ICS 07.060 CCS A 47 15 内蒙古自治区 地方 标准 DB15/T 3973—2025 降水影响土 壤水分增量的计算方法 农区 The calculation method of soil moisture increment affected by precipitation in farming areas 2025-04-18发布 2025-05-18实施 内蒙古自治区市场监督管理局 发布 DB15/T 3973 —2025 I 前言 本文件按照 GB/T 1.1 —2020《标准化工作导则 第1部分：标准化文件的结构和起草规则》的规定 起草。 本文件由内蒙古自治区气象标准化技术委员会（ SAM/TC 23 ）提出并归口。 本文件起草单位：内蒙古自治区生态与农业气象中心、内蒙古自治区气候中心、兴安盟气象局。 本文件主要起草人：冯旭宇、张存厚、张宇、武荣盛、杨丽萍、黄超、郑诗然。 DB15/T 3973 —2025 1 降水影响土壤水分增量的计算方法 农区 1 范围 本文件规定了农区土 壤解冻条件下一候内累积降水影响 10 cm～20 cm土壤水分增量的计算流程和 方法。 本文件适用于基于降水与土壤水分增量关系开展农区土壤墒情与干旱监测研发与应用的各部门。 2 规范性引用文件 下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。 其中， 注日期的引用文件， 仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本 文件。 GB/T 33705 土壤水分观测 频域反射法 GB/T 35228 地面气象观测规范 降水量 DB15/T 510 内蒙古农田、草地土壤相对湿度等级指标 3 术语和定义 GB/T 33705 、GB/T 35228 、DB15/T 510 界定的以及下列术语和定义适用于本文件。 农区 farming areas 以农业 (种植业) 生产为主的地区。 [来源：DB 15/T 510 —2012，3.2] 降水量 precipitation amount 某一时段内的未经蒸发、渗透、流失的降水，在水平面上积累的深度。 [来源：GB/T 35228 —2017，3.2] 土壤水分 soil moisture 田间土壤含水量及其对应的作物水分状态。土壤含水量通常由土壤重量含水量、土壤体积含水量或 土壤相对湿度表示，单位为百分数（ %）。 [来源：GB/T 33705 —2017，3.2] DB15/T 3973 —2025 2 土壤水分增量 Increment of soil moisture 田间土壤含水量的变化量。 4 计算方法 深度森林是一种基于不可微的决策树构建的深度学习模型，可用于分类和回归。与传统的基于多层 参数化的可微非线性模块的深度神经网络相比，首先，深度森林具有更少的超参数，并且它的模型复杂 性可以以数据依赖的方式自动确定。这使得它可以适用于不同规模的训练数据，而不仅仅局限于大规模 的训练数据。具体来说，训练集被分成两部分，即生长集和估计集。生长集用于对级联结构进行生长， 估计集用于对模型的性能进行评估。如果增加一个新的级联层不能提高模型 性能，则终止级联的增长， 并获得评估的指标值。然后，在合并生长集和估计集的基础上对级联进行再次训练；其次，深度森林的 性能对超参数设置具有相当强的鲁棒性，在大多数情况下，即使来自不同领域的不同数据，它也能够通 过使用相同的默认设置获得出色的性能。 深度森林的回归模型主要基于多粒度扫描模块和级联森林结构，前者用于提取且丰富样本特征， 以 挖掘时序数据的序列关系，后者实现了逐层处理，以进一步提高预测准确性。多粒度扫描模块中，有三 个窗口大小被使用。假设有 d个原始特征，则使用大小为 /16d , /8d, /4d的特征窗口。而且，特征窗口与 原始特征采用相同维度的数据结构，如序列结构、面板结构等。 本研究以数据为驱动，建立了以累积降水量、土壤相对湿度初始值、月份值、降水累积持续时长 4 个要素作为自变量，土壤相对湿度增量为因变量的农区各个代表性监测站点的深度森林回归模型。 其中： 土壤水分增量：即给定时间段内结束时间与初始时间土壤水分的差值。本文件使用指定时间段内土 壤水分固定地段自动站结束日期 08时的土壤相对湿度值与土壤相对湿度初始值之差， 单位为百分数 （ %）； 累积降水量：给定时间段内日降水量之和。本文件使用北京时间 08时—08时的日降水量，指定时 间段为一候以内，单位为毫米（ mm）； 土壤水分初始值：给定时间段内初始时间的土壤水分值。本文件使用土壤水分固定地段自动站初始 日期08时的土壤相对湿度值，单位为百分数（ %）； 月份值：给定时间段的结束日期的月份值。 降水累积持续时长：给定时间 段内，小时降水量大于 0.1 mm的累计小时个数，单位为小时（ h）。 实验中， 80%的训练数据用于生长集， 20%用于估计集。三次交叉验证用于回归向量的生成，级联的 数量是训练过程中自动确定的。深度森林回归模型主要的超参数及其说明如表 1所示。 表1 深度森林回归模型的超参数 超参数 缺省值 说明 n_bins 255 非缺失值的箱子数量，值必须不小于 2且不大于 255。 max_layers 20 深林中最大的级联层数。 criterion "mse" 评估函数 , 用于衡量一个分裂的质量。 n_estimators 2 每个级联层中的估计器数量。每个估计器缺省情况下分别包含一个 RandomForestRegressor 和一个 ExtraTreesRegressor 。 n_trees 100 每个估计器中树的数量。 max_depth None 每棵树的最大深度， None表示没有约束。 random_state None 如果值是 int，则random_state 是随机数生成器使用的种子 ; 如果值是 None，则随机数生成器是 np.random 使用的RandomState 实例。 大兴安岭东南麓、阴山南麓、河套平原代表性监测站点的深度森林回归模型的评估结果见附录 A。 DB15/T 3973 —2025 3 5 计算流程 以累积降水量、降水累积持续时长、月份值、土壤水分初始值为自变量，基于多元深度森林的回归 模型，预测一候内土壤水分增量，计算流程见图 1，详细的计算流程见附录 B。 开始 ①数据获取 ②数据预处理①数据描述性统计 ②缺失值处理 ③探索性数据分析①相关性分析 ②数据的图像化分析 ④构建深度森林 回归模型①模型构建与优化 ②评估与筛选模型 ⑤模型预测评估指标及结果 真实值与预测值对比图 结束 图1 基于多元深度森林回归模型的降水影响土壤水分增量的计算流程 DB15/T 3973 —2025 4 A A 附录 A （资料性） 农区代表性站点深度森林回归模型的评估结果 大兴安岭东南麓、阴山南麓、河套平原的代表性监测站点给定时间段为一候的多元深度森林回归模 型的评估结果见表 A.1。其中，R2为决定系数； MAE为平均绝对误差； Corr为相关系数。选择 3个代表性站 点2017-2021年4-9月的850多条数据记录，按照 8:2的比例划分成生长集和估计集，分别建立了给定时间 段为一候，以累积降水量、降水持续时长、土壤相对湿度初始值、月份值为自变量， 10 cm、20 cm土层 深度土壤相对湿度增量为因变量的多元深度森林回归模型。 3个评估指标在估计集上的表现如表 A.1所 示，且Corr值全部都通过了 P＜0.01的显著性检验。 表A.1 农区代表性站点深度森林回归模型的评估结果 代表站点 土层深度 cm R2 MAE Corr 大兴安岭东南麓 赤峰站 10 0.871 2.603 0.909 20 0.823 1.684 0.808 阴山南麓 土默特左旗站 10 0.898 3.203 0.927 20 0.912 2.247 0.912 河套平原 大佘太站站 10 0.891 2.191 0.848 20 0.771 2.723 0.845 DB15/T 3973 —2025 5 B B 附录 B （资料性） 深度森林回归模型的计算流程 B.1 数据获取 使用数据读取函数导入农区代表性监测站点的数据集。 以数据存储于 data.xlsx 文件为例， 数据读取的示例代码： data_df=pandas.read_excel(data.xlsx) 。 B.2 数据预处理 数据描述性统计，示例代码： data_df.describe() 。 处理缺失值，示例代码： data_filled = data_df.fillna(mean_values) 。 数据归一化，示例代码： data_scaled = StandardScaler().fit_transform(data_filled.to_numpy()) 。 相关性分析，示例代码： correlation_matrix_spearman = data_scaled.corr(me