連帥明,許仲林,王文棟
(1.新疆大學地理與遙感科學學院,新疆 烏魯木齊 830017;2.新疆大學 綠洲生態(tài)教育部重點實驗室,新疆 烏魯木齊 830017;3.新疆林科院 森林生態(tài)研究所,新疆 烏魯木齊 830063)
土壤溫度變化在宏觀層面是對氣候變化作出的敏感響應,同時又是影響大氣環(huán)流和氣候變化的主要因子之一[1]。在微觀層面,不僅影響植物的光合作用,對植物的養(yǎng)分、水分吸收利用等也具有調(diào)控功能。此外,土壤溫度對土壤動物、微生物生存和動態(tài)的影響也是顯而易見的[2-6]。因此,對土壤溫度的研究,具有重要的理論和現(xiàn)實意義。
學者們對多種時空尺度上土壤溫度的變化已展開了系統(tǒng)深入的研究[7-8]。在國內(nèi),土壤溫度的主要研究對象是影響因素,在不同地區(qū),不同時空尺度上土壤的溫度變化表現(xiàn)出一定的規(guī)律性[9-11]。受氣候、海拔、緯度、土壤類型、植被和耕作等因素的影響,不同區(qū)域土壤溫度變化的主要影響因素不同;在荒漠-綠洲過渡帶,氣溫是影響土壤溫度最主要的氣象因子[12];在亞高山森林0~40 cm土壤溫度日較差隨著土壤深度的增加逐漸減小[13];張慧智等[14]對中國土壤溫度的空間分布進行研究發(fā)現(xiàn),氣溫、經(jīng)緯度和海拔對年均土壤溫度均有顯著影響。土壤溫度也是影響城市綠地類型土壤呼吸時間動態(tài)的重要因子[15];核桃-小麥間作降低了生長季高溫時段淺層土壤溫度[16]。國外對土壤溫度研究發(fā)現(xiàn),2個較大流域的土壤溫度季節(jié)變化趨勢相似[17];氣溫對土壤溫度變化具有主導作用[18]。對預測模型的研究發(fā)現(xiàn),在伊朗2種模型均能準確預測淺層土壤溫度,但隨深度的增加預測性能逐漸降低[19];基于線性隨機模型提高了預測精度[20];深度回波狀態(tài)網(wǎng)絡模型優(yōu)于傳統(tǒng)方法[21];多元自適應回歸算法優(yōu)于支持向量機算法[22];自適應神經(jīng)模糊系統(tǒng)方法優(yōu)于多元線性回歸方法和多層感知器方法[23];多層感知器人工神經(jīng)網(wǎng)絡模型優(yōu)于多元線性回歸模型[24]等。上述研究表明,土壤溫度的變化規(guī)律及其影響因素在不同時空尺度具有差異性,同時各預測模型的效果也不相同。因此,需要對典型生態(tài)系統(tǒng)土壤溫度動態(tài)及其影響因素開展深入研究,為陸地生態(tài)系統(tǒng)能量平衡過程提供參考。
干旱區(qū)的生態(tài)系統(tǒng)類型相對單一且脆弱,其土壤的溫度動態(tài)具有典型特征。牛春霞等[25]研究發(fā)現(xiàn),天山北坡氣溫對土壤溫度的影響隨著土壤層深度增加而減弱,車宗璽等[26]研究發(fā)現(xiàn)祁連山西段草地土溫與海拔正相關,付皓宇等[10]研究揭示了準噶爾盆地南緣荒漠草地土壤溫度與氣象因子相關性較好,羅斯瓊等[27]認為三江源地區(qū)氣溫和地溫具有明顯的正相關性,柳媛普等[28]研究揭示了河西走廊中段干旱荒漠區(qū)土壤溫度受輻射影響大,陳啟民等[29]在洛浦縣發(fā)現(xiàn)冬季隨著土壤深度的增加土壤溫度升高。截至目前,對新疆北部阿爾泰山山地森林生態(tài)系統(tǒng)土壤溫度的研究仍較缺乏,限制了對干旱區(qū)典型生態(tài)系統(tǒng)能量循環(huán)的深入理解。本研究在對阿爾泰山山地森林生態(tài)系統(tǒng)土壤溫度進行系統(tǒng)觀測基礎上,采用模型方法分析不同層的土壤溫度變化,旨在進一步加深對干旱區(qū)山地生態(tài)系統(tǒng)能量平衡的理解。
阿爾泰山森林生態(tài)站(48°41′34″N,87°1′58″E)位于新疆阿勒泰布爾津縣喀納斯國家自然保護區(qū)內(nèi),海拔1 382 m,植被主要為北方針葉林,土壤類型主要是灰色森林土,其母質(zhì)為殘積母質(zhì)。大陸性氣候,氣溫年較差較大,多年平均氣溫-0.2 ℃,多年平均降水量約為600 mm,蒸發(fā)量約為1 000 mm,日照時數(shù)長約為2 157 h,無霜期相對較短。區(qū)域內(nèi)地形復雜多樣,物種豐富多樣,植被垂直地帶性明顯。
數(shù)據(jù)來源于2014年11月-2019年7月國家林業(yè)和草原局阿爾泰山森林生態(tài)站,數(shù)據(jù)采集時間間隔10 min,觀測要素包括空氣溫度(℃,最高、最低、平均)、相對濕度(%,最大、最小、平均)、氣壓(hPa,最大、最小、平均)、風速(m·s-1最大和平均)、太陽輻射量(W·m-2,最高、最低、平均)、光合有效輻射(W·m-2,最高、最低、平均)、凈輻射(W·m-2,最高、最低、平均)、降水(mm)8大類21個氣象因子,以及5、10、20 cm和30 cm層土壤溫度數(shù)據(jù)。
數(shù)據(jù)處理和統(tǒng)計利用Office 2019和SPSS 22.0進行,利用R語言環(huán)境進行BP人工神經(jīng)網(wǎng)絡分析,通過Origin 2018制圖。
采用相關分析(Pearson相關系數(shù))研究不同層土壤溫度和氣象因子之間的關系,利用多元線性回歸模型以及BP人工神經(jīng)網(wǎng)絡對不同層土壤溫度進行預測。
人工神經(jīng)網(wǎng)絡(artificial neural network,即ANN)自20世紀80年代提出以來已成為研究熱點,并在地理學研究中得到了廣泛應用[30-34]。BP神經(jīng)網(wǎng)絡(backpropagation neural network)是按照誤差逆向傳播算法進行參數(shù)擬合的人工神經(jīng)網(wǎng)絡模型,具有網(wǎng)絡構建簡單、訓練算法豐富、映射能力強等特點,是應用最廣泛的神經(jīng)網(wǎng)絡模型。本研究構建的BP神經(jīng)網(wǎng)絡模型由輸入層、隱含層和輸出層構成,鑒于對不同深度土壤溫度的預測并不復雜,因此只設置一層隱含層。
采用R語言實現(xiàn)BP神經(jīng)網(wǎng)絡的構建。輸入層包含14個神經(jīng)元,對應14個氣象因子(x1、x2、x3、x4、x5、x6、x10、x11、x12、x13、x14、x16、x17、x21)的輸入;隱含層神經(jīng)元個數(shù)為10;輸出層是4個土壤層的溫度,包括4個神經(jīng)元。輸入層、隱含層和輸出層的傳遞方式分別設置為'purelin'、'logsig'以及'purelin';模型擬合之前,對輸入層的14個初始因子進行歸一化處理。
2.1.1 土壤溫度月均值變化 近5 a的各層土壤溫度變化趨勢一致(圖1A),但各層土壤最低溫度和最高溫度出現(xiàn)時間不同。5 cm層最低溫度出現(xiàn)在2018年2月(-2.69 ℃),其余各層低溫均出現(xiàn)在12月(10 cm為2014年12月,20 cm和30 cm為2017年12月);各層最高溫度均出現(xiàn)在2015年,但觀察到高溫的月份有所差異(10 cm和20 cm深度最高溫度出現(xiàn)在7月,5 cm和30 cm出現(xiàn)在8月)。隨著土壤深度的增加,最低溫度由5 cm處的-2.65 ℃降低至20 cm處的-4.38 ℃,至30 cm深度,最低溫度又有所回升(-4.00 ℃);最高溫度的變化趨勢與最低溫度相反:隨著土壤深度的增加,最高溫度由5 cm處的16.2 ℃升高至20 cm處的18.31 ℃,至30 cm最高溫度又下降至17.23 ℃。
圖1 土壤溫度2014年11月-2019年7月各月平均變化和年際變化
各層土壤溫度均值的年際變化呈現(xiàn)倒V形(圖1B),2016年升至最高后到2018年降至最低。就各層土壤溫度的差異性而言,2018年差異性較大(最高、最低值相差0.51 ℃),2015年次之(高低溫之差為0.33 ℃),2016年和2017年差異相對較小(高低溫之差分別為0.18 ℃和0.14 ℃)。
2.1.2 土壤溫度日變化 研究期內(nèi)各層土壤溫度日均值變化趨勢一致(圖2A):0:00-5:00時10 cm土壤溫度最高,6:00-13:00時5 cm溫度最高,20 cm土壤溫度最高在14:00-23:00,23:00-24:00時10 cm土壤溫度最高。與淺層5 cm土壤層溫度相比,深層土壤溫度的變異性較高;各土壤層從上到下最高溫度分別出現(xiàn)在3:00、22:00、18:00和20:00,最高值分別為5.99、6.59、8.26 ℃和6.95 ℃;最低溫度分別出現(xiàn)在17:00、13:00、10:00和11:00,溫度分別為5.70、5.42、4.37 ℃和4.38 ℃。
土壤溫度的日較差從大到小依次為20、30、10 cm和5 cm,日較差依次為3.89、2.57、1.17 ℃和0.29 ℃??傮w而言,各層土壤溫度的變化趨勢雖一致,但并未呈現(xiàn)隨土壤深度增加而一致變化的趨勢;同樣,日較差也未呈現(xiàn)出隨土壤層遞減的趨勢,土壤層日較差最大值和最小值分別出現(xiàn)在20 cm和5 cm。
2.1.3 土壤溫度月變化 各土壤層的溫度月際動態(tài)呈倒U形(圖2B),5、10 cm和20 cm深度土壤溫度從7月至次年2月逐漸降低,30 cm土壤的降溫過程則從8月開始。相應地,5、10 cm和20 cm深度土壤的升溫過程在年內(nèi)持續(xù)至7月份,而在30 cm深度,升溫持續(xù)至8月份。在年內(nèi)不同時期,土壤最低溫度出現(xiàn)的深度不同:11月至次年2月間,20 cm深度土壤的溫度在各層中最低,9-10月和次年3月,30 cm深度土壤溫度在各層中最低;暖季土壤高溫亦如此(3-8月20 cm土壤溫度在各層中最高;9月至次年3月間,5 cm深度土壤溫度在各層中最高)。5 cm和10 cm土壤最低溫度出現(xiàn)在2月,20 cm和30 cm出現(xiàn)在12月,極值分別為-0.63、-1.00、-1.84 ℃和-1.39 ℃;5、10 cm和20 cm 深度土壤溫度在7月份達到最高,分別為15.58、16.76 ℃和17.69 ℃;30 cm土壤溫度在8月達到最高(16.48 ℃),表明土壤自表層至深層熱量傳導出現(xiàn)滯后現(xiàn)象。
圖2 各土壤層溫度的日變化(A)、月變化(B)和月較差(C)
各土壤層溫度月較差從高到低依次是30、20、10 cm和5 cm,分別為42.12 ℃(7月)、26.18 ℃(6月)、13.87 ℃(9月)和9.56 ℃(9月)(圖2C)。各層土壤的月較差最小值較小,其中5、10 cm和20 cm在3月,分別為2.78 ℃、2.99 ℃和3.25 ℃;30 cm在11月為3.94 ℃。4-10月各層土壤溫度的月較差較大,11月-次年3月各層土壤溫度的月較差較小。
2.1.4 土壤溫度季節(jié)變化 依據(jù)已有研究,將研究區(qū)的季節(jié)進行如下劃分:春季3-5月、夏季6-8月、秋季9-11月、冬季12月到次年2月[35]。考察各季節(jié)內(nèi)土壤溫度的日變化,發(fā)現(xiàn)春、夏、秋3季各層土壤溫度的日內(nèi)動態(tài)呈波動變化(圖3ABCD),波動幅度由高至低依次為20、30、10 cm和5 cm;冬季各層土壤溫度日變化較為穩(wěn)定,平均溫度由高至低與春夏秋3個季節(jié)相反,其分別為5、10、30 cm和20 cm。
四季日均溫度中,春季和夏季最高溫度均出現(xiàn)在20 cm土壤層,最低溫度均出現(xiàn)在5 cm土壤層;秋季最低和最高溫度均在20 cm土壤層;冬季5 cm深度土壤溫度最高,20 cm最低。各土壤層溫度日較差的極小值出現(xiàn)在冬季,極大值出現(xiàn)在秋季。
土壤溫度日均值夏季最高,冬季最低;隨著土壤深度的增加,各季節(jié)土壤溫度的變化呈現(xiàn)出不同特征:春夏季先升高后降低,秋季持續(xù)降低,冬季先降低后升高(圖3E)??疾旄骷竟?jié)土壤溫度日較差隨土壤深度的變化過程發(fā)現(xiàn),冬季日較差變化較小,其余3季土壤溫度日較差從表層至深層均表現(xiàn)為先升高后降低的趨勢(圖3F)。
圖3 各土壤層的溫度季節(jié)變化(ABCD)、季節(jié)日均值(E)和日較差(F)
2.1.5 不同季節(jié)土壤溫度年際變化特征 考察2014-2019年各層土壤溫度的季節(jié)均值發(fā)現(xiàn),春、秋、冬季總體變化趨勢一致,呈現(xiàn)出“N”形,夏季總體呈現(xiàn)下降趨勢(圖4)。具體而言,春季各層土壤溫度在2015-2017年上升,2018下降,至2019年除30 cm深度土壤溫度持續(xù)下降外,其他各層均上升;夏季總體上為下降趨勢;秋季各層土壤溫度逐年變化趨勢與春季相同;冬季各層土壤溫度的逐年趨勢均一致:2014-2015年上升,2016年與2015年相比變化不大,2017年降低,至2018年又有所回升。
圖4 不同季節(jié)土壤溫度年際變化
2.2.1 土壤溫度與氣象因子的相關性 各氣象因子中,空氣溫度(最高、最低和平均)、氣壓(最大、最小和平均)、太陽輻射(最高和平均)、平均凈輻射以及最高凈輻射與土壤溫度呈正相關(表1),其中空氣溫度(最高、最低和平均)、氣壓(最大、最小和平均)、太陽輻射(最高和平均)、平均凈輻射和最高凈輻射與土壤溫度的相關性達到極顯著水平。最小相對濕度與土壤層溫度負相關。其余氣象因子與土壤溫度的相關性較低。
表1 土壤各層的溫度與氣象因子的Pearson相關系數(shù)
隨著土壤深度的增加,空氣溫度(最高、最低和平均)、最大氣壓、太陽輻射(最高和平均)以及凈輻射(最高和平均)與土壤溫度的相關關系呈現(xiàn)先升高后降低的趨勢,相關系數(shù)在20 cm深度最高。氣壓(最大、最小和平均)與土壤溫度的相關性隨著土壤深度的增加呈倒V形,相關系數(shù)在10 cm層最高。最小相對濕度與土壤溫度的負相關性隨土壤深度的增加先升高后降低,相關系數(shù)的絕對值在20 cm處達到最高。
2.2.2 土壤溫度與氣象因子的回歸關系 選取8大類氣象因子做一元線性回歸分析結果表明(表2),平均氣溫和平均氣壓對各土壤層溫度的決定系數(shù)最高且隨著深度的增加先升高后降低(在20 cm深度擬合效果最好);平均凈輻射和平均太陽輻射次之,對各層土壤溫度的決定系數(shù)介于0.32-0.71之間,表明二者在一定程度上影響土壤溫度。
表2 土壤溫度與氣象因子之間的一元線性回歸模型
研究期內(nèi)(2014年11月到2019年6月)逐日觀測土壤溫度數(shù)據(jù)和氣象因子之間建立多元線性回歸方程可知,回歸模型在各土壤層的模擬效果較好(相關系數(shù)分別為0.93、0.95、0.96和0.95),為進一步檢驗模型的準確性,選取2019年7月份共31天的觀測數(shù)據(jù)進行驗證,結果表明(圖5),5、10、20 cm和30 cm深度多元線性回歸模型預測值與觀測值之間的相關系數(shù)分別為0.27、0.53、0.74和0.70,表明隨著土壤深度增加,多元線性回歸模型的預測精度逐漸升高。
圖5 土壤溫度與氣象因子之間的多元線性回歸模型性能
采用整個研究期內(nèi)數(shù)據(jù)建立逐步回歸模型,結果表明,最大氣壓、最高氣溫和平均風速對5 cm土壤層溫度具有顯著影響;最大氣壓、平均凈輻射和最高氣溫對10 cm土壤溫度的變異性具有較大貢獻;對20 cm土壤溫度的變異性貢獻較大的因子包括最高空氣溫度、最大氣壓和平均凈輻射;最大氣壓、平均凈輻射和平均風速對30 cm土壤溫度的變異性影響較大(表4)。
表3 土壤溫度與氣象因子之間的多元線性回歸模型
表4 土壤溫度與氣象因子之間的逐步回歸模型
同樣選取2019年7月共31 d的觀測數(shù)據(jù)對逐步回歸模型進行驗證,結果表明,5、10、20 cm和30 cm深度逐步回歸模型預測值與觀測值之間的相關系數(shù)分別為0.48、0.61、0.76和0.61(圖6),總體而言,逐步多元線性回歸模型優(yōu)于多元線性回歸模型,多元線性回歸模型僅在30 cm土壤層的性能優(yōu)于逐步多元線性回歸模型。
圖6 土壤溫度與氣象因子之間的逐步回歸模型性能
觀測期內(nèi)(2014年11月到2019年6月)的氣象因子和土壤溫度作為訓練樣本進行BP人工神經(jīng)網(wǎng)絡的構建,其中輸出目標t為各土壤層的土壤溫度,預測變量P為氣象因子。設置最大訓練次數(shù)為10 000,學習速率0.000 1,模型誤差達到目標值(0.65×10-3)后,預測2019年7月各土壤層(5、10、20 cm和30 cm)溫度,并將預測溫度和實際觀測值進行比較,得到模型的性能評價,結果表明(圖7),BP人工神經(jīng)網(wǎng)絡對10 cm和20 cm土壤溫度的預測性能較好(相關系數(shù)分別為0.78和0.89),其次為5 cm土壤(R=0.64),對30 cm土壤溫度的預測性能較差(R=0.57)。
圖7 BP人工神經(jīng)網(wǎng)絡模型性能
對比BP人工神經(jīng)網(wǎng)絡模型與回歸模型,發(fā)現(xiàn)2類模型均對20 cm土壤溫度的預測效果較好,對30 cm土壤溫度的預測效果較差,且BP人工神經(jīng)網(wǎng)絡模型總體上優(yōu)于回歸模型。
本研究表明,阿爾泰山森林生態(tài)站2014年11月到2019年7月,近5 a的月平均各層土壤溫度變化趨勢一致,但各層土壤最低溫度出現(xiàn)時間不同(2018年2月5 cm為-2.69 ℃、2014年12月10 cm為-3.50 ℃、2017年12月20 cm和30 cm分別為-4.85 ℃和-4.18 ℃)和最高溫度不同(2015年8月5 cm和30 cm分別為16.19 ℃和17.23 ℃、2015年7月10 cm和20 cm分別為17.37 ℃和18.31 ℃);各層土壤溫度均值的年際變化呈現(xiàn)倒V形。
日變化中各層土壤溫度變化趨勢一致,但未呈現(xiàn)隨土壤深度增加而一致變化的趨勢,20 cm土壤層溫度變化最大,5 cm土壤層變化較??;同樣,日較差也未呈現(xiàn)出隨土壤層遞減的趨勢,日較差最大值和最小值分別出現(xiàn)在20 cm的3.89 ℃和5 cm的0.29 ℃。
各土壤層的溫度月際動態(tài)呈倒U形,5、10 cm和20 cm 深度土壤溫度在7月達到最高,分別為15.58、16.76 ℃和17.69 ℃,30 cm土壤溫度在8月達到最高為16.48 ℃,表明土壤自表層至深層熱量傳導出現(xiàn)滯后現(xiàn)象。
各土壤層溫度在春夏秋季變化較大,冬季變化較??;各土壤層溫度日較差的極小值和極大值分別出現(xiàn)在30 cm冬季為1.64 ℃和20 cm秋季為25.53 ℃;土壤溫度日均值夏季最高均高于16.61 ℃,冬季最低于1.23 ℃。
空氣溫度、氣壓和太陽輻射等與土壤溫度的相關性達到極顯著水平;平均空氣溫度與各層土壤溫度的擬合關系最好(R>0.75);土壤溫度預測表明,預測模型隨著土壤深度增加,其預測精度逐漸升高,且逐步多元線性回歸預測模型優(yōu)于多元線性回歸預測模型;BP人工神經(jīng)網(wǎng)絡模型總體上優(yōu)于回歸模型的預測性能,且20 cm土壤層的預測結果最好。
3.2.1 土壤溫度的變化和氣象因子的相關分析 對阿爾泰山的各土壤層的土壤溫度的變化和氣象因子之間的關系進行分析,結果表明各土壤層溫度的日、月和季節(jié)變化的總體趨勢一致,但土壤熱量傳輸未隨土壤深度遞減,與緱倩倩等[12]的結果不同;另外,發(fā)現(xiàn)相對于5、10 cm和30 cm土壤層,20 cm土壤層的溫度在日、月、季尺度上的變異性最高,與付皓宇等[10]的結果不同。唐振興等[36]和車宗璽等[26]研究表明土壤溫度的垂直變化存在滯后現(xiàn)象深層土壤溫度的變化趨勢滯后于淺層土壤。本研究發(fā)現(xiàn)土壤溫度月變化在30 cm出現(xiàn)滯后現(xiàn)象,但5、10 cm和20 cm的土壤溫度未出滯后性。
氣溫對土壤溫度的變異性影響較大,這與干旱區(qū)前人研究結果相同[12],表明干旱區(qū)的土壤溫度主要受氣溫影響。涂鋼等[37]研究認為影響東北半干旱區(qū)草地土壤溫度的關鍵因子為太陽輻射,而影響熱帶地區(qū)土壤溫度的關鍵因子則是降水[14]。因此,不同研究區(qū)域土壤溫度的主控因子具有差異性不同,表明氣候背景以及地表植被覆蓋可能是影響土壤溫度的主控因子。
3.2.2 土壤溫度預測模型的模擬 BP人工神經(jīng)網(wǎng)絡預測模型和回歸模型均表明,隨著土壤深度的增加,模型擬合性能總體呈現(xiàn)降低趨勢,但對20 cm深度土壤的模擬效果較好,這與王選耀等[38]的研究結果不同,他們發(fā)現(xiàn),隨著土壤深度的增加,各模型的性能存在下降趨勢,但下降程度存在分異。馮學民等[39]建立回歸方程對我國絕大多數(shù)地區(qū)土壤溫度進行預測,發(fā)現(xiàn)回歸模型的預測較好,但此類模型在干旱區(qū)表現(xiàn)不佳。本研究通過對比得到BP人工神經(jīng)網(wǎng)絡總體上優(yōu)于回歸模型,與張修玉等[40]以及姚付啟等[41]的結果相一致。因此,建議在對干旱區(qū)土壤溫度進行預測時,采用BP人工神經(jīng)網(wǎng)絡方法以獲得較為可信的預測結果。