2021年克魯倫河流域草原載畜強度數據集

摘要：草原載畜強度是指單位面積上養(yǎng)殖的各類牲畜的數量，是評價草原生態(tài)狀況和草原管理的重要指標。草原載畜強度過高可能導致草原退化、土壤侵蝕、生物多樣性減少等一系列生態(tài)環(huán)境問題，研究估算草原載畜強度，并且指導合理的草原利用可以保持草原生態(tài)系統(tǒng)的可持續(xù)發(fā)展。傳統(tǒng)估算草原載畜強度方式耗時耗力，難以直接估算放牧對草原載畜強度的影響。本數據集以放牧數量表示草原載畜強度作為研究對象，運用貝葉斯網絡模型，考慮土壤屬性、植被、地形、河網密度和道路密度等環(huán)境影響因素和2021年克魯倫河流域113個嘎查的草原載畜強度之間的因果關系，估算克魯倫河流域公里網格內的草原載畜強度。2021年克魯倫河流域放牧馬、駱駝、牛、山羊和綿羊共五種牲畜，經過換算后共有10821500只綿羊，分布在113個嘎查中，顯示出顯著的空間異質性。研究表明，地形高程（DEM）、河網密度、植被指數（NDVI）和細粒土堆積密度直接影響草原的載畜強度，其中NDVI的影響最為顯著。草原載畜強度的預測結果顯示，綿羊數量最多可達53480只，最少為0，平均每平方公里有115只。該模型完成了對草原載畜強度的準確預測，交叉驗證中訓練數據精度為84%，測試數據的精度為87%。

關鍵詞：克魯倫河流域；貝葉斯網絡；載畜強度

數據摘要：

1 "引言

蒙古國位于蒙古高原，主要包括高山帶、山地草原帶、荒漠草原帶等7種主要的天然草原植被類型，有超過30%的人們將草原畜牧業(yè)作為主要產業(yè)^[1-3]。蒙古國的行政單位從大到小依次為省（аймаг， aimag）、蘇木（сум， soum）和嘎查（гахай， bag）。蒙古國的家畜養(yǎng)殖主要包括馬、駱駝、牛、山羊和綿羊五種^[4]。蒙古國國家局統(tǒng)計結果顯示，家畜養(yǎng)殖總的數量是逐年增加，2021年底時家畜的存欄量達到6 730萬頭，直接導致了蒙古國天然草原面積在逐年降低的問題^[5-6]。

克魯倫河發(fā)源于肯特山脈，途經草原地區(qū)，匯入我國北方第一大淡水呼倫湖，在資源、環(huán)境和生態(tài)方面對中蒙兩國十分重要。1980—2020年，克魯倫河流域的草地呈現(xiàn)減少趨勢^[7]。目前，克魯倫河流域也以放牧為主，隨著中上游草原載畜量大幅增加，一方面，過度利用導致草原牧草嚴重退化，濕地面積減少，土地沙化，嚴重破壞草原生態(tài)系統(tǒng)和平衡^[8-9]；另一方面，河流水質受到污染，威脅蒙古國水資源安全^[10]。因此，研究克魯倫河流域草原載畜強度對于管控克魯倫河流域放牧數量、保護草原生態(tài)系統(tǒng)以及生態(tài)治理河流污染具有重要意義。

草原載畜強度是指草原上單位面積內的牲畜數量，也是對草原的利用強度，它一直是草原生態(tài)系統(tǒng)合理規(guī)劃的重要指標，但載畜強度的測定卻是一個難題。研究提出通過草地在食用后和未食用時的重量對比，但這種方式需要采樣，不僅耗時耗力，還會對研究區(qū)域草地環(huán)境存在嚴重影響。Canfield提出利用草地重量和高度之間的關系，計算放牧使用量，從而確定草原載畜強度，但每種牧草的高度和重量關系是不同的^[11]。利用傳統(tǒng)遙感方式識別植被覆被變化估算草原利用強度，大區(qū)域高精度的遙感數據成本高，也會忽視人為活動、惡劣氣候環(huán)境、生物入侵等因素對草原造成的影響^[12]。本數據集將利用貝葉斯網絡模型，以單位面積的載畜數量作為草原載畜強度，不僅能夠直接衡量放牧對草地產生的載畜強度，還能充分考慮到附近環(huán)境因素的影響。貝葉斯網絡模型能夠通過探明變量間是否存在條件依賴關系構建繁復的交互關系網絡圖，從而揭示變量間的影響關系，彌補了傳統(tǒng)基于回歸的建模策略在變量較多且交互作用復雜時將出現(xiàn)估計偏性的缺陷^[13]。

由于克魯倫河流域放牧是流動的，每公里草地的放牧數量是難以統(tǒng)計的。需要獲取嘎查行政單元內的統(tǒng)計放牧數據，通過先進的貝葉斯網絡預測方法，考慮流域內自然因素和人為因素的綜合影響，進一步估算公里網格草地載畜強度。

2 "數據采集與處理

選取克魯倫河流域作為研究區(qū)域，以行政單位嘎查為研究對象，數據來源是對克魯倫河流域113個嘎查的調查數據，7個無放牧嘎查，106個有放牧嘎查。這些嘎查以河流為中心線，均勻分布在其兩側，并且在河流邊緣地區(qū)分布著密集的細小的嘎查（圖1）。該調查數據記錄了2021年各個嘎查中的5種牲畜的放牧數量，這5種牲畜分別指馬、駱駝、牛、綿羊和山羊，計數單位為1000頭。

由于草原上各種牲畜放牧的載畜強度存在較大差異，為了統(tǒng)一研究克魯倫河流域草原載畜強度。對于現(xiàn)有的牲畜數量，依據《天然草場適宜載畜量計算標準》（NY/T 635－2002）將各種牲畜換算為同一種牲畜。本數據集以成年綿羊為換算標準，在《天然草場適宜載畜量計算標準》中規(guī)定馬、駱駝、牛、山羊分別可以折合為6、7.5、6、0.8倍的一歲以上的成年綿羊。依據放牧牲畜量計算嘎查載畜強度，克魯倫河流域嘎查的載畜強度計算公式為（公式1）：

為估算克魯倫河流域草原放牧的載畜強度，本文選用了地形、NDVI、道路、河網和土壤屬性等13個環(huán)境因素作為影響因素。其中，土壤屬性數據包括0—5"cm和5—15"cm的砂土、黏土、粉砂土、細粒土的堆積密度、土壤pH值、總氮、有機碳密度、粗碎片的體積分數（gt;2 mm）和土壤的陽離子交換能力（cec），計算其平均值。月度NDVI數據選取7和8月份求平均值。對于克魯倫河流域的道路和河網數據采用“線密度”方式生成1千米分辨率的柵格數據。

本數據集運用貝葉斯網絡，挖掘各個影響因素以及草原載畜強度之間直接或者間接的關系。利用“以表格顯示分區(qū)統(tǒng)計”工具將所有影響因素的平均值統(tǒng)

計到每個嘎查，影響因素歸一化處理后作為訓練數據。同理，將所有影響因素分區(qū)統(tǒng)計到公里網格上，作為預測影響因子數據。

貝葉斯網絡使用R語言中的bnlearn包來實現(xiàn)。具體運用方式為：使用傳統(tǒng)的excel表格錄入各變量的值并可讀入R軟件，采用包含mmhc（Max-Min Hill-Climbing）在內的13種函數構建初始網絡圖，結合graphviz.plot函數將網絡結構可視化，利用set.arc、drop.arc和reverse.arc三個函數增加、刪除某條弧和改變弧的指向，通過查看調整后網絡圖中感興趣節(jié)點的馬爾可夫鏈，能夠得到與感興趣節(jié)點最直接相關的變量集，運用bn.fit函數進行參數學習，使用predict函數對克魯倫河流域公里網格的草原載畜強度進行預測。為滿足實際總數不變的約束，使用嘎查草原的載畜強度數據進行結果修正，得到最終的克魯倫河流域公里網格放牧載畜強度。利用交叉驗證方法計算模型的平均相對誤差、均方根誤差（Rmse）、均方誤差（mse）和平均絕對誤差（MAE），平均相對誤差反映模型精度，進而完成對模型準確性和可用性進行驗證。

3 "數據內容

2021年克魯倫河流域的113個嘎查換算后共有

10821500只綿羊，其中有7個嘎查屬于城區(qū)沒有放牧，

其他106個嘎查中放牧（圖2）。克魯倫河流域嘎查綿羊數量呈現(xiàn)空間異質性，圖顯示河流的南部數量明顯多于北部，東部數量多于西部地區(qū)。統(tǒng)計可知，克魯倫河流域以南44個嘎查的放牧數量為4602500只綿羊，以北67個嘎查的放牧數量為6219000只綿羊。放牧數量最多的為肯特省巴音胡塔格蘇木的第一嘎查。克魯倫河流域草原的載畜強度在河流邊緣值最大（圖3），嘎查中的平均每平方千米達到2758只綿羊。

基于先驗知識對貝葉斯網絡結構調整后，各個影響因素與載畜強度之間的直接和間接關系構建因果網絡圖（圖4）。本數據集發(fā)現(xiàn)DEM、河網密度、NDVI和細粒土的堆積密度對克魯倫河流域草原的載畜強度存在直接的影響，并且NDVI的作用最大。統(tǒng)計可知，DEM、NDVI、河網密度、道路密度和土壤屬性對克魯倫河流域草原的載畜強度綜合影響分別為-0.30、-0.64、0.19、0.13和-0.25。NDVI對草原載畜強度影響最大，也是受其他因素影響最多的變量，它受到河網密度、道路密度、有機碳密度、總氮和細粒土的堆積密度的綜合影響。

克魯倫河流域草原載畜強度空間分布圖如圖5所示。統(tǒng)計可知，預測的克魯倫河流域草原載畜強度公里網格中最大值為53480只綿羊，最小值為0只綿羊，平均值為115只綿羊。研究發(fā)現(xiàn)克魯倫河流域附近草原放牧數量最多，其他遠離河流網格內綿羊數量較少。

4 "質量控制與技術驗證

基于克魯倫河流113個嘎查草原載畜強度數據，采用平均相對誤差、均方根誤差（RMSE）、均方誤差（MSE）和平均絕對誤差（MAE）作為模型評價指標。本數據集通過10次隨機抽樣后，計算得到模型評價的平均值。其中，訓練數據的平均相對誤差為0.16，均方根誤差為0.13，均方誤差為0.02，平均絕對誤差為0.10；測試數據的平均相對誤差、RMSE、MSE和MAE分別為0.13、0.11、0.01和0.09。訓練和測試的精度分別為84%和87%。在交叉驗證中測試數據的驗證結果略優(yōu)于訓練數據，表明模型具有良好的泛化能力和較高的魯棒性。

5 "數據價值與使用建議

本數據為2021年克魯倫河流域草原載畜強度公里網格數據集，展示了不同公里網格中牲畜數量。克魯倫河流域附近草原以畜牧業(yè)為主要產業(yè)，呈現(xiàn)放牧多、污染大、管理欠缺的現(xiàn)象。因此，研究克魯倫河流域草原載畜強度對控制和管理克魯倫河流域水質安全具有重要意義。本數據集基于輔助變量信息，利用貝葉斯網絡模型，研究輔助變量信息與克魯倫河流域草原載畜強度之間直接和間接的因果關系，以此預測公里網格的載畜強度，厘清了不同輔助變量之間的關系，避免了出現(xiàn)機器學習預測中輔助變量之間相關影響的問題，清晰地展示了輔助變量相互的作用過程，并且提高模型預測的準確性。

6""數據可用性

開放訪問，遵從CC BY 4.0協(xié)議。https：//cstr.cn/17058.11.sciencedb.agriculture.00110；https：//doi.org/10.57760/sciencedb.agriculture.00110。

7 "代碼可用性

本文所用代碼儲存于：https：//www.bnlearn.com/。

數據作者分工職責

劉燕青，數據整理處理和論文撰寫。

高秉博，概念化與方法設計。

SUKHBAATAR Chinzorig，項目管理與項目監(jiān)管。

馮權瀧，總體方案設計與論文撰寫指導。

馮愛萍，數據質量控制與實驗方案設計。

姚曉闖，數據質量控制。

李淑華，論文撰寫指導。

楊建宇，論文架構指導與方法設計

利益沖突聲明

作者聲明，全部作者均無會影響研究公正性的財務利益沖突或個人利益沖突。

參考文獻

[1] 朝魯蒙."蒙古國中部草原植被和土壤微生物多樣性的研究."呼和浩特：內蒙古大學，2023.

[2] 秦福瑩，那音太."近20年蒙古國植被春季返青期時空變化特征.赤峰學院學報（自然科學版），2023，39（1）：1-4.

[3] 黃治鵬，黃毅，楊全俊，等."蒙古國草地農業(yè)及對我國的啟示.草業(yè)學報，2023，32（6）：1-15.

[4] 尼瑪蘇仁."蒙古國草原畜牧業(yè)發(fā)展與牧民生計研究.呼和浩特： 內蒙古大學，2018.

[5] 布仁高娃."蒙古國荒漠化現(xiàn)狀、成因及草原畜牧業(yè)前景研究."呼和浩特：內蒙古大學，2011.

[6] WEI Y， ZHEN L. The dynamics of livestock and its influencing factors on the Mongolian Plateau. Environmental Development， 2020， 34： 100518.

[7] 程佳蕊，毛德華，玉山，等."1980—2020年克魯倫河流域草地的時空變化."水土保持通報，2022， 42（3）： 296-303.

[8] 劉偉."渾善達克沙地正藍旗沙化土地生態(tài)修復規(guī)劃."北京：北京林業(yè)大學，2021.

[9] 薩茹拉，侯向陽，陳海軍，等."放牧強度對典型草原土壤微生物特征的影響.中國草地學報，2013，35（5）：86-91.

[10] STOUT W L， FALES S L，"MULLER L D，等."集約化放牧對美國東北部地區(qū)水質影響的評價.水土保持科技情報，2001（2）：1-3.

[11] CANFIELD R H. Measurement of grazing use by the line interception method. Journal of Forestry， 1944， 42（3）： 192-194. https：//doi.org/"10.1093/jof/42.3.192.

[12] FRANKE J， KEUCK V， SIEGERT F. Assessment of grassland use intensity by remote sensing to support conservation schemes. Journal for Nature Conservation， 2012， 20（3）： 125-34. https：//doi.org/10."1016/j.jnc.2012."02.001.

[13] VREBOS D， JONES A， LUGATO E， et al. Spatial evaluation and trade-off analysis of soil functions through Bayesian networks. European Journal of Soil Science， 2021， 72（4）： 1575-89. https：//doi."org/10.1111/"ejss.13039.

引用格式：劉燕青，高秉博，SUKHBAATAR Chinzorig，馮權瀧，馮愛萍，姚曉闖，李淑華，楊建宇.2021年克魯倫河流域草原載畜強度數據集[J].農業(yè)大數據學報，2025，7（1）：51-58. DOI：10.19788/j.issn.2096-6369.100024.

CITATION："LIU YanQing， GAO BingBo， SUKHBAATAR Chinzorig， FENG QuanLong， FENG AiPing， YAO XiaoChuang， LI ShuHua， YANG JianYu. Grassland Livestock Intensity Dataset for the Basin of Kherlen River in 2021[J]. Journal of Agricultural Big Data， 2025，7（1）："51-58. DOI： 10.19788/j.issn. 2096-6369.100024.

Grassland Livestock Intensity Dataset for the Basin of Kherlen River in 2021

LIU YanQing GAO BingBo SUKHBAATAR"Chinzorig FENG QuanLong FENG AiPing YAO XiaoChuang LI ShuHua YANG"JianYu

1.College of Land science and Technology， China Agricultural University， Beijing 100083， China; 2. Institute of Geography and Geoecology， Mongolian Academy of Sciences， Ulaanbaatar 15170， Mongolia;"3. Satellite Application Center for Ecology and Environment， MEE，"Beijing 100094， China;"4. Information Technology Research Center， Beijing Academy of Agriculture and Forestry"Sciences， Beijing 100097，China

Abstract： Grassland Livestock Intensity（GLI） refers to the number of various types of livestock raised per unit area， and is an important indicator for evaluating the ecological status and management of grasslands. Excessive GLI may lead to a series of ecological and environmental problems， such as grassland degradation， soil erosion and biodiversity reduction， so research on estimating the GLI and guiding reasonable grassland use can maintain the sustainable development of grassland ecosystems. The traditional way of estimating GLI is time-consuming and labour-intensive， and it is difficult to directly estimate the effect of grazing on the GLI. In this study， we used the grazing quantity to indicate the GLI as the research object， and used a Bayesian network model to estimate the GLI within a kilometre grid in the Basin of Kherlen River by considering the causal relationship between environmental influences， such as soil properties， vegetation， topography， river network density and road density， and the GLI of the 113 bags in the Basin of Kherlen River in 2021. In 2021， five types of livestock， including horses， camels， cows， goats， and sheep， were grazed in the Basin"of Kherlen River. After conversion， a total of 10821500 sheep were distributed among 113 bags， showing significant spatial heterogeneity. The study showed that topographic elevation （DEM）， river network density， vegetation index （NDVI） and fine-grained soil accumulation density directly affected the GLI， with NDVI having the most significant effect. The prediction results of GLI showed that the maximum number of sheep could be up to 53，480 and the minimum was 0， with an average of 115 sheep per square kilometre. The model accomplished accurate prediction of GLI with an accuracy of 84% for the training data and 87% for the test data in cross-validation.

Keywords： the Basin of Kherlen River;"Bayesian network; livestock intensity