0 引言
土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] 。土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] 。传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] 。随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] 。国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] 。全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] 。程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化。
基于上述研究背景,本研究首先联合GLDAS_2.0与GLDAS_2.1陆面模型数据,重构1948—2021年河南省土壤含水量; 其次,利用M-K趋势分析和突变检验揭示,分析河南省土壤含水量的时空分布特征; 最后,利用小波分析与空间互相关分析揭示影响河南省土壤含水量的主要因素,为土壤水资源的合理利用提供了理论基础。
1 数据源
GLDAS数据是通过融合近实时地面基站观测数据和卫星数据产品,提供陆地表面状态变量及通量的实时数据。GLDAS陆面模型已从GLDAS_1更新至GLDAS_2,GLDAS_2有3个组成部分: GLDAS_2.0,GLDAS_2.1和GLDAS_2.2。GLDAS_2.0完全使用普林斯顿气象强迫输入数据,并提供1948—2014年期间的数据。GLDAS_2.1是结合2000年至今的模型和观测数据进行的。GLDAS_2.2产品包括同化了GRACE重力数据的从2003年至今的数据。目前,GLDAS驱动了3种陆面模型(LSMs): Noah,Catchment (CLSM)和Variable Infiltration Capacity (VIC),可以提供全球范围内高空间分辨率(2.5°~1 km)数据,时间跨度有3 h一值、1 d一值和一月一值。本研究利用空间分辨率为0.25°×0.25°,每月一值的GLDAS_NOAH025_M.020模型(以下称GLDAS_2.0)和GLDAS_NOAH025_M.021模型(以下称GLDAS_2.1)分别计算1948—2014年和2000—2021年4层(0~10 cm,10~40 cm,40~100 cm,100~200 cm)土壤含水量。同时利用上述模型中提供的气温数据、降水数据和蒸散发数据计算相应研究时段内的气温、降水和蒸散发。
2 研究方法
1)1948—2021年土壤含水量数据构建。GLDAS_2.1模型相较于GLDAS_2.0模型存在一定的改进,因此GLDAS_2.1数据相较于GLDAS_2.0数据具有更高的精度。但GLDAS_2.1模型仅提供2000年以后的数据,而GLDAS_2.0模型提供1948—2014年的数据。鉴于GLDAS_2.0数据和GLDAS_2.1数据存在交集,因此本研究提出通过对比2个数据集提供的参数之间的回归相关性构建1948—2021年逐月土壤含水量。整个过程分为3步: 第一步根据GLDAS_2.0和GLDAS_2.1提供的2000—2014年气温、降水、蒸散发和土壤含水量数据,比较两者之间的相关性,构建2个数据集之间的经验公式; 第二步,利用经验公式和GLDAS_2.0数据估算2000—2014年逐月气温、降水、蒸散发和土壤含水量,利用该时期的GLDAS_2.1数据开展构建数据的质量评估; 第三步,经过评估合格后,1948—2021年土壤含水量数据由1948—1999年的重建数据和GLDAS_2.1提供的2000—2021年数据构成。
2)M-K趋势分析与突变检验。M-K检验方法的全称是Mann-Kendall检验方法,是一种非参数统计检验方法,主要包括趋势分析和突变检验,计算简便且检测效果良好,因此被广泛使用在趋势检验和突变检验方面。趋势性检验的结果主要包括变化率τ 值和显著性水平p 值。τ 值为正代表上升趋势,为负则表示下降; 对于p 值,当p <0.05时,说明存在显著性变化趋势,0.05<p <0.1时轻微变化,p >0.1时变化不显著。其原理简单为存在时间序列x i S 为:
(1) S = ∑ i = 1 n - 1 ∑ j = i + 1 n s g n ( x j - x i )
(2) s g n (θ) = 1 θ > 0 0 θ = 0 - 1 θ < 0
式中: x j j 个数据; n 为样本数据长度; sgn为符号函数。
Mann和Kendall证明,当n ≥8时,统计量大致服从正态分布,其均值为0,方差为:
(3) V a r ( S ) = [ n ( n - 1 ) ( 2 n + 5 ) - ∑ i = 1 n t i ( i - 1 ) ( 2 i + 5 ) ] / 18
(4) z c = S - 1 V a r ( S ) S > 0 0 S = 0 S + 1 V a r ( S ) S < 0
(5) β = M e d i a n x i - x j i - j
式中1<j <i <n 。当β 为正时表示“上升趋势”,当β 为负时表示“下降趋势”。
同时,还可以通过M-K算法开展时间序列的突变检验。
对于时间序列x i r i x i > x j ( 1 ≤ j ≤ i ) S k
(6) S k = ∑ i = 1 k r i
(7) x i = 1 x i > x j 0 其 他 j = 1,2 , … , i
(8) U F k = S k - E ( S k ) V a r ( S k ) k = 2,3 , … , n
(9) E ( S k ) = n ( n + 1 ) 4
(10) V a r ( S k ) = n ( n - 1 ) ( 2 n + 5 ) 72
式中: E ( S k ) S k V a r ( S k ) S k U F 1 = 0 α 下,若U F k > U α
将时间序列按逆序排列,重复上述步骤,同时使得U B k = - U F k ( k = n , n - 1 , … , 1 ) U B 1 U B k U F k U F k > 0
3)小波分析。小波分析是在20世纪80年代初发展起来的新方法,可以分析整个数据的变化和局部变化,克服了短时傅里叶变换固定分辨率的缺点。小波分析具有在低频部分存在较高频率分辨率和较低的时间分辨率以及在高频部分具有较高的时间分辨率和较低的频率分辨率的优点。本研究利用小波分析确定时间序列的不同周期出现在哪个时域和频域上。一个时间序列f ( t )
(11) W f (a , b) = 1 a ∫ - ∞ ∞ f (t) φ t - b a d t
(12) φ (t) = e w o i t e - t 2 2
式中: a 为伸缩尺度,也称为尺度因子,反映的是小波的周期长度; b 为平移因子,反映的是时间上的平移; wo 为无量纲频率; i 为复数。
4)数据质量评估。评估指标包括相关系数R 、平均偏差M BE 、平均绝对误差M AE 和均方根误差(root mean squared error,RMSE),计算公式分别为:
(13) R = n ∑ i = 1 n ( G 20 i G 21 i ) - ∑ i = 1 n G 20 i ∑ i = 1 n G 21 i n ∑ i = 1 n G 20 i 2 - ( ∑ i = 1 n G 20 i ) 2 n ∑ i = 1 n G 21 i 2 - ( ∑ i = 1 n G 21 i ) 2
(14) M B E = 1 n ∑ i = 1 n ( G 21 i - G 20 i )
(15) M A E = 1 n ∑ i = 1 n G 21 i - G 20 i
(16) R S M E = 1 n ∑ i = 1 n ( G 21 i - G 20 i ) 2
式中G 20i G 21i i 个数据。
3 结果与分析
3.1 基于GLDAS_2.0与GLDAS_2.1的土壤含水量数据构建
图1 为基于GLDAS_2.0与GLDAS_2.1的气温、降水、蒸散发和土壤含水量之间的关系。由图1 可知,基于GLDAS_2.0的气温、降水、蒸散发和土壤含水量与基于GLDAS_2.1得到的相应数据具有高度的线性相关性。GLDAS_2.0和GLDAS_2.1提供的2000—2014年逐月气温之间的线性关系见图1(a) ,利用该线性关系计算的2000—2014年逐月气温与GLDAS_2.1提供的气温M BE 为0.01 ℃,M AE 为0.53 ℃,RMSE 为0.64 ℃。GLDAS_2.0和GLDAS_2.1提供的2000—2014年的月度降水之间的线性关系见图1(b) ,利用该线性关系计算的2000—2014年逐月降水与GLDAS_2.1提供的月降水量的M BE 为-0.20 mm,M AE 为12.87 mm,RMSE 为21.80 mm。GLDAS_2.0和GLDAS_2.1提供的2000—2014年的月度蒸散发之间的线性关系见图1(c) ,利用该线性关系计算的2000—2014年逐月蒸散发与GLDAS_2.1提供的月蒸散发的M BE 为-0.09 mm,M AE 为9.45 mm,RMSE 为12.53 mm。GLDAS_2.0和GLDAS_2.1提供的2000—2014年的月度土壤含水量之间的线性关系见图1(d) ,利用该线性关系计算的2000—2014年逐月土壤含水量与GLDAS_2.1提供的月度土壤含水量的M BE 为2.09 mm,M AE 为13.01 mm,RMSE 为18.26 mm。
图1
图1
基于GLDAS_2.0与GLDAS_2.1的气温、降水、蒸散发和土壤含水量之间的关系
Fig.1
Relationship of temperature, precipitation, evaporation and soil moisture content between GLDAS_2.0 and GLDAS_2.1
上述参数的平均偏差、平均绝对误差和RMSE与各参数的平均值相比可以忽略不计,因此认为本研究构建的数据是可信的。因此,综合GLDAS_2.0和GLDAS_2.1数据集构建的1948—2021年河南省数据集由1948—1999年的重建数据和2000—2021年的GLDAS_2.1数据组成,该数据既保留了GLDAS_2.1的数据质量,也综合GLDAS_2.0数据延长了数据时间长度(图2 )。
图2
图2
基于GLDAS_2.0与GLDAS_2.1构建的1948—2021年河南省气温、降水、蒸散发和土壤含水量时间序列
Fig.2
Temperature, precipitation, evaporation and soil moisture content of Henan Province during 1948 to 2021 based on GLDAS_2.0 and GLDAS_2.1
3.2 河南省土壤含水量的年际变化特征
河南省1948—2021年平均气温、年降水、年蒸散发和年平均土壤含水量分别为14.17±0.75 ℃,839.32±126.66 mm,362.17±27.53 mm和543.83±26.89 mm,其变异系数分别为0.05,0.15,0.08和0.05。M-K趋势分析(图3 )表明,1948—2021年年平均气温、年降水和年蒸散发增加速度分别为0.025 5℃/a,0.092 2 mm/a和0.215 4 mm/a,年平均土壤含水量则以0.301 0 mm/a的速度减少,其中,仅温度的变化符合0.05的显著性水平。
图3
图3
1948—2021年河南省年平均气温、年降水、年蒸散发和年平均土壤含水量的M-K突变分析
Fig.3
M-K test of temperature, precipitation, evaporation and soil moisture content of Henan Province from 1948 to 2021
M-K突变分析表明,河南省2000年后的平均气温呈显著增加状态; 年降水虽然持续减少,但未通过0.05的显著性水平,在1950年和2019年有2次具有显著性的突变; 年蒸散发在20世纪50年代—21世纪初,显著减少,并在2014年具有一次有显著意义的突变; 年平均土壤含水量时增时减,但在1950年和2017年以后具有显著意义的减少,并在2007年具有一次有显著意义的突变。
3.3 河南省土壤含水量的季节变化特征
图4 为河南省1948—2021年不同季节土壤含水量的年际变化趋势,图5 为不同季节土壤含水量的M-K突变分析。综合图4 和图5 可知,整体上1948—2021年春季河南省土壤含水量的变化率为-0.236 8 mm/a(仅2016年后其降低的趋势具有显著性水平),春季土壤含水量的突变点1982年和1994年。1948—2021年夏季土壤含水量的变化率为-0.085 5 mm/a(不具显著性),夏季土壤含水量的突变点1953年末—1954年初。1948—2021年秋季土壤含水量的变化率为-0.380 5 mm/a(不具有显著性),秋季土壤含水量的突变点1953年和2011年。1948—2021年冬季土壤含水量的变化率为-0.240 3 mm/a(不具显著性),冬季土壤含水量的突变点1966年、1982年、1987年和2000年。
图4
图4
1948—2021年河南省土壤含水量季节变化趋势
Fig.4
Seasonal variations of soil moisture content of Henan Province in 1948—2021
图5
图5
1948—2021年河南省土壤含水量季节变化的M-K突变检验
Fig.5
M-K test of soil moisture content of different seasonal in Henan Province in 1948—2021
3.4 土壤含水量的空间分布特征
图6 左、右列分别为河南省1948—1999和2000—2021年平均年降水、蒸散发和土壤含水量分布。由图6 可知,整体上河南省土壤含水量呈现自南向北减少的趋势,其空间分布特征与年降水和年蒸散发的空间分布具有一致性。就局部而言,三门峡市和洛阳市南部、平顶山市西部的土壤含水量具有东西向的条带状高值区域; 商丘市北部和开封市中部呈东西向的条带状的高值区域。
图6
图6
1948—1999年以及2000—2021年河南省平均年降水、蒸散发和土壤含水量空间分布
Fig.6
Spatial distribution of precipitation, evaporation and soil moisture content during 1948 to 1999 and 2000 to 2021
4 讨论
4.1 河南省土壤含水量随深度的变化规律
Noah模型提供了4个土壤层(0~10 cm,10~40 cm,40~100 cm及100~200 cm)的土壤含水量,不同深度的土壤含水量年内的分布特征不同。2000—2021年各层逐月土壤含水量减去各层平均土壤含水量得到土壤含水量距平值,根据该距平值可以判断土壤含水量的年内盈亏状态。由图7(a) 可知,[100) cm和[100,200] cm深度的土壤含水量在春季均处于亏损状态,秋季均处于盈余状态。夏季,[100) cm和[100,200] cm深度的土壤含水量为亏损状态。冬季,[10,40) cm深度的土壤含水量为平衡状态,[0,10) cm和[100,200) cm深度的土壤含水量为亏损状态,[40,100) cm深度的土壤含水量为盈余状态。
图7
图7
2000—2021年河南省不同深度土壤含水量季节分布特征及随深度的变化规律
Fig.7
Depth distribution characteristics of soil moisture content in different seasons in Henan Province during 2000 to 2021
不同深度的单位深度土壤含水量差异较大。2000—2021年[0,10) cm土壤层的平均土壤含水量为24.83 mm,变异系数为0.13,单位深度土壤含水量为2.48 mm/cm; [10,40) cm土壤层的平均土壤含水量为76.70 mm,变异系数为0.11,单位深度土壤含水量为2.56 mm/cm; [40,100) cm土壤层的平均土壤含水量为148.07 mm,变异系数为0.15,单位深度土壤含水量为2.47 mm/cm; [100,200] cm土壤层的平均土壤含水量为277.27 mm,变异系数为0.07,单位深度土壤含水量为2.77 mm/cm。综合Noah陆面模型提供的不同土壤层深度的土壤含水量,可知随着土壤层深度的增加以及土壤层厚度的增加,土壤含水量呈线性增加(图7(b) )。土壤含水量与土壤深度之间的线性关系为: y =2. 63x -3. 43(R 2 =0. 999),即整体上单位深度土壤含水量为2.63 mm/cm。
降水、蒸散发和植被覆盖影响了土壤含水量的垂向变化[24 -25 ] 。受蒸散发的直接影响,表层土壤单位深度土壤含水量较小; 随着土壤埋深增加,蒸散发能力逐渐减小,使得单位深度土壤含水量增加; 植物的根系深度一般在1 m左右,植物耗水导致该层的单位深度土壤含水量最小[11 ] ; 当土壤埋深超过1 m时,植物根系减少导致耗水量逐渐减少,使得单位深度土壤含水量增加。
4.2 河南省土壤含水量的影响因素
由图8(a) 可知,河南省降水与土壤含水量呈正比,降水多的年份土壤含水量就多,降水与土壤含水量之间的相关系数为0.53。蒸散发对土壤含水量的影响不大,但降水与蒸散发的差值(净补给量)与土壤含水量之间的呈正相关关系,相关系数为0.61。上述结果表明,土壤含水量受降水和蒸散发的综合影响,但降水的影响权重更大。由图8(b) 可知,用水量与土壤含水量之间无显著关系,且考虑用水量后的补给量(即净补给量与用水量的差值)和土壤含水量之间的相关系数与净补给量和土壤含水量之间的相关系数相似。因此影响土壤含水量的主要因素为气象因素。
图8
图8
土壤含水量与气象因素(降水、蒸散发)和用水量之间的关系
Fig.8
Relationship between soil moisture content with precipitation and evaporation and water consumption
小波分析可以用来揭示时间序列不同时域和频域的周期变化特征[26 ⇓ -28 ] 。本研究分别对河南省1948—2021年平均年气温、年降水、年蒸散发和年平均土壤含水量进行连续小波变换(图9 )。图中红色与蓝色分别表示能量密度的峰值和谷值,颜色深浅表示能量密度的相对变化。白色虚线圈闭的值为通过了95%置信水平检验。由图9 可知,土壤含水量在1958—1970年具有4~8 a的周期性,该周期性主要是受气温和降水的周期性影响。1978—2018年除了表现出高度的年内变化特征,还具有4~6 a的周期性,该周期性主要是受降水的周期性影响。由图9 可知,年降水的周期性和年蒸散发的周期性具有互补的表现形式,且土壤含水量的周期性主要受降水的影响。
图9
图9
1948—2021年河南省年平均气温、降水、蒸散发和土壤含水量的Morlet连续小波变换
Fig.9
Morlet continuous wavelet transform of annual mean temperature, precipitation, evaporation and soil moisture content in Henan Province during 1948 to 2021
4.3 河南省土壤含水量相对气象因素的滞后性
气象因子(降水和蒸散发)对地表水资源的影响一方面表现在时间分布上,一方面表现在空间分布上[29 ] 。就时间方面来说,地表水资源与降水时间变化特征具有一致性,降水多的年份/月份,地表水资源增加,降水少的年份/月份,地表水资源下降。但受到地表入渗能力的影响,相对于降水,地表水资源具有一定的滞后性[30 ] 。变量之间的互相关系数可以揭示滞后时间[31 ⇓ -33 ] 。图10 为1948—2021年年尺度和月尺度土壤含水量与降水和蒸散发之间的互相关系数分布。由图10(a) 可知,年尺度的土壤含水量与降水之间的相关性较高,最大互相关系数为滞后时间为0 a时的0.723。相比年降水,年蒸散发与土壤含水量之间的互相关系数不大。由图10(b) 可知,月尺度的土壤含水量与降水和蒸散发之间的相关性都较高,其中土壤含水量与降水之间的最大互相关系数为滞后时间为2个月的0.475,土壤含水量与蒸散发之间的最大互相关系数为滞后时间为4个月的0.380。
图10
图10
1948—2021年年尺度和月尺度降水和蒸散发与土壤含水量之间的互相关系数分布
Fig.10
Correlation distribution between annual and monthly precipitation and evaporation with soil moisture content in 1948—2021
图11 为1948—1999年及2000—2021年河南省年降水、年蒸散发与土壤含水量之间的互相关系数空间分布。由图11 可知,整体上降水对土壤含水量的影响要大于蒸散发。1948—1999年河南省北部城市,如安阳市和濮阳市,其土壤含水量主要受蒸散发和降水的综合影响; 而郑州市、洛阳市北部、南阳市西部和信阳市主要受降水的影响。相较于1948—1999年,2000—2021年蒸散发对河南省土壤含水量的影响逐渐加重。河南省北部地区受蒸散发的影响较大,南部地区受降水的影响较大。
图11
图11
1948—1999年以及2000—2021年河南省年降水、蒸散发与土壤含水量之间的互相关系数空间分布
Fig.11
Spatial distribution of the correlation coefficients between annual precipitation and evaporation with soil moisture content in Henan Province during 1948 to 1999 and 2000 to 2021
5 结论
本文基于GLDAS_2.0陆面模型提供的1948—2014年土壤含水量数据和GLDAS_2.1陆面模型提供的2000—2021年土壤含水量数据,重现构建了1948—2021年逐月河南省土壤含水量,并利用统计方法分析了河南省土壤含水量的主要时空分布规律,主要结论如下:
1)1948—2021年河南省土壤含水量平均值为543.83±26.89 mm,M-K趋势分析结果表明河南省土壤含水量以0.301 0 mm/a的速度减少,其中,春季河南省土壤含水量的变化率为-0.236 8 mm/a,夏季土壤含水量的变化率为-0.085 5 mm/a,秋季土壤含水量的变化率为-0.380 5 mm/a,冬季土壤含水量的变化率为-0.240 3 mm/a。
2)空间上,土壤含水量主要受降水和蒸散发的综合影响,表现出由南向北递减的空间变化特征。垂向上,单位深度土壤含水量的平均值为2.63 mm/cm,其中[0,10) cm,[10,40) cm,[40,100) cm和[100,200) cm土壤层的单位深度土壤含水量为2.48 mm/cm,2.56 mm/cm,2.47 mm/cm和2.77 mm/cm。
3)小波分析与互相关分析表明降水是影响土壤含水量的主要因素,土壤含水量在1978—2018年具有4~6 a的周期性,土壤含水量滞后于降水2个月左右。
尽管本研究可以为河南省土壤含水量本底值以及影响因素提供参考和框架,但是不得不承认的是,本研究所利用的土壤含水量仅为地表以下2 m内的土壤含水量,不能代表整个土壤层。在下一步的研究中应考虑如何融合其他数据以揭示整个土壤层含水量。
参考文献
View Option
[1]
雷志鹏 , 胡和平 , 杨诗秀 . 土壤水研究进展与评述
[J]. 水科学进展 , 1999 , 10 (3 ):311 -318 .
[本文引用: 1]
Lei Z P Hu H P Yang S X . A review of soil water research
[J]. Advances in Water Science , 1999 , 10 (3 ):311 -318 .
[本文引用: 1]
[2]
Seneviratne S I Corti T Davin E L , et al . Investigating soil moisture-climate interactions in a changing climate:A review
[J]. Earth-Science Reviews , 2010 , 99 (3-4 ):125 -161 .
DOI:10.1016/j.earscirev.2010.02.004
URL
[本文引用: 1]
[3]
解文艳 , 樊贵盛 . 土壤含水量对土壤入渗能力的影响
[J]. 太原理工大学学报 , 2004 , 35 (3 ):272 -275 .
[本文引用: 1]
Xie W Y Fan G S . Influence of moisture content on infiltration characteristics in field soils
[J]. Journal of Taiyuan University of Technology , 2004 , 35 (3 ):272 -275 .
[本文引用: 1]
[4]
张学礼 , 胡振琪 , 初士立 . 土壤含水量测定方法研究进展
[J]. 土壤通报 , 2005 , 36 (1 ):118 -123 .
[本文引用: 1]
Zhang X L Hu Z Q Chu S L . Methods for measuring soil water content:A review
[J]. Chinese Journal of Soil Science , 2005 , 36 (1 ):118 -123 .
[本文引用: 1]
[5]
朱国锋 , 蒲焘 , 何元庆 , 等 . 横断山区土壤相对湿度时空分异
[J]. 地理科学 , 2012 , 32 (7 ):872 -877 .
DOI:10.13249/j.cnki.sgs.2012.07.872
[本文引用: 1]
以1992~2010年横断山区16个观测站土壤相对湿度资料为基础,通过Kriging插值法分析土壤相对湿度季节分异和空间分异特征。结果表明：横断山区年土壤相对湿度自1992年以来整体呈波动增加趋势,年际变化倾向率为0.51% /a;横断山区土壤相对湿度表现为西南和东北部较高,东南和西北部较低,中部土壤相对湿度增加趋势强于边缘,深层土壤的相对湿度整体大于浅层土壤。春、夏季土壤相对湿度增加趋势比秋、冬季明显。
Zhu G F Pu T He Y Q , et al . Spatial and temporal variation of soil relative moisture in Hengduan mountainous region,China
[J]. Scientia Geographica Sinica , 2012 , 32 (7 ):872 -877 .
[本文引用: 1]
[6]
赵立军 . 基于MODIS数据的北京地区土壤含水量遥感信息模型研究 [D]. 北京 : 中国农业大学 , 2014 .
[本文引用: 1]
Zhao L J . Study on remote sensing information model of soil water content in Beijing based on MODIS data [D]. Beijing : China Agricultural University , 2014 .
[本文引用: 1]
[7]
Sonia I S Thierry C Edouard L , et al . Investigating soil moisture-climate interactions in a changing climate:A review
[J]. Earth-Science Reviews , 2010 , 99 (3-4 ):121 -161 .
[本文引用: 1]
[8]
Nazmus S Iliana M John B . Leveraging Google Earth Engine for drought assessment using global soil moisture data
[J]. Remoting Sensing , 2018 , 10 (8 ):1265 .
[本文引用: 1]
[9]
Jostein B Paul D H Philipp S , et al . Monitoring soil moisture drought over northern high latitudes from space
[J]. Remote Sensing , 2019 , 11 (10 ):1200 .
DOI:10.3390/rs11101200
URL
[本文引用: 1]
Mapping drought from space using, e.g., surface soil moisture (SSM), has become viable in the last decade. However, state of the art SSM retrieval products suffer from very poor coverage over northern latitudes. In this study, we propose an innovative drought indicator with a wider spatial and temporal coverage than that obtained from satellite SSM retrievals. We evaluate passive microwave brightness temperature observations from the Soil Moisture and Ocean Salinity (SMOS) satellite as a surrogate drought metric, and introduce a Standardized Brightness Temperature Index (STBI). We compute the STBI by fitting a Gaussian distribution using monthly brightness temperature data from SMOS; the normal assumption is tested using the Shapior-Wilk test. Our results indicate that the assumption of normally distributed brightness temperature data is valid at the 0.05 significance level. The STBI is validated against drought indices from a land surface data assimilation system (LDAS-Monde), two satellite derived SSM indices, one from SMOS and one from the ESA CCI soil moisture project and a standardized precipitation index based on in situ data from the European Climate Assessment & Dataset (ECA&D) project. When comparing the temporal dynamics of the STBI to the LDAS-Monde drought index we find that it has equal correlation skill to that of the ESA CCI soil moisture product ( 0.71 ). However, in addition the STBI provides improved spatial coverage because no masking has been applied over regions with dense boreal forest. Finally, we evaluate the STBI in a case study of the 2018 Nordic drought. The STBI is found to provide improved spatial and temporal coverage when compared to the drought index created from satellite derived SSM over the Nordic region. Our results indicate that when compared to drought indices from precipitation data and a land data assimilation system, the STBI is qualitatively able to capture the 2018 drought onset, severity and spatial extent. We did see that the STBI was unable to detect the 2018 drought recovery for some areas in the Nordic countries. This false drought detection is likely linked to the recovery of vegetation after the drought, which causes an increase in the passive microwave brightness temperature, hence the STBI shows a dry anomaly instead of normal conditions, as seen for the other drought indices. We argue that the STBI could provide additional information for drought monitoring in regions where the SSM retrieval problem is not well defined. However, it then needs to be accompanied by a vegetation index to account for the recovery of the vegetation which could cause false drought detection.
[10]
Rodell M Houser P R Jambor U , et al . The global land data assimilation system
[J]. Bulletin of the American Meteorological Society , 2004 , 85 (3 ):381 -394 .
DOI:10.1175/BAMS-85-3-381
URL
[本文引用: 1]
[11]
刘任莉 , 佘敦先 , 李敏 , 等 . 利用卫星观测数据评估GLDAS与WGHM水文模型的适用性
[J]. 武汉大学学报(信息科学版) , 2019 , 44 (11 ):1596 -1604 .
[本文引用: 2]
Liu R L She D X Li M , et al . Using satellite observations to assess applicability of GLDAS and WGHM hydrological model
[J]. Geomatics and Information Science of Wuhan Unibersity , 2019 , 44 (11 ):1596 -1604 .
[本文引用: 2]
[12]
钱安 , 易爽 , 孙广通 , 等 . GLDAS_NOAH_M.2.1水文模型在青藏高原的适定性分析
[J]. 大地测量与地球动力学 , 2018 , 38 (3 ):254 -259 .
[本文引用: 1]
Qian A Yi S Sun G T , et al . GLDAS_NOAH_M.2.1 hydrological model and its application analysis in Qinghai-Tibet Plateau
[J]. Journal of Geodesy and Geoodynamics , 2018 , 38 (3 ):254 -259 .
[本文引用: 1]
[13]
王文 , 崔巍 , 王鹏 . GLDAS Noah模型水文产品与中国地面观测及卫星观测数据的对比
[J]. 水电能源科学 , 2017 , 35 (5 ):1 -6 .
[本文引用: 1]
Wang W Cui W Wang P . Comparison of GLDAS NOAH model hydrological outputs with ground observations and satellite observations in China
[J]. Water Resources and Power , 2017 , 35 (5 ):1 -6 .
[本文引用: 1]
[14]
王晨阳 , 马元喜 . 不同土壤水分条件下小麦根系生态生理效应的研究
[J]. 华北农学报 , 1992 , 7 (4 ):1 -8 .
DOI:10.3321/j.issn:1000-7091.1992.04.001
[本文引用: 1]
1988～1990年的研究结果表明,土壤水分不足或过多,均抑制小麦根系的生长。干旱导致土壤表层根量减少,而深层根量所占比例增大。当土壤相对含水量低于60%时,单株次生根数明显减少;低于50%时,单株根量显著下降。根系活性随水分胁迫程度的加强而下降,其中以扬花期的下降幅度为最大。小麦单茎伤流量与土壤含水量呈极显著的正相关,而根冠比与土壤含水量则呈极显著的负相关。此外,研究还指出,40%的土壤相对含水量是小麦生育后期重度干旱的极限指标。
Wang C Y Ma Y X . Ecological and physiological effects on root systems of wheat under different soil water conditions
[J]. Acta Agcultureal Boreali-Sinica , 1992 , 7 (4 ):1 -8 .
[本文引用: 1]
[15]
王洁 , 边宇晗 , 陈裕迪 , 等 . 基于GRACE陆地水储量估算土壤湿度变化: 以中国东部季风区为例
[J]. 南水北调与水利科技 , 2021 , 19 (3 ):459 -468 .
[本文引用: 1]
Wang J Bian Y H Chen Y D , et al . Estimation of soil moisture changes based on GRACE terrestrial water storage:Taking the monsoon region in eastern China as an example
[J]. South to North Water Transfers and Water Science and Technology , 2021 , 19 (3 ):459 -468 .
[本文引用: 1]
[16]
汪小菊 , 王文 , 王鹏 . GLDAS月气温数据在中国区的适用性评估
[J]. 水电能源科学 , 2014 , 32 (11 ):10 -13 .
[本文引用: 1]
Wang X J Wang W Wang P . Assessing applicability of GLDAS monthly temperature data in China
[J]. Water Resources and Power , 2014 , 32 (11 ):10 -13 .
[本文引用: 1]
[17]
许顺芳 , 王林松 , 陈超 , 等 . 利用GRACE及气象数据评估GLDAS 水文模型在青藏高原的适用性
[J]. 大地测量与地球动力学 , 2018 , 38 (1 ):8 -13 .
[本文引用: 1]
Xu S F Wang L S Chen C , et al . Using GRACE and in-situ measurements to assess the applicability of GLDAS hydrological model in Tibet Plateau
[J]. Journal of Geodesy and Geodynamics , 2018 , 38 (1 ):8 -13 .
[本文引用: 1]
[18]
程善俊 , 管晓丹 , 黄建平 , 等 . 利用GLDAS资料分析黄土高原半干旱区土壤湿度对气候变化的响应
[J]. 干旱气象 , 2013 , 31 (4 ) :641 -649 .
DOI:10． 11755/j． issn． 1006 －7639(2013) －04 －0641
[本文引用: 1]
利用 GLDAS 资料分析了 1948 ～ 2010 年黄土高原半干旱区气温、降水和土壤湿度的变化趋势，并重点讨论了气温和降水对土壤湿度的影响和相对贡献。结果表明:近 60 a 来黄土高原半干旱区整体呈现暖干化趋势，增温速率明显高于全球平均增温速率;不同深度的土壤湿度的长期变化均呈减小趋势，且年际间变化明显。不同深度的土壤湿度和气温呈负相关关系，并随着土壤加深，两者的相关性加强;土壤湿度和降水则呈正相关关系，相关关系最大出现在表层土壤。通过分析气温和降水在不同季节对土壤湿度的相对贡献发现，春季和冬季气温对土壤湿度的相对贡献较降水显著，秋季恰好相反，夏季气温和降水对土壤湿度的相对贡献大小相当。对比不同深度层降水、气温对土壤湿度的相对贡献得出，降水对浅层土壤湿度有显著作用，而气温对深层土壤湿度的作用更明显。
Cheng S J Guan X D Huang J P , et al . Analysis of response of soil moisture to climate change in semi-arid Loess Plateau in China based on GLDAS data
[J] Journal of Arid Meteorology , 2013 , 31 (4 ):641 -649 .
[本文引用: 1]
[19]
沈润平 , 张悦 , 师春香 , 等 . 长时间序列多源土壤湿度产品在中国地区的比较分析
[J]. 气象科学 , 2016 , 44 (6 ):867 -874 .
[本文引用: 1]
Shen R P Zhang Y Shi C X , et al . Inter-comparison of various long-time soil moisture datasets in China
[J]. Meteorological Science and Technology , 2016 , 44 (6 ):867 -874 .
[本文引用: 1]
[20]
张述文 , 刘源 , 曹帮军 , 等 . GLDAS和CMIP5产品的中国土壤湿度—降水耦合分析及变化趋势
[J]. 气候与环境研究 , 2016 , 21 (2 ):188 -196 .
[本文引用: 1]
Zhang S W Liu Y Cao B J , et al . Soil moisture-precipitation coupling and trends in China,based on GLDAS and CMIP5 products
[J] Climatic and Environmental Research , 2016 , 21 (2 ):188 -196 .
[本文引用: 1]
[21]
吴盼 , 冯雨晴 , 梁四海 , 等 . 基于GLDAS与TVDI降尺度反演土壤含水量
[J]. 北京师范大学学报(自然科学版) , 2016 , 52 (3 ):265 -270 .
[本文引用: 1]
Wu P Feng Y Q Liang S H , et al . Soil moisture-precipitation coupling and trends in China based on GLDAS and CMIP5 products
[J]. Journal of Beijing Normal University (Natural Science) , 2016 , 52 (3 ):265 -270 .
[本文引用: 1]
[22]
孙茂军 , 李霞 , 李小刚 , 等 . 基于MODIS与GLDAS数据的湟水河流域土壤水反演
[J]. 世界地质 , 2019 , 38 (1 ):286 -292 .
[本文引用: 1]
Sun M J Li X Li X G , et al . Soil water inversion in Huangshui River basin based on MODIS and GLDAS data
[J]. Global Geology , 2019 , 38 (1 ):286 -292 .
[本文引用: 1]
[23]
刘佩佩 , 宋海清 , 鲍炜炜 , 等 . CLDAS和GLDAS土壤温度数据在陕西省的适用性评估
[J]. 气象科技 , 2021 , 49 (4 ):604 -611 .
[本文引用: 1]
Liu P P Song H Q Bao W W , et al . Applicability evaluation of CLDAS and GLDAS soil temperature data in Shaanxi Province
[J]. Meteorological Science and Technology , 2021 , 49 (4 ):604 -611 .
[本文引用: 1]
[24]
艾宁 , 强大宏 , 刘长海 , 等 . 半干旱黄土区山地枣林春季土壤水分动态变化研究
[J]. 农业现代化研究 , 2019 , 40 (2 ):342 -348 .
[本文引用: 1]
Ai N Qiang D H Liu C H , et al . Dynamics of spring soil moisture in jujube forest in the semi-arid hilly area of Loess Plateau
[J]. Research of Agricultural Modernization , 2019 , 40 (2 ):342 -348 .
[本文引用: 1]
[25]
何其华 , 何永华 , 包维楷 . 干旱半干旱区山地土壤水分动态变化
[J]. 山地学报 , 2003 , 21 (2 ):149 -156 .
[本文引用: 1]
He Q H He Y H Bao W K . Research on dynamics of soil moisture in arid and semiarid mountainous areas
[J]. Journal of Mountain Science , 2003 , 21 (2 ):149 -156 .
[本文引用: 1]
[26]
米热古力·艾尼瓦尔 , 海米提·依米提 , 麦麦提吐尔逊·艾则孜 , 等 . 基于小波分析的伊塞克湖水位变化特征
[J]. 水土保持研究 , 2014 , 21 (1 ):168 -172 .
[本文引用: 1]
Mihrigul A Hamid Y Mamattursum E , et al . Water level variations of Issyk-kul Lake based on wavelet analysis
[J]. Research of Soil and Water Conservation , 2014 , 21 (1 ):168 -172 .
[本文引用: 1]
[27]
祁晓凡 , 杨丽芝 , 晔韩 , 等 . 济南泉域地下水位动态及其对降雨响应的交叉小波分析
[J]. 地球科学进展 , 2012 , 27 (9 ):969 -978 .
DOI:10.11867/j.issn.1001-8166.2012.09.0969
[本文引用: 1]
利用1988—2009年济南泉域8个地下水位动态观测点不同时段观测资料及1998—2009年降水数据，采用连续小波变换、交叉小波变换方法对济南泉域地下水位动态的多时间尺度特征、相互关系及其对降水的响应进行了分析。结果表明：①济南泉域地下水位动态存在显著的0.82~1.16 a的主振荡周期，低频部分仅在部分年份存在1.95~3.09 a的振荡周期；②含水岩组富水性对地下水位动态存在影响，研究区主径流方向上弱富水性地段地下水位动态时滞较强富水性地段长，强富水性地段4个观测孔地下水位波动时序基本一致；③地下水位动态对降水的响应滞后明显，为73.06~134.42 d，总体表现为地下水径流路径越长，响应越滞后；④基于地下水位动态与基于降水—地下水位动态交叉小波变换得到的观测点对水位动态的滞后时间多数一致，同一径流路径上局部点对滞后时间之和与全局点对有很好的对应关系。交叉小波分析可定量评价泉域地下水位动态及其与降水的相关关系。
Qi X F Yang L Z Ye H , et al . Cross wavelet analysis of groundwater level regimes and precipitation-groundwater level regime in Ji’nan Spring Region
[J]. Advances in Earth Science , 2012 , 27 (9 ):969 -978 .
[本文引用: 1]
[28]
邵晓梅 , 许月卿 , 严昌荣 . 黄河流域降水序列变化的小波分析
[J]. 北京大学学报(自然科学版) , 2006 , 42 (4 ):503 -509 .
[本文引用: 1]
Shao X M Xu Y Q Yan C R . Wavelet analysis of rainfall variation in the Yellow River basin
[J]. Journal of Peking University (Natural Science) , 2006 , 42 (4 ):503 -509 .
[本文引用: 1]
[29]
张建云 , 章四龙 , 王金星 , 等 . 近50年来中国六大流域年际径流变化趋势研究
[J]. 水科学进展 , 2007 , 18 (2 ):230 -234 .
[本文引用: 1]
Zhang J Y Zhang S L Wang J X , et al . Study on runoff trends of the six larger basins in China over the past 50 years
[J]. Advances in Water Science , 2007 , 18 (2 ):230 -234 .
[本文引用: 1]
[30]
Guo Y Wang F Qin D J , et al . Hydrodynamic characteristics of a typical Karst spring system based on time series analysis in northern China
[J]. China Geology , 2021 , 4 (3 ):434 -448 .
DOI:10.31035/cg2021049
URL
[本文引用: 1]
[31]
Bouchaoua L Manginb A Chauve P . Turbidity mechanism of water from a karstic spring example of the Ain Asserdoune spring (Beni Mellal Atlas,Morocco)
[J]. Journal of Hydrology , 2002 , 265 (1 ):34 -42 .
DOI:10.1016/S0022-1694(02)00098-7
URL
[本文引用: 1]
[32]
Fiorillo F Doglioni A . The relation between Karst spring discharge and rainfall by cross-correlation analysis (Campania,southern Italy)
[J]. Hydrogeology Journal , 2010 , 18 (8 ):1881 -1895 .
DOI:10.1007/s10040-010-0666-1
URL
[本文引用: 1]
[33]
李建鸿 , 蒲俊兵 , 张陶 , 等 . 相关和频谱分析法在岩溶系统中的应用研究综述
[J]. 中国岩溶 , 2020 , 39 (3 ):335 -344 .
[本文引用: 1]
Li J H Pu J B Zhang T , et al . Application of correlation and spectrum analysis in Karst system research
[J]. Carsologica Sinica , 2020 , 39 (3 ):335 -344 .
[本文引用: 1]
土壤水研究进展与评述
1
1999
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
土壤水研究进展与评述
1
1999
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
Investigating soil moisture-climate interactions in a changing climate:A review
1
2010
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
土壤含水量对土壤入渗能力的影响
1
2004
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
土壤含水量对土壤入渗能力的影响
1
2004
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
土壤含水量测定方法研究进展
1
2005
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
土壤含水量测定方法研究进展
1
2005
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
横断山区土壤相对湿度时空分异
1
2012
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
横断山区土壤相对湿度时空分异
1
2012
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
1
2014
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
1
2014
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
Investigating soil moisture-climate interactions in a changing climate:A review
1
2010
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
Leveraging Google Earth Engine for drought assessment using global soil moisture data
1
2018
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
Monitoring soil moisture drought over northern high latitudes from space
1
2019
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
The global land data assimilation system
1
2004
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
利用卫星观测数据评估GLDAS与WGHM水文模型的适用性
2
2019
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
... 降水、蒸散发和植被覆盖影响了土壤含水量的垂向变化[24 -25 ] .受蒸散发的直接影响,表层土壤单位深度土壤含水量较小; 随着土壤埋深增加,蒸散发能力逐渐减小,使得单位深度土壤含水量增加; 植物的根系深度一般在1 m左右,植物耗水导致该层的单位深度土壤含水量最小[11 ] ; 当土壤埋深超过1 m时,植物根系减少导致耗水量逐渐减少,使得单位深度土壤含水量增加. ...
利用卫星观测数据评估GLDAS与WGHM水文模型的适用性
2
2019
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
... 降水、蒸散发和植被覆盖影响了土壤含水量的垂向变化[24 -25 ] .受蒸散发的直接影响,表层土壤单位深度土壤含水量较小; 随着土壤埋深增加,蒸散发能力逐渐减小,使得单位深度土壤含水量增加; 植物的根系深度一般在1 m左右,植物耗水导致该层的单位深度土壤含水量最小[11 ] ; 当土壤埋深超过1 m时,植物根系减少导致耗水量逐渐减少,使得单位深度土壤含水量增加. ...
GLDAS_NOAH_M.2.1水文模型在青藏高原的适定性分析
1
2018
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
GLDAS_NOAH_M.2.1水文模型在青藏高原的适定性分析
1
2018
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
GLDAS Noah模型水文产品与中国地面观测及卫星观测数据的对比
1
2017
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
GLDAS Noah模型水文产品与中国地面观测及卫星观测数据的对比
1
2017
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
不同土壤水分条件下小麦根系生态生理效应的研究
1
1992
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
不同土壤水分条件下小麦根系生态生理效应的研究
1
1992
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
基于GRACE陆地水储量估算土壤湿度变化: 以中国东部季风区为例
1
2021
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
基于GRACE陆地水储量估算土壤湿度变化: 以中国东部季风区为例
1
2021
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
GLDAS月气温数据在中国区的适用性评估
1
2014
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
GLDAS月气温数据在中国区的适用性评估
1
2014
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
利用GRACE及气象数据评估GLDAS 水文模型在青藏高原的适用性
1
2018
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
利用GRACE及气象数据评估GLDAS 水文模型在青藏高原的适用性
1
2018
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
利用GLDAS资料分析黄土高原半干旱区土壤湿度对气候变化的响应
1
2013
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
利用GLDAS资料分析黄土高原半干旱区土壤湿度对气候变化的响应
1
2013
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
长时间序列多源土壤湿度产品在中国地区的比较分析
1
2016
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
长时间序列多源土壤湿度产品在中国地区的比较分析
1
2016
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
GLDAS和CMIP5产品的中国土壤湿度—降水耦合分析及变化趋势
1
2016
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
GLDAS和CMIP5产品的中国土壤湿度—降水耦合分析及变化趋势
1
2016
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
基于GLDAS与TVDI降尺度反演土壤含水量
1
2016
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
基于GLDAS与TVDI降尺度反演土壤含水量
1
2016
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
基于MODIS与GLDAS数据的湟水河流域土壤水反演
1
2019
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
基于MODIS与GLDAS数据的湟水河流域土壤水反演
1
2019
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
CLDAS和GLDAS土壤温度数据在陕西省的适用性评估
1
2021
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
CLDAS和GLDAS土壤温度数据在陕西省的适用性评估
1
2021
... 土壤水是大气降水、地表水和地下水相互转化的纽带,在水分交换过程中起着重要作用[1 ] .土壤含水量指保存在不饱和土壤层孔隙中的水分,对于农业发展、生态建设、气候变化和碳循环等具有重要意义[2 -3 ] .传统的土壤含水量的监测主要为人工田间监测,费时费力,且空间代表性不强[4 -5 ] .随着遥感技术的发展,利用传感器获取的地表反射或辐射的能量反演土壤含水量具有较强的空间代表性,能够频繁持久地提供地表环境变化特征[6 ] .国内外学者已经做了大量的土壤水遥感反演研究,证明了基于卫星遥感数据可以获得高空间分辨率的土壤水时空动态变化[7 ⇓ -9 ] .全球陆面数据同化系统(global land data assimilation system data,GLDAS)数据是全球变化与水循环研究的重要数据源之一[10 ] ,近年来,大量学者对GLDAS数据的通用性和精度进行了研究[11 ⇓ ⇓ ⇓ ⇓ ⇓ -17 ] .程善俊等[18 ] 利用GLDAS数据分析了1948—2010年黄土高原半干旱区气温、降水和土壤的变化趋势,讨论了气温和降水对土壤湿度的影响和贡献; 沈润平等[19 ] 通过对比分析站点实测数据和不同遥感数据的土壤含水量产品,发现GLDAS的Noah模型的土壤含水量数据在中国地区整体精度最高; 张述文等 [20 ] 利用GLDAS数据和GMIP5产品研究了中国区域土壤湿度对降水的耦合特征; 吴盼等 [21 ] 通过融合GLDAS土壤含水量数据与温度植被干旱指数(temperature vegetation dryness index,TVDI)数据,将青藏高原的土壤含水量降尺度至1 km空间分辨率; 孙茂军等[22 ] 基于MODIS与GLDAS数据反演了湟水河流域土壤含水量; 刘佩佩等[23 ] 利用陕西省2016年97个站点土壤温度观测数据,评估了GLDAS不同版本的土壤温度数据,发现GLDAS2.1-Noah数据可以模拟出土壤温度的季节尺度变化和日变化. ...
半干旱黄土区山地枣林春季土壤水分动态变化研究
1
2019
... 降水、蒸散发和植被覆盖影响了土壤含水量的垂向变化[24 -25 ] .受蒸散发的直接影响,表层土壤单位深度土壤含水量较小; 随着土壤埋深增加,蒸散发能力逐渐减小,使得单位深度土壤含水量增加; 植物的根系深度一般在1 m左右,植物耗水导致该层的单位深度土壤含水量最小[11 ] ; 当土壤埋深超过1 m时,植物根系减少导致耗水量逐渐减少,使得单位深度土壤含水量增加. ...
半干旱黄土区山地枣林春季土壤水分动态变化研究
1
2019
... 降水、蒸散发和植被覆盖影响了土壤含水量的垂向变化[24 -25 ] .受蒸散发的直接影响,表层土壤单位深度土壤含水量较小; 随着土壤埋深增加,蒸散发能力逐渐减小,使得单位深度土壤含水量增加; 植物的根系深度一般在1 m左右,植物耗水导致该层的单位深度土壤含水量最小[11 ] ; 当土壤埋深超过1 m时,植物根系减少导致耗水量逐渐减少,使得单位深度土壤含水量增加. ...
干旱半干旱区山地土壤水分动态变化
1
2003
... 降水、蒸散发和植被覆盖影响了土壤含水量的垂向变化[24 -25 ] .受蒸散发的直接影响,表层土壤单位深度土壤含水量较小; 随着土壤埋深增加,蒸散发能力逐渐减小,使得单位深度土壤含水量增加; 植物的根系深度一般在1 m左右,植物耗水导致该层的单位深度土壤含水量最小[11 ] ; 当土壤埋深超过1 m时,植物根系减少导致耗水量逐渐减少,使得单位深度土壤含水量增加. ...
干旱半干旱区山地土壤水分动态变化
1
2003
... 降水、蒸散发和植被覆盖影响了土壤含水量的垂向变化[24 -25 ] .受蒸散发的直接影响,表层土壤单位深度土壤含水量较小; 随着土壤埋深增加,蒸散发能力逐渐减小,使得单位深度土壤含水量增加; 植物的根系深度一般在1 m左右,植物耗水导致该层的单位深度土壤含水量最小[11 ] ; 当土壤埋深超过1 m时,植物根系减少导致耗水量逐渐减少,使得单位深度土壤含水量增加. ...
基于小波分析的伊塞克湖水位变化特征
1
2014
... 小波分析可以用来揭示时间序列不同时域和频域的周期变化特征[26 ⇓ -28 ] .本研究分别对河南省1948—2021年平均年气温、年降水、年蒸散发和年平均土壤含水量进行连续小波变换(图9 ).图中红色与蓝色分别表示能量密度的峰值和谷值,颜色深浅表示能量密度的相对变化.白色虚线圈闭的值为通过了95%置信水平检验.由图9 可知,土壤含水量在1958—1970年具有4~8 a的周期性,该周期性主要是受气温和降水的周期性影响.1978—2018年除了表现出高度的年内变化特征,还具有4~6 a的周期性,该周期性主要是受降水的周期性影响.由图9 可知,年降水的周期性和年蒸散发的周期性具有互补的表现形式,且土壤含水量的周期性主要受降水的影响. ...
基于小波分析的伊塞克湖水位变化特征
1
2014
... 小波分析可以用来揭示时间序列不同时域和频域的周期变化特征[26 ⇓ -28 ] .本研究分别对河南省1948—2021年平均年气温、年降水、年蒸散发和年平均土壤含水量进行连续小波变换(图9 ).图中红色与蓝色分别表示能量密度的峰值和谷值,颜色深浅表示能量密度的相对变化.白色虚线圈闭的值为通过了95%置信水平检验.由图9 可知,土壤含水量在1958—1970年具有4~8 a的周期性,该周期性主要是受气温和降水的周期性影响.1978—2018年除了表现出高度的年内变化特征,还具有4~6 a的周期性,该周期性主要是受降水的周期性影响.由图9 可知,年降水的周期性和年蒸散发的周期性具有互补的表现形式,且土壤含水量的周期性主要受降水的影响. ...
济南泉域地下水位动态及其对降雨响应的交叉小波分析
1
2012
... 小波分析可以用来揭示时间序列不同时域和频域的周期变化特征[26 ⇓ -28 ] .本研究分别对河南省1948—2021年平均年气温、年降水、年蒸散发和年平均土壤含水量进行连续小波变换(图9 ).图中红色与蓝色分别表示能量密度的峰值和谷值,颜色深浅表示能量密度的相对变化.白色虚线圈闭的值为通过了95%置信水平检验.由图9 可知,土壤含水量在1958—1970年具有4~8 a的周期性,该周期性主要是受气温和降水的周期性影响.1978—2018年除了表现出高度的年内变化特征,还具有4~6 a的周期性,该周期性主要是受降水的周期性影响.由图9 可知,年降水的周期性和年蒸散发的周期性具有互补的表现形式,且土壤含水量的周期性主要受降水的影响. ...
济南泉域地下水位动态及其对降雨响应的交叉小波分析
1
2012
... 小波分析可以用来揭示时间序列不同时域和频域的周期变化特征[26 ⇓ -28 ] .本研究分别对河南省1948—2021年平均年气温、年降水、年蒸散发和年平均土壤含水量进行连续小波变换(图9 ).图中红色与蓝色分别表示能量密度的峰值和谷值,颜色深浅表示能量密度的相对变化.白色虚线圈闭的值为通过了95%置信水平检验.由图9 可知,土壤含水量在1958—1970年具有4~8 a的周期性,该周期性主要是受气温和降水的周期性影响.1978—2018年除了表现出高度的年内变化特征,还具有4~6 a的周期性,该周期性主要是受降水的周期性影响.由图9 可知,年降水的周期性和年蒸散发的周期性具有互补的表现形式,且土壤含水量的周期性主要受降水的影响. ...
黄河流域降水序列变化的小波分析
1
2006
... 小波分析可以用来揭示时间序列不同时域和频域的周期变化特征[26 ⇓ -28 ] .本研究分别对河南省1948—2021年平均年气温、年降水、年蒸散发和年平均土壤含水量进行连续小波变换(图9 ).图中红色与蓝色分别表示能量密度的峰值和谷值,颜色深浅表示能量密度的相对变化.白色虚线圈闭的值为通过了95%置信水平检验.由图9 可知,土壤含水量在1958—1970年具有4~8 a的周期性,该周期性主要是受气温和降水的周期性影响.1978—2018年除了表现出高度的年内变化特征,还具有4~6 a的周期性,该周期性主要是受降水的周期性影响.由图9 可知,年降水的周期性和年蒸散发的周期性具有互补的表现形式,且土壤含水量的周期性主要受降水的影响. ...
黄河流域降水序列变化的小波分析
1
2006
... 小波分析可以用来揭示时间序列不同时域和频域的周期变化特征[26 ⇓ -28 ] .本研究分别对河南省1948—2021年平均年气温、年降水、年蒸散发和年平均土壤含水量进行连续小波变换(图9 ).图中红色与蓝色分别表示能量密度的峰值和谷值,颜色深浅表示能量密度的相对变化.白色虚线圈闭的值为通过了95%置信水平检验.由图9 可知,土壤含水量在1958—1970年具有4~8 a的周期性,该周期性主要是受气温和降水的周期性影响.1978—2018年除了表现出高度的年内变化特征,还具有4~6 a的周期性,该周期性主要是受降水的周期性影响.由图9 可知,年降水的周期性和年蒸散发的周期性具有互补的表现形式,且土壤含水量的周期性主要受降水的影响. ...
近50年来中国六大流域年际径流变化趋势研究
1
2007
... 气象因子(降水和蒸散发)对地表水资源的影响一方面表现在时间分布上,一方面表现在空间分布上[29 ] .就时间方面来说,地表水资源与降水时间变化特征具有一致性,降水多的年份/月份,地表水资源增加,降水少的年份/月份,地表水资源下降.但受到地表入渗能力的影响,相对于降水,地表水资源具有一定的滞后性[30 ] .变量之间的互相关系数可以揭示滞后时间[31 ⇓ -33 ] .图10 为1948—2021年年尺度和月尺度土壤含水量与降水和蒸散发之间的互相关系数分布.由图10(a) 可知,年尺度的土壤含水量与降水之间的相关性较高,最大互相关系数为滞后时间为0 a时的0.723.相比年降水,年蒸散发与土壤含水量之间的互相关系数不大.由图10(b) 可知,月尺度的土壤含水量与降水和蒸散发之间的相关性都较高,其中土壤含水量与降水之间的最大互相关系数为滞后时间为2个月的0.475,土壤含水量与蒸散发之间的最大互相关系数为滞后时间为4个月的0.380. ...
近50年来中国六大流域年际径流变化趋势研究
1
2007
... 气象因子(降水和蒸散发)对地表水资源的影响一方面表现在时间分布上,一方面表现在空间分布上[29 ] .就时间方面来说,地表水资源与降水时间变化特征具有一致性,降水多的年份/月份,地表水资源增加,降水少的年份/月份,地表水资源下降.但受到地表入渗能力的影响,相对于降水,地表水资源具有一定的滞后性[30 ] .变量之间的互相关系数可以揭示滞后时间[31 ⇓ -33 ] .图10 为1948—2021年年尺度和月尺度土壤含水量与降水和蒸散发之间的互相关系数分布.由图10(a) 可知,年尺度的土壤含水量与降水之间的相关性较高,最大互相关系数为滞后时间为0 a时的0.723.相比年降水,年蒸散发与土壤含水量之间的互相关系数不大.由图10(b) 可知,月尺度的土壤含水量与降水和蒸散发之间的相关性都较高,其中土壤含水量与降水之间的最大互相关系数为滞后时间为2个月的0.475,土壤含水量与蒸散发之间的最大互相关系数为滞后时间为4个月的0.380. ...
Hydrodynamic characteristics of a typical Karst spring system based on time series analysis in northern China
1
2021
... 气象因子(降水和蒸散发)对地表水资源的影响一方面表现在时间分布上,一方面表现在空间分布上[29 ] .就时间方面来说,地表水资源与降水时间变化特征具有一致性,降水多的年份/月份,地表水资源增加,降水少的年份/月份,地表水资源下降.但受到地表入渗能力的影响,相对于降水,地表水资源具有一定的滞后性[30 ] .变量之间的互相关系数可以揭示滞后时间[31 ⇓ -33 ] .图10 为1948—2021年年尺度和月尺度土壤含水量与降水和蒸散发之间的互相关系数分布.由图10(a) 可知,年尺度的土壤含水量与降水之间的相关性较高,最大互相关系数为滞后时间为0 a时的0.723.相比年降水,年蒸散发与土壤含水量之间的互相关系数不大.由图10(b) 可知,月尺度的土壤含水量与降水和蒸散发之间的相关性都较高,其中土壤含水量与降水之间的最大互相关系数为滞后时间为2个月的0.475,土壤含水量与蒸散发之间的最大互相关系数为滞后时间为4个月的0.380. ...
Turbidity mechanism of water from a karstic spring example of the Ain Asserdoune spring (Beni Mellal Atlas,Morocco)
1
2002
... 气象因子(降水和蒸散发)对地表水资源的影响一方面表现在时间分布上,一方面表现在空间分布上[29 ] .就时间方面来说,地表水资源与降水时间变化特征具有一致性,降水多的年份/月份,地表水资源增加,降水少的年份/月份,地表水资源下降.但受到地表入渗能力的影响,相对于降水,地表水资源具有一定的滞后性[30 ] .变量之间的互相关系数可以揭示滞后时间[31 ⇓ -33 ] .图10 为1948—2021年年尺度和月尺度土壤含水量与降水和蒸散发之间的互相关系数分布.由图10(a) 可知,年尺度的土壤含水量与降水之间的相关性较高,最大互相关系数为滞后时间为0 a时的0.723.相比年降水,年蒸散发与土壤含水量之间的互相关系数不大.由图10(b) 可知,月尺度的土壤含水量与降水和蒸散发之间的相关性都较高,其中土壤含水量与降水之间的最大互相关系数为滞后时间为2个月的0.475,土壤含水量与蒸散发之间的最大互相关系数为滞后时间为4个月的0.380. ...
The relation between Karst spring discharge and rainfall by cross-correlation analysis (Campania,southern Italy)
1
2010
... 气象因子(降水和蒸散发)对地表水资源的影响一方面表现在时间分布上,一方面表现在空间分布上[29 ] .就时间方面来说,地表水资源与降水时间变化特征具有一致性,降水多的年份/月份,地表水资源增加,降水少的年份/月份,地表水资源下降.但受到地表入渗能力的影响,相对于降水,地表水资源具有一定的滞后性[30 ] .变量之间的互相关系数可以揭示滞后时间[31 ⇓ -33 ] .图10 为1948—2021年年尺度和月尺度土壤含水量与降水和蒸散发之间的互相关系数分布.由图10(a) 可知,年尺度的土壤含水量与降水之间的相关性较高,最大互相关系数为滞后时间为0 a时的0.723.相比年降水,年蒸散发与土壤含水量之间的互相关系数不大.由图10(b) 可知,月尺度的土壤含水量与降水和蒸散发之间的相关性都较高,其中土壤含水量与降水之间的最大互相关系数为滞后时间为2个月的0.475,土壤含水量与蒸散发之间的最大互相关系数为滞后时间为4个月的0.380. ...
相关和频谱分析法在岩溶系统中的应用研究综述
1
2020
... 气象因子(降水和蒸散发)对地表水资源的影响一方面表现在时间分布上,一方面表现在空间分布上[29 ] .就时间方面来说,地表水资源与降水时间变化特征具有一致性,降水多的年份/月份,地表水资源增加,降水少的年份/月份,地表水资源下降.但受到地表入渗能力的影响,相对于降水,地表水资源具有一定的滞后性[30 ] .变量之间的互相关系数可以揭示滞后时间[31 ⇓ -33 ] .图10 为1948—2021年年尺度和月尺度土壤含水量与降水和蒸散发之间的互相关系数分布.由图10(a) 可知,年尺度的土壤含水量与降水之间的相关性较高,最大互相关系数为滞后时间为0 a时的0.723.相比年降水,年蒸散发与土壤含水量之间的互相关系数不大.由图10(b) 可知,月尺度的土壤含水量与降水和蒸散发之间的相关性都较高,其中土壤含水量与降水之间的最大互相关系数为滞后时间为2个月的0.475,土壤含水量与蒸散发之间的最大互相关系数为滞后时间为4个月的0.380. ...
相关和频谱分析法在岩溶系统中的应用研究综述
1
2020
... 气象因子(降水和蒸散发)对地表水资源的影响一方面表现在时间分布上,一方面表现在空间分布上[29 ] .就时间方面来说,地表水资源与降水时间变化特征具有一致性,降水多的年份/月份,地表水资源增加,降水少的年份/月份,地表水资源下降.但受到地表入渗能力的影响,相对于降水,地表水资源具有一定的滞后性[30 ] .变量之间的互相关系数可以揭示滞后时间[31 ⇓ -33 ] .图10 为1948—2021年年尺度和月尺度土壤含水量与降水和蒸散发之间的互相关系数分布.由图10(a) 可知,年尺度的土壤含水量与降水之间的相关性较高,最大互相关系数为滞后时间为0 a时的0.723.相比年降水,年蒸散发与土壤含水量之间的互相关系数不大.由图10(b) 可知,月尺度的土壤含水量与降水和蒸散发之间的相关性都较高,其中土壤含水量与降水之间的最大互相关系数为滞后时间为2个月的0.475,土壤含水量与蒸散发之间的最大互相关系数为滞后时间为4个月的0.380. ...
