SoilScope控制型蒸渗实验系统应用|土壤水分预测模型研究

文献摘要

准确掌握土壤水分动态变化，对精准制定灌溉计划至关重要。采用五道沟实验站2018－2019年蒸渗仪日土壤水和同期7个气象要素(气温、降雨、水面蒸发、日照时数、风速、绝对湿度、地温)资料，采用BP神经网络方法建立冬小麦生育期不同土层(10、30、50cm)的土壤水分预测模型，模型分别为BP(7－9－1)、BP(7－12－1)和BP(7－14－1)，并用遗传算法优化上述BP神经网络模型。结果表明:两种模型均可用于冬小麦生育期土壤水分预测，其中遗传算法优化BP神经网络能够更好提高预测精度，且随着土层厚度增加，预测精度提高。BP神经网络土壤水分预测10、30、50cm土层平均相对误差分别为6.2%、4.0%、2.9%;遗传BP神经网络土壤水分预测10、30、50cm土层平均相对误差为3.8%、1.7%、1.3%。

��� 实验概述

五道沟水文实验站地处安徽省蚌埠市固镇县新马桥镇原种场境内，属暖温带半湿润季风气候，四季分明。多年平均降雨量为893mm，其中汛期(6－9月)降雨量占62%，多年平均气温在14℃，地下水位变化范围1～3m，属于浅埋区，种植农作物主要有夏玉米、夏大豆和冬小麦。土壤类型主要由形状、色泽如生姜的砂姜黑土组成，该土壤饱和含水率为38%～40%，适宜作物生长的土壤含水率区间为18%～26%，渗透系数为24.2mm/h。实验站内设有潜水蒸发、入渗和径流、土壤水分、蒸散发、叶面积指数、气象、径流等观测要素，有60余年长系列实验观测资料。

��� 实验设施

选取五道沟实验站自动称重式蒸渗仪2018年10月30日－2019年5月31日逐日分层实测土壤水数据，地下水位埋深设置为1 m。土壤含水率主要与降雨、气温、地温、风速、日照时数、绝对湿度和水面蒸发等7个气象因素有关，选取同期气象场实测7个气象要素数据建立土壤含水率预测模型。

本文采用BP神经网络遗传算法，以7个气象因子作为输入因子，不同土层土壤含水率分别作为输出因子，建立关于土壤含水率BP神经网络模型，在此基础上，引入具有全局搜索能力的遗传算法优化BP神经网络，分别采用两种方法建立预测模型。

��� 结果与分析

本文从能量平衡原理入手，结合波文比的概念，引入地表净辐射的修正参数，建立了一种新的潜在蒸散发计算模型（LY-E模型），基于小型蒸渗仪观测试验的土壤蒸发和草地覆被蒸散发能力实测数据对模型进行了率定与验证，并进一步对比分析了该模型与6种现有常见计算公式的模拟精度，以评价模型的适用性，

(1) 建立了10、30、50cm不同土层冬小麦生育期BP神经网络模型，模型分别为BP(7－9－1)、BP(7－12－1)和BP(7－14－1)，10、30、50cm土层模型预测平均相对误差分别为6.2%、4.0%和2.9%。

(2) 建立了10、30、50cm不同土层冬小麦生育期遗传算法优化BP神经网络模型，10、30、50cm土层模型预测平均相对误差分别为3.8%、1.7%和1.3%。

两种模型均可用于淮北地区冬小麦土壤水分预测，其中遗传算法优化BP神经网络模型能够更好地提高预测精度，且随着土层厚度增加，预测精度提高。本模型主要适用于淮北地区砂姜黑土区冬小麦生育期土壤水预测，对其他地区不同土壤、不同作物土壤水分预测模型有待进一步研究。