基于BP神經網絡和灰色關聯(lián)度的側柏人工林土壤肥力評價

呂雷昌　葛忠強　梁燕　李宗泰　杜振宇　王清華

摘要：土壤肥力對于診斷森林土壤養(yǎng)分失調和林地土壤退化具有重要意義，可為人工林合理經營提供科學依據。本研究以魯中山地側柏人工林樣地土壤為材料，采用BP神經網絡和灰色關聯(lián)度對林地土壤肥力進行綜合評價，并對這兩種方法的應用效果進行對比研究。結果表明，供試林地土壤的粘粒、堿解氮和有效磷含量偏低，速效鉀含量整體較為適宜，而陽離子交換量和有機質含量處于較高水平。土壤堿解氮與土壤有機質、陽離子交換量和速效鉀之間均存在顯著正相關關系，表明土壤氮素對側柏人工林地土壤肥力有顯著影響。評價結果表明，魯中山地側柏林地土壤肥力處于中等水平，綜合土壤肥力相對較高的樣地為位于黑峪林場的22、21號和位于原山林場的9號樣地，而燕子山林場土壤肥力較低。BP神經網絡和灰色關聯(lián)度分析的評價結果整體一致，均可用于林地土壤肥力評價。

關鍵詞：BP神經網絡;灰色關聯(lián)度;土壤肥力;側柏人工林;魯中山地

中圖分類號：S791.38：S714.8文獻標識號：A文章編號：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

側柏（Platycladus orientalis）耐干旱瘠薄能力強，是我國北方山區(qū)主要造林樹種，對荒山綠化、水土保持、凈化空氣等具有重要意義。山東省是我國側柏林中心分布區(qū)之一，其中以魯中山地側柏人工林面積最為集中，由于該區(qū)側柏林地處土層較薄的青石山坡地，林地土壤質量較差，是制約側柏人工林生長以及生態(tài)效應發(fā)揮的主要障礙因素。

土壤質量是指土壤具有維持生物的生產力、保護環(huán)境質量和促進動植物健康的能力[1]。而土壤肥力是土壤質量的重要組成部分。多年來，國內外許多學者針對土壤肥力開展了大量研究工作，但土壤肥力的定量化評價仍然沒有形成統(tǒng)一的標準[2]。隨著森林生態(tài)系統(tǒng)健康理念的深入發(fā)展，森林土壤質量也逐漸引起人們的關注。林地土壤肥力對于診斷自然或人為因素引起的森林土壤養(yǎng)分失調和林地土壤退化具有重要意義。國內針對人工林土壤肥力評價也開展了較多研究，涉及樹種主要有油松（Pinus tabulaeformis）、馬尾松（Pinus massoniana）、毛竹（Phyllostachys heterocycla）、杉木（Cunninghamia lanceolata）等[3-6]，而關于側柏林地土壤肥力評價的研究卻尚未見報道。本研究采用BP神經網絡和灰色關聯(lián)度方法對魯中山地50年左右林齡側柏人工林的土壤肥力進行定量評價，旨在了解該區(qū)長期林地的土壤肥力狀況，為山地側柏人工林的健康管理和可持續(xù)經營提供理論基礎和技術依據。

1 材料與方法

1.1 樣地設置

魯中山區(qū)位于山東省中部，行政區(qū)劃主要有濟南、淄博、泰安等地市，山區(qū)與丘陵占總面積的70%以上，屬于山東省內地勢最高、山地最集中的區(qū)域，海拔1 000 m以上的山脈有泰山、魯山、沂山等。這些山脈向四周逐漸降低為海拔 500 m 以下的低山丘陵。 該區(qū)屬于暖溫帶濕潤氣候區(qū)，年平均氣溫12～14℃，極端低溫為-18～-14℃，≥10℃積溫由東向西遞增，約為4 200～4 600℃。無霜期190～210 d，年平均降水量介于600～900 mm之間，降雨主要集中在6—9月，降雨量約占全年降水量的四分之三。年平均空氣相對濕度為60%，為半濕潤狀態(tài)。由于酸性母巖與鈣質呈相間分布，區(qū)域內土壤以棕壤與褐土為主，植被以落葉闊葉林和溫性針葉林為主。其中， 棕壤上以麻櫟（Quercus acutissima）、赤松（Pinus densiflora）、油松為代表，褐土上則以側柏、榆樹（Ulmus pumila）和樸樹（Celtis spp.）為主[7]。

在研究區(qū)選取22塊有代表性的不同密度長期側柏人工林地作為研究對象，每塊樣地面積均為20 m×20 m=40 m2，其中1—6號樣地位于濟南市歷下區(qū)，7—14號樣地位于濟南市歷城區(qū)，15—22號樣地樣地位于淄博市博山區(qū)。所有樣地的側柏人工林均于20世紀60年代造林，林齡相近，林地土壤類型為褐土，大多由石灰?guī)r母質發(fā)育而成，林下植被主要有君遷子（Diospytos lotus L.）、胡枝子（Lespedeza bicolor）、荊條（Vitex negundo var. Heterophylla）、羊須草（Carex callitrichos）、珍珠菜（Lysimachia clethroides）等。調查各塊樣地的林分生長特征和立地因子，樣地調查因子包括：林分密度、胸徑、樹高、郁閉度、林下蓋度、坡度、坡向、海拔、坡位等，結果見表1。

1.2 采樣方法

2017年6月在每塊樣地采用蛇形取樣法采集土壤樣品，隨機選取4個采樣點，用土鉆采集0～20 cm土層樣品，每個采樣點約1 kg，去除其中的植物根系、動植物殘體，混合均勻后用四分法取1 kg土樣，裝袋后帶回實驗室。將土樣置于陰涼處自然風干，分成兩份，分別過 20 目篩和100 目篩備用。

1.3 評價指標選擇與測定方法

選擇的林地土壤肥力指標共有7個，包括pH值、粘粒含量、陽離子交換量（CEC）、有機質、堿解氮、有效磷、速效鉀。土壤pH值采用酸度計測定，土水比為1∶2.5;粘粒含量采用吸管法測定[8];CEC采用EDTA-乙酸銨混合液交換法測定;有機質含量采用油浴加熱—重鉻酸鉀容量法測定;堿解氮含量采用堿解擴散法測定;有效磷含量采用碳酸氫鈉溶液浸提—鉬藍比色法測定;速效鉀含量用中性醋酸銨溶液浸提—火焰光度計法測定[9]。

1.4 土壤肥力綜合評價

1.4.1 BP神經網絡方法在各種人工神經網絡中，BP神經網絡模型是研究較多、應用廣泛的模型之一。BP神經網絡是一種按誤差反向傳播算法訓練的多層前饋網絡，包括輸入層、一個或若干個中間層和輸出層3個基本層次。該方法的綜合評價步驟為：

（1）評價指標的分級標準

根據中國土壤pH值分級標準[10]，pH值 < 4.5為極強酸性，4.5～5.5為強酸性，5.5～6.5為微酸性，6.5～7.5為中性，7.5～8.5為微堿性，>8.5為強堿性。土壤堿解氮、有效磷和速效鉀指標采用全國第二次土壤普查土壤養(yǎng)分的分級標準[11]，劃分為6個等級;粘粒含量、CEC和有機質含量參考前人對林地土壤指標的評價標準[12，13]。由于土壤pH 值和粘粒含量的變幅相對較窄，等級劃分不宜太細，因此采用每2個等級共用一個標準?？偨Y得出林地土壤主要肥力指標的分級標準如表2所示。

（2）訓練樣本構建與神經網絡對象的建立

根據表2中的土壤肥力指標分級標準，采用Microsoft Excel隨機數公式為每個標準每個等級各產生200個訓練樣本，一共隨機生成1 200組數據。參考唐守義等[14]的神經網絡構建方法，構建了7-5-1神經網絡模型。其中與林地土壤肥力等級有關的7個指標作為網絡輸入層節(jié)點數，用于描述土壤肥力等級，對應的期望輸出值分別為1、2、3、4、5、6，分別代表肥力等級為極高、高、中等、低、較低、極低。

（3）神經網絡對象的訓練與綜合評價

在進入神經網絡訓練時，按網絡結構確定相關參數，輸入層節(jié)點數為7，隱含層為1層，隱含層節(jié)點數為5，最小訓練速率取0.1，動態(tài)參數為0.7，Sigmoid參數為0.9，允許誤差為0.00001，最大籌借迭代次數1 000。并對輸入節(jié)點的數值進行標準化轉換，讓網絡進行自主學習。神經網絡訓練后，將不同樣塊土壤的各個肥力指標測定值輸入系統(tǒng)進行綜合評價，得到每塊樣地土壤的肥力等級值。

1.4.2 灰色關聯(lián)度法灰色系統(tǒng)理論是以分析和確定因素間的相互影響程度或因子對行為的貢獻程度而進行評估的一種分析方法[15]，其基本思想是根據曲線幾何形狀的相似程度來判斷關聯(lián)度。該方法定量考慮多個因子的作用，得出具有可比性的綜合性指標，從而提高綜合評估的準確性和有效性[16]?；疑P聯(lián)度分析法的步驟：

（1） 測定值的標準化

為保證各評價指標具有等效性和同序性，必須將原始測定數據進行無量綱標準化處理。參照孫波等[13]的方法，首先建立各評價指標的隸屬度函數，計算其隸屬度值，用來表示各項肥力指標的狀態(tài)值。土壤pH值和粘粒含量屬于拋物線型隸屬度函數，相應的函數為：

根據表2中不同土壤肥力指標評價標準確定各指標在隸屬度函數曲線中的轉折點取值，詳見表3。將土壤各指標數據代入上述隸屬度函數，得到標準化數列 Xi （k），i= 1，2，…，22; k=1，2，…，7。

（2）關聯(lián)系數的計算

根據標準化數列，首先求出對應點的絕對差值：ΔX0i（k）=X0（k）-Xi（k），然后按下式計算出各指標的關聯(lián)系數：

ξi（k）=Δmin+ΔmaxρΔXoi（k）+Δmaxρ 。

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

（3）灰色關聯(lián)度計算

按下式計算得出供試樣地土壤肥力指標的關聯(lián)度： ri=1N∑Nk=1ξi（k），式中N為測定指標總數，N=7。

1.5 數據分析

利用Microsoft Excel 2007軟件進行數據處理與圖表制作，采用DPS 7.05軟件進行BP神經網絡、灰色關聯(lián)度和相關性分析。

2 結果與分析

2.1 側柏人工林的土壤肥力特征

供試側柏人工林土壤樣品的肥力性質如表4所示?？梢钥闯?，供試側柏林地土壤pH值變化范圍為7.37～8.14，平均值為7.76，絕大多數土壤表現為堿性，僅有9.09%的土壤屬中性（pH值6.5～7.5）范圍。供試樣地的土壤粘粒含量普遍較低，分別有50%樣地的土壤粘粒含量為中等或以下水平。各樣地土壤CEC均處于中等及以上水平，平均值為25.66 cmol/kg，整體肥力水平為1級。統(tǒng)計結果表明，22塊樣地中土壤CEC為1、2級和3級的分別為45.45%、13.64%和22.73%。供試側柏林地土壤有機質平均值為77.26 g/kg，86.36%樣地處于1級水平，表明魯中山地側柏人工林的土壤有機質含量很高。由表4可知，供試土壤堿解氮含量的變幅為32.72～71.14 mg/kg，平均值為49.36 mg/kg，僅有13.64%樣地堿解氮含量達到4級，其余均為較低水平（5級）。土壤有效磷含量處于2.0～7.6 mg/kg之間，平均值僅為4.58 mg/kg，整體含量較低，13.64%樣地處于極低水平（6級）;土壤速效鉀含量變幅為100.6～184.0 mg/kg，54.55%的土壤屬于3級，其余均為較高的2級水平。結果表明，魯中山地側柏人工林的粘粒、堿解氮和有效磷含量偏低，速效鉀含量整體較為適宜， CEC和有機質含量處于較高水平。

2.2 側柏人工林土壤肥力指標的相關性

由表5可以看出，側柏林地土壤pH值與有效磷呈顯著正相關，堿解氮與有機質、CEC、速效鉀均表現出顯著正相關性，而其它指標間的相關性均未達到顯著水平。結果表明，側柏林地肥力指標間的相關性并不強，只有堿解氮與其它指標間的相關性較強，這也說明土壤氮素對側柏人工林地土壤肥力有顯著影響。

2.3 側柏人工林土壤肥力評價結果

BP神經網絡模型對側柏林地土壤肥力等級的預測結果如表6所示?？梢钥闯觯?2塊供試樣地的土壤肥力均處于2～4級水平，林地中3級肥力的占50%，2級和4級分別占9.1%和40.9%，表明魯中山地側柏林地土壤肥力處于中等水平。各樣地中土壤綜合肥力較高的3塊樣地依次為22、21、9號，較低的3塊樣地依次為5、6、1號。然而，采用灰色關聯(lián)度分析對側柏人工林土壤肥力的評價結果與BP神經網絡存在一定差異，由表6可以看出，灰色關聯(lián)度較高的3塊樣地依次為9、12、19號，關聯(lián)度較低的3塊樣地依次為5、3、6號。

將BP神經網絡模型對土壤肥力的等級預測值與灰色關聯(lián)度進行相關，結果（圖1）表明二者之間的相關性達到顯著水平（P<0.05），隨土壤肥力等級值的增加，灰色關聯(lián)度呈顯著下降趨勢。結果表明，將BP神經網絡和灰色關聯(lián)度用于林地土壤肥力評價是可行的，雖然評價結果不盡相同，但二者的整體評價結果基本一致。

將土壤肥力等級預測值和灰色關聯(lián)度分別與7個土壤肥力指標進行Pearson相關分析，分析結果（表7）表明，土壤肥力等級值與有機質、CEC、堿解氮之間呈極顯著負相關，而與速效鉀呈顯著負相關?；疑P聯(lián)度與粘粒呈顯著負相關而與堿解氮呈顯著正相關，與有機質和速效鉀均呈極顯著正相關。綜合結果表明，魯中山地側柏人工林土壤肥力與土壤有機質、堿解氮和速效鉀息息相關，無論是采用BP神經網絡還是灰色關聯(lián)度分析，評價結果均與這三個指標具有顯著或極顯著相關性。

3 討論

在進行森林土壤肥力評價時，關鍵是建立合理的評價指標體系以及選擇適宜的評價方法。由于土壤肥力主要由化學性質指標體現，但也包括一些與土壤養(yǎng)分循環(huán)轉化有關的物理指標和生物指標，因此不能局限于從土壤化學指標中選取評價指標。本研究主要從可比性、適用性、代表性、易測性等多方面考慮，選取了pH值、粘粒、有機質、CEC、堿解氮、有效磷、速效鉀等7個土壤指標，均是在土壤肥力評價中被使用頻率較高的主要指標。土壤生物性質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標，但由于這類指標受環(huán)境因素影響較大，目前尚無可參考的等級標準，在多數土壤肥力等級評價中沒被納入評價指標體系，因此本研究也未選取土壤生物指標。由于土壤生物指標往往與土壤養(yǎng)分指標存在顯著正相關，它們對土壤肥力的影響可以通過養(yǎng)分指標體現出來，對整體評價結果影響并不大。

國內外學者們使用的土壤肥力綜合評價方法主要有質量指數法[17]、模糊數學法[18]、層次分析法[19]、灰色關聯(lián)度法[20]、最小數據集法[21]、、因子分析法[22]等， 這些數學方法提供了定量化手段，促進了土壤質量評價的發(fā)展。在這多種方法中，應用最多的是模糊數學法和指數計算法[23]。人工神經網絡法和灰色關聯(lián)度是較為新穎的現代評價方法，在土壤肥力評價中的應用相對較少，只有少數研究報道[24]。

BP神經網絡以通過自身的訓練，學習某種規(guī)則，而無需事先確定輸入與輸出之間映射關系的數學方程;它通過反向傳播非線性的誤差信號來不斷調整網絡的權值和閥值，使網絡實際輸出與期望輸出的誤差平方和最小[25]?；疑到y(tǒng)理論中的關聯(lián)度分析方法是根據因素之間發(fā)展程度的相異或相似程度，作為衡量兩個因素關聯(lián)程度的一種方法，具有所需數據量小、計算量較小等優(yōu)點，能很好地反映各個因素間的相對重要程度或優(yōu)劣關系。因此，用灰色關聯(lián)度來分析事物之間的相互關系，具有廣泛性和科學性[26]。這兩種現代分析方法均可以避免人為確定指標權重帶來的主觀影響，從而提高評價結果的準確性[27]。

4 結論

本研究選用BP神經網絡和灰色關聯(lián)度分析對魯中山地50年左右林齡的側柏人工林土壤進行了綜合評價，并對這兩種方法的應用效果進行了對比研究，結果表明二者的評價結果整體一致，均可用于林地土壤肥力評價。供試樣地的土壤肥力均處于2～4級水平，表明魯中山地側柏林地土壤肥力處于中等水平。土壤綜合肥力相對較高的樣地分別為位于黑峪林場的22、21號和位于原山林場的9號樣地。魯中山地側柏人工林土壤的粘粒、堿解氮和有效磷含量偏低，速效鉀含量整體較為適宜，CEC和有機質含量處于較高水平。土壤堿解氮與土壤有機質、CEC和速效鉀均存在顯著正相關關系，表明土壤氮素對側柏人工林地土壤肥力有顯著影響。

參 考 文 獻：

[1]楊曉娟. 東北長白山系低山丘陵區(qū)不同林分土壤肥力質量研究[D]. 哈爾濱： 東北林業(yè)大學， 2013.

[2]鄭昭佩， 劉作新.土壤質量及其評價[J]. 應用生態(tài)學報， 2003， 14（1）： 131-134.

[3]耿玉清， 余新曉， 孫向陽， 等. 北京八達嶺地區(qū)油松與灌叢林土壤肥力特征的研究[J]. 北京林業(yè)大學學報， 2007， 29（2）： 50-54.

[4]覃其云， 唐健， 鄧小軍， 等. 廣西馬尾松人工林土壤肥力評價研究[J]. 林業(yè)調查規(guī)劃， 2017， 42（6）： 16-21， 32.

[5]高志勤， 傅懋毅. 經營方式對毛竹林土壤肥力指數的影響[J]. 南京林業(yè)大學學報（自然科學版）， 2008， 32（4）： 81-85.

[6]唐健， 覃祚玉， 王會利， 等. 廣西杉木主產區(qū)連栽杉木林地土壤肥力綜合評價[J]. 森林與環(huán)境學報， 2016（1）： 30-35.

[7]燕婷婷， 朱清科， 趙維軍， 等. 基于SPEI的魯中山區(qū)1958—2015年干旱特征分析[J]. 西北林學院學報， 2017， 32（6）： 162-168.

[8]國家林業(yè)局. 森林土壤顆粒組成（機械組成）的測定：LY/T 1225-1999[S].1999-07-15.

[9]史瑞和. 土壤農化分析 [M]. 第二版. 北京： 中國農業(yè)出版社， 1990：29-94.

[10]朱祖祥. 土壤學（上冊） [M]. 北京： 農業(yè)出版社， 1983.

[11]姚榮江， 楊勁松， 陳小兵， 等. 蘇北海涂圍墾區(qū)耕層土壤養(yǎng)分分級及其模糊綜合評價[J]. 中國土壤與肥料， 2009（4）： 16-20.

[12]黃宇， 汪思龍， 馮宗煒， 等. 不同人工林生態(tài)系統(tǒng)林地土壤質量評價[J]. 應用生態(tài)學報， 2004， 15（12）： 2199-2205.

[13]孫波， 張?zhí)伊郑?趙其國. 我國東南丘陵山區(qū)土壤肥力的綜合評價[J]. 土壤學報， 1995， 32（4）： 362-369.

[14]唐啟義， 馮明光. 實用統(tǒng)計分析及其 DPS數據處理系統(tǒng)[M].北京： 科學出版社， 2002：625-627.

[15]林培松， 尚志海. 韓江流域典型區(qū)主要森林類型土壤肥力的灰色關聯(lián)度分析[J]. 生態(tài)與農村環(huán)境學報， 2009， 25（3）： 55-58.

[16]鄧聚龍. 灰色系統(tǒng)基本方法[M]. 武漢： 華中科技大學出版社， 2005： 73-105.

[17]張彥山， 韓明玉， 馬杰， 等. 正寧縣蘋果園土壤肥力綜合指數評價[J]. 甘肅農業(yè)科技， 2015（2）： 6-9.

[18]董文濤， 路明浩， 韋大山， 等. 基于模糊數學方法的土壤肥力綜合評價及應用[J]. 資源開發(fā)與市場， 2011， 27（6）： 511-513.

[19]章海波， 駱永明， 趙其國，等. 香港土壤研究 Ⅵ.基于改進層次分析法的土壤肥力質量綜合評價[J]. 土壤學報， 2006， 43（4）： 577-583.

[20]楊奇勇， 楊勁松， 姚榮江， 等. 基于 GIS 和改進灰色關聯(lián)模型的土壤肥力評價[J]. 農業(yè)工程學報， 2010， 26（4）： 100-105.

[21]劉金山， 胡承孝， 孫學成， 等. 基于最小數據集和模糊數學法的水旱輪作區(qū)土壤肥力質量評價[J]. 土壤通報， 2012， 43 （5）： 1145-1150.

[22]段必挺， 楊錫永， 李發(fā)平， 等. 基于因子分析的土壤肥力綜合評價[J]. 現代農業(yè)科技， 2016（7）： 228-230.

[23]黃勇， 楊忠芳. 土壤質量評價國外研究進展[J]. 地質通報， 2009， 28（1）： 130-136.

[24]鄭小佳. 基于人工神經網絡的耕作土壤肥力質量評價[D]. 雅安：四川農業(yè)大學， 2006.

[25]楊文靜， 王一博， 劉鑫， 等. 基于BP神經網絡的青藏高原土壤養(yǎng)分評價[J]. 冰川凍土， 2019，41（1）： 215-226.

[26]薛沛沛， 王兵， 牛香. 大崗山不同海拔毛竹林土壤肥力的灰色關聯(lián)度分析[J]. 浙江農業(yè)學報， 2013，25（6）：1354-1359.

[27]裴文文， 黃智剛. 基于BP神經網絡對蔗區(qū)土壤養(yǎng)分肥力等級綜合評價[J]. 南方農業(yè)， 2013， 7（10）： 47-50.

收稿日期：2019-06-04

基金項目：山東省重點研發(fā)計劃項目（2016GNC111008）;山東省林業(yè)科技創(chuàng)新項目（LYCX03-2018-14）

作者簡介：呂雷昌（1965—），男，山東萊蕪人，高級工程師，研究方向為森林培育。E-mail：jnsjjl@163.com

通訊作者：王清華（1973—），女，山東煙臺人，研究員，主要從事森林生態(tài)研究。E-mail：wqh0228@foxmail.com