基于气象因子的启东市土壤墒情预报研究

顾天真， 徐 云， 张 琪， 顾沛澍

(江苏省南通市气象局，江苏南通 226000)

基于气象因子的启东市土壤墒情预报研究

顾天真， 徐 云， 张 琪， 顾沛澍

(江苏省南通市气象局，江苏南通 226000)

利用逐步回归方法，分别分析启东市2011—2014年的土壤表墒、底墒与同时期的气象因子(降水量、温度、湿度、日照、风)的相关性，筛选出影响土壤墒情的关键气象因子，并结合经验公式法建立土壤墒情预报模型。结果表明，影响启东市土壤墒情的气象因子主要是降水量、日照和气温，由此建立的预报模型预报未来30 d内土壤墒情的平均相对误差在5%以内，检验效果理想，说明利用该模型可以较为准确地预报未来30 d内土壤墒情，并用于指导农业生产。

土壤墒情；气象因子；逐步回归；统计预报

南通是长江中下游地区的平原，属北亚热带湿润气候区。受季风影响，年降水量的分布不均匀，夏季平均降雨量占全年降雨总量的60%。曹乃和等[1]研究发现，1963—2002年4—11月南通地区发生的月尺度干旱事件达87例，年均达2.2例，最多年份有5例。因干旱持续时间长、覆盖范围广，常给工农业生产和人民生活带来极其不利的影响，亦会给国民经济造成巨大损失。农业干旱的首要表现就是土壤墒情的持续下降，如果能掌握土壤墒情的变化规律，及时采取相应措施，就有可能实现作物的稳产、高产。

我国的土壤墒情预报研究始于20世纪70年代，但由于影响土壤墒情的因素太多，如气候因素、地貌特征、土质差异、植被生长情况等，且相互之间的关系较为复杂，导致这一研究的发展一直比较缓慢。国内外学者从不同的角度对土壤墒情预报进行了相关研究[2-7]，如舒素芳等[2]采用灰色关联度分析法，分析土壤湿度与相关气象因子的关系，找出关键气象因子，并由此建立了土壤墒情预测模型；马晓刚[3]研究了春播关键期的土壤墒情与前一年秋季降水量的关系，由此建立了土壤墒情的预测模型。但目前针对江苏省南通地区土壤特性的土壤墒情预报研究较少。笔者以启东市为例，采用逐步回归方法分析气象因子(降水、日照、气温、湿度、风速)与土壤墒情之间的相关性，筛选与土壤墒情关系密切、影响显著的气象因子，并由此建立土壤墒情预报模型，验证其预报准确率，证明其在启东地区的可行性。

1 资料与方法

1.1 资料来源 气象资料来源于南通市气象局启东气象观测站点2011—2014年逐日温度、降水、日照、相对湿度、风速等常规气象资料。土壤墒情资料来源于江苏省自动土壤水分监测系统中南通市启东自动观测站点2011—2014年土壤相对湿度的逐小时资料。选取10～20 cm的土壤相对湿度作为土壤表墒，40～50 cm的土壤相对湿度作为土壤底墒。

1.2 分析方法

1.2.1 预报方法。当前国内外用于土壤墒情预报的方法主要有神经网络模型、遥感监测法、经验公式法、水量平衡法、消退指数法、土壤水动力学法、时间序列法等[8]。考虑到各个方法的优缺点，结合工作实际，在此采用经验公式法从气象角度建立土壤墒情预报模型。该方法的优点是预报方法比较简单，各项数据容易得到，缺点是预报模型中的经验系数对于不同的土壤和作物变化较大，所以一个地区建立的预报模型只能在该地区应用，有一定局限性。

1.2.2 经验公式。土壤墒情的影响因素很多，如气候、地貌、土质、植被及农业生产活动等。在不考虑人为因素后，气候因素对土壤墒情的影响最大。因为大气降水是土壤水分最基本的来源，而温度、湿度、光照和风等又直接影响土壤水分的蒸发速度。在此基础上，建立经验公式：

W= aW0+bP+cS+dT+eRH+fV+g

(1)

式中，W为时段末土壤湿度，W0为时段初土壤湿度，P为累积有效降雨量，S为日照时数，T为平均气温，RH为平均相对湿度，V为平均风速，a、b、c、d、e、f、g为经验系数。

在汛期以及对流天气多发季节，启东市常会出现雨量大、强度高的短时间降水，容易在地表形成径流，从地表流走的水分不能全部渗入土壤，所以需要对降水量进行有效性处理。在此采用简化的方法如下：

P=σR

(2)

式中，P为累积有效降雨量，R为一次降雨量，σ为一次降雨的有效利用系数。由于缺乏实测资料确定有效利用系数σ，所以在此参考徐凤琴[9]的研究，当R<5 mm时，σ=0,；当R=5～50 mm时，σ=1.0；当R>50 mm时，σ=0.7～0.8(在此取其中间值0.75)。

2 结果与分析

2.1 土壤墒情年变化规律 从图1可以看出，启东的土壤墒情具有一定的年变化规律。5月初—10月底土壤墒情的波动幅度较大，其余时间段波动幅度较小。土壤表墒(10～20 cm)的年变幅远大于土壤底墒(40～50 cm)。究其原因，一般土壤底墒受外在因素影响较小，而土壤表墒在降水、灌溉、耕作等外界影响下，其波动幅度较大，尤其是当出现有效降水时，土壤表墒的变化最为直接。谢志清等[10]研究也表明，在湿润研究区，土壤含水量的变化周期与降水周期配合较好，因此土壤含水量的主要影响因子可能是降水。

2.2 土壤墒情的影响因子分析 将每日20：00的土壤相对湿度资料作为因变量(W)，前1 d 20：00的土壤相对湿度(W0)及前1 d 20：00至当日20：00的有效降水量(P)、日照时数(S)、平均气温(T)、平均相对湿度(RH)、平均风速(V)作为自变量，进行相关性分析。利用逐步回归方法逐步引入新的方差贡献显著的自变量，同时逐步剔除相关性不显著的变量，始终仅保留对因变量方差贡献显著的自变量。

从表1可以看出，在全年各个时段，无论是土壤表墒还是底墒，均与前1 d的土壤相对湿度和有效降水量呈显著正相关；而11月—次年4月，土壤墒情的另一显著影响因子为平均气温，两者成反比；5—10月，表墒的另一显著影响因子则为日照时数，两者亦成反比。平均相对湿度和平均风速与土壤墒情的相关性较差。

图1 2011—2013年启东10～20 cm(a)和40～50 cm(b)土壤相对湿度变化Fig.1 Annual change of soil relative humidity in 10-20 cm (a) and 40-50 cm (b) in Qidong during 2011-2013

土层Soillayer∥cm时段Period土壤湿度Soilrelativehumidity有效降水量Effectiveprecipitation日照时数Sunshinehours平均气温Averagetemperature10～205—10月0．880．17-0．2211月—次年4月0．940．18-0．0540～505—10月0．930．0411月—次年4月0．940．06-0．02

2.3 预报模型的建立 将已获得的土壤墒情的显著影响因子作为土壤墒情的预报因子，根据经验方程，建立土壤墒情的多元回归模型，结果见表2。对回归方程的显著性进行检验，发现各方程拟合情况较好。

表2 土壤墒情的多元线性回归方程

Table.2 Multiple linear regression prediction equations of soil moisture

土层Soillayer∥cm时段Period回归方程Regressionequation相关系数Correlationcoefficent10～205—10月W=11．22+0．88W0+0．17P-0．22S0．94411月—次年4月W=5．54+0．94W0+0．18P-0．05T0．97640～505—10月W=6．08+0．93W0+0．04P0．96511月—次年4月W=5．91+0．94W0+0．06P-0．02T0．983

2.4 预报模型效果检验 利用2011—2013年土壤墒情资料和同期气象资料分别对预报模型预报效果进行回代检验，将自变量代入各预报模型，分别计算出相应的土壤墒情值，并与实际观测的土壤墒情值进行对比，得到平均相对误差为0.26%～1.84%(表3)。而利用2014年的资料对预报模型进行预测检验的平均相对误差为0.36%～1.75%。由误差检验拟合结果可知，预报模型所拟合的未来土壤墒情效果很好，可利用该预报模型进行土壤墒情预报。从预报模型预报未来5、10、15、30 d的平均相对误差(表4)可看出，其平均相对误差均控制在5%以内，检验结果良好。表明利用此预报模型预报启东市土壤墒情的精度很高，可以作为一种可能的预报方法。另外，通过比较发现，表墒的平均相对误差大于底墒，说明用此方法预报底墒的预报准确率高于表墒；11月—次年4月的预报准确率高于5—10月。

表3 土壤墒情2011—2013年回代检验平均相对误差

Table 3 The average relative test error of return test for soil moisture during 2011-2013

%

表4 土壤墒情2014年预测检验平均相对误差

3 结论与讨论

利用逐步回归方法分析气象因子(降水量、温度、湿度、日照、风等)与土壤表墒和底墒的相关性，并结合经验公式法，建立了土壤墒情预报模型。为了提高精度，将全年分为5—10月和11月—次年4月2个时段，建立不同的预报方程。结果表明，土壤墒情自相关系数很高，土壤墒情与降水量成正比、与日照时数和平均气温成反比，这是建立土壤墒情预报方程的基础；建立的预报模型预报30 d以内土壤墒情的误差<5%，可用于实际的土壤墒情动态预测，并以此指导作物灌溉和其他农事生产活动，为农业生产服务。

该研究仅采用了气象数据以及土壤湿度数据进行土壤墒情预报，数据获得比较方便，适合气象工作者采用。但另一方面，该研究中的墒情预报均是建立在气象预报的基础之上，实际上，较长时间的降水和温度等气象因子的预报也存在一定时效问题，其预报准确率将直接影响土壤墒情的预报准确率，该研究中隐含了假设降水、温度等气象因子均为实际值或接近实际值。另外，由于南通地区各县市之间的土壤质地也有差别，今后将继续修正此方程组，使之能在南通其他市县中应用。

[1] 曹乃和，张鹏，曹成，等.1963—2002年南通地区旱涝天气气候事件的类型及其预兆[J].现代农业科技，2013(19):270-273.

[2] 舒素芳，钱华峰，邱小伟，等.基于气象因子的金华市土壤墒情预测模型[J].中国农业气象，2009，30(2)：180-184.

[3] 马晓刚.基于秋季降水量的春播关键期土壤墒情预测[J].中国农业气象，2008，29(1)：56-57.

[4] 陈斌，丁裕国，刘晶淼.土壤湿度的一种统计预报模型初步试验[J].气象科学，2005，25(3)：231-237.

[5] 彭小燕，刘晶淼，丁裕国.湿润气候区无资料站点土壤湿度插补及预报试验[J].气象科学，2007，27(4)：400-406.

[6] 杨胜天，刘昌明，王鹏新.黄河流域土壤水分遥感估算[J].地理科学进展，2003，22(5)：454-462.

[7] 刘雪琴，李宁，温玉婷，等.内蒙中西部土壤水分统计插值模型试验[J].气象科学，2009，29(6)：734-741.

[8] 粟容前，康绍忠，贾云茂.农田土壤墒情预报研究现状及不同预报方法的对比分析[J].干旱地区农业研究，2005，23(6)：194-199.

[9] 徐凤琴.有效降水量浅析[J].气象水文海洋仪器，2009，26(1)：96-100.

[10] 谢志清,丁裕国,刘晶淼.不同下垫面条件下土壤含水量时空变化特征的对比分析[J].大气科学学报,2002,25(5):625-632.

Study on Soil Moisture Forecast Based on Meteorological Factors in Qidong City

GU Tian-zhen,XU Yun,ZHANG Qi et al

(Nantong Meteorological Bureau, Nantong,Jiangsu 226000)

The stepwise regression method was used to find the relationship between the soil moisture and meteorological factors,based on the soil moisture and meteorological data of 2011-2014 in Qidong City.Key meteorological factors were found,and the soil moisture forecast model were established,combined empirical formula.The results showed that the precipitation, sunshine and temperature were the key meteorological factors affecting soil moisture of Qidong City.The average forecast error for soil moisture was controlled in less than 5% within the next 30 days. The results for the soil moisture forecasted by this model within 30 days can be used to guide agricultural production.

Soil moisture;Meteorological factor;Stepwise regression; Statistical forecast

顾天真(1988- )，女，江苏南通人，助理工程师，硕士，从事农业气象预报与服务研究。

2016-09-09

S 162

A

0517-6611(2016)34-0174-03