1概述
土壤水是监测荒漠化土地的最重要的限制性因子之一,也是进行干旱监测的一个绝对条件,合理准确的获得土壤水分可以为研究区的干旱评价和水文循环研究提供依据。
土壤含水量与许多气象要素密切相关如:蒸发与降雨等。下垫面因子是影响干旱的最基本的因子,如植被、土壤、地形地貌对土壤含水量的影响尤其明显,要在土壤水估算中确定各个参数的取值以及同时考虑各个参数的时空变异性非常困难。
通过常规的地面站点观测方法,尽管精度高,但存在均存在样本点设点稀疏,代表范围有限的缺点,导致了数据收集处理效率低。且只能得到单点的数据,很难得到大范围的土壤水信息,限制了传统方法的应用。在直接使用遥感方法如热惯量法、作物缺水指数法[1]、温度植被干旱指数法等[2]土壤湿度监测方法估算土壤水分时,构建的土壤水分估算模型均为诊断模型,对土壤水分的定量分析较少,且无法对土壤湿度进行预测[3,4]。若对模型进行修改则需要精确的土壤水与地表光谱数据,所需要的工作量大。
土壤水量平衡模型简单方便,且具有一定的物理意义。龚元石[5](1994)以田间实测资料为基础,建立了土壤水量平衡模型,使用潜在蒸散量计算农田实际蒸散量,模拟农田水分动态变化。李忠武等[6](2004)利用王家沟流域的实测数据,结合GIS技术完成了不同耕地类型的土壤水分模型进行土壤水分模拟,并考虑土壤侵蚀作用,其误差在20%以内。在使用土壤水量平衡模型模型模拟土壤含水量时,也存在模型中各个均存在着参数难以获取的问题。尤其是各个参数均使用各试验点或试验田实际观测数据,因而土壤含水量模型多用于农田尺度,难以向更大的尺度推广。在进行土壤水分模拟时,对农田灌溉对土壤水量平衡模型的影响考虑不足,在进行土壤水量平衡模型计算时,多假设时段内没有发生灌溉,从而将农田灌溉量忽略[7,8,9,10],这显然是不合理的。再者由于描述模型中各个参数均存在误差,如降水、蒸散等,误差的不确定性将影响水量平衡模型模拟的精度,随着时间的推移,模型本身的缺陷和各个误差的将不断积累,导致模型的模拟精度不断下降。在以往的模型模拟中未考虑误差的累积作用,因此较常使用滚动式模拟预报,使用前一周期的实测值参与模拟,难以对土壤含水量进行长时间的预测[8]。
本文旨在将遥感数据与卡尔曼滤波方法引入水量平衡模型模拟中,同时对对气象数据、观测数据有效的进行空间离散,尝试采用遥感数据确定模型参数,考虑灌溉的影响,实现区域土壤水分的计算并加以验证,目的是探讨一种能够满足需求的土壤水分估算方法。
2研究区与数据
淮河片主要分布在江苏、安徽、山东、河南以及湖北五个省。山东半岛位于淮河片的东北部,面积6万km2,落在其余四省境内的淮河片区构成了淮河流域,面积达到27km2。淮河片地处我国南北气候过渡带,年平均气温11~16℃,气温变化由沿海向内陆递增。淮河流域水资源总量为854亿立方米。淮河流域年平均水面蒸发量为900~1500毫米,年降水量为500~900毫米,由南向北递减,季节性不均匀分布,集中于夏季,秋、冬、春三季为干旱期。
本文研究数据为2010年3-5月淮河片地表温度数据MODIS影像数据,对其进行几何校正,投影转换,将时间分辨率统一到10天尺度,主要用于农田的灌溉检测;
土壤质地数据来源于世界协调土壤数据库(HWSD),该数据库结合了全球范围内的大多数国家和地区的土壤数据,并融入了1:5000000比例世界土壤图中的土壤信息,主要用于计算土壤田间持水量,饱和导水率等土壤质地参数。
土壤相对含水量数据来源于国家气象数据共享服务中心提供的农田土壤湿度旬值数据集。时间尺度为10天。选取研究区范围内莱州、福山、文登、胶州、莱阳等42个土壤湿度测站资料,土壤含水量数据观测时间为每月8号、18号和28号,用于土壤水模拟结果的检验与分析。
3模型与方法
水量平衡模型将土壤根系区域土层视为一个整体系统,根据一定时段内的土壤体积内所得到的水分与土壤水分消耗、流失来确定土壤水分变化。方程[11]如下:
式中,P为时段内降水量、I为灌溉量、F为土壤土层侧向流出量、K为该时段内下层土壤水分补给量、ET为时段内蒸散量、G为土壤土层之间的渗漏量。将方程稍作变化即可的土壤水分的模拟方程:
,,为土壤水来源项,,,为土壤水消耗项,,,,,,的单位均为毫米(mm)。
来源项中,降水量由气象观测站点值数据插值得到;灌溉量进行灌溉检测后计算,下层土壤水分补给量计算参考文献[12];土壤水分消耗项中,假设土壤各向同性,土壤水的测量流出量可忽略不计,蒸散量使用遥感蒸散双层模型计算,计算方法参考文献[13]。
其中土壤下渗量使用以下公式计算。
(1)当时,将多于田间持水量的水分作为土壤水渗漏量,补给地下水。
(2)当时,认为土壤水全部用于农作物需求,水分不产生渗漏,即
其中,为模拟出的土壤含水量结果,为田间持水量,为土壤水分渗漏量。
3.2农田灌溉检测
过去研究的基本结论[14]认为,农业灌溉在局部区域上有明显的降温作用,降温作用在干旱的季节和干旱的地区更加显著。农业灌溉引起地表温度降温主要有以下原因,经过灌溉的区域地表蒸散发增加,吸收更多的热量引起地表温度降低;蒸发量增加会使近地表水汽含量上升,降低地表对短波辐射的吸收,导致净辐射通量下降,从而引起地表温度降低。
根据前人研究成果[15,16,17,18]灌溉对温度的影响,本文所提出的检测灌溉方法如下:
1、 灌溉能引起地表的大面积降温,灌溉对日地表最高温度影响较大,使用MODIS下午星地表温度进行灌溉检测。
2、 未发生灌溉时,地表温度大面积上升,在发生灌溉的时间段内,地表温度下降明显。
3、进行农田灌溉检测,若地表温度下降,则认为农田发生过灌溉,但若该区域同时产生超过20mm降水,则认为该处农田不需要进行灌溉,即认为此时降温由降水引起。
根据MODIS地表温度产品数据计算地表温度,统计每旬平均地表温度,在遥感影像上逐像元的计算两个时间段内的温差,若温差符合前文所述条件,则认为在该旬内发生过灌溉。将土壤初始含水量重置为土壤田间持水量,继续进行土壤水分的模拟。
3.3卡尔曼滤波
将水量平衡模型结果和实际测量结果进行数据同化是一种较为理想的土壤水分模拟的方法,通过卡尔曼滤波方法把相关的实测信息融入土壤水量平衡模型,在有观测数据的时间内使用实际观测数据对水量平衡模型结果进行校正,同时考虑实测数据与模拟数据的不确定性和两者的置信区间,将利用土壤水实测值对模型模拟值进行调整和校正,以避免计算过程中各个参数误差的积累,提高土壤水模拟预测精度[19]。
本文使用适用于线性系统的经典卡尔曼滤波方法进行校正,其步骤参考文献[9]。
使用卡尔曼滤波方法的关键既是确定几次观测值的误差范围,由于在土壤水量平衡方程中的主要误差来源是降水,相关的研究表明:本旬土壤湿度与本旬总降水量的相关性最大、与前一旬土壤湿度相关关系次之[8],将降水量值的50%与10mm二者取小,作为模型模拟中的过程误差,同时保证该误差的最小值为5mm;将土壤水观测值的误差设为5%。
4 结果与分析
使用土壤水量平衡模型模拟了研究区3、4、5月份的50cm土壤含水量变化,土壤含水量模拟的结果共有三组数据分别为未经灌溉检测的模拟值、考虑农田灌溉影响但未使用卡尔曼滤波方法的模拟结果、考虑灌溉影响且进行过卡尔曼滤波校正的模拟结果。采用同时间的土壤实测数据与模型模拟结果模拟值比较分析,分析考虑农田灌溉与使用卡尔曼滤波方法对水量平衡模型模拟结果的影响。
使用三种方法分别模拟出三个土壤水分变化序列即每次模拟不考虑灌溉影响、每次模拟均考虑灌溉影响、每次模拟考虑灌溉影响同时进行滤波操作。在各个时间断面使用模拟值与实测值做相关分析。统计决定系数R^2,如表1所示
表1各方法决定系数R^2
|
未考虑灌溉 |
考虑灌溉 |
卡尔曼滤波 |
|||||
3月中旬 |
0.89 |
0.95 |
0.95 | |||||
3月下旬 |
0.86 |
0.94 |
0.95 | |||||
4月上旬 |
0.71 |
0.87 |
0.89 | |||||
4月中旬 |
0.76 |
0.89 |
0.94 | |||||
4月下旬 |
0.73 |
0.89 |
0.90 | |||||
5月上旬 |
0.77 |
0.90 |
0.96 | |||||
5月中旬 |
0.83 |
0.80 |
0.83 | |||||
5月下旬 |
0.76 |
0.77 |
0.89 |
可以看到考虑灌溉后各个时段的决定系数均有所提升,说明考虑灌溉的影响对提高估算精度是有效的。使用卡尔曼滤波方法进行滤波后,决定系数均在0.8以上,说明使用遥感信息辅助估算土壤水分变化方法是可行的。
针对单站点考虑灌溉对土壤水分的调节作用,应用前文所述方法检测到地表温度降温后,移除土本时段内降水较大(>20mm)的点后,最终确定发生农田灌溉的点。选取54938(临沂) 站与58012(丰县) 站为例进行分析,图3、图4为两站模拟值与实测值趋势图。
图3临沂站土壤含水量趋势分析
54938(临沂) 站,于4月上旬检测到地表温度下降2.65℃,而该时段内实测降水4.4mm,估算的实际蒸散量为20.68mm,此时段内没有明显的降水,但是地表温度下降,认为此时段内农田发生灌溉,同期实测土壤含水量上升16.71mm。未考虑灌溉时,自4月上旬开始,实测土壤水与模拟值存在较大的偏差。在考虑灌溉后,农田水分变化更接近实测值,平均绝对误差由考虑灌溉前的21.91mm下降为5.64mm。
图4丰县站土壤含水量趋势分析
58012(丰县) 站于3月中旬检测到灌溉,同一时段,农田土壤水分有大幅上升,若不考虑灌溉则无法模拟出此过程,并影响以后的土壤水分模拟直至5月上旬(5月中旬与5月下旬数据缺测)。平均绝对误差有未考虑灌溉的71.13下降为考虑灌溉后的10.61。
未考虑灌溉影响的模拟结果与实际值符合较差,模拟所得值明显低于土壤实际含水量;考虑农田灌溉对土壤水分的调节作用使得农田水分的变化趋势更接近于实测值。
表2各方法均方根误差变化 |
表3各方法平均绝对误差变化 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
统计三种方法各个时间段内所有站点的平均绝对误差、均方根误差如表2,表3,就时间断面来看,考虑灌溉对水量平衡模拟的影响主要体现在三四月份,进入五月份后由于降水量增多,土壤水分迅速增加,考虑灌溉对站点的影响变小,均方根误差与平均相对误差变化不大,但各个时间段的均方根误差均有所下降,均方根误差平均下降约5.61mm。
由表2,表3可知,卡尔曼滤波方法对模型的调节作用主要体现在五月份,这是由于模型模拟时间越长,模型误差积累越严重,使用卡尔曼滤波方法可避免误差积累的作用月明显,五月份均方根误差平均下降约7.77mm,五月下旬平均绝对误差减小约10mm。优于三四月份均方根误差变化,说明卡尔曼滤波方法有效的避免误差的积累且改善效果好于三、四月份。
图5、图6为对模拟中的所有结果进行分析。研究区共42个站点,选择各站点4月中旬至5月下旬段内的所有数据,共约200个数据点,可以看到,经过数据校正后明显高估与低估的点消失,决定系数提高约0.08,斜率改善约0.1。校正后土壤水分的模拟值与实测值表现出很好的一致性,决定系数达到0.8854,斜率为0.9293,说明数据校正对模拟结果的改善效果较好。
5 模型的检验
为验证使用遥感影像确定模型参数的有效性,将水量平衡方程应用于徐州市土壤墒情观测站,采用遥感影像数据,模拟了土壤徐州市的四、五月份的土壤水分变化。
图9新安土壤含水量趋势分析
表4各站点平均绝对误差变化
|
模拟值 |
卡尔曼滤波 |
敬安 |
7.12 |
3.76 |
单集 |
14.54 |
5.35 |
新安 |
5.42 |
4.53 |
徐州市位于江苏省的西北部,位于东经116°22′~118°40′,北纬33°43′~34°58′之间,属于暖温带季风气候,地下水资源丰富。选用徐州县市三站(单集站、新安站、敬安站)资料进行土壤水分模拟,由于3月份各测站数据缺失较严重,研究所用数据的观测期为4、5月份,土壤含水量采用烘干法测定,为体积含水量。观测数据为每月5、10、15、20、25、30日。使用五日平均温度的遥感影像进行遥感灌溉检测。各个站点的模拟结果如图7、图8、图9,统计滤波前后各站误差见表4。由以上三站结果可知,模拟值与实测值整体变化趋势相同。水量平衡方程在5月份误差较大,该误差可能来源于降水信息的插值处理以及对渗漏考虑不足,但经过卡尔曼滤波方法后,误差降低,与前文分析相一致。
6总结与结论
区域旱情监测是人们关心的焦点和研究重点、如何能够提前预报未来的干旱状态、预测土壤水分是人们关系的问题,本研究以MODIS数据为主要数据源,结合地面观测数据和土壤质地数据,使用土壤水量平衡模型模拟了2010年春季土壤水分变化。主要工作及研究成果如下:
0 结合遥感数据的土壤水模拟
结合遥感信息的土壤水的水量平衡模拟及其变化是可信的。基于水量平衡原理,使用遥感数据进行灌溉检测,同时使用遥感反演的实际蒸散量作为土壤水量平衡模型的参数,对淮河片3、4、5月份各旬土壤含水量进行动态模拟,检验模拟值与实测值的相关关系,各时间段R^2均大于0.8。
1农田灌溉检测
农田灌溉的时间与模拟时段内的地表温度变化相吻合,结合地表温度变化规律,分析地表温度下降与降水、灌溉的关系,同时考虑地表温度变化和降水量的大小,提出农田灌溉的检测方法进行灌溉检测,结合冬小麦常规的生育期和需水时间,在研究区内以降水量20mm以及地表温度下降作为阈值分段判断农田是否发生过灌溉,考虑农田灌溉可以有效的降低模拟误差, 均方根误差比未考虑灌溉时平均下降约5.61mm。
2 卡尔曼滤波方法的应用
结合土壤水分的实测数据,应用卡尔曼滤波方法,使用土壤水的实际观测值对模拟结果进行校正,有效减小了模拟模型中的误差积累,提高模型精度。应用卡尔曼滤波方法之后,模拟结果较之前均方根误差减小范围在0.1~11mm之间,平均下降约4.38mm。
参考文献
[1]Sandholt Inge,Rasmussen Kjeld,Andersen Jens. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status[J]. Remote Sensing of Environment, 2002, 79(2): 213-224.
[2] 詹志明,冯兆东. 区域遥感土壤水分模型的方法初探[J]. 水土保持研究, 2002, (03): 227-230.
[3] Pu R. Mapping urban forest tree species using IKONOS imagery: preliminary results[J]. Environ Monit Assess, 2011, 172(1-4): 199-214.
[4] 张仁华. 改进的热惯量模式及遥感土壤水分[J]. 地理研究, 1990, (02): 101-112.
[5] 龚元石. 冬小麦和夏玉米农田土壤分层水分平衡模型[J]. 北京农业大学学报, 1995, (01): 61-67.
[6] 李忠武,蔡强国,曾光明,等. 基于GIS的黄土丘陵沟壑区土壤水分模型研究[J]. 水利学报, 2004, (03): 123-128.
[7] 田国良,杨希华,郑柯. 冬小麦旱情遥感监测模型研究[J]. 环境遥感, 1992, (02): 83-89+161.
[8] 张丹. 区域旱情中长期预报及农业干旱风险综合评价[D]. 大连理工大学, 2011.
[9] 刘昭,周艳莲,居为民,等. 基于集合卡尔曼滤波同化方法的农田土壤水分模拟[J]. 应用生态学报, 2011, (11): 2943-2953.
[10] 董艳慧,周维博,杨路华,等. 平原区土壤水资源计算模型研究[J]. 干旱地区农业研究, 2008, (06): 236-240.
[11] 李明生,刘震. 土层水量平衡模型在土壤墒情预报中的应用[J]. 东北水利水电, 2005, (01): 49-51+56.
[12] 汤志成,张旭晖. 江苏省主要作物农田水分盈亏量的研究[J]. 应用气象学报, 1997, (04): 119-124.
[13] 郑淑倩. 结合土壤水分可供率的双层蒸散发模型及其在淮河流域的应用[D]. 河海大学, 2011.
[14] 朱秀芳,赵安周,李宜展,等. 农田灌溉对气候的影响研究综述[J]. 生态学报, 2014, (17)
[15] Schickedanz Paul T. The effect of irrigation on precipitation in the Great Plains[J]. Illinois State Water Survey, 1976,
[16] Kueppers Lara M,Snyder Mark A,Sloan Lisa C. Irrigation cooling effect: Regional climate forcing by land‐use change[J]. Geophysical Research Letters, 2007, 34(3)
[17] Lobell David B,Bonfils Céline. The Effect of Irrigation on Regional Temperatures: A Spatial and Temporal Analysis of Trends in California, 1934–2002[J]. Journal of Climate, 2008, 21(10)
[18] Zhu X. F.,Liang S. L.,Pan Y. Z.,etc. Agricultural Irrigation Impacts on Land Surface Characteristics Detected From Satellite Data Products in Jilin Province, China[J]. Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(3): 721-729.
[19] Belmans C.,Wesseling JG,Feddes RA. Simulation model of the water balance of a cropped soil: SWATRE[J]. Journal of Hydrology, 1983, 63(3): 271-286.
[20] 姚树然,陈道红,王西平,等. 河北省冬麦区土壤水分监测预测系统及其应用[J]. 气象科技, 2006, (02): 225-228.