长时间序列再分析和基于模型的土壤湿度产品在农业土壤水分胁迫监测中的可靠性如何？来自中国五项数据集评估的见解

《Agricultural Water Management》：How reliable are long time-series reanalysis and model-based soil moisture products for agricultural soil water stress monitoring? Insights from a five-dataset evaluation across China

长期土壤湿度产品评估与农业应用优化

　　土壤水分（SM）是农业水资源管理的重要基础数据，其长期变化趋势和极端事件的准确性对于理解气候变化对农业的影响至关重要。然而，目前各主要土壤水分数据集在捕捉极端水文气候事件方面仍存在显著的不确定性。本文系统评估了在中国地区1982年至2022年期间使用的五种主流土壤水分数据集，包括ERA5-Land（陆地再分析数据）、GLEAM4（卫星驱动的水文平衡模型）、GLDAS-Noah和GLDAS-CLSM（陆地表面模型输出）以及MERRA-2（大气再分析数据）。评估方法包括与地面观测数据的对比（使用斯皮尔曼相关系数ρ）、数据集之间的一致性分析（同样使用斯皮尔曼相关系数ρ）以及与SMAP-L4卫星数据的空间一致性检验（使用皮尔逊相关系数r）。此外，本文还采用Theil–Sen估计器结合趋势无偏曼-肯德尔检验（TFPW-MK）对长期趋势进行了量化分析。

研究结果显示，这些数据集之间存在显著的分歧。其中，MERRA-2、GLDAS-Noah和GLEAM4显示了广泛的湿润趋势，超过33%至75%的网格单元呈现正向土壤水分变化，同时湿润压力在24%至61%的区域有所增强。相反，ERA5-Land和GLDAS-CLSM则表现出干旱趋势，约47%至51%的网格单元显示负向土壤水分变化，干旱强度在42%至45%的区域增加，而湿润压力则在30%至40%的区域下降。值得注意的是，ERA5-Land与地面观测数据的匹配度最高，其斯皮尔曼相关系数中位数为0.45至0.48，能够可靠地捕捉基准极端事件，如1998年的长江洪水和2022年的干旱。相比之下，MERRA-2在与SMAP-L4数据的一致性方面表现最佳，其全国范围内的皮尔逊相关系数超过0.76，但在捕捉长期干旱事件方面存在一定的不足。

这些差异反映了不同数据集在模型设计、数据来源和处理方式上的不同。例如，ERA5-Land采用的是高分辨率大气输入驱动的陆地表面再分析模型，能够稳定地捕捉长期趋势，但其在高海拔地区（如青藏高原）的可靠性受到降水强迫偏差和冻结土壤过程表示的限制。而MERRA-2则通过直接吸收微波辐射亮度和降水数据，提高了对短期异常的敏感性，但也因此在长期趋势上表现出一定的不稳定性。GLEAM4基于被动微波数据和Priestley–Taylor方法估算蒸发量，虽然在湿润区域表现出较高的灵敏度，但在干旱事件的识别上存在局限性。GLDAS-Noah和GLDAS-CLSM虽然在某些区域表现出良好的一致性，但它们在干旱和湿润事件的捕捉上也存在显著的不一致，特别是在灌溉区域，如黄淮海平原，人类活动对土壤水分变化的影响较大，导致数据集之间出现系统性差异。

为了更全面地评估这些数据集在捕捉水文气候极端事件中的表现，本文引入了净干湿强度指数（NDWI），该指标综合考虑了土壤水分的正负异常，有助于识别水文气候的不平衡现象，并增强不同数据集之间的可比性。通过与手动观测站和自动观测站的数据对比，研究发现ERA5-Land在长期趋势和NDWI方面与观测数据的匹配度最高，而MERRA-2则在短期异常检测方面表现更优。此外，研究还分析了长江流域的夏季干旱和湿润压力变化，发现不同数据集在极端事件的识别上存在明显差异。ERA5-Land能够准确再现所有五次目标事件，包括干旱和湿润压力的明显变化，而GLEAM4仅能捕捉到2020年的湿润压力峰值，未能准确反映其他干旱年份。MERRA-2和GLDAS-CLSM则在部分事件中表现出一定的识别能力，但对某些极端事件（如2022年的干旱）未能充分识别。

研究结果表明，土壤水分数据集在捕捉长期趋势和短期极端事件方面各有优势，同时也存在明显的局限性。这种差异主要源于数据集的设计理念、模型结构、土壤层划分以及对水文过程的表示方式不同。在农业水资源管理领域，这些差异可能会影响对干旱和湿润压力的准确评估，特别是在过渡区域和灌溉密集区，如黄土高原和黄淮海平原，这些区域的水文过程复杂，土壤水分变化受人类活动影响较大，因此需要更精细的模型来捕捉其动态变化。此外，数据集的空间分辨率和时间连续性也会影响其在不同区域的应用效果。例如，ERA5-Land虽然在长期趋势检测方面表现稳定，但其空间分辨率不足以捕捉田间尺度的土壤水分异质性，而MERRA-2则在短期异常检测方面表现出更高的灵敏度，但在长期趋势上可能受到高频噪声的影响。

为了克服这些局限性，本文提出了一种基于气候特征的融合策略，旨在提高土壤水分数据集在农业水资源管理中的可靠性。这种策略包括以下几个方面：（1）垂直一致性，以整合表层和根层土壤水分信息，减少因土壤深度不同带来的不确定性；（2）基于记忆效应的加权方法，以平衡长期趋势的稳定性与短期异常的敏感性；（3）区域特定的校准，以考虑灌溉影响和作物对水分的需求；（4）不确定性感知的集成方法，将数据集之间的差异正式纳入干旱和湿润压力指数的计算，从而为决策提供更准确的置信区间。此外，机器学习驱动的降尺度方法也提供了一种潜在的解决方案，可以缓解不同数据集之间的空间不匹配问题，但需要更密集的地面观测网络来支持。

本文的研究不仅揭示了不同土壤水分数据集在长期趋势和极端事件捕捉上的差异，还强调了在农业水资源管理中，选择合适的数据集和融合策略的重要性。通过综合评估各数据集的性能，研究为农业水资源管理提供了重要的参考，特别是在需要精确捕捉土壤水分变化趋势和极端事件的地区。此外，本文还提出了Net Dry–Wet Intensity（NDWI）这一新的指标，为评估水文气候的不对称性提供了理论支持。尽管NDWI的“记忆编码”特性尚未经过严格的实证验证，但其理论基础为土壤水分的长期变化提供了新的视角。

总之，本文的研究为农业水资源管理提供了一个系统性的评估框架，有助于识别不同数据集的优势和局限性，并推动更精确的土壤水分监测和极端事件分析。未来的研究应进一步探索如何通过融合策略和模型改进，提高土壤水分数据集在复杂农业区域中的可靠性，以更好地支持气候变化背景下的农业水资源管理决策。