基于實時含水率數據的土壤墑情動態建模及預測*

王鐵英，王仰仁**，戰國隆，牛少卿，姚 麗

基于實時含水率數據的土壤墑情動態建模及預測*

王鐵英1，王仰仁1**，戰國隆2，牛少卿2，姚 麗1

（1. 天津農學院水利工程學院，天津 300392；2. 天津市大禹節水灌溉技術研究院，天津 301712）

實時準確地預測墑情是進行灌溉預報，實現農田水分精準化管理，提高水分利用效率的重要措施。基于根區（0?60cm土層）水量平衡原理，利用泰勒級數對根區下界面水分通量和作物蒸騰量進行了線性化處理，并以實時根區平均土壤含水率為自變量構建了動態的土壤墑情預測模型。采用天津市武清區西呂村無線土壤墑情監測系統（包含3個監測點）實時監測數據（地表下30cm和60cm處的土壤含水率），分別選取5d、10d、15d和20d作為建模系列長度進行回歸分析，確定模型參數，對10d和15d兩種預見期進行了土壤墑情預測精度分析。結果表明：（1）實時預測模型擬合程度較好，三種建模系列長度條件下的確定性系數均達到0.80以上（樣本數均大于550）；（2）15d建模系列長度下相對誤差最小；（3）15d建模系列長度、15d預見期、10%相對誤差界限值條件下，3個監測點的墑情預測合格率分別達到98%、100%和89%。由此可見，研究提出的實時墑情預測模型預測精度較高，便于建模分析，為土壤墑情的預測提供了新方法。

土壤墑情；動態建模；傳感器；水量平衡；墑情預測

土壤墑情是指土壤中的水分狀況，它的時空分布對氣候因子變化非常敏感，是影響農業生產的重要因素。因此，在一定的時間和空間尺度上掌握土壤水分的動態變化規律，對于提高作物產量、有效利用水資源具有重要作用[1?4]。土壤墑情預測，即確定未來某一時期土壤含水率的多少，對于準確進行灌溉預報具有重要意義[5]。土壤墑情的預測方法較多，研究時間較長，到目前為止，采用的模型及方法主要分為水量平衡模型[6]、土壤水動力學模型[7?8]、消退指數法[9]、BP神經網絡法[10?11]、時間序列分析法[12?13]、遙感監測法[1,14]、經驗統計法[15?16]等。水量平衡模型是通過研究水量平衡方程中有效降水量、農田蒸發蒸騰量、地下水補給量等參數之間的相互影響關系，確定土壤水分收支變化來進行墑情預測，其原理簡單，但是建立模型所需參數較多；土壤水動力學模型是根據土壤水分運動基本方程，在研究地表蒸發、作物蒸騰、根系吸水等隨作物生長變化規律基礎上，進行土壤含水率預測，具有堅實的物理基礎，但同樣存在較多難以測定的土壤和作物參數；消退指數法是通過分析消退指數與其影響因素之間的相關關系，建立消退指數與其影響因素的經驗統計模型，據此進行墑情預測，所需參數較少且易獲得，但是受根區下邊界水分環境影響較大；BP神經網絡法是利用網絡結構和參數來反應土壤水分變化與主要影響因素之間的關系，所使用的土壤、作物等參數沒有具體物理意義；時間序列法是通過研究土壤含水率的趨勢性變化、周期性變化和隨機變化規律，進而建模并做出預測，但是受年際間氣候因素變化影響較大；遙感監測法主要是通過建立影響土壤含水率的熱慣量、歸一化植被指數等因素與土壤含水率之間的統計模型來進行墑情預測，可通過衛星遙感資料及時了解區域水分變化，但所建立的預測模型的準確性和穩定性有待進一步研究；經驗統計法是用影響土壤水分的因素建立起來的經驗模型，方法應用簡單，但是預報模型的經驗系數因土壤和作物的不同會有較大變化，且建立的模型只適用于特定地區[5,17?18]。

上述模型及方法具有一個普遍的特點，利用某一時期墑情數據確定模型參數，然后對未來一段時間的土壤含水率進行預測。如唐春燕等[17]利用江西省南康市、湖口縣兩地1999?2008年的土壤墑情資料及同期氣象資料采用逐步回歸分析方法分5個或4個時期建立了土壤墑情預測的經驗統計模型，利用兩地2009?2010年的資料進行了模型檢驗，南康的預測精度達到了70%～100%，湖口的預測精度達到了60%～77%；孫秀邦等[2]利用安徽省碭山、亳州、蒙城、宿州及阜陽5個站點1981?2003年的土壤墑情數據及氣象數據，分春、夏、秋、冬四季回歸分析建立了可應用于淮北地區的數理統計預測模型，并采用淮北地區其它16個縣市2005年農業氣象觀測站資料進行驗證，平均預測精度達到91.3%；馬曉剛[19]選擇遼寧阜新地區阜蒙縣氣象站1981?2003年春播關鍵期4月10?50cm土層的平均土壤墑情及該站1980?2002年秋季(9?11月)降水量，以對數函數形式建立了春播關鍵期土壤墑情與上年秋季降水的統計關系，利用2004?2006年的降水及墑情數據進行預測檢驗，其預測相對誤差平均為6.82%。該類方法包含了一個假定，除模型考慮的環境因素外，忽略了其它環境因素在預測期和建模期的變化，一定程度上降低了預測精度。傳感器[20?22]與互聯網技術的普遍應用促進了土壤墑情的實時獲取。本研究利用實時監測墑情數據，基于農田水量平衡的原理建立動態的土壤墑情實時預測模型，以一定時間長度的建模系列動態化地確定模型參數，并進行墑情預測。該方法區別于現有方法的實質是，能夠利用動態化的模型參數實時捕捉最近一段時間影響土壤墑情環境因素的變化，可顯著提高墑情預測精度。

1 材料與方法

1.1 實時墑情采集與數據處理

墑情數據取自無線土壤墑情監測系統2017年11月7日?2019年9月20日共計625d的實時土壤含水率數據。土壤墑情監測系統的基站位于天津市武清區崔黃口鎮西呂村示范區，示范區面積為140hm2，主要種植大田作物為冬小麥和玉米。基站控制3個節點，節點分布情況見圖1，每個節點連接兩個土壤水分傳感器，分別位于地表下30cm和60cm處，以1h為時間間隔對土壤墑情信息進行采集。為研究方便采用每日24h數據的平均值作為日數據。節點采集的墑情數據以無線方式發送到基站，通過互聯網短信方式傳輸至信息管理中心。通常情況下，墑情預測和灌溉預報均以0?60cm土層含水率平均值為依據，對此，李泳霖等[23]針對本示范區給出的方法及結果，將以日采集的30cm（x1）和60cm（x2）處實時含水率數據轉化為0?60cm土層平均含水率（θ），并作為0?60cm土層含水率實測值，即

式中，θ為0?60cm土層的平均含水率（cm3·cm?3）；x1和x2分別為地表下30cm和60cm土層含水率的實測值（cm3·cm?3）；a0、b0和c0為待定參數，其結果分別為0.645、0.264、1.868[23]。

1.2 模型構建及參數確定

1.2.1 模型構建

在農田水分變化過程中，降水、灌水、作物蒸騰和下邊界水分運移（包括地下水的補給量及土層內的水分下滲量）是農田水分變化的主要影響因素，因此可以列出在某一時段內、一定深度土層的水量平衡方程[6,24?25]，即

式中，Wi+1為時段末土壤儲水量(mm)；Wi為時段初土壤儲水量(mm)；Pi為時段內的降水量(mm)；Mi為時段內的灌水量(mm)；Ki為時段內土層的下邊界水分運移量(mm)；ETi為時段內農田的蒸散量(mm)；i為時段編號，i=1，2，3，…，n；n為時段數，稱為建模系列長度，取n等于5、10、15和20d。

無線土壤墑情監測系統中給出的土壤含水率數據為體積含水率，因此，水量平衡方程即式(2)可轉化為

式中，H為土層厚度（mm）；θi+1為時段末土壤含水率（cm3·cm?3）；θi為時段初土壤含水率（cm3·cm?3）。

式(2)、式(3)中下邊界水分運移（Ki）[26?27]，其大小與地下水埋藏深度、土壤性質、作物種類、作物耗水強度、氣象條件和根系層土壤含水量等有關，可將其表達式寫為Ki=k（根系層土壤含水量，地下水埋藏深度，氣象條件等）。作物的蒸散量（ETi）[28]大小與氣象條件（溫度、日照、濕度和風速）、土壤含水狀況、作物種類及其生長發育階段、農業技術措施、灌溉排水數量等有關[29-30]，可將其表達為ETi=f（土壤含水狀況，氣象條件，灌溉排水數量等）。影響Ki和ETi的各個因素互相關聯，其中部分因素較難實時獲取準確的數據，因此，在一定時段（以日為單位）內以土壤含水率為主要變量，將其它因素作為常量，對Ki和ETi分別進行泰勒級數展開，保留展開式的常數項及一次項可得到

式中，k0、e0為級數展開后的常數項；k1、e1為級數展開后一次項參數。

將式（4）、式（5）帶入式（3），得到

令，a=( k0?e0)/ H，b=（1+ k1?e1）/H，由此得到實時墑情預測模型（簡稱為實時模型）即

式中，a、b為待定參數。由上述建模過程可以看出，模型參數a、b包含了作物生長動態、天氣因素變化和地下水埋深情況等環境因素對墑情變化的影響。

1.2.2 參數確定

假定獲得了一組土壤含水率監測序列θt(t=1，2，3，…，T)，t為土壤含水率編號，T為土壤含水率監測序列長度。以n為建模系列長度，從t=1開始取n+1個值，將1d作為一個時段，共有n個時段，以時段初的值作為自變量，將時段末的土壤含水率值作為因變量，通過回歸分析，可得到一組參數a1、b1，從t=2開始進行相同處理，可得到a2、b2，依次類推，可得到該組墑情監測序列隨時間變化的全部參數值，共有T?n+1組。

回歸分析過程中，若時段末含水率大于時段初的含水率，認為是灌水或降水引起的，其降水或灌溉數量(Pi+Mi)用式（8）求得，即

若時段末含水率小于時段初含水率，則認為

式（8）、式（9）是對實時監測土壤含水率數據的一種處理方法，該方法避免了降水和灌溉數據的直接獲取。

由于時段內蒸發蒸騰對水分的消耗，因而只有當時段內的降水或灌水量足夠大的時候才會出現θi+1大于θi的情況，較大的降水或灌溉量會引起土壤含水率的突然增大，從而導致土壤墑情預測誤差的顯著增大，故引入參數Δθ，當θi+1+Δθ?θi>0時，采用式（8）計算降水或灌水數量，否則認為降水和灌水為零。

1.2.3 墑情預測

當得到一組參數a和b后，即可按式（10）進行土壤含水率的預測，即

式中，j為時段編號，j=n+1，n+2，…，n+k，k為預見期長度；對于降水量Pj可以采用天氣預報數值；墑情預測的目的是進行灌溉預報，因此在墑情預測過程中，Mj可取為0。

為保證預測結果的準確性，參照已有研究[12,17]，對未來15d（預見期為15d）進行預測精度分析，同時補充10d預見期的精度分析。預測過程中，若預測值大于飽和含水率或小于枯萎系數，認為當日確定的a、b為不合理參數，采用前一日所確定的實時模型參數進行預測，若仍不滿足要求，則采用更前一日實時模型參數進行預測。

1.3 實時模型的評價方法

基于實時監測的數據可對一定預見期內0?60cm土層平均含水率進行預測，采用相對誤差（δR）、確定性系數（DC）和合格率3種評價方式對模型及預測結果進行評價。其中相對誤差值和合格率主要用于評價預測結果的準確性，確定性系數用于實時模型的擬合程度評價。

（1）確定性系數

確定性系數（DC）表示模型的模擬值與實測值的接近程度，本研究采用動態回歸，計算結果是對短期內農田含水率變化規律的一種體現，建模系列長度較短，當土壤含水率出現較大變化時，會使回歸結果無法較好地體現含水率的變化規律，模型的擬合程度降低，最終導致過大的預測誤差，因此，對建模過程中的確定性系數進行計算分析，計算方法見式（11），其大小在一定程度上反映了所建立回歸模型的可靠程度，其數值在0～1范圍變化，數值越大表明擬合程度越高，模型的可靠性越高。

（2）相對誤差

例如，教師可以結合著社會生活的熱點來創設相應的教學情境。如在湘教版數學七年級上冊第3章《一元一次方程》的教學中，教師可以引入一個飛機攔截的情境：中國在2013年劃設了東海放空識別區，中國空軍和海軍經常會出海攔截外國的不明飛機。我們假設小李是一名飛行員，駕機執行攔截任務，他從地面勻速加速起飛，10秒后達到了350km/h的離地速度，隨后到60秒時勻速加速到了1500km/h的巡航速度趕赴目標空域。根據這個情境，教師可以組織學生們解相關的一元一次方程。這是一個新穎的話題，而且是兩段情境，具有挑戰性；初中生又具有樸素的愛國主義情懷，在解題情境中表現積極：

相對誤差（δR）表明了土壤墑情預測值與實測值間的差異，其值越小說明預測的精度越高，預測模型的準確性程度越高。計算式為

式中，Mj、Sj分別為0?60cm土層平均含水率的實際值和預測值（cm3·cm?3）。

（3）合格率

合格率（QR）用來檢驗預測結果的合理性，也是表示模型預測精度的一個指標，其值是指在允許誤差范圍內的預測次數占總預測次數的百分數，計算方法見式（13）。預報要素和預報方法不同時，允許誤差范圍有所差異，墑情預測中尚未有允許誤差范圍標準值，因此參照已有研究[2,9,10,17,12,30,31]，將0?60cm土層平均含水率預測值的相對誤差作為計算樣本，以5%、10%和15%三種相對誤差作為允許誤差界限進行合格率的計算。

式中，QR為合格率（%）；e為合格預測次數，合格預報次數指在允許相對誤差范圍內的次數；f為預測的總次數。

2 結果與分析

2.1 參數a、b的結果分析

參數a、b包含了作物生長動態、氣象條件和地下水位變化等環境因素對土壤墑情動態變化的影響，這些環境因素隨時間和空間位置是動態變化的，因而參數a、b也隨時間和空間而變化，模型參數的這一特性顯著提高了預測精度。圖2中給出了節點一處，10d建模系列長度條件下待定參數隨時間的變化過程。由圖可以看出，（1）參數a、b均圍繞其平均值上下波動。結合表1，在節點一處隨建模系列長度增大，參數a的平均值減小，對應5d、10d和15d建模系列長度的平均值分別為0.0412、0.0300和0.0244；參數b的平均值逐漸增加，對應5d、10d和15d建模系列長度的平均值分別為0.8354、0.8801和0.9027。

（2）參數a、b均有少數過大或過小的峰值出現，且參數a、b的峰值同步出現。模擬預測時發現，這些峰值處的參數無法用于預測土壤含水率的變化，為不合理參數，不合理參數的數量隨著建模系列長度的增加而減少，對于節點一，5d建模系列長度時，不合理參數的組數達到48組，占總樣本數的8.0%；10d建模系列長度時有21組，占總樣本數的3.6 %；而15d建模系列長度時僅有9組，占總樣本數的1.6 %。對于合理的實時模型參數，可根據參數的最大值和最小值作為變化范圍的上限和下限（表1），實時模型參數在此變化范圍內波動，結合表2分析發現，變化范圍隨建模系列長度變化，其中參數a的變化范圍下限值隨建模系列長度的增加而增大，上限則隨建模系列長度的增加而減小；參數b的變化范圍的上下限隨著建模系列長度的增加具有與參數a相同的變化趨勢。

圖2 節點一處10d建模系列長度下模型參數隨時間的變化過程

（3）參數a、b變化過程線有間斷點，主要原因是墑情監測設備出現故障，及時排除故障，并不會長時間內對建模及預測結果產生影響。

對于示范區的節點二和節點三，也進行了相同的處理，并得出相應的參數a、b的均值和變化范圍，由表1可見，節點二和節點三處的實時模型參數變化與節點一具有相同的趨勢，但是其均值及變化范圍有所差異。不同節點所確定的實時模型參數的差異性，一定程度上反應了不同節點處土壤含水率的空間差異性。

表1 三個節點模型參數隨建模系列長度的變化

2.2 實時模型擬合程度及預測誤差分析

2.2.1 實時模型擬合程度分析

根據式（11）計算得到確定性系數，對模型擬合程度進行評價。確定模型參數時，在選取的土壤含水率數據中，共包含625d的含水率數據，由于建模系列長度的不同，回歸分析樣本數有所不同，15d建模時對應的樣本數最少，為550，相應地得到550個確定性系數；同理得到不同建模系列長度條件下的確定性系數均值。由表2可知，隨著建模系列長度的加大，確定性系數均值逐漸增大，5d建模系列長度下第二節點的確定系數最小，也在0.82以上；各節點確定性系數隨建模系列長度表現出了相同的變化規律。

表2 三個節點不同建模系列長度下的確定性系數平均值

注：建模系列長度為5d、10d和15d的樣本數分別為600、575和550。

Note: When the modeling series is 5,10 and 15 days, the number of samples is 600, 575 and 550, respectively.

2.2.2 實時模型預測誤差分析

實時模型的預測誤差是評價和選擇模型的重要依據。利用確定的實時模型參數，對未來15d的農田含水率進行預測，根據式（12）計算得到相對誤差。對每一個節點分5d、10d、15d、20d四種建模系列長度進行預測誤差分析；對于每種建模系列長度，分10d和15d兩種預見期給出了每次預測相對誤差的最大值、平均值和最小值，再計算整個監測系列長度的相對誤差均值，結果見表3。由表可見，無論哪個節點，均以15d建模系列長度的相對誤差最小；以平均相對誤差而言，10d預見期的相對誤差均小于15d的相對誤差；在15d建模系列長度下，對應10d和15d預見期的相對誤差，三個節點之間有所差異，最大值分別為2.94%和4.52%（節點三），最小值分別為1.13%和1.16%（節點二）。

表3 不同節點、建模系列長度和預見期條件下土壤含水率預測值的相對誤差均值（%）

2.3 實時模型預測結果的合格率分析

預測結果的合格率是評價模型預測精度的重要指標。前述分析表明建模系列長度為15d時，模型的預測精度最高。針對該模型，以5%、10%和15%三種相對誤差界限值給出了10d、15d兩種預見期下的預測合格率，相應10d和15d預見期條件下的樣本數分別為508、483。合格率計算結果見表4。由表可以看出，預測合格率隨著相對誤差界限值的增大而增大，隨著預見期的增大而減小。不同節點處預測合格率有一定的差異，其中以節點二的預測合格率最大，對應10d預見期的三種相對誤差界限值的合格率分別為99%、100%和100%；對應15d預見期的三種相對誤差界限值的合格率分別為97%、100%和100%。以節點三的預測合格率最小，對應10d預見期的三種相對誤差界限值的合格率分別為88%、96%和97%；對應15d預見期的三種相對誤差界限值的合格率分別為79%、89%和94%。不同節點處合格率的差異在一定程度上反映了實時模型在農田空間尺度上的變異性。

2.4 Δθ取值

Δθ是在確定模型參數過程中，用以判斷是否計算某時段內降水和灌水量的數值，當時段末與時段初土壤含水率之差≥該值時，即認為引起含水率增加的原因為降水或灌水，并由此計算降水和灌水值；否則認為降水或灌水數量等于0。在土壤墑情預測過程中，降水和灌水是導致墑情預測出現偏差的主要原因，因此，Δθ的取值大小對確定模型參數過程中的土壤含水率模擬值與實測值的擬合程度和實時模型預測過程中的預測精度會造成很大的影響，基于此，采用節點一處2017年11月7日?2019年9月20日時段內的土壤含水率數據，設定不同大小的Δθ取值，進行建模并做出預測，得到不同情況下的模型擬合程度變化（圖3）以及實時模型預測精度變化（圖4）。由圖3可見，隨著Δθ的增大，對應5d、10d和15d三種建模系列長度的確定性系數均呈減小趨勢，在Δθ為0時，具有最大的確定性系數值，實時模型的擬合程度最高。由圖4可見，除5d建模系列之外，10d和15d建模系列，隨著Δθ的增大，10d和15d兩種預見期下預測結果的平均相對誤差均值明顯出現了隨Δθ的增大而增大的趨勢。5d建模系列長度時，隨著Δθ的變化，兩種預見期下預測結果的平均相對誤差均值變化較小，10d預見期時較為平緩，15d預見期時具有小幅度的增加趨勢。

表4 三個節點15d建模系列條件下土壤含水率預測結果的合格率（%）

綜合分析對比Δθ不同引起實時模型擬合程度以及預測精度的變化情況，本研究中取Δθ= 0。

圖3 不同建模系列下確定性系數隨Δθ的變化

圖4 實時預測模型的預測相對誤差均值隨Δθ的變化

3 結論與討論

3.1 討論

目前使用的一些墑情預測方法，常采用固定參數進行預測，不能較好地捕捉環境因素的變化，因此建立了動態的墑情預測模型，可實現每日建模預測。模型具有較高的擬合程度及預測精度，15d建模系列長度時，三個監測節點確定性系數達到了0.93以上；10d、15d預見期時預測相對誤差分別在1.13%～2.94%和1.66%～4.52%。以合格率對模型預測精度進行檢驗，10d和15d預見期的合格率分別達到97%和94%以上。

本研究建立的實時模型較其它預測模型在預測精度上有所提高。李寶五[30]采用BP神經網絡法、彭曼公式P-M兩種方法模擬作物蒸散量，后根據水量平衡原理以旬為時段分別建立了土壤含水率預測模型，基于P-M公式的水量平衡模型對土壤含水率的預測值與實測值的平均相對誤差為9.7%，基于BP神經網絡法的平均相對誤差為6.3%；張雪飛[31]依據SIMPEL模型對德國奧斯納布呂科技大學4個試驗區小麥生長期內的土壤含水量進行了分層（0?10、10?20、20?30和30?40cm）模擬，分析發現研究地區土壤含水量實測值與預測值相對誤差在0.8%～13.3%，相對誤差平均為5.6%。張雪飛等所做的研究中較系統考慮了作物蒸發蒸騰的變化對墑情預測的影響，但未考慮其它影響土壤墑情的因素，因而其給出的預測誤差均大于本研究結果。除此之外，現有研究方法建立的預測模型，其預測精度也低于本研究給出的結果，牛宏飛等[32]對北京延慶2010?2015年的土壤墑情和氣象數據進行分析，以線性回歸法、BP神經網絡法和PCA-KBF神經網絡法分別建模，并取用2016年的100組數據進行預測分析，其預測誤差值依次為5.4%、4.3%和5.8%，與本研究的預測誤差接近，但仍然略為偏大。

分析時通過引入Δθ從實時監測的土壤墑情數據中識別出了降水量和灌溉量，在一定程度上提高了模型的擬合程度和預測精度，但是降水仍然是影響墑情預測的一個輸入因素，在預測過程中需要利用天氣預報的降水量數據，因此降水量預報精度，是影響墑情預測精度的重要因素。

3.2 結論

（1）傳感器與互聯網結合構成無線土壤墑情監測系統，可實時、準確監測傳輸土壤墑情信息并儲存，在此基礎上依據水量平衡原理構建墑情預測的動態模型，通過回歸分析確定的動態模型參數實時反映了影響農田墑情的環境因素的變化，模型具有較高的預測精度。

（2）對5d、10d、15d和20d建模系列長度條件下的預測分析表明，15d建模系列下預測精度最高，對應10d、15d預見期的相對誤差為2.94%和4.52%。

（3）基于2017年11月7日?2019年9月20日共計625d的土壤含水率數據，分析研究實時墑情動態模型參數及其預測精度，結果表明，采用該模型進行墑情預測時，并不需要長序列的觀測數據確定模型參數。

[1] 李亞春,徐萌,唐勇.我國土壤水分遙感監測中熱慣量模式的研究現狀與進展[J].中國農業氣象,2000,21(2):41-44. Li Y C,Xu M,Tang Y.The status and advances of thermal inertia models in measuring soil moisture by remote sensing in China[J].Chinese Agricultural Meteorology,2000, 21(2): 41-44.(inChinese)

[2] 孫秀邦,嚴平,黃勇,等.淮北地區土壤墑情動態預測[J].合肥工業大學學報(自然科學版),2007(9):1144-1147. Sun X B,Yan P,Huang Y,et al.Dynamic forecasting of soil humidity in the Huaibei area of Anhui Province[J].Journal of Hefei University of Technology (Natural Science Edition),2007(9):1144-1147.(inChinese)

[3] Wu Z Y,Zhou J H,He H,et al.An advanced error correction methodology for merging in-situ observed and model-based soil moisture[J].Journal of Hydrology,2018,566:150-163.

[4] Kolassa J,Reichle R H,Liu Q,et al.Estimating surface soil moisture from SMAP observations using a Neural Network technique[J].Remote Sensing of Environment, 2018,204: 43-59.

[5] 粟容前,康紹忠,賈云茂.農田土壤墑情預報研究現狀及不同預報方法的對比分析[J].干旱地區農業研究,2005,23(6): 194-199. Su R Q,Kang S Z,Jia Y M.Research status of soil moisture forecast in farmland and comparative analysis of different methods[J].Agricultural Research in Arid Regions,2005, 23(6):194-199.(inChinese)

[6] 劉勇洪,葉彩華,王克武,等.RS和GIS技術支持下的北京地區土壤墑情預報技術[J].農業工程學報,2008(9):155-160. Liu Y H,Ye C H,Wang K W,et al.Soil moisture prediction technique in Beijing supported by RS and GIS techniques[J]. TransactionsoftheCSAE,2008(9):155-160.(in Chinese)

[7] 蔣太明,劉海隆,劉洪斌,等.黃壤坡地土壤水分垂直變異特征分析[J].農業工程學報,2005(3):6-11. Jiang T M,Liu H L,Liu H B,et al.Analysis of vertical variation characteristic of soil moisturein yellow soil sloping field[J].Transactions of the CSAE,2005(3):6-11.

[8] 尚松浩.土壤水分模擬與墑情預報模型研究進展[J].沈陽農業大學學報,2004(Z1):455-458.Shang S H.Advances in soil moisture simulation and forecasting models[J].Journal of Shenyang Agricultural University, 2004(Z1):455-458.(inChinese)

[9] 韓紅亮,繳錫云,陸敏,等.蔬菜大棚墑情預報的衰減指數平滑模型[J].灌溉排水學報,2013,32(1):131-134.Han H L,Jiao X Y,Lu M,et al.Attenuation index smoothing model for predicting soil moisture in vegetable greenhouses[J]. Journal of Irrigation and Drainage,2013,32(1): 131-134.(inChinese)

[10] 安小宇,魯奎豪,崔光照.基于改進樽海鞘優化BP神經網絡的土壤墑情預測[J].中國農機化學報,2019,40(11): 124-130. An X Y,Lu K H,Cui G Z.Prediction of soil moisture based on BP neural network optimized by adaptive salp swarm algorithm[J].China Agricultural Machinery Chemistry News, 2019, 40(11):124-130.(inChinese)

[11] 冀榮華,張舒蕾,鄭立華,等.基于多值神經元復數神經網絡的土壤墑情預測[J].農業工程學報,2017,33(S1):126-131. Ji R H,Zhang S L,Zheng L H,et al.Prediction of soil moisture based on multilayer neural network with multi-valued neurons[J].Transactions of the CSAE,2017, 33(S1): 126-131.(in Chinese)

[12] 楊紹輝,王一鳴,郭正琴,等.ARIMA模型預測土壤墑情研究[J].干旱地區農業研究,2006(2):114-118. Yang S H,Wang Y M,Guo Z Q,et al.Research on soil moisture forecast based on ARIMA model[J].Agricultural Research in Arid Regions,2006(2):114-118.(inChinese)

[13] 李軍,張和喜,蔣毛席,等.基于ARIMA模型的貴州省黃壤墑情預測研究[J].人民黃河,2010,32(8):73-75. Li J,Zhang H X,Jiang M X,et al.Prediction of yellow soil moisture in Guizhou province based on ARIMA model[J]. Yellow River,2010,32(8):73-75.(inChinese)

[14] 李芳花.黑龍江省半干旱地區土壤水分遙感監測技術研究及應用[D].長春:吉林大學,2006. Li F H.Study and application for soil moisture monitor using remote sensor technology in the semiarid area of Heilongjiang province[D].Changchun:Jilin University, 2006. (inChinese)

[15] Lewin J.Simple soil water simulation model for assessing the irrigation requirements of wheat[J].Israel J Agr Res, 1972,22(4):201-213.

[16] 粟容前,康紹忠,賈云茂,等.汾河灌區土壤墑情預報方法研究[J].中國農村水利水電,2005(10):92-95. Su R Q,Kang S Z,Jia Y M,et al.Preliminary study on soil moisture forecast in fen river irrigation district[J].China Rural Water Conservancy and Hydropower,2005(10): 92-95. (inChinese)

[17] 唐春燕,申雙和,杜筱玲,等.南方土壤墑情變化規律及動態預報研究:以江西省南康市、湖口縣為例[J].江西農業大學學報,2013,35(5):1082-1089. Tang C Y,Shen S H,Du X L,et al.The changing law and dynamic forecast of soil humidity in Nankang and Hukou counties, Jiangxi province [J].Journal of Jiangxi Agricultural University,2013,35(5):1082-1089.(inChinese)

[18] 申慧娟,嚴昌榮,戴亞平.農田土壤水分預測模型的研究進展及應用[J].生態科學,2003(4):366-370. Shen H J,Yan C R,Dai Y P.Progress and application of soil moisture monitoring and forecasting models[J].Ecological Science,2003(4):366-370.(inChinese)

[19] 馬曉剛.基于秋季降水量的春播關鍵期土壤墑情預測[J].中國農業氣象,2008,29(1):56-57. Ma X G.Forecast of soil moisture content during critical period of spring sowing based on precipitation in last autumn[J].Chinese Journal of Agrometeorology,2008,29(1): 56-57.(inChinese)

[20] 李清河,徐軍,高婷婷,等.干旱荒漠區EC-5土壤水分傳感器的校準和應用[J].中國農業氣象,2012,33(1):54-58. Li Q H,Xu J,Gao T T,et al.Calibration of EC-5 soil moisture sensors and its application in arid desertificated area[J]. Chinese Journal of Agrometeorology, 2012,33(1): 54-58.(inChinese)

[21] Xiao D Q,Feng J Z,Wang N,et al.Integrated soil moisture and water depth sensor for paddy fields[J].Computers and Electronics in Agriculture,2013,98:214-221.

[22] 劉敏,王亮亮,蔡秋鵬.FDR和TDR測定幾種典型土壤含水量的對比分析[J].水利信息化,2016(6):32-36. Liu M,Wang L L,Cai Q P.Comparative analysis of several typical soil's water content measuring with FDR and TDR[J].Water Resources Informatization,2016(6):32-36.(inChinese)

[23] 李泳霖,王仰仁,武朝寶,等.水分傳感器埋設深度及個數對墑情精度的影響[J].節水灌溉,2019(1):87-91. Li Y L,Wang Y R,Wu C B,et al.The influence of the depth and amount of soil moisture sensors on the accuracy of soil moisture content [J].Water Saving Irrigation,2019(1): 87-91. (inChinese)

[24] 卞艷麗,曹惠提,楊一松,等.田間土壤墑情預報模型關鍵參數確定方法研究[J].人民黃河,2012,34(10):103-104. Bian Y L,Cao H T,Yang Y S,et al.Study on method of determining key parameters in soil moisture model for forecast of field[J].Yellow River,2012,34(10):103-104.(inChinese)

[25] Mahmood R,Hubbard K G.An analysis of simulated long-term soil moisture data for three land uses under contrasting hydroclimatic conditions in the Northern Great Plains[J].Journal of Hydrometeorology,2004,5(1):160-179.

[26] 王仰仁,孫書洪,葉瀾濤,等.農田土壤水分二區模型的研究[J].水利學報,2009,40(8):904-909. Wang Y R,Sun S H,Ye L T,et al.Two-zone model for simulating field soil moisture[J].Journal of Hydraulic Engineering,2009,40(8):904-909.(inChinese)

[27] Cho T,Kuroda M.Soil moisture management and evaluation of water-saving Irrigation on farms[J].Journal of Irrigation Engineering and Rural Planning,1987(12):25-40.

[28] 王笑影.農田蒸散估算方法研究進展[J].農業系統科學與綜合研究,2003(2):81-84. Wang X Y.Study of the estimating methods for evapotranspiration in farmland[J].Agricultural System Science and Comprehensive Research,2003(2):81-84.(inChinese)

[29] Allen R G,Pereira L S,Raes D,et al.Crop evapotranspiration guidelines for computing water requirements[M]. FAO Irrigation and Drainage Paper,1998.

[30] 李寶五.基于水量平衡的玉米土壤墑情預報研究[D].鄭州:華北水利水電大學,2017. Li B W.The forecast for soil moisture based on soil-water balance model in summer maize[D].Zhengzhou:North China University of Water Conservancy and Hydropower, 2017.(inChinese)

[31] 張雪飛.水量平衡模型在德國奧斯納布呂克地區和安徽淮北地區對墑情預測的應用研究[D].合肥:安徽農業大學,2013. Zhang X F.Water balance model of soil moisture prediction research in Osnabrueck,Germanv and Huaibei, Anhui[D]. Hefei :Anhui Agricultural University,2013.(inChinese)

[32] 牛宏飛,張鐘莉莉,孫仕軍,等.土壤墑情預測模型對比[J].中國農業大學學報,2018,23(8):142-150. Niu H F,Zhang Z L L,Sun S J,et al.Comparative study on soil moisture content prediction model[J].Journal of China Agricultural University,2018,23(8):142-150.(in Chinese)

Dynamic Modeling and Prediction of Soil Moisture Based on Real-Time Water Content Data

WANG Tie-ying1, WANG Yang-ren1，ZHAN Guo-long2, NIU Shao-qing2, YAO Li1

(1.School of Hydraulic Engineering, Tianjin Agricultural University, Tianjin 300392, China；2.Tianjin Dayu Water-Saving Irrigation Technology Research Institute, Tianjin 301712)

Real-time and accurate prediction of moisture content is to carry out irrigation forecasts, and to achieve precise management of farmland water, which is an important measure to improve water efficiency. Based on the principle of water balance in the root zone (0?60cm soil layer), the crop transpiration and water flux at the lower interface of the root zone are linearized by using the Taylor series. On this basis, a dynamic soil moisture prediction model was constructed with the real-time average soil moisture content of the root zone as an independent variable. The real-time monitoring data (soil moisture content at 30cm and 60cm below the ground surface) of the wireless soil moisture monitoring system (including three monitoring points) in Xilv Village, Wuqing District, Tianjin City are used, and 5 days, 10 days, 15 days and 20 days are selected as the modeling series length respectively, and regression analysis is performed to determine the model parameters. The prediction accuracy of soil moisture was analyzed, using the two forecast periods of 10 days and 15 days. The results showed that: (1)the real-time prediction model fits well, and the deterministic coefficients under the condition of the three modeling series length can above 0.80 (the number of samples are all greater than 550).(2) The relative error of 15 days modeling series is the smallest.(3) Under the conditions of 15 days modeling series length, 15 days prediction period, and 10% relative error limit value, the moisture prediction pass rates of the three monitoring points reached 98%, 100% and 89%, respectively. It can be seen that the real-time moisture prediction model proposed by the research has high prediction accuracy, which is convenient for modeling and analysis, and provides a new method for soil moisture prediction.

Soil moisture; Dynamic modeling; Sensor; Water balance; Soil moisture prediction

10.3969/j.issn.1000-6362.2021.01.002

王鐵英,王仰仁,戰國隆,等.基于實時含水率數據的土壤墑情動態建模及預測[J].中國農業氣象,2021,42(1):13-23

2020?08?25

國家自然科學基金項目（51779174）；天津市農業科技成果轉化與推廣項目（201701150）；天津市科技支撐重點項目（18YFZCSF00650）

王仰仁，教授，主要從事灌溉排水技術研究，E-mail：wyrf@163.com

王鐵英，E-mail：2696984426@qq.com