降水影響土壤水分增量的計算方法 草原區(qū)DB15-T 3974-2025

降水影響土壤水分增量的計算方法草原區(qū)2025-05-18實施2025-05-18實施內蒙古自治區(qū)市場監(jiān)督管理局發(fā)布I本文件按照GB/T1.1—2020《標準化工作導則第1部分：標準化文件的結構和起草規(guī)則》的規(guī)定起草。本文件由內蒙古自治區(qū)氣象標準化技術委員會(SAM/TC23)提出并歸口。本文件起草單位：內蒙古自治區(qū)生態(tài)與農業(yè)氣象中心、錫林浩特國家氣候觀象臺。本文件主要起草人員：馮旭宇、張存厚、娜日蘇、楊麗萍、張國蘭、鄭詩然、張嵐彪。1降水影響土壤水分增量的計算方法草原區(qū)本文件規(guī)定了草原區(qū)土壤解凍條件下一候內累積降水影響10cm～20cm土壤水分增量的計算流程和方法。本文件適用于基于降水與土壤水分增量關系開展草原區(qū)土壤墑情與干旱監(jiān)測研發(fā)與應用的各部門。2規(guī)范性引用文件下列文件中的內容通過文中的規(guī)范性引用而構成本文件必不可少的條款。其中，注日期的引用文件，僅該日期對應的版本適用于本文件；不注日期的引用文件，其最新版本(包括所有的修改單)適用于本文件。GB/T33705土壤水分觀測頻域反射法GB/T35228地面氣象觀測規(guī)范降水量QX/T631北方牧區(qū)草原蝗蟲發(fā)生氣象等級3術語和定義GB/T33705、GB/T35228、QX/T631界定的以及下列術語和定義適用于本文件。以天然牧草為主的畜牧業(yè)生產區(qū)。某一時段內的未經蒸發(fā)、滲透、流失的降水，在水平面上積累的深度。土壤含水量及其對應的牧草水分狀態(tài)。土壤含水量通常由土壤重量含水量、土壤體積含水量或土壤相對濕度表示，單位為百分數(shù)(%)。2線性回歸(Linearregression,LR)是利用回歸方程(函數(shù))對一個或多個自變量(特征值)和因變站點的多元線性擬合方程見公式(1)。段內土壤水分自動站結束日期08時的土壤相對濕度值與土壤相對濕度初始值之差，單位為百分數(shù)(%);x?——累積降水量。給定時間段內日降水量之和。本文件使用北京時間08時—08時的日降水量，期08時的土壤相對濕度值，單位為百分數(shù)(%);e——誤差項。表示模型未能解釋的部分，如測量誤差、遺漏的變回歸模型，預測一候內土壤水分增量。流程圖開始開始③探索性數(shù)據分析④構建多元線性①數(shù)據描述性統(tǒng)計①模型構建與優(yōu)化⑤評估與篩選模型①相關性分析②數(shù)據的圖像化分析①評估指標及結果②真實值與預測值對比圖3(資料性)草原區(qū)代表性站點的多元線性回歸模型草甸草原區(qū)、典型草原區(qū)、荒漠草原區(qū)代表性監(jiān)測站點給定時間段為一候的多元線性回歸方程見表A.1。其中，多元線性回歸模型的常數(shù)項和自變量系數(shù)的P值均滿足P<0.001,如果不滿足，則舍棄這一項，再重新進行模擬。草甸草原區(qū)、典型草原區(qū)、荒漠草原區(qū)代表性監(jiān)測站點的10cm、20cm多元線性回歸方程中，測試集的真值與預測值的相關系數(shù)分別為0.766、0.681、0.741、0.733、0.823、0.35,且都通過了P<0.01的顯著性檢驗。表A.1草原區(qū)代表性站點的多元線性回歸模型代表站點多元線性回歸模型草甸草原區(qū)y=0.757x?-0.192x?+0.2y=0.651x?-0.106x?-0.905x?-0.2典型草原區(qū)y=1.428x?-0.370x?-1.28y=1.419x?—0.201x2-1.112x?-0.618荒漠草原區(qū)y=1.215x?—0.604x?+0.7534(資料性)多元線性回歸模型的計算流程B.1數(shù)據獲取使用數(shù)據讀取函數(shù)導入草原監(jiān)測站點的數(shù)據集。以數(shù)據存儲于data.xlsx文件為例，數(shù)據讀取的示例代碼：data_df=pandas.read_excel(data.xlsx)。B.2數(shù)據預處理(1)數(shù)據描述性統(tǒng)計，示例代碼：data_df.de(3)數(shù)據歸一化，示例代碼：data_scaled=StandardScaler().fit_transform(data_filled.to_numpy())。(4)相關性分析，示例代碼：correlation_matrix_spearman=data_scaled.corr(method='spearman’)。(5)將數(shù)據集劃分為訓練集和測試集，示例代碼：X_train,X_test,y_train,y_test=train_test_split(X,y,tes其中X為預測因子，包括累積降水量、降水累積持續(xù)時長、月份值、土壤水分初始值；y為土壤水分增量。B.3模型建立實例化一個線性回歸模型，示例代碼：model=statsmodels.api.OLS(y_train,X_train)。B.4模型訓練在模擬的過程中，多元線性回歸模型的常數(shù)項和自變量系數(shù)的P值均需滿足P<0.001,如果不滿足，則舍棄這一項，再重新進行模擬。示例代碼：results=model.fit()。B.5模型預測與評估對測試集進行預測，示例代碼：y_testpred=results.predict(X_test)。使用評估指標計算模型性能，示例代碼：mae=mean_absolute_error(y_test,y_tr2=r2_score(y_test,y_test_pred)?？梢暬瘻y試集的真值與預測值，如散點圖、殘