基于RK的土壤墒情预测

2018-09-21，

地下水 2018年5期

，

(西北大学城市与环境学院，陕西西安 710127)

土壤墒情，即土壤含水量占烘干土重的百分比。土壤墒情通过影响作物根系对水分的吸收进而影响农作物的生长发育及产量，精确预测土壤墒情不仅可以有效合理调整农业产业结构，对于复杂多变的气候环境下的农业生产管理工作具有重大指导意义。土壤墒情及其变化是一个复杂的耦合系统，不仅与土壤自身属性有关，还受气候、地形、水文、季节因素等影响[1]，且各因子之间存在较为复杂的非线性关系，通过选取适宜的土壤墒情影响因子，结合实时获取的监测数据，建立科学合理的精准土壤水分预测模型[2]。目前常用的土壤墒情预测模型有实测数据的经验预报模型[3]、遥感数据反演改进的水云模型[4]、地表水和地下水质量守恒的土壤水动力模型[5]、支持向量机模型[6]和具有自我学习能力的人工神经网络模型[7]。经验模型简单、易于应用，但预测精度有限；水量平衡模型和水动力模型具有较高的精度，但参数较复杂、建立过程复杂；回归克里格法( Regression Kriging，RK) 和普通克里格(Ordinary Kriging，OK)相比能利用多个环境变量进行插值，考虑了土壤属性空间分布过程中的结构性因子与随机性因子，有效提高插值精度[8]。插值方法可分为三类：传统统计学，地统计学和混合方法[9]。插值方法被认为是影响插值精度的一个关键因素。

在全球变暖趋势下，陕西省近年气温升高，降雨呈减少趋势，土壤成分变化不稳定，对农业生产影响较大。本文综合考虑陕西省复杂多变的气候和地形特点，选取陕西省2013年3月0～20 cm的土壤墒情数据、气象数据及地形数据，应用RK法构建土壤墒情预测模型，对土壤墒情精确预估、精确田间灌溉和干旱评估有重要意义。

1 研究方法

1.1 研究区概况

陕西省位于中国西北地区黄河中游，地处东经105°29′～111°15′和北纬31°42′～39°35′之间，全省地域南北长、东西窄，南北长约880 km，东西宽约160～490 km。地势南北高、中间低，有高原、山地、平原和盆地等多种地形，秦岭山脉作为中国南北气候分界线的横贯全省。陕西横跨三个气候带，南北气候差异较大，陕南属亚热带气候，关中及陕北大部属暖温带气候，陕北北部属中温带气候。降水分布南多北少，陕南为湿润区，关中为半湿润区，陕北为半干旱区。全省年平均气温自南向北、自东向西递减。陕西水系以秦岭为界，分属黄河和长江两大流域水系。秦岭以北为黄河流域水系，有河流2 524条，流域面积占全省总面积的64.8%。秦岭以南为长江流域水系，有河流1 772条，流域面积占总面积的35.2%。陕西省土壤类型多种多样，全省共有21个土类，土壤的地带性分布规律明显，自北向南依次分布黄绵土、黑垆土、塿土、棕壤、黄褐土等[10](见图1)。

图1 研究区样点分布图

1.2 数据来源及预处理

陕西省冬小麦关键生长期和需水期为3～5月，0～20 cm处小麦根系分布与土壤水分的吸收与消耗有密切关系，土壤墒情数据采用中国农作物生长发育和农田土壤湿度旬值数据集；气象资料来自中国气象数据网的中国地面气候资料年值数据集；从地理空间数据云平台(http://www.gscloud.cn)下载30 m分辨率的ASTER GDEM高程数据，在ArcGIS10.3中计算样点处的坡度(slope)、坡向(aspect)、地形起伏度、水平曲率(horizontal curvature)、剖面曲率(profile curvature)指数对研究区域0～20 cm土壤相对湿度资料进行统一整编, 并建立数据库并进行数据清洗和补全，以便符合模型输入数据格式。

1.3 研究方法

1.3.1 预测因子的选取和优化

在仅考虑自然因素情况下，陕西省土壤墒情主要受气象因素和土壤地理位置的影响，以陕西省农业气象站2013年3月土壤含水量月均值为模型的目标值，以气象因子和地形因子的月均值为模型的输入值，各因子如表1所示。

1.3.2 RK模型

RK模型通过建立因变量与自变量之间的线性回归关系后得到代表确定性部分的趋势项与代表随机性部分的残差项，然后用OK模型对残差插值，最后将二者相加得到回归克里格插值结果。其过程可表示为:

f(x) = m( x)+ε(x)

(1)

式中：f(x)为因变量在点x 处的模拟值; m(x)为用普通最小二乘法(OLS)拟合的趋势项; ε( x)为用OK法插值的残差项。

在SPSS中用逐步回归得到墒情与环境因子的回归模型，利用该方程可得到土壤墒情的趋势项表面并获得相应残差，然后在ArcGIS地统计分析模块对残差部分进行普通克里格插值得到残差空间分布表面，最后利用栅格计算器将两表面进行栅格计算，得到回归克里格插值结果。

1.3.3 精度评价

为了检验RK模型在研究区土壤墒情预测方面的效果，以OK模型作为参照，对RK预测精度进行评价。从原始获取的样点中随机选取30%的数据作为验证点(验证子集仅用于验证插值精度)，通过计算平均误差(ME)、平均绝对误差(MAE)和标准差(SD)评价模型的预测精度，其中各误差值越小，预测精度越高。ME 是插值无偏性的量度，其越接近0说明结果越无偏; MAE是插值精度的量度，其越小则说明插值方法越精确; R是模拟值与测量值的相关系数，其越接近于1说明结果越准确。

表1 陕西省土壤墒情因子

2 结果与分析

2.1 土壤墒情的描述统计

经描述性统计，研究区样点的土壤墒情均值为65.02%，范围为43.00%～98.00%，峰度与偏度分别为0.27 和0.73，经过log变换，符合正态分布,变异系数为24.62%，属中等变异。

2.2 土壤墒情与环境因子的相关性分析

表2表明该线性回归模型符合数理统计规律，墒情与降水量、湿度和水汽压呈显著正相关；与水平曲率之间呈较为显著负相关；且模型的决定系数较高，表明该模型具有一定的普适性[11][12]。

2.3 土壤墒情空间预测结果

从土壤墒情预测图2来看，RK和OK预测方法对同一研究区的空间趋势一致，即研究区南部土壤相对水分普遍高于研究区的中北部。RK预测结果与OK预测结果具有相似性，0～20 cm土壤相对湿度主要与平均相对湿度与降水量成正比；其与地形也有一定关系。从制图效果来看，RK 法得到的土壤墒情变化范围为52.466%～89.447%，在2种方法中接近采样点实测值;其土壤相对湿度范围不同的小区域明显增多，对于细部的表达明显优于OK法。

从土壤墒情空间分布状况来看，土壤墒情以秦岭为界，南北差异较大。2013年初陕西省遭遇了一次严重的气候干旱，渭北及关中西部降雨较少；渭北、关中土壤表层，属轻度到重度缺墒，影响了冬小麦的生长。