基于集合物理建模的灌溉量化方法研究

《Agricultural Water Management》：Irrigation quantification through ensemble physical modelling

　　

中文摘要翻译 农业是全球最大的淡水消耗者，平均占水资源总量的70%。在地中海欧洲地区这一比例可达80%，在其他干旱和半干旱地区甚至高达90%。灌溉是水文循环中最难以预测的偏离自然路径的环节，因为它高度依赖于水资源可用性和农户管理方式。水表是监测用水量的可靠方案，但其在众多田块中的毛细管式应用以及长期维护和监测在经济上可能较为复杂，且并非总能获得当地农户的支持。 大量研究聚焦于估算灌溉量的可行技术。一种常见的方法是通过联合国粮农组织（FAO）建议的作物系数法模拟作物需水量，每当作物出现胁迫条件时即进行灌溉预算。然而，这些技术未考虑可能采用亏缺灌溉和/或超田间持水量条件的灌溉策略，且可能无法准确模拟灌溉事件的时间安排。总体而言，这些方法需要掌握每个田块或灌区的管理一手资料，才能解释与最优FAO规则的偏差。 为了对实际地表状况进行一定程度的控制，许多研究选择将水量平衡方法与遥感信息相结合。Foster等人（2020）对基于卫星的灌溉用水监测进行了综述，识别出三个主要研究分支：（1）约一半的研究样本聚焦于热红外影像估算蒸散发（ET），将其与降水比较，以获得闭合整体水量平衡所需的灌溉水量；（2）另一组研究更关注遥感反演的地表土壤含水量（SSM），研究其时间变化与气象强迫之间的关系，从水量平衡中反推灌溉量；（3）最后一组研究以基于反射率的作物系数估算为中心，改进实际蒸散发的表征，并利用水量平衡推断SSM。所有这些方法都对所选卫星产品的不确定性特征敏感，不同变量存在不同的潜在问题。地表温度（LST）的空间分辨率可与常见田块尺寸匹配但重访时间较长（Landsat-8/9为100 m和16天），或空间分辨率较粗但时间频率较高（Sentinel-3为1 km和1天），这阻碍了仅使用卫星进行精确监测。地表土壤含水量通常与较小的感测深度相关（随仪器和地表覆盖程度变化，从湿润植被区的1 cm到极端干燥裸地的12 cm），这可能无法很好地代表根系有效水分可利用性的实际状态，从而影响蒸散发估算的准确性。此外，合成孔径雷达（SAR）反演产品的精度受茂密植被冠层的影响，这可能使其在灌溉最相关的作物生长阶段难以适用。最后，SSM卫星产品本身与降水测量之间的物理不一致性对水量平衡反演方法的精度有直接影响，同时其空间分辨率（最佳为1 km）也再次成为问题，很少能与农业田块的典型尺寸相匹配。在单个田块尺度上，这些方法的精度已针对不同类型的地面真值进行了评估，且因场地（如作物类型、灌溉技术、灌溉量和频率、田块尺寸、气候）和所采用的反演方法而异，归一化均方根误差（RMSE）值（按实际平均用水量归一化）范围从6%到77%不等。当扩大分析域时也会发现类似的误差，表明潜在的不确定性不会相互抵消，而使用合成数据的分析表明，数据集误差的缺失会提高这些方法的性能。 本研究提出了一种新的灌溉检测与量化方法，基于蒙特卡洛（Montecarlo）方法与多源观测信息及能量-水量平衡模型（FEST-EWB，源自Corbari等人，2011）的集成，能够保持土壤水分动态和土壤-植物-大气相互作用的物理稳健性。该模型内部计算地表温度（LST），使其能够在时间上无缝模拟，而不依赖于遥感的零星LST反演。同时，由于蒸散发（ET）由能量平衡本身计算，模型不依赖基于作物系数的假设来模拟植物活动。模型与蒙特卡洛集合的耦合旨在开发一种将概率框架与基于物理的建模相结合的方法，以识别灌溉并减少对观测数据及其不确定性的依赖。目标是构建一种在数据稀缺环境中也适用且不确定性相对较低的灌溉量化策略。

论文解读

一、研究背景与问题

农业是全球最大的淡水消耗部门，平均占水资源总量的70%，在地中海欧洲地区可达80%，在干旱和半干旱地区甚至高达90%。灌溉作为水文循环中最难以预测的人为干预环节，其用水量高度依赖于水资源可用性和农户管理决策。水表虽为监测用水量的可靠手段，但在众多田块中大规模部署、维护和长期监测在经济上较为复杂，且常难以获得当地农户的支持。因此，发展不依赖地面仪器的灌溉量估算方法具有重要的科学和实践意义。

已有研究主要沿三条技术路线展开：一是利用热红外影像估算蒸散发（ET），通过与降水比较闭合水量平衡来反推灌溉量；二是基于遥感反演的地表土壤含水量（SSM）时间变化与气象强迫的关系，从水量平衡中提取灌溉信号；三是基于反射率估算作物系数以改进实际蒸散发表征。然而，这些方法均受制于卫星产品的固有不确定性：地表温度（LST）面临空间分辨率与时间频率难以兼顾的矛盾；SSM感测深度有限，可能无法代表根系有效水分状况；合成孔径雷达（SAR）反演精度受植被冠层影响；卫星SSM产品与降水测量之间存在物理不一致性。在单田块尺度上，这些方法的归一化均方根误差（RMSE）介于6%至77%之间，且误差在扩大分析域时不会相互抵消。

二、研究内容与意义

针对上述问题，研究人员提出了一种基于蒙特卡洛（Montecarlo）集合方法的新型灌溉检测与量化策略，将概率框架与基于物理的分布式水文模型FEST-EWB相耦合。该模型内部通过闭合能量平衡和土壤水量平衡计算地表温度（LST），可无缝模拟土壤水分动态而不依赖遥感LST输入；同时，蒸散发（ET）由能量平衡直接计算，无需作物系数假设。该方法的创新之处在于通过生成大量合成灌溉方案并利用多源观测数据筛选最优方案，从而在数据稀缺环境下实现灌溉事件的识别与量化，降低对地面观测的依赖。

三、关键技术方法

研究人员采用的主要技术方法包括：其一，FEST-EWB分布式水文模型，该模型通过耦合土壤水量平衡方程和地表能量平衡方程，内部计算地表温度（LST）和蒸散发（ET），并可根据站点特征选用双层（2layer）或双源双层（2×2）配置；其二，合成灌溉集合构建方法，基于均匀分布随机生成灌溉事件数量（在观测事件数±33%范围内），结合降水约束条件（降雨后恢复期、预报降雨前禁灌期）和灌溉系统恢复时间（R）生成大量候选灌溉方案；其三，平均绝对误差（MAE）统计指标，用于比较各集合成员模拟输出与基准模拟、原位观测和卫星观测数据之间的吻合程度，筛选最优的100个集合成员。研究涵盖了意大利多个试验站点，包括大豆（SO1–6）、玉米（MA）、番茄（TO）、小麦（WH）和梨树（PE）等不同作物类型，涉及喷灌、漫灌、滴灌和微喷灌等多种灌溉方式。卫星数据方面，SSM采用哥白尼计划Sentinel-1的1 km分辨率产品，LST采用NASA Landsat-8/9卫星100 m热红外数据，植被参数（反照率、叶面积指数（LAI）、植被覆盖度（FV））由Landsat-8/9和Sentinel-2反射率数据反演获得。

四、研究结果

4.1 地表土壤含水量（SSM）

研究人员将各站点合成灌溉集合的所有模型模拟结果与基准模拟、原位观测和卫星观测三种参考数据分别比较，提取最优的100个集合成员。结果表明，集合离散度在一年中随降水事件而变化，高降雨期因土壤饱和使集合趋于同质化。最大集合离散度范围为0.042 m³ m^?3（梨树PE站点）至0.193 m³ m^?3（玉米MA站点），表明灌溉对地表土壤含水量有直接且显著的影响。对于灌溉事件较少的站点（大豆SO1和小麦WH），最优集合成员在灌溉日期上较为一致，算法识别效果良好；而对于灌溉频率高的站点（玉米MA、番茄TO和梨树PE），高密度灌溉事件削弱了不同灌溉方案之间SSM输出的差异，导致算法选出的最优集合成员较为异质。原位观测数据仅覆盖部分农业季节时（如玉米MA和小麦WH站点），数据缺失期间无参考信息，导致算法提取的灌溉方案更为分散，表明数据完整性对最终结果质量至关重要。

4.2 蒸散发（ET）与地表温度（LST）

研究人员进一步比较了各集合成员模拟的蒸散发（ET）和地表温度（LST）与基准模拟、原位观测及卫星观测数据的吻合程度。ET和LST作为能量平衡的组成部分，对灌溉事件的响应与SSM存在时间滞后差异，为灌溉识别提供了互补信息。不同参考数据的选择会影响最优集合成员的筛选结果，表明多变量联合约束有助于提高灌溉方案识别的可靠性。

4.3 灌溉方案识别精度

研究人员将筛选出的最优100个集合成员与实际灌溉记录进行比较，评估算法的识别精度。结果表明，对于灌溉事件较少的站点（如大豆SO1和小麦WH），算法能够较准确地识别灌溉事件的时间安排；而对于灌溉事件频繁的站点（如番茄TO和梨树PE），由于高频率灌溉使SSM信号过载，算法识别的灌溉方案与实际记录偏差较大。卫星数据的不确定性，特别是在地表异质性较强的区域，对算法精度产生负面影响。

五、讨论与结论

讨论部分指出，与基准模拟和原位观测的比较主要用于评估模型结果的准确性，而与卫星数据的比较则对验证方法的可推广性至关重要，因为许多地区目前缺乏地面观测，卫星数据往往是唯一可用的信息源和推断灌溉方案的唯一工具。研究结论表明，该基于集合物理建模的灌溉量化方法在灌溉事件较少的田块上表现最佳，高频率灌溉会削弱信号的可区分性；卫星数据的不确定性，尤其是地表异质性区域的观测误差，是影响算法精度的关键因素。该方法为数据稀缺环境下的灌溉用水监测提供了一种可行的技术途径，具有潜在的业务化应用前景。