论文部分内容阅读
土壤水分是大气-陆面之间水和能量交换的重要介质,尤其在干旱、半干旱区土壤水分对降水、蒸散发和径流等水循环过程具有重要的控制作用。当前遥感技术和模型模拟能够获取大尺度分辨率较粗的土壤水分数据,然而这些数据一般无法直接应用于水文和生态相关研究,需要利用降尺度方法提升大尺度土壤水分数据的空间分辨率。高寒山区复杂的地形和下垫面条件,使得该区域土壤水分的时空异质性强,且条件艰苦,交通不便,数据缺乏,针对高寒山区土壤水分时空异质性的研究相对较少,因而获取高分辨率的土壤水分数据刻画高寒山区土壤水分的空间分布尤为重要。位于祁连山的黑河上游是典型的高寒山区,同时作为我国第二大内陆河——黑河的发源地,为中游和下游地区提供90%以上的水资源。基于此,本研究在黑河上游高寒山区开展土壤水分产品的验证及降尺度研究,为高寒山区高精度土壤水分的相关研究奠定基础。本研究选取SMOS、SMAP卫星遥感土壤水分产品和GLDAS全球陆面同化土壤水分产品,结合黑河上游观测土壤水分数据对上述产品进行对比验证,确定最适用于高寒山区的土壤水分产品;再采用多元回归降尺度方法和DISPATCH(Disaggregation based on Physical And Theoretical Scale Change)降尺度方法将所选土壤水分产品降尺度至9 km×9 km分辨率,最后结合八宝河流域观测土壤水分数据和SMAP高精度(9 km×9 km)遥感土壤水分产品,分析两种降尺度方法在黑河上游高寒山区的适用性。结果如下:第一,黑河上游SMAP遥感土壤水分产品的r值为0.737,RMSE和bias分别为0.045 m~3/m~3、-0.032 m~3/m~3;SMOS产品的r值为0.584,RMSE和bias分别为0.062 m~3/m~3、-0.037 m~3/m~3,对比可知SMAP产品的r值较大且RMSE和bias值较小,因而SMAP遥感土壤水分产品在黑河上游高寒山区的趋势拟合效果较好且精度较高。黑河上游植被类型多样,相比SMOS产品,SMAP产品在六种植被类型下的r值较大,且五种植被类型下的RMSE和bias值较小,总体上SMAP遥感土壤水分产品受植被覆盖的影响较小。时序稳定性分析中,SMAP遥感土壤水分产品的MRD(Mean Relative Difference,平均相对差)范围为-0.514~0.517,STD(standard deviation,标准差)范围为0.104~0.360,与SMOS产品相比MRD范围较大且STD范围较小,故SMAP产品能够更好地反映黑河上游土壤水分的空间变异性,且时间稳定性较强。因此,采用固定角度辐射计的SMAP遥感土壤水分产品比采用多角度辐射计的SMOS遥感土壤水分产品在高寒山区的应用性更好。第二,GLDAS陆面同化土壤水分产品CLM_V1、Noah_V1和Noah_V2.1在表层(0-10 cm)的验证效果较好,而浅层(10-50 cm)较差。其中,Noah_V2.1的表层r值为0.705,浅层r值为0.327,在表层和浅层对实测的趋势拟合效果最好;CLM_V1的表层RMSE和bias值分别为0.042 m~3/m~3和0.017 m~3/m~3,其表层精度最高,Noah_V1的浅层RMSE和bias值分别为0.063 m~3/m~3和0.042 m~3/m~3,其浅层精度最高。对比CLM_V1和Noah_V1,GLDAS采用的CLM 2.0模型引入融雪水量对表层土壤水分的补给,更符合研究区有较多融雪水量补给的条件,因而CLM 2.0模拟表层土壤水分的趋势拟合效果和精度均较好。Noah 2.7模型将10~40 cm土壤层和植被作为整体模拟土壤水分,黑河上游植被根系的土壤水分利用层平均深度为10~50 cm,Noah 2.7对10~40 cm植被根系耗水量的模拟较准确,因而Noah 2.7模拟浅层土壤水分的趋势拟合效果和精度均较好。对比Noah_V1和Noah_V2.1,采用V1版本强迫数据的Noah_V1在表层和浅层的精度较高,采用V2.1版本强迫数据的Noah_V2.1在表层和浅层的趋势拟合效果较好。GLDAS中CLM 2.0和Noah 2.7模型版本较低,没有考虑高寒山区冬季土壤水分逐渐完全冻结的情况,在未来可采用新版本的陆面过程模式进行提升。第三,基于性能较好的SMAP遥感土壤水分产品,采用DISPATCH和多元回归降尺度方法对其进行降尺度分析。在八宝河流域,DISPATCH降尺度结果在网格尺度的r平均值为0.353,RMSE和bias平均值分别为0.123 m~3/m~3和-0.043m~3/m~3;流域尺度的r值为0.322,RMSE和bias值分别为0.093 m~3/m~3和-0.076m~3/m~3。而多元回归降尺度结果在网格尺度的r平均值为0.093,RMSE和bias平均值分别为0.085 m~3/m~3和-0.008 m~3/m~3;流域尺度的r值为0.171,RMSE和bias值分别为0.052 m~3/m~3和-0.010 m~3/m~3。因此,基于线性方程的DISPATCH降尺度结果对观测数据的趋势拟合效果较好,而基于非线性方程的多元回归降尺度结果的精度较高。在季节尺度对比中,不同季节山区温度和土壤水分的时空变化,导致多元回归方法降尺度效果在春季最好,秋季次之,而夏季最差;DISPATCH方法降尺度效果在秋季最好,夏季次之,而春季最差。受亮温数据和SMAP表层土壤温度在高寒山区质量问题的影响,两种方法降尺度结果的精度均比高精度SMAP(9km×9km)产品好,但趋势拟合效果较差。