《Journal of Hydrology》：Estimation of multi-depth soil water storage properties by inversion of crop model: Effect of type, frequency, and timing of observations
编辑推荐：
土壤水分保持特性（SWPs）的逆模型评估表明，地表变量（SM1、TS1）与植被参数（LAI、ET）的组合可分层估算0-100cm土层FC（0.07%）和WP（0.34%-1.16%）的精度，最佳组合为表层SM1、中间层SM1+ET+LAI、深层SM1+ET+LAI。土壤质地和水分胁迫显著影响精度，沙质和黏质土壤误差分别增加0.3倍和0.5倍，而中等质地土壤误差最低。TS1可替代SM1用于表层SWP估算。该框架通过卫星可获取的SM1、TS1、LAI、ET变量实现资源高效的多深度SWP反演，支持大范围农业水文建模。
V.K. Aswathi|K. Sreelash|S. Amrutha|K. Shenu Jose|Sarmistha Singh
印度喀拉拉邦蒂鲁瓦南塔普拉姆国家地球科学研究中心
摘要
土壤-水通量，包括土壤湿度、土壤水分储存和补给，在地表能量交换中起着关键作用，这是陆地表过程建模的重要组成部分。可靠地估算土壤-水分储存特性（SWPs）对于估算这些通量至关重要，然而这类信息往往有限。本研究评估了利用逆向建模方法，通过地表土壤湿度（SM1）、地表土壤温度（TS1）、叶面积指数（LAI）和蒸散量（ET）来估算多层土壤水分储存特性（如田间持水量（FC）和萎蔫点（WP）的潜力。在不同的观测条件下，使用不同的加权似然函数组合对三个深度（1–10厘米、10–50厘米、50–100厘米）的SWPs进行了估算。通过使用STICS作物模型生成的合成数据集进行了一系列实验，评估了变量选择、土壤类型、观测频率/时间以及水分状况对多层土壤水分储存特性估算的影响。敏感性分析显示，SM1和冠层变量对地表和地下SWPs的敏感性随时间变化。地表层的SWPs使用SM1估算效果最佳（平均相对误差：FC = 0.07，WP = 0.34）；第二层使用ET + LAI（LAI权重较大）估算效果较好（FC = 0.27，WP = 0.24）；第三层使用SM1 + ET + LAI组合估算效果最好（FC = 0.63，WP = 1.16）。中等质地的土壤比沙质和粘土质土壤提供了更准确的SWPs估算结果，且不确定性相对较低。土壤水分胁迫对深层SWPs的估算有显著影响。使用TS1估算SWPs表明，它有可能作为SM1的替代方法。该方法提供了一个资源效率高的SWPs估算框架，通过证明较少但时机恰当的观测数据就可以提供多层SWPs的可靠估算结果。
引言
土壤水通量，包括土壤湿度、土壤水分储存和补给通量，对地球表面的能量交换至关重要，并在陆地表过程建模中起着基础性作用。准确估算土壤水力特性（SWPs）对于模拟这些通量至关重要，特别是在非饱和带（Salahou等人，2022年）。关键的SWPs，如田间持水量（FC，-33 kPa）和永久萎蔫点（WP，-1500 kPa），对于表征不同土壤层的水分保持行为至关重要（Gao等人，2022年），并且对于理解农业流域中的多个过程也非常重要（Gupta等人，2016年；Zhang等人，2026年）。迄今为止，诸如国际土壤参考与信息中心（ISRIC）-世界土壤排放潜力数据库（WISE）（Batjes，2012年）、SoilGrids250m（Hengl等人，2017年）以及最近的ISRIC-世界土壤信息服务（WoSIS）（Ribeiro等人，2015年）等全球性倡议，已经大大提高了我们对土壤质地类别的认识。然而，关于土壤水分储存特性的可靠数据集仍然稀缺，这限制了它们在大规模水文和农业建模中的有效应用。SWPs估算的不确定性对水文模型的预测准确性和实际应用提出了重大挑战（Fang等人，2010年）。虽然基于Richards方程的方法被广泛认为是模拟土壤-水-植物-大气相互作用的最先进方法（Pinheiro等人，2019年），但由于计算需求高和空间分布数据的稀缺，其可扩展性有限（Nasta & Romano，2016年）。相反，逆向建模方法通过对土壤剖面施加边界条件来推断SWPs，提供了一种实用且可靠的解决方案（Kumar等人，2010年）。此外，通过进行敏感性分析来评估输入变量在SWPs估算中的可靠性，突显了它们在影响模型性能中的关键作用（Bai等人，2020年；Hu等人，2019年）。因此，稳健的SWPs表征对于准确描述土壤水分动态及相关过程至关重要（Weber等人，2024年；Fang等人，2025年）。
在土壤-植物-大气连续体中，土壤通过促进根系介导的水分和养分吸收来维持植物生长（Bonfante等人，2017年）。估算SWPs与根系水分吸收密切相关，而根系水分吸收受到模型参数之间复杂相互作用的影响。非正式的贝叶斯方法已被用于估算SWPs（Makowski等人，2002年），但在没有适当全局敏感性分析的非线性系统中，这些方法容易出现不准确性（Manache & Melching，2008年）。这些方法也已成功应用于作物模型（Ruget等人，2002年；Flénet等人，2004年；Makowski等人，2006年），从而在不同水分胁迫条件下提高了参数的可估算性（Varella等人，2010b年）。气候影响以及冠层和地表变量之间的相互作用进一步复杂化了SWPs的估算，强调了基于多目标校准框架、约束优化以及整合遥感-derived冠层和地表变量的方法的重要性。
早期研究（例如，Feddes等人，1993年）展示了使用遥感数据来表征陆地表行为的潜力。然而，基于卫星的产品只能提供大约5厘米深度以内的土壤湿度估算（Ochsner等人，2013年），而在地表层以下进行准确测量并具有足够空间覆盖范围的能力仍有待讨论（Entekhabi等人，2014年；Brocca等人，2017年；Karthikeyan和Mishra，2021年；Huang等人，2023年；Wu等人，2024年）。尝试使用基于农水文模型的反演方法，结合地表土壤湿度（SM1）和冠层变量，表明可以以合理的准确性和较低的不确定性估算多层土壤的SWPs（Ines和Mohanty，2008年；Sreelash等人，2012年，2017年）。顺序过滤技术在利用遥感土壤湿度估算SWPs方面被证明是有效的（Montzka等人，2011年）。然而，这些方法也需要大量参数来校准模型，以适应区域和局部尺度。尽管使用地表变量的逆向建模方法已被证明可以提供可靠的地下SWPs估算结果，但过度参数化和有限的土壤层仍然是重要的缺陷，而且这些方法在分层土壤中的适用性以及用于估算SWPs的变量选择需要进一步详细分析。
除了基于过程的模型外，数据驱动模型也作为一种替代方法出现，用于估算诸如SM（Hassan-Esfahani等人，2015年；Abowarda等人，2021年；Wei等人，2024年）、根区土壤湿度（Kornelsen和Coulibaly，2014年；Pan等人，2017年；Karthikeyan和Mishra，2021年；Carranza等人，2021年）等通量。大多数这些研究倾向于将土壤剖面视为均匀实体，忽略了其异质性和根系水分吸收动态。此外，这些研究强调环境协变量作为预测因子的重要性，同时关注土壤质地类别，而对土壤水分储存特性（特别是FC和WP）的关注相对较少，而这些特性对于通量估算尤为重要，尤其是在农业流域中。进一步理解植被用水和地下水源的使用也突显了准确表征地下土壤水分储存和运动的重要性（Gun等人，2026年）。为了获得可靠的多层SWPs估算结果，这些结果也可以作为数据驱动方法中的有效预测因子，因此开发能够提供SWPs空间估算的稳健方法是必要的。
在此背景下，本研究旨在开发一种使用遥感平台获取的土壤和冠层变量来估算多层SWPs的方法。具体而言，本研究旨在：(a) 通过基于方差的敏感性分析分析土壤和冠层变量对SWPs估算的影响；(b) 使用STICS作物模型确定估算三个土壤层（0–100厘米）SWPs的最佳变量组合；(c) 了解土壤类型和水分胁迫对SWPs估算的影响；(d) 评估观测频率和时机对SWPs估算质量的影响；(e) 探索地表土壤温度（TS1）在SWPs估算中的潜力。
材料与方法
本研究使用作物模型STICS（Brisson等人，2003年；Guérif等人，2006年）的反演方法，并结合广义似然不确定性估算（GLUE）（Beven和Binley，1992年）方法，在具有不同土壤类型的三层土壤合成数据集上进行了研究。用于反演的变量是根据时间变化的敏感性分析选择的。STICS模型的详细信息、敏感性分析、反演过程和合成实验的具体内容如下所述。
结果
参数采样使用了LHS方法，并应用了约束条件来排除不可接受的参数集。在所有三个土壤层中，排除了(SFC- WP) ≤ 7 g/g的参数组合，因为这些情况在实地实验中从未观察到。应用这些约束后，大约四分之三的参数集被过滤掉。
讨论
结果表明，通过利用遥感数据获得的地表和冠层变量（SM1、TS1、LAI和ET），可以通过作物模型反演来估算地下SWPs。重要的是，本研究考虑了由土壤质地层变化引起的土壤剖面异质性，这是以往研究中很大程度上被忽视的方面（Montzka等人，2011年；Sreelash等人，2012年）。此外，在多层土壤剖面上进行的合成实验表明...
研究的操作范围、可扩展性和意义
使用卫星获取的地表和冠层变量为所提出框架的操作可扩展性提供了关键优势。本研究中使用的变量可以从遥感平台（例如SMAP、NISAR（即将发射的任务）、MODIS、Sentinel）获取，从而能够在区域到更大空间范围内连续应用该框架进行多层SWPs的估算。然而，基于卫星的观测本质上与数据获取相关...
结论
本研究强调了使用地表变量（SM1、TS1）和冠层变量（LAI、ET）以及不同权重组合，通过STICS作物模型生成的合成数据集和逆向建模方法，进行多层SWPs的顺序估算。此外，该研究还评估了水分状况、观测频率/时间和土壤类型对SWPs估算的影响。
研究表明：
•时间变化的敏感性分析显示，地表和冠层变量表现出特征性...
写作过程中生成式AI和AI辅助技术的声明
在准备本工作时，作者使用了Google AI和ChatGPT来改进语言和可读性，但使用这些工具后，作者对内容进行了必要的审查和编辑，并对出版物的内容负全责。
未引用参考文献
Entekhabi和Yueh，2014年；Guerif等人，2006年；Lamba和Bhandari，1998年；Oke，2002年；Sreelash等人，2017年；Wu和Zhao，2024年。CRediT作者贡献声明
V.K. Aswathi：撰写 - 原始草稿、验证、方法论、概念化。K. Sreelash：S. Amrutha：K. Shenu Jose：Sarmistha Singh：撰写 - 审稿与编辑、监督。利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
致谢
第一作者感谢印度大学拨款委员会（UGC）为研究工作提供的奖学金。作者还感谢喀拉拉邦科学技术与环境委员会（KSCSTE）为开展实地实验提供的部分资金支持。作者感谢国家地球科学研究中心（NCESS）主任的支持和鼓励。
