土壤水分特征曲线预测中土壤传递函数的区域适用性与不确定性研究综述

土壤水分特征曲线预测中土壤传递函数的区域适用性与不确定性研究综述土壤水分特征曲线（SoilWaterCharacteristicCurve,SWCC）是描述土壤水势与含水量之间定量关系的核心参数，是水文模拟、农业灌溉管理、生态修复评估等领域不可或缺的基础数据。直接测定SWCC存在耗时久、成本高、样本代表性受限等问题，土壤传递函数（PedotransferFunctions,PTFs）通过易获取的土壤基本理化性质（如颗粒组成、容重、有机质含量等）间接预测SWCC，成为当前解决大尺度SWCC数据缺失问题的主流手段。随着PTFs在不同气候区、不同土壤类型区的广泛应用，其预测结果的区域偏差与不确定性问题逐渐成为研究焦点，直接影响水文模型输出的可靠性与土地管理决策的科学性。一、土壤传递函数的构建逻辑与主流类型土壤传递函数的本质是建立土壤基本属性与水力参数之间的统计关系或物理映射关系，其构建基础是土壤水力性质与理化性质之间的内在关联：土壤颗粒组成决定孔隙的大小分布，容重反映孔隙的总容积特征，有机质通过改变土壤团聚体结构影响孔隙连通性，这些属性共同决定了土壤持水能力与水分运动特征。当前主流PTFs可分为三类：第一类是经验统计型PTFs，以多元线性回归、非线性回归为代表，如经典的Rawls模型、Saxton模型，通过对大量实测样本的拟合建立回归方程，结构简单、计算方便，但对训练数据的依赖度高，在训练样本覆盖范围外的区域预测误差通常会显著上升。第二类是机器学习型PTFs，包括随机森林、支持向量机、人工神经网络等，能够捕捉土壤属性之间的非线性交互作用，在复杂土壤区的预测精度普遍高于传统统计模型，但其“黑箱”特性导致物理可解释性不足，模型参数的物理意义不明确。第三类是物理机制型PTFs，基于土壤孔隙分布理论推导得到，如根据颗粒级配曲线计算孔隙大小分布的Arya-Paris模型，物理基础扎实，外推性相对较好，但需要输入的参数更多，部分参数（如孔隙形状系数）的区域差异性大，限制了其推广应用。不同类型PTFs的性能差异本质上是对区域土壤属性空间异质性的响应程度不同。在地形平缓、土壤发育均匀的平原区，三类PTFs的预测精度差异通常较小；而在地形起伏大、母质类型复杂的山区，机器学习型PTFs往往表现出更显著的优势，能够更好地拟合土壤属性与水力参数之间的复杂非线性关系。二、土壤传递函数区域适用性的影响因素与评估框架PTFs的区域适用性是指特定PTFs在目标应用区域的预测精度与稳定性，其核心是PTFs训练区与应用区之间土壤属性的相似性程度，主要受以下几类因素的共同影响：（一）土壤属性空间异质性的区域差异气候、母质、地形、生物、成土时间五大成土因素的区域组合特征，决定了土壤基本属性的空间分布格局。在湿润热带地区，强烈的风化淋溶作用导致土壤黏粒含量高、铁铝氧化物富集，常规PTFs仅使用颗粒组成、容重、有机质三类参数时，往往会低估高吸力段的土壤持水量，因为铁铝氧化物形成的微团聚体对持水能力的贡献未被纳入模型输入。在干旱半干旱区，土壤普遍存在钙化、盐渍化特征，可溶性盐分改变了土壤孔隙的表面性质，使得基于非盐化土壤训练的PTFs预测的田间持水量偏高，饱和含水量偏差可达15%以上。在高寒地区，土壤冻融交替频繁，表层土壤容重随季节波动显著，常规PTFs采用固定容重值输入时，预测结果的季节性误差甚至会超过20%。（二）PTFs训练数据集的代表性局限现有多数经典PTFs的训练数据集中于温带平原区的耕作土壤，对山地土壤、荒漠土壤、冻土、火山灰土等特殊土壤类型的样本覆盖不足。例如广泛使用的Rosetta模型，其训练样本中60%以上来自北美洲的农业土壤，直接应用于亚洲青藏高原的高山草甸土时，饱和导水率的预测值与实测值的相对均方根误差（RMSE）普遍超过40%，vanGenuchten模型参数α的预测偏差可达1~2个数量级。部分区域开发的本土PTFs虽然在当地精度较高，但由于训练样本的空间范围有限，跨流域应用时精度下降明显，例如基于华北平原潮土开发的PTFs应用于南方红壤区时，田间持水量的平均绝对误差（MAE）从2%上升至6%~8%。（三）预测目标与应用场景的匹配性不同应用场景对SWCC的精度需求不同，PTFs的适用性也存在显著差异。农业灌溉管理重点关注0~30kPa低吸力段的SWCC特征，此时PTFs对表层土壤有机质含量、容重的敏感性更高；而滑坡预警、地下水补给模拟等场景更关注30kPa~1500kPa的中高吸力段，黏粒含量、矿物组成对预测精度的影响更为显著。若将针对低吸力段优化的PTFs直接用于高吸力段预测，误差通常会增加1~2倍。此外，不同土层深度的PTFs适用性也存在差异：表层土壤受耕作、植被凋落物影响大，包含有机质输入项的PTFs精度更高；而深层土壤有机质含量极低，仅使用颗粒组成与容重的简化PTFs即可达到相似精度。当前主流的PTFs区域适用性评估框架通常包含三个核心步骤：首先是区域土壤属性空间特征分析，通过描述性统计、半方差函数等方法明确目标区域土壤理化性质的分布范围与变异特征，与PTFs训练数据集的属性范围进行匹配性检验；其次是多指标精度评估，采用平均误差（ME）、平均绝对误差（MAE）、均方根误差（RMSE）、纳什效率系数（NSE）等指标，从系统偏差、绝对误差、拟合优度多个维度评估预测性能；最后是空间分层评估，按照土壤类型、地形坡度、土地利用方式等对研究区分层，明确PTFs在不同子区域的适用性差异，识别出模型适用区与限制区。三、土壤传递函数预测的不确定性来源与量化方法PTFs预测SWCC的不确定性是指预测值与真实值之间的偏差范围，其来源贯穿于模型构建、参数输入、应用输出的全流程，主要分为以下几类：（一）模型结构不确定性不同PTFs的假设前提与结构设计差异是不确定性的首要来源。经验统计模型假设土壤属性与水力参数之间存在固定的统计关系，但这种关系在不同区域往往存在差异，导致模型在训练区外的预测存在固有偏差。机器学习模型的不确定性则来自模型结构选择（如神经网络层数、随机森林树的数量）、训练集与验证集的划分方式，相同样本集训练的多个机器学习PTFs，对同一土壤样本的SWCC预测结果差异可达10%~20%。即使是物理机制型PTFs，也因对孔隙形状、连通性等特征的简化假设，存在模型结构带来的不确定性，例如Arya-Paris模型中的经验系数α的取值范围通常为1.1~1.6，不同取值下的预测结果偏差最高可达30%。（二）输入参数不确定性PTFs输入参数的不确定性来自两个方面：一是测量误差，土壤颗粒组成、容重、有机质含量的实验室测定本身存在误差，其中黏粒含量的测定误差通常为±2%±5%，容重的测定误差为±0.05±0.1g/cm³，这些误差会通过PTFs传递到SWCC预测结果中。二是空间插值误差，大尺度应用时PTFs的输入参数通常来自土壤普查数据的空间插值结果，而土壤属性的空间异质性导致插值结果存在不确定性，尤其是在地形复杂区域，插值得到的黏粒含量误差可能超过10%，直接导致SWCC预测的不确定性范围显著扩大。研究表明，在丘陵山区，输入参数不确定性对总预测不确定性的贡献占比可达60%以上，是不确定性的最主要来源。（三）样本代表性不确定性训练样本的数量、空间分布、测量标准的差异也会带来不确定性。当训练样本量不足时，PTFs无法充分捕捉土壤属性与水力参数之间的真实关系，模型参数的估计方差增大，预测结果的置信区间变宽。若训练样本存在空间聚集性，例如集中于交通便利的河谷区域，对山地、高海拔区域的样本覆盖不足，会导致模型在样本稀缺区的预测不确定性显著上升。此外，不同实验室采用的SWCC测定方法（如压力膜法、离心机法）、吸力范围、粒径分级标准存在差异，训练数据整合时的系统误差也会传递到PTFs的预测结果中，例如采用离心机法测定的饱和含水量通常比压力膜法低5%左右，基于不同测定方法数据训练的PTFs预测结果存在系统性偏差。当前PTFs不确定性的量化方法主要分为三类：一是解析法，通过误差传递公式推导输入参数误差与预测结果误差之间的定量关系，计算简单但仅适用于线性或简单非线性模型；二是蒙特卡洛模拟法，通过随机采样生成输入参数的可能取值组合，运行PTFs得到预测结果的概率分布，是当前应用最广泛的方法，能够处理复杂非线性模型的不确定性量化，但计算成本较高；三是贝叶斯方法，将PTFs的参数视为随机变量，通过贝叶斯更新得到参数的后验分布，进而得到预测结果的后验概率区间，能够同时融合先验知识与实测数据，在小样本区域的不确定性量化中具有明显优势。四、提升区域适用性与降低不确定性的研究进展针对PTFs应用中的区域适应性偏差与不确定性问题，近年来相关研究从多个方向开展了探索，取得了显著进展：（一）分区PTFs构建与模型校正基于区域土壤属性特征构建本土PTFs是提升适用性的最直接手段。当前研究普遍采用“相似性分区-分区建模”的思路：首先根据成土因素、土壤类型、属性空间分布特征将研究区划分为多个相对均质的子区域，针对每个子区域分别构建PTFs，相比全局统一PTFs，预测精度通常可提升20%~30%。对于无法获取足够样本构建本土PTFs的区域，常用模型校正方法提升现有PTFs的适用性，包括简单的偏差校正（如对预测值乘以区域校正系数）、输入变量扩展（如增加铁铝氧化物含量、碳酸钙含量等区域特异性参数）、模型参数本地化调整等。例如在南方红壤区，将游离铁含量作为输入变量加入Saxton模型后，高吸力段SWCC的预测RMSE降低了27%。（二）多源数据融合降低输入不确定性通过多源数据融合提升输入参数的精度是降低预测不确定性的重要途径。近年来，近地传感器技术、遥感反演技术的发展为大尺度土壤属性数据获取提供了新的手段：基于可见光-近红外光谱的土壤属性快速测定技术，可将黏粒、有机质含量的测定效率提升数十倍，显著降低样本测量误差；结合Sentinel-2、Landsat等遥感数据与数字高程模型，通过机器学习反演得到的区域土壤属性空间分布数据，其精度相比传统克里金插值提升了15%~25%，有效降低了输入参数的空间插值误差。此外，将区域土壤普查数据、野外原位监测数据、文献汇总数据进行多源整合，构建区域土壤水力参数数据集，能够有效扩充训练样本量，降低样本代表性不足带来的不确定性。（三、）集合模拟与概率预测采用多模型集合模拟的方法能够有效降低单一模型的结构不确定性。研究表明，采用3~5个不同结构PTFs的集合预测结果，其精度优于任何单一模型的预测结果，预测不确定性范围可缩小20%左右。当前越来越多的研究不再仅提供SWCC的单一确定性预测值，而是输出不同置信水平下的概率分布区间，明确告知用户预测结果的可能波动范围。例如基于贝叶斯平均方法的集合PTFs，能够根据不同模型在区域的表现赋予相应权重，得到的概率预测结果可以直接用于后续的水文模型不确定性分析，为风险决策提供更全面的支撑。五、当前研究不足与未来发展方向尽管PTFs的区域适用性与不确定性研究已取得丰富成果，但仍存在三个明显的不足：一是特殊土壤类型的PTFs研究匮乏，针对盐碱土、冻土、火山灰土等特殊土壤的系统性研究较少，现有PTFs在这些区域的适用性缺乏系统评估；二是多尺度耦合的PTFs研究不足，当前PTFs大多基于实验室测定的小尺度样本构建，在流域、区域等大尺度应用时，如何考虑土壤孔隙结构的尺度效应，实现PTFs的尺度转换，仍是尚未解决的难点问题；三是不确定性的传递与应用研究薄弱，多数研究止步于量化PTFs本身的预测不确定性，对不确定性如何传递到后续水文模拟、灌溉决策、生态评估等应用环节，以及如何根据不确定性大小优化决策方案的研究仍十分有限。未来研究应重点关注四个方向：一是建立全球统一的土壤水力参数数据库，规范数据测定标准与共享机制，提升不同区域训练样本的覆盖度；二是开发融合物理机制