荒漠草原植物群落現(xiàn)存量的BP神經(jīng)網(wǎng)絡模擬與預測研究

張 爽，衛(wèi)智軍*，呂世杰，劉文亭，白玉婷

(1.內(nèi)蒙古農(nóng)業(yè)大學生態(tài)環(huán)境學院，內(nèi)蒙古呼和浩特 010019；2.內(nèi)蒙古農(nóng)業(yè)大學理學院，內(nèi)蒙古呼和浩特 010018)

?

荒漠草原植物群落現(xiàn)存量的BP神經(jīng)網(wǎng)絡模擬與預測研究

張 爽1，衛(wèi)智軍1*，呂世杰2，劉文亭1，白玉婷1

(1.內(nèi)蒙古農(nóng)業(yè)大學生態(tài)環(huán)境學院，內(nèi)蒙古呼和浩特 010019；2.內(nèi)蒙古農(nóng)業(yè)大學理學院，內(nèi)蒙古呼和浩特 010018)

本研究以內(nèi)蒙古錫林郭勒盟蘇尼特右旗短花針茅荒漠草原為研究對象，采用分層取樣技術，分別對堿韭和短花針茅為主的草地植物群落進行調(diào)查(測定指標為高度、蓋度、密度和地上現(xiàn)存量)，獲得禾本科為主、堿韭為主以及由二者構成的復合樣本數(shù)據(jù)。通過MATLAB軟件平臺，把植物群落的數(shù)量特征(高度、蓋度和密度)作為輸入因子，以群落現(xiàn)存量作為輸出因子來建立BP神經(jīng)網(wǎng)絡模型，并對預測結果進行檢驗。結果顯示，禾本科為主、堿韭為主以及由二者構成的復合樣本，采用BP神經(jīng)網(wǎng)絡平均預測準確率分別為94.1%，92.98%，91.01%。因此，BP神經(jīng)網(wǎng)絡可作為草地植物群落地上現(xiàn)存量模擬與預測的有效工具之一。采用BP神經(jīng)網(wǎng)絡對不同草地植物類群進行模擬和預測可能會存在差異，但這種差異會隨著樣本容量的增大或訓練精度的增加而弱化。

荒漠草原；現(xiàn)存量；BP神經(jīng)網(wǎng)絡；MATLAB；模擬與預測

隨著近代科學和技術的發(fā)展，人類對于草地的傳統(tǒng)價值觀念正在經(jīng)歷著非常深刻的變化，有些國家和地區(qū)已經(jīng)開始把單純的草地收獲利用轉向為最大限度的發(fā)揮草地高效性能和維持生態(tài)平衡的發(fā)展方向〔1-3〕。只有當草地的計量以重量或能量來表示時，才有可能對草地生態(tài)系統(tǒng)的綜合效益和可更新資源的潛力做出非?？陀^的定量估計和對草地生態(tài)系統(tǒng)的穩(wěn)定與平衡做出正確的定量判斷。因此，草地植物現(xiàn)存量的研究是草地生態(tài)學研究的一個必不可少的內(nèi)容，也對闡述草地生態(tài)學研究中的問題具有重要的意義。傳統(tǒng)的草地植被地上生物量的測定方法有直接收割法和水熱法等，其中直接收割法是比較有效且準確的測定方法。但采用直接收割法測定地上生物量會耗費大量的人力、物力和財力并且在地域上有一定的局限性。故此，關于草地現(xiàn)存量模擬與預測的研究則顯得尤為重要。

目前BP神經(jīng)網(wǎng)絡被大量地應用于工學、天文學、生物學、生態(tài)學等領域。其優(yōu)勢在于具有很強的學習能力和記憶力并且具有較高的構建模型能力和良好的數(shù)據(jù)擬合能力，在建模時不需要給出具體的數(shù)學函數(shù)，可以一次性引入多個解釋變量，并同時輸出多個估測量。黃家榮〔8〕等將BP神經(jīng)網(wǎng)絡建模技術應用于多種林分生長模型。王立海〔9〕等應用BP神經(jīng)網(wǎng)絡建立了森林生物量非線性遙感模型系統(tǒng)，繪制了吉林省汪清林業(yè)局經(jīng)營區(qū)森林生物量分布圖。在生物量的估測上，BP神經(jīng)網(wǎng)絡模型表現(xiàn)出了其獨特的優(yōu)越性能。

因此，本文構建BP神經(jīng)網(wǎng)絡〔10〕模型，對荒漠草原〔11，12〕草地地上現(xiàn)存量進行模擬與預測研究，擬探討其在草地現(xiàn)存量預測上的可行性，解決草地描述樣方數(shù)據(jù)(高度、蓋度和密度)與產(chǎn)量樣方(地上現(xiàn)存量)數(shù)據(jù)不能逐一對應問題，為草地現(xiàn)存量建模與預測工作提供參考依據(jù)，同時也為草地動態(tài)監(jiān)測提供節(jié)省物力和人力提供數(shù)據(jù)支撐。

1 材料與方法

1.1 試驗區(qū)概況

本研究在1999年建立的內(nèi)蒙古農(nóng)業(yè)大學蘇尼特右旗教學科研基地上進行，行政區(qū)劃屬內(nèi)蒙古錫林郭勒盟蘇尼特右旗朱日和鎮(zhèn)，地理位置為E112°47′11.2″，N42°15′48.7″。試驗區(qū)植被以亞洲中部荒漠草原種占主導地位，植被草層低矮，一般高度為10～35cm；植被稀疏，蓋度為10～50%。短花針茅(Stipabreviflora)為建群種，它在群落外貌和群落環(huán)境方面起到?jīng)Q定作用。優(yōu)勢種為無芒隱子草(Cleistogenessongorica)和堿韭(Alliumpolyrhizum)。主要伴生種有細葉韭(Alliumtenuissimum)、銀灰旋花(Convolvulusammannii)等。該地區(qū)地形平坦，有明顯的鈣積層，主要分布在10～35cm。土壤為淡栗鈣土，腐殖質(zhì)層厚5～10cm。年平均降水量177.2mm，且60%～80%的降水集中在牧草生長旺季的7月到9月。

1.2 數(shù)據(jù)采集及預處理

1.2.1 數(shù)據(jù)的采集

分別在禾本科為主和堿韭為主的植物群落試驗區(qū)內(nèi)，隨機選取10個1m×1m的樣方，觀測樣方內(nèi)植物群落的數(shù)量特征(蓋度、高度和密度)及其地上現(xiàn)存量。

在群落樣方內(nèi)，地上現(xiàn)存量采用其地面剪割法收集，然后將野外得到的樣品帶回實驗室洗凈，并將其置于60℃烘箱內(nèi)烘干至恒重(約48h)，獲得植物群落的地上現(xiàn)存量〔16〕。

因此，數(shù)據(jù)可分為3組，第一組為禾本科為主的草地植物群落樣本數(shù)據(jù)，第二組為堿韭為主的草地植物群落樣本數(shù)據(jù)，第三組為復合樣本草地植物群落樣本數(shù)據(jù)(即第一組和第二組整合在一起)。

1.2.2 數(shù)據(jù)預處理〔17〕

因為所收集的樣本數(shù)據(jù)各指標的單位不同，為了消除量綱的影響，本文利用以下公式對樣本各指標進行歸一化處理，即將輸入、輸出數(shù)據(jù)映射到〔0,1〕范圍內(nèi)，訓練結束后再反映射到原始數(shù)據(jù)范圍。

式中{xij}min表示第j個實測指標中最小值；

{xij}max表示第j個實測指標中最大值；

1.3 研究方法

1.3.1 模型的選擇

根據(jù)植物群落的數(shù)量特征(高度、蓋度、密度)和現(xiàn)存量的實測數(shù)據(jù)，在隨機抽取的情況下，選取總體的70%為神經(jīng)網(wǎng)絡學習的訓練樣本，取余下的30%作為神經(jīng)網(wǎng)絡學習的檢驗樣本?；贛ATLAB(R2012b)軟件平臺，把植物群落的數(shù)量特征(高度、蓋度、密度)作為輸入因子，把相應實測群落的現(xiàn)存量作為輸出因子，建立BP神經(jīng)網(wǎng)絡模型〔14,15〕對荒漠草原植物群落現(xiàn)存量進行擬合訓練。

1.3.2 模型模擬結果檢驗

本文采用決定系數(shù)(R2)和均方誤差(Mean Squared Error，MSE) 進行模型訓練結果的檢驗和模型精度評價。其中R2和MSE的計算式如下：

1.3.3 模型預測結果檢驗

神經(jīng)網(wǎng)絡模型建立后，為檢驗模型的預測效果。取余下30%的樣本數(shù)據(jù)對模型進行檢驗，采用相對誤差(E)進行模型預測結果的檢驗，其計算式為：

2 結果與分析

2.1 禾本科為主的實驗區(qū)

2.1.1 網(wǎng)絡的訓練與預測

BP神經(jīng)網(wǎng)絡的訓練初始參數(shù)期望誤差選取為0.001，最大訓練次數(shù)選為10000，初始學習速率為0.05。神經(jīng)網(wǎng)絡經(jīng)隨機初始化，利用函數(shù)traingdm對網(wǎng)絡進行訓練，當?shù)螖?shù)達到5146步時，均方誤差就達到了目標誤差的要求。訓練變化曲線如圖4所示。

圖4 實驗區(qū)植物群落現(xiàn)存量的誤差訓練曲線示意圖

模型訓練結束后將訓練的輸出數(shù)據(jù)還原，以目標向量對比模型訓練后的輸出數(shù)據(jù)，其實測值與預測值擬合結果見表1。

表1 實驗區(qū)植物群落現(xiàn)存量的BP神經(jīng)網(wǎng)絡訓練樣本結果

由表1可以看到，實測值與預測值非常接近，經(jīng)分析其相關系數(shù)達到0.99，平均相對誤差為0.86%，可見3個輸入因子與輸出因子之間關系密切，可用禾本科為主群落的高度、蓋度和密度對草地植物群落地上現(xiàn)存量進行模擬。這也說明采用BP神經(jīng)網(wǎng)絡能夠精確的揭示草地植物群落高度、蓋度、密度與地上現(xiàn)存量之間的數(shù)量關系，獲得BP神經(jīng)網(wǎng)絡模型十分理想。

2.1.2 網(wǎng)絡的檢驗

取禾本科為主實驗區(qū)余下的3組數(shù)據(jù)對模型進行檢驗，BP神經(jīng)網(wǎng)絡測試結果和野外實測結果見表2。

表2 實驗區(qū)植物群落現(xiàn)存量的BP神經(jīng)網(wǎng)絡測試樣本結果

在表2可以看到，該模型的實測值與預測值的誤差很小，平均預測準確率為94.10%，屬于較好水平，因此BP神經(jīng)網(wǎng)絡模型可用于禾本科為主植物群落現(xiàn)存量的模擬和預測。

2.2 堿韭為主實驗區(qū)草地樣本的BP神經(jīng)網(wǎng)絡擬合訓練

2.2.1 網(wǎng)絡的訓練與預測

同禾本科為主試驗區(qū)草地樣本BP神經(jīng)網(wǎng)絡訓練一樣，期望誤差選取為0.001，最大訓練次數(shù)選為2000，初始學習速率為0.05。神經(jīng)網(wǎng)絡經(jīng)初始化，利用函數(shù)traingdm對網(wǎng)絡進行訓練迭代到489步時，均方誤差就達到了目標誤差的要求。訓練變化曲線如圖5所示。

圖5 堿韭為主草地樣本植物群落現(xiàn)存量的誤差訓練曲線示意圖

根據(jù)建立的BP神經(jīng)網(wǎng)絡模型，獲得其擬合值，將植物群落地上現(xiàn)存量野外實測值和BP神經(jīng)網(wǎng)絡擬合值整理在一起，結果見表2。

表3 堿韭為主草地樣本植物群落現(xiàn)存量的BP神經(jīng)網(wǎng)絡訓練樣本結果

由表3可以看到，實測值與預測值非常接近，經(jīng)分析其相關系數(shù)達到0.99，平均相對誤差為0.93%，可見3個輸入因子與輸出因子之間關系密切，可用堿韭為主群落高度、蓋度和密度對草地植物群落地上現(xiàn)存量進行模擬。這也說明采用BP神經(jīng)網(wǎng)絡能夠精確的揭示草地植物群落高度、蓋度、密度與地上現(xiàn)存量之間的數(shù)量關系，獲得BP神經(jīng)網(wǎng)絡模型十分理想。

2.2.2 網(wǎng)絡的檢驗

取堿韭為主實驗區(qū)余下的3組數(shù)據(jù)對模型進行檢驗，BP神經(jīng)網(wǎng)絡測試結果和野外實測結果見表4。該模型的實測值與預測值的誤差很小，平均預測準確率為92.98%，屬于較好水平，因此BP神經(jīng)網(wǎng)絡模型可用于堿韭為主植物群落現(xiàn)存量的模擬和預測。

表4 堿韭為主草地樣本植物群落現(xiàn)存量的

2.3 復合草地樣本的BP神經(jīng)網(wǎng)絡擬合訓練

2.3.1 網(wǎng)絡的訓練與預測

同禾本科為主試驗區(qū)草地樣本BP神經(jīng)網(wǎng)絡訓練一樣，復合樣本BP神經(jīng)網(wǎng)絡模型訓練時期望誤差選取為0.001，最大訓練次數(shù)選為10000，初始學習速率為0.05。神經(jīng)網(wǎng)絡經(jīng)初始化，利用函數(shù)traingdm對網(wǎng)絡進行訓練迭代到7179步時，均方誤差就達到了目標誤差的要求。訓練變化曲線如圖6所示。

圖6 植物群落復合樣本現(xiàn)存量的誤差訓練曲線示意圖

根據(jù)建立的BP神經(jīng)網(wǎng)絡模型，獲得其擬合值，將植物群落地上現(xiàn)存量野外實測值和BP神經(jīng)網(wǎng)絡擬合值整理在一起，結果見表5。由表5可以看到，實測值與預測值非常接近，經(jīng)分析其相關系數(shù)達到0.99，平均相對誤差為4.25%，可見3個輸入因子與輸出因子之間關系密切。所以，不管采用層內(nèi)樣本還是復合樣本，草地植物群落高度、蓋度和密度與草地植物群落地上現(xiàn)存量之間可建立BP神經(jīng)網(wǎng)絡關系。這也進一步說明采用BP神經(jīng)網(wǎng)絡能夠精確的揭示草地植物群落高度、蓋度、密度與地上現(xiàn)存量之間的數(shù)量關系。

表5 植物群落復合樣本現(xiàn)存量的BP神經(jīng)網(wǎng)絡訓練樣本結果

2.3.2 網(wǎng)絡的檢驗

取復合樣本余下的6組數(shù)據(jù)對模型進行檢驗，BP神經(jīng)網(wǎng)絡測試結果和野外實測結果見表6。該模型的實測值與預測值的誤差很小，平均預測準確率為91.01%，屬于較好水平，因此BP神經(jīng)網(wǎng)絡模型可用于復合樣本植物群落現(xiàn)存量的模擬和預測。

表6 植物群落復合樣本現(xiàn)存量的BP神經(jīng)網(wǎng)絡測試樣本結果

3 討論與結論

3.1 結論

(1)采用BP神經(jīng)網(wǎng)絡進行草地植物群落地上現(xiàn)存量的模擬與預測能夠獲得較高的擬合率和預測精度(預測精度可達90%以上)。

(2)采用BP神經(jīng)網(wǎng)絡對不同草地植物類群進行模擬和預測可能會存在差異，但這種差異會隨著樣本容量的增大或訓練精度的增加而弱化。

3.2 討論

本文基于BP神經(jīng)網(wǎng)絡模型對荒漠草原植物群落地上現(xiàn)存量的模擬與預測研究取得了比較不錯的結果，但荒漠草原植物群落現(xiàn)存量的評價與預測研究仍是一個逐漸完善的過程，還有一些問題需要進一步的討論及研究。

(1)BP神經(jīng)網(wǎng)絡模型的評價精度與訓練樣本的數(shù)量和質(zhì)量高度相關。但由于時間和精力的限制，本文所選取的訓練樣本有限。希望在進一步的研究中，能夠選取更多不同地區(qū)和年份的指標作為神經(jīng)網(wǎng)絡的訓練樣本，以便更好的反映荒漠草原植物群落地上現(xiàn)存量的發(fā)展規(guī)律，從而印證BP神經(jīng)網(wǎng)絡在植物群落地上現(xiàn)存量評價中的應用價值。

(2)本文中，僅僅基于BP神經(jīng)網(wǎng)絡對荒漠草原植物群落現(xiàn)存量的模擬與預測研究進行了最基本的嘗試，目前BP神經(jīng)網(wǎng)絡還存在一些不足，它的計算過程受到網(wǎng)絡學習參數(shù)、網(wǎng)絡層數(shù)、隱含層節(jié)點數(shù)、學習步長等因素的影響，在計算過程中會產(chǎn)生一定的波動。因此，關于BP神經(jīng)網(wǎng)絡模型參數(shù)的設定及訓練樣本、檢驗樣本的選取等問題還需進一步研究。

(3)影響荒漠草原植物群落地上現(xiàn)存量的因素除了植物群落的數(shù)量特征(高度、蓋度、密度)外還有其他的一些可控與不可控的因素，因此應進一步增加影響因子的個數(shù)，以提高預測的精度。

〔1〕Debra M .Cassels,Robert L ,et al.Effects of grazing management on standing crop dynamics in tallgrassprairie〔J〕.J.Range Management.1995,48:81-84.

〔2〕Ralphs M H.短時間高強度放牧對草地植被的影響〔J〕.草原與牧草,1991,2:34-41.

〔3〕Raymond F.Angell、Crested wheatgrass and shrub response to continuous or rotational grazing〔J〕.J.Range Management.1997,50:160 -164.

〔4〕王得利，呂新龍，羅衛(wèi)東等.不同放牧密度對草原植被特征的影響分析〔J〕.草業(yè)學報,1996,5(3):28-33.

〔5〕Robert L.Gillen F .Ted MccollumIII,et al .Tallgrass prairie response to grazing system and stocking rate〔J〕.J.Range Management.1998,51:139-146.

〔6〕汪詩平，李永宏，陳佐忠.內(nèi)蒙古典型草原載畜適宜放牧率的研究.Ⅱ.以牧草地上現(xiàn)存量和凈初級生產(chǎn)力為管理目標〔J〕.草地學報,1999,7(3):198-203.

〔7〕李永宏，陳佐忠,汪詩平,等.草原放牧系統(tǒng)持續(xù)管理試驗研究:試驗設計及放牧率對草地系統(tǒng)影響分析〔J〕.草地學報,1999,7(3):174-182.

〔8〕黃家榮，孟憲宇，關毓秀.馬尾松人工林直徑分布神經(jīng)網(wǎng)絡模型研究〔J〕.北京林業(yè)大學學報，2006，28(1):28-31.

〔9〕王立海，邢艷秋．基于BP神經(jīng)網(wǎng)絡的天然林生物量遙感估測〔J〕.應用生態(tài)學報，2008，19(2):261-266．

〔10〕董長虹，MALTAB神經(jīng)網(wǎng)絡與應用〔M〕.北京：國防工業(yè)出版社，2007

〔11〕楊持.生態(tài)學〔M〕.北京：高等教育出版社，2008

〔12〕衛(wèi)智軍,韓國棟,趙鋼,李德新.中國荒漠草原生態(tài)系統(tǒng)研究〔M〕.北京:科學出版社,2013

〔13〕王鑫廳，梁存柱,王煒.尺度與密度:測定不同尺度下的種群密度〔J〕.植物生態(tài)學報,2013,37(2):104-110.

〔14〕葉世偉，神經(jīng)網(wǎng)絡原理〔M〕.北京：機械工業(yè)出版社，2004

〔15〕孫亮，MATLAB語言與控制系統(tǒng)仿真，北京：北京工業(yè)大學出版社，2012

〔16〕王敏,蘇永中,楊榮,楊曉.黑河中游荒漠草地地上和地下生物量的分配格局〔J〕.植物生態(tài)學報,2013,37(3):209-219.

〔17〕張金屯.數(shù)量生態(tài)學(第二版)〔M〕.北京:科學出版社,2011.

The research of simulation and prediction on plant community biomass in desert steppe based on BP neural network

ZHANG Shuang1, Lü Shijie2*, WEI Zhijun1, LIU Wenting1，BAI Yuting1

(1.College of Ecology and Environmental Science, Inner Mongolia Agricultural University Huhhot 010019, China,2.College of Science and Environmental Science, Inner Mongolia Agricultural University Huhhot 010019, China,)

The grassland biomass of desert steppe is a very important research field of prairie research，it is not only resolve accumulation of the dry matter of desert steppe ecosystem，but also resolve its biomass so that effect the function of ecology. This paper take plant communityof poaceae and allium polyrhizum and its compound plant community indesert steppeas the main research object and the data was come from an investigation which held in Inner Mongolia Xilinguole. According to the quantitative features (natural height, relative coverage degree, relative density) of plant community in desert steppe and the practical data of biomass, we use MATLAB established a BP neural network model. We took quantitative features of plant community as input factors, and took corresponding practical biomass as output factor, so that we constructed a three layers BP neural network and simulated the biomass of plant community. The result shows that the standing crop of poaceae ,allium polyrhizum and mixed plant communities dominated the average prediction accuracy rate belong to a good level. This model could predict plant community biomass and it has higher accuracy.

desert steppe；standing crop; BP neural network ; MATLAB; simulation and prediction

Q145+.2；Q332

A

2095—5952(2016)01—0053—07

2016-01-30

內(nèi)蒙古自然科學基金項目(2015MS0349);國家自然科學基金項目(31460126);國家重點基礎研究計劃項目(2014CB138800)。

張 爽(1994-)，女，碩士研究生，主要研究方向為草地生態(tài)與管理，-mail:zs123shuang@163.com。

衛(wèi)智軍E-mail:nmndwzj@163.com。