连帅明，许仲林，王文栋

(1.新疆大学地理与遥感科学学院，新疆 乌鲁木齐 830017；2.新疆大学 绿洲生态教育部重点实验室，新疆 乌鲁木齐 830017；3.新疆林科院 森林生态研究所，新疆 乌鲁木齐 830063)

土壤温度变化在宏观层面是对气候变化作出的敏感响应，同时又是影响大气环流和气候变化的主要因子之一[1]。在微观层面，不仅影响植物的光合作用，对植物的养分、水分吸收利用等也具有调控功能。此外，土壤温度对土壤动物、微生物生存和动态的影响也是显而易见的[2-6]。因此，对土壤温度的研究，具有重要的理论和现实意义。

学者们对多种时空尺度上土壤温度的变化已展开了系统深入的研究[7-8]。在国内，土壤温度的主要研究对象是影响因素，在不同地区，不同时空尺度上土壤的温度变化表现出一定的规律性[9-11]。受气候、海拔、纬度、土壤类型、植被和耕作等因素的影响，不同区域土壤温度变化的主要影响因素不同；在荒漠-绿洲过渡带，气温是影响土壤温度最主要的气象因子[12]；在亚高山森林0～40 cm土壤温度日较差随着土壤深度的增加逐渐减小[13]；张慧智等[14]对中国土壤温度的空间分布进行研究发现，气温、经纬度和海拔对年均土壤温度均有显著影响。土壤温度也是影响城市绿地类型土壤呼吸时间动态的重要因子[15]；核桃-小麦间作降低了生长季高温时段浅层土壤温度[16]。国外对土壤温度研究发现，2个较大流域的土壤温度季节变化趋势相似[17]；气温对土壤温度变化具有主导作用[18]。对预测模型的研究发现，在伊朗2种模型均能准确预测浅层土壤温度，但随深度的增加预测性能逐渐降低[19]；基于线性随机模型提高了预测精度[20]；深度回波状态网络模型优于传统方法[21]；多元自适应回归算法优于支持向量机算法[22]；自适应神经模糊系统方法优于多元线性回归方法和多层感知器方法[23]；多层感知器人工神经网络模型优于多元线性回归模型[24]等。上述研究表明，土壤温度的变化规律及其影响因素在不同时空尺度具有差异性，同时各预测模型的效果也不相同。因此，需要对典型生态系统土壤温度动态及其影响因素开展深入研究，为陆地生态系统能量平衡过程提供参考。

干旱区的生态系统类型相对单一且脆弱，其土壤的温度动态具有典型特征。牛春霞等[25]研究发现，天山北坡气温对土壤温度的影响随着土壤层深度增加而减弱，车宗玺等[26]研究发现祁连山西段草地土温与海拔正相关，付皓宇等[10]研究揭示了准噶尔盆地南缘荒漠草地土壤温度与气象因子相关性较好，罗斯琼等[27]认为三江源地区气温和地温具有明显的正相关性，柳媛普等[28]研究揭示了河西走廊中段干旱荒漠区土壤温度受辐射影响大，陈启民等[29]在洛浦县发现冬季随着土壤深度的增加土壤温度升高。截至目前，对新疆北部阿尔泰山山地森林生态系统土壤温度的研究仍较缺乏，限制了对干旱区典型生态系统能量循环的深入理解。本研究在对阿尔泰山山地森林生态系统土壤温度进行系统观测基础上，采用模型方法分析不同层的土壤温度变化，旨在进一步加深对干旱区山地生态系统能量平衡的理解。

1 材料与方法

1.1 研究区概况

阿尔泰山森林生态站(48°41′34″N，87°1′58″E)位于新疆阿勒泰布尔津县喀纳斯国家自然保护区内，海拔1 382 m，植被主要为北方针叶林，土壤类型主要是灰色森林土，其母质为残积母质。大陆性气候，气温年较差较大，多年平均气温-0.2 ℃，多年平均降水量约为600 mm，蒸发量约为1 000 mm，日照时数长约为2 157 h，无霜期相对较短。区域内地形复杂多样，物种丰富多样，植被垂直地带性明显。

1.2 数据来源及处理

数据来源于2014年11月-2019年7月国家林业和草原局阿尔泰山森林生态站，数据采集时间间隔10 min，观测要素包括空气温度(℃，最高、最低、平均)、相对湿度(%，最大、最小、平均)、气压(hPa，最大、最小、平均)、风速(m·s-1最大和平均)、太阳辐射量(W·m-2，最高、最低、平均)、光合有效辐射(W·m-2，最高、最低、平均)、净辐射(W·m-2，最高、最低、平均)、降水(mm)8大类21个气象因子，以及5、10、20 cm和30 cm层土壤温度数据。

数据处理和统计利用Office 2019和SPSS 22.0进行，利用R语言环境进行BP人工神经网络分析，通过Origin 2018制图。

1.3 研究方法和预测模型构建

采用相关分析(Pearson相关系数)研究不同层土壤温度和气象因子之间的关系，利用多元线性回归模型以及BP人工神经网络对不同层土壤温度进行预测。

人工神经网络(artificial neural network，即ANN)自20世纪80年代提出以来已成为研究热点，并在地理学研究中得到了广泛应用[30-34]。BP神经网络(backpropagation neural network)是按照误差逆向传播算法进行参数拟合的人工神经网络模型，具有网络构建简单、训练算法丰富、映射能力强等特点，是应用最广泛的神经网络模型。本研究构建的BP神经网络模型由输入层、隐含层和输出层构成，鉴于对不同深度土壤温度的预测并不复杂，因此只设置一层隐含层。

采用R语言实现BP神经网络的构建。输入层包含14个神经元，对应14个气象因子(x1、x2、x3、x4、x5、x6、x10、x11、x12、x13、x14、x16、x17、x21)的输入；隐含层神经元个数为10；输出层是4个土壤层的温度，包括4个神经元。输入层、隐含层和输出层的传递方式分别设置为'purelin'、'logsig'以及'purelin'；模型拟合之前，对输入层的14个初始因子进行归一化处理。

2 结果与分析

2.1 土壤温度变化特征和规律

2.1.1 土壤温度月均值变化 近5 a的各层土壤温度变化趋势一致(图1A)，但各层土壤最低温度和最高温度出现时间不同。5 cm层最低温度出现在2018年2月(-2.69 ℃)，其余各层低温均出现在12月(10 cm为2014年12月，20 cm和30 cm为2017年12月)；各层最高温度均出现在2015年，但观察到高温的月份有所差异(10 cm和20 cm深度最高温度出现在7月，5 cm和30 cm出现在8月)。随着土壤深度的增加，最低温度由5 cm处的-2.65 ℃降低至20 cm处的-4.38 ℃，至30 cm深度，最低温度又有所回升(-4.00 ℃)；最高温度的变化趋势与最低温度相反：随着土壤深度的增加，最高温度由5 cm处的16.2 ℃升高至20 cm处的18.31 ℃，至30 cm最高温度又下降至17.23 ℃。

图1 土壤温度2014年11月-2019年7月各月平均变化和年际变化

各层土壤温度均值的年际变化呈现倒V形(图1B)，2016年升至最高后到2018年降至最低。就各层土壤温度的差异性而言，2018年差异性较大(最高、最低值相差0.51 ℃)，2015年次之(高低温之差为0.33 ℃)，2016年和2017年差异相对较小(高低温之差分别为0.18 ℃和0.14 ℃)。

2.1.2 土壤温度日变化 研究期内各层土壤温度日均值变化趋势一致(图2A)：0:00-5:00时10 cm土壤温度最高，6:00-13:00时5 cm温度最高，20 cm土壤温度最高在14:00-23:00，23:00-24:00时10 cm土壤温度最高。与浅层5 cm土壤层温度相比，深层土壤温度的变异性较高；各土壤层从上到下最高温度分别出现在3:00、22:00、18:00和20:00，最高值分别为5.99、6.59、8.26 ℃和6.95 ℃；最低温度分别出现在17:00、13:00、10:00和11:00，温度分别为5.70、5.42、4.37 ℃和4.38 ℃。

土壤温度的日较差从大到小依次为20、30、10 cm和5 cm，日较差依次为3.89、2.57、1.17 ℃和0.29 ℃。总体而言，各层土壤温度的变化趋势虽一致，但并未呈现随土壤深度增加而一致变化的趋势；同样，日较差也未呈现出随土壤层递减的趋势，土壤层日较差最大值和最小值分别出现在20 cm和5 cm。

2.1.3 土壤温度月变化 各土壤层的温度月际动态呈倒U形(图2B)，5、10 cm和20 cm深度土壤温度从7月至次年2月逐渐降低，30 cm土壤的降温过程则从8月开始。相应地，5、10 cm和20 cm深度土壤的升温过程在年内持续至7月份，而在30 cm深度，升温持续至8月份。在年内不同时期，土壤最低温度出现的深度不同：11月至次年2月间，20 cm深度土壤的温度在各层中最低，9-10月和次年3月，30 cm深度土壤温度在各层中最低；暖季土壤高温亦如此(3-8月20 cm土壤温度在各层中最高；9月至次年3月间，5 cm深度土壤温度在各层中最高)。5 cm和10 cm土壤最低温度出现在2月，20 cm和30 cm出现在12月，极值分别为-0.63、-1.00、-1.84 ℃和-1.39 ℃；5、10 cm和20 cm 深度土壤温度在7月份达到最高，分别为15.58、16.76 ℃和17.69 ℃；30 cm土壤温度在8月达到最高(16.48 ℃)，表明土壤自表层至深层热量传导出现滞后现象。

图2 各土壤层温度的日变化(A)、月变化(B)和月较差(C)

各土壤层温度月较差从高到低依次是30、20、10 cm和5 cm，分别为42.12 ℃(7月)、26.18 ℃(6月)、13.87 ℃(9月)和9.56 ℃(9月)(图2C)。各层土壤的月较差最小值较小，其中5、10 cm和20 cm在3月，分别为2.78 ℃、2.99 ℃和3.25 ℃；30 cm在11月为3.94 ℃。4-10月各层土壤温度的月较差较大，11月-次年3月各层土壤温度的月较差较小。

2.1.4 土壤温度季节变化 依据已有研究，将研究区的季节进行如下划分：春季3-5月、夏季6-8月、秋季9-11月、冬季12月到次年2月[35]。考察各季节内土壤温度的日变化，发现春、夏、秋3季各层土壤温度的日内动态呈波动变化(图3ABCD)，波动幅度由高至低依次为20、30、10 cm和5 cm；冬季各层土壤温度日变化较为稳定，平均温度由高至低与春夏秋3个季节相反，其分别为5、10、30 cm和20 cm。

四季日均温度中，春季和夏季最高温度均出现在20 cm土壤层，最低温度均出现在5 cm土壤层；秋季最低和最高温度均在20 cm土壤层；冬季5 cm深度土壤温度最高，20 cm最低。各土壤层温度日较差的极小值出现在冬季，极大值出现在秋季。

土壤温度日均值夏季最高，冬季最低；随着土壤深度的增加，各季节土壤温度的变化呈现出不同特征：春夏季先升高后降低，秋季持续降低，冬季先降低后升高(图3E)。考察各季节土壤温度日较差随土壤深度的变化过程发现，冬季日较差变化较小，其余3季土壤温度日较差从表层至深层均表现为先升高后降低的趋势(图3F)。

图3 各土壤层的温度季节变化(ABCD)、季节日均值(E)和日较差(F)

2.1.5 不同季节土壤温度年际变化特征 考察2014-2019年各层土壤温度的季节均值发现，春、秋、冬季总体变化趋势一致，呈现出“N”形，夏季总体呈现下降趋势(图4)。具体而言，春季各层土壤温度在2015-2017年上升，2018下降，至2019年除30 cm深度土壤温度持续下降外，其他各层均上升；夏季总体上为下降趋势；秋季各层土壤温度逐年变化趋势与春季相同；冬季各层土壤温度的逐年趋势均一致：2014-2015年上升，2016年与2015年相比变化不大，2017年降低，至2018年又有所回升。

图4 不同季节土壤温度年际变化

2.2 土壤温度对气象因子的线性响应

2.2.1 土壤温度与气象因子的相关性 各气象因子中，空气温度(最高、最低和平均)、气压(最大、最小和平均)、太阳辐射(最高和平均)、平均净辐射以及最高净辐射与土壤温度呈正相关(表1)，其中空气温度(最高、最低和平均)、气压(最大、最小和平均)、太阳辐射(最高和平均)、平均净辐射和最高净辐射与土壤温度的相关性达到极显著水平。最小相对湿度与土壤层温度负相关。其余气象因子与土壤温度的相关性较低。

表1 土壤各层的温度与气象因子的Pearson相关系数

随着土壤深度的增加，空气温度(最高、最低和平均)、最大气压、太阳辐射(最高和平均)以及净辐射(最高和平均)与土壤温度的相关关系呈现先升高后降低的趋势，相关系数在20 cm深度最高。气压(最大、最小和平均)与土壤温度的相关性随着土壤深度的增加呈倒V形，相关系数在10 cm层最高。最小相对湿度与土壤温度的负相关性随土壤深度的增加先升高后降低，相关系数的绝对值在20 cm处达到最高。

2.2.2 土壤温度与气象因子的回归关系 选取8大类气象因子做一元线性回归分析结果表明(表2)，平均气温和平均气压对各土壤层温度的决定系数最高且随着深度的增加先升高后降低(在20 cm深度拟合效果最好)；平均净辐射和平均太阳辐射次之，对各层土壤温度的决定系数介于0.32-0.71之间，表明二者在一定程度上影响土壤温度。

表2 土壤温度与气象因子之间的一元线性回归模型

研究期内(2014年11月到2019年6月)逐日观测土壤温度数据和气象因子之间建立多元线性回归方程可知，回归模型在各土壤层的模拟效果较好(相关系数分别为0.93、0.95、0.96和0.95)，为进一步检验模型的准确性，选取2019年7月份共31天的观测数据进行验证，结果表明(图5)，5、10、20 cm和30 cm深度多元线性回归模型预测值与观测值之间的相关系数分别为0.27、0.53、0.74和0.70，表明随着土壤深度增加，多元线性回归模型的预测精度逐渐升高。

图5 土壤温度与气象因子之间的多元线性回归模型性能

采用整个研究期内数据建立逐步回归模型，结果表明，最大气压、最高气温和平均风速对5 cm土壤层温度具有显著影响；最大气压、平均净辐射和最高气温对10 cm土壤温度的变异性具有较大贡献；对20 cm土壤温度的变异性贡献较大的因子包括最高空气温度、最大气压和平均净辐射；最大气压、平均净辐射和平均风速对30 cm土壤温度的变异性影响较大(表4)。

表3 土壤温度与气象因子之间的多元线性回归模型

表4 土壤温度与气象因子之间的逐步回归模型

同样选取2019年7月共31 d的观测数据对逐步回归模型进行验证，结果表明，5、10、20 cm和30 cm深度逐步回归模型预测值与观测值之间的相关系数分别为0.48、0.61、0.76和0.61(图6)，总体而言，逐步多元线性回归模型优于多元线性回归模型，多元线性回归模型仅在30 cm土壤层的性能优于逐步多元线性回归模型。

图6 土壤温度与气象因子之间的逐步回归模型性能

2.3 BP人工神经网络模型

观测期内(2014年11月到2019年6月)的气象因子和土壤温度作为训练样本进行BP人工神经网络的构建，其中输出目标t为各土壤层的土壤温度，预测变量P为气象因子。设置最大训练次数为10 000，学习速率0.000 1，模型误差达到目标值(0.65×10-3)后，预测2019年7月各土壤层(5、10、20 cm和30 cm)温度，并将预测温度和实际观测值进行比较，得到模型的性能评价，结果表明(图7)，BP人工神经网络对10 cm和20 cm土壤温度的预测性能较好(相关系数分别为0.78和0.89)，其次为5 cm土壤(R=0.64)，对30 cm土壤温度的预测性能较差(R=0.57)。

图7 BP人工神经网络模型性能

对比BP人工神经网络模型与回归模型，发现2类模型均对20 cm土壤温度的预测效果较好，对30 cm土壤温度的预测效果较差，且BP人工神经网络模型总体上优于回归模型。

3 结论与讨论

3.1 结论

本研究表明，阿尔泰山森林生态站2014年11月到2019年7月，近5 a的月平均各层土壤温度变化趋势一致，但各层土壤最低温度出现时间不同(2018年2月5 cm为-2.69 ℃、2014年12月10 cm为-3.50 ℃、2017年12月20 cm和30 cm分别为-4.85 ℃和-4.18 ℃)和最高温度不同(2015年8月5 cm和30 cm分别为16.19 ℃和17.23 ℃、2015年7月10 cm和20 cm分别为17.37 ℃和18.31 ℃)；各层土壤温度均值的年际变化呈现倒V形。

日变化中各层土壤温度变化趋势一致，但未呈现随土壤深度增加而一致变化的趋势，20 cm土壤层温度变化最大，5 cm土壤层变化较小；同样，日较差也未呈现出随土壤层递减的趋势，日较差最大值和最小值分别出现在20 cm的3.89 ℃和5 cm的0.29 ℃。

各土壤层的温度月际动态呈倒U形，5、10 cm和20 cm 深度土壤温度在7月达到最高，分别为15.58、16.76 ℃和17.69 ℃，30 cm土壤温度在8月达到最高为16.48 ℃，表明土壤自表层至深层热量传导出现滞后现象。

各土壤层温度在春夏秋季变化较大，冬季变化较小；各土壤层温度日较差的极小值和极大值分别出现在30 cm冬季为1.64 ℃和20 cm秋季为25.53 ℃；土壤温度日均值夏季最高均高于16.61 ℃，冬季最低于1.23 ℃。

空气温度、气压和太阳辐射等与土壤温度的相关性达到极显著水平；平均空气温度与各层土壤温度的拟合关系最好(R>0.75)；土壤温度预测表明，预测模型随着土壤深度增加，其预测精度逐渐升高，且逐步多元线性回归预测模型优于多元线性回归预测模型；BP人工神经网络模型总体上优于回归模型的预测性能，且20 cm土壤层的预测结果最好。

3.2 讨论

3.2.1 土壤温度的变化和气象因子的相关分析 对阿尔泰山的各土壤层的土壤温度的变化和气象因子之间的关系进行分析，结果表明各土壤层温度的日、月和季节变化的总体趋势一致，但土壤热量传输未随土壤深度递减，与缑倩倩等[12]的结果不同；另外，发现相对于5、10 cm和30 cm土壤层，20 cm土壤层的温度在日、月、季尺度上的变异性最高，与付皓宇等[10]的结果不同。唐振兴等[36]和车宗玺等[26]研究表明土壤温度的垂直变化存在滞后现象深层土壤温度的变化趋势滞后于浅层土壤。本研究发现土壤温度月变化在30 cm出现滞后现象，但5、10 cm和20 cm的土壤温度未出滞后性。

气温对土壤温度的变异性影响较大，这与干旱区前人研究结果相同[12]，表明干旱区的土壤温度主要受气温影响。涂钢等[37]研究认为影响东北半干旱区草地土壤温度的关键因子为太阳辐射，而影响热带地区土壤温度的关键因子则是降水[14]。因此，不同研究区域土壤温度的主控因子具有差异性不同，表明气候背景以及地表植被覆盖可能是影响土壤温度的主控因子。

3.2.2 土壤温度预测模型的模拟 BP人工神经网络预测模型和回归模型均表明，随着土壤深度的增加，模型拟合性能总体呈现降低趋势，但对20 cm深度土壤的模拟效果较好，这与王选耀等[38]的研究结果不同，他们发现，随着土壤深度的增加，各模型的性能存在下降趋势，但下降程度存在分异。冯学民等[39]建立回归方程对我国绝大多数地区土壤温度进行预测，发现回归模型的预测较好，但此类模型在干旱区表现不佳。本研究通过对比得到BP人工神经网络总体上优于回归模型，与张修玉等[40]以及姚付启等[41]的结果相一致。因此，建议在对干旱区土壤温度进行预测时，采用BP人工神经网络方法以获得较为可信的预测结果。