海原县不同土壤墒情自动监测点人工比测及误差修正

Artificial Comparison and Error Correction of Different Soil Moisture Automatic Monitoring Points in Haiyuan County

摘要

为提高土壤墒情自动监测站点在宁夏海原县的适用性，采用人工比测法，将不同深度土壤墒情自动监测数据与人工测得数据进行对比，并构建深度学习线性回归模型，以提高土壤墒情自动监测精度。结果表明：当地0~20 cm自动墒情监测数据可信度较高，且曹洼乡脱烈村、关桥乡八斗村不同土层的监测数据更加准确，通过构建校正函数，对监测数据进行修正后，各监测站点不同土层的数据误差均有不同程度的变小，从而为当地土壤墒情自动监测数据校正提供技术支撑。

Abstract

To enhance the applicability of soil moisture automatic monitoring stations in Haiyuan County， an artificial comparison method was employed to evaluate the automatic monitoring data of soil moisture at various depths against data of obtained through manual measurements. A deep learning linear regression model was then developed to improve the accuracy of soil moisture monitoring. The results showed that the reliability of the automatic monitoring data for the 0~20cm depth was high， with monitoring data from Tuolie Village in Caowa Township and Badou Village in Guanqiao Township showing greater accuracy across different soil layers. By constructing a correction function and applying it to the monitoring data， a reduction in data errors to varying extents was achieved. This study aims to provide technical support for the calibration of of local soil moisture automatic monitoring data.

关键词

干旱 / 土壤墒情 / 比测研究 / 宁夏海原

Key words

drought / soil moisture / comparative measurement / Haiyuan， Ningxia

近年来，随着全球气候变暖和用水需求量的增加，干旱缺水问题日渐突出，旱灾发生频次和范围不断增大，这已成为农业生产中发生面积最广、威胁最大、损失最重的自然灾害^[1-2]。土壤墒情是反映土壤干旱情况的重要参数之一，土壤墒情监测也是抗旱工作的重要基础。准确、快速的土壤墒情信息对旱情的有效评估意义重大^[3]。在进行土壤墒情监测之前，主要通过人工取样、室内烘干称质量的方法测定，该方法虽结果准确，但时效性较差，且费工费时^[4]。近年来，建设的土壤墒情自动监测站点实现了墒情数据的自动采集和自动传输，大大提高了墒情监测的时效性^[5]。不过由于土壤墒情的影响因素较多，部分墒情自动监测仪器的精度有待进一步提高。通过模型校正，可以减少土壤墒情监测的误差，从而提高数据准确性，其中回归分析法是进行墒情监测数据校正的常用方法之一。前人利用该方法在提高自动墒情监测数据的精度方面开展了大量研究。牛淼^[6]利用回归分析法对辽宁地区土壤墒情自动监测数据进行校正，校正后两监测站点的数据误差得到有效降低。李锴锋^[7]对沈阳地区2 个土壤墒情自动监测站的监测数据进行人工对比分析，并利用多元回归分析法对比测误差进行校正，校正后误差可降低10%左右。此外，马哈提·穆拉提别克^[8]、田起^[5]分别利用回归分析法构建模型对新疆阿勒泰地区、辽宁朝阳地区自动墒情监测数据进行校正，为自动墒情监测技术在当地的推广和应用提供遵循。

海原县位于宁夏中部干旱带，属于黄土丘陵沟壑区，该区域风大沙多、干旱少雨、生态脆弱，曾被联合国粮食开发署确定为最不适宜人类生存的地区之一^[9-11]。当地农业生产水平与土壤墒情监测技术水平密切相关，为提高土壤墒情监测现代化水平，海原县引进了基于介电法的土壤墒情监测仪。介电法利用土壤的介电常数特性，与土壤中的固体颗粒和空气相比，水的介电常数在土壤中处于支配地位，土壤水分含量越高，介电常数值越大。为提高海原县土壤墒情自动监测数据的精度，本试验采用人工比测方法，将海原县不同深度土壤自动墒情监测数据与人工监测数据进行对比，并利用回归分析法对其误差进行校正，以期为当地农业抗旱减灾工作提供参考。

1 材料与方法

1.1 监测点概况

监测站分别位于海原县曹洼乡脱烈村（36°42'N、105°81'E）、海城镇武塬村（36°63'N、105°58'E）、关桥乡八斗村（36°78'N、105°80'E）、关庄乡关庄村（36°34'N、105°48'E）、树台乡大咀村（36°44'N、105°47'E）。土壤监测深度分别为0~20 cm、21~40 cm、41~60 cm，土壤类型以黑垆土、黄绵土、新积土为主。海原县当年降水量为346.2 mm，其中1—12月降水量分别为2.5、12.5、1.7、26.2、9.0、35.7、83.9、153.5、3.7、15.2、2.3、0 mm。

1.2 数据监测

本试验比测时间从3月上旬开始，至7月上旬结束，以08：00 点为宜，同时记录对应时间点0~20 cm、20~40 cm、40~60 cm的监测仪器输出值。在埋设土壤水分传感器围栏外1~2 m范围内同类农作物田地处确定取样点，取相应土层土样。取样完成后，对取样造成的地面孔洞回填补平，设置3次重复。本次比测试验依据《土壤墒情监测规范》（SL 364—2015）进行。

1.3 土壤参数的测定

利用烘干法、称质量法测定土壤质量含水率。在105~110 ℃条件下，将土壤烘干至质量恒定，以所失去的水分质量与质量恒定后干土质量的比值（单位为百分数）表示土壤质量含水率。利用机测法监测的是土壤体积含水率，因此按式（1）将质量含水率转换为体积含水率进行比较。容重的测定采用环刀法，即用一定容积的环刀切割未搅动的自然状态土样，使土样充满其中，烘干后称质量计算单位容积的烘干土质量，按照干土质量/环刀体积进行计算，测量时选用100 cm³环刀。

θ=γ₀ω，（1）

式中：θ为体积含水率；γ₀为土壤干容重；ω为质量含水率。

1.4 校正模型构建

应用深度学习线性回归模型对数据进行校正，线性回归模型的数学表达形式为：

Y={\beta }_{\mathrm{0}}+{\beta }_{\mathrm{1}}{X}_{\mathrm{1}}+{\beta }_{\mathrm{2}}{X}_{\mathrm{2}}+\dots +{\beta }_n{X}_n+\epsilon，（2）

式中：Y表示因变量（要预测的目标变量）；X₁、X₂、…、X_n 表示自变量（特征）；β₀、β₁、…、β_n 表示模型的系数（回归系数）；ε表示误差项。

在模型调优方面，使用均方误差（MSE）调整模型参数，使得模型能够更好地拟合训练数据，MSE的数学表达式为：

\mathrm{M}\mathrm{S}\mathrm{E}=\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(y_i-{\widehat{y}}_i\right)}^{\mathrm{2}}，（3）

式中：n表示样本数量；y_i表示第i个样本的实际值；{\widehat{y}}_i表示第i个样本的模型预测值。

2 结果与分析

2.1 人工数据与机测数据对比

表1、表2、表3为海原县5 个监测站点人工取土测得的土壤体积含水率数据。0~20 cm土层土壤体积含水率为4.67%~26.58%；21~40 cm土层土壤体积含水率为5.05%~32.11%；41~60 cm土层土壤体积含水率为4.61%~30.72%。各监测点0~20 cm、21~40 cm、41~60 cm土层自动墒情监测值分别为7.77%~26.88%、5.63%~33.93%、7.68%~33.35%。

2.2 比测相关性分析

经相关性分析（表4—表6）发现，海原县0~20 cm土层人工与自动监测数据相关系数最高为0.676，达极显著相关，21~40 cm、41~60 cm土层比测相关性均低于0~20 cm土层。各监测点中，曹洼乡脱烈村、关桥乡八斗村不同土层的比测数据更加接近。

2.3 比测误差分析

结合墒情监测数据，对其与人工观测数据之间的误差进行统计分析（表7—表9），发现0~20 cm土层不同监测点自动与人工监测数据误差的均值，均值的标准误、标准差、方差分别为-3.08~0.45、0.70~1.97、2.09~5.92、4.38~35.04；21~40 cm土层不同监测点自动与人工监测数据误差的均值，均值的标准误、标准差、方差分别为-12.74~7.36、1.08~3.34、3.24~10.01、10.47~100.14；41~60 cm土层不同监测点自动与人工监测数据误差的均值，均值的标准误、标准差、方差分别为-14.54~4.24、0.76~3.44、2.15~9.73、4.63~94.69。各监测点均存在一定的系统偏差，且0~20 cm土层比测数据误差最低。

2.4 校正函数的建立

2.4.1 0~20 cm土层校正函数的建立

1）总校正函数的建立。对海原县曹洼乡脱烈村、海城镇武塬村、关桥乡八斗村、关庄乡关庄村、树台乡大咀村监测站点0~20 cm土层的数据进行线性回归分析，构建校正模型，计算公式：y=0.619x+6.234。

2）不同土壤类型条件下校正函数的建立。海原县4 个监测点分属3 种土壤类型，其中海城镇武塬村、关庄乡关庄村为黑垆土，曹洼乡脱烈村、树台乡大咀村为黄绵土，关桥乡八斗村为新积土。对不同土壤类型站点的数据进行线性回归分析，构建校正模型， 黑垆土计算公式：y=0.558x+7.602；黄绵土计算公式：y=0.721x+5.308；新积土计算公式：y=0.516x+6.034。

3）各站点校正函数的建立。试验对海原县墒情监测点0~20 cm土层土壤体积含水率与自动监测值进行线性回归分析，构建校正模型，如表10所示。

2.4.2 21~40 cm土层校正函数的建立

1）总校正函数的建立。对海原县曹洼乡脱烈村、海城镇武塬村、关桥乡八斗村、关庄乡关庄村、树台乡大咀村监测站点21~40 cm土层的数据进行线性回归分析，构建校正模型，计算公式：y=0.543x+5.471。

2）不同土壤类型条件下校正函数的建立。对不同土壤类型站点21~40 cm土层数据进行线性回归分析，构建校正模型，黑垆土计算公式：y=0.560x+4.465；黄绵土计算公式：y=0.762x+4.221；新积土计算公式：y=0.226x+8.056。

3）各站点校正函数的建立。试验对海原县墒情监测点21~40 cm土层土壤体积含水率与自动监测值进行线性回归分析，构建校正模型，如表11所示。

2.4.3 41~60 cm土层校正函数的建立

1）总校正函数的建立。对海原县曹洼乡脱烈村、海城镇武塬村、关桥乡八斗村、关庄乡关庄村、树台乡大咀村监测站点41~60 cm土层的数据进行线性回归分析，构建校正模型，计算公式：y=0.733x+1.883。

2）不同土壤类型条件下校正函数的建立。对不同土壤类型站点41~60 cm土层的数据进行线性回归分析，构建校正模型，黑垆土计算公式：y=0.395x+10.151；黄绵土计算公式：y=0.385x+14.150；新积土计算公式：y=0.058x+7.395。

3）各站点校正函数的建立。试验对海原县墒情监测点41~60 cm土层土壤体积含水率与自动监测值进行线性回归分析，构建校正模型，如表12所示。

2.5 修正结果分析

将修正后数据的误差进行统计分析（表13—表15），发现修正后0~20 cm土层不同监测点自动与人工监测数据误差的均值，均值的标准误、标准差、方差分别为-1.14~0.85、0.29~1.41、0.86~4.23、0.74~17.87；21~40 cm土层不同监测点自动与人工监测数据误差的均值,均值的标准误、标准差、方差分别为0~1.32、0.10~2.66、0.29~7.98、0.09~63.74；41~60 cm土层不同监测点自动与人工监测数据误差的均值,均值的标准误、标准差、方差分别为0、0.03~1.92、0.09~5.43、0.01~29.53，各监测点不同土层的比测误差均出现不同程度的降低。

3 讨论

近年来，土壤墒情自动监测技术在国内得到广泛应用，该技术有效节省了人力物力，提高了墒情监测的自动化程度。其中，介电法是土壤墒情自动监测技术的基本方法之一，目前相对成熟的土壤墒情介电测量方法主要包括时域反射法、频域反射法和电容法等，海原县土壤墒情监测仪便是基于介电法中的频域反射法设计的。频域反射探头在土壤中的重复性效率高，其在相对干燥的土壤状态下较为敏感。不过由于田间环境的多样性和不确定性，单一的监测方法往往难以准确获取土壤墒情信息，且海原县气候干燥，土壤较易开裂产生裂隙，测量准确性受到土壤、探头、导管之间缝隙的影响。同时，当前土壤墒情监测模型在面临不同土壤类型、气候条件和农田管理措施等复杂因素时，其泛化能力常常显得不足，上述原因也导致本试验中人工监测和自动监测相关系数不是很高^[12]。

为提高土壤墒情自动监测的准确性，需定期检修仪器设备，按要求进行维护、保养和校正，确保仪器设备正常运行，并加强卫星遥感数据、地面传感器、气象数据等多种数据源融合，实现对土壤墒情的全面监测和更准确的分析。同时，利用机器学习与深度学习等模型算法，构建适配各类环境的土壤墒情模型，这样开发的土壤墒情监测设备只需替换相应的算法模块，便能适应多变的土壤环境，从而确保墒情监测的精准度。此外，利用多源信息融合技术，将监测土壤温度、盐分含量及土壤容重等关键参数的多种传感器与土壤墒情监测设备紧密集成，通过多层次、多维度、多方法和多角度的数据处理方法，弥补和完善局部信息的不足，从而提高土壤墒情监测设备的准确性和可靠性^[13]。

4 结论

试验通过对海原县不同土层土壤墒情自动监测与人工比测研究发现，当地0~20 cm自动墒情监测数据可信度较高，能在一定程度上及时反应土壤水分的连续变化，且曹洼乡脱烈村、关桥乡八斗村不同土层的监测数据更加准确。通过构建校正函数，对监测数据进行修正后，各监测站点不同土层的数据误差均有不同程度的降低，表明上述校正函数可应用于当地自动墒情监测数据的校正。

参考文献

[1] 王凤瑞，张英骏.SMCS支持下土壤墒情自动测报系统研究与应用[J].水利信息化，2017（3）：60-64.

[2] 刘代勇，彭亚兰.土壤墒情自动测报系统设计与实现 [J].水力发电，2021，47（3）：66-68.

[3] 王丹丹.基于土壤墒情自动监测与人工数据对比分析及解决方案探析[J].广东水利水电，2021（5）：99-102.

[4] 王德维，徐立燕，周云，等.土壤墒情自动监测与人工烘干法比测研究[J].江苏水利，2017（7）：68-72.

[5] 田起.朝阳地区土壤墒情自动监测站精度改进探讨分析[J].水土保持应用技术，2020（5）：55-57.

[6] 牛淼.辽宁地区土壤墒情自动监测站精度改进探讨[J].地下水，2020，42（3）：113-114.

[7] 李锴锋.沈阳地区土壤自动墒情站人工比测及误差校正分析 [J].水利技术监督，2023（5）：29-31，35.

[8] 马哈提·穆拉提别克.新疆阿勒泰地区土壤墒情自动监测站精度改进的探讨及对策[J].地下水，2019，41（1）：92-93.

[9] 马秀霞，张娜，张红玲，等.宁夏海原县1958—2019年气温及降水变化规律分析[J].宁夏农林科技，2021，62（2）：40-46.

[10] 杨彦淑.宁夏海原县天然草原类型分布及生态状况调查[J].农业工程技术，2022，42（35）：45-46.

[11] 徐璐娜.健全海原农业气象服务体系 提升气象防灾减灾能力[J].河南农业，2022（17）：35-37.

[12] 高宁，张安琪，梅鹤波，等.土壤墒情监测技术研究现状与发展趋势[J].智能化农业装备学报（中英文），2024，5（3）：51-62.

[13] 叶星，姚富龙，王子昊.土壤墒情监测技术研究现状分析及展望[J].河北农业，2024（4）：84-85.

基金资助

宁夏旱作农田土壤墒情与旱情评价指标研究(2022BSB03061)