CN115825387B - 一种基于气象要素的月尺度土壤湿度预测方法 - Google Patents

Abstract

本发明公开了一种基于气象要素的月尺度土壤湿度预测方法，包括：获取长时间序列的月尺度气象要素和土壤湿度数据，分为率定期和检验期；使用率定期数据，求出各气象要素对土壤湿度的月尺度有效影响时间尺度T_ef；使用率定期数据，利用T_ef下的气象要素数据建立关于土壤湿度的多元线性回归模型a，得到预测月尺度土壤湿度a。本发明利用有效影响时间尺度下的月尺度气象要素数据，建立关于月尺度土壤湿度多元线性回归模型，进而提高了对土壤湿度的预报精度，并且也证实了有效影响时间尺度的有效性和可行性，提供的数据产品可为水文模型应用、生态资源评估等作参考依据。

Description

一种基于气象要素的月尺度土壤湿度预测方法

技术领域

本发明属于土壤湿度预报技术领域，具体涉及一种基于气象要素的月尺度土壤湿度预测方法。

背景技术

土壤湿度对于调节不同时间尺度上的陆地-大气相互作用至关重要。一方面，土壤水分具有独特的持久性特征，其持久性可以潜在地提高季节性气候预测效果。另一方面，一个地区的土壤湿度时间变化是定义区域气候的基础。

目前，估算土壤湿度的方法有很多，主要集中在同化算法上，并至少利用以下两种主要技术中的一种:遥感和陆地表面建模。遥感主要涉及被动和主动微波信号；陆面模型通常用于估算土壤湿度，通常包括Noah和SSiB陆面模型。此外，前人还将陆地表面建模的动力学与遥感相结合，以估计土壤湿度。

现有的土壤湿度计算方法存在以下不足：(1)遥感技术通常存在数据处理复杂、空间分辨率低的问题；(2)模型结构、模型参数率确定和气象强迫数据对陆面模型的精度影响较大；(3)大多数模型忽略了土壤湿度变化对各气象因子响应的滞后性。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于气象要素的月尺度土壤湿度预测方法，利用有效影响时间尺度下的月尺度气象要素数据，建立关于月尺度土壤湿度多元线性回归模型，此方法不需要使用复杂的模型和数据，同时考虑了土壤湿度变化对各气象因子响应的滞后性，以此提高了对土壤湿度的预报精度，并且证实了有效影响时间尺度的有效性和可行性，有利于提高一套数据产品、水文模型应用、生态资源评估和预报土壤湿度等的可靠性。

技术方案：为实现上述目的，本发明提供一种基于气象要素的月尺度土壤湿度预测方法，包括如下步骤：

S1：获取长时间序列的月尺度气象要素和土壤湿度数据，将所得数据分为率定期和检验期；

S2：使用率定期数据，利用Spearman等级相关系数和学生t(Student’s t-test)检验求出各气象要素对土壤湿度的月尺度有效影响时间尺度T_ef；

S3：使用率定期数据，利用T_ef内的气象要素多月平均值或累积值建立关于土壤湿度的多元线性回归模型a；

S4：将检验期T_ef内的月尺度气象要素数据代入多元线性回归模型a，得到预测月尺度土壤湿度a。

进一步地，所述步骤S1具体为：

获取研究区域内长时间序列的气象数据和土壤湿度数据；

将气象数据和土壤湿度数据计算为月平均值或月累积值形成月尺度气象数据和月尺度土壤湿度数据，分为率定期和检验期；

求出检验期内的土壤湿度面平均值。

进一步地，所述步骤S2具体为：

A1：利用Spearman等级相关系数和t检验计算当月的气象要素对该月土壤湿度是否会产生显著影响；

若没有显著相关关系，则T_ef为0，停止进一步检验；如有显著相关关系，则T_ef至少不小于1个月，进行步骤A2；

A2：继续检查2个月尺度上气象要素对土壤湿度的影响，即追溯到前面1个月份，考察这一个月与当月的气象要素值的平均值或累积值与当月土壤湿度之间是否存在显著相关性：如否，则T_ef为1个月，停止进一步检验；如是，进一步检验这一个月气象要素值与当月土壤湿度之间是否存在显著相关性:如否，则T_ef为1个月，检验终止；如是，则T_ef不小于2个月，进行步骤A3；

A3：重复前面过程，直至向后追溯到N个月时，该月份气象要素以及N+1个月份(包含当月及已追溯的所有月份)的平均或累积气象要素与当月土壤湿度都存在显著相关性，且在前面追溯过程中相关性的符号一直没有改变(即气象要素对土壤湿度的影响具有一致性)，而向后追溯到N+1个月的气象要素与当月土壤湿度不存在显著相关性，则认为气象要素对当月土壤湿度的T_ef为N+1个月(等于当月加上追溯存在显著相关性的N个月)。

进一步地，所述步骤A1中当月的气象要素对该月土壤湿度是否会产生显著影响的计算公式为：

其中，r_SC为Spearman相关系数，d_i为是第i个气象要素的秩次与第i个土壤湿度的秩次之差，n为时间序列长度值，t_SC为具有自由度v＝n-2的t分布，与显著性水平进行对比，若t_SC小于0.05，则认为有显著相关关系。

进一步地，所述步骤S3中多元线性回归模型a的计算方法为：对有可追溯时间尺度的气象要素(T_ef大于等于1个月)用T_ef内对应月份的多月平均值或累积值建立关于土壤湿度的多元线性回归拟合方程，没有可追溯时间尺度的气象要素(T_ef为0)则不参与计算。

进一步地，所述步骤S3中利用所有气象要素的当月平均值或累积值建立关于土壤湿度的多元线性回归模型b，多元线性回归模型b的计算方法为：使用所有气象要素的单月平均值或累积值参与拟合。

进一步地，所述步骤S3中多元线性回归模型的计算公式为：

SM＝b₀+b₁x₁+b₂x₂+…+b_mx_m+ε (3)

其中，x₁,x₂,…,x_m为对应的气象要素平均值或累积值，b₀为常数项，b₁,b₂,…,b_m为回归系数，m为参与拟合的气象要素数目，ε为误差。

进一步地，所述步骤S4中以土壤湿度的流域面平均值和AIC(Akaike informationcriterion)为评价指标，分析比较月尺度土壤湿度a和b的拟合效果。

分析比较月尺度土壤湿度a和b的拟合效果的具体方法为：

使用检验期内数据，分别计算多元线性回归模型a和b所得的月尺度土壤湿度流域面平均值，并分别与步骤S1中获取的土壤湿度面平均值作差，差值越小，说明对应模型的预测效果越好；

分别计算多元线性回归模型a和b所得的月尺度土壤湿度与步骤S1中获取的土壤湿度的AIC值，求出平均值并进行比较，若AIC值越小，则说明对应模型的预测效果越好。

AIC的计算公式为：

AIC＝n·lnR_e+2p (4)

其中，n为数据序列的数量,p为一个序列中的参数,R_e是残差平方和，C_i为土壤湿度的第i个观测值，

是由模型方程得到的第i个土壤湿度拟合值,而W_i为第i个观测值的加权因子。

有益效果：本发明与现有技术相比，引入月尺度有效影响时间尺度的技术概念和手段，利用有效影响时间尺度下的月尺度气象要素数据，建立关于月尺度土壤湿度多元线性回归模型，此方法不需要使用复杂的模型和数据，同时考虑了土壤湿度变化对各气象因子响应的滞后性，以此提高了对土壤湿度的预报精度，并且也证实了有效影响时间尺度的有效性和可行性，提供的数据产品可为水文模型应用、生态资源评估等作参考依据，有利于提高一套数据产品、水文模型应用、生态资源评估和预报土壤湿度等的可靠性。

附图说明

图1为本发明方法的流程图；

图2为4个代表月份内研究区域内降水对土壤湿度的T_ef和对应的Spearman相关系数的展示图；

图3为4个代表月份内研究区域内相对湿度对土壤湿度的T_ef和对应的Spearman相关系数的展示图；

图4为4个代表月份内研究区域内太阳辐射对土壤湿度的T_ef和对应的Spearman相关系数的展示图；

图5为4个代表月份内研究区域内气温对土壤湿度的T_ef和对应的Spearman相关系数的展示图；

图6为4个代表月份内研究区域内风速对土壤湿度的T_ef和对应的Spearman相关系数的展示图；

图7为4个代表月份内研究区域内压强对土壤湿度的T_ef和对应的Spearman相关系数的展示图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明提供一种基于气象要素的月尺度土壤湿度预测方法，如图1所示，其包括如下步骤：

S1：获取研究区域内长时间序列的气象数据和土壤湿度数据；将气象数据和土壤湿度数据计算为月平均值或月累积值形成月尺度气象数据和月尺度土壤湿度数据，分为率定期和检验期；求出检验期内的土壤湿度面平均值；

S2：使用率定期数据，利用Spearman等级相关系数和学生t检验求出各气象要素对土壤湿度的月尺度有效影响时间尺度T_ef，具体包括如下步骤：

A1：利用Spearman等级相关系数和学生t检验计算当月的气象要素对该月土壤湿度是否会产生显著影响；

计算公式为：

其中，r_SC为Spearman相关系数，d_i为是第i个气象要素的秩次与第i个土壤湿度的秩次之差，n为时间序列长度值，t_SC为具有自由度v＝n-2的t分布，与显著性水平进行对比，若t_SC小于0.05，则认为有显著相关关系；

若没有显著相关关系，则T_ef为0，停止进一步检验；如有显著相关关系，则T_ef至少不小于1个月，进行步骤A2；

A2：继续检查2个月尺度上气象要素对土壤湿度的影响，即追溯到前面1个月份，考察这一个月与当月的气象要素值的平均值或累积值与当月土壤湿度之间是否存在显著相关性：如否，则T_ef为1个月，停止进一步检验；如是，进一步检验这一个月气象要素值与当月土壤湿度之间是否存在显著相关性:如否，则T_ef为1个月，检验终止；如是，则T_ef不小于2个月，进行步骤A3；

A3：重复前面过程，直至向后追溯到N个月时，该月份气象要素以及N+1个月份(包含当月及已追溯的所有月份)的平均或累积气象要素与当月土壤湿度都存在显著相关性，且在前面追溯过程中相关性的符号一直没有改变(即气象要素对土壤湿度的影响具有一致性)，而向后追溯到N+1个月的气象要素与当月土壤湿度不存在显著相关性，则认为气象要素对当月土壤湿度的T_ef为N+1个月(等于当月加上追溯存在显著相关性的N个月)。

S3：使用率定期数据，利用月尺度有效影响时间尺度T_ef内的气象要素多月平均值或累积值建立关于土壤湿度的多元线性回归模型a，并利用所有气象要素的当月平均值或累积值建立关于土壤湿度的多元线性回归模型b：

多元线性回归模型a的计算方法为：对有可追溯时间尺度的气象要素(T_ef大于等于1个月)用T_ef内对应月份的多月平均值或累积值建立关于土壤湿度的多元线性回归拟合方程，没有可追溯时间尺度的气象要素(T_ef为0)则不参与计算；

多元线性回归模型b的计算方法为：使用所有气象要素的单月平均值或累积值参与拟合；

多元线性回归模型的计算公式为：

SM＝b₀+b₁x₁+b₂x₂+…+b_mx_m+ε (3)

其中，x₁,x₂,…,x_m为对应的气象要素平均值或累积值，b₀为常数项，b₁,b₂,…,b_m为回归系数，m为参与拟合的气象要素数目，ε为误差。

S4：将检验期的月尺度有效影响时间尺度T_ef内的月尺度气象要素数据代入多元线性回归模型a，得到预测月尺度土壤湿度a；将检验期的全部气象要素数据代入多元线性回归模型b，得到预测月尺度土壤湿度b；

S5：以土壤湿度的流域面平均值和AIC为评价指标，分析比较月尺度土壤湿度a和b的拟合效果。

分析比较月尺度土壤湿度a和b的拟合效果的具体方法为：

使用检验期内数据，分别计算多元线性回归模型a和b所得的月尺度土壤湿度流域面平均值，并分别与步骤S1中获取的土壤湿度面平均值作差，差值越小，说明对应模型的预测效果越好；

分别计算多元线性回归模型a和b所得的月尺度土壤湿度与步骤S1中获取的土壤湿度的AIC值，求出平均值并进行比较，若AIC值越小，则说明对应模型的预测效果越好。

AIC的计算公式为：

AIC＝n·lnR_e+2p (4)

其中，n为数据序列的数量,p为一个序列中的参数,R_e是残差平方和，C_i为土壤湿度的第i个观测值，

是由模型方程得到的第i个土壤湿度拟合值,而W_i为第i个观测值的加权因子。

为了验证本发明方法的有效性以及实际效果，本实施例中将本发明方法进行实例应用，具体如下：

本实施例以我国包含三峡库区的长江上游为例，以1月、4月、7月和10月作为冬季、春季、夏季和秋季的代表月份，采用来自日本气象厅的1980-2018年，3小时分辨率的全球大气再分析(JRA-55)的0.563°×0.562°网格数据。其中，土壤湿度特指表层土壤湿度。气象数据包括土壤湿度、太阳辐射通量、离地2米温度、风速、压强、降水和相对湿度。为了使各个气象要素的物理意义更加明确，太阳辐射通量和降水采用月累积值，其余气象要素和土壤湿度采用月平均值。

将资料时期分为率定期和检验期。具体为：(1)1980年～2008年，率定期；(2)2009年～2018年，检验期。

使用率定期数据，求出各气象要素对土壤湿度的T_ef。图2至图7分别展示了4个代表月份内研究区域内各气象要素对土壤湿度的T_ef(格元中的数字)和对应的Spearman相关系数(图中涂色，若T_ef为0，则对应Spearman相关系数也被视作0)。

使用率定期数据，利用T_ef下的气象要素数据建立关于土壤湿度的模型a，例如，7月份某格元仅降雨对土壤湿度的T_ef为2个月，其余气象要素都为0，则7月份此格元的模型a仅由6月和7月的降雨量之和拟合所得。利用全部气象要素数据建立关于土壤湿度的模型b。

使用检验期数据，将T_ef对应的气象要素数据代入模型a预测月尺度土壤湿度a。同时，用全部气象要素的当月平均值或累积值代入模型b预测月尺度土壤湿度b，结果如表1所示。

表1中各代表月的JRA55土壤湿度面平均参考值(AVE_Ref.)、由模型a和模型b所得土壤湿度面平均估计值(AVE_a；AVE_b；单位：m³ m^-3)以及由土壤湿度参考值与模型a和模型b分别所得估计值的AIC(AIC_a；AIC_b)

表1

月份	AVERef.	AVEa	AVEb	AVERef.-AVEa	AVERef.-AVEb	AICa	AICb
								1月	0.472	0.474	0.478	-0.003	-0.006	-4.390	-3.797
4月	0.527	0.514	0.528	0.013	-0.001	-4.246	-3.996
								7月	0.748	0.748	0.750	0.000	-0.002	-4.810	-4.494
10月	0.639	0.633	0.626	0.006	0.013	-4.784	-4.213

从整体上来说，无论是比较面平均值，还是AIC，利用本发明提供的有效影响尺度下的气象要素对土壤湿度的拟合效果都更好。这说明本发明提出的土壤湿度预测方法能有效提高月尺度土壤湿度的预测精度。

Claims (6)

1.一种基于气象要素的月尺度土壤湿度预测方法，其特征在于，包括如下步骤：

S1：获取长时间序列的月尺度气象要素和土壤湿度数据，将所得数据分为率定期和检验期；

S2：使用率定期数据，利用Spearman等级相关系数和学生t检验求出各气象要素对土壤湿度的月尺度有效影响时间尺度T_ef；

S3：使用率定期数据，利用T_ef内的气象要素多月平均值或累积值建立关于土壤湿度的多元线性回归模型a；

S4：将检验期T_ef内的月尺度气象要素数据代入多元线性回归模型a，得到预测月尺度土壤湿度a；

所述步骤S2具体为：

A1：利用Spearman等级相关系数和t检验计算当月的气象要素对该月土壤湿度是否会产生显著影响；

若没有显著相关关系，则T_ef为0，停止进一步检验；如有显著相关关系，则T_ef至少不小于1个月，进行步骤A2；

A2：继续检查2个月尺度上气象要素对土壤湿度的影响，即追溯到前面1个月份，考察这一个月与当月的气象要素值的平均值或累积值与当月土壤湿度之间是否存在显著相关性：如否，则T_ef为1个月，停止进一步检验；如是，进一步检验这一个月气象要素值与当月土壤湿度之间是否存在显著相关性:如否，则T_ef为1个月，检验终止；如是，则T_ef不小于2个月，进行步骤A3；

A3：重复前面过程，直至向后追溯到N个月时，该月份气象要素以及N+1个月份的平均或累积气象要素与当月土壤湿度都存在显著相关性，且在前面追溯过程中相关性的符号一直没有改变，而向后追溯到N+1个月的气象要素与当月土壤湿度不存在显著相关性，则认为气象要素对当月土壤湿度的T_ef为N+1个月；

所述步骤A1中当月的气象要素对该月土壤湿度是否会产生显著影响的计算公式为：

其中，r_SC为Spearman相关系数，d_i为是第i个气象要素的秩次与第i个土壤湿度的秩次之差，n为时间序列长度值，t_SC为具有自由度v＝n-2的t分布，与显著性水平进行对比，若t_SC小于0.05，则认为有显著相关关系；

所述步骤S3中多元线性回归模型a的计算方法为：对有可追溯时间尺度的气象要素用T_ef内对应月份的多月平均值或累积值建立关于土壤湿度的多元线性回归拟合方程，没有可追溯时间尺度的气象要素则不参与计算；

所述步骤S3中多元线性回归模型的计算公式为：

SM＝b₀+b₁x₁+b₂x₂+…+b_mx_m+ε (3)

其中，x₁,x₂,…,x_m为对应的气象要素平均值或累积值，b₀为常数项，b₁,b₂,…,b_m为回归系数，m为参与拟合的气象要素数目，ε为误差。

2.根据权利要求1所述的一种基于气象要素的月尺度土壤湿度预测方法，其特征在于，所述步骤S1具体为：

获取研究区域内长时间序列的气象数据和土壤湿度数据；

将气象数据和土壤湿度数据计算为月平均值或月累积值形成月尺度气象数据和月尺度土壤湿度数据，分为率定期和检验期；

求出检验期内的土壤湿度面平均值。

3.根据权利要求1所述的一种基于气象要素的月尺度土壤湿度预测方法，其特征在于，所述步骤S3中利用所有气象要素的当月平均值或累积值建立关于土壤湿度的多元线性回归模型b，多元线性回归模型b的计算方法为：使用所有气象要素的单月平均值或累积值参与拟合。

4.根据权利要求1所述的一种基于气象要素的月尺度土壤湿度预测方法，其特征在于，所述步骤S4中以土壤湿度的流域面平均值和AIC为评价指标，分析比较月尺度土壤湿度a和b的拟合效果。

5.根据权利要求4所述的一种基于气象要素的月尺度土壤湿度预测方法，其特征在于，分析比较月尺度土壤湿度a和b的拟合效果的具体方法为：

使用检验期内数据，分别计算多元线性回归模型a和b所得的月尺度土壤湿度流域面平均值，并分别与步骤S1中获取的土壤湿度面平均值作差，差值越小，说明对应模型的预测效果越好；

分别计算多元线性回归模型a和b所得的月尺度土壤湿度与步骤S1中获取的土壤湿度的AIC值，求出平均值并进行比较，若AIC值越小，则说明对应模型的预测效果越好。

6.根据权利要求5所述的一种基于气象要素的月尺度土壤湿度预测方法，其特征在于，AIC的计算公式为：

AIC＝n·lnR_e+2p (4)

其中，n为数据序列的数量,p为一个序列中的参数,R_e是残差平方和，C_i为土壤湿度的第i个观测值，

是由模型方程得到的第i个土壤湿度拟合值,而W_i为第i个观测值的加权因子。

Images