太湖地區(qū)典型農田氣候變化特征分析與土壤水分的模擬預測.pdf

1、全球正經(jīng)歷著顯著的氣候變化，最近100年(1906～2005)全球平均地表溫度上升了0.74℃。氣候變暖還造成了海平面上升、降水變化以及極端氣候事件發(fā)生頻率增加。農業(yè)生產是對自然條件尤其是氣候條件(包括溫度、降水、風速和大氣CO2濃度的變化等)依賴程度很強的產業(yè)，氣候變化必將對其產生重大的影響。太湖地區(qū)屬亞熱帶季風氣候，造成農業(yè)生產不夠穩(wěn)定的低溫冷害、洪澇、漬害、臺風、寒潮等災害性氣候頻繁。本文對太湖典型農田區(qū)域——常熟市1960～20

2、09年的氣象資料及淺層土壤溫度觀測資料進行了分析，得出研究區(qū)近50年來的氣候變化特征及其對淺層土壤溫度的影響，從而能夠客觀、正確地了解研究區(qū)近50年來氣候變化的趨勢，這對該地區(qū)生態(tài)環(huán)境的改善和農業(yè)生產都有極其重要的意義。
　　 氣候變化已成為全球最嚴重的環(huán)境問題之一，而作為環(huán)境生態(tài)表征因子之一的土壤水，必然會對氣候變化產生一定的響應。土壤水分積累了大量的地表水文過程信息，體現(xiàn)了地表水文過程——降水和蒸發(fā)的綜合效應。本文在研究區(qū)按

3、自然發(fā)生層采集土壤樣品，主要采集了與氣象因子關系較為密切的耕作層(0～14 cm)和犁底層(14～33 cm)的土壤水分，采集時間為冬小麥的播種到成熟:2010年10月23日～2011年6月12日。本文運用神經(jīng)網(wǎng)絡敏感性分析法確定出的影響太湖地區(qū)典型農田土壤水分動態(tài)的主要氣象因子，探討了基于人工神經(jīng)網(wǎng)絡的土壤水分預測方法，對于充分利用該地區(qū)的農業(yè)氣候資源，及時掌握作物的受旱狀況，科學地指導該地區(qū)的田間水分管理和防災減災，以及為農業(yè)估產和

4、旱災損失評估提供科學依據(jù)。
　　 本論文的研究結果如下:
　　 (1)近50年來研究區(qū)的平均氣溫及溫度生長期內的積溫均呈上升趨勢(春、夏、秋、冬、年平均氣溫的氣候傾向率分別為0.45℃/10a、0.16℃/10a、0.30℃/10a、0.45℃/10a、0.33℃/10a;溫度生長期積溫的氣候傾向率為106.75℃/10a)，這說明研究區(qū)近50年來氣溫升高明顯，與氣候變化的大背景是相呼應;近50年來的平均最高氣溫及最低氣

5、溫也呈逐漸增長的趨勢;年及溫度生長期的累積降水量呈增加趨勢，但各季節(jié)累積降水量的變化趨勢并不一致，春、秋季減少(氣候傾向率分別為-13.51mm/10a、-19.16 mm/10a)，夏、冬季增加(氣候傾向率分別為42.95 mm/10a、19.03mm/10a)。累積蒸發(fā)量的氣候傾向率除冬季之外均為正值(春、夏、秋、冬、年、溫度生長期的氣候傾向率分別為14.93 mm/10a、1.65 mm/10a、2.19 mm/10a、-3.75

6、mm/10a、14.80 mm/10a、30.12 mm/10a)，說明總的來說蒸發(fā)在近50年中有一定的增加，但增加幅度不大;平均氣壓、平均相對濕度、平均風速及累積日照時數(shù)的氣候傾向率均為負值，說明近50年來它們的變化趨勢都是降低的。
　　 (2)近50年來研究區(qū)有6個氣象要素發(fā)生了氣候突變，其中最為明顯的是平均風速，且均在1978～1980年之間出現(xiàn);年平均氣溫、年平均最高氣溫及春季平均氣溫均在1989年發(fā)生氣候突變，年平均最

7、低氣溫和春季平均最低氣溫分別在1988年和2002年發(fā)生氣候突變，即從一個相對偏冷期躍變?yōu)橐粋€相對偏暖期;年平均氣壓及春季平均氣壓在1997年發(fā)生氣候突變，夏季平均氣壓在2004年發(fā)生氣候突變;年累積日照時數(shù)和夏季累積日照時數(shù)在1979年發(fā)生了突變;其它氣候要素不存在氣候突變。
　　 (3)近50年來研究區(qū)各氣象要素中出現(xiàn)異常年份最多的為平均相對濕度，且大多集中在21世紀初;累積蒸發(fā)量是異常年份較多的氣象要素，各個年代都有異常出

8、現(xiàn);異常現(xiàn)象出現(xiàn)最少的氣象要素為平均風速，只有夏季和秋季平均風速分別在20世紀70年代和60年代有異?，F(xiàn)象存在。
　　 (4)隨著土層深度的增加，平均地溫對氣候變化的響應逐漸減弱，各季節(jié)中平均地溫對氣候變化的響應在秋季最弱?？偟膩碚f，平均地表溫度、平均5 cm地溫、平均20 cm地溫與平均氣溫及平均最高氣溫、最低氣溫均存在著較明顯的相關關系，且顯著性水平均達到0.01。
　　 (5)BP神經(jīng)網(wǎng)絡敏感性分析法在非線性條件下

9、能夠明確土壤含水量與氣象因素之間作用的強弱性。綜合局部和全局敏感性分析的結果來看，土壤含水量對降水量的敏感度最大，蒸發(fā)量、平均氣溫和平均地表溫度次之，對最高氣溫、最低氣溫、平均風速及平均相對濕度敏感度最小，在建模過程中可以不考慮或少考慮最高氣溫、最低氣溫、平均風速及平均相對濕度對土壤水分的影響。
　　 (6)0～14 cm土壤水分動態(tài)的模擬精度(PA)比14～33 cm土壤水分動態(tài)的模擬精度(PA)相對高一些，這是由表層土壤水分

10、對氣象因素的響應作用較為強烈所致。運用LS-SVM模型時不同層次的訓練樣本和檢驗樣本的精度(PA)都在0.86以上，均高于BP-ANN和RBF-ANN的精度。LS-SVM模型數(shù)學意義較為明確，且應用結構風險最小化原則克服了神經(jīng)網(wǎng)絡的維數(shù)災難和局部最小問題。在實際應用過程中，LS-SVM學習訓練時間少于BP-ANN和RBF-ANN，且運行的結果比較穩(wěn)定，所以基于LS-SVM建立加入氣象因素的土壤水分動態(tài)變化模型相比BP-ANN及RBF-A