9.6.3  区域内土壤墒情的预报

9.6.3 区域内土壤墒情的预报

系统中共研究了三种对于单站的土壤墒情预报模型，它们分别是增退墒模型，人工神经网络模型和时间序列模型。其中，增退墒模型是根据土壤墒情的增退墒规律而实现的。三种预报模型相比各有优劣，表9-3列出了三种模型的比较情况。北京市目前共有38个土壤墒情固定站，每个固定站应该根据不同的情况选择合适的土壤墒情预报模型。对于建立时间不长的固定站，由于采集的样本数据较少，因此应该选择增退墒模型进行预报。但利用这种预报模型，精度较低，可能会产生较大的误差。对于建立时间比较长、土壤墒情历史数据充分但气象数据缺少的固定站则可以采用时间序列模型进行预报。而对于建立时间较长同时气象数据也容易获得的固定站则可以利用人工神经网络模型进行预报。人工神经网络模型是三种预报模型中预报精度最高的，因此在数据充足的情况下应该尽可能使用人工神经网络模型。

在9.6.2中，利用各种空间插值方法，系统可以实现区域内土壤墒情的空间预测，即利用已知采样点的土壤水分值估计同一时间里未知采样点的土壤水分值。而区域内土壤墒情的预报则是通过土壤墒情的预报模型得到各个土壤墒情站未来（如下一天或者下一个月）的土壤水分值，然后再结合空间插值方法实现区域内土壤墒情的预报。区域内土壤墒情预报的意义在于能够提前估计区域的土壤墒情变化情况，了解墒情变化趋势，从而为防旱抗旱工作提供充足的准备时间。如图9-12所示为区域土壤墒情预报的流程图。图9-13和图9-14所示为利用北京地区各土壤墒情站2004年4月12日的土壤水分数据和气象数据进行下一天和下一月预报的预报值与实测值之间的比较图。由图可知，对各墒情站进行土壤水分的预报具有较高的预报精度。图9-15所示为在软件系统中利用普通Krig插值法作出的2004年4月12日北京地区20cm深度的实际土壤墒情分布情况图。图9-16所示为利用预报模型预报出的一天后北京地区的土壤墒情情况。图9-17所示为利用预报模型预报出的一月后北京地区的土壤墒情情况。

表9-3 三种土壤墒情预报模型的比较

图9-12 区域土壤墒情预报流程图

图9-13 各墒情站下一天土壤水分预报值与实测值(https://www.daowen.com)

图9-14 各墒情站下一月土壤水分预报值与实测

图9-15 土壤墒情的实际监测结果

图9-16 土壤墒情一天后的预报结果

图9-17 土壤墒情一月后的预报结果