基于T-S模糊神經網絡模型的干旱區土壤鹽分預測研究

地力夏提·艾木熱拉，丁建麗*，穆艾塔爾·賽地,3，米熱古力·艾尼瓦爾，鄒 杰

(1.新疆大學資源與環境科學學院智慧城市與環境建模自治區普通高校重點實驗室，新疆 烏魯木齊 830046；2.綠洲生態教育部重點實驗室，新疆 烏魯木齊 830046；3.新疆水利水電科學研究院，新疆 烏魯木齊 830049)

【研究意義】土壤鹽漬化是指在特定氣候、地質及土壤質地和人為用水灌溉不當等各種因素的綜合作用下，所引起的土地質量退化過程，一般在干旱、半干旱地區出現[1]。近幾年，人口不斷增加，氣候和土地利用的變化頻繁，使土壤及其結構性退化正加速危害土壤質量和健康[2]。土壤鹽漬化作為土地荒漠化形式之一，主要分布于我國的西部干旱和半干旱地區，是西部農業發展及綠洲生態環境穩定主要障礙之一[3-5]。

新疆鹽漬土面積廣泛，受到鹽漬化災害比較嚴重，大量的鹽漬土造成土壤生產力下降、水土失衡，不僅影響著新疆在我國糧食和棉花生產基地的戰略地位，同時對干旱區域大尺度生態環境安全和綠洲經濟可持續發展造成阻礙。因此，土壤鹽漬化災害評價和預測研究對研究區合理利用土地資源、提高糧食和棉花安全生產具有重要的科學意義?！厩叭搜芯窟M展】隨著人工智能系統的不斷發展，許多國內外學者在利用人工智能技術針對數據預測方面進行了大量的研究。其中，Vijendra等[6]建立了一套農業干旱預警模型，對印度拉賈斯坦地區的干旱農業耕地進行了初步研究。Bijanzadeh等[7]通過模糊隸屬函數的土壤與環境之間的關系來預測土壤肥力，然后采用模糊層次分析法(FAHP)對小麥的發育階段及其與土壤鹽分的關系進行了相關研究。買買提·沙吾提等[8]利用BP神經網絡的3種算法，選取7個影響因子作為輸入變量，將土壤脫鹽量作為輸出變量，建立了BP神經網絡土壤鹽漬化預測模型，并分別對3種BP網絡算法進行了對比分析研究。謝姆斯葉·艾尼瓦爾等[9]建立了預測表層土壤鹽分的BP神經網絡模型和RBF神經網絡模型，發現BP網絡的預測誤差略低于RBF網絡。丁建麗等[10]采用BP神經網絡結合Adaboost算法，利用遙感技術結合地下水埋深、鹽分指數、海拔、歸一化干旱指數4個影響因子對研究區的土壤鹽漬化災害程度進行了預測評價?！颈狙芯壳腥朦c】近幾年把人工智能技術的數據預測思想應用到農業、生態環境、氣候等領域取得較大的成功。模糊神經網絡(Fuzzy Neural Network，FNN)作為這幾年發展較快的一種新興網絡模型，具有收斂速度快等特點，逐漸受到數據分析工作者的青睞?！緮M解決的關鍵問題】本文以渭干河-庫車河三角洲綠洲(以下簡稱渭庫綠洲)為研究區，根據研究區實際情況及野外考察所獲得的數據為基礎，并參考前人的研究成果，針對土壤鹽分嘗試構建模糊邏輯與神經網絡有機結合的表層土壤(0～10 cm)鹽分預測模型。

1 材料與方法

1.1 研究區概況

渭干河-庫車河流域三角洲綠洲(圖1)位于塔里木盆地北緣，天山南麓，塔克拉瑪干沙漠以北，地勢北高南低，自西北向東南傾斜。渭庫綠洲氣候屬于大陸性暖溫帶干旱氣候，多年平均氣溫10.5～11.4 ℃，極端最高氣溫40.8 ℃，極端最低氣溫-27.8 ℃，日照2888.7 h，全年無霜期209 d，多年平均蒸發量超過2000 mm，多年平均降水量55.45 mm，降水少，蒸發強烈，干燥度指數為44.3，屬于典型的干旱與極端干旱地區。該地區植被覆蓋稀少，主要以檉柳、鹽節木、鹽穗木、花花柴等為主，地下水位高、礦化度大，土層構成物顆粒細，透水性差，綠洲及其外圍鹽類沉積規模大，鹽漬化普遍存在[11-13]。農牧業是該區的主要經濟來源，隨著人類不合理灌溉的逐漸擴大，地下水位增高，鹽漬化程度逐漸加劇，對當地的農業生產及生態系統造成嚴重的危害(表1)。

1.2 數據采集與處理

通過遙感影像上的光譜差異選取具有一定代表性的鹽漬地，并記錄其坐標，使用GPS精確導航定位，分別從綠洲內部和綠洲荒漠交錯帶選擇39個采樣點。土壤采集需滿足室內試驗要求，室內試驗主要測定土壤pH值、總溶解固體(TDS)、電導率以及含鹽量等指標，在樣點區采集土壤樣品為理化指標分析和研究鹽漬地建模提供科學有效的數據，采樣時間為2015年7月。此外，地下水埋深和地下水礦化度數據是渭干河流域管理局提供的38個觀測井的年平均數據。高程和坡度數據是從Aster 90 m空間分辨率的DEM數據中獲取。

1.3 研究方法

1.3.1 灰色關聯分析法 灰色關聯度分析法(Gray Relational Analysis，GRA)是由鄧聚龍教授1982年首先提出的，其基本思想是根據序列曲線幾何形狀的相似度來判斷其關聯程度是否緊密的一種多因素統計分析法。它可以定量的描述事物或因素之間的大小、方向和次序等變化情況的相對性。若事物或因素的變化形勢大致相同，可以認為它們之間的關聯程度較大。目前，灰色關聯度分析法在農業、環保、教育、地理、水文以及氣象等領域的應用十分廣泛，尤其是通過已知信息研究和預測未知領域達到了解整個系統的目的。利用關聯度分析方法先計算第i個評價對象的第k個最優指標的關聯系數，即：

圖1 研究區Fig.1 The study area

(1)

1.3.2 T-S模糊神經網絡模型 模糊神經網絡(Fuzzy Neural Network，FNN)技術是模糊邏輯和神經網絡學習逼近的特點相結合的，能自動更新和不斷修正模糊集隸屬度函數的一種處理模糊信息的神經網絡系統，它匯聚了模糊系統和神經網絡的優勢，克服了它們各方面的缺點[15-17]。近幾年來在數據預測方面被廣泛應用，在生態環境方面主要在災害預測、危險度評價、地下水位以及水質預測等方面應用較多。

T-S模型是1985年由2名日本科學家Takagi和Sugeno提出的一種模糊推理模型[18]。T-S模糊模型利用“if-then”規則方式來表示，在規則方式為Ri的情況下，模糊推理方式用下式來描述：

(2)

為模糊規則獲得的輸出，輸入部分if是模糊的，輸出部分then是確定的，說明模糊推理可以描述輸出為輸入的線性結合。

T-S模糊神經網絡模型的結構可以分為4層，分別是輸入層、模糊化層、模糊規則計算層以及輸出層(圖2)。輸入層和輸入變量x1接連，輸入變量和節點數的維數一樣。模糊化層是利用隸屬度函數對輸入層進行模糊化求得模糊隸屬度μ。模糊規則計算是采用連乘算子來求得ω，其計算公式為：

(3)

根據模糊規則計算結果，利用公式(4)求得模糊神經網絡模型的輸出值yi：

(4)

最后進行誤差計算，其公式為：

(5)

其中，yd是預測輸出值，yc是實測值，e為預測值和實測值的誤差。

2 結果與分析

2.1 土壤鹽分預測指標的獲取與分析

2.1.1 地下水埋深和地下水礦化度 地下水埋深和地下水礦化度與土壤鹽分有密切的關系，由于地下水位從高到低的回降過程中，土壤因蒸發而積鹽，如果地下水位回降過慢，土壤積鹽就越多，這就導致土壤鹽堿化的發生[19]。利用ArcGIS軟件的地統計分析模塊，將2015年渭庫綠洲38個觀測井作為地下水埋深及地下水礦化度數據。獲取的地下水埋深和地下水礦化度數據基本上服從正太分布，符合半方差函數的計算需求。從地下水埋深和地下水礦化度的空間變異參數(表1)看出，相關系數分別為0.843和0.825，說明選擇球面模型和高斯模型進行普通克拉格插值法，可以較好的反映地下水埋深和地下水礦化度的空間分布狀況(圖3)。

圖2 T-S模糊神經網絡結構Fig.2 Fuzzy Neural Network Structure

表1 地下水埋深和地下水礦化度的空間變異參數

2.1.2 高程和坡度分析 土壤鹽漬化的形成在一定程度上取決于地形起伏和地貌類型，會直接影響地下水與地表水的徑流運動，導致鹽分隨水流動進而出現土壤鹽分的再分布。坡度和地形起伏對于輕、中度鹽漬化的分布影響較小，對重度鹽漬化的分布影響較大[20]。利用ArcGIS軟件的三維分析工具分別提取各采樣點的高程和坡度信息。由圖4可見，研究區東部綠洲荒漠交錯帶海拔在945～980 m內重度鹽漬化分布較廣泛；坡度大于1.3°時，基本上沒有重度鹽漬化分布。

2.1.3 土地利用狀況 土地利用是多學科的研究對象，其主要目的在于了解研究區土地利用狀況和對生態環境變化的預測以及在分析各種驅動因子方面具有重要的研究意義。本文使用中國科學院資源環境科學數據中心的1∶10萬比例尺的土地利用現狀數據庫中獲取研究區土地利用狀況。如圖5所示，研究區土地利用類型由林地、耕地、水域、草地、居民地和未利用土地6個一級類型以及20個二級類型組成。野外考察的39個樣本點大部分分布于鹽堿地和中、低覆蓋草地區域，另外東北區域鹽堿地普遍存在。

2.2 各影響因子間的關聯度分析

土壤鹽漬化是在多種自然因素綜合作用下，對水鹽運移產生影響的過程。在利用模糊神經網絡模型對土壤鹽分進行預測之前，首先要考慮各影響因子和土壤鹽分之間的關聯程度。首先對原始數據進行標準化處理，并將土壤鹽分設置為母序列，得出土壤鹽分與各影響因子之間的關聯程度。一般來說關聯程度在0.5～0.7屬于關聯度一般，0.70～0.85屬于關聯度較大，0.85～1.00表示關聯度大[21]。如表2所示，土壤鹽分與電導率的關聯系數最大，與坡度值的關聯系數最小，選取的7個影響因子與土壤鹽分的關聯度均大于0.5，說明所選擇的影響因子用來預測土壤鹽分是比較合適的。

圖3 研究區地下水埋深和地下水礦化度空間分布Fig.3 The Spatial distribution of the groundwater depth and salinity in the studied area

圖4 研究區高程 (a)和坡度分析 (b)Fig.4 The elevation (a) and slope analysis (b) in the studied area

圖5 研究區土地利用類型和土壤樣本分布Fig.5 Land use types of the study area and the distribution of soil samples

2.3 T-S模糊神經網絡模型的建立與分析

本研究以土壤鹽分為研究對象，多年實地考察獲得的數據為基礎，把前人的研究經驗作為參考，采用T-S模糊神經網絡模型來預測土壤鹽分。數據源是2015年7月采集39個采樣點土壤表層(0～10 cm)的實驗數據，選用7個因素作為輸入樣本，土壤鹽分作為輸出樣本，對研究區土壤鹽分進行T-S模糊神經網絡模型的土壤含鹽量預測實驗。

本文通過matlab軟件編程實現，以電導率、坡度值、高程、TDS、地下水礦化度、地下水位和pH值等影響土壤鹽漬化的7個因子作為輸入因子，土壤含鹽量為輸出因子，選擇32個采樣點的數據作為訓練樣本，7個采樣點的數據作為檢驗樣本，經過歸一化處理后進行模擬模型。輸入數據為7維，輸出數據為1維，隱含節點為25，神經網絡的隱含節點用來表示隸屬度函數和模糊規則，選擇7組系數p0～p6進行初始化模糊神經網絡，模糊隸屬度函數的中心和寬度可隨機得到，網絡學習效率為0.05，慣性系數為0.005，最大迭代次數為200。

從表3可見，檢驗樣本的平均相對誤差為13.092 %，最小誤差為0.875 %，最大相對誤差為41.733 %。出現誤差波動的主要原因在于研究區鹽漬化程度變化比較大。模糊神經網絡在模擬輕度鹽漬化和重度鹽漬化時，相對誤差較小，模擬效果較好；模擬非鹽漬地和中度鹽漬化時，相對誤差比較大。從圖8可以看出，基于T-S模型的模糊神經網絡模型計算出來的預測精度較高，相關系數達到0.989，說明預測能力良好，可以用來預測土壤鹽漬化狀況。

表2 灰色關聯度分析結果

表3 檢驗樣本誤差

圖8 實測值和預測值Fig.8 The measured and predicted values

3 討 論

土壤鹽漬化是多種影響因子共同作用形成的復雜非線性系統，影響模糊神經網絡模擬土壤鹽分效果的原因主要是由于受實測數據的限制，只選擇了7個對土壤鹽漬化的影響因子，這就影響了土壤鹽分的模擬效果。其次是模糊神經網絡本身的缺欠引起的，以往研究表明，模糊神經網絡的自我調整能力和適應能力較差，對于一些因素的抵抗性較弱，無法對系統進行實時控制；另外，這種方法的實用性還有待提高，這就對模糊神經網絡的應用性形成了較大的限制。

對于土壤鹽漬化預測以及災害評價而言，前人研究成果不盡相同。目前土壤鹽漬化預測主要是采用不同的神經網絡方法來建立土壤鹽漬化預測模型，無論是哪種神經網絡模型，對樣本訓練的要求均較高。網絡訓練是輸入和輸出變量之間的復雜規律，土壤鹽漬化預測模型效果的好壞主要是取決于輸入變量的數量和網絡訓練的效果。

4 結 論

本文從土壤鹽漬化影響因子出發，結合土壤鹽漬化自然環境特征，選取了電導率、海拔高程、地下水埋深、地下水礦化度、TDS、pH值以及坡度。采用T-S模糊神經網絡模型對干旱區土壤鹽分進行預測評價，研究結果表明：

(1)利用野外采樣點所獲得的數據，客觀地揭示了地下水埋深、地下水礦化度、海拔高程以及坡度等土壤鹽漬化影響因子的空間分布特征。

(2)利用灰色關聯度分析得出，所選取的7個土壤鹽漬化影響因子可以用來構建土壤鹽分預測模型。

(3)依據T-S模糊神經網絡方法構建土壤鹽分預測模型，將7個影響因子作為輸入變量，土壤鹽分作為輸出變量進行模擬模型。通過模型預測結果得出，T-S模糊神經網絡模型預測效果較好，可以用于預測土壤鹽漬化狀況。

(4)雖然T-S模糊神經網絡預測良好，但是，由于模型自身的原因加上數據獲取的限制，影響了土壤鹽分的預測模擬效果，需在今后的研究中進行進一步完善和檢驗。