放牧策略对土壤与植被的影响及土壤湿度预测研究

关键词：放牧策略;土壤湿度;机理分析;双向长短期记忆网络

中图分类号：TP183 文献标志码：A

0 引言（Introduction）

草原在维护生物多样性、涵养水土、净化空气、固碳、调节水土流失和沙尘暴等方面具有重要的生态功能[1]。锡林郭勒草原不仅是国家重要的畜牧业生产基地，也是重要的绿色生态屏障，对减少沙尘暴和恶劣天气具有重要的作用[2]。研究不同放牧策略对植被生物量和土壤湿度的影响，以及预测未来不同深度的土壤湿度，对于维持草原生态系统的可持续发展具有重要意义。通过机理分析，构建一个模型以评估不同放牧策略对植被生物量和土壤湿度的影响，该模型对于预测未来土壤湿度的变化趋势具有重要意义。本文旨在结合机理分析的方法和深度学习模型，研究在锡林郭勒草原采用不同放牧策略对土壤与植被的影响，并对不同深度的土壤湿度进行了预测。

1 研究现状（Research status）

自21世纪初以来，我国学者对草场土壤和土壤植被影响展开了深入的研究，涵盖高寒草场动植物群落、土壤养分、土壤微生物活动及草场的退化等多个方面[3]。过度放牧是导致典型草原蓬勃发展受阻的关键因素之一，这凸显了对制定合理放牧强度的紧迫需求。为了更全面地了解内蒙古典型草原放牧的适宜强度，张娜[4]着重关注了不同放牧强度对植被群落和土壤理化性状的潜在影响。该学者以内蒙古典型草原为研究对象，在试验区设定了围栏禁牧、轻度放牧、中度放牧、重度放牧和极重度放牧等不同的放牧强度，系统研究了其对草原植被群落和土壤理化性状的影响。在针对不同放牧强度下土壤化学性质的研究中，一些学者进行了深入的探索。以希拉穆仁荒漠草原为例，于志慧等[5]分析了3种放牧强度（无牧、轻度放牧、重度放牧）对0～50 cm土壤有机碳、全氮等的影响，描绘了土壤有机碳含量随放牧强度增大的变化趋势。在黄土高原丘陵沟壑区，范春梅等[6]通过分析土壤的各项指标，对放牧林草地土壤抗蚀性能进行了研究，证实土壤的有机质、全氮、水解氮和全磷含量会随着放牧强度的增大而减少。此外，于和硕[7]通过建立不同的放牧策略对内蒙古草原土壤化学性质影响的数学模型，并结合相关数据，采用ARIMA（Autoregressive IntegratedMoving Average）时间序列模型对2022年锡林郭勒草原的土壤中化学成分进行了预测。

2 不同的放牧策略对土壤物理性质的影响（Impact of different grazing strategies on soilphysical properties）

2.1 模型的准备

数据基于内蒙古锡林郭勒盟观象台典型草原放牧平台，通过设置对照、轻度、中度和重度4个放牧梯度的模拟划区轮牧实验，调查了2016—2020年不同放牧强度下草原群落组成和群落结构。实验样地设于内蒙古锡林浩特市东20 km锡林浩特国家气候观象台生态监测样地，共设对照（0羊/天/公顷）、轻度放牧（2羊/天/公顷）、中度放牧（4羊/天/公顷）、重度放牧（8羊/天/公顷）4种放牧强度。实验设计采用随机区组方式，每个放牧强度设置3个重复区块。放牧实验从2013年开始，每年轮放4期。每一期放牧结束后，分别在12个放牧小区（G5～G16）取样，每个放牧小区统一按照最初设置的取样带采集5个1 m×1 m的样方。本文收集汇总不同时间、不同放牧小区内所有植物的干重，作为植被生物量数据结果，部分数据如表1所示。

即在知道降水量P、累计降雨量R、实际蒸发量Et 的情况下，可以将其用于推断不同的放牧策略对土壤物理性质（土壤湿度）的影响。

3 基于BiLSTM 的不同深度湿度动态预测模型（Dynamic humidity prediction model withdifferent depths based on BiLSTM）

3.1 模型的准备

3.1.1 数据来源及预处理

锡林郭勒草原的土壤、气候等基本数据均有专门机构进行监测并发布，整理2012年1月至2022年3月共123条数据，具体包含10 cm湿度、40 cm湿度、100 cm湿度、200 cm湿度、土壤蒸发量、植被指数、径流量、叶面积指数、平均气温、最高气温极值、最低气温极值、降水量12种指标，由于部分数据值缺失，因此本研究利用拉格朗日插值法对缺失值做补全。

设定12个单位为1个滑动窗口，一共有116个滑动窗口。

模型的批大小（batch size）设置为8，因此模型输入样本的维度为（8，12，12）。模型的目标是预测输入数据之后一个滑动窗口内的12种指标，即输出的维度为（1，12，1）。

3.1.2 模型原理

长短时记忆网络[14]（Long Short Term Memory Network，LSTM）属于循环神经网络（Recurrent Neural Network，RNN）。当RNN网络处理序列较长的数据时，由于网络自身的记忆能力有限，因此在模型训练过程中无法结合之前的信息对当前数据赋予权重，从而导致网络梯度消失。LSTM 网络在处理数据序列时与残差网络相似，通过对信息元各时间段的相加、相乘，绕过网络中的部分单元信息，从而记住更长的时间步骤，解决了一直以来 RNN 存在的缺陷。

双向长短时记忆网络（Bi-directional Long Short-TermMemory），是由前向LSTM 与后向LSTM 组合而成的。单层的BiLSTM实质上就是2个LSTM，一个正向处理序列，一个反向处理序列，处理完后，两个LSTM 的输出会被拼接起来，以形成最终的输出表示。

3.1.3 建模思路

基于BiLSTM 的湿度预测系统，该系统主要包括4个部分，分别是输入层、基于双向长短时记忆网络的时间特征提取子模型、用于融合全部特征的全连接层和输出层。本文所提的模型流程图如图1所示。

3.2 模型的建立

3.2.3 双向特征融合

与“3.2.2”节介绍的过程相同，对X 采取同样的处理，将输出与ht 拼接后通过全连接层得到最后的预测结果，输出向量的shape为（1，12，1）。

3.3 模型的求解

基于BiLSTM的土壤湿度动态预测模型，以2012年1月至2021年3月的数据为训练集，以2021年4月至2022年3月的数据为测试集，通过训练模型，预测12个指标的结果，并对比其与真实数据的差距。本文给出4个湿度指标（图2）。

由图2可知，基于BiLSTM的土壤湿度动态预测模型的预测效果良好，再计算预测指标真实值与预测值的均方误差（RMSE），结果如表4所示

根据表4中的数据可知，RMSE误差较小，因此模型在预测过程中能够有效地控制误差，确保预测结果的可靠性。由于每次BiLSTM模型仅预测后一个月的12个指标，本文要预测2022年4月至2023年12月的数值，因此每次预测后，将预测结果按时序性加入数据中，并再次进行预测，基于训练获得的模型，得到2022年、2023年的不同深度土壤湿度值，具体如表5所示。

利用Python将上述数据绘成折线图，可观察土壤湿度的变化趋势（图3）。

4 结论（Conclusion）

采用机理分析方法研究不同的放牧政策对锡林郭勒草原土壤物理性质、植被生物量的影响，并且使用BiLSTM 对近两年不同深度的土壤湿度进行动态预测。根据本研究推导出的微分方程组即可在知道降水量P、累计降雨量Rcum 及实际蒸发量Eta 的情况下，推断不同的放牧策略对土壤物理性质（土壤湿度）的影响。此外，本研究利用深度学习，通过对土壤湿度、土壤蒸发及降水等多源数据的训练，建立了模型以预测在保持当前放牧策略不变的情况下，2022年和2023年不同深度土壤湿度的变化趋势。

作者简介：

王凯（1998-），男，硕士生。研究领域：深度学习，生物信息学。

李重（1975-），男，博士，教授。研究领域：生物信息学，图形图像。