基于作物水分脅迫指數(shù)的表層土壤含水率遙感估算

林人財，陳 鶴*，張德寧，魏 征，蔡甲冰，曾 冉，張麗莉，賈玉玲

?作物水肥高效利用?

基于作物水分脅迫指數(shù)的表層土壤含水率遙感估算

林人財1，陳 鶴1*，張德寧2，魏 征1，蔡甲冰1，曾 冉3，張麗莉3，賈玉玲3

（1.中國水利水電科學研究院 流域水循環(huán)模擬與調控國家重點實驗室，北京 100038；2.德州市潘莊灌區(qū)運行維護中心，山東 德州 253000；3.滄州市水利工程質量技術中心，河北 滄州 061000）

【目的】探究作物水分脅迫指數(shù)（）與表層土壤含水率的空間分布特征，并分析不同下墊面（葵花、夏玉米、春小麥和甜椒）表層土壤含水率的遙感估算精度?！痉椒ā坷肕OD16A2遙感數(shù)據(jù)和氣象數(shù)據(jù)，結合Penman-Monteith（P-M）模型，基于反演河套灌區(qū)解放閘灌域表層土壤含水率，并對不同下墊面的表層土壤含水率進行驗證。【結果】的空間分布與表層土壤含水率相反，大的區(qū)域，表層土壤含水率??；春小麥下墊面遙感估算的表層土壤含水率效果較好，決定系數(shù)（2）為0.748，其次為葵花，2為0.357；灌溉次數(shù)較多的夏玉米和甜椒的表層土壤含水率估算精度較差，可見基于的表層土壤含水率遙感估算方法對土壤干旱較為敏感?！窘Y論】基于的表層土壤含水率遙感估算方法更適用于灌水較少且耐旱作物下墊面的表層土壤含水率估算。

土壤含水率；；MOD16A2；解放閘灌域

0 引 言

【研究意義】土壤含水率是農業(yè)、氣象和水文領域的重要參數(shù)，在水資源評價、天氣預報和水文模擬等方面應用廣泛[1]。在農業(yè)領域，土壤含水率是作物灌溉制度制定的重要依據(jù)，及時、準確地獲取土壤含水率對指導農業(yè)灌溉及提高農業(yè)水資源利用效率具有重要意義[2]。傳統(tǒng)的土壤含水率監(jiān)測方法如烘干法和TDR法可獲得精準的點尺度土壤含水率數(shù)據(jù)，但需消耗大量的人力、物力和財力，且無法實現(xiàn)區(qū)域尺度監(jiān)測。隨著遙感技術的發(fā)展，區(qū)域尺度監(jiān)測成為可能。河套灌區(qū)是我國特大灌區(qū)之一，由烏蘭布和、解放閘、永濟、義長和烏拉特5個灌域組成。解放閘灌域是河套灌區(qū)的第二大灌域，耕地面積占灌域總面積的70%以上；及時、準確地獲取解放閘灌域土壤含水率對指導農業(yè)灌溉及提高農業(yè)水資源利用效率具有重要意義。

【研究進展】利用遙感方法進行區(qū)域尺度土壤含水率監(jiān)測的研究已取得豐富成果。以往研究已提出一系列土壤含水率遙感反演模型，如經(jīng)驗回歸模型[3]、水分虧缺指數(shù)模型[4]、水量平衡模型[5]和BP神經(jīng)網(wǎng)絡模型[6]。Hoskera等[7]建立了實測土壤含水率與Sentinel-1后向散射系數(shù)之間的線性回歸模型，結果表明VV+VH組合極化在土壤含水率反演中表現(xiàn)較好。趙建輝等[8]提出了基于特征數(shù)據(jù)和GA-BP神經(jīng)網(wǎng)絡的農田表層土壤含水率估算方法，精度較好。Zribi等[9]基于植被校正的水云模型和半經(jīng)驗模型，并結合ENVISAT ASAR反演土壤含水率；結果表明，該方法對于小麥下墊面土壤含水率的估算精度較高。其中，作物水分脅迫指數(shù)（Crop Water Stress Index，）模型是基于能量平衡方程建立，物理意義明確，適用范圍廣，在農田植被覆蓋區(qū)域可取得較好的土壤含水率估算精度。宋小寧等[10]基于亞像元尺度的蒸散模型，在西北草原區(qū)利用地表缺水指數(shù)進行了區(qū)域缺水監(jiān)測。【切入點】當前，基于反演區(qū)域土壤含水率的研究主要是利用無人機熱紅外遙感在農田尺度進行觀測，并以此診斷作物水分脅迫狀況，難以滿足區(qū)域尺度的監(jiān)測需求?！緮M解決的關鍵問題】鑒于此，本研究利用MOD16A2數(shù)據(jù)和氣象數(shù)據(jù)，結合Penman-Monteith（P-M）模型，基于反演解放閘灌域2014年表層土壤含水率，并利用實測數(shù)據(jù)對不同下墊面（葵花、夏玉米、春小麥和甜椒）的表層土壤含水率進行精度驗證，為指導農業(yè)灌溉及提高農業(yè)水資源利用效率提供科學參考。

1 材料與方法

1.1 研究區(qū)概況

河套灌區(qū)（106°16′E—109°27′E，40°10′E—41°18′N）位于內蒙古自治區(qū)西部，北靠陰山山脈，南臨黃河，東與包頭市接壤，西與烏蘭布和沙漠相鄰，橫跨巴彥淖爾市的烏拉特前旗、五原縣、臨河市、杭錦后旗和瞪口縣，東西長250 km，南北寬50 km[11]。灌區(qū)由烏蘭布和、解放閘、永濟、義長和烏拉特5個灌域組成。解放閘灌域（106°43′E—107°27′E，40°34′E—41°14′N）是河套灌區(qū)第二大灌域（圖1），灌域面積為2 345 km2，70%以上為耕地，糧食作物主要為夏玉米和春小麥，經(jīng)濟作物主要為葵花和甜椒[12]。春小麥、夏玉米、葵花和甜椒的生育期分別為3月25日—8月5日、5月1日—9月20日、5月28日—9月13日和5月15日—9月10日。灌域地處干旱半干旱內陸地區(qū)，海拔高度為1 008～1 092 m，多年平均降水量為151.3 mm，多年平均蒸發(fā)量為2 300 mm，多年平均氣溫為9 ℃。

圖1 研究區(qū)地理位置

1.2 MODIS數(shù)據(jù)

遙感數(shù)據(jù)來源于Terra和Aqua衛(wèi)星搭載的MODIS（Moderate-resolution Imaging Spectroradiometer）傳感器觀測的標準陸地產(chǎn)品數(shù)據(jù)。Terra的過境時間為10:30，Aqua的過境時間為13:30。MOD16A2包含實際蒸散量（）、潛在蒸散量、潛熱通量和潛在潛熱通量。本研究使用的數(shù)據(jù)為MOD16A2中的，獲取時間為2014年5月1日—9月24日，該數(shù)據(jù)已在全球范圍內得到廣泛驗證并應用[13]。MOD15A2H包含葉面積指數(shù)（）、光合有效輻射分數(shù)、質量等級和每個變量的標準差。本研究使用的數(shù)據(jù)為MOD15A2H中的，獲取時間為2014年5月1日—9月24日。MOD16A2和MOD15A2H的空間分辨率為500 m，時間分辨率為8 d。以上產(chǎn)品均通過NASA數(shù)據(jù)平臺（http://ladsweb.modaps.eosdis.nass.gov/）下載，MOD16A2和MOD15A2H已經(jīng)過輻射、大氣和幾何校正，通過MRT重投影至WGS84/UTM（北48區(qū)）坐標系統(tǒng)，將空間分辨率重采樣至250 m，并進行質量控制、數(shù)據(jù)插補和平滑處理，得到最終的和數(shù)據(jù)。

1.3 地面數(shù)據(jù)

1.3.1氣象數(shù)據(jù)

氣象數(shù)據(jù)獲取自國家氣象信息中心（http://data.cma.cn/），包含解放閘灌域及其周邊共10個國家級氣象站點2014年的氣象數(shù)據(jù)，包括降水量、平均氣溫、最高氣溫、最低氣溫、平均風速和平均相對濕度等逐日氣象數(shù)據(jù)。部分氣象站點數(shù)據(jù)存在缺失或異常，采用中值線性插值法進行插補后再通過反距離權重法進行空間插值，得到解放閘灌域氣象數(shù)據(jù)的空間分布結果。表1為氣象站點基本信息。

表1 氣象站點基本信息

1.3.2 土壤含水率數(shù)據(jù)

在解放閘灌域的春小麥、夏玉米、葵花和甜椒種植區(qū)域內布設土壤含水率監(jiān)測設備。監(jiān)測儀器為中國水利水電科學研究院自主研發(fā)的CTMS-On line型作物冠層溫度及環(huán)境因子測量系統(tǒng)，可連續(xù)觀測土壤含水率信息，用于驗證遙感土壤含水率估算模型。土壤含水率監(jiān)測點位于地表以下10 cm（表層）、20 cm（根層）和40 cm（深層），儀器布設詳見圖2。采集時間為2014年5月1日—9月24日，覆蓋夏玉米、葵花和甜椒生育期，由于春小麥播種初期無需灌溉，故未考慮4月的土壤含水率監(jiān)測。監(jiān)測時間間隔為1 h，由逐時數(shù)據(jù)計算每日平均值，得到逐日土壤含水率數(shù)據(jù)。

圖2 土壤含水率監(jiān)測儀器布設示意

1.4 CWSI估算

由于實際蒸散發(fā)（）計算需要大量參數(shù)，通常通過冠氣溫差和飽和水汽壓差的線性關系間接計算。本研究采用P-M模型[14]分別計算潛在蒸散發(fā)（p），進而計算，具體計算方法詳見陳鶴等[15]研究：

式中：為實際蒸散發(fā)（mm）；p為潛在蒸散發(fā)（mm）。

1.5 基于CWSI的表層土壤含水率估算

脅迫條件下的是充分供水條件下的作物蒸散發(fā)量（潛在蒸散發(fā)，p）與土壤水分修正系數(shù)（s）的乘積，計算式為：

康紹忠等[16]提出使用冪函數(shù)估算s：

2 結果與分析

2.1 實測土壤含水率變化分析

圖3為葵花、夏玉米、春小麥和甜椒主要生長季的土壤含水率監(jiān)測結果。春小麥表層土壤水分虧缺較為嚴重，灌溉后表層土壤含水率迅速升高，隨后逐漸下降。夏玉米和甜椒生長季后期表層土壤含水率下降明顯。葵花下墊面表層和深層土壤含水率變化較小，根系層土壤含水率變化劇烈，這與葵花根系吸水層深度有關。由于解放閘灌域地下水埋深較淺，故深層土壤含水率較高。8月上旬—9月上旬，葵花根系層土壤含水率低于表層土壤含水率，這是由于葵花根系發(fā)達，吸收水分和養(yǎng)分的能力強，約60%的根系分布在0～40 cm土層內，在20 cm深度處根系分布密度最大。8月中旬—9月下旬為葵花灌漿期和成熟期，作物需水量大，根系吸水強度高。圖4為2014年5—8月的作物空間分布。在作物生長初期（5月），解放閘灌域作物種植區(qū)的較低，最大值僅為1.3；6月作物種植區(qū)逐漸提高，平均值為0.7；7月為作物快速生長，此時達到最大值，為6.7；8月后，作物逐漸進入成熟期，作物生長逐漸減緩，逐漸減小。

圖3 不同下墊面實測土壤含水率

圖4 作物生育期典型代表日的LAI空間分布

2.2 表層土壤含水率估算與驗證

以監(jiān)測點為圓心，在半徑為1 m的范圍內，每隔15 d進行1次取土采樣，利用烘干法得到土壤含水率，將其與儀器觀測結果進行對比?？?、夏玉米、春小麥和甜椒的決定系數(shù)（2）分別為0.82、0.87、0.73和0.85，表明監(jiān)測系統(tǒng)連續(xù)觀測的數(shù)據(jù)穩(wěn)定、可靠。根據(jù)式（5）分別率定春小麥、夏玉米、葵花和甜椒對應的、值，估算解放閘灌域2014年5—8月的表層土壤含水率，并利用實測的表層土壤含水率進行驗證。圖5為土壤含水率估算值與實際觀測值的對比結果。遙感估算的4種下墊面土壤含水率介于20%～40%之間。春小麥的遙感估算結果較好，2為0.748，其次為葵花，2為0.357。夏玉米的土壤含水率估算值與實測值擬合結果不理想，但其擬合直線斜率為0.79，土壤含水率值均勻分布在1∶1線兩側，散點分布特征與春小麥相似。灌域內甜椒的灌溉方式主要為充分灌溉，土壤含水率維持在相對穩(wěn)定水平，遙感估算結果并不理想，表明基于的遙感估算方法對充分灌溉的作物土壤含水率監(jiān)測不具有優(yōu)勢。

圖5 表層土壤含水率估算值與實測值的對比

2.3 CWSI和表層土壤含水率空間分布

MOD16A2受云雨天氣影響，難以獲得高質量的長時間序列及土壤含水率。因此，選擇2014年解放閘灌域葵花、夏玉米、春小麥和甜椒主要生長季內晴朗無云的4 d（5月4日、6月9日、7月18日和8月23日），分析的空間分布特征。圖6為2014年葵花、夏玉米、春小麥和甜椒主要生長季4個代表日的空間分布。在作物生長初期（5月），較低，部分區(qū)域＞0.8，表明少量作物存在缺水狀況，主要分布在灌域西北邊緣區(qū)域及灌域南部；作物在6月進入快速生成期，作物需水量較大，未及時灌溉或灌溉不足的作物區(qū)域較大，主要分布在灌域北部；由于7月降水量增加，大部分區(qū)域較小，不存在水分虧缺狀況；8月大部分區(qū)域較?。ㄆ骄禐?.29），空間分布特征表現(xiàn)為北高南低，灌域北部的部分區(qū)域較大（0.6～0.8）。

圖6 作物生育期典型代表日的CWSI空間分布

基于30 m空間分辨率的作物種植結構（圖7），分別對葵花、夏玉米、春小麥和甜椒4種作物種植區(qū)域的土壤含水率進行估算?；诘谋韺油寥篮使浪隳Ｐ驮u估解放閘灌域2014年葵花、夏玉米、春小麥和甜椒主要生長季表層土壤含水率，并分析表層土壤含水率分布（圖8）。大的區(qū)域，表層土壤含水率小。在作物生長初期（5月），農田土壤含水率較高；6月土壤含水率有所降低，表層土壤含水率平均值為21.79%，標準差為4.77%，北部作物種植區(qū)表層土壤含水率大于30%；7月表層土壤含水率空間分布特征不明顯，灌域表層土壤含水率平均值為30.79%；8月灌域表層土壤含水率平均值為28.84%，標準差為3.14%，灌域南部的部分區(qū)域表層土壤含水率大于33%。

圖7 解放閘灌域種植結構空間分布

圖8 解放閘灌域表層土壤含水率空間分布

3 討 論

與表層和根層土壤含水率相比，深層土壤含水率較高，介于35%～40%之間，這主要是由解放閘灌域地下水埋深較淺所導致。Chen等[17]研究表明，解放閘灌域大部分區(qū)域地下水位埋深介于1.15～3.02 m之間。同時，由于光學遙感衛(wèi)星電磁波穿透能力較弱，無法探測根層（深層）土壤信號，故本研究僅提出表層土壤含水率遙感估算模型。然而，深層土壤含水率是水文和氣候預測模型的重要參數(shù)，會影響表層土壤蒸發(fā)和植被蒸騰，進而調節(jié)土壤-植被-大氣間的水和能量平衡[18]。因此，下一步研究應關注如何由表層土壤含水率預測深層土壤含水率。Chen等[19]基于數(shù)據(jù)同化方法在位山灌區(qū)開展了根層和深層土壤含水率模擬，模擬結果較好，且數(shù)據(jù)同化技術的應用可減小30%～50%的誤差。本研究表明，大的區(qū)域，表層土壤含水率小，這與虞文丹等[20]的研究結果一致。李伯祥等[21]在開展遙感反演農田土壤含水率時未進行作物分類。以往區(qū)分不同作物下墊面進行表層土壤含水率估算的研究較少，本研究分別估算了4種作物主要生長季的表層土壤含水率，同時采用實測表層土壤含水率進行驗證，為不同作物的灌溉制度制定提供了科學參考。本研究中夏玉米下墊面驗證結果并不理想，這可能與驗證數(shù)據(jù)偏少有關，而以往研究[22-23]在進行遙感反演土壤含水率時，驗證數(shù)據(jù)均大于50個，驗證結果較好。因此，下一步研究中應盡可能地收集更多的實測數(shù)據(jù)用于模型驗證。

本研究提出了基于的表層土壤含水率估算方法，得到作物主要生長季表層土壤含水率，其空間分辨率為250 m，這主要受限于MOD16A2數(shù)據(jù)的空間分辨率。數(shù)據(jù)融合方法為提高空間分辨率提供了新思路，該方法早期僅應用于衛(wèi)星波段反射率融合，后來被證明也可應用于地表參數(shù)，例如蒸散發(fā)[24]和土壤水分[25]。未來可利用時空自適應反射率融合模型和增強型時空自適應融合模型等數(shù)據(jù)融合方法得到逐日30 m土壤含水率數(shù)據(jù)集，以期為農業(yè)水資源管理提供更加精細的數(shù)據(jù)支撐。

4 結 論

1）的空間分布趨勢與表層土壤含水率的空間分布趨勢相反。

2）春小麥下墊面遙感估算的表層土壤含水率驗證結果較好，2為0.748，其次為葵花，2為0.357。

3）本研究提出的方法對于土壤干旱更為敏感，適用于灌水較少且耐旱作物的表層土壤含水率估算。

[1] 馮舒, 趙文武, 陳利頂, 等. 2010年來黃土高原景觀生態(tài)研究進展[J]. 生態(tài)學報, 2017, 37(12): 3 957-3 966.

FENG Shu, ZHAO Wenwu, CHEN Liding, et al. Advances in landscape ecology in the Loess Plateau since 2010 in China[J]. Acta Ecologica Sinica, 2017, 37(12): 3 957-3 966.

[2] 艾璐, 孫淑怡, 李書光, 等. 光學與SAR遙感協(xié)同反演土壤水分研究進展[J]. 自然資源遙感, 2021, 33(4): 10-18.

AI Lu, SUN Shuyi, LI Shuguang, et al. Research progress on the cooperative inversion of soil moisture using optical and SAR remote sensing[J]. Remote Sensing for Natural Resources, 2021, 33(4): 10-18.

[3] 張新樂, 秦樂樂, 鄭興明, 等. 基于主動微波遙感的典型黑土區(qū)土壤水分反演[J]. 東北農業(yè)大學學報, 2018, 49(10): 43-51.

ZHANG Xinle, QIN Lele, ZHENG Xingming, et al. Soil moisture inversion based on active microwave remote sensing in typical black soil area[J]. Journal of Northeast Agricultural University, 2018, 49(10): 43-51.

[4] JACKSON R D, IDSO S B, REGINATO R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1 133-1 138.

[5] ROBINSON J M, HUBBARD K G. Soil water assessment model for several crops in the high plains[J]. Agronomy Journal, 1990, 82(6): 1 141-1 148.

[6] 尚松浩, 雷志棟, 楊詩秀. 冬小麥田間墑情預報的經(jīng)驗模型[J]. 農業(yè)工程學報, 2000, 16(5): 31-33.

SHANG Songhao, LEI Zhidong, YANG Shixiu. Empirical model for soil moisture forecast in winter wheat field[J]. Transactions of the Chinese Society of Agricultural Engineering, 2000, 16(5): 31-33.

[7] HOSKERA A K, NICO G, IRSHAD AHMED M, et al. Accuracies of soil moisture estimations using a semi-empirical model over bare soil agricultural croplands from sentinel-1 SAR data[J]. Remote Sensing, 2020, 12(10): 1 664.

[8] 趙建輝, 張晨陽, 閔林, 等. 基于特征選擇和GA-BP神經(jīng)網(wǎng)絡的多源遙感農田土壤水分反演[J]. 農業(yè)工程學報, 2021, 37(11): 112-120.

ZHAO Jianhui, ZHANG Chenyang, MIN Lin, et al. Retrieval for soil moisture in farmland using multi-source remote sensing data and feature selection with GA-BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(11): 112-120.

[9] ZRIBI M, CHAHBI A, SHABOU M, et al. Soil surface moisture estimation over a semi-arid region using ENVISAT ASAR radar data for soil evaporation evaluation[J]. Hydrology and Earth System Sciences, 2011, 15(1): 345-358.

[10] 宋小寧, 趙英時. 改進的區(qū)域缺水遙感監(jiān)測方法[J]. 中國科學(D輯: 地球科學), 2006, 36(2): 188-194.

SONG Xiaoning, ZHAO Yingshi. Improved remote sensing monitoring method for regional water shortage[J]. Science in China(Series D: Earth Sciences), 2006, 36(2): 188-194.

[11] 牛乾坤, 劉瀏, 黃冠華, 等. 基于GEE和機器學習的河套灌區(qū)復雜種植結構識別[J]. 農業(yè)工程學報, 2022, 38(6): 165-174.

NIU Qiankun, LIU Liu, HUANG Guanhua, et al. Extraction of complex crop structure in the Hetao Irrigation District of Inner Mongolia using GEE and machine learning[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(6): 165-174.

[12] BAI L L, CAI J B, LIU Y, et al. Responses of field evapotranspiration to the changes of cropping pattern and groundwater depth in large irrigation district of Yellow River Basin[J]. Agricultural Water Management, 2017, 188: 1-11.

[13] 褚榮浩, 李萌, 謝鵬飛, 等. 安徽省近20年地表蒸散和干旱變化特征及其影響因素分析[J]. 生態(tài)環(huán)境學報, 2021, 30(6): 1 229-1 239.

CHU Ronghao, LI Meng, XIE Pengfei, et al. Characteristics and influencing factors of surface evapotranspiration and drought in Anhui Province during recent 20 years[J]. Ecology and Environmental Sciences, 2021, 30(6): 1 229-1 239.

[14] 王斌, 付強, 王敏, 等. 不同時間步長的Hargreaves公式修正式適用性研究[J]. 東北農業(yè)大學學報, 2011, 42(8): 131-135.

WANG Bin, FU Qiang, WANG Min, et al. Applicability on verified equations of Hargreaves at different time steps[J]. Journal of Northeast Agricultural University, 2011, 42(8): 131-135.

[15] 陳鶴, 蔡甲冰, 張寶忠, 等. 灌區(qū)尺度遙感蒸散發(fā)模型時間尺度提升方法研究[J]. 中國農村水利水電, 2016(9): 149-152.

CHEN He, CAI Jiabing, ZHANG Baozhong, et al. Research on remote sensing ET model temporal up-scaling method at irrigation district level[J]. China Rural Water and Hydropower, 2016(9): 149-152.

[16] 康紹忠, 熊運章. 干旱缺水條件下麥田蒸散量的計算方法[J]. 地理學報, 1990, 45(4): 475-483.

KANG Shaozhong, XIONG Yunzhang. A method of calculating evapotranspiration from the farmland with soil water deficit.in arid and semiarid areas[J]. Acta Geographica Sinica, 1990, 45(4): 475-483.

[17] CHEN H, WEI Z, LIN R C, et al.Estimation of evapotranspiration and soil water content at a regional scale using remote sensing data[J]. Water, 2022, 14(20): 3 283.

[18] 梁順林, 李小文, 王錦地. 定量遙感: 理念與算法[M]. 2版. 北京: 科學出版社, 2019.

LIANG Shunlin, LI Xiaowen, WANG Jindi. Quantitative remote sensing: Ideas and Algorithms[M]. 2nd ed. Beijing: Science Press, 2019.

[19] CHEN H, LIN R C, ZHANG B Z, et al.Improving soil water content and surface flux estimation based on data assimilation technique[J]. Remote Sensing, 2022, 14(13): 3 183.

[20] 虞文丹, 張友靜, 鄭淑倩. 基于作物缺水指數(shù)的土壤含水量估算方法[J]. 國土資源遙感, 2015, 27(3): 77-83.

YU Wendan, ZHANG Youjing, ZHENG Shuqian. Estimation of soil moisture based on crop water stress index[J]. Remote Sensing for Land & Resources, 2015, 27(3): 77-83.

[21] 李伯祥, 陳曉勇. 基于Sentinel多源遙感數(shù)據(jù)的河北省景縣農田土壤水分協(xié)同反演[J]. 生態(tài)與農村環(huán)境學報, 2020, 36(6): 752-761.

LI Boxiang, CHEN Xiaoyong. Synergic use of Sentinel-1 and Sentinel-2 images for soil moisture retrieval in vegetation covered agricultural areas of Jingxian County of Heibei Province[J]. Journal of Ecology and Rural Environment, 2020, 36(6): 752-761.

[22] 高琪, 王玉珍, 馮春暉, 等. 基于改進型光譜指數(shù)的荒漠土壤水分遙感反演[J]. 自然資源遙感, 2022, 34(1): 142-150.

GAO Qi, WANG Yuzhen, FENG Chunhui, et al. Remote sensing inversion of desert soil moisture based on improved spectral indices[J]. Remote Sensing for Natural Resources, 2022, 34(1): 142-150.

[23] BOUSBIH S, ZRIBI M, EL HAJJ M, et al. Soil moisture and irrigation mapping in A semi-arid region, based on the synergetic use of Sentinel-1 and Sentinel-2 data[J]. Remote Sensing, 2018, 10(12): 1 953.

[24] 白亮亮, 蔡甲冰, 劉鈺, 等. 基于數(shù)據(jù)融合算法的灌區(qū)蒸散發(fā)空間降尺度研究[J]. 農業(yè)機械學報, 2017, 48(4): 215-223.

BAI Liangliang, CAI Jiabing, LIU Yu, et al. Spatial downscaling of evapotranspiration in large irrigation area based on data fusion algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(4): 215-223.

[25] ABOWARDA A S, BAI L L, ZHANG C J, et al. Generating surface soil moisture at 30 m spatial resolution using both data fusion and machine learning toward better water resources management at the field scale[J]. Remote Sensing of Environment, 2021, 255: 112 301.

Estimating Topsoil Water Content Using Crop Water Stress Index and Remote Sensing Technologies

LIN Rencai1, CHEN He1*, ZHANG Dening2, WEI Zheng1, CAI Jiabing1, ZENG Ran3, ZHANG Lili3, JIA Yuling3

(1. State Key Laboratory of Simulation and Regulation of Water Cycle in River Basin, China Institute of Water Resources and Hydropower Research, Beijing 100038, China; 2. Operation and Maintenance Center of Panzhuang Irrigation District, Dezhou 253000, China;3. Cangzhou Water Conservancy Engineering Quality Technology Center, Cangzhou 061000, China)

【Objective】Change in topsoil water content is intricately linked to plant transpiration, and understanding its spatiotemporal variation at large scales is crucial to improving water and agriculture management. The objective of this paper is to investigate the feasibility of remote sensing for estimating topsoil water content, its association with crop water stress index () and the impact of cropping systems.【Method】The experiment site was an irrigation field at Jiefangzha in Hetao Irrigation District. The topsoil water content in different cropped lands (sunflower, summer maize, spring wheat and pepper) was calculated, inversely, in 2014 using the MOD16A2 imagery, meteorological data, and the P-M model and. The estimated soil water content was compared with ground-truth data.【Result】Theand topsoil water content were inversely proportional. The method was accurate for estimating topsoil water content in wheat and sunflower lands, with the determination coefficient between the estimated and measured soil water content for the wheat and sunflower lands being 0.748 and 0.357, respectively. However, it was less accurate for maize and pepper lands as they were irrigated more frequently. These suggested that the remote sensing-based method works better when the soil is dry than when it is wet.【Conclusion】The-based remote sensing method is more suitable for estimating topsoil water content in lands planted with drought-tolerant crops than lands grown with water-demanded crops which need more irrigation. Our results provide insight into the impact of cropping systems on accuracy and reliability of remote sensing methods for estimating topsoil water content. It has potential application for agricultural management in arid and semi-arid regions.

soil water content;; MOD16A2; Jiefangzha irrigation field

1672 - 3317（2023）04 - 0001 - 07

S161

A

10.13522/j.cnki.ggps.2022447

林人財, 陳鶴, 張德寧, 等. 基于作物水分脅迫指數(shù)的表層土壤含水率遙感估算[J].灌溉排水學報, 2023, 42(4): 1-7.

LIN Rencai, CHEN He, ZHANG Dening, et al. Estimating Topsoil Water Content Using Crop Water Stress Index and Remote Sensing Technologies[J]. Journal of Irrigation and Drainage, 2023, 42(4): 1-7.

2022-08-11

國家重點研發(fā)計劃項目（2021YFB3900602）；中國水利水電科學研究院流域水循環(huán)模擬與調控國家重點實驗室自主研究課題（SKL2022TS13）；中國水利水電科學研究院基本科研業(yè)務費專項項目（ID0145B022021，ID0145B052021）

林人財（1995-），男。博士研究生，主要從事農業(yè)遙感研究。E-mail: rencaihrs@iwhr.com

陳鶴（1986-），女。高級工程師，主要從事農業(yè)遙感研究。E-mail: chenhe@iwhr.com

責任編輯：韓 洋