-
土壤水力参数是非饱和土壤水分运移模拟的关键输入,影响着土壤水分模型的模拟结果(Assouline et al.,2003; Wang Ziwei et al.,2024)。土壤水力参数可以通过采集原状土壤样品测量土壤水力特征获取,然而这个过程费时费力且成本较高(Schaap et al.,1998; Vereecken et al.,2014; Wang Yunquan et al.,2022)。因此,在野外应用中,常使用可以快速预测土壤水力参数的土壤转换函数(pedotransfer function,PTF)来估算参数(Schaap et al.,1998; Dai Yongjiu et al.,2019)。土壤转换函数是基于土壤粒径分布、容重等易于测量获取的土壤物理参数来快速获取土壤水力参数的函数(Pachepsky et al.,2006; Ye Ming et al.,2007)。当前,存在不同的PTF,其中使用较为广泛的包含两种类型的PTF,点PTF和参数PTF(Vereecken et al.,2010; Weihermüller et al.,2021)。点PTF用于估计不同基质势下的土壤含水量或土壤导水率值, Ramos et al.(2013)利用PROPSOLO土壤数据库(Gonçalves et al.,2011)开发了点PTF并开发了三元图,用于估算-33 kPa和-1580 kPa基质势下的土壤持水量。与点PTF相比,参数PTF基于多元回归方程或机器学习方法来估计土壤水力模型中的土壤水力参数。常用的土壤水力模型包括van Genuchten-Mualem模型(VGM模型)和Books-Corey模型(BC模型)(Brooks et al.,1964; Mualem,1976; van Genuchten,1980)。Rosetta是众多参数PTF中的一种,它基于人工神经网络和自举重采样方法,Zhang Yonggen et al.(2017)基于Rosetta提出了一套改进的分层土壤转换函数(Rosetta3),该PTF可以用于估计VGM模型的水力参数。同样可以用于估计VGM模型水力参数的PTF还有CP88(Carsel et al.,1988)、WOS99(Wösten et al.,1999)、WEY09(Weynants et al.,2009)等。RB85(Rawls et al.,1985)、CS92(Campbell et al.,1992)、Cosby1(Cosby et al.,1984)和Cosby2(Cosby et al.,1984)可以用来预测BC模型的水力参数。值得注意的是,这些PTF对于其开发的区域(或输入数据范围)具有很高的精度,但如果应用于这些区域之外,则精度有限(Vereecken et al.,2010)。已有研究表明,由于PTF在应用的土壤数据库和用于训练的回归方法方面存在差异导致土壤水力参数预测结果有所不同(Wagner et al.,2001; Vereecken et al.,2010; Van Looy et al.,2017),有关不同PTF的研究当前主要集中在不同PTF对土壤水力特征的预测方面,较少基于外站点的土壤水分运移模拟对比研究。
-
因此,本文的目的是基于野外站点数据对比分析不同PTF对于土壤水分模拟的结果,从而为在野外应用中选取合适的PTF提供依据。
-
1 数据与方法
-
1.1 数据来源及筛选
-
本文利用FLUXNET数据集,根据站点的经纬度,从国际土壤参考信息中心(ISRIC)检索相应的土壤质地信息。这七个观测站呈现出不同的气候、纬度和经度。由于本文模型未考虑冻融情况,故仅选取大气温度和土壤温度均超过0℃时的连续数据。此外,由于无法获得植物根系信息,选择了非生长季节数据。站点信息详见表1。
-
1.2 土壤水力数值模型
-
用于描述饱和-非饱和态土壤水分运动的方程为Richards方程(Richards,1965):
-
式中,h为基质势(cm);θ为体积含水量(cm3/cm3);t是时间(d);x为空间坐标(cm),向上为正;K(h)为非饱和土壤导水率(cm/d)。
-
本文使用两个水力模型:VGM模型和BC模型。
-
1.2.1 VGM模型
-
VGM模型(Mualem,1976; van Genuchten,1980)的土壤水分特征曲线(SWRC)为:
-
式中,Sc为有效饱和度;θs为饱和含水量(cm3/cm3);θr为残余含水量(cm3/cm3);h为基质势(cm); αVGM、nVGM、mVGM为土壤水分特征曲线的形状参数,。
-
导水率曲线(HCC)表示为:
-
式中,Kl为导水率(cm/d);Ks为饱和导水率(cm/d);lVGM为形状参数,其值一般为0.5。
-
1.2.2 BC模型
-
BC模型(Brooks et al.,1964)的土壤水分特征曲线和导水率曲线分别为:
-
式中,Se为有效饱和度;θs为饱和含水量(cm3/cm3);θr为残余含水量(cm3/cm3);h为基质势(cm);Ks为饱和导水率(cm/d);α为空气进气值的倒数;n为孔隙大小分布指标;l为孔隙连通性参数,取值为1。
-
1.2.3 初始条件和边界条件
-
模型模拟土壤的初始条件为基于观测值的给定含水量剖面,上边界为大气通量边界,下边界设为自由排泄边界。模型使用Penman-monteith方程(Penman,1948; Monteith,1965)确定的潜在蒸散发来限定上边界条件:
-
式中,ET0为蒸散发速率(mm/d);Rn为净辐射(mm/d);G为土壤热通量(MJ/m2/d);T为日平均气温(℃);u2为风速(m/s);es-ea为饱和蒸汽压亏缺(kPa);Δ为饱和水汽压-温度曲线的斜率(hPa/K);γ为干湿表常数(hPa/℃)。
-
1.2.4 参数获取
-
土壤的水力参数由PTF基于土壤质地信息估算得到。对于VGM模型,采用Rosetta3、CP88、WOS99、WEY09四个PTF来预测土壤水力参数;对于BC模型,使用RB85、CS92、Cosby1和Cosby2四个PTF来预测参数。在这八个PTF中,CP88需要输入土壤质地类型,其余PTF需要输入砂、粉、黏粒的百分比,Rosetta3需要额外输入容重,WEY09和WOS99需要额外输入容重和有机碳含量。有关八个PTF需要的具体输入信息和预测参数信息如表2所示,其预测的七个站点具体的土壤水力参数见附表1和附表2。
-
1.3 模型评估
-
我们采用均方根误差(RMSE)、相关系数(R)和平均绝对误差(MAE)作为指标来评估观测值与模拟值之间的差异,以评估各种模型的有效性。
-
式中,N为数据总量;xi为实测值,为实测值的平均值;yi为模拟值,为模拟值的平均值。
-
2 结果
-
2.1 模型的整体表现
-
本节将描述基于不同PTF的VGM模型和BC模型在七个站点的土壤含水量模拟结果。土壤的分层信息及预测的土壤水力参数如附表1和附表2所示。整体而言,对于选取的七个站点,基于八个PTF预测参数的模型模拟结果都高估了土壤含水量且表现出较大的差异。在VGM模型中,Rosetta3、CP88、WOS99、WEY09四个PTF的平均R分别为0.49、0.48、0.53、0.44,平均RMSE分别为0.0778、0.0853、0.0918、0.1234 cm3/cm3,平均MAE分别为0.0701、0.0769、0.0840、0.1128 cm3/cm3;在BC模型中,RB85、CS92、Cosby1、Cosby2四个PTF的平均R分别为0.49、0.42、0.45、0.45,平均RMSE分别为0.0953、0.0908、0.0786、0.0757 cm3/cm3,平均MAE分别为0.0869、0.0833、0.0711、0.0666 cm3/cm3。总的来说,在VGM模型中,表现最好的是Rosetta3,最差的是WEY09;在BC模型中,表现最好的是RB85,最差的是CS92。每个站点的模拟结果见图1和图2。
-
2.2 不同站点PTF模拟结果
-
2.2.1 AU-ASM
-
图2a、b为AU-ASM站点中实测含水量与模拟含水量随时间的变化规律,八个PTF能够捕捉土壤含水量的变化趋势,但模拟值都显著高于观测值。在VGM模型当中,WEY09的模拟结果最差,WOS99结果最佳。在BC模型中,由RB85得出的结果最差,Cosby2的效果最好。从图2可以看出,八个PTF的土壤含水量模拟值的峰值远远高于实测土壤含水量。
-
2.2.2 AU-Emr
-
图2c、d为AU-Emr站点中实测含水量与模拟含水量随时间的变化规律。AU-Emr站点观测的土壤水分显示出较小的波动,对降水的响应不太明显。与AU-ASM站点模拟情况相似,此站点模拟结果与实测含水量的结果相差较多,虽然八个PTF均能刻画出土壤含水量的变化趋势,但是所有土壤含水量模拟值均高于实测含水量值。实测土壤含水量与模拟土壤含水量的最大差值约为0.32 cm3/cm3,最小差值约为0.0078 cm3/cm3,并不能准确显示出土壤含水量随着时间及降雨情况变化的实际值。在基于VGM模型的四个PTF中,Rosetta3的模拟效果最好,WEY09的模拟效果最基于BC模型的四个PTF所得出的土壤含水量模拟结果比较相似,与观测值也更为接近。总的来看,BC模型的模拟值波动幅度比VGM模型小。
-
2.2.3 AU-Stp
-
如图2e、f所示,在这个站点的模拟结果中,虽然八个PTF均能捕捉土壤含水量的变化趋势,但除了Cosby1,所有PTF的模拟值均远远大于实测值。这种高估对于基于VGM模型的四个PTF更为明显,其中CP88的模拟结果与观测值最为接近,而WEY09的模拟效果最差。相较而言,基于BC模型的四个PTF的模拟结果与实测值更为接近,其中基于Cosby1的模拟结果在前70天与观测值最为接近。在第74~88天时间段,该站点虽然有降雨发生,但土壤含水量稳定在0.25 cm3/cm3左右,说明此时土壤可能已经达到了饱和,基于不同PTF的模拟结果均未体现出土壤达到饱和的状态。
-
2.2.4 AU-TTE
-
从图2g、h可以看出,对于站点AU-TTE,模型出现了不收敛的情况。对于基于VGM模型的四个PTF,Rosetta3出现模型不收敛的情况,其他三个PTF可以成功运行,但模拟结果都显著高于观测值。CP88、WOS99、WEY09得出的模拟含水量平均值分别为0.1159、0.1223和0.1158 cm3/cm3,显著高于实测值的0.0413 cm3/cm3。对于四个基于BC模型的PTF而言,只有Cosby1和Cosby2可以成功运行,其模拟结果也显著高于观测值。剩余两个PTF都出现了模型不收敛的问题。
-
图1 土壤含水量的模拟误差
-
Fig.1 Simulation error of soil water content
-
图2 土壤含水量模拟结果
-
Fig.2 Simulation results of soil water content
-
2.2.5 CN-Dan
-
图2i、j展示了CN-Dan站点的模拟情况,从图中可以看出,该站点在模拟时间段降雨较频繁,土壤水分含量较为稳定在一个高值。对于基于VGM模型的四个PTF,Rosetta3和CP88的效果最好,与观测值最为吻合,R分别为0.92和0.84,RMSE分别为0.0340、0.0374 cm3/cm3,MAE分别为0.0274、0.0292 cm3/cm3。在第67~92天时间段,Rosetta3和CP88的模拟值与实测值开始有较大的差别,呈现高估的特征。WOS99和WEY09的模拟结果整体上都高估了土壤含水量。对于基于BC模型的四个PTF,模拟结果非常相近,都高估了土壤含水量。
-
2.2.6 IT-BCi
-
图2k、l展示了站点IT-BCi的模拟情况,从图中可以看到,所有PTF预测出的土壤含水量都高于实测含水量,实测含水量平均值为0.2597 cm3/cm3。在VGM模型中,由Rosetta3、CP88、WOS99、WEY09预测出的水力参数模拟结果平均值分别为0.3338、0.3226、0.3514、0.3806 cm3/cm3,由WEY09所预测出的土壤含水量模拟值最高;在BC模型中,由RB85、CS92、Cosby1、Cosby2预测出的水力参数模拟结果平均值分别为0.3137、0.3317、0.3206、0.3232 cm3/cm3,四个PTF的模拟结果相差不大,与VGM模型相比,BC模型的土壤含水量模拟值差异更小且与实测值更接近。
-
2.2.7 US-ARM
-
图2m、n为站点US-ARM的模拟结果。在七个站点中,该站点的土壤含水量较高,实测土壤含水量最高值为0.4038 cm3/cm3。对于该站点,基于PTF的模拟结果表现最好,模拟含水量值没有过于偏离实测含水量值。在该站点中,在四个基于VGM模型的PTF中,Rosetta3的模拟效果最好,RMSE值最低,为0.0481 cm3/cm3;对于BC模型,Cosby2表现最好,RMSE值为0.0428 cm3/cm3。
-
3 讨论
-
基于七个野外站点的模拟结果表明,虽然基于不同PTF的模拟结果能够捕捉土壤水分的变化趋势,但基本所有PTF的模拟值都高估了观测值。此外,不同PTF间的模拟结果差异较大,表明基于PTF开展土壤水分运移模拟存在很大的不确定性,需要在使用过程中予以注意。在VGM模型中,Rosetta3有着最好的表现,R平均值为0.49,RMSE平均值为在0.0779 cm3/cm3,MAE平均值为0.0701 cm3/cm3;在BC模型中,Cosby2有着最好的表现,R平均值为0.45,RMSE平均值为0.0757 cm3/cm3,MAE平均值为0.0666 cm3/cm3。整体来说,在土壤含水量模拟结果中,BC模型的所有模拟结果的波动幅度都比较小,这可能是因为用BC模型得出的PTF在蒸发模拟中的变率较低(Weihermüller et al.,2021)。不同PTF表现差异的原因一个可能是不同PTF使用了不同的土壤水力特征数据库进行训练,例如Rostta3使用了包括分布在13个国家的34个站点的数据集(Zhang Yonggen et al.,2017)、CP88使用了Carsel et al.(1988)编制的土壤数据库、WOS99使用了HYPRES数据库(Lilly,1997)、WEY09使用了Vereecken et al.(1989)开发的数据集。一个是土壤质地信息不能完全捕捉土壤水力特征的信息,这从不同PTF预测的Ks有较大差异可以看出。这可能是因为在这些PTF研发中未考虑土壤结构的影响(Jarvis et al.,2013; Fatichi et al.,2020)。此外,值得注意的是,除了不同PTF间的差异,本研究中,站点的土壤质地信息来自于ISRIC数据库,而非实测值。ISRIC数据库是基于大量站点实测数据结合随机森林方法编制的全球土壤质地分布图,在预测不同区域的土壤质地信息方面存在一定不确定性。土壤质地方面的不确定性增加了模拟结果的不确定性,需要在后续的研究中基于实测土壤质地进行进一步对比分析研究。总的来说,本研究表明PTF的选择对于土壤含水量的模拟具有重要的影响。
-
4 结论
-
本文选取了来自于FLUXNET的七个站点数据,对比分析了八个不同PTF对土壤水分模拟的影响。结果显示,不同PTF预测的水力参数差别较大,使得模拟的土壤水分差异显著。整体而言,基于不同PTF的模拟结果虽然能够捕捉土壤水分的动态特征,但普遍出现了高估的情况。在所有站点中,基于VGM模型的四个PTF的模拟结果差异较大,其中Rosetta3的模拟效果最佳;相比之下。基于BC模型的四个PTF模拟结果差异较小,其中Cosby2的表现最佳。基于站点的模拟结果表明,PTF的选择对土壤水分运移模型具有重要影响,而现有的PTF的模拟精度还有待提高,亟需开发新的更为准确的预测土壤水力参数的PTF:
-
(1)开发新一代能够考虑土壤结构影响的PTF。相对于基于毛细理论的传统水力模型,Wang Yunquan et al.(2023)开发的考虑土壤结构和吸附力的新水力模型能够在全水分范围内有很好的表现,所以一些新型PTF的开发有助于土壤含水量的估测。
-
(2)开发随时间变化的PTF。土壤是一个复杂环境,随时空变化而变化,土壤水力参数可能也随之变化,所以开发随时间变化的PTF是必要的。
-
(3)将更多的环境因素作为PTF的输入。当前的PTF主要基于土壤质地信息,在野外应用中,土壤质地信息可能不完全反映或者代表土壤的水力特征,因此需要将更多的环境信息作为输入纳入PTF的研发中。
-
附件:本文附件(附表1、2)详见https://www.geojournals.cn/dzxb/dzxb/article/abstract/202411090?st=article_issue
-
参考文献
-
Assouline S, Or D. 2013. Conceptual and parametric representation of soil hydraulic properties: A review. Vadose Zone Journal, 12(4): 20~32.
-
Brooks R H, Corey A T. 1964. Hydraulic properties of porous media and their relation to drainage design. Transactions of the ASAE, 7(3): 26~28.
-
Campbell G S, Shiozawa S. 1992. Prediction of hydraulic properties of soils using particle-size distribution and bulk density data. Proceedings of the International Workshop on Indirect Methods for Estimating the Hydraulic Properties of Unsaturated Soils, 317~328.
-
Carsel R F, Parrish R S. 1988. Developing joint probability distributions of soil water retention characteristics. Water Resources Research, 24(5): 755~769.
-
Cosby B J, Hornberger G M, Clapp R B, Ginn T R. 1984. A statistical exploration of the relationships of soil moisture characteristics to the physical properties of soils. Water Resources Research, 20(6): 682~690.
-
Dai Yongjiu, Xin Qinchuan, Wei Nan, Zhang Yonggen, Shangguan Wei, Yuan Hua, Zhang Shupeng, Liu Shaofeng, Lu Xingjie. 2019. A global high-resolution data set of soil hydraulic and thermal properties for land surface modeling. Journal of Advances in Modeling Earth Systems, 11(9): 2996~3023.
-
Fatichi S, Or D, Walko R, Vereecken H, Young M H, Ghezzehei T A, Hengl T, Kollet S, Agam N, Avissar R. 2020. Soil structure is an important omission in Earth System Models. Nature Communication, 10(11): 522.
-
Gonçalves M, Ramos T B, Pires F P. 2011. Base de dados georreferenciada das propriedades do solo. Agrorrural, 11(10): 564~574.
-
Jarvis N, Koestel J, Messing I, Moeys J, Lindahl A. 2013. Influence of soil, land use and climatic factors on the hydraulic conductivity of soil. Hydrology and Earth System Sciences, 17(12): 5185~5195.
-
Lilly A. 1997. A description of the HYPRES database: Hydraulic properties of European soils. In: Bruand A, Duval O, Wsten J H M, Lilly A, eds. The Use of Pedotransfer Functions in Soil Hydrology Research. Proceedings of Second Workshop of the Project Using Existing Soil Data to Derive Hydraulic Parameters for Simulation Modelling in Environmental Studies and in Land Use Planning. OrleÂans, France, 10~12 October 1996, 161~184.
-
Monteith J L. 1965. Evaporation and environment. Symposia of the Society for Experimental Biology, 19: 205~234.
-
Mualem Y. 1976. A new model for predicting the hydraulic conductivity of unsaturated porous media. Water Resources Research, 12(3): 513~522.
-
Pachepsky Y A, Rawls W J, Lin H S. 2006. Hydropedology and pedotransfer functions. Geoderma, Hydropedology: Bridging Disciplines, Scales and Data, 131(3~4): 308~316.
-
Penman H L. 1948. Natural evaporation from open water, bare soil and grass. Proceedings of the Royal Society of London. Series A, Mathematical and Physical Sciences, 193(2): 120~145.
-
Ramos T B, Gonçalves M C, Brito D, Martins J C, Pereira L S. 2013. Development of class pedotransfer functions for integrating water retention properties into Portuguese soil maps. Soil Research, 51(4): 262.
-
Rawl W J, Brakensiek D L. 1985. Prediction of soil water properties for hydrologic modeling. Presented at the Watershed Management in the Eighties, ASCE, 2(1): 293~299.
-
Richards L A. 1965. Capillary conduction of liquids through porous mediums. Physics, 1: 318~333.
-
Schaap M G, Leij F J, van Genuchten M T. 1998. Neural network analysis for hierarchical prediction of soil hydraulic properties. Soil Science Society of America Journal, 62(4): 847~855.
-
van Genuchten M T. 1980. A closed-form equation for predicting the hydraulic conductivity of unsaturated soils. Soil Science Society of America Journal, 44(5): 892~898.
-
Van Looy K, Bouma J, Herbst M, Koestel J, Minasny B, Mishra U, Montzka C, Nemes A, Pachepsky Y A, Padarian J, Schaap M G, Tóth B, Verhoef A, Vanderborght J, van der Ploeg M J, Weihermüller L, Zacharias S, Zhang Yonggen, Vereecken H. 2017. Pedotransfer functions in earth system science: Challenges and perspectives. Reviews of Geophysics, 55(4): 1199~1256.
-
Vereecken H, Maes J, Feyen J, Darius P. 1989. Estimating the soil moisture retention characteristic from texture, bulk density, and carbon content. Soil Science, 148(2): 1920~1953.
-
Vereecken H, Weynants M, Javaux M, Pachepsky Y, Schaap M G, van Genuchten M T. 2010. Using pedotransfer functions to estimate the van Genuchten-Mualem soil hydraulic properties: A review. Vadose Zone Journal, 9(4): 795~820.
-
Vereecken H, Huisman J A, Pachepsky Y, Montzka C, van der Kruk J, Bogena H, Weihermüller L, Herbst M, Martinez G, Vanderborght J. 2014. On the spatio-temporal dynamics of soil moisture at the field scale. Journal of Hydrology, Determination of Soil Moisture: Measurements and Theoretical Approaches, 516(4): 76~96.
-
Wagner B, Tarnawski V R, Hennings V, Müller U, Wessolek G, Plagge R. 2001. Evaluation of pedo-transfer functions for unsaturated soil hydraulic conductivity using an independent data set. Geoderma, 102(3~4): 275~297.
-
Wang Yunquan, Zhou Jieliang, Ma Rui, Zhu Gaofeng, Zhang Yongyong. 2022. Development of a new pedotransfer function addressing limitations in soil hydraulic models and observations. Water Resources Research, 58: e2021WR031406.
-
Wang Yunquan, Ma Rui, Zhu Gaofeng. 2023. Representation of the influence of soil structure on hydraulic conductivity prediction. Journal of Hydrology, 619: 129330.
-
Wang Ziwei, Huang Laiming, Shao Mingan. 2024. Development of pedotransfer functions for predicting hydraulic parameters of van Genuchten model by incorporating environmental variables on the Qinghai-Tibet Plateau. Soil and Tillage Research, 236: 105952.
-
Weihermüller L, Lehmann P, Herbst M, Rahmati M, Verhoef A, Or D, Jacques D, Vereecken H. 2021. Choice of pedotransfer functions matters when simulating soil water balance fluxes. Journal of Advances in Modeling Earth Systems, 13: e2020MS002404.
-
Weynants M, Vereecken H, Javaux M. 2009. Revisiting vereecken pedotransfer functions: Introducing a closed-form hydraulic model. Vadose Zone Journal, 8(1): 86~95.
-
Wösten J H M, Lilly A, Nemes A, Le Bas C. 1999. Development and use of a database of hydraulic properties of European soils. Geoderma, 90(3~4): 169~185.
-
Ye Ming, Khaleel R, Schaap M G, Zhu Jianting. 2007. Simulation of field injection experiments in heterogeneous unsaturated media using cokriging and artificial neural network. Water Resources Research, 43(7): 59~67.
-
Zhang Yonggen, Schaap M G. 2017. Weighted recalibration of the Rosetta pedotransfer model with improved estimates of hydraulic parameter distributions and summary statistics (Rosetta3). Journal of Hydrology, 547: 39~53.
-
摘要
土壤水力参数是土壤水分运移模拟的关键输入。在野外应用中,土壤水力参数一般由土壤转换函数(PTF)基于土壤质地信息估计获取。为了对比分析不同PTF对土壤水分运移模拟的影响,本文选取了八个常用的PTF,基于七个FLUXNET中的站点,利用HYDRUS-1D软件开展了土壤水分运移的模拟。结果表明,使用不同的PTF会导致预测结果的显著差异。对于VGM模型,Rosetta3是最稳定的PTF;对于BC模型,Cosby2是最稳定的PTF。基于本文的模拟结果,不同PTF应该在模型中比较使用,以避免由于PTF的选择而带来的不确定性。
Abstract
In soil hydraulic models, the input of hydraulic parameters is an important reason for differences in model results, and these soil hydraulic characteristics can be estimatedusing pedotransfer functions (PTF). To analyze the performance of different PTF, the soil water content at seven FLUXNET sites was simulated and predicted using the VGM model and the BC model within the HYDRUS-1D framework. The results showed that using different PTF led to significant differences in the predicted results. For the VGM model, Rosetta3 was the most stable PTF; for the BC model, Cosby2 was the most stable PTF. Based on the simulation results of this study, different PTF should be compared within a model to avoid the uncertainty caused by PTF selection.
Keywords
soil water transport ; pedotransfer functions ; BC model ; VGM model ; HYDRUS-1D