基于主成分分析淮北五道沟日尺度地温对气象要素的响应 (1).pdf

第 4 期 孙博等：基于主成分分析淮北五道沟日尺度地温对气象要素的响应 351 中国农业气象（Chinese Journal of Agrometeorology）2024 年doi:10.3969/j.issn.1000-6362.2024.04.003 孙博,王怡宁,吕海深,等.基于主成分分析淮北五道沟日尺度地温对气象要素的响应J.中国农业气象,2024,45(4):351-362 基于主成分分析淮北五道沟日尺度地温对气象要素的响应*孙 博1，王怡宁1,2*，吕海深1，王发信3，朱永华1，周 超3，高 佩1，方晶晶1，卢怡然1（1.河海大学，南京 210098；2.南京水利科学研究院，南京 210029；3.安徽省（水利部淮河水利委员会）水利科学研究院五道沟水文实验站，蚌埠 233000）摘要：为探讨淮北地区地温对气象要素的响应关系，对未来地温进行预测，利用五道沟水文实验站 19862021 年0320cm 深度土壤内 9 个土层地温和 8 个逐日气象要素（平均气温、水面蒸发、日照时数、降水量、1.5m 高度平均风速、平均空气相对湿度、绝对湿度和水汽压力差）实测资料，分析地温与气象要素的相关关系，利用主成分分析法对 8 个气象要素进行数据降维，以提取出的主成分作为输入构建 PCABP 地温模拟模型，并与仅使用平均气温作为输入的 BP 神经网络模型进行对比分析。结果表明：（1）除平均气温外，地温还受水面蒸发、绝对湿度、水汽压力差等气象要素影响，气象要素对地温的影响随土壤深度的增加而减弱。深层地温对气象要素的响应表现出时滞性特点，滞后时间随土层深度增加而增加。（2）080cm 处 PCABP 地温模型在预测未来 1、3、7d 后地温时精度较高，R2（决定系数）均高于 0.79。由于地温对气象要素响应的滞后性，预测天数增加时，PCABP 地温模型对深层地温的预测精度提高。（3）引入新的气象要素作为输入，可提高地温预测模型的精度；与仅使用平均气温作为输入的 BP 模型对比，PCABP 模型在预测未来 3d 和 7d后地温表现更优。关键词：关键词：地温；气象要素；响应关系；预测模型；滞后性 Daily Soil Temperature Response to Meteorological Factors in Wudaogou Region of Huaibei Based on Principal Component SUN Bo1,WANG Yi-ning1,2,LV Hai-shen1,WANG Fa-xin3,ZHU Yong-hua1,ZHOU Chao3,GAO Pei1,FANG Jing-jing1,LU Yi-ran1(1.Hohai University,Nanjing 210098,China;2.Nanjing Hydraulic Research Institute,Nanjing 210029;3.Anhui&Huaihe River Institute of Hydraulic Research,Wudaogou Hydrological Experimental Station,Bengbu 233000)Abstract:The aim of this study was to investigate the relationship between soil temperature and meteorological factors in the Huaibei region and to make predictions about future soil temperature.To achieve this,authors analyzed 58 years of daily measured data from the Wudaogou Hydrological Experiment Station,spanning from 1986 to 2021.The data included soil temperature readings from 9 soil layers at depths of 0-320cm,as well as measurements of 8 meteorological factors:mean air temperature,water surface evaporation,sunshine hours,precipitation,mean wind speed at 1.5m height,mean air relative humidity,absolute humidity,and water vapor pressure difference.The study analyzed the correlations between soil temperature and meteorological factors.The data of the eight meteorological factors were downscaled using Principal Component Analysis.Finally,a PCABP soil temperature prediction model was constructed using the extracted principal components as input.The model was compared with a BP neural *收稿日期：20230530 基金项目：国家自然科学基金重点项目（41830752）；国家自然科学基金面上项目（42071033）；国家自然科学基金青年项目 （52109029）*通讯作者：王怡宁，工程师，主要从事水文水资源研究，E-mail： 第一作者联系方式：孙博，E-mail： 中 国 农 业 气 象 第 45 卷 352 network model that used only mean air temperature as input.The results indicate that(1)soil temperature is influenced not only by mean air temperature but also by meteorological factors such as water surface evaporation,absolute humidity,and water vapor pressure difference.The influence of meteorological factors on soil temperature decreases with increasing soil depth.The response of deep soil temperature to meteorological factors exhibits a time lag,which increases with soil depth.(2)The accuracy of the PCABP soil temperature model in predicting soil temperature at depths of 0-80cm after the 1st,3rd,and 7th day in the future was high,with an R2 value greater than 0.79.The accuracy of the PCABP soil temperature model in predicting deep soil temperature increased as the number of prediction days increased due to the lag effect of soil temperature response to meteorological factors.(3)Adding new meteorological factors as inputs can enhance the accuracy of the soil temperature prediction model.The PCABP model outperformed the BP model,which only used the mean air temperature as input,in predicting the soil temperature after the 3rd and 7th predicted days.Key words:Soil temperature;Meteorological factors;Response relationship;Prediction model;Hysteresis 地温是反映大气与地表结合部土壤温度的状态参数12，对土壤理化性质和作物生长发育有重要影响34。在太阳辐射的作用下，土壤与大气实时进行能量交换，地温随大气温度的变化而变化，进一步影响作物的生长发育和成熟57。国内外众多研究者开展了地温对气象要素响应的研究，取得了一定研究成果。宋晓巍等8利用沈阳 19812015 年 35a 日尺度气温和地温数据，建立了基于气温的小麦春播期（45 月）浅层地温线性预报模型，模型相对误差控制在10%以内，5 月地温模拟精确度最高。简咏梅等9收集了新疆昌吉市19702019年50a逐月地温数据，建立了马铃薯春播期（4 月 10 日5 月 20 日）基于气温的 020cm 层地温回归方程，相关系数为0.770.88。贾东于等10采用小波分析法结合 BP 神经网络，利用石羊河流域日平均地温、日最低地温和日最高地温分别建立 3 种地温模型，较好地预测该地区地温变化趋势，其中日平均地温的预测结果最佳，观测值和预测值相关系数均高于 0.87。母娅霆等11研究了喀斯特地区土壤温度与环境因子的关系，发现土壤温度与气温、太阳辐射及土壤含水量均呈显著正相关。Tabari 等12基于伊朗伊斯法罕省日尺度气温、太阳辐射、相对湿度和降水量，建立了人工神经网络与多元线性回归模型，并比较5100cm土壤地温模拟效果，结果表明神经网络模型的模拟精度优于多元线性回归模型，随土层深度增加，相关系数从 0.99 降至 0.95。Kisi 等13利用多层感知器、径向基函数神经网络和广义回归神经网络的不同方法，基于土耳其梅尔辛站月尺度气温、风速、太阳辐射和相对湿度数据预测月平均地温，发现径向基函数神经网络在预测 5cm 和 10cm 处地温时精度最优，决定系数均高于 0.981。Khosravi 等14利用伊朗伊斯法罕省日尺度气温、蒸发量、日照时数和太阳辐射建立了未来 3、6、9d 后 5cm 和 50cm 处地温的神经网络预测模型，模拟效果较好，未来 3、6、9d后 5cm 和 50cm 处地温模拟模型的决定系数分别为0.90、0.87、0.85 和 0.88、0.89、0.89。淮北平原作为中国重要的粮食产区之一，地温和气象要素间的研究主要集中在地温对气温的响应1516，地温与其他气象要素的关系以及由此构建的预测模型相对较少。鉴于此，本文利用淮北地区五道沟水文实验站 19862021 年 36a 逐日气象和地温观测资料，分析日尺度下土壤 0320cm 内各土层深度处地温对平均气温、水面蒸发、日照时数、降水量、1.5m 高度平均风速、平均相对空气湿度、绝对湿度和水汽压力差 8 个气象要素的响应，由此建立基于主成分分析和 BP 神经网络（PCABP）的地温预测模型，预报 080cm 土层的土壤温度，为地区农业生产提供参考。1 材料与方法 1.1 实验区概况 安徽省蚌埠市五道沟水文实验站是淮北平原区南部大型水文水资源综合实验站（11721E，3309N），属暖温带半湿润季风气候区，四季分明，雨热同期。站内设有气象观测场、62 套大型地中蒸渗仪、自动称重式地中蒸渗仪等设施，长期开展气象、土壤蒸发、土壤含水量等相关观测与田间实验，积累了 1953 年以来的逐日水文气象实验观测资料。实验站内的气象场主要观测地表及地下不同梯度的第 4 期 孙博等：基于主成分分析淮北五道沟日尺度地温对气象要素的响应 353土壤温度、气温（干湿球温度计）、水面蒸发量（E601蒸发皿、20m2水面蒸发池）、日照时数、降水量（虹吸式雨量桶、标准式雨量桶）、风速风向、平均相对空气湿度和水汽压力差等环境要素。1.2 数据来源与处理 采 用 淮 北 平 原 五 道 沟 水 文 实 验 站 气 象 场19862021 年 36a 实测逐日气象和地温资料进行分析。气象数据包括逐日平均气温 AT（）、水面蒸发E0（mm）、日照时数 t（h）、降水量 P（mm）、1.5m高度平均风速 F（ms1）（简称风速）、平均空气相对湿度 RH（%）（简称相对湿度）、绝对湿度 AH（mb）和水汽压力差 e（mb）。地温资料包括土壤 0320cm内 9 个土层（0、5、10、15、20、40、80、160 和320cm）温度实测值（）。1.3 研究方法 1.3.1 主成分分析法（PCA）主成分分析（PCA）是常用数据降维法1718，在保留原数据方差贡献最大部分的同时，可将多个变量转化为若干个相互独立的特征变量，信息损失较少，保证数据完整性19。具体为，将具有一定相关性的 k 个变量作线性组合后，形成互不相关的 p个综合变量 F1，F2，P，方差逐个递减。第一个线性组合 F1方差最大，表达信息最多，称第一主成分。若 F1不足以代表原来 k 个变量信息，继续选取第二个线性组合 F2，称第二主成分。以此类推，构造出第三，第四，以及第 p 个主成分。1.3.2 BP 神经网络模型 BP 神经网络（Back propagation）是按照误差逆向传播训练的传递非线性函数的前馈型神经网络20，由输入层、隐含层和输出层三部分组成21。通过不断训练样本数据，BP 神经网络模型不断修正权重值和阈值，使误差函数沿负梯度方向下降，最终逼近期望输出，是应用较为广泛的神经网络模型22。具体为，确定 BP 神经网络结构，选取模型输入层因子与输出层因子，对数据做归一化处理，根据输入层与输出层因子数量得到隐含层数量范围，再通过试凑法得到最佳隐含层数量，随后选取训练集与测试集进行模型训练。对五道沟 19862021 年 36a 逐日气象资料做主成分分析，提取出若干组包含原始变量绝大部分信息的数据的主成分特征向量。选取主成分数据作为模型输入，0320cm 土壤深度内的 9 个土层地温数据作为模型输出，对主成分数据与地温数据进行归一化处理。输入层数量为提取出主成分数量，输出层数量为 1，通过试凑法确定模型的隐含层数量。模型隐含层传递函数为 logsig，输出层传递函数为tansig，训练函数为 trainlm，期望误差为均方误差函数 mse，最大训练次数为 1000，学习速率的初始值为 0.01。选取 19862010 年数据作为模型训练集，20112021 年数据作为模型测试集。分别建立0320cm 内 9 个土层地温的 PCABP 预测模型并验证，对该地区未来 1、3、7d 后 0320cm 内地温进行逐层预测。1.3.3 模型评价指标 采用均方根误差（RMSE）、平均绝对误差（MAE）和决定系数R2作为模型的拟合精度评价指标。RMSE和 MAE 越小，R2越接近 1，模型的拟合效果越好。2 结果与分析 2.1 地温与气象要素的相关性 19862021年36a五道沟逐日实测的8个气象要素与 0320cm 内 9 个土层当日及延后 1d、3d 和 7d地温的相关系数如表 1 所示。由表可知，在实测当日，0cm 处地温与相对湿度、320cm 处地温与水面蒸发和降水量的相关关系未达显著水平，160cm 处地温与日照时数呈显著正相关（P0.05），其余各层地温与 8 个气象要素均呈极显著相关关系（P0.01）。其中，0320cm 内 9 个土层的地温与风速、320cm 土层处地温与日照时数呈极显著负相关（P0.01），与其他气象要素呈极显著正相关（P0.01）。080cm 内7 个土层的地温与平均气温、绝对湿度呈极显著正相关，相关系数均0.8（P0.01），随土壤深度增加相关系数呈先增加后减少趋势，拐点分别出现在 5cm和 10cm 土层处。040cm 内 6 个土层的地温与水面蒸发、水汽压力差呈极显著正相关，相关系数分别0.5（P0.01）和0.7（P0.01），随土壤深度增加相关系数减小；320cm 处地温与各气象要素的相关性最弱，与水面蒸发、降水量的相关关系未通过显著性检验，与其余气象要素的相关系数绝对值均0.3（P0.01）。当地温和气象数据延后 1、3、7d 时，0160cm内 8 个土层的地温与平均气温、水面蒸发量、绝对湿度、水汽压力差仍呈极显著正相关（P0.01），320cm 内 9 个土层的地温与除水面蒸发和降水量外其余气象要素相关系数绝对值均0.3（P0.01）。随 中 国 农 业 气 象 第 45 卷 354 表 1 实测当日以及 1、3、7d 后 0320cm 内不同土层地温与气象要素的相关系数 Table 1 Correlation coefficients between soil temperatures in different soil layers in 0-320cm on the day of actual measurement and 1,3 and 7 days after the day of actual measurement and meteorological factors 土层 Soil layer(cm)延后天数 Delay days(d)平均气温Temperature 水面蒸发Evaporation from water surface 日照时数Sunshine hour 降水量Precipitation风速 Wind speed 相对湿度Relative humidity 绝对湿度Absolute humidity 水汽压力差Water vapor pressure difference 0 0.978*0.636*0.207*0.100*0.079*0.008 0.898*0.789*1 0.949*0.593*0.200*0.065*0.110*0.022*0.876*0.767*3 0.911*0.570*0.157*0.103*0.092*0.036*0.850*0.734*0 7 0.885*0.549*0.115*0.130*0.066*0.063*0.834*0.701*0 0.988*0.602*0.133*0.131*0.082*0.083*0.935*0.769*1 0.976*0.578*0.146*0.105*0.111*0.081*0.924*0.761*3 0.946*0.568*0.136*0.125*0.105*0.074*0.899*0.748*5 7 0.924*0.559*0.111*0.143*0.082*0.085*0.883*0.728*0 0.984*0.593*0.114*0.141*0.081*0.096*0.937*0.763*1 0.980*0.578*0.134*0.116*0.109*0.089*0.931*0.761*3 0.956*0.570*0.134*0.126*0.110*0.080*0.910*0.753*10 7 0.935*0.562*0.111*0.143*0.090*0.088*0.894*0.735*0 0.979*0.585*0.100*0.147*0.083*0.104*0.935*0.759*1 0.980*0.578*0.125*0.124*0.108*0.093*0.933*0.762*3 0.960*0.570*0.130*0.127*0.115*0.084*0.915*0.756*15 7 0.941*0.563*0.110*0.144*0.097*0.090*0.901*0.741*0 0.972*0.577*0.090*0.151*0.084*0.110*0.932*0.754*1 0.977*0.576*0.118*0.130*0.107*0.098*0.933*0.761*3 0.963*0.569*0.127*0.129*0.116*0.088*0.919*0.757*20 7 0.946*0.563*0.111*0.143*0.101*0.092*0.906*0.745*0 0.936*0.536*0.064*0.154*0.112*0.130*0.909*0.730*1 0.948*0.544*0.079*0.149*0.119*0.123*0.917*0.737*3 0.954*0.546*0.097*0.139*0.130*0.113*0.920*0.744*40 7 0.951*0.552*0.100*0.146*0.124*0.106*0.917*0.746*0 0.871*0.476*0.050*0.141*0.149*0.140*0.856*0.679*1 0.882*0.485*0.053*0.143*0.145*0.139*0.865*0.686*3 0.900*0.498*0.065*0.140*0.145*0.133*0.880*0.700*80 7 0.921*0.515*0.080*0.140*0.145*0.124*0.896*0.717*0 0.678*0.330*0.021*0.100*0.196*0.133*0.679*0.529*1 0.689*0.337*0.022*0.106*0.194*0.134*0.690*0.538*3 0.712*0.354*0.026*0.110*0.190*0.135*0.712*0.556*160 7 0.758*0.387*0.035*0.118*0.184*0.135*0.753*0.590*0 0.145*0.015 0.051*0.006 0.204*0.087*0.179*0.123*1 0.160*0.006 0.049*0.008 0.206*0.089*0.194*0.134*3 0.192*0.012 -0.045*0.015 0.208*0.092*0.224*0.159*320 7 0.254*0.050*0.040*0.028*0.211*0.100*0.284*0.206*注：*、*分别表示相关系数通过 0.05、0.01 水平的显著性检验。Note:*,*indicate that the correlation coefficients passed the significance test at the 0.05 and 0.01 levels,respectively.第 4 期 孙博等：基于主成分分析淮北五道沟日尺度地温对气象要素的响应 355土壤深度增加，气象要素对地温的影响逐渐减弱，并表现出时滞性的特点，滞后天数也随土壤深度增加而增加，在气象要素与地温相关系数上表现为，土层深度越深，0160cm 内 8 个土层地温与平均气温、水面蒸发、绝对湿度和水汽压力差的相关系数最大值对应的延后天数越晚。土壤深度为 0cm、5cm和 10cm 时，各土层地温与平均气温、水面蒸发、绝对湿度、水汽压力差的相关系数随延后天数增加而减小（P0.01），最大值出现在实测当日。土壤深度增加至 15cm 时，地温与水面蒸发、绝对湿度的相关系数随延后天数增加而减小（P0.01），最大值仍出现在实测当日；随延后天数增加，地温与平均气温、水汽压力差的相关系数呈先增大后减小的趋势（P0.01），最大值出现在延后 1d。土壤深度增加至20cm 时，各层地温与水面蒸发的相关系数随延后天数增加而减小（P0.01），最大值仍出现在实测当日；地温与平均气温、绝对湿度、水汽压力差的相关系数呈随延后天数增加而先增大后减小的趋势（P0.01），最大值出现在延后 1d。土壤深度增加至40cm 时，地温与平均气温、绝对湿度的相关系数仍呈随延后天数增加而先增大后减小的趋势（P0.01），最大值变为出现在延后 3d；地温与水面蒸发、水汽压力差的相关系数变为随延后天数增加而增大（P0.01），最大值出现在延后 7d。土壤深度增加至80、160cm 时，地温与平均气温、水面蒸发、绝对湿度、水汽压力差的相关系数均随延后天数增加而增大（P0.5，Bartletts球状检验通过了95%的显著性检验，说明数据适合进行主成分分析，分析结果见表 2。一般选取特征值1 的成分作为主成分23。由表可知，前 3 个主成分的特征值1，且方差贡献率之和达到78.184%，故取前 3 个成分为主成分，并记作 F1、F2和 F3。表 2 19862021 年 8 个气象要素主成分分析的方差贡献率 Table 2 Variance contribution of principal component analysis of eight meteorological factors from 1986 to 2021 成分 Component特征值 Eigenvalue方差占比 Percentage of variance(%)累计贡献率 Cumulative contribution(%)F1 3.158 39.480 39.480 F2 1.972 24.648 64.128 F3 1.125 14.056 78.184 F4 0.779 9.736 87.920 F5 0.447 5.588 93.509 F6 0.311 3.890 97.398 F7 0.173 2.157 99.555 F8 0.036 0.445 100.000 进一步分析 3 个主成分的要素构成，其成分矩阵和得分系数矩阵见表 3。成分矩阵反映主成分与原始变量之间的相关性强弱，其绝对值越大，两者相关性越强。得分系数矩阵是用原始变量线性表达主成分时的各原始变量系数。由表可知，第一主成分F1主要受平均气温、绝对湿度、水面蒸发、水汽压力差的影响，F1与上述 4 个气象要素的相关系数分别为 0.892、0.787、0.811 和 0.909，均在 0.7 以上，表 3 3 个主成分的成分矩阵与得分系数矩阵 Table 3 The component matrix and score coefficient matrix of the three principal components 成分矩阵 Component matrix 得分系数矩阵 Score coefficient matrix 气象要素 Meteorological factor F1 F2 F3 F1 F2 F3 平均气温 Temperature(AT)0.892 0.378 0.034 0.282 0.191 0.03 绝对湿度 Absolute humidity(AH)0.787 0.557 0.08 0.249 0.283 0.071 水面蒸发 Evaporation from water surface(E0)0.811 0.211 0.277 0.257 0.107 0.246 水汽压力差 Water vapor pressure difference(e)0.909 0.13 0.099 0.288 0.066 0.088 风速 Wind speed(F)0.074 0.036 0.916 0.023 0.018 0.815 降水量 Precipitation(P)0.031 0.53 0.414 0.01 0.269 0.368 相对湿度 Relative humidity(RH)0.24 0.837 0.134 0.076 0.425 0.119 日照时数 Sunshine hours(t)0.442 0.689 0.043 0.14 0.349 0.038 中 国 农 业 气 象 第 45 卷 356 呈较强正相关。第二主成分 F2主要受相对湿度的影响，相关系数为 0.837，即相对湿度越大，F2越大。第三主成分 F3主要受风速影响，相关系数为 0.916，即 F3随风速增大而增大。由表 3 中得分系数矩阵构成 3 个主成分的具体表达式为 01ATAHEeF0.282Z0.249Z0.257Z0.288Z FPRHt0.0760.023Z0.010ZZ0.140Z（1）02ATAHEeF0.191Z0.283Z0.107Z0.066Z FPRHt0.018Z0.269Z0.425Z0.349Z（2）03ATAHEeF0.030Z0.071Z0.246Z0.088Z FPRHt0.1190.815Z0.368ZZ0.038Z（3）式中，ATZ，AHZ，0EZ，eZ，FZ，PZ，RHZ，tZ分别表示平均气温、绝对湿度、水面蒸发、水汽压力差、风速、降水量、相对湿度、日照时数8个气象要素经过标准化后的变量。2.3 PCABP神经网络模型 利用五道沟19862021年从气象要素中提取出的3个主成分与0320cm内9个土层地温数据建立 各土层地温的PCABP模型，3个主成分数据作为模型输入，地温数据作为模型输出，模型输入层数量为3，输出层数量为1，通过试凑法确定模型的隐含层数量为9，模型结构为3-9-1。以19862010年数据作为训练集，20112021年数据作为测试集，模型模拟效果见表4。由表可知，080cm内7个土层的地温模型表现良好，R2为0.7990.971，均0.75；160320cm内2个土层的地温模型表现不佳，R2迅速下降，320cm处地温模型R2仅为0.082。在上述模型验证的基础上，使用PCABP模型对观测日1、3、7d后0320cm内地温进行预测，结果见表5。由表可知，模型对080cm土层地温的模拟精度较高，R2为0.7980.962；对160320cm土层地温的模拟精度较低。模拟精度随土壤深度增加呈先提高后降低的趋势，且预测天数越长，精度拐点出现的土层位置越深。预测观测日1d后地温时，对15cm处地温模型表现最佳（R2=0.963，MAE=1.29，RMSE=1.70）；预测观测日3d后地温时，对20cm处地温模型表现最佳（R2=0.940，MAE=1.63，RMSE=2.11）；预测观测日7d后地温时，对40cm处地温模型表现最佳 表 4 20112021 年 PCABP 地温模型的验证精度 Table 4 Accuracy evaluation of PCABP soil temperature validated model,2011-2021 土壤深度 Soil depth(cm)评价指标 Evaluation index 0 5 10 15 20 40 80 160 320 R2 0.948 0.970 0.971 0.968 0.959 0.905 0.799 0.512 0.082 MAE()1.99 1.28 1.19 1.20 1.34 1.79 2.22 2.55 2.04 RMSE()2.63 1.69 1.59 1.59 1.74 2.25 2.73 3.00 2.37 表 5 PCA-BP 模型对 20112021 年观测日 1、3、7d 后 0320cm 土层地温的预测精度 Table 5 The PCABP models accuracy in predicting soil temperature in the 0-320cm soil layer after 1,3 and 7 days of observation date for the years from 2011 to 2021 土壤深度 Soil depth(cm)延后天数 Delay days 评价指标 Evaluation index 0 5 10 15 20 40 80 160 320 R2 0.897 0.945 0.958 0.963 0.962 0.920 0.814 0.526 0.094 MAE()2.87 1.79 1.45 1.29 1.29 1.64 2.14 2.52 2.04 1d RMSE()3.69 2.30 1.90 1.70 1.68 2.06 2.62 2.96 2.36 R2 0.832 0.900 0.921 0.934 0.940 0.930 0.842 0.558 0.097 MAE()3.69 2.44 2.04 1.78 1.63 1.51 1.97 2.44 2.04 3d RMSE()4.71 3.11 2.61 2.29 2.11 1.93 2.42 2.86 2.35 R2 0.798 0.871 0.893 0.908 0.917 0.932 0.877 0.622 0.133 MAE()4.07 2.79 2.39 2.11 1.93 1.47 1.70 2.22 1.99 7d RMSE()5.17 3.53 3.04 2.69 2.48 1.89 2.14 2.64 2.30 第4期 孙博等：基于主成分分析淮北五道沟日尺度地温对气象要素的响应 357（R2=0.932，MAE=1.47，RMSE=1.89）。随着预测天数增加，模型对浅层地温的模拟精度降低，对深层地温的模拟精度不降反升，这可能与深层地温与平均气温等气象要素存在滞后性有关。预测天数从1d增至7d时，模型对020cm内5个土层地温的模拟精度下降，且降幅随土壤深度的增加而减小，其中以0cm处地温模拟精度降幅最大，R2从0.897降至0.798，MAE从2.87增至4.07，RMSE从3.69增至5.17。预测天数从1d增至7d时，40320cm内4个土层地温模型的模拟精度上升。2.4 PCABP 模型与 AT-BP 神经网络模型的模拟精度对比 为检验引入多气象要素对地温预测精度的提升效果，建立仅使用平均气温作为输入的AT-BP神经网络模型对观测日1、3、7d后0320cm土壤深度内各土层地温进行预测，并与PCABP模型进行对比。AT-BP模型结构为1-4-1，输入为平均气温数据，输出为地温数据，数据均经过标准化，训练集为1986-2010年数据，测试集为20112021年数据。两个模型的预测精度对比见表6，选取040cm土层地温绘制1:1线图，如图1图3所示。由图表可知，预测20112021年观测日后1d地温时，PCABP模型在0cm和20320cm内 6个土层的地温模拟结果优于ATBP模型，仅在515cm内3个土层的地温表现略逊于ATBP模型（图1a2-图 1a4）；预测观测日后3d和7d地温时，PCABP模型在对0320cm内9个土层地温的模拟表现均优于ATBP模型。表 6 PCABP 模型与 AT-BP 模型对 20112021 年观测日 1、3、7d 后 0320cm 内各土层地温的预测精度对比 Table 6 Comparison of the accuracy of the PCABP model and the AT-BP model in predicting soil temperature in the 0-320 cm soil layer after 1,3 and 7 days of observation date for the years from 2011 to 2021 土层深度 Soil depth(cm)模型 Model 延后天数Delay days 评价指标 Evaluation index 0 5 10 15 20 40 80 160 320 R2 0.897 0.945 0.958 0.963 0.962