基于多源遥感数据的艾比湖流域盐土SWAT模型参数修正

在SWAT(soil and water assessment tool)模型模拟地表分量过程中,常默认土壤剖面电导率(electrical conductivity,EC)值为0或0.1,将其应用于土壤盐渍化程度较高的流域时,不符合下垫面实际情况。为确保水文模拟逼近真实地表模拟过程,进一步提高模拟精度,该文利用GF-1号卫星16 m分辨率多光谱遥感影像结合分类回归树法反演艾比湖流域区域尺度0~100 cm土壤剖面电导率,模拟值与实测值均方根最大值误差为4.81 dS/m,相对误差最大值为15.17%。模拟值用于修正EC值,结果表明:EC值修正后的SWAT模型土壤水分模拟值,较修正前模拟值精度提高23.84个百分点。该方法在实现SWAT模型参数本地化的同时,有效提高了土壤水分模拟精度,可为土壤盐渍化区域水文模拟提供参考。     

基于SCS模型的新疆博尔塔拉河流域径流模拟

为探索SCS(soil conservation service)模型在干旱区地表径流模拟中的适用性,以新疆博尔塔拉河上游温泉流域为例,利用2013年融雪期18场次降雨量、日径流量及卫星同步观测基础数据,基于度日模型、土壤水分吸收平衡原理及地表温度-植被指数特征空间反演土壤水分等方法,探索适用于流域尺度耦合降雨、积雪融水混合补给径流的SCS模型参数改进算法,采用国产"高分一号"16m分辨率遥感影像和landsat8 OLI 30m多光谱遥影像为模型提供面状数据。分别利用参数算法改进后SCS模型与原SCS模型进行径流模拟,前者模拟值较后者更接近实测值,二者模型验证期Nash效率系数分别为0.66和0.38,相对误差系数分别17%,27%;研究结果表明,利用遥感反演地表参数,结合土壤饱和含水量计算SCS模型参数的方法在面积大且数据缺乏的温泉流域具有可行性和实用性。     

新疆1961-2013年参考作物蒸散量时空变异

准确评估参考作物蒸散量的变化规律对新疆农业生产及水资源合理利用具有重要作用,采用Penman-Monteith公式以及55个气象站的逐日气象资料,计算了新疆1961-2013年参考作物蒸散量并分析其时空变化特征,运用多元回归分析法对影响参考作物蒸散量变化的主导气象因素进行了定量分析.结果表明:新疆ET0总体呈下降趋势,年际变化率为-1.01 mm/a.在20世纪80年代之前ET0偏高,90年代减少到最大,2000年以来又逐渐增大.从季节来看,夏季、秋季的ET0与年ET0的减小趋势一致,春季冬季ET0的减少趋势不明显.在不同年代际时间尺度,新疆全年及季节ET0的年际变化在空间上存在一定的分异.风速是全年及夏、秋季ET0变化的主导因素,而温度是春季及冬季新疆区域蒸发量变化的主导因素.     

集成土壤-环境关系与机器学习的干旱区土壤属性数字制图

【目的】土壤属性的空间分布是影响农业生产力、土地管理和生态安全的重要因素。通过土壤环境耦合关系,在机器学习算法框架下,定量预测出干旱区土壤酸碱度（pH）、土壤盐分含量（Soil Salt Content,SSC)与土壤有机质（Soil Organic Matter, SOM）3种土壤属性的空间分布,为干旱区农业生产和生态安全提供科学依据。【方法】在渭干河—库车河绿洲干旱区于2017年7月设计采集典型表层（0—20 cm）土壤样品82个,依据土壤-环境之间的关系,集成DEM数据和Landsat 8数据提取出32种环境协变量,利用栅格重采样将提取出的32种变量重采样为90 m空间分辨率并转换为Grid格式参与建模。借助梯度提升决策树（Gradient Boosting Decision Tree,GBDT）模型依次对3类土壤属性的32种环境协变量进行重要性排序,并通过均方根误差（Root Mean Square Error,RMSE）界定出协变量重要性阈值点,从而筛选出参与3类土壤属性制图的环境协变量。进而运用随机森林（Random Forest, RF）、Bagging和Cubist 3种非线性模型建模,并引入多元线性回归模型（Multiple Linear Regression,MLR）进行对比分析,选出最优模型并绘制出90 m分辨率新疆渭干河-库车河绿洲干旱区pH、SSC与SOM 3种土壤属性图。【结果】梯度提升决策树能有效筛选出重要协变量,高程（Elevation）、剖面曲率（Profile Curvature）、差值植被指数（Difference Vegetation Index）、扩展增强型植被指数（Extended Normalized Difference Vegetation Index）、调整土壤亮度植被指数（Modified Soil Adjusted Vegetation Index）、盐分指数S1（Salinity Index S1）以及盐分指数S6 （Salinity Index S6） 7类环境变量均参与3类土壤属性建模,其中SSC遴选出参与建模协变量15种,pH和SOM则均为17种,且遥感指标在预测土壤属性图中起到强大的作用。机器学习3种算法的结果均优于MLR。通过3种非线性模型对比发现,随机森林在3种土壤属性中均表现最佳。在随机森林预测的3种土壤属性中,土壤pH验证集效果R ²=0.6779,RMSE =0.2182,ρ_c=0.6084;在SSC预测中,验证集R ²=0.7945,RMSE =3.1803,ρ_c=0.8377;在SOM预测中,验证集R ²=0.7472,RMSE =3.5456,ρ_c=0.7009。 【结论】GBDT所筛选出的重要性因子借助机器学习算法可以用于干旱区土壤属性制图,且随机森林模型均对3类土壤属性表现出最佳预测能力。依据所绘制的土壤属性图并结合土壤分类图厘清了3种制图属性的空间分布。