土壤水分特征曲线预测模型研究综述

土壤水分特征曲线预测模型研究综述1土壤水分特征曲线的核心内涵与研究价值土壤水分特征曲线（SoilWaterRetentionCurve,SWRC）是描述土壤水势与含水率之间定量关系的非线性曲线，是土壤水动力学研究的核心基础参数。其本质反映了土壤孔隙系统对水分的保持与传输能力，直接关联土壤入渗、蒸发、溶质运移等关键水文过程，是农业节水灌溉方案设计、区域水文模型模拟、污染场地风险评估等领域不可或缺的基础输入参数。不同质地土壤的水分特征曲线存在显著差异：砂土的曲线呈现陡降特征，在低吸力阶段即可快速释放大部分孔隙水；壤土的曲线变化相对平缓，持水能力介于砂土与黏土之间；黏土则由于孔隙细小、比表面积大，即使在高吸力条件下仍能保持较高含水率。这种差异源于土壤颗粒组成、孔隙结构、有机质含量、团聚体稳定性等多重属性的共同作用，也决定了SWRC预测模型需要充分考虑土壤内在属性的异质性。当前SWRC的直接测定方法主要包括张力计法、压力膜法、离心机法等，但这些方法普遍存在测定周期长、操作复杂度高、成本高昂等局限性，对于大区域尺度的土壤水文调查而言，逐样实测SWRC几乎不具备可行性。因此，构建基于土壤基本属性的SWRC预测模型，实现曲线的快速、高精度估算，成为土壤物理学与水文学交叉领域的长期研究热点。2经验性预测模型的发展与应用经验性模型是SWRC预测领域发展最早、应用最广泛的模型类别，其核心思路是通过数学函数拟合实测的水势-含水率数据，建立具有普适性的曲线表达形式，再通过土壤传递函数（PedotransferFunctions,PTFs）估算模型参数。2.1经典经验模型的形式与特点Brooks-Corey模型是最早被广泛应用的经验模型之一，其数学表达式为：$$\theta(\psi)=\theta_r+(\theta_s-\theta_r)(\psi/\psi_b)^{-\lambda},\quad\psi>\psi_b$$其中$\theta$为体积含水率，$\theta_r$为残余含水率，$\theta_s$为饱和含水率，$\psi$为土壤水势（绝对值），$\psi_b$为进气吸力，$\lambda$为孔径分布指数。该模型形式简单、参数物理意义明确，尤其适用于砂土等大孔隙占比高的土壤，但在低吸力段的拟合精度较差，无法准确描述湿润过程的滞后效应。vanGenuchten模型（简称VG模型）是目前应用最普遍的SWRC经验模型，其表达式为：$$\theta(\psi)=\theta_r+\frac{\theta_s-\theta_r}{[1+(\alpha\psi)^n]^m}$$其中$\alpha$为与进气吸力相关的参数，$n$为曲线形状参数，$m$为与孔径分布相关的参数，通常取$m=1-1/n$以简化计算。与Brooks-Corey模型相比，VG模型通过引入双参数$\alpha$和$n$，能够更准确地拟合不同质地土壤的全吸力段曲线，既适用于粗质地土壤的陡降段，也能描述细质地土壤的缓变特征，因此成为多数土壤传递函数的首选建模框架。此外，Gardner模型、Campbell模型等经验模型也在特定场景下得到应用：Gardner模型形式最为简洁，仅包含两个参数，适合用于数值模拟中的迭代计算；Campbell模型则通过幂函数形式描述水势与含水率的关系，被广泛应用于分布式水文模型的土壤模块中。2.2基于土壤传递函数的参数估算经验模型的预测精度高度依赖参数估算的准确性，而土壤传递函数正是连接土壤基本属性与SWRC模型参数的桥梁。早期的PTFs主要基于多元线性回归方法，通过建立土壤颗粒组成、容重、有机质含量等易测属性与模型参数之间的线性关系实现参数估算，典型代表如Rawls等人开发的PTFs，基于美国农业部土壤调查数据库构建，能够根据土壤质地分类直接给出VG模型参数的取值范围。随着统计方法的发展，非线性回归、人工神经网络、支持向量机等方法逐渐被引入PTFs构建中。研究表明，与传统线性回归相比，非线性方法能够更好地捕捉土壤属性与SWRC参数之间的复杂非线性关系，预测精度可提升15%~30%。例如，基于反向传播神经网络的PTFs能够同时整合土壤颗粒级配曲线的完整分布信息、有机质含量、团聚体稳定性等多重因子，对于异质性较强的山地土壤、耕作土壤的预测精度显著优于传统线性模型。经验性模型的优势在于计算成本低、参数易于获取，适合大区域尺度的水文模拟应用；但其局限性也十分明显：模型参数缺乏明确的物理机制，对于超出建模样本范围的土壤类型（如火山灰土、盐碱土等特殊土壤）预测误差较大，且无法解释土壤结构变化、有机质分解等过程对SWRC的影响机制。3物理性预测模型的构建与进展物理性预测模型以土壤孔隙结构的几何特征为基础，从水分保持的物理机制出发推导SWRC的表达形式，能够明确关联土壤结构属性与持水特性，是SWRC预测研究的重要发展方向。3.1毛管模型的理论基础与改进毛管模型是物理性模型的最早形式，其核心假设是将土壤孔隙简化为一系列不同直径的平行毛管，根据Young-Laplace方程，毛管中的水分保持高度与毛管直径成反比，因此可以通过孔隙大小分布推导SWRC的形式。基于这一假设，Arya-Paris模型首次实现了从土壤颗粒级配曲线直接预测SWRC：该模型首先将颗粒级配曲线转换为孔隙大小分布曲线，再通过引入经验系数校正毛管的弯曲度效应，实现无需实测参数的SWRC预测。传统毛管模型的主要缺陷在于假设孔隙为规则圆柱状，与实际土壤的不规则孔隙结构存在显著差异，导致预测结果普遍存在系统偏差。针对这一问题，近年来研究者通过引入孔隙分形特征对毛管模型进行改进：土壤孔隙的大小分布具有典型的分形特征，其分形维数可以通过颗粒级配曲线或图像分析方法测定，基于分形理论的SWRC模型能够更好地描述土壤孔隙的不规则性和连通性，对于结构性较强的团聚体土壤预测精度提升尤为显著。3.2基于孔隙尺度模拟的预测模型随着X射线计算机断层扫描（CT）技术的发展，获取土壤三维孔隙结构的高分辨率图像成为可能，基于孔隙尺度数值模拟的SWRC预测方法逐渐兴起。该方法首先通过CT扫描获得土壤样品的三维孔隙结构数据，再采用格子玻尔兹曼方法、有限体积法等数值方法模拟不同水势条件下的水分分布，直接计算得到SWRC。与传统模型相比，孔隙尺度模拟方法完全基于实际土壤的孔隙结构，无需引入经验假设，能够直观揭示孔隙连通性、孔隙形状、团聚体内部孔隙等微结构特征对持水过程的影响机制。现有研究表明，对于存在大量大孔隙的森林土壤、改良后的耕作土壤，孔隙尺度模拟的预测精度比VG模型高出20%以上。但该方法目前仍存在成本较高、计算量大等局限性，难以应用于大尺度样本的快速预测。物理性模型的核心优势在于具备明确的物理机制，能够解释外部环境变化对SWRC的影响，例如可以通过模拟团聚体破碎过程预测耕作措施对土壤持水能力的改变；但其对输入数据的要求较高，多数模型需要测定土壤孔隙结构参数，限制了其在大范围调查中的应用。4混合模型与智能预测方法的创新应用近年来，随着机器学习技术的快速发展，融合物理机制与数据驱动优势的混合模型、智能预测方法成为SWRC预测领域的新兴方向，有效弥补了传统经验模型与物理模型的不足。4.1物理约束下的机器学习模型纯数据驱动的机器学习模型虽然预测精度高，但容易出现过拟合问题，且预测结果缺乏物理合理性，例如可能出现含水率随吸力升高而增大的违背物理规律的异常输出。为解决这一问题，研究者提出物理约束下的机器学习建模思路：在模型训练过程中引入SWRC的基本物理规律作为约束条件，例如要求曲线必须单调递减、饱和含水率必须大于残余含水率、进气吸力必须为正值等。这类混合模型既保留了机器学习处理复杂非线性关系的优势，又保证了预测结果的物理合理性。现有研究表明，加入物理约束的随机森林模型、梯度提升树模型，在不同质地土壤的SWRC预测中，均方根误差相比纯数据驱动模型降低10%~18%，且在样本量较少的情况下表现出更强的泛化能力。4.2多源数据融合的预测框架当前SWRC预测的另一个重要趋势是融合多源数据提升模型精度，包括近地传感数据、遥感反演数据、历史水文观测数据等。例如，通过可见光-近红外光谱技术可以快速获取土壤有机质、氧化铁含量、黏土矿物类型等属性信息，将光谱特征作为输入参数加入预测模型，能够将预测精度提升25%以上，尤其适用于缺乏颗粒分析数据的区域。此外，数据同化方法也被引入SWRC的动态预测中：通过同化实测的土壤含水率动态监测数据，可以实时校正SWRC模型参数，有效降低土壤空间异质性导致的预测误差。这种方法在农田土壤墒情预报、灌区水文模拟等动态场景中具有广阔的应用前景。5当前研究的挑战与未来发展方向尽管SWRC预测模型已经历数十年发展，但仍面临诸多关键挑战：一是特殊土壤的预测精度不足，对于盐碱土、火山灰土、冻土等具有特殊孔隙结构和理化性质的土壤，现有模型的预测误差普遍超过20%，难以满足实际应用需求；二是滞后效应的模拟能力薄弱，多数模型仅能描述主干燥或主湿润曲线，无法准确刻画干湿循环过程中的滞后效应，而滞后效应对于农田水分利用效率、污染物迁移模拟具有重要影响；三是多尺度耦合预测能力欠缺，现有模型大多基于实验室尺度的土柱测定结果构建，如何实现从点尺度到流域尺度的SWRC尺度上推，仍是当前水文模型研究的核心难点。未来SWRC预测模型的发展将主要聚焦三个方向：一是进一步深化物理机制研究，结合微流控实验、原位孔隙结构观测技术，明确土壤孔隙-有