淮河流域GLEAM衛星土壤濕度數據評估及其時空變化規律

楊傳國，梁 瑩，柏欣莉，李 想

（1.河海大學水文水資源學院，南京210098；2.河海大學水文水資源與水利工程科學國家重點實驗室，南京210098）

1 研究背景

土壤濕度是氣候、水文、生態和農業等領域重要研究對象，它直接控制著陸面和大氣之間水、熱量的輸送和平衡。土壤濕度影響著陸地表面能量分配為感熱通量和潛熱通量的過程，在維系農業生態系統健康發展中扮演著重要角色［1，2］。作為流域降雨-產流過程的關鍵變量，土壤濕度直接影響超滲產流和蓄滿產流計算，對提高洪水預報預警精度十分重要［3］；土壤濕度還是指示干旱程度的重要指標［4，5］。因此，開展流域土壤濕度大范圍監測，識別其時空變化特征并評估演變規律對于區域防洪抗旱、生態管理和農業發展具有重要科學意義和實踐價值。

基于站點的土壤濕度監測在空間上具有一定局限性［6，7］，主要體現在站點數量的限制和部分地區觀測數據缺失率大等方面。隨著衛星遙感技術逐漸發展成熟，衛星監測產品越來越廣泛地應用于土壤濕度研究［8，9］。衛星氣象數據具有空間范圍廣且連續的優勢，在一定程度上彌補了站點觀測的缺陷，適用于大范圍土壤濕度信息獲取［10，11］。GLEAM（Global Land Evapora?tion Amsterdam Model）土壤濕度資料是ESA CCI SM（European Space Agency’s Water Cycle Multimission Observation Strategy and Climate Change Initiative Soil Moisture）衛星觀測資料和GL?DAS Noah（Global Land Assimilation Data System）再分析資料反演得來的［12］。目前，我國學者多評估GLEAM 蒸散發產品的效用，近年來針對衛星土壤濕度開展了較多的研究［11，13］，但利用GLEAM 土壤濕度資料進行的研究較少。如任立良［14］等人利用多個精度統計指標和分類度量指標評估CHIRPS 和GLEAM-Ep在中國的干旱監測效果。因此本文評估該模型的土壤濕度數據在淮河流域的適用性，旨在為深入應用該產品提供參考和依據。

本文選擇地處我國氣候過渡帶的淮河流域為研究對象，該地區是我國重要的農業產區，歷史上洪澇干旱災害事件頻繁。根據農氣站土壤濕度觀測數據評估GLEAM 土壤濕度數據精度，進而分析近年來淮河流域土壤濕度的時空變化特征和演變規律。

2 資料與方法

2.1 研究區概況

淮河流域屬于北亞熱帶向暖溫帶過渡區，降水較為豐富，氣候溫暖，流域面積為27 萬km2。淮河流域以廢黃河為界分為南北兩支，北支是沂沭泗水系，南支是淮河水系，淮河流域在我國農業生產中占有重要地位，主要作物有小麥、水稻、玉米等。流域土壤肥沃，土壤類型復雜，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、風沙土等［15］。不同土壤的土壤特性和持水能力不同，是除氣象要素外造成土壤濕度時空差異的重要原因。

2.2 站點觀測資料

土壤濕度實測資料選自中國氣象科學數據共享網提供的《1991-2010 中國農作物生長發育和農田土壤濕度旬值數據集》，主要有1991-2010年間農氣站點測得的干土層厚度、0～10 cm 土壤相對濕度、10～20 cm 土壤相對濕度、20～50 cm 土壤相對濕度、50～70 cm 土壤相對濕度、70～100 cm 土壤相對濕度。由于深層土壤濕度數據存在較多缺測時段，為達到保持數據代表性和一致性的目的，本文選擇實測數據較全的2002-2009，共8年30個農氣站的0～10、20～50 cm的土壤相對濕度數據。

2.3 GLEAM衛星土壤濕度

GLEAM（Global Land Evaporation Amsterdam Model）是一組根據衛星數據估算地面蒸發和根區土壤水分的算法，提供了包括土壤表層（0～10 cm）和根系層（10～100 cm）土壤濕度、潛在蒸發、實際蒸發和水面蒸發等多個變量［12，16］。GLEAM 土壤濕度資料由ESA CCI SM（European Space Agency’s Water Cycle Multi?mission Observation Strategy and Climate Change Initiative Soil Moisture）衛星觀測資料和GLDAS Noah（Global Land Assimila?tion Data System）再分析資料反演得來的。GLEAM 多個產品的特性使它可用于大范圍陸地蒸散量時空變化、干旱特征、土壤水分特征分析等研究［17］。它的優點在于考慮了土壤對蒸發的限制，對冠層截留進行了詳細參數化，并充分利用了微波觀測計算，提高了多云條件下數據精度。本文選取2017年推出的第三版本數據集GLEAM v3.2a（https：//www.gleam.eu），數據空間分辨率為0.25°×0.25°，時間分辨率為1 d，1980-2017年共38 a的土壤表層0～10 cm（SMs）和根系層10～100 cm（SMr）的土壤濕度資料。

2.4 研究方法

由于農氣站實測數據采用相對濕度，而GLEAM 數據采用體積含水量，直接使用原始數據兩者無法比較，因此利用式（1）把土壤相對濕度換算成體積含水量。

式中：θr為農氣站實測土壤相對濕度；θv為轉換后的體積含水量；fc為田間持水量；sc為土壤容重。

對于某種土壤，田間持水量和土壤容重是常數。由于各站點田間持水量和土壤容重參數的缺失，本文采用HWSD 土壤數據庫，利用SPAW 軟件根據各站點所處的柵格位置進行分層數據讀取得到上述參數值。

在計算流域平均值過程中，采用泰森多邊形法求得每個站點所占的面積權重，得到流域平均土壤體積含水量；而針對GLEAM 資料，則直接選用流域內網格的數值進行算數平均。在進行空間分布比較時，根據農氣站土壤濕度進行泛克里金空間插值［18］得到實測土壤濕度空間分布。主要精度評價指標包括相關系數、誤差、標準方差等。

3 結果分析

3.1 單點尺度土壤濕度比較

為驗證GLEAM 衛星土壤濕度數據的準確性，用30 個農氣站2002-2009年的0～10 cm 土壤濕度與所在格網GLEAM 表層土壤濕度（SMs）、20～50 cm土壤濕度與所在格網GLEAM 根系層土壤濕度（SMr）的月平均時間序列進行比較。圖1（a），（b）給出了兩組序列的相關系數，結果表明在淮河流域北部和東部平原地區相關系數較高，而在流域西南山區和東北山區相關系數較低。總體上GLEAM 土壤濕度數據與實測數據相比相關性較好，但不同農氣站的單點精度高低存在差異。

對于表層土壤，30 組時間序列平均相關系數為0.532，其中最大值為碭山站（0.761），最小值為固始站（0.364）。整體上GLEAM 表層土壤濕度平均值稍小，誤差僅為-2.5%，但就每個站點而言，土壤濕度觀測受所處位置土壤非均勻性、氣象條件、儀器誤差等因素的影響，衛星土壤濕度數據的誤差范圍在-23.5%～61.3%，如圖1（c）。對于根系層土壤，30 組時間序列平均相關系數為0.450，表明衛星數據對根系層土壤濕度的監測能力小于表層土壤，其中最大值為杞縣站（0.804），最小值為壽縣站（0.144）；整體上GLEAM 根系層土壤濕度較實測值偏小，衛星土壤濕度數據的誤差范圍在-30.6%～41.0%，如圖1（d）。此外，標準方差表明，GLEAM 表層和根系層土壤濕度數據時間變化要小于農氣站實測值。

圖1 農氣站與對應GLEAM網格的土壤濕度相關系數和相對誤差Fig.1 Correlation coefficient and relative error of soil moisture between agrometeorological stations and their corresponding grids

篩選對比30個農氣站數據，發現流域東部江蘇省大豐站和西部河南省西華站的數據最為全面，且在流域內相隔距離合適，故選取兩站為典型站，分析站點與GLEAM 格網土壤濕度的時間序列在不同層段的相關性和差異。圖2 給出了大豐站（58158）和西華站（57193）及其對應網格GLEAM 土壤濕度時間序列對比圖。不同土壤層的兩組序列均吻合較好，大豐站表層和根系層土壤相關系數分別為0.698 和0.528，西華站表層和根系層土壤濕度相關系數分別為0.752 和0.738。從圖可以看出站點序列出現有的連續同值的現象，在西華站尤為明顯，這可能與土壤水達到飽和含水量有關。

圖2 典型農氣站與相應GLEAM格網土壤濕度時間序列比較Fig.2 Comparison of time series of typical agrometeorological stations and their corresponding GLEAM grids

3.2 流域尺度土壤濕度比較

根據2.4 節所述方法，計算GLEAM 與農氣站的流域平均土壤濕度，如圖3所示。對于表層土壤濕度，GLEAM 數據流域多年平均值為0.319 m3/m3，農氣站多年平均值為0.336 m3/m3，前者略有低估；二者的變化幅度接近，相關系數達到0.797，均方根誤差為0.027 m3/m3，表明衛星表層土壤濕度數據具有較高的精度。GLEAM 根系層土壤濕度存在一定低估，如圖3（b），與農氣站20～50 cm 層土壤濕度數據相比，GLEAM 根系層土壤濕度的流域多年平均值為0.309 m3/m3，農氣站多年平均值為0.366 m3/m3，二者相關系數為0.712，均方根誤差0.062 m3/m3。土壤濕度遙感監測反演方法依賴于地表反照率和植被歸一化指數NDVI，隨著土壤深度的增大，監測能力下降，導致深層遙感土壤濕度數據可能存在較大誤差。

圖3 農氣站和GLEAM衛星流域平均土壤濕度對比Fig.3 Averaged soil moistures of agrometeorological stations and GLEAM data

可見，GLEAM 衛星土壤濕度數據雖然在單點估計上精度高低有所差異，但在流域尺度評估上具有較高精度，尤其是對土壤表層的監測能力好，能夠用于流域旱澇評估、農業生產和水資源評價等領域的科研與實踐中。

3.3 土壤濕度空間分布比較

土壤濕度與氣象和下墊面因子之間存在密切關系［19-21］。由于受降雨量和地形的影響，整體上表層和根系層土壤濕度呈東南向西北減小的趨勢（圖4 和圖5），且農氣站實測土壤濕度略大于衛星土壤濕度。兩組數據均表明，淮河南部和沂沭河沿海地區土壤濕度較大。

圖5 GLEAM 土壤表層和根系層不同季節平均土壤濕度Fig.5 Seasonal average soil moisture of the GLEAM data，surface layer and root zone layer

由于土壤濕度對降水與氣溫的響應關系，淮河流域3月份進入春季以后，隨著氣溫升高，各種植物需水量增大，導致土壤濕度普遍偏低。夏季由于降水增加土壤濕度逐漸增大，在東部地區較為明顯；而秋冬季比較濕潤，冬季基本處于一個四季最高值。站點20～50 cm 的季節循環變化幅度沒有表層0～10 cm顯著，隨著深度的增加，土壤濕度對環境變化的響應速率減慢（圖4）。GLEAM 衛星土壤濕度空間分布的季節變化與實測資料主要存在兩點不同，一是根系層土壤濕度比土壤表層略小，而實測資料表明根系層比土壤表層更為濕潤；二是淮河流域南部的衛星土壤濕度在秋季存在偏小的現象。此外，由于研究區僅采用了30 個農氣站數據進行空間插值，且地區分布不均，以及土壤參數非均勻性造成的站點監測數據的代表性問題，在分析空間分布規律時，衛星土壤數據具有一定的優勢。

圖4 農氣站0～10 cm和20～50 cm層不同季節平均土壤濕度Fig.4 Seasonal average soil moisture of agrometeorological stations，0～10 cm and 20～50 cm

4 流域土壤濕度演變評估

上述分析表明，GLEAM 衛星土壤濕度數據能夠較好地反映淮河流域土壤表層和根系層的土壤濕度狀況。基于其時間序列長、空間監測范圍廣的優勢，本文采用該數據評估淮河流域年際和季節土壤濕度的長期趨勢變化，如圖6所示。流域土壤表層和根系層濕度具有較好的一致性，均呈現下降趨勢，表層下降幅度比根系層大，分別下降了3.43%和2.67%。受氣象要素的年際變化影響，流域土壤濕度也具有顯著的年際變化特征，1980年代、2000年代中期和近5年以來流域土壤濕度處于偏高時期；而1990年代至2000年代初、2010年代前半期流域土壤濕度處于偏低時期。

在季節尺度上，淮河流域的4 個季節的土壤濕度均呈下降的趨勢，下降幅度在季節與層段上存在差異（圖6）。但是土壤表層與根系層的線性回歸線基本平行，下降幅度大致相同，只有在冬季表層土壤濕度下降速度明顯大于根系層。春季的土壤濕度下降幅度最大，夏季和秋季的下降幅度較小。春季是作物生長耗水的主要季節，土壤濕度下降對農業生產將產生一定的負面影響。夏季和秋季土壤濕度變率較大，間接反映了流域旱澇極端事件的頻繁與嚴重程度。

圖6 淮河流域年際和季節土壤濕度的趨勢變化Fig.6 Changes of soil moisture at annual and seasonal time scales in the Huaihe Rvier basin

5 結論

（1）與農氣站實測結果相比，在單點尺度上，GLEAM 衛星土壤濕度數據在不同站點的精度差異較為明顯；而在流域尺度評估上GLEAM 數據具有較高精度，表層和根系層土壤濕度相關系數均大于0.7，其中表層與實測數據均值接近，根系層土壤濕度有所低估，這與衛星微波遙感更適用于表層土壤水分監測反演有關。

（2）在空間分布上，GLEAM 衛星和農氣站數據均表明淮河流域土壤濕度呈南高北低、東高西低的分布規律，淮河南部和沂沭河沿海地區土壤濕度較大。基于衛星土壤濕度監測范圍廣、空間連續的優勢，建議在大尺度區域土壤濕度研究時予以采用。

（3）淮河流域平均土壤濕度存在顯著的年際變化，自1980年以來土壤表層和根系層均呈下降趨勢，其中春季尤為明顯；由于流域旱澇年際變化影響，夏季和秋季土壤濕度的年際變率較大。

總體上，GLEAM 衛星數據在流域尺度評估上具有較高精度且穩定性好，能夠彌補站點監測數據不足的問題，在流域農業生產、洪水預報、干旱評估和水資源評價等領域具有重要的應用前景。□