基于模糊逻辑的自适应神经推理系统（ANFIS）在半干旱草原放牧容量模拟中的应用及其可持续性意义

本研究创新性地采用自适应神经模糊推理系统（ANFIS），整合坡度、牧草产量、水源距离和土壤抗蚀性等多源生态参数，构建半干旱草原放牧容量动态预测模型。模型在训练集表现优异（NRMSE=4.7%），虽测试集误差较高（19.2%），但成功实现空间异质性量化分级，为草原可持续管理提供精准决策支持。

　　

Highlight

本研究通过神经模糊方法对伊朗西北部和土耳其东部的草原放牧容量进行建模，旨在利用坡度、牧草产量、水源距离和土壤抗侵蚀性四个变量数据，通过神经网络确定放牧容量。该方法的开发及其相应输出对可持续牧场管理至关重要。

Study area

研究区域涵盖伊朗西北部和土耳其东部，总面积1480平方公里（图2）。该地区气候属半干旱类型，年平均气温11.9°C（Baghanam等，2020）。夏季气温最高可达39°C（7月），冬季最低温可达-33°C（1月）（伊朗气象组织，2021）。

Application of ANFIS model

本研究中ANFIS模型为四层神经网络，模拟模糊推理系统工作原理。输入变量值域包括：坡度（5%-55%）、牧草产量（150-450 kg/ha）、水源距离（100-900 m）和土壤抗侵蚀性（0.22-0.28）。确定的值域范围如图6所示，揭示了这些变量在模型中的应用区间。

ANFIS model application for grazing capacity assessment in rangeland sustainability

图11展示了ANFIS模型生成的放牧容量分级GIS地图（a）与植被类型法结果（b）。图中排除了果园农田、岩石区和坡度>60%等不适合放牧的区域。ANFIS将放牧容量分为五级，结果显示西部和南部地区具有较高放牧容量，而中部区域容量较低。与传统植被类型分类法的对比表明，ANFIS因整合了多维度驱动因子而呈现出更精细的空间分异规律。

Discussion

我们开发的神经模糊方法成功量化了半干旱草原放牧容量的空间变异特征。模型训练阶段的高精度（NRMSE=4.7%）证明了ANFIS处理复杂非线性关系的能力，但测试集误差升高（NRMSE=19.2%）提示需关注模型过拟合和空间异质性问题。与仅依赖牧草生物量的传统方法相比，ANFIS通过多因子融合揭示了更符合生态机理的放牧潜力分布模式。

Conclusions

本研究通过ANFIS模型有效解决了数据缺失和建模不确定性问题，证实坡度和牧草产量是放牧容量的最关键驱动因子，而土壤抗蚀性和水源距离同样贡献显著的空间变异性。模型输出的五级分类框架可为退化风险区域提供精准管理依据，但需结合实地验证和动态因子（如干旱胁迫、牲畜物种差异）进一步优化生态现实性。