【土壤含水量时空分布特性分析案例4500字】

土壤含水量时空分布特性分析案例目录TOC\o"1-3"\h\u2612土壤含水量时空分布特性分析案例 1246511.1土壤含水量特性统计特征 1104481.2土壤含水量空间变异特征 4152471.3棉花生育期土壤水分变化过程定量评估 7干旱是减少全球粮食生产的一个重要因素。在农业生产中，土壤水分亏缺会直接导致作物水分胁迫，抑制作物生长，降低产量[176]。已有研究表明，浅层土壤水分和盐分的含量以及分布直接影响幼苗的存活，并极大地影响植物的生产力和水分利用效率[177]。土壤含水量对土壤物理性质有着深远的影响，是发展精准农业的重要指标之一。测量土壤含水量是帮助农业工作者制定灌溉制度、提高水资源利用率、减少肥料污染的重要措施[178]。同时，土壤含水量作为土壤重要的理化性质之一，对土壤中物质和能量的运移以及地表植被生长过程中水、肥、气、热等状况都有着直接的影响，其受灌溉、降雨、种植方式、地下水补给以及人类活动等多方面因素影响。此外，土壤湿度的测量对于预测气象、改善生态环境和预防自然灾害具有重要意义。因此，在作物主要生长阶段准确、及时地估算土壤含水量显得非常重要。1.1土壤含水量特性统计特征为了解不同时期土壤水分变化特征及空间分布特征，对研究区域土层深度0-80cm土壤水分变化特征进行统计分析，结果见表3-4。结果显示，在7、8月份，由于对研究区域进行采样时正值农民灌溉，所以受不同程度的影响，含水量最大值比其他月份普遍较高。研究区域内农田受到人类活动及水资源缺乏的影响，部分农田相比于前几年发生了重大变化，所以从最小值看来，部分月份部分土层含水量的最小值小于0.01cm3/cm3，这是由于有部分农田弃耕变成荒地，得不到灌溉以及雨水的补给造成的。从平均值来看，4月份至9月份大部分区域随着土层深度的增加土壤含水量在逐渐增大。通过比较Cv值发现，各土层变异系数Cv值介于0.1-1.0之间，均属于中等变异。同时发现，表层的Cv值比其他土层深度处的要大，说明表层土壤含水量变异程度较大。任何农作物都有自己的生育期，每个生育期对水分的需求也各不相同，因此有必要对研究区域农田含水量在时间上的分布特征进行分析。图3-3显示了对每个月份每一土层深度所有采样点的含水量取平均值后的变化特征。可以看出，从4月至9月份各土层土壤含水量变化趋势基本一致，均是先减少后增加再减少。对于新疆大部分地区来说，年降雨量较少，其土壤中的水分大部分来自于灌溉水源。因此，研究区域农田从5月份开始含水量有明显增加的趋势，这是由于该区域大部分是棉田，在这期间棉花处于蕾期，花期以及铃期，棉田需要灌溉，来为棉花的正常生长提供足够的水分，这和表3-4得到的结果一样。从8月份开始，土壤含水量呈减少趋势，这个时候灌溉量减少，土壤中的水分减少，棉花接近处于吐絮期，所以土壤含水量出现下降趋势。整体看来，表层土壤含水量最少，前期20-40cm土层含水量较多，后期20-40cm、40-60cm和60-80cm土层含水量比较接近，在0.23-0.33cm3/cm3之间。表3-4农田区域土壤含水量统计Tab.3-4Statisticsofsoilwatercontentinfarmlandarea土层深度/cm最大值/(cm3/cm3)最小值/(cm3/cm3)标准差平均值/(cm3/cm3)Cv4月表层0.3180.0100.0890.1450.6130-200.5910.0710.0850.2400.35320-400.4630.0530.0850.2700.31340-600.5480.0400.0910.2880.31460-800.4490.1160.0750.2870.2605月表层0.3360.0030.0720.0880.8150-200.3550.0190.0670.2080.32420-400.8860.0270.1210.2570.47040-600.4530.0500.0720.2020.35760-800.4640.0520.0740.2070.3576月表层0.4510.0090.0890.1200.7420-200.3880.0060.0690.2190.31520-400.4880.0550.0850.2570.33040-600.4450.0310.0730.2180.33660-800.4560.0320.0750.2240.3367月表层0.6010.0030.1290.1690.7590-200.3900.0330.0910.2210.41420-400.4530.0590.0920.2490.37040-600.5530.0320.1080.2350.46260-800.5670.0330.1110.2410.4628月表层0.4270.0210.0900.2520.3570-200.4060.0750.0650.2800.23220-400.4390.0930.0700.3200.21840-600.5110.1610.0720.3280.22060-800.5050.1750.0740.3290.2269月表层0.4560.0170.0790.2150.3690-200.4130.0620.0650.2550.25520-400.7940.0680.1010.3080.32840-600.4500.0620.0760.3080.24860-800.4880.1550.0720.3040.237图3-3农田区域土壤含水量时间变化特征Fig.3-3Timevariationcharacteristicsofsoilwatercontentinfarmlandarea1.2土壤含水量空间变异特征为了更加直观的反映该研究区域土壤水分的空间分布特征，将每个监测点0-80cm的含水量取平均值后应用ArcGIS10.5对未进行采样的区域根据半方差函数进行插值，得到不同时期研究区域含水量空间分布图，结果如图3-4所示。整体看来在4月、5月、9月份土壤含水量自北向南呈现出逐渐增大趋势，最大值出现在中部和南部。在研究区域的西南方向7月份含水量有明显下降，且最小值出现的位置与6月份接近。8月份自北向南含水量分界明显，土壤含水量较小值区域呈东西走向的带状分布。在4月份含水量处于0.25-0.28cm3/cm3范围内的面积较大；5月份含水量处于0.19-0.23cm3/cm3范围内的面积较大；6月份含水量处于0.22-0.26cm3/cm3范围内的面积较大；7月份含水量处于0.15-0.24cm3/cm3范围内的面积较大；8月份含水量处于0.23-0.31cm3/cm3范围内的面积较大；9月份含水量处于0.24-0.29cm3/cm3范围内的面积较大，但是7、8、9月份含水量整体水平较4、5、6月份高，这是因为7、8、9月份农民进行灌溉以及这几个月降雨较多引起的。图3-4农田区域土壤含水量空间分布特征Fig.3-4Spatialdistributioncharacteristicsofsoilwatercontentinfarmlandarea为了更好的反应土壤含水量的空间结构，以地统计学为基础，应用GS+9.0对该研究区域不同时期土壤含水量进行半方差分析，结果见表3-5。表中给出了不同时期不同土层深度土壤含水量所对应的最优模型，可以看出4月和9月份土层深度为0-80cm处的土壤含水量最优模型为线性模型，决定系数在0.39-0.95之间，除了40-60cm深度处的R2小于0.5外，其他土层深度的R2均大于0.5，空间相关度C0/(C0+C)在0.30-0.45之间，表现为中等空间相关性；5月和8月份土层深度为20-80cm处的土壤含水量最优模型为线性模型，决定系数在0.43-0.84之间，但表层土壤含水量的最优模型分别为高斯模型和指数模型，空间相关度C0/(C0+C)除了8月份为0.001表现为强空间相关性外，其他都在0.30-0.46之间，表现为中等空间相关性；6月份除表层的最优模型是高斯模型外，其他都为指数模型，7月份最优模型主要是高斯模型，而且R2均大于0.5。整体看来，土壤含水量最优模型多为线性模型，而且拟合效果较好，空间相关程度表现为中等空间相关性。表3-5农田区域土壤含水量半方差函数统计Tab.3-5Statisticsofsemi-variancefunctionofsoilwatercontentinfarmlandarea时间土层深度/cm最优模型块金值(C0)基台值(C0+C)空间相关度(C0/(C0+C))R24月表层线性0.0050.0160.3090.7010-20线性0.0070.0180.3560.60220-40线性0.0060.0160.3520.59540-60线性0.0050.0140.4020.45360-80线性0.0050.0100.4410.5335月表层高斯0.0050.0130.3480.5370-20线性0.0040.0100.3720.78520-40线性0.0050.0150.3050.69140-60线性0.0030.0080.3920.77760-80线性0.0030.0090.3950.7766月表层高斯0.0040.0160.2360.5150-20指数0.0020.0070.3050.74520-40指数0.0030.0110.2840.69040-60指数0.0020.0070.2760.84060-80指数0.0020.0070.3020.7927月表层线性0.0120.0330.3440.7850-20高斯0.0060.0200.2770.58920-40高斯0.0040.0130.3290.69340-60球形0.0070.0210.3100.70260-80高斯0.0080.0320.2440.7138月表层指数0.000010.0090.0010.7060-20线性0.0030.0080.3510.83420-40线性0.0030.0090.3710.49940-60线性0.0050.0100.4560.43060-80线性0.0040.0110.3750.7819月表层线性0.0050.0130.4220.7810-20线性0.0030.0060.4300.94520-40线性0.0050.0120.3950.58140-60线性0.0040.0100.3770.39360-80线性0.0040.0100.4040.5681.3棉花生育期土壤水分变化过程定量评估灰色模型是指利用GM(1,1)模型对系统行为特征的发展变化规律进行评估，同时也可以对行为特征的异常情况发生的时刻进行估计计算，以及对在特定时区内发生事件的未来时间分布情况做出研究等。本文利用GM(1,1)模型对棉田系统水盐特征的发展变化规律进行定量评估，实质上是将棉田中的“随机过程”当作“灰色过程”，水盐“随机变量”当作“灰变量”，依据目前已有的数据对土壤水盐肥含量的变化过程进行定量评估。将棉花生育期内棉田每个监测点4月-9月份的土壤含水量经过相对化处理后的数据作为参考数列，根据2.3节GM(1,1)模型的建立方法，首先通过最小二乘法计算得到每年每个棉田监测点GM(1,1)模型的参数，发展系数和灰作用量，统计得到发展系数和灰作用量的最大值、最小值和平均值如下表3-6所示。表3-6GM(1,1)模型参数统计值Tab.3-6TheGM(1,1)modelparameterstatistics年份最大值最小值平均值最大值最小值平均值20180.1153-0.08480.01441.14740.50820.860320190.1240-0.20970.00611.09350.23410.87662020-0.0215-0.2839-0.10970.8509-0.00360.5132这样意味着可以建立每个监测点的土壤含水量定量评估模型，但基于大尺度环境下，为了使模型具有代表性，将每个监测点的发展系数和灰作用量取平均值，得到三年土壤含水量的白化微分方程模型如下：（1）2018年： （3-1）（2）2019年： （3-2）（3）2020年： （3-3）对上述微分方程求解得到通用的土壤含水量定量评估模型如下：（1）2018年： （3-4）（2）2019年： （3-5）（3）2020年： （3-6）式中，。为了检验所建模型的精确程度，利用2.3节中的相对误差值、残差检验以及级比偏差值检验对三年每个监测点4月到9月份的实测值与模型值进行检验，统计每个监测点每个时刻的相对误差值、残差值以及级比偏差值的最大值、最小值和平均值，结果列与表3-7。由于试验的取样及测量等造成的误差，会使部分模型值跟测量值偏差较大，造成相应的残差、相对误差及级比偏差值较大。其中残差值、级比偏差值以及相对误差的平均值都小于0.2，认为模型达到一般要求。同时统计了所有检测点以及所有时刻的残差值、相对误差和级比偏差值小于0.2的样本数，其所占比例均大于86.00%。表3-7GM(1,1)模型检验参数统计值Tab.3-7TheGM(1,1)modeltestsparameterstatistics年份残差相对误差级比偏差最大值最小值平均值最大值最小值平均值最大值最小值平均值20180.3154-0.30290.000050.67730.00010.10350.5429-0.9724-0.044120190.1970-0.22370.00060.55130.00020.07600.4319-0.7652-0.024420200.2477-0.34940.00110.80390.00120.12530.6088-1.3907-0.1573表3-8GM(1,1)模型检验参数样本统计值Tab.3-8TheGM(1,1)modeltestsparametersamplestatistics年份总样本数残差相对误差级比偏差小于0.2样本数所占比例/%小于0.2样本数所占比例/%小于0.2样本数所占比例/%201819018597.3716687.3716787.89201916516510015795.1515591.94202015014898.6713086.6713288.00由表3-7可以看出残差、相对误差和级比偏差值都略大，因此对所建模型进行残差修正，统计得到残差模型的发展系数和灰作用量的最大值、最小值和平均值如下表3-9所示。表3-9GM(1,1)残差模型参数统计值Tab.3-9TheGM(1,1)residualmodelparameterstatistics年份最大值最小值平均值最大值最小值平均值20180.0049-0.00390.00020.0017-0.00200.0000520190.0956-0.00480.00280.0196-0.00010.000820201.67830.00500.43990.0508-0.05690.0007同样为了使模型具有代表性，将每个监测点的发展系数和灰作用量分别取平均值，得到三年土壤含水量GM(1,1)残差模型的白化微分方程模型如下：（1）2018年： （3-7）（2）2019年： （3-8）（3）2020年： （3-9）求解得到残差定量评估模型如下：（1）2018年： （3-10）（2）2019年： （3-11）（3）2020年： （3-12）式中，。依据上文，为了检验所建模型的精确程度，利用2.3节中的残差检验及相对误差值对三年每个监测点4月到9月的实测值与模型值进行模型检验，统计每个监测点每个时刻残差值、相对误差值的最大值、最小值和平均值，结果列与表3-11。同时统计了所有检测点以及所有时刻的残差值和相对误差小于0.2的样本数，其所占比例均大于87.00%。由表3-10可以看出，经过残差修正后，模型精度有所提高，但整体来说提高幅度不是很大。因此可以看出，灰色模型GM(1,1)可以用来对棉田土壤含水量进行定量评估。表3-10GM(1,1)修正模型检验参数统计值Tab.3-10TheGM(1,1)modifiedmodeltestparameterstatistics年份残差相对误差最大值最小值平均值最大值最小值平均值20180.3166-0.30290.000040.67730.00010.103520190.1970-0.22360.00050.54760.00020.076220200.2473-0.3