黄河下游引黄灌区深层土壤含水率反演模型研究

司舒阳 李道西

关键词：土壤含水率；反演模型；黄河下游地区；引黄灌区

０引言

黄河下游引黄灌区灌溉面积约占黄河流域及下游引黄供水区灌溉总面积的４０％以上，是我国重要的粮食生产基地，在保障区域和国家粮食安全方面发挥着重要作用。黄河下游是实施黄河水量统一调度的重点区域，农业灌溉需水量的及时、精准预报，将为黄河水量精细调度提供重要基础支撑。土壤墒情是预测灌溉需水量的基础参数，随着空间信息技术的发展，大尺度识别土壤墒情状况成为指导灌区灌溉管理的一种常用方法［１－２］。研究表明，通过遥感解译一般可以得到土壤表层０～１５ｃｍ的含水量，并以此作为反映土壤墒情状况的指标。黄河下游引黄灌区主要种植冬小麦、夏玉米等粮食作物，其需水关键期的根系一般生长到地面５０ｃｍ深度以下，加之黄河下游旋耕技术造成表层与深层土壤结构异变，采用遥感技术难以获取深层土壤含水量，难以为精准灌溉提供全方位支持。与此同时，灌区土壤性质和结构空间差异性的存在，导致往往无法采用唯一确定的数学模型定量描述表层和深层土壤含水量［３－４］。

本文采用黄河流域灌溉试验站网黄河下游监测站点的有关土壤墒情数据，分析了河南、山东典型引黄灌区农田土壤水分时空分布特征，采用Ｂｉｓｗａｓ反演模型构建基于表层土壤水分的深层土壤水分反演模型，为推进表层土壤含水率遥感解译成果广泛应用、构建更加科学实用的灌区需水预测模型等提供技术支持［５－７］。

１材料与方法

１．１数据采集

数据来源于黄河下游引黄灌区的３个土壤墒情监测点，其中河南省１个（编号ＨＳ）、山东省２个（编号分别为ＳＳ１、ＳＳ２）。３个监测点分别属于３个不同的灌区，种植作物均为玉米且均采用ＳＷ６０型管式土壤墒情监测仪每隔６０ｍｉｎ对地表以下１０、３０、５０、７０、９０ｃｍ深处的土壤含水率进行采集，采集时间均为２０２２年９月１日至１０月１０日。

１．２数据统计分析

数据统计分析方法：采用Ｅｘｃｅｌ２０１０处理并分析试验数据，使用Ｏｒｉｇｉｎ９．０软件作图。

数据统计分析有关概念：为比较试验数据离散程度，采用变异系数Ｃｖ定量表示试验数据离散程度（Ｃｖ＝σ／μ，其中σ为标准差、μ为平均值）与平均数之比。Ｃｖ没有量纲，可避免因测量尺度相差太大或者指标量纲不同的问题，但Ｃｖ不仅受数值离散程度的影响，而且受平均值影响，一般认为Ｃｖ≤０．０１为弱变异性、０．０１＜Ｃｖ＜１为中等变异性、Ｃｖ≥１为强变异性［８］。

相关系数ｒ从定量角度描述样本数据相关程度［９］，一般来说０．８为高度密切相关、０．５≤ｒ＜０．８为显著相关、０．３≤ｒ＜０．５为低度相关、ｒ＜０．３为不相关［１０］。

２结果与分析

２．１土壤含水率时空变化特征

取每日逐小时不同深度的土壤含水率平均值作为当日数据。各土壤墒情监测点的土壤含水率时空变化情况如图１所示。

从横坐标来看，表層（０～２０ｃｍ）及浅层（２０～４０ｃｍ）土壤含水率在降雨或灌溉前整体上均随时间推移呈逐渐下降趋势，降雨或灌溉后依降雨或灌溉量的大小呈缓增或陡增后随土壤水分的下渗再次呈逐渐下降趋势；ＨＳ监测点中层（４０～６０ｃｍ）土壤含水率在降雨或灌溉后变化较小，而ＳＳ１、ＳＳ２监测点中层土壤含水率随时间的变化情况与表层及浅层类似，这可能与降雨或灌溉水量大小及土壤性质有关；各监测点深层（８０～９０ｃｍ）土壤含水率受降雨或灌溉影响相对较小，整体上随时间推移含水率变化不明显。

从纵坐标来看，各监测点不同时间的土壤含水率均随深度的增加而增大，ＨＳ监测点中层和深层土壤含水率变化较小且趋于稳定，而ＳＳ１监测点９０ｃｍ以下土壤含水率随深度增加继续增大，这可能与降雨或灌溉水量大小及土壤性质有关。表１为不同监测点土壤含水率的变异系数，即各土层含水率随时间变化的剧烈程度。

从表１中可以看出，不同测位土壤水分变异系数值不同，但都小于１大于０．０１，属于中等变异性；变异系数有随深度变大而减小的趋势，其中１０ｃｍ深处最大、９０ｃｍ深处最小，说明土壤水分变化剧烈程度随着土层深度增加而减弱，深度越大，土壤水分变化越平缓，可能原因是深层土壤受水分蒸发、降雨及灌溉补充影响小。只有ＨＳ监测点变异系数最小值位于７０ｃｍ深处，可能与降雨量、灌溉水量及土壤性质有关。

２．２各层土壤含水量相关性分析

各监测点不同土层土壤含水率相关系数见表２，由表２可以看出，３个监测点不同土层深度土壤含水率相关性差异较大。位于山东省的２个监测点中，除ＳＳ１监测点１０ｃｍ与９０ｃｍ土层深度的土壤含水率相关系数显著性水平较低外，其余不同土层深度的土壤含水率相关系数显著性水平均较高；位于河南省的ＨＳ监测点除表层１０ｃｍ与其余各土层深度的土壤含水率相关系数显著性水平较低外，其余各土层深度的土壤含水率相关系数显著性水平均较高。

除位于河南的ＨＳ监测点表层与其下部各土层的土壤含水率相关系数小于０．５外，各监测点不同土层深度的土壤含水率相关系数均较大，且某一土层与其下部土层的深度相差越小相关系数越大。因此，综合考虑灌区日常监测和相关性，在黄河下游引黄灌区通过表层３０ｃｍ处土壤含水率反演３０～９０ｃｍ深度土层的土壤含水率是可行的。

２．３深层土壤含水率反演分析

２．３．１表层与深层土壤含水率之间的关系

为选择合适的反演模型，用浅层土壤含水率反演其他土层的土壤含水率，分别进行了线性、对数、二次、三次、复合、幂函数和指数函数拟合，并得出决定系数Ｒ２。

１）３０ｃｍ土层与各土层土壤含水率平均值的关系。

为验证拟合方程在浅层土壤含水率反演各土层含水率平均值的可行性，将使用ＨＳ、ＳＳ１和ＳＳ２三个测点２０２２年９月１日至１０月１０日的监测数据，以３０ｃｍ处土壤含水率反演所有土层土壤含水率平均值，用Ｒ２反映各拟合方程拟合度，见表３。

从表３中可以看出，位于山东的ＳＳ１、ＳＳ２监测点各拟合函数拟合精度均较高，决定系数都在０．９６０以上，而位于河南的ＨＳ监测点部分拟合函数拟合精度较低，决定系数在０．６７０左右。

２）３０ｃｍ土层与７０ｃｍ土层土壤含水率的关系。

因黄河下游主要种植粮食作物需水关键期根系长度一般达到５０ｃｍ深度及以下，故选取３０ｃｍ深处土壤含水率反演７０ｃｍ深处土壤含水率，表４为各测点不同拟合方程的决定系数。

由表４可知，除ＨＳ监测点各拟合方程的拟合精度均较高外，其余２个监测点各拟合方程的拟合精度均较低。

综上可知，基于表层土壤含水率采用拟合函数反演各土层平均含水率及７０ｃｍ土层含水率的方法精度不稳定，不能很好地反映农田土壤表层与深层土壤含水率之间的关系，无法根据表层土壤含水率精确求出深层土壤含水率，故应采用其他反演模型来准确构建农田表层土壤水分与深层土壤水分之间的关系。

２．３．２Ｂｉｓｗａｓ模型效果分析

为准确构建黄河下游引黄灌区表层土壤水分反演深层土壤水分模型，本文使用Ｂｉｓｗａｓ等提出的土壤水分估算模型，结合３个土壤墒情监测点的监测数据，确定土壤水分估算模型的相关参数。

将土壤含水率数据按监测点进行整合，ｄ０取３０ｃｍ，ｄ分别取５０、７０、９０ｃｍ，用多元线性回归方法进行拟合，确定参数Ａ、Ｂ、Ｓｃ和Ｒ２。从表５看出，各个拟合方程的Ｒ２都趋近于１，说明各方程拟合度都比较高。

將前述各监测点的拟合结果作为该监测点代表灌区的深层土壤储水量反演模型，并在每个灌区选取其他监测点，基于９月１、１１、２１日和１０月１、１０日实测的表层土壤储水量（Ｓ０）反演深度为５０、７０、９０ｃｍ的土壤储水量，并与实测的各土层土壤储水量进行比较，相对误差见表６。

由表６可知，总体上各监测点代表灌区内其他测点深层土壤储水量的反演值相对误差都较小，但测点ＳＳ２所代表灌区深层土壤储水量反演值相对误差较大，尤其是由深度为３０ｃｍ土层反演９０ｃｍ深处土壤的土壤含水率相对误差都超过３０％。

３结论

１）表层及浅层土壤含水率在降雨或灌溉前整体上随时间推移呈逐渐下降趋势，降雨或灌溉后依降雨量或灌溉水量的大小呈缓增或陡增后随土壤水分的下渗再次呈逐渐下降趋势；中层土壤含水率随时间的变化规律与表层及浅层类似；深层土壤含水率受降雨或灌溉影响相对较小，整体上随时间推移含水率变化不明显。

２）各测点所有土层土壤含水率均属于中等变异性，变异系数有随深度变大而减小的趋势，即土壤水分变化剧烈程度随着土层深度增加而减弱。

３）总体上各监测点不同土层深度的土壤含水率相关系数均较大，通常来说且某一土层与其下部土层的深度相差越小相关系数越大。

４）采用拟合函数反演深层土壤含水率的精度均较低，而采用Ｂｉｓｗａｓ模型反演深层土壤含水率的精度高、相对误差小，可为黄河下游引黄灌区深层土壤含水率的精准反演提供技术支持。