论文部分内容阅读
盐渍土作为一种重要的后备土地资源，对其加以合理利用和有效改良发挥资源潜力，提高综合生产能力，对保障我国未来粮食安全和保护生态环境具有重要意义，同时也是我国农业可持续发展的重要途径之一。合理的盐渍土改良利用管理必须建立在正确的土壤水盐动态预报的基础之上。研究土壤水盐动态，了解水分和盐分在土壤中的分布和去向，分析土壤水盐动态的影响因素，建立土壤水盐运移模型并对土壤水盐动态进行预测预报，不仅对土壤水盐运移机理研究具有重要理论意义，而且对认识土壤盐渍化发生演变和防治土壤次生盐渍化具有重要实际意义。
本文针对黄淮海平原和苏北滨海盐渍障碍土壤改良利用问题，以河南封丘和江苏如东土壤水盐动态长期观测资料为依托，在分析典型盐渍区土壤水盐运移规律和影响因素的基础上，采用时间序列分析、人工神经网络和支持向量机对两地的土壤水盐动态进行了建模和预测研究，并在分析比较土壤水盐动态时间序列预测模型的基础上提出了适于不同盐渍区的土壤水盐动态预测预报模式。主要研究内容和成果如下：
1.分析阐述了黄淮海平原典型盐渍区土壤水盐动态规律与其影响因子的关系。
以黄淮海平原典型土体构型和不同地下水位组合的大型土柱模型实验表明：降雨和蒸发是土壤水盐动态变化的主导因素，降雨对剖面土壤水分有脉冲性抬高作用，对土壤盐分则有脉冲性降低作用；地下水埋深和粘土夹层厚度影响土壤水盐动态的整体水平，粘土夹层越接近地下水埋深，其对含盐地下水参与土体积盐的抵消作用越强；植被条件影响土壤水盐动态随时间的变化和空间的分布，作物根系吸收水分和养分，加速了潜水向土体的补给，从而影响了土壤水盐在剖面的分布。
2.，分析阐述了苏北平原典型盐渍区土壤水盐动态规律，并研究了水盐动态与其影响因子的关系。
在江苏如东开展土壤水分、盐分和温度野外定位监测实验表明：监测点土壤水分含量随着土壤深度增加逐渐增加，并且距地表愈近土壤水分波动越频繁，土壤水分波动幅度越大。由于地下水埋深较浅，且地下水矿化度较高，剖面土壤盐分呈现明显的表聚特征，距地表20cm以下土层土壤电导率基本维持不变。另外监测点表层土壤含盐量在监测期间波动较大，这与当地的降雨蒸发条件频繁交替有关。苏北滨海野外监测点土壤水盐动态的影响因素有两个，其一是气象条件，主要是当地降雨蒸发对土壤水盐运动方向和强度起主导作用，在监测点某一段时间降雨量大于蒸发量，即意味着土壤剖面盐分的淋洗，而当蒸发量大于降雨量时，剖面土壤盐分向地表积聚；其二是当地地下水位的变化，地下水位的动态变化影响剖面土壤盐分的上行和下移，监测点平均地下水位在1m左右，这可能是监测点剖面土壤盐分分布呈现表聚的主要原因。
3.利用时间序列分析方法，同时结合BP神经网络和最小二乘支持向量机对河南封丘土壤水盐动态监测时间序列进行建模分析和预测，通过比较研究指出三种方法的适宜应用范围。
对封丘地下室土柱的土壤水盐动态的ARIMA、BP神经网络和最小二乘支持向量机建模分析表明，不同层次的土壤水盐动态时间序列预测模型具有不同的最佳模型，预测精度的高低强烈依赖于土壤水盐动态时间序列本身。在不同层次的土壤水盐动态时间序列预测的最佳模型中，BP神经网络模型占的比例最高，最小二乘支持向量机模型次之，ARIMA模型所占比例最低。但是就这三种方法本身而言，BP神经网络和LS-SVM模型都取得了很高的预测精度，在样本量不太大的情况下，LS-SVM模型具有更广的适应性和推广能力，BP神经网络模型的建立还依赖于人的经验。
4.通过时间序列分析、人工神经网络和最小二乘支持向量机等三种方法对江苏如东土壤水盐热动态时间序列进行短期预测建模分析，同时比较研究了各方法的适宜应用范围。
在对苏北滨海监测点土壤水分、盐分和温度的短期预测中，基于非线性理论基础的人工神经网络和最小二乘支持向量机模型要优于ARIMA模型，这是因为人工神经网络和LS-SVM能很好地模拟短期时间序列中的非线性特征。就这三种方法本身而言，尽管最小二乘支持向量机模型具有更广的适应性和推广能力，其模型参数能够自动寻优，建立方法更简便，但是当样本数较大时，其运算速度下降明显，甚至导致模型失去应用价值，这使得建立预测模型时需考虑用人工神经网络或ARIMA模型来代替。
5.在综合分析比较三种方法在土壤水盐动态时间序列建模预测优劣的基础上，提出了适于不同地区的最佳土壤水盐动态预测模式。
不同层次的土壤水盐时间序列具有不同的最佳模型，模型的优劣强烈依赖于土壤水盐动态数据本身的变化特征。当不同层次土壤水盐动态数据呈现一定的趋势或周期性等规律时，简单的ARIMA模型就能取得很好的预测效果，而当土壤水盐动态监测数据呈现非线性特征，这时BP神经网络和最小二乘支持向量机就比ARIMA模型预测效果要好得多。针对河南封丘土壤水盐动态预测研究，首选最小二乘支持向量机模型，同时可辅以ARIMA模型；对江苏如东土壤水盐动态监测数据进行短期预测研究，人工神经网络相对来说是比较理想的选择。