soilphysical properties）

2.1 模型的準(zhǔn)備

數(shù)據(jù)基于內(nèi)蒙古錫林郭勒盟觀象臺(tái)典型草原放牧平臺(tái)，通過設(shè)置對(duì)照、輕度、中度和重度4個(gè)放牧梯度的模擬劃區(qū)輪牧實(shí)驗(yàn)，調(diào)查了2016—2020年不同放牧強(qiáng)度下草原群落組成和群落結(jié)構(gòu)。實(shí)驗(yàn)樣地設(shè)于內(nèi)蒙古錫林浩特市東20 km錫林浩特國(guó)家氣候觀象臺(tái)生態(tài)監(jiān)測(cè)樣地，共設(shè)對(duì)照（0羊/天/公頃）、輕度放牧（2羊/天/公頃）、中度放牧（4羊/天/公頃）、重度放牧（8羊/天/公頃）4種放牧強(qiáng)度。實(shí)驗(yàn)設(shè)計(jì)采用隨機(jī)區(qū)組方式，每個(gè)放牧強(qiáng)度設(shè)置3個(gè)重復(fù)區(qū)塊。放牧實(shí)驗(yàn)從2013年開始，每年輪放4期。每一期放牧結(jié)束后，分別在12個(gè)放牧小區(qū)（G5～G16）取樣，每個(gè)放牧小區(qū)統(tǒng)一按照最初設(shè)置的取樣帶采集5個(gè)1 m×1 m的樣方。本文收集匯總不同時(shí)間、不同放牧小區(qū)內(nèi)所有植物的干重，作為植被生物量數(shù)據(jù)結(jié)果，部分?jǐn)?shù)據(jù)如表1所示。

即在知道降水量P、累計(jì)降雨量R、實(shí)際蒸發(fā)量Et 的情況下，可以將其用于推斷不同的放牧策略對(duì)土壤物理性質(zhì)（土壤濕度）的影響。

3 基于BiLSTM 的不同深度濕度動(dòng)態(tài)預(yù)測(cè)模型（Dynamic humidity prediction model withdifferent depths based on BiLSTM）

3.1 模型的準(zhǔn)備

3.1.1 數(shù)據(jù)來源及預(yù)處理

錫林郭勒草原的土壤、氣候等基本數(shù)據(jù)均有專門機(jī)構(gòu)進(jìn)行監(jiān)測(cè)并發(fā)布，整理2012年1月至2022年3月共123條數(shù)據(jù)，具體包含10 cm濕度、40 cm濕度、100 cm濕度、200 cm濕度、土壤蒸發(fā)量、植被指數(shù)、徑流量、葉面積指數(shù)、平均氣溫、最高氣溫極值、最低氣溫極值、降水量12種指標(biāo)，由于部分?jǐn)?shù)據(jù)值缺失，因此本研究利用拉格朗日插值法對(duì)缺失值做補(bǔ)全。

設(shè)定12個(gè)單位為1個(gè)滑動(dòng)窗口，一共有116個(gè)滑動(dòng)窗口。

模型的批大小（batch size）設(shè)置為8，因此模型輸入樣本的維度為（8，12，12）。模型的目標(biāo)是預(yù)測(cè)輸入數(shù)據(jù)之后一個(gè)滑動(dòng)窗口內(nèi)的12種指標(biāo)，即輸出的維度為（1，12，1）。

3.1.2 模型原理

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)[14]（Long Short Term Memory Network，LSTM）屬于循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）。當(dāng)RNN網(wǎng)絡(luò)處理序列較長(zhǎng)的數(shù)據(jù)時(shí)，由于網(wǎng)絡(luò)自身的記憶能力有限，因此在模型訓(xùn)練過程中無法結(jié)合之前的信息對(duì)當(dāng)前數(shù)據(jù)賦予權(quán)重，從而導(dǎo)致網(wǎng)絡(luò)梯度消失。LSTM 網(wǎng)絡(luò)在處理數(shù)據(jù)序列時(shí)與殘差網(wǎng)絡(luò)相似，通過對(duì)信息元各時(shí)間段的相加、相乘，繞過網(wǎng)絡(luò)中的部分單元信息，從而記住更長(zhǎng)的時(shí)間步驟，解決了一直以來 RNN 存在的缺陷。

雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Bi-directional Long Short-TermMemory），是由前向LSTM 與后向LSTM 組合而成的。單層的BiLSTM實(shí)質(zhì)上就是2個(gè)LSTM，一個(gè)正向處理序列，一個(gè)反向處理序列，處理完后，兩個(gè)LSTM 的輸出會(huì)被拼接起來，以形成最終的輸出表示。

3.1.3 建模思路

基于BiLSTM 的濕度預(yù)測(cè)系統(tǒng)，該系統(tǒng)主要包括4個(gè)部分，分別是輸入層、基于雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的時(shí)間特征提取子模型、用于融合全部特征的全連接層和輸出層。本文所提的模型流程圖如圖1所示。

3.2 模型的建立

3.2.3 雙向特征融合

與“3.2.2”節(jié)介紹的過程相同，對(duì)X 采取同樣的處理，將輸出與ht 拼接后通過全連接層得到最后的預(yù)測(cè)結(jié)果，輸出向量的shape為（1，12，1）。

3.3 模型的求解

基于BiLSTM的土壤濕度動(dòng)態(tài)預(yù)測(cè)模型，以2012年1月至2021年3月的數(shù)據(jù)為訓(xùn)練集，以2021年4月至2022年3月的數(shù)據(jù)為測(cè)試集，通過訓(xùn)練模型，預(yù)測(cè)12個(gè)指標(biāo)的結(jié)果，并對(duì)比其與真實(shí)數(shù)據(jù)的差距。本文給出4個(gè)濕度指標(biāo)（圖2）。

由圖2可知，基于BiLSTM的土壤濕度動(dòng)態(tài)預(yù)測(cè)模型的預(yù)測(cè)效果良好，再計(jì)算預(yù)測(cè)指標(biāo)真實(shí)值與預(yù)測(cè)值的均方誤差（RMSE），結(jié)果如表4所示

根據(jù)表4中的數(shù)據(jù)可知，RMSE誤差較小，因此模型在預(yù)測(cè)過程中能夠有效地控制誤差，確保預(yù)測(cè)結(jié)果的可靠性。由于每次BiLSTM模型僅預(yù)測(cè)后一個(gè)月的12個(gè)指標(biāo)，本文要預(yù)測(cè)2022年4月至2023年12月的數(shù)值，因此每次預(yù)測(cè)后，將預(yù)測(cè)結(jié)果按時(shí)序性加入數(shù)據(jù)中，并再次進(jìn)行預(yù)測(cè)，基于訓(xùn)練獲得的模型，得到2022年、2023年的不同深度土壤濕度值，具體如表5所示。

利用Python將上述數(shù)據(jù)繪成折線圖，可觀察土壤濕度的變化趨勢(shì)（圖3）。

4 結(jié)論（Conclusion）

采用機(jī)理分析方法研究不同的放牧政策對(duì)錫林郭勒草原土壤物理性質(zhì)、植被生物量的影響，并且使用BiLSTM 對(duì)近兩年不同深度的土壤濕度進(jìn)行動(dòng)態(tài)預(yù)測(cè)。根據(jù)本研究推導(dǎo)出的微分方程組即可在知道降水量P、累計(jì)降雨量Rcum 及實(shí)際蒸發(fā)量Eta 的情況下，推斷不同的放牧策略對(duì)土壤物理性質(zhì)（土壤濕度）的影響。此外，本研究利用深度學(xué)習(xí)，通過對(duì)土壤濕度、土壤蒸發(fā)及降水等多源數(shù)據(jù)的訓(xùn)練，建立了模型以預(yù)測(cè)在保持當(dāng)前放牧策略不變的情況下，2022年和2023年不同深度土壤濕度的變化趨勢(shì)。

作者簡(jiǎn)介：

王凱（1998-），男，碩士生。研究領(lǐng)域：深度學(xué)習(xí)，生物信息學(xué)。

李重（1975-），男，博士，教授。研究領(lǐng)域：生物信息學(xué)，圖形圖像。