什么是Rosetta以及HYDRUS-1D怎么使用Rosetta
用户在使用HYDRUS-1D建立土壤一维预测模型时，总是使用Rosetta来估算参数，本文介绍什么是 Rosetta，以及 HYDRUS-1D 里如何调用它。
Rosetta 是什么？
Rosetta 是由 **Marcel G. Schaap（USDA-ARS 美国盐度实验室）**主导开发的土壤 Pedo-transfer Functions（PTFs） 程序/库：把“易测”的土壤属性（质地百分比、容重、个别保水点等）转换为 van Genuchten–Mualem 水力学参数（θr、θs、α、n、Ks），并提供层级化（H1–H5）的输入方案。经典文献见 Journal of Hydrology, 2001；后续有 Rosetta3 的加权再标定与改进版本。科学直通车rosetta: a computer program for estimating soil hydraulic parameters with hierarchical pedotransfer functions
层级化输入（越往下信息越多，预测越稳健）：
- H1：USDA 质地类别（如 Sandy loam）
- H2：Sand/Silt/Clay 百分比
- H3：H2 + Bulk Density（容重）
- H4：H3 + 一个保水点 θ(ψ)，常用 −33 kPa（田间持水量）
- H5：H3 + 两个保水点 θ(−33 kPa)、θ(−1500 kPa)（萎蔫点） Rosetta 内部用神经网络/PTF 估计 θr、θs、α、n（及 Ks），供数值模型直接使用。
为什么发展Rosetta
目前已经发展出大量在野外或实验室测定土壤水力学性质的方法（参见 Klute, 1986；Leij and van Genuchten, 1999）。虽然实测能最准确地获取土壤水力学性质，但往往需要投入大量的时间与经费。此外，许多包气带研究关注的土地尺度很大，土壤水力学性质在空间上可能具有显著变异。在 此情形下几乎不可能做足够多的测量以获得有意义的结果，这就表明需要低成本且快速的途径来确定土壤水力学性质。
过去已提出了许多用于间接确定土壤水力学性质的方法（参见 Rawls 等, 1991；van Genuchten 和 Leij, 1992；Leij 和 van Genuchten, 1999）。其中大多数可归类为土壤参数转移函数（PTFs，Bouma 和 van Lanen, 1987 之后的称谓），因为它们将现有的替代数据（如粒度分布**、**容重与有机质含量）“翻译”为土壤水力学数据。所有 PTF 均具有很强的经验性：它们包含在既有土壤水力学数据库上标定得到的模型参数。PTF 可以像查找表那样简单（按质地类别给出水力参数，例如 Carsel and Parrish, 1988；Wösten 等, 1995），也可以采用线性或非线性回归方程（如 Rawls and Brakensiek, 1985；Minasny 等, 1999）。也存在物理基础更强的 PTF，例如 Burdine (1953) 与 Mualem (1976) 的孔径分布模型，它们提供了由持水曲线数据计算非饱和导水率的方法。Haverkamp 和 Parlange (1986) 以及 Arya 和 Paris (1981) 的模型利用了颗粒级配与孔径分布形状相似性来估计持水性；Tyler 和 Wheatcraft (1989) 将 Arya 模型与分形数学结合，而 Arya 等（1999a,b） 近期将该相似性方法扩展用于同时估计持水性与非饱和导水率。
多数 PTF 的实际应用常受其特定数据需求所制约。一些作者为了在其数据集上获得最佳结果而建立了相应的 PTF，这有时会产生需要大量输入变量（参见 Rawls 等, 1991）或需要详细粒度分布（Arya 和 Paris, 1981；Haverkamp 和 Parlange, 1986）的模型。然而，PTF 的使用者经常面临这样一种情况：一个或多个所需输入变量并不可得。另一问题是 PTF 的估计精度一般。因此，如果 PTF 能够接受不同详尽程度的输入数据，并且其预测能够包含可靠性度量，将更为有用。
近来，神经网络分析被 用于建立经验型 PTF（Pachepsky 等, 1996；Schaap 和 Bouten, 1996；Minasny 等, 1999；Pachepsky 等, 1999）。与传统 PTF 相比，神经网络的优势在于不需要预设先验的模型形式。通过迭代校准过程，可以获得并实现把输入数据（粒度数据、容重等）与输出数据（水力学参数）联系起来的最优、可能是非线性的关系。其结果是，神经网络模型通常能最大化挖掘数据中的信息。Schaap 等（1998）使用神经网络来估计 van Genuchten (1980)的持水曲线参数以及饱和导水率。为便于实际应用，他们设计了一个层级结构，以允许输入从有限到更为完整的不同预测因子组合。并与自助法（bootstrap；Efron 和 Tibshirani, 1993）结合，为 PTF 的估计提供可靠性评估（Schaap 和 Leij, 1998）。
然而，尽管基于神经网络的 PTF 可能提供相对较准确的估计，它们往往包含大量难以解释的系数，因而不便于以显式形式解读或发表。为便于应用这些 PTF，我们开发了计算机程序 rosetta，实现了 Schaap 等（1998）、Schaap 和 Leij（1998, 2000）发表的一些模型。本文的目标是：(i) 在水力参数、标定数据集、预测因子选择与模型性能表征层面介绍 rosetta 程序；以及 (ii) 讨论随吸力与质地而变的水力参数估计不确定性。
什么是保水点
Rosetta v1.0
usgs网站保留有1.0版本ROSETTA 型号 ： USDA ARS
Rosetta v1.2
下载
在网站保存有Rosetta v1.2的程序和说明文档。
Rosettav1.2 使用
随着对地下介质中流动与运移过程的研究与管理需求不断增长，数学模型愈发受到重视。数值模拟包气带（vadose zone）过程时，非饱和水力学函数是关键输入数据。这些函数既可通过直接测量获得，也可借助准经验模型，由更易获取的数据间接预测得到。Rosetta V1.2 是一个 Windows 95/98/XP 程序，用于根据替代性土壤数据（如质地百分比与容重）估计非饱和水力学性质。此类模型称为土壤参数转移函数（PTFs），因为它们把基础土壤数据“翻译”为水力学性质。Rosetta 可估计以下属性：
- 按 van Genuchten (1980) 给出的土壤持水曲线参数
- 饱和导水率
- 按 van Genuchten (1980) 与 Mualem (1976) 给出的非饱和导水率参数
水力学函数的详细说明 Rosetta 提供五种 PTF，可在输入信息有限或较为完备的情况下预测水力学性质。该层级化方法在实践中非常有价值，因为它允许对可用输入数据进行最优利用。各模型采用如下层级输入序列：
- 土壤质地类别（USDA 文类）
- 砂、粉、黏百分比
- 砂、粉、黏百分比 + 容重
- 砂、粉、黏百分比 + 容重 + 330 cm（33 kPa）处的持水点
- 砂、粉、黏百分比 + 容重 + 330 与 15000 cm（33 与 1500 kPa）处的持水点
第 1 个模型基于查找表，为每个 USDA 质地类别提供类别平均的水力参数。其余 4 个模型基于神经网络分析，随着输入变量的增加可给出更准确的预测。除层级法外，我们还提供一个模型，可由拟合得到的 van Genuchten (1980) 持水参数预测非饱和导水率参数（Schaap and Leij, 1999；Schaap et al., 2001）。在层级化流程中，该模型也被使用，使其自动以预测的（而非实测拟合的）持水参数作为输入。
所有估计的水力参数均配有不确定性评估，以便判断 Rosetta 预测的可靠性。上述不确定性通过将神经网络与自助法（bootstrap）相结合而获得（更多信息见 Schaap and Leij, 1998；Schaap et al., 1999；Schaap et al., 2001）。
水力参数
下表给出了 七个水力参数的类平均值 12 个美国农业部土壤类别。实际上，此表表示 分层序列的第一个模型。对于θr，θ s，α，n 和Ks参数，这些值已经通过计算生成 每个土壤类别的平均值。对于 Ko 和 L， 通过插入θr、θs、α 的 类平均值生成值。 n 添加到 Model C2 中（参见 Rosetta 的帮助文件）。这意味着 Ko 和 L 基于预测参数，可能不太可靠。 括号中的值给出一个标准差 类平均值的不确定性。
| exture Class | N | -- θr -- | -- θs -- | -- log(α) -- log10(1/cm) | -- log(n) -- log10 | -- Ks -- log(cm/day) | -- Ko -- log(cm/day) | **-- L -- ** | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Clay | 84 | 0.098 | (0.107) | 0.459 | (0.079) | -1.825 | (0.68) | 0.098 | (0.07) | 1.169 | (0.92) | 0.472 | (0.26) | -1.561 | (1.39) |
| C loam | 140 | 0.079 | (0.076) | 0.442 | (0.079) | -1.801 | (0.69) | 0.151 | (0.12) | 0.913 | (1.09) | 0.699 | (0.23) | -0.763 | (0.90) |
| Loam | 242 | 0.061 | (0.073) | 0.399 | (0.098) | -1.954 | (0.73) | 0.168 | (0.13) | 1.081 | (0.92) | 0.568 | (0.21) | -0.371 | (0.84) |
| L Sand | 201 | 0.049 | (0.042) | 0.390 | (0.070) | -1.459 | (0.47) | 0.242 | (0.16) | 2.022 | (0.64) | 1.386 | (0.24) | -0.874 | (0.59) |
| Sand | 308 | 0.053 | (0.029) | 0.375 | (0.055) | -1.453 | (0.25) | 0.502 | (0.18) | 2.808 | (0.59) | 1.389 | (0.24) | -0.930 | (0.49) |
| S Clay | 11 | 0.117 | (0.114) | 0.385 | (0.046) | -1.476 | (0.57) | 0.082 | (0.06) | 1.055 | (0.89) | 0.637 | (0.34) | -3.665 | (1.80) |
| S C L | 87 | 0.063 | (0.078) | 0.384 | (0.061) | -1.676 | (0.71) | 0.124 | (0.12) | 1.120 | (0.85) | 0.841 | (0.24) | -1.280 | (0.99) |
| S loam | 476 | 0.039 | (0.054) | 0.387 | (0.085) | -1.574 | (0.56) | 0.161 | (0.11) | 1.583 | (0.66) | 1.190 | (0.21) | -0.861 | (0.73) |
| Silt | 6 | 0.050 | (0.041) | 0.489 | (0.078) | -2.182 | (0.30) | 0.225 | (0.13) | 1.641 | (0.27) | 0.524 | (0.32) | 0.624 | (1.57) |
| Si Clay | 28 | 0.111 | (0.119) | 0.481 | (0.080) | -1.790 | (0.64) | 0.121 | (0.10) | 0.983 | (0.57) | 0.501 | (0.27) | -1.287 | (1.23) |
| Si C L | 172 | 0.090 | (0.082) | 0.482 | (0.086) | -2.076 | (0.59) | 0.182 | (0.13) | 1.046 | (0.76) | 0.349 | (0.26) | -0.156 | (1.23) |
| Si Loam | 330 | 0.065 | (0.073) | 0.439 | (0.093) | -2.296 | (0.57) | 0.221 | (0.14) | 1.261 | (0.74) | 0.243 | (0.26) | 0.365 | (1.42) |
Rosetta 3
土壤参数转移函数（PTFs） 被广泛用于预测土壤水力学参数，以替代昂贵的实验室或野外测量。Rosetta（Schaap 等，2001，记作 Rosetta1）是众多 PTF 之一，基于人工神经网络（ANN）分析，并结合自助法（bootstrap）重抽样，可用于估计 van Genuchten（VG）持水曲线参数（van Genuchten，1980）、饱和导水率（Ks）及其不确定性。本文提出了一套改进的层级式 PTF（Rosetta3），将持水与 Ks 的子模型统一为一个模型。在新的 ANN 标定过程中，利用 VG 曲线对原始持水数据拟合所得的参数不确定性作为权重，以减少新 PTF 对参数预测的偏差。与 Rosetta1 使用 60 或 100 次 bootstrap 相比，我们采用 1000 次 bootstrap 来标定新模型，从而能更细致地量化所预测参数的单变量与双变量概率分布。我们确定了 VG 参数与 Ks 的最优权重、ANN 的最优隐含节点数，以及获得统计上稳定估计所需的bootstrap 次数。结果表明：随基质势变化的偏差显著降低，而含水量的均方根误差（RMSE）有适度下降；相比 Rosetta1，新的模型在 Ks 的对数尺度上 RMSE 略有上升（H3w 增加 0.9%，H5w 增加 3.3%）。我们发现，参数的估计分布轻度偏离高斯，而用重尾的 α-stable 分布能较好描述。另一方面，与 α-stable 分布中类均值的“位移（shift）”参数相比，算术平均在多数质地条件下仅表现出很小的估计偏差。因此，算术均值及（协）方差仍然推荐作为估计分布的汇总统计量。但若在包气带流动与运移的随机分析中使用新的估计结果，可能需要采用不同的分布参数化方式。Rosetta1 与 Rosetta3 以 Python 实现，源代码与附加文档见：http://www.cals.arizona.edu/research/rosettav3.html。
参考文献：对 Rosetta pedotransfer 模型进行加权重新校准，改进了对水力参数分布的估计和汇总统计 （Rosetta3）
Rosetta（特别是改进版 Rosetta3）土壤“经验转移函数”（PTFs）这份文档：用易测的土壤信息（如质地、体积密度、少量持水点）来预测 van Genuchten 水分保持曲线参数（θr、θs、α、n）以及饱和导水率 Ks，以替代昂贵的室内/野外实测。核心思想是用人工神经网络 + 自助法（bootstrap）训练层次化的PTFs，并输出参数及其不确定性，从而在不同数据可得性场景下都能给出尽量稳健的水文参数估计。
主要要点
- 统一建模：Rosetta3 将“持水曲线”和“Ks”从过去的分离子模型，整合为一个联合模型来同时标定与预测，降低偏差。Rosetta
- 不确定性建模：在ANN训练中显式利用对原始持水数据拟合的参数不确定度，并采用大量bootstrap复样来给出参数的概率分布（不仅是点估计）。
- 层次化输入：根据手头信息多少提供多级PTF：从仅有质地类别/砂-粉-粘百分比、到加入体积密度、再到加入一个或多个持水点，信息越多预测越准。
- 效果与用途：在基准数据集上较早期版本（如 Rosetta1）系统提升精度并减小偏差；面向大尺度水文—陆面模型、灌溉与渗流模拟、以及实验设计中的参数先验/敏感性分析等场景。
一句话总结：Rosetta3 提供了一套可在不同资料完整度下使用的ANN-PTF工具 ，能联合预测VG参数与Ks，并附带不确定性刻画，较旧版在准确性与稳健性上都有改进
下载
https://github.com/usda-ars-ussl/rosetta-soil
有点python的开发经验看其说明就可以很简单的开始使用，在此不在赘述。
在线使用
如果懒得下载可以使用在线工具ROSETTA3 Tool，直接在浏览器打开就可以使用。
必需输入前三个参数值，也就是砂粉黏粒的百分比就可以计算，后三个的可选参数输入的越多，计算出来的参数理论上就会越接近土壤的真实值。
