ICS 07.060 CCS A 47 15 内蒙古自治区 地方 标准 DB15/T 3974—2025 降水影响土壤水分增量的计算方法 草原区 The calculation method of soil moisture increment affected by precipitation in steppe region 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 3974 —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、锡林浩特国家气候观象台。 本文件主要起草人员：冯旭宇、张存厚、娜日苏、杨丽萍、张国兰、郑诗然、张岚彪。 DB15/T 3974 —2025 1 降水影响土壤水分增量的计算方法 草原区 1 范围 本文件规定了草原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草原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 QX/T 631 北方牧区草原蝗虫发生气象等级 3 术语和定义 GB/T 33705 、GB/T 35228 、QX/T 631界定的以及下列术语和定义适用于本文件。 草原区 steppe region 以天然牧草为主的畜牧业生产区。 [来源：QX/T 631 —2021，3.1] 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 土壤含水量及其对应的牧草水分状态。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 3974 —2025 2 土壤水分增量 Increment of soil moisture 土壤含水量的变化量。 4 计算方法 线性回归 (Linear regression ，LR)是利用回归方程 (函数)对一个或多个自变量 (特征值)和因变 量(目标值)之间关系进行建模的一种分析方式。只有一个自变量的情况称为一元线性回归，大于一个自 变量情况的叫做多元回归。 本研究中应用线性回归机器学习模型，以数据为驱动，通过 最小二乘法 求出草原区各个代 表性监测 站点的多元线性拟合方程见公式（ 1）。 𝑦=𝑎𝑥1+𝑏𝑥2+𝑐𝑥3+𝑑𝑥4+𝑒 ································ ····························· (1) 式中： 𝑦 ——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（ %）； 𝑥1 ——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）； 𝑥2 ——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自动站初始日 期08时的土壤相对湿度值，单位为百分数（ %）； 𝑥3 ——月份值，给定时间段的结束日期的月份值； 𝑥4 ——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）； e——误差项。表示模型未能解释的部分，如测量误差、遗漏的变量或者其他随机因素。 草甸草原、典型草原、荒漠草原代表性监测站点的多元线性回归方程见附录 A。 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，基于机器学习的多元线性 回归模型，预测一候内土壤水分增量。流程图如图 1所示，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构建多元线性 回归模型①模型构建与优化 ②模型预测 ⑤评估与筛选模型①评估指标及结果 ②真实值与预测值对比图 结束 图1 降水影响土壤水分增量的计算流程图 DB15/T 3974 —2025 3 A A 附录 A （资料性） 草原区代表性站点的多元线性回归模型 草甸草原区、典型草原区、荒漠草原区代表性监测站点给定时间段为一候的多元线性回归方程见表 A.1。其中，多元线性回归模型的常数项和自变量系数的 P值均满足 P＜0.001，如果不满足，则舍弃这一 项，再重新进行模拟。草甸草原区、典型草原区、荒漠草原区代表性监测站点的 10 cm、20 cm多元线性 回归方程中，测试集的真值与预测值的相关系数分别为 0.766、0.681、0.741、0.733、0.823、0.35， 且都通过了 P<0.01的显著性检验。 表A.1 草原区代表性站点的多元线性回归模型 代表站点 土层深度 cm 多元线性回归模型 草甸草原区 额尔古纳站 10 𝑦=0.757 𝑥1−0.192 𝑥2+0.224 𝑥4+4.205 20 𝑦=0.651 𝑥1−0.106 𝑥2−0.905 𝑥3−0.258 𝑥4+8.070 典型草原区 锡林浩特站 10 𝑦=1.428 𝑥1−0.370 𝑥2−1.286 𝑥3+16.674 20 𝑦=1.419 𝑥1−0.201 𝑥2−1.112 𝑥3−0.618 𝑥4+12.603 荒漠草原区 孪井滩站 10 𝑦=1.215 𝑥1−0.604 𝑥2+0.753 𝑥4+14.513 20 𝑦=0.888 𝑥1−0.076 𝑥2 DB15/T 3974 —2025 4 B B 附录 B （资料性） 多元线性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草原监测站点的数据集。 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 (1)数据描述性统计，示例代码： data_df.describe() 。 (2)处理缺失值，示例代码： data_filled = data_df.fillna(mean_values) 。 (3)数据归一化，示例代码： data_scaled = StandardScaler().fit_transform(data_fi lled.to_numpy()) 。 (4)相关性分析，示例代码： correlation_matrix_spearman = data_scaled.corr(method='spearman') 。 (5)将数据集划分为训练集和测试集，示例代码： X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) 。 其中X为预测因子，包括累积降水量、降水累积持续时长、月份值、土壤水分初始值； y为土壤水分 增量。 B.3 模型建立 实例化一个 线性回归模型，示例代码： model = statsmodels.api.OLS(y_train, X_train) 。 B.4 模型训练 在模拟的过程中，多元线性回归模型的常数项和自变量系数的 P值均需满足 P<0.001，如果不满足， 则舍弃这一项，再重新进行模拟。示例代码： results = model.fit() 。 B.5 模型预测与评估 对测试集进行预测，示例代码： y_test_pred =results.predict(X_test) 。 使用评估指标计算模型性能，示例代码： mae = mean_absolute_err or(y_test, y_test_pred) 。 r2 = r2_score(y_test, y_test_pred) 。 可视化测试集的真值与预测值，如散点图、残差图，以帮助理解数据特性和模型表现。 B.6 参数调整与模型优化 基于模型评估的结果，重复修正预测因子选择、模型训练参数等，重复执行步骤 4、5进行调整。 B.7 持续监测与调整 定期使用最新数据对模型进行评估，并根据需要调整模型参数或重新训练。