全球正经历着显著的气候变化,最近100年(1906-2005)全球平均地表温度上升了0.74℃。气候变暖还造成了海平面上升、降水变化以及极端气候事件发生频率增加。农业生产是对自然条件尤其是气候条件(包括温度、降水、风速和大气CO2浓度的变化等)依赖程度很强的产业,气候变化必将对其产生重大的影响。太湖地区属亚热带季风气候,造成农业生产不够稳定的低温冷害、洪涝、渍害、台风、寒潮等灾害性气候频繁。本文对太湖典型农田区域——常熟市1960-2009年的气象资料及浅层土壤温度观测资料进行了分析,得出研究区近50年来的气候变化特征及其对浅层土壤温度的影响,从而能够客观、正确地了解研究区近50年来气候变化的趋势,这对该地区生态环境的改善和农业生产都有极其重要的意义。气候变化已成为全球最严重的环境问题之一,而作为环境生态表征因子之一的土壤水,必然会对气候变化产生一定的响应。土壤水分积累了大量的地表水文过程信息,体现了地表水文过程——降水和蒸发的综合效应。本文在研究区按自然发生层采集土壤样品,主要采集了与气象因子关系较为密切的耕作层(0-14cm)和犁底层(14-33cm)的土壤水分,采集时间为冬小麦的播种到成熟：2010年10月23日～2011年6月12日。本文运用神经网络敏感性分析法确定出的影响太湖地区典型农田土壤水分动态的主要气象因子,探讨了基于人工神经网络的土壤水分预测方法,对于充分利用该地区的农业气候资源,及时掌握作物的受旱状况,科学地指导该地区的田间水分管理和防灾减灾,以及为农业估产和旱灾损失评估提供科学依据。本论文的研究结果如下：(1)近50年来研究区的平均气温及温度生长期内的积温均呈上升趋势(春、夏、秋、冬、年平均气温的气候倾向率分别为0.45℃/10a、0.16℃/10a、0.30℃/10a、0.45℃/10a、0.33℃/10a;温度生长期积温的气候倾向率为106.75℃/10a),这说明研究区近50年来气温升高明显,与气候变化的大背景是相呼应；近50年来的平均最高气温及最低气温也呈逐渐增长的趋势；年及温度生长期的累积降水量呈增加趋势,但各季节累积降水量的变化趋势并不一致,春、秋季减少(气候倾向率分别为-13.51mm/10a、-19.16mm/10a),夏、冬季增加(气候倾向率分别为42.95mm/10a、19.03mm/10a)。累积蒸发量的气候倾向率除冬季之外均为正值(春、夏、秋、冬、年、温度生长期的气候倾向率分别为14.93mm/10a、1.65mm/10a、2.19mm/10a、-3.75mm/10a、14.80mm/10a、30.12mm/10a),说明总的来说蒸发在近50年中有一定的增加,但增加幅度不大；平均气压、平均相对湿度、平均风速及累积日照时数的气候倾向率均为负值,说明近50年来它们的变化趋势都是降低的。(2)近50年来研究区有6个气象要素发生了气候突变,其中最为明显的是平均风速,且均在1978-1980年之间出现；年平均气温、年平均最高气温及春季平均气温均在1989年发生气候突变,年平均最低气温和春季平均最低气温分别在1988年和2002年发生气候突变,即从一个相对偏冷期跃变为一个相对偏暖期；年平均气压及春季平均气压在1997年发生气候突变,夏季平均气压在2004年发生气候突变；年累积日照时数和夏季累积日照时数在1979年发生了突变；其它气候要素不存在气候突变。(3)近50年来研究区各气象要素中出现异常年份最多的为平均相对湿度,且大多集中在21世纪初；累积蒸发量是异常年份较多的气象要素,各个年代都有异常出现；异常现象出现最少的气象要素为平均风速,只有夏季和秋季平均风速分别在20世纪70年代和60年代有异常现象存在。(4)随着土层深度的增加,平均地温对气候变化的响应逐渐减弱,各季节中平均地温对气候变化的响应在秋季最弱。总的来说,平均地表温度、平均5cm地温、平均20cm地温与平均气温及平均最高气温、最低气温均存在着较明显的相关关系,且显著性水平均达到0.01。(5)BP神经网络敏感性分析法在非线性条件下能够明确土壤含水量与气象因素之间作用的强弱性。综合局部和全局敏感性分析的结果来看,土壤含水量对降水量的敏感度最大,蒸发量、平均气温和平均地表温度次之,对最高气温、最低气温、平均风速及平均相对湿度敏感度最小,在建模过程中可以不考虑或少考虑最高气温、最低气温、平均风速及平均相对湿度对土壤水分的影响。(6)0-14cm土壤水分动态的模拟精度(PA)比14-33cm土壤水分动态的模拟精度(PA)相对高一些,这是由表层土壤水分对气象因素的响应作用较为强烈所致。运用LS-SVM模型时不同层次的训练样本和检验样本的精度(PA)都在0.86以上,均高于BP-ANN和RBF-ANN的精度。LS-SVM模型数学意义较为明确,且应用结构风险最小化原则克服了神经网络的维数灾难和局部最小问题。在实际应用过程中,LS-SVM学习训练时间少于BP-ANN和RBF-ANN,且运行的结果比较稳定,所以基于LS-SVM建立加入气象因素的土壤水分动态变化模型相比BP-ANN及RBF-ANN来说具有较强的优越性。