桂沁园 王学林 曹明

摘要 利用2011—2016年冬季（12月至翌年2月）巢湖市国家基本站逐日气温、地温、日照、降水等气象资料，采用相关分析法筛选出影响地温的关键气象因子，运用MATLAB软件构建了基于BP神经网络浅层最低地温预报模型，并比较不同层模拟精度。结果表明，0～20 cm地温日变化均呈正弦曲线变化，越向深层地温变化幅度越小，位相逐层滞后。相关性分析表明，浅层最低地温与前一日的平均气温、最低气温、0～20 cm各层平均地温和最低地温成显著正相关，与前一日日照时数成显著负相关。模型模拟结果显示0、5、10、15、20 cm最低地温预报的标准误差和绝对误差逐层减小，20 cm层预报准确度明显优于0 cm层。

关键词 浅层地温；预报模型；BP神经网络；安徽巢湖；冬季

中图分类号 P457 文献标识码 A 文章编号 1007-5739（2018）12-0190-03

Abstract Based on the observation data of daily air temperature，ground temperature，sunshine duration and precipitation from Chaohu observation station in winter（from December to February）from 2011 to 2016，the main meteorological factors affecting ground temperature were selected by correlation analysis method，shallow layer minimum ground temperature prediction model was set up based on BP neural network by using MATLAB software，and the simulation precision of different layers was compared in this paper. Results showed that the diurnal variation of 0-20 cm ground temperature was presented sine curve，as the depth increased，the ground temperature fluctuant range decreased，and the phase was delayed.Correlation analysis showed that the shallow layer minimum ground temperature had a significant positive correlation with the average temperature，minimum temperature，average ground temperature and the lowest ground temperature of 0-20 cm of the previous day，and was negatively correlated with the sunshine duration of the previous day. The simulation results showed that the standard error and absolute error of 0，5，10，15，20 cm minimum ground temperature prediction decreased layer-by-layer，and the prediction accuracy of 20 cm layer was obviously better than that of 0 cm layer.

Key words shallow layer ground temperature；forecast model；BP neural network；Chaohu Anhui；winter

地溫是衡量地表土壤热量的物理量。下垫面温度和不同深度的土壤温度统称地温，浅层地温是指离地面 5、10、15、20 cm的地中温度[1]。作物的根系生长在土壤中，因而土壤条件是影响农作物生长的重要环境因子[2-4]。地温是影响作物生长发育的重要气象因子之一，研究表明，地温产生1 ℃的变化就会对作物生长发育形成明显的影响[5]，如果地温低于作物根系生理活动所需下限温度，将会使根系生长受阻，导致作物生长发育不良，甚至导致作物死亡[6]。因此，研究浅层地温预报对防范农作物越冬期冻害及防灾减灾具有重要的意义。

许多学者开展了地温预报方面的研究，杨 丹等[7]利用数理统计方法建立了山东莱芜地温的预报技术，李 帅等[8]利用逐日气温、20 cm地温作为预报因子，建立了黑龙江春季10 cm地温预报模型，罗喜平等[9]应用统计回归方法建立以气温为基础的地温预报模型。目前，关于巢湖地区地温预报的研究尚不多见。本文采用BP神经网络模型算法及不同层地温的观测数据和相应的气象数据，构建0～20 cm不同层地温的估算模型，并基于相关气象数据开展地温预报。本研究结果可为指导越冬作物安全越冬、趋利避害以及防灾减灾提供参考。

1 资料与方法

1.1 资料来源

本文选取2011—2016年冬季（12月至翌年2月）巢湖国家基本气象站逐日气象观测资料，主要包括平均气温、最低气温、最高气温、日照时数、相对湿度、总云量、低云量、降水量、平均风速，0～20 cm（0、5、10、15、20 cm）5层逐日平均地温和最低地温资料，平均气温、相对湿度、平均风速和各层平均地温为当日2：00、8：00、14：00、20：00 4个整点数据的算数平均值，总云量和低云量为当日8：00、14：00、20：00 3个整点人工观测值的算数平均值，最高气温、最低气温以及各层最低地温从逐日分钟资料中获取。

1.2 研究方法

BP神经网络[10-12]是一种多层前向型神经网络，具有典型的信号前向传播，误差反向传播的特点，本文采用BP神经网络模型算法及不同层地温的观测数据和相應的气象数据，构建不同层最低地温的估算模型。

BP神经网络拓扑结构如图1所示。第一层为输入层，输入经过相关性分析后筛选的预报因子；第二层为隐含层，设置其节点数为20；第三层为输出层，主要输出不同层最低地温。隐含层和输出层传递函数均采用S型正切函数tansig，设网络训练算法为traingdm，训练次数为50 000，初始学习速率为0.01。

1.3 模型检验

模型优劣的选取标准采用检验模型常用的统计方法，即回归估计标准误差RMSE（root mean squared error）、相对误差RE（relative prediction error）、绝对误差AE（absolute error）、决定系数R2，对模拟值与实测值之间的符合度进行分析。计算公式如下：

1.4 统计分析

采用SPSS软件进行相关分析，MATLAB软件进行数据处理，使用Microsoft Excel 2003软件作图。

2 结果与分析

2.1 地温的日变化

通过分析2011—2016年冬季各层地温的日变化（图2）可知，各层土壤温度日变化呈正弦曲线变化，白天高、夜间低，各层平均土壤温度在一天中都有一个最高值和最低值，随着土壤深度的增加，最高温度降低、最低温度升高，地温日变幅变小，0、5、10、15、20 cm地温的平均日较差分别为14.1、6.1、3.5、2.0、1.2 ℃，气温的平均日较差为6.0 ℃，5 cm地温和气温的日变幅最为接近。各层地温日变化位相从地表向深层逐层滞后，各层地温谷（峰）值出现的时间表现为0 cm>5 cm >10 cm>15 cm>20 cm。其中0 cm地温谷值出现在7：00；日出后，受太阳直接辐射作用温度迅速上升，并向下层传导热量，带动下层地温升高，0 cm地温在13：00达到峰值；日落后，由于地表接近大气，与大气之间热量交换频繁，有一部分热量散失到大气中，温度迅速下降；17：00以后已经低于气温和其他各层地温。各层地温在白天变化差异大，随后随着气温的下降，地面温度回落，温度差逐步减少；20：00至次日7：00， 0～20 cm各层地温平缓下降，各层地温的平均值表现为由20 cm至0 cm逐层减小，由于温度差，热传导方向发生变化，热量有由深向表层传递的趋势。

2.2 最低地温的影响因子

由于土壤与空气的能量交换和热传导，使地温与气温之间存在着密切的关系，地温对气温的变化具有一定的滞后效应，同时土壤各层之间存在热能量传导效应，因而选用前一日的平均气温、最高气温、最低气温、0～20 cm各层平均地温和最低地温作相关性分析。此外，地温还与太阳辐射、风速、土壤湿度和土壤质地等因素有关，因而选取将前一日的日照时数、总云量、低云量、相对湿度和平均风速与当日各层最低地温作相关性分析。

运用SPSS软件对上述气象因子进行相关分析，由表1可知，当日各层最低地温与前一日平均气温、最低气温、最高气温、前一日0、5、10、15、20 cm平均地温及最低地温相关系数均>0.5，与前一日的日照时数成显著的负相关。因此，本研究选取以上气象因子作为模型输入参数，运用BP神经网络对不同层最低地温进行模拟，并对预报模型拟合度进行分析。

2.3 不同层最低地温模型

2.3.1 模型训练结果。对比分析BP神经网络训练得到的不同层最低地温模拟值与同期实测值，结果如图3所示。不同层地温的模拟值和预测值均比较均匀地分布在1∶1线附近，0、5、10、15、20 cm层最低温度模拟值和实测值决定系数分别为0.79、0.85、0.90、0.93、0.96，拟合精度随着土壤层深度的加深而提高，20 cm层拟合效果明显优于0 cm层。

2.3.2 模型预报检验。不同层地温预报检验结果（表2）表明，标准误差、相对误差和绝对误差由0 cm层到5 cm层呈逐层减小的趋势，R2呈逐渐增大的趋势，其中标准误差均<2 ℃，20 cm的标准误差仅为0.40 ℃，R2达0.96，模型模拟精度明显优于表层，预报检验效果较好。

3 结论与讨论

本文对2011—2016年冬季巢湖市0、5、10、15、20 cm地温的日变化进行分析，通过相关性分析进行预报因子筛选，建立0～20 cm最低地温预报模型，并进行模型预报检验，得到如下结论：

（1）冬季0～20 cm地温日变化与气温日变化密切相关，0 cm层在白天对气温的响应最为剧烈，各层均呈正弦曲线变化，越向深层地温变化幅度越小，位相逐层滞后，白天由地表向下传输热量，夜间由深层向地表传输热量。

（2）最低地温预报模型检验表明，预报准确度由浅至深逐层提高，20 cm层预报效果明显优于0 cm层。各层绝对误差在0.32～1.39 ℃之间，均<2 ℃，预报精度达到了业务应用标准，为当地开展地温预报，科学指导越冬作物安全越冬、趋利避害提供参考。

（3）土壤表层与大气直接接触，受太阳辐射以及与大气热量交换最为明显，太阳辐射与日照密切相关，而云量是影响日照的主要因子之一，虽然在预报因子的选择上考虑了总云量和低云量，但是没有具体按照晴天、多云和阴天进行分类建立预报模型。此外，由于冬季气温较低，地温常出现冻结或是积雪覆盖，冻结现象影响了土层之间的热量传导，积雪覆盖阻碍了土壤与大气之间的能量交换，使土壤温度，特别是表层地温与气温、日照等气象因素的关联性减弱，这些都对预报模型的准确性造成影响。

（4）本研究建立的冬季不同层日最低气温预报模型，在输入层同时输入多个预报因子作为输入变量，在输出层输出多层最低地温，所构建多输入多输出的BP神经网络模型能一次性估测出各层地温预报，大大减少建模和计算工作量，但对每一层而言预报因子的选择不可能都达到最优化。在具体建模时，应该充分考虑特殊天气情况（寒潮、雨雪冰冻、雾霾等）和土壤湿度、土壤性质等因子影响。此外，还应该分层分别建立地温预报模型，有效提高准确性，这有待今后做更深入的研究。

4 参考文献

[1] 中国气象局.地面气象观测规范[M].北京：气象出版社，2003：85-89.

[2] 贺欢，田长彦，王林霞.不同覆盖方式对新疆棉田土壤温度和水分的影响[J].干旱区研究，2009，6（6）：826-831.

[3] 米丽娜，王芳，李友宏，等.宁夏平原灌淤土土壤养分与作物产量的空间变异性[J].干旱区研究，2009，26（4）：508-513.

[4] 孙小妹，张涛，陈年来，等.土壤水分和氮素对春小麦叶片抗氧化系统的影响[J].干旱区研究，2011，28（2）：206-214.

[5] WALKER J M.One-degree increment in soil temperature affects maizes-eedling behavior[J].American Society Soil Science，1969，33：729-736.

[6] 姜会飞，廖树华，叶尔克江，等.地面温度与气温关系的统计分析[J].中国农业气象，2004，25（3）：1-4.

[7] 杨丹，薛晓萍，李楠，等.日光温室地温预报技术研究[J].中国蔬菜，2013（20）：54-60.

[8] 李帅，王萍，陈莉，等.黑龙江省春季浅层（0～20 cm）地温变化特征及预报[J].冰川冻土，2014，36（1）：55-62.

[9] 罗喜平，周明飞，汪超.贵州省冬季地表（0 cm）温度预报探讨[J].贵州气象，2016，40（4）：1-5.

[10] 金志凤，符国槐，黄海静，等.基于BP神经网络的杨梅大棚内气温预测模型研究[J].中国农业气象，2011，32（3）：362-367.

[11] 杨再强，黄川容，费玉娟，等.基于BP神经网络的温室番茄气孔导度的模拟研究[J].东北农业大学学报，2011，42（11）：70-77.

[12] 倪玉红，孙擎，王学林，等.盱眙龙虾池塘夏季水温与溶解氧变化特征及预报模型研究[J].中国农学通报，2015，31（32）：33-39.