ICS07.060

CCSA47

15

內(nèi)蒙古自治區(qū)地方標(biāo)準(zhǔn)

DB15/T3973—2025

降水影響土壤水分增量的計(jì)算方法農(nóng)區(qū)

Thecalculationmethodofsoilmoistureincrementaffectedby

precipitationinfarmingareas

2025-04-18發(fā)布2025-05-18實(shí)施

內(nèi)蒙古自治區(qū)市場(chǎng)監(jiān)督管理局發(fā)布

DB15/T3973—2025

前言

本文件按照GB/T1.1—2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)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(biāo)準(zhǔn)化技術(shù)委員會(huì)（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。

I

DB15/T3973—2025

降水影響土壤水分增量的計(jì)算方法農(nóng)區(qū)

1范圍

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(jì)算流程和

方法。

本文件適用于基于降水與土壤水分增量關(guān)系開展農(nóng)區(qū)土壤墑情與干旱監(jiān)測(cè)研發(fā)與應(yīng)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(gòu)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(duì)應(yīng)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。

GB/T33705土壤水分觀測(cè)頻域反射法

GB/T35228地面氣象觀測(cè)規(guī)范降水量

DB15/T510內(nèi)蒙古農(nóng)田、草地土壤相對(duì)濕度等級(jí)指標(biāo)

3術(shù)語和定義

GB/T33705、GB/T35228、DB15/T510界定的以及下列術(shù)語和定義適用于本文件。

農(nóng)區(qū)farmingareas

以農(nóng)業(yè)(種植業(yè))生產(chǎn)為主的地區(qū)。

[來源：DB15/T510—2012，3.2]

降水量precipitationamount

某一時(shí)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。

[來源：GB/T35228—2017，3.2]

土壤水分soilmoisture

田間土壤含水量及其對(duì)應(yīng)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(duì)濕度表示，單位為百分?jǐn)?shù)（%）。

[來源：GB/T33705—2017，3.2]

1

DB15/T3973—2025

土壤水分增量Incrementofsoilmoisture

田間土壤含水量的變化量。

4計(jì)算方法

深度森林是一種基于不可微的決策樹構(gòu)建的深度學(xué)習(xí)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(luò)相比，首先，深度森林具有更少的超參數(shù)，并且它的模型復(fù)雜

性可以以數(shù)據(jù)依賴的方式自動(dòng)確定。這使得它可以適用于不同規(guī)模的訓(xùn)練數(shù)據(jù)，而不僅僅局限于大規(guī)模

的訓(xùn)練數(shù)據(jù)。具體來說，訓(xùn)練集被分成兩部分，即生長集和估計(jì)集。生長集用于對(duì)級(jí)聯(lián)結(jié)構(gòu)進(jìn)行生長，

估計(jì)集用于對(duì)模型的性能進(jìn)行評(píng)估。如果增加一個(gè)新的級(jí)聯(lián)層不能提高模型性能，則終止級(jí)聯(lián)的增長，

并獲得評(píng)估的指標(biāo)值。然后，在合并生長集和估計(jì)集的基礎(chǔ)上對(duì)級(jí)聯(lián)進(jìn)行再次訓(xùn)練；其次，深度森林的

性能對(duì)超參數(shù)設(shè)置具有相當(dāng)強(qiáng)的魯棒性，在大多數(shù)情況下，即使來自不同領(lǐng)域的不同數(shù)據(jù)，它也能夠通

過使用相同的默認(rèn)設(shè)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(jí)聯(lián)森林結(jié)構(gòu)，前者用于提取且豐富樣本特征，以

挖掘時(shí)序數(shù)據(jù)的序列關(guān)系，后者實(shí)現(xiàn)了逐層處理，以進(jìn)一步提高預(yù)測(cè)準(zhǔn)確性。多粒度掃描模塊中，有三

個(gè)窗口大小被使用。假設(shè)有d個(gè)原始特征，則使用大小為d/16,d/8,d/4的特征窗口。而且，特征窗口與

原始特征采用相同維度的數(shù)據(jù)結(jié)構(gòu)，如序列結(jié)構(gòu)、面板結(jié)構(gòu)等。

本研究以數(shù)據(jù)為驅(qū)動(dòng)，建立了以累積降水量、土壤相對(duì)濕度初始值、月份值、降水累積持續(xù)時(shí)長4

個(gè)要素作為自變量，土壤相對(duì)濕度增量為因變量的農(nóng)區(qū)各個(gè)代表性監(jiān)測(cè)站點(diǎn)的深度森林回歸模型。

其中：

土壤水分增量：即給定時(shí)間段內(nèi)結(jié)束時(shí)間與初始時(shí)間土壤水分的差值。本文件使用指定時(shí)間段內(nèi)土

壤水分固定地段自動(dòng)站結(jié)束日期08時(shí)的土壤相對(duì)濕度值與土壤相對(duì)濕度初始值之差，單位為百分?jǐn)?shù)（%）；

累積降水量：給定時(shí)間段內(nèi)日降水量之和。本文件使用北京時(shí)間08時(shí)—08時(shí)的日降水量，指定時(shí)

間段為一候以內(nèi)，單位為毫米（mm）；

土壤水分初始值：給定時(shí)間段內(nèi)初始時(shí)間的土壤水分值。本文件使用土壤水分固定地段自動(dòng)站初始

日期08時(shí)的土壤相對(duì)濕度值，單位為百分?jǐn)?shù)（%）；

月份值：給定時(shí)間段的結(jié)束日期的月份值。

降水累積持續(xù)時(shí)長：給定時(shí)間段內(nèi)，小時(shí)降水量大于0.1mm的累計(jì)小時(shí)個(gè)數(shù)，單位為小時(shí)（h）。

實(shí)驗(yàn)中，80%的訓(xùn)練數(shù)據(jù)用于生長集，20%用于估計(jì)集。三次交叉驗(yàn)證用于回歸向量的生成，級(jí)聯(lián)的

數(shù)量是訓(xùn)練過程中自動(dòng)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)

超參數(shù)缺省值說明

n_bins255非缺失值的箱子數(shù)量，值必須不小于2且不大于255。

max_layers20深林中最大的級(jí)聯(lián)層數(shù)。

criterion"mse"評(píng)估函數(shù),用于衡量一個(gè)分裂的質(zhì)量。

每個(gè)級(jí)聯(lián)層中的估計(jì)器數(shù)量。每個(gè)估計(jì)器缺省情況下分別包含一個(gè)

n_estimators2

RandomForestRegressor和一個(gè)ExtraTreesRegressor。

n_trees100每個(gè)估計(jì)器中樹的數(shù)量。

max_depthNone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(jī)數(shù)生成器使用的種子;

random_stateNone

如果值是None，則隨機(jī)數(shù)生成器是np.random使用的RandomState實(shí)例。

大興安嶺東南麓、陰山南麓、河套平原代表性監(jiān)測(cè)站點(diǎn)的深度森林回歸模型的評(píng)估結(jié)果見附錄A。

2

DB15/T3973—2025

5計(jì)算流程

以累積降水量、降水累積持續(xù)時(shí)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(yù)測(cè)一候內(nèi)土壤水分增量，計(jì)算流程見圖1，詳細(xì)的計(jì)算流程見附錄B。

開始

①數(shù)據(jù)獲取

①數(shù)據(jù)描述性統(tǒng)計(jì)

②數(shù)據(jù)預(yù)處理

②缺失值處理

①相關(guān)性分析

③探索性數(shù)據(jù)分析

②數(shù)據(jù)的圖像化分析

①模型構(gòu)建與優(yōu)化

④構(gòu)建深度森林

評(píng)估指標(biāo)及結(jié)果回歸模型

②評(píng)估與篩選模型

真實(shí)值與預(yù)測(cè)值對(duì)比圖⑤模型預(yù)測(cè)

結(jié)束

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(jì)算流程

3

DB15/T3973—2025

A

A

附錄A

（資料性）

農(nóng)區(qū)代表性站點(diǎn)深度森林回歸模型的評(píng)估結(jié)果

大興安嶺東南麓、陰山南麓、河套平原的代表性監(jiān)測(cè)站點(diǎn)給定時(shí)間段為一候的多元深度森林回歸模

型的評(píng)估結(jié)果見表A.1。其中，R2為決定系數(shù)；MAE為平均絕對(duì)誤差；Corr為相關(guān)系數(shù)。選擇3個(gè)代表性站

點(diǎn)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(jì)集，分別建立了給定時(shí)間

段為一候，以累積降水量、降水持續(xù)時(shí)長、土壤相對(duì)濕度初始值、月份值為自變量，10cm、20cm土層

深度土壤相對(duì)濕度增量為因變量的多元深度森林回歸模型。3個(gè)評(píng)估指標(biāo)在估計(jì)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(yàn)。

表A.1農(nóng)區(qū)代表性站點(diǎn)深度森林回歸模型的評(píng)估結(jié)果

土層深度

代表站點(diǎn)R2MAECorr

cm

大興安嶺東南麓100.8712.6030.909

赤峰站200.8231.6840.808

陰山南麓100.8983.2030.927

土默特左旗站200.9122.2470.912

河套平原100.8912.1910.848

大佘太站站200.7712.7230.845

4

DB15/T3973—2025

B

B

附錄B

（資料性）

深度森林回歸模型的計(jì)算流程

B.1數(shù)據(jù)獲取

使用數(shù)據(jù)讀取函數(shù)導(dǎo)入農(nóng)區(qū)代表性監(jiān)測(cè)站點(diǎn)的數(shù)據(jù)集。

以數(shù)據(jù)存儲(chǔ)于data.xlsx文件為例，數(shù)據(jù)讀取的示例代碼：data_df=pandas.read_excel(data.xlsx)。

B.2數(shù)據(jù)預(yù)處理

數(shù)據(jù)描述性統(tǒng)計(jì)，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(guān)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(jì)集，示例代碼：

X_growing,X_estimating,y_growing,y_esti