OpenET模型在亚利桑那州灌溉苜蓿土壤水分亏缺估算中的评估与比较

本研究针对干旱地区苜蓿灌溉管理中土壤水分亏缺（Dr）估算的难题，通过比较OpenET平台六种卫星模型（ALEXI/DisALEXI、eeMETRIC、geeSEBAL、PT-JPL、SIMS、SSEBop）及集成模型，结合土壤水分平衡（SWB）方法，评估其在亚利桑那州苜蓿田的适用性。结果表明，集成模型和ALEXI/DisALEXI模型能较好跟踪实测Dr变化，平均偏差误差（MBE）低于9%，为干旱区灌溉管理提供了可靠的技术支持。

　　

在干旱的美国西南部地区，亚利桑那州和南加利福尼亚州的苜蓿种植是重要的农业产业，但科罗拉多河流域持续干旱和水资源分配限制使灌溉用水面临严峻挑战。苜蓿灌溉用水占作物总灌溉量的50%，因此精确估算土壤水分亏缺（D_r）对提高灌溉效率至关重要。传统方法如土壤水分传感器或作物系数（K_c）法存在局限性，尤其在非理想生长条件下准确性下降。近年来，卫星遥感蒸散发（ET_sat）模型的发展为解决这一问题提供了新途径，但数据可获取性和计算复杂性一度限制其应用。OpenET平台的出现改变了这一局面，它整合了六种成熟模型，提供高分辨率每日ET_sat数据，可免费公开获取，为灌溉管理带来了便利。

本研究由亚利桑那大学Biosystems Engineering系的研究团队开展，旨在评估OpenET模型在亚利桑那州Buckeye一处46公顷中心支轴灌溉苜蓿田中估算土壤水分亏缺的可靠性。研究通过将每日ET_sat数据输入土壤水分平衡（SWB）模型，计算D_{r sat}，并与中子水分仪（NMM）测量的实测D_{r obs}进行比较。研究期从2023年5月23日至12月11日，覆盖多个苜蓿收割周期。关键方法包括：利用OpenET获取30米和90米像素的每日ET_sat数据；基于种植者记录的灌溉量和AZMET气象站数据计算净灌溉（I_n）和有效降水（P_e）；使用中子水分仪在四个田块位置测量土壤体积含水量（θ_v），并据此计算D_{r obs}；通过SWB方程（D_r,i = D_r,i-1 - I_n,i - P_e,i + ET_i + DP_i）估算D_{r sat}；统计评估包括平均偏差误差（MBE）、平均绝对误差（MAE）和确定系数（r²）。

2.1. 试验地点

研究位于亚利桑那州Buckeye，气候干旱，年平均降水约200毫米，夏季最高气温达42-45°C。土壤以Estrella和Gilman壤土为主，根系层深度设为1.8米，总可用水（TAW）在170-211毫米之间。四个田块（P1-P4）布置中子水分仪接入管，用于定期测量土壤水分。

2.2. 气象数据收集

数据来自Buckeye的AZMET气象站，包括每日太阳辐射（R_s）、最高最低气温（T_max和T_min）、平均蒸汽压亏缺（VPD）、风速（u₂）和降水（P），以及参考作物蒸散发（ET_o），采用Penman-Monteith方程计算。这些数据用于评估灌溉蒸发和风力漂移损失（EDL）。

2.3. 灌溉系统和作物管理

中心支轴灌溉系统由种植者管理，灌溉调度基于便携式土壤传感器。研究期间记录了灌溉事件和收割时间，净灌溉量通过修正蒸发损失获得。累计净灌溉和有效降水分别为911.2毫米和28.5毫米。

2.4. 土壤水分测量和土壤特性

中子水分仪在21个日期测量土壤体积含水量，计算D_{r obs}。田间容量（FC）和萎蔫点（WP）通过SPAW模型估算，土壤质地以壤土和砂壤土为主。结果显示，田块间D_{r obs}存在变异，尤其在后期，P1的亏缺高于其他田块。

2.5. OpenET数据集获取

通过OpenET网络平台获取30米和90米像素的每日ET_sat数据，模型包括ALEXI/DisALEXI、eeMETRIC、geeSEBAL、PT-JPL、SIMS、SSEBop和集成模型。数据以CSV格式保存供分析。

2.6. OpenET模型土壤水分平衡

每日SWB计算使用ET_sat作为输入，初始D_r设为99.7毫米，TAW为203毫米。假设无毛细管上升，深层渗漏（DP）在D_r为负时计算。灌溉和降水输入基于种植者记录和气象数据。

2.7. OpenET模型性能评估

通过比较D_{r sat}和D_{r obs}计算MBE、MAE和r²。集成模型在30米像素的MBE为-8.5毫米（-8.9%），表现最佳，而SSEBop的MBE高达185.7毫米（194.0%），偏差最大。

2.8. Zenodo站点OpenET苜蓿评估

使用Zenodo存储库的月度OpenET数据评估模型，基于涡度相关（EC）测量的ET_obs，统计指标显示SIMS和集成模型性能较好。

3.1. 试验气候条件

研究期气候炎热干燥，平均每日R_s、u₂和ET_o分别为21.7 MJ m^-2 d^-1、1.7 m s^-1和6.0毫米，总ET_o和P为1212毫米和25.8毫米。

3.2. 观测土壤水分亏缺

D_{r obs}在田块间变异较大，P1的亏缺显著高于其他田块，季节性变化平均为-25.0±42.0毫米。测量时机（灌溉后一天）增加了不确定性。

3.3. OpenET模型ET和NDVI

累计ET_sat显示模型间差异，SSEBop和eeMETRIC估值最高，ALEXI/DisALEXI最低。归一化植被指数（NDVI）表明P1和P3生长更旺盛，与ET_sat趋势一致。

3.4. 模型土壤水分亏缺相互比较

每日D_{r sat}变化显示，ALEXI/DisALEXI和集成模型在多数时间跟踪D_{r obs}较好，而eeMETRIC和SSEBop高估亏缺。像素大小（30米 vs 90米）对结果影响较小。

3.5. 模型土壤水分亏缺与观测比较

集成模型和ALEXI/DisALEXI与D_{r obs}相关性较高（r² >0.6），MBE和MAE较低。eeMETRIC和SSEBop表现较差，偏差显著。与Zenodo数据比较显示，本研究结果与广泛评估一致，但本研究更聚焦苜蓿和干旱条件。

3.5.1. SWB比较的不确定性和局限性

不确定性源于ET_sat输入的空间变异、灌溉数据代表性以及测量时机。这些因素可能影响D_{r sat}的准确性，建议未来研究优化数据输入和测量协议。

研究结论表明，OpenET集成模型在干旱气候苜蓿田中能有效估算土壤水分亏缺，MBE低于9%，为灌溉管理提供了可靠工具。ALEXI/DisALEXI模型也表现良好，而eeMETRIC和SSEBop因高估ET而不适用。结果强调了OpenET在实时灌溉调度中的潜力，尤其适用于水资源受限的干旱地区。未来研究应扩大评估范围，涵盖全年生长周期，并优化模型输入以减少不确定性。这一成果对促进农业水资源可持续利用具有重要意义，有望帮助种植者提高灌溉效率，应对气候变化下的水资源挑战。论文发表在《Agricultural Water Management》，为遥感技术在精准农业中的应用提供了实践依据。