用于灌溉管理的亚田间尺度土壤水变异性变异函数评估

《Water》：Variogram Assessment of Sub-Field Scale Soil Water Variability for Irrigation Management

　　

比较近距离安装的土壤水传感器时，观测到的读数差异可能反映土壤水力性质的空间异质性、传感器固有变异性，或两者兼有。划分变异性来源对于明智的传感器选择和布置至关重要。本研究利用变异函数分析，量化了2022和2023年生长季北达科他州东南部三个灌溉玉米田块的小尺度（9 m）土壤水变异性。使用Acclima TDR-310H传感器沿平行于和垂直于作物行的样线测量体积含水量（θv），并与先前部署的不同类型土壤水传感器组进行对比。所收集θv数据的描述性统计揭示了样线内的变异性，平均θv范围为0.19至0.24 cm³ cm^?3。方向性变异函数显示出各向异性空间结构，其中垂直样线表现出比平行样线更高的块金效应（块金效应平方根分别为0.019–0.030 cm³ cm^?3对0.012–0.022 cm³ cm^?3），这可能归因于玉米行内的茎流模式。类似地，垂直样线的基台值和变程参数也高于平行样线。将变异函数推导的方差与传感器间差异进行比较表明，观测到的变异性源于空间异质性和传感器类型两者。对于传感器比较研究，这些结果表明，与垂直于作物行安装的传感器相比，平行于作物行安装的传感器受空间变异性的影响较小，此类安装方式可最小化空间异质性的混杂因素，同时展示了变异函数分析在划分测量变异性方面的更广泛应用。

**论文解读：基于变异函数评估亚田间尺度土壤水变异性及其对灌溉管理中传感器布置的启示**

**一、研究背景与问题**

土壤水动态在水文和气象过程中扮演关键角色，影响着地表-大气相互作用，其空间变异性跨越从厘米级到数百米的范围，受土壤孔隙网络、地形、地质和植被等多种因素控制。田间原位传感器如时域反射仪（TDR）和电容探头已广泛用于连续土壤水监测，但同址或不同型号传感器读数差异难以解释。土壤空间异质性与传感器自身误差可能共同导致读数偏差，区分这些变异来源对于传感器选择和布置至关重要。然而，现有利用变异函数研究土壤水小尺度变异性的工作多集中于优化水文模型，鲜有将变异函数结果与传感器间差异直接关联的研究。在先前研究中，研究人员在三个田间站点安装了六种不同类型土壤水传感器，并比较了其体积含水量（θv）读数。本研究旨在通过变异函数分析，量化亚田间尺度（9 m）的土壤水空间变异性，并据此评估传感器间差异是否源于空间异质性或传感器类型差异，从而为灌溉管理中的传感器布置提供科学依据。

**二、研究开展与主要发现**

研究于2022和2023年生长季在北达科他州东南部三个玉米田块进行，每个站点设置一条平行于作物行和一条垂直于作物行的9 m样线，使用便携式Acclima TDR-310H传感器以15 cm间隔采集0–10 cm深度土壤体积含水量，每样线61个采样点，每站点每年共122个点。研究人员利用变异函数估计与空间预测加误差（VESPER）软件拟合理论变异函数模型，并采用正弦孔效应模型处理部分样线的孔效应。通过比较变异函数推导的方差与传感器间测量差异的方差，判断变异性来源。结果表明，垂直样线表现出比平行样线更高的块金效应、基台值和变程，表明沿作物行方向土壤水空间结构更均匀，而垂直于行方向存在更大的局部变异性，这与玉米茎流导致的干湿斑块有关。传感器间差异分析显示，平行样线方向上的变异函数方差在16个实例中有13个小于传感器间标准差，而垂直样线方向仅2个实例小于传感器间标准差，表明平行于作物行安装的传感器受空间变异性影响较小，传感器读数差异主要源于空间异质性和传感器类型共同作用。双因素方差分析显示传感器类型对θv测量有显著主效应，但交互效应不显著。

**三、主要关键技术方法**

本研究应用了以下关键技术方法：1）变异函数分析（Variogram Analysis），利用VESPER软件计算实验变异函数并拟合理论模型（指数、高斯、线性基台、稳定及正弦孔效应模型），获取块金值、基台值和变程等地统计参数；2）方向性样线设计，分别在平行和垂直于作物行方向设置9 m样线，以15 cm间隔采集θv数据；3）传感器间差异比较，通过计算Acclima与其他传感器（CropX、Sentek、Watermark等）之间的偏差方差，并与变异函数推导的方差进行对比；4）双因素方差分析（ANOVA），以传感器类型和时间作为固定因子，田间站点作为随机因子，评估测量差异的显著性；5）使用Trimble Geo 7X手持全球导航卫星系统记录采样点坐标，确保空间定位精度。样本来源为北达科他州东南部三个灌溉玉米田块，2022和2023年生长季采集。

**四、研究结果与讨论**

**4.1 变异函数分析结果**

描述性统计显示，所有站点和年份的平均θv范围为0.19至0.24 cm³ cm^?3，数据分布接近正态。变异函数拟合结果显示，块金值平方根范围为0.012至0.030 cm³ cm^?3，基台值平方根范围为0.014至2.6 cm³ cm^?3，变程范围为0.34至519 m。其中，2023年站点2的垂直样线出现异常大的基台值（6.8 (cm³ cm^?3)²）和变程（519 m），超出物理合理范围，研究人员判定该拟合结果不可靠，并指出软件外推时未受物理限制。方向性变异函数显示，垂直样线的块金值和基台值均高于平行样线，表明垂直于作物行方向存在更大的局部变异。平行样线的块金值几乎等于基台值，说明在15 cm采样尺度上空间结构有限，这与茎流导致沿行方向均匀湿润的机制一致。垂直样线较高的块金效应可能源于行间干燥斑块和茎流引起的湿斑。

**4.2 传感器间变异性与变异函数对比**

将变异函数推导的方差与传感器间测量差异的方差比较发现，平行样线的变异函数平方根在16个实例中有13个小于传感器间标准差，而垂直样线仅2个实例小于传感器间标准差。由于现场传感器实际沿作物行方向安装，平行样线最能代表传感器布置方向，因此传感器间差异既包含传感器类型差异，也包含空间异质性贡献。研究人员指出，Acclima传感器的重复性误差为0.003 cm³ cm^?3，已包含在变异函数方差计算中。此外，非Acclima传感器未校准，以模拟农民“开箱即用”的使用方式。双因素方差分析显示传感器类型主效应显著（2022年p<0.01，2023年p=0.02），时间效应和交互效应不显著，表明不同传感器类型测量θv存在系统差异。

**4.3 管理启示**

研究结果表明，传感器读数受土壤水空间异质性和传感器类型共同影响，因此传感器布置位置至关重要。平行于作物行安装传感器可减少空间异质性的干扰，更有利于传感器间比较和灌溉决策。变异函数分析为识别田间小尺度土壤水变异性提供了有效工具，有助于研究人员和技术人员优化传感器布局。

**五、结论**

本研究通过地统计分析方法探索了多个田间站点和生长季的土壤水空间变异性。9 m样线内的θv变异性导致各站点和年份的平均值范围为0.19至0.24 cm³ cm^?3。地统计分析明确了空间相关结构，块金值、基台值和变程参数揭示了土壤水模式变异性。垂直样线表现出比平行样线更高的块金效应，可能受玉米茎流影响。双因素方差分析显示传感器类型对测量土壤水含量有显著主效应。然而，基于变异函数的传感器间变异性分析表明，土壤水测量差异主要归因于土壤空间变异性，而非传感器类型差异。这一发现对于土壤水分传感器的选择、使用和解释具有重要意义，强调了在安装和比较传感器时需仔细考虑空间异质性。