Concurso Nacional de Modelado Matemático para Graduados 2022 Copa Huawei
Investigación sobre la estrategia de pastoreo en pastizales para la pregunta E
Título original reproducido:
1. Antecedentes Introducción
Los pastizales son uno de los tipos de vegetación terrestre más ampliamente distribuidos e importantes del mundo, con una amplia área de distribución. La superficie de pastizales de China es de 355 millones de hectáreas, lo que representa entre el 6% y el 8% del área total de pastizales del mundo, ocupando el segundo lugar en el mundo. Además, los pastizales tienen importantes funciones ecológicas al mantener la biodiversidad, conservar el agua y el suelo, purificar el aire, secuestrar carbono y regular la erosión del suelo y las tormentas de arena. Desde que el Comité Central del Partido y el Consejo de Estado implementaron la política de "devolver el ganado a los pastizales" en 2003, se han logrado resultados notables en la protección y mejora del entorno ecológico de los pastizales y en la mejora de los medios de vida de las personas. "Devolver el pastoreo a los pastizales" no prohíbe el pastoreo. Además de prohibir el pastoreo en algunas áreas, muchos pastizales implementan pastoreo de rotación zonificado y pastoreo de descanso durante la temporada de crecimiento. Una política de pastoreo razonable es la clave para impulsar la economía regional, prevenir la desertificación de los pastizales y garantizar el sustento de las personas. La investigación sobre cuestiones de optimización del pastoreo también proporciona una base científica para que el estado y el gobierno formulen políticas de pastoreo y decisiones de gestión de los pastizales.
Los pastizales de China se dividen principalmente en pastizales templados, pastizales alpinos y pastizales desérticos. La pradera Xilin Gol en Mongolia Interior es una pradera representativa y típica entre las praderas templadas. Es una de las cuatro praderas principales de China. Está situada en el río Xilin en la meseta de Mongolia Interior. Sus coordenadas geográficas están entre 110°50′ y 119°58′ de longitud este y 41°30 de latitud norte. Entre ′~46°45′, la precipitación media anual es de 340 mm. Los pastizales de Xilingol en Mongolia Interior no sólo son una importante base nacional de producción ganadera, sino también una importante barrera ecológica verde. Desempeñan un papel en la reducción de la aparición de tormentas de arena y condiciones climáticas severas, y también son un área típica para estudiar el mecanismo de respuesta de los ecosistemas. a la interferencia humana y el cambio climático global Una y una parte importante del Transecto Terrestre del Programa Internacional Geosfera-Biosfera (IGBP) - Transecto del Ecosistema Terrestre del Noreste de China (NECT).
En cuanto al pastoreo en pastizales, generalmente se consideran dos factores: el método de pastoreo y la intensidad del pastoreo (densidad de ganado por unidad de área). Los métodos de pastoreo se pueden dividir en muchos tipos. Alguna literatura divide los métodos de pastoreo en los cinco tipos siguientes: pastoreo continuo durante todo el año, prohibición de pastoreo, rotación de zonificación selectiva, pastoreo ligero y pastoreo de descanso durante la temporada de crecimiento. La intensidad del pastoreo se puede dividir en cuatro tipos: control, intensidad de pastoreo ligero, intensidad de pastoreo moderada e intensidad de pastoreo intenso. Los datos de los Anexos 14 y 15 dividen la intensidad de pastoreo para el pastoreo rotacional en áreas seleccionadas en: control (NG, 0 ovejas/día/ha), intensidad de pastoreo ligero (LGI, 2 ovejas/día/ha), intensidad de pastoreo media (MGI ), 4 ovejas/día/ha) e intensidad de pastoreo intenso (HGI, 8 ovejas/día/ha). En la práctica, también se pueden realizar las siguientes divisiones: control (NG, 0 ovejas/día/ha), intensidad de pastoreo ligera (LGI, 1-2 ovejas/día/ha), intensidad de pastoreo moderada (MGI, 3-4 ovejas) /día/ha) e intensidad de pastoreo intenso (HGI, 5-8 ovejas días/ha).
El crecimiento de las plantas sigue sus propias reglas de crecimiento y también se ve afectado por el entorno que las rodea. Por ejemplo, la precipitación, la temperatura, la humedad del suelo, el pH del suelo, los nutrientes, etc. determinan el crecimiento de las plantas. Cuando pastan ovejas (la ingesta diaria de alimento del ganado es de 1,8 kg, que es la unidad estándar de ovejas, incluidos los corderos. El coeficiente de conversión para ganado grande es 6,0, como ganado vacuno, caballos, camellos, y el coeficiente de conversión para cachorros de ganado grande es 3.0) come plantas. Por un lado, las plantas La biomasa aérea se reduce; por otro lado, el pastoreo tiene un efecto estimulante sobre las plantas y cambia la tasa de crecimiento original de las plantas. Un pastoreo adecuado estimulará el crecimiento supercompensatorio. de plantas, y el pastoreo irrazonable también reducirá la tasa de crecimiento de las plantas.
El pastoreo excesivo, a menudo debido a una densidad excesiva de ganado, puede provocar la destrucción de la estructura de la vegetación de los pastizales, aumentar el área de suelo expuesta, promover la evaporación en la superficie del suelo, afectar negativamente el movimiento relativo del agua en el suelo y destruir el equilibrio de la acumulación de sal en el suelo. y desalinización, y aumentan La acumulación de sal en la superficie del suelo aumenta la salinización del suelo. En última instancia, conduce a la degradación de los pastizales y la desertificación de la tierra.
El pastoreo moderado puede mejorar la calidad del suelo de los pastizales y aumentar la biodiversidad de los pastizales. Por un lado, el pisoteo del ganado hace que la basura se descomponga y penetre completamente en el suelo, aumentando así el contenido de materia orgánica, nitrógeno y potasio del suelo y reduciendo la compactación del suelo. Por otro lado, el pastoreo puede reducir la humedad superficial del suelo y el pH, y aumentar hasta cierto punto la densidad aparente del suelo. El contenido y la proporción de nitrógeno, fósforo y potasio del suelo son indicadores importantes de la composición y calidad de la materia orgánica del suelo. El contenido de fósforo afectará la tasa de descomposición de la basura en el suelo, la cantidad y actividad de los microorganismos y la acumulación de carbono orgánico y nutrientes. El potasio puede promover el metabolismo fisiológico de las plantas, mejorar la resistencia al estrés y promover la absorción y utilización de nutrientes nitrogenados por parte de las plantas. El contenido total de nitrógeno del suelo disminuyó al aumentar la intensidad del pastoreo. Los estudios han demostrado que el contenido total de nitrógeno del suelo en las praderas alpinas muestra una tendencia a la baja a lo largo del gradiente de pastoreo. Por lo tanto, para garantizar que el suelo alcance un estado adecuado, la clave del problema es encontrar el umbral para el número de ovejas en pastoreo (ovejas estándar).
La desertificación del suelo, también conocida como desertificación arenosa, es un tipo principal de desertificación. La desertificación se produce cuando se destruye el equilibrio del ecosistema natural debido a la influencia de factores naturales o actividades humanas en las condiciones de base material arenosa y energía eólica árida en zonas áridas, semiáridas y parcialmente semihúmedas, y actividades de viento y arena. son los principales signos de ocurrencia, y gradualmente formaron el proceso de degradación ambiental de la erosión eólica y las formas terrestres de acumulación de viento, lo que provocó que se produjeran cambios ambientales similares a los paisajes desérticos en áreas que originalmente no tenían paisajes desérticos. La llamada compactación del suelo significa que el suelo rompe su estructura original y la materia orgánica de la superficie resulta gravemente dañada. Hay muchas razones para la compactación del suelo, como suelo pobre, densidad aparente excesiva, textura del suelo demasiado pegajosa y una grave falta de fertilizantes orgánicos.
El índice de grado de desertificación (SM) define el grado de desertificación a partir de una categoría matemática y utiliza ciertos estándares de calificación para que corresponda al grado de desertificación. El grado de desertificación se divide en cinco categorías: no desertificación, desertificación leve, desertificación moderada, desertificación severa y desertificación muy severa. SM adopta el método de escala 0-1.
Cuanto menor es la humedad del suelo, mayor es la densidad aparente, menor es el contenido de materia orgánica y más grave es la compactación del suelo.
Las propiedades físicas y químicas del suelo son factores importantes que afectan la fertilidad del suelo. Las propiedades químicas del suelo incluyen: carbono orgánico del suelo COS, carbono inorgánico del suelo SIC, carbono total del suelo STC, N total, relación C/N del suelo, etc.; las propiedades físicas del suelo incluyen: suelo humedad, densidad aparente del suelo, etc. En términos generales, si bien se mantienen sin cambios las propiedades químicas del suelo y otras condiciones básicas, las precipitaciones aumentarán la humedad del suelo y el aumento de la humedad del suelo aumentará la cobertura vegetal de los pastizales. Con una buena cobertura vegetal, la intensidad del pastoreo se puede aumentar adecuadamente dentro de un área determinada. , mayor intensidad de pastoreo significa más cantidad de pastoreo, y sin considerar los subsidios al pastoreo y las fluctuaciones de precios, una mayor cantidad de pastoreo representa mayores ingresos por pastoreo.
La gestión de los recursos de pastizales modernos debe seguir los principios del desarrollo sostenible y tratar de maximizar los beneficios económicos garantizando al mismo tiempo el desarrollo sólido y saludable del entorno ecológico. Herman E. Daly, un famoso economista ecológico estadounidense, definió el desarrollo sostenible como: "El desarrollo sostenible es un desarrollo en el que el crecimiento a escala económica no excede la capacidad de carga del entorno biológico". La idea es que "la idea general del desarrollo sostenible es que los subsistemas económicos no deben crecer a una escala que el ecosistema pueda sostener o soportar para siempre". En los sistemas regionales de pastizales, la capacidad de carga es una herramienta para evaluar el desarrollo sostenible. En el "Diccionario inglés-chino del Lejano Oriente", la capacidad de carga se define como "el número de organismos que un determinado entorno natural puede albergar (refiriéndose al límite máximo)". La capacidad de carga de los ecosistemas regionales y el desarrollo sostenible son dos conceptos que se complementan.
2. Problemas por resolver:
recopile datos relevantes sobre pastizales (densidad aparente del suelo, pH del suelo, etc.) en base a los datos adjuntos. Por razones históricas, aunque los datos no son suficientes, aún es necesario resolver problemas prácticos. Complete las siguientes preguntas mediante modelos matemáticos:
Pregunta 1. Desde la perspectiva del análisis de mecanismos, establezca un modelo matemático del impacto de diferentes estrategias de pastoreo (métodos de pastoreo e intensidad de pastoreo) sobre las propiedades físicas del suelo (principalmente humedad del suelo) y la biomasa de la vegetación en Pastizal Xilin Gol.
Pregunta 2. Con base en los datos de humedad del suelo en el Anexo 3, los datos de evaporación del suelo en el Anexo 4 y los datos de precipitación en el Anexo 8, establezca un modelo para predecir la humedad del suelo a diferentes profundidades en 2022 y 2023 manteniendo la estrategia de pastoreo actual, y Complete la siguiente tabla.
Pregunta 3. Desde la perspectiva del análisis de mecanismos, establecer un modelo matemático del impacto de diferentes estrategias de pastoreo (métodos de pastoreo e intensidad de pastoreo) sobre las propiedades químicas del suelo en Xilin Gol Grassland. Utilice también los datos del Apéndice 14 para predecir los valores de carbono orgánico del suelo, carbono inorgánico, N total y relación C/N del suelo en la parcela de muestra de monitoreo de pastizales de Xilin Gol (12 parcelas de pastoreo) con diferentes intensidades de pastoreo en 2022. y completa la siguiente tabla.
Pregunta 4. Utilice el modelo de predicción del índice de grados de desertificación y los datos proporcionados en el archivo adjunto (incluidos los datos recopilados por usted mismo) para determinar el valor del índice de grados de desertificación del punto de monitoreo con diferentes intensidades de pastoreo. Y por favor intente dar una definición cuantitativa de compactación del suelo. Basándose en el establecimiento de un modelo de compactación del suelo razonable y combinándolo con la pregunta 3, proporcione un modelo de estrategia de pastoreo para minimizar el índice de grado de desertificación y el grado de compactación.
Pregunta 5. La precipitación anual (incluidas las nevadas) de los pastizales de Xilin Gol en los últimos 10 años suele estar entre 300 mm y 1200 mm. Bajo las precipitaciones dadas (300 mm, 600 mm, 900 mm y 1200 mm), por favor mantenga los pastizales sostenibles. En condiciones de desarrollo, se resolvió el número de ovejas pastando en el pasto experimental (Apéndices 14 y 15) para encontrar el umbral máximo. (Nota: No es necesario que el resultado del cálculo aquí sea un número entero positivo.)
Pregunta 6. Mientras se mantiene sin cambios la estrategia de pastoreo de los pastores de demostración en el Apéndice 13 y el plan de pastoreo obtenido en la Pregunta 4, prediga el área de demostración usando diagramas o diagramas dinámicos. demostraciones Estado de la tierra en septiembre de 2023 (como cambios en la fertilidad del suelo, humedad del suelo, cubierta vegetal, etc.).
Descripción general del proceso de solución general (resumen)
Desde 2003, la "política de retorno del pastoreo a los pastizales" ha entrado gradualmente en el horizonte de la gente, y una gestión estratégica razonable del pastoreo en los pastizales se ha convertido en un medio importante para mantener la biodiversidad y regular la erosión del agua y del suelo y otros fenómenos. En este contexto, este artículo estudia muchas cuestiones relacionadas con el impacto de una serie de intensidades de pastoreo en las propiedades físicas, las propiedades químicas y la biomasa vegetal del suelo de los pastizales. Recopila ampliamente datos globales sobre el suelo y datos relacionados con la literatura, y realiza procesamiento de datos y fusionando.Utiliza de manera integral ecuaciones de cálculo, modelo de regresión polinómica, algoritmo de mínimos cuadrados ordinarios OLS, modelo de predicción de series de tiempo, modelo de árbol de decisión, modelo de regresión RandomForest, método de diagnóstico de regresión univariada, algoritmo de enjambre de partículas, análisis de impacto de características de explicación aditiva de SHapley, análisis de correlación, análisis factorial, coeficiente de variación El método, el método de entropía, el algoritmo evolutivo multiobjetivo y otros métodos se utilizan para establecer modelos matemáticos de temas relacionados. Los métodos específicos son los siguientes: Para la pregunta 1 (modelo matemático del impacto de la intensidad del pastoreo
en propiedades físicas del suelo y biomasa vegetal), primero, desde la perspectiva del análisis de mecanismos. Aclarar la relación y los principales indicadores del impacto de la estrategia de pastoreo en la humedad del suelo y la biomasa vegetal, y adoptar un método de razonamiento paso a paso para determinar la solución matemática. modelo. Luego, utilice los datos de los anexos 3, 4, 5, 6, 9 y 10 para estudiar la relación entre precipitación, evaporación, índice de área foliar, cobertura de plantas verdes y otros indicadores importantes con el tiempo. Luego, se utilizó el modelo de análisis de series de tiempo ARIMA para realizar modelos de series de tiempo de precipitación y evaporación respectivamente, y se utilizaron el coeficiente de autocorrelación/autocorrelación parcial, BIC y el gráfico de cuantiles para la selección óptima del modelo y la verificación de la estabilidad de las series de tiempo; al mismo tiempo , a través de la distribución de indicadores de observación, se utilizó un modelo de análisis de regresión polinomial para realizar modelos de regresión del índice de área foliar y la cobertura de plantas verdes, y se utilizó el método de mínimos cuadrados OLS para resolver los parámetros óptimos del modelo. Finalmente, se realizó un análisis cualitativo para revelar la relación entre los efectos de diferentes estrategias de pastoreo sobre las propiedades físicas del suelo y la biomasa vegetal.
Con respecto a la pregunta dos (predicción de la humedad del suelo a diferentes profundidades en 2022 y 2023), primero, con base en el modelo matemático de humedad del suelo establecido desde la perspectiva del análisis de mecanismos en la pregunta uno, se aclaran los indicadores que influyen en la humedad del suelo; luego, lineal /se utiliza análisis de regresión no lineal Los indicadores clave que influyen (precipitación, evaporación del suelo) se modelan y predicen en meses designados respectivamente; luego, basándose en el modelo de regresión múltiple de precipitación, evaporación del suelo y humedad del suelo a diferentes profundidades, se determina la relación de interacción entre los Se explora tres. ; Finalmente, se predijo la humedad del suelo a diferentes profundidades en 2022 y 2023, y los resultados de la predicción se analizaron multidimensionalmente, revelando los cambios en la humedad del suelo con la precipitación y la humedad del suelo, así como sus características y razones de evolución. en diferentes meses y estaciones.
Con respecto a la pregunta tres (modelo matemático y predicción del impacto de la intensidad del pastoreo en las propiedades químicas del suelo), primero, para establecer un modelo de mecanismo del impacto de la intensidad del pastoreo en las propiedades químicas del suelo, basado en el modelo de ecuación existente, el suelo práctico Las propiedades químicas (SOC, SIC y N total) se correlacionaron y promediaron con los datos de biomasa vegetal para construir ecuaciones entre las propiedades químicas del suelo y el modelo de crecimiento de plantas y pastoreo de Woodward. En segundo lugar, según el método de resolución de ecuaciones de la Pregunta 1, la regresión polinómica se utiliza para resolver los coeficientes relacionados con los cambios en las propiedades químicas del suelo a lo largo del tiempo y construir un modelo matemático. Posteriormente, se construyeron 60 modelos basados en regresión MCO para mostrar cambios en las propiedades químicas del suelo en diferentes parcelas a lo largo del tiempo bajo diferentes intensidades de pastoreo. Se utilizaron parcelas CCPR, parcelas de ajuste, parcelas de regresión parcial y parcelas de residuos modelo para probar la validez de la MCO. modelo de regresión y realizar predicción de regresión. Finalmente, se realizó una investigación ampliada y se establecieron un total de 9 modelos de regresión, incluida la regresión de árbol de decisión, la regresión lineal, la regresión de bosque aleatorio, la regresión de árbol de decisión AdaBoost, la regresión de GradientBoost, la regresión de XGBoost, la regresión de CatBoost, la regresión lineal de red neuronal y la regresión de LGBMBoost. , para predecir el impacto de diferentes intensidades de pastoreo en Para la influencia de las propiedades químicas del suelo, considere el modelo óptimo que afecta cada propiedad química del suelo y realice un ajuste de parámetros. Determine el mejor modelo que afecta cada propiedad química del suelo y luego introdúzcalo en el explicable. Aprendizaje automático SHapley Modelo de explicación aditiva para establecer diferentes modelos Efectos de la intensidad del pastoreo sobre las propiedades químicas del suelo. Los resultados de la investigación muestran que el uso de la regresión OLS puede adaptarse bien a las tendencias cambiantes de las propiedades químicas del suelo en cada parcela bajo diferentes intensidades de pastoreo. Se establece el mecanismo de influencia basado en el modelo SHAP, que explica perfectamente los resultados del impacto de diferentes pastoreos. intensidades en las propiedades químicas del suelo y verifica la eficacia de la máquina de los modelos de aprendizaje en investigaciones relacionadas.
Con respecto a la pregunta cuatro (modelo de predicción del índice de desertificación y compactación del suelo), se descubrió a través de la observación que los datos de investigación existentes no pueden respaldar la solución de este problema. Por lo tanto, este artículo recopila ampliamente datos sobre los recursos hídricos de Mongolia Interior y datos de información global del suelo. Para el modelo de predicción del índice de grados de desertificación, con base en la literatura existente, restablecemos indicadores de alerta temprana del grado de desertificación basados en factores de diversidad de crecimiento vegetal, factores meteorológicos, factores de recursos superficiales y hídricos, y factores humanos, integrando el Anexo 2, Anexo 6, Anexo. 8, y Anexo 15 Y los datos de recursos hídricos del sitio web del gobierno de Mongolia Interior, utilizando el método de llenado de valores faltantes de bosque aleatorio y el método de interpolación iterativa para completar los datos faltantes, y considerando plenamente los efectos positivos y negativos de los indicadores, una fórmula para construir el índice del grado de desertificación con base en el método de análisis factorial y se construyó el método del coeficiente de variación; Para el modelo del grado de compactación del suelo, recopilamos aleatoriamente datos de información global del suelo de 50 regiones en WoSIS, construimos una fórmula global del grado de compactación del suelo basada en el método del valor de entropía, determinó la definición cuantitativa de compactación del suelo y utilizó el método de visualización de florecimiento para mostrar el 50 El grado de compactación del suelo en la región; finalmente, basado en el algoritmo de enjambre de partículas PSO, el modelo de predicción del grado de desertificación y el suelo El modelo de grado de compactación se resolvió de manera óptima y se determinó que la estrategia de pastoreo óptima era: cuando la precipitación mensual es de aproximadamente 45 mm y la temperatura promedio es de aproximadamente 19 grados, utilizando el método de pastoreo ligero.
Con respecto a la pregunta 5 (bajo condiciones de lluvia específicas, predecir el número máximo de ovejas estándar pastando según el principio de desarrollo sostenible de los pastizales), se realizó un análisis del coeficiente de correlación de Pearson sobre las condiciones climáticas en el Apéndice 8 para mostrar la correlación entre las precipitaciones y otras condiciones climáticas. Débil y puede usarse como variable independiente. El principio del desarrollo sostenible de los pastizales es buscar maximizar los beneficios económicos garantizando al mismo tiempo el desarrollo sano y saludable del entorno ecológico, para ello este artículo define el índice de desertificación, el grado de compactación del suelo y los indicadores de biodiversidad para evaluar el desarrollo sano de la ecología de los pastizales. , utilizando ovejas estándar Los beneficios económicos se evalúan cuantitativamente y el problema se trata como un problema de optimización multiobjetivo. Entre ellos, el índice de biodiversidad se calcula utilizando el índice ACE en diversidad alfa, y luego se utiliza la regresión polinómica para establecer un modelo de regresión entre la diversidad de plantas y la precipitación y el número de ovejas; los beneficios económicos se analizan en el Apéndice 13, y los beneficios económicos los beneficios por hectárea son los mismos que el número de ovejas Modelo de regresión para número de grupos. Finalmente, para este problema de optimización multiobjetivo, se utilizó un algoritmo evolutivo multiobjetivo basado en descomposición basado en el modelo de regresión de fusión para encontrar el umbral máximo para el número de pastoreo de ovejas estándar mientras se resolvía el valor óptimo de la función objetivo y se satisfacía las limitaciones.
Con respecto a la pregunta seis (resolver los cambios en las condiciones de la tierra bajo diferentes estrategias de pastoreo), basándose en la investigación de las primeras cinco preguntas, este artículo descompone la pregunta seis en cuatro subproblemas y establece modelos de regresión para diferentes intensidades de pastoreo y propiedades químicas del suelo. química El modelo de regresión entre la naturaleza, las precipitaciones y la humedad del suelo, el modelo de regresión entre el índice de vegetación y la cobertura de plantas verdes, y el modelo de regresión entre la humedad del suelo y la cobertura de plantas verdes pueden resolver indirectamente el problema de la fertilidad de la tierra, la humedad del suelo y las plantas verdes en diferentes condiciones. estrategias de pastoreo Cambios en la cobertura.
Supuestos del modelo:
Con base en los datos de monitoreo y estudio de pastizales de la Liga Xilingol en Mongolia Interior y las condiciones dadas en esta pregunta, este artículo hace las siguientes suposiciones:
(1) Los datos proporcionados no tienen influencia de otros factores externos, excepto las restricciones dadas y el manual. Los errores estadísticos de los datos pueden ignorarse.
(2) Además de los datos adjuntos, se puede ignorar la influencia de otros factores externos sobre las propiedades físicas, químicas, etc. del suelo.
(3) Los datos que deben recopilarse por año o mes se pueden calcular promediando.
(4) Los datos faltantes se pueden completar mediante interpolación promedio.
(5) Cuando se determina la estrategia de pastoreo, se puede ignorar el impacto de las actividades humanas en el suelo y otros indicadores.
(6) Todos los modelos de referencia, fórmulas y literatura son verdaderos y correctos.
análisis del problema:
Desde la perspectiva del análisis de mecanismos, se estableció un modelo matemático del impacto de diferentes estrategias de pastoreo (métodos de pastoreo e intensidad de pastoreo) sobre las propiedades físicas del suelo (principalmente humedad del suelo) y la biomasa vegetal en los pastizales de Xilin Gol. En la actualidad, diferentes estrategias de pastoreo tendrán un impacto en la biomasa vegetal, y los cambios en la biomasa están relacionados con la cobertura vegetal y la interceptación máxima de la vegetación. De acuerdo con la ecuación básica del balance hídrico en el sistema suelo-vegetación-atmósfera, se puede saber que la tasa de interceptación de la vegetación afectará el cambio en el almacenamiento de agua del suelo. Por lo tanto, la intensidad del pastoreo afectará indirectamente los cambios de humedad del suelo. Para analizar el modelo de humedad del suelo, es necesario obtener factores como la precipitación, la evaporación, la tasa de interceptación de la vegetación y la tasa de cobertura vegetal que afectan los cambios en el almacenamiento de agua del suelo.
La segunda pregunta requiere el establecimiento de algunos modelos para predecir la humedad del suelo a diferentes profundidades en 2022 y 2023 manteniendo sin cambios la estrategia de pastoreo actual. Según la pregunta 1, la humedad del suelo está relacionada con la precipitación, la evaporación del suelo, la intercepción de la vegetación, el ascenso capilar del agua, la infiltración y escorrentía del agua del suelo, etc. Por lo tanto, manteniendo inalterada la estrategia de pastoreo, se determina la biomasa vegetal (según la Pregunta 1: La fórmula de relación entre métodos de pastoreo y biomasa vegetal). Dado que la cantidad de vegetación interceptada está relacionada con la biomasa vegetal, se supone que el ascenso capilar del agua del suelo y la infiltración de agua del suelo en Mongolia Interior son cantidades específicas y, al mismo tiempo, la entrada y salida de escorrentía en los pastizales son iguales. . Por lo tanto, los indicadores clave que afectan la humedad del suelo son la evaporación y la precipitación del suelo. Para predecir la humedad del suelo a diferentes profundidades en 2022 y 2023, primero prediga la evaporación y la precipitación del suelo y luego obtenga datos de humedad del suelo en un momento específico basándose en la relación ajustada entre la evaporación y la precipitación del suelo sobre la humedad del suelo.
La pregunta se divide en dos subpreguntas. La primera subpregunta, al igual que la pregunta 1, requiere establecer el impacto de diferentes estrategias de pastoreo en las propiedades químicas del suelo de los pastizales Xilin Gol desde la perspectiva del análisis de mecanismos. dirección del impacto de las estrategias de pastoreo en las propiedades químicas del suelo, establecimos un modelo del impacto de las estrategias de pastoreo en las propiedades químicas del suelo; el segundo subproblema requiere completar la predicción de varias propiedades químicas del suelo en 2022 bajo diferentes estrategias de pastoreo.
La pregunta 4 incluye tres subpreguntas, y cada subpregunta se analiza de la siguiente manera:
Subpregunta 1: Se requiere utilizar el modelo de predicción del índice de grado de desertificación para determinar el grado de desertificación en el punto de monitoreo bajo diferentes intensidades de pastoreo. Para abordar este problema, primero debemos clasificar y determinar las variables que afectan el índice de grado de desertificación y, en segundo lugar, debemos determinar los coeficientes de cada variable en el índice de desertificación. Según el índice del grado de desertificación proporcionado por la pregunta, encontramos que el conjunto de datos proporcionado por la pregunta es limitado y es difícil recopilar más datos relevantes, por lo que en esta pregunta redefinimos los indicadores relevantes que afectan el grado de desertificación. desertificación con base en la literatura existente, luego se utiliza el método del coeficiente de variación para determinar los coeficientes de cada indicador y luego predecir el grado de desertificación en el punto de monitoreo bajo diferentes intensidades de pastoreo. Esta parte involucra datos relevantes como el Anexo 15, Anexo 8, Anexo 6 y Anexo 2.
Subproblema dos: El subproblema dos requiere una definición cuantitativa de compactación del suelo y el establecimiento de un modelo de compactación del suelo razonable. Dado que no hay datos más relevantes en la pregunta, primero recopilamos datos sobre la materia orgánica del suelo, la humedad del suelo y la densidad aparente del suelo de otros sitios web, y luego utilizamos el método de entropía para determinar el coeficiente de peso de cada indicador, y luego establecemos un suelo. modelo de compactación. .
Subpregunta 3: Proporcionar un modelo de estrategia de pastoreo para minimizar el índice de grado de desertificación y el grado de compactación del suelo. Considerando que las fórmulas sobre el índice de grado de desertificación y la compactación del suelo se pueden resolver de acuerdo con el subproblema y el subproblema 2, con base en estas dos fórmulas, se utiliza el algoritmo de enjambre de partículas para resolverlo. Método de llenado de valores faltantes de bosque aleatorio y método de valores faltantes multivariados IterativeImputer.
La pregunta 5 requiere encontrar el umbral máximo para el número de ovejas que pastan en el pasto experimental bajo una determinada cantidad de precipitación mientras se mantiene el desarrollo sostenible del pastizal. El principio de desarrollo sostenible de la gestión moderna de los recursos de pastizales es buscar maximizar los beneficios económicos garantizando al mismo tiempo un desarrollo bueno y saludable del entorno ecológico. Con base en la pregunta 4, definimos un buen entorno ecológico como un pastizal con un bajo grado de endurecimiento del suelo y desertificación y biodiversidad Rica. Ampliar el número de ovejas que pastan en pastos en busca de beneficios económicos tendrá un gran impacto en el entorno ecológico. Para lograr el desarrollo sostenible de los recursos de los pastizales, es necesario equilibrar el endurecimiento del suelo, la desertificación, la biodiversidad y los beneficios económicos. Por lo tanto, Consideramos este problema como un problema de optimización de objetivos múltiples y utilizamos principalmente el algoritmo de optimización de objetivos múltiples del modelo de regresión de fusión para obtener el umbral máximo del número de ovejas en pastoreo mientras se mantiene el desarrollo sostenible de los pastizales.
Este problema requiere predecir la fertilidad del suelo, la humedad del suelo, la cobertura vegetal y otras condiciones de la tierra en el área de demostración en septiembre de 2023 bajo dos condiciones: la estrategia de pastoreo de los pastores en el área de demostración permanece sin cambios y el plan de pastoreo obtenido en la pregunta 4. Para resolver este problema, utilizamos el modelo de intensidad de pastoreo y cobertura vegetal y el modelo de intensidad de pastoreo y condición del suelo obtenidos de las preguntas 1 y 3 para realizar los cálculos.
Miniatura general del documento sobre establecimiento y solución del modelo
Para ver todos los artículos, consulte "Solo modelado de tarjetas de presentación QQ" a continuación. Simplemente haga clic en la tarjeta de presentación QQ.
código:
Algunos programas de Python son los siguientes:
import pandas as pd
caoyuan=pd.read_excel('D:\\DataSet\\19届研究生数模竞赛\\2022年E题数据\数据集\监测点
数据\\附件14：内蒙古自治区锡林郭勒盟典型草原不同放牧强度土壤碳氮监测数据集
（2012年8月15日-2020年8月15日）\\内蒙古自治区锡林郭勒盟典型草原不同放牧强度土壤
碳氮监测数据集（2012年8月15日-2020年8月15日）.xlsx')
caoyuan=caoyuan[['intensity','SOC土壤有机碳','SIC土壤无机碳','STC土壤全碳','全氮N','土
壤C/N比']]
caoyuan.head()
from sklearn.preprocessing import OneHotEncoder
caoyuanH=pd.get_dummies(caoyuan, prefix=['inten','year','plot'],columns=['intensity','year','plot'])
import sklearn
#机器学习算法模型
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeRegressor
#准确率，精确率，召回率，f1
from sklearn.metrics import
accuracy_score,precision_score,recall_score,f1_score,classification_report
import xgboost as xgb
import joblib
from xgboost import XGBRegressor
from sklearn.model_selection import train_test_split
X = caoyuanH.drop(['SOC','SIC','STC','N','CN'],axis=1)
X
# X=caoyuanH[['SOC土壤有机碳','SIC土壤无机碳','STC土壤全碳','全氮N','土壤C/N比']]
Y=caoyuanH['SOC']
test_size = 0.2
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=123)
from sklearn.metrics import mean_squared_error,mean_absolute_error,r2_score
modelDecision= DecisionTreeRegressor()
modelDecision.fit(X_train, y_train)
# 对测试集做预测
y_pred = modelDecision.predict(X_test)
predictions = [round(value) for value in y_pred]
# 评估预测结果
MAE=mean_absolute_error(y_pred, y_test)
MSE=mean_squared_error(y_pred, y_test)
print(MAE,MSE)
modelMLP= MLPRegressor()
modelMLP.fit(X_train, y_train)
# 对测试集做预测
y_pred =modelMLP.predict(X_test)
predictions = [round(value) for value in y_pred]
# 评估预测结果
MAE=mean_absolute_error(y_pred, y_test)
MSE=mean_squared_error(y_pred, y_test)
print(MAE,MSE)
from sklearn import linear_model
modelLinear=linear_model.LinearRegression()
modelLinear.fit(X_train, y_train)
# 对测试集做预测
y_pred = modelLinear.predict(X_test)
predictions = [round(value) for value in y_pred]
# 评估预测结果
MAE=mean_absolute_error(y_pred, y_test)
MSE=mean_squared_error(y_pred, y_test)
print(MAE,MSE)
modelRandom= RandomForestRegressor()
modelRandom.fit(X_train, y_train)
# 对测试集做预测
y_pred = modelRandom.predict(X_test)
predictions = [round(value) for value in y_pred]
# 评估预测结果
MAE=mean_absolute_error(y_pred, y_test)
MSE=mean_squared_error(y_pred, y_test)
print(MAE,MSE)
modelADA= AdaBoostRegressor()
modelADA.fit(X_train, y_train)
# 对测试集做预测
y_pred =modelADA.predict(X_test)
predictions = [round(value) for value in y_pred]
# 评估预测结果
MAE=mean_absolute_error(y_pred, y_test)
MSE=mean_squared_error(y_pred, y_test)
print(MAE,MSE)
modelGradient= GradientBoostingRegressor()
modelGradient.fit(X_train, y_train)
# 对测试集做预测
y_pred =modelGradient.predict(X_test)
predictions = [round(value) for value in y_pred]
# 评估预测结果
MAE=mean_absolute_error(y_pred, y_test)
MSE=mean_squared_error(y_pred, y_test)
print(MAE,MSE)
modelXGB= XGBRegressor()
modelXGB.fit(X_train, y_train)
# 对测试集做预测
y_pred =modelXGB.predict(X_test)
predictions = [round(value) for value in y_pred]
# 评估预测结果
MAE=mean_absolute_error(y_pred, y_test)
MSE=mean_squared_error(y_pred, y_test)
print(MAE,MSE)
modelCat= CatBoostRegressor()
modelCat.fit(X_train, y_train)
# 对测试集做预测
y_pred =modelCat.predict(X_test)
predictions = [round(value) for value in y_pred]
# 评估预测结果
MAE=mean_absolute_error(y_pred, y_test)
MSE=mean_squared_error(y_pred, y_test)
print(MAE,MSE)
modelLGB= lgb.LGBMRegressor()
modelLGB.fit(X_train, y_train)
# 对测试集做预测
y_pred =modelLGB.predict(X_test)
predictions = [round(value) for value in y_pred]
# 评估预测结果
MAE=mean_absolute_error(y_pred, y_test)
MSE=mean_squared_error(y_pred, y_test)
print(MAE,MSE)
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error, median_absolute_error
from sklearn.preprocessing import PolynomialFeatures
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']
import pandas as pd
df = pd.read_excel(r'Data/f8_weather_3.xls', sheet_name='10月')
# 生成测试数据:
#nSample = 100
x = df['月份'].values # = np.linspace(0, 10, nSample) # 起点为 0，终点为 10，均分为
nSample个点
#e = np.random.normal(size=len(x)) # 正态分布随机数
y = df['降水量'].values #= 2.36 + 1.58 * x + e # y = b0 + b1*x1
# 按照模型要求进行数据转换：输入是 array类型的 n*m 矩阵，输出是 array类型的 n*1
数组
x = x.reshape(-1, 1) # 输入转换为 n行 1列（多元回归则为多列）的二维数组
y = y.reshape(-1, 1) # 输出转换为 n行1列的二维数组
# print(x.shape,y.shape)
# 定义多项式回归, degree的值可以调节多项式的特征
poly_reg = PolynomialFeatures(degree=2)
# 特征处理
x_poly = poly_reg.fit_transform(x)
# 定义回归模型
reg = LinearRegression()
reg.fit(x_poly, y)
#plt.plot(x, y, 'b.')
#plt.plot(x, reg.predict(x_poly), 'r')
#plt.show()
plt.style.use("seaborn-deep")
# 绘图：原始数据点，拟合曲线
fig, ax = plt.subplots(figsize=(8, 6))
ax.plot(x, y, 'o', label="data") # 原始数据
ax.plot(x, reg.predict(x_poly), 'r-', label="OLS") # 拟合数据
ax.legend(loc='best') # 显示图例
ax.legend(loc='best') # 显示图例
plt.title('降水量')
plt.grid(ls='--')
plt.savefig('降水量_duo10.jpg')
plt.show()
# 输出回归结果 XUPT
print('回归截距: w0={}'.format(reg.intercept_)) # w0: 截距
print('回归系数: w1={}'.format(reg.coef_)) # w1,..wm: 回归系数
# 回归模型的评价指标 YouCans
print('R2 确定系数：{:.4f}'.format(reg.score(x_poly, y))) # R2 判定系数
print('均方误差：{:.4f}'.format(mean_squared_error(y, reg.predict(x_poly)))) # MSE 均方误
差
print('平均绝对值误差：{:.4f}'.format(mean_absolute_error(y, reg.predict(x_poly)))) # MAE
平均绝对误差
print('中位绝对值误差：{:.4f}'.format(median_absolute_error(y, reg.predict(x_poly)))) # 中
值绝对误差