杜鑫钰，陈军锋，薛 静，郑秀清，杜 琦，杨小凤

（1.太原理工大学水利科学与工程学院，太原030024；2.山西省水文水资源勘测局太谷均衡实验站，山西晋中030800）

0 引 言

土壤蒸发作为无效水分损耗，是农田水分的主要消耗途径，其变化过程直接影响干旱半干旱地区农作物的生长和土壤水资源的高效利用[1-4]。我国季节性冻土主要分布于干旱半干旱气候区[5-7]，该地区越冬期的土壤蒸发特征决定了春夏季播种前的土壤墒情，同时土壤冻结时水分相变及其与温度的剧烈耦合作用加剧了土壤蒸发过程的复杂性[8]。因此，研究季节性冻融期土壤蒸发规律，准确预估冻融期土壤蒸发量对于提高干旱半干旱气候区的水资源利用效率具有重要意义。

目前，学者大多基于水热耦合运移数值模型[9，10]研究冻融期的土壤蒸发过程。Flerchinger[11]等根据SHAW 模型模拟研究了不同类型残茬覆盖物下的土壤蒸发及水热运移情况；李瑞平[12]等运用SHAW模型探讨了秋浇制度和土壤盐渍化程度对冻融期土壤蒸发的影响；成向荣[13]等通过SHAW模型对黄土高原半干旱地区土壤蒸发进行了预测研究；陈军锋[8]等基于SHAW模型研究了不同地下水位埋深和土壤质地对冻融期土壤蒸发过程的影响。然而，这类数值模型需要大量精确地土壤和气象资料驱动模型，并且需要花费大量时间对模型进行调参[14]。为进一步提高预测精度，简化模型所需输入的参数和调参过程，神经网络和机器学习等人工智能方法在农田预测方面得到了普遍应用。……