基于時間穩定性和降維因子分析的土壤水分監測優化

閔俊杰，蔣立新

(1.國電環境保護研究院有限公司，南京 210031；2.無錫市城市防洪工程管理處，江蘇 無錫 214000)

1 研究區域的概況和方法

1.1 研究區域的概況

本次用于研究的區域屬于亞熱帶的季節氣候，每年的四季比較分明，且氣候屬于溫和，每年的平均氣溫均保持在16℃左右，而每年的降水量則為1203.5mm，一年的降雨基本維持在6月至9月間，此時段的降雨量點全年的60%，年日照數則為2137.6h，本區域內的光熱能量十分充足，對農作物的生長非常有利。本地區的海拔則牌15-35m間，屬于低丘傾斜的平原地帶，兩個研究區域平均的坡度大概在12%左右，土地主要用來種茶和竹林，監測點的土壤類型則屬于薄層的粗骨土。該土壤的土層比較淺，一般情況下厚度≤1m，并且土質十分松散，其中含有30%的礫石[1]。

通過依據現場的實際情況以及土地的利用性質決定按照8m的間距設立共計77個監測點，在茶園區域內設立39個，具體編號則從1-40號，并且將30號予以空缺，而在竹林區域中設立38，具體編號則從41-79號，并將69號予以空缺。本次監測儀器運用剖面土壤水分的傳感器，其主要以是TDR時域反射儀技術，其可以對土壤進行測量介電常數，然后將其加以轉變得出土壤中的水份含量。利用剖面土壤水分傳感器對監測點進行定期的測量，主要測量深度為10cm、30cm深土壤內的水分，并且每月一次和覆蓋干濕季節，對于降雨特別多的雨季更加強監測的資料，比如在5月份的10號和13號以及15號開展監測，未得到監測13號、21號、44號、65號點的30cm位置水分的含量。而在2016年12月到2017年12月間總共測量的14次左右。通過利用在2017年3月到l0月間測量的10次詳細數據融入建立樣點測量土壤水分回歸的模型之中，然后運用2016年12月和2017年1月、11月、12月的4次監測數據對結果進行驗證。

1.2 具體研究的方法

研究區域土壤水分的時間穩定性計算公式為：

(1)

(2)

(3)

如果δi=0則表示此監測點代表研究區域內的平均濕潤；δi為正值則表示監測點的濕潤度要超出研究區域平均的濕潤度，δi為負值則與之相反。Sδi越大則表時監測樣點的土壤水分時間方面非常的不穩定[2]。

通過以時間穩定性為重要的研究基礎，并加以利用統計學軟件對所有監測點的土壤中水分的特征進行分析。本次使用SPSS22.0統計軟件并采用降維因子進行相應的分析，主要對茶園區域與竹林區域的相關監測點在3月至10月間對土壤進行監測的詳細數據加以分析研究，利用主成分相關性的分析方法進而分析得出成分圖。在圖中一些相關性非常強的監測樣點聚集在一起，然后與通過時間穩定性分析得出典型樣點加以有效的結合進而選擇合理的監測點，最終實現選擇的監測典型點可以體現出本次研究區域中全部樣點。通過有效的利用逐步多元線性回歸(P<0.1)，然后選擇自變量為典型監測樣點的土壤水分，而因變量則是其它監測樣點，由此最終建立用于研究區域典型樣點和樣點的土壤水分具有關系的相應模型[3]。利用典型監測樣點獲取的監測數值，并經過關系模型詳細的計算，最得出本次研究區域內所有樣點的土壤水分含量，然后通過實際的測量數據加以校驗，最終對預測結果的精度利用均方根誤差開展相對應的綜合評定。

2 結果與分析

2.1 時間的穩定性分析

通過對2017年3月到10月間對茶園區域和竹林區域的所有監測點進行監測得來的詳細據開展時間穩定性特征的相應分析。研究區域所有樣點平均的土壤含水相對偏差具體如圖1顯示進行分布，對所有樣點標準差的標注采取垂直誤差線加以顯示。土壤內的平均含水相對偏差，茶園區域基本分布-0.5-0.5之間，如圖1(A)所示，其中有15個監測點的時間穩定性比較好，其土壤含水相對偏差的標準差是Sδi<0.1；有20個監測點的時間穩定性一般，土壤含水相對偏差的標準差是Sδi在0.1-0.2；有4個監測點的時間穩定性較差，Sδi>0.2。而竹林區域內則主要分布在-0.4-0.4之間，具體如圖1B所示，有22個監測樣點的土壤含水量具有較好的時間穩定性，13個監測樣點時間穩定性則為一般，還有3個監測樣點的時間穩定性表現較差。

圖1 茶園區域(A)和竹林區域(B)監測點平均土壤的水分相對偏差

通過選擇茶園區域中的監測點17號較為典型的樣點作為濕潤的代表，而40號監測點的時間穩定性特別好，其可作為接近土壤水分平均含量的樣點，而干旱樣點則由9號監測點加以代表；時間穩定性最差的監測樣點則由l0號表示。與上述基本相同，在竹林區域內由79號監測點作為濕潤的代表，而接近土壤平均含量最好的則為61號監測點，干旱監測樣點為53號，時間穩定性比較差的樣點為63號監測點、通過以時間穩定性為基礎進行選取典型樣點4個點建立分析的線性回歸模型，其無法有效的對研究區域內的全部監測樣點的土壤水分進行精確模擬。本次在茶園區域內，在30cm深處共有22個監測點取得了較好的模擬精度(如表1所示)，而在10cm的位置，有29個監測取得較好的模擬精度，另外還有3個監測樣點比較差。在竹林區域內，，在30cm深處共有26個監測點取得了較好的模擬精度，另外還有2個監測樣點的精度比較差(如表2所示)；在10cm的位置，有35個監測取得較好的模擬精度，另外還有2個監測樣點比較差。由此表時，當分析自變量選擇由時間穩定性加以選擇的4個典型樣點時，無法對研究區域內的所有監測樣點的土壤水分進行精確的模擬[4]。

表1 茶園區域典型監測樣點回歸模型所制定系數R2的分布數據

表2 竹林區域典型監測樣點回歸模型所制定系數R2的分布數據

2.2 降維因子分析

通過對2017年3月至10月間的10次土壤水分的數據開展降維因子分析而得出圖2(旋轉空間成分圖)。從該圖中可以看出，監測樣點的位置和其之間的距離遠近可以表明監測點具有相關性的高低，經過綜合性的考慮和分析所有的監測樣點的相關性和典型樣點，竹林區域選擇的監測樣占為55和45號，而茶園區域則選擇23和12以及3號。

圖2 茶園區域(A)和竹林區域(B)監測點旋轉空間成分圖

通過在已經選擇監測典型的樣點為基礎之上加以融入利用降維因子進行分析得出的監測樣點當作建立回歸模型時的自變量，觀察回歸模型的決定系數R2數據。通過對茶園區域融入添加典型監測樣點之后，R2見表1。通過將3號、9號、10號、17號、23號、40號、12號等監測樣占當作回歸模型的自變量時，在30cm深度位置有29個較好的模擬精度，具體見表1所示，而在10cm深處則有35個較好的模擬精度。并且在總監測中，10cm深處位置和30cm深處位置較好的模擬精度分別占總量的89.7%和78.4%，由此表明可以對本次研究區域內的土壤水分加以有效的監測。

而在竹林區域之中融入55號監測樣后，見表2，其在30cm深度位置則有32個監測樣點具有較好的模擬精度，在10cm深度位置則有36個監測樣占具有較好的模擬精度，以及1個較差的模擬精度。在總監測中，10cm深處位置和30cm深處位置較好的模擬精度分別占總量的94.7%和88.89%，由此表明竹林區域中只有5個監測樣點便具有較好的模擬精度。

3 結 論

綜上所述，利用時間穩定性與降維因子的結合而對土壤水分展開相應的分析，并選擇科學合理的典型監測樣點的相應組合，最終可以有效的利用多元線性回歸模型對監測點的土壤水分進行準確的模擬。當只運用時間穩定性作為回歸模型的自變量時，模擬的精度并不能實現對研究區域內的土壤水分進行準確的模擬，而當時間穩定性與因子進行結合后，建立模型時所選擇的典型監測樣點可以實現該模型具有非常準確的模擬精度。