一种基于深度学习的方法用于预测深层土壤盐分：考虑盐分剖面的形成机制

《Geoderma》：A deep learning-based method for deep soil salinity prediction: considering the driving mechanisms of salinity profiles

　　土壤盐分垂直迁移机制与深度预测模型研究。基于HYDRUS-1D模型生成2000组情景数据，结合随机森林分类和全连接神经网络（FCNN），构建了考虑土壤质地、气象因素及地下水动态的深度预测模型。结果表明，土壤盐分动态受多因素交互作用驱动，滞后效应随深度增加显著（灌溉滞后1-4天，降水滞后1-6天），且表层与深层盐分存在非线性相关（R2最高0.79）。模型验证显示，5-10cm层R2达0.82，40-60cm层R2仍保持0.44，为区域尺度土壤水盐协同调控提供了新方法。

　　
土壤盐渍化是威胁全球农业可持续发展的重大问题，尤其在干旱和半干旱地区，灌溉与蒸发作用导致盐分在土壤剖面中垂直迁移与累积。传统监测手段难以满足深层土壤盐分动态监测的需求，而光学遥感技术的穿透深度有限（通常仅5厘米），无法直接获取深层盐分信息。因此，如何利用表层观测数据预测深层土壤盐分成为研究重点。本文通过构建物理模型与深度学习结合的预测框架，揭示了表层与深层土壤盐分之间的动态传递机制，为精准农业管理提供了新方法。

### 研究背景与科学问题
土壤盐渍化每年导致全球约10%的耕地生产力下降（FAO, 2015），其核心机制在于水-盐运移的时空异质性。现有技术中，传统土样采集成本高且覆盖面有限，而电磁感应传感器仅能探测浅层盐分（<5厘米）。光学遥感虽能大范围监测地表盐分，但深层盐分信息缺失制约了盐渍化治理策略的制定。因此，建立基于表层观测的深层盐分预测模型，成为突破"地表-深层"数据壁垒的关键。

### 研究方法体系
#### 1. 物理模型构建
研究采用HYDRUS-1D水文模型模拟水-盐运移过程，通过蒙特卡洛方法生成2000种情景组合，覆盖2005-2020年灌区灌溉量、2000-2017年气象数据及地下水动态。模型关键创新在于：
- **分层参数化**：将60厘米土层划分为61个1厘米间隔节点，设置变水头边界条件模拟地下水波动
- **根系水 uptake模型**：采用Feddes根系吸水模型（h1=-0.1cm，h2=-5cm，h3=-400cm，h4=-10000cm），精准模拟作物根系对深层水分的竞争
- **盐分转化机制**：通过EC??（水土比1:5）计算盐分浓度，建立表层与深层盐分传递的物理约束

#### 2. 敏感性分析与滞后效应建模
通过FAST全局敏感性分析发现，各驱动因子（降水、灌溉、地下水埋深、EC值）的交互作用贡献率高达85%-95%，单因子独立作用贡献不足5%。深度分析显示：
- **灌溉滞后效应**：5-10厘米层响应滞后1-3天，40-60厘米层延长至2-4天
- **降水响应特征**：表层盐分在6天内完成响应，深层（20-40厘米）滞后达10-14天
- **地下水动态影响**：地下水位波动通过毛细作用对盐分迁移产生3-8天滞后

#### 3. 土壤剖面类型识别
采用Q型聚类将土壤盐分剖面划分为四大类型：
1. **表层富集型（SAP）**：盐分随深度递减（如砂质土），F1-score达0.88
2. **底层富集型（BAP）**：盐分在20-60厘米层显著累积（黏土含量>40%）
3. **中间富集型（MAP）**：10-20厘米层盐分峰值（灌溉强度>200mm/a）
4. **均匀分布型（EDP）**：全剖面盐分标准差<0.15g/100g

### 关键发现
#### 1. 深层盐分预测模型性能
构建的FCNN模型（7层全连接网络，ReLU激活函数）在验证集（2013年实测数据）表现如下：
- **5-10厘米层**：R2=0.82，RMSE=0.062g/100g（与实测值误差<7%）
- **20-40厘米层**：R2=0.71，RMSE=0.096g/100g
- **40-60厘米层**：R2=0.44，RMSE=0.127g/100g

模型通过引入相邻层耦合信息（如10-20厘米层预测使用5-10厘米层预测值作为输入特征），显著提升深层预测精度。训练集迭代优化后，Adam优化器的学习率收敛至0.001，Dropout率控制在0.2（隐藏层后置）。

#### 2. 驱动因子贡献度
基于Hydrus-1D模拟的变异系数（CV）分析显示：
- **降水影响深度**：10-20厘米层CV达0.32（表层0.15），表明深层对降水响应更敏感
- **地下水动态贡献率**：在40-60厘米层贡献度达41%，主要因毛细作用导致盐分迁移
- **质地因素**：黏粒含量每增加1%，深层盐分累积风险提升18%（p<0.05）

### 创新性与应用价值
#### 1. 物理约束的深度学习框架
区别于纯数据驱动的模型，本研究将：
- **土壤孔隙结构参数**（van Genuchten模型）嵌入网络架构
- **水-盐迁移动力学方程**转化为损失函数约束
- **滞后效应**通过时间窗口机制（τ=3-7天）显式建模

#### 2. 精准调控策略
研究提出"分层-季节"调控范式：
- **春旱期（4-7月）**：重点监测0-5厘米盐分，控制灌溉量<150mm/次
- **雨季（7-9月）**：利用20-40厘米层盐分数据指导排水决策
- **封冻期（10-次年4月）**：基于地下水位动态预测次年表层盐分

#### 3. 技术经济性
在内蒙古伊禅灌区（年均蒸发2200mm，盐渍化面积达63%），应用该模型可使：
- **监测成本降低**：从传统采样每公顷$120降至$15/年
- **治理效率提升**：结合模型预测的排水方案，使土壤脱盐周期从8年缩短至3.5年

### 局限性与改进方向
1. **数据维度限制**：未考虑微生物活动、根系动态分布等生物过程
2. **空间异质性**：模型验证仅针对伊禅灌区，在黄淮海平原等不同地貌区的适用性需验证
3. **极端事件响应**：对百年一遇暴雨或干旱的预测精度需进一步检验

未来研究可整合：
- **多源遥感数据**（如LiDAR地表形变监测）
- **物联网实时数据**（地下水位传感器网络）
- **数字孪生技术**（构建灌区尺度水-盐动态数字孪生体）

### 结论
本研究通过物理模型与深度学习的协同创新，首次实现了基于表层盐分数据（精度R2>0.7）对40-60厘米深层盐分的可靠预测（R2=0.44）。提出的"情景-驱动因子-滞后效应-剖面类型"四维建模框架，使深层盐分预测误差控制在±12%以内，较传统统计模型提升约40%。研究成果为制定精准灌溉、排水和土壤改良方案提供了科学依据，对遏制全球1.5亿公顷盐渍化耕地退化具有重要实践价值。