淮河黄泥庄流域土壤水分时间稳定性分析外文翻译资料

 2022-11-26 20:12:47

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

核心观点

bull; 流域尺度上的土壤含水量数据可以利用分布式模型模拟得来。

bull; 使用模型模拟的数据可以研究控制土壤湿度时间稳定性的因素。

bull; 采用时间稳定性主导因素作为先验条件时，土壤水分估计的准确性得以提高。

bull; 调查了最少的采样点数和最短的采样周期。

Lingna Wei 南京信息工程大学水文气象学院，代尔夫特理工大学土木工程与地球科学学院水资源部。

Jianzhi Dong 荷兰代尔夫特理工大学 USDA-ARS，水文和遥感实验室。

Man Gao, Xi Chen 水文水资源与水利工程科学国家重点实验室 *通讯作者（weilingna@nuist.edu.cn）。

2016年12月17日收到。

2017年6月29日接受。

Lingna Wei，Jianzhi Dong，Man Gao，Xi Chen 控制表层土壤水分时间稳定性的因素：流域规模模式研究。

Vadose Zone J. 16（10）。DOI：10.2136/ vzj2016.12.0132

Vol. 16, Iss. 10, 2017

copy;美国土壤科学协会

5585 Guilford Rd。，Madison，WI 53711 USA。 版权所有表层土壤水分时间稳定性的控制因素：一次流域尺度的模拟研究

Lingna Wei*，Jianzhi Dong，Man Gao，Xi Chen

专题部分：土壤变异性和生物地球化学通量

土壤湿度的空间变异性使得采用传统的单点土壤监测探头无法代表流域尺度的土壤湿度。在时间稳定性的概念中，假定土壤水分的空间结构随时间具有稳定性。因此，代表点的测量结果可以用来表示流域平均的土壤含水量。我们调查了影响时间稳定性的因素，并试图找出这些代表性的点，采用了流域尺度上长时期模拟获得的高分辨率土壤含水量数据。结果显示，流域主要植被覆盖和地形湿度指数（TI）较低的位置可以提供合理的平均土壤含水量估计值。利用植被覆盖和TI信息，我们可以将识别真实流域尺度平均值的最佳估计所需的采样地点数量减至最小。采样持续时间也是一个关键因素。使用随机组合方法可估计所需采样点的最小数量和最短采样时间。使用10个点进行采样，需要10个月的采样周期以准确地确定代表点。我们的研究结果有助于将时间稳定性方法应用于区域土壤水分估算以及遥感数据的校准和验证。

缩写：CRNP，宇宙射线中子探测器; DEM，数字高程模型; DHSVM，分布式水文土壤植被模型; GNSS，全球导航卫星系统; HNZ，黄泥庄流域; ITS，时间稳定性指标; LAI，叶面积指数; MRD，平均相对偏差; NDVI，归一化差异植被指数; NSE，Nash-Sut-cliffe效率系数; SDRD，相对偏差的标准差; TI，地形湿度指数; TS，时间稳定性; TSp，基于先验知识的时间稳定性分析。

土壤水是影响地表和大气之间时空相互作用的关键变量。 由于与洪水或干旱预报（Brocca等，2012; Cai等，2009）和天气预报（Drusch，2007; Albergel等，2010）有关，土壤水在空间和时间尺度上的变异性是研究热点。

精确地测量土壤含水量极富挑战性。微波遥感或许是获取全球土壤水分信息的最可行的方法（Martiacute;nez-Fernaacute;ndez和Ceballos，2005）。 然而，微波遥感产品通常测量大于10公里尺度的土壤水分（Mohanty和Skaggs，2001）。这就需要大量的传统探头来校准和验证遥感产品的精度（Dong et al，2016a，2016b）。通常这在逻辑上或经济上都是行不通的（Brocca等，2012; Steele-Dunne等，2010; Dong等，2016a）。

新技术诸如全球导航卫星系统（GNSS）（Larson等人，2008）和宇宙射线中子探测器（CRNP）（Zreda等人，2008）的问世为验证大尺度微波遥感土壤水传感器带来了便利（Bogena等，2015; Ochsner等，2013）。 这些技术可以在直径数百米的地区获得土壤的平均土壤湿度值（Kouml;hli等，2015）。 然而，GNSS和CRNP受大气水汽，植被覆盖和土壤水分条件的影响（Larson等，2010; Baroni和Oswald，2015; Franz等，2012; Rosolem等，2013）。Montzka等人虽然（2017）证实了使用CRNP观测验证遥感产品的潜力，但准确地解译GNSS和CRNP信号仍然具有挑战性，研究仍在进行（Andreasen等，2017; Zhu等，2017; Baatz等 ，2015）。

Vadose Zone Journal | Advancing Critical Zone Science

除了中尺度的土壤水分测量技术之外，我们还对升尺度方法进行了评测。升尺度方法使用有限的点尺度探头准确地代表大尺度上的面平均土壤含水量。目前广泛使用的是时间稳定性（TS）方法。TS方法基于这样的假设，即特定景观内的土壤水分布模式往往会随时间而持续（Vachaud 等，1985）。TS概念假定单点土壤水，也就是代表点的土壤水，可以代表面平均土壤水及整个流域内的变异特性。因此，只要使用合适的代表点，就可以利用较少的几个点传感器准确地估算大面积的土壤水分。 这一概念已经在土壤，植被，地形和气候等领域得到证实（Yang等，2016; Brocca等，2014; Mittelbach和Seneviratne，2012）。

应用时间稳定性方法的关键是准确定位代表点。然后可以通过使用点尺度的测量来估计土壤水分的面平均值。这个过程是建立在使用准确放置于代表点位置的探头在选定时间段内观测大尺度土壤水分的前提上的（例如，Martiacute;nez-Fernaacute;ndez和Ceballos，2003; Schneider等人，2008; Wang等人，2008; Hu等人，2010; Brocca等，2010，2012）。

经过研究，利用地形、植被、土壤属性、气象强迫和地下水位等条件来定位代表性点具备可行性（Mohanty和Skaggs，2001; Starks等，2006）。然而，控制代表点的因素在不同地区可能有所不同，各个因素的重要性也会有所不同（例如Martiacute;nez-Fernaacute;ndez和Ceballos，2003; Lin，2006; Penna等，2013）。Zhao等人在2010发表文章中认为：根据现有的土壤和植物参数，使用回归分析可以确定代表性位置。Tallon和Si（2004）发现时间稳定性位置与土壤类型以及地形之间的关系很差。 Jacobs等人（2004）展示了含沙量最高的取样点往往具有最低的TS，而Mohanty和Skaggs（2001）发现沙质壤土比粉质壤土更稳定。Schneider等人（2008）认为四个地点的TS差异与不同的植被组成和模式有关。Hu等人（2009）发现土壤颗粒大小和有机质含量是TS的主要控制因素。

由于变量之间强烈的相互作用，现有大多数结论都是针对特定地区的。因此，我们无法得出关于时间稳定性控制因素的一般结论（Baroni等，2013; Vanderlinden等，2012）。从水文角度来看，控制因素取决于研究地区具体的水文状况，例如干旱或湿润条件（Poltoradnev等，2016）。Grayson等人（1997）证明了与湿润和干燥两种主要土壤湿度条件相对应的局部（土壤特性和植被分布）和非局部（侧向壤中流）控制。

将平均土壤水作为中间状态，空间土壤水分布反映了湿润条件下土壤质地的变化特性，以及干燥条件下植被的变化情况（Teuling and Troch，2005; Baroni et al，2013）。滞后效应被认为是这些影响因素之间的复杂相互作用所导致（Rosenbaum 等，2012）。

由于土壤、植被、地形属性和天气条件在不同区域特征下具有高度非均质性，土壤水分TS主要控制条件不再是单一主要变量控制，而是多因素交织共同影响。这就需要重点研究观测方案、地形、土壤、植被和气候对土壤水分TS的相互作用和影响（Vanderlinden 等，2012），特别是对于那些通过密集的土壤水观测网络得到的长期观测资料。目前只有少数的调查记录了在某些集水区布设密集的土壤水监测探头进行水文观测站。例如欧洲的HOBE和TERENO（Jensen和Illangasekare，2011; Zacharias等，2011）与美国的关键区观测站（Anderson等，2008）。利用控制因素之间的相互作用，可以检验季节与事件尺度的空间土壤水动态过程。表层土壤中较大的变化主要与气象强迫条件有关，而空间土壤水分模式随着深度，土壤含水量，季节，并在单一湿润-干燥期内变化（Rosenbaum et al。，2012）。在大多数的研究中都不可避免地在大尺度各种面积范围的流域内应用现有的每10平方公里不足一个探头的传统稀疏的监测网络（Crow等，2012; Poltoradnev等，2016）。因此，仅有非常有限的数据用于流域尺度的代表点影响因素的研究。TS方法需要足够的取样数量，这可能是流域尺度上TS分析的限制之一。

由于布设观测站的费用昂贵以及土壤水空间相关性很低，原位观测网络鲜有可以提供足够覆盖率的土壤湿度观测以获取长期高分辨率的空间变异性特征（Crow等，2012; Chaney等，2015）。因此，分布式陆面模拟将是探索不同因素对TS作用的一个可行选择。本研究的目的是调查流域尺度土壤水分时间稳定性的相关因素。我们研究了相关的先验信息，利用先验信息可以精确定位代表点，使用有限数量的点尺度探头准确应用TS方法的影响因素， 由于现有的土壤水分网络无法满足对大量高分辨率土壤水分观测资料的需求。我们利用分布式水文模型模拟土壤水分加以取代进行TS分析。

数据和方法

研究区域

黄泥庄流域（以下简称HNZ）（范围在31°6-31°42N，115°21-115°43E）面积805平方公里。它是中国淮河南部史河的源头地区（见图1）。海拔范围从130米到1500米不等，地形主要是山脉和丘陵（见图2a）。年平均气温在12至21°C之间变化，年平均降水量和潜在蒸发量分别为1380和1180毫米/年。 年际和年内降水量差异很大，降水量的50％-80％集中于6 - 9月。主要植被为栎属（Quercus acutissima Carruth），马尾松（Pinus massoniana Lamb.），杉木（Cunninghamia lanceolata）(Lamb.)和荆条（Vitex negundo var. heterophylla），以林地，灌木和草地为地表植被覆盖类型。土壤类型分为砂质壤土，壤砂土，砂质粘壤土和粉质粘壤土，包含各种质地，兼有粗细颗粒的质地大面积存在。土壤和植物类型的空间分布见图2b和2c。

模型和土壤湿度样本描述

分布式水文土壤植被模型（简称DHSVM）是一个物理基础的分布式参数模型。它提供了由数字高程模型（DEM）数据刻画的空间尺度上蒸发、散发，土壤水和径流的流域过程的动态表示。它可以精确地模拟土壤水分并捕捉土壤湿度的时间动态（Lan等，2006）。Wigmosta（1994年，2002年），Storck等 （1998），Nijssen和Lettenmaier（1999）等人对该模型进行了详细描述。DHSVM的单个网格单元包含一个上冠层以及一个下层或是裸露的土壤。降水通过两个植被冠层时被叶片截留直至满足最大截留量（Ico和Icu），其被定义为叶面积指数（LAI）的函数，如Dickinson等人（1991）所列：

[1]

其中rj是冠层截留系数，Fj是冠层覆盖比例，表达式中的下标j是（o）为上冠层植被，是（u）为下冠层。 植被冠层拦截水量SIj的计算是：

图1（a，b）黄泥庄（HNZ）流域的位置和（c）降水测站以及土壤水采样点位置。

图2：（a）数字高程模型和河网，（b）土壤，（c）植被覆盖的数据集。

[2]

其中P是降雨量，EIj是冠层的截留蒸发量。

假定植物潮湿叶面的截留蒸发以潜在蒸散发率进行。使用Penman-Monteith方法（Wigmosta等，1994）来计算干燥植被表面的蒸腾作用。模型中计算的土壤蒸发Es参照Entekhabi和Eagleson（1989）描述的基于土壤物理学的方法。

土壤表面接收来自净雨或是相邻网格地表径流的水分。由用户定义的最大渗透率确定每个时间步长可以渗透的总水深。根据Wigmosta等人（1994）的文献，使用多层表示方式来模拟非饱和水分运动。 每个植被层可以消耗一个或多个土壤层水分，而每个土壤层又可以包含来自一个或多个植被层的根系。使用Penman-Monteith方法计算给定冠层每个土壤层的散发量，再乘以该层的植被根系比例。土壤蒸发只发生于最上层的区域。利用基于质量平衡的多层非饱和土壤模型计算土壤水动态变化：

其中d1，d2和d3以及theta;1，theta;2和theta;3分别为上层土壤层，中层土壤和下层土壤的土壤厚度和平均土壤含

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22353]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章