用修正的Green-Ampt模型确定土壤入渗性能的速算方法

土壤入渗性能的确定对水文过程及其相关研究与应用具有重要的意义。该文在土壤入渗性能的水平土柱测量方法和Green-Ampt修正模型的基础上,推导出了Green-Ampt模型与修正模型之间的比例关系,进而提出了土壤入渗性能的速算模型。该计算模型在保证土壤入渗性能计算精度的前提下,计算过程较修正Green-Ampt模型有了很大的简化。将3种方法计算得到的土壤入渗率进行了比较,快速方法计算得到的土壤入渗性能与Green-Ampt修正模型计算得到的土壤入渗性能非常接近。在水量平衡原理的基础上得到3种方法计算结果误差分别为11.5%（Green-Ampt模型）,0.66%（修正模型）和2.68%（快速计算模型）。表明快速计算方法具有很高的精度。新方法大大简化了修正模型的计算步骤。该文提出的土壤入渗性能速算法与水平土柱试验相结合,可以方便地应用于室内土壤入渗性能的测量,为水文循环/地表产流等相关研究提供便捷的土壤入渗性能计算工具。     

Green-Ampt两阶段模型的平移及衔

概述了Green-Ampt模型的发展情况。由于通过Green-Ampt模型，直接计算的累积入渗量结果，与实测值相差较远，为了完善Green-Ampt两阶段模型的累积入渗量随时间变化的曲线，采用了先平移后衔接的方法。通过实验模拟，经该方法修正的计算值与实测值吻合较好。证明该方法能有效的改善Green-Ampt两阶段模型的模拟值，使其更符合实际情况。应用该方法能更准确的计算出累积入渗量随时间的变化过程，对完善Green-Ampt模型，扩展其应用范围有重要意义。     

基于Green-Ampt和Philip模型的波涌灌间歇入渗模型研究

为了进一步揭示波涌灌间歇入渗的影响机制与规律,基于Green-Ampt和Philip入渗模型理论,建立了波涌灌间歇入渗分区模型,将第2供水周期及其后的供水周期内形成的入渗湿润区分别划分为重力势湿润区和基质势湿润区,并阐述了基于间歇入渗过程湿润区的分区入渗理论,通过Green-Ampt模型和Philip模型参数间的内在联系,建立了关于土壤体积含水率增量与累积入渗量之间的数学模型,并进一步根据土壤体积含水率增量与累积入渗量之间的线性图形特征,确定了不同分区下各供水周期的水分运动参数,分别为湿润锋面处吸力hf与表征饱和导水率Ks,且各间歇周期供水阶段的hf随着周期数的增大呈减小趋势,最后,利用分区模型将不同供水周期下的累积入渗量与湿润锋运移距离计算值同实测资料相比较,与实际值相比总体平均相对偏差分别为3.6%和8.6%,改进模型的适用性较好,拟合精度较高。因此,该模型可以较准确地描述波涌灌间歇入渗机理,为波涌灌灌水技术的合理设计提供了理论依据。     

用水平土柱估算土壤入渗性能和水分布简化模型方法

在对Green-Ampt修正模型研究的基础上,根据水量平衡原理,提出了在水平土柱试验供水量、土壤初始与饱和含水率、土壤含水率线性分布假定的基础上计算土壤入渗性能的简化模型方法。用本研究提出的简化算法计算得到的土壤入渗性能与其他方法得到的结果非常接近。将该简化方法计算得到的土壤含水率分布与实测值进行比较表明,平均误差为4.18%,证明该方法估算的土壤含水率分布与实测值非常接近。结果表明该方法可以较为准确地估算土壤入渗性能在时间上及含水率在空间上的分布,能方便地应用到相关研究与应用中。     

涌泉根灌土壤湿润体运移模型

为了探明涌泉根灌土壤入渗湿润体运移的变化规律,以黏壤土为例,在室内选取不同土壤容重、初始含水率、灌水器套筒透水部长度和埋深等4个因素进行试验,研究这些因素对涌泉根灌土壤入渗湿润锋随时间运移关系的影响．结果表明：土壤入渗湿润锋运移速率随土壤容重的增大而减小,随土壤初始含水率的增大而增大,随套筒透水部管长的增长而增大,但不同埋深对灌水器湿润锋的推进速度无显著影响,涌泉根灌土壤入渗湿润体随时间的运移符合幂指数关系,幂指数在水平和垂直向分别为032和02．以此为基础分别建立了湿润锋在水平和垂直向运移距离的预测模型,并建立了包括土壤容重、初始含水率和灌水器套筒透水部长度的综合预测模型．用建立的综合模型对涌泉根灌土壤入渗湿润锋运移距离进行预测,并对预测值与试验值进行了比较后得出,综合模型的预测精度较高．     

基于地上可视湿润距离的地表滴灌入渗深度估算模式研究

地表最大湿润距离R(t)和垂向最大入渗深度H(t)是地表滴灌系统设计的基础,由于垂向最大入渗深度H(t)不易观测,因此如何合理地确定H(t)是滴灌应用中需要解决的关键问题之一。对烟台棕壤土地表点源、线源入渗进行了室内试验研究,提出了基于地表水平湿润距离的地表滴灌垂向湿润锋的估算模式。模拟值和实测值的对比表明,本模式的估算精度较高,入渗过程中的最大相对误差不到5%。     

不同质地斥水土壤的入渗模型

为了对斥水土壤的入渗特性及形成机理作进一步研究,分别对4种不同质地的斥水土壤进行了一维土柱垂直积水入渗试验.作图分析了斥水土壤入渗过程中累积入渗量、入渗率、湿润锋的变化情况及入渗结束后剖面含水率的分布,并采用4种入渗模型对入渗率随时间变化情况作了对比;对累积入渗量与湿润深度之间的关系采用线性关系进行了描述.结果表明:与亲水土壤相比,4种斥水土壤在入渗过程中自某一时刻会出现入渗特性的改变:I-t,zf-t及z_f-I曲线均会自某点起发生转折,以此转折点可以将整个入渗过程分为转折前和转折后进行分析.Kostiakov公式可以较好地描述亲水土壤在整个入渗过程中及斥水土壤入渗转折前的i-t关系;不同质地的斥水土壤在入渗转折后入渗率变化情况差异较大;斥水土壤湿润锋与累积入渗量之间的关系可以在转折前后采用两段线性公式进行较好地描述;发现了斥水土壤剖面较上层土壤含水率大于亲水土壤的现象.     

滴灌土壤湿润区对棉花生长及产量的影响研究

针对棉花作物,以桶栽试验为基础,通过控制滴头流量得到不同宽度的土壤湿润区,观测了棉花相应的生长状况及产量。试验结果表明,棉花的生长发育和产量与滴灌土壤湿润区的大小密切相关,宽的土壤湿润区可以使棉花的生长发育提前,其株高、叶面积、产量都比窄的土壤湿润区条件下的棉花相应指标高;宽的土壤湿润区下的棉花叶面积衰老速度比窄的土壤湿润区下的棉花叶面积衰老速度慢。另外,随着土壤湿润区变宽,土壤耗水深度变浅,棉花单铃重、衣分和单株产量增加,但单株铃数减少。     

滴灌土壤湿润体含水率分布规律的试验研究

通过室内滴灌试验,研究了不同滴头流量对土壤湿润体变化过程的影响。试验所用的土壤为杨凌塿土,滴头流量分别为0.08、0.16、0.24、0.40、0.60、1.20、2.003、.60 L/h。结果表明,从0.08～0.6 L/h的滴头流量,其湿润体体积和灌水量之间存在显著的线性关系,说明平均含水率是一定值;从1.2～3.6 L/h的滴头流量,其湿润体体积和灌水量之间存在显著的幂函数关系,说明平均含水率是逐渐增大的。     

土壤斥水性对含水率的响应模型研究

选用以色列3类不同质地的10种不同斥水性的土壤为研究对象,采用滴水穿透时间法测定土壤斥水性对含水率的响应关系,得到了不同土壤斥水持续时间随含水率变化的规律,通过Gaussian模型、Lorentzian模型和Lognormal模型对这种规律进行回归分析,最终得出了土壤斥水持续时间随含水率的变化规律符合Lorentzian模型。由此响应模型,就可以根据某种土壤部分斥水性对含水率响应的实测数据,计算出土壤斥水性的峰值含水率、峰值斥水性以及临界含水率,为不同土壤斥水性进行对比和土壤改良提供理论依据。     

单因素土壤墒情预测模型研究

以土壤10、30、50cm深度处的土壤墒情各当前和历史数据不同组合为输入,以30cm处1h后的土壤墒情为预测输出,建立了基于BP神经网络的单因素土壤墒情预测模型。结果表明,模型预测误差约为10%,取得了较好的预测效果。     

农田土壤剖面水分探头布设及数据处理技术研究

通过分析定点埋设的SWR-2型土壤水分传感器采集的土壤水分数据,分析了农田土壤水分信息的时空变化规律及不同深度土层含水率间的相关关系。结果表明,冬小麦和夏玉米生长条件下农田土壤剖面适宜埋设的探头数目为1～4个,并提出了相应的水分探头布设方案及数据处理技术。     

基于无人机-卫星遥感升尺度的土壤水分监测模型研究

土壤水分是研究土壤-植物-大气循环系统中能量与物质交换的关键,通过尺度转换方法将无人机遥感数据上推以修正卫星数据,可有效改善卫星遥感反演模型精度。本文以河套灌区为研究对象,分别采用重采样和TsHARP升尺度法,引入多元线性回归(MLR)、BP神经网络(BPNN)和支持向量机(SVM)算法构建不同土壤深度下无人机-卫星升尺度土壤含水率反演模型。研究结果表明：重采样升尺度法在不同土壤深度下模型整体精度由高到低依次为SVM、MLR、BPNN,其中在土壤深度0～60 cm下采用SVM模型最优,R²达到0.571,RMSE为0.022%;TsHARP升尺度法在不同土壤深度下模型整体精度由高到低依次为BPNN、SVM、MLR,其中在土壤深度0～60 cm下采用BPNN模型最优,R²达到0.829,RMSE为0.015%。与升尺度修正前对应土壤深度模型对比,两种升尺度方法均能明显提高卫星遥感对土壤含水率的反演精度,但TsHARP升尺度法整体优于重采样法;重采样法的R²由0.413提升至0.571,RMSE由0.026%降至0.022%...     

基于Landsat8和Sentinel-1A数据的焦作广利灌区夏玉米土壤墒情监测方法研究

土壤水分是影响农业生产活动的重要因素,在旱情监测、农作物估产等方面有重要意义。研究采用水云模型来消除研究区域植被对后向散射的影响。建立植被含水量和归一化水指数的关系提取模型中所需的植被含水量参数。利用AIEM模型结合粗糙度参数Zs建立研究区土壤墒情反演模型,将模型应用于河南省焦作广利灌区,反演结果和实测值相关性达0.7。将水云模型与AIEM模型联合反演土壤墒情,取得了较为满意的结果,该方法具有较高的适用性。     

黑龙江省旱作区土壤物理特性及墒情实时判断方法

黑龙江省旱作区耕地土壤主要类型有白浆土、黑土、黑钙土、草甸土,本项研究通过不同类型、不同层位土壤的比重、干容重、田间持水量、总孔隙率等的实测值,采用统计分析中回归分析方法,探索各项物理指标之间的内在关系。研究结果表明,黑龙江省耕地主要土壤的土壤孔隙度与干容重呈极显著线性相关,干容重越大,孔隙度越小;田间持水量与土壤干容重同样呈显著线性相关。由此通过概化分析,确定出不同土壤容重条件下快速测墒仪体积含水率的墒情判断方法,以实时判别实测容积含水率代表的土壤干旱状况。     

水分传感器埋设深度及个数对墒情精度的影响

在灌溉预报过程中,要利用土壤水分传感器监测土壤墒情,同一剖面土壤水分传感器埋设数量越多,测墒精度就越高,在实际应用时,就要求减少土壤水分传感器的埋设数量以降低系统的成本,并保证一定的测墒精度。选取4个试验区,在0～100 cm土层深度内,采用取土烘干法测得5个测试深度土壤水分数据。分析了0～60和0～100 cm土壤剖面平均含水率与监测点含水率的相关关系,并设置了1个监测点和2个监测点不同组合的对比,分别计算了各种情况下土壤剖面平均含水率与监测点含水率的相关系数(R2)、平均相对误差(δR)以及均方根误差(RMSE)。研究结果显示:一个监测点时,40 cm深度的含水率能较好地反映0～60 cm土壤剖面平均含水率,R2达到0.95以上; 0～100 cm土壤剖面平均含水率用60 cm深度含水率反映,R2能达到0.93。两个监测点时,20/50 cm处的含水率与0～60 cm土壤剖面平均含水率的相关性最高,R2为0.994; 0～100 cm土壤剖面平均含水率与40/70 cm处的含水率相关性最高,各试验区平均的R2为0.965。     

生物炭对黑土区土壤水分及其入渗性能的影响

为探究黑土区施用生物炭对土壤水分及其入渗性能影响的持续性,2016—2018年连续3年在东北黑土区进行了单次施加生物炭(75 t/hm~2,BC处理)和不施加生物炭(CK处理)的室内外对比试验,分析各土层土壤含水率及土壤水分入渗过程。结果表明:施加生物炭可增加各土层土壤含水率,使其极值比K_a和变异系数C_v减小,且土壤含水率、K_a、C_v的变化幅度均随生物炭施用年限增加而减弱,2016—2018年苗期耕层土壤含水率增加最多,分别增加了14.54%、11.48%和7.08%;施加生物炭明显增大了土壤累积入渗量、土壤入渗速率,增强了土壤入渗能力,促进了湿润锋的运移,各年份BC处理土壤累积入渗量由大到小依次为2016年、2017年、2018年,初始入渗速率f_1分别增加了70.48%、58.98%和48.41%,土壤稳定入渗速率f_c由大到小依次为2016年BC处理(1.65 mm/min)、2017年BC处理(1.22 mm/min)、2018年BC处理(1.17 mm/min)、2016年CK处理(0.46 mm/min)、2017年CK处理(0.43 mm/min)和2018年CK处理(0.38 mm/min);2016—2018年中,2016年BC处理湿润锋运移距离最深(32.24 mm),各表征土壤入渗性能的指标均于生物炭施用当年效果最优,而后逐年减弱;土壤累积入渗量与时间具有幂函数关系,湿润锋运移距离与时间具有三次函数关系,R~2均在0.963～0.998之间;Philip、Kostiakov、Horton 3个入渗模型拟合对比结果表明,Kostiakov模型R~2最高(0.946～0.991)、RMSE最小(0.516～1.941 mm/min),拟合参数与实际情况相符,故本研究中Kostiakov模型拟合的土壤水分入渗过程最优。本研究可为东北黑土区施加生物炭后改良土壤水分入渗过程提供理论依据。     

汾河灌区土壤墒情预报方法初步研

土壤墒情预报是了解农田土壤水分动态变化规律，调控土壤水分状况最有效的方法。本文依据山西省汾河灌区三站多年冬小麦与夏玉米生育期土壤含水量实测资料及相应气象资料建立了土壤墒情预报的经验模型和消退指数模型，并对两种模型进行了检验。结果表明，上述两种模型均能满足预报精度要求，但消退指数模型的精度比经验模型更高。     

人工神经网络在预报土壤墒情中的应用

依据从2005年1～12月所采集的365组试验数据,建立了一个能够反映土壤墒情变化与气候因素之间关系的人工神经网络模型.模型共分输入层、隐含层和输出层3层.输入层的输入变量包括数据采集当天的10 cm、20 cm和40 cm深度的土壤含水量以及当天的日照时数,空气湿度,平均气温和降雨量.输出层的输出变量包括1天后的10 cm、20 cm和40 cm深度的土壤含水量.模型的学习因子为0.1,动量因子为0.05.模型经过25 000次训练后收敛,收敛误差为8×10 -4 ,这说明该模型能够很好的反映出输出量与输入量的关系,并能够准确预报出土壤水分信息.     

墒情监测研究进展综述

墒情监测是实施农田土壤水分有效调控的基础和前提。回顾总结了国内外墒情监测的方法以及墒情监测研究发展现状,并进行了对比分析。在此基础上,对现有研究中存在的问题及发展趋势进行了展望。