地力夏提·艾木热拉，丁建丽*，穆艾塔尔·赛地,3，米热古力·艾尼瓦尔，邹 杰

(1.新疆大学资源与环境科学学院智慧城市与环境建模自治区普通高校重点实验室，新疆 乌鲁木齐 830046；2.绿洲生态教育部重点实验室，新疆 乌鲁木齐 830046；3.新疆水利水电科学研究院，新疆 乌鲁木齐 830049)

【研究意义】土壤盐渍化是指在特定气候、地质及土壤质地和人为用水灌溉不当等各种因素的综合作用下，所引起的土地质量退化过程，一般在干旱、半干旱地区出现[1]。近几年，人口不断增加，气候和土地利用的变化频繁，使土壤及其结构性退化正加速危害土壤质量和健康[2]。土壤盐渍化作为土地荒漠化形式之一，主要分布于我国的西部干旱和半干旱地区，是西部农业发展及绿洲生态环境稳定主要障碍之一[3-5]。

新疆盐渍土面积广泛，受到盐渍化灾害比较严重，大量的盐渍土造成土壤生产力下降、水土失衡，不仅影响着新疆在我国粮食和棉花生产基地的战略地位，同时对干旱区域大尺度生态环境安全和绿洲经济可持续发展造成阻碍。因此，土壤盐渍化灾害评价和预测研究对研究区合理利用土地资源、提高粮食和棉花安全生产具有重要的科学意义。【前人研究进展】随着人工智能系统的不断发展，许多国内外学者在利用人工智能技术针对数据预测方面进行了大量的研究。其中，Vijendra等[6]建立了一套农业干旱预警模型，对印度拉贾斯坦地区的干旱农业耕地进行了初步研究。Bijanzadeh等[7]通过模糊隶属函数的土壤与环境之间的关系来预测土壤肥力，然后采用模糊层次分析法(FAHP)对小麦的发育阶段及其与土壤盐分的关系进行了相关研究。买买提·沙吾提等[8]利用BP神经网络的3种算法，选取7个影响因子作为输入变量，将土壤脱盐量作为输出变量，建立了BP神经网络土壤盐渍化预测模型，并分别对3种BP网络算法进行了对比分析研究。谢姆斯叶·艾尼瓦尔等[9]建立了预测表层土壤盐分的BP神经网络模型和RBF神经网络模型，发现BP网络的预测误差略低于RBF网络。丁建丽等[10]采用BP神经网络结合Adaboost算法，利用遥感技术结合地下水埋深、盐分指数、海拔、归一化干旱指数4个影响因子对研究区的土壤盐渍化灾害程度进行了预测评价。【本研究切入点】近几年把人工智能技术的数据预测思想应用到农业、生态环境、气候等领域取得较大的成功。模糊神经网络(Fuzzy Neural Network，FNN)作为这几年发展较快的一种新兴网络模型，具有收敛速度快等特点，逐渐受到数据分析工作者的青睐。【拟解决的关键问题】本文以渭干河-库车河三角洲绿洲(以下简称渭库绿洲)为研究区，根据研究区实际情况及野外考察所获得的数据为基础，并参考前人的研究成果，针对土壤盐分尝试构建模糊逻辑与神经网络有机结合的表层土壤(0～10 cm)盐分预测模型。

1 材料与方法

1.1 研究区概况

渭干河-库车河流域三角洲绿洲(图1)位于塔里木盆地北缘，天山南麓，塔克拉玛干沙漠以北，地势北高南低，自西北向东南倾斜。渭库绿洲气候属于大陆性暖温带干旱气候，多年平均气温10.5～11.4 ℃，极端最高气温40.8 ℃，极端最低气温-27.8 ℃，日照2888.7 h，全年无霜期209 d，多年平均蒸发量超过2000 mm，多年平均降水量55.45 mm，降水少，蒸发强烈，干燥度指数为44.3，属于典型的干旱与极端干旱地区。该地区植被覆盖稀少，主要以柽柳、盐节木、盐穗木、花花柴等为主，地下水位高、矿化度大，土层构成物颗粒细，透水性差，绿洲及其外围盐类沉积规模大，盐渍化普遍存在[11-13]。农牧业是该区的主要经济来源，随着人类不合理灌溉的逐渐扩大，地下水位增高，盐渍化程度逐渐加剧，对当地的农业生产及生态系统造成严重的危害(表1)。

1.2 数据采集与处理

通过遥感影像上的光谱差异选取具有一定代表性的盐渍地，并记录其坐标，使用GPS精确导航定位，分别从绿洲内部和绿洲荒漠交错带选择39个采样点。土壤采集需满足室内试验要求，室内试验主要测定土壤pH值、总溶解固体(TDS)、电导率以及含盐量等指标，在样点区采集土壤样品为理化指标分析和研究盐渍地建模提供科学有效的数据，采样时间为2015年7月。此外，地下水埋深和地下水矿化度数据是渭干河流域管理局提供的38个观测井的年平均数据。高程和坡度数据是从Aster 90 m空间分辨率的DEM数据中获取。

1.3 研究方法

1.3.1 灰色关联分析法 灰色关联度分析法(Gray Relational Analysis，GRA)是由邓聚龙教授1982年首先提出的，其基本思想是根据序列曲线几何形状的相似度来判断其关联程度是否紧密的一种多因素统计分析法。它可以定量的描述事物或因素之间的大小、方向和次序等变化情况的相对性。若事物或因素的变化形势大致相同，可以认为它们之间的关联程度较大。目前，灰色关联度分析法在农业、环保、教育、地理、水文以及气象等领域的应用十分广泛，尤其是通过已知信息研究和预测未知领域达到了解整个系统的目的。利用关联度分析方法先计算第i个评价对象的第k个最优指标的关联系数，即：

图1 研究区Fig.1 The study area

(1)

1.3.2 T-S模糊神经网络模型 模糊神经网络(Fuzzy Neural Network，FNN)技术是模糊逻辑和神经网络学习逼近的特点相结合的，能自动更新和不断修正模糊集隶属度函数的一种处理模糊信息的神经网络系统，它汇聚了模糊系统和神经网络的优势，克服了它们各方面的缺点[15-17]。近几年来在数据预测方面被广泛应用，在生态环境方面主要在灾害预测、危险度评价、地下水位以及水质预测等方面应用较多。

T-S模型是1985年由2名日本科学家Takagi和Sugeno提出的一种模糊推理模型[18]。T-S模糊模型利用“if-then”规则方式来表示，在规则方式为Ri的情况下，模糊推理方式用下式来描述：

(2)

为模糊规则获得的输出，输入部分if是模糊的，输出部分then是确定的，说明模糊推理可以描述输出为输入的线性结合。

T-S模糊神经网络模型的结构可以分为4层，分别是输入层、模糊化层、模糊规则计算层以及输出层(图2)。输入层和输入变量x1接连，输入变量和节点数的维数一样。模糊化层是利用隶属度函数对输入层进行模糊化求得模糊隶属度μ。模糊规则计算是采用连乘算子来求得ω，其计算公式为：

(3)

根据模糊规则计算结果，利用公式(4)求得模糊神经网络模型的输出值yi：

(4)

最后进行误差计算，其公式为：

(5)

其中，yd是预测输出值，yc是实测值，e为预测值和实测值的误差。

2 结果与分析

2.1 土壤盐分预测指标的获取与分析

2.1.1 地下水埋深和地下水矿化度 地下水埋深和地下水矿化度与土壤盐分有密切的关系，由于地下水位从高到低的回降过程中，土壤因蒸发而积盐，如果地下水位回降过慢，土壤积盐就越多，这就导致土壤盐碱化的发生[19]。利用ArcGIS软件的地统计分析模块，将2015年渭库绿洲38个观测井作为地下水埋深及地下水矿化度数据。获取的地下水埋深和地下水矿化度数据基本上服从正太分布，符合半方差函数的计算需求。从地下水埋深和地下水矿化度的空间变异参数(表1)看出，相关系数分别为0.843和0.825，说明选择球面模型和高斯模型进行普通克拉格插值法，可以较好的反映地下水埋深和地下水矿化度的空间分布状况(图3)。

图2 T-S模糊神经网络结构Fig.2 Fuzzy Neural Network Structure

表1 地下水埋深和地下水矿化度的空间变异参数

2.1.2 高程和坡度分析 土壤盐渍化的形成在一定程度上取决于地形起伏和地貌类型，会直接影响地下水与地表水的径流运动，导致盐分随水流动进而出现土壤盐分的再分布。坡度和地形起伏对于轻、中度盐渍化的分布影响较小，对重度盐渍化的分布影响较大[20]。利用ArcGIS软件的三维分析工具分别提取各采样点的高程和坡度信息。由图4可见，研究区东部绿洲荒漠交错带海拔在945～980 m内重度盐渍化分布较广泛；坡度大于1.3°时，基本上没有重度盐渍化分布。

2.1.3 土地利用状况 土地利用是多学科的研究对象，其主要目的在于了解研究区土地利用状况和对生态环境变化的预测以及在分析各种驱动因子方面具有重要的研究意义。本文使用中国科学院资源环境科学数据中心的1∶10万比例尺的土地利用现状数据库中获取研究区土地利用状况。如图5所示，研究区土地利用类型由林地、耕地、水域、草地、居民地和未利用土地6个一级类型以及20个二级类型组成。野外考察的39个样本点大部分分布于盐碱地和中、低覆盖草地区域，另外东北区域盐碱地普遍存在。

2.2 各影响因子间的关联度分析

土壤盐渍化是在多种自然因素综合作用下，对水盐运移产生影响的过程。在利用模糊神经网络模型对土壤盐分进行预测之前，首先要考虑各影响因子和土壤盐分之间的关联程度。首先对原始数据进行标准化处理，并将土壤盐分设置为母序列，得出土壤盐分与各影响因子之间的关联程度。一般来说关联程度在0.5～0.7属于关联度一般，0.70～0.85属于关联度较大，0.85～1.00表示关联度大[21]。如表2所示，土壤盐分与电导率的关联系数最大，与坡度值的关联系数最小，选取的7个影响因子与土壤盐分的关联度均大于0.5，说明所选择的影响因子用来预测土壤盐分是比较合适的。

图3 研究区地下水埋深和地下水矿化度空间分布Fig.3 The Spatial distribution of the groundwater depth and salinity in the studied area

图4 研究区高程 (a)和坡度分析 (b)Fig.4 The elevation (a) and slope analysis (b) in the studied area

图5 研究区土地利用类型和土壤样本分布Fig.5 Land use types of the study area and the distribution of soil samples

2.3 T-S模糊神经网络模型的建立与分析

本研究以土壤盐分为研究对象，多年实地考察获得的数据为基础，把前人的研究经验作为参考，采用T-S模糊神经网络模型来预测土壤盐分。数据源是2015年7月采集39个采样点土壤表层(0～10 cm)的实验数据，选用7个因素作为输入样本，土壤盐分作为输出样本，对研究区土壤盐分进行T-S模糊神经网络模型的土壤含盐量预测实验。

本文通过matlab软件编程实现，以电导率、坡度值、高程、TDS、地下水矿化度、地下水位和pH值等影响土壤盐渍化的7个因子作为输入因子，土壤含盐量为输出因子，选择32个采样点的数据作为训练样本，7个采样点的数据作为检验样本，经过归一化处理后进行模拟模型。输入数据为7维，输出数据为1维，隐含节点为25，神经网络的隐含节点用来表示隶属度函数和模糊规则，选择7组系数p0～p6进行初始化模糊神经网络，模糊隶属度函数的中心和宽度可随机得到，网络学习效率为0.05，惯性系数为0.005，最大迭代次数为200。

从表3可见，检验样本的平均相对误差为13.092 %，最小误差为0.875 %，最大相对误差为41.733 %。出现误差波动的主要原因在于研究区盐渍化程度变化比较大。模糊神经网络在模拟轻度盐渍化和重度盐渍化时，相对误差较小，模拟效果较好；模拟非盐渍地和中度盐渍化时，相对误差比较大。从图8可以看出，基于T-S模型的模糊神经网络模型计算出来的预测精度较高，相关系数达到0.989，说明预测能力良好，可以用来预测土壤盐渍化状况。

表2 灰色关联度分析结果

表3 检验样本误差

图8 实测值和预测值Fig.8 The measured and predicted values

3 讨 论

土壤盐渍化是多种影响因子共同作用形成的复杂非线性系统，影响模糊神经网络模拟土壤盐分效果的原因主要是由于受实测数据的限制，只选择了7个对土壤盐渍化的影响因子，这就影响了土壤盐分的模拟效果。其次是模糊神经网络本身的缺欠引起的，以往研究表明，模糊神经网络的自我调整能力和适应能力较差，对于一些因素的抵抗性较弱，无法对系统进行实时控制；另外，这种方法的实用性还有待提高，这就对模糊神经网络的应用性形成了较大的限制。

对于土壤盐渍化预测以及灾害评价而言，前人研究成果不尽相同。目前土壤盐渍化预测主要是采用不同的神经网络方法来建立土壤盐渍化预测模型，无论是哪种神经网络模型，对样本训练的要求均较高。网络训练是输入和输出变量之间的复杂规律，土壤盐渍化预测模型效果的好坏主要是取决于输入变量的数量和网络训练的效果。

4 结 论

本文从土壤盐渍化影响因子出发，结合土壤盐渍化自然环境特征，选取了电导率、海拔高程、地下水埋深、地下水矿化度、TDS、pH值以及坡度。采用T-S模糊神经网络模型对干旱区土壤盐分进行预测评价，研究结果表明：

(1)利用野外采样点所获得的数据，客观地揭示了地下水埋深、地下水矿化度、海拔高程以及坡度等土壤盐渍化影响因子的空间分布特征。

(2)利用灰色关联度分析得出，所选取的7个土壤盐渍化影响因子可以用来构建土壤盐分预测模型。

(3)依据T-S模糊神经网络方法构建土壤盐分预测模型，将7个影响因子作为输入变量，土壤盐分作为输出变量进行模拟模型。通过模型预测结果得出，T-S模糊神经网络模型预测效果较好，可以用于预测土壤盐渍化状况。

(4)虽然T-S模糊神经网络预测良好，但是，由于模型自身的原因加上数据获取的限制，影响了土壤盐分的预测模拟效果，需在今后的研究中进行进一步完善和检验。