巢湖地區土壤相對濕度氣象預測模型研究

侍永樂 章超 靳青春

摘要?[目的]描述氣象影響因子與土壤相對濕度的關系，預測巢湖地區逐旬10～100 cm土壤相對濕度，定量評估土壤旱澇情況。[方法]通過分析巢湖地區各層土壤相對濕度逐月分布特征，討論各氣象影響因子與土壤相對濕度的相關關系，并分別基于多元線性回歸和BP神經網絡方法建立預測模型。[結果]氣象因子和土壤相對濕度存在相關關系，相關系數從大到小分別為蒸發量、氣溫、日照時數、相對濕度和降水量。隨著土層的深入，兩者的相關系數和顯著程度呈下降趨勢。[結論]2種方法均能較好地預測出巢湖地區各層土壤相對濕度逐旬動態變化，可為了解巢湖地區秈稻主生長周期內的土壤相對濕度變化提供依據，為該地區作物旱澇評估提供參考。

關鍵詞?巢湖;土壤相對濕度;多元線性回歸;BP神經網絡

中圖分類號?P426.1?文獻標識碼?A?文章編號?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

土壤濕度即土壤水分，是氣候系統關鍵變量之一，作為陸面過程中一個重要的物理量，是影響作物生長、發育及產量的重要因素[1]，它通過改變地表反照率、熱容量、地表蒸發、植被生長狀況等途徑影響著氣候的變化[2]。土壤相對濕度是土壤水分狀況的綜合體現[3]，大氣降水、灌溉、地下水等有助于土壤相對濕度增加，而土壤蒸散、植物吸收、蒸騰、土壤水分滲漏和徑流則加快了土壤相對濕度降低[4]。關于土壤相對濕度的預測模型研究，大多學者采用降水量、土壤含水量、作物旱情等指標來研究[5-6]，運用模擬、替代、實測資料從空間分布、季節變化、垂直分布等不同層面、不同尺度上分析了土壤濕度變化特征及其影響因素。李輯等[7]通過研究土壤相對濕度與氣象因子、環流指數等的關系，建立月尺度的土壤相對濕度動態預測模型用于預報農業干旱;左志燕等[2，8-9]分析了我國土壤濕度的垂直分布、時空變化、季節循環特征、年際變化及其與氣候變率的關系;李潤春等[10]運用統計學方法得到不同土層的逐旬土壤相對濕度預報模型，預測效果較好。

巢湖流域位于安徽省中部，東南瀕臨長江，北部依江淮分水嶺，屬長江下游左岸水系。流域均屬副熱帶季風氣候區，氣候溫和濕潤[11]，降水分布不均。21世紀以來，頻繁的旱澇災害給農業生產帶來嚴重的影響，開展農業旱澇監測、預報和預警工作成為農業氣象服務的熱點[12-13]。巢湖流域的土壤質地以壤土和黏壤土為主，種植的作物多為常規秈稻，在水稻田水、肥、氣、熱等四大因素中，水為矛盾的主要方面。因此，了解巢湖流域土壤相對濕度發生規律，對預防和減輕旱澇危害及合理安排農業生產具有重要意義。

國內已有的土壤濕度統計學方法預報研究對多層土壤濕度預測方法比對不夠全面。筆者以巢湖流域為研究區域，選取巢湖作為代表站，分析巢湖流域土壤相對濕度分布特征，并利用相關性分析各個氣象影響因子與土壤相對濕度的關系，找出影響土壤相對濕度的主要影響因子，再基于上一旬土壤相對濕度及氣象因子數據，采用逐步線性回歸、BP神經網絡2種方法預測模擬本旬10～100 cm土壤相對濕度，旨在為該地區有效應對旱澇的發生、合理安排灌溉提供科學依據。

1?資料與方法

1.1?資料來源

研究所用的氣象資料以及土壤水分資料來源于巢湖市國家級基本氣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）觀測數據，氣象站觀測變量包括氣溫、降水量、日照時數、相對濕度等，土壤水分站觀測變量包括體積含水率、相對濕度、重量含水率、有效水分貯存量，土壤觀測縱深為10～100 cm，共8層，埋深分別為10、20、30、40、50、60、80、100 cm。數據來源于中國氣象局。

1.2?數據處理

為方便分析討論，將近4年氣象和土壤逐小時觀測資料按需換算為旬均值和月均值，計算土壤相對濕度、氣溫、相對濕度和日照時數的平均值，計算蒸發量和降水量的累計值。因為考慮到不同埋深的土壤水分傳感器觀測到的土壤相對濕度具有較強的垂直連續性，所以對逐層土壤相對濕度數據進行垂直一致性檢驗，以保證土壤水分數據準確可用。對于10～100 cm的土壤觀測縱深，通過設置差異閾值，比較相鄰兩層土壤相對濕度觀測數值差值，來判斷并剔除超過閾值范圍的異常數據，規則如下：

①-80%<10～50 cm各層土壤相對濕度與上層差值≤90%;

②-65% <50～100 cm各層土壤相對濕度與上層差值≤70%。

2?結果與分析

2.1?土壤相對濕度時間變化特征

由圖1可知，巢湖地區土壤相對濕度的時間分布存在較大波動，總體上數值變化趨勢呈“單谷”分布。1—5月各層土壤相對濕度變化較平緩，6月起隨著日照時數和氣溫逐漸升高，導致各層土壤相對濕度呈下降趨勢，于9月降至全年最低值，10月又開始回升?？傮w上來說，各層土壤相對濕度與其觀測的土壤深度成正比，淺層土壤相對濕度最低，土壤深度越深，土壤濕度逐漸升高;表層的土壤相對濕度受氣象條件影響明顯，其中10 cm土壤相對濕度受氣象條件影響尤為顯著。

2.2?土壤相對濕度與氣象因子的相關系數

研究表明，土壤相對濕度與降水、氣溫、蒸發、日照、灌溉條件、土壤墑情等因素有關[14]。結合前人研究成果，針對氣象因子的影響，分析巢湖土壤相對濕度與氣溫、相對濕度、降水、蒸發和日照的相關關系，選取影響土壤相對濕度的主要氣象因子，為建立預測模型做準備。

由表1可知，各氣象因子中，日照時數、氣溫、蒸發量與土壤相對濕度的相關性更好，降水量和相對濕度次之;從土壤觀測縱深方面看，10 cm土壤相對濕度與氣象因子的相關性最高，與氣溫、相對濕度、降水量、蒸發量和日照時數的相關系數分別為-0.33、0.25、0.27、-0.43和-0.37。隨著觀測埋深的增加，逐層土壤相對濕度和氣象因子的相關關系總體呈波動減弱趨勢。另一方面，土壤相對濕度主要與氣溫、蒸發量和日照時數呈負相關關系，表明氣溫升高、日照時數變長以及地表水分蒸發量的提高，將一定程度地降低土壤含水量，造成土壤相對濕度下降;而空氣相對濕度與地表降水量的增加，有助于提升土壤含水量，與土壤相對濕度呈正相關。對于小于20 cm深度的土壤相對濕度，與各氣象因子的相關關系均通過了顯著水平檢驗（α=0.05）;對于大于20 cm的土壤相對濕度，與各氣象因子的相關關系顯著性水平存在減弱趨勢，其中30 cm土壤深度僅降水量通過α=0.05檢驗，表明表層土壤相對濕度與氣象因子相關關系更顯著。

通過比較各氣象因子與土壤相對濕度的相關關系，選取氣溫、相對濕度、降水量、蒸發量和日照時數作為影響因子，同時因土壤水分變化存在連續性和滯后性，故選擇上一時次對應土壤層的相對濕度作為自相關因子，綜合上述因子來建立關于土壤相對濕度的統計預測模型。

2.3?預測模型的建立

2.3.1?多元線性回歸法。

為建立巢湖地區不同土壤深度的相對濕度預測模型，結合氣象因子以及土壤相對濕度的相關關系，選取上一旬的氣溫、相對濕度、降水量、蒸發量、日照時數以及對應層土壤相對濕度作為預測因子，采用基于最小二乘法的多元線性回歸方法，對當旬逐層土壤相對濕度進行模擬預測，選取近3年氣象和土壤觀測資料旬值（2014年11月—2017年8月）作為輸入數據，近1年旬值（2017年9月—2018年10月）作為預測結果驗證，輸入輸出的樣本數分別為99和40，具體多元回歸系數見表2。

2.3.2?人工神經網絡法。

因為氣象因子和土壤相對濕度之間的影響關系相當復雜且存在非線性特征，所以采用基于人工神經網絡的方法建立巢湖地區不同土壤深度的相對濕度預測模型。為比較2種預測方法，采用控制變量法，將其結果與多元線性回歸方法進行對比，控制輸入和輸出變量、樣本數以及驗證數據與多元線性回歸方法相同。模型建立過程中，根據BP神經網絡需要，對輸入數據進行歸一化處理，建立前饋網絡對象，設置的參數包括訓練次數、學習率以及訓練目標，數值分別為100、0.1以及0.000 04，進一步對神經網絡進行訓練，計算仿真并通過反歸一化輸出基于BP神經網絡方法對逐層土壤相對濕度的預測結果。

2.4?結果檢驗

為驗證對各層土壤相對濕度的預測準確性，選擇2017年9月—2018年10月的氣象和土壤水分觀測資料作為結果檢驗，基于絕對誤差百分率來評估模型預測結果，分別從2種預測方法的總體結果、各層土壤相對濕度的逐月預測分布以及預測結果較觀測值的離散情況，綜合比較多元線性回歸和BP神經網絡方法在巢湖地區土壤相對濕度預測中的結果表現。

由表3可知，多元線性回歸和BP神經網絡對0～100 cm平均土壤相對濕度預測值的絕對誤差百分率分別為4.31%和4.87%，10 cm土層相對濕度受氣象等其他要素的影響導致變化的趨勢較復雜，預測誤差最大，分別為17.61%和25.05%，其余土層的誤差均小于10 cm土層。除40 cm土層多元線性回歸法外，總體的絕對誤差在5%以內。比較2種預測方法，除了40、50、100 cm土層的土壤相對濕度預測絕對誤差是BP神經網絡法小于多元線性回歸法，其余各層是多元線性回歸的絕對誤差小。表明在建模預測巢湖地區各層土壤相對濕度的情況下，2種方法結果接近，均能較好地預測出土壤相對濕度的動態變化?？傮w而言，多元線性回歸在大多數土層的預測結果絕對誤差百分率較低，整體上多元回歸方法優于BP神經網絡方法。

由表4可知，從季節來看，夏季溫度升高，降雨天氣過程頻發，土壤含水量波動劇烈，導致各層土壤相對濕度的最大預測絕對誤差百分率較大;秋季受臺風、連陰雨及秋旱等影響，各層土壤相對濕度的最大預測絕對誤差百分率僅次于夏季。夏季多元線性回歸法和BP神經網絡法預測結果均值分別為11.96%和14.72%;秋季次之，分別為9.11%和9.94%;春季和冬季的預測誤差較小，春季分別為3.29%和3.76%，冬季分別為4.16%和4.04%。由于巢湖地區秈稻的主要生長發育階段在6—8月，收獲時節在10月前后（秋季），因此上述預測模型能夠較好地預測巢湖地區土壤相對濕度的時間變化規律，為水稻等作物的旱澇評估提供參考。

采用線性回歸和BP神經網絡法分別預測各層土壤相對濕度月分布，結果見圖2。由圖2可知，2種方法均能較好地預測出各深度土壤濕度的逐月變化趨勢，模擬效果良好，兩者誤差標準差分別為5.90%和6.96%;設置絕對誤差百分率閾值范圍分別為0～5%、5%～20%、20%～50%和大于50%，其中多元線性回歸方法對應誤差閾值范圍分別為57.81%、32.19%、8.75%和1.25%，BP神經網絡對應為59.06%、29.69%、9.38%和1.19%。對比可知，BP神經網絡計算出的誤差百分率低于20%和高于50%的結果比率值均優于多元線性回歸結果，表明BP神經網絡預測結果的誤差離散比率更小，可為定量評價土壤墑情預測方法提供數據支撐。

由圖3可知，10 cm深度的2種方法預測值散度大，其他各層的散度對應良好;20和30 cm的土壤相對濕度變化范圍不大，其余各層變化范圍較大;從60 cm土層的2種方法預測值來看，在這一層用BP神經網絡法對應不好，跳變點較用多元線性回歸法多。

3?結論

（1）巢湖地區土壤相對濕度的逐月分布存在較大的波動，總體上數值變化趨勢呈“單谷”分布，1—5月各層土壤相對濕度變化較平緩，自6月開始各層土壤相對濕度呈下降趨勢，于9月降至全年最低值。

（2）相關系數能夠較好地反映各層土壤相對濕度和氣象因子之間的關系，其中日照、氣溫和蒸發與土壤相對濕度的相關性更好，降水和相對濕度次之。表層土壤相對濕度受氣象因子影響最為明顯，10 cm土壤相對濕度與氣象因子的相關性最高，對于大于20 cm的土壤相對濕度，隨著土層的深入，土壤相對濕度和氣象因子的相關系數和顯著程度呈下降趨勢。

（3）關于建立巢湖地區各層土壤相對濕度的逐旬預測模型，一方面，基于氣象因子和土壤相對濕度的多元線性回歸預測方法，可定量闡述氣象因子與土壤相對濕度的權重值。另一方面，氣象因子和各層土壤相對濕度之間的影響相當復雜，存在非線性關聯，BP神經網絡方法可建立基于人工神經網絡的非線性關聯模型，預測土壤相對濕度。

（4）關于多元線性回歸和BP神經網絡預測巢湖地區逐旬各層土壤相對濕度的預測結果檢驗，總體上看，2種方法均能較好地預測出各層土壤相對濕度的動態變化趨勢，其中多元線性回歸平均絕對誤差百分率較小。從各土壤層結果來看，10 cm土壤相對濕度受氣象等其他要素的影響導致變化的趨勢較復雜，模擬誤差最大，除40 cm土層多元線性回歸法外，總體的絕對誤差在5%以內。從季節來看，夏季的預測誤差最大，秋季、冬季次之，春季預測誤差最小;從兩者預測穩定性來看，BP神經網絡預測誤差離散比率更小。上述模擬預測結果可對應秈稻的主要生長周期，能夠較好地預測巢湖地區秈稻主生長周期內的土壤相對濕度變化，為土壤定量旱澇評估提供一定的參考。

參考文獻

[1]孫倩倩.東北地區土壤濕度的時空分布特征及其預報方法的研究[D].北京：中國氣象科學研究院，2013.

[2]左志燕，張人禾.中國東部春季土壤濕度的時空變化特征[J].中國科學（D輯：地球科學），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]吳娜，石培基，朱國鋒，等.長江流域土壤相對濕度變化及其影響因素[J].長沙流域資源與環境，2017，26（7）：1001-1010.

[5]丘寶劍，盧其堯.農業氣候條件及其指標[M].北京：測繪出版社，1990.

[6]王密俠，馬成軍，蔡煥杰.農業干旱指標研究與進展[J].干旱地區農業研究，1998，16（3）：119-124.

[7]李輯，李雨鴻，胡春麗，等.遼西干旱區春播期土壤相對濕度動態預測模型研究[J].土壤通報，2014，45（4）：830-834.

[8]張秀芝，吳迅英，何金海.中國土壤濕度的垂直變化特征[J].氣象學報，2004，62（1）：51-61.

[9]馬柱國，魏和林，符淙斌.土壤濕度與氣候變化關系的研究進展與展望[J].地球科學進展，1999，14（3）：299-305.

[10]李潤春，張秀芝，高俊壽，等.山西省代表站不同土層逐旬土壤相對濕度預報模型[J].中國農業氣象，2009，30（3）：354-359.

[11]陳實，高超，黃銀蘭.不同季節劃分尺度下巢湖流域氣候變化趨勢分析[J].長江流域資源與環境，2013，22（5）：582-587.

[12]王素萍，張存杰，宋連春，等.多尺度氣象干旱與土壤相對濕度的關系研究[J].冰川凍土，2013，35（4）：865-873.

[13]袁媛，王心源，李祥，等.巢湖流域旱澇時空特性分析[J].災害學，2007，22（2）：97-100.