不同土地利用类型和土地覆盖类型下土壤水分动态及卫星反演土壤水分对降雨事件的响应增强机制

《CATENA》:Soil moisture dynamics and enhancement of satellite-derived soil moisture responses to rainfall events across land use and land cover types

【字体: 大 中 小 】 时间:2026年07月10日 来源:CATENA 6.6

编辑推荐:

  王强|徐宇|高超|徐有鹏|徐鹏程|朱大卫Z. 我们通过在不同土地利用/土地覆盖类型下的实地观测,研究了土壤水分动态。采用贝叶斯机器学习方法改进SMAP土壤水分产品。考虑土地利用/土地覆盖空间异质性的模型表现更佳。 引言 土壤水分是重要的水文变量,也是陆地植被不可或缺的水源。它连

  王强|徐宇|高超|徐有鹏|徐鹏程|朱大卫Z. 我们通过在不同土地利用/土地覆盖类型下的实地观测,研究了土壤水分动态。采用贝叶斯机器学习方法改进SMAP土壤水分产品。考虑土地利用/土地覆盖空间异质性的模型表现更佳。

引言
土壤水分是重要的水文变量,也是陆地植被不可或缺的水源。它连接着水圈、大气圈、生物圈和岩石圈之间的水交换过程(Liu等人,2018;Mccoll等人,2017;Wagner,2003;Wang等人,2024a)。此外,它还调控着多种地表和水文过程,包括降雨径流形成、能量分配、土壤侵蚀以及作物生产力(Lievens等人,2017;Zuo等人,2024)。因此,准确获取时空分布的土壤水分数据对于了解区域和全球的水资源状况、碳循环及生态水文过程,以及评估干旱和洪水风险至关重要(Green等人,2019;Li等人,2025;Lou等人,2019)。

实地测量依然是最可靠的土壤水分数据来源之一(Mccabe等人,2017)。研究不同土地利用和土地覆盖类型下的土壤水分动态,有助于理解降雨径流过程及其控制机制(Lin等人,2024;Tian等人,2019)。长江三角洲是中国城市化速度最快的地区之一,属于低洼冲积平原,极易遭受暴雨洪水侵袭。近几十年来,该地区土地利用/土地覆盖发生了显著变化,尤其是城市快速扩张(Han等人,2021b)。其地表具有高度异质性,主要的土地利用/土地覆盖类型包括城市用地、耕地、森林和水体。这些地表变化会改变降雨径流过程,而土壤水分则是描述不同地表类型下水文响应的关键变量(Han等人,2021a;Ye等人,2023)。然而,由于实地监测站点数量有限,目前对不同土地利用/土地覆盖条件下的土壤水分动态了解仍然不足(Tian等人,2023)。

遥感为大范围区域内的土壤水分观测提供了另一种重要手段(Lamichhane等人,2025)。尽管实地测量通常更为精确,但维护成本较高,且监测网络往往较为稀疏(Lou等人,2019;Venkatesh等人,2011)。遥感技术的进步,尤其是微波遥感技术的发展,使得能够在广阔区域内对地表土壤水分进行反复监测(Entekhabi等人,2010;Kerr等人,2010;Njoku等人,2003)。微波信号对土壤含水量敏感,且受云层覆盖的影响较小,因此非常适合用于反演近地表土壤水分。目前已有多种基于微波的技术被广泛应用,比如地球观测系统高级微波扫描辐射计(AMSR-E)提供的产品(Njoku等人,2003)、土壤水分和海洋盐度(SMOS)任务的数据(Kerr等人,2010),以及土壤水分主动被动(SMAP)任务的数据(Entekhabi等人,2010)。此外,欧洲航天局气候变化倡议土壤水分产品通过结合主动和被动微波反演技术,提供了长期的多卫星地表土壤水分记录(Dorigo等人,2017)。不过,与实地观测相比,卫星反演得到的土壤水分产品往往存在系统性偏差和误差(Margulis等人,2002;van der Velde等人,2021;Wang等人,2024c;Xu等人,2018)。鉴于地面观测点分布稀少以及遥感产品存在的不确定性,将实地测量数据、卫星反演数据以及地表模型信息相结合,能够提升土壤水分估算的精度(Draper等人,2012;Lamichhane等人,2025;Li等人,2025;Lievens等人,2017)。

近几十年来,多源土壤水分数据融合越来越受到重视。常用的地表数据融合与同化方法包括变分法、集合法、粒子法以及机器学习方法(Abbes等人,2024;Bai等人,2025;Lu等人,2016;Reichle,2008)。变分法包括一维、三维、四维变分方法以及基于机器学习的变分方法,这类方法通过定义代价函数并运用数值优化技术来估算地表状态(Alavi等人,2009;Bai等人,2025;Fablet等人,2021)。集合法包含序贯滤波和平滑处理方法,它通过蒙特卡洛抽样并在通常的高斯假设下,对模型状态集合进行传播和更新,从而估算状态变量(Reichle,2008)。粒子法则利用贝叶斯理论,通过加权粒子集合来估算模型状态(Moradkhani等人,2012)。分层贝叶斯网络方法也被用于依次同化多源观测数据,当过程和参数的不确定性较大时,这种方法尤为有效(Levy,2024;Qin等人,2013;Sahu和Mardia,2005;Tang等人,2025)。这些方法已被广泛应用于区域和全球尺度的土壤水分同化与融合工作中。

然而,目前仅有少数研究在土壤水分数据同化过程中明确考虑了地表条件如土地利用和土地覆盖的空间异质性。这种忽略可能会引入较大不确定性,尤其是在景观复杂的地区。土壤水分会随地表特征发生显著变化(Hu等人,2011;Ma等人,2017;Zhou等人,2015),那些忽视土地覆盖异质性的同化方案可能无法捕捉到地表土壤水分的重要空间规律。因此,融合后的产品可能无法准确反映具有复杂地表特征的大面积区域的土壤水分分布。最新研究也表明,将土地覆盖信息纳入数据同化过程,有助于更好地捕捉土壤水分的空间异质性,提高反演精度(Liu等人,2025b)。为此,为考虑土地利用和土地覆盖异质性对土壤水分时空分布的影响,我们引入了与特定土地利用类型相关的属性因子作为协变量,以提升遥感土壤水分产品的表征能力。

土壤水分的时间变化为了解降雨入渗和径流形成等水文过程提供了重要信息(Lin等人,2024;Singh等人,2021)。这类过程通常通过野外观测和数值模拟进行研究(Tu等人,2021;Ye等人,2023;Zhang等人,2019)。以往的研究已在美国、韩国、太湖流域以及中国黄土高原等地,针对不同植被条件下的土壤水分进行了监测(Han等人,2020;Lee和Kim,2021;Singh等人,2021;Suo等人,2017)。不过,尤其是发展中国家和地区的土壤水分观测网络依然较为薄弱(Burt和Mcdonnell,2015;Dorigo等人,2011;Lin等人,2023;Vereecken等人,2022),而且现有的监测站大多位于自然地表,这使得复杂城市化地表上的土壤水分响应了解不够充分(Lin等人,2024;Tian等人,2023;Wang等人,2024b;Yan等人,2026)。这一问题在太湖流域尤为突出,该地区快速的城市化和人类高强度活动导致了更频繁的暴雨和洪水事件(Gao等人,2021)。因此,了解不同地表条件下的土壤水分响应对于明晰水文过程具有重要意义(Tian等人,2019;Yang等人,2024)。此外,以往的研究往往侧重于单个降雨事件或长期时间序列,这可能限制了对降雨过程中湿润和退湿过程的定量描述。从事件尺度的视角出发,能够为土壤水分动态及相关水文过程提供更多见解(Ljutic等人,2024;Yan等人,2026)。

基于以上背景,本研究旨在从长期和事件尺度上分析不同土地利用/土地覆盖类型下的土壤水分动态,并通过考虑土地利用/土地覆盖的异质性来改进遥感土壤水分产品。首先,我们利用在高度城市化且易发洪水的平原地区具有代表性的不同土地利用/土地覆盖类型上的实地土壤水分观测数据,分析了土壤水分的长期变化特征和事件尺度响应。接着,我们评估了各类常用遥感土壤水分产品的本地表现。最后,我们采用了一种基于贝叶斯机器学习的融合方法,将该方法与地表异质性特征相结合,以此提升遥感土壤水分产品的表征精度。研究结果有助于了解降雨与土壤水分的相互作用及其相关水文过程,同时为在具有复杂地表条件的地区应用遥感土壤水分产品提供了依据,这些应用包括降雨径流建模、干旱检测以及洪水预报等。

研究区域描述
长江三角洲是中国最为发达的地区之一,地形以平原和丘陵为主,土地利用和土地覆盖类型多样,包括城市区域、耕地、森林和水体(图1a)。受东亚季风影响,该地区年平均气温约为15.5℃,年平均降水量约为1584毫米。观测研究表明,近几十年来长江三角洲的极端降水量有所增加,从而导致洪水风险上升(Lei等人)。

土壤水分对降雨的响应特征
图4展示了三个实地监测站点的事件尺度土壤水分响应特征。各站点的最大土壤水分值存在显著差异(p<0.001),其中SM1站的值最高,其次是SM3站和SM2站。土壤水分增量在SM1站也最大,随后是SM3站和SM2站,其事件中位数分别为8.18%、7.30%和6.60%,不过这些差异在统计上并不显著(p>0.05)。湿润率则呈现类似的趋势。

土壤水分动态的控制因素
土壤水分动态是由气候、植被和土壤物理性质之间的相互作用所决定的,明确这些因素的作用对于模拟和预测生态水文过程至关重要(Han等人,2021a;Li等人,2024;Peng等人,2024;Yan等人,2026;Zhang等人,2021)。为了更好地了解长江三角洲洪泛区的土壤水分响应,我们在三块具有代表性的土地上建立了实地监测站,并进行了土壤水分观测。

结论
我们在中国长江三角洲洪泛区具有代表性的不同土地利用/土地覆盖类型上开展了实地土壤水分观测。我们分析了土壤水分的长期变化和事件尺度响应,评估了各类常用遥感土壤水分产品的本地性能,并采用了一种考虑地表异质性的基于贝叶斯机器学习的融合方法。主要结论如下:
(1) 不同土地利用和土地覆盖类型下的土壤水分响应存在差异。

作者贡献说明
王强:写作——审阅与编辑,写作——初稿撰写,可视化,监督,项目管理,方法论,研究实施,资金获取,概念构思。徐宇:写作——审阅与编辑,可视化,概念构思。高超:写作——审阅与编辑,可视化。徐有鹏:写作——审阅与编辑,方法论,概念构思。徐鹏程:写作——审阅与编辑,软件相关工作。朱大卫Z.:写作——审阅与编辑,写作——初稿撰写,利益冲突声明

作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢
本研究得到了国家自然科学基金(编号:42471035)、宁波水利科技项目(编号:NSKA202544)、宁波甬江人才计划(编号:2025A-100-G)、111计划以及中央高校基本科研业务费(编号:lzujbky-2025-jdzx01)的支持。我们还要感谢SMAP科学团队提供的SMAP土壤水分反演产品,这些产品可在https://nsidc.org/data/spl2smp_e/versions/6获取。同时感谢欧洲航天局CCI项目。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号