阿爾泰山森林土壤溫度動態(tài)變化及其預(yù)測

連帥明，許仲林，王文棟

(1.新疆大學(xué)地理與遙感科學(xué)學(xué)院，新疆 烏魯木齊 830017；2.新疆大學(xué) 綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室，新疆 烏魯木齊 830017；3.新疆林科院 森林生態(tài)研究所，新疆 烏魯木齊 830063)

土壤溫度變化在宏觀層面是對氣候變化作出的敏感響應(yīng)，同時又是影響大氣環(huán)流和氣候變化的主要因子之一[1]。在微觀層面，不僅影響植物的光合作用，對植物的養(yǎng)分、水分吸收利用等也具有調(diào)控功能。此外，土壤溫度對土壤動物、微生物生存和動態(tài)的影響也是顯而易見的[2-6]。因此，對土壤溫度的研究，具有重要的理論和現(xiàn)實(shí)意義。

學(xué)者們對多種時空尺度上土壤溫度的變化已展開了系統(tǒng)深入的研究[7-8]。在國內(nèi)，土壤溫度的主要研究對象是影響因素，在不同地區(qū)，不同時空尺度上土壤的溫度變化表現(xiàn)出一定的規(guī)律性[9-11]。受氣候、海拔、緯度、土壤類型、植被和耕作等因素的影響，不同區(qū)域土壤溫度變化的主要影響因素不同；在荒漠-綠洲過渡帶，氣溫是影響土壤溫度最主要的氣象因子[12]；在亞高山森林0～40 cm土壤溫度日較差隨著土壤深度的增加逐漸減小[13]；張慧智等[14]對中國土壤溫度的空間分布進(jìn)行研究發(fā)現(xiàn)，氣溫、經(jīng)緯度和海拔對年均土壤溫度均有顯著影響。土壤溫度也是影響城市綠地類型土壤呼吸時間動態(tài)的重要因子[15]；核桃-小麥間作降低了生長季高溫時段淺層土壤溫度[16]。國外對土壤溫度研究發(fā)現(xiàn)，2個較大流域的土壤溫度季節(jié)變化趨勢相似[17]；氣溫對土壤溫度變化具有主導(dǎo)作用[18]。對預(yù)測模型的研究發(fā)現(xiàn)，在伊朗2種模型均能準(zhǔn)確預(yù)測淺層土壤溫度，但隨深度的增加預(yù)測性能逐漸降低[19]；基于線性隨機(jī)模型提高了預(yù)測精度[20]；深度回波狀態(tài)網(wǎng)絡(luò)模型優(yōu)于傳統(tǒng)方法[21]；多元自適應(yīng)回歸算法優(yōu)于支持向量機(jī)算法[22]；自適應(yīng)神經(jīng)模糊系統(tǒng)方法優(yōu)于多元線性回歸方法和多層感知器方法[23]；多層感知器人工神經(jīng)網(wǎng)絡(luò)模型優(yōu)于多元線性回歸模型[24]等。上述研究表明，土壤溫度的變化規(guī)律及其影響因素在不同時空尺度具有差異性，同時各預(yù)測模型的效果也不相同。因此，需要對典型生態(tài)系統(tǒng)土壤溫度動態(tài)及其影響因素開展深入研究，為陸地生態(tài)系統(tǒng)能量平衡過程提供參考。

干旱區(qū)的生態(tài)系統(tǒng)類型相對單一且脆弱，其土壤的溫度動態(tài)具有典型特征。牛春霞等[25]研究發(fā)現(xiàn)，天山北坡氣溫對土壤溫度的影響隨著土壤層深度增加而減弱，車宗璽等[26]研究發(fā)現(xiàn)祁連山西段草地土溫與海拔正相關(guān)，付皓宇等[10]研究揭示了準(zhǔn)噶爾盆地南緣荒漠草地土壤溫度與氣象因子相關(guān)性較好，羅斯瓊等[27]認(rèn)為三江源地區(qū)氣溫和地溫具有明顯的正相關(guān)性，柳媛普等[28]研究揭示了河西走廊中段干旱荒漠區(qū)土壤溫度受輻射影響大，陳啟民等[29]在洛浦縣發(fā)現(xiàn)冬季隨著土壤深度的增加土壤溫度升高。截至目前，對新疆北部阿爾泰山山地森林生態(tài)系統(tǒng)土壤溫度的研究仍較缺乏，限制了對干旱區(qū)典型生態(tài)系統(tǒng)能量循環(huán)的深入理解。本研究在對阿爾泰山山地森林生態(tài)系統(tǒng)土壤溫度進(jìn)行系統(tǒng)觀測基礎(chǔ)上，采用模型方法分析不同層的土壤溫度變化，旨在進(jìn)一步加深對干旱區(qū)山地生態(tài)系統(tǒng)能量平衡的理解。

1 材料與方法

1.1 研究區(qū)概況

阿爾泰山森林生態(tài)站(48°41′34″N，87°1′58″E)位于新疆阿勒泰布爾津縣喀納斯國家自然保護(hù)區(qū)內(nèi)，海拔1 382 m，植被主要為北方針葉林，土壤類型主要是灰色森林土，其母質(zhì)為殘積母質(zhì)。大陸性氣候，氣溫年較差較大，多年平均氣溫-0.2 ℃，多年平均降水量約為600 mm，蒸發(fā)量約為1 000 mm，日照時數(shù)長約為2 157 h，無霜期相對較短。區(qū)域內(nèi)地形復(fù)雜多樣，物種豐富多樣，植被垂直地帶性明顯。

1.2 數(shù)據(jù)來源及處理

數(shù)據(jù)來源于2014年11月-2019年7月國家林業(yè)和草原局阿爾泰山森林生態(tài)站，數(shù)據(jù)采集時間間隔10 min，觀測要素包括空氣溫度(℃，最高、最低、平均)、相對濕度(%，最大、最小、平均)、氣壓(hPa，最大、最小、平均)、風(fēng)速(m·s-1最大和平均)、太陽輻射量(W·m-2，最高、最低、平均)、光合有效輻射(W·m-2，最高、最低、平均)、凈輻射(W·m-2，最高、最低、平均)、降水(mm)8大類21個氣象因子，以及5、10、20 cm和30 cm層土壤溫度數(shù)據(jù)。

數(shù)據(jù)處理和統(tǒng)計利用Office 2019和SPSS 22.0進(jìn)行，利用R語言環(huán)境進(jìn)行BP人工神經(jīng)網(wǎng)絡(luò)分析，通過Origin 2018制圖。

1.3 研究方法和預(yù)測模型構(gòu)建

采用相關(guān)分析(Pearson相關(guān)系數(shù))研究不同層土壤溫度和氣象因子之間的關(guān)系，利用多元線性回歸模型以及BP人工神經(jīng)網(wǎng)絡(luò)對不同層土壤溫度進(jìn)行預(yù)測。

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，即ANN)自20世紀(jì)80年代提出以來已成為研究熱點(diǎn)，并在地理學(xué)研究中得到了廣泛應(yīng)用[30-34]。BP神經(jīng)網(wǎng)絡(luò)(backpropagation neural network)是按照誤差逆向傳播算法進(jìn)行參數(shù)擬合的人工神經(jīng)網(wǎng)絡(luò)模型，具有網(wǎng)絡(luò)構(gòu)建簡單、訓(xùn)練算法豐富、映射能力強(qiáng)等特點(diǎn)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型。本研究構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱含層和輸出層構(gòu)成，鑒于對不同深度土壤溫度的預(yù)測并不復(fù)雜，因此只設(shè)置一層隱含層。

采用R語言實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建。輸入層包含14個神經(jīng)元，對應(yīng)14個氣象因子(x1、x2、x3、x4、x5、x6、x10、x11、x12、x13、x14、x16、x17、x21)的輸入；隱含層神經(jīng)元個數(shù)為10；輸出層是4個土壤層的溫度，包括4個神經(jīng)元。輸入層、隱含層和輸出層的傳遞方式分別設(shè)置為'purelin'、'logsig'以及'purelin'；模型擬合之前，對輸入層的14個初始因子進(jìn)行歸一化處理。

2 結(jié)果與分析

2.1 土壤溫度變化特征和規(guī)律

2.1.1 土壤溫度月均值變化 近5 a的各層土壤溫度變化趨勢一致(圖1A)，但各層土壤最低溫度和最高溫度出現(xiàn)時間不同。5 cm層最低溫度出現(xiàn)在2018年2月(-2.69 ℃)，其余各層低溫均出現(xiàn)在12月(10 cm為2014年12月，20 cm和30 cm為2017年12月)；各層最高溫度均出現(xiàn)在2015年，但觀察到高溫的月份有所差異(10 cm和20 cm深度最高溫度出現(xiàn)在7月，5 cm和30 cm出現(xiàn)在8月)。隨著土壤深度的增加，最低溫度由5 cm處的-2.65 ℃降低至20 cm處的-4.38 ℃，至30 cm深度，最低溫度又有所回升(-4.00 ℃)；最高溫度的變化趨勢與最低溫度相反：隨著土壤深度的增加，最高溫度由5 cm處的16.2 ℃升高至20 cm處的18.31 ℃，至30 cm最高溫度又下降至17.23 ℃。

圖1 土壤溫度2014年11月-2019年7月各月平均變化和年際變化

各層土壤溫度均值的年際變化呈現(xiàn)倒V形(圖1B)，2016年升至最高后到2018年降至最低。就各層土壤溫度的差異性而言，2018年差異性較大(最高、最低值相差0.51 ℃)，2015年次之(高低溫之差為0.33 ℃)，2016年和2017年差異相對較小(高低溫之差分別為0.18 ℃和0.14 ℃)。

2.1.2 土壤溫度日變化 研究期內(nèi)各層土壤溫度日均值變化趨勢一致(圖2A)：0:00-5:00時10 cm土壤溫度最高，6:00-13:00時5 cm溫度最高，20 cm土壤溫度最高在14:00-23:00，23:00-24:00時10 cm土壤溫度最高。與淺層5 cm土壤層溫度相比，深層土壤溫度的變異性較高；各土壤層從上到下最高溫度分別出現(xiàn)在3:00、22:00、18:00和20:00，最高值分別為5.99、6.59、8.26 ℃和6.95 ℃；最低溫度分別出現(xiàn)在17:00、13:00、10:00和11:00，溫度分別為5.70、5.42、4.37 ℃和4.38 ℃。

土壤溫度的日較差從大到小依次為20、30、10 cm和5 cm，日較差依次為3.89、2.57、1.17 ℃和0.29 ℃?？傮w而言，各層土壤溫度的變化趨勢雖一致，但并未呈現(xiàn)隨土壤深度增加而一致變化的趨勢；同樣，日較差也未呈現(xiàn)出隨土壤層遞減的趨勢，土壤層日較差最大值和最小值分別出現(xiàn)在20 cm和5 cm。

2.1.3 土壤溫度月變化 各土壤層的溫度月際動態(tài)呈倒U形(圖2B)，5、10 cm和20 cm深度土壤溫度從7月至次年2月逐漸降低，30 cm土壤的降溫過程則從8月開始。相應(yīng)地，5、10 cm和20 cm深度土壤的升溫過程在年內(nèi)持續(xù)至7月份，而在30 cm深度，升溫持續(xù)至8月份。在年內(nèi)不同時期，土壤最低溫度出現(xiàn)的深度不同：11月至次年2月間，20 cm深度土壤的溫度在各層中最低，9-10月和次年3月，30 cm深度土壤溫度在各層中最低；暖季土壤高溫亦如此(3-8月20 cm土壤溫度在各層中最高；9月至次年3月間，5 cm深度土壤溫度在各層中最高)。5 cm和10 cm土壤最低溫度出現(xiàn)在2月，20 cm和30 cm出現(xiàn)在12月，極值分別為-0.63、-1.00、-1.84 ℃和-1.39 ℃；5、10 cm和20 cm 深度土壤溫度在7月份達(dá)到最高，分別為15.58、16.76 ℃和17.69 ℃；30 cm土壤溫度在8月達(dá)到最高(16.48 ℃)，表明土壤自表層至深層熱量傳導(dǎo)出現(xiàn)滯后現(xiàn)象。

圖2 各土壤層溫度的日變化(A)、月變化(B)和月較差(C)

各土壤層溫度月較差從高到低依次是30、20、10 cm和5 cm，分別為42.12 ℃(7月)、26.18 ℃(6月)、13.87 ℃(9月)和9.56 ℃(9月)(圖2C)。各層土壤的月較差最小值較小，其中5、10 cm和20 cm在3月，分別為2.78 ℃、2.99 ℃和3.25 ℃；30 cm在11月為3.94 ℃。4-10月各層土壤溫度的月較差較大，11月-次年3月各層土壤溫度的月較差較小。

2.1.4 土壤溫度季節(jié)變化 依據(jù)已有研究，將研究區(qū)的季節(jié)進(jìn)行如下劃分：春季3-5月、夏季6-8月、秋季9-11月、冬季12月到次年2月[35]?？疾旄骷竟?jié)內(nèi)土壤溫度的日變化，發(fā)現(xiàn)春、夏、秋3季各層土壤溫度的日內(nèi)動態(tài)呈波動變化(圖3ABCD)，波動幅度由高至低依次為20、30、10 cm和5 cm；冬季各層土壤溫度日變化較為穩(wěn)定，平均溫度由高至低與春夏秋3個季節(jié)相反，其分別為5、10、30 cm和20 cm。

四季日均溫度中，春季和夏季最高溫度均出現(xiàn)在20 cm土壤層，最低溫度均出現(xiàn)在5 cm土壤層；秋季最低和最高溫度均在20 cm土壤層；冬季5 cm深度土壤溫度最高，20 cm最低。各土壤層溫度日較差的極小值出現(xiàn)在冬季，極大值出現(xiàn)在秋季。

土壤溫度日均值夏季最高，冬季最低；隨著土壤深度的增加，各季節(jié)土壤溫度的變化呈現(xiàn)出不同特征：春夏季先升高后降低，秋季持續(xù)降低，冬季先降低后升高(圖3E)?？疾旄骷竟?jié)土壤溫度日較差隨土壤深度的變化過程發(fā)現(xiàn)，冬季日較差變化較小，其余3季土壤溫度日較差從表層至深層均表現(xiàn)為先升高后降低的趨勢(圖3F)。

圖3 各土壤層的溫度季節(jié)變化(ABCD)、季節(jié)日均值(E)和日較差(F)

2.1.5 不同季節(jié)土壤溫度年際變化特征 考察2014-2019年各層土壤溫度的季節(jié)均值發(fā)現(xiàn)，春、秋、冬季總體變化趨勢一致，呈現(xiàn)出“N”形，夏季總體呈現(xiàn)下降趨勢(圖4)。具體而言，春季各層土壤溫度在2015-2017年上升，2018下降，至2019年除30 cm深度土壤溫度持續(xù)下降外，其他各層均上升；夏季總體上為下降趨勢；秋季各層土壤溫度逐年變化趨勢與春季相同；冬季各層土壤溫度的逐年趨勢均一致：2014-2015年上升，2016年與2015年相比變化不大，2017年降低，至2018年又有所回升。

圖4 不同季節(jié)土壤溫度年際變化

2.2 土壤溫度對氣象因子的線性響應(yīng)

2.2.1 土壤溫度與氣象因子的相關(guān)性 各氣象因子中，空氣溫度(最高、最低和平均)、氣壓(最大、最小和平均)、太陽輻射(最高和平均)、平均凈輻射以及最高凈輻射與土壤溫度呈正相關(guān)(表1)，其中空氣溫度(最高、最低和平均)、氣壓(最大、最小和平均)、太陽輻射(最高和平均)、平均凈輻射和最高凈輻射與土壤溫度的相關(guān)性達(dá)到極顯著水平。最小相對濕度與土壤層溫度負(fù)相關(guān)。其余氣象因子與土壤溫度的相關(guān)性較低。

表1 土壤各層的溫度與氣象因子的Pearson相關(guān)系數(shù)

隨著土壤深度的增加，空氣溫度(最高、最低和平均)、最大氣壓、太陽輻射(最高和平均)以及凈輻射(最高和平均)與土壤溫度的相關(guān)關(guān)系呈現(xiàn)先升高后降低的趨勢，相關(guān)系數(shù)在20 cm深度最高。氣壓(最大、最小和平均)與土壤溫度的相關(guān)性隨著土壤深度的增加呈倒V形，相關(guān)系數(shù)在10 cm層最高。最小相對濕度與土壤溫度的負(fù)相關(guān)性隨土壤深度的增加先升高后降低，相關(guān)系數(shù)的絕對值在20 cm處達(dá)到最高。

2.2.2 土壤溫度與氣象因子的回歸關(guān)系 選取8大類氣象因子做一元線性回歸分析結(jié)果表明(表2)，平均氣溫和平均氣壓對各土壤層溫度的決定系數(shù)最高且隨著深度的增加先升高后降低(在20 cm深度擬合效果最好)；平均凈輻射和平均太陽輻射次之，對各層土壤溫度的決定系數(shù)介于0.32-0.71之間，表明二者在一定程度上影響土壤溫度。

表2 土壤溫度與氣象因子之間的一元線性回歸模型

研究期內(nèi)(2014年11月到2019年6月)逐日觀測土壤溫度數(shù)據(jù)和氣象因子之間建立多元線性回歸方程可知，回歸模型在各土壤層的模擬效果較好(相關(guān)系數(shù)分別為0.93、0.95、0.96和0.95)，為進(jìn)一步檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性，選取2019年7月份共31天的觀測數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果表明(圖5)，5、10、20 cm和30 cm深度多元線性回歸模型預(yù)測值與觀測值之間的相關(guān)系數(shù)分別為0.27、0.53、0.74和0.70，表明隨著土壤深度增加，多元線性回歸模型的預(yù)測精度逐漸升高。

圖5 土壤溫度與氣象因子之間的多元線性回歸模型性能

采用整個研究期內(nèi)數(shù)據(jù)建立逐步回歸模型，結(jié)果表明，最大氣壓、最高氣溫和平均風(fēng)速對5 cm土壤層溫度具有顯著影響；最大氣壓、平均凈輻射和最高氣溫對10 cm土壤溫度的變異性具有較大貢獻(xiàn)；對20 cm土壤溫度的變異性貢獻(xiàn)較大的因子包括最高空氣溫度、最大氣壓和平均凈輻射；最大氣壓、平均凈輻射和平均風(fēng)速對30 cm土壤溫度的變異性影響較大(表4)。

表3 土壤溫度與氣象因子之間的多元線性回歸模型

表4 土壤溫度與氣象因子之間的逐步回歸模型

同樣選取2019年7月共31 d的觀測數(shù)據(jù)對逐步回歸模型進(jìn)行驗(yàn)證，結(jié)果表明，5、10、20 cm和30 cm深度逐步回歸模型預(yù)測值與觀測值之間的相關(guān)系數(shù)分別為0.48、0.61、0.76和0.61(圖6)，總體而言，逐步多元線性回歸模型優(yōu)于多元線性回歸模型，多元線性回歸模型僅在30 cm土壤層的性能優(yōu)于逐步多元線性回歸模型。

圖6 土壤溫度與氣象因子之間的逐步回歸模型性能

2.3 BP人工神經(jīng)網(wǎng)絡(luò)模型

觀測期內(nèi)(2014年11月到2019年6月)的氣象因子和土壤溫度作為訓(xùn)練樣本進(jìn)行BP人工神經(jīng)網(wǎng)絡(luò)的構(gòu)建，其中輸出目標(biāo)t為各土壤層的土壤溫度，預(yù)測變量P為氣象因子。設(shè)置最大訓(xùn)練次數(shù)為10 000，學(xué)習(xí)速率0.000 1，模型誤差達(dá)到目標(biāo)值(0.65×10-3)后，預(yù)測2019年7月各土壤層(5、10、20 cm和30 cm)溫度，并將預(yù)測溫度和實(shí)際觀測值進(jìn)行比較，得到模型的性能評價，結(jié)果表明(圖7)，BP人工神經(jīng)網(wǎng)絡(luò)對10 cm和20 cm土壤溫度的預(yù)測性能較好(相關(guān)系數(shù)分別為0.78和0.89)，其次為5 cm土壤(R=0.64)，對30 cm土壤溫度的預(yù)測性能較差(R=0.57)。

圖7 BP人工神經(jīng)網(wǎng)絡(luò)模型性能

對比BP人工神經(jīng)網(wǎng)絡(luò)模型與回歸模型，發(fā)現(xiàn)2類模型均對20 cm土壤溫度的預(yù)測效果較好，對30 cm土壤溫度的預(yù)測效果較差，且BP人工神經(jīng)網(wǎng)絡(luò)模型總體上優(yōu)于回歸模型。

3 結(jié)論與討論

3.1 結(jié)論

本研究表明，阿爾泰山森林生態(tài)站2014年11月到2019年7月，近5 a的月平均各層土壤溫度變化趨勢一致，但各層土壤最低溫度出現(xiàn)時間不同(2018年2月5 cm為-2.69 ℃、2014年12月10 cm為-3.50 ℃、2017年12月20 cm和30 cm分別為-4.85 ℃和-4.18 ℃)和最高溫度不同(2015年8月5 cm和30 cm分別為16.19 ℃和17.23 ℃、2015年7月10 cm和20 cm分別為17.37 ℃和18.31 ℃)；各層土壤溫度均值的年際變化呈現(xiàn)倒V形。

日變化中各層土壤溫度變化趨勢一致，但未呈現(xiàn)隨土壤深度增加而一致變化的趨勢，20 cm土壤層溫度變化最大，5 cm土壤層變化較小；同樣，日較差也未呈現(xiàn)出隨土壤層遞減的趨勢，日較差最大值和最小值分別出現(xiàn)在20 cm的3.89 ℃和5 cm的0.29 ℃。

各土壤層的溫度月際動態(tài)呈倒U形，5、10 cm和20 cm 深度土壤溫度在7月達(dá)到最高，分別為15.58、16.76 ℃和17.69 ℃，30 cm土壤溫度在8月達(dá)到最高為16.48 ℃，表明土壤自表層至深層熱量傳導(dǎo)出現(xiàn)滯后現(xiàn)象。

各土壤層溫度在春夏秋季變化較大，冬季變化較?。桓魍寥缹訙囟热蛰^差的極小值和極大值分別出現(xiàn)在30 cm冬季為1.64 ℃和20 cm秋季為25.53 ℃；土壤溫度日均值夏季最高均高于16.61 ℃，冬季最低于1.23 ℃。

空氣溫度、氣壓和太陽輻射等與土壤溫度的相關(guān)性達(dá)到極顯著水平；平均空氣溫度與各層土壤溫度的擬合關(guān)系最好(R>0.75)；土壤溫度預(yù)測表明，預(yù)測模型隨著土壤深度增加，其預(yù)測精度逐漸升高，且逐步多元線性回歸預(yù)測模型優(yōu)于多元線性回歸預(yù)測模型；BP人工神經(jīng)網(wǎng)絡(luò)模型總體上優(yōu)于回歸模型的預(yù)測性能，且20 cm土壤層的預(yù)測結(jié)果最好。

3.2 討論

3.2.1 土壤溫度的變化和氣象因子的相關(guān)分析 對阿爾泰山的各土壤層的土壤溫度的變化和氣象因子之間的關(guān)系進(jìn)行分析，結(jié)果表明各土壤層溫度的日、月和季節(jié)變化的總體趨勢一致，但土壤熱量傳輸未隨土壤深度遞減，與緱倩倩等[12]的結(jié)果不同；另外，發(fā)現(xiàn)相對于5、10 cm和30 cm土壤層，20 cm土壤層的溫度在日、月、季尺度上的變異性最高，與付皓宇等[10]的結(jié)果不同。唐振興等[36]和車宗璽等[26]研究表明土壤溫度的垂直變化存在滯后現(xiàn)象深層土壤溫度的變化趨勢滯后于淺層土壤。本研究發(fā)現(xiàn)土壤溫度月變化在30 cm出現(xiàn)滯后現(xiàn)象，但5、10 cm和20 cm的土壤溫度未出滯后性。

氣溫對土壤溫度的變異性影響較大，這與干旱區(qū)前人研究結(jié)果相同[12]，表明干旱區(qū)的土壤溫度主要受氣溫影響。涂鋼等[37]研究認(rèn)為影響東北半干旱區(qū)草地土壤溫度的關(guān)鍵因子為太陽輻射，而影響熱帶地區(qū)土壤溫度的關(guān)鍵因子則是降水[14]。因此，不同研究區(qū)域土壤溫度的主控因子具有差異性不同，表明氣候背景以及地表植被覆蓋可能是影響土壤溫度的主控因子。

3.2.2 土壤溫度預(yù)測模型的模擬 BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型和回歸模型均表明，隨著土壤深度的增加，模型擬合性能總體呈現(xiàn)降低趨勢，但對20 cm深度土壤的模擬效果較好，這與王選耀等[38]的研究結(jié)果不同，他們發(fā)現(xiàn)，隨著土壤深度的增加，各模型的性能存在下降趨勢，但下降程度存在分異。馮學(xué)民等[39]建立回歸方程對我國絕大多數(shù)地區(qū)土壤溫度進(jìn)行預(yù)測，發(fā)現(xiàn)回歸模型的預(yù)測較好，但此類模型在干旱區(qū)表現(xiàn)不佳。本研究通過對比得到BP人工神經(jīng)網(wǎng)絡(luò)總體上優(yōu)于回歸模型，與張修玉等[40]以及姚付啟等[41]的結(jié)果相一致。因此，建議在對干旱區(qū)土壤溫度進(jìn)行預(yù)測時，采用BP人工神經(jīng)網(wǎng)絡(luò)方法以獲得較為可信的預(yù)測結(jié)果。