【《土壤水分监测方法研究的国内外文献综述》4500字】

土壤水分监测方法研究的国内外文献综述目前，随着科技的发展，土壤水分监测方法越来越多，监测精度日益提升，监测尺度也逐步由传统点测量拓展为区域乃至全球尺度。1.1地面观测法1）原位观测原位观测法是指在有限的采样点上进行土壤水分测定,常用的包括烘干法、中子仪法、介电法等[34,35]。原位观测法的优势在于可以测定多个不同深度的土壤水分，且数据精度较高[36]。但这些基于点的测量方法有一个关键缺点：由于土壤水分的空间异质性，对其周围地区缺乏代表性，而这种异质性通常随着范围的扩大而增加[37,38]。烘干法的优点是经济、简单、容易操作和对实验设备要求不高,土壤样品监测数据准确[39]。但缺点也很明显,一方面深层取样困难,一方面取样时破坏了土壤原有结构,难以避免在定点测量时由于更换地理位置取样带来的误差,因此难以进行长期定点原位监测,且受土壤空间变异性影响也比较大[40,41]。中子仪法测量的是中子源辐射的快中子，于1940年代被首次提出[42,43]，中子仪法不需要取样、不破坏原状土壤结构,并能实现连续原位定点监测,能够了解固定实验地点土壤含水量动态变化规律,且较为准确,快速,且土层测定深度不受限制[44,45]。但由于室内外环境及不同样点土壤物理性质的差异,在利用中子仪进行室外土壤含水量监测时,常造成室内外曲线差异较大，且中子仪在进行土壤含水量垂直测定时,在没有良好校准措施下,由于分辨率造成测定数据准确性较差[46,47]。介电法通过测量土壤表观介电常数来计算土壤水分，原理是表观介电常数会随土壤水分变化[48]。常用介电法包括时域反射法(TimeDomainReflectometry,TDR)、时域传输法(TimeDomainTransmission,TDT)、频域反射法(FrequencyDomainReflectometry,FDR)以及电容法等[49,50]。其中，TDR法安全无辐射,测定准确快速,且便于自动控制,是目前国内外有关土壤含水量监测应用较广泛的方法之一[51,52]。但在土壤含水量要求精度较高时,由于TDR法测定土壤含水量容易受土壤温度、容重、质地等理化性质因素影响,需要一定技术手段进行标定或校准后才能够达到较为精确的测定数据[53-55]。基于电容法的ECH2O传感器被广泛认为是TDR法的替代品[56]，比起TDR，ECH2O使用更可靠的操作原理、更少的成本以及更简单的配置方式[57]，越来越多地被接受和应用。2）宇宙射线中子法宇宙射线中子传感器(cosmic-rayneutronsensor,CRNS)是一种新型的土壤水分测量方法，会检测到达地表时以及进入土壤后返回地面时所产生的超热中子。该方法利用宇宙射线中子传感器测量由宇宙射线粒子所产生的中子数量，由中子数与土壤含水量的关系来估算一定区域内的平均土壤含水量。这种非侵入性的技术能够在田间尺度测量土壤水分[46,47]，在区域尺度上比点测量数据更具代表性。该方法测量的是半径130~240m圆形范围内的土壤水分，测量范围介于传统点测量与遥感测量之间，架起了沟通这两种测量空间尺度的桥梁，也从像元尺度上为土壤水分遥感的验证提供了有效的地面验证手段。宇宙射线中子法正逐渐成为田间尺度上重要的土壤水分监测方式，越来越广泛地被重视、应用起来。目前，全球范围内已安装了200多台CRNS仪器[58]，最大的CRNS观测网是COSMOS观测网，其中大部分(73个)位于美国[59]，此外还有英国COSMOS-UK网络(32个)、德国TERENO网络(20个)以及澳大利亚的CosmOz网络(13个)[60-62]。CRNS方法已在全球多个地区中成功得到评估和应用，例如，加拿大萨斯喀彻温省(Saskatchewan)中部的牧场、美国亚利桑那州SRER(theSantaRitaExperimentalRange)试验区的沙漠、中国青藏高原北部的高寒草甸区等[46,63,64]。其中，谈幸燕等(2020年)在西北农牧交错带的鄂尔多斯站点对CRNS进行了适应性评估：对CRNS的土壤水分进行经验校准后，基于烘干法进行验证，指出CRNS能够很好地估计农牧交错带区域的平均土壤含水量[65]。因此，本研究选取了校正后的CRNS土壤水分数据作为区域土壤水分的评估标准。1.2遥感反演法遥感反演法是能够在区域上估算土壤含水量的一种方法，相比宇宙射线中子法，该方法测量范围更大，是目前最具发展潜力的土壤水分监测方法之一[66]。这种方法突破了传统点测量的局限，使土壤水分监测由点跨越到面，将土壤水分的研究推广到了区域乃至全球尺度。土壤水分的遥感反演以微波传感器为主，分为主动微波反演法和被动微波反演法。主动微波反演方法是利用雷达发射和回收辐射，测量地表散射的回波特性来实现对地的观测[67]。由于微波会在土壤表面发生反射，因此该方法对土壤表面粗糙度和土壤结构敏感，受植被类型影响大，在下垫面条件复杂的地区适用性较差[68]。被动微波传感器是通过观测地表辐射亮度温度来获取土壤的介电常数信息，进而反演土壤水分[69]。被动微波对土壤水分更为敏感，受地表粗糙度和植被影响小，且重量轻适合于卫星承载，但其主要缺点是空间分辨率低[70]。两种反演法在测量土壤水分时各有优劣，若将二者的优势有机结合起来反演土壤水，则在一定程度上可获得高空间分辨率、高时间分辨率和高精度的土壤水分产品[71]。SMAP正是同时搭载L波段的主动和被动微波，能够将将二者优势结合的对地观测卫星。目前，已有众多学者分别利用美国地区、青藏高原、祁连山地区的实测数据对SMAP土壤水分数据在不同的时空尺度上进行了精度验证[72-74]，验证表明:在大多数地区，尽管SMAP相对于实测值的估计存在高估或低估的现象，但其误差在可接受的范围之内，并且较其他数据集，SMAP能够准确地获取土壤水分的变化情况。因此，本文选取SMAP卫星的土壤水分数据进行评估。1.3陆面过程模型模拟区域土壤水分数据获取方法中，宇宙射线中子法只能在田间尺度获取连续的土壤水数据，难以在更大区域监测土壤水分；遥感测量则时间分辨率较低，测量受到下垫面与环境影响大。因此，陆面过程模型逐渐被应用到高时空分辨率、大范围区域土壤水分数据的获取中[25,75]。TheCommunityLandModel(CLM)是国内外应用广泛，是目前国际上发展最为完善的陆面过程模型之一，并逐渐成为国内外学者获取、研究区域土壤水分的常用模型。例如，Sun等(2016年)验证了CLM4.0在青藏高原中部高寒草甸中，多层土壤水分的模拟都较好，但表层土壤水分略低，并在未冻结时高估了深层的土壤水分[76]；Decker等(2009年)通过修正Richard方程，提高了模式模拟土壤水分的能力[77]；宋耀明等(2014年)在半干旱区退化草原站模拟土壤水分发现，CLM4.5对土壤水分的模拟效果较好，但存在土壤含水量模拟值偏低的现象[78]；朱昱作等(2019年)在农牧交错带盐池站点对CLM4.5在复杂下垫面的适应性进行了评估，指出灌溉农田上土壤水分模拟过高的现象[79]；Deng等(2020年)验证了CLM4.5与CLM5.0在青藏高原典型草原、典型草甸下垫面下土壤水分模拟性能，指出了CLM5.0在青藏高原的半干旱区对土壤水分具有高估倾向[80]。目前，众多研究中，多使用了CLM4.5版本及之前的版本，或者仅在单一的下垫面对土壤水分进行评估，而最新版本CLM5.0在不同土地利用类型交错的复杂下垫面的土壤水分模拟性能尚未得到评估。CLM5.0在土壤、植物水文、雪密度、河流模型、碳与氮的循环和耦合以及作物模型方面等作出了较大改进，其中土壤干表层的引入与灌溉机制的改进便是其中对土壤水分模拟性能影响较大的重要两项[81-83]。这两项改进对土壤水分模拟性能有何影响也亟待探究。因此，本研究选择了CLM4.5与CLM5.0两个版本，在研究区对农田-草地交错复杂下垫面的土壤水分模拟性能进行了对比评估，分析其机制改进影响，以为区域土壤水分数据的获取选取较优版本。1.4土壤水分数据融合方法目前，区域上获取土壤水分数据的主要获取方式为宇宙射线中子法、遥感测量和陆面过程模型，这三种方法都有着各自的优势与局限性[84]。鉴于此，综合多种数据源进行数据融合，以获取区域土壤水分数据具有重要意义。针对土壤水分的融合算法比较常用的有：最小二乘法、卡尔曼滤波法以及神经网络法等方法[85,86]。最小二乘法是通过最小化误差来寻找与数据匹配程度最好的函数，可以通过这个函数很简便的求得未知的数据[87]；但最小二乘法默认了线性关系，使用具有局限性，而且回归的关联式也不可能全部通过所有回归点[88]。卡尔曼滤波算法是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，这种方法仅限于处理线性问题的弱点，没有办法准确描述复杂结构[89,90]。神经网络算法是有能力学习和构建非线性的复杂关系的模型，是近些年受到较多关注的一类方法，这种对于非线性的关系拓展效果较好[91-93]，在土壤水分估算中具有较高的应用价值。目前，常用的神经网络算法有四种：BP神经网络算法、广义回归神经网络算法、概率神经网络算法、模糊神经网络算法[94,95]。广义神经网络算法训练样本过多会导致网络结构过于庞大且存在过多冗余，对于新的输入计算时效率很低；概率神经网络算法则需要大量的时间进行分类计算；模糊神经网络算法也会带来一定的冗余，影响计算的时间与效率[96-98]。BP神经网络算法是一种误差反向传播的学习算法，通过不断地改变网络神经元的连接权值，减少实际值与目标值之间的误差，从而提高实际值与目标值间的相关系数[99]。BP神经网络算法具有强大的非线性的映射能力，其容错性保证了全局结果与目标值差距过大，对土壤水分数据融合后的精度提升具有显著的作用。因此，本研究中采用了BP神经网络算法对不同的土壤水分数据进行融合[100-102]。参考文献[1]雷志栋,胡和平,杨诗秀.土壤水研究进展与评述[J].水科学进展,1999,(03):311-318.[2]蔡进军,韩新生,张源润等.黄土高原土壤水分研究进展[J].宁夏农林科技,2015,56(08):55-57+60.[3]DalyE,PorporatoA.AReviewofSoilMoistureDynamics:FromRainfallInfiltrationtoEcosystemResponse[J].EnvironmentalEngineeringence,2005,22(1):9-24.[4]TaylorCM.DetectingsoilmoistureimpactsonconvectiveinitiationinEurope[J].GeophysicalResearchLetters,2015,42.[5]MerzR,BloschlG.AregionalanalysisofeventrunoffcoefficientswithrespecttoclimateandcatchmentcharacteristicsinAustria[J].WaterResourcesResearch,2009,45.[6]CristianoPM,PosseG,BellaC.TotalandabovegroundradiationuseefficiencyinC3andC4grassspeciesinfluencedbynitrogenandwateravailability[J].GrasslandScience,2015,61(3):131-141.[7]DobriyalP,QureshiA,BadolaR,etal.Areviewofthemethodsavailableforestimatingsoilmoistureanditsimplicationsforwaterresourcemanagement[J].JournalofHydrology,2012,458-459(none):110-117.[8]MccollKA,AlemohammadSH,AkbarR,etal.Theglobaldistributionanddynamicsofsurfacesoilmoisture[J].NatureGeoscience.[9]TianJ,HanZ,BogenaHR,etal.Estimationofsubsurfacesoilmoisturefromsurfacesoilmoistureincoldmountainousareas[J].HydrologyandEarthSystemSciences,2020,24(9).[10]王红梅,谢应忠,王堃.不同类型人工草地小尺度土壤水分空间异质性特征研究[J].草地学报,2013,21(6):1052-1058.[11]刘健,郭交,韩文霆.基于合成孔径雷达的土壤水分反演研究进展[J].三峡生态环境监测,2020,(2).[12]ChaiSS,JeffreyW,OlegM,etal.UseofSoilMoistureVariabilityinArtificialNeuralNetworkRetrievalofSoilMoisture[J].RemoteSensing,2009,2(1):166-190.[13]CollowTW,RobockA,BasaraJB,etal.EvaluationofSMOSretrievalsofsoilmoistureoverthecentralUnitedStateswithcurrentlyavailableinsituobservations[J].JournalofGeophysicalResearchAtmospheres,2012,117(D9).[14]PengJ,LoewA,MerlinO,etal.Areviewofspatialdownscalingofsatelliteremotelysensedsoilmoisture[J].ReviewsofGeophysics,2017,55.[15]李旭亮,杨礼箫,田伟等.中国北方农牧交错带土地利用/覆盖变化研究综述[J].应用生态学报,2018,29(10):331-339.[16]焦继宗,杨露,杜婷.基于GIS的西北农牧交错带土地利用/覆被时空变化分析[J].甘肃科技,2019,035(007):139-143.[17]邓辉.基于MODIS数据的大区域土壤水分遥感监测研究[D].中国农业科学研究院中国农业科学院,2004.[18]贺蕾.微型TDR土壤水分传感器影响因素研究及其应用模型建立[D].新疆农业大学,2016.[19]常丹,李旭,刘建坤等.土体含水率测量方法研究进展及比较[J].工程勘察,2014,42(09):17-22+35.[20]MilindM,M.GM,RossM,etal.Astudyoffield-scalesoilmoisturevariabilityusingtheCOsmic-raySoilMoistureObservingSystem(COSMOS)atIITMPunesite[J].JournalofHydrology,2021,597.[21]A.RVC,G.B,E.OS.Integralquantificationofseasonalsoilmoisturechangesinfarmlandbycosmic-rayneutrons[J].HydrologyandEarthSystemSciences