基于支持向量機的凍融土壤入滲參數預測

李昊哲　樊貴盛

摘要：以提高凍融條件下農田土壤灌溉水利用率為目的，基于汾河灌區凍融期內土壤入滲試驗，運用支持向量機理論，建立了以凍融條件下土壤含水率、質地、容重、地溫和灌溉水溫為輸入變量，Kostiakov入滲模型參數k、a為輸出變量的支持向量機回歸預測模型。預測模型誤差分析表明：入滲系數k與入滲指數a的訓練樣本相對誤差與檢驗樣本相對誤差都控制在10%以內，將k與a代入Kostiakov入滲模型得到的90 min累計入滲量，Ian的相對誤差平均值為5.81%。說明凍融土壤條件下，基于支持向量機理論的Kostiakov入滲模型參數的預測是可行的。

關鍵詞：支持向量機；凍融土壤；Kostiakov入滲模型；土壤理化參數

土壤水分入滲是地表水轉化為土壤水的途徑，是自然界中降水、地表水、土壤水和地下水相互轉化過程中的一個重要環節。同時，對土壤入滲特性的分析也是農田灌溉、地表產流和土壤改良等問題的研究核心。凍融土壤的水分入滲是指具有一定溫度的雨水、融雪水、灌溉水垂直向下進入凍融土壤的過程。據調查，我國北方大部分地區的春、冬季灌溉都是在土壤凍結的條件下進行的。很多專家學者對凍土進行過研究，如Thunholm等對凍結黏土的土壤水分人滲特性進行了研究分析：彭振陽等通過對季節性凍融土壤水分運動規律的研究，得出凍結期土壤水分向上運動的規律。凍土問題已經成為當前的一個研究熱點，凍融條件下土壤水分入滲的研究對于確定合理的灌水技術參數和科學利用水資源有著重要意義。

鑒于水分在土壤中運動的復雜性，人們試圖利用土壤傳輸函數法來預測土壤入滲參數，突破了傳統獲取入滲參數的方法。土壤傳輸函數法通過建立以較易獲取的土壤常規理化參數為輸入變量，土壤入滲參數為輸出變量的模型，來預測土壤入滲參數。常用的土壤傳輸函數模型有分形機理模型、物理經驗模型和統計回歸模型。其中分形機理模型和物理經驗模型都有一定的局限性。目前統計回歸模型已經較為成熟，如Vereecken等與Rawls等利用土壤傳輸函數法，通過建立多元線性函數，得到了土壤水分特征曲線。DUAN等通過對東北黑土的研究，建立了以土壤粉粒含量、黏粒含量、有機質含量、容重為自變量的線性回歸模型，預測土壤田問持水量。武雯昱等利用人工神經網絡方法對土壤水分入滲Kostiakov模型參數進行了預測。這些研究中所用到的模型以人工神經網絡、線性回歸擬合、非線性回歸擬合、分類回歸樹等為主，利用支持向量機對凍融土壤水分入滲參數進行預測的還未見報道。支持向量機（Support VectorMachine，簡稱SVM）是由Corinna Cortes和Vapnik等于1995年提出的，相比其他方法，支持向量機數學推導嚴密，有著堅實的理論基礎，計算量也較小。筆者試圖采用支持向量機對凍融土壤Kostiakov入滲模型參數進行預測，以期為凍融土壤入滲參數的獲取提供技術支撐。