水资源研究—土壤优先流的离子显色示踪技术与分形模型模拟方法研究
科学研究情况(科研项目课题)-天津师范大学-城市与环境科学学院
78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95
三维虚拟场景可视化技术研究 天津七里海湿地景观格局动态及其健康状况综合 评价（liu） 滨海新区围海造地的生态环境影响研究 天津市滨海新区自然灾害风险与应急预案情景分 析(liu) 天津市征地补偿资金分配制度研究（liu） 天津市旅游系统的空间结构规律研究 天津城市社区空间分异研究 天津滨岸潮滩沉积物复杂环境营养盐多介质循环 与效应（校滨海专项培育项目） 基于 GIS 的滨海新区区域环境影响综合评价方法 研究（校滨海专项培育项目） 流域规模地下水环境污染时空模拟分析及评价 2009 年海洋功能区划体系及围填海、构筑物管理 研究（分四个子项） 海岸保护利用规划与海域分类标准 海洋功能区划实施情况调查分析技术研究 海域使用遥感动态监测业务化应用技术与示范 2010 海域评估、海洋能区划与海籍管理研究(分三 个子项) 天津市湿地资源保护与利用及水文水环境机理研 究 城市化进程对区域湿地物质循环的影响研究 气候变化及人类活动对中国北方岩溶泉的影响研 究
天津滨海新区土地地价管理信息系统建设研究 （校 天津师范大学社科项目 滨海专项重点项目）项目 项目） 滨海新区地价体系与基准地价研究 （校滨海专项重 天津师范大学社科项目 点项目） 天津滨海新区自由贸易港规划建设研究 （校滨海专 天津师范大学社科项目 项重点项目） 天津王庆坨自行车产业集群研究 天津师范大学社科项目 中国综合配套改革试验区制度创新研究—深圳、 上 海浦东新区和天津滨海新区的比较 企事业单位委托 近景数字摄影测量三维建模关键技术研究及其在 “数字校园”中的应用 多尺度空间方向关系分析研究 企事业单位委托 企事业单位委托
序号
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
土壤水分遥感反演研究进展
第３９卷第１３期２０１９年７月生态学报ＡＣＴＡＥＣＯＬＯＧＩＣＡＳＩＮＩＣＡＶｏｌ．３９，Ｎｏ．１３Ｊｕｌ．，２０１９基金项目：国家重点研发计划项目（２０１７ＹＦＡ０６０４７０１）；中国博士后科学基金项目（２０１８Ｔ１１００６６，２０１７Ｍ６２００２９）；中央高校基本科研业务费专项收稿日期：２０１８⁃０４⁃２６；㊀㊀网络出版日期：２０１９⁃０４⁃１７∗通讯作者Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅ⁃ｍａｉｌ：ｓｈｕａｉｗａｎｇ＠ｂｎｕ．ｅｄｕ．ｃｎＤＯＩ：１０．５８４６／ｓｔｘｂ２０１８０４２６０９４９潘宁，王帅，刘焱序，赵文武，傅伯杰．土壤水分遥感反演研究进展．生态学报，２０１９，３９（１３）：４６１５⁃４６２６．ＰａｎＮ，ＷａｎｇＳ，ＬｉｕＹＸ，ＺｈａｏＷＷ，ＦｕＢＪ．Ａｄｖａｎｃｅｓｉｎｓｏｉｌｍｏｉｓｔｕｒｅｒｅｔｒｉｅｖａｌｆｒｏｍｒｅｍｏｔｅｓｅｎｓｉｎｇ．ＡｃｔａＥｃｏｌｏｇｉｃａＳｉｎｉｃａ，２０１９，３９（１３）：４６１５⁃４６２６．土壤水分遥感反演研究进展潘㊀宁１，王㊀帅１，∗，刘焱序１，赵文武１，傅伯杰１，２１北京师范大学地理科学学部，地表过程与资源生态国家重点实验室，北京㊀１００８７５２中国科学院生态环境研究中心，城市与区域生态国家重点实验室，北京㊀１０００８５摘要：土壤水分精确反演对于理解和解决农业生产㊁生态规划以及水资源管理中的科学与实际问题至关重要㊂目前，大量的反演算法被广泛用于土壤水分估算，全球土壤水分遥感反演产品不断发布，反演算法与产品数据集的应用前景亟待系统梳理㊂基于不同谱段遥感探测技术中的土壤水分反演方法存在各自的特点㊁优势和局限性㊂除反演方法研究外，土壤水分遥感反演研究热点可被归纳为遥感土壤水分产品评估㊁在相关领域的应用㊁数据同化３个方面㊂大量研究表明土壤水分遥感反演产品在生态㊁水文㊁干旱等研究中表现出巨大的潜力，且在部分研究中已经得到应用㊂但目前土壤水分的遥感观测与应用需求仍存在一定的差距，因此最后对土壤水分遥感反演在探测的精度和准确度两个方面及其解决方案进行了总结与展望㊂关键词：土壤水分；反演方法；遥感产品；数据应用；数据同化ＡｄｖａｎｃｅｓｉｎｓｏｉｌｍｏｉｓｔｕｒｅｒｅｔｒｉｅｖａｌｆｒｏｍｒｅｍｏｔｅｓｅｎｓｉｎｇＰＡＮＮｉｎｇ１，ＷＡＮＧＳｈｕａｉ１，∗，ＬＩＵＹａｎｘｕ１，ＺＨＡＯＷｅｎｗｕ１，ＦＵＢｏｊｉｅ１，２１ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＥａｒｔｈＳｕｒｆａｃｅＰｒｏｃｅｓｓｅｓａｎｄＲｅｓｏｕｒｃｅＥｃｏｌｏｇｙ，ＦａｃｕｌｔｙｏｆＧｅｏｇｒａｐｈｉｃａｌＳｃｉｅｎｃｅ，ＢｅｉｊｉｎｇＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００８７５，Ｃｈｉｎａ２ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＵｒｂａｎａｎｄＲｅｇｉｏｎａｌＥｃｏｌｏｇｙ，ＲｅｓｅａｒｃｈＣｅｎｔｅｒｆｏｒＥｃｏ⁃ＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅｓ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００８５，ＣｈｉｎａＡｂｓｔｒａｃｔ：Ａｃｃｕｒａｔｅｓｏｉｌｍｏｉｓｔｕｒｅｒｅｔｒｉｅｖａｌｉｓｖｅｒｙｉｍｐｏｒｔａｎｔｆｏｒｕｎｄｅｒｓｔａｎｄｉｎｇａｎｄｓｏｌｖｉｎｇｓｃｉｅｎｔｉｆｉｃａｎｄｐｒａｃｔｉｃａｌｐｒｏｂｌｅｍｓｉｎａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎ，ｅｃｏｌｏｇｉｃａｌｐｌａｎｎｉｎｇ，ａｎｄｗａｔｅｒｒｅｓｏｕｒｃｅｓｍａｎａｇｅｍｅｎｔ．Ａｔｐｒｅｓｅｎｔ，ａｌａｒｇｅｎｕｍｂｅｒｏｆｉｎｖｅｒｓｉｏｎａｌｇｏｒｉｔｈｍｓａｒｅｗｉｄｅｌｙｕｓｅｄｉｎｓｏｉｌｍｏｉｓｔｕｒｅｅｓｔｉｍａｔｉｏｎ，ａｎｄｇｌｏｂａｌｓｏｉｌｍｏｉｓｔｕｒｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｖｅｒｓｉｏｎｐｒｏｄｕｃｔｓａｒｅｃｏｎｓｔａｎｔｌｙｐｕｂｌｉｓｈｅｄ，ｂｕｔｉｎｖｅｒｓｉｏｎａｌｇｏｒｉｔｈｍｓａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｐｒｏｓｐｅｃｔｓｏｆｐｒｏｄｕｃｔｄａｔａｓｅｔｓｎｅｅｄｔｏｂｅｓｙｓｔｅｍａｔｉｃａｌｌｙｃｏｍｂｅｄ．Ｓｏｉｌｍｏｉｓｔｕｒｅｒｅｔｒｉｅｖａｌｍｅｔｈｏｄｓｂａｓｅｄｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｄｉｆｆｅｒｅｎｔｓｐｅｃｔｒａｌｒａｎｇｅｓｈａｖｅｔｈｅｉｒｏｗｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ａｄｖａｎｔａｇｅｓ，ａｎｄｌｉｍｉｔａｔｉｏｎｓ．Ｉｎａｄｄｉｔｉｏｎｔｏｉｎｖｅｒｓｉｏｎｍｅｔｈｏｄｓ，ｔｈｅｒｅｓｅａｒｃｈｈｏｔｓｐｏｔｓｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｍｏｉｓｔｕｒｅｃａｎｂｅｓｕｍｍａｒｉｚｅｄｉｎｔｏｔｈｒｅｅａｓｐｅｃｔｓ：ｅｖａｌｕａｔｉｏｎｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｓｏｉｌｍｏｉｓｔｕｒｅｐｒｏｄｕｃｔｓ，ａｐｐｌｉｃａｔｉｏｎｉｎｒｅｌａｔｅｄｆｉｅｌｄｓ，ａｎｄｄａｔａａｓｓｉｍｉｌａｔｉｏｎ．Ａｌａｒｇｅｎｕｍｂｅｒｏｆｓｔｕｄｉｅｓｓｈｏｗｔｈａｔｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｖｅｒｓｉｏｎｐｒｏｄｕｃｔｓｆｏｒｓｏｉｌｍｏｉｓｔｕｒｅｈａｖｅｓｈｏｗｎｇｒｅａｔｐｏｔｅｎｔｉａｌｉｎｅｃｏｌｏｇｉｃａｌ，ｈｙｄｒｏｌｏｇｉｃａｌ，ｄｒｏｕｇｈｔ，ａｎｄｏｔｈｅｒｒｅｓｅａｒｃｈ，ａｎｄｈａｖｅｂｅｅｎａｐｐｌｉｅｄｉｎｓｏｍｅｒｅｓｅａｒｃｈ．Ｈｏｗｅｖｅｒ，ｔｈｅｒｅｉｓｓｔｉｌｌａｇａｐｂｅｔｗｅｅｎｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｇｏｂｓｅｒｖａｔｉｏｎｓａｎｄａｐｐｌｉｃａｔｉｏｎｉｎｓｏｉｌｍｏｉｓｔｕｒｅ．Ｔｈｕｓ，ｔｈｉｓｐａｐｅｒｆｉｎａｌｌｙｓｕｍｍａｒｉｚｅｓａｎｄｆｏｒｅｃａｓｔｓｔｈｅｐｒｅｃｉｓｉｏｎａｎｄａｃｃｕｒａｃｙｏｆＳｏｉｌＭｏｉｓｔｕｒｅＲｅｍｏｔｅＳｅｎｓｉｎｇＩｎｖｅｒｓｉｏｎａｎｄｉｔｓｓｏｌｕｔｉｏｎｓ．ＫｅｙＷｏｒｄｓ：ｓｏｉｌｍｏｉｓｔｕｒｅ；ｉｎｖｅｒｓｉｏｎｍｅｔｈｏｄ；ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｖｅｒｓｅｄｐｒｏｄｕｃｔｓ；ｄａｔａａｐｐｌｉｃａｔｉｏｎ；ｄａｔａａｓｓｉｍｉｌａｔｉｏｎ土壤水分作为重要的陆地表层系统要素，是生态㊁环境㊁农业等领域研究中不可忽视的指标㊂对比传统的６１６４㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀土壤水分测量方法如烘干法㊁时域反射法等局地土壤水分测量途径［１］，遥感技术提供了一种周期性㊁可全球覆盖的㊁多时相的对地观测手段［２⁃５］，为土壤水分研究带来了新的技术支撑㊂在目前遥感技术和土壤水分研究的衔接中，数据㊁方法与应用三者之间的级联特征尚缺乏梳理，容易致使数据误用，从而增加了遥感土壤水分产品在使用中的不确定性㊂基于此，本文拟依托数据㊁方法与应用的逻辑主线（图１），首先对土壤水分研究中所涉及到的遥感数据及对应方法的特点与不足进行梳理，为遥感技术在土壤水分研究中的应用提供更清晰的技术背景；随后对土壤水分数据产品的近今研究应用进行归纳总结，提出目前的研究热点及方向；最终就遥㊂感土壤水分的研究前景做出三点展望图１㊀遥感技术在土壤水分中的研究框架Ｆｉｇ．１㊀Ｒｅｓｅａｒｃｈｆｒａｍｅｗｏｒｋｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｓｏｉｌｍｏｉｓｔｕｒｅ１㊀土壤水分遥感定量反演基础１．１㊀光学遥感反演方法广义的光学遥感包括可见光⁃近红外⁃热红外三部分的波段范围㊂目前在可见光⁃近红外波段，常用的方法是利用Ｌａｎｄｓａｔ或ＭＯＤＩＳ等多光谱数据构建相应的干旱指数或植被指数来反映土壤含水量［６⁃８］㊂在热红外波段，通过地表温度［９］或热惯量［１０］实现土壤水分的反演㊂其中地表温度常常与植被指数相结合，通过不同土壤水分条件下所观测到的卫星影像像元值在温度⁃植被指数特征空间的分布规律来估算土壤水分［１１⁃１４］㊂热惯量与土壤水分之间存在一定的理论基础，可以根据能量平衡方程来估算土壤水分，但由于物理模型较复杂，常常利用回归函数模型进行反演㊂在经验方程基础上，相关研究还在模型中对地形㊁土壤质地㊁风速等影响热惯量的因素进行了修正㊂例Ｄｏｎｇ等［１５］通过表层土壤温度估算了土壤热和水力参数，并用来促进土壤水分估算的精度和鲁棒性㊂对比之下，可见光⁃近红外波段可以反映地表植被生长状况，热红外波段的光谱特性可以通过能量平衡与土壤水分建立理论模型㊂因此在近几年光学遥感反演土壤水分的研究中，可见光⁃近红外波段数据常常与热红外波段数据进行融合分析㊂除上述温度⁃植被指数空间外，另一种常用的融合方法是蒸散与作物缺水指数法㊂例如虞文丹等［１６］在作物缺水指数构建模型中引入双层蒸散发模型，估算了表层２０ｃｍ土壤的相对含水量㊂此外还有多种融合方式，如除多等［１７］将生长季植被供水指数与热红外波段相结合实现西藏高原地区的土壤水分遥感监测；于君明等［１８］通过角度指数来修正ＭＯＤＩＳ数据近红外与两个热红外光谱之间的关系，提高了土壤水分监测的精度㊂此外，高光谱遥感技术也以其丰富的光谱信息广泛应用于土壤水分的反演中［１９］，例如Ｓａｄｅｇｈｉ等［２０］在波段选择的基础上提出了一种基于可见光⁃近红外波段估算土壤水分的线性物理模型㊂土壤反射光谱曲线中的水分吸收带主要体现在近红外的１４００ｎｍ㊁１９００ｎｍ和２２００ｎｍ左右，最佳波段选择㊁光谱特征增强（如微分光谱㊁差分等）是剔除数据冗余㊁提高反演精度的常用方法㊂利用高光谱技术反演土壤水分可以分为两种类型，一种是采用土壤采样的方法，分别获取土壤含水量和土壤反射光谱，通过经验模型建立土壤水分与光谱反射之间的关系，同时还可以用来分析土壤含水量与有机质㊁氮磷元素等含量的影响，此类实验研究较多［２１⁃２２］；另一种是利用高光谱影像实现土壤水分的分布制图㊂由于高光谱数据含有丰富的光谱信息，混合光谱分解是目前高光谱研究中的热点和难点，也引入到了土壤水分反演的研究中，例如蔡亮红和丁建丽［２３］利用小波变换对土壤光谱进行８层分解，分别对分解后特征光谱进行９种数学运算建立与土壤水分的回归模型，为反射率法反演土壤水分提供了新思路㊂１．２㊀微波遥感反演方法对比光学遥感，微波遥感波长较长，具有一定的穿透能力，不受云层㊁大气的影响，在对地观测研究中发挥着巨大的作用，近年来发射的对地观测卫星也均以微波传感器为主，如ＳＭＯＳ㊁ＳＭＡＰ等㊂微波遥感反演土壤水分受植被和粗糙度［２４⁃２５］影响较大，在光滑的裸土区域精度最佳，并随着土壤粗糙度和植被生物量的增加而降低，因此通常分裸露地表［２６］和植被覆盖地表进行反演分析㊂微波遥感反演地表土壤水分具有一定的理论基础［２７⁃２８］㊂理论模型不依赖于站点条件和传感器特性［２９］，在裸露地表或稀疏植被区建立的主动微波物理模型有几何光学模型㊁物理光学模型㊁小扰动模型以及积分方程模型ＡＩＥＭ等㊂前３个模型均有一定的粗糙度适用范围，而ＡＩＥＭ模型的粗糙度适用范围相对较宽㊂然而由于对表面粗糙度的敏感性及其参数测量困难，ＡＩＥＭ模型在实际应用中结果并不理想，过去的几年中出现了ＩＥＭ改进模型和许多解算方案，如神经网络㊁遗传算法等㊂主动微波经验模型假设粗糙度不变的情况下，后向散射系数和土壤水分之间有一个近似的线性关系［３０］㊂然而经验模型的参数设置一般只对特定的数据集和实验条件（如观测频率㊁入射角和表面粗糙度等）有效，该模型的建立需要大量实验基础，实现成本较高且鲁棒性较差㊂半经验模型是经验模型和理论模型的一个折中［３１⁃３２］，利用模拟或实测数据集来简化后向散射的理论模型，建立在一定的统计规律上，又在一定程度上反映了散射机制，能够获得较好的精度，如常用的Ｏｈ模型［３３］和Ｄｕｂｏｉｓ模型［３４］㊂随后，一些研究将两种常用模型耦合，提出了一种融合模型，即半经验耦合（ＳＥＣ）模型㊂ＳＥＣ模型在同向极化和交叉极化中均耦合了两种模型的最佳性能，并且不需要使用实测的粗糙度数据㊂与主动微波类似，被动微波反演土壤水分的方法也分为理论模型和经验模型，但相对而言受干扰因素更多㊂因此土壤粗糙度㊁土壤纹理信息等相关参数被引入土壤水分反演模型中，如Ｈｏｎｇ和Ｓｈｉｎ［２８］针对被动微波遥感提出了一种基于粗糙表面极化率特性反演土壤水分的算法㊂而在植被覆盖区，则需要引入植被指数或水云模型等来消除植被的影响㊂１．３㊀反演方法研究现状针对不同遥感数据类型的土壤水分反演方法各具特点和优势（表１）㊂其中光学遥感具有较高的空间分辨率，可以准确反映植被信息，技术相对成熟㊁可用卫星数据源多且可以获取高光谱分辨率数据；然而其时间分辨率差，受大气影响严重，多局限于区域研究，且大部分反演方法仅能反映土壤的相对湿度㊂微波遥感具有一定的穿透能力，不受云雾干扰，可以全天候观测，有相对完善的理论基础，更适合土壤水分的估算，但空间分辨率低，且受植被和地表粗糙度的影响㊂目前公开发表的一系列全球尺度的遥感土壤水分产品均建立在微波探测数据基础上㊂目前，土壤水分的遥感反演方法的研究方向可以分为４种主要类型㊂第一种是多源数据协同反演㊂除了上述光学遥感内部融合方法以外，主被动微波遥感数据相结合也是一种常用的数据融合方式［３５⁃３６］㊂如Ｋｏｌａｓｓａ等［３７］的研究表明ＡＭＳＲ⁃Ｅ的亮度温度数据和ＡＳＣＡＴ后向散射数据间的协同作用能够有效的提高土壤水分估算数据质量㊂Ｌｉｅｖｅｎｓ等［３８］将雷达的后向散射系数（ＡＳＣＡＴ数据）与辐射计的亮度温度（ＳＭＯＳ数据）相结合，从而促进土壤水分和陆地蒸发等水文要素的估算㊂而在植被覆盖区，采用微波与光学遥感相结７１６４㊀１３期㊀㊀㊀潘宁㊀等：土壤水分遥感反演研究进展㊀合的方式来消除植被对土壤水分反演的影响［３９⁃４０］㊂第二种是引入新的计算方法，如神经网络㊁遗传算法等，Ｓａｎｔｉ等［４１］和余凡等［４２］分别用人工神经网络和遗传ＢＰ神经网络实现了土壤水分的主被动遥感协同反演；随后，支持向量机等机器学习方法［４３⁃４４］在遥感中的应用成了新的热点；此外，更多的统计方法被引入到土壤水分反演的经验模型中，如贾继堂等［２２］基于多元统计分析建立了高光谱数据的土壤含水量反演模型㊂第三种是改进现有模型㊂由于土壤水分的遥感反演受多种因素的影响，如植被覆盖㊁地表粗糙度㊁土壤类型㊁地形等，理论模型过于复杂，从而在解算简化模型时会根据具体研究区域进行相应改进，从而提高反土壤水分反演的精度［４５⁃４８］㊂第四种是针对新对地观测传感器所获取数据的反演算法［４９⁃５２］㊂随着对地观测技术的发展，传感器的波段以及相应的数据获取方式也逐渐进步㊂因此利用此类数据反演土壤水分时，需要根据新的数据特征提出新的反演方法，如针对近两年发射的ＳＭＯＳ和ＳＭＡＰ卫星数据提出的一系列反演方法㊂表１㊀不同遥感探测类型对比表Ｔａｂｌｅ１㊀Ｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔｒｅｍｏｔｅｓｅｎｓｉｎｇｔｙｐｅｓ光谱范围Ｓｐｅｃｔｒａｌｒａｎｇｅ观测属性Ｏｂｓｅｒｖａｔｉｏｎａｌａｔｔｒｉｂｕｔｅｓ优势Ａｄｖａｎｔａｇｅｓ局限性Ｌｉｍｉｔａｔｉｏｎｓ可见光⁃近红外Ｖｉｓｉｂｌｅｌｉｇｈｔ⁃ｎｅａｒｉｎｆｒａｒｅｄ土壤反射率空间分辨率高幅宽大表层穿透力差噪声源多限日间工作热红外Ｔｈｅｒｍａｌｉｎｆｒａｒｅｄ地表温度空间分辨率高幅宽大物理意义明确表层穿透力差噪声源多受大气状况㊁植被干扰强被动微波Ｐａｓｓｉｖｅｍｉｃｒｏｗａｖｅ亮温介电特性大气干扰小穿透力强物理意义明确空间分辨率小受地表粗糙度㊁植被影响大主动微波Ａｃｔｉｖｅｍｉｃｒｏｗａｖｅ后向散射系数介电特性大气干扰小穿透力强物理意义明确空间分辨率小受地表粗糙度㊁植被影响大土壤水分存在一定的区域性，大部分学者会针对特定的地表类型或区域特征进行土壤水分的反演研究［５３⁃６１］㊂例如武晋雯等［６２］针对不同植被条件下的土壤水分监测方法进行了比较；刘焕军等［６３］则针对性研究了黑土的土壤水分的高光谱模型㊂此外还有针对干旱区㊁矿区㊁湿地等地表类型的土壤水分反演研究㊂这些土壤水分的反演方法在区域研究中表现良好并不意味着具有普适性，虽然理论基础相同，但在实际应用中表现各异，因此土壤水分的遥感反演方法始终是研究热点㊂２㊀主要研究热点２．１㊀遥感土壤水分产品评估对地观测卫星数量增加，微波探测器从Ｃ波段以发展到了Ｌ波段，为土壤水分观测增加了新的数据产品㊂如表２所示，目前发布全球遥感土壤水分数据的对地观测计划有ＡＳＣＡＴ［６４］㊁ＡＭＳＲ⁃Ｅ／２［６５］㊁ＳＭＯＳ［６６］㊁ＳＭＡＰ［６７］和我国的ＦＹ⁃３共５个，其中ＳＭＯＳ和ＳＭＡＰ是利用Ｌ波段进行地表探测的卫星计划㊂除此之外，２０１２年，作为气候变化公约（ＣｌｉｍａｔｅＣｈａｎｇｅＩｎｉｔｉａｔｉｖｅ，ＣＣＩ）项目的一部分，欧洲航空局（ＥｕｒｏｐｅａｎＳｐａｃｅＡｇｅｎｃｙ，ＥＳＡ）发布了首套数十年全球卫星观测土壤水分数据集，并已在气候变化㊁水文㊁生态等研究中得以应用［６８］㊂一系列全球尺度土壤水分数据集的发布，数据集在全球各地以及不同尺度的验证和对比分析成为了近几年的研究热点［６９⁃８５］㊂首先就时间尺度而言，由于卫星发射时间的不同，各数据集的时间序列参差不齐，其中ＥＳＡＣＣＩ数据集将相关微波数据进行融合获得了最长时间系列的土壤水分数据；其次由于传感器的探测波段不同，数据反演方法均有很强的针对性，空间分辨率也存在很大差异，具体见表２㊂验证数据包括实测数据和模型模拟数据两种检验类型，整体而言，各数据集均能满足应用需求，但普遍在地势平坦㊁地表裸露或草原区域数据精度较８１６４㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀高，且不同数据集的表现在不同区域存在很大的差异性㊂例如庄媛等［８６］的研究表明２０１２年的ＡＳＣＡＴ㊁ＷＩＮＤＳＡＴ㊁ＦＹ３Ｂ㊁ＳＭＯＳ共４种微波遥感土壤湿度产品在我国西北地区相对较好；而沈润平等［８７］的研究表明ＥＳＡＣＣＩ土壤湿度产品在我国东北地区精度最佳㊂此外，各数据集的空间相关性和时间敏感度也存在差异，如Ｐｏｌｃｈｅｒ等［８８］的研究表明，在伊比利亚半岛地区，ＳＭＯＳ数据空间相关性较差；Ｙｅｅ等［８９］在澳大利亚的马兰比季河流域比较了ＳＭＯＳ和ＡＭＳＲ⁃２数据的精度，指出若综合考虑绝对精度和时间精度，推荐最新版本的ＪＡＸＡ数据产品（ＪＸ２）；若只考虑时间精度，夜间观测获得的ＬＰ３Ｘ产品和早晨观测获得的ＳＭＯＳ２产品更佳㊂正是数据集之间存在很大的差异且区域表现的不确定性使得大量的研究聚集在数据的检验和对比㊂表２㊀全球遥感土壤水分产品对比Ｔａｂｌｅ２㊀ＣｏｍｐａｒｉｓｏｎｏｆｇｌｏｂａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｓｏｉｌｍｏｉｓｔｕｒｅｐｒｏｄｕｃｔｓＡＳＣＡＴＡＭＳＲ⁃Ｅ／２ＳＭＯＳＳＭＡＰＦＹ⁃３ＥＳＡＣＣＩ设备类型ＥｑｕｉｐｍｅｎｔｔｙｐｅＣ波段（５．２５５ＧＨｚ）主动微波６．９３ ８．９ＧＨｚ被动微波Ｌ波段（１．４ＧＨｚ）被动微波Ｌ波段（１．２ １．４ＧＨｚ）主被动微波微波成像仪多源数据空间分辨率Ｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎ１２．５ｋｍ，２５ｋｍＬｅｖｅｌ２：２５ｋｍＬｅｖｅｌ３：１２ｋｍ１５ ２１７０ｋｍ３５ｋｍ３ ４０ｋｍ５０ˑ８５／２５ｋｍ ２５ｋｍ时间分辨率Ｔｅｍｐｏｒａｌｒｅｓｏｌｕｔｉｏｎ３ｄ２次／ｄ１ ３ｄＬｅｖｅｌ３：１ｄ／３ｄ／１０ｄ／月３ｄ２次／ｄ１０ｄ／月１ｄ时间序列Ｔｉｍｅｓｅｒｉｅｓ２００７至今２００２ ２０１０２０１３至今２０１０至今２０１５至今２０１１至今１９７９至今反演精度Ｉｎｖｅｒｓｉｏｎａｃｃｕｒａｃｙ０．０３ ０．０７ｍ３／ｍ３ȡ０．０４ｍ３／ｍ３ȡ０．０４ｍ３／ｍ３ȡ０．０４ｍ３／ｍ３０．０５ｍ３／ｍ３０．０４ｍ３／ｍ３㊀㊀ＡＳＣＡＴ，高级散射计，ｔｈｅＡｄｖａｎｃｅｄＳｃａｔｔｅｒｏｍｅｔｅｒ；ＡＭＳＲ⁃Ｅ／２，高级微波扫描辐射计，ｔｈｅＡｄｖａｎｃｅｄＭｉｃｒｏｗａｖｅＳｃａｎｎｉｎｇＲａｄｉｏｍｅｔｅｒ⁃Ｅ／２；ＳＭＯＳ，土壤水分和海洋盐度卫星，ｔｈｅＳｏｉｌＭｏｉｓｔｕｒｅａｎｄＯｃｅａｎＳａｌｉｎｉｔｙ；ＳＭＡＰ，土壤湿度主动／被动探测，ＳｏｉｌＭｏｉｓｔｕｒｅＡｃｔｉｖｅ／Ｐａｓｓｉｖｅ；ＦＹ⁃３，风云３号，Ｆｅｎｇｙｕｎ⁃３；ＥＳＡＣＣＩ，欧洲航空局气候变化公约，ＥｕｒｏｐｅａｎＳｐａｃｅＡｇｅｎｃｙＣｌｉｍａｔｅＣｈａｎｇｅＩｎｉｔｉａｔｉｖｅ２．２㊀在相关领域的应用土壤水分作为地表要素之一，在气候变化㊁陆气交互㊁全球生态㊁水文和地表模型以及干旱等研究中均起着不可或缺的作用㊂首先，在气候变化研究中，遥感土壤水分数周期性㊁时间序列长㊁空间范围广的优势有利于分析变化的空间分布和时间动态趋势［９０⁃９１］㊂Ｆｅｎｇ［９２］的研究表明，在全球尺度上，气候变化是土壤水分长时间变化的最主要驱动因素㊂因此土壤水分的变化在某种程度上反应了气候变化㊂Ｓｅｎｅｖｉｒａｔｎｅ等［９３］综合阐述了土壤水分在土地能源和水平衡中的作用，并详细分析了土壤水分与气候间的交互作用对温度和降水的影响以及在气候变化背景下的含义㊂在陆气交互研究中，土壤水分可以影响边界层的温湿变化㊂由于目前大部分关于土壤水分⁃蒸散发或土壤水分⁃温度耦合的研究都基于模型模拟结果或基于降水的干旱指数，而遥感可以提供长期的土壤水分观测估算数据，在研究蒸散发动态和大气反馈的同时还可以进行模型诊断［９４⁃９６］㊂Ｋｌｉｎｇｍｕｌｌｅｒ等［９７］将气溶胶光学厚度的正向趋势与ＥＳＡＣＣＩ土壤水分数据的反向趋势相连接，建立了更直接的土壤水分⁃大气反馈模型㊂他们的结果表明，在过去的１０年中，温度的升高和相对湿度的下降促进了土壤的干燥，导致了更多的粉尘排放和ＡＯＤ㊂在全球生物化学循环和生态系统中，土壤水分是植物物候学㊁光合作用㊁生物量分配以及土壤中碳的积累和分解等陆地生态系统过程的调节剂［９８⁃９９］㊂许多研究利用遥感土壤水分数据评估水分可用性和干旱对植物物候和生产力的影响［１００⁃１０３］㊂除此以外，也有部分学者关注于植被生长对土壤水分的影响㊂例如Ｆｅｎｇ等［１０４］分析了２００２ ２０１１年间的ＡＭＳＲ⁃Ｅ土壤水分数据，表明黄土高原退耕还林还草使土壤水分含量有所下降㊂此外，Ｐｅｒｉａｓａｍｙ等［１０５］还对土壤水分压力和盐分进行估算用于土地退化评价㊂在水文和陆表模型中，土壤水分联结了径流㊁洪水㊁蒸发㊁渗透和地下水补给等过程㊂遥感反演土壤水分９１６４㊀１３期㊀㊀㊀潘宁㊀等：土壤水分遥感反演研究进展㊀０２６４㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀数据在陆表模型和大尺度水文模型中的潜力已广泛得到认可［１０６］㊂Ｚｈｕｏ等［７２］以美国的某一流域为研究区，评估了ＳＭＯＳ升降两种观测所得土壤水分数据及其在水文气象模型中应用的可行性㊂首先遥感土壤水分数据可以用来洪水和径流预测，例Ｗａｎｄｅｒｓ等［１０７］的研究表明了多源遥感土壤水分数据在径流预测中的促进作用㊂其次，遥感土壤水分数据还可以用来促进水文循环中不同要素的定量化，如蒸散发［１０８⁃１０９］㊁地下水含量［１１０］以及降雨等㊂在干旱研究中，土壤水分的遥感数据可以直接用来监测农业干旱或者用来建立干旱指标［１１１⁃１１４］㊂例如Ｒａｈｍａｎｉ等［９１］利用ＳＭＯＳＬ３㊁ＥＳＡＣＣＩ和两种再分析土壤水分数据分析了伊朗６个子区域的土壤水分变化趋势，并通过计算标准土壤水分指数（ＳｔａｎｄａｒｄｉｚｅｄＳｏｉｌＭｏｉｓｔｕｒｅＩｎｄｅｘ，ＳＳＩ）来检测农业干旱事件的时间和规模㊂Ｍｉｓｈｒａ等［１１５］利用ＳＭＡＰ土壤水分数据构建了一个土壤水赤字指数作为农业干旱指标㊂２．３㊀数据同化在上述遥感土壤水分的应用研究中需要与降水㊁植被㊁蒸散发等数据共同计算，并涉及到许多的陆表过程㊁水文以及陆气交互模型㊂根据需求则需要将不同的数据类型或将遥感土壤水分数据引入到相应模型中，即同化㊂一方面，现有的遥感土壤水分数据产品存在精度不稳定㊁时间序列不连续㊁空间分辨率不匹配等缺陷，部分学者将不同的数据源进行同化，以满足研究需求㊂Ｌｉｕ等［３６］针对各数据集间数据质量不同等问题，提出了一种数据融合方法，将若干被动和主动微波获取的数据集融合为一个具有长时间序列的数据集㊂Ｋｏｌａｓｓａ等［３７］提出了一种利用回归方程生成长时间序列数据集的方法，将ＳＭＯＳ表层土壤水分作为回归方程的参考值，应用到ＡＭＳＲ⁃Ｅ的亮度温度数据，从而使得ＡＭＳＲ⁃Ｅ反演得出的表层土壤水分产品与ＳＭＯＳ产品达成一致㊂Ｃｒｏｗ等［５０］在美国的１６个流域对多个Ｌ波段微波遥感所得土壤水分数据与地表数据进行同化分析，提高了土壤水分信息的质量，并将土壤水分结果成功应用于水文预测㊂另一方面，遥感数据反演所得均为表层土壤水分数据，有学者利用数据同化获得根区土壤水分㊂如Ｄａｓ等［１１６］将机载遥感反演的表层土壤水分同化进入土壤⁃水⁃大气⁃植物（ＳＷＡＰ）模型中，估算了核桃谷流域根区土壤水分㊂Ｂａｌｄｗｉｎ等［１１７］提出了一种集合卡尔曼滤波（ｅｎｓｅｍｂｌｅＫａｌｍａｎｆｉｌｔｅｒ，ＥｎＫＦ）水文数据同化系统来预测卫星土壤水分数据中的偏差，并结合土壤水分解析关系（ＳｏｉｌＭｏｉｓｔｕｒｅＡｎａｌｙｔｉｃａｌＲｅｌａｔｉｏｎｓｈｉｐ，ＳＭＡＲ）渗透模型，利用卫星观测的表层土壤水分实现根区土壤水分的预测㊂也有部分学者反其道而行之，如Ｃｏｏｐｅｒｓｍｉｔｈ等［４４］由于实测传感技术和现有土壤水分观测网站无法提供实测表层土壤水分数据，从而通过机器学习方法，利用１０ｃｍ探测数据以及当前降水数据估算表层５ｃｍ的土壤水分，可以用来验证和分析遥感土壤水分估算结果㊂此外，由于数据或数据集之间的空间分辨率存在差异，在数据融合和同化的过程中涉及到一些数据降尺度或升尺度算法㊂降尺度算法可以数据的空间分辨率提高；而升尺度算法将数据的空间分辨率降低㊂如王璐等［１１８］基于克里格法实现了土壤水分遥感数据的空间尺度转换㊂Ｆａｎｇ和Ｌａｋｓｈｍｉ［１１９］在流域尺度，提出了一种利用高空间分辨率的地表温度和植被指数对被动微波反演所得土壤水分降尺度的算法，以提高土壤水分数据的空间分辨率㊂对于该部分研究内容，周壮等［１１９］和Ｑｉｎ等［１２０］已分别对降尺度和升尺度算法进行了详细综述分析㊂３㊀研究展望土壤水分作为四大圈层水分大循环中的重要组成部分，是对地观测中不可忽视的要素㊂遥感反演土壤水分的研究减少了野外采样获取土壤水分的人力劳动，且有着观测范围广㊁周期性㊁长时间序列的优势㊂随着遥感技术的发展，对地观测所用的波段范围越来越广泛；土壤水分遥感反演方法愈加的多元化且更为成熟和完善；同时越来越多的对地观测计划提供了全球土壤水分数据集，并在气候㊁生态干旱等研究中得以应用㊂然而遥感土壤水分观测与地球系统的研究需求之间仍然存在一些差距㊂首先，受遥感探测数据源的限制，获取的均为土壤表层数据㊂其次，土壤水分的反演方法表现出局限性，使得反演结果的精度有待提高㊂同时，由于遥感反演结果的不确定性，遥感土壤水分产品在生态㊁水文等领域的应用受到很大限制㊂因此，为满足科研需求，遥感土壤水分观测需要从精度和准确度两个方面进行提高㊂３．１㊀增加探测深度就深度而言，由于遥感探测器接收的地表辐射穿透能力有限，仅与表层土壤水分的相关性较强，最深仅可估算３０ｃｍ厚度的土壤水分㊂而在生态㊁水文等研究中，土壤水分的入渗以及部分植物的根系生长深度远超３０ｃｍ，使得遥感土壤水分反演数据与径流㊁植物生长等要素的联系并不紧密，因此在相关应用中表现出局限性㊂为了解决这一问题，需要建立遥感数据或反演所得表层土壤水分与深层土壤水分的关系㊂在这一过程中，可以引入土壤热学和水力学性质，分析土壤水分在土壤剖面的分配规律，从而实现深层土壤水分的遥感估算，例如Ｄａｓ等［１１６］和Ｂａｌｄｗｉｎ等［１１７］根区土壤水分的遥感预测的研究㊂如果将深层土壤水分的遥感估算进行全球推广，将对全球生态和水文研究具有重大意义㊂３．２㊀提高探测准确度准确度包含两个方面的含义，一是探测的精度，尽可能的减小估值和真值之间的误差；二是在空间和时间上的准确性㊂就精度而言，虽然在区域尺度上，一些反演结果的精度可以满足研究的需求，但全球尺度上的空间异质性使得遥感反演土壤水分产品在不同区域的精度参差不齐㊂例如，Ｗｕ等［７１］指出ＡＭＳＲ２土壤水分数据普遍比实际土壤水分数据低，在大平原与实测数据的匹配度高，而在森林区匹配度差㊂因此，提高土壤水分的遥感反演精度以及空间一致性将增加反演结果的实用性㊂就空间尺度而言，增加空间分辨率将能够为更多的区域性应用研究提供服务㊂目前公布的土壤水分产品均建立微波遥感数据基础上，空间分辨率相对较为粗糙，无法进行区域的精细研究，且与实测数据或模型模拟数据结合时存在尺度不一致的问题㊂在时间维度上，全球遥感土壤水分产品受不同对地观测计划的时间限制，时间序列不连续㊂解决这一系列问题的最有效方法就是数据融合，集合多源数据的优势，且目前有些学者已经涉及到相关的解决方案㊂虽然遥感反演土壤水分的研究中仍面临一些问题，短时间内上述提到的遥感土壤水分产品的不确定性难以从根本上得到解决，然而数据融合和协同方法可以对这一现状进行改善，为遥感土壤水分数据的应用提供了更多可能㊂但与其他土壤水分监测方法相比，遥感反演方法除了可以减少人力投入以外，所获土壤水分数据也有着不可比拟的优势㊂遥感反演土壤水分数据是大范围㊁面状㊁周期性的电子数据，可操作性强，更有利于分析土壤水分的异质性以及与其他生态㊁水文㊁气象等因子的相互关系㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］㊀Ｌｅｋｓｈｍｉ，ＳＵＳ，ＳｉｎｇｈＤＮ，ＢａｇｈｉｎｉＭＳ．Ａｃｒｉｔｉｃａｌｒｅｖｉｅｗｏｆｓｏｉｌｍｏｉｓｔｕｒｅｍｅａｓｕｒｅｍｅｎｔ．Ｍｅａｓｕｒｅｍｅｎｔ，２０１４，５４：９２⁃１０５．［２］㊀杨涛，宫辉力，李小娟，赵文吉，孟丹．土壤水分遥感监测研究进展．生态学报，２０１０，３０（２２）：６２６４⁃６２７７．［３］㊀陈书林，刘元波，温作民．卫星遥感反演土壤水分研究综述．地球科学进展，２０１２，２７（１１）：１１９２⁃１２０３．［４］㊀ＰｅｔｒｏｐｏｕｌｏｓＧＰ，ＩｒｅｌａｎｄＧ，ＢａｒｒｅｔｔＢ．Ｓｕｒｆａｃｅｓｏｉｌｍｏｉｓｔｕｒｅｒｅｔｒｉｅｖａｌｓｆｒｏｍｒｅｍｏｔｅｓｅｎｓｉｎｇ：ｃｕｒｒｅｎｔｓｔａｔｕｓ，ｐｒｏｄｕｃｔｓ＆ｆｕｔｕｒｅｔｒｅｎｄｓ．ＰｈｙｓｉｃｓａｎｄＣｈｅｍｉｓｔｒｙｏｆｔｈｅＥａｒｔｈ，ＰａｒｔｓＡ／Ｂ／Ｃ，２０１５，８３⁃８４：３６⁃５６．［５］㊀徐沛，张超．土壤水分遥感反演研究进展．林业资源管理，２０１５，（４）：１５１⁃１５６，１６０．［６］㊀ＷａｎｇＬＬ，ＱｕＪＪ．ＮＭＤＩ：ａｎｏｒｍａｌｉｚｅｄｍｕｌｔｉ－ｂａｎｄｄｒｏｕｇｈｔｉｎｄｅｘｆｏｒｍｏｎｉｔｏｒｉｎｇｓｏｉｌａｎｄｖｅｇｅｔａｔｉｏｎｍｏｉｓｔｕｒｅｗｉｔｈｓａｔｅｌｌｉｔｅｒｅｍｏｔｅｓｅｎｓｉｎｇ．ＧｅｏｐｈｙｓｉｃａｌＲｅｓｅａｒｃｈＬｅｔｔｅｒｓ，２００７，３４（２０）：１１７⁃１３１．［７］㊀ＧｈｕｌａｍＡ，ＱｉｎＱＭ，ＺｈａｎＺＭ．Ｄｅｓｉｇｎｉｎｇｏｆｔｈｅｐｅｒｐｅｎｄｉｃｕｌａｒｄｒｏｕｇｈｔｉｎｄｅｘ．ＥｎｖｉｒｏｎｍｅｎｔａｌＧｅｏｌｏｇｙ，２００７，５２（６）：１０４５⁃１０５２．［８］㊀ＧｈｕｌａｍＡ，ＱｉｎＱＭ，ＴｅｙｉｐＴ，ＬｉＺＬ．Ｍｏｄｉｆｉｅｄｐｅｒｐｅｎｄｉｃｕｌａｒｄｒｏｕｇｈｔｉｎｄｅｘ（ＭＰＤＩ）：ａｒｅａｌ－ｔｉｍｅｄｒｏｕｇｈｔｍｏｎｉｔｏｒｉｎｇｍｅｔｈｏｄ．ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００７，６２（２）：１５０⁃１６４．［９］㊀喻素芳，范文义，秦武明，吴英，陆道调．地表温度估测土壤含水量．广西大学学报：自然科学版，２００７，３２（Ｓ１）：１１０⁃１１２．［１０］㊀张霄羽，毕于运，李召良．遥感估算热惯量研究的回顾与展望．地理科学进展，２００８，２７（３）：１６６⁃１７２．［１１］㊀柳钦火，辛景峰，辛晓洲，田国良，杨贵军．基于地表温度和植被指数的农业干旱遥感监测方法．科技导报，２００７，２５（６）：１２⁃１８．［１２］㊀田苗，王鹏新，孙威．基于地表温度与植被指数特征空间反演地表参数的研究进展．地球科学进展，２０１０，２５（７）：６９８⁃７０５．［１３］㊀林巧，王鹏新，张树誉，李俐，景毅刚，刘峻明．不同时间尺度条件植被温度指数干旱监测方法的适用性分析．干旱区研究，２０１６，３３（１）：１８６⁃１９２．［１４］㊀沙莎，郭铌，李耀辉，胡蝶，王丽娟．温度植被干旱指数（ＴＶＤＩ）在陇东土壤水分监测中的适用性．中国沙漠，２０１７，３７（１）：１３２⁃１３９．１２６４㊀１３期㊀㊀㊀潘宁㊀等：土壤水分遥感反演研究进展㊀。
“土壤—植物系统水动力学研究”获2001年中国科学院自然科学一等奖
・
简
讯 ・
“ 植物系统水动力学研究， ０１ 土壤 ， ０ 年中国科学院自然科学一等奖 获２
由中 国科学院 ． 水利部 ． 西北农 林科 技大学水土保持研究所邵 明安 ． 康绍 忠 、 官周平 、 上 粱银 丽 、 明斌 ５位专家共 同完成 黄 的“ 土壤一 植物系统水动力学研究” 目， 项 将水分资源的有效转化 、 高教利 用与生产力提 高三者融为…体进行 了研究 。这是 个 具有 鲜明的综合性和交叉性 的学科生长点 ， 涉及到作物一 根系一 土壤 间的水分关系和作 物产量形成过程 的各个 环节 ， 及土壤
Ａｂ ｔ ａ ｔ Ｉ ｈ ｓｐ ｐ ｒ ｅ ｐ ｒｍｅ ｔｌ ｅ ｕｔ ｆｔ ｅｉ ｆ ｅ ｃ ｆｌｃ ｌ ｅ ｕ ｐ ｙ ｏ ｉｒ ｔ ｎ ｃ ｒ ｏ ｔ ｓｒ ｃ ：ｎ ｔ ｉ ａ ｅ ，ｘ ｅｉ ｎ ａ ｓ ｌｓｏ ｈ ｎ ｌ ｎ ｅｏ ｏ ａｉ ｄ ｓ ｐ ｌ ｆｎｔ ａｅｏ ｏ ｎ ｒ ｏ ｒ ｕ ｚ
学． 寝学和植物学 研究 中最薄弱 的环节 部分—— 土一 根系统中水热溶质运移过程等若干 国际上 的学科前沿 ， 士壤 学、 态学、 是 生
地学． 植物学等学科共 同面 临的难题。 该研究取得 的成果有 １ 建立 了推求 土壤 导水参数的积 分法 ， （） 这在理论 上首 次获 得了有关参数 的解析表 达式 ， 在实验上
ｗｅｇ ｔ ｒ ｔｌｎ ｔ ｅ ｓｔ （ ｉ ｈ ，ｏ ｅ ｇ ｈｄ ｎ ｉ ＲＬＤ）ａ ｄｔ ｅｒｄｓｒｂ ｔｏ ａ ｄ ｔ ｅｒ ｌｔ ｎｏ ｏ ｔｍｏ ｐ ｏｏ ｙ ａ ｄ ＮＯ ｕ — ｙ ｎ ｈ ｉ ｉｔｉ ｕ ｉｎ， ｎ ｈ ｅａ ｉ ｆｒｏａｄＡ ｃｉａ ｒ ｏｅｅｆＰｔ ＂ ｏ ｃｓ ｎ ｒｈｅ ｕｒ ｇｎｅ＇ ， 。 ｈ ｎｓ Ｔｃ ｗｒｔ Ａ Ｈ Ｍｕｅ ａ ∞ 口 ．ａｇｉｇＳ ａ，ｆ １ １０ｃ 山｝ ｌ ｏ ＇ ￣ ａ ｚ ｅ ｔ ｄ￣ ｉ ｎ ｇ Ｎ ｎ 一ｅｈ ｅｎ Ｕｍ ｓｙ ｉ ｇ ｃ ｔｒ ａｄＦ Ｙ ｕｌ ，ｈａ ｒ ７２， ． ． ｌ Ｊ ａ ９
中国分区域生态需水——获2009年度国家科技进步奖二等奖
是 与生态 管理 有 效衔 接 ， 季 节生 态 需水 特征 值 确定 了生 态河 流 的标 准 ， 分 为河 流生 态安 全调 度提 供 了依据 ． （ ） 地 生态水 文 结构 理 论与 计算 模 型． 体 创 新 体 现 在 ４个 方 面 ： 是 具 有 大局 观 ， ５湿 具 一 以水 土 资源 开 发 利用 引起 的湿 地 消退 效应 切人 ， 体研 究 湿地 ， 服 以往 针对 特定 范 围与对 象研 究 的局 限性 ； 整 克 二是 理论 独 创 ， 首次 提 出湿地 径 流场 与湿 地生 物 多样 性场 概念 ， 以湿 地 径流 场与 生 物多样 性 场分 离 与耦合 ， 示湿 地生 态 并 揭
空 尺 度 上 由微 观 、 观 、 观 逐 级 变 化 引 起 生 态 退 化 效 应 ， 尺 度 生 态 效 应 原 理 ； 是 提 出 了判 定 区 域 生 态 效 中 宏 即 三 应 的三 个 准 则 ， 定 了 内 陆 河 干 旱 区 、 湿 润 半 干 旱 区 、 润 区 三 大 生 态 需 水 基 本 类 型 ； 是 建 立 了 不 同 区 域 确 半 湿 四 生 态 需 水 类 型 具 有 内在 联 系 的 规 律 性 描 述 ， 分 区 域 生 态 需 水 计 算 奠 定 了 理 论 基 础 ． 为
获 ２０ ０ ９年 度 国家科 技进 步奖 二等 奖
国 家 “ 五 ” 技 攻 关 重 大 课 题 “ 国 分 区 域 生 态 用 水 标 准 研 究 ” 果 “ 国 分 区 域 生 态 需 水 ” 得 十 科 中 成 中 获
２０ ０ ９年 度 国家科 技进 步 奖二 等奖 ， 中国水 利水 电科 学 研究 院 和南京 水利 科 学研 究 院 主持 完成 ． 中 国分 区 由 “ 域 生态需 水 ” 在基 础理 论 、 关键 技 术 和管 理 决 策 方 面 ， 得 重 大 突破 ， 获 对我 国生 态 需 水 理 论 与技 术 有 开 拓 性 作用 ， 原创 性 突 出 ， 体处 于 国 际领先 水平 ． 果 自 ２ ０ 总 成 ０ ３年 起在 全 国各 地陆 续获 得广 泛应 用 ， 生态 效益 、 会 社 效益 、 经济 效 益得 到 和谐 统一 ． 生态 需水 是在 流域 自然资 源 ， 特别 是水 土 资源 开发 利用 条 件下 ， 了维 护 以河 流为核 心 的流 域生 态 系统 为 动态平 衡 的 临界水 分条 件 ． 国面对 的水 与生 态安 全 问题 、 理 目标 属 于 生 态危 机 管 理 范 畴． 对 生 态 危 机 我 管 针
非饱和土壤优先流运动特性的染色示踪研究_张丽华
文章编号:100724929(2010)0520035202非饱和土壤优先流运动特性的染色示踪研究张丽华,王成武(昆明理工大学现代农业工程学院,昆明650224) 摘 要:由于日益增长的环境问题,作为节水灌溉的基础———土壤中优先流的运动特性越来越受到关注。
利用亮蓝对初始含水量不同的2组土壤中的非均匀流动进行了示踪研究。
通过染色示踪试验采集土壤表平面的溶质迁移动态图像,结合图像分析讨论2种不同初始含水量土壤表平面溶质运移的变异过程。
结果表明:2种初始含水量土壤中土样表面的溶质运移分布都不均匀;不同初始含水量土壤中土样表面溶质运移的动态过程不同;随着入渗时间与入渗水量的增大,2种初始含水量土壤中土样表面的分维数呈现非线性增长,染色剂的分布面积非线性扩大,但扩大程度非线性减小。
关键词:染色示踪试验;染色面积;图像分析;土壤表平面;分维数 中图分类号:S152.7+2 文献标识码:AUsing Dye T racer to Characterize Preferential Flow Movement on Soil SurfaceZHANG Li 2hu a ,WANG Cheng 2wu(Faculty of Modern Agricultural Engineering ,Kunming University of Science and Technology ,Kunming 650224,China )Abstract :Because of the growing environmental problem ,as an important basis for water -saving irrigation ,the characteristic of preferential flow in soil was coming to the object of studying for scholars.In this paper ,Brilliant Blue was used to visualize the het 2erogeneous transportation on soil surface with different initial moisture content.Dynamically distributed images of solute moving on soil surface were obtained by dying tests ,and with image analysis we analyzed the different solute transportation variation processes in soil with different moisture content.The result suggest that solute transportation in soil of different moisture is heterogeneous ,and these variation processes were distinct ,with time and water infiltration ,these variation processes were all presented the nonlin 2ear growth in these experiments ,and the expansion degree was decrease in nonlinear.K ey w ords :dye experiment ;dye coverage area ;image analysis ;soil surface ;f ractal dimension收稿日期:2009211211基金项目:云南省教育厅科学研究基金项目(09Y0082)。
水化学及氮氧同位素技术示踪离子型稀土矿区硝酸盐来源与转化过程
ｈｔｔｐ：／／ｗｗｗ．ｒｅｎｍｉｎｚｈｕｊｉａｎｇ．ｃｎＤＯＩ：１０ ３９６９／ｊ ｉｓｓｎ １００１ ９２３５ ２０２３ ０５ ０１１第４４卷第５期人民珠江 ２０２３年５月 ＰＥＡＲＬＲＩＶＥＲ基金项目：国家重点研发计划项目（２０１８ＹＦＣ１８０１８０１）收稿日期：２０２２－１１－０１作者简介：国秋艳（１９９８—），女，硕士研究生，主要从事流域环境污染源解析等工作。
Ｅ－ｍａｉｌ：１５０３０８０５８４３＠１６３．ｃｏｍ通信作者：张秋英（１９７２—），女，副研究员，主要从事流域环境污染源解析与控制等工作。
Ｅ－ｍａｉｌ：ｚｈａｎｇｑｙ＠ｃｒａｅｓ．ｏｒｇ．ｃｎ国秋艳，张秋英，李兆，等．水化学及氮氧同位素技术示踪离子型稀土矿区硝酸盐来源与转化过程［Ｊ］．人民珠江，２０２３，４４（５）：８１－８８，９６．水化学及氮氧同位素技术示踪离子型稀土矿区硝酸盐来源与转化过程国秋艳１，２，张秋英２，李 兆３，４，李发东３，４，王 凡２（１．武汉工程大学化学与环境工程学院，湖北 武汉 ４３０２０５；２．中国环境科学研究院，北京 １０００１２；３．中国科学院地理科学与资源研究所，北京 １００１０１；４．中国科学院大学，北京 １０００４９）摘要：为了识别离子型稀土矿区水体中硝酸盐来源、迁移与转化过程和污染贡献，以龙南县为研究区域，测定了地表、地下水样品的阴阳离子和硝酸盐氮氧同位素。
结果显示：研究区水化学类型基本以ＨＣＯ３·ＳＯ４Ｃａ为主，含氮化合物以硝酸盐为主；δ１５Ｎ ＮＯ－３和δ１８Ｏ ＮＯ－３值的特征图结合ＮＯ－３／Ｃｌ－摩尔浓度比值和Ｃｌ－浓度的关系可知，该地区的硝酸盐浓度主要受铵态氮肥、土壤氮、粪污和矿井排水的影响，硝酸盐转化的主要过程是硝化作用，无明显反硝化反应。
ＭｉｘＳＩＡＲ模型结果表明：地表水和地下水硝酸盐主要来自矿井排水、土壤氮和粪污。
关键词：离子型稀土矿区；硝酸盐；水化学；氮氧同位素；ＭｉｘＳＩＡＲ模型中图分类号：Ｐ６４１ 文献标识码：Ｂ 文章编号：１００１ ９２３５（２０２３）０５ ００８１ ０９ＷａｔｅｒＣｈｅｍｉｓｔｒｙａｎｄＮｉｔｒｏｇｅｎａｎｄＯｘｙｇｅｎＩｓｏｔｏｐｅＴｅｃｈｎｉｑｕｅｓｆｏｒＴｒａｃｉｎｇＮｉｔｒａｔｅＳｏｕｒｃｅｓａｎｄＴｒａｎｓｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｅｓｉｎＩｏｎｉｃＲａｒｅＥａｒｔｈＭｉｎｉｎｇＡｒｅａｓＧＵＯＱｉｕｙａｎ１牞２牞ＺＨＡＮＧＱｉｕｙｉｎｇ２牞ＬＩＺｈａｏ３牞４牞ＬＩＦａｄｏｎｇ３牞４牞ＷＡＮＧＦａｎ２牗１．ＳｃｈｏｏｌｏｆＣｈｅｍｉｓｔｒｙａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＥｎｇｉｎｅｅｒｉｎｇ牞ＷｕｈａｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ牞Ｗｕｈａｎ４３０２０５牞Ｃｈｉｎａ牷２．ＣｈｉｎｅｓｅＲｅｓｅａｒｃｈＡｃａｄｅｍｙｏｆＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅｓ牞Ｂｅｉｊｉｎｇ１０００１２牞Ｃｈｉｎａ牷３．ＩｎｓｔｉｔｕｔｅｏｆＧｅｏｇｒａｐｈｉｃＳｃｉｅｎｃｅｓａｎｄＮａｔｕｒａｌＲｅｓｏｕｒｃｅｓＲｅｓｅａｒｃｈ牞ＣＡＳ牞Ｂｅｉｊｉｎｇ１００１０１牞Ｃｈｉｎａ牷４．ＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ牞Ｂｅｉｊｉｎｇ１０００４９牞Ｃｈｉｎａ牘Ａｂｓｔｒａｃｔ牶Ｔｏｉｄｅｎｔｉｆｙｔｈｅｓｏｕｒｃｅ牞ｍｉｇｒａｔｉｏｎａｎｄｔｒａｎｓｆｏｒｍａｔｉｏｎｐｒｏｃｅｓｓｅｓ牞ａｎｄｐｏｌｌｕｔｉｏｎｃｏｎｔｒｉｂｕｔｉｏｎｏｆｎｉｔｒａｔｅｉｎｔｈｅｗａｔｅｒｂｏｄｙｏｆｉｏｎｉｃｒａｒｅｅａｒｔｈｍｉｎｉｎｇａｒｅａｓ牞ｔｈｉｓｐａｐｅｒｄｅｔｅｒｍｉｎｅｄｔｈｅａｎｉｏｎｓａｎｄｎｉｔｒａｔｅｎｉｔｒｏｇｅｎ ｏｘｙｇｅｎｉｓｏｔｏｐｅｓｏｆｓｕｒｆａｃｅａｎｄｇｒｏｕｎｄｗａｔｅｒｓａｍｐｌｅｓｂｙｔａｋｉｎｇＬｏｎｇｎａｎＣｏｕｎｔｙａｓｔｈｅｓｔｕｄｙａｒｅａ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｗａｔｅｒｃｈｅｍｉｓｔｒｙｔｙｐｅｉｎＬｏｎｇｎａｎＣｏｕｎｔｙｉｓｂａｓｉｃａｌｌｙｄｏｍｉｎａｔｅｄｂｙＨＣＯ３·ＳＯ４ Ｃａ牞ａｎｄｔｈｅｎｉｔｒｏｇｅｎ ｃｏｎｔａｉｎｉｎｇｃｏｍｐｏｕｎｄｓａｒｅｄｏｍｉｎａｔｅｄｂｙｎｉｔｒａｔｅ．Ｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｐｌｏｔｓｏｆｔｈｅｖａｌｕｅｓｏｆδ１５Ｎ ＮＯ－３ａｎｄδ１８Ｏ ＮＯ－３ｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎＮＯ－３／Ｃｌ－ｍｏｌａｒｃｏｎｃｅｎｔｒａｔｉｏｎｒａｔｉｏｓａｎｄＣｌ－ｃｏｎｃｅｎｔｒａｔｉｏｎｓｓｈｏｗｔｈａｔｔｈｅｎｉｔｒａｔｅｃｏｎｃｅｎｔｒａｔｉｏｎｓｉｎｔｈｅＬｏｎｇｎａｎＣｏｕｎｔｙａｒｅｍａｉｎｌｙｉｎｆｌｕｅｎｃｅｄｂｙａｍｍｏｎｉｕｍｎｉｔｒｏｇｅｎｆｅｒｔｉｌｉｚｅｒ牞ｓｏｉｌｎｉｔｒｏｇｅｎ牞ｍａｎｕｒｅａｎｄｍｉｎｅｄｒａｉｎａｇｅａｎｄｔｈａｔｔｈｅｍａｉｎｐｒｏｃｅｓｓｏｆｎｉｔｒａｔｅｔｒａｎｓｆｏｒｍａｔｉｏｎｉｓｎｉｔｒｉｆｉｃａｔｉｏｎ牞ｗｉｔｈｎｏｓｉｇｎｉｆｉｃａｎｔｄｅｎｉｔｒｉｆｉｃａｔｉｏｎｒｅａｃｔｉｏｎｓ．ＴｈｅｒｅｓｕｌｔｓｏｆｔｈｅＭｉｘＳＩＡＲｍｏｄｅｌａｌｓｏｓｈｏｗｔｈａｔｔｈｅｎｉｔｒａｔｅｉｎｓｕｒｆａｃｅｗａｔｅｒａｎｄｇｒｏｕｎｄｗａｔｅｒｍａｉｎｌｙｃｏｍｅｓｆｒｏｍｍｉｎｅｄｒａｉｎａｇｅ牞ｓｏｉｌｎｉｔｒｏｇｅｎａｎｄｍａｎｕｒｅ．Ｋｅｙｗｏｒｄｓ牶ｉｏｎｉｃｒａｒｅｅａｒｔｈｍｉｎｉｎｇａｒｅａ牷ｎｉｔｒａｔｅ牷ｗａｔｅｒｃｈｅｍｉｓｔｒｙ牷ｎｉｔｒｏｇｅｎａｎｄｏｘｙｇｅｎｉｓｏｔｏｐｅｓ牷ＭｉｘＳＩＡＲｍｏｄｅｌ１８Copyright ©博看网. All Rights Reserved.人民珠江 ２０２３年第５期稀土元素由于其独特的光学、磁性和催化性能，可以广泛用于医疗、新材料和军工制造业等领域。
遥感测绘论文题目GIS测绘学论文题目测绘工程论文题目选题大全毕业论文开题报告参考文献
耕地土壤有机质与速效氮磷钾含量高光谱遥感反演研究 经验模态分解在高光谱遥感数据处理中的应用 面向对象的高分辨率遥感影像的分割与分类研究 多极化星载 SAR 森林覆盖变化检测方法研究 多特征融合的遥感影像变化检测方法研究 近 30 年上海海岸带土地利用变化分析与建模预测 基于矩阵对数累积量和非局部均值方法的极化 SAR 噪声抑制 基于高光谱数据的最大羧化速率遥感定量反演 高分辨率遥感影像道路网提取及变化检测 基于高分辨率遥感影像的城区建筑物提取方法研究 基于高分辨率遥感影像的团场小城镇土地利用变化分析与预测研究 面向对象的草原植被参数反演方法及应用 基于多特征的面向对象高分辨率遥感图像分类 定标缺失情况下的高光谱图像分类研究 基于多波段多极化 SAR 数据的草原地表土壤水分反演方法研究 粒子群优化算法在多时相遥感影像变化检测中的应用研究 基于 Sentinel-1 和 Landsat 8 数据的潮间带盐沼湿地分类研究 高分辨率遥感影像面向对象的绿地信息提取方法研究 基于 HJ-1A HSI 高光谱遥感数据的湟水流域典型植被分类 多源遥感图像融合技术研究 基于 CVA 与光谱解混的高光谱图像变化检测研究 小麦茎基腐与全蚀病高光谱遥感识别研究 基于 Sentinel-1 的近岸海表风场反演研究 雷达卫星 TerraSAR-X 精准测距高原湿地水位反演研究 基于数据挖掘技术的航摄影像土地利用变化检测研究 基于深度神经网络的遥感图像变化检测 基于多空间分辨率遥感数据的山区土地利用/土地覆被分类及变化检测 基于图谱理论的遥感图像分类方法研究 高光谱遥感协同处理黑刺沟岩矿蚀变信息方法研究 基于多核学习的高光谱遥感影像分类方法研究
遥感测绘论文题目 GIS 测绘学论文题目测绘工程论文题目选
题大全毕业论文开题报告参考文献 目录
一、选题技巧............................................................................................................................................1 二、热词分布............................................................................................................................................2 三、测绘学论文题目大全....................................................................................................................... 2 四、知网万方等如何利用................................................................................................................... 104
第十五届中国水土保持学会科学技术奖评选结果
第十五届我国水土保持学会科学技术奖评选结果近日，由我国水土保持学会主办的第十五届科学技术奖评选结果揭晓。
该评选活动旨在表彰在水土保持领域取得突出成就和做出重大贡献的个人和团体，推动水土保持科学技术的发展与进步。
本次评选共评定了一、二、三等奖各若干项，评选结果如下：一等奖：1. 温州市水文局《温州市水土流失监测与评价技术研究》2. 北京农业大学林业与草业学院《水土保持植物种质创新与应用》3. 我国科学院南京土壤研究所《基于GIS和RS的山区水土保持格局优化研究》二等奖：1. 重庆市水土保持研究中心《长江流域土壤侵蚀模拟与评估技术研究》2. 云南省农业科学院土壤肥料与环境资源研究所《云南省水土保持植被建设技术研究与示范》三等奖：1. 江苏省农业科学院《分布式水土保持模型研究及其在流域尺度的应用》2. 河北农业大学水利与建筑学院《小尺度流域水土保持信息化技术研究》此次评选结果经过多轮评审和专家组讨论，结合了各参评项目在科研创新、技术应用和社会效益等方面的综合表现，涵盖了水土保持领域的最新研究成果和创新技术。
评选结果具有较高的权威性和公信力，对推动水土保持领域的发展和推广先进技术具有积极的促进作用。
本次评选活动也进一步展现了我国水土保持学会在科学技术奖评选工作中的公正性和公开性，为水土保持科学技术的发展提供了有力的支持和推动。
相信在我国水土保持学会的引领下，水土保持领域的科研创新和技术应用将迎来更加美好的未来。
随着社会经济的发展和人口的增加，农业生产和城市建设对水土资源的需求越来越大，同时也带来了严重的水土流失和土地退化问题。
水土保持工作变得尤为重要。
我国水土保持学会一直致力于推动水土保持科学技术的发展与进步，通过奖励和表彰那些在水土保持领域取得突出成就和做出重大贡献的个人和团体，来激励更多的人投身到水土保持工作中去。
在本次评选中，一等奖获得者包括温州市水文局、北京农业大学林业与草业学院和我国科学院南京土壤研究所等单位，他们通过具体的技术研究和应用实践，为水土保持领域的发展做出了重大的贡献。
采用染色示踪技术的土壤优先流自动分割与量化系统
第37卷第6期农业工程学报 V ol.37 No.62021年3月Transactions of the Chinese Society of Agricultural Engineering Mar. 2021 127 采用染色示踪技术的土壤优先流自动分割与量化系统韩巧玲1,2,3,4，柏浩1,2,4，赵玥1,2,3,4※，赵燕东1,2,4，徐向波1,3,4，李继红5（1. 北京林业大学工学院，北京 100083；2. 城乡生态环境北京实验室，北京 100083；3. 国家林业局林业装备与自动化国家重点实验室，北京 100083；4. 智慧林业研究中心，北京 100083；5. 东北林业大学林学院，哈尔滨 150040）摘要：针对土壤染色图像色度不一致、染色/非染色区域对比度低的特点，以及现有土壤染色图像分割方法自动化程度弱的问题，该研究提出一种土壤优先流自动分割与量化系统。
该系统采用基于H分量改进的模糊C均值方法（Fuzzy C-Means Based on H Component and Morphology，HM-FCM）实现染色区域的自动分割，运用数学统计法提取总染色面积比、基质流深度、优先流比等特征参数，实现对土壤染色区域的量化分析，以揭示优先流的发育程度。
并基于2种林地染色图像验证了系统性能。
试验结果表明：1）HM-FCM法对于天然次生林和榛子林图像均具有最佳分割效果，其分割准确率为87.9%和83.3%，调和平均值为90.5%和80.3%；2）2种林地土壤染色区域总体集中于0～50 cm土层，优先流具有不同发育程度（P<0.05）。
该系统可为优先流路径的空间演变提供技术支持和理论依据。
关键词：土壤；图像分割；优先流；染色示踪技术；量化分析doi：10.11975/j.issn.1002-6819.2021.06.016中图分类号：S152.7 文献标志码：A 文章编号：1002-6819(2021)-06-0127-08韩巧玲，柏浩，赵玥，等. 采用染色示踪技术的土壤优先流自动分割与量化系统[J]. 农业工程学报，2021，37(6)：127-134. doi：10.11975/j.issn.1002-6819.2021.06.016 Han Qiaoling, Bai Hao, Zhao Yue, et al. Automatic segmentation and quantitative analysis of soil preferential flow using dye tracer technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 127-134. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.06.016 0 引 言优先流是一种常见的土壤水分运动形式，表示土壤中溶质和水分绕过土壤基质并在土体内部优先移动的现象[1]。
基于AnnAGNPS模型的罗李村流域水文模拟与评价
基于AnnAGNPS模型的罗李村流域水文模拟与评价基于AnnAGNPS模型的罗李村流域水文模拟与评价一、引言近年来，由于全球气候变化和人类活动的不断扩大，水资源管理和保护变得越发重要。
水文模拟和评价是评估流域水资源的关键工具之一。
本文将使用AnnAGNPS（Annualized Agricultural Non-Point Source）模型来对罗李村流域进行水文模拟与评价，以期为该流域的水资源管理提供科学依据。
二、研究区域的概况罗李村流域位于某省某市下辖的一个乡镇，流域总面积为XXX平方公里。
该流域以农业为主要经济活动，农田占据了流域面积的大部分。
三、AnnAGNPS模型简介AnnAGNPS模型是一种基于非点源的水文模拟模型，主要用于评估农业活动对流域水资源的潜在影响。
该模型将流域分为多个子区域，并考虑了土壤侵蚀、水质和水量的动态变化。
四、数据收集与处理1. 地形数据：采用遥感技术获取罗李村流域的数字高程模型（DEM）数据，并提取流域的坡度和坡向信息。
2. 气象数据：收集了流域附近站点的气象数据，包括降水量、温度等指标。
3. 植被数据：利用遥感技术获取了流域的植被分布图，以提供植被信息。
4. 土壤数据：采集了流域内不同土地利用类型的土壤样品，并进行了实验室测定。
五、模型建立与参数校准1. 模型设置：根据罗李村流域的特点，将流域划分为多个子区域，并设定了子区域的属性。
2. 参数校准：利用历史流域观测数据，对模型的参数进行校准，以保证模型的准确性和可靠性。
六、模型模拟与评价结果1. 土壤侵蚀评价：通过模拟计算，得到了罗李村流域的土壤侵蚀量和侵蚀强度分布图，并评价了不同区域的侵蚀状况。
2. 水质评价：模拟计算了流域内不同区域的水质情况，包括营养物质浓度、水体溶解氧等指标，评估了农业活动对流域水质的影响。
3. 水量评价：模拟计算了流域的水量平衡和径流过程，评估了农田灌溉对流域水资源的利用率和水量变化趋势。
水利专家系统研究进展及发展趋势
宁夏农林科技，Ningxia Journal of Agri.and Fores.Sci.&Tech.2024，65（01）：52-58水利专家系统研究进展及发展趋势李永梅1，2，张立根3*，张鹏程21.宁夏农林科学院农业经济与信息技术研究所,宁夏银川7500022.宁夏大学土木与水利工程学院,宁夏银川7500213.宁夏建筑科学研究院股份集团有限公司,宁夏银川750021摘要：水利专家系统作为一种基于人工智能技术的决策支持系统，在提高水利工程决策的准确性和时效性方面发挥着重要作用。
通过归纳水利专家系统关键技术，梳理水利专家系统研究成果，旨在分析水利专家系统存在的问题，指出解决问题的方法，分析水利专家系统的发展趋势，深化人们对水利专家系统的全面认识，推动水利专家系统理论研究，促进人工智能技术在水利领域中的应用推广。
关键词：水利专家系统；灌溉管理专家系统；水资源开发管理专家系统；水质管理专家系统中图分类号：TV736；TP18文献标识码：A文章编号：1002-204X（2024）01-0052-07doi:10.3969/j.issn.1002-204x.2024.01.012Research Progress and Development Trend of Hydraulic Expert SystemLi Yongmei1,2,Zhang Ligen3*,Zhang Pengcheng2(1.Institute of Agricultural Economy and Information Technology,Ningxia Academy of Agriculture and Forestry Sciences,Yinchuan,Ningxia750002;2.School of Civil and Hydraulic Engineering,Ningxia University,Yinchuan, Ningxia750021;3.Ningxia Institute of Building Sciences Group Co.,Ltd.,Yinchuan,Ningxia750021) Abstract As an artificial intelligence-based decision support system,hydranlic expert systems plays an important role in improving the accuracy and timeliness of decision-making in hydraulic engineering.The key technologies and the research achievements of hydranlic expert systems were summarized,the problems existing in hydranlic expert systems were analyzed,the methods to solve these problems were pointed out,and the future development trends were proposed.Research has certain guiding significance in deepening people's comprehensive understanding of hydranlic expert systems,promoting theoretical research on hydranlic expert systems,and promoting the application and promotion of artificial intelligence technology in the field of hydranlic.Key words Hydraulic expert system;Irrigation management expert system;Water resources development and management system;Water quality management expert system水利工程是人类控制、调节和利用水资源以达到除害兴利目的而建的各种工程。
基于人工智能算法的CYGNSS数据土壤水分反演
基于人工智能算法的CYGNSS数据土壤水分反演作者：贾燕金双根严清赟郭献涛来源：《南京信息工程大学学报》2021年第06期摘要利用CYGNSS數据估计地表土壤水分（SM）近年来获得了极大的关注，但效率和精度有待进一步提升.本文提出了一种预分类策略，结合人工智能算法（AI），利用CYGNSS数据预测土壤水分.此策略能够在人工智能算法的基础上进一步提高土壤水分预测的精确度，具有较好的普适性和易用性.本文使用了2018年全年中国地区的实地土壤水分数据作为地面真实参考数据进行建模以及预测.结果证实预测土壤水分与参考真实数据具有良好的一致性.基于CYGNSS数据预测的土壤水分与实地土壤水分参考数据比对，其相关系数高达0.8，平均均方根误差（RMSE）和平均无偏均方根误差（ubRMSE）分别为0.059 cm3/cm3和0.050 cm3/cm3.研究结果表明，预分类策略的人工智能算法可明显提高CYGNSS预测土壤水分的精确度，其简单易操作性也使其可广泛应用于其他回归和预测研究领域，具有较好的泛化性和拓展性.关键词全球导航卫星系统反射测量法;土壤水分;CYGNSS;人工智能中图分类号S152.7;S127文献标志码A0 引言地表土壤水分是地表与大气相互作用的重要因子，是作物生长、发育的基本条件.它不仅对陆地表面蒸散、水的运移、碳循环有很强的调控作用，而且也是气候、水文、生态、农业等领域衡量土壤干旱程度的重要指标[1-3]，因此，及时准确地获取地表土壤水分信息具有重要的意义.但是，由于监测设备的高成本以及点观测的局限性（小范围观测），传统的现场观测无法满足持续监测大面积土壤水分含量的需求[4].微波遥感技术的兴起和发展使得传统的点测量转移到面测量，为获得区域和全球尺度的高分辨率的土壤水分信息提供了可能.目前，许多被动微波卫星或传感器已被用于观测地表土壤湿度（<5 cm），如美国宇航局的AMSR-E（先进微波扫描辐射计-地球观测系统）[5]、欧洲航天局的SMAP（土壤湿度被动和主动）[6] 和SMOS（土壤湿度和海洋盐度）[7].尽管使用微波传感器可以获得高精度的土壤水分产品，例如，SMAP 36 km土壤水分产品的误差约为0.04 m3/m3[8]，但其2～3 d的较长重访周期限制了其更高的时间分辨率（1 d）应用.GNSS-Reflectometry （GNSS-R）反射信号遥感是一种介于主动和被动遥感之间的新型遥感探测方法，可以看作是一个非合作人工辐射源、收发分置、多发单收的多基地L波段雷达系统，从而兼具主动和被动遥感两者的优点[9-10]：1）它利用全球卫星导航系统反射信号进行测量，不需要额外的发射机，这使得开发轻便、紧凑和低成本的接收机系统得以实现;2）系统配置灵活，可自行设计接收多种高度、多角度和多极化的目标物反射信号，为多种接收方式、算法研究提供了可能.随着GNSS-R反演土壤水分研究的不断深入，具有长时间序列观测数据的新星座观测计划成为GNSS-R土壤水分反演的新途径.最新的CYGNSS星座系统，含有8颗微小卫星，可同时接收来自GPS卫星的直射信号和地面反射信号[9]，大大增加了地球可观测面积.它的重访周期仅为4 h，空间分辨率最高可达到0.5 km[11].CYGNSS星座系统提供的高精度优良数据，为实现全球高时空分辨率的土壤水分长期动态监测提供了有力的支撑[12-24].Eroglu等[17]提出了一种基于人工神经网络（ANN）的日土壤水分反演方法，其设计的ANN输入部分包括CYGNSS数据和其他辅助数据：归一化差异植被指数（NDVI）、植被含水量（VWC）、地形高程、地形坡度和表面粗糙度.反演结果的ubRMSE（无偏均方根误差）为0.054 4 cm3/cm3，R为0.90，取得了较好的研究成果.虽然ANN能够很好地反演土壤水分，但该方法十分依赖训练数据集.倘若训练数据集不能代表所有实测数据，就会出现反演值溢出的情况.Yang等[19]采用了类似的算法评估了星载GNSS-R星座系统（TDS和CYGNSS）SM 预测性能.R为0.79，ubRMSE为0.062 cm3/cm3，并采用了6个辅助参数.值得注意的是，目前基于人工智能的CYGNSS数据反演土壤水分研究[17-19]，大多使用SMAP作为参考和验证数据，且依赖于大量的辅助输入参数，例如海拔高度、地形坡度等.因此，本文提出一种基于预分类的人工智能算法，利用CYGNSS数据进行SM预测和估计.采用上述方案，其普适性和实用性较强且需要的辅助变量较少，学习模型的复杂度低，训练效率高且训练过程简易，同时预测结果的精度高.为CYGNSS SM估计提供了新的思路和手段.1 数据描述本章主要描述CYGNSS数据获取与预处理过程，并介绍了SMAP数据以及实地土壤水分参考数据及来源.1.1 CYGNSS数据本文拟采用的土壤水分数据产品主要包括星载CYGNSS以及实测土壤水分数据.其中，星载CYGNSS有8颗微卫星，每颗卫星每秒可以同时提供4个地面反射测量值（免费获取：https：∥）[11]，因此每秒可以同时获取总共32个观测数据.CYGNSS原始数据包括每个镜面反射点（SP）处的双地基雷达横截面值（BRCS）和信噪比（SNR），以及相关的几何测量和导航定位信息，例如入射角、SP坐标、从SP到发射端和接收端的距离等.本文中使用2018年整年的CYGNSS数据用于建模和预测，并把每日CYGNSS数据样本进行重投影、重采样到EASE-Grid（该网格为等积圆柱投影）网格上，便于后续的计算与比较验证.本文拟采用中国区域范围内的CYGNSS数据中SP处SNR超过0 dB的数据进行土壤水分反演，以确保数据的可靠性.同时，保留BRCS峰值在时延轴第4与第15位的数据，天线增益大于零的数据以及仰角大于30°的数据，相关类似操作也在文献[17-20]中采用.另外，由于CYGNSS未直接提供GNSS-R双基雷达反演中所需的地表反射率，因此需要通过CYGNSS已提供的相关数据来推算地表反射率，将在下一节进行详细介绍.1.2 SMAP数据SMAP提供日土壤水分产品，且平均每隔3 d左右，其数据可覆盖到全球±45°纬度内的陆地区域.本文拟采用SMAP L3级产品，EASE-Grid版本6提供的日土壤水分产品，该数据的空间分辨率为36 km×36 km（免费获取：https：∥/data/SPL3SMP/）.SMAP的数据包含土壤水分估计值、质量标记（用于过滤SMAP数据）、粗糙度和植被不透明度（vod，或τ）以及相关的轨道坐标值[25].本文主要使用SMAP中的粗糙度和植被不透明度τ作为辅助变量参与建模，并使用质量标记“反演成功”作为数据筛选的条件.因为单日的SMAP数据覆盖率较低，我们将SMAP数据都进行了3 d平均的操作便于其参与后续的土壤水分建模运算，并将SMAP的粗糙度和τ数据映射到CYGNSS数据使用的EASE-Grid网格上.1.3 参考数据将上述数据作为输入变量，建立土壤水分预测模型.输出的土壤水分参考数据将采用中国土壤水分自动观测站收集的实地地表SM数据.该观测网由多个站点组成，本文采用的站点分布及其覆盖的区域如图1所示.每个站点提供每小时土壤表面以下0至100 cm深度的SM测量，间隔10 cm.根据不同的土壤含水量和土壤类型，GNSS-R信号在土壤中的穿透深度可以从几厘米到大约20厘米不等[15].因此采用地表上层10 cm 的实地观测SM数据，视为与GNSS-R技术反演土壤水分匹配的最佳值.在本研究中，每天逐小时的地表土壤水分数据被用来作为参考真实土壤水分数据.此外，还提供了采样地点的地理位置信息（包括纬度、经度）.2 估计方法本章详细叙述了从CYGNSS数据计算反射率以及土壤水分的建模和预测过程，包括地表反射率的计算、幾种用于土壤水分反演的经典人工智能算法，以及预分类人工智能算法的模型构建和反演SM的过程.2.1 CYGNSS观测量计算拟利用处理好的CYGNSS数据，在顾及地表粗糙度和植被的情况下，进行土壤水分反演.对于有植被覆盖的区域，地表的反射率[12-25]可表示为以下的形式：Γ（θ）=R（θ）2γ2exp（-4k2s2cos（）），（1）其中，入射角为，R为菲涅耳反射系数，透射率γ包含了植被对信号传播的衰减程度，指数项表示地表粗糙度效应，其中k为信号波数，s为地表均方根高度.反射率Γ和土壤水分呈线性正相关的关系，因此Γ可被视为与土壤水分相关性最大的特征变量.另外，由于透射率γ是植被不透明度τ的函数，其形式为γ=exp（-τsec ），所以拟将SM 视作Γ、τ和地表粗糙度3个变量的函数.本文拟采用SMAP数据中的植被不透明度τ和地表粗糙度作为辅助数据，地表反射率可由CYGNSS数据获取.根据光滑地表相干反射分量的理论假设，并考虑CYGNSS提供的BRCS值，地表的反射率可由下列公式[17]求得：Γbrcs=σ（Rt+Rr）24π（RtRr）2，（2）其中Rt和Rr分别表示发射机和接收机到SP的距离，这些相关参数由CYGNSS数据提供.值得注意的是，反射率的求解可采用多种途径，由于采用BRCS 获得的Γbrcs在土壤水分反演中已被证实取得的效果最佳[17]，故本文采用式（2）的方法求解反射率，结果如图2所示.2.2 人工智能算法用于土壤水分反演机器学习（ML）是一种主流的实现人工智能的方法，而机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测.与传统的为解决特定任务、硬编码的软件程序不同，机器学习用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务.机器学习历经70年的曲折发展，在很多方面收获了突破性进展，经典的机器学习的研究方向主要包括决策树、随机森林、人工神经网络、SVM等，且已经被运用到了土壤水分的反演研究中.随机森林[26]利用bootsrap重抽样方法从数据集中抽取多个样本，对每个样本分配一个决策树进行决策，即建立多棵决策树，形成一个决策树“森林”，然后将多棵决策树进行组合，最后通过投票方法得到最终预测结果.该方法能够有效地提高对新样本的分类准确率，降低模型的过拟合能力.人工神经网络（Artificial Neural Network）模型，简称ANN，是1980年代以来人工智能领域兴起的研究热点之一[17].从生物学的角度来说，它是模拟人脑对信息处理的过程，是对人脑神经系统的数学模型抽象.神经网络实现一种数学运算，由大量的神经元相互连接而成，每个神经元可以看作是一种运算输出函数，该模型可以用于拟合复杂的数学函数.人工神经网络模型分为多层前向神经网络、自组织神经网络、Hopfield神经网络等.XGBoost算法，全称Extreme Gradient Boosting，出现于Chen等[27]2016年发表的论文中，在Kaggle等比赛中该算法取得佳绩.XGBoost以决策树模型为基础，是对梯度提升树的改进算法.该算法是一种适合处理稀疏数据的树学习算法，支持并行运算和分布式运算，通过对损失函数进行二阶泰勒展开来达到二次优化的目的，因此该算法学习效果好、分类精度高、处理速度快，并具有强大的可伸缩性，被人们广泛应用于包括股票选择策略、电力系统预测等诸多领域.2.3 基于预分类人工智能算法的土壤水分预测模型GNSS-R中接收的地表反射信号主要成分为地表的相干反射分量.随着地表粗糙度和植被的增加，非相干散射分量增加，同时相干分量降低.通过对反射率、粗糙度和植被这3个主要参数的拟合计算，可以获得SM估计值[16].因此在本文的SM预测模型中，CYGNSS反射率作为主要变量，SMAP粗糙度系数和植被不透明度作为辅助变量.1.2 SMAP数据SMAP提供日土壤水分产品，且平均每隔3 d左右，其数据可覆盖到全球±45°纬度内的陆地区域.本文拟采用SMAP L3级产品，EASE-Grid版本6提供的日土壤水分产品，该数据的空间分辨率为36 km×36 km（免费获取：https：∥/data/SPL3SMP/）.SMAP的数据包含土壤水分估计值、质量标记（用于过滤SMAP数据）、粗糙度和植被不透明度（vod，或τ）以及相关的轨道坐标值[25].本文主要使用SMAP中的粗糙度和植被不透明度τ作为辅助变量参与建模，并使用质量标记“反演成功”作为数据筛选的条件.因为单日的SMAP数据覆盖率较低，我们将SMAP数据都进行了3 d平均的操作便于其参与后续的土壤水分建模运算，并将SMAP的粗糙度和τ数据映射到CYGNSS数据使用的EASE-Grid网格上.1.3 参考数据将上述数据作为输入变量，建立土壤水分预测模型.输出的土壤水分参考数据将采用中国土壤水分自动观测站收集的实地地表SM数据.该观测网由多个站点组成，本文采用的站点分布及其覆盖的区域如图1所示.每个站点提供每小时土壤表面以下0至100 cm深度的SM测量，间隔10 cm.根据不同的土壤含水量和土壤类型，GNSS-R信号在土壤中的穿透深度可以从几厘米到大约20厘米不等[15].因此采用地表上层10 cm 的实地观测SM数据，视为与GNSS-R 技术反演土壤水分匹配的最佳值.在本研究中，每天逐小时的地表土壤水分数据被用来作为参考真实土壤水分数据.此外，还提供了采样地点的地理位置信息（包括纬度、经度）.2 估计方法本章详细叙述了从CYGNSS数据计算反射率以及土壤水分的建模和预测过程，包括地表反射率的计算、几种用于土壤水分反演的经典人工智能算法，以及预分类人工智能算法的模型构建和反演SM的过程.2.1 CYGNSS观测量计算拟利用处理好的CYGNSS数据，在顾及地表粗糙度和植被的情况下，进行土壤水分反演.对于有植被覆盖的区域，地表的反射率[12-25]可表示为以下的形式：Γ（θ）=R（θ）2γ2exp（-4k2s2cos（）），（1）其中，入射角为，R为菲涅耳反射系数，透射率γ包含了植被对信号传播的衰减程度，指数项表示地表粗糙度效应，其中k为信号波数，s为地表均方根高度.反射率Γ和土壤水分呈线性正相关的关系，因此Γ可被视为与土壤水分相关性最大的特征变量.另外，由于透射率γ是植被不透明度τ的函数，其形式为γ=exp（-τsec ），所以拟将SM 视作Γ、τ和地表粗糙度3个变量的函数.本文拟采用SMAP数据中的植被不透明度τ和地表粗糙度作为辅助数据，地表反射率可由CYGNSS数据获取.根据光滑地表相干反射分量的理论假设，并考虑CYGNSS提供的BRCS值，地表的反射率可由下列公式[17]求得：Γbrcs=σ（Rt+Rr）24π（RtRr）2，（2）其中Rt和Rr分别表示发射机和接收机到SP的距离，这些相关参数由CYGNSS数据提供.值得注意的是，反射率的求解可采用多种途径，由于采用BRCS 获得的Γbrcs在土壤水分反演中已被证实取得的效果最佳[17]，故本文采用式（2）的方法求解反射率，结果如图2所示.2.2 人工智能算法用于土壤水分反演机器学习（ML）是一种主流的实现人工智能的方法，而机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测.与传统的为解决特定任务、硬编码的软件程序不同，机器学习用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务.机器学习历经70年的曲折发展，在很多方面收获了突破性进展，经典的机器学习的研究方向主要包括决策树、随机森林、人工神经网络、SVM等，且已经被运用到了土壤水分的反演研究中.随机森林[26]利用bootsrap重抽样方法从数据集中抽取多个样本，对每个样本分配一个决策树进行决策，即建立多棵决策树，形成一个决策树“森林”，然后将多棵决策树进行组合，最后通过投票方法得到最终预测结果.该方法能够有效地提高对新样本的分类准确率，降低模型的过拟合能力.人工神经网络（Artificial Neural Network）模型，简称ANN，是1980年代以来人工智能领域兴起的研究热点之一[17].从生物学的角度来说，它是模拟人脑对信息处理的过程，是对人脑神经系统的数学模型抽象.神经网络实现一种数学运算，由大量的神经元相互连接而成，每个神经元可以看作是一种运算输出函数，该模型可以用于拟合复杂的数学函数.人工神经网络模型分为多层前向神经网络、自组织神经网络、Hopfield神经网络等.XGBoost算法，全称Extreme Gradient Boosting，出现于Chen等[27]2016年发表的论文中，在Kaggle等比赛中该算法取得佳绩.XGBoost以决策树模型为基础，是对梯度提升树的改进算法.该算法是一种适合处理稀疏数据的树学习算法，支持并行运算和分布式运算，通过对损失函数进行二阶泰勒展开来达到二次优化的目的，因此該算法学习效果好、分类精度高、处理速度快，并具有强大的可伸缩性，被人们广泛应用于包括股票选择策略、电力系统预测等诸多领域.2.3 基于预分类人工智能算法的土壤水分预测模型GNSS-R中接收的地表反射信号主要成分为地表的相干反射分量.随着地表粗糙度和植被的增加，非相干散射分量增加，同时相干分量降低.通过对反射率、粗糙度和植被这3个主要参数的拟合计算，可以获得SM估计值[16].因此在本文的SM预测模型中，CYGNSS反射率作为主要变量，SMAP粗糙度系数和植被不透明度作为辅助变量.1.2 SMAP數据SMAP提供日土壤水分产品，且平均每隔3 d左右，其数据可覆盖到全球±45°纬度内的陆地区域.本文拟采用SMAP L3级产品，EASE-Grid版本6提供的日土壤水分产品，该数据的空间分辨率为36 km×36 km（免费获取：https：∥/data/SPL3SMP/）.SMAP的数据包含土壤水分估计值、质量标记（用于过滤SMAP数据）、粗糙度和植被不透明度（vod，或τ）以及相关的轨道坐标值[25].本文主要使用SMAP中的粗糙度和植被不透明度τ作为辅助变量参与建模，并使用质量标记“反演成功”作为数据筛选的条件.因为单日的SMAP数据覆盖率较低，我们将SMAP数据都进行了3 d平均的操作便于其参与后续的土壤水分建模运算，并将SMAP的粗糙度和τ数据映射到CYGNSS数据使用的EASE-Grid网格上.1.3 参考数据将上述数据作为输入变量，建立土壤水分预测模型.输出的土壤水分参考数据将采用中国土壤水分自动观测站收集的实地地表SM数据.该观测网由多个站点组成，本文采用的站点分布及其覆盖的区域如图1所示.每个站点提供每小时土壤表面以下0至100 cm深度的SM测量，间隔10 cm.根据不同的土壤含水量和土壤类型，GNSS-R信号在土壤中的穿透深度可以从几厘米到大约20厘米不等[15].因此采用地表上层10 cm 的实地观测SM数据，视为与GNSS-R 技术反演土壤水分匹配的最佳值.在本研究中，每天逐小时的地表土壤水分数据被用来作为参考真实土壤水分数据.此外，还提供了采样地点的地理位置信息（包括纬度、经度）.2 估计方法本章详细叙述了从CYGNSS数据计算反射率以及土壤水分的建模和预测过程，包括地表反射率的计算、几种用于土壤水分反演的经典人工智能算法，以及预分类人工智能算法的模型构建和反演SM的过程.2.1 CYGNSS观测量计算拟利用处理好的CYGNSS数据，在顾及地表粗糙度和植被的情况下，进行土壤水分反演.对于有植被覆盖的区域，地表的反射率[12-25]可表示为以下的形式：Γ（θ）=R（θ）2γ2exp（-4k2s2cos（）），（1）其中，入射角为，R为菲涅耳反射系数，透射率γ包含了植被对信号传播的衰减程度，指数项表示地表粗糙度效应，其中k为信号波数，s为地表均方根高度.反射率Γ和土壤水分呈线性正相关的关系，因此Γ可被视为与土壤水分相关性最大的特征变量.另外，由于透射率γ是植被不透明度τ的函数，其形式为γ=exp（-τsec ），所以拟将SM 视作Γ、τ和地表粗糙度3个变量的函数.本文拟采用SMAP数据中的植被不透明度τ和地表粗糙度作为辅助数据，地表反射率可由CYGNSS数据获取.根据光滑地表相干反射分量的理论假设，并考虑CYGNSS提供的BRCS值，地表的反射率可由下列公式[17]求得：Γbrcs=σ（Rt+Rr）24π（RtRr）2，（2）其中Rt和Rr分别表示发射机和接收机到SP的距离，这些相关参数由CYGNSS数据提供.值得注意的是，反射率的求解可采用多种途径，由于采用BRCS 获得的Γbrcs在土壤水分反演中已被证实取得的效果最佳[17]，故本文采用式（2）的方法求解反射率，结果如图2所示.2.2 人工智能算法用于土壤水分反演机器学习（ML）是一种主流的实现人工智能的方法，而机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测.与传统的为解决特定任务、硬编码的软件程序不同，机器学习用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务.机器学习历经70年的曲折发展，在很多方面收获了突破性进展，经典的机器学习的研究方向主要包括决策树、随机森林、人工神经网络、SVM等，且已经被运用到了土壤水分的反演研究中.随机森林[26]利用bootsrap重抽样方法从数据集中抽取多个样本，对每个样本分配一个决策树进行决策，即建立多棵决策树，形成一个决策树“森林”，然后将多棵决策树进行组合，最后通过投票方法得到最终预测结果.该方法能够有效地提高对新样本的分类准确率，降低模型的过拟合能力.人工神经网络（Artificial Neural Network）模型，简称ANN，是1980年代以来人工智能领域兴起的研究热点之一[17].从生物学的角度来说，它是模拟人脑对信息处理的过程，是对人脑神经系统的数学模型抽象.神经网络实现一种数学运算，由大量的神经元相互连接而成，每个神经元可以看作是一种运算输出函数，该模型可以用于拟合复杂的数学函数.人工神经网络模型分为多层前向神经网络、自组织神经网络、Hopfield神经网络等.XGBoost算法，全称Extreme Gradient Boosting，出现于Chen等[27]2016年发表的论文中，在Kaggle等比赛中该算法取得佳绩.XGBoost以决策树模型为基础，是对梯度提升树的改进算法.该算法是一种适合处理稀疏数据的树学习算法，支持并行运算和分布式运算，通过对损失函数进行二阶泰勒展开来达到二次优化的目的，因此该算法学习效果好、分类精度高、处理速度快，并具有强大的可伸缩性，被人们广泛应用于包括股票选择策略、电力系统预测等诸多领域.2.3 基于预分类人工智能算法的土壤水分预测模型GNSS-R中接收的地表反射信号主要成分为地表的相干反射分量.随着地表粗糙度和植被的增加，非相干散射分量增加，同时相干分量降低.通过对反射率、粗糙度和植被这3个主要参数的拟合计算，可以获得SM估计值[16].因此在本文的SM预测模型中，CYGNSS反射率作为主要变量，SMAP粗糙度系数和植被不透明度作为辅助变量.1.2 SMAP数据SMAP提供日土壤水分产品，且平均每隔3 d左右，其数据可覆盖到全球±45°纬度内的陆地区域.本文拟采用SMAP L3级产品，EASE-Grid版本6提供的日土壤水分产品，该数据的空间分辨率为36 km×36 km（免费获取：https：∥/data/SPL3SMP/）.SMAP的数据包含土壤水分估计值、质量标记（用于过滤SMAP数据）、粗糙度和植被不透明度（vod，或τ）以及相关的轨道坐标值[25].本文主要使用SMAP中的粗糙度和植被不透明度τ作为辅助变量参与建模，并使用质量标记“反演成功”作为数据筛选的条件.因为单日的SMAP数据覆盖率较低，我们将SMAP数据都进行了3 d平均的操作便于其参与后续的土壤水分建模运算，并将SMAP的粗糙度和τ数据映射到CYGNSS数据使用的EASE-Grid网格上.1.3 参考数据将上述数据作为输入变量，建立土壤水分预测模型.输出的土壤水分参考数据将采用中国土壤水分自动观测站收集的实地地表SM数据.该观测网由多个站点组成，本文采用的站点分布及其覆盖的区域如图1所示.每个站点提供每小时土壤表面以下0至100 cm深度的SM测量，间隔10 cm.根据不同的土壤含水量和土壤类型，GNSS-R信号在土壤中的穿透深度可以从几厘米到大约20厘米不等[15].因此采用地表上层10 cm 的实地观测SM数据，视为与GNSS-R 技术反演土壤水分匹配的最佳值.在本研究中，每天逐小时的地表土壤水分数据被用来作为参考真实土壤水分数据.此外，还提供了采样地点的地理位置信息（包括纬度、经度）.2 估计方法本章详细叙述了从CYGNSS数据计算反射率以及土壤水分的建模和预测过程，包括地表反射率的计算、几种用于土壤水分反演的经典人工智能算法，以及预分类人工智能算法的模型构建和反演SM的过程.2.1 CYGNSS观测量计算拟利用处理好的CYGNSS数据，在顾及地表粗糙度和植被的情况下，进行土壤水分反演.对于有植被覆盖的区域，地表的反射率[12-25]可表示为以下的形式：Γ（θ）=R（θ）2γ2exp（-4k2s2cos（）），（1）其中，入射角为，R为菲涅耳反射系数，透射率γ包含了植被对信号传播的衰减程度，指数项表示地表粗糙度效应，其中k为信号波数，s为地表均方根高度.反射率Γ和土壤水分呈线性正相关的关系，因此Γ可被视为与土壤水分相关性最大的特征变量.另外，由于透射率γ是植被不透明度τ的函数，其形式為γ=exp（-τsec ），所以拟将SM。
土壤团聚体结构与有机碳的关系、定量研究方法与展望
摘要:近些年土壤固碳研究受到广泛关注。
在诸多影响土壤固破的因素中,团聚体结构对土壤有机破的物理保护机制是研究的焦点。
土壤中原始有机碳在土壤团聚体和团聚体结构形成中发挥着不可替代的作用,土地利用方式、精作方式以及施肥措施发生变化后,团聚体及其结构在土壤有机碳固定中的作用变得更加凸呈。
团聚体结构包含众多的孔隙,这些孔隙的大小、数量、形状以及空间分布等都会影响土壤中水分运移、植物根系生长、土壤生物活动以及土壤有机碳分配,它们相互作用影响土壤中有机破的固定,本文分析了水分、植物根系以及土壤生物与团聚体孔隙结构之间的关系,阐述了这些因素在土壤有机碳变化中所起的作用,并对目前研究的不足进行了概述。
同时,闹述了不同CT (Computed Tomography,CT)技术在土壤团聚体结构探测中的应用及其对结构数据的提取方法,探讨了团聚体孔隙结构对有机破固定的影响,展望了团聚体结构对有机破固定影响需要加强的研究内容, 土壤学关注的核心问题主要是土壤固碳容量以及土壤固碳机制两个方面。
自上个世纪末开始相关研究报道已有很多,但对于土壤固碳机制的研究到目前为止仍需要深入探究。
土壤固碳研究是在国际社会聚焦缓解温室气体排放和粮食安全问题背景下产生的新研究课题2习。
化学稳定性、生物稳定性和物理稳定性是用来解释土壤有机碳稳定性机制比较常用的三种机制。
土壤结构是可以用来控制和表征土壤有机碳稳定状态的一个主要物理稳定性综合变量,团聚体是其重要组成部分,团聚体结构改变会使微生物生存的物理化学环境发生变化,进而影响土壤中有机碳分解转化和固定土壤团聚体的形成区别于成土母质土壤形成过程,植物残体和植物根系渗出液等有机物胶结作用及微生物分解转化作用在团聚体形成模型中被认为是其主要驱动因素5.1-8, Bronick和Lal认为土壤有机碳在团聚体形成过程中起粘合剂和团聚核心的作用。
团聚体形成初期离不开土壤有机碳的粘合作用,而在团聚体多次团聚和土壤中有机碳的再次分配作用下,团聚体以及团聚体孔隙结构对土壤有机碳的固定作用,就凸显出来了,特别是当土地利用方式、农田土壤中耕作方式以及施肥方式改变时[o-12,团聚体之间和团聚体内部的有机物与空气、水分和微生物接触直接或间接受到团聚体间和团聚体内部孔隙结构空间分布,特征影响,从而影响有机碳的固定和分解。
山东农业大学水土学院毛伟兵等2人因公出访公示表
加州大学旧金山分校：安贞怡博士、王宇枭博士等；
加州大学伯克利分校自然资源学院环境科学实验室：苗润泽博士；
美国环保署国家健康与环境影响研究实验室：伊丽莎白.乔治主任、万勇善教授等；
马里兰大学土木与环境工程系国家交通中心：张磊教授、汤天佳教授。
费用来源及预算（万元）
费用来源：国家自然科学基金面上项目“引黄泥沙对黄河三角洲粘质盐土物理性状的改良研究”（项目编号：41471184）
乘坐中国国航CA982航班（纽约肯尼迪国际机场-首都国际机场，15:50起飞，18:40+1天降落），返回北京。
出访任务及预期出访成果
1.学习利用先进技术研究土壤生物量和生物活性的分析和定量化评估方法和手段。借鉴并引进国外的先进技术，以解决我国盐碱土改良利用中土壤生物研究技术的改革与创新。
2.学习研究滨海生态系统物理过程的先进设备、技术和方法，掌握国外先进设备的使用和操作技术，以提升在黄河三角洲地区进行生态修复的监测技术和研究水平。
山东农业大学水土学院毛伟兵等2人因公出访公示表
2017年8月14日
出访团组成员
姓名
单位（学院/部门）
职称/职务
毛伟兵
水利土木工程学院
教授
孙玉霞
水利土木工程学院
实验师
出访国家或地区
美国
顺访国家或地区
无
出境日期
2017.11.13
入境日期
2017.11.30
详细日程
（按日填写）
11月13日（星期一）
乘坐中国国航CA985航班抵达旧金山（北京-旧金山，16:00起飞，11:20降落），办理入关手续后（预计时间2-3小时），乘车前往加州大学旧金山分校，车程大约1.5小时，入住附近酒店。
泾源县地下水演化及其地球化学模拟
泾源县地下水演化及其地球化学模拟崔先伟;吴健华;李培月;杨子林;宋宝德【摘要】以揭示泾源县地下水水化学场的形成机理为主要研究目的,在了解泾源县水文地质条件的基础上,分析了地下水水化学演化特征,选择3条模拟路径,应用PHREEQC软件对其进行了水-岩作用的地球化学模拟,定量分析研究了该区地下水的演化过程、形成机理.结果表明:各种矿物在3条模拟路径上具有相同的溶解沉淀趋势.TDS沿模拟路径的变化主要是由SO42-含量的变化引起的.在模拟路径1和3上,钠长石、岩盐、钠蒙脱石、钾长石和CO2发生了溶解作用,白云石、方解石和石膏发生了沉淀作用,同时还发生了Na+、Ca2+之间的阳离子交换作用,在路径2上,发生的是钠长石、岩盐、钠蒙脱石、石膏和钾长石的溶解以及Na+、Ca2+之间的阳离子交换,白云石和方解石发生了沉淀作用.在这些溶解沉淀作用综合作用下,地下水水化学成分发生了变化.【期刊名称】《南水北调与水利科技》【年(卷),期】2010(008)006【总页数】4页(P42-45)【关键词】地球化学模拟;地下水;水文地球化学;泾源县【作者】崔先伟;吴健华;李培月;杨子林;宋宝德【作者单位】贵州省地矿局104地质大队,贵州,都匀,558000;长安大学,环境科学与工程学院,西安,710054;长安大学,环境科学与工程学院,西安,710054;贵州省地矿局104地质大队,贵州,都匀,558000;长安大学,环境科学与工程学院,西安,710054【正文语种】中文【中图分类】TV211;P641在干旱-半干旱地区,地下水是各种用水的主要来源。
地下水的化学特征是评价一个地区环境特征的重要参数,也是研究地下水质量的重要方法。
水文地球化学模拟是近年发展起来的一门研究地下水演化的新兴技术,是目前研究的热点。
利用水质分析数据,应用水文地球化学理论,开展地下水水化学场的研究,以解释现代水化学场的形成条件,探讨地下水的形成、运移规律,为建立地下水系统模型提供依据。
获取 ,并可在一般计算机上运行。MODIS由于高的
利用MODIS反演长江中游悬浮泥沙含量的初步研究刘灿德1,2,何报寅1,李茂田3,任宪友1(1.中国科学院测量与地球物理研究所,武汉430077;2.中国科学院研究生院,北京100039;3.华东师范大学教育部地理信息开放实验室,上海200062)摘 要:在众多卫星传感器中,中等分辨率成像光谱仪(MODIS)数据因其高的时间分辨率和中等的空间分辨率,对于水质研究具有自身的潜力和优越性。
选取长江中游主河道武汉至宜昌段为例,利用MODIS250m波段数据定量反演了内陆河流悬浮泥沙的质量浓度。
研究结果表明,地面实测的悬浮泥沙质量浓度与MODIS1,2波段的反射率组合(R1-R2)/(R1+R2)有很好的相关关系(相关系数R2=0.72,样品数n=41),基于这种相关性建立了长江中游主河道武汉至宜昌段表层悬浮泥沙的遥感定量反演经验模型。
关键词:MODIS;悬浮泥沙;反演模型;长江中游中图分类号:TV152 文献标识码:A 文章编号:100027849(2006)022******* 传统的泥沙监测和分析方法主要为实地调查和采样分析,易受人力、物力、气候和水文条件的限制,因而不能从更广阔的范围给出水质的空间和时间变化规律。
采用遥感定量技术能迅速获得大面积水域的含沙量资料,其瞬间同步性好,重复获取数据的周期短,能有效地监测含沙量的分布和动态变化。
1 含沙水体的光谱特征悬浮泥沙水体的光谱反射特征是利用遥感数据提取含沙量信息、建立遥感信息2悬浮泥沙质量浓度定量模型的重要基础。
含有泥沙浑浊水体的反射波谱曲线一般整体高于清水,由于泥沙的散射,在可见光及近红外波段范围内,随着泥沙质量浓度的增大,水体的反射率增大,且反射峰位置向长波方向移动。
悬浮泥沙质量浓度不同的含沙样本均在波长为0.58～0.68μm的可见光波段出现辐射峰值[1],即该可见光波段对水中泥沙反映最敏感,是遥感监测水体悬浮泥沙的最佳波段。
在此波段范围内水体的光谱反射率与水体的混浊度等级(悬浮泥沙质量浓度差异的程度)呈线性相关关系。
塔里木盆地南缘策勒绿洲区地下水TDS空间变异及水化学特征分析
收稿日期 :2009211210 ; 改回日期 :2009212201 (200633130) ; 国家重点基础研 基金项目 : 自治区科技攻关和重点科技项目 “塔里木盆地南缘和田绿洲外围生态建设关键技术开发与示范” 究发展计划项目 (2009CB421302) 和林业科技支撑计划子专题 (2006BAD26B020221) 联合资助 ) ,男 ,四川安岳人 ,在读硕士 ,主要从事干旱区水文与水资源研究 。E2mail :daishuyong0207 @163. com 作者简介 : 代述勇 (1982 — 3 通讯作者 : 雷加强 ( Email : desert @ms. xjb. ac. cn)
塔里木盆地南缘策勒绿洲区地下水 TDS 空间 变异及水化学特征分析
代述勇1 ,2 ,3 , 雷加强1 3 , 赵景峰1 ,4 , 谌 莉5 , 杨光华1 ,2 , 范敬龙1 , 范冬冬1 ,2 , 曾凡江1
(1. 中国科学院 新疆生态与地理研究所 , 新疆 乌鲁木齐 830011 ; 2. 中国科学院 研究生院 , 北京 100049 ; 3. 新疆策勒荒漠
km ,在步长为 6 km 范围之内 ,地下水 TDS 的空间变异是各向同性的 ,当步长大于 6 km 时 ,4 个方向上的半变异函
数发生了不同的变化 ; ② 绿洲南部区域为地下水 TDS 的低值区 ,最小值为 551 mg ・ L - 1 ,由南向北地下水 TDS 呈 增加的趋势 ,在北部地下水埋深低值区的 TDS 最大值为7 192 mg ・ L - 1 ; 从地下水水流方向上看 ,即从绿洲西南的 低值区向北 ,再转向东北区方向 ,地下水 TDS 逐渐增加 , 最大值为 3 677 mg ・ L-1; ③ 浅层地下水化学类型变化复 杂 ,主要从 Na2Ca —SO 4 2Cl2 HCO 3 、 Na2Ca —SO 4 2Cl 型向 Na —SO 4 2Cl2 HCO 3 和 Na —SO 4 2Cl 型演化 。 关键词 : 地下水 TDS ; 水化学 ; 空间变异 ; 策勒绿洲 ; 塔里木盆地 中图分类号 : P641 文献标识码 : A
应用HYDRUS-1D模型评价土壤水资源量
应用HYDRUS-1D模型评价土壤水资源量
王水献;周金龙;余芳;董新光
【期刊名称】《水土保持研究》
【年(卷),期】2005(12)2
【摘要】利用焉耆盆地典型试验区观测资料,以土壤水动力学原理为基础,建立起浅埋区(埋深≤2m)植被覆盖条件下田间土壤水分数学模型,对典型试验区土壤水资源量补给项、排泄项和消耗项进行计算与评价,评价结果表明:地下水资源和土壤水资源转化十分频繁,水量交换是双向的、动态的;在浅埋区土壤水库调蓄能力较弱,造成部分灌溉水的渗漏。
【总页数】3页(P36-38)
【关键词】HYDRUS-1D模型;土壤水资源量;焉耆盆地
【作者】王水献;周金龙;余芳;董新光
【作者单位】新疆农业大学水利与土木工程学院;新疆巴音郭楞蒙古自治州西尼尔水库管理处
【正文语种】中文
【中图分类】S152.7
【相关文献】
1.HYDRUS-1D/2D在土壤水分入渗过程模拟中的应用 [J], 汤英;徐利岗;张红玲;鲍子云
2.应用HYDRUS-1D模型模拟农田土壤水渗漏及硝态氮淋失特征 [J], 毕经伟;张佳
宝;陈效民;朱安宁;冯杰
3.平原区土壤水资源量计算模型的研究 [J], 程伍群;绳莉丽;郑秀萍;吴现兵
4.基于HYDRUS-1D模型的华北低平原区不同微咸水利用模式下土壤水盐运移的模拟 [J], 何康康;杨艳敏;杨永辉
5.一种天然气资源量的评价模型与应用——以松辽盆地南部为例 [J], 陈志高;王琳因版权原因，仅展示原文概要，查看原文内容请购买。
以2.0MKCl作提取剂用离子色谱法测定土壤提取液中的硝酸盐
以2.0MKCl作提取剂用离子色谱法测定土壤提取液中的硝酸
盐
Pree,C.C;张耀宏
【期刊名称】《农业新技术新方法译丛》
【年(卷),期】1989(000)006
【总页数】3页(P25-27)
【作者】Pree,C.C;张耀宏
【作者单位】不详;不详
【正文语种】中文
【中图分类】S151.93
【相关文献】
1.固相萃取-离子色谱法测定土壤中亚硝酸盐和硝酸盐 [J], 胡平;解彦平;任永红
2.离子色谱法测定土壤样品水提取液中的氯离子含量 [J], 杨小秋;李航;万昆;郭敬
3.土壤中硝酸盐氮的离子色谱法测定 [J], 杨丽华;谭丽霞;宋晓曦
4.土壤中硝酸盐氮的离子色谱法测定 [J], 杨丽华;谭丽霞;宋晓曦
5.离子色谱法快速测定土壤中氨氮、亚硝酸盐氮和硝酸盐氮的方法研究 [J], 陈璐因版权原因，仅展示原文概要，查看原文内容请购买。
《地下水资源调查评价技术方法》出版
《地下水资源调查评价技术方法》出版
佚名
【期刊名称】《地质装备》
【年(卷),期】2011(12)2
【摘要】【本刊讯】中国地质科学院水文地质环境地质研究所王贵玲研究员主编的《地下水资源调查评价技术方法汇编》一书不久前正式出版。
【总页数】1页(P9-9)
【关键词】水资源调查;评价技术;出版;中国地质科学院;水文地质环境;地质研究所;研究员
【正文语种】中文
【中图分类】P618.13
【相关文献】
1.GMS数模技术在朝阳区地下水资源调查与评价中的应用 [J], 李炳华;杨勇;郑凡东;彭庆彬;朱亚雷
2.国外岩溶地区的地下水资源勘查评价技术方法的现状与进展 [J], 徐曙光
3.西南岩溶石山区地下水资源勘查与生态环境地质调查技术方法的探讨 [J], 郑万模;魏伦武
4.选择典型污染场地研究最佳取样方法——《典型污染场地土壤与地下水调查技术与评价研究》项目进展情况 [J], 无
5.《全国地下水资源调查和评价技术细则》讨论会在北京召开 [J],
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Table 1. Soil physical and hydraulic properties 表 1. 试验区域土壤的物理性质参数
土壤类型 深度/cm 0~10 粉质粘土 10~20 20~50 50~100 土壤质地/% >50 μm 3.5 4.4 4.3 4.7 2~50 μm 55.0 51.5 51.4 50.7 <2 μm 44.5 44.4 44.3 44.6 容重/(g·cm–3) 1.44 1.50 1.50 1.59 孔隙度/% 40.2 42.7 44.8 45.1 饱和水力传导度/(cm·s–1) 5.8 × 10–5 2.1 × 10–5 2.2 × 10–5 1.4 × 10–5
2. 离子显色示踪技术
2.1. 碘–淀粉显色示踪试验
试验于 2007 年 3 月在武汉大学水资源与水电工 程科学国家重点实验室灌溉排水与水环境综合试验 场进行。 试验区域土壤为粉质粘土(土壤物理性质参数 如表 1 所示)。 试验采用类似双套环的试验装置(如图 1 所示)。在平整后的试验区域同心安置两个正方形框，
80
Copyright © 2012 Hanspub
土壤优先流的离子显色示踪技术与分形模型模拟方法研究
3. 分形模型模拟
3.1. 本构方程
根据 Liu 等[6]提出的活动流场模型理论，整个流 场可以分成活动流场和不活动流场两个部分，水和溶 质的输移只发生在活动流场中，不活动流场不产生流 动和运移；活动流场具有分形特征，活动流场占整个 流场的比例可表示为土壤含水率与活动流场模型分
摘
要：为获得优先流的非均匀运动模式、提高优先流模拟预测的精度，本文运用碘-淀粉显色示踪
技术，将优先流流场从流动背景中显示出来，通过数字图像分析技术和采样分析，获得优先流流场及 流场内的土壤含水率和溶质浓度的非均匀分布模式；在此基础上，分别运用活动流场模型和二域模型 对试验条件下的水流运动和溶质运移结果展开模分析，并通过相对标准偏差分析定量评价活动流场模 型和二域模型模拟预测优先流发展的有效性。相对标准偏差分析显示，相对于二域模型，活动流场模 型对土壤水流运动和溶质运移的模拟预测精度均较高。研究结果表明，活动流场模型较好的捕捉到了 土壤优先流的整体非均匀信息。
Figure 1. Diagram of experimental set-up for iodine-starch staining experiment 图 1. 碘–淀粉显色示踪试验设计
形特征参数的函数，即： f Se Nhomakorabea
(1)
其中内框尺寸(即试验尺度)1.0 × 1.0 m 、外框尺寸为 2.0 × 2.0 m2。试验开始时，在内框中首先注入 20 mm 碘化钾(20 g·L–1)和溴化钾(4 g·L–1)混合溶液(阶段 1)， 15 min 后，该混合溶液完全入渗；此时，迅速在内框 中注入 20 mm 碘化钾(20 g·L–1)和氯化钾(4 g·L–1)混合 溶液(阶段 2)，29 min 后，该混合溶液完全入渗；此 时， 迅速在内框中注入 20 mm 碘化钾(20 g·L–1)和硝酸 钾(4 g·L–1)混合溶液(阶段 3)，49 min 后该混合溶液完 全入渗。整个渗透过程持续 93 min。在每个入渗阶段 往内框中注入混合溶液的同时，在外框中注入同等高 度的清水。碘化钾–硝酸钾混合溶液完全入渗( 阶段 3)后，用防水和隔热材料覆盖试验区域，24 hr 后自上 向下逐层开挖水平剖面，间距 2~5 cm。剖面形成后， 喷洒淀粉(浓度 50 g/L)和硝酸铁(浓度 20 g/L)的混合溶 液。水流经过的区域含有碘离子，在硝酸铁的氧化作 用下被氧化成碘分子，碘分子与淀粉反应变蓝紫色从 而显示出土壤水流运动区域。显色完成后，照相记录 剖面显色模式。照相后，在显色区随机采 5 个土样、 未显色区随机采 3 个土样以确定入渗前后的土壤含水 率分布和 Br 、 Cl 和 NO 三种离子浓度分布。由于 显色反应时喷洒了少量的淀粉和硝酸铁的混合溶液， 因此采样时须刮去表层土壤， 而取表层以下 0.5 cm 深 处的土壤作为采样样品。
土壤优先流的离子显色示踪技术与分形模型 模拟方法研究*
盛 丰 1, 王 康 2, 张仁铎 3
2
长沙理工大学水利工程学院，长沙 武汉大学水资源与水电工程科学国家重点实验室，武汉 3 中山大学环境科学与工程学院，广州 Email: fsaint8586@
1
收稿日期：2012 年 5 月 4 日；修回日期：2012 年 5 月 21 日；录用日期：2012 年 5 月 29 日
*
基金项目：国家自然科学基金(51109017)、湖南省教育厅优秀青年项目(10B006)。
Copyright © 2012 Hanspub
79
土壤优先流的离子显色示踪技术与分形模型模拟方法研究
关键词：优先流；溶质运移；显色示踪技术；分形；活动流场模型
1. 引言
优先流也称非均匀流，是水和溶质沿某些特定路 径运动而绕过部分多孔介质的现象，是土壤中常见的 和重要的但又难于被捕捉和描述的水流运动和溶质 运移形式[1]。优先流增大了农业灌水和施肥的渗漏损 失、缩短了污染物在土壤中停留降解的时间、减少了 土壤颗粒对污染物的吸附和截留、改变了降雨在地面 和土壤中的重分配过程、提高了地下径流对降雨的响 应速度、加剧了流域土壤的地下侵蚀强度、降低了坡 体的结构稳定性。因此，准确描述、模拟和预测非饱 和带土壤中的优先流过程对农业资源的高效利用、污 染控制和生态环境保护、流域水文过程精准预报以及 地质灾害防治等都具有极其重要的意义。 近年来， 许多新方法(如地面雷达穿透技术、 核磁 共振成像技术、 X 射线计算机断层摄影技术等)被应用 于直接观测田间条件下的全局流动模式；但是这些观 测技术通常需要昂贵的仪器设备，使用方法也比较复 杂[2]。离子显色示踪技术由于它们能直观的显示土壤 水流运动的非均匀分布模式且无需大量的经费投入 而广泛应用于各种室内和野外研究中[3]。其中碘–淀 粉显色示踪技术由于碘离子较高的溶解度、具有与土 壤水流几乎相同的运移性能、低毒、氧化后与淀粉反 应生成的蓝紫色易于被识别和提取等优点被广泛应 用于土壤(尤其是粘性土壤)优先流的示踪研究中 。 由于优先流发展变化受气候条件、土地利用类 型、土壤性质以及农业耕作措施等因素的影响，造成 试验观测时存在着较大的不确定性 。加之土壤优先 流的时空变异性很大， 所以观测操作非常困难。 因此， 定量研究优先流的发展变化及其环境水文效应尤其 需要借助模型模拟和预报的强大功能 。目前为止，
Characterizing Preferential Flow Using Iodine-Starch Staining Method and Active Region Model*
Feng Sheng1, Kang Wang2, Renduo Zhang3
2 1 School of Hydraulic Engineering, Changsha University of Science & Technology, Changsha State Key Laboratory of Water Resources and Hydropower Engineering Science, Wuhan University, Wuhan 3 School of Environmental Science and Engineering, Zhongshan University, Guangzhou Email: fsaint8586@
Received: May 4th, 2012; revised: May 21st, 2012; accepted: May 29th, 2012
Abstract: To capture the heterogeneous flow pattern and enhance the prediction accuracy of preferential flow in unsaturated soil, the iodine-starch staining method was applied to visualize the preferential flow pattern from the background in this research. The digital imaging procedure was conducted to obtain the heterogeneous distribution pattern of preferential flow paths, and soil sampling was conducted to obtain the heterogeneous distributions of soil water content and solute concentration in the preferential flow region. The measured distributions of soil water content and solute concentration resulted from preferential flow were simulated and predicted using the active region model (ARM) and the mobile-immobile region model (MIM). The modeling efficiency using ARM and MIM were quantitatively evaluated and compared using the relative root mean square error (RRMSE) analysis. The model evaluation and comparison revealed that, ARM produced more accurate infiltration depth, and soil water and solute concentration distributions predictions, showing the ARM captured the macroscopic behavior of preferential flow and transport well. Keywords: Preferential Flow; Dye Tracing Technique; Fractal; Active Region Model; Mobile-Immobile Region Model