英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

基于 AMSR-E 的黄河源区表层土壤水分时空变化

王蕊sup1;，朱清科sup1;，马浩sup2;，王瑜sup1;

( 1．北京林业大学水土保持学院，100083，北京; 2．国家林业局西北林业调查规划设计院，710048，西安)

摘要: 黄河源区生态环境和水文过程对气候变化的响应是该区域研究的热点问题，但相对于其他环境和水文要素而言，大尺度长序列的土壤水分时空分布特征研究不足。本文基于AMSR-E被动微波遥感数据和地面实测数据，首先采用引入 Qp 模型的双通道反演算法校正AMSR-E土壤水分数据，获得的土壤水分产品( SMD) 精度高于官方提供的土壤水分产品( SMO) ，但其波动范围与实测数据有差异。之后采用逐月回归分析法对SMD进行二次校正，其土壤水分产品( SML) 具有更高的精度且变化趋势与实测数据一致。基于SML土壤水分产品，对黄河源区及其5个自然分区表层土壤水分的时空变化特征及其影响因素进行分析。黄河源区年平均表层土壤水分为0. 140 ～ 0. 380 cmsup3;/cmsup3;，在2003—2010年间呈下降趋势，在东南部土壤水分较高的若尔盖丘状高原区、黄南山地区和果洛玉树高原宽谷区土壤水分呈下降趋势，其中若尔盖丘状高原区的下降速率最快，而在西北部土壤水分较低的黄河源宽谷湖盆区和柴达木东缘山区呈增加趋势;春季土壤水分呈下降趋势，夏季呈增加趋势，秋季的波动较大，冬季的变化的不大，其中9月土壤水分增加率和5月减少率最大。土壤水分受降水和植被指数的影响最大，气温表现为在年高温月份与土壤水分呈负相关，在年低温月份呈正相关。研究结果为AMSR-E土壤水分数据的研究与应用提供了依据，有助于深化对区域尺度土壤水分格局及其对气候变化响应的研究，对高原生态环境建设有重大意义。

关键词:AMSR-E; 表层土壤水分; 黄河源区

中图分类号: S152.7;TP79 文献标志码: A 文章编号: 2096-2673(2017) 01-0022-11

DOI: 10． 16843/j.sswc.2017.01.004

0 介绍

地表土壤水分存在于大气层，土壤圈，以及生物圈中。在太阳净辐射的显热和潜热分布以及降水过程中的径流和入渗过程中起着重要作用。它为云的蒸发降水提供了重要的水分来源［1］。它对深层土壤水分动态变化也起着决定性作用［2］。因此，它是模拟气候、生态等地表过程的重要初始参数。

由于土壤水分在空间和时间上具有强的变化性，传统的原位监测方法在区域空间或广域时间尺度的土壤水分评价中都是无效的；而微波遥感技术为土壤水分的长期实时动态监测提供了一种有效的替代方法［3-4］。作为全球第一个提供土壤水分产品的被动微波传感器，AMSR-E已经得到了广泛的应用。例如，Draper等人［5］指出，AMSR-E的土壤水分数据集准确地报告了澳大利亚的土壤水分。Zahid和Rasul［6］利用AMSR-E数据分析了2003-2010年巴基斯坦作物种植季节土壤水分的时空变化。陈等人［7］验证了我国锡林浩特草地土壤水分产品AMSR-E的可靠性。习等人［8］对青海-西藏高原（QTP）三种AMSR-E土壤水分产品（JAXA、NASA和VUA）的精度进行了比较，结果表明NASA和VUA具有较高的反演精度。然而，土壤水分的官方动态范围很小，因此不能反映任何年际趋势。几项研究试图通过引入QP表面辐射模型［9］来改进AMSR-E原始检索算法，并利用现场实测数据验证改进后的算法和检索精度。此外，与遥感产品相关的现场数据回归分析减少了使用AMSR-E估算土壤湿度的误差［11-12］。以冯等［13］为例，采用月度回归分析，对我国鄱阳湖流域土壤水分变化进行了改进。

为了确定最有效的方法，我们打算比较和验证本研究中的各种AMSR-E土壤水分产物，包括通过双通道检索算法和QP模型（SMD）、线性回归校正方法（SML）和AMSR-E官方土壤水分（SMO）获得的结果。然后，我们将这些结果应用于中国SRYR土壤水分时空变化的分析。SRYR位于青藏高原，是世界上最重要的高海拔生物多样性自然保护区［14］。近几十年来，特别是由于气候变化和该地区的人类活动，SRYR经历了环境恶化，包括主要河流的径流损失、相关湖泊的萎缩、土壤侵蚀、区域湿地的持续退化、邻近草地生态系统的恶化以及日益严重的沙漠化。这些问题严重影响了黄河流域的生态、畜牧生产等经济和水资源的可持续性［15-17］。

土壤水分对高山草原的生态过程至关重要，包括生态承载力、草地恢复力、草地退化恢复重建等［18］。土壤水分会引起大气热含量的变化，从而影响SRYR的季节变化［19］。一般来说，很少有研究对长期或大规模的土壤水分动态进行研究，因为它们与气候变化有关。本研究利用AMSR-E土壤水分产物，结合现场资料，研究SRYR中土壤水分的时空变化，评估这些变化的影响因素，并了解土壤水分对气候变化以及区域生态和水文过程的响应。 最后，对研究区的水资源管理和生态恢复方案进行了评价。

1 材料和方法

研究区

SRYR是黄河干流龙羊峡水库上方约145300kmsup2;的集水区，地理范围为纬度32°10至36°59N，经度95°54至103°24E（图1）。SRYR是典型的大陆高原的气候,年均气温- 3 - 4.1℃,年平均降水量300 - 700毫米。黄河地貌主要为三种基本类型，其中山地平均海拔＞4000米，丘陵阶地和平原，以起伏的高原夷平面为主要形式。下垫面主要由季节性永久冻土、高山草甸、高山沼泽、高山湖泊和湿地组成［20］。根据青藏高原自然区的划分［21］，SRYR的主要区域有：YRSR（I）宽谷盆地、Zoige Humbocky高原（II）、Golog Yushu高原冲沟（III）、黄南山（IV）、柴达木山东缘（V）。

图1:SRYR的DEM，显示气象和现场土壤湿度位置。紫色粗线条代表自然区划的边界。

土壤水分的AMSR-E数据

2002年6月至2010年10月，美国国家冰雪数据中心（NSIDC）的AMSR-E L3日地表湿度数据被用于本研究，AMSR-E是美国国家航空航天局于2002年发射的Aqua卫星。它有6个观察通道，6.9, 10.7、18.7、23.8、36.5和89.0 GHz，每个都有两个垂直和水平极化辐射测量，共12个通道。以简易网格为投影法，空间分辨率为25km，从上行（当地时间13∶30跨线桥）和下行（当地时间1∶30跨线桥）两个方向每天获取两次数据。由于每天的AMSR-E数据不能覆盖中纬度和低纬度地区的一整天，我们使用拼接算法将相邻两天的数据拼接为一天。

测得的土壤湿度、气象数据和NDVI

利用SRYR内的Maqu土壤水分监测网络（MSMMN）的土壤水分数据，对从国际土壤水分网络下载的AMSR-E土壤水分产品进行校准和验证。使用EC-TM ECH2O探针（美国迪肯设备公司）每隔15分钟测量不同深度（表面以下5 cm、10 cm、30 cm、50 cm和80 cm）的土壤湿度。EC-TM ech2o是一种测量探针周围土壤介电常数的电容传感器，均方根误差（RMSE）为0.02—0.06msup3;/msup3;［22］.由于微波只能到达地面几厘米深，因此本文观测到的5厘米表面的土壤水分将用于分析和验证。MSMMN位于SRYR东南部的若尔盖丘陵高原，靠近甘肃省马曲县黄河第一大弯，下伏地表为高山草甸。MSMMN由20个站点组成（如图1和表1所示）。CST-01、CST-04、NST-02、NST-04、NST-07、NST-10、NST-12、NST-13等8个站点的数据用于校准AMSR-E土壤水分产物，而其他12个站点的数据用于验证。为了获得卫星通过过程中的实际地表土壤湿度，选择卫星传输时间附近测得的平均土壤湿度来代表AMSR-E传输时间的地表土壤湿度。

2002年至2011年期间，全国11个气象信息中心（http：data.cma.cn）站的月平均气温和降水量数据（如图1所示）。使用ARCGIS10.2、对气温和降水点数据进行克里格插值，通过投影、裁剪、重采样等预处理，生成空间分辨率和土壤湿度相同的栅格图像数据集。

MOD13A3是美国航天局MODIS陆地小组通过通用算法编制的每月植被指数，可从地理空间数据云（http://globalchange.nsdc.cn）下载，数据通过辐射、几何和大气校准进行预处理。本研究采用最大值复合（MVC）法，以1公里的空间分辨率计算出最大月净水分指数，经投影校正后的重采样数据与土壤水分数据相匹配。

表1马曲地区土壤水分分析观测网场地概况

1.4具有Qp模型的双通道检索算法

在被动遥感资料反演地表土壤水分时，如何去除地表粗糙度的影响是一个重要问题。Shi等人［9］通过开发Qp模型解决了这个问题。QP模型是一种基于先进积分模型（AIEM）的针对AMSR-E传感器参数的表面辐射模型，适用于高频和宽表面粗糙度，可以表示为：

式中，ep为粗糙表面发射率（相当于下式2中的ev和eh），tq为极化菲涅耳透射率，tp为菲涅耳透射率，qp为粗糙度参数，下标p为极化（垂直或水平极化）。本研究采用Shi等人开发的Qp模型，采用双通道检索算法对SMD数据集进行处理［9］。该算法基于Jackson等人开发的单通道检索算法，并在36.5-GHz的垂直偏振亮度温度基础上计算地表温度［24］。该算法利用植被含水量与NDVI的经验关系确定植被的光学厚度，消除植被对微波信号的影响。为了消除地表粗糙度的影响，在模型中引入了基于Qp模型的双通道反演算法。得出的土壤水分数据取10.65-GHz亮度温度的倒数。算法［11］可以表示为：

其中，SMD为土壤水分恢复数据，ev和eh分别为垂直和水平极化粗糙表面发射率，根据亮度温度与地面温度之比计算。

1.5 月回归分析

由于AMSR-E土壤水分恢复算法受植被覆盖季节变化的强烈影响，因此，对AMSR-E土壤水分产品进行月度回归分析，提高了土壤水分测量的准确性。在月度回归分析中，现场数据用于校准AMSR-E土壤湿度［13］。回归可表示为：

其中，SML是校准后的最终产品，SMAMSRE是原始的AMSR-E土壤水分产品，而a和b是回归系数。

1.6 数据分析

2003-2010年土壤水分的变化趋势是代表干燥或湿润条件的年变化率。采用趋势线法分析2003-2010年不同地区、不同月份土壤水分变化情况，趋势线坡度计算如下：

式中n为年数（本研究n=8，2003－2010年），Xj为第j年土壤水分值，theta;为趋势线的坡度（theta;＞0表示N年土壤水分变化增加）。

在本研究中，基于观测数据，提出了三种土壤水分产物的验证精度。现场数据与土壤水分产物之间的测定系数（Rsup2;）和RMSE被计算为拟合优度的标准。RMSE定义为：

其中，SMin situ和SMv是第i对的观察值和验证值，n是成对值的总数。较小的RMSE值对应于验证值和观察值之间的较小差异。

2 结果

2.1 AMSR-E土壤水分数据的校准和验证

首先，根据基于Qp模型的双通道反演算法，利用MSMMN中8个站点的现场土壤水分对AMSR-E土壤水分进行了标定，并用其他12个站点的数据对其进行了验证。表2显示，SMD的精度高于SMO，RMSE由0.041降低到0.036。同时，以2009年NST-14站点为例（见图2），SMO的范围很小（0.070—0.180cmsup3;/cmsup3;），SMD在一般情况下明显高于原位土壤水分，特别是在水分较少的月份。SMD通常低于原位数据，在降水量和植被较少的时期，SMD与原位数据相似。然而，在降水量和植被较多的时期，SMD比原位数据要低得多。 表2表明，AMSR-E土壤水分恢复算法不受降水的强烈影响，而是受植被覆盖的季节变化的影响［3］。将月回归分析应用于AMSR-E土壤水分产品，可以减轻植被覆盖变化的影响，提高土壤水分测量的准确性。

其次，我们利用基于双通道检索算法的公式（2），利用Qp模型和八个地点的现场数据，计算了月校准系数，并利用线性回归校正方法得到了土壤水分积（SML）。然后，通过12个站点的数据验证了SML的准确性。表2显示，SML的精度高于SMD和SMO。SML的范围和趋势曲线最接近现场数据（见图2）。因此，我们使用Qp模型和月回归分析的双通道检索算法对AMSR-E土壤湿度进行了校准，并分析了2003-2010年SRYR期间土壤湿度的时空变化。

表2三种土壤水分产品的验证精度 cmsup3;/cmsup3;

注：r2为原位数据与土壤水分积的测定系数，*为测定系数0.01级。

2.2 土壤水分时空变化

年平均地表土壤含水量为0.140—0.380cmsup3;/cmsup3;，如图3所示，总体空间分布表现为东南部高，西北部低，即由西北向东南逐渐上升。它与青藏高原计算的土壤水分相似［11］,但小于SRYR从2009年8月到10月的先进的合成孔径雷达(ASAR) [25]0.2-0.5cmsup3;/cmsup3;的范围内。SRYR东南部若尔盖丘丘状高原土壤平均含水量为0.332cmsup3;/cmsup3;，是SRYR中最高的，靠近黄河第一个弯道的区域土壤水分最高，是SRYR中的关键保水区域。相应地，Chen等人发现佐伊尔湿地土壤含水量约为0.3cmsup3;/cmsup3;的土壤水分模拟实验。南斯里尔果洛-玉树高原沟壑区土壤年平均含水量为0.275cmsup3;/cmsup3;，东南高西北低。北部黄土高原和西北部黄土高原宽谷盆地的土壤水分均较低，平均为0.215cmsup3;/cmsup3;和0.241cmsup3;/cmsup3;。斯雷尔北部柴达木山东缘土壤水分最低，为0.213cmsup3;/cmsup3;。

从2003年到2010年，斯雷尔的土壤水分以每年0.012cmsup3;/cmsup3;的速率下降。（见图4）。在近十年的时间里，藏族北部也有轻微的干燥趋势［27］。此外，不同自然区划的

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19226]，资料为PDF文档或Word文档，PDF文档可免费转换为Word