土壤墑情預報模型構建及應用

蔣 穎

(鐵嶺市水利事務服務中心，遼寧 鐵嶺 112000)

0 引 言

目前，我國監測土壤墑情的方法分為人工和自動兩種，人工監測方法是計算田間原狀土壤在105℃±2℃干燥至恒重后，失水量與干燥土質量的百分比，它是直接監測土壤含水率的一種方法，同時也是國內外確定土壤水分的標準方法。

人工土壤干燥法精度高，時間長，一次測量通常需要6到10個小時。 因此，通常進行每十天進行監測，并且數據收集的頻率較低。自動監測是將土壤水分傳感器埋在莊稼地里，根據傳感器輸出的電信號與土壤水分之間的對應關系來獲得土壤水分[2]。并且數據收集的頻率高，快速且方便。

隨著水文現代化的迅速發展，各級政府越來越重視干旱和減災，對濕度監測的頻率和數據精度的要求也越來越高，但目前的一些設備不能滿足各級防汛抗旱指揮部門獲取有關情況的需要[2]，導致報告數據的可靠性低，無法滿足生產精度要求。

目前，我國旱情預報的方法，大多從探索土壤含水量的變化規律出發，研究作物需水量與土壤含水量及其他有關因素間的相關關系，來分析預報未來土壤水分的增減情況及其對作物生長的影響，以確定受旱程度。

由于影響土壤含水量的變化主要是由于降水，灌溉等因素的相對增加，而蒸發和農作物排放等因素已逐漸消退[3]，因此干旱預報增加增墑預報和退墑預報，這次研究主要以遼寧省營口市的墑情站為主。

2 退墑模型

2.1 退墑預報

2.1.1 退墑曲線原理

根據蒸發原理，在前期無雨天氣狀況情況下，土壤耕作層的水分逐漸向蒸發蒸騰消退，蒸發蒸騰與土壤含水量成正比關系，基本符合早期土壤水分指數的API水分計算方法，可以借用API模型，根據前期影響降雨量的來計算土壤含水率，其計算公式為：

θt+n+(αt+1αt+2…αt+n)θt

(1)

式中：θt為第t天土壤含水率；θt+n為第t+n天土壤含水率；αt+1-αt+n為t+1至t+n天的衰減系數。

在分析過程中，可以假設在兩次連續監測水含量之間的時間間隔內，每日衰減系數是相同的。由此可將(1)式轉化為：

θt+n=αnθt

(2)

式中：σ為t+1至t+n天的平均衰減系數。

2.1.2 衰減系數的計算

1)選擇較為典型的干旱年份同時提取連續多日的無雨天數。

2)根據監測的相鄰兩次含水率來及隨同降雨相隔日數。

2.1.3 退墑曲線的生成

1)根據季節(春季，冬季，夏季)對衰減系數系列進行分組。

2)通過衰減系數和相對應的土壤含水率，經過點群中心并繪制其關系線，最終得出典型站點的退墑曲線圖。

1)找出連續無雨的時段,計算出間隔天數。

3)類似計算各相鄰日期間的衰減系數，見表1。

表1 熊岳站衰減系數結果表

4)根據含水率和衰減系數畫出散點圖，見圖1。

圖1 熊岳站衰減系數散點圖

5)點出趨勢線和擬合公式，見圖2。

圖2 熊岳站衰減系數趨勢線

6)根據趨勢線畫出最終的含水率與衰退系數相關圖，見圖3。

圖3 熊岳站退墑曲線

2.2 土壤退墑特性

1)土壤退墑隨季節變化較為明顯，夏季溫度相對高，相對濕度較小，這是一年中土壤蒸發相對最大的時段[5]。 此時，農作物需水量大，土壤流失加快，冬季溫度低，土壤蒸發較小，農作物處于越冬期，需水量很小，因此冬季退墑較為緩慢， 在春季和秋季，提款率介于上述兩者之間。營口地區冬季土壤處于封凍期，不進行土壤墑情檢測，因此，未進行退墑計算。

2)衰減系數隨初始土壤含水量的變化而變化，同期，當初始土壤含水量較大時，土壤供水充足，含水量下降較快，衰減系數較小[6]。相反，衰減系數越大，土壤水分衰減越慢，當初始土壤含水量接近枯萎系數時，消退幾乎停止，其衰減系數接近1。因此，表明初始含水量與衰減系數成反比。

2.3 退墑曲線率定結果的驗證

選取熊岳站2018年無降雨時段，5月13日至16日、7月8日至16日、7月24至25日進行驗算，根據每時段監測所得的含水率，同時利用退墑系數計算，并將其與該時段中的實際監測值進行比較，見圖4所示。

圖4 熊岳站退墑曲線計算值與實測值對比圖

根據分析可知，其平均絕對誤差為1.6%，小于土壤相關規范中平均絕對誤差為2%的要求。

3 增墑模型

3.1 增墑的物理過程

降水和灌溉逐漸增加導致了土壤的水分含量的相對增加[6]，稱為土壤增墑，在田間，當以一定強度進行灌溉或產生降水時，地表水通過滲透進入土壤，成為土壤水，初始時表層首先吸收水，土壤水分開始增加，但隨著降水或灌溉的繼續，濕層開始向下層轉移，下層的水分逐漸增加，土壤的初始吸水率相對較快，隨著時間的加長，土壤含水量持續增加，土壤吸水率逐漸降低[7]，當降水或灌溉超過土壤的滲透強度時，地面可能會產生積水，并以通過地表徑流的形式流出農田。

3.2 增墑預報

3.2.1 土壤含水量增值方程

計算公式如下：

ΔWs=F-f-E+Vg

(3)

F=P-Is-R

(4)

將式(3)帶入式(4)，得到：

ΔWs=P-Is-R-f-E+Vg

(5)

式中：ΔWs為降水(灌溉)后土壤含水率的增加值，mm；F為總下滲量，mm；F為土壤深層下滲量，mm；E為計算ΔWs期的地表蒸發量，mm；Is為植物截流量，mm；R為徑流深，mm；Vg為地下水補給量，mm。

3.2.2 增墑預報方案及經驗公式

1)根據選取的墑情代表站所監測的土壤水分含量、蒸發量及降雨量和地下水深度資料等數據，繪制為降雨量P(mm)、平均含水率W(%) 及地下水深度h(m)、蒸發量E(mm)為縱坐標(暫時可不考慮蒸發量和地下水)，以時間為橫坐標的墑情變化過程線圖。2)在過程線圖上選擇降雨大于15mm的時段，摘取降雨P、降水量之前的土壤含水率Ws和土壤含水率增值ΔWs，繪制以雨前含水量Ws,o為參數的P-Ws,o-ΔWs三參數相關的增墑預報方案。

從P-Ws，o-ΔWs相關曲線可知，其曲線均為指數曲線，故在繪制每個站的相關圖之后，可以在每個圖上繪制與每個相關曲線相對應的ΔWs和P值點，通過圖解方法獲知獲得各條曲線的經驗公式，可將公式：P =aebΔWs，轉換為：

ΔWs= ln(P / a)/ b，當某一天的土壤含水量和測得的降水量時，可以通過使用查圖方法或經驗公式獲得站點降水后的土壤含水量，然后進行預測。

實例：

根據2018年營口地區熊岳、望寶山、湯池、徐屯四站資料，分析得出該區域的增墑曲線。

根據人工墑情站及所對應的降雨站，摘取降雨前后的次降雨和土壤含水量，如果6月4日有降水量，并且在6月1日和6月11日有實測含水率監測值，則將采用6月1日的含水率實測值通過退墑曲線推算出6月3日含水率； 根據6月11日的實測值，應用退墑曲線，對6月5日雨后的土壤水分進行反推。

1)對數據進行合理性檢查，以消除異常值。

2)根據雨前的水分含量對提取的數據進行分類和分組。

3)以劃分的組為單位，以P-ΔWs繪制趨勢線。

4)分析趨勢線的結果，以獲得該區域或單個站點的P-Ws，o-ΔWs關系線。見圖5。

圖5 土壤含水趨勢曲線

根據圖6的趨勢線，可以獲取指數函數a和b的兩個參數，見表3。

表3 營口地區不同雨前含水率對應的趨勢線參數

計算公式ΔWs=ln(P/a)/b。

3.3 土壤增墑特性

通過對三參數相關性增墑預測方案P-Ws，o-ΔWs的分析，我們可以看到：

1)當雨前土壤含水量Ws，o相同時，降水量P增加，土壤含水量值也增加，反映出土壤含水量(Ws，o +ΔWs)開始相應增加；當土壤含水率達到不飽和狀態時，ΔWs是P的增加函數。當土壤含水率低于田間持水量且降水量較小時，ΔWs等于有效降水量Pe，其增墑曲線末端近于平行的45o漸近線，其值大約等于植物截距Is； 當土壤含水量率增加或達到到田間持水量時，土壤含水量達到飽和狀態。此后即使降水量再大，ΔWs也不在增加(即土壤含水量達到飽和后，ΔWs基本為一常數)，多余降水量除產生地面徑流外，滲入土壤的水分向更深層下滲，形成重力水，補給地下水[7]。

2)在降水量P相同的情況下，雨前的ΔWs與土壤含水量Ws成反比，在P-Ws，o-ΔWs相關圖中，增墑曲線簇Ws，o從左到右逐漸減小，即，當P為常數時，Ws,o較小，而ΔWs較大，反之亦然。 初始含水量越大，則降水轉化為土壤水的百分比就越小，降雨損失也就越大，也就是說，雨水期的蒸發，徑流和入滲隨先前土壤含水量的增加而增加[8]。

4 預報模型驗證

以熊岳、望寶山子站為例：選擇2018年降雨資料，采用墑情預測模型計算每日水分含量，最后與測量值進行比較。 結果表明，誤差在5%以內(見表4和表5)，滿足要求。

表4 熊岳站7月1日至7月21日墑情預報模型預測結果

表5 望寶山站7月21日至8月1日墑情預報模型預測結果

實踐證明，利用墑情預報模型可對今后一段時間內的含水率進行預測，可以滿足生產應用的精度，為防旱減災決策提供支撐。

5 結 語

1)預報結果準確與否很大程度上取決于預報方案的精度，而預報方案的精度高低又建立在充足可靠的墑情監測資料之上，因此，編制墑情預報方案時一定要搜集盡可能多的墑情資料[9]。另外一定要對數據進行篩選，尤其是異常數據，這是因為在實際觀察中，由于使用了人工提取土壤，因此不可避免地會出現誤差，并且可能是由于土壤中的水分含量過大而導致土壤水分含量過高，從而導致數據失真。另一方面異常數據對模型參數的計算結果干擾較大。

2)根據規定基本墑情站進行旬測，基本墑情資料缺少降雨前、后的加測資料，本次降雨前、后的含水率值采用退墑模型的預報值，增墑方案的精度受到一定影響[10]。今后應選擇部分站增加測次，增加墑情資料，完善預報方案，提高預報精度。

3)墑情預報模型的分析很繁瑣。 它既有經驗又有技術含量，但是意義特別重大，可以歸類為墑情基礎研究，通過預測模型過濾自動監測數據，自動監測數據可以滿足生產需求，減少了干旱期間人工加密監測的頻率，節省了大量的人力物力[11]。

4)墑情預報模型用于預測連續無雨條件下或雨后短時間內的墑情條件，實際應用效果很好，該預測可為各級政府制定防旱減災決策提供支持。