耕作后土壤水分入滲參數(shù)BP預報模型

武雯昱 樊貴盛

摘要：根據(jù)黃土高原區(qū)耕作后土壤水分入滲資料所建立的基于Kostiakov三參數(shù)經(jīng)驗模型公式的BP神經(jīng)網(wǎng)絡預報模型，對土壤水分入滲參數(shù)進行預測。預測結(jié)果表明：利用土壤基本理化參數(shù)耕作層（0～20cm）土壤含水率及其密度、砂粒含量、粉粒含量、有機質(zhì)含量預報入滲模型參數(shù)具有可行性。入滲模型參數(shù)入滲指數(shù)。、入滲系數(shù)k的平均相對誤差約為1%；穩(wěn)滲率.fo的平均相對誤差約為8%，在可接受范圍內(nèi)；90min累計入滲量與I90平均相對誤差小于3%。模型整體預測精度較高，實現(xiàn)了利用土壤基本理化參數(shù)預報土壤水分入滲參數(shù)，可為黃土高原區(qū)耕作后土壤的灌水技術參數(shù)的確定提供理論與技術支撐。

關鍵詞：拼作土壤；Kostiakov三參數(shù)經(jīng)驗模型；入滲參數(shù)；BP模型；耕作層

中圖分類號：S152.7；TV93 文獻標志碼：A doi ；10.3969/j.issn.1000-1379.2018.02.032

土壤耕作對農(nóng)業(yè)種植業(yè)的產(chǎn)量具有決定性影響。土壤在耕作之后，疏松程度大大提高，其團粒結(jié)構(gòu)得到良好的恢復，耕作過程還創(chuàng)造了適度的孔隙比例，改善了土壤肥力，從而可以形成高產(chǎn)土壤。同時，耕作對土壤的入滲有顯著的促進作用，Abrisqueta等[1]在地中海杏林地區(qū)進行試驗研究后發(fā)現(xiàn)，耕作后的土壤能夠顯著增加入滲，減少徑流，水蝕得到有效緩解。鄭子成等[2]研究發(fā)現(xiàn)耕作能夠使地表粗糙度增大，從而使徑流減小，入滲量加大。入滲是土壤中水分循環(huán)的重要環(huán)節(jié)，目前，關于土壤水分入滲已有大量的研究成果[3～6]，然而針對耕作后土壤水分入滲的研究卻鮮有報道，尤其是在有關耕作后土壤水分入滲參數(shù)預測方面的研究。土壤水分入滲參數(shù)是確定灌溉技術參數(shù)和指導農(nóng)業(yè)節(jié)水灌溉的重要依據(jù)。目前，土壤水分入滲參數(shù)有入滲儀法和大田灌水法兩種獲取方法，而這兩種方法相對復雜，因此筆者試圖通過易獲得的土壤常規(guī)理化參數(shù)預測土壤水分入滲參數(shù)值。

常見的土壤水分入滲理論經(jīng)驗模型有Green-Ampt入滲模型、Kostiakov二參數(shù)模型、Kostiakov三參數(shù)模型Horton入滲模型，Philip入滲模型等。對于耕作后的土壤，大量試驗表明Kostiakov三參數(shù)模型的擬合效果較好[7]，可以此建立入滲參數(shù)與土壤常規(guī)參數(shù)間的非線性關系。BP模型在表達非線性模糊關系時有很好的非線性映射能力，可以很好地逼近任意非線性函數(shù)。因此，本文擬建立耕作土壤的基于Kostiakov三參數(shù)模型的土壤水分入滲參數(shù)BP預報模型，利用已獲得的土壤常規(guī)理化參數(shù)（土壤密度、土壤質(zhì)地、土壤含水量及土壤有機質(zhì)含量）預測土壤水分入滲參數(shù)，從而確定農(nóng)業(yè)灌水技術參數(shù)，為耕作土壤的節(jié)水灌溉提供理論支撐。

1 試驗區(qū)土壤條件與方法

1.1 試驗區(qū)土壤條件

試驗區(qū)位于黃土高原區(qū)，土壤以草甸土與褐土為主，從地形地貌上涵蓋山區(qū)、丘陵、沖擊平原以及洪積平原。本次土壤水分入滲的試驗選取樣本的土質(zhì)為翻松土，耕作層土壤的砂粒含量變化范圍為25.99%～74.08%，粉粒含量變化范圍為13.41%～56.09%，黏粒含量變化范圍為0.89%～22.90%。耕作層（0～20cm）含水率的變化范圍為8.60%～31.99%，其干密度變化范圍為1.0991～1.5870g/cm3；犁底層（20～40cm）土壤含水率變化范圍為3%～35%，其土壤干密度變化范圍為1.38～1.78g/cm3。代表性樣本土壤基本理化參數(shù)見表1。

1.2 試驗方法

本研究試驗旨在通過大田試驗了解耕作后土壤水分入滲特性及其主導影響因素，建立土壤入滲參數(shù)預報模型。試驗針對影響土壤水分入滲特性的主要因素而提出設計，分為大田試驗和室內(nèi)試驗。

1.2.1 大田試驗

運用積水入滲方法測定土壤水分入滲過程，在試驗田形成地表含水率約等于飽和含水率的一維垂直人滲條件，其邊界條件屬于灌溉入滲模型。試驗設備是內(nèi)環(huán)直徑26.0cm、外環(huán)直徑64.4cm、內(nèi)外環(huán)高度均為25cm的雙套環(huán)入滲儀。將該設備預埋于試驗點，人滲過程中分時段記錄土壤水分入滲的時間及對應的人滲量，當入滲達到穩(wěn)定狀態(tài)時停止試驗。土壤入滲試驗一般在60min時達到穩(wěn)定狀態(tài)，為了增強數(shù)據(jù)的可靠性以及考慮到數(shù)據(jù)的統(tǒng)一性，將試驗入滲時間定為90min。

1.2.2 室內(nèi)試驗

室內(nèi)試驗包括土壤密度、土壤質(zhì)地、土壤含水率及有機質(zhì)的測定。

土壤密度的測定采用環(huán)刀法，用標準規(guī)格的環(huán)刀在土壤剖面取土、稱量，烘干后計算單位體積土的質(zhì)量，通常用相對體積質(zhì)量來表示[8]。

土壤含水率的測定主要采用烘干法，人工鉆土取得相應土層的土壤，稱取待測土壤，烘箱烘干，稱量干土質(zhì)量，計算其含水率通常用質(zhì)量含水率或體積含水率表示[9]。

土壤質(zhì)地的測定利用粒度分析儀。土壤風干、研磨過篩后，用粒度分析儀測定。

土壤有機質(zhì)的測定采用重鉻酸鉀容量法。加熱并有硫酸存在的條件下，用過量的一定濃度的重鉻酸鉀溶液氧化土壤中的有機質(zhì)（碳），過剩的重鉻酸鉀溶液用標準硫酸亞鐵溶液滴定，進而依據(jù)消耗的重鉻酸鉀量計算有機碳的量。

1.3 試驗樣本數(shù)據(jù)的建立

Kostiakov三參數(shù)模型的表達式[10]為

I=ktα+f0t（1）式中：I為土壤水分入滲時間為t時的累計入滲量，cm；t為土壤水分入滲時間，min；k為入滲系數(shù)，cm/min；f0為穩(wěn)定入滲率，cm/min；α為入滲指數(shù)。

利用入滲試驗得到入滲時間及其累計入滲量，進行非線性擬合，得到其相應的耕作土壤入滲參數(shù)值：人滲系數(shù)k、穩(wěn)定入滲率f0及入滲指數(shù)α。隨機選取3組耕作后土壤的Kostiakov三參數(shù)模型參數(shù)值，見表2。

建立基本理化參數(shù)（見表1）與模型參數(shù)（見表2）間一一對應關系，構(gòu)成樣本序列，剔除個別有明顯錯誤的數(shù)據(jù)，選取100組有代表性的試驗數(shù)據(jù)建立模型。

2 BP神經(jīng)網(wǎng)絡模型的建立

2.1 輸入、輸出參數(shù)的確定

預報模型的輸入?yún)?shù)是根據(jù)耕作后土壤水分入滲特性的影響因素確定的。但若把全部影響因素作為輸人變量，必將使模型應用變得繁雜，因此在選擇模型的輸入?yún)?shù)時，僅考慮土壤水分入滲特性的主要影響因素[11]。經(jīng)過試驗分析，將土壤密度、土壤含水率、土壤質(zhì)地（砂粒、粉粒含量）、土壤有機質(zhì)含量作為輸入變量。由于水分通過地表進入土壤，地表對土壤水分入滲能力起控制作用[12]，因此各影響因素均取0～20cm土層的平均值作為輸入?yún)?shù)。

預報模型的輸出參數(shù)即模型預報量。反映土壤水分入滲能力大小的指標之一是土壤水分累計入滲量，為了確保土壤水分入滲達到穩(wěn)定入滲階段，選取90min土壤水分累計入滲量I90作為土壤水分入滲指標，即模型的輸出參數(shù)；本文基于kostiakov經(jīng)驗模型公式建立BP模型，故選取入滲系數(shù)k、穩(wěn)定入滲率f0、入滲指數(shù)。作為預報模型的輸出變量。因此，本文所確定的模型輸出參數(shù)為90min土壤水分累計入滲量編、入滲系數(shù)k、穩(wěn)定入滲率f0、入滲指數(shù)α。

2.2 BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)與方法

建立的BP神經(jīng)網(wǎng)絡模型由輸入層、隱含層、輸出層構(gòu)成。其中：輸入層有5個輸入?yún)?shù)，即5個神經(jīng)元；輸出層有4個輸出參數(shù)，即4個神經(jīng)元；而隱含層的節(jié)點數(shù)需要多次運算確定，通過逐漸增加隱含層節(jié)點數(shù)，反復訓練樣本，達到模型精度時停止訓練[13]，經(jīng)運算分析，本文建立的模型隱含層的神經(jīng)元數(shù)為18時可以達到模型精度，故建立的網(wǎng)絡拓撲結(jié)構(gòu)為5：18：4。

網(wǎng)絡訓練函數(shù)為trainlm函數(shù)，為加快參數(shù)的收斂，需對輸入、輸出樣本進行歸一化處理。Matlab7.0提供了歸一化函數(shù)premnmx以及還原函數(shù)post-mamx[14]。根據(jù)歸一化后數(shù)據(jù)的特點，建立的網(wǎng)絡模型選擇正切函數(shù)tansig函數(shù)作為隱含層的激活函數(shù)，線性函數(shù)purelin函數(shù)作為輸出層的激活函數(shù)。模型訓練參數(shù)設為學習率0.01、最大學習迭代次數(shù)2000、訓練精度0.0001。BP模型是一種以誤差逆?zhèn)鞑ピ頌榛A的多層前饋神經(jīng)網(wǎng)絡，通過誤差反向傳播對輸入樣本反復訓練，不斷改變網(wǎng)絡鏈接權(quán)值，致使網(wǎng)絡輸出不斷接近期望值。

2.3 入滲參數(shù)的預報模型

2.3.1 模型結(jié)構(gòu)

建立的BP網(wǎng)絡模型結(jié)構(gòu)為

net=newff（min max（traininput），[18，4]，

{'tansig'，'purelin'}，'trainlm'）（2）式中：net為創(chuàng)建的BP神經(jīng)網(wǎng)絡；newff為在Matlab7.0中生成BP神經(jīng)網(wǎng)絡的函數(shù)；min max（）為輸入向量取值范圍的矩陣；[18，4]為隱含層和輸出層神經(jīng)元個數(shù)；{'tansig'，purelin'}為隱含層和輸出層的傳輸函數(shù)；'trainlm'為網(wǎng)絡的訓練函數(shù)。

BP神經(jīng)網(wǎng)絡的訓練結(jié)果為

[α，k，f0，I90]=purelin（lw2×（tansig（iw1×p+b1））+b2）（3）式中：iw1為模型輸入層到隱含層的權(quán)值；lw2為模型隱含層到輸出層的權(quán)值；b1為模型輸入層到隱含層的閾值；b2為模型隱含層到輸出層的閾值；p=[δ，θ，ω，ψ，β]，其中δ為耕層（0～20cm）土壤密度，θ為耕層（0～20cm）土壤質(zhì)量含水率，ω為耕層土壤砂粒含量，ψ為耕層土壤粉粒含量，β為耕層有機質(zhì)含量。

2.3.2 預測結(jié)果分析

基于Kostiakov三參數(shù)模型建立的BP神經(jīng)網(wǎng)絡對100組數(shù)據(jù)資料進行運算后，得到入滲指數(shù)α、入滲系數(shù)k、穩(wěn)定入滲率f0、90min累計入滲量I90的結(jié)果分別見表3、表4、表5、表6。

預報模型對入滲指數(shù)α運算的結(jié)果顯示：其相對誤差最大值為4.3531%，最小值為0.0355%，平均值為0.9552%；其絕對誤差最大值為0.0108，最小值為0，平均值為0.0019。相對誤差均小于5%，模型預報精度較高。

預報模型對入滲系數(shù)k運算結(jié)果顯示：其相對誤差最大值為5.8779%，最小值為0.0042%，平均值為1.0081%；其絕對誤差最大值為0.0757，最小值為0.0002，平均值為0.0190?？梢娤鄬φ`差均小于6%，模型預報精度較高。

預報模型對穩(wěn)滲率f0運算結(jié)果顯示：其相對誤差最大值為15.0228%，最小值為0.0032%，平均值為8.3113%；其絕對誤差最大值為0.0169，最小值為0.0004，平均值為0.0055?？梢?，預報模型對穩(wěn)滲率f0預測的相對誤差大于人滲指數(shù)α與人滲系數(shù)k的，其預報精度較二者略低，但在可接受范圍內(nèi)。

預報模型對90min累計入滲量I90運算結(jié)果顯示：其相對誤差最大值為9.3280%，最小值為0.0343%，平均值為2.9348%；其絕對誤差最大值為0.9695cm，最小值為0.0050cm，平均值為0.3155cm?？梢?，其相對誤差均小于10%，預報精度較高。

分析預報模型的訓練結(jié)果，說明耕作后的土壤基于Kostiakov三參數(shù)模型建立的BP預報模型對土壤水分入滲參數(shù)預測精度較高，預測結(jié)果可靠，可行性較強。

3 結(jié)語

本文建立的土壤水分入滲參數(shù)BP預報模型能夠客觀地反映耕作后土壤基本理化參數(shù)與Kostiakov三參數(shù)模型中的模型參數(shù)之間復雜的非線性關系，其預測結(jié)果有很高的精度。綜合分析認為，預報模型預測的入滲指數(shù)α、人滲系數(shù)k、穩(wěn)滲率f0及累計入滲量I90平均相對誤差分別為0. 9552%、1. 0081%、8.3113%、2.9348%，穩(wěn)滲率f0預測精度略低于其他參數(shù)，但在可接受范圍內(nèi)，分析認為：對于入滲指數(shù)α、入滲系數(shù)k，耕層（0～20cm）土壤理化參數(shù)對其影響很大，其關聯(lián)性較強，故預測精度較高；而對于穩(wěn)滲率f0，不僅與耕層（0～20cm）土壤理化參數(shù)有關聯(lián)，而且與犁底層（20～40cm）土壤理化性質(zhì)也有一些關系，故其預測精度相對較低?？傊?，本文所建立的BP預報模型整體預測精度較高，對耕作后土壤水分入滲參數(shù)的預測是可行的，這將為優(yōu)化耕作后農(nóng)田灌水技術參數(shù)提供理論與技術支撐。

基于Kostiakov三參數(shù)經(jīng)驗模型公式建立的BP模型中，把耕層土壤密度、質(zhì)量含水率、土壤砂粒含量、粉粒含量及有機質(zhì)含量作為模型的輸入變量，預測其模型參數(shù)α、k、f0及I90，均可獲得比較可靠的結(jié)果。

由于BP模型結(jié)構(gòu)的設計主要依賴于實踐經(jīng)驗，所需模型的樣本范圍及模型訓練頻數(shù)均在嘗試中，而且樣本也有一定的誤差，因此有待開發(fā)更為理想的方法對網(wǎng)絡模型結(jié)構(gòu)進行優(yōu)化，從而提高模型預測精度。

參考文獻：

[1] ABRISQUETA J M，PLANA V，MOUNZER 0 H，et al. Effectsof Soil Tillage on Runoff Generation in a Mediterranean Apricotor Chard[J].純ricultural Water Management，2007，93：11-18.

[2]鄭子成，何淑勤，吳發(fā)啟.人為管理措施對產(chǎn)流產(chǎn)沙作用的研究[J].水土保持學報，2003，17（6）：150-152.

[3]雷廷武，毛麗麗，李鑫，等.土壤入滲性能的線源入流測量方法研究[J].農(nóng)業(yè)工程學報，2007，23（1）：1-5.

[4]曹崇文，樊貴盛.耕作土壤入滲能力衰減機理[J].太原理工大學學報，2007，38（2）：116-118.

[5]史曉楠，王全九，巨龍.微咸水人滲條件下Philip與Green-Ampt模型參數(shù)的對比分析[J].土壤學報，2007，44（2）：360-363.

[6]陳洪松，邵明安，王克林.土壤初始含水率對坡面降雨入滲及土壤水分再分布的影響[J].農(nóng)業(yè)工程學報，2006，22（1）：44-47.

[7]蘇正安，張建輝.耕作導致的土壤再分布對土壤水分入滲的影響[J].水土保持學報，2010，24（3）：194-198.

[8]李雪轉(zhuǎn)，樊貴盛.土壤有機質(zhì)含量對土壤入滲能力及參數(shù)影響的試驗研究[J].農(nóng)業(yè)工程學報，2006，22（3）：188-190.

[9]李雪轉(zhuǎn)，樊貴盛，王雪.影響土壤人滲積水時間因素的試驗[J].農(nóng)業(yè)工程學報，2009，25（9）：27-30.

[10]雷志棟，楊詩秀，謝森傳[M].北京：清華大學出版社，1988：35-41.

[11]楊素宜，渾水入滲規(guī)律及畦灌補源技術研究[D].太原：太原理工大學，2006：11-23.

[12]MAGNUS Porsson，RONNY Bemdtsson. Estimating TransferParameters in an Undisturbed Soil Column Using Time DomainReflectometry and Transfer Function Theory[J].Journal ofHydrology，1998，205：232-247.

[13]伍春香，劉琳，王葆元.三層BP網(wǎng)隱層節(jié)點數(shù)確定方法的研究[J].武漢測繪科技大學學報，1999，24（2）：85-87.

[14]尹京川，馬孝義，孫永勝，等.基于BP神經(jīng)網(wǎng)絡與GIS可視化的作物需水量預測[J].中國農(nóng)村水利水電，2012（2）：13-15.

[15]周青云，孫西歡，康紹忠.蓄水坑灌條件下土壤水分運動的數(shù)值模擬[J].水利學報，2006，37（3）：342-347.