巢湖地区土壤相对湿度气象预测模型研究

2021-03-01侍永乐章超靳青春

安徽农业科学 2021年1期

侍永乐章超靳青春

摘要 [目的]描述气象影响因子与土壤相对湿度的关系，预测巢湖地区逐旬10～100 cm土壤相对湿度，定量评估土壤旱涝情况。[方法]通过分析巢湖地区各层土壤相对湿度逐月分布特征，讨论各气象影响因子与土壤相对湿度的相关关系，并分别基于多元线性回归和BP神经网络方法建立预测模型。[结果]气象因子和土壤相对湿度存在相关关系，相关系数从大到小分别为蒸发量、气温、日照时数、相对湿度和降水量。随着土层的深入，两者的相关系数和显著程度呈下降趋势。[结论]2种方法均能较好地预测出巢湖地区各层土壤相对湿度逐旬动态变化，可为了解巢湖地区籼稻主生长周期内的土壤相对湿度变化提供依据，为该地区作物旱涝评估提供参考。

关键词巢湖;土壤相对湿度;多元线性回归;BP神经网络

中图分类号 P426.1 文献标识码 A 文章编号 0517-6611（2021）01-0218-05

doi：10.3969/j.issn.0517-6611.2021.01.058

Abstract [Objective]In order to describe the relationship between meteorological factors and soil relative humidity， predict the soil relative humidity of 10-100 cm of ten days in Chaohu Region and evaluate the soil drought and flood quantitatively. [Method]The relationship between meteorological factors and soil relative humidity was discussed by analyzing the monthly distribution characteristics of soil relative humidity in Chaohu Region， and the prediction models were established based on multiple linear regression and BP neural network. [Result]There is a correlation between meteorological factors and soil relative humidity. The correlation coefficients from large to small are evaporation， temperature， sunshine duration， relative humidity and precipitation. With the depth of soil layer， the correlation coefficient and significance of the two have a downward trend. [Conclusion]The two methods can predict the dynamic change of soil relative humidity in every layer of Chaohu Region， and provide the basis for the change of soil relative humidity in the main growth cycle of Indica Rice in Chaohu Region， and provide a reference for crop drought and flood assessment in this area.

Key words Chaohu;Relative soil moisture;Multiple linear regression;BP neural network

土壤湿度即土壤水分，是气候系统关键变量之一，作为陆面过程中一个重要的物理量，是影响作物生长、发育及产量的重要因素[1]，它通过改变地表反照率、热容量、地表蒸发、植被生长状况等途径影响着气候的变化[2]。土壤相对湿度是土壤水分状况的综合体现[3]，大气降水、灌溉、地下水等有助于土壤相对湿度增加，而土壤蒸散、植物吸收、蒸腾、土壤水分渗漏和径流则加快了土壤相对湿度降低[4]。关于土壤相对湿度的预测模型研究，大多学者采用降水量、土壤含水量、作物旱情等指标来研究[5-6]，运用模拟、替代、实测资料从空间分布、季节变化、垂直分布等不同层面、不同尺度上分析了土壤湿度变化特征及其影响因素。李辑等[7]通过研究土壤相对湿度与气象因子、环流指数等的关系，建立月尺度的土壤相对湿度动态预测模型用于预报农业干旱;左志燕等[2，8-9]分析了我国土壤湿度的垂直分布、时空变化、季节循环特征、年际变化及其与气候变率的关系;李润春等[10]运用统计学方法得到不同土层的逐旬土壤相对湿度预报模型，预测效果较好。

巢湖流域位于安徽省中部，东南濒临长江，北部依江淮分水岭，属长江下游左岸水系。流域均属副热带季风气候区，气候温和湿润[11]，降水分布不均。21世纪以来，频繁的旱涝灾害给农业生产带来严重的影响，开展农业旱涝监测、预报和预警工作成为农业气象服务的热点[12-13]。巢湖流域的土壤质地以壤土和黏壤土为主，种植的作物多为常规籼稻，在水稻田水、肥、气、热等四大因素中，水为矛盾的主要方面。因此，了解巢湖流域土壤相对湿度发生规律，对预防和减轻旱涝危害及合理安排农业生产具有重要意义。

国内已有的土壤湿度统计学方法预报研究對多层土壤湿度预测方法比对不够全面。笔者以巢湖流域为研究区域，选取巢湖作为代表站，分析巢湖流域土壤相对湿度分布特征，并利用相关性分析各个气象影响因子与土壤相对湿度的关系，找出影响土壤相对湿度的主要影响因子，再基于上一旬土壤相对湿度及气象因子数据，采用逐步线性回归、BP神经网络2种方法预测模拟本旬10～100 cm土壤相对湿度，旨在为该地区有效应对旱涝的发生、合理安排灌溉提供科学依据。

1 资料与方法

1.1 资料来源

研究所用的气象资料以及土壤水分资料来源于巢湖市国家级基本气象站及其土壤水分站的近4年（2014年11月7日—2018年10月31日）觀测数据，气象站观测变量包括气温、降水量、日照时数、相对湿度等，土壤水分站观测变量包括体积含水率、相对湿度、重量含水率、有效水分贮存量，土壤观测纵深为10～100 cm，共8层，埋深分别为10、20、30、40、50、60、80、100 cm。数据来源于中国气象局。

1.2 数据处理

为方便分析讨论，将近4年气象和土壤逐小时观测资料按需换算为旬均值和月均值，计算土壤相对湿度、气温、相对湿度和日照时数的平均值，计算蒸发量和降水量的累计值。因为考虑到不同埋深的土壤水分传感器观测到的土壤相对湿度具有较强的垂直连续性，所以对逐层土壤相对湿度数据进行垂直一致性检验，以保证土壤水分数据准确可用。对于10～100 cm的土壤观测纵深，通过设置差异阈值，比较相邻两层土壤相对湿度观测数值差值，来判断并剔除超过阈值范围的异常数据，规则如下：

①-80%<10～50 cm各层土壤相对湿度与上层差值≤90%;

②-65% <50～100 cm各层土壤相对湿度与上层差值≤70%。

2 结果与分析

2.1 土壤相对湿度时间变化特征

由图1可知，巢湖地区土壤相对湿度的时间分布存在较大波动，总体上数值变化趋势呈“单谷”分布。1—5月各层土壤相对湿度变化较平缓，6月起随着日照时数和气温逐渐升高，导致各层土壤相对湿度呈下降趋势，于9月降至全年最低值，10月又开始回升。总体上来说，各层土壤相对湿度与其观测的土壤深度成正比，浅层土壤相对湿度最低，土壤深度越深，土壤湿度逐渐升高;表层的土壤相对湿度受气象条件影响明显，其中10 cm土壤相对湿度受气象条件影响尤为显著。

2.2 土壤相对湿度与气象因子的相关系数

研究表明，土壤相对湿度与降水、气温、蒸发、日照、灌溉条件、土壤墒情等因素有关[14]。结合前人研究成果，针对气象因子的影响，分析巢湖土壤相对湿度与气温、相对湿度、降水、蒸发和日照的相关关系，选取影响土壤相对湿度的主要气象因子，为建立预测模型做准备。

由表1可知，各气象因子中，日照时数、气温、蒸发量与土壤相对湿度的相关性更好，降水量和相对湿度次之;从土壤观测纵深方面看，10 cm土壤相对湿度与气象因子的相关性最高，与气温、相对湿度、降水量、蒸发量和日照时数的相关系数分别为-0.33、0.25、0.27、-0.43和-0.37。随着观测埋深的增加，逐层土壤相对湿度和气象因子的相关关系总体呈波动减弱趋势。另一方面，土壤相对湿度主要与气温、蒸发量和日照时数呈负相关关系，表明气温升高、日照时数变长以及地表水分蒸发量的提高，将一定程度地降低土壤含水量，造成土壤相对湿度下降;而空气相对湿度与地表降水量的增加，有助于提升土壤含水量，与土壤相对湿度呈正相关。对于小于20 cm深度的土壤相对湿度，与各气象因子的相关关系均通过了显著水平检验（α=0.05）;对于大于20 cm的土壤相对湿度，与各气象因子的相关关系显著性水平存在减弱趋势，其中30 cm土壤深度仅降水量通过α=0.05检验，表明表层土壤相对湿度与气象因子相关关系更显著。

通过比较各气象因子与土壤相对湿度的相关关系，选取气温、相对湿度、降水量、蒸发量和日照时数作为影响因子，同时因土壤水分变化存在连续性和滞后性，故选择上一时次对应土壤层的相对湿度作为自相关因子，综合上述因子来建立关于土壤相对湿度的统计预测模型。

2.3 预测模型的建立

2.3.1 多元线性回归法。

为建立巢湖地区不同土壤深度的相对湿度预测模型，结合气象因子以及土壤相对湿度的相关关系，选取上一旬的气温、相对湿度、降水量、蒸发量、日照时数以及对应层土壤相对湿度作为预测因子，采用基于最小二乘法的多元线性回归方法，对当旬逐层土壤相对湿度进行模拟预测，选取近3年气象和土壤观测资料旬值（2014年11月—2017年8月）作为输入数据，近1年旬值（2017年9月—2018年10月）作为预测结果验证，输入输出的样本数分别为99和40，具体多元回归系数见表2。

2.3.2 人工神经网络法。

因为气象因子和土壤相对湿度之间的影响关系相当复杂且存在非线性特征，所以采用基于人工神经网络的方法建立巢湖地区不同土壤深度的相对湿度预测模型。为比较2种预测方法，采用控制变量法，将其结果与多元线性回归方法进行对比，控制输入和输出变量、样本数以及验证数据与多元线性回归方法相同。模型建立过程中，根据BP神经网络需要，对输入数据进行归一化处理，建立前馈网络对象，设置的参数包括训练次数、学习率以及训练目标，数值分别为100、0.1以及0.000 04，进一步对神经网络进行训练，计算仿真并通过反归一化输出基于BP神经网络方法对逐层土壤相对湿度的预测结果。

2.4 结果检验

为验证对各层土壤相对湿度的预测准确性，选择2017年9月—2018年10月的气象和土壤水分观测资料作为结果检验，基于绝对误差百分率来评估模型预测结果，分别从2种预测方法的总体结果、各层土壤相对湿度的逐月预测分布以及预测结果较观测值的离散情况，综合比较多元线性回归和BP神经网络方法在巢湖地区土壤相对湿度预测中的结果表现。

由表3可知，多元线性回归和BP神经网络对0～100 cm平均土壤相对湿度预测值的绝对误差百分率分别为4.31%和4.87%，10 cm土层相对湿度受气象等其他要素的影响导致变化的趋势较复杂，预测误差最大，分别为17.61%和25.05%，其余土层的误差均小于10 cm土层。除40 cm土层多元线性回归法外，总体的绝对误差在5%以内。比较2种预测方法，除了40、50、100 cm土层的土壤相对湿度预测绝对误差是BP神经网络法小于多元线性回归法，其余各层是多元线性回归的绝对误差小。表明在建模预测巢湖地区各层土壤相对湿度的情况下，2种方法结果接近，均能较好地预测出土壤相对湿度的动态变化。总体而言，多元线性回归在大多数土层的预测结果绝对误差百分率较低，整体上多元回归方法优于BP神经网络方法。

由表4可知，从季节来看，夏季温度升高，降雨天气过程频发，土壤含水量波动剧烈，导致各层土壤相对湿度的最大预测绝对误差百分率较大;秋季受台风、连阴雨及秋旱等影响，各层土壤相对湿度的最大预测绝对误差百分率仅次于夏季。夏季多元线性回归法和BP神经网络法预测结果均值分别为11.96%和14.72%;秋季次之，分别为9.11%和9.94%;春季和冬季的预测误差较小，春季分别为3.29%和3.76%，冬季分别为4.16%和4.04%。由于巢湖地区籼稻的主要生长发育阶段在6—8月，收获时节在10月前后（秋季），因此上述预测模型能够较好地预测巢湖地区土壤相对湿度的时间变化规律，为水稻等作物的旱涝评估提供参考。

采用线性回归和BP神经网络法分别预测各层土壤相对湿度月分布，结果见图2。由图2可知，2种方法均能较好地预测出各深度土壤湿度的逐月变化趋势，模拟效果良好，两者误差标准差分别为5.90%和6.96%;设置绝对误差百分率阈值范围分别为0～5%、5%～20%、20%～50%和大于50%，其中多元线性回归方法对应误差阈值范围分别为57.81%、32.19%、8.75%和1.25%，BP神经网络对应为59.06%、29.69%、9.38%和1.19%。对比可知，BP神经网络计算出的误差百分率低于20%和高于50%的结果比率值均优于多元线性回归结果，表明BP神经网络预测结果的误差离散比率更小，可为定量评价土壤墒情预测方法提供数据支撑。

由图3可知，10 cm深度的2种方法预测值散度大，其他各层的散度对应良好;20和30 cm的土壤相对湿度变化范围不大，其余各层变化范围较大;从60 cm土层的2种方法预测值来看，在这一层用BP神经网络法对应不好，跳变点较用多元线性回归法多。

3 结论

（1）巢湖地区土壤相对湿度的逐月分布存在较大的波动，总体上数值变化趋势呈“单谷”分布，1—5月各层土壤相对湿度变化较平缓，自6月开始各层土壤相对湿度呈下降趋势，于9月降至全年最低值。

（2）相关系数能够较好地反映各层土壤相对湿度和气象因子之间的关系，其中日照、气温和蒸发与土壤相对湿度的相关性更好，降水和相对湿度次之。表层土壤相对湿度受气象因子影响最为明显，10 cm土壤相对湿度与气象因子的相关性最高，对于大于20 cm的土壤相对湿度，随着土层的深入，土壤相对湿度和气象因子的相关系数和显著程度呈下降趋势。

（3）关于建立巢湖地区各层土壤相对湿度的逐旬预测模型，一方面，基于气象因子和土壤相对湿度的多元线性回归预测方法，可定量阐述气象因子与土壤相对湿度的权重值。另一方面，气象因子和各层土壤相对湿度之间的影响相当复杂，存在非线性关联，BP神经网络方法可建立基于人工神经网络的非线性关联模型，预测土壤相对湿度。

（4）关于多元线性回归和BP神经网络预测巢湖地区逐旬各层土壤相對湿度的预测结果检验，总体上看，2种方法均能较好地预测出各层土壤相对湿度的动态变化趋势，其中多元线性回归平均绝对误差百分率较小。从各土壤层结果来看，10 cm土壤相对湿度受气象等其他要素的影响导致变化的趋势较复杂，模拟误差最大，除40 cm土层多元线性回归法外，总体的绝对误差在5%以内。从季节来看，夏季的预测误差最大，秋季、冬季次之，春季预测误差最小;从两者预测稳定性来看，BP神经网络预测误差离散比率更小。上述模拟预测结果可对应籼稻的主要生长周期，能够较好地预测巢湖地区籼稻主生长周期内的土壤相对湿度变化，为土壤定量旱涝评估提供一定的参考。

参考文献

[1]孙倩倩.东北地区土壤湿度的时空分布特征及其预报方法的研究[D].北京：中国气象科学研究院，2013.

[2]左志燕，张人禾.中国东部春季土壤湿度的时空变化特征[J].中国科学（D辑：地球科学），2008，38（11）：1428-1437.

[3]CHAHINE M T.The hydrological cycle and its influence on climate[J].Nature，1992，359（6394）：373-380.

[4]吴娜，石培基，朱国锋，等.长江流域土壤相对湿度变化及其影响因素[J].长沙流域资源与环境，2017，26（7）：1001-1010.

[5]丘宝剑，卢其尧.农业气候条件及其指标[M].北京：测绘出版社，1990.

[6]王密侠，马成军，蔡焕杰.农业干旱指标研究与进展[J].干旱地区农业研究，1998，16（3）：119-124.

[7]李辑，李雨鸿，胡春丽，等.辽西干旱区春播期土壤相对湿度动态预测模型研究[J].土壤通报，2014，45（4）：830-834.

[8]张秀芝，吴迅英，何金海.中国土壤湿度的垂直变化特征[J].气象学报，2004，62（1）：51-61.

[9]马柱国，魏和林，符淙斌.土壤湿度与气候变化关系的研究进展与展望[J].地球科学进展，1999，14（3）：299-305.

[10]李润春，张秀芝，高俊寿，等.山西省代表站不同土层逐旬土壤相对湿度预报模型[J].中国农业气象，2009，30（3）：354-359.

[11]陈实，高超，黄银兰.不同季节划分尺度下巢湖流域气候变化趋势分析[J].长江流域资源与环境，2013，22（5）：582-587.