降水影響土壤水分增量的計算方法農(nóng)區(qū)2025-05-18實施2025-05-18實施內(nèi)蒙古自治區(qū)市場監(jiān)督管理局發(fā)布I本文件按照GB/T1.1—2020《標準化工作導則第1部分：標準化文件的結構和起草規(guī)則》的規(guī)定起草。本文件由內(nèi)蒙古自治區(qū)氣象標準化技術委員會(SAM/TC23)提出并歸口。本文件起草單位：內(nèi)蒙古自治區(qū)生態(tài)與農(nóng)業(yè)氣象中心、內(nèi)蒙古自治區(qū)氣候中心、興安盟氣象局。本文件主要起草人：馮旭宇、張存厚、張宇、武榮盛、楊麗萍、黃超、鄭詩然。1降水影響土壤水分增量的計算方法農(nóng)區(qū)本文件規(guī)定了農(nóng)區(qū)土壤解凍條件下一候內(nèi)累積降水影響10cm～20cm土壤水分增量的計算流程和方法。本文件適用于基于降水與土壤水分增量關系開展農(nóng)區(qū)土壤墑情與干旱監(jiān)測研發(fā)與應用的各部門。2規(guī)范性引用文件下列文件中的內(nèi)容通過文中的規(guī)范性引用而構成本文件必不可少的條款。其中，注日期的引用文件，僅該日期對應的版本適用于本文件；不注日期的引用文件，其最新版本(包括所有的修改單)適用于本文件。土壤水分觀測頻域反射法地面氣象觀測規(guī)范降水量內(nèi)蒙古農(nóng)田、草地土壤相對濕度等級指標3術語和定義GB/T33705、GB/T35228、DB15/T510界定的以及下列術語和定義適用于本文件。以農(nóng)業(yè)(種植業(yè))生產(chǎn)為主的地區(qū)。某一時段內(nèi)的未經(jīng)蒸發(fā)、滲透、流失的降水，在水平面上積累的深度。田間土壤含水量及其對應的作物水分狀態(tài)。土壤含水量通常由土壤重量含水量、土壤體積含水量或土壤相對濕度表示，單位為百分數(shù)(%)。2田間土壤含水量的變化量。4計算方法深度森林是一種基于不可微的決策樹構建的深度學習模型，可用于分類和回歸。與傳統(tǒng)的基于多層參數(shù)化的可微非線性模塊的深度神經(jīng)網(wǎng)絡相比，首先，深度森林具有更少的超參數(shù)，并且它的模型復雜性可以以數(shù)據(jù)依賴的方式自動確定。這使得它可以適用于不同規(guī)模的訓練數(shù)據(jù)，而不僅僅局限于大規(guī)模的訓練數(shù)據(jù)。具體來說，訓練集被分成兩部分，即生長集和估計集。生長集用于對級聯(lián)結構進行生長，估計集用于對模型的性能進行評估。如果增加一個新的級聯(lián)層不能提高模型性能，則終止級聯(lián)的增長，并獲得評估的指標值。然后，在合并生長集和估計集的基礎上對級聯(lián)進行再次訓練；其次，深度森林的性能對超參數(shù)設置具有相當強的魯棒性，在大多數(shù)情況下，即使來自不同領域的不同數(shù)據(jù)，它也能夠通過使用相同的默認設置獲得出色的性能。深度森林的回歸模型主要基于多粒度掃描模塊和級聯(lián)森林結構，前者用于提取且豐富樣本特征，以挖掘時序數(shù)據(jù)的序列關系，后者實現(xiàn)了逐層處理，以進一步提高預測準確性。多粒度掃描模塊中，有三原始特征采用相同維度的數(shù)據(jù)結構，如序列結構、面板結構等。本研究以數(shù)據(jù)為驅動，建立了以累積降水量、土壤相對濕度初始值、月份值、降水累積持續(xù)時長4個要素作為自變量，土壤相對濕度增量為因變量的農(nóng)區(qū)各個代表性監(jiān)測站點的深度森林回歸模型。土壤水分增量：即給定時間段內(nèi)結束時間與初始時間土壤水分的差值。本文件使用指定時間段內(nèi)土壤水分固定地段自動站結束日期08時的土壤相對濕度值與土壤相對濕度初始值之差，單位為百分數(shù)(%);累積降水量：給定時間段內(nèi)日降水量之和。本文件使用北京時間08時—08時的日降水量，指定時間段為一候以內(nèi)，單位為毫米(mm);土壤水分初始值：給定時間段內(nèi)初始時間的土壤水分值。本文件使用土壤水分固定地段自動站初始日期08時的土壤相對濕度值，單位為百分數(shù)(%);月份值：給定時間段的結束日期的月份值。降水累積持續(xù)時長：給定時間段內(nèi)，小時降水量大于0.1mm的累計小時個數(shù)，單位為小時(h)。實驗中，80%的訓練數(shù)據(jù)用于生長集，20%用于估計集。三次交叉驗證用于回歸向量的生成，級聯(lián)的數(shù)量是訓練過程中自動確定的。深度森林回歸模型主要的超參數(shù)及其說明如表1所示。表1深度森林回歸模型的超參數(shù)說明非缺失值的箱子數(shù)量，值必須不小于2且不2每個級聯(lián)層中的估計器數(shù)量。每個估計器缺省RandomForestRegressor和一個ExtraTreesRegressor。每棵樹的最大深度，None表示沒有約束。如果值是int,則random_state是隨機數(shù)生成器使用的種子；如果值是None,則隨機數(shù)生成器是np.random使用的RandomState實例。大興安嶺東南麓、陰山南麓、河套平原代表性監(jiān)測站點的深度森林回歸模型的評估結果見附錄A。3以累積降水量、降水累積持續(xù)時長、月份值、土壤水分初始值為自變量，基于多元深度森林的回歸模型，預測一候內(nèi)土壤水分增量，計算流程見圖1,詳細的計算流程見附錄B。①數(shù)據(jù)描述性統(tǒng)計圖1基于多元深度森林回歸模型的降水影響土壤水分增量的計算流程4(資料性)農(nóng)區(qū)代表性站點深度森林回歸模型的評估結果大興安嶺東南麓、陰山南麓、河套平原的代表性監(jiān)測站點給定時間段為一候的多元深度森林回歸模型的評估結果見表A.1。其中，R2為決定系數(shù)；MAE為平均絕對誤差；Corr為相關系數(shù)。選擇3個代表性站點2017-2021年4-9月的850多條數(shù)據(jù)記錄，按照8:2的比例劃分成生長集和估計集，分別建立了給定時間段為一候，以累積降水量、降水持續(xù)時長、土壤相對濕度初始值、月份值為自變量，10cm、20cm土層深度土壤相對濕度增量為因變量的多元深度森林回歸模型。3個評估指標在估計集上的表現(xiàn)如表A.1所示，且Corr值全部都通過了P<0.01的顯著性檢驗。表A.1農(nóng)區(qū)代表性站點深度森林回歸模型的評估結果代表站點大興安嶺東南麓赤峰站陰山南麓河套平原大佘太站站5(資料性)深度森林回歸模型的計算流程B.1數(shù)據(jù)獲取使用數(shù)據(jù)讀取函數(shù)導入農(nóng)區(qū)代表性監(jiān)測站點的數(shù)據(jù)集。以數(shù)據(jù)存儲于data.xlsx文件為例，B.2數(shù)據(jù)預處理數(shù)據(jù)描述性統(tǒng)計，示例代碼：data_df.describe()。處理缺失值，示例代碼：data_filled=data_df.fillna(mean_values)。數(shù)據(jù)歸一化，示例代碼：data_scaled=StandardScaler().fit_transform(data_filled.to_numpy())。相關性分析，示例代碼：correlation_matrix_spearman=data_scaled.corr(method='spearman’)。將數(shù)據(jù)集劃分為生長集和估計集，示例代碼：X_growing,X_estimating,y_growing,y_estimating=train_test_split(X,y,train其中X為預測因子，包括累積降水量、降水累積持續(xù)時長、月份值、土壤水分初始值；y為土壤水分增量。B.3模型建立實例化一個深度森林回歸模型，模型的超參數(shù)大部分采用模型的默認設置值，示例代碼：model=CascadeForestRegressor(criterion='mae’,random_state=1)。B.4模型訓練B.5模型預測與評估對估計集進行預測，示例代碼：y_estimatingpred使用評估指標計算模型性能，示例代碼：mae=mean_absolute_error(y_estimating,y_estimatingpred)。r2=r2_score(y_estimating,y_e