DB15∕T 3973-2025 降水影响土壤水分增量的计算方法 农区

ICS07.060

CCSA47

15

内蒙古自治区地方标准

DB15/T3973—2025

降水影响土壤水分增量的计算方法农区

Thecalculationmethodofsoilmoistureincrementaffectedby

precipitationinfarmingareas

2025-04-18发布2025-05-18实施

内蒙古自治区市场监督管理局发布

DB15/T3973—2025

前言

本文件按照GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定

起草。

本文件由内蒙古自治区气象标准化技术委员会（SAM/TC23）提出并归口。

本文件起草单位：内蒙古自治区生态与农业气象中心、内蒙古自治区气候中心、兴安盟气象局。

本文件主要起草人：冯旭宇、张存厚、张宇、武荣盛、杨丽萍、黄超、郑诗然。

I

DB15/T3973—2025

降水影响土壤水分增量的计算方法农区

1范围

本文件规定了农区土壤解冻条件下一候内累积降水影响10cm～20cm土壤水分增量的计算流程和

方法。

本文件适用于基于降水与土壤水分增量关系开展农区土壤墒情与干旱监测研发与应用的各部门。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，

仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本

文件。

GB/T33705土壤水分观测频域反射法

GB/T35228地面气象观测规范降水量

DB15/T510内蒙古农田、草地土壤相对湿度等级指标

3术语和定义

GB/T33705、GB/T35228、DB15/T510界定的以及下列术语和定义适用于本文件。

农区farmingareas

以农业(种植业)生产为主的地区。

[来源：DB15/T510—2012，3.2]

降水量precipitationamount

某一时段内的未经蒸发、渗透、流失的降水，在水平面上积累的深度。

[来源：GB/T35228—2017，3.2]

土壤水分soilmoisture

田间土壤含水量及其对应的作物水分状态。土壤含水量通常由土壤重量含水量、土壤体积含水量或

土壤相对湿度表示，单位为百分数（%）。

[来源：GB/T33705—2017，3.2]

1

DB15/T3973—2025

土壤水分增量Incrementofsoilmoisture

田间土壤含水量的变化量。

4计算方法

深度森林是一种基于不可微的决策树构建的深度学习模型，可用于分类和回归。与传统的基于多层

参数化的可微非线性模块的深度神经网络相比，首先，深度森林具有更少的超参数，并且它的模型复杂

性可以以数据依赖的方式自动确定。这使得它可以适用于不同规模的训练数据，而不仅仅局限于大规模

的训练数据。具体来说，训练集被分成两部分，即生长集和估计集。生长集用于对级联结构进行生长，

估计集用于对模型的性能进行评估。如果增加一个新的级联层不能提高模型性能，则终止级联的增长，

并获得评估的指标值。然后，在合并生长集和估计集的基础上对级联进行再次训练；其次，深度森林的

性能对超参数设置具有相当强的鲁棒性，在大多数情况下，即使来自不同领域的不同数据，它也能够通

过使用相同的默认设置获得出色的性能。

深度森林的回归模型主要基于多粒度扫描模块和级联森林结构，前者用于提取且丰富样本特征，以

挖掘时序数据的序列关系，后者实现了逐层处理，以进一步提高预测准确性。多粒度扫描模块中，有三

个窗口大小被使用。假设有d个原始特征，则使用大小为d/16,d/8,d/4的特征窗口。而且，特征窗口与

原始特征采用相同维度的数据结构，如序列结构、面板结构等。

本研究以数据为驱动，建立了以累积降水量、土壤相对湿度初始值、月份值、降水累积持续时长4

个要素作为自变量，土壤相对湿度增量为因变量的农区各个代表性监测站点的深度森林回归模型。

其中：

土壤水分增量：即给定时间段内结束时间与初始时间土壤水分的差值。本文件使用指定时间段内土

壤水分固定地段自动站结束日期08时的土壤相对湿度值与土壤相对湿度初始值之差，单位为百分数（%）；

累积降水量：给定时间段内日降水量之和。本文件使用北京时间08时—08时的日降水量，指定时

间段为一候以内，单位为毫米（mm）；

土壤水分初始值：给定时间段内初始时间的土壤水分值。本文件使用土壤水分固定地段自动站初始

日期08时的土壤相对湿度值，单位为百分数（%）；

月份值：给定时间段的结束日期的月份值。

降水累积持续时长：给定时间段内，小时降水量大于0.1mm的累计小时个数，单位为小时（h）。

实验中，80%的训练数据用于生长集，20%用于估计集。三次交叉验证用于回归向量的生成，级联的

数量是训练过程中自动确定的。深度森林回归模型主要的超参数及其说明如表1所示。

表1深度森林回归模型的超参数

超参数缺省值说明

n_bins255非缺失值的箱子数量，值必须不小于2且不大于255。

max_layers20深林中最大的级联层数。

criterion"mse"评估函数,用于衡量一个分裂的质量。

每个级联层中的估计器数量。每个估计器缺省情况下分别包含一个

n_estimators2

RandomForestRegressor和一个ExtraTreesRegressor。

n_trees100每个估计器中树的数量。

max_depthNone每棵树的最大深度，None表示没有约束。

如果值是int，则random_state是随机数生成器使用的种子;

random_stateNone

如果值是None，则随机数生成器是np.random使用的RandomState实例。

大兴安岭东南麓、阴山南麓、河套平原代表性监测站点的深度森林回归模型的评估结果见附录A。

2

DB15/T3973—2025

5计算流程

以累积降水量、降水累积持续时长、月份值、土壤水分初始值为自变量，基于多元深度森林的回归

模型，预测一候内土壤水分增量，计算流程见图1，详细的计算流程见附录B。

开始

①数据获取

①数据描述性统计

②数据预处理

②缺失值处理

①相关性分析

③探索性数据分析

②数据的图像化分析

①模型构建与优化

④构建深度森林

评估指标及结果回归模型

②评估与筛选模型

真实值与预测值对比图⑤模型预测

结束

图1基于多元深度森林回归模型的降水影响土壤水分增量的计算流程

3

DB15/T3973—2025

A

A

附录A

（资料性）

农区代表性站点深度森林回归模型的评估结果

大兴安岭东南麓、阴山南麓、河套平原的代表性监测站点给定时间段为一候的多元深度森林回归模

型的评估结果见表A.1。其中，R2为决定系数；MAE为平均绝对误差；Corr为相关系数。选择3个代表性站

点2017-2021年4-9月的850多条数据记录，按照8:2的比例划分成生长集和估计集，分别建立了给定时间

段为一候，以累积降水量、降水持续时长、土壤相对湿度初始值、月份值为自变量，10cm、20cm土层

深度土壤相对湿度增量为因变量的多元深度森林回归模型。3个评估指标在估计集上的表现如表A.1所

示，且Corr值全部都通过了P＜0.01的显著性检验。

表A.1农区代表性站点深度森林回归模型的评估结果

土层深度

代表站点R2MAECorr

cm

大兴安岭东南麓100.8712.6030.909

赤峰站200.8231.6840.808

阴山南麓100.8983.2030.927

土默特左旗站200.9122.2470.912

河套平原100.8912.1910.848

大佘太站站200.7712.7230.845

4

DB15/T3973—2025

B

B

附录B

（资料性）

深度森林回归模型的计算流程

B.1数据获取

使用数据读取函数导入农区代表性监测站点的数据集。

以数据存储于data.xlsx文件为例，数据读取的示例代码：data_df=pandas.read_excel(data.xlsx)。

B.2数据预处理

数据描述性统计，示例代码：data_df.describe()。

处理缺失值，示例代码：data_filled=data_df.fillna(mean_values)。

数据归一化，示例代码：

data_scaled=StandardScaler().fit_transform(data_filled.to_numpy())。

相关性分析，示例代码：

correlation_matrix_spearman=data_scaled.corr(method='spearman')。

将数据集划分为生长集和估计集，示例代码：

X_growing,X_estimating,y_growing,y_esti