1、常熟地区水稻土饱和导水率的间接方法研究 *张均华 1,2 刘建立 1* 朱安宁 1（1. 中国科学院南京土壤研究所，南京 210008；2. 中国科学院研究生院，北京 100049）摘要：作为直接试验的一种替代方法，利用土壤基本物理性质通过土壤转换函数预测饱和导水率简便易行，成本低廉，并且预测精度能满足实际研究的需要。本研究利用目前得到较多应用的 9 种基于多元回归分析建立的转换函数来构建、校正预测土壤饱和导水率的经验公式，并与人工神经网络方法相比较。结果表明，人工神经网络总体预测效果要优于基于多元回归分析建立的转换函数，并且 Cosby(1984)在输入参数较少的基础上预测饱和导水率精度最高
2、。本文以 Cosby(1984)预测常熟水稻土壤饱和导水率，进一步利用 GIS 的空间描述能力与函数的定量分析能力，得到区域尺度饱和导水率的分布状况，为该地区区域尺度数值模拟的运行提供基础参数支持。关键词：土壤饱和导水率；多元回归函数；人工神经网络；GIS中图分类号：S152.7 文献标识码：A饱和水力传导率（K s）是重要的土壤水力学参数，是定量分析土壤水分入渗、地表产流等过程的基础。土壤特别是表层土壤饱和导水率空间变异性非常强烈，需要采集大量样本或进行田间现场测定才能得到一个较大空间尺度上的饱和导水率空间分布 1。但是通常认为室内填装样本的测定结果无法表征田间原始状态。田间原位测定土壤饱和
3、传导率的方法主要有 Guelph 渗透仪、流速渗透仪、圆盘渗透仪和双管法。由于时间，人力成本等问题，原位测定仅能用于有限的点，无法满足较大空间尺度（如区域上）的研究。已有的研究表明，土壤粒径组成，容重，有机质含量等基本土壤性质与饱和导水率之间存在一定关系，可以通过常规土壤调查中积累的大量基本土壤性质资料间接估算或预测区域尺度饱和导水率的空间分布 2-5。并且在许多实际问题中，间接方法的预测结果也能提供足够精度的 Ks 预测值。但到目前为止，在长江中下游典型水稻土上的应用很少有报道。本文即由此出发，以江苏常熟市为研究区域，利用目前得到较多应用的基于多元回归分析的土壤转换函数(Pedo-trans
4、fer functions，简称 PTFs)来构建、校正预测土壤饱和导水率的经验公式，并与人工神经网络方法(ANN)相比较。进一步利用 GIS 的空间描述能力与函数的定量分析能力，对区域尺度的饱和导水率做出定量描述与评价，为区域尺度数值模拟的运行提供基础参数支持。1 材料与方法1.1 数据来源土壤转换函数方法普遍存在明显的地域局限性。为克服转换函数的区域适用性问题，建立 PTFs 时除采用 45 个常熟水稻土样本外，还利用地跨河南封丘、长垣、延津、原阳四县的天然文岩渠流域潮土样本 169 个，以及随机选取 UNSODA 数据库 6中各种质地类型的土壤样本 289 个，共计 503 个样本数据。
5、水稻土和潮土饱和导水率由 ALFranklin Engineers 生产的圆盘渗透仪(CSIRO disc permeameter)现场测定。土壤基本性质包括粒径组成、容重、有机质含量等，常规方法室内测定。土壤特征水分含量数据(如饱和含水量和-33 kPa 含水量)根据土壤转换函数预测 7。基金项目： 研究工作得到所知识创新工程领域前沿项目（ISSASIP0719） ，支撑计划课题（2006BAD10A06-03） ，973 计划课题（2005CB121103 ） ，863 专题课题（2006AA10Z208）的资助。作者简介：张均华(1983-)，博士研究生，主要从事区域土壤水分溶质运移模拟
6、研究。Email:*通讯作者：刘建立，Email:1.2 分析方法1.2.1 土壤转换函数选用上世纪八十年代以来得到较多应用的 9 种 PTFs，从 503 个样本数据中随机选取336 个构建 PTFs。通过与实测值比较，重新优化函数系数。剩余 167 个样本检验函数的预测能力，以期得到一个饱和导水率预测值与实测值最为接近的 PTFs。在对函数系数进行优化处理时采用了自行编制的基于改进的 Levenberg-Marquard 算法的 FORTRAN 程序。ANN方法通过非线性迭代可以获得输入基本性质与输出饱和导水率之间（理论上）的最优关系。本研究应用无内部反馈的误差反向传播前向神经网络（BP
7、网络）对随机选取的 336 个样本数据进行训练，剩余 167 个样本数据进行验证。进而对 ANN 与 PTFs 进行比较。研究表明，Ks 多服从正态分布，因此本文在对 Ks 实测值进行对数转换的基础上进行 Ks 的预测、比较。表 1 用于本研究的预测饱和导水率的土壤转换函数Table 1 The Pedo-transfer functions in this study函数来源Function Source自变量个数Independent Variable输入变量Input variableCosby(1984)8 2 Sand, Clay,Puckett(1985)9-10 1 ClaySa
8、xton(1986)9-10 3 Sand, Clay, SDanePuckett(1992)11 1 ClayRawls(1992)12 3 Sand, Clay, PorosityCampbellShiozawa(1994)913 2 Sand, ClayWosten(1997)14 4 Silt, Clay, BD, OMWosten(1999)15 4 BD, OM, Sand, ClayKC 方程(1999) 16 4 Sand, Clay, S, 33注：Sand土壤砂粒含量（%） ； Silt土壤粉粒含量（% ） ； Clay土壤黏粒含量（%） ；BD 土壤容重(g/cm3)；
9、OM土壤有机质（ %） ；Porosity土壤孔隙度（% ） ； 33 土壤水势为-33kPa 时土壤水分含量（cm 3/cm3） ； S 土壤饱和水分含量（cm 3/cm3） 。1.2.2 转换函数预测精度评价本文根据均方根误差、确定性系数以及 Akaike 信息准则评价土壤转换函数的预测精度。(1)均方根误差(Root mean square error, RMSE)，计算 Ks 预测值的平均精度：NiiyRMSE1)/(2（1）(2)确定性系数(Coefficient of Determination,R2),反映预测值和实测值相关性的重要指标：NiiiyR122)(（2）（3）Akai
10、ke 信息准则（Akaikes information criterion, AIC） 11,评价方法的实用性。一种方法中需要涉及的参数越多，其实用性就会下降，最好的方法应该有最小的AIC。npiyNAICi 2)(ln1（3）公式(1)至（3）中， 表示实测值， 表示预测值，N 表示样本数，np 为涉及的参数数ii量。1.2.3 饱和导水率的区域尺度扩展在对比 ANN 与 PTFs 基础上，利用预测 Ks 效果最好的方法预测常熟水稻土耕层土壤204 个采样点的 Ks。结合 GIS 的空间描述能力与函数的定量分析能力，进行点数据的区域尺度扩展，以期为区域尺度数值模拟的运行提供基础参数支持。图
11、1 为常熟市 204 个采样点的空间分布 1。图 1 常熟市 204 个采样点空间分布Fig.1 The spatial distribution of Changshu in 204 samples2 结果与分析2.1 基于多元回归分析建立的土壤转换函数预测饱和导水率精度通过 9 种 PTFS 预测 Ks对比实测值分析发现，各函数预测精度总体不高。AIC 值平均2596.141，RMSE 平均 2.62（cm.d -1） ，R 2平均 0.49. 可以看出几乎所有函数模型均用到粒径分布数据，这些土壤物理性质比较容易获得，所以为预测 Ks提供可能。但也有不少函数预测值与实测值差距较大，需要重新
12、进行数据拟合，优化函数系数。2.2 基于多元回归分析的土壤转换函数优化函数的可靠性通过对不同于构建函数时的独立序列的预测能力来评价 17。本研究在兼顾各种质地属性的基础上，以随机选取的 336 个样本构建 PTFs，剩余 167 个样本检验其可靠性。这样通过数据拟合得到的优化系数能更好的反映现有土壤饱和导水率。KC 方程在公式中没有系数，不用进行优化设置。表 2 调整系数后多元回归分析预测 167 个样本点饱和导水率与神经网络方法比较Table 2 Comparison of Predictive value between adjusted PTFs and ANN in 167 sampl
13、es多元回归分析优化系数后比较Comparison of Ks by adjusted PTFs人工神经网络方法比较Comparison of Ks by ANN 饱和导水率saturated hydraulic conductivity AIC RMSE(cm.d-1) R2 AIC RMSE(cm.d-1) R2Cosby(1984) 717.774 0.656 0.651 592.736 0.587 0.7941 张福锁,朱兆良. 农田生态系统氮素行为与氮肥高效利用Puckett(1985) 727.366 0.679 0.577 618.812 0.662 0.708Saxton(19
14、86) 717.901 0.682 0.590 603.085 0.624 0.736DanePuckett(1992) 727.366 0.699 0.498 618.812 0.662 0.708Rawls(1992) 697.672 0.614 0.600 587.224 0.595 0.727CampbellShiozawa(1994) 717.774 0.677 0.641 592.736 0.587 0.794Wosten(1997) 702.180 0.615 0.495 581.437 0.578 0.764Wosten(1999) 1072.659 1.875 0.241 6
15、10.210 0.576 0.746KC 方程(1999) 1195.963 1.729 0.598 603.643 0.625 0.744表 2 为优化系数后 PTFs 生成的 Ks 预测值与 ANN 方法生成的 Ks 对比实测值分析。可以看出，PTFs 调整系数后 AIC 比原来有很大程度的降低，线性相关性也有很大提高，K s预测值与实测值之间差异性显著下降。Cosby(1984), Rawls(1992) 、CampbellShiozawa(1994)、Wosten(1997)这四个函数预测 Ks 效果较好。Wosten(1997) 输入参数比较多，理论上参数越多，预测效果越理想。但随着
16、输入参数的增多，采用土壤转换函数的主要优势（即实用性）也会减弱。所以本研究选择 Cosby(1984)作为预测 Ks 的最佳函数。图 1-a 为 Cosby(1984)饱和导水率实测值与预测值之间的对比分析。a00.511.522.533.50 0.5 1 1.5 2 2.5 3 3.5土 壤 饱 和 导 水 率 实 测 值 log(Ks)/cm.d-1Measured value of log(Ks)/cm.d-1土壤饱和导水率预测值log(Ks)/cm.d-1Predictedvalueoflog(Ks)/cm.d-1 b00.511.522.533.50 0.5 1 1.5 2 2.5
17、3 3.5土 壤 饱 和 导 水 率 实 测 值 log(Ks)/cm.d-1Measured value of log(Ks)/cm.d-1土壤饱和导水率预测值log(Ks)/cm.d-1Predictedvalueoflog(Ks)/cm.d-1图 2 Cosby(1984)多元回归函数与人工神经网络对饱和导水率的预测值与实测值比较Fig. 2 Comparison of Ks between ANN and Multiple regression analysis of Cosby(1984)通过与优化后 PTFs 预测能力比较，可以发现 ANN 方法总体上精度更高。其中以Cosby(1
18、984)，Rawls(1992) ， Wosten(1997)参数为输入变量的 ANN 预测效果比较好。Cosby(1984)输入参数少，在保证预测精度下能有较高的实用性，所以本研究选择Cosby(1984)的输入参数作为 ANN 方法的输入变量，即根据砂粒含量与黏粒含量预测 Ks。图 1-b 为 ANN 方法根据砂粒含量与黏粒含量建立的 Ks 预测值对比实测值分析。2.3 土壤基本性质对饱和导水率影响性分析通过相关性分析，可以识别出影响 Ks 的关键因素。表 3 为土壤基本性质与 Ks 相关性分析。可以看出 Ks 多与砂粒含量、孔隙度成正相关，而与粉粒、黏粒含量，-33Kpa 时水分含量成负
19、相关，这是因为大孔隙占饱和水运动的大多数。土壤质地和结构与导水率也有直接关系，砂质土壤通常比细质土壤具有更高的饱和导水率，同样，具有稳定团粒结构的土壤，比不稳定团粒结构的土壤，传导水分要快得多，后者在潮湿时结构被破坏，黏粒和粉砂粒阻塞较大孔隙的连接通道。表 3 转换函数所用参数与饱和导水率相关性分析Table 3 Correlation Analysis between parameters and Ks土壤基本性质soil physical properties土壤饱和导水率saturated hydraulic conductivitySand 0.668*Silt -0.645*Clay
20、 -0.467*BD -0.183*Porosity 0.428*OM -0.04733 -0.423*S -0.091注：*表示置信度达 95%，*表示置信度达到 99%由表 3 还可以看出 Ks 与土壤粒径分布数据相关性较好，与容重，孔隙度等数据相关程度次之。所以本研究用 Cosby(1984)预测 Ks 在实际应用中是可行的。图 3 为以 Cosby(1984)的输入参数作为 ANN 输入变量预测常熟水稻土 15 个采样点 Ks 与实测值比较。RMSE 为0.192，R 2 为 0.937,可见以砂粒含量与黏粒含量预测 Ks 在较大尺度研究中能满足精度需要。00.511.520 0.5
21、1 1.5 2常 熟 15个 样 本 数 据 Ks实 测 值 log(Ks)/cm.d-1Measured log(Ks)of 15 samples in Changshu/cm.d-1常熟15个样本数据Ks预测值log(Ks)/cm.d-1Predicted log(Ks)of 15 samples in Changshu/cm.d-1图 3 神经网络方法-Cosby(1984)预测常熟 15 个样本点饱和导水率Fig. 3 Predicted value of Ks in Changshu by ANN-Cosby(1984) in 15 samples2.4 饱和导水率的区域尺度扩展图
22、4 常熟市饱和导水率空间分布Fig. 4 Distribution of Saturated Hydraulic Conductivity in Changshu通过上述分析，可以发现 ANN 方法预测 Ks 效果总体上要优于 PTFs。其中根据砂粒含量与黏粒含量预测的 Ks 与实测值最为接近。所以本研究以苏州常熟市范围内耕层土壤 204个采样点的土壤粒径分布数据为基础，以 Cosby(1984)的输入参数作为 ANN 输入变量，预测采样点 Ks。通过对采样点 Ks 进行地统计学插值，将点源数据扩展到区域尺度。图 4 为常熟地区耕层 Ks 的空间分布状况。从图中可以看出粒径分布的空间状况，西部
23、砂粒含量高于东部，黏粒含量与之相反，而 Ks 的空间分布规律与砂粒相似，这与表 3 相关分析中所揭示的结果相符合。3 结论土壤转换函数具有易获取输入数据，节省调查采样成本，计算简单等特点。本研究通过构建、校正 PTFs，并与 ANN 方法比较，探求最大区域适用性的土壤转换函数。进一步的利用 GIS 的空间描述能力与函数的定量分析能力，对区域尤其是水稻土的 Ks 做出定量描述与评价，这对于该地区区域尺度数值模拟运行中基础参数的获得有非常重要的实际意义。通过分析发现PTFs与ANN中预测K s效果最好的均为Cosby（1984）。相关性分析中，Ks与土壤粒径分布数据相关程度最高，所以本研究选择Co
24、sby（1984）预测不同质地属性的Ks能满足精度需要。Cosby（1984）输入参数较易获得，这就为转换函数的实际应用提供了可能。而ANN对K s的预测效果总体优于PTFS ，这是由于ANN通过非线性迭代可以获得输入基本性质与输出K s之间的最优关系。 参考文献1 Klute A, Dirken C. Hydraulic conductivity and diffusivity: Laboratory methods. In: Klute A(ed.) Methods of soil analysis. Part 1. Physical and mineralogical methods.
25、2nd edition. Soil Science Society of America, Madison, Wis. 1986, 687734.2黄元仿, 李韵珠. 土壤水力性质的估算土壤转换函数 J. 土壤学报, 2002, 39(4): 517-523.3 van Genuchten, M.T., 1980. A closed-form equation for predicting the hydraulic conductivity of unsaturated soilsJ. Soil Sci. Soc. Am. J. 44, 892898.4朱安宁, 张佳宝, 陈效民等. 封丘地
26、区土壤传递函数研究 J. 土壤学报, 2003, 40(1): 53-58.5刘建立, 徐绍辉 , 刘 慧. 估计土壤水分特征曲线的间接方法研究进展J. 水利学报. 2004, 2: 68-76.6 Minasny, B., A.B. McBratney. 2001. The Australian soil texture boomerang: a comparison of the Australian and USDA/FAO soil particle-size classification systems. Aust. J. Soil Res., 2001, 39, 14431451.
27、7 Saxton, K.E. and W.J. Rawls. 2004. Soil water characteristic estimates by texture and organic matter for hydrologic solutions. Proc. , Soil Sci. Soc. Amer. International Conference, Seattle, WA Nov. 1-3, 2004.8 Cosby, B.J., G.M. Hornberger, R.B. Clapp, T.R. Ginn. 1984. A statistical exploration of
28、 the relationship of soil moisture characteristics to the physical properties of soils. Water Resources research, 20(6):682-690.9 Minasny, B., A.B. McBratney. 2000. Evaluation and development of hydraulic conductivity pedotransfer functions for Australian soil. Australian Journal of Soil Research, 3
29、8: 905-926.10 Puckett, W.E., J.H. Dane, B.F. Hajek. 1985. Physical and mineralogical data to determine soil hydraulic properties. SSSAJ, 49:831-836.11 Minasny, B., A.B. McBratney. 2000. Evaluation and development of hydraulic conductivity pedotransfer functions for Australian soil. Australian Journa
30、l of Soil Research, 38: 905-926.12 Rawls, W.J., L.R. Ahuja, D.L. Brakensiek. 1992. Estimating soil hydraulic properties from soils data. In: M. Th.van genuchten, F.J. Leij, and L.J. Lund (eds) Indirect Methods for Estimating the Hydrauli Properties of Unsaturated Soils. University of California, Riv
31、erside,329-340.13 Campbell, G.S., S. Shiozawa. 1992. Prediction of hydraulic properties of soils using PSD and bulk density data. pp. 317-328. In M. Th.van Genuchten et al. (eds) Proceedings of Inter. Workshop on Indirect Methods for Estimating the Hydraulic properties of Unsaturated Soils.14 Wosten
32、, J.H.M. 1997. Pedotransfer functions to evaluate soil quality. In Gregorich E.G., Carter M.R. (eds), Soil Quality for Crop Production and Ecosystem Health. Development in Soils Science, Vol. 25, Elsevier, Amsterdam, pp. 221-245.15 Wosten, J.H.M., A. Lilly, A. Nemes, C. Le Bas. 1999. Development and
33、 use of a database of hydraulic properties of European soils. Geoderma, 90:169-185.16 Pachepsky, Y.A., D.J. Timlin, L.R. Ahuja. 1999. Estimating saturated soil hydraulic conductivity using water retention data and neural networks. Soil Science, 164(8): 552-560.17 Wosten J H M, Pachepsky Y A, Rawls W
34、 J. 2001. Pedo-transfer functions: bridging the gap between available basic soil data and missing soil hydraulic characteristics. Journal of Hydrology . 251: 123150.Indirect methods to estimate saturated soil hydraulic conductivity in paddy soil of ChangshuZHANG Jun-hua1,2, LIU Jian-li1*, ZHU An-nin
35、g1(1. Institute of soil science, Chinese academy of sciences, Nanjing 210008,China; 2. Graduate University of Chinese Academy of Sciences, Beijing 100049,China)Abstract: As an alternative approach of direct experiment, using soil physical properties to estimate saturated hydraulic conductivity by pe
36、do-transfer functions is simple, reliable and economical and prediction accuracy can meet the needs of practical research. In this study, 9 kinds of widely used multiple regression function were selected to build and correct empirical formula to estimate saturated hydraulic conductivity and then com
37、pared to artificial neural network. The results showed that overall prediction effect of artificial neural network was superior to multiple regression analysis. Based on less input parameters, Cosby (1984) provided highest accuracy. In this paper, saturated hydraulic conductivity of paddy soil in Ch
38、angshu was estimated by best effect Cosby (1984). Further, spatial ability of GIS and quantitative analysis of function were jointed to obtain the distribution of saturated hydraulic conductivity in regional scale, and they could provide basic parameters for numerical simulation in the region.Key words: saturated hydraulic conductivity; multiple regression function; artificial neural network; GIS
