EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 5: 267 - 277

DOI: https://doi.org/10.6046/zrzyyg.2024201

技术应用

修正水分胁迫的NPP反演结果与典型高原盆地土壤水分关系探究

  • 杨赈 , 1, 2 ,
  • 杨明龙 , 1, 2 ,
  • 李国柱 1, 3 ,
  • 夏永华 1, 2 ,
  • 俞婷 4 ,
  • 严正飞 1, 2 ,
  • 李万涛 1, 2
展开
  • 1.昆明理工大学国土资源工程学院，昆明 650093
  • 2.云南省高校高原山区空间信息测绘技术应用工程研究中心，昆明 650093
  • 3.云南海钜地理信息技术有限公司，昆明 650000
  • 4.云南省水利水电科学研究院，昆明 650228
杨明龙（1982-），男，博士，副教授，主要从事3S集成应用、三维激光扫描技术的研究。Email：。

杨 赈（1998-），男，硕士研究生，主要从事土壤墒情监测、遥感影像处理的研究。Email：。

Copy editor: 陈庆

收稿日期: 2024-06-12

  修回日期: 2024-08-29

  网络出版日期: 2026-06-03

基金资助

国家自然科学基金项目“禄丰环状构造的UAV数字地貌建模及地表特征测量模拟分析”(62266026)

收起

Relationship between modified water stress-based NPP inversion and soil moisture in typical plateau basins

  • YANG Zhen , 1, 2 ,
  • YANG Minglong , 1, 2 ,
  • LI Guozhu 1, 3 ,
  • XIA Yonghua 1, 2 ,
  • YU Ting 4 ,
  • YAN Zhengfei 1, 2 ,
  • LI Wantao 1, 2
Expand
  • 1. Faculty of Land Resources Engineering，Kunming University of Science and Technology，Kunming 650093，China
  • 2. Surveying and Mapping Geo-informatics Technology Research Center on Plateau Mountains of Yunnan Higher Education，Kunming 650093，China
  • 3. Yunnan Haiju Geographic Information Technology Co.，Ltd.，Kunming 650000，China
  • 4. Yunnan Institute of Water Resources and Hydropower Research，Kunming 650228，China

Received date: 2024-06-12

  Revised date: 2024-08-29

  Online published: 2026-06-03

Fold

摘要

云南省高原蜻蛉河灌区（海拔1 515~1 876 m）为典型亚热带高山气候区，为探究其土壤水分和植被净初级生产力（net primary productivity，NPP）的变化，该研究基于快速、长时序的遥感监测手段，首先结合地表温度（land surface temperature，LST）、归一化植被指数（normalized difference vegetation index，NDVI）为解释变量，并通过随机森林自适应窗口回归算法将SMAP L4土壤水分产品降尺度为30 m土壤水分空间分布；随后通过地表水分指数（land surface water index，LSWI）修正CASA模型的水分胁迫参数，修正后的模型融合地表反射等多源遥感数据并估算NPP，经空间重采样后获得30 m级NPP空间分布；最后构建有林地、水田、水浇地等多场景，引用皮尔逊相关系数定量评价研究区土壤水分与NPP的空间相关关系。结果表明：研究区土壤水分空间分布呈现夏季北多南少，冬季西北低、东南和南高的特点；对比实测样本反演后的NPP值R2>0.7，RMSE<0.3，夏季、冬季、年均栅格像元NPP值均呈现逐年升高的趋势；在空间维度上，水田灌区、有林地等场景下相关系数均超过0.5，其中有林地对水分胁迫最不敏感，水田和水浇地最受影响。该研究形成了对研究区季节-空间角度土壤水分与NPP平衡关系的监测反馈机制。

关键词： 高原灌区; 多源遥感数据; 土壤水分; 降尺度分析; NPP

本文引用格式

杨赈 , 杨明龙 , 李国柱 , 夏永华 , 俞婷 , 严正飞 , 李万涛 . 修正水分胁迫的NPP反演结果与典型高原盆地土壤水分关系探究[J]. 自然资源遥感, 2025 , 37(5) : 267 -277 . DOI: 10.6046/zrzyyg.2024201

Abstract

This study aims at investigating variations in soil moisture and vegetation net primary productivity （NPP） in the Qingling River Irrigation Area，Yunnan （elevation 1 515~1 876 m），a typical subtropical alpine climate region. To this end，initially，this study recognized land surface temperature （LST） and normalized difference vegetation index （NDVI） as explanatory variables，leveraging remote sensing technology for rapid and long-term sequential monitoring. Subsequently，the SMAP L4 soil moisture product was downscaled to a 30 m spatial resolution using the random forest adaptive window regression algorithm. Then，the water stress parameter of the CASA model was modified using the land surface water index （LSWI），which integrated multi-source remote sensing data，such as surface reflectance，to estimate NPP. Following spatial resampling，a 30 m resolution NPP spatial distribution was achieved. Finally，multiple land cover scenarios，including forest land，paddy fields，and irrigated farmland，were established. The Pearson correlation coefficient was introduced for the quantitative evaluation of the spatial relationship between soil moisture and NPP in the study area. In terms of the spatial distribution of soil moisture，the study area exhibited higher values in the north and lower values in the south during summer，while lower values in the northwest and higher values in the southeast and south during winter. Compared to field measurements，the inverted NPP results showed a R2>0.7 and a RMSE<0.3. Both summer，winter，and annual average NPP values at the pixel level showed an increasing trend over time. Spatially，scenarios such as paddy fields and forested land presented correlation coefficients exceeding 0.5. Among these，forest land was least sensitive to water stress，while paddy fields and irrigated farmland were most affected. This study establishes a monitoring and feedback mechanism for the soil moisture-NPP balance from seasonal and spatial perspectives in the study area.

Key words： plateau irrigation area; multi-source remote sensing data; soil moisture; downscaling analysis; net primary productivity （NPP）

0 引言

水是植物进行光合作用和其他生命活动所必需的重要因素[1]，科学的水资源管理和可持续的农业实践对于确保植被初级生产力的最大化和维持生态平衡是至关重要的[2]。针对水文条件单一和气候环境复杂的高原灌区，在灌区尺度的土壤水分监测能充分指导在旱季、雨季的用水制度，对提高水分利用效率进而监测植被生长具有实际意义[3]。
当前，植被净初级生产力（net primary producti-vity，NPP）的估算方法主要包括站点观测法、实验法和模型法[4]。早期主要以涡度相关法[5]、叶绿素测定法[6]等站点观测法为主，仅适用于局部样点数值情况，难以反映区域NPP的空间分布。随着遥感技术的发展与普及，基于遥感数据驱动的生态系统过程模型逐渐成为区域尺度NPP估算的重要方法[7]，如Thornthwaite-Memorial模型[8]、BIOME-BGC模型[9]和CASA模型[10]等。基于遥感手段对土壤水分反演的方法能够有效反映田间尺度的空间分布状况，包括基于高光谱特征的光学遥感反演[11]、基于温度植被干旱指数的热红外遥感反演[12]、改进水云模型主动微波遥感反演[13]等。基于被动微波遥感数据反演出的土壤水分产品有SMOS和SMAP，虽然空间分辨率低，但SMAP L4产品时间分辨率却高达3 h，当前有不少学者将低分辨率的土壤水分产品通过空间降尺度的方法获得高分辨率的土壤水分空间分布结果[14]。针对局部区域尺度监测以及探究土壤水分和植被初级生产力，张国平等[15]通过测定田间尺度土壤含水量、地上干物质累积和NPP，探究了土壤水分和NPP对草原生态恢复的影响；付石林等[16]采用多元逐步回归方法分析了NPP和水分利用效率对土地退化及恢复的驱动因素；岳东霞等[17] 根据植被供水指数和CASA模型分别反演出土壤含水量和植被初级生产力，并使用皮尔逊相关系数计算两者的相关关系。当前对于水文条件单一、气候特征明显的高原灌区的研究尚少，且都是局限于大区域尺度，缺少田间尺度直接介入水分胁迫参数的CASA模型反演NPP对于土壤水分供求关系的探究。
针对高原灌区水资源时空分布不均匀、长时序高空间分辨率土壤水分数据缺乏的问题[18]，本研究通过随机森林（random forest，RF）模型，将归一化植被指数（normalized difference vegetation index，NDVI）和地表温度（land surface temperature，LST）作为解释变量，将2019—2023年夏冬2季SMAP L4产品降尺度，获得1 km和30 m级分辨率的土壤水分分布数据；利用遥感数据解译地表水分指数（land surface water index，LSWI），并将其引入测算NPP的CASA模型中，形成修正水胁迫参数的CASA模型，量化分析研究期间夏冬2季NPP，构建有林地、水田、水浇地等不同的土地利用类型来定量评估土壤水分时空演变对研究区NPP的影响，以期解决以研究区为代表的高原灌区植被生长与用水关系的问题，以形成对研究区季节-空间角度土壤水分与NPP平衡关系的监测反馈机制。

1 研究区概况和数据源

1.1 研究区概况

本文研究区为云南省中部高原山地姚安县蜻蛉河流域（100°56'~101°34'E，25°27'~25°39'N），属于典型的高原灌区（图1）。该区域东、西两侧山峦起伏，中间平坦开阔，形成滇中典型的高原盆地。蜻蛉河由南向北从坝子流过，该区种植业较为发达，耕地占整个研究区面积的七成以上，这对农田尺度的植被生物量估计研究具有较好参考价值。气候冬春干旱，夏秋阴雨，雨热同期，降水充沛；白天温度较高，夜晚较低，热量资源充足且变化迅速，因此对作物生长和水文循环有深刻影响。作物生长的水分蒸腾和土壤蓄水释放等过程维持了地表和地下水的水文平衡，为区域开展土壤水分和NPP监测工作提供了便利条件。
图1 研究区地理分布、土地利用类型及样本分布状况

Fig.1 Geographical distribution，land use types and distribution of samples of the study area

1.2 数据源

本研究数据源主要包括遥感数据、光合利用数据、土壤水分产品数据和站点土壤水分监测数据，如表1所示。
表1 数据源信息

Tab.1 Information of data source

数据类型 数据名称 数据来源 空间分辨率/m 范围
遥感数据
MODIS产品		 MOD09A1/Terra 8 d
500
[-100，16 000]
MYD09A1/Terra 8 d
光合利用转换数据 气象数据 Terra-Climate/monthly 4 638.3 —
土地覆盖类型 MCD12Q1 500 —
土壤水分产品数据及降尺度数据 土壤水分产品 NASA SMAP L4/3-hourly 9 000 [0，0.9]%
NDVI MOD13A2/Terra 16 d 500 [-2 000，10 000]
LST MOD11A1/Terra 1 d 1 000 [-7 000，65 535]K
1）遥感数据。选择MODIS地表反射产品（MOD09A1和MYD09A1）在谷歌地球引擎（Google Earth Engine，GEE）上计算并解译包括归一化水体指数（normalized difference water index，NDWI）、归一化建筑指数（normalized difference built-up index，NDBI）、陆地植被近红外反射率（near-infrared reflectance of vegetation，NIRV）、比值植被指数（simple ratio index，SR）、NDVI和LSWI等遥感指数。MOD09A1和MYD09A1是通过8 d的“median”聚合操作生成的，NDVI来自MOD13A2/Terra 16 d植被指数。遥感数据转换为WGS84坐标并重采样至30 m。
2）光合利用数据。光合利用数据包含气象数据、土地利用和覆盖变化（land use and cover change，LUCC）数据。通过气象数据里可吸收光合有效辐射（absorbed photosynthetic active radiation，APAR）与实际光能利用效率计算NPP。该数据从TerraClimate数据集中提取，下载地址为： https://developers.google.com/earth-engine/datasets/catalog/IDAHO_EPSCOR_TERRACLIMATE。利用MODIS年土地覆盖类型产品（MCD12Q1）计算研究期间各像元土地利用变化的累积次数，以获得每个地类最大的光能利用率。气象数据均转换为WGS84坐标并重采样至30 m。
3）土壤水分产品数据及降尺度数据。SMAP L4土壤水分产品选择表层土壤湿度（0~10 cm平均值），空间分辨率为9 km，时间分辨率为3 h。NDVI数据来源与上述遥感数据描述相同，空间分辨率为500 m；LST来自MOD11A1/Terra每日地表温度，空间分辨率为1 km，选择同时序的重采样9 km影像用以降尺度研究[19]。
4）站点土壤水分实测样本数据。站点土壤水分监测数据由云南省水利水电科学研究院提供，为了确保研究对象空间分布状况，62份（2023年7月采集31份，同年11月采集31份）实测土壤样本由云南省高校高原山地空间信息测绘技术应用工程研究中心采集与检测。

2 研究方法

如图2所示，本研究通过RF模型，将NDVI和LST作为解释变量，将2019—2023年夏、冬2季SMAP L4产品降尺度，获得1 km和30 m级分辨率的土壤水分数据。利用增加LSWI指数修正CASA模型，量化分析夏、冬季NPP。构建不同土地利用类型，评估土壤水分时空演变对NPP的影响。
图2 研究流程图

Fig.2 Research flow chart

2.1 RF模型自适应回归法

RF是一种利用多棵树对样本进行训练并预测的分类器，其原理为根据森林中决策树的数量（n-tree）和在树的每个节点上随机选择预测变量的数量（m-try），通过RF模型对所有决策树的预测结果将大尺度土壤水分数据转化为小尺度的土壤水分空间分布，且自身鲁棒性较高，对于复杂的非线性模型拟合具有优势[20]，对表征二元以上变量的高维度特征适用性较高。
本研究选取NDVI和LST 2个解释变量，基于RF模型自适应回归算法[18]对SMAP L4产品进行降尺度，其流程分3个阶段（图3）。
图3 RF自适应回归法构建降尺度模型

Fig.3 A downscaling model constructed based on RF adaptive regression method

1）将空间分辨率1 km级的LST和500 m级的NDVI解释变量重采样至30 m级，同时将500 m级的NDVI重采样至1 km级。使用RF算法将1 km级的LST和NDVI 2个解释变量数据集与SMAP L4产品之间建立映射关系，并将此关系应用于30 m解释变量数据集获得降尺度后的SMAP L4结果（空间分辨率为30 m）。
2）部分学者首先计算1 km的预测 SMAP L4结果和原始SMAP L4之间的逐像素残差，再重采样至30 m像素级结果，本研究则是通过空间插值实测采样土壤数据的方法获得30 m级的结果，其优势在于避免因梯度变化过大而导致预测结果失真。
3）将空间插值30 m级的结果映射到降尺度后的SMAP L4结果中，随即获得RF自适应回归降尺度结果。其公式为：
Sj（i）=C0+C1Lj（i）+C2Nj（i）+Rj（i） ，
Lj（i）= $\frac{1}{\sigma }\sum _{m=1}^{\sigma }{{L}^{c}}_{j}$（m） ，
Nj（i）= $\frac{1}{\sigma }\sum _{m=1}^{\sigma }{{N}^{c}}_{j}$（m） ，
式中：i为第i个SMAP图像中的像素网格（下文记作SMAP网格）；Sj为原始分辨率SMAP土壤水分；Lj和Nj分别为不同分辨率j（1 km，30 m）的解释变量LST和NDVI；C0，C1和C2为回归系数；Rj（i）为残差；m为落在第i个SMAP网格中的解释变量像素网格； ${L}_{j}^{c}$和 ${{N}^{c}}_{j}$分别为1 km LST重采样至30 m、500 m NDVI重采样至30 m的解释变量；σ为SMAP土壤水分空间分辨率和解释变量数据分辨率的比值（σ=92/12）。

2.2 CASA模型

CASA模型是基于卫星遥感数据应用于区域尺度和全球尺度的NPP估算光合利用模型[21]。为了探究研究区土壤水分空间变化分布对NPP的影响，强调植被对于地表水分供应的感知程度，本研究使用LSWI替代不同水分条件下的植被，修正了水分胁迫[22]计算，其公式为：
Npp（x，t）=A（x，t）×ε（x，t），
A（x，t）= $\frac{Slope（x，t）\times F（x，t）}{2}$，
ε（x，t）=Tε1（x，t）×Tε2（x，t）×Wε（x，t）×εmax ，（6）
式中：Npp（x，t）为网格中像素x在时间t内的NPP；A（x，t）为像素x在特定时间t冠层吸收的入射太阳辐射；ε（x，t）为实际的光利用效率；Slope（x，t）为网格中像素x在时间t内的总太阳辐射量；F（x，t）为光合有效辐射的分数；Tε1（x，t）和Tε2（x，t）分别为在时间t由像素x光合作用引起的应力以及呼吸消耗的应力；Wε（x，t）为水分胁迫；εmax为植被类型的最大光利用效率。
文中把LSWI替换式（6）中的Wε（x，t），更加适合探讨土壤水分与NPP之间的相关关系。LSWI计算公式为：
LSWI= $\frac{{\rho }_{NIR}-{\rho }_{SWIR}}{{\rho }_{NIR}+{\rho }_{SWIR}}$，
式中：ρNIR为Landsat8的近红外波段的反射率；ρSWIR为Landsat8的短波红外波段的反射率。

2.3 评价指标

选取决定系数（R2）、均方根误差（root mean square error，RMSE）为评估指标来验证SMAP L4降尺度和NPP提取成果。相关系数（r）用以评价降尺度后SMAP L4产品与NPP的相关程度。公式为：
R2= $\frac{\sum _{i=1}^{n}（{y}_{i}-{\stackrel{-}{y}}_{i}）（{z}_{i}-{\stackrel{-}{z}}_{i}）}{\sqrt[　]{\sum _{i=1}^{n}（{y}_{i}-{\stackrel{-}{y}}_{i}{）}^{2}\sum _{i=1}^{n}（{z}_{i}-{\stackrel{-}{z}}_{i}{）}^{2}}}$，
RMSE= $\sqrt[　]{\frac{1}{n}\sum _{i=1}^{n}（{y}_{i}-{z}_{i}{）}^{2}}$，
r= $\frac{\sum _{i=1}^{n}（{X}_{i}-\stackrel{-}{X}）（{Y}_{i}-\stackrel{-}{Y}）}{\sqrt[　]{\sum _{i=1}^{n}（{X}_{i}-\stackrel{-}{X}{）}^{2}\sum _{i=1}^{n}（{Y}_{i}-\stackrel{-}{Y}{）}^{2}}}$，
式中：yi为采样测得的含水量、NPP； ${\stackrel{-}{y}}_{i}$为采样测得均值；zi为降尺度结果的含水量、提取出的NPP； ${\stackrel{-}{z}}_{i}$为识别结果的均值；i为含水序列的个数；n为含水量对应的样本数；r为NPP和降尺度后SMAP L4的相关系数；Xi为第i年的NPP值；Yi为第i年的降尺度后SMAP L4值； $\stackrel{-}{X}$和 $\stackrel{-}{Y}$分别为NPP和降尺度后SMAP L4在n年里的平均值。
Sen’s Slope[23]是一种定量描述时间序列数据趋势的数理统计方法，对于时间序列趋势模拟具有较好的鲁棒性。每个变量的Sen斜率计算公式为：
slope=median $\left[\frac{{X}_{j}-{X}_{i}}{j-i}\right]$，1≤i≤j≤n ，
式中：Xj和Xi为某时刻变量j和i的NPP像素值；n为时间序列的长度；slope为时间序列数据的趋势。

2.4 样本数据转化为NPP

本研究通过实地调查，并选取样本中位置于最东、最西、最南、最北（EP，WP，SP，NP）4个样本，调查样方大小设置为1 m×1 m，收集样方内所有地上植被并计算生物量，使用地上植被有机体干重（aboveground biomass，AGB）计算样方内NPP，公式为：
NPP=AGB×Scale ，
式中指数Scale引用文献[24-25]的研究成果，取值为0.45。

3 结果与分析

3.1 SMAP L4土壤水分产品降尺度结果及评价

宏观上来看研究区土壤水分在空间上呈一定规律分布，如图4所示。从2019—2023年，夏季研究区土壤水分分布在空间上呈现北多南少的空间分布状况，在西南角乡镇集中的区域土壤含水低值栅格像元较少；冬季土壤水分分布则呈现西北低、东南和南部高的状况。研究区北部地区主要为水田，地区整体为水浇地的空间种植结构导致夏、冬2季土壤水分分布差异较大，其中夏季水稻在抽穗和灌浆期需要更多的水分来维持生长和发育，冬季土地休耕，停止灌水。全年平均的“北部、西部偏少，东南部、南部高”格局，是夏季的“北多”和冬季的“西北低”综合平均后的结果，表明土地类型和人为灌溉活动是控制该地区年均土壤水分分布影响较大的因素。
图4 研究区30 m分辨率SMAP L4产品降尺度结果分布

Fig.4 Downscaling results of SMAP L4 product with 30 m resolution in the study area

为了验证经RF降尺度后获得30 m级土壤水分空间分布的精度情况，本研究将选取SMAP L4原始产品、降尺度后结果于7月（夏季）、11月（冬季）在研究区内最北（NP）、最南（SP）、最东（EP）、最西（WP）4个点位采集的共8个样本进行对比，用于验证降尺度结果可靠性。表2为RF降尺度方法在8个采样点的精度评价。经RF降尺度后的产品，NP点在夏、冬2季的相关性最高，分别为0.69和0.75；夏季RMSE最低在WP点，为0.019，冬季RMSE最低在EP点，为0.008，SP点的RMSE质量较差，在夏、冬2季分别为0.035和0.037。不过整体看来，相较于SMAP L4原产品，RF回归算法在反应土壤水分数值状况上效果较好，r的均值都超过0.5，RMSE均值都控制在0.03以内，能够满足后续土壤水分与NPP关系的空间分析工作。
表2 样本点验证及精度评价表

Tab.2 Sample point verification and accuracy evaluation table

采样点 RF降尺度后的产品 原始产品
夏季 冬季 夏季 冬季
r RMSE r RMSE r RMSE r RMSE
NP 0.69 0.021 0.75 0.018 0.19 0.016 0.22 0.011
SP 0.58 0.035 0.66 0.037 0.25 0.052 0.28 0.048
EP 0.36 0.020 0.43 0.008 0.22 0.012 0.19 0.015
WP 0.47 0.019 0.59 0.033 0.14 0.028 0.21 0.017
均值 0.53 0.023 0.61 0.024 0.20 0.027 0.23 0.023
本研究对比2023年夏季、冬季的实测土壤含水数据与RF自适应回归降尺度结果，表明经RF降尺度的土壤水分含量与实际采集的数据能较好吻合，且随着分辨率升高，其R2有所增加。从散点图（图5）的分布趋势看来，RF模型降尺度结果与实测数据相关性良好，不过夏季降尺度结果的R2和离散程度稍微不及冬季降尺度结果，表明在夏季RF模型对于捕捉土壤水分与NDVI和LST等解释变量并进行降尺度预测的效果不理想。整体的RF降尺度结果对于实测数据都偏向高估的现象，并且呈现出不能有效表征极大、极小值的情况。图5（a）降尺度结果仅反映0.20~0.25区间的数值分布，虽然图5（b）—（d）反映了0.16~0.31区间内的土壤水分分布，但是表征极大值中存在低估于实测数据的情况。
图5 样本点回归验证图

Fig.5 Regression validation plots of sample points

3.2 研究区间NPP变化

为了验证修正水分胁迫参数[26]的CASA模型对研究区NPP提取结果的准确性，本研究将CASA模型估算的NPP与研究区东西南北4向采集并转化的样本数据做对比，结果表明，R2由大到小排列为： ${R}_{SP}^{2}$（0.86）> ${R}_{WP}^{2}$（0.82）> ${R}_{EP}^{2}$（0.77）> ${R}_{NP}^{2}$（0.73），RMSE由小到大排列为：RMSEEP（0.019）<RMSEWP（0.102）<RMSESP（0.204）<RMSENP（0.294）。其R2均大于0.7，RMSE均小于0.3，表明修正水分胁迫参数后的CASA模型与现场采样数据吻合，能够较好反映研究区NPP变化状况。
蜻蛉河流域2019—2023年NPP时空变化结果（图6）表明，该地区年均总体NPP呈上升趋势，其中空间分布格局呈东高西低，种植区高、城镇区低。夏季由于作物生长，农业活动频繁，NPP分布格局明显，低值栅格像素集中于城镇区域。冬季由于玉米、水稻等大宗作物休耕，种植结构则是以间隙耕作的水浇地为主，因此在空间上的NPP显示错综复杂分布，低值栅格像素仍集中于城镇区域。研究期间夏季栅格层面的结果显示：有25个栅格像元（约占总栅格单元6.72%）呈现下降趋势，slope<-0.005；有347个栅格像元（约占总栅格单元93.28%）保持不变。冬季栅格层面的结果显示：有59个栅格像元（约占总栅格单元15.86%）呈下降趋势，slope<-0.005；有215个栅格像元（约占总栅格单元57.8%）呈增加趋势，slope>-0.005；有98个栅格像元保持不变，占整体单元的26.34%。年均值栅格层面的结果显示：有83个栅格像元（约占总栅格单元22.32%）呈下降趋势，slope<-0.005；有182个栅格像元（约占总栅格单元48.92%）呈增加趋势，slope>-0.005；有107个栅格像元保持不变，占整体单元的28.76%。
图6 研究区2019—2023年NPP夏季、冬季、年均分布格局

Fig.6 Distribution of NPP in summer，winter，and annual average in study area from 2019 to 2023

3.3 研究区NPP与土壤水分空间相关分析

利用式（10）得到2019—2023年期间，夏季、冬季、年均NPP与土壤水分相关程度[27]的空间分布（图7）。夏季两变量无关和弱相关的像元数分别占0.07%和7.04%，中相关的像元个数占5.39%，强相关和极强相关的像元数分别占19.79%和67.71%。冬季两变量无关和弱相关的像元数分别占3.11%和20.52%，中相关的像元个数占33.94%，强相关和极强相关的像元数分别占30.88%和11.55%。年均两变量无关和弱相关的像元数分别占4.7%和18.1%，中相关的像元个数占28.63%，强相关和极强相关的像元数分别占24.31%和24.26%。整体看来夏季灌区充足的降雨和水分灌溉提供了作物生长需要的条件，促进其光合作用等生长活动，进而提高NPP，因此NPP与土壤水分呈现强相关性。冬季则由于降雨和气温条件减弱，水分胁迫可能导致植物的生理活动受到抑制，进而减缓NPP的速率。从图7中可看出，NPP与土壤水分相关系数的空间分布规律与图6 NPP夏季、冬季、年均分布格局类似，同样遵循着夏季城镇区低、种植区高，冬季错综复杂分布，年平均上显示北高南低、东高西低的空间分布格局。
图7 研究区2019—2023夏季、冬季、年均NPP与土壤水分相关性空间分布

Fig.7 The spatial distribution of the correlation between NPP and soil moisture in summer，winter，and annual average in the study area from 2019 to 2023

3.4 不同地类下的NPP与土壤水分相关性分析

利用第三次全国国土调查数据，构建研究区有林地、水田、水浇地3种地类场景[28]（图8），得到：在2019—2023年，有林地场景降尺度后土壤水分年均值为0.53 m3/m3，NPP均值为0.67 gC·m-2·a-1，土壤水分与NPP夏季、冬季、年相关系数分别为0.76，0.69，0.72；水田场景降尺度后土壤水分年均值为0.72 m3/m3，NPP均值为0.59 gC·m-2·a-1，土壤水分与NPP的夏季、冬季、年相关系数分别为0.78，0.58，0.66；水浇地场景降尺度后土壤水分年均值为0.68 m3/m3，NPP均值为0.71 gC·m-2·a-1，土壤水分与NPP的夏季、冬季、年相关系数分别为0.81，0.67，0.73。整体看来3种场景在夏季、冬季、年均时间分布中皆呈现正相关，其中水田场景的土壤水分与NPP相关性较强，NPP可以促进土壤有机质的积累，增加土壤的保水能力，从而提高土壤含水量。并且水田、水浇地2种场景呈现夏季种植时节高、冬季休耕时节季节性变化的特点；有林地场景最弱，研究区有林地多数以灌木、乔木林为主，在土壤水分不足的干旱时节，可能限制植物的水分吸收，影响NPP，但是保水能力较强，不易受到水分胁迫导致NPP急速下降，受季节变化水分缺失导致NPP下降的程度较小。
图8 多场景构建NPP与土壤水分相关变化特征

Fig.8 Features of NPP and soil moisture-related change constructed in multi-scenario

4 讨论与结论

4.1 讨论

RF自适应回归处理多维数据和非线性数据的能力较强，适宜本研究融合LST和NDVI数据对SMAP L4土壤水分进行降尺度工作。获取研究区夏、冬季节1 km和30 m级的土壤水分空间分布后，得到夏季1 km级的R2为0.568，30 m级降尺度结果的R2为0.788；冬季1 km级的R2为0.618，30 m级降尺度结果的R2为0.844。由于研究区位于亚热带高原季风气候区，夏季降雨充沛，说明该时期RF模型对捕捉土壤水分与NDVI和LST等解释变量并进行降尺度预测的效果不理想，冬季经RF模型降尺度后的结果与实测数据的R2高于夏季。同时模型预测精度随影像分辨率升高而增加，为了避免梯度差异过大导致结果失真，本研究并未进行高于30 m级分辨率的实验研究。研究区土壤水分的时间规律与不同季节的种植结构（特别是水田、水浇地等）息息相关，呈现夏季北高南低，冬季西北低，东南、南高的分布特征。2019—2023年，降尺度所得高值土壤水分栅格像元个数逐年减少，其中2019年均值为0.219 m3/m3，2023年均值为0.206 m3/m3，平均每年减少0.002 6 m3/m3。
本研究针对高原灌区不同时节土壤含水与植被生长关系的现状，采用修正水胁迫参数的CASA模型提取研究区NPP时空变化情况。2019—2023年NPP时空变化显示年均NPP上升，空间分布东高西低，种植区高于城镇区。夏季NPP分布明显，低值集中于城镇区域；冬季由于休耕，NPP分布错综交杂。夏季有25个栅格个数下降，347个栅格个数保持不变；冬季有59个栅格个数下降，有215个栅格个数增加。年均83个栅格个数减少，平均每年减少16.6个，182个栅格个数增加，平均每年增加36.4个，107个保持不变。为了探究不同种植结构植被生长与土壤水分的关系，本研究构建有林地、水田、水浇地3类场景，两者关系在有林地场景的相关系数无明显时间特征，水田场景的相关关系在夏季表现得尤为突出，水浇地场景对于两者相关关系呈夏季高冬季低的季节性变化。在探究不同时节土壤含水与植被生长关系的研究中，本文仅从相关关系出发，缺乏其他评价指标的数据支撑，同时在研究进行的过程中，针对不同季节，将降雨和地表蒸散等条件纳入RF模型对SMAP L4土壤水分产品降尺度的效果可能会更好。同时不同场景作物的根深不同，因此考虑垂直结构上不同深度的土壤水分预测和反演也会是值得深入研究的课题。

4.2 结论

1）RF模型与实测数据吻合较好，预测精度随影像分辨率升高而增加，但部分结果偏估极值情况。研究区土壤水分分布在0.16~0.31之间，夏季北部水田区域水分多，水分空间分布北多南少；冬季西北低，东南、南部高。在夏季需调整灌溉策略，关注冬季土壤水分保持和水源涵养。
2）修正水胁迫参数后的CASA模型较好反映研究区NPP变化，R2均大于0.7，RMSE均小于0.3。研究期间，夏季NPP有93.28%的栅格像元保持不变，冬季NPP有57.8%的栅格像元显著增加，年均有48.92%的栅格像元呈增加趋势。NPP对土壤水分变化敏感，夏季极强相关，冬季和年均中相关。因此，夏季应减少土壤水分流失，采用滴灌、微喷灌等节水技术；冬季大宗作物休耕时，合理间断性灌溉，以确保NPP增加。
3）有林地、水田、水浇地土壤水分与NPP呈正相关，夏季影响最显著，年均次之，冬季较小。林地植物根系发达，吸水能力强，受水分胁迫干扰小；水田、水浇地对表层水分需求高，易受气象干旱影响。土壤水分与NPP关系呈季节性变化。因此，需制定科学合理的土地利用规划，协调区域水循环与NPP的平衡。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Xie C H, Wu S X, Zhuang Q W, et al. Where anthropogenic activity occurs,anthropogenic activity dominates vegetation net primary productivity change[J]. Remote Sensing, 2022, 14(5):1092.

[2]
张育斌, 张丽娜, 王军德. 陇中旱作区玉米全膜宽窄行种植对土壤水分及产量的影响[J]. 节水灌溉, 2023(12):9-17.

DOI

Zhang Y B, Zhang L N, Wang J D. Effects of full-film wide and narrow row planting of corn on soil moisture and yield in central Gansu dry farming area[J]. Water Saving Irrigation, 2023(12):9-17.

[3]
Chen X, Zhang Y P. Impacts of climate,phenology,elevation and their interactions on the net primary productivity of vegetation in Yunnan,China under global warming[J]. Ecological Indicators, 2023, 154:110533.

[4]
原晋涛, 陈万旭, 曾杰. 中国耕地利用变化时空分异特征及对耕地NPP的影响[J]. 自然资源学报, 2023, 38(12):3135-3149.

DOI

Yuan J T, Chen W X, Zeng J. Spatio-temporal differentiation of cropland use change and its impact on cropland NPP in China[J]. Journal of Natural Resources, 2023, 38(12):3135-3149.

[5]
田东哲, 吴苏, 徐梦帅, 等. 基于涡度相关法的森林生态系统碳通量观测研究[J]. 现代信息科技, 2022, 6(11):149-152.

Tian D Z, Wu S, Xu M S, et al. Observational research on carbon flux of forest ecosystem based on eddy covariance[J]. Modern Information Technology, 2022, 6(11):149-152.

[6]
吴旗韬, 李苑君, 石喜平, 等. 基于叶绿素测定法的广东省典型水库初级生产力评估[J]. 水产养殖, 2022, 43(10):4-8.

Wu Q T, Li Y J, Shi X P, et al. Primary productivity assessment of typical reservoirs in Guangdong Province based on chlorophyll measurement[J]. Journal of Aquaculture, 2022, 43(10):4-8.

[7]
方浩玲, 程先富, 秦丽. 安徽省植被净初级生产力估算——基于改进的CASA模型[J]. 生态学报, 2024, 44(4):1601-1612.

Fang H L, Cheng X F, Qin L. Estimation of net primary productivity of vegetation in Anhui Province based on improved CASA model[J]. Acta Ecologica Sinica, 2024, 44(4):1601-1612.

[8]
徐勇, 周清华, 窦世卿, 等. 基于ZGS和TW模型的长江流域植被NPP时空演变特征[J]. 水土保持通报, 2022, 42(1):225-232.

Xu Y, Zhou Q H, Dou S Q, et al. Spatiotemporal characteristics of vegetation net primary productivity in Yangtze River Basin based on ZGS and Thornthwaite Memorial models[J]. Bulletin of Soil and Water Conservation, 2022, 42(1):225-232.

[9]
贾畅, 王丽娜, 唐亚坤. 利用Biome-BGC模型模拟黄土区沙棘人工林碳通量时的生理生态参数敏感性[J]. 林业科学, 2022, 58(11):49-60.

Jia C, Wang L N, Tang Y K. Sensitivity analysis of ecophysiological parameters for the simulated carbon flux using the Biome-BGC model in a Hippophae rhamnoides plantation in the loess region[J]. Scientia Silvae Sinicae, 2022, 58(11):49-60.

[10]
Yu D Y, Shi P J, Shao H B, et al. Modelling net primary productivi-ty of terrestrial ecosystems in East Asia based on an improved CASA ecosystem model[J]. International Journal of Remote Sensing, 2009, 30(18):4851-4866.

[11]
尚天浩, 贾萍萍, 孙媛, 等. 宁夏银北地区盐碱化土壤水分光谱特征及模型拟合精度分析[J]. 水土保持通报, 2020, 40(4):183-189.

Shang T H, Jia P P, Sun Y, et al. Spectral characteristics of soil moisture in salinized soil and model fitting accuracy in northern Yinchua City,Ningxia Hui Autonomous Region[J]. Bulletin of Soil and Water Conservation, 2020, 40(4):183-189.

[12]
张兆旭, 崔津, 苟文涛, 等. 基于温度植被干旱指数的华北平原干旱监测及时空变化分析[J]. 农业大数据学报, 2023, 5(1):95-107.

DOI

Zhang Z X, Cui J, Gou W T, et al. Drought monitoring and spatiotemporal changes analysis in North China Plain based on temperature vegetation dryness index[J]. Journal of Agricultural Big Data, 2023, 5(1):95-107.

DOI

[13]
王锡刚. 基于水云模型标定的土壤水分反演研究[D]. 长春: 吉林大学, 2023.

Wang X G. Research on soil moisture retrieval based on the calibration of water cloud model[D]. Changchun: Jilin University, 2023.

[14]
赵伟, 文凤平, 蔡俊飞. 被动微波土壤水分遥感产品空间降尺度研究:方法、进展及挑战[J]. 遥感学报, 2022, 26(9):1699-1722.

Zhao W, Wen F P, Cai J F. Methods,progresses,and challenges of passive microwave soil moisture spatial downscaling[J]. National Remote Sensing Bulletin, 2022, 26(9):1699-1722.

[15]
张国平, 王红丽, 张绪成, 等. 不同治理模式对玛曲沙化草原生态恢复过程中土壤水分和植被净初级生产力的影响[J]. 甘肃农业科技, 2022, 53(4):58-63.

Zhang G P, Wang H L, Zhang X C, et al. Effects of different governance modes on soil moisture and vegetation net primary productivity during the ecological restoration of desertified grassland in Maqu County[J]. Gansu Agricultural Science and Technology, 2022, 53(4):58-63.

[16]
付石林, 雷加强, 周仪琪, 等. 基于植被净初级生产力和水分利用效率的埃塞俄比亚土地退化趋势及驱动因素分析[J]. 中国沙漠, 2023, 43(1):128-141.

DOI

Fu S L, Lei J Q, Zhou Y Q, et al. Analysis of land degradation trends and driving factors in Ethiopia based on NPP-WUE[J]. Journal of Desert Research, 2023, 43(1):128-141.

[17]
岳东霞, 牟鑫亮, 周妍妍, 等. 疏勒河流域净初级生产力与土壤含水量耦合关系研究[J]. 兰州大学学报(自然科学版), 2021, 57(4):518-527,536.

Yue D X, Mu X L, Zhou Y Y, et al. Coupling relationship between net primary productivity and soil moisture content in the Shule River Basin[J]. Journal of Lanzhou University (Natural Sciences), 2021, 57(4):518-527,536.

[18]
文凤平. 基于值域一致性的SMAP被动微波土壤水分产品空间降尺度研究[D]. 成都: 中国科学院大学(中国科学院水利部成都山地灾害与环境研究所), 2020.

Wen F P. Spatial downscaling of SMAP passive microwave soil moisture products based on range consistency[D]. Chengdu: Institute of Mountain Hazards and Environment,Chinese Academy of Sciences, 2020.

[19]
Jiang Y Z, Yang K, Shao C K, et al. A downscaling approach for constructing high-resolution precipitation dataset over the Tibetan Plateau from ERA5 reanalysis[J]. Atmospheric Research, 2021, 256:105574.

[20]
梁文海, 刘吉凯, 陈琦, 等. 基于面向对象方法的GF-2影像桉树信息提取对比分析[J]. 林业资源管理, 2017(6):54-59.

Liang W H, Liu J K, Chen Q, et al. A comparison of object-oriented methods of extracting Eucalyptus information based on GF-2 images[J]. Forest Resources Management, 2017(6):54-59.

[21]
Guan D J, Nie J L, Zhou L L, et al. How to simulate carbon sequestration potential of forest vegetation? A forest carbon sequestration model across a typical mountain city in China[J]. Remote Sensing, 2023, 15(21):5096.

[22]
Bao G, Bao Y H, Qin Z H, et al. Modeling net primary productivity of terrestrial ecosystems in the semi-arid climate of the Mongolian Plateau using LSWI-based CASA ecosystem model[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 46:84-93.

[23]
Zhang X L, Xiao W H, Wang Y C, et al. Spatial-temporal changes in NPP and its relationship with climate factors based on sensitivity analysis in the Shiyang River Basin[J]. Journal of Earth System Science, 2019, 129(1):24.

[24]
Wu C Y, Chen K L, et al. Improved CASA model based on satellite remote sensing data:Simulating net primary productivity of Qinghai Lake Basin alpine grassland[J]. Geoscientific Model Development, 2022, 15(17):6919-6933.

[25]
Abdi A M, Vrieling A, Yengoh G T, et al. The El Niño-La Niña cycle and recent trends in supply and demand of net primary productivity in African drylands[J]. Climatic Change, 2016, 138(1):111-125.

[26]
Hou G Y, Wu S X, Long W Y, et al. Quantitative analysis of the impact of climate change and oasification on changes in net primary productivity variation in mid-Tianshan Mountains from 2001 to 2020[J]. Ecological Indicators, 2023, 154:110820.

[27]
Ding H, Yuan Z, Shi X L, et al. Soil moisture content-based analysis of terrestrial ecosystems in China:Water use efficiency of vegetation systems[J]. Ecological Indicators, 2023, 150:110271.

[28]
Yin C H, Luo M, Meng F H, et al. Contributions of climatic and anthropogenic drivers to net primary productivity of vegetation in the Mongolian Plateau[J]. Remote Sensing, 2022, 14(14):3383.

Options
文章导航

/

〈 〉