半干旱区土壤水分动态模拟及预测

半干旱区土壤水分动态模拟及预测

王敬茹

山东科技大学山东泰安271000

摘要：对于土壤水分的动态模拟及预测是防旱抗旱、调控植被生长与土壤水分关系的基础，同时也是解决干旱问题的科学依据。对于这一问题，我们首先对数据进行了统计学研究，以寻找土壤水分的动态变异特征，重点讨论了土壤的周期性变异特征。然后用深度学习的Seq2Seq模型对数据进行了模拟和预测。结果表明，基于Seq2Seq模型的土壤水分动态模拟和预测效果较好。

关键词：土壤水分；时间序列；Seq2Seq；统计分析

土壤水分对于整个生态系统的平衡有着重要的影响，土壤水分不足或者是过多都会影响植物的正常生长。在没有土壤水分的状况下，植物很容易因缺水状况而死亡；当土壤水分不足的时候，植株会比较的矮小，无法进行正常的生长；当土壤水分充裕的时候，植株能够健壮地生长，同时可以高产；当土壤水分过多，也会导致植株的根部无法正常呼吸而死亡。由此可见，土壤水分含量的变化直接关系到植被的生长与存活。

一、半干旱区土壤水分问题分析概述

由于本文研究的是半干旱地区土壤水分的变化情况，土壤水分的来源仅仅依靠降雨，一个地区的降雨量具有很强的季节性，因此土壤水分的变化也应该有一定的季节性。由于降雨具有突发性，因此土壤中的水分在降雨前后可能会发生突变。因此，以月和季度为时间尺度的土壤水分变化可能规律性更强。很明显，土壤水分的变化是一个时间序列，因此我们可以先对它进行自相关和偏自相关性分析，选择合适的时间序列模型进行模拟和预测。对于土壤水分变化情况的模拟和预测，我们可以看成是从一个序列到另一个序列的映射问题，即Seq2Seq问题，且数据足够多。因此可以采用基于循环神经网络（RNN）的Encoder-Decoder框架来解决这一问题。

二、土壤水分动态的变异特征

2.1变异特征的讨论

土壤水分动态的变异特征就是土壤水分的变化情况，而土壤水分的变化情况可以通过以下几个方面来描述：土壤水分变化的趋势性、土壤水分变化的周期性、土壤水分变化的波动性。

关于土壤水分变化的趋势性，通过所搜集数据分析，四种土壤的含水量都围绕某一数值上下波动，并无明显的向上或向下的变化趋势。

关于土壤水分变化的周期性，通过所搜集数据可以看出四中类型的土壤均具有一定的周期性，但在不同时间尺度上的周期性并不相同。

2.2不同时间尺度上周期变化规律

通过前面的讨论，我们发现四种类型的土壤都具有一定的周期性，但在不同时间尺度上的周期性并不相同，因此在这里，我们对各类土壤在不同时间尺度上的周期性做详细的讨论。首先，先利用不同时间尺度的数据，做出各类土壤在不同时间尺度上的变化图，根据图像的变化情况，做出定性分析。然后利用SPSS软件的季节性分解功能，计算季节性调整因子（SAF），以此来定量的分析各类土壤的周期性强弱。下面从定性的角度对其变化规律进行阐述。

以日为时间尺度

在这里，我们选取了一个月（30天）的数据进行绘图，如下：

图1土壤水分周期变化图（日）

从上图中可看出类型一的土壤水分含量在逐日降低，但变化幅度并不明显；类型二，和类型三的土壤含水量有明显的波动，类型四的土壤水分含量一直在逐渐降低但幅度不大，直到月末开始出现小幅的上升。因此，在以日为时间尺度来看，类型一和类型四有变化但几乎没有周期性，类型二和类型三都有周期性的变化但不是特别明显。

（2）以月为时间尺度

在这里，我们选取3年（36个月）的数据进行绘图，在此就不进行展示。通过图表可看出类型二，类型三，类型四的变化比较剧烈，有明显的周期性，而类型一则比较平滑，由于在图中没有看出有两个相同的周期，所有不能判断有无周期性，类型二到类型四的周期大致都为16个月左右。

（3）以季度为时间尺度

四种类型的变化均具有周期性，类型一的周期大致为四个季度左右，而类型二到类型四的周期大致为五个季度左右，类型三和类型四的变化趋势相似，说明这两者土壤的相似性较高，类型一和类型二的土壤水分变化幅度较大，而类型三和类型四的变化幅度相对较小。

（4）以年为时间尺度

以年为时间尺度的土壤水分变化，由于数据较少，只有四年的数据（由于2013年和2018年的数据不全，所以不予统计），只能进行猜测。从图中可以看出，类型二到类型四的土壤水分含量都是一年升高然后下一年下降，所有推测周期为两年，而类型一则逐年上升，没有体现出周期性。

三、基于深度学习的模拟及预测模型

3.1模型的参数

使用Tensorflow构建模型。在这里，编码端网络定义为2层循环网络，每层12个GRU；解码端网络由单层GRU网络构成；这样Seq2seq框架每个时刻将会有12个输出，因此还需要通过循环在每个时刻下加入一个全连接层，同时，为了防止过拟合，对Seq2seq循环网络中的参数使用了l2-loss正则，由于最后一个全连接只是起到转化作用，就忽略不做l2-loss正则了。L2的调节因子设为0.003，学习率设为0.04。优化器使用AdamOptimizer。选择均方根误差MSRER(RootMeanSquareError，RMSE)作为衡量预测值和实际值的标准

3.2预测的结果

使用以小时为时间尺度的类型一的数据和以天为时间尺度的类型二的数据进行预测，下图是对类型一的预测（仅展示类型一）：

图2预测结果图（类型1）

其中，蓝线是用于训练和测试的数据，红线是网络预测的数据，绿线是实际的数据，X轴的单位是小时，X轴开始和结束的刻度是起止日期。从图中可以看出，实际数据和预测的数据相差很小，预测效果比较理想。

结语：

半干旱地区土壤水分的来源仅仅依靠降雨，故土壤水分的动态模拟是土壤墒情检测及预报的重要内容。为提高土壤水分动态的模拟精度，提高水管理的效率，需要依据土壤水分状况，调控植被生长与土壤关系，而检测和预报土壤水分是防旱抗旱、调整植被生长与土壤是关系的基础。

参考文献：

[1]刘洪斌武伟魏朝富谢德体.AR模型在土壤水分动态模拟中的应用[J].山地学报,2004年1月,22卷(1期):121～125页.

[2]杨绍辉.ARIMA模型预测土壤墒情研究[J].干旱地区农业研究,2006年3月,第24卷(第2期):114-118.

[3]路宽.多层Bi-GRU的Seq2seq网络短期电力负荷预测模型[J].计算机工程与应用,2017,53(增刊):132-138.