不同土壤濕度產品對長江中下游極端氣候事件響應過程分析

摘要 評估了5種常用的土壤濕度產品（SMOS、SMAP、ESA CCI、ERA5、SMCI）在長江中下游地區的適用性，并結合氣象數據分析了各產品在極端降水、干旱事件期間的時空變化特征。結果表明：5種產品都能較好地反映長江中下游地區土壤濕度空間分布特征，SMOS與其他產品相比存在普遍低估，時空變化特征與其他幾種產品有一定差異。在反映土壤濕度對極端降水響應方面，SMAP、SMCI和ERA5都能反映出與異常降水變化相匹配的土壤濕度空間變化特征，而SMOS在空間上沒能準確反映對降水的響應過程。在反映土壤濕度對極端干旱響應方面，SMOS和ESA CCI對極端干旱事件的響應與其他幾種產品差異較大，ERA5和SMCI土壤濕度對干旱在空間上的響應較為準確。

關鍵詞土壤濕度;極端降水;極端干旱;水循環;遙感

2024-04-12收稿，2024-06-05接受

國家自然科學基金項目（42175136）;中央高校基本科研業務費專項資金（14380172;14380191）;關鍵地球物質循環前沿科學中心“科技人才團隊”項目

引用格式：丁思聰，邱博，李倩，2024.不同土壤濕度產品對長江中下游極端氣候事件響應過程分析［J］.大氣科學學報，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）.

在全球變暖的背景下，全球水資源分布呈兩極分化的變化趨勢，降水變率增加導致了越來越多的極端降水和干旱事件，對農業生產和陸地生態系統造成嚴重威脅。土壤既可以短暫儲存過量的降水，又能夠為土壤蒸發和植被蒸騰提供水分，因此土壤濕度的變化成為陸地水循環研究中的關鍵一環（Seneviratne et al.，2010）。在極端氣候事件中，土壤及土壤水文過程直接影響陸地生態系統響應，同時還會進一步通過陸氣相互作用影響極端事件的發展。土壤濕度作為水文氣象研究的關鍵指標之一，由于其具有“記憶性”的特征，在短期氣候預測的研究中常作為先兆信號出現（郭維棟等，2007;宋耀明等，2019）。因此，基于可靠的長時間序列、覆蓋范圍廣、高精度的土壤濕度數據研究極端降水和極端干旱發生時土壤水分的動態變化，對于防災減災、保障糧食安全和監測區域氣候變化等具有十分重要的意義（Pettorelli et al.，2005）。

傳統的土壤濕度探測方法受觀測條件的限制，并不適合大范圍的土壤濕度監測（高峰等，2001）。20世紀60年代以來，衛星遙感手段開始應用于土壤水分監測研究，為土壤濕度的全球監測開辟了新的道路。基于微波遙感的各類遙感產品為土壤水分研究提供了大量數據，在當前研究中得到了廣泛應用（Schmugge and Jackson，1994;陳泓羽等，2020）。微波遙感產品在土壤濕度監測中具有重要地位，在全球范圍內已有很多研究對遙感數據在土壤濕度監測方面的準確性進行了評估。遙感產品對土壤濕度的反演效果在不同區域和季節的準確性存在差異：對美國、德國、法國的研究表明，SMOS土壤濕度較觀測存在干偏差（Collow et al.，2012;DallAmico et al.，2012;El Hajj et al.，2018），而在西非的旱季則相反（Louvet et al.，2015）;在中國的淮河流域，Wang et al.（2021）結合觀測數據和陸面模式的研究結果表明，SMAP、SMOS在淮河流域夏季的精度要優于冬季。除了對土壤濕度長時間序列的反演表現外，遙感產品在氣候異常事件中的表現也受到廣泛的關注（Hao et al.，2015;Zhang et al.，2019;Thomas et al.，2022;Wei et al.，2024）。大氣再分析數據是常用的數據產品，通過同化高質量的觀測數據（鄧明珊等，2018），得到全球長期的土壤濕度數據，其在全球各區域的適用性已被廣泛評估并應用于土壤濕度和氣候變化的相關研究（Nicolai-Shaw et al.，2015;Li et al.，2020;余波等，2020;劉維成等，2022;Kenfack et al.，2023;Zhang et al.，2023;Zheng et al.，2024）。機器學習利用有限的數據建立模型并進行訓練，進行反演與預測（劉娣等，2024），得到更高時空分辨率的土壤濕度數據。隨著機器學習逐漸發展并應用于土壤濕度研究領域，越來越多的高分辨率土壤濕度數據也逐漸應用于全球各區域的水文氣象研究中（Jang et al.，2020;Huang et al.，2021，Li et al.，2022）。在全球范圍內原位觀測覆蓋率不足的情況下，遙感、再分析等數據產品為土壤濕度相關的研究提供了有力的支撐。

近幾十年來，長江中下游地區梅雨季極端降水和干旱事件的發生頻率顯著增加，對陸地生態系統產生了重大影響。比如，2020年夏季長江中下游地區出現破紀錄的極端降水事件，梅雨季雨量為753.9 mm，較常年同期偏多168.3％，其累計雨量、頻次、強度都達到了1961年以來之最。這次“暴力梅”在長江中下游地區導致了嚴重的汛情，誘發多地山洪，造成了巨大的財產損失。2013年夏季長江中下游地區持續高溫干旱，旱情較為嚴重的省市出現近60年來同期最少降水（李曈等，2017），造成直接經濟損失366.4億元（段海霞等，2014）。目前大多數研究僅使用單一的土壤濕度數據作為指標分析極端事件（劉強等，2013;陳少丹等，2017;Bui et al.，2022），對不同來源和類型的土壤濕度數據的對比分析較少。由于對土壤濕度的觀測在中國范圍內存在較多的缺測，且站點大多呈現區域式集中分布，我們難以對土壤濕度的區域整體特征以及其與大范圍的氣候異常的關聯進行分析（高佳佳等，2021）。本文旨在探究幾種主流土壤濕度產品在極端降水和干旱事件中的響應情況，分析遙感產品、再分析數據產品和機器學習產品在區域內的適用性，針對特定的極端天氣氣候事件對比各產品的響應差異。本文的工作有利于加強對不同土壤濕度產品的時空特征及在極端事件中響應特征的理解，為今后土壤水文過程研究，極端降水和干旱研究提供參考。

1 數據和方法

1.1 數據

本文使用3種遙感土壤濕度產品、1種再分析數據及1種機器學習降尺度數據，表1給出了不同土壤濕度產品的基本信息，研究時段取為2010—2020年，由于SMAP數據的可用年限較短（2015—2020年），分析2013年極端干旱事件時將不包括該數據；SMOS中未提及探測深度。

1.1.1 衛星遙感土壤濕度數據

SMAP L3（Soil Moisture Active and Passive L3）是美國土壤水分主動-被動探測衛星被動微波三級產品，基于被動微波手段反演的土壤濕度數據可以更好地穿透植被和云層，受地表土壤粗糙度等條件影響更小。本文使用時間分辨率為1 d的升軌和降軌的version 8版本SMAP數據（Eswar et al.，2018）。

SMOS L3（Soil Moisture and Ocean Salinity L3）是土壤濕度和海洋鹽度衛星3級表層土壤濕度產品，由SMOS數據處理中心（Centre Aval de Traitement des Données SMOS，CATDS）生成，可用的時間分辨率為：1 d、3 d、10 d和1 mon。本文使用時間分辨率為1 mon的升軌和降軌SMOS數據（Al Bitaret al.，2017）。

歐洲航天局（European Space Agency，ESA）氣候變化倡議項目（Climate Change Initiative，CCI）發布的全球地表土壤濕度多衛星合成產品（ESA CCI）（Gruber et al.，2019），旨在提供一套融合多種遙感土壤濕度信息的長時間序列全球覆蓋的土壤濕度數據集，其準確性在全球各個區域得到了廣泛的驗證，同時該產品也是目前為止時間周期覆蓋最長、最穩定的土壤濕度數據集。本文采用2021年4月發布的v06.1版本融合ESA CCI產品。

1.1.2 再分析土壤濕度數據

ERA5是由歐洲中期天氣預報中心（European Centre for Medium-Range Weather Forecasts，ECMWF）在2018年6月發布的全球氣候第五代大氣再分析數據集，包含1979年至今的全球土壤濕度數據（Hersbach et al.，2020），該數據集的陸面再分析數據（ERA5 LAND）將全球范圍內的觀測數據與模擬數據相結合，提供了4個深度層（0～7 cm、7～28 cm、28～100 cm、100～289 cm）土壤濕度數據的每小時估計值。本研究評估的數據為0～7 cm表層土壤濕度數據。

1.1.3 機器學習土壤濕度數據

中國區域1 km高質量土壤濕度數據集（Soil Moisture of China by in situ data，SMCI 1.0）（上官微等，2022）以中國氣象局提供的1 648個站點的10層土壤濕度為基準，使用多源數據通過機器學習方法得到。該數據集包含了2000—2020年以10 cm為間隔的10層深度（10～100 cm）的逐日土壤濕度數據。文中使用了10 cm深度逐日數據。

1.1.4 降水與氣溫數據

降水資料采用國家氣象信息中心提供的中國地面降水月值0.5°×0.5°格點數據集（V2.0）（沈艷等，2010），該數據集以中國地面2 472個臺站降水資料為基礎，利用ANUSPLIN軟件的薄盤樣條法（Thin Plate Spline，TPS）生成1961年至今的水平分辨率0.5°×0.5°的中國降水月均值格點數據。本研究選取2010—2020年10 a數據計算氣候平均值與距平值。

氣溫資料采用國家氣象信息中心提供的中國地面氣溫日值0.5°×0.5°格點數據集（V2.0），其生成方法與降水數據一致，與降水選取相同的時間范圍。

1.2 研究方法

1.2.1 土壤水分產品數據預處理

本文研究5種土壤濕度產品的月尺度變化情況，對五種數據產品進行處理：先將逐日數據進行月平均得到中國范圍內5種產品逐月平均數據，再將各土壤水分產品進行分辨率轉化及投影轉化，統一空間分辨率為0.5°。

1.2.2 建立參考場與計算指標

由于全國土壤觀測數據時空完整性較差，參考Qiao et al.（2022）對CMIP6產品的評估方法，使用多產品集合平均的方法生成一個參考場。對5套產品賦予相同的權重計算集合平均，以進一步分析各產品間的特點與差異（劉榮華等，2017）。使用相關系數R（McColl et al.，2014）來對比產品間，產品與氣象要素間的相關性，評估各產品與參考場的差異（Hyndman and Koehler，2006）。

為了研究極端降水和極端干旱期間變量的變化，本文計算了空間標準化距平（var′（i，j，t））。所有變量的標準化距平var′都是針對格點（i，j）進行計算的。極端降水和干旱事件期間每個格點的標準化距平為與多年平均值ar的偏差，并通過2010—2020年的標準差（DS）進行歸一化（對于SMAP數據使用2015—2020年的標準差）（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為第t月的產品土壤濕度;yt為第t月的參考場土壤濕度;n為研究月數;和分別代表參考場土壤濕度和不同產品土壤濕度平均值。R取值在-1～1，R>0表示兩要素正相關，R<0表示兩要素負相關，R絕對值越大相關性越強。

2 長江中下游區域土壤濕度時空變化特征

為了分析長江中下游區域5種產品土壤濕度的變化趨勢，選取江蘇、安徽、浙江、湖北、湖南、江西、上海這7個省市作為研究范圍，對研究時間段內的土壤濕度年平均的空間分布進行分析（圖1）。從圖中可以看到，長江中下游地區的年均土壤濕度呈現明顯的南北向分布格局。盡管5種產品反映的總體分布相對一致，但在具體數值和空間分布上仍存在一些差異。SMAP土壤濕度的高值主要分布在長江沿岸，展現了更多的空間分布細節。SMOS總體數值明顯低于其他產品，大部分區域的年均土壤濕度在0.25 m3／m3以下。但SMOS能識別長江中下游的主要湖泊流域的高值區域，在這些區域與SMAP分布特征相似。ESA CCI反映的土壤濕度空間分布較為均勻，自北至南土壤濕度逐漸增加，湖南東部、江西大部分地區以及浙江中部年均土壤濕度能達到0.35 m3／m3以上;ERA5和SMCI具有較高的空間相似性，30°N以南的大部分區域年均土壤濕度高于0.4 m3／m3。綜合來看，SMAP和SMOS展現了更多土壤濕度的空間分布細節，ESA CCI是基于多套遙感數據的融合數據，因此土壤濕度空間分布較為均勻。ERA5和SMCI的空間分布較為一致。

為了更深入地量化5種土壤濕度產品之間的差異及其與主要氣象因子之間的關系，圖2展示了5種產品和集合平均（MEAN）的土壤濕度以及降水（PRECIP）和溫度（TEMP）在長江中下游地區132 mon（其中SMAP僅覆蓋69 mon），327個格點上的時間和空間相關系數。從時間變化的角度來看，各產品間的相關性較好，但SMOS與其他產品之間的相關系數較低。氣象因子與土壤濕度的相關性較小，尤其氣溫對土壤濕度的影響不顯著。從空間變化的角度來看，幾種土壤濕度產品與降水的一致性較好，但SMOS與其他產品及降水的空間一致性較低。另外，SMOS受氣溫的時空驅動作用最明顯，ERA5和SMCI的時空相關性都是最高的，達到了0.95和0.97。這些結果有助于加深我們對不同氣候條件下土壤水分時空分布和變化特征的認識。

3 土壤濕度對極端降水和干旱的響應特征

為了進一步識別長江中下游區域梅雨季（6—7月）的極端降水和干旱事件，對長江中下游區域梅雨季的降水異常時間序列進行分析（圖3），可以看到這21 a中有4 a的梅雨季降水標準化距平超過了一個標準差（1σ）：2013年（-1.29σ）、2016年（1.57σ）、2018年（-1.27σ）和2020年（2.84σ），因此我們將2013年和2018年確定為“極端干旱事件”發生年份;2016年和2020年確定為“極端降水事件”發生年份。根據極端降水、干旱事件的異常程度依次對這4次事件多種土壤濕度產品對極端降水的響應進行對比分析。

3.1 2020年長江中下游地區“暴力梅”

2020年“暴力梅”事件發生的主要時間段為6—7月。圖4給出了2020年6—7月平均的土壤濕度標準化距平（以下簡稱距平）的空間分布，主要反映極端降水事件對土壤濕度異常的影響。研究區域內，降水在超過80％的地區都表現為正距平，且接近一半的區域超過了1個標準差（1σ），在湖北省西部、安徽省西北部和江蘇省北部，有一小部分地區降水正距平超過2σ;而湖南、江西的南端的部分地區則表現為降水負距平。從不同土壤濕度產品的響應可以看到，SMAP距平的空間分布與降水基本一致，正距平超過1σ的區域比降水更廣泛;相比之下，SMOS距平的空間分布與降水及其他土壤濕度產品有較大差異，浙江、江蘇兩省主要表現為負距平，在空間上沒能較好表現土壤濕度對極端降水的響應;ESA CCI產品反映的土壤濕度在研究區域絕大部分地區都處于大于1σ的偏濕狀態，近30％的地區土壤濕度顯著偏高（>2σ）;ERA5和SMCI（圖4e、圖4f）表現出0～7 cm和0～10 cm深度土壤濕度與降水相似的空間分布特征，大部分地區出現了中等程度的土壤濕度偏高（>1σ）。

綜上所述，5種土壤濕度產品均在6—7月顯示出對異常偏多降水的響應。SMAP、ERA5、SMCI對2020年長江中下游地區的極端降水響應趨勢較為一致，而SMOS和ESA CCI土壤濕度在部分區域未能很好地體現土壤濕度對極端降水的響應。

3.2 2016年長江中下游地區極端降水事件

2016年的降水極端程度與2020年相比要弱，且在空間分布上也有差異。與2020年降水空間格局不同，2016年降水異常在長江中下游區域呈現條帶狀相間分布，其中降水偏多的區域主要集中在湖北、安徽、江蘇以及湖南北部。對于土壤濕度的響應，SMAP表現出相較于降水異常更小的土壤偏濕程度，在浙江表現出大范圍的表層土壤偏濕，與降水的異常情況相反。SMOS在研究區域內大部分區域表現為土壤偏濕，但在研究區域西部以及湖南、湖北、江西3省交界處未能體現土壤濕度對降水的響應;ESA CCI、ERA5、SMCI表現出相似的表層土壤濕度異常空間分布，能較好地反映降水異常分布（圖5）。

3.3 2013年長江中下游地區極端干旱事件

針對2013年6—7月長江中下游的干旱事件，圖6給出了降水和不同土壤濕度產品的標準化距平的空間分布。由于SMAP產品沒有2013年的數據，所以在本次事件中僅分析SMOS、ESA CCI、ERA5、SMCI共4種產品。

圖6給出了2013年6—7月長江中下游地區土壤濕度距平的空間分布，2013年干旱事件中，研究區域內降水比多年平均顯著偏少，尤其在湖南和江西中部，降水的負距平超過1個標準差（1σ）。在此降水條件下，SMOS數據在超過80％的地區表現為土壤偏旱，但僅有10％左右的地區負距平超過1σ，而且這些區域的分布相對分散，在空間上不能反映土壤濕度對極端干旱的響應過程。相比之下，ESA CCI的數據顯示，超過50％的區域土壤濕度的負距平超過1σ。ERA5和SMCI表現的0～7 cm和0～10 cm深度土壤濕度異常有相似的空間分布，特別是土壤濕度顯著偏低（>2σ）的區域主要集中在湖南中北部、浙江和安徽。ERA5數據顯示的土壤濕度顯著偏低的區域范圍更大，在30°N以北的區域顯示土壤處于偏濕的狀態。

3.4 2018年長江中下游地區極端干旱事件

2018年的長江中下游區域干旱相對于2013年來說，分布范圍更小，降水負異常（圖7a）的大值區更偏北，集中在30°N以南的區域以及湖北省北部，在不同土壤濕度產品響應方面，SMAP（圖7b）表現出與降水異常分布相近的空間分布，對于降水負異常的大值區均表現為相應的土壤濕度負異常響應。但是SMOS（圖7c）在研究區域大部分地區顯示表層土壤濕度的正異常，其負異常的空間分布與降水也不匹配，未能反映土壤濕度對于在這次極端干旱事件的響應過程;ESA CCI（圖 7d）表現的表層土壤濕度響應程度較弱，與降水在江西和浙江交界區域的負異常大值區對應較好。ERA5（圖 7e）表現的0～7 cm的土壤濕度與SMCI（圖 7f）表現的0～10 cm的土壤濕度異常程度與空間分布基本一致，表現出對降水異常類似的響應。

4 結論和討論

土壤濕度作為重要的氣象和水文指標，研究其時空變化對指導農業生產等具有重要意義。以往的研究大多關注氣候態土壤濕度產品的評估，本文以長江中下游作為研究區域，結合降水、氣溫數據，研究兩次極端降水事件，兩次極端干旱事件中5種土壤濕度產品的響應情況，得到如下結論：

1）總體來看，SMAP產品在長江中下游區域呈現了更多的土壤濕度空間分布的細節，SMOS產品對土壤濕度表現普遍的低估，ESA CCI反映出的區域差異偏小，ERA5和SMCI整體相似度較高。

2）極端降水事件期間，SMAP、ERA5、SMCI土壤濕度表現出與降水異常較為一致的空間分布，ESA CCI也能較好地表現土壤濕度對降水異常的響應。但是SMOS觀測的表層土壤濕度在響應極端降水事件時，在空間分布上與其他幾種產品表現出顯著差異，表明了SMOS表層土壤濕度數據表征極端降水事件期間土壤濕度特征的局限性。

3）極端干旱事件期間，SMAP、ERA5、SMCI土壤濕度對降水負異常的響應在空間上表現出較高的一致性，SMOS和ESA CCI土壤濕度對干旱事件的響應與以上3種產品差異較大，在兩次事件中表現出與降水異常不同的空間分布特征。

SMAP能夠較為準確地反映土壤濕度對異常降水時空尺度上的響應，在極端降水事件中與降水的時空分布一致性很好，Zeng et al.（2016）在美國和歐洲的評估也得到了同樣的結論。在極端降水事件中，降水量大且降水時段比較集中，土壤表面水分達到飽和，對衛星反演準確度產生很大的影響，而SMOS產品更容易受到降水異常的影響，對極端降水的識別能力較弱，這與（Albergel et al.，2012）在法國的評估結果一致，這部分解釋了SMOS在響應極端降水事件時的偏差。在極端干旱事件中，SMOS對降水偏少的響應較弱甚至未響應也可能是SMOS傳感器在干燥土壤中的探測深度更深導致的（Al Bitar et al.，2017）。此外，SMOS對于土壤濕度呈現一個系統性的低估，這與之前的研究結論一致（Xiong et al.，2018；孟越等，2022），同時，SMOS土壤濕度數值偏低，因此在極端事件期間，其相對變化的范圍也更大，不能完全表現土壤濕度真實的變化。

在極端降水事件中，ESA CCI表現出顯著的土壤濕度異常，但對比土壤濕度和距平的空間分布后發現，其空間分布較為均勻，區域內差異不明顯，距平的絕對值也集中在0.025 m3·m-3以內。這表明ESA CCI呈現出的顯著異常更多的是多源衛星數據融合過程中較小的標準差所致，并未完全反映實際土壤濕度異常情況，這與楊涵和熊立華（2023）在渠江流域和伊洛河流域對ESA CCI空間分布的結論相似。結合時間變化趨勢，ESA CCI數據在研究區域內存在明顯的誤差，之前的一些研究也表明ESA CCI對極端事件的響應也存在一定的誤差（田晴等，2022，楊涵和熊立華，2023）。

ERA5和SMCI在不同時空尺度下的分布與變化特征均具有很高的相似性，其時空相關系數在研究區域內也達到了0.97和0.95。進一步探究數據生成方法后發現，SMCI使用了ERA5 Land有關變量作為協變量，因此與ERA5提供的土壤濕度數據并不相互獨立，且對于降水的響應表現也更出色，這也能為說明兩種產品在不同土層深度的相似響應特征提供依據（上官微等，2022）。兩種數據呈現的土壤濕度空間分布具有明顯的帶狀分布，與之前的研究結果（劉榮華等，2017）一致。ERA5在南方地區的適用性已有驗證（陳玥和王愛慧，2023），本文對其捕獲極端降水事件和極端干旱時間的靈敏性評估結果也與之前的研究一致（劉婷婷等，2022）。因為SMCI是基于觀測數據訓練得到的，所以對衛星和再分析數據起到了很好的補充。

針對兩次極端干旱事件數據產品的不同響應，本文討論了兩次事件的差異。雖然2013和2018年6、7月的降水異常程度相近（-1.29σ和-1.27σ），但與2018年不同的是，2013年對應時段同時出現了高溫異常（標準化距平高達1.86），高溫會加劇土壤水分蒸發，使得土壤干旱程度更為顯著。在極端干旱事件分析中，SMOS和ESA CCI對降水異常響應空間分布與其他幾種產品差距較大：在2018年極端干旱事件中，ERA5和SMCI所顯示的表層土壤濕度異常與降水異常的程度相匹配;在同時出現高溫和干旱的復合事件中（2013年），這些產品表現出的土壤濕度異常程度超過了降水異常，這凸顯了在氣象干旱條件下高溫對土壤濕度的顯著影響。（Zaitchik et al.，2006;Fischer et al.，2007;Zhang and Wu，2011）。

總體而言，現有的各類表層土壤濕度數據總體上可以反映表層土壤濕度的變化趨勢，但在極端降水和極端干旱條件下受影響程度不同，因此在使用表層土壤濕度數據的時候需要考慮不同研究條件下數據的準確性。本文初步對比分析了5種主流土壤濕度產品在極端氣候事件中的表現，為之后極端事件中的土壤溫度研究提供了重要的參考。文中僅使用了表層土壤濕度數據，后續可加入深層土壤數據，深入分析異常降水對各層土壤影響的機制，對土壤濕度的記憶性進行更具體地分析。

致謝：感謝NSIDC、CATD、ESA、ECMWF、TPDC提供了SMAP、SMOS、ESA CCI、ERA5、SMCI資料的在線下載服務。

參考文獻（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.

陳泓羽，吳靜，李純斌，等，2020.衛星土壤水分產品在青藏高原地區的適用性評價［J］.生態學報，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）.

陳少丹，張利平，閃麗潔，等，2017.長江中下游流域土壤濕度遙感反演研究及其影響因素分析［J］.應用基礎與工程科學學報，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）.

陳玥，王愛慧，2023.中國南方春季土壤濕度對夏季干熱少雨復合事件的影響［J］.大氣科學學報，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.

鄧明珊，孟憲紅，馬英賽，等，2018.基于GLDAS產品的青藏高原土壤濕度特征分析［J］.干旱氣象，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，馮建英，2014.2013年全國干旱狀況及其影響與成因［J］.干旱氣象，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，孫成權，等，2001.微波遙感土壤濕度研究進展［J］.遙感技術與應用，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，杜軍，卓嘎，2021.青藏高原春季土壤濕度與夏季降水的關系［J］.大氣科學學報，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.

郭維棟，馬柱國，王會軍，2007.土壤濕度：一個跨季度降水預測中的重要因子及其應用探討［J］.氣候與環境研究，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，蔡曉軍，2017.2013年長江中下游夏季高溫干旱演變過程及環流異常成因簡析［J］.氣象科學，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）.

劉娣，孫佳倩，余鐘波，2024.基于機器學習模型的多層土壤濕度反演［J］.河海大學學報（自然科學版），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）.

劉強，杜今陽，施建成，等，2013.青藏高原表層土壤濕度遙感反演及其空間分布和多年變化趨勢分析［J］.中國科學：地球科學，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）.

劉榮華，張珂，晁麗君，等，2017.基于多源衛星觀測的中國土壤濕度時空特征分析［J］.水科學進展，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）.

劉婷婷，朱秀芳，郭銳，等，2022.ERA5再分析降水數據在中國的適用性分析［J］.干旱區地理，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）.

劉維成，徐麗麗，朱姜韜，等，2022.再分析資料和陸面數據同化資料土壤濕度產品在中國北方地區的適用性評估［J］.大氣科學學報，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，王大剛，林泳恩，等，2022.SMOS和SMAP衛星土壤水分產品的對比評價與差異分析［J］.中山大學學報（自然科學版）（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.基于站點觀測的中國1 km土壤濕度日尺度數據集（2000—2020）［EB/OL］.國家青藏高原數據中心.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）.

沈艷，馮明農，張洪政，等，2010.我國逐日降水量格點化方法［J］.應用氣象學報，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，鄒永成，王志福，2019.前期土壤濕度、海表面溫度對中國夏季極端氣溫的預測能力評估［J］.大氣科學學報，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，陸建忠，陳曉玲，等，2022.基于長時序CCI土壤濕度數據的長江流域農業干旱時空演變［J］.長江流域資源與環境，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.

楊涵，熊立華，2023.多源遙感土壤濕度產品與水文模擬結果的時空對比分析［J］.長江科學院院報，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，陳海山，孫悅，2020.東亞中緯度夏季陸面增暖與土壤濕度異常的聯系［J］.大氣科學學報，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

（責任編輯：袁東敏）