太湖流域蔬菜生产区氮输出贝叶斯网络模型的构建与应用

杨伟球等

摘要：针对太湖流域新埂村蔬菜生产区的特点，构建了氮输出贝叶斯网络模型，并利用模型对蔬菜生产区氮输出进行了一系列的案例研究，分析比较了不同的氮削减措施对氮输出的影响。结果表明，贝叶斯网络模型为分析太湖流域蔬菜生产系统氮输出的因果关系和比较不同氮削减措施的效果提供了一种很好的思路和方法，是一种有效的工具。

关键词：贝叶斯网络模型；蔬菜生产；氮输出；太湖流域

中图分类号：TP399 文献标识码：A 文章编号：0439-8114（2014）06-1422-04

Construction and Application of Bayesian Network Model of Nitrogen Output for Vegetable Production in the Taihu Lake Basin

YANG Wei-qiu1，QIN Wei2，SHU Jian-hua1，DAVID Nash3，ANDRES Buldu3，WU Yu-ming4

（1.Suzhou Polytechnic Institute of Agriculture， Suzhou 215008，Jiangsu，China；2.Suzhou Agricultural Committee，Suzhou 215128，Jiangsu，China；3.Earth Systems China，Shanghai 200120，China；4.Yu River Vegetable Production and Marketing Cooperatives，Suzhou 215155，Jiangsu，China）

Abstract： Based on the characteristics of producing Xingeng village vegetable production in the Taihu lake basin， Bayesian network model of nitrogen output was constructed. The Bayesian network model was used to analyze the effects of different nitrogen reduction measures on vegetable production. The results showed that the Bayesian network model provided a good idea and method for understanding the causal relationship between nitrogen output and vegetable production， and comparing effects of different nitrogen reduction measures in the Taihu lake basin.

Key words： Bayesian network model； vegetable production； nitrogen output； Taihu lake basin

近年来，太湖流域工业污染源得到有效地控制，使得太湖地区农业及生活污染源成为了关注的焦点，尤其是氮和磷污染。集约化蔬菜生产是农业产业化的一种，其环保目标是减少对太湖的面源污染，尤其是氮污染。虽然确定性模型，如SWAT、LEACHMN、EPIC和DRAINMOD等已用来模拟农业系统中氮的输出[1-4]，使氮的输出最小化，但在太湖流域蔬菜生产中由于普遍缺乏相关的参数信息，几乎没有参考数据来建立氮输出的确定性模型。贝叶斯网络模型具有强大的不确定性推理和数据分析功能，是一种定性与定量分析相结合的推理方法。贝叶斯网络模型作为传统模型的一种替代选择，已经在自然资源科学中广泛使用，尤其是研究数据匮乏情况下的复杂关系以及那些与资源管理相关的多因子问题[5-9]。本研究针对太湖流域新埂村蔬菜生产区的特点，构建了氮输出贝叶斯网络模型，并利用模型对蔬菜生产区氮输出进行了一系列的案例分析，比较了不同的氮削减措施对氮输出的影响。

1 研究区概况

研究区设在苏州市相城区望亭镇新埂村，新埂村位于苏州市西北角，西邻太湖，北接望虞河，位于太湖流域一级保护区内。新埂村是一个农业大村，耕地面积330 hm2，自2005年以来，新埂村已有以特色蔬菜、瓜果为主导的高效设施农业生产基地113 hm2，食用菌生产基地13 hm2，葡萄生产基地4 hm2。研究区为新埂村内的一处蔬菜生产基地，占地面积为6.7 hm2，现有钢管单栋大棚4 hm2，连栋大棚0.7 hm2，防虫网1 hm2，露地1 hm2，全年种植包括根茎类、叶菜类、茄果类、葱蒜类等蔬菜。研究区距离太湖5.3 km，距离望虞河300 m，研究区的主要特征如表1所示。

2 贝叶斯网络模型的构建

2.1 贝叶斯网络模型的概述

贝叶斯网络模型是一种基于概率知识的图解模型，可以有效地表示变量之间的相互不确定性关系[5]。贝叶斯网络模型通过图示来表示因果关系，用条件概率来表示因果关系的强弱（因果关系）。贝叶斯网络模型包括以下组成部分：①节点：表示变量，其定义的属性称之为“状态”，包括父节点（自变量）和子节点（因变量）。②有向/因果关系（弧）：表示变量间的相互关系及父节点和子节点的联系。③条件概率表：任意一个节点均有一个相应的条件概率表，表示每个节点间相联系的因果关系。④先验概率：即条件概率表中所定义的概率分布，与贝叶斯网络模型应用的环境（即地区）和系统（即农场的类型）的一般特征相关。⑤后验概率：特定节点的状态值被添加到网络模型中，使用传统的概率论基本定律将其他节点的先验概率分布“条件化”，这些新的概率则被称为后验概率分布。灵活的数据采集是贝叶斯网络模型的主要优点。条件概率表可以由直接数据分析（如降雨概率）、专家的意见、已知确定性关系以及如果数据充足，并可采用机器学习技术来进行填充。

2.2 贝叶斯网络模型的构建

构建贝叶斯网络模型， 主要分为两个步骤。首先，要建立贝叶斯网络因果关系图，即分析确定系统中的主要变量，并建立变量之间的因果关系；其次，在贝叶斯网络因果关系图的基础上，量化确定变量之间的定量关系，即确定出条件概率表。

2.2.1 建立因果关系图 为了限制年内变化，采用年作为时间步长使网络模型概念化。新埂村蔬菜生产区周围的排水渠约1 m，因此，以“块”为基本尺度来建立网络模型，一个“块”即是一个水文隔离的生产区。在新埂村蔬菜生产区，所定义的一个“块”的大小在0.024～0.288 hm2的范围内。根据收集分析所获得的有限经验数据和确定性关系，利用NETICA软件（版本4.08，Norsys软件公司，加拿大温哥华）建立因果关系图。因果关系图组成元素如表2所示，包含氮源因子、迁移因子、迁移过程中氮削减策略因子和输出因子。

2.2.2 贝叶斯网络模型的量化 量化模型时，首先是定义节点及其状态值。对于大多数节点而言，在分析中考虑到特定估算具有不确定性，因此将状态表示为范围而不是离散的数字。父节点和子节点之间的关系以及它们的状态记录在条件概率表中，用来支撑贝叶斯网络结构（即给定每个父节点一组条件，子节点每个条件发生的概率是多少）。

尽量采用定量数据（如降雨量记录）和确定性方程（一般从质量守恒中推导出来）。其他重要的确定性方程与湿地效率、气体排放和氮浓度有关，它们不是以“质量守恒定律”为基础的。为了把非线性确定方程运用到最终网络中，常增加子节点状态的数量，以及赋予状态的数值范围并不相同。

在NETICA软件中，各节点都有状态描述信息，各个状态的概率可以用数字和水平柱形图来表示。在连续分布中，该节点的均值估计通过概率和范围中位数的积和式来计算，并以带有标准偏差的柱形图中表示出来。

3 贝叶斯网络模型的分析与应用

太湖流域蔬菜生产系统氮输出的影响因素是复杂且相互关联的，并很可能充满变数。因此，建议将贝叶斯网络模型主要用于对总趋势的分析，而不是对节点值的绝对预测，尤其是预测的边界。量化后建立的新埂村蔬菜生产区氮输出贝叶斯网络模型如图1所示。

3.1 敏感性分析

方差减小是用来比较输出节点对氮源节点、迁移节点、迁移后氮削减措施节点敏感性的主要方法。一级输出节点（氮浓度和总氮输出）对迁移、氮源和迁移后氮削减措施等因子的敏感性表征了这些因子对氮输出的相对重要性。对氮浓度和总氮输出敏感性分析的结果为：①氮浓度对总氮输出最为敏感，反之亦然，反映两者之间的计算关系；②营养物质迁移因子（如径流量）在决定氮输出量（负荷和浓度）方面可能比源因子（如施肥率）更加重要，因此建议将灌溉管理作为总体削减措施的一部分予以考虑；③氮浓度对总氮增加的敏感性比对气体排放敏感性低，这突出了反硝化作用在这些系统具有潜在的重要性，值得进一步的研究。

3.2 情景方案分析

利用开发出来的贝叶斯网络模型对新埂村蔬菜生产区氮输出进行一系列的案例研究，以对网络模型的属性、不同氮削减措施的效果进行充分研究。利用贝叶斯网络模型分析得出的11种方案如表3所示。

从表3可以得出以下结果：①迁移后氮削减措施的效果：贝叶斯网络模型分析结果表明，与当前实践相比（生态沟、湿地、排放水的再利用），在迁移后削减措施缺失的情况下，可能会得到类似的氮浓度和输出效率，但总氮输出会显著增加。总的来说，贝叶斯网络模型分析结果表明生态渠可能是最有效的迁移后氮削减措施。②源头管理的效果：根据贝叶斯网络模型的方案，进行源头管理，如减少肥料的使用对氮浓度输出影响较小。然而值得注意的是，以年作为时间步长，贝叶斯网络模型不考虑营养物输入后的累积效应。③累积管理变化：贝叶斯网络模型分析结果表明，与当前的情况相比，高于常规的施肥率对总氮输出的影响很小，但是会降低氮的浓度和输出效率。这又可能被认为是反常的，但它与敏感性分析和反映影响氮输出的因子间相互关系的重要性和复杂性是一致的。

4 小结与讨论

太湖流域蔬菜生产系统中氮输出是当地一个重要农业环保问题。由于缺乏定量的因和果的关系以及与这些系统相关的数据，贝叶斯网络模型的构建主要是基于一个相对简单的概念模型和一些概念化的数学公式，而不是基于试验或经验数据。贝叶斯网络模型的输出结果很有意义，除了气体排放外，模型输出结果与目标区可获得的有限文献资料是一致的。

研究表明，迁移后氮削减措施在降低氮输出方面特别有效。考虑到目标区许多地方有蓄水，可利用的土地有限，因此生态沟渠和再利用系统是减少氮输出有效的方法，并能与湿地或其他农业活动（如养鱼）整合在一起。然而，贝叶斯网络模型充分证明，这些农业系统需要考虑到因子之间的相互作用。在此系统中，水和土壤的pH，氮浓度和氮形态等因子非常重要，贝叶斯网络模型中的关系可以说明它们的影响。

在小区尺度上，限制氮输入常被认为是减少排水中氮浓度最简单、最容易的方式。然而，径流和其他因子之间的关系，尤其与气体的排放、蔬菜作物对高氮需求之间的关系表明，虽然这样简单的解决方案有助于减少氮输出，但这可能不是最好的选择，它忽略了系统中所发生的复杂的相互作用。要达到环保目标，提高灌溉措施（包括完善灌溉制定、使用较少的输入水和优化降水利用）并结合硝化抑制剂的使用[10]比单纯的限制氮的供应可能会更有效。

参考文献：

[1] DOUGLAS-MANKIN K，SRINIVASAN R，ARNOLD J. Soil and water assessment tool （SWAT） model： Current developments and applications[J]. Transactions of the ASABE，2010，53（5）：1423-1431.

[2] SOGBEDJI J M，VAN E H M， HUTSON J L. N fate and transport under variable cropping history and fertilizer rate on loamy sand and clay loam soils： I. Calibration of the LEACHMN model[J]. Plant and Soil，2001，229（1）：57-70.

[3] WILLIAMS J， ARNOLD J， KINIRY J， et al. History of model development at Temple， Texas[J]. Hydrological Sciences Journal，2008，53（5）：948-960.

[4] SALAZAR O， WESSTROM I， YOUSEF M A， et al. Evaluation of the DRAINMOD-N II model for predicting nitrogen losses in a loamy sand under cultivation in south-east Sweden[J]. Agricultural Water Management，2009，96（2）：267-281.

[5] 罗建男，卢文喜，陈社明，等.基于贝叶斯网络的水环境管理研究[J].节水灌溉，2011（3）：68-72.

[6] 朱 嵩，毛根海，程伟平，等.基于贝叶斯推理的水环境系统参数识别[J].江苏大学学报（自然科学版），2007，28（3）：237-240.

[7] 刘越畅，陈世文，冯进达，等.基于贝叶斯网络的蔬菜质量安全溯源与预警[J].广东农业科学，2012，39（20）：188-190.

[8] 董立岩.贝叶斯网络应用基础研究[D].长春：吉林大学，2007.

[9] PEARL J. Probabilistic Reasoning in Intelligent Systems： Networks of Plausable Inference[M]. San Mateo： Morgan Kaufmann Publishers，1988.

[10] 李兆君，宋阿琳，范分良，等.新型硝化抑制剂对外源铵态氮在土壤中迁移转化及淋溶损失的影响[J].西南农业学报，2011， 24（3）：995-998.

[2] SOGBEDJI J M，VAN E H M， HUTSON J L. N fate and transport under variable cropping history and fertilizer rate on loamy sand and clay loam soils： I. Calibration of the LEACHMN model[J]. Plant and Soil，2001，229（1）：57-70.

[3] WILLIAMS J， ARNOLD J， KINIRY J， et al. History of model development at Temple， Texas[J]. Hydrological Sciences Journal，2008，53（5）：948-960.

[4] SALAZAR O， WESSTROM I， YOUSEF M A， et al. Evaluation of the DRAINMOD-N II model for predicting nitrogen losses in a loamy sand under cultivation in south-east Sweden[J]. Agricultural Water Management，2009，96（2）：267-281.

[5] 罗建男，卢文喜，陈社明，等.基于贝叶斯网络的水环境管理研究[J].节水灌溉，2011（3）：68-72.

[6] 朱 嵩，毛根海，程伟平，等.基于贝叶斯推理的水环境系统参数识别[J].江苏大学学报（自然科学版），2007，28（3）：237-240.

[7] 刘越畅，陈世文，冯进达，等.基于贝叶斯网络的蔬菜质量安全溯源与预警[J].广东农业科学，2012，39（20）：188-190.

[8] 董立岩.贝叶斯网络应用基础研究[D].长春：吉林大学，2007.

[9] PEARL J. Probabilistic Reasoning in Intelligent Systems： Networks of Plausable Inference[M]. San Mateo： Morgan Kaufmann Publishers，1988.

[10] 李兆君，宋阿琳，范分良，等.新型硝化抑制剂对外源铵态氮在土壤中迁移转化及淋溶损失的影响[J].西南农业学报，2011， 24（3）：995-998.

[2] SOGBEDJI J M，VAN E H M， HUTSON J L. N fate and transport under variable cropping history and fertilizer rate on loamy sand and clay loam soils： I. Calibration of the LEACHMN model[J]. Plant and Soil，2001，229（1）：57-70.

[3] WILLIAMS J， ARNOLD J， KINIRY J， et al. History of model development at Temple， Texas[J]. Hydrological Sciences Journal，2008，53（5）：948-960.

[4] SALAZAR O， WESSTROM I， YOUSEF M A， et al. Evaluation of the DRAINMOD-N II model for predicting nitrogen losses in a loamy sand under cultivation in south-east Sweden[J]. Agricultural Water Management，2009，96（2）：267-281.

[5] 罗建男，卢文喜，陈社明，等.基于贝叶斯网络的水环境管理研究[J].节水灌溉，2011（3）：68-72.

[6] 朱 嵩，毛根海，程伟平，等.基于贝叶斯推理的水环境系统参数识别[J].江苏大学学报（自然科学版），2007，28（3）：237-240.

[7] 刘越畅，陈世文，冯进达，等.基于贝叶斯网络的蔬菜质量安全溯源与预警[J].广东农业科学，2012，39（20）：188-190.

[8] 董立岩.贝叶斯网络应用基础研究[D].长春：吉林大学，2007.

[9] PEARL J. Probabilistic Reasoning in Intelligent Systems： Networks of Plausable Inference[M]. San Mateo： Morgan Kaufmann Publishers，1988.

[10] 李兆君，宋阿琳，范分良，等.新型硝化抑制剂对外源铵态氮在土壤中迁移转化及淋溶损失的影响[J].西南农业学报，2011， 24（3）：995-998.