土壤水分特征曲线的参数估计研究综述

土壤水分特征曲线的参数估计研究综述土壤水分特征曲线（SoilWaterRetentionCurve,SWRC）是描述土壤水势与体积含水率之间定量关系的核心函数，是水文过程模拟、农田灌溉管理、生态修复工程设计中不可或缺的基础参数。其形态受土壤质地、孔隙分布、有机质含量、团聚体稳定性等多重因素共同调控，不同类型土壤的曲线形态存在显著异质性。自20世纪60年代以来，研究者先后提出了数十种经验或半经验模型用于描述SWRC的非线性特征，如何通过有限的实测数据准确估计这些模型的参数，始终是土壤物理学和水文学领域的研究热点。一、主流SWRC模型的参数构成与物理意义目前应用最广泛的SWRC模型包括Brooks-Corey模型、vanGenuchten模型（简称VG模型）、Gardner模型以及Dual-porosity模型等，不同模型的参数数量和物理含义存在明显差异。Brooks-Corey模型作为最早提出的经验模型之一，包含残余含水率θ_r、饱和含水率θ_s、进气压力头h_b和孔径分布指数λ四个参数，其中λ直接反映土壤孔隙大小的均匀程度，λ值越大表明孔隙分布越均一。该模型结构简单，参数物理意义明确，但在低吸力段（h<h_b）假设含水率恒定为饱和值，无法描述部分结构性土壤在低吸力下缓慢脱水的特征，在壤土和黏土中的拟合误差通常高于VG模型。VG模型是当前应用最广泛的SWRC模型，其表达式为θ(h)=θ_r+(θ_s-θ_r)/[1+(α|h|)^n]^m，其中θ_r和θ_s的物理意义与Brooks-Corey模型一致，α为与进气压力相关的参数，n为孔径分布指数，m为形状系数，通常假设m=1-1/n（n>1）以减少待估参数数量。相比于Brooks-Corey模型，VG模型通过引入S形曲线形态，能够更好地描述中低吸力段含水率随吸力变化的平滑过渡特征，在砂质土、壤质土和黏质土中均表现出较好的适应性。当考虑土壤大孔隙和微孔隙的双重孔隙结构时，Dual-porosityVG模型将总含水率分解为大孔隙域和基质域两部分，参数数量增加到8个，虽然拟合精度更高，但参数估计的不确定性也显著上升。Gardner模型则采用指数形式描述SWRC，表达式为θ(h)=θ_r+(θ_s-θ_r)exp(-αh)，仅包含θ_r、θ_s和α三个参数，计算复杂度最低，适合用于大尺度水文模型的参数化方案，但在中高吸力段的拟合误差通常大于VG模型，更适用于砂质土等孔隙分布相对均匀的土壤类型。此外，还有考虑土壤收缩特性的分段SWRC模型、考虑有机质影响的改进VG模型等，这些模型通过引入额外的校正参数提升了特定场景下的拟合精度，但也进一步增加了参数估计的难度。二、传统参数估计方法的原理与局限性2.1最小二乘法最小二乘法是SWRC参数估计的经典方法，其核心原理是最小化模型模拟值与实测值之间的残差平方和。根据是否考虑参数的物理约束，可分为无约束最小二乘法和约束最小二乘法。无约束最小二乘法在计算过程中允许参数取值超出合理范围，例如出现θ_r为负值、θ_s大于土壤总孔隙度等物理矛盾的结果，因此实际应用中通常会加入参数约束条件，如0≤θ_r<θ_s≤1、α>0、n>1等。普通最小二乘法假设残差服从独立同分布的正态分布，且不同吸力段的测量误差权重相同，但在实际测量中，高吸力段的含水率测量精度通常低于低吸力段，尤其是当含水率接近残余含水率时，测量误差可能达到几个百分点。针对这一问题，研究者提出了加权最小二乘法，通过给不同吸力段的残差赋予不同权重，例如根据含水率测量的方差倒数设置权重，能够有效降低高吸力段测量误差对参数估计结果的影响。但加权最小二乘法的估计精度高度依赖权重的合理性，若权重设置不当反而可能引入更大的估计偏差。2.2非线性回归法由于SWRC模型本质上是高度非线性的函数，传统的线性最小二乘法无法直接应用，因此通常采用非线性回归算法进行参数寻优，常用的算法包括Levenberg-Marquardt算法（简称LM算法）、高斯-牛顿算法等。LM算法结合了梯度下降法和高斯-牛顿法的优点，在参数寻优过程中能够根据残差的大小自动调整搜索步长，收敛速度快，是目前商用土壤物理分析软件中最常用的参数估计算法，例如RETC软件中的核心算法就是改进的LM算法。非线性回归法的局限性主要体现在两个方面：一是对参数初始值高度敏感，若初始值设置不合理，算法很容易陷入局部最优解，尤其是在VG模型的参数估计中，α和n的耦合性较高，初始值的微小偏差可能导致最终估计结果出现数量级的差异。二是当实测数据点不足时，参数估计的不确定性显著上升，例如仅通过饱和含水率、田间持水率和凋萎系数三个特征点估计VG模型的四个参数时，通常存在多组参数能够达到相同的拟合精度，导致参数估计结果不唯一。三、智能优化算法在参数估计中的应用进展3.1进化算法类进化算法是一类模拟生物进化过程的启发式优化算法，不需要计算目标函数的梯度，对初始值的依赖性较低，能够有效跳出局部最优解，近年来被广泛应用于SWRC的参数估计。其中遗传算法（GeneticAlgorithm,GA）是应用最早的进化算法之一，它通过选择、交叉、变异三种算子不断迭代优化参数种群，能够在全局范围内搜索最优参数组合。研究表明，当实测数据点数量较少（少于5个）时，遗传算法的参数估计精度比LM算法平均提高15%以上，尤其适合于n值较大的砂质土SWRC参数估计。粒子群优化算法（ParticleSwarmOptimization,PSO）是另一种常用的进化算法，通过模拟鸟群捕食行为实现参数寻优，每个参数被视为搜索空间中的一个粒子，通过跟踪个体最优位置和群体最优位置更新飞行速度和位置。与遗传算法相比，PSO算法的参数设置更少，收敛速度更快，在VG模型参数估计中的效率比遗传算法高20%-30%，但在处理多参数的Dual-porosity模型时，容易出现早熟收敛的问题。针对这一缺陷，研究者提出了自适应粒子群算法、混沌粒子群算法等改进版本，通过引入自适应惯性权重和混沌扰动机制，有效提升了全局搜索能力。差分进化算法（DifferentialEvolution,DE）通过差分变异、交叉和选择操作实现参数优化，具有收敛速度快、鲁棒性强的特点，在高维参数估计问题中表现出更优的性能。在包含8个参数的双重孔隙VG模型参数估计中，差分进化算法的拟合精度比PSO算法和遗传算法分别高出8%和12%，且参数估计结果的变异系数更小，稳定性更高。此外，模拟退火算法、免疫算法等其他进化算法也被应用于SWRC参数估计，均在特定场景下表现出较好的适应性。3.2机器学习辅助估计方法传统的参数估计方法需要至少3-5个实测含水率-吸力数据点才能获得稳定的估计结果，而在区域尺度研究中，大量土壤样本的SWRC实测需要耗费大量的人力和时间成本。针对这一问题，研究者提出了基于土壤基本理化性质的参数间接估计方法，通过机器学习算法建立土壤质地、有机质含量、容重等易测参数与SWRC模型参数之间的定量关系，实现无实测SWRC数据情况下的参数预测。随机森林、支持向量机、人工神经网络等算法被广泛应用于这一领域。例如，利用全国第二次土壤普查的1000多个土壤剖面数据，以砂粒含量、粉粒含量、黏粒含量、容重、有机质含量为输入变量，训练的随机森林模型对VG模型参数θ_s、α、n的预测决定系数R²分别达到0.87、0.72和0.68，预测精度显著高于传统的土壤转换函数（PedotransferFunction,PTF）。近年来，深度学习技术也被引入该领域，卷积神经网络能够自动提取土壤颗粒分布曲线的特征信息，对SWRC参数的预测精度比传统机器学习方法进一步提升5%-10%。此外，机器学习算法还被用于解决小样本下的参数估计问题。当实测SWRC数据点仅有2个时，将基于理化性质预测的参数值作为先验信息，结合贝叶斯优化算法进行参数校正，能够将参数估计的不确定性降低40%以上，大幅提升了小样本条件下的参数估计精度。四、参数估计的不确定性分析方法SWRC参数估计的不确定性来源主要包括三个方面：一是实测数据的测量误差，二是模型结构的假设误差，三是参数估计方法的固有误差。定量评估这些不确定性对后续水文模拟的影响，是参数估计研究的重要组成部分。贝叶斯方法是目前最常用的不确定性分析方法，通过将参数的先验分布与实测数据的似然函数相结合，得到参数的后验分布，从而定量描述参数的不确定性。马尔可夫链蒙特卡洛（MarkovChainMonteCarlo,MCMC）算法是求解后验分布的主流方法，其中Metropolis-Hastings算法和Gibbs采样算法应用最为广泛。研究表明，VG模型的四个参数中，θ_r的不确定性最高，其后验分布的变异系数通常是θ_s的2-3倍，而α和n之间存在显著的负相关关系，两者的皮尔逊相关系数通常在-0.7以上，这种参数相关性是导致参数估计不确定性的重要原因。针对MCMC算法计算量大、收敛速度慢的问题，研究者提出了替代模型加速的贝叶斯推断方法，通过构建高斯过程、多项式混沌展开等替代模型近似原始SWRC模型，能够将贝叶斯估计的计算效率提升1-2个数量级，为大尺度多样本的参数不确定性分析提供了可能。此外，广义似然不确定性估计（GLUE）方法、自助法（Bootstrap）等也被用于SWRC参数的不确定性分析，这些方法对模型假设的限制更少，适用范围更广，但不确定性区间的估计通常比贝叶斯方法更宽。五、研究挑战与未来发展方向尽管SWRC参数估计研究已经取得了显著进展，但仍存在几个亟待解决的挑战：一是复杂土壤条件下的参数估计精度不足，例如耕作层土壤、盐碱土、冻土等特殊土壤类型的SWRC形态与普通矿质土壤存在显著差异，现有模型和估计方法的适用性有待验证；二是多尺度参数的耦合估计问题，从实验室小尺度土柱到田间尺度再到流域尺度，SWRC的参数存在明显的尺度效应，如何实现不同尺度参数的转换和耦合估计，仍是尚未解决的难题；三是多源数据融合的参数估计框架尚未建立，如何将传统的压力板仪实测数据、新型的传感器实时监测数据、遥感反演的表层含水率数据等多源信息融合到参数估计过程中，进一步提升参数估计精度和时空代表性，是未来的重要研究方向。未来的研究将重点朝着几个方向发展：一是开发物理约束更严格的SWRC模型，结合土壤孔隙结构的三维扫描数据，建立基于孔隙几何特征的机理模型，减少模型参数的经验性，从源头上降低参数估计的不确定性；二是融合物理过程与机器学习的混合参数估计方法