淮河流域GLEAM卫星土壤湿度数据评估及其时空变化规律

2021-09-28杨传国柏欣莉

中国农村水利水电 2021年9期

杨传国，梁莹，柏欣莉，李想

（1.河海大学水文水资源学院，南京210098；2.河海大学水文水资源与水利工程科学国家重点实验室，南京210098）

1 研究背景

土壤湿度是气候、水文、生态和农业等领域重要研究对象，它直接控制着陆面和大气之间水、热量的输送和平衡。土壤湿度影响着陆地表面能量分配为感热通量和潜热通量的过程，在维系农业生态系统健康发展中扮演着重要角色［1，2］。作为流域降雨-产流过程的关键变量，土壤湿度直接影响超渗产流和蓄满产流计算，对提高洪水预报预警精度十分重要［3］；土壤湿度还是指示干旱程度的重要指标［4，5］。因此，开展流域土壤湿度大范围监测，识别其时空变化特征并评估演变规律对于区域防洪抗旱、生态管理和农业发展具有重要科学意义和实践价值。

基于站点的土壤湿度监测在空间上具有一定局限性［6，7］，主要体现在站点数量的限制和部分地区观测数据缺失率大等方面。随着卫星遥感技术逐渐发展成熟，卫星监测产品越来越广泛地应用于土壤湿度研究［8，9］。卫星气象数据具有空间范围广且连续的优势，在一定程度上弥补了站点观测的缺陷，适用于大范围土壤湿度信息获取［10，11］。GLEAM（Global Land Evapora⁃tion Amsterdam Model）土壤湿度资料是ESA CCI SM（European Space Agency’s Water Cycle Multimission Observation Strategy and Climate Change Initiative Soil Moisture）卫星观测资料和GL⁃DAS Noah（Global Land Assimilation Data System）再分析资料反演得来的［12］。目前，我国学者多评估GLEAM 蒸散发产品的效用，近年来针对卫星土壤湿度开展了较多的研究［11，13］，但利用GLEAM 土壤湿度资料进行的研究较少。如任立良［14］等人利用多个精度统计指标和分类度量指标评估CHIRPS 和GLEAM-Ep在中国的干旱监测效果。因此本文评估该模型的土壤湿度数据在淮河流域的适用性，旨在为深入应用该产品提供参考和依据。

本文选择地处我国气候过渡带的淮河流域为研究对象，该地区是我国重要的农业产区，历史上洪涝干旱灾害事件频繁。根据农气站土壤湿度观测数据评估GLEAM 土壤湿度数据精度，进而分析近年来淮河流域土壤湿度的时空变化特征和演变规律。

2 资料与方法

2.1 研究区概况

淮河流域属于北亚热带向暖温带过渡区，降水较为丰富，气候温暖，流域面积为27 万km2。淮河流域以废黄河为界分为南北两支，北支是沂沭泗水系，南支是淮河水系，淮河流域在我国农业生产中占有重要地位，主要作物有小麦、水稻、玉米等。流域土壤肥沃，土壤类型复杂，主要有潮土、砂姜黑土、石灰性砂姜黑土、石灰性淡潮土、褐土、潮褐土、风沙土等［15］。不同土壤的土壤特性和持水能力不同，是除气象要素外造成土壤湿度时空差异的重要原因。

2.2 站点观测资料

土壤湿度实测资料选自中国气象科学数据共享网提供的《1991-2010 中国农作物生长发育和农田土壤湿度旬值数据集》，主要有1991-2010年间农气站点测得的干土层厚度、0～10 cm 土壤相对湿度、10～20 cm 土壤相对湿度、20～50 cm 土壤相对湿度、50～70 cm 土壤相对湿度、70～100 cm 土壤相对湿度。由于深层土壤湿度数据存在较多缺测时段，为达到保持数据代表性和一致性的目的，本文选择实测数据较全的2002-2009，共8年30个农气站的0～10、20～50 cm的土壤相对湿度数据。

2.3 GLEAM卫星土壤湿度

GLEAM（Global Land Evaporation Amsterdam Model）是一组根据卫星数据估算地面蒸发和根区土壤水分的算法，提供了包括土壤表层（0～10 cm）和根系层（10～100 cm）土壤湿度、潜在蒸发、实际蒸发和水面蒸发等多个变量［12，16］。GLEAM 土壤湿度资料由ESA CCI SM（European Space Agency’s Water Cycle Multi⁃mission Observation Strategy and Climate Change Initiative Soil Moisture）卫星观测资料和GLDAS Noah（Global Land Assimila⁃tion Data System）再分析资料反演得来的。GLEAM 多个产品的特性使它可用于大范围陆地蒸散量时空变化、干旱特征、土壤水分特征分析等研究［17］。它的优点在于考虑了土壤对蒸发的限制，对冠层截留进行了详细参数化，并充分利用了微波观测计算，提高了多云条件下数据精度。本文选取2017年推出的第三版本数据集GLEAM v3.2a（https：//www.gleam.eu），数据空间分辨率为0.25°×0.25°，时间分辨率为1 d，1980-2017年共38 a的土壤表层0～10 cm（SMs）和根系层10～100 cm（SMr）的土壤湿度资料。

2.4 研究方法

由于农气站实测数据采用相对湿度，而GLEAM 数据采用体积含水量，直接使用原始数据两者无法比较，因此利用式（1）把土壤相对湿度换算成体积含水量。

式中：θr为农气站实测土壤相对湿度；θv为转换后的体积含水量；fc为田间持水量；sc为土壤容重。

对于某种土壤，田间持水量和土壤容重是常数。由于各站点田间持水量和土壤容重参数的缺失，本文采用HWSD 土壤数据库，利用SPAW 软件根据各站点所处的栅格位置进行分层数据读取得到上述参数值。

在计算流域平均值过程中，采用泰森多边形法求得每个站点所占的面积权重，得到流域平均土壤体积含水量；而针对GLEAM 资料，则直接选用流域内网格的数值进行算数平均。在进行空间分布比较时，根据农气站土壤湿度进行泛克里金空间插值［18］得到实测土壤湿度空间分布。主要精度评价指标包括相关系数、误差、标准方差等。

3 结果分析

3.1 单点尺度土壤湿度比较

为验证GLEAM 卫星土壤湿度数据的准确性，用30 个农气站2002-2009年的0～10 cm 土壤湿度与所在格网GLEAM 表层土壤湿度（SMs）、20～50 cm土壤湿度与所在格网GLEAM 根系层土壤湿度（SMr）的月平均时间序列进行比较。图1（a），（b）给出了两组序列的相关系数，结果表明在淮河流域北部和东部平原地区相关系数较高，而在流域西南山区和东北山区相关系数较低。总体上GLEAM 土壤湿度数据与实测数据相比相关性较好，但不同农气站的单点精度高低存在差异。

对于表层土壤，30 组时间序列平均相关系数为0.532，其中最大值为砀山站（0.761），最小值为固始站（0.364）。整体上GLEAM 表层土壤湿度平均值稍小，误差仅为-2.5%，但就每个站点而言，土壤湿度观测受所处位置土壤非均匀性、气象条件、仪器误差等因素的影响，卫星土壤湿度数据的误差范围在-23.5%～61.3%，如图1（c）。对于根系层土壤，30 组时间序列平均相关系数为0.450，表明卫星数据对根系层土壤湿度的监测能力小于表层土壤，其中最大值为杞县站（0.804），最小值为寿县站（0.144）；整体上GLEAM 根系层土壤湿度较实测值偏小，卫星土壤湿度数据的误差范围在-30.6%～41.0%，如图1（d）。此外，标准方差表明，GLEAM 表层和根系层土壤湿度数据时间变化要小于农气站实测值。

图1 农气站与对应GLEAM网格的土壤湿度相关系数和相对误差Fig.1 Correlation coefficient and relative error of soil moisture between agrometeorological stations and their corresponding grids

筛选对比30个农气站数据，发现流域东部江苏省大丰站和西部河南省西华站的数据最为全面，且在流域内相隔距离合适，故选取两站为典型站，分析站点与GLEAM 格网土壤湿度的时间序列在不同层段的相关性和差异。图2 给出了大丰站（58158）和西华站（57193）及其对应网格GLEAM 土壤湿度时间序列对比图。不同土壤层的两组序列均吻合较好，大丰站表层和根系层土壤相关系数分别为0.698 和0.528，西华站表层和根系层土壤湿度相关系数分别为0.752 和0.738。从图可以看出站点序列出现有的连续同值的现象，在西华站尤为明显，这可能与土壤水达到饱和含水量有关。

图2 典型农气站与相应GLEAM格网土壤湿度时间序列比较Fig.2 Comparison of time series of typical agrometeorological stations and their corresponding GLEAM grids

3.2 流域尺度土壤湿度比较

根据2.4 节所述方法，计算GLEAM 与农气站的流域平均土壤湿度，如图3所示。对于表层土壤湿度，GLEAM 数据流域多年平均值为0.319 m3/m3，农气站多年平均值为0.336 m3/m3，前者略有低估；二者的变化幅度接近，相关系数达到0.797，均方根误差为0.027 m3/m3，表明卫星表层土壤湿度数据具有较高的精度。GLEAM 根系层土壤湿度存在一定低估，如图3（b），与农气站20～50 cm 层土壤湿度数据相比，GLEAM 根系层土壤湿度的流域多年平均值为0.309 m3/m3，农气站多年平均值为0.366 m3/m3，二者相关系数为0.712，均方根误差0.062 m3/m3。土壤湿度遥感监测反演方法依赖于地表反照率和植被归一化指数NDVI，随着土壤深度的增大，监测能力下降，导致深层遥感土壤湿度数据可能存在较大误差。

图3 农气站和GLEAM卫星流域平均土壤湿度对比Fig.3 Averaged soil moistures of agrometeorological stations and GLEAM data

可见，GLEAM 卫星土壤湿度数据虽然在单点估计上精度高低有所差异，但在流域尺度评估上具有较高精度，尤其是对土壤表层的监测能力好，能够用于流域旱涝评估、农业生产和水资源评价等领域的科研与实践中。

3.3 土壤湿度空间分布比较

土壤湿度与气象和下垫面因子之间存在密切关系［19-21］。由于受降雨量和地形的影响，整体上表层和根系层土壤湿度呈东南向西北减小的趋势（图4 和图5），且农气站实测土壤湿度略大于卫星土壤湿度。两组数据均表明，淮河南部和沂沭河沿海地区土壤湿度较大。

图5 GLEAM 土壤表层和根系层不同季节平均土壤湿度Fig.5 Seasonal average soil moisture of the GLEAM data，surface layer and root zone layer

由于土壤湿度对降水与气温的响应关系，淮河流域3月份进入春季以后，随着气温升高，各种植物需水量增大，导致土壤湿度普遍偏低。夏季由于降水增加土壤湿度逐渐增大，在东部地区较为明显；而秋冬季比较湿润，冬季基本处于一个四季最高值。站点20～50 cm 的季节循环变化幅度没有表层0～10 cm显著，随着深度的增加，土壤湿度对环境变化的响应速率减慢（图4）。GLEAM 卫星土壤湿度空间分布的季节变化与实测资料主要存在两点不同，一是根系层土壤湿度比土壤表层略小，而实测资料表明根系层比土壤表层更为湿润；二是淮河流域南部的卫星土壤湿度在秋季存在偏小的现象。此外，由于研究区仅采用了30 个农气站数据进行空间插值，且地区分布不均，以及土壤参数非均匀性造成的站点监测数据的代表性问题，在分析空间分布规律时，卫星土壤数据具有一定的优势。

图4 农气站0～10 cm和20～50 cm层不同季节平均土壤湿度Fig.4 Seasonal average soil moisture of agrometeorological stations，0～10 cm and 20～50 cm

4 流域土壤湿度演变评估

上述分析表明，GLEAM 卫星土壤湿度数据能够较好地反映淮河流域土壤表层和根系层的土壤湿度状况。基于其时间序列长、空间监测范围广的优势，本文采用该数据评估淮河流域年际和季节土壤湿度的长期趋势变化，如图6所示。流域土壤表层和根系层湿度具有较好的一致性，均呈现下降趋势，表层下降幅度比根系层大，分别下降了3.43%和2.67%。受气象要素的年际变化影响，流域土壤湿度也具有显著的年际变化特征，1980年代、2000年代中期和近5年以来流域土壤湿度处于偏高时期；而1990年代至2000年代初、2010年代前半期流域土壤湿度处于偏低时期。

在季节尺度上，淮河流域的4 个季节的土壤湿度均呈下降的趋势，下降幅度在季节与层段上存在差异（图6）。但是土壤表层与根系层的线性回归线基本平行，下降幅度大致相同，只有在冬季表层土壤湿度下降速度明显大于根系层。春季的土壤湿度下降幅度最大，夏季和秋季的下降幅度较小。春季是作物生长耗水的主要季节，土壤湿度下降对农业生产将产生一定的负面影响。夏季和秋季土壤湿度变率较大，间接反映了流域旱涝极端事件的频繁与严重程度。