农业旱涝监测预测及其业务实现一直是气象部门研究热点之一。长期以来，气象部门为了做好防汛抗旱服务工作，开展了系统的土壤水分人工观测^[1-4]。近年来, 中国气象局大力推进土壤水分监测自动化系统工程建设，在山东、河南、河北、安徽等省建立土壤水分自动监测系统^[5-8]。至2007年，全国共有2192个土壤墒情监测站^[6]。但目前土壤水分监测和评估还存在许多问题，主要表现在水分监测预测的系统性、连续性较差，获得的土壤墒情数据常常滞后，与气象业务需求存在较大差距^[9-15]。因此，如何利用土壤水分自动监测数据，建立土壤墒情实时监测与预测业务系统，已经成为气象部门研究的主要技术难题。

2004年7月以来，安徽省建立了完善的土壤水分监测系统，包括78个人工站和30个自动土壤水分站，为了提高土壤水分监测预测业务水平，本研究从气象业务需求出发，利用土壤水分观测数据，建立土壤墒情统计预报模型，研究与开发省级土壤水分实时监测与预测系统 (SMRTOFS)，为安徽省农业旱涝防灾减灾提供了科学依据，为防汛抗旱决策服务提供技术支持。

系统数据流程与结构见图 1。系统数据文件设计为四级数据文件：1级数据文件为土壤水分监测数据，2级数据文件为标准数据库，3级数据文件为用户级数据文件，4级数据文件为制作各类旱涝监测预测服务初级产品。SMRTOFS基于客户端与服务器 (C/S) 结构，主要功能是实现四级数据文件的管理与相互转化。服务器端为2级数据文件，是以SQL SERVER平台建立的数据库。客户端设计3个功能模块：① 土壤水分监测模块，实现各类土壤水分监测资料的实时收集及存储入库，即1级数据文件到2级数据文件的转换；并根据业务服务需求从数据库中定制查询生成用户级别数据文件，并以表格、等值线色斑图、线柱图等形式反映土壤水分监测数据的时空变化；② 土壤水分预测模块，调用土壤水分预测模型实现土壤墒情预测，并按3级数据文件格式进行输出；③ 数据处理与显示工具模块，实现对第3级数据文件的分析处理与显示，包括土壤墒情监测与预测等值线色斑图生成、表格和线柱图的显示与输出。

图 1

图 1. 系统数据流程与结构 Fig 1. The structure and data flow of SMRTOFS

农业旱涝指标的确定是业务系统开发的前提，国内外关于农业旱涝指标可分为基于土壤的旱涝指标^[15-18]、基于作物特征的旱涝指标^[19-24]和综合指标^[25-28]。在旱涝监测预警服务与应用方面，以土壤水分的旱涝指标应用最为广泛^[29-31]。本研究采用土壤相对湿度指标θ′作为农业旱涝指标 (表 1)，即以重量含水率占田间持水量的百分比表示。根据土壤含水量的大小，分为过湿、正常、轻旱、中旱、重旱5个等级^[9]。

表 1

表 1 土壤相对湿度θ′的干旱等级 Table 1 Drought index of soil relative humidity 等级 类型 土壤相对湿度/% 1 过湿 θ′＞90 2 正常 60＜θ′≤90 3 轻旱 50＜θ′≤60 4 中旱 40＜θ′≤50 5 重旱 θ′≤40

表 1 土壤相对湿度θ′的干旱等级 Table 1 Drought index of soil relative humidity

本研究考虑到不同季节其失墒率不同，降水较少和降水偏多时单位降水量对土壤增墒效率的差异，模型假设预报期内存在总降水量的临界值P₀，分别建立预报期内降水总量大于或小于该临界值的土壤水分统计预测模型^[9]：

P≤P₀时，

(1)

P＞P₀时，

(2)

式 (1) 和 (2) 中，W₀, W_t分别为时段初与时段末的土壤相对湿度 (单位:%)；P, T, R分别为时段内降水 (单位:mm)，活动积温 (单位:℃)，日照时数 (单位:h)。春秋季取P₀=10 mm, 夏季取P₀=12 mm，冬季取P₀=8 mm (模型参数见表 2)。预测时，时段初土壤相对湿度源于观测值，时段内降水、活动积温、日照时数由定量预报文件获取，或根据历年同期平均气候状况，结合中期趋势预报的定性描述，分别确定预测时段内各要素的订正系数获取。

表 2

表 2 土壤墒情预测模型参数 Table 2 The parameters of soil water forecasting model 季节 a0 a1 a2 a3 a4 P≤P0 春季 10.70 0.768 -0.034 0.538 -0.024 夏季 32.80 0.657 -0.067 0.540 -0.070 秋季 10.82 0.833 -0.035 0.386 -0.027 冬季 0.72 0.930 -0.016 0.295 -0.015 P＞P0 春季 33.28 0.420 -0.020 7.320 -0.137 夏季 44.13 0.280 -0.049 7.580 -0.030 秋季 39.31 0.405 -0.051 7.750 -0.112 冬季 35.08 0.441 -0.021 5.870 -0.010

表 2 土壤墒情预测模型参数 Table 2 The parameters of soil water forecasting model

系统建立基于SQL Server 2005土壤水分综合数据库。数据库中包括土壤水分观测数据表、土壤水文物理参数数据表、预测模型系数表、台站基本信息表，同时还基于土壤水分预测的气象资料的需求在数据库中添加了常规气象要素数据表、气象要素预报数据表等。土壤水分观测数据表综合考虑了不同观测渠道的数据区分，台站基本信息表记录了各台站的站名、站号、经度、纬度等信息 (表 3)。

表 3

表 3 土壤水分观测数据表结构 Table 3 Table structure of soil water 列名 中文名称 类型 单位 Rq 日期 character Zhh 站号 character Zhm 站名 character Sjlx* 数据类别 integer Tzlx 台站类型 integer Sgg 灌溉标示 integer S10 0~10 cm single % S20 10~20 cm single % S30 20~30 cm single % S40 30~40 cm single % S50 40~50 cm single % S60 50~60 cm single % S70 60~70 cm single % S80 70~80 cm single % S90 80~90 cm single % S100 90~100 cm single % Sgtc 干土层厚度 integer cm 注：*数据类别有3种：0表示相对湿度，1表示体积含水率，2表示重量含水率。

表 3 土壤水分观测数据表结构 Table 3 Table structure of soil water

首先对气象系统土壤水分观测资料进行解译，将解译后的土壤水分信息写进土壤水分综合数据库，并根据服务需求形成了安徽省0~50 cm深度土壤湿度数据文本研究件，同时通过调用全省台站地理信息数据资料 (经度、纬度资料)，生成包含监测站点经纬度信息的图形数据文件 (图 2)。对于本研究未考虑到的1级数据文件，用户可以转换为“中间数据格式”，即可实现观测数据的标准化存储，同时可以对该数据进行其他相关处理与应用。图形数据文件为该时次各土层离散土壤相对湿度信息 (含观测点经纬度信息)，可直接被“监测预测产品图形显示”模块调用生成土壤相对湿度等值线色斑图。

图 2

图 2. 数据解译与预测流程 Fig 2. The process of interpreting and forecasting of soil water data

土壤墒情预测模块实现不同季节调用不同的墒情统计学预测模型，模块组成见图 2。

初始土壤墒情：根据设定的数据源，提取最近一次土壤水分观测数据，确定土壤墒情预测始期和末期，从气象历史资料库获取预测期内降水、活动积温、日照时数多年平均值。

土壤墒情的订正：通常土壤水分预测台站没有定量的气象要素预报数据，或定量预报数据可信度不高，因此需要对预报的气象要素进行订正。利用预报时段内降水、活动积温、日照时数等要素与历年同期相比存在一定的系数关系，根据安徽省气象台中期预报定性分析结果，先获取预报期内降水、活动积温、日照时数，然后根据不同生态区确定订正系数并分别与订正系数相乘的方式来模拟预报期内降水、活动积温、日照时数等气象要素。

土壤墒情的预测：根据以上信息 (预报期所处季节、预报期初始时段土壤墒情及预报期内气象要素) 确定统计学预测模型实现土壤墒情预测。

输出模块主要实现土壤水分监测预测数据的图形与表格显示输出。系统应用空间分析软件Golden Software Surfer 8.0的空间插值方法 (图 3)，以等值线与色斑图相叠加方式实现土壤水分信息的空间显示与加工。在MySurferDll动态连接库中定义了一种新的数据类型SurferIni和方法ContourHuizhi (NowInfo as SurferIni)。类SurferIni具有的属性见表 4。

图 3

图 3. 数据插值与等值线色斑图生成原理 Fig 3. The principle of data interpolation and contour map filling

表 4

表 4 类SurferIni属性定义 Table 4 Property of the class of SurferIni 属性 数据类型 备注 Back_layer string 背景图层路径 Grid_txt string 图形数据文件路径 LongLat (1 to 4) single 图像经纬度区间 Level_file string 自定义的色标文件路径 Bln_file string 白化时省边界文件路径 Bmp_width integer 输出图像宽 Bmp_Height integer 输出图像高 Bmp_output string 图像输出路径 BmpWHbili boolean 是否按高/宽比输出 Srf_output string *.srf输出路径

表 4 类SurferIni属性定义 Table 4 Property of the class of SurferIni

输出功能的实现步骤：① 打开包含安徽省各气象站地理信息“安徽省底图.srf”，底图描绘了安徽省区划、省界及各气象站地理信息；② 导入报文解译与转存子模块生成的图形数据文件，同时设置其经纬度范围，系统会自动生成一个新的图层，即等值线层；③ 为等值线层设置边界，即调用安徽省省界图形数据文件；④ 根据色标文件设置等值线格式；⑤ 选择所有图层并叠加底图与等值线层；⑥ 根据输出设置输出合并后的图像。

系统数据追加器随计算机开机时自动运行，实时接收并解译入库各站点土壤水分监测数据，并以日为步长按预定格式生成土壤水分监测数据文件、不同土层土壤水分等值线色斑图。监测模块分别针对人工取土和自动观测数据源，设置了“空间分布”、“逐日数据”、“自定义查询”3个功能选项。“逐日数据”选项允许用户在土壤水分监测数据文件列表中任意选择某天监测数据进行表格化快捷浏览；“自定义查询”选项允许用户根据设置的时间段、选取的台站和土层深度等条件进行查询并输出显示为表格数据文件。数据文件表格化显示后，进入“图形化显示”页面，可对选区表中任意一列数据进行空间插值和线柱图显示 (图 4)。“空间分布”选项，默认自动动画播放近N(N＞1) 个时次的0~10 cm，10~20 cm, 20~30 cm，……，90~100 cm等土壤相对湿度空间分布图，也可选择0~100 cm范围内任意土层的土壤相对湿度空间分布图，用户可直观地了解全省最近时间段各土层深度的土壤水分空间变化。

图 4

图 4. 土壤水分监测实例 (a) 线状图显示，(b) 动态播放最近N个时次土壤水分空间变化 Fig 4. The example of soil water observing (a) linear graph display, (b) dynamically showing of the latest soil water data on spatial scale

预测模块分别针对人工取土和自动观测数据源，实现了0~50 cm土层深度的土壤相对湿度预测。本研究中以2010年5月18日0~50 cm土壤水分监测数据为例，利用系统预测模块分别对2010年5月28日0~20 cm和20~50 cm土壤相对湿度进行了预测，并实现了预测结果的图形化显示 (图 5a、图 5b)。经检验，系统对两个土层深度的土壤水分的预测值与实测值基于1：1线的决定系数R²分别为0.675, 0.489(图 5c、图 5d)。相较于0~20 cm，气象要素对20~50 cm土壤水分变化的影响更间接，因此深层次土壤水分预测效果稍逊于表层，但在业务服务中仍具有较高的可信度。

图 5

图 5. 土壤水分预测实例 (a) 0~20 cm预测，(b)20~50 cm预测，(c)0~20 cm预测值与实测值比较，(d)20~50 cm预测值与实测值比较 Fig 5. The example of soil water forecasting (a) forecasting in 0—20 cm depth, (b) forecasting in 20—50 cm depth, (c) comparison between predicting value and observing value in 0—20 cm depth, (d) comparison between predicting value and observing value in 20—50 cm depth

本研究基于安徽省当前人工取土和自动站土壤水分观测并行运行，以及土壤水分观测资料传输方式多样化之现状，研发的土壤水分实时监测与预测系统 (SMRTOFS) 实现了土壤水分监测资料的实时传输与处理，并基于土壤相对湿度统计学预测模型，进行土壤水分动态预测，实现了实时监测预测数据表格化、图形化显示输出，使业务服务人员能实时动态掌握土壤水分监测预测信息，为农业旱涝防灾减灾业务提供服务。系统设计与功能注重通用性、实用性和业务转化能力：

1) 充分考虑了土壤水分监测体系中不同渠道监测数据的采集和规范化存储。针对加密报文 (TR报、AB报、Z文件)、自动土壤水分监测中心站数据库，设计与实现了数据实时采集与存储，并定义了“中间数据文件”格式，为其他监测和传输方式数据的自动采集与入库提供了接口。

2) 建立了监测原始数据、土壤水分综合数据库、监测预测初级产品、监测预测用户产品4个级别数据文件体系，并基于该文件体系对系统进行分层式设计，依次实现了土壤水分监测数据的实时自动采集、规范化存储、监测预测数据的处理与分析、产品制作与输出。规范化的土壤水分监测预测业务流程的建立、分层式数据文件结构与模块化设计，增强了系统移植性、独立性、可用性，便于系统在不同部门推广应用。

3) 根据农业气象业务需求，提供多样化土壤墒情产品，分别以表格、线柱图、空间分布图等样式实现了不同季节和不同土层土壤水分监测预测数据的图形化、表格化显示与输出，动态反应土壤水分监测预测信息时空变化。

本研究从监测、预测方法的选择到旱涝指标的确立，均从业务可行性和简便性出发，同时规范了土壤水分从监测到数据应用的业务流程，实现了安徽省土壤墒情监测预测业务化运行，为安徽省农业旱涝防灾减灾提供了科学依据，业务服务效益显著。然而，土壤水分监测预测作为气象为农业服务主要研究与应用方向之一，实时开展农田土壤水分定量分析及土壤水分亏缺对农业生产的影响评估是今后深入研究的主要内容。本研究的土壤水分预测系统基于安徽省土壤监测数据建立统计模型，在其他地域的应用需要对模型参数进行调试。