2006—2020年蒙古國放牧密度數據集

摘要：蒙古國草地系統的健康狀況關系著其畜牧業效益和國內外生態安全。衡量牲畜放牧密度并合理控制放牧密度對于維護蒙古國草地生態系統健康以及實現畜牧業的可持續發展具有重要意義?？臻g放牧密度梯度信息的缺失阻礙了對草地承載力相關研究的推進。本研究基于2015年世界網格化牲畜數據集（gridded livestock of the world，GLW）、牧區人口密度、土壤水分、年降水、地表溫度和凈初級生產力（net primary productivity，NPP）等空間數據，利用谷歌地球引擎（Google Earth Engine，GEE）云平臺運行隨機森林回歸算法，建立了蒙古國放牧密度估算模型；基于省域牲畜存欄量統計數據檢驗了模型的準確性，并結合不同年份預測因子數據，模擬了蒙古國2006—2020年放牧密度空間分布。為確保數據集的準確性，采用判定系數（R²）、平均絕對誤差（MAE）和均方根誤差（RMSE）三個誤差測量指標對數據集進行校驗。模擬結果顯示，2006—2020年蒙古國放牧密度在空間上整體呈現北高南低的特點；2006—2010年蒙古國放牧密度擴張明顯，放牧密度高于5 TLU/km²區域面積占比由0.223%增加到51.390%；2010—2020年，蒙古國大部分地區放牧密度無顯著變化。檢驗結果表明，該數據集較好地實現了蒙古國放牧密度空間化的模擬，2006、2010、2015和2020年模擬數據與蒙古國省域牲畜存欄量擬合R²分別為0.844、0.734、0.914、和0.926，均通過顯著性檢驗，MAE分別為5.195、3.513、2.336、3.461，RMSE分別為8.135、5.257、4.200、5.909。本研究提供的蒙古國放牧密度數據集對該地區草地生態系統的可持續發展以及牧民的生計安全提供了重要信息支撐。

關鍵詞：牲畜放牧密度；GEE云平臺；隨機森林回歸模型；蒙古國

數據摘要：

1 "引言

草地生態系統作為陸地生態系統不可或缺的組成部分，在全球碳循環和氣候調節中發揮重要作用^[1-2]。牲畜放牧是人類利用草地的一種方式^[3]，能夠對草地生態系統產生一定積極作用^[4-5]。牲畜通過采食、踐踏以及排泄等方式作用于草地生態系統，可以改變其群落結構、功能、組成和演替，影響土壤理化屬性，提高草地生產力等^[6-7]。然而，放牧對草地生態系統的影響會隨放牧密度變化而改變^[8]。諸多研究表明，高密度放牧可能會導致土地退化^[9]，低密度放牧會浪費草地資源，不利于牧區經濟發展^[5]，而適度放牧不僅有助于調節陸地碳循環，而且可以維持草地生態系統功能和穩定性^[10]。因此，明確放牧密度是進行適度放牧、促進牧區草地生態系統可持續發展的必要環節。

根據已有文獻定義，放牧密度被界定為“單位放牧面積上的牲畜數量”^[11]。放牧密度的增加意味著草地的消耗速率增加，可能會引起草地退化的發生^[12]。準確、完整的放牧密度數據集是衡量草地生態系統承載力的重要支撐。當前，放牧密度數據主要基于行政單元的牲畜存欄量統計數據獲得，很難反映大尺度地理區域放牧密度的空間梯度信息^[13]。2006年，聯合國農糧組織（FAO）發布了世界網格化牲畜數據集（gridded livestock of the world，GLW）^[14]，包含全球范圍牛、山羊、綿羊等牲畜分布格網信息，是目前應用范圍最廣的空間放牧密度數據集，并為開展大范圍草地生態系統承載力相關研究提供了重要支撐^[10-11]。然而，該數據集存在空間梯度信息單一、更新不及時等問題。有學者嘗試利用植被指數或人口密度等因子模擬放牧密度^[15-16]，但對環境因子與放牧密度之間的關聯性考慮不足，制約了放牧密度的空間異質性表達^[12]。此外，人口分布和草地生長狀況是制約傳統畜牧業地區單位面積上牲畜數量的關鍵因子^[13]。因此，預測因子的選擇是決定放牧密度預測精度的關鍵，需要綜合考慮上述因素。在預測模型方面，隨機森林回歸模型具有良好的預測精度，不僅能夠處理因變量和自變量之間復雜的非線性關系，而且能夠反映自變量之間的交互特征對因變量的影響^[17]，已在生物量反演^[15]、冬小麥冠層葉綠素反演^[16]、林火預測^[18]等方面得到廣泛應用。

作為一個以畜牧業為主導的國家，蒙古國草地生態系統的健康狀況直接關系到其生態環境和牧民生活水平^[19]。然而，對畜牧產品需求的不斷增長使得蒙古國草原植被正面臨著嚴峻的退化風險^[20]。由于草地覆蓋面積的減少和土壤侵蝕的加劇，近年來蒙古國沙塵暴頻繁發生，并對中國西北部地區社會經濟、居民健康造成嚴重威脅^[21]。鑒于蒙古國僅有省域牲畜存欄量統計數據，有必要科學量化蒙古國放牧密度時空分布特征，為后續草地退化的時空演變研究提供重要信息。因此，本研究以2015年GLW數據集和基于文獻篩選的預測因子為基礎，利用谷歌地球引擎（Google Earth Enterprise，GEE）云平臺和隨機森林回歸算法構建放牧密度估算模型；隨后，利用由蒙古國立大學提供的省域牲畜存欄量統計數據檢驗模型的準確性；最后，使用放牧密度估算模型分別對2006年、2010年和2020年放牧密度進行模擬和驗證，從而提供能夠充分反映蒙古國放牧密度空間梯度信息的多時期數據產品。

2 "數據采集與處理方法

2.1 "工作流程

前人相關研究^{[12-13，22]}以及蒙古國實地調研結果表明，蒙古國牲畜數量分布主要由牧區人口密度分布和草地生長狀況所決定。因此，放牧密度空間數據集預測因子的選取需要綜合考慮氣象要素、人類活動要素以及植被要素等。為提高隨機森林回歸模型擬合效果，本研究利用Spearman相關系數對預測指標進行預篩選，從而進一步確定預測因子。隨后，利用2015年GLW數據集和五項預測因子在GEE云平臺搭建隨機森林回歸模型，用于擬合預測因子與牲畜放牧密度的關系，構建蒙古國放牧密度估算模型。最后，基于2015年訓練后的隨機森林回歸模型，結合2006、2010和2020年預測因子對蒙古國各年份放牧密度空間數據進行模擬，并使用蒙古國省域牲畜存欄量統計數據對模型進行檢驗，選用判定系數（R2）、平均絕對誤差（MAE）和均方根誤差（RMSE）對模型的精度進行評估。數據來源見表1，數據處理流程如圖1所示。

2.2 "預測因子的選取

牲畜數量分布與牧區人口密度分布高度相關^[19]。根據蒙古國實地調研發現其牧區一般分布在牧草充足的非城鎮區。因此，本研究將夜間燈光指數值為0的區域定義為非城區；利用土地覆蓋數據提取草地范圍，定義為牲畜潛在覓食區；將人口密度大于0的區域，表征人類活動區；綜合以上三項指標提取牧區人口分布區，即牧區人口密度。放牧密度由草地生長狀況所決定^[22]。NPP是反映植被生長狀況的重要指標，可以表征草地生長狀況^[23]。此外，植被生長狀況與土壤水分、降水和地表溫度空間分布均有一定的關系^[1]。因此，蒙古國放牧密度空間梯度信息的預測因子的選取綜合考慮了上述因素，選擇牧區人口密度、NPP、土壤水分、年降水和地表溫度作為影響牲畜放牧空間分布的預測因子。為了驗證所選取預測因子的合理性，通過Spearman相關系數對預測因子與基于省域的牲畜密度統計數據進行相關性分析^[24]。分析結果顯示，五項預測因子均通過顯著性檢驗（表2）。

2.3 "世界網格化牲畜數據集預處理

蒙古國主要飼養牲畜種類包括：牛、山羊、綿羊、馬和駱駝^[25]?？紤]到GLW數據可用性，選取牛、山羊、綿羊和馬的世界網格化牲畜數據參與蒙古國2006年、2010年和2015年放牧密度空間數據的模擬。為實現不同類型牲畜的單位換算，參考FAO發布的《畜牧業減貧和發展》報告^[26]，采用國際通用熱帶牲畜單位（TLU）將各類牲畜折算為統一標準：1 TLU=250 KG，牛和馬換算為0.6 TLU，綿羊和山羊換算為0.1 TLU^[9]。將各類牲畜格網數據進行單位換算后獲取2006年、2010年和2015年牲畜放牧密度，參與后續五項預測因子的隨機森林回歸模擬。

2.4 "放牧密度估算模型

隨機森林回歸是一種以決策樹作為基本結構的機器學習^[11]。該方法是按照均勻隨機的原則選取樣本數據，組成多個不同的決策樹，再對多棵決策樹進行整合來完成預測^[15]，其計算原理如下：

式中，T為原始訓練數據集，y為子樣本集，f（x）為隨機森林回歸模型的預測結果，f_N（x）表示由單個決策樹

做出的預測。

本研究利用GEE云平臺對預處理后的2015年牲畜放牧密度和五項預測因子進行數據融合，并在蒙古國境內選取10000個像元點，利用融合波段和采樣點提取牲畜放牧密度數值以獲取訓練特征，進而實現2015年GLW數據集與預測因子之間的關系的擬合。然后，使用隨機森林回歸模型對訓練特征進行訓練以獲得放牧密度估算模型。最后，利用訓練后隨機森林回歸模型，分別結合2006、2010、2020年預測因子模擬相應年份放牧密度空間數據，并基于蒙古國立大學提供的2000—2020年省域牲畜存欄量統計數據對模型進行檢驗。

3 "數據內容

本研究利用放牧密度估算模型，模擬了放牧密度的時空分布特征（圖2）。模擬結果呈現蒙古國北部放牧密度高、南部放牧密度低的趨勢。南部地區放牧密度在2006—2020年間均低于5"TLU/km²，顯示出該區域較低的牲畜飼養壓力。其中，南戈壁省位于蒙古國最南端的戈壁區，因其獨特的自然地理環境，成為蒙古國放牧密度最低的地區。而在北部地區，達爾汗烏省和鄂爾渾省位于人口聚集區，因其優越的自然條件和便利的交通，放牧密度較高，均超過5"TLU/km²。其中，鄂爾渾省位于布爾干省東北部的色楞河畔，充足的水資源以及便利的交通致使其在22個省放牧密度均是最高值，且高于5"TLU/km²。

從時間序列來看，2006年蒙古國放牧密度普遍較低，放牧密度高于5 TLU/km²的區域僅占蒙古國國土面積的0.223%；由于經濟的發展和國際貿易的需求致使牲畜數量成倍增加。截至2010年，51.390%的區域放牧密度高于5 TLU/km²；2010—2015年間放牧密度變化不明顯；2015—2020年除肯特省放牧密度降低外，其他大部分地區變化幅度不明顯。

4 "質量與技術驗證

4.1 "模型精度評估

本研究采用了判定系數（R2）、平均絕對誤差（MAE）和均方根誤差（RMSE）三項誤差測量指標評估模型的擬合優度和整體性能。判定系數（R2）用

于衡量估算模型擬合程度；平均絕對誤差（MAE），用于衡量預測值與實際值之間的平均絕對偏差；均方根誤差（RMSE），用于反映數據估測的精密度。其公式如下：

4.2 "精度評估結果

基于蒙古國立大學所提供2000—2020年蒙古國省域牲畜存欄量統計數據，對2006年、2010年、2015年和2020年放牧密度空間模擬數據進行精度評估。結果顯示（圖3），四個時期模擬值與統計值擬合R²分別為0.844、0.734、0.914、和0.926，且均通過顯著性檢驗，其他檢驗指標均在誤差范圍內。例如，2006年MAE為5.195、RMSE為8.135，2010年MAE為3.513、RMSE為5.257，2015年MAE為2.336、RMSE為4.200，2020年的MAE為3.461、RMSE為5.909。因此，所選取的預測因子與方法能夠較好地實現蒙古國多期放牧密度數據模擬。

5 "數據價值與使用建議

對于以畜牧業為支柱產業的地區，放牧密度的準確掌握對于保障草地生態系統的健康和牧民生計至關重要?；贕LW數據集，本研究充分考慮，以牧區人口密度、土壤水分、年降水、地表溫度和NPP作為影響牲畜放牧的關鍵預測因子，并利用隨機森林回歸模型模擬蒙古國2006年、2010年、

2015年和2020年放牧密度空間分布格局。相較于GLW數據集，本數據集模擬過程納入環境因子對放牧密度分布的影響，拓展了2020年蒙古國放牧密度分布信息，并實現了蒙古國不同省份放牧密度的時空異質性表達，為后續該地區草地生態系統和畜牧業的可持續發展研究提供了重要的數據支撐。

6 "數據可用性

開放訪問，遵從CC BY-NC-SA 4.0協議。

https：//cstr.cn/ 17058.11.sciencedb.agriculture.00047；

https：//doi.org/10.57760/sciencedb.agriculture.00047。

數據作者分工職責

黃靜，數據收集和論文撰寫。

李婷，方法設計和論文撰寫指導。

李朋飛，提供論文項目支持和項目管理。

Altansukh Ochir，匯總并提供2000－2020年蒙古國省域牲畜存欄量統計數據。

楊梅煥，論文框架和方法指導。

王濤，實驗方案指導。

李莎，數據收集。

利益沖突聲明

作者聲明，全部作者均無會影響研究公正性的財務利益沖突或個人利益沖突。

參考文獻

[1] 任小玢，張東海，俞鴻千，等. 氣候變化和人為活動在寧夏草地變化中的相對作用. 生態學報， 2022， 42（19）： 7989-8001.

[2] ZHANG Y"Z， WANG Z"Q， YANG Y， et al. Research on the quantitative evaluation of grassland degradation and spatial and temporal distribution on the Mongolia Plateau. Pratacultural Science， 2018， 12（2）： 233-243."DOI：10.11829/J.issn.1001-0629.2017-"0220.

[3] 林麗. 高寒草甸不同演替狀態下植物、土壤對放牧強度的響應與適應.甘肅農業大學， 2017.

[4] 湯永康，武艷濤，武魁，等. 放牧對草地生態系統服務和功能權衡關系的影響. 植物生態學報， 2019， 43（5）： 408-417.

[5] 喬郭亮，金曉斌，顧錚鳴，等."2000—2018年天山中段高海拔草地暖季承載力. 農業工程學報， 2021， 37（22）： 253-262.

[6] FAN F， LIANG C"Z， TANG Y"K， et al. Effects and relationships of grazing intensity on multiple ecosystem services in the Inner Mongolian steppe. Science of the Total Environment， 2019， 675（20）： 642-650. DOI：10.1016/j.scitotenv.2019.04.279.

[7] ZHENG S X， LI W H， LAN Z C， et al. Functional trait responses to grazing are mediated by soil moisture and plant functional group identity. Science Report， 2015， 5（1）： 1-12. DOI：10.1038/srep18163.

[8] 王鵬. 黃土高原不同放牧強度生態經濟社會系統耦合效應研究"[D]， 中國科學院大學，2023.

[9] 李婷，喬志宏，馮瑋含，等. 放牧強度約束下黃土高原生態系統服務時空變化特征. 生態與農村環境學報， 2024， 40（3）： 313-324.

[10] PIIPPONEN J， JALAVA M， De LEEUW J， et al. Global trends in grassland carrying capacity and relative stocking density of livestock. Global Change Biology， 2022， 28（12）： 3902-3919. DOI："10.1111/gcb. 16174.

[11] ZHANG Y X， WANG G G， ZHANG Y， et al. Climate change is likely to alter sheep and goat distributions in Mainland China. Frontiers in Environmental Science， 2021， 9（13）： 1-13. DOI： 10.3389/fenvs.2021. 748734.

[12] 李蘭暉，黃聰聰，張鐿鋰，等. 基于地理加權隨機森林的青藏地區放牧強度時空格局模擬. 地理科學， 2023， 43（3）： 398-410.

[13] 萬里強，陳瑋瑋，李向林，等. 放牧強度對山羊采食行為的影響. 草業學報， 2013， 22（4）： 275-282.

[14] ROBINSON T P， WINT G W， CONCHEDDA G， et al. Mapping the global distribution of livestock. PloS One， 2014， 9（5）： 1-13. DOI： 10.1371/ journal.pone.0096084.

[15] 菅永峰，韓澤民，黃光體，等. 基于高分辨率遙感影像的北亞熱帶森林生物量反演. 生態學報， 2021， 41（6）： 2161-2169.

[16] 王琪，常慶瑞，李鎧，等. 基于主成分分析和隨機森林回歸的冬小麥冠層葉綠素含量估算. 麥類作物學報，2024，44（4）： 532-542.

[17] 岳繼博，楊貴軍，馮海寬. 基于隨機森林算法的冬小麥生物量遙感估算模型對比. 農業工程學報，2016，32（18）： 175-182.

[18] 任孟林，郭妍，陳伯軒，等. 紅松人工林地表可燃物火蔓延速率預測模型. 應用生態學報，2023，34（8）： 2091-2100.

[19] ZHU Z P， ZHANG X M， DONG H M， et al. Integrated livestock sector nitrogen pollution abatement measures could generate net benefits for human and ecosystem health in China. Nature Food， 2022，3（2）： 161-168. DOI：10.1038/s43016-022-00462-6.

[20] LKHAGVASUREN S（彩虹）. 蒙古國肉類出口的影響因素分析. 天津科技大學， 2020.

[21] MENG X Y， GAO X， LI S， et al. Monitoring desertification in Mongolia based on Landsat images and Google Earth Engine from 1990 to 2020. Ecol Indic， 2021，129（23）：1-15. DOI： 10.1016/j.ecolind. 2021. 107908.

[22] 胡曉陽，王兆鋒，張鐿鋰，等. 青藏高原放牧強度空間化方法與應用. 地理學報，2022，77（3）：547-558.

[23] BOND-LAMBERTY B， NICOLAS G， ROBINSON T P， et al. Using Random Forest to improve the downscaling of global livestock "census data. Plos One， 2016， 11（3）： 1-16. DOI： 10.1371/journal.pone. 0150424.

[24] 李紫荊，胥輝. 基于遙感技術的宜良縣云南松蓄積量反演. 綠色科技， 2022， 24（2）： 1-6.

[25] 烏達巴拉，何亭漪，李秀男，等. 蒙古國畜牧業發展現狀. 當代畜禽養殖業， 2022，28（1）： 28-29+37.

[26] OTTE J， COSTALES A， DIJKMAN J， et al. Livestock sector development for poverty reduction： An economic and policy perspective livestock many virtues. Food and Agriculture Organization of the United Nations Rome， 2012. https：//www.fao.org./ docrep/015/i2744e/i2744e00. pdf.

引用格式：黃靜，李婷，李朋飛，Altansukh Ochir，楊梅煥，王濤，李莎.2006—2020年蒙古國放牧密度數據集[J].農業大數據學報，2025，7（1）：77-84. """""DOI： 10.19788/j.issn.2096-6369.100037.

CITATION："HUANG Jing，"LI Ting， LI PengFei， ALTANSUKH Ochir， YANG MeiHuan， WANG"Tao， LI Sha."Mongolia Grazing Density Dataset from 2006 to 2020[J]. Journal of Agricultural Big Data， 2025，7（1）：77-84. DOI： 10.19788/j.issn.2096-6369.100037.

Mongolia Grazing Density Dataset from 2006 to 2020

HUANG Jing LI Ting LI PengFei ALTANSUKH Ochir YANG MeiHuan WANG"Tao LI Sha

1."College of Geomatics， Xi'an University of Science and Technology， Xi'an， 710054， China; 2."Institute of Territorial Space， Xi'an University of Science and Technology， Xi'an，"710054， China; 3."College of Engineering and Applied Science， National University of Mongolia， Ulaanbaatar， 210646， Mongolia

Abstract："The health of Mongolia's grassland system is related to the efficiency of its livestock husbandry and ecological security at home and abroad. Measuring and controlling livestock grazing density is important for maintaining the health of Mongolia's grassland ecosystems and realizing the sustainable development of the livestock industry. The lack of information on spatial grazing density gradients has hindered the advancement of research related to grassland carrying capacity.This study is based on the 2015 gridded livestock of the world （GLW） dataset， population density， soil moisture， annual precipitation， surface temperature and net primary productivity （NPP）. Using the Google Earth Engine （GEE） "cloud platform to run the random forest regression algorithm， the Mongolian grazing density estimation model was established. The accuracy of the model was tested based on the statistical data of livestock stocks in the province， and combined with the predictor data of different years， the spatial distribution of the grazing density in Mongolia from 2006 to 2020 was simulated. In order to ensure the accuracy of the dataset， three error measurement indexes of decision coefficient （R2）， mean absolute error （MAE） and root mean square error （RMSE） were used to verify the dataset. The simulation results showed that the grazing density in Mongolia from 2006 to 2020 was higher in the north and lower in the south. From 2006 to 2010， Mongolia grazing density expanded significantly， and the proportion of grazing density above 5 TLU/km²"increased from 0.223% to 51.390%. There was no significant change in grazing density in most areas of Mongolia from 2010 to 2020."The test results showed that the dataset could well realize the spatial simulation of grazing density in Mongolia. The fitting R²"of the simulation data in 2006， 2010， 2015 and 2020 with the livestock stocks in Mongolia province were 0.844， 0.734， 0.914 and 0.926， respectively， which passed the significance test. MAE were 5.195， 3.513， 2.336， 3.461， and RMSE were 8.135， 5.257， 4.200， 5.909， respectively. The grazing density dataset in Mongolia provided by this study provides important information support for the sustainable development of grassland ecosystem and the livelihood security of herders in this region.

Key words："livestock grazing density; GEE cloud platform; Random forest regression model; Mongolia