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
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.
[12]黄宇， 汪思龙， 冯宗炜， 等. 不同人工林生态系统林地土壤质量评价[J]. 应用生态学报， 2004， 15（12）： 2199-2205.
[13]孙波， 张桃林， 赵其国. 我国东南丘陵山区土壤肥力的综合评价[J]. 土壤学报， 1995， 32（4）： 362-369.
[14]唐启义， 冯明光. 实用统计分析及其 DPS数据处理系统[M].北京： 科学出版社， 2002：625-627.
[15]林培松， 尚志海. 韩江流域典型区主要森林类型土壤肥力的灰色关联度分析[J]. 生态与农村环境学报， 2009， 25（3）： 55-58.
[16]邓聚龙. 灰色系统基本方法[M]. 武汉： 华中科技大学出版社， 2005： 73-105.
[17]张彦山， 韩明玉， 马杰， 等. 正宁县苹果园土壤肥力综合指数评价[J]. 甘肃农业科技， 2015（2）： 6-9.
[18]董文涛， 路明浩， 韦大山， 等. 基于模糊数学方法的土壤肥力综合评价及应用[J]. 资源开发与市场， 2011， 27（6）： 511-513.
[19]章海波， 骆永明， 赵其国，等. 香港土壤研究 Ⅵ.基于改进层次分析法的土壤肥力质量综合评价[J]. 土壤学报， 2006， 43（4）： 577-583.
[20]杨奇勇， 杨劲松， 姚荣江， 等. 基于 GIS 和改进灰色关联模型的土壤肥力评价[J]. 农业工程学报， 2010， 26（4）： 100-105.
[21]劉金山， 胡承孝， 孙学成， 等. 基于最小数据集和模糊数学法的水旱轮作区土壤肥力质量评价[J]. 土壤通报， 2012， 43 （5）： 1145-1150.
[22]段必挺， 杨锡永， 李发平， 等. 基于因子分析的土壤肥力综合评价[J]. 现代农业科技， 2016（7）： 228-230.
[23]黄勇， 杨忠芳. 土壤质量评价国外研究进展[J]. 地质通报， 2009， 28（1）： 130-136.
[24]郑小佳. 基于人工神经网络的耕作土壤肥力质量评价[D]. 雅安：四川农业大学， 2006.
[25]杨文静， 王一博， 刘鑫， 等. 基于BP神经网络的青藏高原土壤养分评价[J]. 冰川冻土， 2019，41（1）： 215-226.
[26]薛沛沛， 王兵， 牛香. 大岗山不同海拔毛竹林土壤肥力的灰色关联度分析[J]. 浙江农业学报， 2013，25（6）：1354-1359.
[27]裴文文， 黄智刚. 基于BP神经网络对蔗区土壤养分肥力等级综合评价[J]. 南方农业， 2013， 7（10）： 47-50.
收稿日期：2019-06-04
基金项目：山东省重点研发计划项目（2016GNC111008）;山东省林业科技创新项目（LYCX03-2018-14）
作者简介：吕雷昌（1965—），男，山东莱芜人，高级工程师，研究方向为森林培育。E-mail：jnsjjl@163.com
通讯作者：王清华（1973—），女，山东烟台人，研究员，主要从事森林生态研究。E-mail：wqh0228@foxmail.com
上一篇：审美观照本来就有模糊性