南雄土壤水分自动与人工观测对比分析与讨论

摘要：从南雄站土壤水分人工观测过程中，对南雄站2021年6～8月期间自动土壤水分观测与人工平行对比观测的土壤重量含水率进行分析，结果表明：人工观测记录与自动气象站采集的时序数据在变化规律上具有一致性。从垂直分布特征看，表层（0-30cm）监测值受降水事件和温度波动的直接影响显著，而深层（>50cm）数据因地质缓冲作用对外界环境变化的响应幅度缩小。再利用BP神经网络试验其有预测未来土壤重量含水率的能力。

关键词：土壤重量含水率，对比分析，BP神经网络

引言

土壤水分是研究土壤侵蚀、农作物旱情监测和产量预测等的重要指标，也是生态、气候、水文和陆面过程模型的关键参数之一，监测土壤水分对农业、旱情、气候等具有重要意义。土壤水分在观测过程中，存在多种因素影响着传感器测量的准确性，其误差来源包括降水、温度、土壤质地、标定方法、设备自身稳定性和维护等，影响了土壤水分资料的业务应用[1-2]。

自动土壤水分观测仪是基于频域反射法(FDR)测量技术原理研制的自动化观测设备，其探测器可直接监测土壤体积含水率参数。在现有研究中，学者们开展人工与自动观测数据对比分析时，主要聚焦于土壤相对湿度指标的验证与校正，已有大量研究[3-5]对此进行探讨。区别于常规研究，本文创新性地选择土壤重量含水率作为核心对比参数，通过建立不同含水率表征量之间的物理转换模型，系统分析自动观测数据与人工实测数据的内在关联性。

为了更好了解南雄土壤水分观测站观测数据情况，其人工与自动观测数据的对比研究尤为重要。本文采用差值对比、相关系数等统计方法，分析南雄土壤水分站自动观测数据与人工观测数据，评价南雄土壤水分站监测能力，提高农业气象服务保障能力。

1  资料与方法

1.1  数据来源

地段选择：选择在南雄国家基准气候站土壤湿度观测站点

观测时间：本文观测所需数据主要是2021年6至8月每旬逢3、逢8日进行人工观测。

土壤湿度数据采集遵循以下流程：① 采样布设：依据标准规范，在观测站典型区域按0-100cm垂直剖面设置4组平行采样点；② 实验方法：采用烘干称重法测定质量含水率，据此计算相对湿度（RH）、总贮存量（W_total）及有效贮存量（W_available）；③ 分层方案：以10cm为间隔将剖面划分为8个层级（0-10cm、10-20cm等）。该资料严格按照中国气象局的《农业气象观测规范》规范操作[2]，数据经过质控，其多层土壤湿度时序特征与自然状态下水分运移规律吻合。

1.2  研究方法

本研究采用双路径验证方法：一是垂直剖面趋势分析：按相同深度层级（0-100cm）对比质量含水率（θ_g）的时空演变特征；二是误差量化评估：定义绝对误差Δ=θ_manual - θ_auto，计算各土层误差均值（μ）、极差（R）、极值时序定位（t_max/min），并通过标准差（σ）评估误差离散程度。

2  对比分析与结果

基于分层采样策略（10cm间隔），每个土层设置两组平行观测序列：① 人工采样组：通过烘干称重法获取14个质量含水率（θ_g）有效值；② 自动观测组：依托土壤水分传感器同步记录的θ_g数据。所有数据按UTC标准时间轴排序并生成时序对比曲线如下图表（见图1）

图1 各土层土壤水分人工观测与自动观测的土壤重量含水率数据对比

2.1  10cm土层

自动站观测的土壤重量含水率数据总体比人工观测的数据偏大，两者变化趋势总体一致。两者的变化曲线差别较小，人工观测的数据比自动站数据稍微偏小或接近。变化幅度最大的是在6月13日和6月23日。差异最大的情况同样出现在6月13日和6月23日，说明地表含水量的动态变化通常源于自然降水或人为灌溉等外源输入。当地表温度上升时，土壤颗粒间的热传导作用增强，促使表层水分通过蒸腾作用加速散失，进而导致土壤重量含水率呈现梯度递减。当外部水分通过大气降水或人工灌溉方式补给时，这种水循环过程将重构土壤水分平衡体系，土壤重量含水率上升，土壤相对湿度也迅速增大。根据南雄站的气象资料统计，2021年6月13日南雄站降水量为35.8mm，2021年6月1-23日南雄站有雨日11天，其中大雨3天，暴雨1天。这表明表层土壤水分容易受到外界因素影响。根据10cm自动站与人工观测土壤重量含水率误差及标准差分析（表1），二者的平均差值为4.04%，差异最大出现在2021年6月23日，为-5.9%，最小差异出现在7月3日、7月8日、7月13日、7月28日，差值为0.4%。

2.2  30cm土层

由图1可知，30cm土层土壤重量含水率人工观测的数据比自动站取得的数据稍微偏小，且两者随时间的变化基本一致。同样在2021年6月1-23日，30cm土层土壤重量含水率人工观测的数据与自动观测的数据变化幅度较大 ，且差异相对其他时间段较大。这与地表当时受外界降水因素影响的可能性较大。根据30cm自动站与人工观测土壤重量含水率误差及标准差分析（表1），二者的平均差值为5.13%，差异最大出现在2021年6月23日，为-4.4%，最小差异出现在7月3日、7月8日、7月13日、7月28日，差值为0.15%。

2.3  50cm土层

由图1可知，50cm土层土壤重量含水率人工观测的数据和自动观测的数据，随时间的变化趋势基本一致。2021年6月23日自动观测的数据比人工观测数据差值，比表层差值大得多。根据50cm自动站与人工观测土壤重量含水率误差及标准差分析（表1），二者的平均差值为4.64%，差异最大出现在2021年6月23日，为7.9%，最小差异出现在7月3日、7月8日、7月13日、7月28日、8月3日，差值为0.84%。

2.4  100cm土层

由图1可知，深层100cm土层土壤重量含水率人工观测记录与自动气象站采集的时序数据在变化规律上具有一致性。2021年6月23日自动观测的数据比人工观测数据差值较小。表明深层土壤湿度参数呈现动态稳定性特征，这与浅层土壤形成显著差异。根据100cm自动站与人工观测土壤重量含水率误差及标准差分析（表1），二者的平均差值为1.51%，差异最大出现在2021年6月23日，为-1.8%，最小差异出现在7月3日、7月8日、7月13日、7月28日、8月3日、8月8日，差值为0%。

3  基于BP神经网络利用表层土壤数据预测深层数据的分析

近年来，人工智能成为人们探讨热点，同时也推动了很多领域的发展。当以深度学习和机器学习为核心的人工智能算法与气象数据相结合的时，大多时候可以在天气预报方面发挥作用。张建彬[6]（2024）根据卷积神经网络、双向长短期记忆网络和注意力机制的特点，建立了一个CNN-BiLSTM-AM 暴雨预测模型；刘娣等[7]（2024）认为随机森林模型对0～10cm深度内土壤湿度的反演效果更好。本文主要解决如何采用BP神经网络算法，同时利用历史的目标数据和因素数据来预测未来的目标数据。侍永乐等[8]（2021）描述气象影响因子与土壤相对湿度的关系，并基于BP神经网络建立预测模型。BP神经网络是基于误差反向传播机制的多层前馈模型，具有非线性映射能力，其网络架构包括输入层、隐藏层和输出层[9]。该模型采用梯度下降优化算法，通过计算损失函数的负梯度方向对参数进行迭代调整的方法，误差信号会沿着网络反向逐层传导，逐步对每层修正权重矩阵和阈值，经多轮训练后可使预测值收敛至预设目标区间。

3.1  偏移对应法

本文将第1-14天的表层0～10cm、10～20cm、20～30cm、40～50cm、50～60cm深度土壤重量含水率数据作为影响因子，第1-14天的90-100cm深度土壤重量含水率为目标数据。首先将第1-11天的影响因子数据输入网络，对应期望第4-14天的目标数据，然后将算法训练完成的第12-14天影响因子数据作为第15-17天目标数据的影响因子数据乘上训练完成后的权重矩阵，最后输出第15-17天的目标预测数据。

图2 训练网络结果

通过100000次的训练后，第15-17天的90-100cm深度土壤重量含水率分别是17.9%、18.1%和18.3%。其对应的实际观测值分别为17.8%、18.0%和18.4%。训练结果与实际观测值总体一致，说明利用BP神经网络建立土壤重量含水率具有一定的指示意义。后续可从深度学习等人工智能技术方向来探索土壤水分湿度观测业务技术，从而提高气象业务观测质量发展。

4  结论

南雄站的人工观测土壤重量含水率数据比自动观测数据偏小。观测数据显示，不同土层持水特性虽存在量级差异。值得注意的是，表层土壤水分参数表现出显著的环境敏感性，其变异系数主要源于大气降水输入、热辐射通量等环境因子的周期性扰动。这种水文耦合现象本质上反映了土壤-大气界面间的水力再分配过程与地表能量交换过程的协同作用机制。而土壤深层受外界因素影响较小，深层的土壤重量含水率波动变化相对较小。

深度学习是人工智能的前沿技术是满足日益增长的粮食需求的最有前途的技术之一。近年来，深度学习作为人工智能领域的热点研究技术，其在气象业务中得到了不同的应用。许多气象业务的棘手问题正在被解决，同时随着深度学习的深入发展，其应用范围也将不断拓宽。在未来发展和应用中，可以重点关注和解决土壤水分观测的问题，提升土壤湿度观测能力。由于传感器的误差，数据传输的稳定性，以及农田灌溉数据难以有效评估，因而会影响土壤水分的监测预测。BP神经网络对土壤重量含水率观测有一定的预测能力。未来可以通过对硬件升级和算法优化提升数据精准性，随着无线传输技术和传感器技术的发展和升级，加上海量气象要素数据，深度学习在土壤水分监测方面将会迎来更多发展和应用。

参考文献

[1]中国华云.DZN3 型自动土壤水分观测仪用户指南及系统说明书[M]. 北京:中国华云技术开发公司,2010:40.

[2]国家气象局.农业气象观测规范(上卷)[M]. 北京:气象出版社,1993:76.

[3]陈汝龙,柳军.ZQZ-DSI型土壤水分测量仪与人工观测的对比[J]. 气象与减灾,2008(1):36-37.

[4]中国华云.DZN3 型自动土壤水分观测仪用户指南及系统说明书[M]. 北京:中国华云技术开发公司,2010:40.

[5]周清，朱保美.DZN1 型自动站与人工测定土壤湿度对比分析[J]. 中国农学通报,2013，29（6）:108-112.

[6]张建彬. 基于机器学习的河南暴雨精细化预报及订正方法研究[D]. 南京: 南京信息工程大学, 2024.

[7]刘娣，孙佳倩，余钟波.基于机器学习模型的多层土壤湿度反演[J]. 河海大学学报（自然科学版）,2024,52(6):7-14.

[8]侍永乐，章超，靳青春. 巢湖地区土壤相对湿度气象预测模型研究[J]. 安徽农业科学, 2021,49(01):218-222,232.

[9]杨丽萍，侯成磊，苏志强，等．基于机器学习和全极化雷达数据的干旱区土壤湿度反演[J]. 农业工程学报, 2021,37(13):74-82.

作者简介：郑应彬（1995.08），男，汉，广东省潮州市潮安区，本科，助理工程师，从事研究方向或职业：研究天气预报、气象服务。