基于SMAR模型与随机森林回归的高分辨率根区土壤水分模拟研究

　　 摘要:

根区土壤水分（RZSM）在水文循环中发挥着关键作用，调节着陆地和大气之间的水热交换过程，RZSM的精确模拟有助于深入地理解土壤剖面的水分迁移机制。云南省地处中国西南部，近年来干旱频发。相较于气象干旱与水文干旱，该区域对农业干旱的系统研究仍显不足。农业干旱具体表现为土壤水分的亏缺，其亏缺程度直接关联农业干旱的严重程度。因此，RZSM的动态模拟对于农业干旱监测具有突出意义。基于土壤水分分析关系（SMAR）模型，构建了一种集评估、模拟与降尺度于一体的系统方法框架，能够同时获取高精度、高分辨率的表层（0—10cm）与根区（10—60cm）土壤水分数据集。分析结果表明：（1）中国气象局陆面数据同化系统（CLDAS）相较于全球陆面数据同化系统（GLDAS）、欧洲中期天气预报中心第五版再分析数据（ERA5）和土壤水分业务产品系统（SMOPS），在站点尺度和区域尺度评估中均具有最小的不确定性，可作为SMAR模型的最优输入；（2）相较于原始CLDAS（CLDAS）、降尺度CLDAS（CLDASDS）、降尺度残差校正CLDAS（CLDASDSC）结果，降尺度残差校正累积分布函数（CDF）匹配（CLDASDSCC）结果在站点尺度下均方根误差（RMSE）、相关系数（CC）与偏差（Bias）分别为0.01m3/m3、0.97、-0.0006m3/m3，显著提升了表层土壤水分（SSM）的空间分辨率同时保持较高精度；（3）四个SMAR参数均受到植被、气候和土壤因子的综合影响。模拟的RZSM在站点尺度下表现出较高的精度，整个研究时段的平均CC为0.95、RMSE为0.01m3/m3、Bias为-0.001m3/m3，表明所构建方法能够准确地识别区域土壤水分的时空变化趋势，具有良好的评估能力和应用潜力。