基于BP神经网络和灰色关联度的侧柏人工林土壤肥力评价

2019-12-09吕雷昌葛忠强梁燕李宗泰杜振宇王清华

山东农业科学 2019年10期

吕雷昌　葛忠强　梁燕　李宗泰　杜振宇　王清华

摘要：土壤肥力对于诊断森林土壤养分失调和林地土壤退化具有重要意义，可为人工林合理经营提供科学依据。本研究以鲁中山地侧柏人工林样地土壤为材料，采用BP神经網络和灰色关联度对林地土壤肥力进行综合评价，并对这两种方法的应用效果进行对比研究。结果表明，供试林地土壤的粘粒、碱解氮和有效磷含量偏低，速效钾含量整体较为适宜，而阳离子交换量和有机质含量处于较高水平。土壤碱解氮与土壤有机质、阳离子交换量和速效钾之间均存在显著正相关关系，表明土壤氮素对侧柏人工林地土壤肥力有显著影响。评价结果表明，鲁中山地侧柏林地土壤肥力处于中等水平，综合土壤肥力相对较高的样地为位于黑峪林场的22、21号和位于原山林场的9号样地，而燕子山林场土壤肥力较低。BP神经网络和灰色关联度分析的评价结果整体一致，均可用于林地土壤肥力评价。

关键词：BP神经网络;灰色关联度;土壤肥力;侧柏人工林;鲁中山地

中图分类号：S791.38：S714.8文献标识号：A文章编号：1001-4942（2019）10-0104-07

Evaluation on Soil Fertility of Platycladus orientalis Plantation Based

on BP Neural Network and Grey Relation Analysis

Lü Leichang， Ge Zhongqiang， Liang Yan， Li Zongtai， Du Zhenyu， Wang Qinghua

（Shandong Academy of Forestry， Jinan 250014， China）

Abstract Soil fertility is of great significance for diagnosing forest soil nutrient imbalance and forest land soil degradation， and can provide scientific base for rational management of plantation. Taking soil samples from Platycladus orientalis plantation in central mountainous area of Shandong Province as research object， the soil fertility of forest land was comprehensively evaluated by BP neural network and grey relation analysis， and the application effects of the two methods were compared. The results showed that the contents of clay， alkali-hydrolyzed nitrogen and available phosphorus were relatively lower， and available potassium was relatively suitable as a whole， while the cation exchange capacity and organic matter content were relatively higher. Soil alkali-hydrolyzed nitrogen was positively correlated with soil organic matter， cation exchange capacity and available potassium， indicating that soil nitrogen had a significant effect on soil fertility of P. orientalis plantation. The evaluation results showed that the soil fertility of P. orientalis forest land in central mountainous area of Shandong Province was in the middle level. The relatively higher soil fertility of sample plots were No. 22 and No. 21 in Heiyu forest farm and No. 9 in Yuanshan forest farm， while the soil fertility of Yanzishan forest farm was lower. The evaluation results of BP neural network and grey relation analysis were consistent， and both of them could be used to evaluate soil fertility of forest land.

Keywords BP neural network; Grey relation analysis; Soil fertility; Platycladus orientalis plantation; Central mountainous area of Shandong Province

侧柏（Platycladus orientalis）耐干旱瘠薄能力强，是我国北方山区主要造林树种，对荒山绿化、水土保持、净化空气等具有重要意义。山东省是我国侧柏林中心分布区之一，其中以鲁中山地侧柏人工林面积最为集中，由于该区侧柏林地处土层较薄的青石山坡地，林地土壤质量较差，是制约侧柏人工林生长以及生态效应发挥的主要障碍因素。

土壤质量是指土壤具有维持生物的生产力、保护环境质量和促进动植物健康的能力[1]。而土壤肥力是土壤质量的重要组成部分。多年来，国内外许多学者针对土壤肥力开展了大量研究工作，但土壤肥力的定量化评价仍然没有形成统一的标准[2]。随着森林生态系统健康理念的深入发展，森林土壤质量也逐渐引起人们的关注。林地土壤肥力对于诊断自然或人为因素引起的森林土壤养分失调和林地土壤退化具有重要意义。国内针对人工林土壤肥力评价也开展了较多研究，涉及树种主要有油松（Pinus tabulaeformis）、马尾松（Pinus massoniana）、毛竹（Phyllostachys heterocycla）、杉木（Cunninghamia lanceolata）等[3-6]，而关于侧柏林地土壤肥力评价的研究却尚未见报道。本研究采用BP神经网络和灰色关联度方法对鲁中山地50年左右林龄侧柏人工林的土壤肥力进行定量评价，旨在了解该区长期林地的土壤肥力状况，为山地侧柏人工林的健康管理和可持续经营提供理论基础和技术依据。

1 材料与方法

1.1 样地设置

鲁中山区位于山东省中部，行政区划主要有济南、淄博、泰安等地市，山区与丘陵占总面积的70%以上，属于山东省内地势最高、山地最集中的区域，海拔1 000 m以上的山脉有泰山、鲁山、沂山等。这些山脉向四周逐渐降低为海拔 500 m 以下的低山丘陵。该区属于暖温带湿润气候区，年平均气温12～14℃，极端低温为-18～-14℃，≥10℃积温由东向西递增，约为4 200～4 600℃。无霜期190～210 d，年平均降水量介于600～900 mm之间，降雨主要集中在6—9月，降雨量约占全年降水量的四分之三。年平均空气相对湿度为60%，为半湿润状态。由于酸性母岩与钙质呈相间分布，区域内土壤以棕壤与褐土为主，植被以落叶阔叶林和温性针叶林为主。其中，棕壤上以麻栎（Quercus acutissima）、赤松（Pinus densiflora）、油松为代表，褐土上则以侧柏、榆树（Ulmus pumila）和朴树（Celtis spp.）为主[7]。

在研究区选取22块有代表性的不同密度长期侧柏人工林地作为研究对象，每块样地面积均为20 m×20 m=40 m2，其中1—6号样地位于济南市历下区，7—14号样地位于济南市历城区，15—22號样地样地位于淄博市博山区。所有样地的侧柏人工林均于20世纪60年代造林，林龄相近，林地土壤类型为褐土，大多由石灰岩母质发育而成，林下植被主要有君迁子（Diospytos lotus L.）、胡枝子（Lespedeza bicolor）、荆条（Vitex negundo var. Heterophylla）、羊须草（Carex callitrichos）、珍珠菜（Lysimachia clethroides）等。调查各块样地的林分生长特征和立地因子，样地调查因子包括：林分密度、胸径、树高、郁闭度、林下盖度、坡度、坡向、海拔、坡位等，结果见表1。

1.2 采样方法

2017年6月在每块样地采用蛇形取样法采集土壤样品，随机选取4个采样点，用土钻采集0～20 cm土层样品，每个采样点约1 kg，去除其中的植物根系、动植物残体，混合均匀后用四分法取1 kg土样，装袋后带回实验室。将土样置于阴凉处自然风干，分成两份，分别过 20 目筛和100 目筛备用。

1.3 评价指标选择与测定方法

选择的林地土壤肥力指标共有7个，包括pH值、粘粒含量、阳离子交换量（CEC）、有机质、碱解氮、有效磷、速效钾。土壤pH值采用酸度计测定，土水比为1∶2.5;粘粒含量采用吸管法测定[8];CEC采用EDTA-乙酸铵混合液交换法测定;有机质含量采用油浴加热—重铬酸钾容量法测定;碱解氮含量采用碱解扩散法测定;有效磷含量采用碳酸氢钠溶液浸提—钼蓝比色法测定;速效钾含量用中性醋酸铵溶液浸提—火焰光度计法测定[9]。

1.4 土壤肥力综合评价

1.4.1 BP神经网络方法在各种人工神经网络中，BP神经网络模型是研究较多、应用广泛的模型之一。BP神经网络是一种按误差反向传播算法训练的多层前馈网络，包括输入层、一个或若干个中间层和输出层3个基本层次。该方法的综合评价步骤为：

（1）评价指标的分级标准

根据中国土壤pH值分级标准[10]，pH值 < 4.5为极强酸性，4.5～5.5为强酸性，5.5～6.5为微酸性，6.5～7.5为中性，7.5～8.5为微碱性，>8.5为强碱性。土壤碱解氮、有效磷和速效钾指标采用全国第二次土壤普查土壤养分的分级标准[11]，划分为6个等级;粘粒含量、CEC和有机质含量参考前人对林地土壤指标的评价标准[12，13]。由于土壤pH 值和粘粒含量的变幅相对较窄，等级划分不宜太细，因此采用每2个等级共用一个标准。总结得出林地土壤主要肥力指标的分级标准如表2所示。

（2）训练样本构建与神经网络对象的建立

根据表2中的土壤肥力指标分级标准，采用Microsoft Excel随机数公式为每个标准每个等级各产生200个训练样本，一共随机生成1 200组数据。参考唐守义等[14]的神经网络构建方法，构建了7-5-1神经网络模型。其中与林地土壤肥力等级有关的7个指标作为网络输入层节点数，用于描述土壤肥力等级，对应的期望输出值分别为1、2、3、4、5、6，分别代表肥力等级为极高、高、中等、低、较低、极低。

（3）神经网络对象的训练与综合评价

在进入神经网络训练时，按网络结构确定相关参数，输入层节点数为7，隐含层为1层，隐含层节点数为5，最小训练速率取0.1，动态参数为0.7，Sigmoid参数为0.9，允许误差为0.00001，最大筹借迭代次数1 000。并对输入节点的数值进行标准化转换，让网络进行自主学习。神经网络训练后，将不同样块土壤的各个肥力指标测定值输入系统进行综合评价，得到每块样地土壤的肥力等级值。

1.4.2 灰色关联度法灰色系统理论是以分析和确定因素间的相互影响程度或因子对行为的贡献程度而进行评估的一种分析方法[15]，其基本思想是根据曲线几何形状的相似程度来判断关联度。该方法定量考虑多个因子的作用，得出具有可比性的综合性指标，从而提高综合评估的准确性和有效性[16]。灰色关联度分析法的步骤：

（1）测定值的标准化

为保证各评价指标具有等效性和同序性，必须将原始测定数据进行无量纲标准化处理。参照孙波等[13]的方法，首先建立各评价指标的隶属度函数，计算其隶属度值，用来表示各项肥力指标的状态值。土壤pH值和粘粒含量属于抛物线型隶属度函数，相应的函数为：

根据表2中不同土壤肥力指标评价标准确定各指标在隶属度函数曲线中的转折点取值，详见表3。将土壤各指标数据代入上述隶属度函数，得到标准化数列 Xi （k），i= 1，2，…，22; k=1，2，…，7。

（2）关联系数的计算

根据标准化数列，首先求出对应点的绝对差值：ΔX0i（k）=X0（k）-Xi（k），然后按下式计算出各指标的关联系数：

ξi（k）=Δmin+ΔmaxρΔXoi（k）+Δmaxρ 。

式中，Δmin=miniminkxi（k）-xo（k），Δmax=maximaxkxi（k）-xo（k） ;ρ为常系数，本研究令ρ=0.5。

（3）灰色关联度计算

按下式计算得出供试样地土壤肥力指标的关联度： ri=1N∑Nk=1ξi（k），式中N为测定指标总数，N=7。

1.5 数据分析

利用Microsoft Excel 2007软件进行数据处理与图表制作，采用DPS 7.05软件进行BP神经网络、灰色关联度和相关性分析。

2 结果与分析

2.1 侧柏人工林的土壤肥力特征

供试侧柏人工林土壤样品的肥力性质如表4所示。可以看出，供试侧柏林地土壤pH值变化范围为7.37～8.14，平均值为7.76，绝大多数土壤表现为碱性，仅有9.09%的土壤属中性（pH值6.5～7.5）范围。供试样地的土壤粘粒含量普遍较低，分别有50%样地的土壤粘粒含量为中等或以下水平。各样地土壤CEC均处于中等及以上水平，平均值为25.66 cmol/kg，整体肥力水平为1级。统计结果表明，22块样地中土壤CEC为1、2级和3级的分别为45.45%、13.64%和22.73%。供试侧柏林地土壤有机质平均值为77.26 g/kg，86.36%样地处于1级水平，表明鲁中山地侧柏人工林的土壤有机质含量很高。由表4可知，供试土壤碱解氮含量的变幅为32.72～71.14 mg/kg，平均值为49.36 mg/kg，仅有13.64%样地碱解氮含量达到4级，其余均为较低水平（5级）。土壤有效磷含量处于2.0～7.6 mg/kg之间，平均值仅为4.58 mg/kg，整体含量较低，13.64%样地处于极低水平（6级）;土壤速效钾含量变幅为100.6～184.0 mg/kg，54.55%的土壤属于3级，其余均为较高的2级水平。结果表明，鲁中山地侧柏人工林的粘粒、碱解氮和有效磷含量偏低，速效钾含量整体较为适宜， CEC和有机质含量处于较高水平。

2.2 侧柏人工林土壤肥力指标的相关性

由表5可以看出，侧柏林地土壤pH值与有效磷呈显著正相关，碱解氮与有机质、CEC、速效钾均表现出显著正相关性，而其它指标间的相关性均未达到显著水平。结果表明，侧柏林地肥力指标间的相关性并不强，只有碱解氮与其它指标间的相关性较强，这也说明土壤氮素对侧柏人工林地土壤肥力有显著影响。

2.3 侧柏人工林土壤肥力评价结果

BP神经网络模型对侧柏林地土壤肥力等级的预测结果如表6所示。可以看出，22块供试样地的土壤肥力均处于2～4级水平，林地中3级肥力的占50%，2级和4级分别占9.1%和40.9%，表明鲁中山地侧柏林地土壤肥力处于中等水平。各样地中土壤综合肥力较高的3块样地依次为22、21、9号，较低的3块样地依次为5、6、1号。然而，采用灰色关联度分析对侧柏人工林土壤肥力的评价结果与BP神经网络存在一定差异，由表6可以看出，灰色关联度较高的3块样地依次为9、12、19号，关联度较低的3块样地依次为5、3、6号。

将BP神经网络模型对土壤肥力的等级预测值与灰色关联度进行相关，结果（图1）表明二者之间的相关性达到显著水平（P<0.05），随土壤肥力等级值的增加，灰色关联度呈显著下降趋势。结果表明，将BP神经网络和灰色關联度用于林地土壤肥力评价是可行的，虽然评价结果不尽相同，但二者的整体评价结果基本一致。

将土壤肥力等级预测值和灰色关联度分别与7个土壤肥力指标进行Pearson相关分析，分析结果（表7）表明，土壤肥力等级值与有机质、CEC、碱解氮之间呈极显著负相关，而与速效钾呈显著负相关。灰色关联度与粘粒呈显著负相关而与碱解氮呈显著正相关，与有机质和速效钾均呈极显著正相关。综合结果表明，鲁中山地侧柏人工林土壤肥力与土壤有机质、碱解氮和速效钾息息相关，无论是采用BP神经网络还是灰色关联度分析，评价结果均与这三个指标具有显著或极显著相关性。

3 讨论

在进行森林土壤肥力评价时，关键是建立合理的评价指标体系以及选择适宜的评价方法。由于土壤肥力主要由化学性质指标体现，但也包括一些与土壤养分循环转化有关的物理指标和生物指标，因此不能局限于从土壤化学指标中选取评价指标。本研究主要从可比性、适用性、代表性、易测性等多方面考虑，选取了pH值、粘粒、有机质、CEC、碱解氮、有效磷、速效钾等7个土壤指标，均是在土壤肥力评价中被使用频率较高的主要指标。土壤生物性质主要包括土壤酶和微生物特性等方面，也是重要的土壤肥力指标，但由于这类指标受环境因素影响较大，目前尚无可参考的等级标准，在多数土壤肥力等级评价中没被纳入评价指标体系，因此本研究也未选取土壤生物指标。由于土壤生物指标往往与土壤养分指标存在显著正相关，它们对土壤肥力的影响可以通过养分指标体现出来，对整体评价结果影响并不大。

国内外学者们使用的土壤肥力综合评价方法主要有质量指数法[17]、模糊数学法[18]、层次分析法[19]、灰色关联度法[20]、最小数据集法[21]、、因子分析法[22]等，这些数学方法提供了定量化手段，促进了土壤质量评价的发展。在这多种方法中，应用最多的是模糊数学法和指数计算法[23]。人工神经网络法和灰色关联度是较为新颖的现代评价方法，在土壤肥力评价中的应用相对较少，只有少数研究报道[24]。

BP神经网络以通过自身的训练，学习某种规则，而无需事先确定输入与输出之间映射关系的数学方程;它通过反向传播非线性的误差信号来不断调整网络的权值和阀值，使网络实际输出与期望输出的误差平方和最小[25]。灰色系统理论中的关联度分析方法是根据因素之间发展程度的相异或相似程度，作为衡量两个因素关联程度的一种方法，具有所需数据量小、计算量较小等优点，能很好地反映各个因素间的相对重要程度或优劣关系。因此，用灰色关联度来分析事物之间的相互关系，具有广泛性和科学性[26]。这两种现代分析方法均可以避免人为确定指标权重带来的主观影响，从而提高评价结果的准确性[27]。

4 结论

本研究选用BP神经网络和灰色关联度分析对鲁中山地50年左右林龄的侧柏人工林土壤进行了综合评价，并对这两种方法的应用效果进行了对比研究，结果表明二者的评价结果整体一致，均可用于林地土壤肥力评价。供试样地的土壤肥力均处于2～4级水平，表明鲁中山地侧柏林地土壤肥力处于中等水平。土壤综合肥力相对较高的样地分别为位于黑峪林场的22、21号和位于原山林场的9号样地。鲁中山地侧柏人工林土壤的粘粒、碱解氮和有效磷含量偏低，速效钾含量整体较为适宜，CEC和有机质含量处于较高水平。土壤碱解氮与土壤有机质、CEC和速效钾均存在显著正相关关系，表明土壤氮素对侧柏人工林地土壤肥力有显著影响。

参考文献：

[1]杨晓娟. 东北长白山系低山丘陵区不同林分土壤肥力质量研究[D]. 哈尔滨：东北林业大学， 2013.

[2]郑昭佩，刘作新.土壤质量及其评价[J]. 应用生态学报， 2003， 14（1）： 131-134.

[3]耿玉清，余新晓，孙向阳，等. 北京八达岭地区油松与灌丛林土壤肥力特征的研究[J]. 北京林业大学学报， 2007， 29（2）： 50-54.

[4]覃其云，唐健，邓小军，等. 广西马尾松人工林土壤肥力评价研究[J]. 林业调查规划， 2017， 42（6）： 16-21， 32.

[5]高志勤，傅懋毅. 经营方式对毛竹林土壤肥力指数的影响[J]. 南京林业大学学报（自然科学版）， 2008， 32（4）： 81-85.

[6]唐健，覃祚玉，王会利，等. 广西杉木主产区连栽杉木林地土壤肥力综合评价[J]. 森林与环境学报， 2016（1）： 30-35.

[7]燕婷婷，朱清科，赵维军，等. 基于SPEI的鲁中山区1958—2015年干旱特征分析[J]. 西北林学院学报， 2017， 32（6）： 162-168.

[8]国家林业局. 森林土壤颗粒组成（机械组成）的测定：LY/T 1225-1999[S].1999-07-15.

[9]史瑞和. 土壤农化分析 [M]. 第二版. 北京：中国农业出版社， 1990：29-94.

[10]朱祖祥. 土壤学（上册） [M]. 北京：农业出版社， 1983.

[11]姚荣江，杨劲松，陈小兵，等. 苏北海涂围垦区耕层土壤养分分级及其模糊综合评价[J]. 中国土壤与肥料， 2009（4）： 16-20.