不同土壤湿度产品对长江中下游极端气候事件响应过程分析

摘要 评估了5种常用的土壤湿度产品（SMOS、SMAP、ESA CCI、ERA5、SMCI）在长江中下游地区的适用性，并结合气象数据分析了各产品在极端降水、干旱事件期间的时空变化特征。结果表明：5种产品都能较好地反映长江中下游地区土壤湿度空间分布特征，SMOS与其他产品相比存在普遍低估，时空变化特征与其他几种产品有一定差异。在反映土壤湿度对极端降水响应方面，SMAP、SMCI和ERA5都能反映出与异常降水变化相匹配的土壤湿度空间变化特征，而SMOS在空间上没能准确反映对降水的响应过程。在反映土壤湿度对极端干旱响应方面，SMOS和ESA CCI对极端干旱事件的响应与其他几种产品差异较大，ERA5和SMCI土壤湿度对干旱在空间上的响应较为准确。

关键词土壤湿度;极端降水;极端干旱;水循环;遥感

2024-04-12收稿，2024-06-05接受

国家自然科学基金项目（42175136）;中央高校基本科研业务费专项资金（14380172;14380191）;关键地球物质循环前沿科学中心“科技人才团队”项目

引用格式：丁思聪，邱博，李倩，2024.不同土壤湿度产品对长江中下游极端气候事件响应过程分析［J］.大气科学学报，47（5）：701-712.

Ding S C，Qiu B，Li Q，2024.Response of soil moisture to extreme climate events based on various datasets［J］.Trans Atmos Sci，47（5）：701-712.doi：10.13878／j.cnki.dqkxxb.20240412001.（in Chinese）.

在全球变暖的背景下，全球水资源分布呈两极分化的变化趋势，降水变率增加导致了越来越多的极端降水和干旱事件，对农业生产和陆地生态系统造成严重威胁。土壤既可以短暂储存过量的降水，又能够为土壤蒸发和植被蒸腾提供水分，因此土壤湿度的变化成为陆地水循环研究中的关键一环（Seneviratne et al.，2010）。在极端气候事件中，土壤及土壤水文过程直接影响陆地生态系统响应，同时还会进一步通过陆气相互作用影响极端事件的发展。土壤湿度作为水文气象研究的关键指标之一，由于其具有“记忆性”的特征，在短期气候预测的研究中常作为先兆信号出现（郭维栋等，2007;宋耀明等，2019）。因此，基于可靠的长时间序列、覆盖范围广、高精度的土壤湿度数据研究极端降水和极端干旱发生时土壤水分的动态变化，对于防灾减灾、保障粮食安全和监测区域气候变化等具有十分重要的意义（Pettorelli et al.，2005）。

传统的土壤湿度探测方法受观测条件的限制，并不适合大范围的土壤湿度监测（高峰等，2001）。20世纪60年代以来，卫星遥感手段开始应用于土壤水分监测研究，为土壤湿度的全球监测开辟了新的道路。基于微波遥感的各类遥感产品为土壤水分研究提供了大量数据，在当前研究中得到了广泛应用（Schmugge and Jackson，1994;陈泓羽等，2020）。微波遥感产品在土壤湿度监测中具有重要地位，在全球范围内已有很多研究对遥感数据在土壤湿度监测方面的准确性进行了评估。遥感产品对土壤湿度的反演效果在不同区域和季节的准确性存在差异：对美国、德国、法国的研究表明，SMOS土壤湿度较观测存在干偏差（Collow et al.，2012;DallAmico et al.，2012;El Hajj et al.，2018），而在西非的旱季则相反（Louvet et al.，2015）;在中国的淮河流域，Wang et al.（2021）结合观测数据和陆面模式的研究结果表明，SMAP、SMOS在淮河流域夏季的精度要优于冬季。除了对土壤湿度长时间序列的反演表现外，遥感产品在气候异常事件中的表现也受到广泛的关注（Hao et al.，2015;Zhang et al.，2019;Thomas et al.，2022;Wei et al.，2024）。大气再分析数据是常用的数据产品，通过同化高质量的观测数据（邓明珊等，2018），得到全球长期的土壤湿度数据，其在全球各区域的适用性已被广泛评估并应用于土壤湿度和气候变化的相关研究（Nicolai-Shaw et al.，2015;Li et al.，2020;余波等，2020;刘维成等，2022;Kenfack et al.，2023;Zhang et al.，2023;Zheng et al.，2024）。机器学习利用有限的数据建立模型并进行训练，进行反演与预测（刘娣等，2024），得到更高时空分辨率的土壤湿度数据。随着机器学习逐渐发展并应用于土壤湿度研究领域，越来越多的高分辨率土壤湿度数据也逐渐应用于全球各区域的水文气象研究中（Jang et al.，2020;Huang et al.，2021，Li et al.，2022）。在全球范围内原位观测覆盖率不足的情况下，遥感、再分析等数据产品为土壤湿度相关的研究提供了有力的支撑。

近几十年来，长江中下游地区梅雨季极端降水和干旱事件的发生频率显著增加，对陆地生态系统产生了重大影响。比如，2020年夏季长江中下游地区出现破纪录的极端降水事件，梅雨季雨量为753.9 mm，较常年同期偏多168.3％，其累计雨量、频次、强度都达到了1961年以来之最。这次“暴力梅”在长江中下游地区导致了严重的汛情，诱发多地山洪，造成了巨大的财产损失。2013年夏季长江中下游地区持续高温干旱，旱情较为严重的省市出现近60年来同期最少降水（李曈等，2017），造成直接经济损失366.4亿元（段海霞等，2014）。目前大多数研究仅使用单一的土壤湿度数据作为指标分析极端事件（刘强等，2013;陈少丹等，2017;Bui et al.，2022），对不同来源和类型的土壤湿度数据的对比分析较少。由于对土壤湿度的观测在中国范围内存在较多的缺测，且站点大多呈现区域式集中分布，我们难以对土壤湿度的区域整体特征以及其与大范围的气候异常的关联进行分析（高佳佳等，2021）。本文旨在探究几种主流土壤湿度产品在极端降水和干旱事件中的响应情况，分析遥感产品、再分析数据产品和机器学习产品在区域内的适用性，针对特定的极端天气气候事件对比各产品的响应差异。本文的工作有利于加强对不同土壤湿度产品的时空特征及在极端事件中响应特征的理解，为今后土壤水文过程研究，极端降水和干旱研究提供参考。

1 数据和方法

1.1 数据

本文使用3种遥感土壤湿度产品、1种再分析数据及1种机器学习降尺度数据，表1给出了不同土壤湿度产品的基本信息，研究时段取为2010—2020年，由于SMAP数据的可用年限较短（2015—2020年），分析2013年极端干旱事件时将不包括该数据；SMOS中未提及探测深度。

1.1.1 卫星遥感土壤湿度数据

SMAP L3（Soil Moisture Active and Passive L3）是美国土壤水分主动-被动探测卫星被动微波三级产品，基于被动微波手段反演的土壤湿度数据可以更好地穿透植被和云层，受地表土壤粗糙度等条件影响更小。本文使用时间分辨率为1 d的升轨和降轨的version 8版本SMAP数据（Eswar et al.，2018）。

SMOS L3（Soil Moisture and Ocean Salinity L3）是土壤湿度和海洋盐度卫星3级表层土壤湿度产品，由SMOS数据处理中心（Centre Aval de Traitement des Données SMOS，CATDS）生成，可用的时间分辨率为：1 d、3 d、10 d和1 mon。本文使用时间分辨率为1 mon的升轨和降轨SMOS数据（Al Bitaret al.，2017）。

欧洲航天局（European Space Agency，ESA）气候变化倡议项目（Climate Change Initiative，CCI）发布的全球地表土壤湿度多卫星合成产品（ESA CCI）（Gruber et al.，2019），旨在提供一套融合多种遥感土壤湿度信息的长时间序列全球覆盖的土壤湿度数据集，其准确性在全球各个区域得到了广泛的验证，同时该产品也是目前为止时间周期覆盖最长、最稳定的土壤湿度数据集。本文采用2021年4月发布的v06.1版本融合ESA CCI产品。

1.1.2 再分析土壤湿度数据

ERA5是由欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）在2018年6月发布的全球气候第五代大气再分析数据集，包含1979年至今的全球土壤湿度数据（Hersbach et al.，2020），该数据集的陆面再分析数据（ERA5 LAND）将全球范围内的观测数据与模拟数据相结合，提供了4个深度层（0～7 cm、7～28 cm、28～100 cm、100～289 cm）土壤湿度数据的每小时估计值。本研究评估的数据为0～7 cm表层土壤湿度数据。

1.1.3 机器学习土壤湿度数据

中国区域1 km高质量土壤湿度数据集（Soil Moisture of China by in situ data，SMCI 1.0）（上官微等，2022）以中国气象局提供的1 648个站点的10层土壤湿度为基准，使用多源数据通过机器学习方法得到。该数据集包含了2000—2020年以10 cm为间隔的10层深度（10～100 cm）的逐日土壤湿度数据。文中使用了10 cm深度逐日数据。

1.1.4 降水与气温数据

降水资料采用国家气象信息中心提供的中国地面降水月值0.5°×0.5°格点数据集（V2.0）（沈艳等，2010），该数据集以中国地面2 472个台站降水资料为基础，利用ANUSPLIN软件的薄盘样条法（Thin Plate Spline，TPS）生成1961年至今的水平分辨率0.5°×0.5°的中国降水月均值格点数据。本研究选取2010—2020年10 a数据计算气候平均值与距平值。

气温资料采用国家气象信息中心提供的中国地面气温日值0.5°×0.5°格点数据集（V2.0），其生成方法与降水数据一致，与降水选取相同的时间范围。

1.2 研究方法

1.2.1 土壤水分产品数据预处理

本文研究5种土壤湿度产品的月尺度变化情况，对五种数据产品进行处理：先将逐日数据进行月平均得到中国范围内5种产品逐月平均数据，再将各土壤水分产品进行分辨率转化及投影转化，统一空间分辨率为0.5°。

1.2.2 建立参考场与计算指标

由于全国土壤观测数据时空完整性较差，参考Qiao et al.（2022）对CMIP6产品的评估方法，使用多产品集合平均的方法生成一个参考场。对5套产品赋予相同的权重计算集合平均，以进一步分析各产品间的特点与差异（刘荣华等，2017）。使用相关系数R（McColl et al.，2014）来对比产品间，产品与气象要素间的相关性，评估各产品与参考场的差异（Hyndman and Koehler，2006）。

为了研究极端降水和极端干旱期间变量的变化，本文计算了空间标准化距平（var′（i，j，t））。所有变量的标准化距平var′都是针对格点（i，j）进行计算的。极端降水和干旱事件期间每个格点的标准化距平为与多年平均值ar的偏差，并通过2010—2020年的标准差（DS）进行归一化（对于SMAP数据使用2015—2020年的标准差）（段海霞等，2014）：

R=∑nt=1（xt-）（yt-）∑nt=1（xt-）2∑nt=1（yt-）2 ，（1）

DS=1N∑nt=1（xt-）2 ，（2）

var′（i，j，t）=var（i，j，t）-ar（i，j）DS（var（i，j，t））。（3）

式中：xt为第t月的产品土壤湿度;yt为第t月的参考场土壤湿度;n为研究月数;和分别代表参考场土壤湿度和不同产品土壤湿度平均值。R取值在-1～1，R>0表示两要素正相关，R<0表示两要素负相关，R绝对值越大相关性越强。

2 长江中下游区域土壤湿度时空变化特征

为了分析长江中下游区域5种产品土壤湿度的变化趋势，选取江苏、安徽、浙江、湖北、湖南、江西、上海这7个省市作为研究范围，对研究时间段内的土壤湿度年平均的空间分布进行分析（图1）。从图中可以看到，长江中下游地区的年均土壤湿度呈现明显的南北向分布格局。尽管5种产品反映的总体分布相对一致，但在具体数值和空间分布上仍存在一些差异。SMAP土壤湿度的高值主要分布在长江沿岸，展现了更多的空间分布细节。SMOS总体数值明显低于其他产品，大部分区域的年均土壤湿度在0.25 m3／m3以下。但SMOS能识别长江中下游的主要湖泊流域的高值区域，在这些区域与SMAP分布特征相似。ESA CCI反映的土壤湿度空间分布较为均匀，自北至南土壤湿度逐渐增加，湖南东部、江西大部分地区以及浙江中部年均土壤湿度能达到0.35 m3／m3以上;ERA5和SMCI具有较高的空间相似性，30°N以南的大部分区域年均土壤湿度高于0.4 m3／m3。综合来看，SMAP和SMOS展现了更多土壤湿度的空间分布细节，ESA CCI是基于多套遥感数据的融合数据，因此土壤湿度空间分布较为均匀。ERA5和SMCI的空间分布较为一致。

为了更深入地量化5种土壤湿度产品之间的差异及其与主要气象因子之间的关系，图2展示了5种产品和集合平均（MEAN）的土壤湿度以及降水（PRECIP）和温度（TEMP）在长江中下游地区132 mon（其中SMAP仅覆盖69 mon），327个格点上的时间和空间相关系数。从时间变化的角度来看，各产品间的相关性较好，但SMOS与其他产品之间的相关系数较低。气象因子与土壤湿度的相关性较小，尤其气温对土壤湿度的影响不显著。从空间变化的角度来看，几种土壤湿度产品与降水的一致性较好，但SMOS与其他产品及降水的空间一致性较低。另外，SMOS受气温的时空驱动作用最明显，ERA5和SMCI的时空相关性都是最高的，达到了0.95和0.97。这些结果有助于加深我们对不同气候条件下土壤水分时空分布和变化特征的认识。

3 土壤湿度对极端降水和干旱的响应特征

为了进一步识别长江中下游区域梅雨季（6—7月）的极端降水和干旱事件，对长江中下游区域梅雨季的降水异常时间序列进行分析（图3），可以看到这21 a中有4 a的梅雨季降水标准化距平超过了一个标准差（1σ）：2013年（-1.29σ）、2016年（1.57σ）、2018年（-1.27σ）和2020年（2.84σ），因此我们将2013年和2018年确定为“极端干旱事件”发生年份;2016年和2020年确定为“极端降水事件”发生年份。根据极端降水、干旱事件的异常程度依次对这4次事件多种土壤湿度产品对极端降水的响应进行对比分析。

3.1 2020年长江中下游地区“暴力梅”

2020年“暴力梅”事件发生的主要时间段为6—7月。图4给出了2020年6—7月平均的土壤湿度标准化距平（以下简称距平）的空间分布，主要反映极端降水事件对土壤湿度异常的影响。研究区域内，降水在超过80％的地区都表现为正距平，且接近一半的区域超过了1个标准差（1σ），在湖北省西部、安徽省西北部和江苏省北部，有一小部分地区降水正距平超过2σ;而湖南、江西的南端的部分地区则表现为降水负距平。从不同土壤湿度产品的响应可以看到，SMAP距平的空间分布与降水基本一致，正距平超过1σ的区域比降水更广泛;相比之下，SMOS距平的空间分布与降水及其他土壤湿度产品有较大差异，浙江、江苏两省主要表现为负距平，在空间上没能较好表现土壤湿度对极端降水的响应;ESA CCI产品反映的土壤湿度在研究区域绝大部分地区都处于大于1σ的偏湿状态，近30％的地区土壤湿度显著偏高（>2σ）;ERA5和SMCI（图4e、图4f）表现出0～7 cm和0～10 cm深度土壤湿度与降水相似的空间分布特征，大部分地区出现了中等程度的土壤湿度偏高（>1σ）。

综上所述，5种土壤湿度产品均在6—7月显示出对异常偏多降水的响应。SMAP、ERA5、SMCI对2020年长江中下游地区的极端降水响应趋势较为一致，而SMOS和ESA CCI土壤湿度在部分区域未能很好地体现土壤湿度对极端降水的响应。

3.2 2016年长江中下游地区极端降水事件

2016年的降水极端程度与2020年相比要弱，且在空间分布上也有差异。与2020年降水空间格局不同，2016年降水异常在长江中下游区域呈现条带状相间分布，其中降水偏多的区域主要集中在湖北、安徽、江苏以及湖南北部。对于土壤湿度的响应，SMAP表现出相较于降水异常更小的土壤偏湿程度，在浙江表现出大范围的表层土壤偏湿，与降水的异常情况相反。SMOS在研究区域内大部分区域表现为土壤偏湿，但在研究区域西部以及湖南、湖北、江西3省交界处未能体现土壤湿度对降水的响应;ESA CCI、ERA5、SMCI表现出相似的表层土壤湿度异常空间分布，能较好地反映降水异常分布（图5）。

3.3 2013年长江中下游地区极端干旱事件

针对2013年6—7月长江中下游的干旱事件，图6给出了降水和不同土壤湿度产品的标准化距平的空间分布。由于SMAP产品没有2013年的数据，所以在本次事件中仅分析SMOS、ESA CCI、ERA5、SMCI共4种产品。

图6给出了2013年6—7月长江中下游地区土壤湿度距平的空间分布，2013年干旱事件中，研究区域内降水比多年平均显著偏少，尤其在湖南和江西中部，降水的负距平超过1个标准差（1σ）。在此降水条件下，SMOS数据在超过80％的地区表现为土壤偏旱，但仅有10％左右的地区负距平超过1σ，而且这些区域的分布相对分散，在空间上不能反映土壤湿度对极端干旱的响应过程。相比之下，ESA CCI的数据显示，超过50％的区域土壤湿度的负距平超过1σ。ERA5和SMCI表现的0～7 cm和0～10 cm深度土壤湿度异常有相似的空间分布，特别是土壤湿度显著偏低（>2σ）的区域主要集中在湖南中北部、浙江和安徽。ERA5数据显示的土壤湿度显著偏低的区域范围更大，在30°N以北的区域显示土壤处于偏湿的状态。

3.4 2018年长江中下游地区极端干旱事件

2018年的长江中下游区域干旱相对于2013年来说，分布范围更小，降水负异常（图7a）的大值区更偏北，集中在30°N以南的区域以及湖北省北部，在不同土壤湿度产品响应方面，SMAP（图7b）表现出与降水异常分布相近的空间分布，对于降水负异常的大值区均表现为相应的土壤湿度负异常响应。但是SMOS（图7c）在研究区域大部分地区显示表层土壤湿度的正异常，其负异常的空间分布与降水也不匹配，未能反映土壤湿度对于在这次极端干旱事件的响应过程;ESA CCI（图 7d）表现的表层土壤湿度响应程度较弱，与降水在江西和浙江交界区域的负异常大值区对应较好。ERA5（图 7e）表现的0～7 cm的土壤湿度与SMCI（图 7f）表现的0～10 cm的土壤湿度异常程度与空间分布基本一致，表现出对降水异常类似的响应。

4 结论和讨论

土壤湿度作为重要的气象和水文指标，研究其时空变化对指导农业生产等具有重要意义。以往的研究大多关注气候态土壤湿度产品的评估，本文以长江中下游作为研究区域，结合降水、气温数据，研究两次极端降水事件，两次极端干旱事件中5种土壤湿度产品的响应情况，得到如下结论：

1）总体来看，SMAP产品在长江中下游区域呈现了更多的土壤湿度空间分布的细节，SMOS产品对土壤湿度表现普遍的低估，ESA CCI反映出的区域差异偏小，ERA5和SMCI整体相似度较高。

2）极端降水事件期间，SMAP、ERA5、SMCI土壤湿度表现出与降水异常较为一致的空间分布，ESA CCI也能较好地表现土壤湿度对降水异常的响应。但是SMOS观测的表层土壤湿度在响应极端降水事件时，在空间分布上与其他几种产品表现出显著差异，表明了SMOS表层土壤湿度数据表征极端降水事件期间土壤湿度特征的局限性。

3）极端干旱事件期间，SMAP、ERA5、SMCI土壤湿度对降水负异常的响应在空间上表现出较高的一致性，SMOS和ESA CCI土壤湿度对干旱事件的响应与以上3种产品差异较大，在两次事件中表现出与降水异常不同的空间分布特征。

SMAP能够较为准确地反映土壤湿度对异常降水时空尺度上的响应，在极端降水事件中与降水的时空分布一致性很好，Zeng et al.（2016）在美国和欧洲的评估也得到了同样的结论。在极端降水事件中，降水量大且降水时段比较集中，土壤表面水分达到饱和，对卫星反演准确度产生很大的影响，而SMOS产品更容易受到降水异常的影响，对极端降水的识别能力较弱，这与（Albergel et al.，2012）在法国的评估结果一致，这部分解释了SMOS在响应极端降水事件时的偏差。在极端干旱事件中，SMOS对降水偏少的响应较弱甚至未响应也可能是SMOS传感器在干燥土壤中的探测深度更深导致的（Al Bitar et al.，2017）。此外，SMOS对于土壤湿度呈现一个系统性的低估，这与之前的研究结论一致（Xiong et al.，2018；孟越等，2022），同时，SMOS土壤湿度数值偏低，因此在极端事件期间，其相对变化的范围也更大，不能完全表现土壤湿度真实的变化。

在极端降水事件中，ESA CCI表现出显著的土壤湿度异常，但对比土壤湿度和距平的空间分布后发现，其空间分布较为均匀，区域内差异不明显，距平的绝对值也集中在0.025 m3·m-3以内。这表明ESA CCI呈现出的显著异常更多的是多源卫星数据融合过程中较小的标准差所致，并未完全反映实际土壤湿度异常情况，这与杨涵和熊立华（2023）在渠江流域和伊洛河流域对ESA CCI空间分布的结论相似。结合时间变化趋势，ESA CCI数据在研究区域内存在明显的误差，之前的一些研究也表明ESA CCI对极端事件的响应也存在一定的误差（田晴等，2022，杨涵和熊立华，2023）。

ERA5和SMCI在不同时空尺度下的分布与变化特征均具有很高的相似性，其时空相关系数在研究区域内也达到了0.97和0.95。进一步探究数据生成方法后发现，SMCI使用了ERA5 Land有关变量作为协变量，因此与ERA5提供的土壤湿度数据并不相互独立，且对于降水的响应表现也更出色，这也能为说明两种产品在不同土层深度的相似响应特征提供依据（上官微等，2022）。两种数据呈现的土壤湿度空间分布具有明显的带状分布，与之前的研究结果（刘荣华等，2017）一致。ERA5在南方地区的适用性已有验证（陈玥和王爱慧，2023），本文对其捕获极端降水事件和极端干旱时间的灵敏性评估结果也与之前的研究一致（刘婷婷等，2022）。因为SMCI是基于观测数据训练得到的，所以对卫星和再分析数据起到了很好的补充。

针对两次极端干旱事件数据产品的不同响应，本文讨论了两次事件的差异。虽然2013和2018年6、7月的降水异常程度相近（-1.29σ和-1.27σ），但与2018年不同的是，2013年对应时段同时出现了高温异常（标准化距平高达1.86），高温会加剧土壤水分蒸发，使得土壤干旱程度更为显著。在极端干旱事件分析中，SMOS和ESA CCI对降水异常响应空间分布与其他几种产品差距较大：在2018年极端干旱事件中，ERA5和SMCI所显示的表层土壤湿度异常与降水异常的程度相匹配;在同时出现高温和干旱的复合事件中（2013年），这些产品表现出的土壤湿度异常程度超过了降水异常，这凸显了在气象干旱条件下高温对土壤湿度的显著影响。（Zaitchik et al.，2006;Fischer et al.，2007;Zhang and Wu，2011）。

总体而言，现有的各类表层土壤湿度数据总体上可以反映表层土壤湿度的变化趋势，但在极端降水和极端干旱条件下受影响程度不同，因此在使用表层土壤湿度数据的时候需要考虑不同研究条件下数据的准确性。本文初步对比分析了5种主流土壤湿度产品在极端气候事件中的表现，为之后极端事件中的土壤温度研究提供了重要的参考。文中仅使用了表层土壤湿度数据，后续可加入深层土壤数据，深入分析异常降水对各层土壤影响的机制，对土壤湿度的记忆性进行更具体地分析。

致谢：感谢NSIDC、CATD、ESA、ECMWF、TPDC提供了SMAP、SMOS、ESA CCI、ERA5、SMCI资料的在线下载服务。

参考文献（References）

Albergel C，de Rosnay P，Gruhier C，et al.，2012.Evaluation of remotely sensed and modelled soil moisture products using global ground-based in situ observations［J］.Remote Sens Environ，118：215-226.doi：10.1016／j.rse.2011.11.017.

Al Bitar A，Mialon A，Kerr Y H，et al.，2017.The global SMOS Level 3 daily soil moisture and brightness tempera ture maps［J］.Earth Syst Sci Data，9（1）：293-315.doi：10.5194／essd-9-293-2017.

Bui L K，Awange J，Vu D T，2022.Precipitation and soil moisture spatio-temporal variability and extremes over Vietnam （1981—2019）：understanding their links to rice yield［J］.Sensors，22（5）：1906.doi：10.3390／s22051906.

陈泓羽，吴静，李纯斌，等，2020.卫星土壤水分产品在青藏高原地区的适用性评价［J］.生态学报，40（24）：9195-9207. Chen H Y，Wu J，Li C B，et al.，2020.Applicability evaluation of satellite soil moisture products in Qinghai-Tibet Plateau［J］.Acta Ecol Sin，40（24）：9195-9207.doi：10.5846／stxb202001070056.（in Chinese）.

陈少丹，张利平，闪丽洁，等，2017.长江中下游流域土壤湿度遥感反演研究及其影响因素分析［J］.应用基础与工程科学学报，25（4）：657-669.Chen S D，Zhang L P，Shan L J，et al.，2017.Research on remote sensing inversion of soil moisture and analysis of influencing factors in the middle and Lower Yangtze River basin［J］.J Basic Sci Eng，25（4）：657-669.doi：10.16058／j.issn.1005-0930.2017.04.001.（in Chinese）.

陈玥，王爱慧，2023.中国南方春季土壤湿度对夏季干热少雨复合事件的影响［J］.大气科学学报，46（03）：332-344. Chen Y，Wang A H，2023.Effects of spring soil moisture on compound events of high temperature，low humidity，and rainfall in South China［J］.Trans Atmos Sci，46（3）：332-344.doi：10.13878／j.cnki.dqkxxb.20230303001.（in Chinese）.

Collow T W，Robock A，Basara J B，et al.，2012.Evaluation of SMOS retrievals of soil moisture over the central United States with currently available in situ observations［J］.J Geophys Res，117（D9）.doi：10.1029／2011jd017095.

DallAmico J T，Schlenz F，Loew A，et al.，2012.First results of SMOS soil moisture validation in the upper Danube Catchment［J］.IEEE Trans Geosci Remote Sens，50（5）：1507-1516.doi：10.1109／TGRS.2011.2171496.

邓明珊，孟宪红，马英赛，等，2018.基于GLDAS产品的青藏高原土壤湿度特征分析［J］.干旱气象，36（4）：595-602. Deng M S，Meng X H，Ma Y S，et al.，2018.Analysis on soil moisture characteristics of Tibetan Plateau based on GLDAS［J］.J Arid Meteor，36（4）：595-602.doi：10.11755／j.issn.1006-7639（2018）-04-0595.（in Chinese）.

段海霞，王素萍，冯建英，2014.2013年全国干旱状况及其影响与成因［J］.干旱气象，32（2）：310-316. Duan H X，Wang S P，Feng J Y，2014.Drought in China in 2013，its influence and causes［J］.J Arid Meteor，32（2）：310-316.doi：10.11755／j.issn.1006-7639（2014）-02-0310.（in Chinese）.

El Hajj M，Baghdadi N，Zribi M，et al.，2018.Evaluation of SMOS，SMAP，ASCAT and sentinel-1 soil moisture products at sites in southwestern France［J］.Remote Sens，10（4）：569.doi：10.3390／rs10040569.

Eswar R，Das N，Poulsen C，et al.，2018.SMAP soil moisture change as an indicator of drought conditions［J］.Remote Sens，10（5）：788.doi：10.3390／rs10050788.

Fischer E M，Seneviratne S I，Lüthi D，et al.，2007.Contribution of land-atmosphere coupling to recent European summer heat waves［J］.Geophys Res Lett，34（6）：L06707.doi：10.1029／2006GL029068.

高峰，王介民，孙成权，等，2001.微波遥感土壤湿度研究进展［J］.遥感技术与应用，16（2）：97-102. Gao F，Wang J M，Sun C Q，et al.，2001.Advances in study on microwave remote sensing of soil moisture［J］.Remote Sens Technol Appl，16（2）：97-102.doi：10.3969／j.issn.1004-0323.2001.02.006.（in Chinese）.

高佳佳，杜军，卓嘎，2021.青藏高原春季土壤湿度与夏季降水的关系［J］.大气科学学报，44（2）：219-227. Gao J J，Du J，Zhuoga，2021.Relationship between soil moisture in spring and precipitation in summer over the Tibetan Plateau［J］.Trans Atmos Sci，44（2）：219-227.doi：10.13878／j.cnki.dqkxxb.20200720001.（in Chinese）.

Gruber A，Scanlon T，van der Schalie R，et al.，2019.Evolution of the ESA CCI soil moisture climate data records and their underlying merging methodology［J］.Earth Syst Sci Data，11（2）：717-739.doi：10.5194／essd-11-717-2019.

郭维栋，马柱国，王会军，2007.土壤湿度：一个跨季度降水预测中的重要因子及其应用探讨［J］.气候与环境研究，12（1）：20-28. Guo W D，Ma Z G，Wang H J，2007.Soil moisture：an important factor of seasonal precipitation prediction and its application［J］.Clim Environ Res，12（1）：20-28.doi：10.3969／j.issn.1006-9585.2007.01.003.（in Chinese）.

Hao C，Zhang J H，Yao F M，2015.Combination of multi-sensor remote sensing data for drought monitoring over Southwest China［J］.Int J Appl Earth Obs Geoinf，35：270-283.doi：10.1016／j.jag.2014.09.011.

Hersbach H，Bell B，Berrisford P，et al.，2020.The ERA5 global reanalysis［J］.Quart J Roy Meteor Soc，146（730）：1999-2049.doi：10.1002／qj.3803.

Huang W J，Wang W，Cao M，et al.，2021.Local climate and biodiversity affect the stability of Chinas grasslands in response to drought［J］.Sci Total Environ，768：145482.doi：10.1016／j.scitotenv.2021.145482.

Hyndman R J，Koehler A B，2006.Another look at measures of forecast accuracy［J］.Int J Forecast，22（4）：679-688.doi：10.1016／j.ijforecast.2006.03.001.

Jang Y，Jang I，Choe Y，2020.Prediction of soil moisture with open source weather data and machine learning algorithms［J］.Korean Journal of Agricultural and Forest Meteorology，22（1）：1-12.https：／／doi.org／10.5532／KJAFM.2020.22.1.1.

Kenfack K，Tamoffo A T，Djiotang Tchotchou L A，et al.，2023.Assessment of uncertainties in reanalysis datasets in reproducing thermodynamic mechanisms in the moisture budgets provision in the Congo Basin［J］.Theor Appl Climatol，154（1）：613-626.doi：10.1007／s00704-023-04576-0.

Li M X，Wu P L，Ma Z G，2020.A comprehensive evaluation of soil moisture and soil temperature from third-generation atmospheric and land reanalysis data sets［J］.Int J Climatol，40（13）：5744-5766.

Li Q L，Shi G S，Shangguan W，et al.，2022.A 1 km daily soil moisture dataset over China using in situ measurement and machine learning［J］.Earth Syst Sci Data，14（12）：5267-5286.

李曈，王文，蔡晓军，2017.2013年长江中下游夏季高温干旱演变过程及环流异常成因简析［J］.气象科学，37（4）：505-513. Li T，Wang W，Cai X J，2017.Evolution and abnormal causes for high temperature and drought in the middle and lower reaches of Yangtze River in summer of 2013［J］.J Meteor Sci，37（4）：505-513.（in Chinese）.

刘娣，孙佳倩，余钟波，2024.基于机器学习模型的多层土壤湿度反演［J］.河海大学学报（自然科学版），52（3）：7-14. Liu D，Sun J Q，Yu Z B，2024. Multi-layer soilmoisture inversion based onmachine learningmodels.Journal of Hohai University（Natural Sciences），52（3）： 7-14.doi：10.3876/j.issn.1000-1980.2024.03.002.（in Chinese）.

刘强，杜今阳，施建成，等，2013.青藏高原表层土壤湿度遥感反演及其空间分布和多年变化趋势分析［J］.中国科学：地球科学，43（10）：1677-1690. Liu Q，Du J Y，Shi J C，et al.，2013.Remote sensing inversion of surface soil moisture in Qinghai-Tibet Plateau and its spatial distribution and multi-year variation trend analysis［J］.Sci Sin：Terrae，43（10）：1677-1690.（in Chinese）.

刘荣华，张珂，晁丽君，等，2017.基于多源卫星观测的中国土壤湿度时空特征分析［J］.水科学进展，28（4）：479-487. Liu R H，Zhang K，Chao L J，et al.，2017.Analysis of spatiotemporal characteristics of surface soil moisture across China based on multi-satellite observations［J］.Adv Water Sci，28（4）：479-487.（in Chinese）.

刘婷婷，朱秀芳，郭锐，等，2022.ERA5再分析降水数据在中国的适用性分析［J］.干旱区地理，45（1）：66-79. Liu T T，Zhu X F，Guo R，et al.，2022.Applicability of ERA5 reanalysis of precipitation data in China［J］.Arid Land Geogr，45（1）：66-79.doi：10.12118／j.issn.1000-6060.2021.132.（in Chinese）.

刘维成，徐丽丽，朱姜韬，等，2022.再分析资料和陆面数据同化资料土壤湿度产品在中国北方地区的适用性评估［J］.大气科学学报，45（4）：616-629. Liu W C，Xu L L，Zhu J T，et al.，2022.Evaluation of reanalysis and LDAS soil moisture products over northern China［J］.Trans Atmos Sci，45（4）：616-629.（in Chinese）.

Louvet S，Pellarin T，Al Bitar A，et al.，2015.SMOS soil moisture product evaluation over West-Africa from local to regional scale［J］.Remote Sens Environ，156：383-394.doi：10.1016／j.rse.2014.10.005.

孟越，王大刚，林泳恩，等，2022.SMOS和SMAP卫星土壤水分产品的对比评价与差异分析［J］.中山大学学报（自然科学版）（中英文），61（5）：9-21. Meng Y，Wang D G，Lin Y E，et al.，2022.Comparative evaluation and difference analysis of SMOS and SMAP satellite remote sensing soil moisture products［J］.Acta Sci Nat Univ Sunyatseni，61（5）：9-21.（in Chinese）.

Nicolai-Shaw N，Hirschi M，Mittelbach H，et al.，2015.Spatial representativeness of soil moisture using in situ，remote sensing，and land reanalysis data［J］.J Geophys Res：Atmos，120（19）：9955-9964.doi：10.1002／2015jd023305.

Pettorelli N，Vik J O，Mysterud A，et al.，2005.Using the satellite-derived NDVI to assess ecological responses to environmental change［J］.Trends Ecol Evol，20（9）：503-510.doi：10.1016／j.tree.2005.05.011.

Qiao L，Zuo Z Y，Xiao D，2022.Evaluation of soil moisture in CMIP6 simulations［J］.J Climate，35（2）：779-800.doi：10.1175／jcli-d-20-0827.1.

Schmugge T，Jackson T J，1994.Mapping surface soil moisture with microwave radiometers［J］.Meteor Atmos Phys，54（1）：213-223.doi：10.1007／BF01030061.

Seneviratne S I，Corti T，Davin E L，et al.，2010.Investigating soil moisture-climate interactions in a changing climate：a review［J］.Earth Sci Rev，99（3）：125-161.doi：10.1016／j.earscirev.2010.02.004.

上官微，李清亮，石高松，2022.基于站点观测的中国1 km土壤湿度日尺度数据集（2000—2020）［EB/OL］.国家青藏高原数据中心.https：／／doi.org／10.11888／Terre.tpdc.272415. Shangguan W，Li Q L，Shi G S，2022.A 1 km daily soil moisture dataset over China based on situ measurement （2000—2020）） ［EB/OL］.National Tibetan Plateau／Third Pole Environment Data Center.https：／／doi.org／10.11888／Terre.tpdc.272415.（in Chinese）.

沈艳，冯明农，张洪政，等，2010.我国逐日降水量格点化方法［J］.应用气象学报，21（3）：279-286. Shen Y，Feng M N，Zhang H Z，et al.，2010.Interpolation methods of China daily precipitation data［J］.J Appl Meteor Sci，21（3）：279-286.doi：10.3969／j.issn.1001-7313.2010.03.003.（in Chinese）.

宋耀明，邹永成，王志福，2019.前期土壤湿度、海表面温度对中国夏季极端气温的预测能力评估［J］.大气科学学报，42（5）：790-800. Song Y M，Zou Y C，Wang Z F，2019.Assessment of the summer extreme temperature predicting abilities in China for the previous soil moisture and sea surface temperature［J］.Trans Atmos Sci，42（5）：790-800.doi：10.13878／j.cnki.dqkxxb.20160101010.（in Chinese）.

Thomas N P，Anyamba A，Tubbs H，et al.，2022.Evaluation of extreme soil moisture conditions during the 2020 Sahel floods and implications for disease outbreaks［J］.Geophys Res Lett，49（19）.doi：10.1029／2022gl099872.

田晴，陆建忠，陈晓玲，等，2022.基于长时序CCI土壤湿度数据的长江流域农业干旱时空演变［J］.长江流域资源与环境，31（2）：472-481. Tian Q，Lu J Z，Chen X L，et al.，2022.Spatio-temporal evolution of agricultural drought in the Yangtze River basin based on long-term CCl soil moisture data［J］.Resources and Environment in the Yangtze Basin，31（2）：472-481.（in Chinese）.

Wang X Y，Lü H，Crow W T，et al.，2021.Assessment of SMOS and SMAP soil moisture products against new estimates combining physical model，a statistical model，and in situ observations：a case study over the Huai River Basin，China［J］.J Hydrol，598：126468.doi：10.1016／j.jhydrol.2021.126468.

Wei W，Wang J P，Ma L B，et al.，2024.Global drought-wetness conditions monitoring based on multi-source remote sensing data［J］.Land，13（1）：95.doi：10.3390／land13010095.

Xiong L H，Yang H，Zeng L，et al.，2018.Evaluating consistency between the remotely sensed soil moisture and the hydrological model-simulated soil moisture in the Qujiang Catchment of China［J］.Water，10（3）：291.doi：10.3390／w10030291.

杨涵，熊立华，2023.多源遥感土壤湿度产品与水文模拟结果的时空对比分析［J］.长江科学院院报，40（8）：177-183，190. Yang H，Xiong L H，2023.Spatial and temporal comparison of soil moisture between multiple satellite products and hydrological modelling［J］.J Yangtze River Sci Res Inst，40（8）：177-183，190.（in Chinese）.

余波，陈海山，孙悦，2020.东亚中纬度夏季陆面增暖与土壤湿度异常的联系［J］.大气科学学报，43（1）：201-211. Yu B，Chen H S，Sun Y，2020.Linkage between summer land surface warming in mid-latitude of East Asia and soil moisture anomalies［J］.Trans Atmos Sci，43（1）：201-211.doi：10.13878／j.cnki.dqkxxb.20190407001.（in Chinese）.

Zaitchik B F，Macalady A K，Bonneau L R，et al.，2006.Europes 2003 heat wave：a satellite view of impacts and land-atmosphere feedbacks［J］.Int J Climatol，26（6）：743-769.doi：10.1002／joc.1280.

Zhang J Y，Wu L Y，2011.Land-atmosphere coupling amplifies hot extremes over China［J］.Chin Sci Bull，56（31）：3328-3332.doi：10.1007／s11434-011-4628-3.

Zhang L Q，Liu Y，Ren L L，et al.，2019.Drought monitoring and evaluation by ESA CCI soil moisture products over the Yellow River basin［J］.IEEE J Sel Top Appl Earth Obs Remote Sens，12（9）：3376-3386.doi：10.1109／JSTARS.2019.2934732.

Zhang P，Yu H B，Gao Y B，et al.，2023.Evaluation of remote sensing and reanalysis products for global soil moisture characteristics［J］.Sustainability，15（11）：9112.doi：10.3390／su15119112.

Zeng J Y，Chen K S，Bi H Y，et al.，2016.A preliminary evaluation of the SMAP radiometer soil moisture product over United States and Europe using ground-based measurements［J］.IEEE Trans Geosci Remote Sens，54（8）：4929-4940.doi：10.1109／TGRS.2016.2553085.

Zheng Y C，Coxon G，Woods R，et al.，2024.Evaluation of reanalysis soil moisture products using cosmic ray neutron sensor observations across the globe［J］.Hydrology and Earth System Sciences，28（9）：1999-2022.https：／／doi.org／10.5194／hess-28-1999-2024.

·ARTICLE·

Response of soil moisture to extreme climate events based on various datasets

DING Sicong1，QIU Bo1，LI Qian2

1School of Atmospheric Sciences，Nanjing University，Nanjing 210023，China;

2Institute of Atmospheric Physics，Chinese Academy of Sciences，Beijing 100029，China

Abstract Soil moisture plays a significant role in global terrestrial water cycles and interactions between land and atmosphere，serving as a crucial factor in hydrologic and climate applications.Due to its long-term memory on time scales ranging from several weeks to months，soil moisture is valuable for weather and climate forecasts.Additionally，it profoundly influences plant photosynthesis，especially during extreme precipitation events and droughts.Accurate and continuous high-resolution soil moisture datasets are essential for analyzing the response of soil moisture to extreme events.However，in situ observations of soil moisture are inadequate due to the sparse distribution of stations，necessitating reliable datasets with fine coverage and accuracy.

Three primary types of high-resolution soil moisture datasets exist：remote sensing data，reanalysis data，and machine learning-enhanced data based on ground-based observations.However，the ability of these datasets to accurately capture the responses of soil moisture to droughts and extreme precipitation events in the middle and lower reaches of the Yangtze River remains uncertain.This study assessed five soil moisture products—Soil Moisture Active Passive （SMAP），Soil Moisture and Ocean Salinity （SMOS），European Space Agency Climate Change Initiative （ESA CCI），European Reanalysis 5 （ERA5），and Soil Moisture of China by in situ data （SMCI）—to investigate their accuracy in capturing the responses of soil moisture to precipitation anomalies in this region.

Precipitation datasets were used to identify years with extremely dry and wet Meiyu seasons based on the standard deviations of total precipitation in June and July.Extremely dry （2013 and 2018） and wet （2016 and 2020） years were identified.The responses of the soil moisture datasets to extreme precipitation and drought events in the study area were then compared.The results showed that all five products could reflect the spatial distribution of soil moisture，but SMOS had lower values than the other products，and its spatial variations differed somewhat from the others.SMAP，SMCI，and ERA5 reasonably captured the responses of soil moisture to extreme precipitation，while SMOS did not accurately reflect these responses.The responses of SMOS and ESA CCI soil moisture to extreme drought events differed from the other products，whereas ERA5 and SMCI demonstrated more accurate spatial responses to drought conditions.

Overall，while all five products provided reasonable spatial distributions of soil moisture over the study area，their performances in capturing response to climate extremes varied substantially.Therefore，the accuracy of these datasets needs to be evaluated under different conditions，especially during droughts and extreme precipitation events.This study enhances our understanding of soil moisture variations in the middle and lower reaches of the Yangtze River and guides the use of various soil moisture datasets for examining responses to climatic extremes.

Keywords soil moisture;extreme precipitation;extreme drought;water cycle;remote sensing

doi：10.13878／j.cnki.dqkxxb.20240412001

（责任编辑：袁东敏）