基于遥感信息的区域农业干旱模拟技术研究

王治海，刘建栋，刘 玲，邬定荣，邱美娟，俸玉端

（中国气象科学研究院，北京100081）

华北平原是我国冬小麦重要生产基地，近年来该地区干旱发生频繁，对当地农业生产产生了一定的不利影响。因此，及时地开展农业干旱监测预测，对于该地区农业生产具有十分重要的现实意义。

长期以来，国内外学者对农业干旱监测预测进行了大量的较为深入的系统研究。Palmer［1］将前期降水和水分供需结合在水文计算系统中，提出了基于水平衡的干旱指数（PDSI）；安顺清等［2］对帕默尔旱度模式进行了修正，建立了我国华北地区气象旱度模式，并提出了优化灌溉的理论依据；王石立［3］建立了水分胁迫下的冬小麦生长模式，并进行了冬小麦干旱影响评价；赵艳霞等［4］以农业干旱识别和预测模型为基础，开发了农业干旱识别和预测技术系统；刘建栋等［5］在提出农业干旱指数和农业干旱预警指数的基础上，建立了华北干旱预测数值模式。以上研究为农业干旱预测提供了较为坚实的理论基础。

然而，大多数模型模拟的土壤湿度与实测值往往存在一定偏差［6－7］，对区域农业旱情监测预测产生不利影响，并且传统方法对土壤水分主要进行单点观测，难以满足实时、大范围旱情监测的需要［8］。相对而言，遥感技术则可以快速同步地获取大面积的土壤水分信息，这为区域旱情监测研究奠定了一定的基础［9］。与其他遥感手段相比，微波遥感不仅能穿透云层和雨区，还能穿透一定深度的地表，从而获取植被覆盖的地表及地表以下一定深度的信息［10］。因此，借助微波遥感技术的优势，将微波遥感反演的宏观土壤水分信息嵌入到作物干旱模型中，使模型中土壤水分“流动”更加真实，将有可能提高区域农业旱情的预测精度，促进农业干旱模拟模型的发展和应用。

基此，本研究在作物干旱模型研究基础上［5］，拟以土壤水分为结合点，将微波遥感与作物干旱模型相结合，对河南区域农业干旱进行了较为深入的模拟研究，以期为该地区农业旱情监测提供更有力的科技支撑。

1 研究区概况与研究方法

1.1 研究区概况与试验数据

本研究选取了具有代表性的河南省作为研究区，该地区位于中国中东部、黄河中下游，是华北地区农产品的重要生产基地。年均气温12～16℃，年均降水量550～1 400mm，属温带湿润半湿润气候。

研究中所采用的数据包括气象数据、站点数据和遥感数据。其中，气象数据为中国气象局提供的1961—2006年河南省17个气象站点的逐日气象要素值，包括辐射、最高气温、最低气温、水汽压、风速和降雨量等。其中，部分辐射数据左大康等［11］的研究用常规资料处理得到；站点数据来自全国农业气象观测记录报表1—2，报表1包括2001—2006年郑州及信阳2个站点有冬小麦种植的农业气象观测资料，即冬小麦生长发育期、生长状况、干物重、产量以及叶面积指数（LAI）等。报表2包括河南省17个站点的土壤参数数据，即土壤容重、田间持水量和凋萎系数等。无观测数据的站点，选取距离该站最近的站点资料替代；表层土壤水分遥感数据是美国冰雪数据中心（NSIDC）AMSR－E＿L3＿DailyLand＿V06产品的重采样结果［12－13］。AMSR－E传感器于2002年由美国NASA发射的Aqua卫星搭载升空，其赤道过境时间约为当地时间下午1：30（升轨）和凌晨1：30（降轨）［12］。有研究表明，AMSR－E传感器升轨时的数据质量在一定程度上优于降轨［14］。因此本文选取了该传感器升轨时的表层土壤水分逐日遥感数据，其时间序列为2004—2006年。由于冬小麦在拔节后对土壤水分的盈亏更加敏感，因此提取各年3—6月的遥感数据用于本研究。

1.2 研究方法

本研究采用的作物干旱模型是在ARID CROP模型基础上改进而来的［5，15］。De Wit与van Keulun在原De Wit理论的基础上，考虑了光、温、水对作物相互作用的影响，发展了一个ARID CROP数值模拟模型［16－17］。该模型机理性很强，主要依据作物生长的生

式中：Pnet——叶 片 净 光 合 速 率 〔kg／（hm2·h）〕；α——初始光合作用量子效率；Par——光合有效辐射〔cal／（cm2·h）〕；Pmax——最大光合速率〔kg／（hm2·h）〕；Rd——呼吸速率〔kg／（hm2·h）〕。

（3）潜在蒸腾。依据能量平衡原理，潜热通量LE可表示为：理特点设计，用于模拟作物在土壤水分因子影响下的生长过程［18］。模型主要由初始化、潜在日总光合量、潜在蒸腾、实际蒸腾等子模型构成，其主要部分如下：

（1）初始化。模型的初始化主要是将作物参数、土壤参数等基本信息以相应的文件格式输入，为模型的模拟计算奠定基础。

（2）潜在日光和总量。潜在日光合总量为冠层光合量时空上的积分，其计算公式为：

式中：LE——汽化潜热（mm／d）；Rn——单位叶面积吸收的辐射量〔cal／（cm2·d）〕；Ea——空气干燥力（mm／d）；Δ——温度—饱和水汽压曲线斜率（mb／K）；r——视干湿表常数（mb／K）。视干湿表常数r的计算公式为：

式中：r0——常数（r0＝0.63mb／K）；ra——边界层阻力（d／cm）；rc——叶片表面对水汽的阻力 （d／cm）。空气干燥力Ea的计算公式为：

式中：ea——饱和水汽压（mb）；e——实际水汽压（mb）；ρ——空气密度（g／cm3）；Cp——空气的定压比热容〔J／（g·K）〕。

（4）实际蒸腾。利用达西定律与物质连续方程联立的思路，采用水分平衡方法求解实际蒸腾速率。其中，达西定律与物质连续方程联立，可以推导出以下关系式：

式中：C（h）——单位时间内的容积含水量（mm／h）；h——土壤水压差（mm）；K（h）——导水率（mm／h）；t——时间（h）；z——垂直坐标（mm）；S——单位土壤容积的根在单位时间内吸收的水量（mm／h）。

之后，研究人员对模型不断改进以应用于不同国家的很多地区。刘建栋等［5］在提出农业干旱指数和农业干旱预警指数两个基本概念的基础上，将模型进一步发展成我国华北地区农业干旱预测数值模式。该模式的时间步长为1d，需要输入的数据有辐射、最高气温、最低气温、水汽压、风速和降雨量等。

土壤水分反演采用了指数滤波方法［19］，利用表层土壤水分遥感数据反演0—20cm土层的土壤水分。指数滤波法主要是依据表层与深层土壤水分的关系得到，具体算法如下：

式中：SWI——土壤水分指数（0≤SWI≤1）；ms（ti）——ti时刻表层土壤湿度遥感反演值（标准化，无量纲）；T——特征时间长度（d）。特征时间长度是计算土壤水分指数SWI的关键参数，其计算思路为：赋予T一组特定值Ti，计算每一个Ti对应的SWI与田间实测值（标准化）的相关系数。提取相关系数最大值Rmax，此时Rmax对应的Ti即特征时间长度最优值。为反演深层土壤湿度，还需要一些与土壤质地有关的信息，如田间持水量、凋萎系数等。其关系式为

式中：W——深层土壤湿度（%）；WL——凋萎系数（%）；FC——田间持水量（%）。

得到0—20cm土层的土壤湿度后，将反演结果替代模型中同一土层含水量的计算过程，从而实现微波遥感与作物干旱模型的链接。模型分别采用链接遥感技术和不链接遥感技术2种方式模拟冬小麦生长过程中的农业干旱情况，进而评价基于遥感信息的作物干旱模型的模拟能力。

2 结果与分析

2.1 模型校正及验证

以郑州站点为代表点，将实测资料按年份均衡分组，其中2001—2003年的资料作为模型校正，2004—2006年的数据用于模型验证。由图1可知，校正后的模型预测的干物重与实测值吻合较好；叶面积指数（LAI）预测值随时间的变化趋势与实际情况也比较一致。因此，校正后的模型能较好地预测冬小麦生长发育过程，其预测结果能反映冬小麦生长发育的基本趋势。

图1 干物重、LAI的预测值与实测值比较

2.2 土壤水分遥感反演

采用指数滤波方法［19］，利用表层土壤水分遥感数据（0—1cm土层）反演0—20cm土层的土壤水分指数SWI。在此基础上，结合实测资料反演得到0—20cm土层的土壤湿度。

（1）特征时间长度最优值确定。特征时间长度T是反演土壤水分指数SWI（0—20cm土层）一个极其关键的参数，其计算过程为：利用式（7）对遥感反演资料和田间实测资料标准化，并剔除不在正常范围（0≤SWI≤1）内的数值。在此基础上，计算每一个特征时间长度T（4d≤T≤30d，T为整数）对应的SWI，继而求出SWI计算值与实测值的相关系数R。

由图2可知，相关系数R在0.31与0.39之间波动。T等于11d时，相关系数R达到0.38以上；当T不等于11d时，相关系数R均小于0.38。综上所述，当特征时间长度T等于11d时，对应的相关系数R最大（R＝0.382），SWI计算值与实测值最接近。因此，特征时间长度最优值为11d。

图2 不同特征时间长度T对应的相关系数

（2）深层土壤水分反演。在确定最优特征时间长度（T＝11d）的基础上，利用式（6）计算出0—20cm土层的土壤水分指数SWI。之后，结合田间实测资料，由式（7）反演得到土壤湿度。进一步对反演值与实测值的符合度进行检验，结果如表1所示。

表1显示，均方根误差RMSE的平均值为6.3%。由此说明，土壤湿度反演结果与实际情况比较接近，其反演效果较好。

表1 土壤湿度反演结果统计检验

2.3 微波遥感与作物干旱模型的结合

在调整模型参数的基础上，将0—20cm土层的土壤湿度遥感反演信息直接嵌入到模型中，实现微波遥感与作物干旱模型的结合，继而对冬小麦生长发育及其农业干旱进行模拟。

（1）冬小麦生长发育模拟。以2004—2006年郑州站点冬小麦生长发育为例，检验基于遥感信息的作物干旱模型对叶面积指数的模拟效果。由表2可知，引入遥感信息后，叶面积指数模拟值与实测值的均方根误差RMSE由1.76降低至1.75。由此说明，将微波遥感与作物干旱模型相结合，可以在一定程度上提高模型对作物生长发育的模拟能力。

表2 叶面积指数模拟值与实测值的均方根差RMSE

（2）农业干旱模拟。目前，农业气象旬报中只有农业干旱的定性描述，而没有类似温度、降水等气象要素的定量记录，这为模型验证带来一定困难［5］。为解决这一问题，引入基准值这一概念，以更好地实现模型验证。基准值的计算方法为，采用3次样条函数对土壤水分实测数据进行插值，得到逐日土壤水分数据。之后，将插值结果替代作物干旱模型中土壤水分的计算过程，其模拟结果即为基准值。模型验证分为单点验证和区域验证。

首先进行单点验证，将农业气象旬报中的定性描述按农业干旱预警指数定义［5］转化为相应的农业干旱预警指数数值（SP），并作为实测值与模拟结果对比。以卢氏、商丘和许昌等站点的冬小麦生长过程为例，对农业干旱预警指数基准值的模拟效果进行检验。由图3所示，在农业气象旬报没有旱情记录时（3月），基准值与实测值之间存在一定差异。而对于有记录的农业干旱时段（4月上旬至5月下旬），基准值与实测值比较接近，模型对这一时段的旱情有较为准确的再现。因此，农业干旱预警指数基准值具有较高的可靠性，可以作为模型验证的基础。

进而利用改进后的模型对区域农业干旱进行模拟验证。农业气象旬报记录：2004年5月中旬，“除豫北、豫西南、豫东南等地墒情适宜外，其他县市均表现出不同程度的旱情，尤其是豫中大部、豫南部分等地土壤湿度≤10%，属重度干旱”（附图7）。由附图7可知，对于豫中大部分地区，农业干旱模拟结果与实际情况比较吻合，均显示该地区出现了严重干旱；在豫北、豫南和豫东南等地，模拟结果显示这些地区农业干旱程度很轻，其墒情接近适宜状态，这与旬报记录也比较一致。从总体上看，基准值的模拟结果比较符合旬报记录的描述，再次证明基准值可以作为模型验证的基础。

图3 农业干旱预警指数模拟值与实测值的比较

将模型分别采用链接遥感技术和不链接遥感技术2种方式模拟区域农业干旱，并将其模拟结果与基准值进行对比。结果表明，对于豫北地区，链接遥感技术的模型的模拟结果显示该地区墒情适宜，而单纯模型的模拟结果表明该地区农业干旱严重。结合基准值与农业气象旬报记录可知，引入遥感信息后，模型在豫北地区的模拟结果更接近实际情况。此外，对于其他地区（如豫中大部），基于遥感信息的模型的模拟结果也更加接近基准值和旬报记录。因此可以认为，引入遥感信息后，作物干旱模型对区域农业干旱的模拟能力有明显的提高。

3 结论与讨论

（1）引入遥感信息后，模型对冬小麦生长发育模拟的准确率有所提高，并且单点农业干旱的模拟结果更接近实际情况。

（2）区域农业干旱验证结果表明，将微波遥感与作物干旱模型相结合，可以提高模型对农业干旱的模拟能力，这为农业旱情监测提供了更有力的科技支撑。

本研究尝试以土壤水分为结合点，将微波遥感技术与作物干旱模型相结合，使模型中土壤水分“流动”更加真实，起到了优化模型的作用，进而提高了区域农业旱情的模拟精度。但本文作为初步尝试，还存在一些不足之处。例如本文只改进了模型中0—20cm土层含水量的计算过程，进一步的研究将扩展到土壤的更深层次。随着遥感技术和作物干旱模型的进一步发展，将两者结合进行农业干旱监测预测是今后研究的主要方向，同时还会出现更多的问题需要深入探讨。

［1］ Palmer W C.Meteorological drought［M］.Washington D C，USA：U S Weather Bureau，1965：45-58.

［2］ 安顺清，邢久星.帕默尔气象旱度模式的修正［J］.气象科学研究院院刊，1986，1（1）：75-82.

［3］ 王石立.冬小麦生长模式及其在干旱影响评估中的应用［J］.应用气象学报，1998，9（1）：15-23.

［4］ 赵艳霞，庄立伟，王馥棠.农业干旱识别和预测技术系统［J］.应用气象学报，2000，11（S1）：192-199.

［5］ 刘建栋，王馥棠，于强，等.华北地区农业干旱预测模型及其应用研究［J］.应用气象学报，2003，14（5）：593-604.

［6］ Stamm J F，Wood E F，Lettenmaier D P.Sensitivity of a GCM simulation of global climate to the representation of land-surface hydrology［J］.Journal of Climate，1994，7（8）：1218-1239.

［7］ Liang X，Wood E F，Lettenmaier D P.Surface soil moisture parameterization of the VIC-2Lmodel：evaluation and modification［J］.Global and Planetary Change，1996，13（1／4）：195-206.

［8］ 王利民，刘佳，邓辉，等.我国农业干旱遥感监测的现状与展望［J］.中国农业资源与区划，2008，32（6）：4-8.

［9］ 刘欢，刘荣高，刘世阳.干旱遥感监测方法及其应用发展［J］.地球信息科学学报，2012，14（2）：232-239.

［10］ 杨绍锷，闫娜娜，吴炳方.农业干旱遥感监测研究进展［J］.遥感信息，2010，1（21）：103-109.

［11］ 左大康.地球表层辐射研究［M］.北京：科学出版社，1991：1-25.

［12］ Njoku E G，Jackson T J，Lakshmi V，et al.Soil moisture retrieval from AMSR-E［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41（2）：215-229.

［13］ Jackson T J，Cosh M H，Bindlish R，et al.Validation of advanced microwave scanning radiometer soil products［J］.IEEE Transactions on Geoscience and Remote Sensing，2010，48（12）：4256-4272.

［14］ Brocca L，Hasenauer S，Lacava T，et al.Soil moisture estimation through ASCAT and AMSR-E sensors：an intercomparison and validation study across Europe［J］.Remote Sensing of Environment，2011，115（12）：3390-3408.

［15］ 王天铎.数值模拟在黄淮海地区生物资源评价中的应用［M］∥刘昌明.中国水问题研究.北京：气象出版社，1996：191-197.

［16］ van Keulen H，Seligman N G，Benjiami R W.Simulation of water use and herbage growth in arid regions：A revaluation and further development of the model“ARID CROP”［J］.Agricultural Systems，1981，6（3）：159-193.

［17］ Penning F W T，van Laar H H.Simulation of plant growth and crop production［M］.PUDOC：Wageningen，1982：40-82.

［18］ 李明星，刘建栋，王馥棠，等.分布式水文模型在陕西省冬小麦产量模拟中的应用［J］.水土保持通报，2008，28（5）：148-154.

［19］ Wagner W，Lemoine G，Rott H.A method for estimating soil moisture from ERS scatterometer and soil data［J］.Remote Sens.Environ.，1999，70（2）：191-207.