前期降水指数结合SAR数据提取作物渍害空间分布信息

熊勤学，胡佩敏，马 艳

前期降水指数结合SAR数据提取作物渍害空间分布信息

熊勤学1,2,3，胡佩敏4※，马 艳1,2,3

（1.湿地生态与农业利用教育部工程研究中心，荆州 434025；2. 长江大学农学院，荆州 434025； 3. 长江大学涝渍灾害与湿地农业湖北省重点实验室，荆州 434025；4. 荆州市气象局；荆州 434020）

为实现高时空分辨率的作物渍害空间分布信息的提取，该研究以夏收作物受渍害最严重的湖北省监利市的夏收作物为研究对象，通过水云模型，结合Sentinel-1A SAR数据，提取了12 d间隔的监利市土壤表层相对体积含水量空间分布，再以每天的前期降水指数视作具有一定误差的观察数据，运用卡尔曼滤波插值方法，实现了以天为单位监利市2018年至2020年每年1－4月夏收作物区土壤表层相对体积含水量空间分布信息的提取，经220 hm2试验区的土壤湿度数据验证，其Nash-Stucliffe效率系数为0.909；结合夏收作物渍害的判别标准，获取了监利市夏收作物同期的渍害时空分布信息，与试验区观测的结果相似；同时通过对计算结果数据的分析，发现前期降水指数与该指数下所有的夏收作物受渍农田比例（受渍农田面积与监利夏收作物总面积比率）的最大值有明显的二次多项式关系。由于Sentinel-1A SAR数据不受云层干扰，可以全天候获取，前期降水指数可用气象台站数据计算，这种作物渍害高时空分辨率监测的方法可实现渍害监测。

遥感；土壤水分；渍害；前期降水指数；卡尔曼滤波；时空分布；信息提取

0 引 言

渍害是影响湖北省江汉平原夏收作物的一种主要农业气象灾害[1]，据湖北省农业统计年鉴数据分析，江汉平原常年受渍农田面积占总耕地面积的40.6%。与同类地区丰产田相比，夏收作物（小麦和油菜）单产低50%～70%，灾害严重的年份甚至绝收，是阻碍本地区农业持续稳定发展的主要限制因子。实现大尺度作物渍害监测是江汉平原夏收作物减渍高产的前提。目前国内外对作物渍害大尺度监测主要有二类方法，一类是运用多源遥感数据提取渍害的空间分布信息，如运用光学遥感数据采用热惯量法、相对温差法和光谱法分析正常农田及渍害田的差异提取作物渍害空间分布[2-3]，这种根据渍害遥感特征差异性提取法有一定的理论性、实现方法简单明了，但存在的主要问题是这些差异性的非唯一性，即作物受其他环境胁迫的影响也会有类似特征出现；还有运用微波卫星数据通过反演土壤表层水分体积含水量实现大尺度作物渍害监测[4-5]，其方法能准确反映土壤表层水分的空间分布，但作物渍害识别是以受渍天数为衡量标准，卫星数据只能提取出卫星访问时刻的水分空间分布信息，无法获取重访周期内土壤水分的日变化过程；另一类是运用分布式水文模型提取作物受渍的空间分布，分布式水文模型是将整个流域分成若干单元，通过计算每个单元的水平衡，运用气象数据、土壤数据、高程数据、土地利用数据，达到模拟农田土壤水分状况的目的，结合作物轻、中、重度3种渍害的水分特征指标，实现不同渍害时空分布信息的提取，目前成功运用到渍害监测的水文模型有SGMP（Standard Groundwater Model Program）模型[6-8]、DHSVM（Distributed Hydrology Soil Vegetation Model）模型[9-10]等，由于模型的过度简化，随着模拟时间的增加，其模拟结果与实际的差异较大。因此为进一步提高作物渍害监测精确，需要对上述方法进行改进。

上述方法中，运用微波卫星数据提取作物渍害时，能准确提取土壤水分的空间分布，但无法获取重访周期内土壤水分的日变化过程，针对这些缺点，根据流域内前期降水指数（API，Antecedent Precipitation Index）与土壤表层相对含水量高度相关的理论[11-13]，以API指数作为协变量，将地统计学中的空间插值方法引入到时间插值中，以天为单位对卫星重访周期内土壤水分进行时间插值，得到土壤表层含水量的时空分布信息，结合作物渍害的水分特征指标，提取渍害时空分布信息。由于微波数据具有不受云层影响、全天候获取的特点，而作物渍害发生时，天气以阴雨天为主，因此这种作物渍害空间分布信息提取的方法运用潜力很大，本文以湖北省监利市为研究对象，对该方法的可行性与监测精确进行分析。

1 研究区概况与数据采集

1.1 研究区概况

监利市位于湖北省中南部、江汉平原南部，紧邻长江北岸。面积3 508 km2，地势分布呈“簸箕”形，即西、南、北三面较高，中部及东部较低，因此自身形成一个独立的水系。土壤类型主要有灰潮土、水稻土、黄棕壤。监利市属典型的亚热带季风气候，光能充足、热量资源丰富（大于10 ℃的积温5 171.8 ℃·d）、无霜期长（242～263 d）。

1.2 数据采集

在监利市新沟镇夏桥村220 hm2小麦田设24个渍害监测点（图1），农田地形特征是南高（高程24 m）北低（高程20 m），观测时间为2018至2020年，每年1月1日至4月30日小麦生长发育期观测。具体观测内容为：第17号监测点设一个HOBO自动气象站和土壤水分监测站。自动气象站观测的项目有：1.5 m高处的气温、湿度、总辐射、光合有效辐射，2 m高处的风向、风速、降水和地面0.1 m处地温；土壤水分监测点采用Decagon公司EC50自动土壤水分监测仪，5个EC-5土壤水分传感器，埋设深度为0.05、0.10、0.15、0.20、0.25 m，取5个深度的平均值为土壤表层水分含量，所有仪器设置1 h自动记录1次；其他监测点用手持式ProCheck土壤水分传感器测，每天10:00至12:00测0.05、0.10、0.15、0.20、0.25 m深处土壤水分，取5个深度平均值为当天土壤表层水分含量。

1.3 Sentinel-1A SAR数据预处理

Sentinel-1卫星是欧洲极地轨道C波段雷达成像系统，其对地观测特征有：多极化（HV、HH极化）、高重访周期（12 d）、高空间分辨率（干涉宽幅（IM）模式：250 km，5 m×20 m分辨率），从欧空局的网站（https://scihub.copernicus.eu/dhus/#/home）上下载2018年1月1日至5月1日涵盖监利区域Sentinel-1A卫星C波段SAR GRDH格式数据， 2景数据能涵盖监利所有区域，合计下载121 d共22景数据，运用ESA Sentinel 1 Toolbox(Ver 1.1.1)软件做数据的预处理，数据预处理步骤如图2。

最终生成一个11波段VV极化的后向散射系数的时序数据，波长用DOY表示（一年中的第几天）。

2 作物渍害空间分布信息提取方法

2.1 基于水云模型的Sentinel-1A SAR数据土壤表层相对体积含水量的计算

1）采用Ulaby方法[14-15]消除入射角对后向散射系数的影响，实现后向散射系数的标准化，其计算公式为

2）运用水云模式（Water Cloud Mode）消除地上植被对后向散射系数的影响。

水云模型的计算公式[16]为

式中0soil为土壤表层的后向散射系数（无量纲），0veg为植被产生的后向散射系数（无量纲），2为双程衰减系数（无量纲）。2与0veg的计算公式为

式中1表示植被的散射特征，2表示植被的衰减特征，是最大可能的冠层衰减系数（因为cos和2都小于1，因此可以理解为与植被密度相关的系数，=0为裸土，值越大代表植被密度越大），是与作物类型相关的系数。

Wang等[17]将1、2用归一化植被指数NDVI替代取得好的效果，并计算得到、的取值分别为−5.689和0.024。

将公式（3）～（4）代至公式（2），得到植被冠层下土壤的后向散射系数计算公式为

式中各时期的NDVI指数由高分一号WFV数据计算。

3）农田土壤体积相对含水量的反演

植被冠层上土壤的后向散射系数1soil（单位：dB）与土壤体积相对含水量（SM）的公式为[18]

式中、为与土壤粗糙度和土壤类型相关的变量，SM为土壤表层相对体积含水量，db；后向散射系数与无量纲的后向散射系数呼唤公式为

由公式（6）可知，土壤的后向散射系数与土壤体积相对含水量（SM）呈简单的线性关系，即一段时间内同一地点变量、不会变化，后向散射系数的方差与土壤体积相对含水量方差相同，有很多研究对两者之间的反演算法进行了探讨[19-20]，主要采用的方法是获取一个地方长时间的土壤后向散射系数，从中选择比较低的值，表示土壤表层水分比较小情况下的值，再选择最大值，表示土壤水分很大时的后向散射系数，其土壤体积相对含水量计算公式为

式中1dry为土壤表层水分最小时的后向散射系数，dB；1wet为土壤表层水分最高时的后向散射系数，dB。

假设条件为土壤粗糙度不变。由于监利市为湿润地区，基本没有出现绝对干旱情况，观测到的土壤表层最小相对体积含水量为20%，因此式（8）改为

2.2 前期降水指数的计算

前期降水指数API（Antecedent Precipitation Index）主要运用流域土壤湿度的预报，其计算公式[21-22]为

式中API为第天的前期降水指数，mm；P为第天的降雨量，mm；API-1为第-1天的前期降水指数，mm；为土壤水分的日消退系数，它综合反映土壤蓄水量因蒸散而减少的特性，因此值大小与蒸散发相关，其计算公式为[23]

式中EM为流域日蒸散能力，EM采用Hargreaves-Samani (H-S)模型计算[24]，mm；WM为流域最大蓄水量，mm；为平均降雨量，mm；为平均产流量，mm；为平均蒸散量，mm，当大于100 mm时，API为100 mm；max为日最高气温，℃；min为日最低气温，℃；R为地球外辐射，mJ/m2·d，为蒸发潜热，2.45 mJ/kg。

API指数反映整个流域的土壤表层相对含水量的变化，由于流域内的各基本单元受地形、土壤类型、排灌条件等要素的影响，其土壤表层相对含水量的变化具有差异的，为准确反映每个基本单元的土壤表层相对含水量的变化，式（11）改为

式中为各基本单元水分交换因子，>1表示本单元向其他临近单元有水分输送；<1表示临近单元有水分向本单元聚集。不同单元有不同的值，它是反映地形、土壤类型、排灌条件等因子对API指数影响的一个无量纲综合因子，因此改进后的API指数能反映相应单元土壤表层相对含水量的变化特征。

每个单元的值采用枚举法计算，即把值分别以0.1递增0.5到1.5取值，每个值会得到相对应的API时序值，将该单元的SAR数据提取的土壤表层相对体积含水量值作为因变量，与同天的API时序值作为自变量进行相关分析，得到一个相关系数，这样值从0.5到1.5会有100个相关系数，最后取相关系数最大的对应的值视为本单元的值，如果值为0.5或者1.5，表示真实值不在0.5～1.5范围内，用流域值替代（=1）。

2.3 基于卡尔曼滤波（Kalman filter）时间插值方法的土壤水分时空分布信息提取

卡尔曼滤波是对受到随机干扰和随机测量误差影响的物理系统进行预测的一种优化估算算法，即在信号和噪声都是平稳过程的假设条件下，以某种性能指标为最优的原则，从具有随机误差的测量数据中提取信息，估算出系统的某些参数状态，求出误差为最小的真实信号的估计值[25]。由于考虑了被估参数和观察数据的统计特性，较最小二乘法、最大似然法和Wiener滤波等优化估算算法更加准确，已成功运用到卫星数据的降尺处理[26]和土壤水分数据时序分析中[27]。这里把Sentinel-1A SAR数据提取的土壤表层相对体积含水量空间分布数据（时间间隔12 d）看成被估参数，把前期降水指数（时间间隔为1 d）看成观察数据，运用卡尔曼滤波方法，生成时间间隔为1 d的土壤表层相对体积含水量空间分布数据，具体计算公式为[25]

式中θ为第天的土壤水分体积含水量；API为SAR数据对应的API指数的均值，mm；μ为SAR数据提取的土壤表层相对体积含水量均值；API为SAR数据对应的API指数的方差；σ为SAR数据提取的土壤表层相对体积含水量方差。

2.4 渍害时空分布信息提取

在提取土壤表层相对体积含水量时空分布信息的前提下，将渍害评判标准[9-10]（每年2－4月，当农田地下水位埋深小于60 cm，土壤表层相对体积含水量5 d滑动均值高于95%的持续期大于5 d，认为夏收作物受到轻度渍害；如果持续期大于12 d认为受到中度渍害；持续期20 d以上认为受到重度渍害）用计算机语言表达，运算后可得到渍害时空分布信息。

2.5 方法验证公式

方法验证采用Nash-Stucliffe效率系数（NS）计算公式，具体公式为

3 结果与分析

3.1 各基本单元水分交换因子α计算结果

图3a为监利市单元水分交换因子的空间分布，由于监利属平原地区，地势起伏不大，因此90%的值在0.9～1.1之间，用值计算出的API值与Sentinel 1A SAR 数据反演的土壤表层相对含水量之间的相关系数的空间分布见图3b，其值普遍在0.6附近（样本数为30），表明值计算方法是正确的。

值表征流域基本单元与周围其他单元的水分交换，因此取值差异对API指数计算影响很大（见图3c）。当值小于1时，表示四周单元有汇水流入，API指数普遍较高，土壤相对含水量值会偏高，是容易发生渍害的单元，对应地势较低的地方；而当值大于1时，表示本单元会有土壤水净流出到四周其他单元，API指数普遍偏低，土壤相对含水量值会偏低，是容易发生作物干旱的单元，对应地势较高的地方。

3.2 土壤表层相对体积含水量和受渍区域空间分布计算结果的验证

由图4可知，采用卡尔曼滤波时间插值方法计算出的土壤表层相对体积含水量计算值与观测值变化曲线形态基本一致，而且其Nash-Stucliffe效率系数为0.909（见图4b），证明此插值方法适用于平原湖区土壤水分的时间插值计算，土壤表层相对体积含水量与前期降水指数变化特征基本一致（见图4a），即两者高度相关（相关系数为0.936，样本360），因此把前期降水指数作为具有随机误差的观测数据，运用卡尔曼滤波方法进行时间插值，能得到比较准确的土壤表层相对体积含水量日数据。

运用试验区土壤表层相对体积含水量时空数据，结合夏收作物渍害判别标准，得到试验区渍害的时空分布，用试验区1～24个点记录渍害进行验证，48次渍害都能在计算结果中准确反映，同时试验区渍害的空间分布也与实际相同。如图5c为2020年3月28日至4月7日试验区渍害的动态分布情况，3月30日试验田东北部出现渍害，而西南部只有少量出现，这与试验田南高北低的地形特征是吻合的，4月1日渍害面积扩大，3日后开始消退，在消退过程中，渍害区域慢慢集中在洼地，与渍害实地观测记录相同。2018年（见图5a）和2019年（见图5b）的变化相同。总的来讲，运用卡尔曼滤波方法进行时间插值的方法提取渍害时空分布信息是准确可行的。

3.3 监利夏收作物渍害时空分布特征

2016年以来，监利市在中东部地势低的湖沼地区，大力推广“稻虾”种养模式，将大面积涝渍田改造成稻虾田，因此夏收作物（油菜和小麦）种植区主要集中在北部、南部和西部旱地集中区。将监利市夏收作物受渍面积除以整个夏收作物种植面积，得到监利市夏收作物受渍农田比例。图6为2018年至2020年夏收作物受渍农田比例随时间变化曲线，从图6可以看出，尽管大量涝渍田改造成稻虾田，但夏收作物受渍程度仍很严重，尤其是2019年， 2019年1－4月的降雨量只有300 mm（2018年为312 mm，2020年为375 mm），由于降水集中、雨量均匀、雨日多，有二次受渍面积达到50%左右的渍害危害，而且持续10 d左右；相反2018年由于降水强度大、雨日少，是受渍较轻的年份；2020年降水偏多，受渍程度也比较严重。

构建2018年至2020年每天夏收作物受渍农田比例与当天前期降水指数二维数点分布图（见图7），发现数点的分布呈三角形（上边界与轴构成的三角形），上边界表示前期降水指数可能产生的监利市最大作物受渍农田比例，将最上边界所有的点与前期降水指数进行二次多项式拟合，其拟合决定系数达到0.999 3（样本数为31），例如当天前期降水指数达到85 mm时，监利市夏收作物受渍农田比例最大达到25.5%。由于只用气象台站数据便可计算前期降水指数，因此用前期降水指数可预报监利市夏收作物受渍农田最大可能比例。

渍害的成灾因子为降水、地形、土壤类型、土地利用现状、河网分布等[28]，这些成灾因子中只有降水随时间变化，其他成灾因子只与位置有关。监利市夏收作物渍害空间分布也遵循这一规律，图8为不同受渍比例下的渍害空间分布图，其中图8b和图8c的受渍比例相近，对比可以看出，其渍害空间分布的差异性很少。从图8还可以得出，最容易受渍的是监利市北部（新沟镇、网市镇等），随着受渍比例的增加，其西部和南部开始受渍，而中东部地区尽管地势低，但大部分为鱼池和稻虾田，基本无渍害。

4 讨 论

运用卡尔曼滤波方法成功是建立在前期降水指数与土壤表层相对体积含水量高度相关的基础上的，Kohler[29]1951年首次将前期逐日雨量的加权累积数,作为土壤含水量的指标，Descroix[30]提出了改进的前期降水指数计算公式，很多学者验证了不同气候条件下前期降水指数与土壤表层相对体积含水量的相关性[31-32]，因此把前期降水指数看成带有一定误差的观察数据是有一定的理论基础的。

相比运用DHSVM模型模拟同一地方（监利市）土壤水分的时空变化[10]，空间分辨率由90 m提高到10 m，土壤体积含水率的模拟值与观测值之间的复相关系数由0.67提升到0.91。

计算时作物实际蒸散EM采用Hargreaves- Samani(H-S)模型（式（13）），该公式是Hargreaves于1985年提出的经验公式，只在美国加州等干旱半干旱地区应用效果较好。公式中只有温度一个气象因子，没有考虑太阳辐射、风速、空气湿度等其他重要因子[33]。用在渍害经常发生的湿润地区，其效果有待进一步验证。

Sentinel-1A雷达卫星具有不受云层干扰、全天候的特点，前期降水指数计算数据来源于气象台站，本文提出的作物渍害监测方法具有一定的实用性，而且监测精确度也达到一定水平（空间分辨率为10 m，时间分辨率为1 d），可用于气象部门或者农业部门农情监测，同时将气象预报数据用于未来几天前期降水指数计算，可用于未来几天作物渍害预报，具有一定实用价值。

5 结 论

本文成功运用卡尔曼滤波时间插值方法，把Sentinel-1A SAR数据提取的土壤表层相对体积含水量空间分布数据（时间间隔12 d）看成被估参数，把前期降水指数（时间间隔为天）看成观测数据，实现了土壤表层相对体积含水量信息的高时空分辨率（空间分辨率为10 m、时间分辨率为1 d）的信息提取；结合夏收作物渍害的判别标准，提取了2018年至2020年监利市夏收作物渍害时空分布信息，经220 hm2试验区的验证，其渍害时空分布信息是准确的。因此可以运用卡尔曼滤波插值方法，利用天（Sentinel-1A SAR数据）和地（气象台站气象数据）一体化信息，实现作物渍害的实现监测与预报；同时通过分析提取的监利市2018年至2020年渍害时空分布信息发现，监利市夏收作物受渍比例与当天前期降水指数在二维分布图中呈三角型，可根据这个特征计算前期降水指数下监利市最大夏收作物可能受渍比例。

[1]欧阳萍，王修贵，姚宛艳. 基于GIS 的我国渍害田治理分区及排水控制深度研究[J]. 灌溉排水学报，2008，27(6)：34-36，54.

Ou Yangpin, Wang Xiugui, Yao Wanyan. Classification and drainage depth of waterlogged field in china based on GIS[J]. Journal of Irrigation and Drainage, 2008, 27(6): 34-36, 54. (in Chinese with English abstract)

[2]李元征，吴胜军，杜耘，等. 基于MODIS的渍害田和正常农田遥感特性对比研究[J]. 长江流域资源与环境，2012，21(10)：1287-1292.

Li Yuanzheng, Wu Shengjun, Du Yun, et al. Remote sensing characteristics comparative study between waterlogged and normal cropland in the Sihu basin based on MODIS[J]. Resources and Environment in the Yangtze Basin, 2012, 21(10): 1287-1292. (in Chinese with English abstract)

[3]金银龙，黄介生，王修贵. 基于多源数据的渍害田识别[J]. 武汉大学学报：工学版，2014，47(3)：289-293.

Jin Yinlong, Huang Jiesheng, Wang Xiugui. Identification of waterlogged field based on multi-source data[J]. Engineering Journal of Wuhan University, 2014, 47(3): 289-293. (in Chinese with English abstract)

[4]熊勤学. 四湖地区暴雨后涝渍害遥感空间分析[J]. 湖北农业科学，2011，50(10)：1980-1983

Xiong Qinxue. Waterlogging disaster spatial analysis inversed by remote sensing after rainstorm in Sihu region[J]. Hubei Agricultural Sciences, 2011, 50(10): 1980-1983 (in Chinese with English abstract)

[5]胡佩敏，熊勤学. 基于ASAR GM数据时序特征的农田表层土壤水分的反演[J]. 长江流域资源与环境，2014，23(5)：632-637.

Hu Peimin, Xiong Qinxue. Retrieving surface soil moisture over crop fields based on time-series characteristics of ASAR data[J]. Resources and Environment in the Yangtze Basin, 2014, 23(5): 632-637. (in Chinese with English abstract)

[6]Singh A, Panda S N, Flugel W A, et al. Waterlogging and farmland salinization: Causes and remedial measures in an irrigated semi-arid region of India[J]. Irrigation and Drainage, 2012, 61(3): 357-365.

[7]Singh A, Panda S. Integrated salt and water balance modeling for the management of waterlogging and salinization. I: validation of SAHYSMOD[J]. Journal of Irrigation and Drainage Engineering.2012, 138(11): 955-963.

[8]Singh A, Panda S. Integrated salt and water balance modeling for the management of waterlogging and salinization. II: application of SAHYSMOD[J]. Journal of Irrigation and Drainage Engineering, 2012, 138(11): 964-971.

[9]熊勤学.基于土壤植被水文模型的县域夏收作物渍害风险评估[J]. 农业工程学报，2015，31(21)：177-183.

Xiong Qinxue. Risk evaluation of sub-surface waterlogging of summer crops based on DHSVM model on county scale[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 177-183. (in Chinese with English abstract)

[10]熊勤学，田小海，朱建强. 基于DHSVM 模型的作物渍害时空分布信息提取[J]. 灌溉排水学报，2017，36(6)：109-116.

Xiong Qinxue, Tian Xiaohai, Zhu Jianqiang. Calculating spatio-spatial distribution of waterlogged in Jianli county using the DHSVM model[J]. Journal of Irrigation and Drainage, 2017, 36(6): 109-116. (in Chinese with English abstract)

[11]Zhao Y, Wei F, Yang H, et al. Discussion on using antecedent precipitation index to supplement relative soil moisture data series[J]. Procedia Environmental Sciences, 2011, 10: 1489-1495.

[12]Xie W P, Yang J S. Assessment of soil water content in field with antecedent precipitation index and groundwater depth in the yangtze river estuary[J]. Journal of Integrative Agriculture, 2013, 12(4): 711-722.

[13]Blanchard B J, Mcfarland M J, Schmugge T J, et al. Estimation of soil moisture with API algorithms and microwave emission[J]. Journal of the American Water Resources Association, 2007, 17(5): 767-774.

[14]Ulaby F T, Sarabandi K, Mcdonald K, et al. Michigan microwave canopy scattering model[J]. International Journal of Remote Sensing, 1990, 11(7): 1223-1253.

[15]Ulaby F T. Microwave Remote Sensing: Active and Passive : Radar Remote Sensing and Surface Scattering[M]. London: Addison-Wesley Pub Co, 1982.

[16]Bai X, He B, Li X. Optimum surface roughness to parameterize advanced integral equation model for soil moisture retrieval in prairie area using radarsat-2 data[J]. IEEE Transactions on Geoence and Remote Sensing, 2016, 54(4): 1-12.

[17]Wang L, He B, Bai X, et al. Assessment of different vegetation parameters for parameterizing the coupled water cloud model and advanced integral equation model for soil moisture retrieval using time series sentinel-1A data[J]. Photogrammetric Engineering and Remote Sensing, 2019, 85(1): 43-54.

[18]Bindlish R, and Barros A P. Parameterization of vegetation backscatter in radar based soil moisture estimation[J]. Remote Sensing of Environment, 2001, 76: 130-137.

[19]Aliihsan S, Aycan M M, Saygin A. Soil moisture mapping using sentinel-1A synthetic aperture radar data[J]. International Journal of Environment and Geoinformatics, 2016, 5(2): 178-188.

[20]Vijay P Y, Rajendra P, Ruchi B, et al. An improved inversion algorithm for spatio-temporal retrieval of soil moisture through modified water cloud model using C- band Sentinel-1A SAR data[J]. Computers and Electronics in Agriculture, 2020, 173(6): 105-147.

[21]Kohler M A, Linsley R. Predicting the runoff from storm rainfall. In: national oceanic and atmospheric administration weather bureau research papers[C]//US Department of Commerce, Weather Bureau, Washington, 1951.

[22]吴子君，张强，石彦军，等. 多种累积降水量分布函数在中国适用性的讨论[J]. 高原气象，2017，36(5)：1221-1233.

Wu Zijun, Zhang Qiang, Shi Yanjun, et al. The applicability of several distribution functions which used to describe the characteristics of cumulative precipitation in china[J]. Plateau Meteorology, 36(5): 1221-1233. (in Chinese with English abstract)

[23]Xu C Y, Singh V P. Evaluation and gene realization of temperature-based methods for calculation evaporation[J]. Hydrological Processes, 2001, 15(2): 305-319.

[24]Hargreaves G H, Allen R G. History and evaluation of Hargreaves evapotranspiration equation[J]. Journal of Irrigation and Drainage Engineering, 2003, 129(1): 53-63.

[25]Kalman R E. A new approach to linear filtering and prediction problems[J]. Journal of Basic Engineering Transactions of the ASME, 1960, 3: 35-45.

[26]Crow W T , D Ryu. A new data assimilation approach for improving runoff prediction using remotely-sensed soil moisture retrievals[J]. Hydrology and Earth System Sciences, 2009, 5(1):1-16.

[27]Zhao Y, Wei F, Yang H, et al. Discussion on using antecedent precipitation index to supplement relative soil moisture data series[J]. Procedia Environmental Sciences, 2011, 10: 148-149.

[28]Ma Y, Xiong Q X, Zhu J Q, et al. Early warning indexes determination of the crop injuries caused by waterlogging based on DHSVM model[J]. The Journal of Supercomputing, 2020, 76: 2435-2448.

[29]Kohler M A, Linsley R. Predicting the runoff from storm rainfall. in: national oceanic and atmospheric administration weather bureau research papers[R]. Washington, US Department of Commerce, Weather Bureau, 1951.

[30]Descroix L, Nouvelot J F, Vauclin M. Evaluation of an antecedent precipitation index to model runoff yield in the western Sierra Madre (North-West Mexico)[J]. Journal of Hydrology, 2002, 263: 114-130.

[31]Brocca L, Melone F, Moramarco T, et al. Antecedent wetness conditions based on ERS scatterometer data[J]. Journal of Hydrology, 2009, 364: 73-87.

[32]Findell K L, Eltahir E A B. An analysis of the soil moisture-rainfall feedback, based on direct observations from illinois[J]. Water Resources Research, 1997, 33: 725-735.

[33]杨永红，张展羽. 改进Hargreaves方法计算拉萨参考作物蒸发蒸腾量[J]. 水科学进展，2009，20(5)：614-618.

Yang Yonghong, Zhang Zhanyu. Method for calculating Lhasa reference crop evapotranspiration by modifying Hargreaves[J]. Advance in Water Science, 2009, 20(5): 614-618. (in Chinese with English abstract)

Extracting the spatial distribution information of crop sub-surface waterlogging using antecedent precipitation index and sentinel-1A SAR data

Xiong Qinxue1,2,3, Hu Peimin4※, Ma Yan1,2,3

(1.,434025,; 2.,434025,; 3.,434025,; 4.,434020,)

The sub-surface waterlogging is a major agricultural meteorological disaster that affects the yield of summer crops in the middle and lower basins of the Yangtze River, Waterlogging disaster has the characteristics of concealment and hysteresis. At present, there is a little research on the extraction of crop waterlogging spatial distribution information with high spatial and temporal resolution at home and abroad. This research aimed at Jianli City, Hubei Province, where the summer harvest crops are most heavily affected. based on the antecedent precipitation indexes derived from meteorological station and the Sentinel-1A SAR data of the same period, the Kalman filter interpolation method was used to extract the temporal and spatial distribution information of the waterlogged summer crops with a time step of a day from 2018 to 2020. The methods is following：first, the spatial distribution information of the relative volumetric water content of the soil surface Layer (RVWCSSL) in the study area was extracted based on a Water-Cloud model and Sentinel-1A SAR data with a time step of 12 days. Then take the daily API(Antecedent Precipitation Index)data as observational data which with certain imprecise, the spatial distribution information of RVWCSSL extracted from Sentinel-1A SAR data were regarded as the estimated parameters, and the Kalman filter interpolation method was used to extract the spatial distribution information of RVWCSSL with a time step of a day. Finally the daily sub-surface waterlogging spatial distribution information was extracted based on daily spatial distribution of RVWCSSL values and according to the summer harvest crops waterlogging discriminant standard(if the duration that sliding 5 d mean of RVWCSSL values is higher than 95% was longer than 5 days, it is considered that the summer harvest crops are under mild waterlogging damage. If the duration is longer than 12 d, moderate waterlogging is considered to be suffered; Severe waterlogging is considered to be suffered if the duration is over 20 days). This method was verified on experimental area with an area of 220 hm2, using this method to calculate the RVWCSSL of experimental area, by compared with the actual observation value, the Nash-Stucliffe efficiency coefficient of the two is 0.909. At the same time, the temporal and spatial distribution of sub-surface waterlogging are also consistent with the field observation records, so it is feasible to use the Kalman filter interpolation method to extract the spatial distribution information of crop waterlogging. At the same time, through analyzing the extracted data, it was found that there is an obvious quadratic polynomial relationship between API index and the maximum value of the ratio of the crop sub-surface waterlogging area to the total area of summer crops in Jianli city; Since only precipitation changes with time, and the other factors are only related to location, the spatial distribution of waterlogging has little difference when the proportion of waterlogging is the same, which is conducive to accurate prediction of waterlogging. Since Sentinel-1A SAR data has the advantages of not being interfered by clouds and being available all day long. Meanwhile the precipitation index data can be calculated from the monitoring data of meteorological stations. This method of using satellite-ground integrated data to realize the high temporal and spatial resolution monitoring of crop sub-surface waterlogging can realize the operational operation of waterlogging disaster monitoring.

remote sensing; soil moisture; sub-surface waterlogging; antecedent precipitation index; spatial and temporal distribution; information extracted

熊勤学，胡佩敏，马艳. 前期降水指数结合SAR数据提取作物渍害空间分布信息[J]. 农业工程学报，2021，37(5)：175-183.doi：10.11975/j.issn.1002-6819.2021.05.020 http://www.tcsae.org

Xiong Qinxue, Hu Peimin, Ma Yan. Extracting the spatial distribution information of crop sub-surface waterlogging using antecedent precipitation index and sentinel-1A SAR data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(5): 175-183. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.05.020 http://www.tcsae.org

2020-09-25

2021-01-20

国家自然科学基金（31871516）；湿地生态与农业利用教育部工程研究中心开放基金（KF201701，KFT201906）

熊勤学，教授，主要研究方向为农业遥感。Email：nxqx@tom.com

胡佩敏，高级工程师，主要研究方向为农业气象。Email：hupm@21cn.com

10.11975/j.issn.1002-6819.2021.05.020

S1

A

1002-6819(2021)-05-0175-09