农田-防护林-荒漠复合系统土壤水盐运移规律及耦合模型建立

郭 勇，尹鑫卫，李 彦，陈园园，崔梦琪

农田-防护林-荒漠复合系统土壤水盐运移规律及耦合模型建立

郭 勇1,2,3，尹鑫卫1,2,3，李 彦1,2※，陈园园1,2,3，崔梦琪1,2,3

（1. 中国科学院新疆生态与地理研究所，荒漠与绿洲生态国家重点实验室，乌鲁木齐 830011；2. 中国科学院阜康荒漠生态国家野外科学观测研究站，阜康 831505；3. 中国科学院大学，北京 100049）

为探讨节水灌溉条件下干旱内陆区不同景观单元土壤水盐动态规律及水盐通量变化特征，以新疆三工河流域绿洲-荒漠过渡带典型景观格局农田-防护林-荒漠为研究对象，利用2018年4月—9月连续定位观测数据资料，分析各景观单元作物生育期（4月1日—6月28日）和非生育期（6月29日—9月15日）土壤水盐动态规律及其变异性、土壤水盐通量变化特征及影响因素，构建农田-防护林-荒漠复合系统BP神经网络土壤水盐耦合模型，并对所建模型参数敏感性及应用可行性进行探讨。结果表明，各景观单元作物生育期和非生育期土壤含水率、电导率均具有较明显的垂直分层、水平递变和季节波动特征；按变异性可划分为3个典型土层：活跃层（0～40 cm）、次活跃层（>40～140 cm）和相对稳定层（>140 cm）；距防护林越近，农田土壤含水率和电导率分别呈降低和升高趋势，荒漠均呈升高趋势；单次降水和灌溉事件后各景观单元各典型土层土壤含水率和电导率随时间分别均呈负指数函数和三次函数变化趋势。土壤控制体（单位面积深140 cm土柱）内，生育期农田和防护林均为向下水分通量，非生育期均为向上水分通量，荒漠两时期均为向下水分通量；农田和防护林土壤贮水量与土壤积盐量随地下水位下降、蒸散发量增大均呈递减趋势；荒漠土壤水盐通量对各因素及其交互效应响应较微弱；生育期最后1次充分灌溉的淋洗作用可使该系统土壤积盐量趋于平衡状态。拓扑结构为32-36-6的BP神经网络土壤水盐耦合模型具有较高的模拟精度；灌溉和地下水位是影响该系统土壤水盐动态的关键因素。研究结果可为节水灌溉条件下绿洲-荒漠共生系统寻求生产和生态之间的平衡机制提供理论依据。

灌溉；土壤水分；土壤盐分；绿洲-荒漠过渡带；BP神经网络

0 引 言

干旱区生态环境本底极端脆弱，对水土资源开发响应十分强烈，过度开发所引起的水文过程和生态环境变化严重制约着经济社会的可持续发展[1-2]，同时，经济社会发展对灌溉农业的高度依赖使得干旱内陆区地下水资源被掠夺性开发，局地水循环格局发生改变，地下水补给速率和程度也发生变化，致使绿洲水盐平衡变化模式及荒漠生态环境演替规律受到潜在破坏[3-4]。因此，开展干旱内陆区绿洲-荒漠系统节灌背景下不同景观单元之内及之间土壤水分、盐分运移、地下水补给和土壤积盐效应耦合研究，对于揭示绿洲-荒漠共生系统稳定性及区域生产需求和生态保护之间的平衡机制具有重要意义[3,5]。

在干旱内陆区绿洲-荒漠生态系统，农田-防护林-荒漠复合系统是绿洲-荒漠过渡带典型的景观分布格局，各景观单元之间存在较复杂的生态水文过程与水力联系，其对区域地表水与地下水相互作用具有较显著响应[6-7]。近年来对农田-防护林-荒漠复合系统生态水文过程的认识已取得了一些进展，包括各景观单元之内及之间土壤水分时空动态、植被耗水特征、土壤冻融特征、地下水位动态、水分交换及水文联系等[6-10]。研究发现，灌溉和地下水位差异是导致该复合系统水分差异的主要原因[6]，农田灌溉产生的深层渗漏是防护林和荒漠的重要水源[7]，灌溉引起的土壤水分和地下水位差异造成的横向水流和根系吸水是维持景观单元间水文联系的基础[6-7]。总体来看，目前研究主要集中于传统灌溉背景下该复合系统水分平衡变化及其生态水文效应方面，尚未对节水灌溉条件下盐分平衡变化及水盐交互效应进行深入研究。由于研究干旱内陆区各景观单元土壤水盐运移规律，有助于合理开发利用水土资源，科学制定农田水盐调控方案，高效调节农田节水与地下水补给矛盾[3,11]，故有必要对该复合系统节水灌溉背景下各景观单元土壤水盐动态进行系统研究。同时，不同景观单元土壤水盐动态与气候条件、土壤质地、植被类型、地下水、灌溉事件、时空尺度等因素密切相关[11-14]，长期处于动态变化状态，且变化过程比较复杂，因此借助数学模型手段进行该复合系统土壤水盐耦合模拟研究是最有效的方法之一[15-16]。

本文选取新疆三工河流域绿洲-荒漠过渡带典型景观格局农田-防护林-荒漠作为研究对象，在节水灌溉背景下，采用野外长期定点观测、室内样品即时分析、模型模拟和理论分析相结合的研究方法，分析了各景观单元在作物生育期和非生育期土壤水分、盐分及其变异系数垂直、水平和时间变化特征；研究了不同地下水位条件下各景观单元土壤水分、盐分通量变化特征及其与各影响因素之间相关关系；探讨了基于BP神经网络的农田-防护林-荒漠复合系统土壤水盐耦合模型的适用性及涉及参数的敏感性，以期为干旱内陆区寻求生产需求和生态保护之间的平衡机制提供理论依据。

1 材料和方法

1.1 研究区概况

研究区位于天山北麓三工河尾闾、古尔班通古特沙漠南缘绿洲-荒漠过渡带（87°56′E，44°17′N，海拔391 m）。该区气候类型属于典型温带荒漠大陆性气候，四季分明，夏季炎热干燥，冬季寒冷，春秋气温升降强烈，昼夜温差大。年均气温5～7 ℃，最高气温42.6 ℃，最低气温-41.6 ℃，平均无霜期174 d。降水稀少且时空分布不均，1971—2017年平均降水量为181.03 mm，冬季和夏季平均降水量分别为20.18和65.08 mm，6—8月降雨量占年总降雨量的50%以上。蒸发强烈，年蒸发量可达2 800 mm以上。地下水位为6～9 m。区域土壤类型主要为盐化灰漠土或龟裂状灰漠土。荒漠植被以柽柳属（）为建群种的盐生灌木为主，在灌丛下方或间隙零星生长有小半灌木琵琶柴（）、白刺（）及1 a生草本植物猪毛菜（）和花花柴（）等。农田作物主要有棉花（）和葡萄（）等。防护林树种主要为杨树（）、沙枣树（）等。自2006年以后，该区农业灌溉类型由原有的传统灌溉逐步转变为节水灌溉。

1.2 试验设计

试验于2018年4月—9月在中国科学院阜康荒漠生态研究站站内进行。站区分布有干旱区较为典型的农田-防护林-荒漠（cropland-treebelt-desert）景观格局，3种景观单元连续分布且处于同一平面，其中农田作物类型为冬小麦（），品种为新冬32号，灌溉类型为滴灌；防护林树种为新疆杨（），树龄为16 a，灌溉类型为大水漫灌；荒漠主要植被为多枝柽柳（），自然生长。根据作物生长周期，将试验期分为作物生育期（4月1日—6月28日）和非生育期（6月29日—9月15日）2个研究阶段。非生育期农田不进行灌溉，土地翻耕并秸秆还田。试验选取1个总长19 m，总宽7 m，植被生育状况较好的农田-防护林-荒漠复合系统作为研究样方，其中防护林子样方长2 m，宽7 m，农田、荒漠子样方均长8.5 m，宽7 m。土样采集按原位定点、长期取样观测法，为能充分代表各景观单元土壤水分、盐分变化特征，参照Shen等[6]试验设计方案，在防护林带布置1排3重复共计3个采样点（E1、E2、E3），间距3 m；农田和荒漠均按距防护林远近布置4排3重复共计24个采集点（A1、A2、A3，...，D1、D2、D3；F1、F2、F3，...，I1、I2、I3），各排间距均为2 m，各重复间距均为3 m。农田和荒漠均包含1口长期地下水观测井（防护林地下水特征值取农田和荒漠均值）。样地东侧200 m处设有自动气象站（Campbell Scientific，Logan，USA），以便同步观测气象数据。农田作物种植管理同当地大田生产。试验点位置和土样采集点布设示意图见图1所示。

图1 试验点位置和土壤水盐采集点布设示意图

Fig.1 Schematic diagram of experimental site and distribution of soil water and salt sampling points

1.3 样品采集及测定

在各子样方土样采集点用土钻法获取土壤样品，通常5～10 d采集1次。农田采集深度为220 cm，防护林、荒漠为300 cm，其中0～20 cm土层每10 cm取样，20～100 cm土层每20 cm取样，100～300 cm土层每40 cm取样。每层所取土样分成2份，一份土壤样品迅速装入铝盒，放入冰盒带回实验室用烘干法（105 ℃，24 h）测定土壤质量含水量；另一份土壤样品装入自封袋密封，带回实验室，去除杂物，放置在阴凉的通风室自然风干后充分研磨、过2 mm筛，按照5∶1水土浸提液法，采用pH计（瑞士梅特勒FE28，上海力辰仪器科技有限公司）和电导仪（瑞士梅特勒FE28，上海力辰仪器科技有限公司）测量土壤标准液pH值和EC值。同时，土壤质量含盐量的测算参考明广辉等[13]采用的土壤电导率与土壤含盐量的关系式。各子样方土壤容重采用环刀法测定，测定深度220 cm，分层深度为10 cm，每层3个重复，取其均值作为测量值，然后推求饱和含水率。田间持水量、凋萎系数和吸湿系数采用压力膜仪法[9,16]测定，对应基质势分别为-0.33 MPa、-1.5 MPa（农田）/-5 MPa（防护林和荒漠）和-10 MPa，并转换为体积含水率；饱和水力传导度采用定水头法[8]测定。各子样方土壤物理特性见表1所示。

表1 研究区农田-防护林-荒漠复合系统土壤物理特性及植被根系分布特征

注：BD：土壤容重；SWC：饱和含水率；FWC：田间持水率；WC：凋萎系数；HC：吸湿系数；K：饱和水力传导度；FRD：植被根系分布；SLS：砂质壤土；LSS：壤质砂土。

Note: BD: Soil bulk density; SWC: Saturated water content; FWC: Field water capacity; WC: Wilting coefficient; HC: Hygroscopic coefficient;K: Saturated hydraulic conductivity; FRD: Fine root distribution of vegetation; SLS: Sandy loam soil; LSS: Loamy sandy soil.

采用KL010便携式水位测定仪测量农田和荒漠地下水水位，测定周期为2～3 d。每次采集土壤样品时，取同期地下水250～350 mL，迅速装入水样瓶、用封口膜密封，放入冰盒带回实验室，测定其EC及pH值（重复4次，取均值）。试验期农田、防护林分别共灌溉8次（4月8日，4月28日，5月12日，5月26日，6月7日，6月14日，6月18日和6月22日）和2次（4月28日和5月9日），其中农田单次灌溉量为70～87.5 mm，防护林单次灌溉量为400～500 mm；每次灌溉时，获取灌溉水样品，测定其EC值及pH值。每10～15 d在各子样方各土壤采集排随机选择5～10株（棵）植物的功能叶片若干，放入冰盒带回实验室，分别选取完整叶片样品5～10个，采用浸泡法[17]测定各叶片相对含水量和相对电导率，对各子样方各排测定结果求均值。各子样方蒸散发量和叶面积指数确定方法见参考文献[7,18]，试验期气象、灌溉及地下水位数据由站区监测人员完成采集。各景观单元植被（冬小麦、新疆杨、多枝柽柳）根系分布情况采用人工挖掘法[6]确定，具体见表1所示。试验期降水量、灌溉事件及农田和荒漠地下水水位动态见图2a所示；灌溉水及农田和荒漠地下水水质特征见图2b所示。

图2 研究区试验期农田-防护林-荒漠复合系统降水量、灌溉事件、灌溉水质及地下水位/水质特征

1.4 模型基本原理

人工神经网络（artificial neural networks，ANNs）是1种模仿人脑神经网络行为特征，进行分布式并行信息处理的数学模型[19]。人工神经网络的拓扑结构包括输入层、隐含层和输出层，每层均由称为节点的元素组成。其中BP神经网络（back propagation artificial neural network, BPANN）是1986年由Mccelland等[20]提出的按误差逆传播算法训练的多层前馈网络，也是目前应用最广泛的神经网络模型之一。

BP神经网络算法性能评价通过网络训练数据和实际数据的差值大小来衡量[22]，计算公式为

式中为训练集向量数据索引，为输出向量数据索引，t为期望输出向量，Z为输出层向量。

1.5 模型应用与验证

由于土壤水盐运移具有耦合效应[14]，且相邻景观单元之间存在交互作用[10]，故本研究将农田-防护林-荒漠复合系统土壤水分和盐分动态同时考虑。通过分析影响该复合系统土壤水盐动态的大气、土壤、植被、灌溉、地下水等方面因素，建立该复合系统土壤水盐动态BP神经网络耦合模型（图3）。考虑到BP神经网络模型的计算性能与运算速度，隐含层节点数采用经验公式确定[23]，计算公式为

注：C、T和D分别表示农田、防护林和荒漠；C和T分别表示农田和防护林指标（=1，…，11）；D表示荒漠指标（=1，…，9）。下同。 Note: C, T and D represent cropland, treebelt and desert, respectively;C andT represent farmland and treebelt corresponding indicators(=1, ..., 11), respectively;D represents desert corresponding indicators(=1, ..., 9). The same as blow.

图3 基于BP神经网络算法的农田-防护林-荒漠复合系统土壤水盐耦合模型

Fig.3 Coupling model of soil water and salt based on BP neural network algorithm in cropland-treebelt-desert compound system

选择平均相对误差MAPE和平均绝对误差MAE对模型有效性进行验证，具体计算公式为[23]

1.6 数据处理与分析

将采样深度10、20、40、60、80、100、140、180、220、260、300 cm土层分别记为d1、d2、d3、d4、d5、d6、d7、d8、d9、d10、d11。在单次及整个试验期内，各子样方内各土层土壤平均含水率或平均电导率计算公式分别为

式中表示土层深度编号；表示各子样方内采样点编号；表示第几次采样；表示各子样方内采样点总数；表示土层深度内包含的采样层数；表示试验期内总采样次数。在单次及整个试验期内，各子样方内各排土壤平均含水率或平均电导率计算类似于式（7）和式（8），只需改变值即可。

利用各子样方内各土层土壤平均含水率或平均电导率，选择140 cm深度的土壤控制体（单位面积的土柱），忽略各景观单元之间水盐侧向交换，确定各子样方深层水分交换量和累积含盐量变化特征，计算公式为[13]

式中为灌溉量，mm；为降水量，mm；ET为蒸散发量，mm；EF为深层水分交换量，mm；为灌溉前后土壤贮水量变化，mm（计算方法同参考文献[13]）；S为单位面积深度土壤累积含盐量，kg/cm2（∆S为灌溉前后土壤累积含盐量变化，kg/cm2）；为各层土壤含盐量，g/kg；为各层土壤厚度，cm；ρ为各层土壤容重，g/cm3。为便于研究，将土壤控制体（140 cm深度）深层水分交换量EF和土壤累积含盐量变化量∆S看作水分和盐分通量衡量指标。

采用Microsoft Excel 2010软件对试验数据进行整理与计算；利用MATLAB 2014Ra软件进行制图与模型模拟；采用IBM SPSS15.0软件中Duncan新复极差法（<0.05）进行显著性检验。

2 结果与分析

2.1 土壤水盐垂直变化特征

由图4可知，作物生育期和非生育期各景观单元剖面土壤含水率、电导率均具有较明显的分层变化特征。从土壤含水率来看，农田在140 cm处出现分层现象，总体呈先增加（0～140 cm）后减小（>140～220 cm）的变化趋势；防护林和荒漠均在100 cm处出现分层现象，总体均呈先增加（0～100 cm）后保持相对稳定（>100～300 cm）的变化趋势；各分层土壤含水率均呈现农田>防护林>荒漠；生育期和非生育期变化特征均保持一致；从土壤电导率来看，农田在100 cm处出现分层现象，生育期呈先增加后减小（0～100 cm）再保持相对稳定（>100～180 cm）的变化趋势，非生育期呈先减小（0～100 cm）后增加（>100～180 cm）的变化趋势；防护林在80 cm处出现分层现象，总体均呈先减小（0～80 cm）后增加（>80～300 cm）的变化趋势；荒漠在40和180 cm处出现分层现象，总体均呈先增加（0~40 cm）后减小（40～180 cm）再保持相对稳定（>180～300 cm）的变化趋势；两时期各分层土壤电导率均呈现荒漠>农田>防护林。

图4 试验期农田-防护林-荒漠复合系统土壤含水率、电导率及其变异系数随深度的变化

作物生育期和非生育期各景观单元剖面土壤含水率、电导率的变异系数也存在较明显的分层变化特征，且均在40和140 cm处出现分层现象。农田、防护林和荒漠土壤含水率变异系数总体均呈先下降（0～40 cm）后保持相对稳定（>40～140 cm）再下降（>140～220/300 cm）的变化趋势，且生育期和非生育期变化特征均保持一致；生育期各层均呈现防护林>荒漠>农田，非生育期0～40 cm呈现农田>防护林>荒漠，40 cm以下呈现防护林>荒漠>农田。农田、防护林和荒漠土壤电导率变异系数总体均呈先上升（0～40 cm）后下降（>40～140 cm）再保持相对稳定（>140～220/300 cm）的变化趋势，且生育期和非生育期变化特征均保持一致（除非生育期农田外）；生育期各层均呈现防护林>农田>荒漠，非生育期0～40 cm呈现农田>荒漠>防护林，40 cm以下呈现农田>防护林>荒漠。

根据土壤含水率、电导率及其变异系数，可将生育期与非生育期各景观单元土壤剖面划分为3个典型土层：0～40、>40～140和>140 cm。生育期与非生育期农田各典型土层平均土壤含水率分别为14.62%、18.23%和17.16%与9.11%、14.13%和17.30%；防护林分别为10.63%、14.85%和15.95%与4.29%、9.54%和15.69%；荒漠分别为6.25%、7.15%和9.99%与3.30%、8.06%和10.65%；生育期不同景观单元对应各典型土层平均土壤含水率差异均显著（<0.05），非生育期防护林与荒漠对应各典型层平均土壤含水率差异均不显著，均显著低于农田各典型层（<0.05）。生育期与非生育期农田各典型层平均土壤电导率分别为1 358.90、1 487.74和1 313.29S/cm与614.90、695.96和976.98S/cm；防护林分别为1 091.93、934.54和1 151.29S/cm与396.90、619.07和1 080.46S/cm；荒漠分别为3 632.79、2 926.62和1 328.34S/cm与3 509.38、3 149.75和1 506.24S/cm；生育期和非生育期农田与防护林对应各典型层平均土壤电导率差异均不显著，且除生育期>140 cm层外，各典型层均显著低于荒漠（<0.05）。

2.2 土壤水盐水平变化特征

由图5可知，作物生育期和非生育期各景观单元3个典型土层土壤含水率、电导率均具有较明显的水平递变特征。从土壤含水率来看，生育期农田各典型土层均表现为距防护林越近，土壤含水率逐渐降低（除0～40 cm土层I点位外），而荒漠各典型土层均表现为距防护林越近，土壤含水率逐渐升高（除140～300 cm土层A点位外）；由A点至I点，>140 cm土层土壤含水率分别是>40～140 cm土层的0.99、1.01、1.01、0.94、0.99、1.28、1.25、1.18、1.33倍，分别是0～40 cm土层的1.28、1.22、1.24、1.17、1.39、1.26、1.49、1.43、1.92倍。非生育期农田0～40 cm土层表现为距防护林越近，土壤含水率逐渐升高，>40～140和>140～220 cm土层表现为距防护林越近，土壤含水率逐渐降低，而荒漠各典型土层均表现为距防护林越近，土壤含水率逐渐升高；由A点至I点，>140 cm土层土壤含水率分别是>40～140 cm土层的1.03、1.16、1.22、1.17、1.44、1.23、1.32、1.18、1.35倍，分别是0～40 cm土层的1.90、2.10、1.84、1.77、3.19、2.84、6.28、10.88、27.42倍。同时，由A点至I点，3个典型土层对应生育期土壤含水率均高于非生育期，其中农田、防护林和荒漠生育期0～40 cm土层分别是非生育期的1.75、2.48和8.02倍，生育期>40～140 cm土层分别是非生育期的1.31、1.56和1.08倍，生育期>140 cm土层分别是非生育期的1.13、1.08和1.07倍。

图5 试验期农田-防护林-荒漠复合系统土壤含水率、电导率及其变异系数随水平距离的变化

从土壤电导率来看，生育期农田各典型土层均表现为距防护林越近，土壤电导率逐渐升高，而荒漠各典型土层均表现为距防护林越近，土壤电导率逐渐降低；由A点至I点，0～40 cm土层土壤电导率分别是40～140 cm土层的0.56、0.55、0.61、1.53、1.21、1.36、1.05、1.17、0.85倍，分别是>140 cm土层的0.58、0.59、0.58、1.40、1.22、2.18、1.87、1.73、1.21倍。非生育期农田各典型土层均表现为距防护林越近，土壤电导率逐渐升高，而荒漠各典型土层均表现为距防护林越近，土壤电导率先降低后升高再下降；由A点至I点，0～40 cm土层土壤电导率分别是>40～140 cm土层的1.76、1.27、0.75、0.76、0.64、1.12、1.10、1.57、1.14倍，分别是>140 cm土层的0.94、0.71、0.64、0.61、0.44、1.72、1.72、1.68、1.46倍。同时，由A点至I点，3个典型土层对应生育期土壤电导率均高于非生育期，其中农田、防护林和荒漠生育期0～40 cm土层分别是非生育期的3.56、2.86和1.48倍，生育期>40～140 cm土层分别是非生育期的4.74、1.51和1.69倍，生育期>140 cm土层分别是非生育期的3.11、1.02和1.44倍。

从变异系数来看，土壤含水率、电导率变异系数均具有较明显的水平递变特征。生育期农田各典型土层土壤含水率变异系数均保持相对稳定，而荒漠各典型土层均表现为距防护林越近，变异系数逐渐降低（除>40～140 cm土层点位H外），各景观单元各点位均呈现0～40 cm土层变异系数高于>40～140 cm土层，>40～140 cm土层高于>140 cm土层，且各典型层均呈现荒漠>防护林>农田；非生育期农田各典型土层均表现为距防护林越近，变异系数先升高后降低（点位G出现最值），而荒漠各典型土层均表现为距防护林越近，变异系数逐渐降低（除0～40 cm土层点位H、I外）；两时期农田和荒漠变异系数最大值均出现在0～40 cm土层，而防护林生育期和非生育期最大值分别出现在0～40和>40～140 cm土层。生育期和非生育期农田各典型土层土壤电导率变异系数均表现为距防护林越近，变异系数先升高后降低（点位G出现最值），而荒漠各典型土层均表现为距防护林越近，变异系数逐渐升高；农田和防护林生育期与非生育期变异系数最大值均分别出现在0～40与>40～140 cm，荒漠均出现在>40～140 cm土层。

2.3 土壤水盐时间变化特征

由图6可知，作物生育期和非生育期各景观单元剖面土壤含水率、电导率均具有较明显的季节波动特征。从土壤含水率变化来看，农田剖面土壤含水率在生育期（4月5日—6月28日）保持相对稳定（平均变异系数为0.14），并处于较高水平（平均土壤含水率为17.33%），且在140 cm土层处保持最高值（平均值为20.72%）；在非生育期（6月29日—9月5日），随着灌溉停止，降水减少，气温升高及地下水位下降，0～140 cm土层土壤含水率降低幅度较大（平均下降幅度为46.72%），>140 cm的土壤降低幅度相对较小（平均下降幅度为10.64%）。防护林下层（>200～300 cm）土壤含水率保持相对稳定（平均变异系数为0.06），且保持较高水平（平均土壤含水率为16.36%）；上层（0～200 cm）土壤在4月至6月含水率较高（平均值为14.38%），且在100 cm土层处出现最高值（平均值为20.18%），6月后土壤含水率显著降低，并维持在较低水平（均值为7.80%）。荒漠剖面土壤含水率在试验期整体较稳定（平均变异系数为0.33），在100 cm土层处出现明显的分层现象，上层土壤含水率（均值为5.77%）明显低于下层（均值为10.32%）。

注：4月1日至6月28日为作物生育期；6月29日至9月15日为作物非生育期。

从土壤电导率变化来看，农田剖面土壤电导率在生育期处于较高水平（平均土壤电导率为1 386.64S/cm），且呈斑点状分布，盐分主要集聚在60～80 cm范围内，灌溉事件是造成土壤盐分波动的主要原因；由于生育期最后1次充分灌溉的排盐效应，非生育期剖面土壤电导率保持相对稳定（平均变异系数为0.46），并处于较低水平（平均值为762.61S/cm）。防护林剖面土壤电导率在试验期初期较高（平均值为1 396.74S/cm），随着大水漫灌的实施，土壤电导率下降迅速，随后保持相对稳定状态（平均变异系数为0.46），同时由于地下水作用，下层（>220～300 cm）土壤电导率（平均值为1 291.33S/cm）明显高于上层（0～220 cm）土壤电导率（平均值为592.95S/cm）。荒漠剖面土壤电导率具有明显分层现象，且保持相对稳定（平均变异系数为0.32），上层（0～140 cm）土壤电导率（平均值为3 261.24S/cm）明显高于下层（>140～300 cm）土壤电导率（平均值为1 404.58S/cm）。

对农田-防护林-荒漠复合系统单次降水（以4月20日降水事件为例，降雨量为4.9 mm）和单次灌溉（农田以5月26日灌溉事件为例，灌溉量为82 mm；防护林以5月9日灌溉事件为例，灌溉量为500 mm）后各景观单元各典型土层土壤含水率、电导率随时间的时变趋势进行回归分析（表2）。

表2 单次降水与灌溉事件后农田-防护林-荒漠复合系统各典型土层土壤含水率、电导率的时变拟合曲线方程

注：C、T和D分别表示农田、防护林和荒漠土壤含水率；C、T和D分别表示农田、防护林和荒漠土壤电导率；PE和IE分别表示降水和灌溉事件；表示时间，以日为步长；*和**分别表示在0.05和0.01水平显著相关。

Note:C,TandDrepresent soil water content of cropland, treebelt and desert, respectively;C,TandDrepresent electrical conductivity of cropland, treebelt and desert, respectively; PE and IE represent precipitation and irrigation events respectively;indicates time (day); * and ** indicate significant correlation at the 0.05 and 0.01 levels, respectively.

由表2可知，单次降水和灌溉事件后各景观单元各典型土层土壤含水率和土壤电导率随时间整体分别呈负指数函数和三次函数变化特征，各景观单元各典型土层土壤含水率随时间均呈现先下降后保持相对稳定的变化趋势（除单次降水后防护林和荒漠对应140～300 cm土层外），各典型土层土壤电导率随时间均呈现先上升后下降再上升或保持相对稳定的变化趋势（除单次降水农田>40～140 cm土层）。同时，各景观单元土壤含水率衰减率均随深度的增加而减小，土壤电导率波动性均随深度的增加而增大。

2.4 土壤水盐通量变化特征

为了探明试验期农田-防护林-荒漠复合系统各景观单元地下水位持续下降条件下土壤控制体（140 cm深度）内土壤水分、盐分通量的变化，依据水盐平衡对作物生育期和非生育期各景观单元140 cm处水分交换量和0～140 cm土层累积含盐量变化进行计算（表3）。

由表3可知，除农田生育期外，防护林和荒漠各时期土壤贮水量均呈现减小的特点（∆均为负值）。农田、防护林、荒漠对应生育期与非生育期深层水分交换量均值分别为552.84与-60.19 mm、850.92与-47.66 mm、22.79与7.07 mm，表明农田和防护林生育期均为向下的水分通量（防护林>农田），非生育期均为向上的水分通量（农田>防护林），且荒漠生育期和非生育期均为向下的水分通量（生育期>非生育期），说明地下水对农田和防护林非生育期均存在毛细管上升水补给效应。各时期土壤累积含盐量均呈现荒漠>农田>防护林，且生育期累积效应均强于非生育期。同时，生育期农田和防护林土壤累积含盐量均呈减小的特点（向下盐分通量），非生育均呈增加的特点（向上盐分通量），而荒漠两时期均呈增加的特点（向上盐分通量）。

由于地下水位和蒸散发对土壤水盐动态及其通量具有较显著影响，进一步对试验期各景观单元土壤控制体（140 cm深度）的土壤贮水量、深层水分交换量、土壤累积含盐量与地下水位和蒸散发量的相关关系进行分析（表4）。

表3 农田-防护林-荒漠复合系统各景观单元土壤控制体（140 cm深度）内土壤水盐通量变化

注：CGP：作物生育期（4月5日—6月28日）；Non-CGP：作物非生育期（6月29日—9月5日）；：+（-）代表土壤贮水量的增加（减少）；EF：正值表示向下的通量；∆S：+（-）代表土壤积盐量的增加（向上的通量）（减少（向下的同量））；ET通过参考作物蒸散发量（ET0）推求得到[24]，ET0由蒸发皿法推求得到[25]。

Note: CGP: Crop growth period (April 5-June 28); Non-CGP: Crop non-growth period (June 29-September 5);: +(-) represents soil water storage incresing (decreasing); EF: Positive values indicate the downward flux;∆S: +(-) represents accumulated soil salt increasing (the downward flux) (decreasing (the upward flux)); The actual evapotranspiration rate (ET) was estimated by the reference crop evapotranspiration rate (ET0)[24], and the ET0was estimated by the pan method[25].

由表4可知，随着地下水位下降，农田、防护林土壤贮水量、深层水分交换量和土壤累积含盐量均呈下降趋势，荒漠受地下水位影响较小；随着蒸散发量增大，农田、防护林土壤贮水量和土壤累积含盐量均呈下降趋势，荒漠受蒸散发影响较小；同时，随着蒸散发量增大，农田、防护林深层水分交换量呈先增加（向下通量）后减小（向上通量）趋势，而荒漠呈先增加（向下通量）后保持相对稳定（向下通量）的变化趋势。值得说明的是，表4中仅描述各因素之间相关关系，并非因果关系，两因素之间的相关关系可能是由于第3个因素作用而产生，需结合一时、一地实况进行分析。

表4 农田-防护林-荒漠复合系统各景观单元水盐通量与地下水位和蒸散发量的相关关系

注：WTD和SWS分别表示地下水位和土壤贮水量；/表示变量之间相关关系较弱；ET与EF为多段线性拟合，前段为作物生育期拟合，后段为非生育期拟合。

Note: WTD and SWS represent water table depth and soil water storage, respectively; / indicates that the correlation between variables is weak; ET and EF are piecewise linear fitting, the first segment is the fitting of the crop growth period, and the second segment is the fitting of the crop non-growth period.

各影响因素之间的交互效应也对土壤水盐动态及其通量有较显著影响，分别对各景观单元蒸散发量、地下水位、地下水质对土壤贮水量和土壤积盐量的影响进行分析（图7）。

由图7可知，随着地下水位下降和蒸散发量增加，各景观单元土壤贮水量均呈减小趋势，且农田在地下水位<6.52 m和蒸散量<155.58 mm之间呈现正通量，防护林在地下水位<6.85 m和蒸散发量<65.73 mm之间呈现正通量，荒漠区在整个试验期几乎不存在正通量；随着地下水位下降和地下水电导率增加，农田和防护林土壤累积含盐量均呈现先增加后减小的变化趋势，荒漠呈现持续增加趋势，且农田在地下水位5.52 m和地下水电导率2 510.56S/cm处达到积盐峰值，防护林在地下水位6.42 m和地下水电导率3 480.25S/cm处达到积盐峰值，荒漠土壤积盐对地下水响应较微弱；随着蒸散发量和地下水电导率的增加，农田和防护林土壤累积含盐量均呈现先增加后减小的变化趋势，荒漠呈现先增加后减小再增加的变化趋势，且农田在地下水电导率2 510.21S/cm和蒸散发量29.04 mm处达到积盐峰值，防护林在地下水电导率3 600.71S/cm和蒸散发量24.45 mm处达到积盐峰值，荒漠土壤积盐量对蒸散发的响应强于地下水电导率。

图7 农田-防护林-荒漠复合系统各景观单元地下水位、蒸散发量、地下水质对土壤水分和土壤积盐的影响

2.5 土壤水盐动态耦合模拟

将检验样本的输入因子代入所建农田-防护林-荒漠复合系统BP神经网络土壤水盐耦合模型，可得不同景观单元各典型土层土壤含水率和土壤电导率模拟值，将其与实测值进行对比分析（图8）。

由图8可知，除个别点外，总体上模型模拟值与实测值均较接近，MAPE均小于10，MAE均较小，表明该BP神经网络模型具有较高的模拟精度。同时，各景观单元土壤含水率和土壤电导率模拟误差均呈现0～40 cm土层大于>40～140 cm土层，>40～140 cm土层大于>140 cm土层，且土壤电导率模拟的平均绝对误差均大于土壤含水率。由于本研究所建农田-防护林-荒漠复合系统土壤水盐耦合模型输入因子包含了影响水盐运动的主要因素，且该模型可同时输出各景观单元土壤水分和土壤盐分指标，故该BP神经网络耦合模型可应用于干旱内陆区不同景观单元之间土壤水盐动态的模拟研究。

模型参数的敏感性分析是研究参数变化所引起的模型响应，是模型参数不确定分析的重要内容之一，也是研发和评价模型不可缺少的重要环节[26]。基于灰色关联分析法[21]，利用所建BP神经网络模型中的全部58组土壤水盐动态输入样本作为比较数列，输出样本作为参考数列进行各典型土层参数敏感性分析（图 9），由图9可知，各景观单元土壤初始含水率、地下水位、土壤初始电导率及农田地下水电导率均对农田-防护林-荒漠复合系统各典型土层土壤含水率有较显著影响，但敏感性在各层之间存在差异；各景观单元土壤容重、土壤初始含水率、地下水位和叶面积指数均对农田-防护林-荒漠复合系统各典型土层土壤电导率有较显著影响，但敏感性在各层之间存在差异。总体来看，土壤初始含水率、土壤初始电导率和地下水位是影响农田-防护林-荒漠复合系统土壤水盐动态的重要因子。

图8 基于BP神经网络算法的农田-防护林-荒漠复合系统土壤水盐耦合模拟值与实测值比较

图9 农田-防护林-荒漠复合系统土壤水盐BP神经网络耦合模型参数敏感性分析

3 讨 论

在干旱区，包气带水分、盐分运移及其对地下水的补给效应、土壤盐分的累积规律，不仅取决于降水和灌溉，而且还受土地利用、地下水、土壤特性、蒸散发、优先流等因素的交互影响[3,11]。同时，包气带土壤水盐运移规律具有较强的尺度依赖性[3,27]，其不仅参与垂直方向地下水-土壤-植被-大气连续系统、水平方向景观内部和景观界面上的输入/输出过程，而且在气候、土壤、植被和人为非线性系统作用下表现出较明显年内和年际随机脉动特征[3,12]。本研究对干旱内陆区农田-防护林-荒漠复合系统不同景观单元土壤水盐垂直、水平及时间变化特征进行分析，发现由于受灌溉、降水事件、蒸散发和地下水的共同作用，作物生育期和非生育期各景观单元剖面土壤含水率、电导率及其变异系数均具有较明显的分层变化特征，生育期各分层土壤含水率均明显高于非生育期，且农田和防护林非生育期土壤电导率较生育期均存在向深层转移的特点，这与生育期最后1次充分灌溉洗盐和非生育期潜水蒸发返盐有较大关系[13]。与相关研究[6-8,28]的结果相似，由于受农田边际效应、防护林微生境效应和根系吸水策略、荒漠植物根际“盐岛”和“湿岛”效应的影响，两时期各景观单元各典型土层土壤含水率、电导率及其变异系数均具有较明显的水平递变规律，即距防护林越近，农田土壤含水率和电导率分别呈降低和升高趋势，荒漠土壤含水率和电导率均呈升高趋势。与相关研究[6-8,29]的结果基本一致，两时期各景观单元剖面土壤含水率、电导率均具有较明显的季节波动特征，且单次降水和灌溉事件后各景观单元各典型土层土壤含水率和电导率随时间整体分别呈负指数函数和三次函数变化特征。分析表明，单次降水/灌溉后，土壤电导率随时间变化规律受土壤水分3个阶段的蒸发与土壤可溶性盐含量的转变影响较显著。

土壤深层水分交换是干旱内陆区盐分交换的动力来源之一[13]，也是实现水循环和水资源持续管理的关键环节[3]；地下水位/水质是土壤贮水量和盐分累积量的重要影响因素[6,14]。同时，土壤水盐特性参数还受土壤、植被、气候等关键因素的交互影响[11]。另外，充分考虑生育期和非生育期土壤水盐动态特征对反映田间实际情况极其关键[13]。本研究发现，除农田生育期外，其余各景观单元各时期土壤贮水量均呈减小趋势；生育期与非生育期农田和防护林分别均为向下与向上的水分通量，荒漠两时期均为向下的水分通量；各景观单元生育期盐分累积效应均强于非生育期。这与明广辉等[13]和Zhang等[4]的研究结果相似。表明灌溉事件与潜水蒸发作用分别为主导农田和防护林生育期与非生育期水盐通量变化的关键因子[7,14]，荒漠灌丛根土层水分再分配效应可能是控制荒漠两时期水盐通量动态的重要因素[30-32]，且在地下水深埋条件下，生育期最后1次充分灌溉的淋洗作用可较显著减轻土壤盐碱化，致使土壤盐分通量趋于平衡状态[13]。随着地下水位的逐渐下降及蒸散发量的不断增大，毛管上升水达到表土层和浅土层的路径越长，上行速度减弱，土壤水势梯度不断减小，当地下水位超过了毛细管作用的临界深度时，土壤水分几乎不受地下水位的影响，同时，土壤因地下水蒸发而积盐的强度也逐渐减弱，直至土壤盐分保持相对稳定[14]。这与本研究结论类似，即农田、防护林土壤贮水量和土壤累积含盐量均随地下水位下降及蒸散发量增大呈递减趋势，荒漠受地下水位和蒸散发量影响较弱。值得注意的是，尽管地下水位持续下降使各景观单元土壤积盐处于平衡态，但也引起了一系列生态环境问题，例如自然植被退化，荒漠回水补给量减少和绿洲荒漠化加剧等[5,13]。相关研究[13-14,21]的结果表明，在地下水埋深较小时，土壤水盐动态与某关键因子并非呈现单一线性相关，其是各关键因子交互作用下的自适应自调节过程的结果。这与本研究对各景观单元蒸散发量、地下水位、地下水质对土壤贮水量和土壤积盐量的影响分析结果类似。综合分析可知，灌溉和地下水位是影响该复合系统土壤水盐通量的决定性因素。

土壤水盐动态模型可以模拟土壤水盐运移过程，揭示土壤水盐动态变化规律并进行预报[15]。BP神经网络模型多应用于田间宏观尺度的土壤水盐运移，操作简单，具有较高的预测精度，属土壤水盐动态模型中随机模型范畴[19]。与于国强等[21]和乔冬梅等[33]研究结论基本一致，本文所建农田-防护林-荒漠复合系统BP神经网络土壤水盐耦合模型具有较高的模拟精度。同时，各景观单元土壤含水率和土壤电导率模拟误差均呈现表层大于深层，且土壤电导率模拟的平均绝对误差均大于土壤含水率。这主要是由于表层的土壤水盐垂向运移较深层活跃，空间变异性也较大，且土壤盐分运移机理远比水分运动机理复杂而引起[33]。建立土壤水盐动态理论模型的验证、参数率定和敏感性分析的方法体系是实现灌区精准管理的关键[15]。本文基于灰色关联分析法对所建模型参数敏感性进行分析，发现土壤初始含水率、土壤初始电导率和地下水位是影响农田-防护林-荒漠复合系统土壤水盐动态的重要因子。这与于国强等[21]通过缺省因子检验法得到的结论存在差异，可能由于BP神经网络土壤水盐耦合模型的参数涉及土壤、植被、气候等诸多因素，不同景观单元对应模型参数的敏感性也存在差异。同时，节水灌溉对潜水蒸发影响较大，其很大程度上能维持毛管上升水的路径不被断裂，而且能适当增加土壤盐分浓度，提高渗透压，从而加快毛管上升水传输的进程。总体而言，本文所建BP神经网络土壤水盐耦合模型不仅将土壤水盐动态作为一个整体，而且充分考虑了3个相邻景观单元的水盐耦合效应，实现了土壤水盐动态预报的统一，是传统水盐预报的补充，可为节水灌溉条件下干旱区绿洲荒漠共生系统土壤水盐动态预报和灌区灌溉管理提供更精确的科学依据。

4 结 论

1）各景观单元对应作物生育期和非生育期土壤含水率、电导率均具有较明显的垂直分层、水平递变和季节波动特征：可将土壤剖面划分为0～40、>40～140和>140 cm 3个典型土层；距防护林越近，农田土壤含水率和电导率分别呈降低和升高趋势，荒漠均呈升高趋势；单次降水和灌溉事件后各景观单元各典型土层土壤含水率和电导率随时间整体分别呈负指数函数和三次函数变化趋势。

2）土壤控制体内，农田和防护林生育期均为向下水分通量，非生育期均为向上水分通量，荒漠两时期均为向下水分通量；农田和防护林土壤贮水量与土壤累积含盐量随地下水位下降、蒸散发量增大均呈递减趋势，各因素交互效应对土壤水盐通量的影响较显著，且生育期最后1次充分灌溉的淋洗作用可使土壤盐分通量趋于平衡状态，荒漠土壤水盐通量对各因素及其交互效应响应较微弱。

3）拓扑结构为32-36-6的土壤水盐动态BP神经网络耦合模型，具有较高的模拟精度和稳定性，能够有效表征农田-防护林-荒漠复合系统节水灌溉条件下土壤水盐动态与其影响因子之间的内在关系；灌溉和地下水位是影响该复合系统土壤水盐动态的关键因素；该模型可应用于干旱内陆区不同景观单元之间土壤水盐动态的耦合模拟研究。

[1] 马世骏，王如松. 社会-经济-自然复合生态系统[J]. 生态学报，1984(1)：1－9. Ma Shijun, Wang Rusong. The social-economic-natural complex ecosystem[J]. Acta Ecologica Sinica, 1984(1): 1－9. (in Chinese with English abstract)

[2] 邓铭江. 破解内陆干旱区水资源紧缺问题的关键举措：新疆干旱区水问题发展趋势与调控策略[J]. 中国水利，2018(6)：14－17. Deng Mingjiang. National Water Conservation Action is a key measure for alleviating water shortage in inland dry areas: A study on the development trend of water issues in the dry areas of Xingjiang Uyghur Autonomous Region and its allocation and regulation strategy[J]. China Water Resources, 2018(6): 14－17. (in Chinese with English abstract)

[3] 赵文智，周宏，刘鹄. 干旱区包气带土壤水分运移及其对地下水补给研究进展[J]. 地球科学进展，2017，32(9)：899－909. Zhao Wenzhi, Zhou Hong, Liu Hu. Advances in moisture migration in vadose zone of dryland and recharge effects on groundwater dynamics[J]. Advances in Earth Science, 2017, 32( 9): 908－918. (in Chinese with English abstract)

[4] Zhang Z, Hu H P, Tian F Q, et al. Groundwater dynamics under water saving irrigation and implications for sustainable water management in an oasis: Tarim River basin of western China[J]. Hydrology and Earth System Sciences, 2014, 18(10): 3951－3967.

[5] 刘鹄，赵文智，李中恺. 地下水依赖型生态系统生态水文研究进展[J]. 地球科学进展，2018，33(7)：741－750. Liu Hu, Zhao Wenzhi, Li Zhongkai. Ecohydrology of groundwater dependent ecosystems: A review[J]. Advances in Earth Science, 2018, 33(7): 741－750. (in Chinese with English abstract)

[6] Shen Q, Gao G Y, Fu B J, et al. Soil water content variations and hydrological relations of the cropland-treebelt-desert land use pattern in an oasis-desert ecotone of the Heihe River Basin, China[J]. Catena, 2014, 123: 52－61.

[7] Yi J, Zhao Y, Shao M A, et al. Hydrological processes and eco-hydrological effects of the farmland-forest-desert landscape transition zone in the Heihe River Basin, Gansu, China[J]. Journal of Hydrology, 2015, 529: 1690－1700.

[8] Shen Q, Gao G Y, Hu W, et al. Spatial-temporal variability of soil water content in a cropland-shelterbelt-desert site in an arid inland river basin of Northwest China[J]. Journal of Hydrology, 2016, 540: 873－885.

[9] Yi J, Zhao Y, Shao M A, et al. Soil freezing and thawing processes affected by the different landscapes in the middle reaches of Heihe River Basin, Gansu, China[J]. Journal of Hydrology, 2014, 519: 1328－1338.

[10] 易军. 黑河中游不同景观单元水分运动与景观间水量交换[D]. 杨凌：西北农林科技大学，2015. Yi Jun. Water Transport in Different Landscapes and Water Exchange Among Landscape Transport Zone in the Middle Reaches of Heihe River Basin[D]. Yangling: Northwest A&F University, 2015. (in Chinese with English abstract)

[11] 田富强，温洁，胡宏昌. 滴灌条件下干旱区农田水盐运移及调控研究进展与展望[J]. 水利学报，2018，49(1)：126－135. Tian Fuqiang, Wen Jie, Hu Hongchang, et al. Review on water and salt transport and regulation in drip irrigated fields in arid regions[J]. Journal of Hydraulic Engineering, 2018, 49(1): 126－135. (in Chinese with English abstract)

[12] 胡健，吕一河. 土壤水分动态随机模型研究进展[J]. 地理科学进展，2015，34(3)：389－400. Hu Jian, Lu Yihe. Research progress on stochastic soil moisture dynamic model[J]. Progress in Geography, 2015, 34(3): 389－400. (in Chinese with English abstract)

[13] 明广辉，田富强，胡宏昌. 地下水埋深对膜下滴灌棉田水盐动态影响及土壤盐分累积特征[J]. 农业工程学报，2018，34(5)：90－97. Ming Guanghui, Tian Fuqiang, Hu Hongchang. Effect of water table depth on soil water and salt dynamics and soil salt accumulation characteristics under mulched drip irrigation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 90－97. (in Chinese with English abstract)

[14] 夏江宝，赵西梅，赵自国，等. 不同潜水埋深下土壤水盐运移特征及其交互效应[J]. 农业工程学报，2015，31(15)：93－100. Xia Jiangbao, Zhao Ximei, Zhao Ziguo, et al. Migration characteristics of soil water and salt and their interaction under different groundwater levels[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(15): 93－100. (in Chinese with English abstract)

[15] 解雪峰，濮励杰，朱明，等. 土壤水盐运移模型研究进展及展望[J]. 地理科学，2016，36(10)：1565－1572. Xie Xuefeng, Pu Lijie, Zhu Ming, et al. Evolution and prospects in modeling of water and salt transport in soils[J]. Scientia Geographica Sinica, 2016, 36(10): 1565－1572. (in Chinese with English abstract)

[16] Miller G R, Baldocchi D D, Law B E, et al. An analysis of soil moisture dynamics using multi-year data from a network of micrometeorological observation sites[J]. Advances in Water Resources, 2017, 30: 1065－1081.

[17] 刘一明，程凤枝，王齐，等. 四种暖季型草坪植物的盐胁迫反应及其耐盐阈值[J]. 草业学报，2009，18(3)：192－199. Liu Yiming, Cheng Fengzhi, Wang Qi, et al. Salinity stress responses and tolerance thresholds in four warm-season turfgrasses[J]. Acta Prataculturae Sinica, 2009, 18(3): 192－199. (in Chinese with English abstract)

[18] Weiss M, Baret F, Smith G J, et al. Review of methods for in situ leaf area index (LAI) determination: Part II. Estimation of LAI, errors and sampling[J]. Agricultural and Forest Meteorology, 2004, 121(12): 19－35.

[19] Zou P, Yang J Y, Fu J S, et al. Artificial neural network and time series models for predicting soil salt and water content[J]. Agricultural Water Management, 2010, 97(12): 2009－2019.

[20] Mcclelland J L, Rumelhart D E, Group P. Parallel Distributed Processing, Volume 1: Explorations in the Microstructure of Cognition: Foundations[M]//Parallel Distributed Processing: Explorations in the Microstructure of Cognition: Foundations. MIT Press, 1986.

[21] 于国强，李占斌，张霞，等. 土壤水盐动态的BP神经网络模型及灰色关联分析[J]. 农业工程学报，2009，25(11)：74－79. Yu Guoqiang, Li Zhanbin, Zhang Xia, et al. Dynamic simulation of soil water-salt using BP neural network model and grey correlation analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(11): 74－79. (in Chinese with English abstract)

[22] Viotti P, Liuti G, Genova P D. Atmospheric urban pollution: applications of an artificial neural network (ANN) to the city of Perugia[J]. Ecological Modelling, 2002, 148(1): 27－46.

[23] 王宏宇，马娟娟，孙西欢，等. 基于BP神经网络的土壤水热动态预测模型研究[J]. 节水灌溉，2017(7)：11－15，27. Wang Hongyu, Ma Juanjuan, Sun Xihuan, et al. Research on prediction model of soil water and heat dynamic based on BP neural network[J]. Water Saving Irrigation, 2017(7): 11－15, 27. (in Chinese with English abstract)

[24] Allen R G, Pereira L S, Raes D, et al. Crop Evapotranspiration Guidelines for Computing Crop Water Requirements[M]. FAO Irrigation and Drainage, 1998.

[25] 樊军，王全九，郝明德. 利用小蒸发皿观测资料确定参考作物蒸散量方法研究[J]. 农业工程学报，2006，22(7)：14－17. Fan Jun, Wang Quanjiu, Hao Mingde. Estimation of reference crop evapotranspiration by Chinese pan[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(7): 14－17. (in Chinese with English abstract)

[26] 李毅，邵明安，王文焰，等. 土壤非饱和导水率模型中参数的敏感性分析[J]. 水科学进展，2003，14(5)：593－597. Li Yi, Shao Mingan, Wang Wenyan, et al. Sensitive analyses of parameters in unsaturated soil hydraulic conductivity model[J]. Advances in Water Science, 2003, 14(5): 593－597. (in Chinese with English abstract)

[27] Corwin D L, Lesch S M, Oster J D, et al. Monitoring management-induced spatio-temporal changes in soil quality through soil sampling directed by apparent electrical conductivity[J]. Geoderma, 2006, 131(3/4): 369－387.

[28] 白元，徐海量，刘新华，等. 绿洲防护林不同滴灌水量下土壤水盐运移初探[J]. 中国沙漠，2013，33(1)：153－159. Bai Yuan, Xu Hailiang, Liu Xinhua, et al. The effects of drip irrigation with different quotaon the soil water&salt conditions in oasis shelter forest[J]. Journal of Desert Research, 2013, 33(1): 153－159. (in Chinese with English abstract)

[29] 张楠，韩金旭，江红，等. 耕作期内土壤水分和盐分运动规律及其影响因素[J]. 水土保持通报，2015，35(6)：8－14. Zhang Nan, Han Jinxu, Jiang Hong, et al. Movement regularity and its influence factors of soil salt and moisture during farming period[J]. Bulletin of Soil and Water Conservation, 2015, 35(6): 8－14. (in Chinese with English abstract)

[30] 李锋瑞，刘继亮. 干旱区根土界面水分再分配及其生态水文效应研究进展与展望[J]. 地球科学进展，2008，23(7)：698－706. Li Fengrui, Liu Jiliang. Hydraulic redistribution and its eco-hydrological effects in root-soil interfacial systems in arid regions[J]. Advances in Earth Science, 2008, 23(7): 698－706. (in Chinese with English abstract)

[31] 王珺，刘茂松，盛晟. 干旱区植物群落土壤水盐及根系生物量的空间分布格局[J]. 生态学报，2008，28(9)：4120－4127. Wang Jun, Liu Maosong, Sheng Sheng. Spatial distributions of soil water, salts and roots in an arid arbor-herb community[J]. Acta Ecologica Sinica, 2008, 28(9): 4120－4127. (in Chinese with English abstract)

[32] Liu R, Pan L P, Jenerette G D, et al. High efficiency in water use and carbon gain in a wet year for a desert halophyte community[J]. Agricultural and Forest Meteorology, 2012, 162/163: 127－135.

[33] 乔冬梅，史海滨，霍再林. 浅地下水埋深条件下土壤水盐动态BP网络模型研究[J]. 农业工程学报，2005，21(9)：42－46. Qiao Dongmei, Shi Haibin, Huo Zailin. BP network model for soil water-salt movement with a shallow groundwater table[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(9): 42－46. (in Chinese with English abstract)

Soil water and salt dynamics and its coupling model at cropland-treebelt-desert compound system

Guo Yong1,2,3, Yin Xinwei1,2,3, Li Yan1,2※, Chen Yuanyuan1,2,3, Cui Mengqi1,2,3

(1.,,,830011,;2.,,831505,; 3.,100049,)

Water shortage and soil salinization are two of the most concerned problems in the arid inland river basins of Northwest China with very low precipitation and extremely high evaporative demand. Water-saving irrigation has been popularized within the arid regions of China to enhance the efficient use of water and fertilizer and improve economic efficiency. However, this has triggered a series of evident/potential eco-environment issues due to regional water and salt imbalance, including land deterioration, groundwater level descending, and natural vegetation degradation, etc. Thus, identifying the spatial-temporal dynamic, variability, and distribution characteristics of soil water and salt in arid ecosystem is of great significance to regional water resources management and vegetation conservation. This study aimed to investigate the dynamics of soil water and salt and the variation of water and salt flux within and between different landscape units in arid areas under water-saving irrigation conditions. To achieve the objective, the soil water content (SWC), soil electrical conductivity (SEC), groundwater and vegetation dynamics were continuously monitored along a cropland-treebelt-desert compound system at the oasis-desert ecotone in the Sangong River Basin, Northwest China, from April to September 2018. A coupling model of soil water and salt in the cropland-treebelt-desert compound system based on BP neural network algorithm (BPNNA) was proposed, and the sensitivity of parameters of the coupling model and its application feasibility were discussed. The results showed that: 1) SWC and SEC of each landscape unit had obvious vertical stratification, horizontal progressive and seasonal fluctuation characteristics during the growth period (from April 1 to June 28) and non-growth period (from June 29 to September 15). Based on the coefficients of variation of soil water and salt, a 0-220/300 cm soil profile could be divided into three typical layers: active layer (0-40 cm), sub-active layer (>40-140 cm) and relatively steady layer (>140 cm). With increasing proximity to the treebelt, the SWC and SEC of the cropland showed a decreasing and increasing trend respectively, while the desert showed an increasing trend; the time-varying process in SWC and SEC of each typical soil layer of each landscape unit after precipitation and irrigation event could be well described by exponential decay function and three quadratic function, respectively. 2) Within the active or sub-active layer (140 cm in depth), a downward water flux was observed at the cropland and treebelt during the growth period, and a upward water flux was observed during the non-growth period, while at the desert a downward water flux was observed at the two periods. Soil water storage and accumulated soil salt of cropland and treebelt showed a decrease trend with the decrease of water table depth and/or the increase of evapotranspiration. Soil water and salt flux of desert had weak response to various influencing factors and their interaction effects, the leaching effect of the last adequate irrigation at the growth period could make the accumulated soil salt among cropland-treebelt-desert tend to be in a relatively balanced state. 3) The coupling model of soil water-salt using BPNNA with the 32-36-6 structure had a high simulation accuracy and applicability in the cropland-treebelt-desert compound system. Irrigation and water table depth were the main factors affecting soil water and salt dynamics in this system. The results could provide an insight for seeking a balance mechanism between production demand and ecological protection in oasis-desert systems under water-saving irrigation conditions.

irrigation; soil moisture; soil salinity; oasis-desert ecotone; BP neural network algorithm

2019-05-04

2019-08-27

中国科学院前沿科学重点研究项目（QYZDJ-SSW-DQC014）；国家自然科学基金新疆联合基金项目（U1603105）

郭 勇，主要从事水土资源与环境研究工作。Email：guoyong17@mails.ucas.ac.cn

李 彦，教授，博士生导师，主要从事干旱区植物（植被）-水分关系；灌溉管理的植物生理基础等研究，Email：liyan@ms.xjb.ac.cn

10.11975/j.issn.1002-6819.2019.17.012

S275.6；S152.7

A

1002-6819(2019)-17-0087-15

郭 勇，尹鑫卫，李 彦，陈园园，崔梦琪.农田-防护林-荒漠复合系统土壤水盐运移规律及耦合模型建立[J]. 农业工程学报，2019，35(17)：87－101. doi：10.11975/j.issn.1002-6819.2019.17.012 http://www.tcsae.org

Guo Yong, Yin Xinwei, Li Yan, Chen Yuanyuan, Cui Mengqi. Soil water and salt dynamics and its coupling model at cropland-treebelt-desert compound system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(17): 87－101. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.17.012 http://www.tcsae.org