不同覆蓋類型土壤電阻率影響因子及其PLS和BP模型的預測研究

2017-06-20 15:33:21馮旭宇劉曉東石湘波李慶君

現代農業科技 2017年9期

馮旭宇++劉曉東++石湘波++李慶君++王衛紅++宋昊澤++博格++劉翠

摘要土壤電導率是反映土壤質量和物理性質的重要參數。本研究通過對試驗區不同覆蓋類型下土壤溫度、含水量及電導率的測試，探討土壤溫度和含水量對土壤電阻率的影響。結果表明，不同土壤覆蓋類型土壤溫度的變化對土壤電阻率的影響不同，土壤電阻率隨著土壤含水量的增加而逐漸變小。將偏最小二乘回歸模型（PLS）與BP神經網絡模型應用于土壤電阻率的預測，PLS模型及BP神經網絡模型對土壤電阻率預測皆有較好效果，偏最小二乘回歸模型對沙地和草地土壤電阻率預測的誤差較小，BP神經網絡對農田土壤電阻率建模精度較為理想。

關鍵詞土壤電阻率；覆蓋類型；偏最小二乘回歸；BP神經網絡；預測

中圖分類號 X43；P4 文獻標識碼 A 文章編號 1007-5739（2017）09-0198-04

Abstract The soil electrical conductivity is an important parameter to reflect soil quality and physical properties.In this study，the soil temperature，water content and electrical conductivity of different coverage types of farmland，grassland and sand were tested to explore the effect of soil temperature and water content on soil electrical conductivity. The results showed that different coverage types had different effects on soil electrical conductivity，the soil electrical conductivity decreased gradually with the increase of soil water content. The partial least squares regression（PLS）model and BP neural network model were applied predict soil electrical conductivity，and got good prediction effects. The PLS model had little error in the prediction of soil electrical conductivity of grassland and sand，and BP neural network model was more ideal for modeling farmland soil electrical conductivity.

Key words soil electrical conductivity；coverage type；partial least squares regression；BP neural network；prediction

土壤電導率是反映土壤質量和物理性質的重要參數[1-3]，是土壤科學中的一項重要研究內容，故國內外許多土壤學家對土壤電阻率進行了相關研究。國外Sundberg[4]最早于1992年將電阻率理論運用于地質勘探，并建立了電阻率結構因子，Archie 1942年提出了地層電阻率阿爾奇公式[5]，Wyllie、Gregory和Jackson[6-9]等許多學者對土壤電阻率的影響因素進行了進一步研究，并建立了與各影響因子的理論表達式。國內孫宇瑞[10]通過對壤土的研究指出土壤鹽分對土壤電導率的影響遠大于土壤含水率；劉國華[11]則建立了非飽和土壤電阻率的結構模型；劉春泉、段旭等[12-15]分析了寧夏等地區土壤電阻率影響因素；劉磊[16]、李博倫[17]對影響不同類型土壤電阻率的物理、化學性質的因素及其影響機理進行了相關研究。總的來看，上述研究主要集中在與土壤肥力相關的土壤電導率的物理、化學性質方面，而對于土壤電阻率應用于氣象災害風險區劃方面的研究甚少。因此，本文對不同覆蓋類型下影響土壤電阻率的主要因素（土壤溫度和含水量）進行分析，揭示其對土壤電阻率的影響規律，并運用偏最小二乘回歸模型（Partial Least Square Regression，PLS）與BP（Back Propagation）神經網絡模型對土壤電阻率進行預測，進而確定區域土壤電阻率的分布特征，為氣象災害風險區劃工作提供重要的參考依據。

1 研究區域概況

本文土壤電阻率等參數的測試區域選在內蒙古中部的巴彥淖爾地區（圖1），選取了該地區農田、沙地和草地3種不同土壤類型的17個測試地點開展為期2年的數據采集，農田10個測試點、沙地4個測試點、草地3個測試點，每年的測試時間為5—10月。測試所用的儀器為美國產2265FS便攜式土壤電導儀和6440FS土壤水分測定儀，并用GPS定位測試點的經度、緯度坐標。每次測試將傳感器插入土壤中，保持每次插入深度一致（3～4 cm），如圖2所示。待數據穩定后記錄樣本的測試值，每個樣本采集數據3次后求平均值。通過2年的測試共取得1 262個數據樣本，其中1 075個農田類型的數據樣本，90個沙地類型的數據樣本和97個草地類型的數據樣本。

測試所用的便攜式土壤電導儀2265FS和土壤水分測定儀6440FS的相關參數見表1和表2。便攜式土壤電導儀2265FS是通過電流-電壓四極法來測量土壤表觀電導率[18]，由于四電極能消除電極極化效應，該方法最早由Wenner和Schlumberger于20世紀20年代提出[19]。四電極包括2個電流電極和2個電壓電極，工作時向電流電極提供激勵電流，通過檢測電壓電極的電勢來確定土壤表觀電導率。而土壤水分測定儀6440FS是通過時域反射法（Time Domain Reflectrometry，TDR）來測量土壤水分，它依據電磁波在介質中的傳播速度與介質的介電特性相關電磁理論[20]，通過測量電磁波在介質中的傳播時間確定土壤介電常數，從而間接得到土壤體積含水量。

2 數據處理及分析方法

2.1 數據質量控制

根據研究區土壤電阻率等參數的測試特征，測試數據的質量控制主要通過缺失檢驗、邏輯檢驗來完成。同一時間測試的數據，如果缺少土壤電阻率、土壤溫度或土壤體積含水量任一參數值，則剔除該數據。此外，依據土壤電阻率與土壤溫度和體積含水量之間的定性關系對測試數據進行邏輯判斷，對測試的要素允許范圍合理性進行檢查，剔除超出允許范圍的錯誤數據資料。

2.2 數據分析方法

本文通過應用SAS和Matlab軟件編程實現土壤電阻率等參數的常規數理統計分析，及運用偏最小二乘回歸和BP神經網絡法對土壤電阻率進行了預測。

偏最小二乘法于1983年由S. Wold和C. Albano等提出，該方法集主成分分析、典型相關分析和多元線性回歸分析3種分析方法的優點于一身，它在處理樣本容量小、解釋變量個數較多及解決變量存在多重共線性問題方面開辟了一種較為有效的技術路徑[21]。偏最小二乘回歸的目的是在自變量空間里尋找某些線性組合，以便更好地解釋因變量的變異信息，其計算步驟[22]主要包括標準化原始數據、主成分提取、建立回歸方程3個主要步驟，其偏最小二乘回歸的基本思路如圖3所示。

BP神經網絡是一種誤差反向傳播算法[23-24]，主要特點是信息正向傳遞、誤差反向傳播。BP神經網絡一般由輸入層、隱含層和輸出層3層構成，其拓撲結構如圖4所示。輸入信號從輸入層經隱含層逐層處理，直至輸出層，每一層的神經元狀態只影響下一層神經元狀態，隱含層可以設計為單隱層或者多隱層結構。如果期望輸出與實際輸出不符，則進入反向傳播，根據預測誤差調整網絡權值和閾值，從而使誤差減少到可以接受的程度。

本文對2種預測模型的預測精度的檢驗主要采用平均相對誤差MRE和均方根誤差RMSE函數，平均相對誤差MRE和均方根誤差RMSE最小方為合適。計算公式[25]如下：

3 土壤溫度和含水量對土壤電阻率的影響規律

根據實際測量結果可知，當土壤的溫度和體積含水量變化時，其土壤電阻率也會相應發生變化，圖5～7為農田、沙地和草地等不同土壤類型下土壤電阻率與土壤溫度、含水量的散點圖。可以看出，土壤溫度為0～40 ℃時，隨著土壤溫度的變化，農田與草地土壤類型下電阻率緩慢增大，變化不明顯，說明在常溫下上述2種土壤溫度的變化對土壤電阻率的影響不大，這與何金良等[26]的研究結果一致；但是沙地土壤電阻率隨著溫度的變化先減小，到20 ℃左右降至最低而后又隨著溫度的增加而顯著增大，這可能是由于沙土的孔隙度與農田、草地土壤不同而導致的結果。

不同土壤類型下，土壤電阻率與土壤含水量的相關性相對較好，隨著土壤含水量的增加，3種類型的土壤電阻率都逐漸變小；其冪函數擬合相關性較高，沙地土壤類型下較農田和草地的相關系數最大，達到0.8。由圖5～7可以看出土壤含水量較小時，電阻率隨著含水量的增加顯著減小，當含水量達到一定值時，土壤電阻率減小的速度變慢，具有一定的飽和性，這可能是由于土壤顆粒孔隙中的水分連通形成通道后，含水量再增加對整體的導電性所起的作用很小的緣故。

4 基于偏最小二乘回歸的土壤電阻率的預測

按照不同土壤類型將測試樣本分為2組，第1組數據選取865個農田數據樣本、77個草地樣本和70個沙地樣本，共1 012個數據樣本用于進行偏最小二乘回歸模型的建立；第2組數據選取210個農田數據樣本、20個草地樣本和20個沙地樣本，共250個數據樣本用于模型精度檢驗。將土壤溫度作為自變量x1，土壤含水量作為自變量x2，將土壤電阻率作為因變量y。偏最小二乘回歸的基本作法是首先在自變量中提出第一成分t1（t1是x1、x2的線性組合，且盡可能多地提取原自變量集中的變異信息）；同時在因變量中也提第一成分u1，并要求t1與u1相關程度達到最大。然后建立因變量y與t1的回歸，若回歸方程已達滿意的精度，則算法終止。否則繼續對第二成分進行提取，直到能達到滿意的精度為止。若最終對自變量集提取r個成分t1，t2，…，tr，偏最小二乘回歸將通過建立y與t1，t2，…，tr的回歸式，再表示為y與原自變量x1、x2的回歸方程式，即偏最小二乘回歸方程式。通過對農田、沙地和草地3種不同土壤類型測試數據的回歸，得到的回歸方程分別為y=18.582 6+0.474 9x1-0.475 5x2、y=25.560 8+0.918 6x1-0.776 6x2和y=-17.199 3+2.852 6x1-0.604 3x2。

圖8為農田、沙地和草地3種土壤類型下建模樣本的土壤電阻率實測值與偏最小二乘回歸預測值以及檢驗樣本集的實測值與預測值的相關散點圖。樣點越接近線，說明模型預測值越接近實測值，預測效果越好；可發現，大部分建模和檢驗樣本都分布在回歸線附近，但也有一些樣本離回歸線較遠。從農田、沙地和草地不同土壤類型電阻率對土壤溫度和含水量的偏最小二乘回歸的建模精度來看，沙地類型的回歸相關系數R最大，達0.468 7；農田類型的相關系數次之，接近0.4。對照檢驗精度的平均相對誤差MRE和均方根誤差RMSE值來看，農田類型的平均相對誤差MRE和均方根誤差RMSE最小，其次是草地類型。由不同土壤類型的偏最小二乘回歸模型可看出，利用偏最小二乘回歸預測土壤電阻率效果優于一般線性回歸方法，但還有一定的改進空間。

5 基于BP神經網絡的土壤電阻率的預測

同樣按照土壤類型將測試樣本分為2組，分組情況同偏最小二乘回歸相同，第1組數據用于BP神經網絡模型的訓練，第2組數據用于模型的精度檢驗，所有樣本進行歸一化處理，便于提高BP神經網絡的訓練速度[23-24]。本文輸入層的2個因子分別為土壤溫度和土壤含水量值，土壤電阻率值作為輸出層，則神經網絡的訓練將在隱含層的節點[2，13，16]之間反復進行，直至其預測的誤差最小為止。表3為農田、沙地和草地3種土壤類型下BP模型選取的參數值。

圖9為農田、沙地和草地不同土壤類型下數據樣本的電阻率實測值和BP模型預測值的比較。從農田類型的BP模型模擬來看，相對PLS回歸的散點圖數據樣本比較均勻的分配在直線附近，其相關系數R=0.540 4，比農田電阻率的PLS回歸模型相關系數大35.4%；同樣，其回歸模型的平均相對誤差MRE和均方根誤差RMSE也有所減小，較農田電阻率的PLS回歸模型的相對誤差和均方根誤差分別降低27.22%和8.06%，可見農田土壤類型下的BP神經網絡模型預測效果更好。沙地BP神經網絡擬合相關系數比PLS回歸模型相關系數小9.68%，其平均相對誤差MRE有所下降，但是均方根誤差RMSE也有所增大，較沙地電阻率的PLS回歸模型均方根誤差增加7.38%。草地類型BP神經網絡模型的相關系數R=0.449 4，比草地電阻率的PLS回歸模型相關系數增大34.83%；但是其平均相對誤差MRE和均方根誤差RMSE都有所增大，較草地電阻率的PLS回歸模型分別增加31.23%和53.79%，可見相對草地電阻率的PLS來說，BP神經網絡模型的預測誤差不太理想，但其建模精度效果較好。

6 結論

通過對研究區域農田、沙地、草地3種土壤類型下土壤溫度、含水量、電阻率等參數的測試，得出了不同土壤類型下土壤電阻率與其影響因子的定量關系，建立了土壤電阻率的偏最小二乘回歸模型和BP神經網絡預測模型，結論如下：

研究區域土壤含水量、土壤溫度對土壤電阻率均有一定影響。土壤溫度為0～40 ℃時，隨著土壤溫度的變化，土壤電阻率緩慢增大，變化不明顯，說明在常溫下土壤溫度的變化對土壤電阻率的影響不大。而土壤電阻率與土壤含水量的相關性較好；土壤含水量較小時，電阻率隨著含水量的增加而減小較快，當含水量達到一定值時，土壤電阻率減小的速度變慢，具有一定的飽和性。

通過PLS和BP神經網絡對不同覆蓋類型土壤電阻率進行模擬預測，表明PLS偏最小二乘回歸模型以及BP神經網絡模型對土壤電阻率估算皆有較好效果。PLS對沙地和草地土壤電阻率預測的誤差較小，而BP神經網絡對農田土壤電阻率建模精度較為理想。

7 參考文獻

[1] 馮松濤.基于電阻率特征的黃土結構性試驗研究[D].南京：東南大學，2009.

[2] 于小軍，劉松玉.電阻率指標在膨脹土結構研究中的應用探討[J].巖土工程學報，2004（3）：238-243.

[3] 余東.土石壩滲漏的電阻率成像診斷試驗研究[D].重慶：重慶交通大學，2010.

[4] SUDHA K，ISRAIL M，MITTALC S，et al.Soil characterization using electrical resistivity tomography and geotechnical investigations[J].Journal of Applied Geophysics，2009，67（1）：74-79.

[5] KAHRAMAN S，ALBER M.Predicting the physico-mechanical properties of rocks from electrical resistivity[J].International Journal of Rock Mech-anics & Mining Sciences，2006，43（2）：543-553.

[6] SHEA P F，LUTHIN J N.An investigation of the use of the four electrode probe for measuring soil salinity in situ[J].Soil Science，1961，92（5）：331-339.

[7] RHOADES J D，SHOUSE P J，ALVES N A，et al.Determining soil salinity from soil electrical conductivity using different models and estimates[J].Soil Science Society of America Journal，1990，54（1）：46-54.

[8] SAMOUELIAN A，COUSIN I.Electrical resistivity survey in soil science：a review[J].Soil & Tillage Research，2005，83（2）：173-193.

[9] YAO Rongjiang，YANG Jingsong.Quantitative evaluation of soil salinity and its spatial distribution using electromagnetic induction method[J].Agricultural Water Management，2010，97：1961-1970.

[10] 孫宇瑞.土壤含水率和鹽分對土壤電導率的影響[J].中國農業大學學報，2000，5（4）：39-41.

[11] 劉國華.于田綠洲土壤鹽分特征及其成鹽驅動因子分析[D].烏魯木齊：新疆大學，2009.

[12] 劉春泉，厚軍學，張偉.寧夏土壤電阻率時空分布觀測試驗[J].氣象科技，2008，36（4）：474-479.

[13] 李良福，郭在華，覃彬全.LQG-1型土壤電阻率遠程自動測量裝置研制[J].氣象科技，2009，37（4）：434-438.

[14] 李萍，蔡河章，馬秀玉，等.高土壤電阻率下防雷裝置的設計[J].氣象科技，2014，42（5）：912-917.

[15] 段旭，王彥輝，徐麗宏，等.六盤山香水河小流域典型坡面的土壤電阻率空間變異[J].土壤學報，2011，48（5）：912-921.

[16] 劉磊.土壤電阻率估算及影響因素研究[D].南京：南京信息工程大學，2011.

[17] 李博倫.土壤電阻率估算及影響因素研究[D].南京：南京信息工程大學，2011.

[18] 劉梅先，楊勁松.土壤鹽分的原位測定方法[J].土壤，2011，43（5）：688-697.

[19] BURGER H R，BURGER D C.Exploration Geophysics of the Shallow Subsurface[M].Upper Saddle River，NJ：Prentice Hall PTR，1992.

[20] 王勇志.基于時域傳輸原理的土壤水分測試儀的研究與開發[D].北京：北京林業大學，2013.

[21] 王惠文.偏最小二乘回歸方法及其應用[M].北京：國防工業出版社，1999.