基于水云模型的农田地表土壤水分监测研究

王晓菲

摘要：目前，农田地表土壤水分监测方法存在操作复杂、监测范围受限的问题。对此，文章提出了一种基于水云模型的农田地表土壤水分监测方法。首先，文章将土壤样本的投影值与土壤的含量分级表进行对照，判定土壤的基础属性；然后，通过离心法计算不同吸力下的土壤含水率，确定土壤体积含水量和土壤水势的关系；最后，根据土壤水分的空间分布特征的分析结果，采用水云模型对农田地表土壤中的水分状况进行监测。实验结果表明，实验组在4种深度下土壤水分含量的监测精度均高于95%，说明文章方法监测性能较好。

关键词：水云模型；农田地表；土壤水分监测；多数据协同

中图分类号：TP183文献标志码：A

0 引言

农田地表土壤水分监测是农业生产管理和水资源管理中至关重要的一环。随着农业现代化、信息技术和数据分析方法的不断发展，针对农田土壤水分进行精准监测和预测的需求日益突出^[1]。李菁等^[2]研究了基于MODIS干旱指数与径向基函数网络（Radial Basis Function Network，RBFNN）方法的土壤水分遥感监测，将MODIS遥感干旱监测指数结合径向基函数神经网络协同反演土壤相对湿度。马仪等^[3]基于无人机-卫星遥感升尺度进行土壤水分监测，分别采用重采样和TsHARP升尺度法构建不同土壤深度下无人机-卫星升尺度土壤含水率反演模型。但是上述方法存在成本高、操作复杂、监测范围受限等问题，使得土壤水分监测性能较差。

水云模型不仅可以结合遥感数据、气象数据、土壤数据等多源数据，实现对土壤水分的多源合成监测，还能够通过建立土壤水分模型，实现对未来一段时间内土壤水分的预测，对农田灌溉和作物种植提供有力支持。为此，本文研究了基于水云模型的农田地表土壤水分监测。

1 农田地表土壤水分监测

首先，文章将土壤样本的投影值与土壤的含量分级表进行对照，判定土壤的基础属性；然后，利用离心法计算不同吸力下的土壤含水率；最后，采用水云模型建立土壤水分模型以实现土壤水分的预测，为农业生产提供科学的决策支持。

1.1 土壤基础属性分析

收集农田地表土壤后，本文对地表土壤的基础属性进行分析计算。本文通过对比土壤样本的投影值和土壤含量分级表，完成了对土壤基础属性的识别。

首先，假定｛x_ij|i=1，…，n，j=1，…，m｝是样本集，x_ij是第i个样本的第j个指标值，使用每个指标数据的最大值对该指标进行标准化处理。

然后，使用数量为x的多维单位向量a=a₁，a₂，…，a_m表示某一投影方向，利用式（1）可计算样本i在该方向上的投影值。这种方式可以将多维的样本数据投影到一个低维的空间中，从而简化数据的复杂性。

其中，Z_i为土壤基础数据投影方向上的投影值。根据式（2）可得投影值的标准差S′（a），标准差是衡量数据离散程度的统计量，通过该指标可获得数据分布的广度或宽度，其计算方式为：

其中，Z_i为土壤基础数据投影方向上的投影值的平均值。而投影值的局部密度可以表征数据在某一特定区域内的密集程度或稀疏程度，其计算方式为：

其中，D（a）表示上述土壤基础数据投影值的局部密度，而r_ik=|z_i-z_k|，R为半径，那么r_max+m/2≤R≤2m，函数f为投影系数。

投影指标函数Q（a）可用S′（a）与D（a）的乘积来表示，结合投影值和局部密度，从而形成一个新的投影指标函数。这个函数可以提供更多关于数据的信息，以观察到土壤属性在不同地区或不同类型土壤中的分布情况。即：

最后，基于最佳投影方向计算全国土壤基本属性分级标准值的投影值，本文建立了基于投影值的等级评价和分区方法。

1.2 基于水云模型的农田地表土壤水分监测

本节以上述的土壤属性分析为基础，对土壤中水分空间的分布特征进行分析^[3]。通过对土壤水分空间分布特征进行分析，可以获得不同区域的土壤水分含量数据，这些数据对于构建准确性较高的土壤水分监测模型至关重要，是模型构建的基础。

离心法基于土壤颗粒与水分间的物理相互作用原理，通过烘干、称重和离心等操作，计算各吸力条件下的土壤含水率，并分析水分在土壤中的分布特征。首先，在农田地表设置采样点，选择不同地区和深度的土层作为样本^[4]。将新鲜土样称重后分样，置于105～110 ℃烘箱中烘干8～10 h后恒重。通过离心使土样水分平衡后称重，计算不同吸力下的土壤含水率^[5-6]。该过程的计算公式为：

其中，θ_m为土壤重量含水量（cm²/cm²），g_w为土壤水重（g），g_s为干土重（g）。则通过指数关系式表示出土壤体积含水量θ和土壤水势ψ的关系，其表达式为：

其中，θ为土壤体积含水率（cm²/cm²），θ_s为土壤饱和含水率（cm²/cm²），θ_r为土壤残余含水率（cm²/cm²），ψ是土壤基质势，ψ_b是有空气进入时的土壤基质势，λ是系数。

基于上述土壤水分空间分布特征的分析结果，得到不同区域的土壤水分含量数据，以此为基础数据，本文构建了基于水云模型的农田地表土壤水分监测模型。水云模型将地表土壤水分监测问题转化为反演问题，利用地表土壤属性数据进行推断。核心参数是云量和云高，通过算法获取，将遥感数据中的云量和云高与地表和植被参数联系起来，得出土壤水分估计结果^[7]。水云模型如式（7—8）所示。

其中，σ⁰表示总后向散射系数，σ⁰_veg表示为地表植被后向散射系数，σ⁰_soil表示裸土后向散射系数，τ表示双向衰减系数，A表示植被反射率，B表示衰减因子，V₁、V₂表示植被描述参数，θ表示入射角。

当以植被含水率描述植被冠层时，可认为冠层是由尺寸一致的、均质的水云组成，则简化后的水云模型可表示为：

其中，D表示反映地表粗糙度、极化方式、频率、入射角的参数，m_veg表示为植被冠层含水率，SM表示为土壤含水率。则土壤水分反演模型为：

通过计算该模型，本文所提方法可以精确地监测和预测农田地表土壤中的水分状况。

2 实验论证

2.1 实验说明

为验证设计监测方法的有效性，本实验将160个土壤样本数据按照2∶1原则分为建模集样本与验证集样本，并选用本文设计的基于水云模型的农田地表土壤水分监测方法作为实验组，基于MODIS干旱指数与RBFNN的土壤水分监测方法作为对照组进行对比分析测试。

2.2 实验指标

土壤水分含量的监测精度是测量结果与真实值之间的接近程度，数值越接近100%表示测量结果与真实值的接近程度越高，准确性越好，其计算表达式为：

其中，Nc表示监测值，N表示实际值。

2.3 实验结果

2种方法在不同深度下的水分监测结果如表1所示。

由表1可以看出，在不同的监测深度下，实验组监测精度均高于95%，而对照组的监测精度最高仅为90.66%，最低为68.09%；采用本文设计方法时，平均监测精度比对照组平均监测精度提高了19.76%。由此可见，本文设计方法能够更准确地监测农田地表的土壤水分。

3 结语

本文对基于水云模型的农田地表土壤水分监测方法进行了研究。首先，将土壤样本的投影值与事先制定的土壤含量分级表进行对比，确定土壤基础属性。然后，通过采用离心法在不同吸力条件下计算土壤含水率，进一步确定土壤体积含水量和土壤水势之间的关系。最后，利用基于水云模型对农田地表土壤的水分状况进行监测。实验结果表明：实验组监测精度均高于95%，表明本文设计方法能够更准确地监测农田地表的土壤水分，得到贴合实际的地表农田水分含量数据。

参考文献

[1]沙莎，胡蝶，王丽娟，等.河南省土壤水分遥感监测方法研究[J].气象与环境科学，2023（1）：91-99.

[2]李菁，任义方，戴竹君，等.基于MODIS干旱指数与RBFNN方法的江苏冬小麦需水关键期土壤水分遥感监测应用[J].干旱地区农业研究，2022（6）：251-257.

[3]马仪，黄组桂，贾江栋，等.基于无人机-卫星遥感升尺度的土壤水分监测模型研究[J].农业机械学报，2023（6）：307-318.

[4]张淑，周忠发，王玲玉，等.多时相SAR的喀斯特山区耕地表层土壤水分反演[J].自然资源遥感，2022（3）：154-163.

[5]赵学琳，王甜甜，孟文婷，等.毛乌素沙地杨柴和黑沙蒿灌丛土壤水分状况及水量监测[J].新疆农业科学，2021（5）：937-946.

[6]王中金，吴苏，吴东丽，等.低纬度高原宇宙线快中子土壤水分监测方法适宜性研究[J].中国生态农业学报（中英文），2022（8）：1328-1335.

[7]王敏敏.无人机多光谱数据在农田土壤水分遥感监测分析[J].华东科技（综合），2021（5）：15.

（编辑 王雪芬编辑）

Research on monitoring surface soil moisture in farmland based on water cloud model

Wang  Xiaofei

（School of Information Engineering， Zhoukou Vocational and Technical College， Zhoukou 466000， China）

Abstract：  At present， there are problems with complex operation and limited monitoring range in the monitoring methods of farmland surface soil moisture. Therefore， this paper proposes a monitoring method of farmland surface soil moisture based on water cloud model. Firstly， by comparing the projected values of soil samples with the soil content classification table， the basic soil properties are distinguished. Then， the soil moisture content under different suction forces is calculated using the centrifugal method to determine the relationship between soil volumetric moisture content and soil water potential. Finally， based on the analysis of the spatial distribution characteristics of soil moisture， a water cloud model is used to monitor the water status in the surface soil of farmland. The experimental results show that the monitoring accuracy of soil moisture content in the experimental group is higher than 95% at all four depths， indicating that the monitoring performance of the method proposed in this paper is good.

Key words： water cloud model; farmland surface; soil moisture monitoring; multi-data collaboration