基于土壤数据聚类加权平均法的流域尺度灌溉需水量模拟研究

本研究针对土壤数据不确定性影响网格化作物生长模拟的问题，提出新型土壤数据聚合方法CAW（clustered area-weighted average），通过随机森林识别关键土壤属性SDUL（soil drained upper limit）进行聚类分析，在韩国流域尺度验证表明，CAW方法仅需4组土壤类型即可将计算量降低98.1%，同时使灌溉需水量（IR）模拟误差超过10 mm的站点年比例从MS方法的20%降至7%，为气候变化适应策略提供高效可靠的区域模拟工具。

　　

在全球气候变化加剧的背景下，灌溉作为保障作物生产的关键措施被广泛推荐。然而，区域水资源空间异质性增强与土壤数据不确定性，给灌溉设施规划带来巨大挑战。传统土壤数据聚合（SDA）方法如主要土壤类型法（MS）和全土壤类型加权法（AW-All）存在计算效率与模拟可靠性难以兼顾的缺陷——MS方法在土壤异质性高的地区误差显著，而AW-All方法因计算量过大难以支撑多情景评估。更棘手的是，土壤水力特性（如持水能力）的差异会显著放大模型输出的不确定性，尤其在低持水容量区域。这些矛盾使得发展兼顾效率与精度的SDA方法成为区域尺度灌溉规划研究的迫切需求。

针对这一科学问题，韩国环境产业技术研究院（KEITI）与农村振兴厅联合团队的Byoung Hyun Yoo和Kwang Soo Kim等人创新性提出聚类加权平均法（CAW），通过机器学习与土壤水力特性聚类优化SDA流程。研究以韩国小农经济主导的多样化土壤区域为对象，利用30 m与1 km分辨率土壤数据，结合DSSAT CROPGRO大豆模型模拟2000s和2040s灌溉需水量（IR），系统比较CAW与传统方法的性能差异。该成果发表于《Journal of Environmental Management》，为气候变化适应策略提供了方法论突破。

关键技术方法
研究采用随机森林算法识别关键土壤属性，基于土壤排水上限（SDUL）的变异系数（CV_SDUL）进行K-means聚类；使用CROPGRO模型开展网格化模拟，对比CAW、MS和AW-All方法在两种空间分辨率下的绝对差异（AD）；通过流域尺度不确定性量化（如AD>10 mm的站点年占比）评估方法优劣。

研究结果

关键土壤属性识别
随机森林分析显示，表层土壤排水上限（SDUL）是影响IR模拟不确定性的核心指标。其相对重要性值（RVI）在2000s中期与晚熟品种中分别达0.32和0.28，显著高于其他属性（如饱和导水率）。这一发现为后续土壤类型聚类提供了科学依据。

最优聚类数量确定
当采用4组SDUL聚类土壤时，CAW方法的AD值与AW-All无统计学差异（p>0.05），但计算量锐减98.1%。继续增加聚类组数至6组仅带来0.3%的精度提升，证实"4组阈值"的工程适用性。

方法性能比较
CAW展现出显著优势：在全部时段与品种中，其AD>10 mm的站点年占比仅7%，远低于MS方法的20%。特别在低持水容量流域，CAW的AD均值比MS降低53%，证明其对土壤异质性区域的强适应能力。

讨论与意义
该研究首次将土壤水力特性聚类与面积加权算法融合，破解了SDA领域"精度-效率"不可兼得的困局。CAW方法通过聚焦SDUL这一"杠杆属性"，仅用4%的土壤类型即实现与AW-All相当的模拟可靠性，使大规模气候情景分析成为可能。实际应用中，该方法可帮助决策者在流域尺度精准预判灌溉热点区域（如AD<10 mm的可靠区域占比达93%），优化有限水资源的空间配置。

作者在讨论中指出，CAW的普适性仍需在不同作物体系（如水稻）和气候带验证，且SDUL的实验室测定精度可能影响聚类效果。未来可结合遥感反演技术提升土壤参数空间覆盖度。这项研究不仅为灌溉规划提供方法论创新，其"关键属性聚类"思想对其它环境模型的降维优化亦有启示意义。