1、节水灌溉Water Saving I基于机器学习算法模拟不同土壤深度含水率邓红艳1，吴宗俊2，崔宁博2，徐郁葭3，高颖3（1.咸阳市水利工作队，陕西 咸阳 712000；2.四川大学水力学与山区河流开发保护国家重点实验室，成都 610065；3.仁寿铧锐农业投资有限责任公司，四川 仁寿 620500）摘 要：准确模拟土壤水分（SM）对农田精准灌溉、优化区域水资源配置和提高农业水资源利用效率具有重要意义。采用逐日气象和土壤含水量数据，探究随机森林（RF）和支持向量机（SVM）模拟不同深度（4 cm、10 cm 和 20 cm）土壤含水量的适用性，采用太阳辐射（Rs）、空气温度（T）、降水量（P）
2、、风速（U2）、空气湿度（RH）和土壤温度（ST）数据的4种输入组合，探讨不同输入变量对SM模拟的影响。结果表明：RF模型在4种输入组合下模拟不同深度土壤含水量精度最高，SVM模型模拟精度较低，R2范围分别为0.8710.914和0.7100.814，RMSE 范围分别为 0.0500.069 cm3/cm3和 0.0800.098 cm3/cm3，MAE 范围分别为 0.0300.051 cm3/cm3和 0.0600.077 cm3/cm3。考虑模型精度和数据易获取性，RF模型在 Rs、T、P、ST和RH输入下精度较高，R2范围为0.8840.914，RMSE范围为0.0500.064 c
3、m3/cm3，MAE范围为0.0300.043 cm3/cm3。因此，建议采用RF模型在Rs、T、P、RH和ST输入下模拟不同土壤深度含水量。关键词：土壤水分；随机森林；支持向量机；土壤深度中图分类号：S152.7 文献标识码：A DOI：10.12396/jsgg.2022394邓红艳，吴宗俊，崔宁博，等.基于机器学习算法模拟不同土壤深度含水率 J.节水灌溉，2023（3）：38-47，60.DOI：10.12396/jsgg.2022394.DENG H Y，WU Z J，CUI N B，et al.Simulation of soil moisture at different dept
4、hs based on machine learning algorithms J.Water Saving Irrigation，2023（3）：38-47，60.DOI：10.12396/jsgg.2022394.Simulation of Soil Moisture at Different Depths Based on Machine Learning AlgorithmsDENG Hong-yan1，WU Zong-jun2，CUI Ning-bo2，XU Yu-jia3，Gao Ying3（1.Xianyang Water Conservancy Team，Xianyang 71
5、2000，Shaanxi Province，China；2.State Key Laboratory of Hydraulics and Mountain River Development and Protection，Sichuan University，Chengdu 610065，China；3.Renshou Huarui Agricultural Investment Co.LTD，Renshou 620500，Sichuan Province，China）Abstract：Accurate simulation of soil moisture(SM)is of great si
6、gnificance for precision irrigation of farmland,optimal scheduling of regional water resources and improving agricultural water utilization efficiency.In this study,daily meteorological and soil moisture data were used to explore the applicability of random forest(RF)and support vector machine(SVM)t
7、o simulate SM at different depths(4 cm,10 cm and 20 cm).Four input combinations of solar radiation(Rs),air temperature(T),precipitation(P),wind speed(U2),air humidity(RH)and soil temperature(ST)data were used to explore the impact of different input variables on SM simulation.The results showed that
8、 RF model had the highest accuracy in simulating SM at different depths under four input combinations,while SVM model had lower accuracy,with R2 ranging of 0.871文章编号：1007-4929（2023）03-0038-10收稿日期：2022-12-03基金项目：“十四五”国家重点研发计划项目(2021YFD1600803-1)；国家自然科学基金委优秀青年科学基金项目(51922072)；国家自然科学基金项目(52279041，51779
9、161，51009101)；四川省科技项目(2022YFN0021，2022YFQ0028，2022YFQ0066，2022YFQ0082)。作者简介：邓红艳（1981-），女，高级工程师，主要从事农业水利工程科技研究。E-mail：。通讯作者：崔宁博（1981-），男，教授，博士生导师，主要从事节水灌溉理论与技术研究。E-mail：。38基于机器学习算法模拟不同土壤深度含水率 邓红艳 吴宗俊 崔宁博 等0.914 and 0.7100.814,RMSE ranging of 0.0500.069 cm3cm-3 and 0.0800.098 cm3cm-3,and MAE ranging o
10、f 0.0300.051 cm3cm-3 and 0.0600.077 cm3cm-3,respectively.Considering model accuracy and data accessibility,RF model had high accuracy under Rs,T,P,ST and RH input,with R2 ranging of 0.8840.914,RMSE ranging of 0.0500.064 cm3cm-3,and MAE ranging of 0.0300.043 cm3cm-3.Therefore,RF model is recommended
11、to simulate SM in different soil depths under Rs,T,P,RH and ST input.Key words：soil moisture；random forest；support vector machine；soil depths0引 言土壤水分（SM）参与地表径流、深层渗漏、蒸散发和溶质运移等进程1，是影响生态、水文和气候等环境过程的重要参数2，在许多领域发挥着重要作用，如天气预报、作物产量估算和干旱监测3,4。因此，准确模拟SM对农业灌溉抗旱和区域水资源高效利用具有重要价值5。传统的土壤水分监测方法包括称重法、数字探头法等6。受气候条件、
12、地貌特征以及人类活动等因素的耦合影响7，土壤水分的时空分异性较大，传统测量方法存在时空分辨率低、样本不连续等问题8，在实际应用中存在局限性。为克服这一困难，研究学者9将机器学习模型应用于SM模拟。Bishop等10研究发现，机器学习模型优于概率方法、统计方法和近似理论。Carranza等11利用2016至2018年实测数据，采用随机森林模型（RF）预测小型农场集水区土壤水分，发现RF模型精度高于线性内插结果。薛晓萍等12运用SVM建立不同土层SM模拟模型，该模型可较好模拟010 cm土层SM。李彬楠等13采用山西省5个实验点的实测数据，基于BP算法建立黄土高原土壤水分模拟模型，相对误差平均值小
13、于5%。Feng等14比较极限学习机（ELM），广义回归神经网络（GRNN），反向传播神经网络（BPNN）和随机森林（RF）模型模拟半小时和日尺度SM，发现RF模型能够准确模拟各土层SM。聂春燕等15考虑土壤质地分类和不分类2种情况，分别基于支持向量机和神经网络模型模拟SM，结果表明，支持向量机模型的模拟效果普遍优于神经网络模型。以前研究学者对土壤水分的研究主要集中在土壤表层16,17，但对深层土壤水分模拟还有待探索。由于太阳辐射（Rs）直接影响土壤蒸发和植株蒸腾18，对土壤水分有重要影响，而以往基于机器学习模型模拟SM的研究中，很少采用太阳辐射为模型的输入参数。本研究采用随机森林（RF）和支
14、持向量机（SVM）模型模拟中国西北地区3个深度（4 cm、10 cm和20 cm）日土壤含水率，以空气温度、相对湿度、风速、太阳辐射、降雨和土壤温度要素组合为4种输入变量，利用2013-2016年数据构建2种机器学习模型，采用2017年数据验证模型模拟结果，探究2种机器学习模型在不同输入下模拟不同深度日SM能力。1材料与方法1.1实验站点与数据源本研究在中国西北部青海省祁连县的雨养玉米田进行（38258N，100282E，3 818 m），连续5年观测（2013年1月 1日至 2017年 12月 31日）。研究区属于温带大陆性气候，土壤类型为壤土，日均气温、相对湿度和年降雨量分别为9.5、45
15、%和232.4 mm。气候变量由气象站自动监测，其中包括相对湿度（RH）、空气温度（T）、太阳辐射（Rs）、风速（U2）和降雨量（P）等。4 cm、10 cm 和 20 cm 深度土壤含水率（SM）和温度（ST）采用WATERNET传感器监测，观测频率为1 h，各测量变量的统计汇总见表1。为了获取日土壤含水率，将半小时的数据平均得到日数据。在 1月至 5月五年的风速变化几乎相同，直到6月底下降，之后浮动变化较小，年均风速分别为2.11、2.04、2.09、2.14和 2.84 m/s。5 a全球太阳辐射呈现典型的季节性变化，从1月至8月增加，然后下降至12月，年均太阳辐射分别为11.39、10
16、.06、10.16、10.47和10.56 MJ/（m2表12013-2017年各测量变量统计汇总Tab.1Statistical summary of each measured variable from 2013 to 2017统计值平均值最大值最小值SxCvT/9.5029.45-21.0511.421.20Rs/(MJm-2d-1)10.5321.633.584.990.47U2/(ms-1)2.277.400.670.840.37RH/%45.59100.0010.0016.690.37P/mm0.3132.700.001.494.78ST-4 cm/1.9516.30-11.356.783.47SM-4 cm/(cm-3cm-3)0.280.690.050.190.69ST-10 cm/1.7914.26-10.006.023.36SM-10 cm/(cm-3cm-3)0.260.580.050.170.64ST-20 cm/1.6212.83-7.775.173.20SM-20 cm/(cm-3cm-3)0.220.560.030.160.72注：T、Rs、U2、RH和