段 浩，朱彥儒,2，趙紅莉，郝 震,3，靳曉輝，蔣云鐘

(1.中國水利水電科學(xué)研究院水資源研究所，北京 100038； 2.蘭州交通大學(xué)測繪與地理信息學(xué)院，甘肅 蘭州 730070；3.大連理工大學(xué)水利工程學(xué)院，遼寧 大連 116024； 4.黃河水利科學(xué)研究院引黃灌溉工程技術(shù)研究中心，河南 鄭州 450003)

土壤含水量是水文模擬和陸面過程模擬的重要參數(shù)[1]，對地表熱量平衡和蒸散發(fā)有著顯著的影響[2]。因此，對土壤含水量進行準確觀測和模擬，獲取準確的地表土壤含水量數(shù)據(jù)，對水資源管理、流域產(chǎn)流模擬等都有著重要意義[3]。

遙感技術(shù)的發(fā)展使大尺度的土壤含水量計算成為可能，但遙感反演常需一定的地表參數(shù)做支撐，如IEM(integral equation model)模型[4]。而當研究區(qū)域數(shù)據(jù)匱乏時，對土壤含水量的反演則成為非線性、且難以通過理論推導(dǎo)進行求解的計算問題，此時，學(xué)者開始用人工智能技術(shù)來彌補實際觀測的不足[5]。代表性的成果包括Han 等[6]利用分類與回歸樹(classification and regression tree，CART)方法，基于遙感、氣象數(shù)據(jù)及DEM等估算我國全國尺度的土壤含水量；Ahmad等[7]采用機器學(xué)習(xí)的方法，使用TRMM(tropical rainfall measuring mission)降水數(shù)據(jù)和歸一化植被指數(shù)(normalized difference vegetation index，NDVI)指數(shù)來推求美國南部的土壤含水量等。此外，還有一類應(yīng)用是利用人工智能的方法估算站點觀測的土壤含水量變化，如侯曉麗等[8]利用人工神經(jīng)網(wǎng)絡(luò)(ANN)模擬了河南三義寨灌區(qū)不同埋深的站點土壤含水量變化，采用數(shù)據(jù)為降水、氣溫、風(fēng)速等氣象數(shù)據(jù)，較為準確地刻畫了不同埋深條件下的土壤墑情分布；羅黨等[9]采用灰色神經(jīng)網(wǎng)絡(luò)，分析了氣象數(shù)據(jù)對河南新鄭市土壤含水量的關(guān)系，取得了良好效果。

整體上，人工智能技術(shù)在土壤含水量的模擬應(yīng)用方面包含點尺度和面尺度的模擬，但對土壤含水量變化的影響要素主要集中在參考氣象要素、下墊面條件等，或基于遙感數(shù)據(jù)計算各類指數(shù)[10]對土壤含水量進行分析，而在考慮自然要素的同時又能考慮人類活動用水的分析較少。而只將自然要素與土壤含水量進行關(guān)聯(lián)，難以表達非自然因素對土壤的水分補給，如灌區(qū)的灌溉用水補給土壤水分[11]等。利用遙感對地面干旱情況的監(jiān)測可在一定程度上彌補這個問題，相關(guān)的研究工作有黃友昕等[12]利用MODIS(moderate-resolution imaging spectroradiometer)干旱指數(shù)和RBFNN(radial basis function neural network)方法反演了河南地區(qū)土壤含水量，但該研究只考慮了遙感數(shù)據(jù)源，同時也只考慮了返青期的冬小麥地區(qū)的土壤水分狀況，且只選用了少量樣本進行了訓(xùn)練。氣象要素、地形條件、NDVI等要素對地表土壤含水量的變化關(guān)系更為密切，同時，該思路在更大時空范圍的土壤含水量反演方面仍需探索。

本文采用MPDI(modified perpendicular drought index)反映地表的干旱情況，以此來體現(xiàn)地表土壤在考慮人類用水條件下的干濕狀況，同時選取降水、潛在蒸散發(fā)、NDVI、DEM等與地表土壤含水量關(guān)系密切的要素，通過構(gòu)建神經(jīng)網(wǎng)絡(luò)對河北地區(qū)的地表土壤含水量進行模擬。

1 研究區(qū)概況及數(shù)據(jù)

1.1 研究區(qū)概況

以地處華北平原的河北省為研究區(qū)。該區(qū)域占地面積18.88萬km2，海拔高差達2 600 m以上。河北省的主要地形包括平原、溫帶落葉闊葉林和草地等，主要氣候類型是溫帶季風(fēng)氣候，夏季高溫多雨，冬季寒冷干燥，多年平均降水量為480 mm，多年平均蒸發(fā)量為1 600 mm。河北省的主要地形及土壤墑情站點分布如圖1所示。

圖1 研究區(qū)概況

1.2 數(shù)據(jù)來源及處理

1.2.1土壤含水量數(shù)據(jù)

土壤含水實測數(shù)據(jù)選用河北省水文局2018年3—11月10 cm深度的墑情監(jiān)測數(shù)據(jù)。在河北省范圍內(nèi)，約有180個土壤墑情自動監(jiān)測點(受各站點匯報及時性限制，每日實際可用數(shù)據(jù)不足180個)。土壤墑情站采用TDR(time domain reflectometry)傳感器進行監(jiān)測，約每隔10 d監(jiān)測1次。

1.2.2氣象數(shù)據(jù)

氣象數(shù)據(jù)主要來自國家氣象站(www.data.cma.gov.cn)，包括用來計算潛在蒸散發(fā)的氣溫、濕度、日照時數(shù)、風(fēng)速和氣壓等的逐日數(shù)據(jù)。用來與土壤含水量進行模擬的降水數(shù)據(jù)采用CLDAS(CMA land data assimilation system)的降水產(chǎn)品。將國家氣象站點的觀測數(shù)據(jù)插值成柵格數(shù)據(jù)，空間分辨率統(tǒng)一到0.01°上，時間分辨率為逐日。利用插值后的氣象數(shù)據(jù)來計算河北省的潛在蒸散發(fā)，計算方法選用FAO-56算法[13]。

1.2.3遙感數(shù)據(jù)

MODIS遙感產(chǎn)品被廣泛用來進行地表參數(shù)的觀測和反演。這里采用2018年的250 m分辨率的MOD09地表輻射產(chǎn)品進行MPDI的反演，該數(shù)據(jù)可從EARTHDATA (https://search.earthdata.nasa.gov/)下載，計算過程采用Ghulam等[14〗提出的方法。NDVI的計算選用MODIS的一級影像數(shù)據(jù)。利用MRT(MODIS reprojection tool)工具將MODIS產(chǎn)品進行拼接和投影轉(zhuǎn)換，得到河北省地區(qū)的相應(yīng)數(shù)據(jù)產(chǎn)品。其他遙感數(shù)據(jù)使用ENVI軟件進行處理，所有影像均轉(zhuǎn)換到0.01°的分辨率上。

為從較大空間尺度上評估本研究模擬結(jié)果的準確性，選取土壤含水量研究中常用的SMAP(soil moisture active and passive)9 km產(chǎn)品作為對比數(shù)據(jù)。SMAP衛(wèi)星由美國國家航空航天局(NASA)在2015年發(fā)射升空，搭載L波段輻射計，主要用來監(jiān)測全球土壤水分變化，已在全球范圍內(nèi)開展了驗證和應(yīng)用工作[15〗，具有較好的精度，是分析大尺度土壤含水量的主流產(chǎn)品之一。

2 研究方法

2.1 FAO-56算法

FAO-56算法是具有物理機理的、考慮生理學(xué)和空氣動力學(xué)參數(shù)的潛在蒸散發(fā)估算方法，能較好地估算地面冠層的潛在蒸散發(fā)?；赑enman-Monteith方法的蒸散發(fā)計算公式為

式中：ET0為潛在蒸散發(fā)；u2為2 m高處的風(fēng)速；Δ為氣壓曲線斜率；γ為濕度常數(shù)；Rn為凈輻射；G為土壤熱通量；T為2 m高度處的氣溫；es-ea為飽和水汽壓差。

2.2 MPDI計算

利用遙感監(jiān)測地表干濕狀況源于垂直干旱指數(shù)(perpendicular drought index，PDI)的提出，該指數(shù)利用土壤在紅光與近紅外波段反射率的差異來估算土壤含水量，PDI越大表明土壤越干旱。MPDI在PDI基礎(chǔ)上引入了植被蓋度，改善了對混合像元的分解，在干旱的監(jiān)測上可取得更好的監(jiān)測效果，尤其是在植被覆蓋區(qū)域[16〗。MPDI的表達式為

式中：I為MPDI；Rv,Red、Rv,NIR分別為紅光和近紅外波段的植被反射率；fv為植被蓋度；M為土壤線斜率；RRed為大氣校正后的紅光波段反射率；RNIR為大氣校正后的近紅外波段反射率。關(guān)于MPDI的更多計算細節(jié)，可參見Ghulam等[14〗的研究。

MPDI的大小與土壤含水量和植被覆蓋度成反比，據(jù)此可通過構(gòu)建MPDI與土壤含水量的關(guān)系，來模擬區(qū)域土壤含水量。

2.3 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

在對土壤含水量的相關(guān)研究中，降水和NDVI是傳統(tǒng)的考慮因素，近年的研究表明，潛在蒸散發(fā)和地形條件[17〗對土壤含水量的影響也非常顯著。為能在充分考慮自然要素的基礎(chǔ)上，進一步考慮人類活動用水對土壤含水量帶來的影響，將MPDI這一通過遙感反演來表征地表干濕狀況的要素作為輸入變量。由此，構(gòu)建了以降水、潛在蒸散發(fā)、MPDI、NDVI和DEM作為輸入，以實測站點10 cm深度土壤含水量值為輸出的神經(jīng)網(wǎng)絡(luò)模型。在具體的實現(xiàn)上，采用序貫?zāi)Ｐ徒⑸窠?jīng)網(wǎng)絡(luò)[18]對土壤含水量進行模擬，激活函數(shù)選用relu，訓(xùn)練次數(shù)為1 000，目標函數(shù)選取MAE(mean absolute error)，優(yōu)化器選用Adam(adaptive moment estimation)。本文建立的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)及研究的整體技術(shù)路線如圖2和圖3所示。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖3 土壤含水量反演流程

2.4 評價指標

利用相關(guān)系數(shù)r、均方根誤差ERMS及偏離度Bias指標來對土壤含水量的模擬結(jié)果進行評價。各指標的計算形式如下：

(3)

(4)

(5)

式中：yi為模擬值；xi為實測值；N為樣本數(shù)。

3 結(jié)果和討論

3.1 模型計算及精度檢驗

以河北地區(qū)土壤墑情站點位置為準，分別獲取有墑情觀測日的模型輸入信息，即DEM、MPDI、降水、潛在蒸散發(fā)和NDVI，然后以實測土壤含水量值為參照，利用神經(jīng)網(wǎng)絡(luò)模型對輸入數(shù)據(jù)進行模擬。在2018年，共可獲取2 934組訓(xùn)練樣本，隨機選取其中70%的樣本進行訓(xùn)練，15%的樣本作為驗證，其余15%的樣本進行測試。結(jié)果(圖4)顯示，在訓(xùn)練期的r=0.7，ERMS=0.037 5 cm3/cm3，Bias=-0.002 6；驗證期r=0.5，ERMS=0.042 7 cm3/cm3，Bias=0.000 4?？傮w來看，訓(xùn)練期的相關(guān)性較好，且模擬期與驗證期r相差不大，模型具備一定的泛化能力。

圖4 神經(jīng)網(wǎng)絡(luò)模擬結(jié)果與實測值對比

基于氣象數(shù)據(jù)及植被狀況數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)進行土壤含水量預(yù)測的研究可分為站點尺度的模擬和大區(qū)域尺度的模擬兩類。站點尺度的模擬上，模擬結(jié)果?？扇〉幂^好精度[19]，而就較大尺度、大量樣本的模擬而言，本文r=0.7，優(yōu)于Han等[6]對全國尺度的模擬精度。同時，該精度也與利用多種要素對某單一變量進行模擬和預(yù)測的已有研究較為符合[20]。因此，本文對河北地區(qū)地表土壤含水量的模擬結(jié)果與實測值間具有較好的一致性。

3.2 單一觀測日土壤含水量結(jié)果分析

為進一步評價神經(jīng)網(wǎng)絡(luò)模擬的精度，選取單一日期的河北省土壤含水量模擬值與實測值進行對比，以此分析本文所建模型在特定日期對土壤含水量空間異質(zhì)性的模擬效果。以2018年4月24日的監(jiān)測結(jié)果作為示例，圖5給出了該日河北省范圍內(nèi)土壤墑情站點的土壤含水量監(jiān)測數(shù)據(jù)，以及對各站點位置用神經(jīng)網(wǎng)絡(luò)方法計算得到的土壤含水量結(jié)果。

從圖5(a)可以看出，利用神經(jīng)網(wǎng)絡(luò)方法得到的土壤含水量模擬結(jié)果能較好地反映地表土壤含水量的變化趨勢，模擬結(jié)果的r=0.67、ERMS=0.069 5 cm3/cm3、Bias=-0.22(圖5(b))。從絕對值上看，神經(jīng)網(wǎng)絡(luò)方法的模擬結(jié)果比實測值偏低，但總體的相關(guān)系數(shù)在0.6以上，仍具有較好的相關(guān)性。

圖5 2018年4月24日土壤含水量模擬結(jié)果與實測值對比

3.3 河北省土壤含水量空間分布結(jié)果

將模擬得到的2018年1—10月的河北省逐日土壤含水量作算術(shù)平均，得到2018年1—10月河北省土壤含水量均值的空間分布(圖6)。從圖6可以看出，土壤含水量的均值最小值約為0.04 cm3/cm3，最大值約為0.23 cm3/cm3，空間差異較大，東部、東北部平原地區(qū)較高，西部及北部山地較低。

圖6 2018年1—10月河北省地表土壤含水量均值空間分布

為進一步對模擬結(jié)果的準確性進行評估，基于逐日土壤含水量數(shù)據(jù)計算得到2018年春季和夏季的土壤含水量均值，并與SMAP的9 km土壤含水量產(chǎn)品進行空間差異性的比較(圖7)。由圖7可以看出，模擬結(jié)果與SMAP產(chǎn)品在空間分布的趨勢上具有一致性。在春季和夏季，均體現(xiàn)出東南部、東北部土壤含水量較大，而西部和北部山區(qū)的土壤含水量較小的特征，這與劉榮華等[21]的研究結(jié)果基本一致。在夏季，兩種數(shù)據(jù)的高值區(qū)均明顯擴大，體現(xiàn)出河北省地表土壤含水量在季節(jié)上有較為明顯的差異性，平原區(qū)夏季的土壤含水量高于春季節(jié)，這與該地區(qū)降水集中在夏季的氣候特征相一致。同時，夏季作物需水較大，引入MPDI后，凸顯了灌溉用水在夏季集中的特點。

圖7 2018年河北省地表土壤含水量春季和夏季模擬均值與SMAP產(chǎn)品對比

圖8 2018年河北省土壤含水量實測值與神經(jīng)網(wǎng)絡(luò)模擬值及SMAP產(chǎn)品對比

雖然在區(qū)域特征上，本文方法模擬結(jié)果與SMAP產(chǎn)品具有一致性，但在絕對值的差異上，本文的模擬結(jié)果比SMAP產(chǎn)品偏高。在華北平原部分站點的研究顯示，SMAP產(chǎn)品的土壤含水量值與實測值在趨勢上具有一致性，但明顯偏低[22]。為此，將河北省土壤含水量的實測值與上述兩種產(chǎn)品分別進行對比(圖8)，以進一步分析本文方法模擬結(jié)果的精度。因SMAP產(chǎn)品在無數(shù)據(jù)的網(wǎng)格使用了填充值，在對比分析未考慮這些位置的相關(guān)數(shù)據(jù)。從圖8可以看出，本文方法模擬得到的土壤含水量與實測值的相關(guān)性較好、偏離度較小，3個評估指標分別為：r=0.59、ERMS=0.039 9 cm3/cm3、Bias=0.016；SMAP產(chǎn)品的相應(yīng)數(shù)值為r=0.23，ERMS=0.066 5 cm3/cm3、Bias=-0.12。需指出的是，SMAP產(chǎn)品的空間分辨率為9 km，將實測值與其直接進行對比具有不確定性，系統(tǒng)論證本文土壤含水量產(chǎn)品的精度仍需用更多的土壤含水量實測數(shù)據(jù)、或與更多的遙感土壤含水量產(chǎn)品進行驗證，相關(guān)工作將在后續(xù)研究中開展。

4 結(jié) 論

a. 在利用神經(jīng)網(wǎng)絡(luò)進行土壤含水量的模擬研究時，考慮能反映地表干濕狀態(tài)的MPDI產(chǎn)品，能較好地豐富人類活動作用下的地表土壤含水量信息，模擬結(jié)果與實測數(shù)據(jù)具有較好的一致性。

b. 在土壤含水量的空間異質(zhì)性方面，考慮MPDI指數(shù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入來對土壤含水量進行預(yù)測，同樣取得了較好精度，可充分體現(xiàn)土壤含水量在空間上的分布情況。

c. 研究得到的土壤含水量產(chǎn)品與SMAP數(shù)據(jù)具有較好的空間一致性，但比SMAP產(chǎn)品偏高，后續(xù)仍需利用更多的實測數(shù)據(jù)、在更大的時空尺度上對本文方法的有效性進行檢驗。