前期降水指數(shù)結(jié)合SAR數(shù)據(jù)提取作物漬害空間分布信息

熊勤學(xué)，胡佩敏，馬 艷

前期降水指數(shù)結(jié)合SAR數(shù)據(jù)提取作物漬害空間分布信息

熊勤學(xué)1,2,3，胡佩敏4※，馬 艷1,2,3

（1.濕地生態(tài)與農(nóng)業(yè)利用教育部工程研究中心，荊州 434025；2. 長江大學(xué)農(nóng)學(xué)院，荊州 434025； 3. 長江大學(xué)澇漬災(zāi)害與濕地農(nóng)業(yè)湖北省重點(diǎn)實(shí)驗(yàn)室，荊州 434025；4. 荊州市氣象局；荊州 434020）

為實(shí)現(xiàn)高時空分辨率的作物漬害空間分布信息的提取，該研究以夏收作物受漬害最嚴(yán)重的湖北省監(jiān)利市的夏收作物為研究對象，通過水云模型，結(jié)合Sentinel-1A SAR數(shù)據(jù)，提取了12 d間隔的監(jiān)利市土壤表層相對體積含水量空間分布，再以每天的前期降水指數(shù)視作具有一定誤差的觀察數(shù)據(jù)，運(yùn)用卡爾曼濾波插值方法，實(shí)現(xiàn)了以天為單位監(jiān)利市2018年至2020年每年1－4月夏收作物區(qū)土壤表層相對體積含水量空間分布信息的提取，經(jīng)220 hm2試驗(yàn)區(qū)的土壤濕度數(shù)據(jù)驗(yàn)證，其Nash-Stucliffe效率系數(shù)為0.909；結(jié)合夏收作物漬害的判別標(biāo)準(zhǔn)，獲取了監(jiān)利市夏收作物同期的漬害時空分布信息，與試驗(yàn)區(qū)觀測的結(jié)果相似；同時通過對計(jì)算結(jié)果數(shù)據(jù)的分析，發(fā)現(xiàn)前期降水指數(shù)與該指數(shù)下所有的夏收作物受漬農(nóng)田比例（受漬農(nóng)田面積與監(jiān)利夏收作物總面積比率）的最大值有明顯的二次多項(xiàng)式關(guān)系。由于Sentinel-1A SAR數(shù)據(jù)不受云層干擾，可以全天候獲取，前期降水指數(shù)可用氣象臺站數(shù)據(jù)計(jì)算，這種作物漬害高時空分辨率監(jiān)測的方法可實(shí)現(xiàn)漬害監(jiān)測。

遙感；土壤水分；漬害；前期降水指數(shù)；卡爾曼濾波；時空分布；信息提取

0 引 言

漬害是影響湖北省江漢平原夏收作物的一種主要農(nóng)業(yè)氣象災(zāi)害[1]，據(jù)湖北省農(nóng)業(yè)統(tǒng)計(jì)年鑒數(shù)據(jù)分析，江漢平原常年受漬農(nóng)田面積占總耕地面積的40.6%。與同類地區(qū)豐產(chǎn)田相比，夏收作物（小麥和油菜）單產(chǎn)低50%～70%，災(zāi)害嚴(yán)重的年份甚至絕收，是阻礙本地區(qū)農(nóng)業(yè)持續(xù)穩(wěn)定發(fā)展的主要限制因子。實(shí)現(xiàn)大尺度作物漬害監(jiān)測是江漢平原夏收作物減漬高產(chǎn)的前提。目前國內(nèi)外對作物漬害大尺度監(jiān)測主要有二類方法，一類是運(yùn)用多源遙感數(shù)據(jù)提取漬害的空間分布信息，如運(yùn)用光學(xué)遙感數(shù)據(jù)采用熱慣量法、相對溫差法和光譜法分析正常農(nóng)田及漬害田的差異提取作物漬害空間分布[2-3]，這種根據(jù)漬害遙感特征差異性提取法有一定的理論性、實(shí)現(xiàn)方法簡單明了，但存在的主要問題是這些差異性的非唯一性，即作物受其他環(huán)境脅迫的影響也會有類似特征出現(xiàn)；還有運(yùn)用微波衛(wèi)星數(shù)據(jù)通過反演土壤表層水分體積含水量實(shí)現(xiàn)大尺度作物漬害監(jiān)測[4-5]，其方法能準(zhǔn)確反映土壤表層水分的空間分布，但作物漬害識別是以受漬天數(shù)為衡量標(biāo)準(zhǔn)，衛(wèi)星數(shù)據(jù)只能提取出衛(wèi)星訪問時刻的水分空間分布信息，無法獲取重訪周期內(nèi)土壤水分的日變化過程；另一類是運(yùn)用分布式水文模型提取作物受漬的空間分布，分布式水文模型是將整個流域分成若干單元，通過計(jì)算每個單元的水平衡，運(yùn)用氣象數(shù)據(jù)、土壤數(shù)據(jù)、高程數(shù)據(jù)、土地利用數(shù)據(jù)，達(dá)到模擬農(nóng)田土壤水分狀況的目的，結(jié)合作物輕、中、重度3種漬害的水分特征指標(biāo)，實(shí)現(xiàn)不同漬害時空分布信息的提取，目前成功運(yùn)用到漬害監(jiān)測的水文模型有SGMP（Standard Groundwater Model Program）模型[6-8]、DHSVM（Distributed Hydrology Soil Vegetation Model）模型[9-10]等，由于模型的過度簡化，隨著模擬時間的增加，其模擬結(jié)果與實(shí)際的差異較大。因此為進(jìn)一步提高作物漬害監(jiān)測精確，需要對上述方法進(jìn)行改進(jìn)。

上述方法中，運(yùn)用微波衛(wèi)星數(shù)據(jù)提取作物漬害時，能準(zhǔn)確提取土壤水分的空間分布，但無法獲取重訪周期內(nèi)土壤水分的日變化過程，針對這些缺點(diǎn)，根據(jù)流域內(nèi)前期降水指數(shù)（API，Antecedent Precipitation Index）與土壤表層相對含水量高度相關(guān)的理論[11-13]，以API指數(shù)作為協(xié)變量，將地統(tǒng)計(jì)學(xué)中的空間插值方法引入到時間插值中，以天為單位對衛(wèi)星重訪周期內(nèi)土壤水分進(jìn)行時間插值，得到土壤表層含水量的時空分布信息，結(jié)合作物漬害的水分特征指標(biāo)，提取漬害時空分布信息。由于微波數(shù)據(jù)具有不受云層影響、全天候獲取的特點(diǎn)，而作物漬害發(fā)生時，天氣以陰雨天為主，因此這種作物漬害空間分布信息提取的方法運(yùn)用潛力很大，本文以湖北省監(jiān)利市為研究對象，對該方法的可行性與監(jiān)測精確進(jìn)行分析。

1 研究區(qū)概況與數(shù)據(jù)采集

1.1 研究區(qū)概況

監(jiān)利市位于湖北省中南部、江漢平原南部，緊鄰長江北岸。面積3 508 km2，地勢分布呈“簸箕”形，即西、南、北三面較高，中部及東部較低，因此自身形成一個獨(dú)立的水系。土壤類型主要有灰潮土、水稻土、黃棕壤。監(jiān)利市屬典型的亞熱帶季風(fēng)氣候，光能充足、熱量資源豐富（大于10 ℃的積溫5 171.8 ℃·d）、無霜期長（242～263 d）。

1.2 數(shù)據(jù)采集

在監(jiān)利市新溝鎮(zhèn)夏橋村220 hm2小麥田設(shè)24個漬害監(jiān)測點(diǎn)（圖1），農(nóng)田地形特征是南高（高程24 m）北低（高程20 m），觀測時間為2018至2020年，每年1月1日至4月30日小麥生長發(fā)育期觀測。具體觀測內(nèi)容為：第17號監(jiān)測點(diǎn)設(shè)一個HOBO自動氣象站和土壤水分監(jiān)測站。自動氣象站觀測的項(xiàng)目有：1.5 m高處的氣溫、濕度、總輻射、光合有效輻射，2 m高處的風(fēng)向、風(fēng)速、降水和地面0.1 m處地溫；土壤水分監(jiān)測點(diǎn)采用Decagon公司EC50自動土壤水分監(jiān)測儀，5個EC-5土壤水分傳感器，埋設(shè)深度為0.05、0.10、0.15、0.20、0.25 m，取5個深度的平均值為土壤表層水分含量，所有儀器設(shè)置1 h自動記錄1次；其他監(jiān)測點(diǎn)用手持式ProCheck土壤水分傳感器測，每天10:00至12:00測0.05、0.10、0.15、0.20、0.25 m深處土壤水分，取5個深度平均值為當(dāng)天土壤表層水分含量。

1.3 Sentinel-1A SAR數(shù)據(jù)預(yù)處理

Sentinel-1衛(wèi)星是歐洲極地軌道C波段雷達(dá)成像系統(tǒng)，其對地觀測特征有：多極化（HV、HH極化）、高重訪周期（12 d）、高空間分辨率（干涉寬幅（IM）模式：250 km，5 m×20 m分辨率），從歐空局的網(wǎng)站（https://scihub.copernicus.eu/dhus/#/home）上下載2018年1月1日至5月1日涵蓋監(jiān)利區(qū)域Sentinel-1A衛(wèi)星C波段SAR GRDH格式數(shù)據(jù)， 2景數(shù)據(jù)能涵蓋監(jiān)利所有區(qū)域，合計(jì)下載121 d共22景數(shù)據(jù)，運(yùn)用ESA Sentinel 1 Toolbox(Ver 1.1.1)軟件做數(shù)據(jù)的預(yù)處理，數(shù)據(jù)預(yù)處理步驟如圖2。

最終生成一個11波段VV極化的后向散射系數(shù)的時序數(shù)據(jù)，波長用DOY表示（一年中的第幾天）。

2 作物漬害空間分布信息提取方法

2.1 基于水云模型的Sentinel-1A SAR數(shù)據(jù)土壤表層相對體積含水量的計(jì)算

1）采用Ulaby方法[14-15]消除入射角對后向散射系數(shù)的影響，實(shí)現(xiàn)后向散射系數(shù)的標(biāo)準(zhǔn)化，其計(jì)算公式為

2）運(yùn)用水云模式（Water Cloud Mode）消除地上植被對后向散射系數(shù)的影響。

水云模型的計(jì)算公式[16]為

式中0soil為土壤表層的后向散射系數(shù)（無量綱），0veg為植被產(chǎn)生的后向散射系數(shù)（無量綱），2為雙程衰減系數(shù)（無量綱）。2與0veg的計(jì)算公式為

式中1表示植被的散射特征，2表示植被的衰減特征，是最大可能的冠層衰減系數(shù)（因?yàn)閏os和2都小于1，因此可以理解為與植被密度相關(guān)的系數(shù)，=0為裸土，值越大代表植被密度越大），是與作物類型相關(guān)的系數(shù)。

Wang等[17]將1、2用歸一化植被指數(shù)NDVI替代取得好的效果，并計(jì)算得到、的取值分別為?5.689和0.024。

將公式（3）～（4）代至公式（2），得到植被冠層下土壤的后向散射系數(shù)計(jì)算公式為

式中各時期的NDVI指數(shù)由高分一號WFV數(shù)據(jù)計(jì)算。

3）農(nóng)田土壤體積相對含水量的反演

植被冠層上土壤的后向散射系數(shù)1soil（單位：dB）與土壤體積相對含水量（SM）的公式為[18]

式中、為與土壤粗糙度和土壤類型相關(guān)的變量，SM為土壤表層相對體積含水量，db；后向散射系數(shù)與無量綱的后向散射系數(shù)呼喚公式為

由公式（6）可知，土壤的后向散射系數(shù)與土壤體積相對含水量（SM）呈簡單的線性關(guān)系，即一段時間內(nèi)同一地點(diǎn)變量、不會變化，后向散射系數(shù)的方差與土壤體積相對含水量方差相同，有很多研究對兩者之間的反演算法進(jìn)行了探討[19-20]，主要采用的方法是獲取一個地方長時間的土壤后向散射系數(shù)，從中選擇比較低的值，表示土壤表層水分比較小情況下的值，再選擇最大值，表示土壤水分很大時的后向散射系數(shù)，其土壤體積相對含水量計(jì)算公式為

式中1dry為土壤表層水分最小時的后向散射系數(shù)，dB；1wet為土壤表層水分最高時的后向散射系數(shù)，dB。

假設(shè)條件為土壤粗糙度不變。由于監(jiān)利市為濕潤地區(qū)，基本沒有出現(xiàn)絕對干旱情況，觀測到的土壤表層最小相對體積含水量為20%，因此式（8）改為

2.2 前期降水指數(shù)的計(jì)算

前期降水指數(shù)API（Antecedent Precipitation Index）主要運(yùn)用流域土壤濕度的預(yù)報(bào)，其計(jì)算公式[21-22]為

式中API為第天的前期降水指數(shù)，mm；P為第天的降雨量，mm；API-1為第-1天的前期降水指數(shù)，mm；為土壤水分的日消退系數(shù)，它綜合反映土壤蓄水量因蒸散而減少的特性，因此值大小與蒸散發(fā)相關(guān)，其計(jì)算公式為[23]

式中EM為流域日蒸散能力，EM采用Hargreaves-Samani (H-S)模型計(jì)算[24]，mm；WM為流域最大蓄水量，mm；為平均降雨量，mm；為平均產(chǎn)流量，mm；為平均蒸散量，mm，當(dāng)大于100 mm時，API為100 mm；max為日最高氣溫，℃；min為日最低氣溫，℃；R為地球外輻射，mJ/m2·d，為蒸發(fā)潛熱，2.45 mJ/kg。

API指數(shù)反映整個流域的土壤表層相對含水量的變化，由于流域內(nèi)的各基本單元受地形、土壤類型、排灌條件等要素的影響，其土壤表層相對含水量的變化具有差異的，為準(zhǔn)確反映每個基本單元的土壤表層相對含水量的變化，式（11）改為

式中為各基本單元水分交換因子，>1表示本單元向其他臨近單元有水分輸送；<1表示臨近單元有水分向本單元聚集。不同單元有不同的值，它是反映地形、土壤類型、排灌條件等因子對API指數(shù)影響的一個無量綱綜合因子，因此改進(jìn)后的API指數(shù)能反映相應(yīng)單元土壤表層相對含水量的變化特征。

每個單元的值采用枚舉法計(jì)算，即把值分別以0.1遞增0.5到1.5取值，每個值會得到相對應(yīng)的API時序值，將該單元的SAR數(shù)據(jù)提取的土壤表層相對體積含水量值作為因變量，與同天的API時序值作為自變量進(jìn)行相關(guān)分析，得到一個相關(guān)系數(shù)，這樣值從0.5到1.5會有100個相關(guān)系數(shù)，最后取相關(guān)系數(shù)最大的對應(yīng)的值視為本單元的值，如果值為0.5或者1.5，表示真實(shí)值不在0.5～1.5范圍內(nèi)，用流域值替代（=1）。

2.3 基于卡爾曼濾波（Kalman filter）時間插值方法的土壤水分時空分布信息提取

卡爾曼濾波是對受到隨機(jī)干擾和隨機(jī)測量誤差影響的物理系統(tǒng)進(jìn)行預(yù)測的一種優(yōu)化估算算法，即在信號和噪聲都是平穩(wěn)過程的假設(shè)條件下，以某種性能指標(biāo)為最優(yōu)的原則，從具有隨機(jī)誤差的測量數(shù)據(jù)中提取信息，估算出系統(tǒng)的某些參數(shù)狀態(tài)，求出誤差為最小的真實(shí)信號的估計(jì)值[25]。由于考慮了被估參數(shù)和觀察數(shù)據(jù)的統(tǒng)計(jì)特性，較最小二乘法、最大似然法和Wiener濾波等優(yōu)化估算算法更加準(zhǔn)確，已成功運(yùn)用到衛(wèi)星數(shù)據(jù)的降尺處理[26]和土壤水分?jǐn)?shù)據(jù)時序分析中[27]。這里把Sentinel-1A SAR數(shù)據(jù)提取的土壤表層相對體積含水量空間分布數(shù)據(jù)（時間間隔12 d）看成被估參數(shù)，把前期降水指數(shù)（時間間隔為1 d）看成觀察數(shù)據(jù)，運(yùn)用卡爾曼濾波方法，生成時間間隔為1 d的土壤表層相對體積含水量空間分布數(shù)據(jù)，具體計(jì)算公式為[25]

式中θ為第天的土壤水分體積含水量；API為SAR數(shù)據(jù)對應(yīng)的API指數(shù)的均值，mm；μ為SAR數(shù)據(jù)提取的土壤表層相對體積含水量均值；API為SAR數(shù)據(jù)對應(yīng)的API指數(shù)的方差；σ為SAR數(shù)據(jù)提取的土壤表層相對體積含水量方差。

2.4 漬害時空分布信息提取

在提取土壤表層相對體積含水量時空分布信息的前提下，將漬害評判標(biāo)準(zhǔn)[9-10]（每年2－4月，當(dāng)農(nóng)田地下水位埋深小于60 cm，土壤表層相對體積含水量5 d滑動均值高于95%的持續(xù)期大于5 d，認(rèn)為夏收作物受到輕度漬害；如果持續(xù)期大于12 d認(rèn)為受到中度漬害；持續(xù)期20 d以上認(rèn)為受到重度漬害）用計(jì)算機(jī)語言表達(dá)，運(yùn)算后可得到漬害時空分布信息。

2.5 方法驗(yàn)證公式

方法驗(yàn)證采用Nash-Stucliffe效率系數(shù)（NS）計(jì)算公式，具體公式為

3 結(jié)果與分析

3.1 各基本單元水分交換因子α計(jì)算結(jié)果

圖3a為監(jiān)利市單元水分交換因子的空間分布，由于監(jiān)利屬平原地區(qū)，地勢起伏不大，因此90%的值在0.9～1.1之間，用值計(jì)算出的API值與Sentinel 1A SAR 數(shù)據(jù)反演的土壤表層相對含水量之間的相關(guān)系數(shù)的空間分布見圖3b，其值普遍在0.6附近（樣本數(shù)為30），表明值計(jì)算方法是正確的。

值表征流域基本單元與周圍其他單元的水分交換，因此取值差異對API指數(shù)計(jì)算影響很大（見圖3c）。當(dāng)值小于1時，表示四周單元有匯水流入，API指數(shù)普遍較高，土壤相對含水量值會偏高，是容易發(fā)生漬害的單元，對應(yīng)地勢較低的地方；而當(dāng)值大于1時，表示本單元會有土壤水凈流出到四周其他單元，API指數(shù)普遍偏低，土壤相對含水量值會偏低，是容易發(fā)生作物干旱的單元，對應(yīng)地勢較高的地方。

3.2 土壤表層相對體積含水量和受漬區(qū)域空間分布計(jì)算結(jié)果的驗(yàn)證

由圖4可知，采用卡爾曼濾波時間插值方法計(jì)算出的土壤表層相對體積含水量計(jì)算值與觀測值變化曲線形態(tài)基本一致，而且其Nash-Stucliffe效率系數(shù)為0.909（見圖4b），證明此插值方法適用于平原湖區(qū)土壤水分的時間插值計(jì)算，土壤表層相對體積含水量與前期降水指數(shù)變化特征基本一致（見圖4a），即兩者高度相關(guān)（相關(guān)系數(shù)為0.936，樣本360），因此把前期降水指數(shù)作為具有隨機(jī)誤差的觀測數(shù)據(jù)，運(yùn)用卡爾曼濾波方法進(jìn)行時間插值，能得到比較準(zhǔn)確的土壤表層相對體積含水量日數(shù)據(jù)。

運(yùn)用試驗(yàn)區(qū)土壤表層相對體積含水量時空數(shù)據(jù)，結(jié)合夏收作物漬害判別標(biāo)準(zhǔn)，得到試驗(yàn)區(qū)漬害的時空分布，用試驗(yàn)區(qū)1～24個點(diǎn)記錄漬害進(jìn)行驗(yàn)證，48次漬害都能在計(jì)算結(jié)果中準(zhǔn)確反映，同時試驗(yàn)區(qū)漬害的空間分布也與實(shí)際相同。如圖5c為2020年3月28日至4月7日試驗(yàn)區(qū)漬害的動態(tài)分布情況，3月30日試驗(yàn)田東北部出現(xiàn)漬害，而西南部只有少量出現(xiàn)，這與試驗(yàn)田南高北低的地形特征是吻合的，4月1日漬害面積擴(kuò)大，3日后開始消退，在消退過程中，漬害區(qū)域慢慢集中在洼地，與漬害實(shí)地觀測記錄相同。2018年（見圖5a）和2019年（見圖5b）的變化相同?？偟膩碇v，運(yùn)用卡爾曼濾波方法進(jìn)行時間插值的方法提取漬害時空分布信息是準(zhǔn)確可行的。

3.3 監(jiān)利夏收作物漬害時空分布特征

2016年以來，監(jiān)利市在中東部地勢低的湖沼地區(qū)，大力推廣“稻蝦”種養(yǎng)模式，將大面積澇漬田改造成稻蝦田，因此夏收作物（油菜和小麥）種植區(qū)主要集中在北部、南部和西部旱地集中區(qū)。將監(jiān)利市夏收作物受漬面積除以整個夏收作物種植面積，得到監(jiān)利市夏收作物受漬農(nóng)田比例。圖6為2018年至2020年夏收作物受漬農(nóng)田比例隨時間變化曲線，從圖6可以看出，盡管大量澇漬田改造成稻蝦田，但夏收作物受漬程度仍很嚴(yán)重，尤其是2019年， 2019年1－4月的降雨量只有300 mm（2018年為312 mm，2020年為375 mm），由于降水集中、雨量均勻、雨日多，有二次受漬面積達(dá)到50%左右的漬害危害，而且持續(xù)10 d左右；相反2018年由于降水強(qiáng)度大、雨日少，是受漬較輕的年份；2020年降水偏多，受漬程度也比較嚴(yán)重。

構(gòu)建2018年至2020年每天夏收作物受漬農(nóng)田比例與當(dāng)天前期降水指數(shù)二維數(shù)點(diǎn)分布圖（見圖7），發(fā)現(xiàn)數(shù)點(diǎn)的分布呈三角形（上邊界與軸構(gòu)成的三角形），上邊界表示前期降水指數(shù)可能產(chǎn)生的監(jiān)利市最大作物受漬農(nóng)田比例，將最上邊界所有的點(diǎn)與前期降水指數(shù)進(jìn)行二次多項(xiàng)式擬合，其擬合決定系數(shù)達(dá)到0.999 3（樣本數(shù)為31），例如當(dāng)天前期降水指數(shù)達(dá)到85 mm時，監(jiān)利市夏收作物受漬農(nóng)田比例最大達(dá)到25.5%。由于只用氣象臺站數(shù)據(jù)便可計(jì)算前期降水指數(shù)，因此用前期降水指數(shù)可預(yù)報(bào)監(jiān)利市夏收作物受漬農(nóng)田最大可能比例。

漬害的成災(zāi)因子為降水、地形、土壤類型、土地利用現(xiàn)狀、河網(wǎng)分布等[28]，這些成災(zāi)因子中只有降水隨時間變化，其他成災(zāi)因子只與位置有關(guān)。監(jiān)利市夏收作物漬害空間分布也遵循這一規(guī)律，圖8為不同受漬比例下的漬害空間分布圖，其中圖8b和圖8c的受漬比例相近，對比可以看出，其漬害空間分布的差異性很少。從圖8還可以得出，最容易受漬的是監(jiān)利市北部（新溝鎮(zhèn)、網(wǎng)市鎮(zhèn)等），隨著受漬比例的增加，其西部和南部開始受漬，而中東部地區(qū)盡管地勢低，但大部分為魚池和稻蝦田，基本無漬害。

4 討 論

運(yùn)用卡爾曼濾波方法成功是建立在前期降水指數(shù)與土壤表層相對體積含水量高度相關(guān)的基礎(chǔ)上的，Kohler[29]1951年首次將前期逐日雨量的加權(quán)累積數(shù),作為土壤含水量的指標(biāo)，Descroix[30]提出了改進(jìn)的前期降水指數(shù)計(jì)算公式，很多學(xué)者驗(yàn)證了不同氣候條件下前期降水指數(shù)與土壤表層相對體積含水量的相關(guān)性[31-32]，因此把前期降水指數(shù)看成帶有一定誤差的觀察數(shù)據(jù)是有一定的理論基礎(chǔ)的。

相比運(yùn)用DHSVM模型模擬同一地方（監(jiān)利市）土壤水分的時空變化[10]，空間分辨率由90 m提高到10 m，土壤體積含水率的模擬值與觀測值之間的復(fù)相關(guān)系數(shù)由0.67提升到0.91。

計(jì)算時作物實(shí)際蒸散EM采用Hargreaves- Samani(H-S)模型（式（13）），該公式是Hargreaves于1985年提出的經(jīng)驗(yàn)公式，只在美國加州等干旱半干旱地區(qū)應(yīng)用效果較好。公式中只有溫度一個氣象因子，沒有考慮太陽輻射、風(fēng)速、空氣濕度等其他重要因子[33]。用在漬害經(jīng)常發(fā)生的濕潤地區(qū)，其效果有待進(jìn)一步驗(yàn)證。

Sentinel-1A雷達(dá)衛(wèi)星具有不受云層干擾、全天候的特點(diǎn)，前期降水指數(shù)計(jì)算數(shù)據(jù)來源于氣象臺站，本文提出的作物漬害監(jiān)測方法具有一定的實(shí)用性，而且監(jiān)測精確度也達(dá)到一定水平（空間分辨率為10 m，時間分辨率為1 d），可用于氣象部門或者農(nóng)業(yè)部門農(nóng)情監(jiān)測，同時將氣象預(yù)報(bào)數(shù)據(jù)用于未來幾天前期降水指數(shù)計(jì)算，可用于未來幾天作物漬害預(yù)報(bào)，具有一定實(shí)用價(jià)值。

5 結(jié) 論

本文成功運(yùn)用卡爾曼濾波時間插值方法，把Sentinel-1A SAR數(shù)據(jù)提取的土壤表層相對體積含水量空間分布數(shù)據(jù)（時間間隔12 d）看成被估參數(shù)，把前期降水指數(shù)（時間間隔為天）看成觀測數(shù)據(jù)，實(shí)現(xiàn)了土壤表層相對體積含水量信息的高時空分辨率（空間分辨率為10 m、時間分辨率為1 d）的信息提??；結(jié)合夏收作物漬害的判別標(biāo)準(zhǔn)，提取了2018年至2020年監(jiān)利市夏收作物漬害時空分布信息，經(jīng)220 hm2試驗(yàn)區(qū)的驗(yàn)證，其漬害時空分布信息是準(zhǔn)確的。因此可以運(yùn)用卡爾曼濾波插值方法，利用天（Sentinel-1A SAR數(shù)據(jù)）和地（氣象臺站氣象數(shù)據(jù)）一體化信息，實(shí)現(xiàn)作物漬害的實(shí)現(xiàn)監(jiān)測與預(yù)報(bào)；同時通過分析提取的監(jiān)利市2018年至2020年漬害時空分布信息發(fā)現(xiàn)，監(jiān)利市夏收作物受漬比例與當(dāng)天前期降水指數(shù)在二維分布圖中呈三角型，可根據(jù)這個特征計(jì)算前期降水指數(shù)下監(jiān)利市最大夏收作物可能受漬比例。

[1]歐陽萍，王修貴，姚宛艷. 基于GIS 的我國漬害田治理分區(qū)及排水控制深度研究[J]. 灌溉排水學(xué)報(bào)，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，吳勝軍，杜耘，等. 基于MODIS的漬害田和正常農(nóng)田遙感特性對比研究[J]. 長江流域資源與環(huán)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]金銀龍，黃介生，王修貴. 基于多源數(shù)據(jù)的漬害田識別[J]. 武漢大學(xué)學(xué)報(bào)：工學(xué)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]熊勤學(xué). 四湖地區(qū)暴雨后澇漬害遙感空間分析[J]. 湖北農(nóng)業(yè)科學(xué)，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，熊勤學(xué). 基于ASAR GM數(shù)據(jù)時序特征的農(nóng)田表層土壤水分的反演[J]. 長江流域資源與環(huán)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]熊勤學(xué).基于土壤植被水文模型的縣域夏收作物漬害風(fēng)險(xiǎn)評估[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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]熊勤學(xué)，田小海，朱建強(qiáng). 基于DHSVM 模型的作物漬害時空分布信息提取[J]. 灌溉排水學(xué)報(bào)，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]吳子君，張強(qiáng)，石彥軍，等. 多種累積降水量分布函數(shù)在中國適用性的討論[J]. 高原氣象，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]楊永紅，張展羽. 改進(jìn)Hargreaves方法計(jì)算拉薩參考作物蒸發(fā)蒸騰量[J]. 水科學(xué)進(jìn)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

熊勤學(xué)，胡佩敏，馬艷. 前期降水指數(shù)結(jié)合SAR數(shù)據(jù)提取作物漬害空間分布信息[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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

國家自然科學(xué)基金（31871516）；濕地生態(tài)與農(nóng)業(yè)利用教育部工程研究中心開放基金（KF201701，KFT201906）

熊勤學(xué)，教授，主要研究方向?yàn)檗r(nóng)業(yè)遙感。Email：nxqx@tom.com

胡佩敏，高級工程師，主要研究方向?yàn)檗r(nóng)業(yè)氣象。Email：hupm@21cn.com

10.11975/j.issn.1002-6819.2021.05.020

S1

A

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