《表4 预测LIAO模型参数的土壤转换函数构建》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《表征全吸力范围的土壤水分特征曲线模型评估及其转换函数构建》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

基于LIAO模型参数与土壤基本性质之间的相关性分析结果，利用逐步回归构建了预测LIAO模型参数的PTFs（表4）。预测参数θs的PTFs输入变量包括粉粒、黏粒、有机质含量和容重，回归方程的R2为0.65，说明能够解释参数θs总变异的65%。预测参数A的PTFs输入变量只有粉粒和容重，回归方程能够解释参数A总变异的31%。预测参数λ、τ和α的PTFs输入变量均为粉粒、黏粒、有机质含量和容重，回归方程分别能够解释它们总变异的32%、32%和35%。预测参数n的PTFs输入变量为粉粒、黏粒和有机质含量，回归方程能够解释其总变异的42%。可见，砂粒始终没有被引入回归方程，说明它并不是预测LIAO模型参数的重要变量，这可能与三种颗粒组成之间的多重共线性有关。总体而言，PTFs对参数θs的预测精度最高，其次为n，对A、λ、τ和α的预测精度相当，这与以往的研究结论一致。比如，W?sten等[18]基于欧洲土壤数据库HYPRES中1777个土壤剖面的5521组水力性质数据，构建了预测VG模型参数的PTFs，发现PTFs对θs(R2=0.76）的预测精度显著高于α（R2=0.20）和n(R2=0.54），主要原因在于α和n并非真实的土壤性质，在参数拟合过程中α和n的不确定性较大[17]。此外，与以往研究相比，本文构建的PTFs预测精度略低于W?sten等[19]、Vereecken等[20]、Rajkaia等[21]构建的PTFs，可能的原因是仅采用了5个变量预测LIAO模型参数。有研究表明，土壤孔隙度、颗粒密度、化学特性、结构性、矿物质类型等均会对土壤水力性质产生重要的影响[22]，当然若测定更多的变量则会违背构建PTFs的初衷，也会给PTFs带来更多的不确定性。