同化AMSR2數據提高HYDRUS-1D模型土壤濕度模擬精度

張桂欣，祝善友，郝振純

農業水土工程

同化AMSR2數據提高HYDRUS-1D模型土壤濕度模擬精度

張桂欣1，祝善友2，郝振純3

（1. 南京信息工程大學地理科學學院，南京 210044；2. 南京信息工程大學遙感與測繪工程學院，南京 210044；3. 河海大學水文水資源與水利工程科學國家重點實驗室，南京 210098）

同化遙感監測數據提高土壤剖面濕度模擬精度，對區域農業發展等實踐與理論領域具有重要意義。該文結合了集合卡爾曼濾波（ensemble Kalman filter，EnKF）方法與HYDRUS-1D模型，同化降尺度后的AMSR2（advanced microwave scanning radiometer 2）微波土壤濕度數據，開展榆社、蔭城2個實驗站點的土壤剖面濕度模擬。結果表明：在2個實驗站點，與直接使用 HYDRUS-1D模型相比，同化具有一定誤差的AMSR2土壤濕度數據對不同深度土壤濕度的模擬精度提高都發揮了作用，尤其是對于同化前模擬方案S1（4月1日站點實測含水量）與S4（4月1日遙感含水量），由于HYDRUS-1D模擬時輸入了較少數量的土壤濕度數據，數據同化效果與土壤濕度模擬精度提高更為顯著；同化前后不同深度的土壤濕度精度對比結果表明，同化效果隨深度增加而逐漸減弱。

土壤；濕度；遙感；AMSR2；集合卡爾曼濾波；HYDRUS-1D模型；數據同化

0 引 言

土壤濕度直接反映地表干濕狀況，其時空分布特征與變化規律對農業科學管理、區域水資源合理開發與應用、氣候變化研究等實踐與理論領域都具有重要意義[1]。無論是站點實測、遙感反演還是過程模型模擬，單一方法都無法給出時空連續且精度可靠的土壤濕度數據。數據同化方法將各類觀測數據融合到過程模擬模型中，修正動力過程模型的運行狀態與結果，是提高土壤濕度模擬與預報精度的有效方法之一。

由于站點實測方法存在著站點布設分布零散、測量結果無法表達土壤濕度時空變異性等問題，許多學者利用集合卡爾曼濾波（EnKF）將遙感監測土壤濕度同化到不同的陸面與水文過程模型中。典型研究例如：Jia等[2]利用EnKF發展了同化微波亮溫數據的土壤濕度同化方案，結合通用陸面模型（CLM）開展參數優化以及土壤濕度數據同化研究；Shi等[3]利用EnKF和通用陸面模型進行了土壤濕度同化試驗，結果表明陸面模式模擬和同化結果都能比較合理地反映出土壤濕度時空分布；Draper等[4]使用EnKF同化了主動和被動遙感數據，以此改進土壤水分估計；楊曉峰等[5]開展了AMSR-E土壤濕度同化試驗，結果表明同化過程整體上提高了模擬精度，但不同下墊面類型模擬精度不同，同化過程依賴于AMSR-E土壤濕度的準確性；吳凱等[6]基于CLM4.0陸面過程模式，采用EnKF開展了3個單點同化試驗，同化衛星遙感資料CCI后提高了表層土壤濕度的估計精度；丁建麗等[7]以條件溫度植被指數作為觀測算子，將EnKF同化方法應用于水文模型HYDRUS-1D，進行干旱區表層土壤水分的模擬，結果表明表層土壤水分含量模擬精度有了明顯提高。

AMSR2 3級土壤濕度是目前空間分辨率最高的微波傳感器產品，少數研究評價了其在中國局部區域的精度[8]，但在不同區域應用與檢驗的研究相對不多。能否將具有一定誤差的AMSR2土壤濕度數據應用并同化到動力過程模型，尚需要進一步開展研究工作。本研究通過建立HYDRUS-1D模型和集合卡爾曼濾波方法相結合的單點土壤水分同化方案，同化AMSR2逐日土壤濕度數據，探討同化過程對不同深度土壤濕度模擬的作用，旨在為實測數據缺乏區域的土壤剖面濕度監測、動態變化模擬提供數據與方法上的借鑒與參考。

1 研究方法

論文研究通過集合卡爾曼濾波方法，將降尺度后的AMSR2土壤體積含水量同化到HYDRUS-1D模型模擬過程中，用以提高土壤濕度模擬精度，技術路線如圖1所示。

圖1 研究技術流程

1.1 HYDRUS-1D模型模擬

HYDRUS-1D模型由美國農業部國家鹽土實驗室開發，是應用數值解法模擬飽和與非飽和多孔介質中水分、能量、溶質運移的一維數值模型[9]。HYDRUS-1D水分運移模型主要由土壤水運動模型、蒸散發模型、根系吸水模型以及初始、邊界條件等組成[10]，模型假定水分運動過程中氣相不起重要作用，并忽略熱量梯度作用，采用改進的一維Darcy-Richards方程，模擬變飽和土壤中垂向水分運動。

1.2 基于集合卡爾曼濾波理論的數據同化

集合卡爾曼濾波具有對非線性問題高度適應和運算效率較高的優點[11]，被廣泛應用于大氣科學、海洋科學以及水科學等領域。EnKF是一種順序數據同化算法，利用了蒙特卡羅方法的思想，用符合高斯分布的一組隨機變量代表隨機動態預報中的概率密度函數，通過向前積分計算下一時刻狀態總體的概率密度函數，并得到該時刻的統計特性，避免了背景誤差方差已知或不隨時間變化的假設。有關EnKF方法的數據同化理論與算法可參考文獻[12-14]。

根據集合卡爾曼濾波理論與技術路線（圖1），同化AMSR2土壤濕度數據的主要流程說明如下：

1）初始化背景場，開始HYDRUS-1D模擬，得到時刻的模型模擬值。

2）進入1時刻（開始存在觀測值的時刻），啟動數據同化計算流程。輸入1時刻的預報值生成同化預報值集合；利用1時刻的觀測土壤濕度，加上觀測誤差得到觀測土壤濕度集合，通過卡爾曼濾波增益矩陣同化得到土壤濕度同化分析值。根據分析集合平均值和協方差，生成+1時刻的土壤剖面濕度狀態估計集合。

3）進入+2時刻。當+2時刻不存在觀測值時，輸入+1時刻的模型預報值，利用HYDRUS-1D模型模擬得到土壤濕度預報值。當+2時刻存在觀測值時，按照步驟（2）計算得到土壤濕度同化分析值，利用土壤濕度同化分析值及其協方差，生成+2時刻的土壤濕度狀態估計集合。

4）進入下一個時刻，重復步驟（3）的計算過程，直至完成整個計算周期。

數據同化過程結束后，采用均方根誤差（RMSE）、同化效率系數（EFF，%）2個指標分析同化AMSR2土壤濕度數據的效果。同化效率系數（EFF）的計算公式為[13]

式中O為時刻的觀測值；X為時刻的模擬值；上標和分別表示同化后和同化前。EFF大于 0時，表示數據同化后，模擬結果有改善；EFF小于 0，則表示經過數據同化后，模擬結果精度相對于同化前有所下降。同化效率系數EFF值越趨近于 100%，表示同化效果越好。

2 試驗方案設計與數據處理

2.1 試驗站點

以土壤類型、作物覆蓋等參數都存在差異的山西省榆社、蔭城2個土壤墑情基本站作為示例，開展單點土壤剖面濕度的HYDRUS-1D模擬與數據同化試驗研究。兩個試驗站點分別位于晉中市榆社縣箕城鎮石棧道村和長治縣蔭城鎮，站點周邊分布著林地、居民地、水體、農田等地物類型，其中榆社站附近的下墊面更為復雜，地表起伏較大。試驗站點基本情況如表1所示。

表1 試驗站點基本情況

2.2 試驗數據及其預處理

各類試驗數據時間范圍為2013年4月1日至8月31日，其中遙感數據覆蓋區域為山西省。

1）MODIS數據產品

MODIS數據產品主要用于AMSR2 10 km分辨率土壤濕度產品降尺度、HYDRUS-1D模擬等方面，包括8 d合成的地表反照率產品MCD43B3、8 d合成的地表溫度產品MOD11A2、16 d合成的植被指數產品MOD13A2、8 d合成的葉面積指數LAI產品MOD15A2。用于檢驗降尺度AMSR2土壤濕度精度的溫度植被旱情指數（TVDI）由MOD11A2和MOD13A2數據計算。

2）AMSR2土壤濕度數據

第二代先進微波輻射成像儀（AMSR2），搭載在2012年5月成功發射的地球水環境變動監測衛星（GCOM-W1）上。研究中采用了阿姆斯特丹自由大學與NASA共同研制并發布的夜間降軌時刻的AMSR2 3級全球土壤濕度產品，該產品利用降尺度后的C1波段（6.9 GHz）亮溫，通過地表參數反演模型LPRM估算[15-17]，產品空間分辨率為10 km。

AMSR2 10 km空間分辨率圖像上大多數像元為混合像元，像元內部土壤濕度時空變化非常大，在空間尺度上無法與站點實測數據準確對應。為了更好地利用站點實測數據檢驗同化AMSR2土壤濕度數據的效果，本研究對原始AMSR2土壤濕度數據進行降尺度處理。通過建立土壤濕度與植被指數、地表溫度以及地表反照率之間的關系模型，并假定該模型不隨空間尺度發生變化[8,18]，降尺度得到1 km分辨率的土壤濕度。

3）土壤墑情站位置的相關數據

土壤濕度實測數據收集自山西省水文水資源勘測局布設的土壤墑情站。土壤墑情數據的測量和處理均遵循水利部制定發布的《土壤墑情監測規范》。土壤墑情站在每月1日、11日、21日3個固定日期采集10、20、40 cm 3個不同深度的土壤樣品，在不同深度上重復取樣三次，采用標準的烘干稱重法測量，將土壤樣品置于烘箱中烘干至恒重，計算土壤失水質量與烘干土質量的比值，重復測定取平均值，進而根據站點位置對應的土壤容重數據，將其轉換為體積含水量。墑情站土壤濕度測量的相對誤差小于2.5%。

在利用HYDRUS-1D模型模擬時，使用了中科院南京土壤研究所提供的1:1 000 000土壤數據集，讀取站點位置對應的土壤類型、土壤各組分含量以及土壤分層等信息。根據中國氣象局氣象數據中心提供的“中國地面氣候資料日值數據集（V3.0）”，提取試驗站點位置最近氣象站的氣溫、降水量、蒸發量等氣象數據。

2.3 HYDRUS-1D模型關鍵參數確定

1）土壤剖面離散化：土層厚度設定為100 cm，將其分成101個單元，間隔1 cm，并在10、20、40 cm處設置觀測點，以便與站點實測值進行對比。

2）土壤水力參數確定：研究中采用參數反演優化法[19]，先設定土壤水分運動參數初始值，通過分析這些參數對模擬結果的影響，確定HYDRUS-1D模型敏感參數，進而通過模擬結果與實測數據之間的吻合程度，確定適合于不同土壤墑情站點的土壤水力參數。

3）站點位置葉面積指數設定：榆社、蔭城2個站點的作物覆蓋類型有一定差別，HYDRUS模型模擬需要的葉面積指數數據來自于MODIS LAI產品MOD15A2。

4）邊界條件：根據表2設計的不同模擬方案，將相應日期站點實測土壤濕度或AMSR2土壤體積含水量作為模型初始條件。上邊界定為大氣邊界，接受降水補給，通過蒸散發排泄，下邊界為自由排水邊界。模擬過程中，采用Feddes模型模擬有作物分布站點的根系吸水過程，采用Penman-Monteith公式計算潛在蒸散發量，使用Beer定律將其轉換為潛在蒸發量和潛在蒸騰量。

2.4 AMSR2土壤濕度同化方案設計

以2013年4月1日至8月31日作為研究時段，設計6種不同的模擬與同化方案（表2），在土壤濕度HYDRUS-1D模型模擬基礎上，同化有效的每日1 km分辨率的遙感反演土壤體積含水量，并以每月1日、11日、21日的站點實測10、20、40 cm土壤濕度數據，評價分析數據同化前后不同方案的模擬精度。

在同化AMSR2遙感土壤體積含水量時，首先判斷每日數據是否有效。當榆社、蔭城站點位置對應的植被光學厚度小于0.8且MODIS地表溫度數據質量較高，同時土壤體積含水量在0~0.6 cm3/cm3之間時，則認為該日數據有效，將其同化到模擬過程中。

表2 土壤濕度模型模擬與數據同化方案設計

注：模擬方案指同化前的HYDRUS-1D模型直接模擬；同化方案指HYDRUS-1D模型模擬過程中，同化有效的每日遙感反演體積含水量。

Note: Simulation schemes was simulated by HYDRUS-1D without assimilation; Assimilation schemes was simulated by HYDRUS-1D with assimilation of effect daily water content by remote sensing retrieval.

根據集合卡爾曼濾波數據同化的基本理論與計算過程，可以發現集合大小、背景場誤差、觀測誤差、模型誤差等參數會影響同化效果與精度。參考相關研究工作[12,20-21]，將集合數目直接設定為100，將背景場誤差設定為均值為0、標準差為0.01的高斯白噪聲[12,20]，用于生成初始土壤濕度集合。觀測誤差主要包括觀測算子誤差、代表性誤差和儀器誤差等方面[22]，以及不同尺度觀測數據互相轉換所帶來的誤差，一般假設觀測誤差符合高斯分布。研究中根據AMSR2遙感反演土壤濕度與站點實測10 cm土壤濕度之間的對比，設定觀測誤差的均值為0，標準差為0.01。模型誤差與HYDRUS-1D模擬精度有關，根據每月1日、11日、21日站點實測土壤含水量，計算HYDRUS-1D模擬值的均方根誤差，將其代入公式（2）得到模型誤差[11]。

3 結果與分析

3.1 AMSR2土壤濕度降尺度精度分析

張桂欣等通過站點實測數據、遙感溫度植被旱情指數TVDI對10、1 km的AMSR2土壤濕度數據進行了評價，結果表明降尺度后的1 km分辨率數據更能夠詳細、準確地反映不同位置的土壤濕度差異與空間連續變化特征[8]。本文在此基礎上進一步以TVDI作為標準，對比分析了10、1 km分辨率的AMSR2土壤濕度精度。

相關研究已經表明，TVDI能夠非常好地反映區域土壤濕度與旱情，被廣泛用于土壤濕度反演、旱情時空變化監測研究中[23-24]。由于站點實測與遙感反演土壤濕度在空間尺度上的不完全對應，研究中以2012年10月21日、2013年4月21日兩個日期為例，在10、1 km空間分辨率圖像上，在山西區域內每隔一定距離取1個像元，繪制不同分辨率土壤體積含水量與對應位置TVDI之間的散點圖，結果如圖2所示。

根據圖2，不同日期、不同空間分辨率的土壤體積含水量與TVDI之間呈負相關關系，即土壤體積含水量越低，TVDI值越大，土壤越干旱。在2種不同尺度下，10 km空間分辨率的土壤體積含水量與TVDI之間的相關性較低，2012年10月28日、2013年4月28日的線性相關性分別為-0.3197、-0.1044，而在1 km空間分辨率下則提高到了-0.9071、-0.9719，相關性分別提高了0.5874、0.8675，這充分說明降尺度后1 km空間分辨率的數據能夠更好地反映不同位置之間的土壤濕度差異。相對于原始分辨率土壤濕度數據，降尺度后的1 km分辨率土壤濕度更適合用于HYDRUS-1D模型模擬與同化試驗。

圖2 不同分辨率土壤濕度與遙感溫度植被旱情指數TVDI 相關關系

3.2 將遙感反演數據同化到模擬方案S1、S2、S3

以榆社、蔭城站點實測土壤濕度作為模型初始值，在模擬方案S1、S2、S3基礎上，分別進行表2所設計的同化方案A1、A2、A3試驗，同化AMSR2遙感反演體積含水量，以檢驗具有不確定誤差的遙感反演數據能否用于改善基于實測數據的模擬結果精度。不同同化方案的效果分析如表3所示。

根據表3，對于模擬方案S1、S2，同化AMSR2遙感反演數據后，相當于增加了HYDRUS-1D模擬時段內觀測值的個數，兩個墑情站點上的土壤剖面濕度模擬效果均得以改善，均方根誤差下降，同化效率系數為正值。而對于模擬方案S3，HYDRUS-1D模擬過程中使用了每月1日、11日、21日的站點實測數據，因此模擬結果與實測數據更為一致，而方案A3同化具有一定誤差的AMSR2土壤濕度數據時，模擬結果向偏離實測值、靠近遙感反演值的軌跡發展，與實測土壤濕度數據相比，均方根誤差變大，同化效率系數在3個深度上均為負值，

在不同同化方案中，同化方案A1對模擬方案S1的改善效果最好，均方根誤差下降幅度最大、同化效率系數最高，主要原因在于過程模擬對土壤濕度初值有較強敏感性[25]，初值設定對土壤濕度時間序列變化模擬具有重要影響，模擬方案S1初始的土壤濕度輸入只有1個，模擬誤差隨時間慢慢增大，增加幅度大于模擬方案S2、S3，而在模擬方案S1基礎上同化遙感數據，土壤濕度模擬軌跡會慢慢逼近觀測值，模擬與實測之間差異逐漸減小。

表3 AMSR2遙感反演數據同化到模擬方案S1、S2、S3的效果分析

根據表3，在兩個墑情站點的不同土壤深度上，同化AMSR2遙感反演值能夠更大程度地提高淺層土壤濕度的模擬精度，同化效率系數在方案A1、A2中隨著剖面深度的增加而減小，但一直是一個正數，說明同化遙感反演數據對深層土壤濕度的模擬精度提高也具有一定作用。在同化方案A3中，負值的同化效率系數隨深度增加而增大，也表明遙感數據對深層土壤濕度的同化作用小于淺層土壤。與本文研究結論相一致的是，Crow等研究結果也表明，集合卡爾曼濾波方法同化表層5 cm亮溫數據后提高了根區40 cm土壤濕度模擬效果[26]。

需要說明的是，由于不同站點、不同深度土壤濕度遙感反演值、站點測量值與模擬誤差大小均存在著差異性，數據同化效率系數的高低雖然表達了模擬精度的改善程度，但并不一定與同化前后均方根誤差的改變成正比。

3.3 將遙感反演數據同化到模擬方案S4、S5、S6

針對兩個試驗站點，以AMSR2遙感反演土壤濕度作為初始值，在HYDRUS-1D模型模擬方案S4、S5、S6基礎上，同化站點位置對應的AMSR2遙感土壤濕度得到方案A4、A5、A6的結果，對比分析不同方案同化前后的土壤濕度模擬效果，并將其與直接驅動模型模擬的方案S6進行對比，結果如表4所示。

表4 AMSR2遙感反演數據同化到模擬方案S4、S5、S6的效果分析

根據表4，對比分析同化方案A4、A5、A6結果，由于榆社站HYDRUS-1D模擬誤差相對較大，同化遙感監測數據后，不同深度的數據同化效率系數略高于蔭城站。3種同化方案中，同化方案A4的均方根誤差降低幅度最大、同化效率系數最高，同化方案A5與方案A6的同化效果相當，主要原因是由于模擬方案S4只利用了4月1日的初始值進行HYDRUS-1D模型模擬，模擬精度隨時間逐漸下降，而同化具有一定誤差的遙感監測反演數據后，土壤剖面濕度模擬效果得以改善。在不同土壤深度上，不同同化方案對模擬精度的提高程度有所不同，總體表現為同化效率系數隨深度增加而減小，均方根誤差降低增大。

根據表4，與模擬方案S6相比，由于遙感觀測更能表達土壤表層濕度信息，在10 cm、20 cm深度上，同化后的兩個站點土壤濕度精度都高于HYDRUS-1D直接模擬的方案S6；而在40 cm深度上，同化方案A4、A5均方根誤差大于模擬方案S6，但其精度與模擬方案S4、S5相比，則有所提高。同化遙感監測數據能夠改善深層土壤濕度模擬效果，主要原因有2點：在HYDRUS-1D模擬過程中，通過水分滲透或水量平衡的物理過程，土壤表層濕度將約束土壤水分在深層的存儲與分布，數據同化后表層土壤濕度模擬精度的提高將影響其他深度的土壤濕度模擬；數據同化過程中，遙感反演的表層土壤濕度對模型狀態、觀測之間的方差、協方差具有一定調整作用。

3.4 AMSR2數據同化前后的土壤濕度時間變化模擬結果對比分析

研究中進一步通過比較數據同化前后，不同方案模擬的土壤濕度隨時間變化結果，分析數據同化對HYDRUS-1D模擬結果的影響與改變。以HYDRUS-1D模擬、數據同化誤差都相對較大的榆社墑情站為例（表3、4），圖3給出了模擬方案S2與S5、對應同化方案A2與A5在10 cm深度上的土壤濕度模擬結果散點圖分布。

圖3 數據同化前后不同方案之間的散點分布

根據圖3，數據同化之前HYDRUS-1D模擬得到的方案S2、S5之間的線性相關性為0.882（圖3a）；數據同化后同化方案A2、A5結果的散點分布及其趨勢線更接近于直線=，線性相關性提高到了0.910，相對于同化之前提高了0.028（圖3b）。

在20、40 cm的深度上，模擬方案與同化方案之間的關系與圖3類似，但由于遙感監測表達的是表層土壤濕度信息，模擬方案S2-S5與同化方案A2-A5模擬結果之間的相關性隨模擬深度增加而逐漸下降。這種結果表明，同化遙感反演數據對不同模擬方案的模擬結果都起到了重要影響作用，同化過程對有遙感觀測時刻、非觀測時刻的HYDRUS-1D模型參數和EnKF模型狀態都進行了更新調整，從而使不同同化方案的結果更為一致。

3.5 集合卡爾曼濾波數據同化的敏感性分析

通過調整可能影響數據同化過程的同化頻率、背景場誤差、模型誤差、觀測誤差的取值，對比分析這些參數調整前后同化結果的均方根誤差、同化效率系數的變化，探討各參數對同化結果的影響。為避免AMSR2遙感反演土壤濕度數據的誤差不確定性問題，通過同化榆社墑情站觀測數據開展參數敏感性分析。

1）同化頻率的影響

以模擬方案S1為基礎，設計了3組同化試驗，分別是同化每月1日與16日（試驗ASS1），每月1、11、21日（試驗ASS2），每月1、6、11、16、21日（試驗ASS3）的榆社站點實測數據。其中每月6日、16日、26日對應的實測值，根據站點實測土壤濕度、AMSR2衛星反演土壤濕度之間的相關關系，利用遙感監測值反推估算。表5給出了不同同化頻率情況下，土壤濕度同化結果的均方根誤差與同化效率系數。

由表5可知，與模擬方案S1的模擬結果相比，即使每隔15 d左右同化一次觀測數據（試驗ASS1），同化算法仍然可以較大程度的改進土壤濕度估算結果，不同深度的同化效率系數超過了30%。隨著同化頻率增加，不同深度土壤濕度均方根誤差逐漸減小，同化效率系數逐漸提高。

表5 同化頻率對同化效果的影響分析

注：以模擬方案S1為基礎， ASS1、ASS2、ASS3分別為同化每月1日與16日，每月1、11、21日，每月1、6、11、16、21日的榆社站點實測數據。

Note: ASS1, ASS2 and ASS3 were tests by assimilation of measured data from Yushe test station at 1stand 16thper month, 1st, 11thand 21th per month, 1st, 6th, 11th, 16thand 21thper month, based on the S1 simulation scheme.

2）背景場誤差的影響

背景場誤差是數據同化開始時對模型初始化而加入的噪聲，用于生成初始土壤濕度集合。敏感性分析過程中，背景場設定為初始土壤濕度加上均值為0、標準差為0.01的高斯白噪聲，通過改變噪聲標準差，以步長0.001將其從0.01變化到0.1，分析其改變對不同深度土壤濕度同化結果的影響。結果表明，隨著背景場誤差增大，不同深度土壤濕度估算均方根誤差總體呈緩慢上升趨勢但變化幅度不大，體現了集合卡爾曼濾波順序數據同化的特點，即使初始場的狀態變量估計存在很大誤差，同化系統經過一段時間也會達到穩定。

3）模型誤差的影響

根據站點實測每月1日、11日、21日土壤濕度，計算不同深度的HYDRUS-1D模型均方根誤差，以該誤差作為標準值，敏感性分析中設定模型誤差在標準值的-50%~50%之間變化，變化步長為1%，分析模型誤差對數據同化結果的影響。結果表明，隨著模型誤差增大，不同深度土壤濕度同化結果誤差緩慢上升，但總體上對結果影響較小。

4）觀測誤差的影響

根據觀測誤差的統計結果對觀測數據進行隨機擾動，進行物理范圍越界檢查后生成觀測矢量集合[22]。本文假定觀測誤差均值為0，調整觀測誤差標準差變化范圍為0.01到0.1，變化步長0.001，開展觀測誤差對數據同化結果的影響分析，圖4給出了結果誤差隨觀測誤差的分布曲線。

根據圖4，隨著觀測誤差增大，不同深度土壤濕度同化結果誤差明顯提高，觀測誤差對表層土壤濕度精度的同化影響更為明顯，均方根誤差上升速度隨著模擬深度的增加而減小。這表明，數據同化結果精度在很大程度上與觀測數據精度密切相關。

圖4 觀測誤差對數據同化結果的影響

綜合上述分析，不同因素對數據同化效果的影響有所不同，其中同化頻率、觀測誤差對于數據同化精度的影響顯著，而同化結果對背景場誤差、模型誤差則相對不敏感。

4 結 論

論文以榆社、蔭城2個土壤墑情站點作為實驗站點，在土壤濕度HYDRUS-1D模型模擬基礎上，設計了6種同化方案，分別將AMSR2遙感土壤濕度同化到不同模擬方案中，探討不同方案、不同深度土壤濕度的數據同化效果，并分析了不同參數對數據同化結果的影響。

土壤濕度數據同化試驗結果表明，同化AMSR2土壤濕度數據對2個站點的不同模擬方案都具有一定的改善作用，尤其是當HYDRUS-1D模擬過程中輸入較少數量的土壤濕度數據時，同化效果與模擬精度的提高更為顯著。在不同深度上，同化具有一定誤差的遙感反演結果對表層土壤濕度模擬具有較為明顯的效果，這種同化效果隨深度的增加而逐漸減弱，甚至會出現負向作用。數據同化敏感性分析試驗結果表明，同化過程與觀測數據頻率、觀測誤差密切相關。

本研究直接同化了AMSR2土壤濕度數據，但微波亮溫數據反演的土壤濕度在不同位置、不同時間上的誤差難以定量化表達。如何在不同的地域地貌、土壤特性、季節特性等狀態條件下，通過微波輻射傳輸模型，選取合適的陸面過程與水文模型直接同化原始微波亮溫數據，將是提高土壤濕度模擬精度的重要發展方向。

[1] Legates D R, Mahmood R, Levia D F, et al. Soil moisture: A central and unifying theme in physical geography[J]. Progress in Physical Geography, 2011, 35(1): 65―86.

[2] Jia B, Xie Z, Tian X, et al. A soil moisture assimilation scheme based on the Ensemble Kalman Filter using microwave brightness temperature[J]. Science in China (Series D), 2009, 52(11): 1835―1848.

[3] Shi Chunxiang, Xie Zhenghui, Qian Hui, et al. China land soil moisture EnKF data assimilation based on satellite remote sensing data[J]. Sci China Earth Sci, 2011, 54: 1430―1440.

[4] Draper C S, Reichle R H, De Lannoy G J M, et al. Assimilation of passive and active microwave soil moisture retrievals[J]. Geophysical Research Letters, 2012, 39(4): 1―5.

[5] 楊曉峰，陸其峰，楊忠東. 基于AMSR-E土壤濕度產品的LIS同化試驗[J]. 應用氣象學報，2013，24(4)：435－445. Yang Xiaofeng, Lu Qifeng, Yang Zhongdong. Assimilation experiment of LIS based on AMSR-E soil Moisture products[J]. Journal of Applied Meteorological Science, 2013, 24 (4): 435―445. (in Chinese with English abstract)

[6] 吳凱，舒紅. 基于CCI資料與EnKF方法的單點土壤濕度同化[J]. 水資源與水工程學報，2017，28(1)：236－243. Wu Kai, Shu Hong. Point-scale soil moisture data assimilation based on CCI data and EnKF method[J]. Journal of Water Resources & Water Engineering, 2017, 28(1): 236―243. (in Chinese with English abstract)

[7] 丁建麗，陳文倩，王璐. HYDRUS 模型與遙感集合卡爾曼濾波同化提高土壤水分監測精度[J]. 農業工程學報，2017，33(14)：166―172. Ding Jianli, Chen Wenqian, Wang Lu. Improving monitoring precision of soil moisture by assimilation of HYDRUS model and remote sensing-based data by ensemble Kalman filter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 166―172. (in Chinese with English abstract)

[8] 張桂欣，郝振純，祝善友，等. AMSR2缺失數據重建及其土壤濕度反演精度評價. 農業工程學報，2016，32(20)：137―143. Zhang Guixin, Hao Zhenchun, Zhu Shanyou, et al. Missing data reconstruction and evaluation of retrieval precision for AMSR2 soil moisture product[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(20): 137―143. (in Chinese with English abstract)

[9] Yi C Q, Fan J. Application of HYDRUS-1D model to provide antecedent soil water contents for analysis of runoff and soil erosion from a slope on the Loess Plateau[J]. Catena, 2016, 139: 1－8.

[10] 王鵬，宋獻方，袁瑞強，等. 基于HYDRUS-1D模型的農田SPAC系統水分通量估算-以山西省運城市董村農場為例[J]. 地理研究，2011，30(4)：622―634. Wang Peng, Song Xianfang, Yuan Ruiqiang, et al. Water flux estimation in SPAC system of farmland using Hydrus-1d model: A case of Dongcun Farm in Yuncheng City, Shanxi Province[J]. Geographical Research, 2011, 30(4): 622―634. (in Chinese with English abstract)

[11] Evensen G. The ensemble Kalman filter: Theoretical formulation and practical implementation[J]. Ocean Dynamics, 2003, 53(4): 343―367.

[12] 王文，劉永偉，寇小華，等. 基于集合卡爾曼濾波和HYDRUS-1D模型的土壤剖面含水量同化試驗[J]. 水利學報，2012，43(11)：1302―1311. Wang Wen, Liu Yongwei, Kou Xiaohua, et al. EnKF and HYDRUS-1D based data assimilation experiments for improving soil moisture profile prediction[J]. Journal of Hydraulic Engineering, 2012, 43(11): 1302―1311. (in Chinese with English abstract)

[13] 陳鶴，楊大文，劉鈺，等. 集合卡爾曼濾波數據同化方法改進土壤水分模擬效果[J]. 農業工程學報，2016，32(2)：99―104. Chen He, Yang Dawen, Liu Yu, et al. Data assimilation technique based on ensemble Kalman filter for improving soil water content estimation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 99―104. (in Chinese with English abstract)

[14] 付曉雷，余鐘波，丁永建，等. 不同濾波算法在土壤濕度同化中的應用[J]. 冰川凍土，2018，40(3)：580―587. Fu Xiaolei, Yu Zhongbo, Ding Yongjian, et al. Application of different filters in soil moisture assimilation[J]. Journal of Glaciology and Geocryology, 2018, 40(3): 580―587. (in Chinese with English abstract)

[15] 王安琪，施建成，宮輝力，等. 降尺度土壤水分信息與植被生長參量的時空關系[J]. 農業工程學報，2012，28(增刊1)：164―169. Wang Anqi, Shi Jiancheng, Gong Huili, et al. Space-time analysis on downscaled soil moisture data and parameters of plant growth[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(Supp. 1): 164―169. (in Chinese with English abstract)

[16] De J R, Holmes T, Parinussa R M, et al. A spatial coherent global soil moisture product with improved temporal resolution[J]. Journal of Hydrology, 2014, 516: 284―296.

[17] Parinussa R M, Holmes T R H, Wanders N, et al. A preliminary study toward consistent soil moisture from AMSR2[J]. Journal of Hydrometeorology, 2015, 16(2): 932－947.

[18] María P, Adriano C, MercèV L, et al. Downscaling SMOS-derived soil moisture using MODIS visible/infrared data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(9): 3156―3166.

[19] Woehling T, Vrugt J A, Barkle G F. Comparison of three multiobjective optimization algorithms for inverse modeling of vadose zone hydraulic properties[J]. Soil Science Society of America Journal, 2008, 72: 305―319.

[20] Mitchell H L, Houtekamer P, Pellerin G. Ensemble size, balance, and model error representation in an ensemble Kalman filter[J]. Monthly Weather Review, 2002, 130(11): 2791―2808.

[21] 黃春林，李新. 基于集合卡爾曼濾波的土壤水分同化試驗[J]. 高原氣象，2006，25(4)：665―671. Huang Chunlin, Li Xin. Experiments of soil moisture data assimilation system based on ensemble Kalman filter[J]. Plateau Meteorology, 2006, 25(4): 665―671. (in Chinese with English abstract)

[22] 擺玉龍，李新，韓旭軍. 陸面數據同化系統誤差問題研究綜述[J]. 地球科學進展，2011，26(8)：795―804. Bai Yulong, Li Xin, Han Xujun. A review of error problems for land data assimilation systems[J]. Advances in Earth Science, 2011, 26(8): 795―804. (in Chinese with English abstract)

[23] 鮑艷松，嚴婧，閔錦忠，等. 基于溫度植被干旱指數的江蘇淮北地區農業旱情監測[J]. 農業工程學報，2014，30(7)：163―172. Bao Yansong, Yan Jing, Min Jinzhong, et al. Agricultural drought monitoring in north Jiangsu by using temperature vegetation dryness index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(7): 163－172. (in Chinese with English abstract)

[24] Zeng J Y, Li Z, Chen Q, et al. Evaluation of remotely sensed and reanalysis soil moisture products over the Tibetan Plateau using in-situ observations[J]. Remote Sensing of Environment, 2015, 163(1): 91―110.

[25] 林朝暉，楊小松，郭裕福. 陸面過程模式對土壤含水量初值的敏感性研究[J]. 氣候與環境研究，2001，6(2)：240―248. Lin Chaohui, Yang Xiaosong, Guo Yufu. Sensitivity of land surface model to the initial condition of soil moisture[J]. Climatic and Environmental Research, 2001, 6(2): 240―248. (in Chinese with English abstract)

[26] Crow W T, Wood E F. The assimilation of remotely sensed soil brightness temperature imagery into a land surface model using Ensemble Kalman filtering: A case study based on ESTAR measurements during SGP97[J]. Advances in Water Resources, 2003, 26: 137―149.

Assimilation of AMSR2 data improving simulation accuracy of soil moisture by using HYDRUS-1D model

Zhang Guixin1, Zhu Shanyou2, Hao Zhenchun3

(1.,,210044,;2.,,210044,; 3.,,210098,)

The spatiotemporal distribution of soil moisture plays an important role in many fields including hydrological processes, agricultural management and climate change. Due to the limitation in in-situ measurement of soil moisture and its dynamic process, accurately estimating it at different soil depth by assimilating remote sensing data into soil hydraulic model has

increased attention. Combining the ensemble Kalman filter (EnKF) method with the hydrological simulation model HYDRUS-1D, this paper simulated soil moisture dynamics at soil profile scale and evaluated its precision by assimilating soil moisture retrieved from spatial resolution of 1 km and soil moisture downscaled from microwave sensor of the advanced microwave scanning radiometer 2 (AMSR2). The downscaled soil moisture was calculated using a scale-independent multi-parameter linear model by combining the multi-kinds of the optical MODIS image data including land surface temperature, albedo, and the normalized difference between vegetation index products. Using field measurement data and the downscaled soil moisture at resolution of 1km as the initial condition to the HYDRUS-1D model, we designed six assimilation schemes and compared them with the associated results simulated from the HYDRUS-1D model. The soil moisture at different depth from April 1 to August 31 in 2013 at Yushe and Yincheng in Shanxi province was simulated using the six designed schemes, and the simulated results were compared with the data measured on 1, 11 and 21 of each month at soil depth of 10, 20 and 40 cm, respectively. The results indicated that the precision of the estimated soil moisture at the two location was comparable, and the assimilated downscaled AMSR2 data can effectively improve soil moisture estimation, especially in the surface soil. When there were not enough field measurement data or remotely sensed soil moisture to drive the HYDRUS-1D model as initial condition, the HYDRUS-1D simulation could give rise to significant errors and assimilation results were more precise. Compared with the simulation schemes S1, S2, the root mean square error (RMSE) of the assimilation schemes A1 and A2 was low, and the effectiveness coefficients of A1 and A2 at different soil depth are higher than 19% and 13% respectively. Compared to S3, the effectiveness coefficients of A3 are negative due to some uncertain errors associated with the assimilated AMSR2 soil moisture. For schemes S4, S5 and S6 simulated directly from the HYDRUS-1D model using the AMSR2 monitored soil moisture, their effectiveness coefficients at different depth are all positive and greater than that of schemes A1, A2 and A3. For temporal change in soil moisture, the correlation between different schemes after assimilation are higher than that simulated directly from the HYDRUS-1D model, with the correlation decreasing with soil depth because the AMSR2 only captured the soil moisture in top soil. Sensitivity analysis reveals that the precision is impacted mostly by observation frequency and its errors, and it was insensitive to the background errors and the model simulation errors.

soils; moisture; remote sensing; AMSR2; ensemble Kalman filter; HYDRUS-1D model; data assimilation

2019-02-20

2019-08-29

國家自然科學基金項目（41571418、41871028）；江蘇省“青藍工程”項目

張桂欣，講師，博士，主要研究方向為3S技術水文水資源應用。Email：zgxzsy@163.com

10.11975/j.issn.1002-6819.2019.17.011

S161.4

A

1002-6819(2019)-17-0079-08

張桂欣，祝善友，郝振純.同化AMSR2數據提高HYDRUS-1D模型土壤濕度模擬精度[J]農業工程學報，2019，35(17)：79－86. doi：10.11975/j.issn.1002-6819.2019.17.011 http://www.tcsae.org

Zhang Guixin, Zhu Shanyou, Hao Zhenchun.Assimilation of AMSR2 data improving simulation accuracy of soil moisture by using HYDRUS-1D model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(17): 79－86. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.17.011 http://www.tcsae.org