基于SMAR模型的半干旱区根系层土壤湿度估算

发布时间：2021-10-28 15:31

　　根系层土壤湿度控制植被根系的水分吸收和蒸腾过程,是陆地—大气相互作用中的一个重要变量。为了获得根系层土壤湿度的时空分布,以半干旱区的老哈河流域为研究对象,利用具有物理基础的土壤水分分析关系（SMAR）模型,并结合遥感土壤湿度产品进行研究。结果表明:利用土壤物理属性、归一化植被指数（NDVI）和实际蒸散发作为自变量进行多元线性回归分析,可以建立SMAR模型参数的估算方程（p<0.05,双尾t检验）。将遥感土壤湿度产品与SMAR模型结合估算区域根系层的土壤湿度具有良好效果,与基于实测数据的估算结果比较,其相关性R主要分布在0.5～0.9,平均值为0.692（p<0.05,双尾t检验）,平均绝对误差、平均相对误差、均方根误差和标准偏差总体均<0.1。SMAR模型与遥感数据产品结合能够良好地模拟出区域尺度根系层土壤湿度的空间分布状况。该研究为更大尺度根系层土壤湿度的估算提供支撑,也能更好地运用于干旱半干旱区农业规划、干旱监测及其他水文模拟。 

【文章来源】：水土保持研究. 2020,27(03)北大核心CSCD

【文章页数】：10 页

【部分图文】：

图1 年降雨量300～500 mm农气站分布图

(3) 利用得到的分段线性回归方程,进行CDF匹配调整,从而得到农气站实测土壤湿度、CCI土壤湿度和调整后的土壤湿度(图2D),图中实线表示农气站实测土壤湿度,粗虚线表示原始CCI土壤湿度,细虚线表示调整后的土壤湿度数据。以内蒙古赤峰站所在像元为例,已知1993—2006年逐年4—9月的站点实测土壤湿度值及CCI遥感土壤湿度,将实测数据转化成以体积含水量为单位,进行CDF重调整,从而获得调整后的土壤湿度数据时间序列曲线(图3),从图3可以看出,原始CCI SM整体上小于实测的SM,但是两套数据的趋势具有良好的一致性,调整后的数据普遍向上抬升,在数值和形态表现上都更加靠近基准的SM数据。对该站点所在像元CDF重调整前后的CCI SM与实测数据之间的误差进行统计分析(表1),可以看出CCI SM经重调整后各项误差指数都得到降低,尤其是MAE和RMSE减少12%以上,表明调整后的数据更加接近于实测的SM数据。综上,赤峰站所在像元的实测土壤数据经过CDF重调整后精度得到明显改善,整个研究区像元调整方法类似,误差也得到减小,精度得到提高。

本文首先根据中国农作物气象数据网的中国农作物生长发育和农田土壤湿度旬值数据集整理了分布在中国年降雨量线300～500 mm内的82个站点不同剖面深度实测相对SM,将农气站表层10 cm的相对SM的时间序列作为SMAR模型的输入数据,采用MATLAB的遗传算法优化由表层相对SM模拟作为输入得到的根系层相对SM与其实测的10 cm以下的根系层相对SM均值之间的RMSE,从而得到每个农气站SMAR模型最优的参数组合,为后续SMAR参数的统计分析奠定基础。该遗传算法能够在大多数站点位置找到每个参数的近似全局最小值。这里以老哈河流域周围的包括赤峰等6个站点为例运用SMAR模型估算站点尺度根系层的相对土壤湿度。图4和表2给出了SMAR模型在研究区及周边几个农气站14 a的初步应用,可以看到该方法能很好地捕捉下层土壤水分的动态变化,与实测根系层的相对SM趋势变化具有良好的一致性,并接近于每个站点的观察结果。RMSE和R分别表示农气站实测10 cm以下根系层的相对SM均值与SMAR模型模拟的根系层的相关关系。根据MATLAB遗传算法[14]对站点的参数进行校准,在均方根误差方面表现较好,而在相关性方面各站点表现好坏存在差异,R最低的奈曼旗站为0.471,最高的阜新站为0.895。


本文编号：3463003