基于未确知数学理论和属性数学理论,研究了土壤肥力综合评价方法,建立了城市绿地土壤肥力综合评价及分级的未确知属性测度分析法。该方法首先需要确定城市绿地土壤肥力状况的评价指标及分类标准,以及土壤肥力状况级别组数;然后构建单指标的未确知属性测度函数,以计算单指标的未确知属性测度函数值和样本的综合未确知属性测度值;最后应用置信度准则对城市绿地土壤样本进行识别,以确定土壤样本肥力状况的级别属性。基于两个城市绿地土壤样本的模糊综合评价结果,以及13个城市绿地土壤样本的全排列多边形图示指标法、物元可拓法以及改进的人工神经网络法的评价结果进行了验证,本研究方法的评价结果与模糊综合评价法、全排列多边形图示指标法、物元可拓法以及改进的人工神经网络法的一致性分别为100%、84.62%、92.31%和100%。实例评价表明,采用该方法对城市绿地土壤肥力状况进行评价是可行的,为城市绿地土壤肥力综合评价提供了新的途径和方法。
A synthetic evaluation method for soil fertility was investigated based on unascertained mathematical theory, attribute mathematical theory, and the unascertained attribute measurement analysis method (UAMA). A synthetic evaluation and classification of soil fertility in urban green spaces was postulated. Firstly, the evaluation indexes and their classification standards, and the grades for soil fertility status were determined for the evaluation of urban green space soil fertility. Secondly, the unascertained attribute measurement functions of each index were constructed to compute the unascertained attribute measurement value of the single index and the synthetic unascertained attribute measurement value. Finally, the evaluation of soil samples from urban green spaces was conducted using the confidence criteria to determine the status and classification of soil fertility. The UAMA method in this paper was tested based on the fuzzy comprehensive method for two soil fertility samples, and the entire-array-polygon indicator method, matter-element extension method, and improved artificial neural network method for 13 soil fertility samples. The consistency rates were 100%, 84.62%, 92.31%, and 100% between the UAMA method and fuzzy comprehensive method, entire-array-polygon indicator method, matter-element extension method, and improved artificial neural network method, respectively. Case studies indicated that the UAMA method used in this paper was feasible and reasonable, and it provided a new method for the evaluation of urban green space soil fertility.
我国城市绿地主要来自农业耕地、园地[1], 其植物多样性和绿地破碎化使得绿地群落对土壤养分肥力的需求有别于农业或林业地土壤, 城市绿地土壤需要科学合理的施肥和管理, 增加植物绿叶量和调节叶色, 延长花果期, 增强城市绿地观赏价值[2]。在城市发展过程中, 绿地土壤人为活动干扰强烈, 土壤压实与板结、污染、人为废弃物等问题突出[3, 4, 5], 绿地土壤结构退化[6, 7, 8, 9], 土壤肥力普遍低下[10, 11, 12, 13, 14, 15, 16]。土壤肥力状况是城市绿地植物正常生长和发挥城市绿地生态功能的前提[17]。合理评价城市绿地土壤肥力状况, 可为城市绿地土壤的改良、城市绿地规划和管理等提供理论依据和指导[18]。因此, 近年来城市绿地土壤肥力状况评价已成为土壤学研究的热点问题。
目前, 在城市绿地土壤肥力状况评价和分级研究中, 有些学者通过数学建模提出了多指标和综合评价的数量化或称数值化方法, 主要有基于主成分分析法[17, 19, 20, 21, 22]、层次分析法[20]以及模糊综合评判法[17, 19, 20, 21, 22]等多指标的综合评价方法。这种数量化方法可在一定程度上克服一般定性评价方法中的主观性, 有利于人们进一步认识和掌握城市绿地土壤肥力状况, 因而是城市绿地土壤肥力状况评价和分级研究中从定性到定量的一项重要进展。
土壤肥力是土壤本质属性和基本特征的反映[23, 24], 是一个由物理、化学和生物等影响因素复合而成的、多指标的复杂系统[25], 因而需要多种途径和方法才能达到对土壤肥力状况综合评价和分级的目的。本研究在现有研究基础上, 基于未确知数学理论和属性数学理论, 建立城市绿地土壤肥力状况综合评价与分级的未确知属性测度分析法, 为城市绿地土壤肥力综合评价的数量化方法研究提供新的思路和途径。
未确知属性测度分析方法是基于未确知数学理论[26]和属性数学理论[27], 对样本进行聚类分析的一种方法。其基本思想和评价流程包括以下几个方面: 1)确定评价对象的评价指标体系及其分类特征值; 2)以评价指标的分类特征值作为各分类的中心, 构建未确知属性测度函数; 3)通过未确知属性测度函数进行未确知属性测度分析; 4)应用属性数学理论中的置信度准则, 对样本所属的类别进行识别。
用数学语言表达为:设X为评价对象的集合, 其中的评价对象xi(i=1, 2, …, n)有m个评价指标Ij(j=1, 2, …, m)。设xi的第j个指标的特征值为tij, 属于第p个评价等级Ck(k=1, 2, …, p), 由Ck组成分类集合F。当样本集X=(x1, x2, …, xn)中各评价指标的分类等级及其特征值已知时, 如第i个样本xi的评价等级为Ck, 即:xi∈ Ck, 以其第k个分类等级各评价指标的特征值tij作为分类样本集的分类中心, 根据分类中心建立未确知属性测度函数μ ijk, 据此计算单指标的p个分类等级Ck的未确知属性测度函数值μ jk, 并确定p个分类等级Ck的未确知属性测度值μ k。根据μ k可确定新的评价样本xi+1的所属类别。
以文献[21]提供的城市绿地土壤肥力评价指标及其分类标准, 构建未确知属性测度函数, 并对评价指标和样本的未确知属性测度进行分析, 进而建立城市绿地土壤肥力状况评价和分级的未确知属性测度分析法。
1.2.1 评价指标及特征值 目前, 在土壤肥力评价中还没有统一的评价指标体系, 由于土壤养分是土壤肥力的重要组成部分和核心, 因此土壤养分是土壤肥力评价的重要指标[28]。如土壤pH与土壤肥力状况密切相关, 是土壤重要的基本性质之一[29]。土壤中的有机质是土壤养分的主要来源, 常作为土壤肥力评价的一项综合性指标[30]。土壤肥力涉及到多种元素的复杂变化, 如氮、磷、钾是植物生长的必需元素[31], 其中速效磷和速效钾表征土壤养分的可利用性[30]。碱解氮则是表征土壤氮素供应强度的指标[32]。阳离子交换量作为土壤保肥能力的评价指标, 反映土壤永久电荷和可变电荷总量[32]。土壤容重是土壤紧实度的敏感性评价指标, 表征土壤的疏松程度与通气性和对地表水的蓄积能力[33], 与土壤有机质密切相关[34]。土壤含盐量影响土壤微生物量和土壤酶活性, 最终影响土壤肥力[35]。
本研究基于对城市草坪土壤肥力综合评价的研究成果[21], 选择城市绿地土壤肥力的评价指标有:土壤pH、有机质、碱解氮、速效磷、速效钾、阳离子交换量、容重和土壤含盐量8个指标。土壤肥力状况拟分为3个级别:高、中和低。评价指标及分类标准[21]如表1所示。
![]() | 表1 城市绿地土壤肥力评价指标及分类标准 Table 1 Evaluation index and classification criterid of urban green space soil fertility |
根据未确知属性测度分析法, X为评价对象即城市绿地土壤肥力状况的集合, 其中某个绿地样本xi的评价指标有8个, 即m=8。土壤pH、有机质、碱解氮、速效磷、速效钾、阳离子交换量、容重和土壤含盐量等8个指标可分别设为:I1~I8。土壤肥力状况分为3个级别, 即p=3, 高、中、低3个级别可分别设为:C1、C2、C3。表1中的数据为各评价指标的特征值。
1.2.2 构建未确知属性测度函数 以第j个指标的第k个分类等级的特征值tij作为分类样本集的分类中心, 根据分类中心建立未确知属性测度函数μ ijk。
以pH为例, 评价指标I1相对于评价等级C1、C2和C3的特征值分别为7.0、7.5和8.5。据此建立未确知属性测度函数为:
同样, 可建立其余7个评价指标的未确知属性测度函数, 其中第6个指标(阳离子交换量)与第4个指标(速效磷)的未确知属性测度函数相同, 这7个评价指标的未确知属性测度函数分别为:
μ 21=
μ 31=
μ 41=
μ 51=
μ 71=
μ 81=
1.2.3 未确知属性测度分析 未确知测度分析包括两个方面:一是单指标的未确知属性测度分析; 二是样本综合未确知属性测度分析。单指标的未确知测度分析即根据上述未确知属性测度函数计算各评价指标相应于Ck的属性测度值μ jk。样本综合未确知属性测度分析则根据μ k=
1.2.4 基于置信度准则的样本所属类别分析 属性数学理论采用置信度准则, 对评价样本的状况级别进行属性识别。置信度准则为:
在分类集合F=(C1, C2, …, Cp)中, 设第k级别比k+1好(或差), 记为:Ck> Ck+1(或Ck< Ck+1)。当满足C1> C2> …> Cp, 或C1< C2< …< Cp, 称为F中的一个有序评价集。λ 为置信度, 取λ ≥ 0.6, 当C1> C2> …> Cp时, k=min(k:
以文献[21]提供的某城市绿地土壤肥力样本作为本研究该方法的评价实例。该绿地土壤的pH、有机质、碱解氮、速效磷、速效钾、阳离子交换量、容重和土壤含盐量8个指标的实测结果分别为8.1、13.05、38.16、22.13、20.36、15.49、1.41和0.28。单指标的未确知属性测度值和综合未确知属性测度值计算结果如表2所示。
![]() | 表2 某城市绿地土壤样本未确知属性测度分析 Table 2 Unascertained measurement analysis of an urban green space soil samples |
以置信度准则k=min(k:
以本研究对文献[19]提供的土壤肥力样本进行评价。采用土壤pH、有机质、碱解氮、速效磷、速效钾、容重、电导率7个参数, 对土壤肥力进行模糊综合评价。为了与本研究的评价指标相对应, 选择其中的土壤pH、有机质、碱解氮、速效磷、速效钾和容重6个指标进行评价, 这6个指标对应I1、I2、I3、I4、I5和I7, 其平均值分别为:7.84、9.13、35.44、13.81、71.45和1.48。单指标的未确知属性测度值和综合未确知属性测度值计算结果如表3所示。根据综合属性测度值可确定该土壤肥力状况处于C3级别, 即“ 低” 的水平。而文献[19]的模糊数学评价结果为“ 较低” , 两者评价结果一致。
![]() | 表3 某城市草坪土壤样本未确知属性测度分析 Table 3 Unascertained measurement analysis of an urban turf soil samples |
以该方法对文献[36]提供的13个土壤肥力样本进行评价。采用9个参数、5个级别对土壤肥力状况进行评价, 评价方法为全排列多边形图示指标法。为了与本研究的评价指标相对应, 选择其中的土壤pH、有机质、速效磷、速效钾、阳离子交换量和容重6个指标进行分析评价, 这6个指标分别对应I1、I2、I4、I5、I6和I7。文献[36]的土壤肥力状况“ Ⅰ 级” 对应于本研究的“ 低(C3)” 、“ Ⅱ -Ⅲ 级” 对应于本研究的“ 中(C2)” 、“ Ⅵ -Ⅴ 级” 对应于本研究的“ 高(C1)” 。
13个土壤肥力样本的单指标未确知属性测度值、综合未确知属性测度值计算结果, 以及未确知属性识别结果如表4所示。为了对比分析, 表4还列出了文献[36]的全排列多边形图示指标法的评价结果, 以及物元可拓法、改进的人工神经网络法的评价结果。通过对比发现, 该方法与上述3种方法的评价结果有较好的一致性, 其中, 该方法评价结果与全排列多边形图示指标法、物元可拓法以及改进的人工神经网络法评价结果的一致性分别为84.62%、92.31%和100%; 而文献[36]的全排列多边形图示指标法评价结果与物元可拓法、改进的人工神经网络法一致性分别为76.92%和92.31%。
![]() | 表4 某地区土壤样本未确知属性测度分析 Table 4 Unascertained measurement analysis of a certain area soil samples |
置信度λ 取值将直接影响到级别属性Ck中的k的取值。如取λ ≥ 0.5时, 实例一可评价为“ C2” 级别, 即该土壤样本肥力状况处于“ 中” 的水平; 实例三中的G2、G3、G7、G10、G11、G12等样本的级别属性则为“ C1” , 肥力状况处于“ 高” 的水平, 与其它3种方法的评价结果一致性降低。因此, 置信度λ 取值对分类结果的合理性还值得更进一步验证。
城市绿地土壤肥力评价指标基本上沿用农业、林业土壤肥力评价的指标体系, 这些评价指标难以全面反映城市土壤空间分割、人为影响因素多等因素的影响。此外, 城市绿地土壤肥力状况评价还应考虑土壤压实、容重和水分特征等物理性质改变产生的影响[37]。有研究表明, 土壤物理性质影响土壤肥力的释放[38], 压实会导致土壤肥力的降低[39], 土壤容重的变化影响植物根系生长[37]等。因此, 本研究所选用的评价指标体系的可行性、合理性和科学性还有待进一步深入研究。
该方法需要在确定的分类组数以及与评价指标相对应的分级标准的基础上构建未确知属性测度函数, 因此该方法的前提带有一定的主观性。到目前为止, 学术界对土壤肥力等级的分类组数仍没有统一的标准, 由于我国领土辽阔、自然条件多样, 划分土壤肥力统一的评价分类标准较为困难。因此, 在城市绿地土壤肥力评价中, 土壤肥力状况的类别、相应的评价指标的特征值还有待深入研究。
1)本研究基于未确知数学理论和属性数学理论, 建立了城市绿地土壤肥力综合评价的未确知属性测度分析法。该方法首先需要确定土壤肥力状况的评价指标和分级标准, 然后构建单指标的未确知属性测度函数, 再进行未确知属性测度分析, 根据样本的综合未确知属性测度值, 以属性数学理论中的置信度准则对评价样本的级别属性进行识别。
2)单指标未确知属性测度函数的构建以及未确知属性测度分析等, 过程简便快捷。通过未确知属性测度函数, 可以更精确地定量描述评价指标特征值的级别属性, 能较好地对土壤肥力状况进行数量化的综合评价。此外, 该方法可不对评价指标赋权, 避免了人为确定各评价指标权重而带来的主观性, 使得不同算法的分类结果具有可比性。
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
|
[18] |
|
[19] |
|
[20] |
|
[21] |
|
[22] |
|
[23] |
|
[24] |
|
[25] |
|
[26] |
|
[27] |
|
[28] |
|
[29] |
|
[30] |
|
[31] |
|
[32] |
|
[33] |
|
[34] |
|
[35] |
|
[36] |
|
[37] |
|
[38] |
|
[39] |
|