EN中文

GEOGRAPHICAL RESEARCH >

2022 , Vol. 41 >Issue 11: 2979 - 2999

DOI: https://doi.org/10.11821/dlyj020211166

Articles

Spatiotemporal variation of water storage in 1-m soil layer in China from 1980 to 2019

  • WANG Zongxia , 1, 2 ,
  • LIU Suxia , 1, 2, 3 ,
  • QIU Jianxiu 4 ,
  • MO Xingguo 1, 2, 3
Expand
  • 1. Key Laboratory of Water Cycle and Related Land Surface Processes, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Sino-Danish College, University of Chinese Academy of Sciences, Beijing 100049, China
  • 4. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275, China

Received date: 2021-12-09

  Accepted date: 2022-07-19

  Online published: 2023-01-11

Fold

Abstract

Profile soil moisture (PSM), which is essential for a comprehensive understanding of the entire soil layer water content, is more difficult to retrieve than surface soil moisture (SSM). It is an effective approach to estimate PSM at regional scale by combining multi-source data. Based on random forest regression (RFR), this study established SSM-deep layer soil moisture (DLSM) relationship models for different seasons with in-situ observations over China. European Space Agency Climate Change Initiative Soil Moisture (ESA CCI SM) product was used to estimate DLSM. Spatiotemporal variation of SM in 10 soil layers, i.e., 0-10, 0-20, 0-30, 0-40, 0-50, 0-60, 0-70, 0-80, 0-90 and 0-100 cm, in China from 1980 to 2019 was analyzed in detail. ESA CCI SM product matched well with in-situ observations, but the former was generally higher than the latter. A method using saturated soil water content and wilting point for range constraining was proposed, which effectively reduced the overestimation error of ESA CCI SM product. As a whole, accuracy of RFR models was the highest in autumn, followed by summer and spring, and the lowest in winter. The models performed best in arid zone (ARZ), followed by temperate zone (TEZ) and cold zone (COZ), and worst in Qinghai-Tibet zone (QTZ). The multi-year mean and standard deviation of soil water storage of 10 soil layers were 1.64±0.11, 3.50±0.21, 5.29±0.30, 7.13±0.38, 10.04±0.46, 12.25±0.54, 14.47±0.62, 16.75±0.69, 19.05±0.76, and 21.36±0.83 cm, respectively. Soil profile was divided into fluctuating layer (0-40 cm), leap layer (40-60 cm) and stable layer (60-100 cm). Water storage of 1-m soil layer (WS-1m) over China increased from northwest to northeast and southeast, with lower PSM and greater heterogeneity in cold and arid regions and higher PSM and lower heterogeneity in warm and humid regions. WS-1m in tropical zone (TRZ), ARZ and QTZ peaked in summer, while that in TEZ and COZ was the lowest in summer. Soil profile became wetter in wet zone and wet season and drier in dry zone and dry season over the last 40 years. WS-1m in TRZ significantly increased after 2004-2009, and that in ARZ increased and decreased during 1985-1986 and 2013-2014, respectively. The main cycles of WS-1m over China were 5 a and 11 a.

Key words： surface soil moisture; profile soil moisture; random forest regression; Köppen-Geiger climatic zones; saturated soil water content; wilting point

Cite this article

WANG Zongxia , LIU Suxia , QIU Jianxiu , MO Xingguo . Spatiotemporal variation of water storage in 1-m soil layer in China from 1980 to 2019[J]. GEOGRAPHICAL RESEARCH, 2022 , 41(11) : 2979 -2999 . DOI: 10.11821/dlyj020211166

1 引言

土壤水分（soil moisture, SM）是土壤-植物-大气连续体（Soil-Plant-Atmosphere Continuum, SPAC）水热传输的重要组成部分，也是全球气候系统的关键气候变量之一。土壤含水量的变化可引起地表反照率和土壤热性质的变化，从而影响地表能量平衡以及不同形式有效能量的分配。土壤水分与气候系统存在密切联系，气候变化可以改变土壤水分状况，而土壤水分的反馈作用又会影响区域未来的气候特征[1]。
土壤剖面水分（profile soil moisture, PSM）是一定深度土层内的土壤含水量，其影响着地球关键带内的各类水文气象要素和生态水文过程[2,3]，研究土壤剖面水分的时空变化特征对深入了解气候系统和陆气交互作用具有重要意义。
Han等[4]和Tobin等[5]研究显示，估算土壤剖面水分时，简单的数据融合方法可以和复杂的数据同化技术一样有效。由维也纳科技大学和欧空局牵头建立的国际土壤水分网络（International Soil Moisture Network, ISMN）是全球最大的实测土壤水分数据库，截至2021年7月ISMN已涵盖71个网络和2842个站点[6]。地面观测准确度高且观测深度大，但费时费力，无法实现大范围连续观测。遥感作为一种可覆盖全球的观测手段，能克服地面观测的空间尺度问题，但有限的穿透深度被认为是其应用的限制因素。Qiu等[7]计算土壤水分与植被的互信息发现，深层土壤水分观测数据的增强信息可以通过表层观测数据的低通变换得到有效重现，表明遥感数据对探测深层土壤水分信息具有很大的潜力。因此，若能结合地面观测与遥感观测在空间尺度和垂向深度两方面的优势，先基于实测数据建立表层与深层土壤水分之间的联系，再引入遥感表层土壤水分数据，那么获取全国尺度上连续的土壤剖面水分信息是可以实现的[8]。本文将通过融合地面观测与遥感观测资料，建立一套中国长序列、多深度层次和较高空间分辨率的土壤剖面水分数据。
国际主流的土壤剖面水分反演算法是利用指数滤波器计算土壤水分指数，从而基于表层土壤水分反演土壤剖面水分[9]。该算法的关键步骤是特征时间长度参数T（T≥1d）的优化，要求观测数据的时间尺度为日尺度或者更精细。本研究使用的地面实测资料以旬尺度为主，不能满足参数T的优化估计，因此指数滤波法不适用。近年来，机器学习方法在区域土壤水分反演工作中得到了广泛应用，例如随机森林算法[10,11]。作为一种结合多棵分类回归树的集成学习方法，随机森林相比于单分类算法更不容易出现过拟合，模型的稳定性和泛化能力更强[12]，是解决分类与回归问题的优异算法。
基于上述背景，本文的研究内容包括三部分：① 从ISMN获取中国范围内观测剖面较深、序列较长的实测土壤水分数据，利用随机森林回归算法建立不同季节不同深度土层的表层-深层土壤水分关系模型；② 引入ESA CCI SM（European Space Agency Climate Change Initiative Soil Moisture）表层土壤水分产品，以饱和含水量和凋萎系数作为约束条件对其进行值域校正，经实测数据验证后，将该产品输入模型反演中国各季节不同深度层次的土壤水分；③ 基于反演结果，分析中国1m土层贮水量的空间分布特征、季节分布模式、年际变化趋势、突变特征以及周期变化规律。

2 数据来源与研究方法

2.1 数据来源

2.1.1 实测土壤水分数据与气候分类数据

实测土壤水分数据下载自ISMN（https://ismn.geo.tuwien.ac.at/en/data-access/），选取剖面观测信息比较详细的CHINA[13,14]和CTP_SMTMN[15]数据库（图1），它们已被广泛用于验证遥感和模型模拟土壤水分产品的准确性[16,17]。CHINA数据库包含40个站点，其中晋江站和锡林郭勒站观测深度为0~0.5 m，金县站为0~0.8 m，其余37个站点的观测深度均为0~1m。CTP_SMTMN数据库有56个站点，包括三种空间尺度：大尺度（1.0º×1.0º，含38个站点）、中尺度（0.3º×0.3º，含22个站点）和小尺度（0.1º×0.1º，含9个站点），部分站点兼具两种尺度，观测深度均为0~0.4 m。CHINA数据库与CTP_SMTMN数据库的观测时间间隔不同，前者是在每月的8，18和28日观测，后者是逐小时观测。参考刘苏峡等[8]的归类方法，将同日多次观测的算术平均值作为当天的观测结果，并将每月4日到13日归为本月8日，14日到23日归为本月18日，24日到次月3日归为本月28日，统一两个数据库的时间尺度。另外，CHINA数据库的采样间隔在0~10 cm深度为5 cm，在10 cm深度以下为10 cm。CTP_SMTMN数据库的观测深度为0~5，10，20和40 cm。为了使二者观测间隔一致，使用上下两层的平均值作为缺测深度的观测值，将CTP_SMTMN数据库的观测深度线性内插为0~5，5~10，10~20，20~30和30~40 cm。
图1 ISMN土壤水分观测站点与Köppen-Geiger气候带的空间分布

注: 该图基于自然资源部地图技术审查中心标准地图（审图号为GS (2020)4619号）绘制，底图无修改。

Fig. 1 Spatial distribution of ISMN soil moisture observation stations and Köppen-Geiger climatic zones

使用Beck等[18]绘制的最新Köppen-Geiger气候地图（图1）作为研究土壤剖面水分时空变化的分区方案。该方案将全球分为热带、干带、暖温带、冷温带和极地带，高地气候统一归入极地带。中国的极地带绝大部分位于青藏高原，因此按照惯例，下文将极地带特别改称青藏带。干带、暖温带、冷温带和青藏带分别有6、7、27和56个观测站点，热带无实测资料，CTP_SMTMN数据库站点全部分布于青藏带。

2.1.2 ESA CCI SM被动遥感土壤水分产品数据

ESA CCI SM产品是欧空局Climate Change Initiative项目的一部分，旨在提供全球范围的卫星观测土壤水分数据集。本文使用2020年11月发布的ESA CCI SM v05.2。与以往版本相比，该版本在算法上有三点优化：加入了自2015年4月开始的SMAP（Soil Moisture Active Passive）数据、改进了CDF（Cumulative Distribution Function）匹配方法以及更新了AMSR2（Advanced Microwave Scanning Radiometer 2）传感器之间的尺度变换机制[19,20]。数据集包含主动产品、被动产品和融合产品，本研究选用被动产品，其传感器包括SMMR，SSM/I，TMI，AMSR-E，WindSat，AMSR2，SMOS和SMAP_radiometer。被动产品反演土壤水分的基础是陆地参数反演模型（Land Parameter Retrieval Model, LPRM），将被动微波传感器获取的观测亮温通过LPRM建立的微波辐射传输模型转换为土壤含水量[21]。数据的空间分辨率为0.25º，时间分辨率为日，选取的时间跨度为1980-01-01—2019-12-31。

2.1.3 基于世界土壤数据库的中国土壤数据集（v1.1）

世界土壤数据库（Harmonized World Soil Database, HWSD）由联合国粮农组织（Food and Agriculture Organization of the United Nations, FAO）和维也纳国际应用系统研究所（International Institute for Applied Systems Analysis, IIASA）建立。基于HWSD的中国土壤数据集（v1.1）[22]通过国家青藏高原科学数据中心下载（http://data.tpdc.ac.cn/zh-hans/data），其数据源是由中国科学院南京土壤研究所提供的第二次全国土地调查1:100万土壤数据。该数据集提供了中国上层土壤（0~30 cm）和下层土壤（30~100 cm）的多种属性数据。本文使用上层土壤砂粒百分含量与黏粒百分含量数据（图2a，图2b），用于计算土壤饱和含水量和凋萎系数（图2c，图2d），计算方法详见2.2.1章节。
图2 HWSD砂粒与黏粒百分含量和有关的土壤水分常数

注:该图基于自然资源部地图技术审查中心标准地图（审图号为GS (2020)4619号）绘制，底图无修改。

Fig. 2 Percentage content of sand and clay and related soil water constants based on HWSD

2.2 研究方法

2.2.1 实测与遥感土壤水分数据的质量控制方法

ISMN提供的实测数据已按Dorigo等[23]的方法进行了质量控制，共划分4种质量标签。C表示观测数据取值范围不合理（例如土壤含水量为负值或超出饱和含水量），D表示结合其他地球物理参数判断观测数据存疑（例如土壤温度低于0℃或24小时内土壤含水量出现峰值但未伴随出现降水事件），M表示用于判断质量的相关参数缺失，G表示数据质量佳。为保证地面实测资料的准确性，本研究仅选择质量标签为G的实测数据进行分析。
ESA CCI SM产品自带8种质量标签（数字0~7），其中flag=0表示观测数据已经过检查且不存在质量问题，flag=1表示像元所在的土壤被雪覆盖或温度低于0℃，flag=2表示像元植被覆盖度高，flag=4表示存在其他质量问题（例如模型不收敛），其余4种标签表示上述三类质量问题的组合。在数据处理过程中，只考虑flag=0的数据，其余数据全部剔除。
然而，经过上述质量控制的ESA CCI SM产品仍无法满足应用需求。统计发现，在1980—2019年间，中国有6497个像元（占比42.31%）的最高值超过0.9 m3/m3，有11273个像元（占比73.42%）的最高值超过其理论饱和含水量，该产品对中国土壤水分存在明显高估。另外，有4132个像元（占比26.91%）的最低值等于0 m3/m3，有12617个像元（占比82.17%）的最低值低于其凋萎系数，说明产品在低含水量区间也可能存在大量不合理的偏低观测值。在使用该产品之前，本文利用饱和含水量和凋萎系数信息进一步校正其值域。饱和含水量和凋萎系数通过HWSD土壤质地数据与Koren等[24]的经验公式计算：
θ s = - 0.00126 F s a n d + 0.489  
Ψ s = - 7.74 e - 0.0302 F s a n d  
b = 0.159 F c l a y + 2.91  
θ w l t = θ s Ψ w l t / Ψ s - 1 / b  
式中： θ s与 θ w l t分别为饱和含水量与凋萎系数（m3/m3）； F s a n d和 F c l a y分别为砂粒百分含量和黏粒百分含量（%）； Ψ s和 Ψ w l t分别为饱和基质势和凋萎系数基质势（kPa），其中 Ψ w l t取-1500kPa； b为Campbell土壤水分特征曲线的斜率，用公式（3）进行估算。
Dorigo等[23]对ISMN实测数据的值域控制方法是分别以0 m3/m3与饱和含水量作为土壤含水量的下限阈值和上限阈值，将负观测值和高于饱和含水量的观测值归为问题数据。本文首先按照上述方法对ESA CCI SM产品进行值域校正。该产品不存在负观测值，满足下限阈值，只需考虑上限阈值。剔除所有高于饱和含水量的观测值，此方法称为“单边剔除法”。由于单边剔除法对低于上限阈值的观测值全盘保留，因此属于一种不完全校正方法，无法校正遥感数据的总体偏差。此外，以0 m3/m3为下限阈值并不能改善遥感产品对低含水量区间的低估。针对上述问题，本文进一步对值域控制方法做了以下两点改进。
改进一：单边控制法。单边控制法的上下限阈值与单边剔除法相同，但不是简单地剔除数据，而是通过寻找一个与饱和含水量有关的校正系数，实现遥感观测值的总体校正。具体过程是：在极端湿润情况下，土壤含水量趋于饱和，此时像元存在理论饱和值和观测饱和值。将1980—2019年间最高观测值超过0.99 m3/m3的2438个像元定义为饱和像元，计算每个饱和像元的饱和含水量与遥感观测含水量的比值，该比值反映了理论值与观测值之间的偏离程度。对全部饱和像元的比值求平均，得到总体校正常数，从而对遥感数据的值域进行总体控制。但经过该方法校正后的遥感数据仍存在大量不合理的偏低观测值。
c o n s t a n t 1 = 1 2438 × ∑ i = 1 2438 θ s _ w e t ( i ) θ C C I _ w e t ( i )
θ C C I ' = c o n s t a n t 1 × θ C C I
式中： θ s _ w e t ( i )和 θ C C I _ w e t ( i )分别为第 i个饱和像元的饱和含水量与遥感观测值（m3/m3）； c o n s t a n t 1为遥感产品的校正常数（其数值为0.4415）； θ C C I和 θ C C I '分别为遥感产品的原始观测值和经过校正之后的数值（m3/m3）。
改进二：双边控制法。先利用凋萎系数对低含水量区间进行调整，再利用饱和含水量对高估偏差进行校正。具体实现过程是：首先将1980—2019年间最低观测值为0 m3/m3的4132个像元定义为干旱像元，计算每个干旱像元的凋萎系数与遥感观测值的差值并求平均。所有原始遥感观测值都加上该平均差值，使值域整体上调。将单边控制法中加上平均差值之后的2438个饱和像元定义为双边控制法的饱和像元，按照相同的思路得到新的总体校正常数。经过双边控制之后，最低观测值介于0 m3/m3和凋萎系数之间，最高观测值不超过饱和含水量，同时解决了高低值两端取值不合理的问题。
c o n s t a n t 2 = 1 4132 × ∑ j = 1 4132 θ w l t _ d r y j - θ C C I _ d r y ( j )
c o n s t a n t 3 = 1 2438 × ∑ i = 1 2438 θ s _ w e t ( i ) θ C C I _ w e t i + c o n s t a n t 2
                                                                                                        θ C C I ' = c o n s t a n t 3 × θ C C I + c o n s t a n t 2
式中：   θ w l t _ d r y j和 θ C C I _ d r y ( j )分别为第 j个干旱像元的凋萎系数与遥感观测值（m3/m3）。 c o n s t a n t 2和 c o n s t a n t 3分别是和凋萎系数与饱和含水量有关的校正常数（数值分别为0.1497和0.3838）。其他项的含义同上。

2.2.2 土壤剖面水分的表征方式

实测与遥感土壤水分数据都是以体积含水量表示，本文根据刘苏峡等[25]，将体积含水量转换为土壤贮水量。将土壤剖面划分为K个观测层次，对于第k层（1≤ k ≤K）：
W k = θ k × h k
式中： W k和 θ k分别为该土层的土壤贮水量（cm）和体积含水量（m3/m3）； h k为土层厚度（cm）。设 H k为该层采样位置距离地表的深度，则这一深度范围内的土壤贮水量为：
S H k = ∑ i = 1 k W i
计算时，将0~5 cm与5~10 cm两个土层合并为0~10 cm。 W k将用于分析土壤水分的垂向变化规律， S H k将用于建立反演模型。下文将0~10 cm土层贮水量简称为表层土壤水分，将0~100cm土层贮水量简称为土壤剖面水分。

2.2.3 ESA CCI SM产品数据准确性的验证方法

ESA CCI SM产品是反演土壤剖面水分的基础，有必要先基于实测数据验证其准确性。按照2.1.1章节的时间归类方法，将日尺度的ESA CCI SM数据转化为旬尺度。两个ISMN数据库的观测时段不重叠，需要分开验证。CHINA数据库的金县站和晋江站遥感观测值缺测严重，将其剔除，其余38个站点参与验证，验证时段为1984-05-18—1992-07-28。选取CTP_SMTMN数据库大尺度网络的38个站点参与验证（编号为那曲L01~那曲L38），验证时段为2010-07-28—2016-09-18。取像元内的一个站点或多个站点的平均值对遥感观测值进行验证，CHINA数据库的38个站点分布在38个像元内，CTP_SMTMN数据库的38个站点分布在12个像元内。同一像元内的多个站点使用其名称组合来命名，例如那曲L36/37/38。将原始的ESA CCI SM产品数据以及经过单边剔除法、单边控制法和双边控制法校正处理的产品数据分别与上述两套实测数据对比，使用皮尔逊相关系数（Pearson Correlation Coefficient, R）、平均绝对误差（Mean Absolute Error, MAE）与均方根误差（Root Mean Square Error, RMSE）评价遥感数据和实测数据的一致性。选择R最大、MAE和RMSE最小的值域控制方法作为该产品的最佳校正方法。

2.2.4 表层-深层土壤水分关系的随机森林回归建模

随机森林回归模型有两个关键参数需要优化：决策树数量（ntree）和每个节点输入的变量数量（mtry），二者直接影响模型的预测精度[12]。本研究仅基于表层土壤水分反演深层土壤水分，不借助其他辅助变量，因此随机森林模型只有一个自变量（即表层土壤水分），mtry设置为1。由于自变量构成简单，参数优化过程得到极大简化。mtry确定后，以模型误差随着决策树数量的增加从某一数值处开始趋于稳定为判断标准确定最优的ntree。其他参数采用缺省值。随机森林中的每棵决策树都参与预测，取所有决策树预测结果的平均值作为最终预测值。
CHINA数据库共有40个站点，选取其中37个观测深度为0~100cm的站点（晋江、金县和锡林郭勒站由于观测深度不足100cm，暂不考虑），并另外从站点呈“X”型分布的CTP_SMTMN数据库大尺度网络中选取5个在空间上相距较远的站点，两个数据库合计42个站点共同参与随机森林回归建模。42个站点中各有5个，5个，6个和26个站点分布于干带、青藏带、暖温带和冷温带，涵盖了中国最主要的四大气候带，且每个站点的资料长度都在5年以上，绝大部分站点的最大观测深度达到100 cm，具有较高的时空代表性。将42个站点的观测数据按季节分类，以4:1的比例划分训练集和验证集，对4个季节的9个土层组合（0~10 cm与0~20 cm、0~10 cm与0~30 cm，…，0~10 cm与0~100 cm）建立36个表层-深层土壤水分关系模型。将1980—2019年的ESA CCI SM日尺度表层土壤水分产品整理为旬尺度并按季节分类，输入上述36个随机森林回归模型，反演全国不同季节0~20、0~30，…，0~100 cm土层的土壤贮水量。使用平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）、决定性系数（Coefficient of Determination, R2）和纳什效率系数（Nash-Sutcliffe Efficiency, NSE）评价模型精度。随机森林回归通过R的randomForest程序包实现。

2.2.5 土壤水分时间序列的突变检验方法

先利用Mann-Kendall法获取土壤水分序列中可能的突变点，再依次设置步长为3年，4年，5年和6年，利用滑动t检验对突变点进行验证。

2.2.6 土壤水分时间序列周期分析的小波分析方法

选用常用的Morlet小波作为母小波函数，对1980—2019年不同气候带和不同季节的土壤水分距平序列进行连续小波变换。为了消除边界效应影响，在序列的两端各添加1/4资料长度的缓冲区[26]。使用MATLAB的zero-padding方法为缓冲区赋值，缓冲区在小波变换之后被舍弃。小波变换的最大周期设置为资料长度的1/3[27]（即13年）。

3 结果分析

3.1 基于双边控制法校正后的ESA CCI SM产品的准确性验证结果

分别用2.2.1章节提及的单边剔除法、单边控制法和双边控制法对ESA CCI SM产品进行值域校正，发现双边控制法效果最佳（三种方法的校正效果对比分析详见4.1章节）。经过双边控制法校正后，ESA CCI SM产品数据与CHINA数据库实测数据比较R、RMSE和MAE的平均值分别为0.26、0.08 m3/m3和0.07 m3/m3。参与验证的38个站点中，R最大值为0.58，15个站点R>0.3，27个站点通过p=0.05显著性检验，其中21个站点通过p=0.001显著性检验。另外，29个站点RMSE<0.10 m3/m3，仅3个站点RMSE>0.11 m3/m3。
ESA CCI SM产品数据与CTP_SMTMN数据库实测数据比较R、RMSE和MAE的平均值分别为0.76、0.06 m3/m3和0.05 m3/m3，全部站点都通过p=0.0001显著性检验。ESA CCI SM产品与CTP_SMTMN数据库的拟合效果更好，这是因为西藏那曲地区90%以上被高寒草地覆盖，植株低矮且生物量低，不会导致微波信号的明显衰减，是土壤水分微波遥感的理想场地[15]。分不同气候带来看，ESA CCI SM产品的准确性在青藏带最高，冷温带次之，在极端干旱的干带和极端湿润的暖温带最低，与Dorigo等[19]的研究结果一致。图3对比了四大气候带中9个相关系数较高的站点的遥感观测值和实测值。ESA CCI SM产品对土壤水分的时间变化具有较好的重现能力（图4）。
图3 实测与遥感土壤含水量的散点分布

Fig. 3 Scatter plots of in-situ observed and remotely sensed soil water content

图4 实测与遥感土壤含水量的时间序列分布

注:图4a至图4f的横坐标共有296旬，对应的时间范围是1984-05-18—1992-07-28；图4g至图4i的横坐标共有222旬，对应的时间范围是2010-07-28—2016-09-18。

Fig. 4 Time series of in-situ observed and remotely sensed soil water content

受以下因素的影响，利用实测数据验证ESA CCI SM产品的准确性存在较大困难。其一，时间连续性与时间尺度差异。CTP_SMTMN数据库的土壤水分传感器可以逐小时连续观测，而遥感观测只能反映某一时间点的瞬时状态。实测数据和遥感数据时间尺度的本质差异也导致二者不可能完全匹配。其二，下垫面信息差异。实测数据为点尺度，遥感数据为像元尺度，后者包含的空间信息更丰富[28]。其三，中国复杂的地形会严重影响微波信号[29]。另外，验证时段内若因数据严重缺测导致样本量下降，也会使遥感数据的准确性降低，此时验证结果不能完全代表真实情况。例如，CHINA数据库的验证时段共296旬，未通过p=0.05显著性检验的11个站点中，有8个站点的样本量都不超过75旬。RMSE最大的敦化站（0.17 m3/m3）和嘉荫站（0.15 m3/m3）分别只有44和26旬的样本量。在前人研究中，ESA CCI SM产品与地面实测数据的相关系数偏低是普遍现象[29,30]。从上述验证结果来看，本文认为经过双边控制法校正后的ESA CCI SM产品的准确性可以接受。

3.2 基于随机森林回归的土壤水分反演模型的时空效果评价

3.2.1 模型在时间上的反演效果评价

36个表层-深层土壤水分关系模型总体上精度较高，共有27个模型训练集的R2和NSE高于0.6（图5a），分别有23个和34个模型的MAPE低于15%和20%。由于使用的是两套实测土壤水分数据库合并之后的数据，而地表以下40~100 cm仅有CHINA数据库有数据，因此各指标数值从40 cm到50 cm出现微小反弹，但总体上仍表现为土层越深估算效果越差。原因是随着深度增大，表层土壤水分与深层土壤水分之间的关联减弱，导致模型精度下降。对各土层的反演R2求平均来看，表层-深层土壤水分关系模型的精度在不同季节总体上表现为：秋季>夏季>春季>冬季，从表层土壤水分估算深层土壤水分的准确性在秋季最高，冬季最低（图5a）。
图5 随机森林回归模型在不同季节和不同气候带的反演精度

Fig. 5 Accuracy of random forest regression models in different seasons and climatic zones

3.2.2 模型在空间上的反演效果评价

本文通过合并各气候带的站点资料建立全国尺度上的通用模型，有必要基于实测数据验证该通用模型在各气候带的反演效果。由于绝大部分站点在冬季严重缺测，因此仅考虑春季、夏季与秋季。将三个季节的验证结果求平均得到单个站点的验证结果，再对同一气候带内的全部站点求平均得到每个气候带的验证结果。通用模型在各气候带的反演效果总体较好，反演精度都随深度增加而降低。在0~40 cm范围内，通用模型的准确性表现为干带>暖温带>冷温带>青藏带，在0~100 cm范围内表现为干带>暖温带>冷温带（图5b）。

3.3 中国土壤水分的时空变化特征

3.3.1 土壤水分的垂向变化特征

将反演结果整理为1980—2019年的逐年序列，得到全国0~10、0~20、0~30、0~40、0~50、0~60、0~70、0~80、0~90和0~100cm共10个深度层次土壤贮水量的多年平均值和标准差分别为1.64±0.11、3.50±0.21、5.29±0.30、7.13±0.38、10.04±0.46、12.25±0.54、14.47±0.62、16.75±0.69、19.05±0.76和21.36±0.83 cm。通过计算不同深度的10cm土层（0~10、10~20、20~30、30~40、40~50、50~60、60~70、70~80、80~90和90~100 cm）土壤贮水量的多年平均值，分析土壤水分的垂向变化特征。
根据土壤水分的垂向变化特征（图6）可将土壤剖面划分为三层：波动层（0~40 cm）、跃变层（40~60 cm）和稳定层（60~100 cm）。波动层内土壤水分随深度增加而波动上升。跃变层内土壤水分变化急剧，先陡增后骤降形成最大土壤水分梯度，原因可能是上下层土壤质地和持水能力存在明显差异。土壤水分最高值出现在50 cm深度处，与已有研究一致[31,32]。稳定层受水文气象过程的影响较小，土壤水分变化平缓。表层和深层土壤相对干燥，中间层土壤相对湿润，形成这种垂向分布模式的原因可能是：表层土壤蒸发强烈，且降水易下渗，不易保存水分；中间层土壤蒸发较弱，且大气降水和冰雪融水下渗补给充足，持水能力好；深层土壤远离地表，降水的补给作用不明显[33]。由于本文建立的土壤水分反演模型是全国尺度上的通用模型，因此不同地区的土壤水分具有相似的垂向变化特征（图6）。
图6 不同气候带土壤贮水量的垂向变化

Fig. 6 Vertical variation of soil water storage in different climatic zones

3.3.2 土壤水分的水平分布特征

中国不同深度层次的土壤水分都表现出自西北向东北与东南地区递增的分布格局（图7），与前人研究得到的宏观分布格局一致[34⇓-36]。随着剖面累加深度增大，土壤干燥区的面积不断减小（图7）。土壤水分的高值中心主要分布在东南地区、东北平原和藏东南地区，低值中心分布在三大内陆盆地、内蒙古中西部、陕西北部和藏西北地区（图7）。值得留意的是，四川省中部有一条明显的西南-东北走向的土壤干燥带，其在Lu等[35]的研究中也有体现。该干燥带的形成原因尚不清楚，初步推测可能是由于两侧海拔高度相差悬殊，恶劣的地形条件不利于土壤发育和植被生长，导致土壤持水性能差、土壤含水量低。然而目前大部分研究都未识别出该干燥带，其真实性有待进一步验证。
图7 不同深度土层多年平均土壤贮水量的空间分布

注: 该图基于自然资源部地图技术审查中心标准地图（审图号为GS (2020)4619号）绘制，底图无修改。

Fig. 7 Spatial distribution of multi-year average soil water storage in different soil layers

为了进一步探讨土壤水分的空间变化，将其沿着西北-东南方向和东北-西南方向投影。图8中灰点表示数据的地理位置，蓝点、蓝线和绿点、绿线分别表示数据在西北-东南方向与东北-西南方向上的投影和二次趋势拟合。表层土壤水分和土壤剖面水分都具有东南湿西北干、东北湿西南干的空间特征。土壤水分在西北-东南方向上的变化比东北-西南方向复杂。一方面，西北-东南方向上土壤水分的值域更宽。另一方面，东北-西南方向上的变化趋势接近线性，而西北-东南方向上呈现明显的非线性特征（图8）。
图8 多年平均表层土壤水分和土壤剖面水分的空间变化趋势示意

Fig. 8 Diagram of spatial trend of multi-year average surface soil moisture and profile soil moisture

从不同气候带来看，表层土壤水分和土壤剖面水分都表现为热带和暖温带最高，冷温带和青藏带次之，干带最低（图9）。土壤水分的空间变异程度干带最大，青藏带和冷温带次之，热带和暖温带最小，空间变异都随深度增加而减弱（图9）。寒旱区土壤较干燥且空间变异较大，暖湿区土壤较湿润且分布较均一。具体来看，在干带，土壤水分在“三山夹两盆”地形区呈现干湿交替分布。在青藏带，藏东南和藏西北地区的土壤干湿状况存在明显差异。在冷温带，东北地区与内蒙古东部地区差异较大（图7）。土壤水分的空间变异与气候带面积有关。变异程度最小的热带占全国国土面积的比例也最小（0.31%），变异程度最大的干带占国土面积的比例也最大（34.86%）。此外，土壤含水量及其空间变异程度也与下垫面植被类型有关。Fan等[37]研究表明，森林土壤含水量最高且变化范围最小，荒漠土壤含水量最低且变化范围最大，草甸和草原居中。热带和暖温带是典型森林区，土壤水分空间均一性高。干带是典型荒漠/草原区，土壤水分空间变异强烈。
图9 不同气候带多年平均表层土壤水分和土壤剖面水分的平均值与空间变异系数

Fig. 9 Mean and spatial coefficient of variation of multi-year average surface soil moisture and profile soil moisture in different climatic zones

图10 ESA CCI SM产品在全年和生长季的共同有效像元比例

Fig. 10 Common effective pixel ratio of ESA CCI SM product for the whole year and growing season

3.3.3 土壤水分的季节分布模式

比较不同季节的土壤水分时需保证样本量相同，此时应选取各月份的共同有效像元。共同有效像元是指在各时段内都有观测数据的像元。由于冬季遥感数据缺测严重，将4—10月定义为生长季，分别统计1980—2019年全年和生长季的共同有效像元比例。发现全年的共同有效像元的比例基本都低于30%，而生长季的共同有效像元比例较高，尤其是2015—2019年都超过70%（图10）。因此以2015—2019年生长季为研究时段，通过计算每个月份的5年平均值来探讨中国土壤水分的季节分布模式。
表层土壤水分和土壤剖面水分的季节变化具有同步性。热带、干带和青藏带的土壤水分在夏季最高，其中干带和青藏带具有明显的单峰型变化特征。暖温带和冷温带的土壤水分则在夏季最低，具有截然不同的季节分布模式。从全国来看，土壤在夏季最湿润（图11）。
图11 表层土壤水分和土壤剖面水分的季节分布

Fig. 11 Seasonal distribution of surface soil moisture and profile soil moisture

3.3.4 土壤水分的年际变化趋势

基于1980—2019年春季（3—5月）、夏季（6—8月）、秋季（9—11月）、冬季（12月至次年2月，2019年冬季用2019年12月表示）、生长季（4—10月）和全年平均的时间序列计算土壤水分的变化趋势，表层土壤水分和土壤剖面水分的变化趋势基本一致（表1）。热带的土壤水分除了在春季变化趋势不显著，在其他时间都显著上升。干带的土壤水分在夏季显著上升，在春季、冬季和全年显著下降。暖温带和冷温带的土壤水分分别在秋季和冬季显著下降，在夏季都显著上升。青藏带的土壤水分在夏季显著上升，在春季和秋季显著下降（表1）。全国的年平均土壤水分呈下降趋势，与张蕾等[32]研究一致。全国土壤水分在夏季显著上升，在冬季显著下降，呈现“湿季愈湿，干季愈干”的变化规律。热带呈湿润化趋势，干带和青藏带呈干燥化趋势，全国土壤水分呈现“湿区愈湿，干区愈干”的空间特征。Lai等[36]发现1961—2010年中国湿润区土壤湿度增加，干旱/半干旱区土壤湿度减小，与本文结论一致。Dore[38]研究指出，降水集中度减小可能导致干旱地区更干旱，湿润地区更湿润。赵东升等[39]研究表明，1960—2018年全国降水集中度显著减小，干湿空间分异加剧，这可能是导致土壤水分“干区愈干，湿区愈湿”的重要原因。从距平图（图12）来看，全国冬季和夏季土壤水分在1986年/1987年附近由正距平转为负距平，1990s是夏季和冬季土壤最干燥的年代。夏季土壤水分于1997年达到最低值，并于1998年由负距平转为正距平。
表1 1980—2019年表层土壤水分和土壤剖面水分的变化趋势

Tab. 1 Trend of surface soil moisture and profile soil moisture from 1980 to 2019 (cm/10年)

地区 全年 春季 夏季 秋季 冬季
表层 剖面 表层 剖面 表层 剖面 表层 剖面 表层 剖面
全国 -0.03 -0.25 -0.03 -0.21 0.04* 0.27* -0.02 -0.11 -0.13** -0.94**
热带 0.07** 0.48** 0.03 0.20 0.06** 0.47** 0.08** 0.72** 0.09** 0.52**
干带 -0.02** -0.16** -0.02** -0.13** 0.02** 0.13** 0.00 -0.04 -0.06** -0.58**
暖温带 0.00 0.05 0.01 0.06 0.07** 0.50** -0.04* -0.26 -0.03 -0.10
冷温带 0.00 0.01 -0.01 -0.02 0.03* 0.20* 0.01 0.13 -0.04* -0.28**
青藏带 -0.02 -0.16 -0.05** -0.38** 0.04* 0.32* -0.06* -0.48* -0.02 -0.08

注：*和**分别表示在0.05和0.01水平上显著；大部分地区生长季土壤水分的变化趋势不显著，故不列入表中。

图12 1980—2019年全国夏季与冬季的表层土壤水分和土壤剖面水分距平

Fig. 12 Surface soil moisture anomaly and profile soil moisture anomaly in summer and winter from 1980 to 2019 in China

3.3.5 土壤水分的突变特征

热带和干带是土壤水分变化趋势最显著的地区（表1），下文进一步分析其突变特征。用M-K法找出可能的突变点后，结合4种步长的滑动t检验进行验证。由于序列首尾两端具有不确定性，仅考虑位于1984—2015年的突变点。当有2种或2种以上滑动t检验的判断结果与M-K法一致时，确认其为突变点。
热带全年、春季、夏季、秋季、冬季和生长季的表层土壤水分/土壤剖面水分分别在2007年/2006年、2008年/2008年、2009年/2008年、2004年/2004年、2007年/2007年和2007年/2006年发生突变，表层土壤水分和土壤剖面水分的突变时间基本一致。之后UF统计量不断上升并突破临界值，土壤显著变湿。罗红霞等[40]发现海南7个站点的相对湿度和降水量在2005年前后都出现陡增。因此热带土壤在2004—2009年的湿润化突变可能是对气候湿润化的响应。
干带共检测出4个突变点。夏季的表层土壤水分和土壤剖面水分分别在1985年和1986年发生突变，此后土壤显著变湿。冬季和全年的土壤剖面水分分别在2014年和2013年发生突变，此后土壤显著变干。1985年/1986年的湿突变主要受气候湿润化突变的影响。西北地区在1986年左右经历了由干转湿的气候跃变，此后年降水量和夏季降水量显著增加[41⇓-43]。2013年/2014年的干突变可能与西北地区显著增温有关。李哲等[44]研究发现西北地区在1998—2012年出现了与全球一致的变暖停滞现象（Global Warming Hiatus）。Hiatus结束后西北地区气温迅速上升，且冬季的升温幅度最大，导致土壤蒸发快速增强，土壤水分显著下降。

3.3.6 土壤水分的周期变化特征

小波分析结果显示，全国土壤水分表现为单一周期，其他气候带都具有多尺度嵌套的周期特征（表2）。综合来看，最常见的年际变化周期为5年，7年和2年次之。最常见的年代际变化周期为11年，12年次之。5年周期存在于各个气候带，而11年周期仅见于寒旱区的干带、冷温带和青藏带，暖湿区的热带和暖温带都未识别出11年周期。土壤水分的周期特征在不同气候带和不同季节差异较大，但对于不同深度土层而言具有很高的一致性。以全国为例，除冬季外，其余季节表层土壤水分和土壤剖面水分的周期完全一致（表2）。
表2 表层土壤水分与土壤剖面水分的主要周期

Tab. 2 Main cycles of surface soil moisture and profile soil moisture (年)

地区 全年 春季 夏季 秋季 冬季 生长季
表层 剖面 表层 剖面 表层 剖面 表层 剖面 表层 剖面 表层 剖面
全国 — — 5 5 5 5 4 4 — 12 7 7
热带 6/2 7/2 8 8 6 6 5/2 6/2 5 9/2 6/2 7
干带 11/8/3 — 8/3 8/5/3 11/5/2 11/5/2 7 7 11 11 2 7/2
暖温带 12/7/3 7/3 7 7 7/2 7/2 12/5/3 12/5/3 12/3 12/6/3 7 7
冷温带 10 10 10/5 10/5 6/9 6/10 10 9 11/4 11 9 9/6
青藏带 5 — 11/6 11/6/4 5/8 5/8 4 4 11/4 7/12/3 5 5/8

注：“—”表示在研究时段内未识别出周期。

中国土壤水分的周期特征和气候要素（尤其是降水）的周期特征有较高的相似性。李启芬等[45]研究表明，1981—2017年北方（大致对应本文的冷温带和干带）的夏季降水具有9~11年和5~6年周期，南方地区（大致对应本文的暖温带）的夏季降水具有7~8年周期，与本文夏季土壤水分主周期高度相似。刘扬等[46]发现西北干旱区的年降水量在1980s之后表现出稳定的11年主周期，卢鹤立等[47]在青藏高原夏季降水序列中识别出5年的基本周期，都与本文研究结果相符。另外，青藏高原地区土壤水分的周期变化特征还与气温存在密切联系。韦志刚等[48]研究指出，1980s之后青藏高原冬春季气温和夏季气温分别表现出11年和5~8年周期，基本对应青藏带各季节土壤水分的周期。
在更大的空间尺度上，ENSO事件、太阳黑子活动和地球运动是影响降水、径流和土壤水分等水文要素的重要因子[49⇓-51]，它们可能是土壤水分周期变化的重要驱动力。上述环流因子、太阳活动因子和地球运动因子的周期特征与土壤水分的周期特征具有高度相似性。例如，Torrence等[52]和Wang等[53]研究指出，ENSO事件具有2~7年的变化周期，1970年之后SO事件呈现5年主周期，与本研究得到的5年、7年和2年主周期高度一致。此外，土壤水分的11年周期也和太阳黑子活动的11年显著周期一致。刘苏峡等[54]分析区域水量变化具有极移的拍频（5~6年周期）信号。这些都值得进一步探索。

4 讨论

4.1 不同值域控制方法对ESA CCI SM产品的校正效果比较分析

利用CHINA数据库和CTP_SMTMN数据库的实测数据对原始的ESA CCI SM产品数据和分别经过单边剔除法、单边控制法与双边控制法校正的产品数据进行验证。从相关性来看，单边剔除法将不符合阈值条件的观测值全部剔除，导致站点在验证时段内的样本量出现了不同程度的降低（例如南充站的样本量从213下降至50）。且该方法没有校正ESA CCI SM产品的总体偏差，导致遥感数据与实测数据的相关性有所减弱，CHINA数据库和CTP_SMTMN数据库的平均相关系数分别下降了0.04和0.05（图13）。相比之下，单边控制法和双边控制法对遥感数据进行总体校正，因此经过值域控制后相关系数不变（图13）。
图13 不同值域控制方法对ESA CCI SM产品的校正结果

注：那曲A表示那曲L36/37/38站，那曲B表示那曲L16/17/32/33/34站，那曲C表示那曲L14/29/30站。

Fig. 13 Correction results of ESA CCI SM product by using different methods for range constraining

从偏差来看，三种方法都能降低遥感数据与实测数据之间的偏差。其中双边控制法可将CHINA数据库的平均RMSE从0.17 m3/m3降低至0.08 m3/m3，将CTP_SMTMN数据库的平均RMSE从0.15 m3/m3降低至0.06 m3/m3（图13），是效果最优的控制方法。在站点水平上比较不同方法的校正结果也能得到相同的结论（图13），即双边控制法校正效果最好，单边控制法次之，单边剔除法效果最差。这说明本文对Dorigo等[23]的质量控制方法所做的改进是有意义的，结合饱和含水量和凋萎系数信息的双边控制法更适用于ESA CCI SM产品的值域校正。

4.2 土壤剖面水分反演的不确定性分析

有限的地面实测资料是区域土壤水分时空变化研究中普遍面临的问题。为使实测数据的覆盖面更广、代表性更高，本文融合了两个观测网络，但由于站点仍然有限且空间分布不均，个别气候带的样本量偏少甚至无样本，仅能建立全国尺度上的通用反演模型。Gao等[2]基于CDF匹配构建了从表层土壤水分估算土壤剖面水分的方法，该方法在不同气候区的估算精度存在明显差异，原因是表层-深层土壤水分之间的关联强度在很大程度上受气候影响。本文建立的通用模型没有考虑表层-深层土壤水分关系的空间分异性，但从反演精度的验证结果来看，其在各气候带依然具有较好的适用性。为了弥补空间上的局限性，本文从时间角度对不同季节分别建模。未来若能获取更全面的实测资料，通过兼顾表层-深层土壤水分关系在不同气候带和不同季节的差异，将会获得更加准确的反演结果。另外，本文基于随机森林回归建立的反演模型结构简单，使用的自变量仅有表层土壤水分。在未来研究中，可进一步考虑气候条件、土壤质地和土地覆盖类型等因素对土壤水分的影响，以提高土壤剖面水分反演精度，并充分发挥机器学习方法处理多变量复杂问题的优势。
作为目前国际上时间序列最长的遥感土壤水分资料之一，ESA CCI SM产品为深入了解地球系统提供了重要的数据支撑。但该产品的数据有效率并不高，几乎每景数据都存在大面积缺测，冬季缺测尤为严重。中国一些地区在冬季同时缺失地面观测和遥感观测资料，融合多源资料的优势在这些地区无法体现。受数据缺测的影响，冬季土壤水分的反演效果比其他季节差，分析结果的可靠性也有所降低。目前很多研究都无法有效解决数据缺测问题，在进行时空分析时往往仅以夏季为研究对象[34,36]。本文在比较不同季节的土壤水分时选取有效像元比例最高的时期作为研究时段，并另外对生长季进行了分析。这可以在一定程度上减小数据缺测对研究结果的影响，但仍未从根本上解决问题。如何实现冬季土壤水分的多源连续观测依然是需要努力攻克的难题。另外，ESA CCI SM产品对中国地区土壤水分存在明显的高估，不宜直接使用。本文以土壤水分常数（饱和含水量和凋萎系数）作为约束条件对该产品进行了值域校正，在不减小相关系数的前提下有效降低了RMSE和MAE，使其取值更加合理。本文提出的“双边控制法”操作简便、意义明确，并给出了该产品具体的校正常数，可以为相关研究提供参考。其他类型的土壤水分产品也可以按照相同的思路对其值域进行合理性判断和校正处理。
表层和深层土壤水分在某些情况下（如持续干旱）可能会出现解耦，此时表层土壤水分难以反映深层土壤水分状况，二者联系减弱，相关性较差[55]。因此在建立关系模型时，若能考虑二者的耦合/解耦问题，将会得到更理想的估算结果，这将是未来研究的方向之一。

5 结论

本文通过融合地面观测与遥感观测资料，使用随机森林回归算法建立了一套中国地区长序列、多深度层次和较高空间分辨率的土壤剖面水分数据，并基于该数据分析了中国1m土层贮水量的时空变化特征。
ESA CCI SM产品与实测数据总体上匹配较好，二者具有相似的时间动态变化，但遥感产品对中国土壤水分存在明显高估。结合饱和含水量和凋萎系数进行值域校正的“双边控制法”可以有效降低该产品的高估偏差。ESA CCI SM产品在青藏高原地区准确性最高。
随机森林回归模型的反演精度随着土层深度增加而降低。秋季反演的准确性最高，夏季和春季次之，冬季最低。模型在干带精度最高，暖温带和冷温带次之，在青藏带最低。
中国0~10、0~20、0~30、0~40、0~50、0~60、0~70、0~80、0~90和0~100cm 10个深度层次土壤贮水量的多年平均值及标准差分别为1.64±0.11、3.50±0.21、5.29±0.30、7.13±0.38、10.04±0.46、12.25±0.54、14.47±0.62、16.75±0.69、19.05±0.76和21.36±0.83 cm。土壤水分呈现明显的分层，即波动层（0~40cm）、跃变层（40~60 cm）和稳定层（60~100 cm）。中国1m土层贮水量具有自西北向东北和东南方向递增的分布格局。寒旱区土壤较干燥且空间变异程度较大，暖湿区土壤较湿润且空间分布更加均一。
夏季是热带、干带和青藏带土壤水分的湿季，却是暖温带和冷温带土壤水分的干季。过去40年，热带土壤呈湿润化趋势，干带和青藏带土壤呈干燥化趋势，即“湿区愈湿，干区愈干”。全国1 m土层贮水量在夏季上升，在冬季下降，即“湿季愈湿，干季愈干”。热带土壤在2004—2009年显著变湿，干带夏季土壤水分在1985—1986年显著上升，冬季和年平均土壤水分在2013—2014年显著下降。中国1m土层贮水量最常见的年际变化周期和年代际变化周期分别为5年和11年。

真诚感谢两位匿名评审专家在论文评审中所付出的时间和精力，评审专家对本文的研究在数据质量控制、随机森林算法表述和研究结果的合理性解释等方面提出了宝贵的修改意见，使本文获益匪浅。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Seneviratne S I, Wilhelm M, Stanelle T, et al. Impact of soil moisture-climate feedbacks on CMIP5 projections: First results from the GLACE-CMIP5 experiment. Geophysical Research Letters, 2013, 40(19): 5212-5217. DOI: 10.1002/grl.50956.

DOI

[2]
Gao X, Zhao X, Brocca L, et al. Testing of observation operators designed to estimate profile soil moisture from surface measurements. Hydrological Processes, 2019, 33(4): 575-584. DOI: 10.1002/hyp.13344.

DOI

[3]
Yang H, Xiong L, Liu D, et al. High spatial resolution simulation of profile soil moisture by assimilating multi-source remote-sensed information into a distributed hydrological model. Journal of Hydrology, 2021, 597: 126311. DOI: 10.1016/j.jhydrol.2021.126311.

DOI

[4]
Han E, Crow W T, Holmes T, et al. Benchmarking a soil moisture data assimilation system for agricultural drought monitoring. Journal of Hydrometeorology, 2014, 15(3): 1117-1134. DOI: 10.1175/jhm-d-13-0125.1.

DOI

[5]
Tobin K J, Crow W T, Dong J, et al. Validation of a new root-zone soil moisture product: Soil MERGE. Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(9): 3351-3365. DOI: 10.1109/jstars.2019.2930946.

DOI

[6]
Dorigo W, Himmelbauer I, Aberer D, et al. The international soil moisture network: Serving earth system science for over a decade. Hydrology and Earth System Sciences, 2021, 25(11): 5749-5804. DOI: 10.5194/hess-25-5749-2021.

DOI

[7]
Qiu J, Crow W T, Nearing G S, et al. The impact of vertical measurement depth on the information content of soil moisture times series data. Geophysical Research Letters, 2014, 41(14): 4997-5004. DOI: 10.1002/2014gl060017.

DOI

[8]
刘苏峡, 邢博, 袁国富, 等. 中国根层与表层土壤水分关系分析. 植物生态学报, 2013, 37(1): 1-17.

DOI

[Liu Suxia, Xing Bo, Yuan Guofu, et al. Relationship analysis between soil moisture in root zone and top-most layer in China. Chinese Journal of Plant Ecology, 2013, 37(1): 1-17.]. DOI: 10.3724/SP.J.1258.2013.00001.

DOI

[9]
Albergel C, Ruediger C, Pellarin T, et al. From near-surface to root-zone soil moisture using an exponential filter: An assessment of the method based on in-situ observations and model simulations. Hydrology and Earth System Sciences, 2008, 12(6): 1323-1337. DOI: 10.5194/hess-12-1323-2008.

DOI

[10]
Jia Y, Jin S, Savi P, et al. Modeling and theoretical analysis of GNSS-R soil moisture retrieval based on the random forest and support vector machine learning approach. Remote Sensing, 2020, 12(22): 3679. DOI: 10.3390/rs12223679.

DOI

[11]
Chen L, Xing M, He B, et al. Estimating soil moisture over winter wheat fields during growing season using machine-learning methods. Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 3706-3718. DOI: 10.1109/jstars.2021.3067890.

DOI

[12]
Breiman L. Random forests. Machine Learning, 2001, 45(1): 5-32. DOI: 10.1023/a:1010933404324.

DOI

[13]
Robock A, Vinnikov K Y, Srinivasan G, et al. The global soil moisture data bank. Bulletin of the American Meteorological Society, 2000, 81(6): 1281-1299. DOI: 10.1175/1520-0477(2000)081<1281:Tgsmdb>2.3.Co;2.

DOI

[14]
Liu S X, Mo X G, Li H B, et al. Spatial variation of soil moisture in China: Geostatistical characterization. Journal of the Meteorological Society of Japan, 2001, 79(1B): 555-574. DOI: 10.2151/jmsj.79.555.

DOI

[15]
Yang K, Qin J, Zhao L, et al. A multiscale soil moisture and free-thaw monitoring network on the Third Pole. Bulletin of the American Meteorological Society, 2013, 94(12): 1907-1916. DOI: 10.1175/bams-d-12-00203.1.

DOI

[16]
Chen Y, Yang K, Qin J, et al. Evaluation of AMSR-E retrievals and GLDAS simulations against observations of a soil moisture network on the central Tibetan Plateau. Journal of Geophysical Research-Atmospheres, 2013, 118(10): 4466-4475. DOI: 10.1002/jgrd.50301.

DOI

[17]
Yin Z, Ottle C, Ciais P, et al. Evaluation of ORCHIDEE-MICT-simulated soil moisture over China and impacts of different atmospheric forcing data. Hydrology and Earth System Sciences, 2018, 22(10): 5463-5484. DOI: 10.5194/hess-22-5463-2018.

DOI

[18]
Beck H E, Zimmermann N E, Mcvicar T R, et al. Present and future Koppen-Geiger climate classification maps at 1-km resolution. Scientific Data, 2018, 5(1):180214. DOI: 10.1038/sdata.2018.214.

DOI

[19]
Dorigo W, Wagner W, Albergel C, et al. ESA CCI Soil Moisture for improved earth system understanding: State-of-the art and future directions. Remote Sensing of Environment, 2017, 203: 185-215. DOI: 10.1016/j.rse.2017.07.001.

DOI

[20]
Gruber A, Scanlon T, van der Schalie R, et al. Evolution of the ESA CCI Soil Moisture climate data records and their underlying merging methodology. Earth System Science Data, 2019, 11(2): 717-739. DOI: 10.5194/essd-11-717-2019.

DOI

[21]
van der Schalie R, Parinussa R M, Renzullo L J, et al. SMOS soil moisture retrievals using the land parameter retrieval model: Evaluation over the Murrumbidgee Catchment, southeast Australia. Remote Sensing of Environment, 2015, 163: 70-79. DOI: 10.1016/j.rse.2015.03.006.

DOI

[22]
Fischer G, Nachtergaele F, Prieler S, et al. Global Agro-Ecological Zones Assessment for Agriculture (GAEZ 2008). Laxenburg and Rome: IIASA and FAO, 2008.

[23]
Dorigo W A, Xaver A, Vreugdenhil M, et al. Global automated quality control of in situ soil moisture data from the international soil moisture network. Vadose Zone Journal, 2013, 12(3): vzj2012. 0097. DOI: 10.2136/vzj2012.0097.

DOI

[24]
Koren V, Smith M, Duan Q Y. Use of a priori parameter estimates in the derivation of spatially consistent parameter sets of rainfall-runoff models. Duan Q Y, Gupta H V, Sorooshian S, et al(Eds). Calibration of Watershed Models. Washington, DC: American Geophysical Union, 2003: 239-254.

[25]
刘苏峡, 毛留喜, 莫兴国, 等. 黄河沿岸陕豫区土壤水分的空间变化特征及其驱动力因子分析. 气候与环境研究, 2008, 13(5): 645-657.

[Liu Suxia, Mao Liuxi, Mo Xingguo, et al. Analysis of spatial variability of soil moisture and its driving force factors in the Shaanxi-Henan region along the Yellow River. Climatic and Environmental Research, 2008, 13(5): 645-657.]. DOI: 10.3878/j.issn.1006-9585.2008.05.07.

DOI

[26]
郝志新, 郑景云, 葛全胜. 黄河中下游地区降水变化的周期分析. 地理学报, 2007, 62(5): 537-544.

[Hao Zhixin, Zheng Jinyun, Ge Quansheng. Precipitation cycles in the middle and lower Yellow River. Acta Geographica Sinica, 2007, 62(5): 537-544.]. DOI: 10.11821/xb200705010.

DOI

[27]
谢庄, 曹鸿兴, 李慧, 等. 近百余年北京气候变化的小波特征. 气象学报, 2000, 58(3): 362-369.

[Xie Zhuang, Cao Hongxing, Li Hui, et al. Wavelet characteristics of climate change in Beijing since the 19th century. Acta Meteorologica Sinica, 2000, 58(3): 362-369.]. DOI: 10.11676/qxxb2000.038.

DOI

[28]
Xu L, Chen N, Zhang X, et al. In-situ and triple-collocation based evaluations of eight global root zone soil moisture products. Remote Sensing of Environment, 2021, 254: 112248. DOI: 10.1016/j.rse.2020.112248.

DOI

[29]
Dorigo W A, Gruber A, de Jeu R A M, et al. Evaluation of the ESA CCI soil moisture product using ground-based observations. Remote Sensing of Environment, 2015, 162: 380-395. DOI: 10.1016/j.rse.2014.07.023.

DOI

[30]
申晓骥, 安如. 欧空局主、被动微波土壤湿度产品的比较验证. 遥感信息, 2017, 32(2): 89-93.

[Shen Xiaoji, An Ru. Comparative evaluation of ESA CCI active and passive microwave soil moisture products. Remote Sensing Information, 2017, 32(2): 89-93.]. DOI: 10.3969/j.issn.1000-3177.2017.02.014.

DOI

[31]
赖欣, 文军, 岑思弦, 等. CLM4. 0模式对中国区域土壤湿度的数值模拟及评估研究. 大气科学, 2014, 38(3): 499-512.

[Lai Xin, Wen Jun, Cen Sixian, et al. CLM4. 0模式对中国区域土壤湿度的数值模拟及评估研究. 大气科学, 2014, 38(3): 499-512.]. DOI: 10.3878/j.issn.1006-9895.1401.13194.

DOI

[32]
张蕾, 吕厚荃, 王良宇, 等. 中国土壤湿度的时空变化特征. 地理学报, 2016, 71(9): 1494-1508.

DOI

[Zhang Lei, Lv Houquan, Wang Liangyu, et al. Spatial-temporal characteristics of soil moisture in China. Acta Geographica Sinica, 2016, 71(9): 1494-1508.]. DOI: 10.11821/dlxb201609003.

DOI

[33]
卓嘎, 巴桑曲珍, 杜军. 青藏高原土壤湿度时空分布特征研究进展. 高原山地气象研究, 2020, 40(2): 89-96.

[Zhuo Ga, Basang Quzhen, Du Jun. Advances in the spatio-temporal features of soil moisture over the Tibetan Plateau. Plateau and Mountain Meteorology Research, 2020, 40(2): 89-96.]. DOI: 10.3969/j.issn.1674-2184·2020.02.015.

DOI

[34]
Li M, Ma Z, Niu G-Y. Modeling spatial and temporal variations in soil moisture in China. Chinese Science Bulletin, 2011, 56(17): 1809-1820. DOI: 10.1007/s11434-011-4493-0.

DOI

[35]
Lu H, Shi J. Reconstruction and analysis of temporal and spatial variations in surface soil moisture in China using remote sensing. Chinese Science Bulletin, 2012, 57(22): 2824-2834. DOI: 10.1007/s11434-012-5011-8.

DOI

[36]
Lai X, Wen J, Cen S, et al. Spatial and temporal soil moisture variations over China from simulations and observations. Advances in Meteorology, 2016, 2016: 4587687. DOI: 10.1155/2016/4587687.

DOI

[37]
Fan K, Zhang Q, Singh V P, et al. Spatiotemporal impact of soil moisture on air temperature across the Tibet Plateau. Science of the Total Environment, 2019, 649: 1338-1348. DOI: 10.1016/j.scitotenv.2018.08.399.

DOI

[38]
Dore M H I. Climate change and changes in global precipitation patterns: What do we know? Environment International, 2005, 31(8): 1167-1181. DOI: 10.1016/j.envint.2005.03.004.

DOI PMID

[39]
赵东升, 高璇, 吴绍洪, 等. 基于自然分区的1960-2018年中国气候变化特征. 地球科学进展, 2020, 35(7): 750-760.

[Zhao Dongsheng, Gao Xuan, Wu Shaohong, et al. Trend of climate variation in China from 1960 to 2018 based on natural regionalization. Advances in Earth Science, 2020, 35(7): 750-760.]. DOI: 10.11867/j.issn.1001-8166.2020.056.

DOI

[40]
罗红霞, 戴声佩, 李茂芬, 等. 海南岛1959-2015年气候变化特征分析. 江苏农业科学, 2018, 46(15): 261-268.

[Luo Hongxia, Dai Shengpei, Li Maofen, et al. Analysis of climatic change characteristics on Hainan island from 1959 to 2015. Jiangsu Agricultural Sciences, 2018, 46(15): 261-268.]. DOI: 10.15889/j.issn.1002-1302.2018.15.066.

DOI

[41]
于淑秋, 林学椿, 徐祥德. 我国西北地区近50年降水和温度的变化. 气候与环境研究, 2003, 8(1): 9-18.

[Yu Shuqiu, Lin Xuechun, Xu Xiangde. The climatic change in northwest China in recent 50 years. Climatic and Environmental Research, 2003, 8(1): 9-18.]. DOI: 10.3878/j.issn.1006-9585.2003.01.02.

DOI

[42]
Wei K, Wang L. Reexamination of the aridity conditions in arid northwestern China for the last decade. Journal of Climate, 2013, 26(23): 9594-9602. DOI: 10.1175/jcli-d-12-00605.1.

DOI

[43]
毕超, 单楠, 毕华兴. 西北极端干旱区近54年降水量和温度变化趋势. 中国水土保持科学, 2015, 13(3): 90-96.

[Bi Chao, Shan Nan, Bi Huaxing. Variation trends of temperature and precipitation in extremely arid region of northwestern China in recent 54 years. Science of Soil and Water Conservation, 2015, 13(3): 90-96.]. DOI: 10.3969/j.issn.1672-3007.2015.03.014.

DOI

[44]
李哲, 丁永建, 陈艾姣, 等. 1960-2019年西北地区气候变化中的Hiatus现象及特征. 地理学报, 2020, 75(9): 1845-1859.

DOI

[Li Zhe, Ding Yongjian, Chen Aijiao, et al. Characteristics of warming hiatus of the climate change in northwest China from 1960 to 2019. Acta Geographica Sinica, 2020, 75(9): 1845-1859.]. DOI: 10.11821/dlxb202009003.

DOI

[45]
李启芬, 吴哲红, 王兴菊, 等. 1981年以来中国夏季降水变化特征及其与SST和前期环流的联系. 高原气象, 2020, 39(1): 58-67.

DOI

[Li Qifen, Wu Zhehong, Wang Xingjv, et al. The characteristics of summer precipitation in China since 1981 and its relationship with SST and pre-circulation. Plateau Meteorology, 2020, 39(1): 58-67.]. DOI: 10.7522/j.issn.1000-0534.2018.00148.

DOI

[46]
刘扬, 韦志刚. 近50年中国北方不同地区降水周期趋势的比较分析. 地球科学进展, 2012, 27(3): 337-346.

[Liu Yang, Wei Zhigang. Comparison of the precipitation cycle and trend in different areas of northern China in recent 50 years. Advances in Earth Science, 2012, 27(3): 337-346.]. DOI: 10.11867/j.issn.1001-8166.2012.03.0337.

DOI

[47]
卢鹤立, 邵全琴, 刘纪远, 等. 近44年来青藏高原夏季降水的时空分布特征. 地理学报, 2007, 62(9): 946-958.

[Lu Heli, Shao Quanqin, Liu Jiyuan, et al. Temporal-spatial distribution of summer precipitation over Qinghai-Tibet plateau during the last 44 years. Acta Geographica Sinica, 2007, 62(9): 946-958.]. DOI: 10.11821/xb200709006.

DOI

[48]
韦志刚, 黄荣辉, 董文杰. 青藏高原气温和降水的年际和年代际变化. 大气科学, 2003, 27(2): 157-170.

[Wei Zhigang, Huang Ronghui, Dong Wenjie. Interannual and interdecadal variations of air temperature and precipitation over the Tibetan plateau. Chinese Journal of Atmospheric Sciences, 2003, 27(2): 157-170.]. DOI: 10.3878/j.issn.1006-9895.2003.02.03.

DOI

[49]
Poveda G, Jaramillo A, Gil M M, et al. Seasonality in ENSO-related precipitation, river discharges, soil moisture, and vegetation index in Colombia. Water Resources Research, 2001, 37(8): 2169-2178. DOI: 10.1029/2000wr900395.

DOI

[50]
Zhang Y, Huang S, Huang Q, et al. Assessment of drought evolution characteristics based on a nonparametric and trivariate integrated drought index. Journal of Hydrology, 2019, 579: 124230. DOI: 10.1016/j.jhydrol.2019.124230.

DOI

[51]
Deng S, Liu S, Mo X, et al. Polar drift in the 1990s explained by terrestrial water storage changes. Geophysical Research Letters, 2021, 48(7): e2020GL092114. DOI: 10.1029/2020gl092114.

DOI

[52]
Torrence C, Webster P J. Interdecadal changes in the ENSO-monsoon system. Journal of Climate, 1999, 12(8): 2679-2690. DOI: 10.1175/1520-0442(1999)012<2679:Icitem>2.0.Co;2.

DOI

[53]
Wang B, Wang Y. Temporal structure of the southern oscillation as revealed by waveform and wavelet analysis. Journal of Climate, 1996, 9(7): 1586-1598. DOI: 10.1175/1520-0442(1996)009<1586:Tsotso>2.0.Co;2.

DOI

[54]
刘苏峡, 邓珊珊, 莫兴国, 等. 巨型流域水质量变化指标与极移变化的联系. 中国科学: 地球科学, 2018, 48(7): 899-911.

[Liu Suxia, Deng Shanshan, Mo Xingguo, et al. Indexing the relationship between polar motion and water mass change in a giant river basin. Science China Earth Sciences, 2018, 48(7): 899-911.]. DOI: 10.1360/N072016-00399.

DOI

[55]
Carranza C D U, van der Ploeg M J, Torfs P J J F. Using lagged dependence to identify (de)coupled surface and subsurface soil moisture values. Hydrology and Earth System Sciences, 2018, 22(4): 2255-2267. DOI:10.5194/hess-22-2255-2018.

DOI

Options
Outlines

/

〈 〉