基于BP神經(jīng)網(wǎng)絡(luò)的巢湖市冬季淺層地溫預(yù)報

桂沁園 王學(xué)林 曹明

摘要 利用2011—2016年冬季（12月至翌年2月）巢湖市國家基本站逐日氣溫、地溫、日照、降水等氣象資料，采用相關(guān)分析法篩選出影響地溫的關(guān)鍵氣象因子，運用MATLAB軟件構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)淺層最低地溫預(yù)報模型，并比較不同層模擬精度。結(jié)果表明，0～20 cm地溫日變化均呈正弦曲線變化，越向深層地溫變化幅度越小，位相逐層滯后。相關(guān)性分析表明，淺層最低地溫與前一日的平均氣溫、最低氣溫、0～20 cm各層平均地溫和最低地溫成顯著正相關(guān)，與前一日日照時數(shù)成顯著負相關(guān)。模型模擬結(jié)果顯示0、5、10、15、20 cm最低地溫預(yù)報的標(biāo)準(zhǔn)誤差和絕對誤差逐層減小，20 cm層預(yù)報準(zhǔn)確度明顯優(yōu)于0 cm層。

關(guān)鍵詞 淺層地溫；預(yù)報模型；BP神經(jīng)網(wǎng)絡(luò)；安徽巢湖；冬季

中圖分類號 P457 文獻標(biāo)識碼 A 文章編號 1007-5739（2018）12-0190-03

Abstract Based on the observation data of daily air temperature，ground temperature，sunshine duration and precipitation from Chaohu observation station in winter（from December to February）from 2011 to 2016，the main meteorological factors affecting ground temperature were selected by correlation analysis method，shallow layer minimum ground temperature prediction model was set up based on BP neural network by using MATLAB software，and the simulation precision of different layers was compared in this paper. Results showed that the diurnal variation of 0-20 cm ground temperature was presented sine curve，as the depth increased，the ground temperature fluctuant range decreased，and the phase was delayed.Correlation analysis showed that the shallow layer minimum ground temperature had a significant positive correlation with the average temperature，minimum temperature，average ground temperature and the lowest ground temperature of 0-20 cm of the previous day，and was negatively correlated with the sunshine duration of the previous day. The simulation results showed that the standard error and absolute error of 0，5，10，15，20 cm minimum ground temperature prediction decreased layer-by-layer，and the prediction accuracy of 20 cm layer was obviously better than that of 0 cm layer.

Key words shallow layer ground temperature；forecast model；BP neural network；Chaohu Anhui；winter

地溫是衡量地表土壤熱量的物理量。下墊面溫度和不同深度的土壤溫度統(tǒng)稱地溫，淺層地溫是指離地面 5、10、15、20 cm的地中溫度[1]。作物的根系生長在土壤中，因而土壤條件是影響農(nóng)作物生長的重要環(huán)境因子[2-4]。地溫是影響作物生長發(fā)育的重要氣象因子之一，研究表明，地溫產(chǎn)生1 ℃的變化就會對作物生長發(fā)育形成明顯的影響[5]，如果地溫低于作物根系生理活動所需下限溫度，將會使根系生長受阻，導(dǎo)致作物生長發(fā)育不良，甚至導(dǎo)致作物死亡[6]。因此，研究淺層地溫預(yù)報對防范農(nóng)作物越冬期凍害及防災(zāi)減災(zāi)具有重要的意義。

許多學(xué)者開展了地溫預(yù)報方面的研究，楊 丹等[7]利用數(shù)理統(tǒng)計方法建立了山東萊蕪地溫的預(yù)報技術(shù)，李 帥等[8]利用逐日氣溫、20 cm地溫作為預(yù)報因子，建立了黑龍江春季10 cm地溫預(yù)報模型，羅喜平等[9]應(yīng)用統(tǒng)計回歸方法建立以氣溫為基礎(chǔ)的地溫預(yù)報模型。目前，關(guān)于巢湖地區(qū)地溫預(yù)報的研究尚不多見。本文采用BP神經(jīng)網(wǎng)絡(luò)模型算法及不同層地溫的觀測數(shù)據(jù)和相應(yīng)的氣象數(shù)據(jù)，構(gòu)建0～20 cm不同層地溫的估算模型，并基于相關(guān)氣象數(shù)據(jù)開展地溫預(yù)報。本研究結(jié)果可為指導(dǎo)越冬作物安全越冬、趨利避害以及防災(zāi)減災(zāi)提供參考。

1 資料與方法

1.1 資料來源

本文選取2011—2016年冬季（12月至翌年2月）巢湖國家基本氣象站逐日氣象觀測資料，主要包括平均氣溫、最低氣溫、最高氣溫、日照時數(shù)、相對濕度、總云量、低云量、降水量、平均風(fēng)速，0～20 cm（0、5、10、15、20 cm）5層逐日平均地溫和最低地溫資料，平均氣溫、相對濕度、平均風(fēng)速和各層平均地溫為當(dāng)日2：00、8：00、14：00、20：00 4個整點數(shù)據(jù)的算數(shù)平均值，總云量和低云量為當(dāng)日8：00、14：00、20：00 3個整點人工觀測值的算數(shù)平均值，最高氣溫、最低氣溫以及各層最低地溫從逐日分鐘資料中獲取。

1.2 研究方法

BP神經(jīng)網(wǎng)絡(luò)[10-12]是一種多層前向型神經(jīng)網(wǎng)絡(luò)，具有典型的信號前向傳播，誤差反向傳播的特點，本文采用BP神經(jīng)網(wǎng)絡(luò)模型算法及不同層地溫的觀測數(shù)據(jù)和相應(yīng)的氣象數(shù)據(jù)，構(gòu)建不同層最低地溫的估算模型。

BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖1所示。第一層為輸入層，輸入經(jīng)過相關(guān)性分析后篩選的預(yù)報因子；第二層為隱含層，設(shè)置其節(jié)點數(shù)為20；第三層為輸出層，主要輸出不同層最低地溫。隱含層和輸出層傳遞函數(shù)均采用S型正切函數(shù)tansig，設(shè)網(wǎng)絡(luò)訓(xùn)練算法為traingdm，訓(xùn)練次數(shù)為50 000，初始學(xué)習(xí)速率為0.01。

1.3 模型檢驗

模型優(yōu)劣的選取標(biāo)準(zhǔn)采用檢驗?zāi)Ｐ统Ｓ玫慕y(tǒng)計方法，即回歸估計標(biāo)準(zhǔn)誤差RMSE（root mean squared error）、相對誤差RE（relative prediction error）、絕對誤差A(yù)E（absolute error）、決定系數(shù)R2，對模擬值與實測值之間的符合度進行分析。計算公式如下：

1.4 統(tǒng)計分析

采用SPSS軟件進行相關(guān)分析，MATLAB軟件進行數(shù)據(jù)處理，使用Microsoft Excel 2003軟件作圖。

2 結(jié)果與分析

2.1 地溫的日變化

通過分析2011—2016年冬季各層地溫的日變化（圖2）可知，各層土壤溫度日變化呈正弦曲線變化，白天高、夜間低，各層平均土壤溫度在一天中都有一個最高值和最低值，隨著土壤深度的增加，最高溫度降低、最低溫度升高，地溫日變幅變小，0、5、10、15、20 cm地溫的平均日較差分別為14.1、6.1、3.5、2.0、1.2 ℃，氣溫的平均日較差為6.0 ℃，5 cm地溫和氣溫的日變幅最為接近。各層地溫日變化位相從地表向深層逐層滯后，各層地溫谷（峰）值出現(xiàn)的時間表現(xiàn)為0 cm>5 cm >10 cm>15 cm>20 cm。其中0 cm地溫谷值出現(xiàn)在7：00；日出后，受太陽直接輻射作用溫度迅速上升，并向下層傳導(dǎo)熱量，帶動下層地溫升高，0 cm地溫在13：00達到峰值；日落后，由于地表接近大氣，與大氣之間熱量交換頻繁，有一部分熱量散失到大氣中，溫度迅速下降；17：00以后已經(jīng)低于氣溫和其他各層地溫。各層地溫在白天變化差異大，隨后隨著氣溫的下降，地面溫度回落，溫度差逐步減少；20：00至次日7：00， 0～20 cm各層地溫平緩下降，各層地溫的平均值表現(xiàn)為由20 cm至0 cm逐層減小，由于溫度差，熱傳導(dǎo)方向發(fā)生變化，熱量有由深向表層傳遞的趨勢。

2.2 最低地溫的影響因子

由于土壤與空氣的能量交換和熱傳導(dǎo)，使地溫與氣溫之間存在著密切的關(guān)系，地溫對氣溫的變化具有一定的滯后效應(yīng)，同時土壤各層之間存在熱能量傳導(dǎo)效應(yīng)，因而選用前一日的平均氣溫、最高氣溫、最低氣溫、0～20 cm各層平均地溫和最低地溫作相關(guān)性分析。此外，地溫還與太陽輻射、風(fēng)速、土壤濕度和土壤質(zhì)地等因素有關(guān)，因而選取將前一日的日照時數(shù)、總云量、低云量、相對濕度和平均風(fēng)速與當(dāng)日各層最低地溫作相關(guān)性分析。

運用SPSS軟件對上述氣象因子進行相關(guān)分析，由表1可知，當(dāng)日各層最低地溫與前一日平均氣溫、最低氣溫、最高氣溫、前一日0、5、10、15、20 cm平均地溫及最低地溫相關(guān)系數(shù)均>0.5，與前一日的日照時數(shù)成顯著的負相關(guān)。因此，本研究選取以上氣象因子作為模型輸入?yún)?shù)，運用BP神經(jīng)網(wǎng)絡(luò)對不同層最低地溫進行模擬，并對預(yù)報模型擬合度進行分析。

2.3 不同層最低地溫模型

2.3.1 模型訓(xùn)練結(jié)果。對比分析BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的不同層最低地溫模擬值與同期實測值，結(jié)果如圖3所示。不同層地溫的模擬值和預(yù)測值均比較均勻地分布在1∶1線附近，0、5、10、15、20 cm層最低溫度模擬值和實測值決定系數(shù)分別為0.79、0.85、0.90、0.93、0.96，擬合精度隨著土壤層深度的加深而提高，20 cm層擬合效果明顯優(yōu)于0 cm層。

2.3.2 模型預(yù)報檢驗。不同層地溫預(yù)報檢驗結(jié)果（表2）表明，標(biāo)準(zhǔn)誤差、相對誤差和絕對誤差由0 cm層到5 cm層呈逐層減小的趨勢，R2呈逐漸增大的趨勢，其中標(biāo)準(zhǔn)誤差均<2 ℃，20 cm的標(biāo)準(zhǔn)誤差僅為0.40 ℃，R2達0.96，模型模擬精度明顯優(yōu)于表層，預(yù)報檢驗效果較好。

3 結(jié)論與討論

本文對2011—2016年冬季巢湖市0、5、10、15、20 cm地溫的日變化進行分析，通過相關(guān)性分析進行預(yù)報因子篩選，建立0～20 cm最低地溫預(yù)報模型，并進行模型預(yù)報檢驗，得到如下結(jié)論：

（1）冬季0～20 cm地溫日變化與氣溫日變化密切相關(guān)，0 cm層在白天對氣溫的響應(yīng)最為劇烈，各層均呈正弦曲線變化，越向深層地溫變化幅度越小，位相逐層滯后，白天由地表向下傳輸熱量，夜間由深層向地表傳輸熱量。

（2）最低地溫預(yù)報模型檢驗表明，預(yù)報準(zhǔn)確度由淺至深逐層提高，20 cm層預(yù)報效果明顯優(yōu)于0 cm層。各層絕對誤差在0.32～1.39 ℃之間，均<2 ℃，預(yù)報精度達到了業(yè)務(wù)應(yīng)用標(biāo)準(zhǔn)，為當(dāng)?shù)亻_展地溫預(yù)報，科學(xué)指導(dǎo)越冬作物安全越冬、趨利避害提供參考。

（3）土壤表層與大氣直接接觸，受太陽輻射以及與大氣熱量交換最為明顯，太陽輻射與日照密切相關(guān)，而云量是影響日照的主要因子之一，雖然在預(yù)報因子的選擇上考慮了總云量和低云量，但是沒有具體按照晴天、多云和陰天進行分類建立預(yù)報模型。此外，由于冬季氣溫較低，地溫常出現(xiàn)凍結(jié)或是積雪覆蓋，凍結(jié)現(xiàn)象影響了土層之間的熱量傳導(dǎo)，積雪覆蓋阻礙了土壤與大氣之間的能量交換，使土壤溫度，特別是表層地溫與氣溫、日照等氣象因素的關(guān)聯(lián)性減弱，這些都對預(yù)報模型的準(zhǔn)確性造成影響。

（4）本研究建立的冬季不同層日最低氣溫預(yù)報模型，在輸入層同時輸入多個預(yù)報因子作為輸入變量，在輸出層輸出多層最低地溫，所構(gòu)建多輸入多輸出的BP神經(jīng)網(wǎng)絡(luò)模型能一次性估測出各層地溫預(yù)報，大大減少建模和計算工作量，但對每一層而言預(yù)報因子的選擇不可能都達到最優(yōu)化。在具體建模時，應(yīng)該充分考慮特殊天氣情況（寒潮、雨雪冰凍、霧霾等）和土壤濕度、土壤性質(zhì)等因子影響。此外，還應(yīng)該分層分別建立地溫預(yù)報模型，有效提高準(zhǔn)確性，這有待今后做更深入的研究。

4 參考文獻

[1] 中國氣象局.地面氣象觀測規(guī)范[M].北京：氣象出版社，2003：85-89.

[2] 賀歡，田長彥，王林霞.不同覆蓋方式對新疆棉田土壤溫度和水分的影響[J].干旱區(qū)研究，2009，6（6）：826-831.

[3] 米麗娜，王芳，李友宏，等.寧夏平原灌淤土土壤養(yǎng)分與作物產(chǎn)量的空間變異性[J].干旱區(qū)研究，2009，26（4）：508-513.

[4] 孫小妹，張濤，陳年來，等.土壤水分和氮素對春小麥葉片抗氧化系統(tǒng)的影響[J].干旱區(qū)研究，2011，28（2）：206-214.

[5] WALKER J M.One-degree increment in soil temperature affects maizes-eedling behavior[J].American Society Soil Science，1969，33：729-736.

[6] 姜會飛，廖樹華，葉爾克江，等.地面溫度與氣溫關(guān)系的統(tǒng)計分析[J].中國農(nóng)業(yè)氣象，2004，25（3）：1-4.

[7] 楊丹，薛曉萍，李楠，等.日光溫室地溫預(yù)報技術(shù)研究[J].中國蔬菜，2013（20）：54-60.

[8] 李帥，王萍，陳莉，等.黑龍江省春季淺層（0～20 cm）地溫變化特征及預(yù)報[J].冰川凍土，2014，36（1）：55-62.

[9] 羅喜平，周明飛，汪超.貴州省冬季地表（0 cm）溫度預(yù)報探討[J].貴州氣象，2016，40（4）：1-5.

[10] 金志鳳，符國槐，黃海靜，等.基于BP神經(jīng)網(wǎng)絡(luò)的楊梅大棚內(nèi)氣溫預(yù)測模型研究[J].中國農(nóng)業(yè)氣象，2011，32（3）：362-367.

[11] 楊再強，黃川容，費玉娟，等.基于BP神經(jīng)網(wǎng)絡(luò)的溫室番茄氣孔導(dǎo)度的模擬研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報，2011，42（11）：70-77.

[12] 倪玉紅，孫擎，王學(xué)林，等.盱眙龍蝦池塘夏季水溫與溶解氧變化特征及預(yù)報模型研究[J].中國農(nóng)學(xué)通報，2015，31（32）：33-39.