在复杂地貌区域，土壤湿度分布对不同类型的干旱反应具有多维度特性：以黄河中游为例

《Journal of Hydrology: Regional Studies》：Multi-dimensional response of soil moisture distribution to different droughts in complex geomorphic area: A case study of the middle reaches of the Yellow River

　　孙 Congjian | 王 Ting | 陈 Wei
山西师范大学地理科学学院，太原 030031，中国

**摘要**
**研究区域**：中国黄河中游（MRYR）。
**研究重点**：理解土壤湿度（SM）的动态至关重要，但目前的研究缺乏对多种干旱类型和地貌特异性垂直响应的综合分析。本研究通过“三重配准”（Triple Collocation）技术融合了GLDAS、ERA5和CMA-Land数据，生成了高精度的土壤湿度产品（1990–2024年），量化了五个地貌区域的土壤湿度在时空上的异质性，评估了土壤湿度对气象干旱（SPEI）、土壤干旱（SSI）和植被干旱（TVDI）的响应，并通过提升回归树（Boosted Regression Trees）方法识别了主要驱动因素。

**对不同干旱类型和驱动因素下土壤湿度分布响应的新见解**：
（1）与单一数据源产品相比，土壤湿度产品的估计算准确度有所提高（R=0.419～0.668，RMSE=0.041～0.095 m3/m3）。
（2）多层土壤湿度显示出显著的湿润趋势，东南部较高、西北部较低，其中10～40 cm和40～100 cm深度的层变化最为明显。
（3）土壤湿度对干旱指标的响应存在明显的垂直异质性：SSI/SPEI与土壤湿度的相关性随土壤深度增加而降低，而TVDI与10～40 cm深度的土壤湿度表现出了强烈的相关性。
（4）土壤湿度变化的驱动因素存在明显的垂直分层和区域差异：表层土壤湿度受气象因素影响较大，而深层土壤湿度受土壤质地限制。

本研究阐明了复杂地貌区域中土壤湿度的时空变化模式及其对不同干旱条件的响应，对于半干旱复杂地形区域的水资源和土壤资源科学管理及高效利用具有重要意义。

**1. 引言**
土壤湿度（SM）对生态系统稳定性、农业生产力和可持续水资源管理至关重要，因为它在调节陆地表面与大气之间的物质和能量交换中起着关键作用（Wang et al., 2025）。在气候变化和人类活动的背景下，全球干旱的频率、持续时间和强度都在增加，从而影响了全球范围内的土壤湿度动态（Wang et al., 2024, Faiz et al., 2025）。土壤湿度的变化威胁着生态系统、农业生产和水资源管理（Liu et al., 2020, Zhu et al., 2025b）。因此，了解土壤湿度对干旱的响应对于农业生产及干旱预报至关重要（Liu et al., 2020）。

土壤湿度监测方法主要分为地面测量（Robinson et al., 2008）和卫星遥感技术（Hirschi et al., 2025）。由于卫星遥感技术具有宏观尺度覆盖能力和快速的数据获取能力，成为表征区域土壤湿度动态的重要工具（Araki et al., 2023, Silvestri et al., 2025）。例如，全球陆地数据同化系统（GLDAS，Araki et al., 2023）和第五代欧洲中期天气预报中心（ERA5，Silvestri et al., 2025）等陆地表面数据同化和再分析产品被广泛应用。尽管这些产品在探索区域土壤湿度的时空分布方面发挥了重要作用，但也存在一定的局限性（Albergel et al., 2012）。例如，先前的研究表明，这些产品在不同地貌区域和气候条件下的适用性并不一致（Dorigo et al., 2017, Hong et al., 2024）。因此，整合多种遥感数据源已成为提高土壤湿度估计精度的重要方法（Gruber et al., 2017）。在各种融合方法中，“三重配准”（Triple Collocation，TC）因能够利用三个独立测量值量化地球物理变量的误差方差而得到广泛应用（Stoffelen, 1998, Gruber et al., 2016）。

近年来，土壤湿度的时空变化及其主要驱动因素受到了越来越多的关注（Chen et al., 2014, Zhang et al., 2020, Li et al., 2021b, Li et al., 2024, Li et al., 2025b, Collins et al., 2025）。研究表明，土壤湿度的异质性受气候、植被、土壤质地和地貌的影响（Li et al., 2025b）。通常情况下，表层土壤湿度对气象因素更为敏感，与降水量具有即时同步性（Cammalleri et al., 2024）；而深层土壤湿度则表现出缓冲和延迟响应，其动态与植被根系密切相关（Li et al., 2021b）。在气候变化引起的干旱背景下，土壤湿度对干旱传播的响应显示出显著的滞后效应（Ma et al., 2025; Mtupili et al., 2025），干旱信号的向下传播也表现出显著的时空异质性和延迟（Liu et al., 2025b）。这种空间变异性使得区域水资源管理变得复杂。因此，阐明不同地貌类型下土壤湿度对干旱的响应机制成为高质量区域发展的迫切需求。

黄河中游流经黄土高原东部，该地区地貌复杂，生态环境脆弱。该区域的土壤湿度长期受到气候变化和植被恢复的影响（Xu et al., 2021, Zhou et al., 2025）。复杂的地表环境和多样的地形导致土壤湿度在时空上的分布较为复杂，其变化机制仍不明确（Yang et al., 2024）。然而，现有研究大多依赖于单一数据源或仅关注单层土壤（Chen et al., 2023），或仅针对单一干旱类型（Nie et al., 2024）。因此，系统地阐明黄河中游复杂地貌区域内土壤湿度在时空上的变化特征、其响应机制以及土壤湿度变化的主要驱动因素显得十分必要。

基于此，我们聚焦黄河中游的五个主要地貌区域，采用“三重配准”方法整合了三个独立数据源：全球陆地数据同化系统（GLDAS）、第一代CMA全球陆地再分析（CMA-Land）和第五代欧洲中期天气预报中心大气再分析（ERA5），旨在实现以下目标：
1）验证和评估融合产品在研究区域不同地貌分区内的精度，并阐明区域土壤湿度的时空分布模式。
2）基于这些模式，明确不同地貌分区中土壤湿度对多种干旱类型（包括气象干旱（标准化降水蒸发指数SPEI）、植被干旱（温度植被干旱指数TVDI）和土壤干旱（标准化土壤湿度指数SSI）的响应。
3）随后从地貌特定角度探讨土壤湿度变化的驱动机制。本研究可为黄河中游的土壤湿度监测、干旱预警和区域土壤资源管理提供科学依据，对提升该地区的生态环境保护和可持续发展具有重要意义。

**2. 材料与方法**
**2.1 研究区域**
黄河中游（MRYR，图1a-）位于黄河流域东部，纬度范围为33°45′N~40°11′N，经度范围为104°27′E~113°39′E（Li et al., 2024）。该地区地形复杂，分布着众多的深沟壑。气候上属于暖温带半干旱大陆性季风区。1990至2024年的研究期间，年均降水量为300~900 mm，年均气温在8~12°C之间（Sun et al., 2024a）。降水分布季节性明显，主要集中在夏季。主要土地覆盖类型包括草地、农田和森林。退耕还林项目（GGP）的实施导致农田面积持续减少，森林覆盖率增加（图1b）。这种土地利用变化对黄河中游的生态环境产生了深远影响。为了更详细的分析，将MRYR划分为五个地貌区域（图1a-2～6），包括沙尘暴区（SA）、黄土丘陵沟壑区（HGA）、黄土岩山区（RMA）、黄土高原丘陵区（PHA）和平原区（PA）（Sun et al., 2024a）。SA地区受到严重荒漠化影响，地形平缓，沟壑发育有限；HGA以圆形（Mao）和长条形（Liang）黄土丘陵为主；PHA以广阔平坦的高原地貌和深切的沟壑为特征；PA地势低平，拥有发育良好的冲积平原；RMA则由覆盖薄层黄土的丘陵组成，植被覆盖较好（Chen et al., 2023, Li et al., 2024）。

**2.2 数据与预处理**
**2.2.1 卫星和再分析数据**
本研究使用了土壤、气象、土地覆盖和干旱指数数据集（表1）。采用三种不同的产品获取土壤湿度剖面数据（第一代CMA全球陆地再分析（CMA-Land）、GLDAS Noah陆地表面模型（GLDAS）和第五代欧洲中期天气预报中心大气再分析（ERA5）：
- CMA-Land和GLDAS数据包含四个深度层次（0–10 cm、10–40 cm、40–100 cm和100–200 cm）；
- ERA5数据包含0–7 cm、7–28 cm、28–100 cm和100–289 cm深度的土壤湿度信息。
由于CMA-Land月度数据截至2022年2月，其对应的日尺度数据被汇总为月平均值以延续至2024年；GLDAS数据则分别使用V2.0版本（1990–2000年）和V2.1版本（2000–2024年）完成时间序列。此外，叶面积指数（LAI）数据来自两个不同的产品：AVHRR数据集（0.05°空间分辨率，1981–2018年）和MODIS数据集（0.1°空间分辨率，2000–2024年），以构建连续的时间序列。

**2.2.2 地面数据**
本研究还使用了2020–2024年的日尺度数据，包括气温（AT，日平均值、最高值和最低值）、总降水量（P）和土壤湿度（SM），数据来源于欧洲中期天气预报中心。

**2.3 干旱指数的选择**
SPEI、SSI和TVDI被选为气象干旱、土壤干旱和植被干旱的指标，这些指标在黄河中游及其类似地区具有较好的适用性（Li et al., 2020, Fan et al., 2022, Wang et al., 2023）。具体干旱类型的分类标准见表2：

**表2. 干旱指数等级的分类标准**
| 类型 | 非干旱 | 轻度干旱 | 中度干旱 | 严重干旱 | 极端干旱 |
|------------|--------|--------|---------|---------|
| SPEI | (-0.5, +∞] | (-1, -0.5] | (-1.5, -1] | (-2, -1.5] |
| TVDI | (0, 0.4) | (0.4, 0.55) | (0.55, 0.7) | (0.7, 0.85) |
| SSI | (-0.5, +∞] | (-1, -0.5] | (-1.5, -1] | (-2, -1.5) |
| | (Wu, 2017) |
| | (-1.5, -1] | (-2, -1.5] | (-∞, -2] | (Xu, 2018) |

**2.4 现场数据**
本研究中的土壤湿度（SM）数据来源于两个主要来源：
（1）2020–2024年期间，来自昔县、赵城和蔡家川站点的0–10 cm、10–40 cm、40–100 cm、100–200 cm深度的分层观测数据；
（2）位于黄河中游的15个站点的数据记录，基于1992–2013年的中国土壤数据集，采用重量法采集。该数据集包含了五个土壤层（深度分别为10厘米、20厘米、50厘米、70厘米和100厘米）的土壤体积含水量数据（单位为立方厘米/立方厘米）（Wang等人，2019年）。尽管蔡家川站点（图1c-2）位于黄土高原（HGA）区域，但其微地貌特征更接近于黄河中游地区（RMA）的特征（Sun等人，2024b；Hu等人，2025b）。因此，该站点与安泽气象站点的数据被联合使用，以代表整个黄河中游地区的特征，从而实现对四个主要地貌区域的验证评估（黄土高原区域除外）。2.2.3 数据预处理在分析之前，所有数据集都经过了时空一致性预处理，包括空间重采样至0.10°的分辨率和时间聚合至月度尺度。这包括将气象数据单位进行转换（温度单位为“°C”，降水量和蒸散量单位为“毫米”），将现场土壤湿度（SM）观测数据重采样为三个标准化深度层（0-10厘米、10-40厘米和40-100厘米），并将三个再分析土壤湿度产品统一为体积单位“m3/m3”。来自ERA5的土壤湿度数据也被转换为了本研究使用的标准层深度。下面提供了0-10厘米层的计算示例（Jin等人，2023年）：(1) ERA50?10cm = SM0?7cm × Z1 + SM7?28cm × (Z?Z1)/Z，其中ERA50?10cm表示目标0-10厘米层的体积含水量，SM0?7cm和SM7?28cm表示原始ERA5数据层中的体积含水量，Z1表示第一层ERA5数据的厚度（7厘米），Z表示目标深度区间（10厘米）。所有土壤湿度值均以“m3/m3”为单位。2.3. 方法2.3.1 三重配准（Triple Collocation, TC）方法三重配准（TC）是一种用于估计三个测量相同地球物理变量的数据集的随机误差方差的方法（Stoffelen，1998年；Gruber等人，2017年；Xie等人，2022年）。每个像素中获得的土壤湿度（SM，单位为m3/m3）可以表示为真实土壤湿度值（t，单位为m3/m3）与随机误差（ε）之间的线性关系：(2) SMi = αi + βit + εi，其中SMi表示三个土壤湿度数据集，t表示（未知的）真实值，αi和βi表示各数据集之间的系数，εi表示SMi数据集的随机误差（残差）。然后计算SM产品（SMi, SMj）之间的协方差：(3) Cov(SMi, SMj) = Cov(αi + βit + εi) + Cov(αj + βjt + εj)。假设每对SM数据集之间的误差互相关为零，上述方程简化为：(4) Cij = Cov(SMi, SMj) = βiβjσt2 (i≠j) + βi2σt2 + εi2 (i=j)，其中σ?2表示真实土壤湿度的方差。引入一个新的变量θi=βiσ?，并将其代入方程(5)，得到：(5) Cij = θiθj (i≠j) + σεi2 (i=j) × σεi2，该变量表示数据集的方差。此时，方程可以被求解，三个数据集的误差方差表示为：(6) σεi2 = (C11 ? C12) / (C13 * C23) (i=1) + (C22 ? C12) / (C23 * C13) (i=2) + (C33 ? C13) / (C23 * C12) (i=3)。2.3.2 线性加权融合（Linear Weighting Fusion, LWF）方法LWF方法的核心是用来估计每个SM产品的像素权重值。根据前文方程得到的误差方差值，计算三个产品的权重值（w1, w2, w3）如下：(7) {W1, W2, W3} = {1 / (σε12 + σε22 + σε32)} / (1 + σε12 + σε22 + σε32), W1 + W2 + W3 = 1 / (σε32)。最后，使用以下线性方程将这些估计的权重应用于每个像素的缩放后的原始产品，以创建融合后的土壤湿度产品：(8) SMmerged = w1 * SM1 + w2 * SM2 + w3 * SM3，其中SMmerged表示融合后的SM数据集，SM1、SM2和SM3分别表示三个原始数据集。为了表征土壤湿度的垂直分布特征，独立地对四个不同的土壤层（0-10厘米、10-40厘米、40-100厘米和100-200厘米）进行了基于三重配准（TC）的融合处理。具体来说，根据每个层的像素逐个计算误差方差（σεi2）及其对应的权重（wi）。因此，生成了一个多层的融合土壤湿度数据集，提供了0-200厘米土壤剖面上的空间和时间连续性信息。2.3.3 评估方法在本研究中，使用均方根误差（RMSE）、无偏均方根误差（ubRMSE）、偏差（Bias）和皮尔逊相关系数（R）来比较和评估融合后的SM（M-SM）、ERA5、GLDAS和CMA-Land（Chen等人，2023年）的结果。相应的公式如下：(9) R????? = ∑(ai ? a?) / n, (10) RMSE = 1 / n * ∑(bi ? a?)2, (11) Bias = 1 / n * ∑(bi ? ai), (12) ubRMSE = √(RMSE2 ? Bias2)。其中ai表示第i个月的现场观测土壤湿度值，bi表示来自土壤湿度产品的相应估计值，n表示月度观测的总次数。此外，还进行了稳健的统计分析，以评估1990年至2024年间的长期时间趋势和关系。土壤湿度及相关变量的时间趋势使用Origin软件中的普通最小二乘（OLS）线性回归进行量化。线性回归的斜率用来表示趋势的大小和方向。对于相关性分析，使用皮尔逊相关系数（R）来评估土壤湿度变化与干旱指数之间的线性关系。相关系数及其对应的统计显著性（p值）是使用R编程语言（R Core Team）计算的。线性趋势斜率和皮尔逊相关系数的统计显著性都基于双尾学生t检验进行严格评估。结果在95%的置信水平（p < 0.05）被认为是统计学上显著的，在99%的置信水平（p < 0.01）被认为是高度显著的。采用经验正交函数（EOF）分析（Sun等人，2023年）来研究区域土壤湿度和干旱指数的时空模式。使用提升回归树（Boosted Regression Trees, BRT）（Wu等人，2024年）来评估不同深度下环境因素对土壤湿度变异性的影响。在BRT模型中，SM作为因变量。重要的是，独立变量的选择基于影响土壤湿度动态的四个主要因素。气候因素包括降水量（P）、气温（AT）、风速（WS）和太阳辐射（SR）。植被通过叶面积指数（LAI）来表示，而土壤属性则通过土壤质地（Stex）和土壤温度（Ts）来表征。此外，该建模框架应用于各种地貌条件下，以量化每个预测因子的相对重要性，并分析主导环境控制因素的空间异质性。3. 结果3.1 土壤湿度数据融合与准确性评估将融合后的SM（M-SM）数据集的准确性与现场数据进行了比较，并与三个原始数据集进行了对比。在四个区域中，M-SM的相关系数范围为0.419至0.668（图2a）。M-SM在大多数区域的表现优于其他数据集，表明融合后的SM数据具有更高的精度。然而，在RMA和HGA区域内的某些土壤层中，M-SM的表现较差。在整个研究区域内，M-SM产品相对于三个原始输入数据表现出更大的稳定性。其他产品在相关性方面表现出更广泛的变异性，CMA-Land和ERA5在100-200厘米土壤层的表现尤其不佳，有时甚至出现负相关。不同土壤湿度产品相对于现场站点数据的误差显示出明显的变化（图2b、c和d）。M-SM的RMSE范围为0.041至0.095 m3/m3，偏差范围为?0.068–0.071 m3/m3，ubRMSE范围为0.017至0.066 m3/m3。CMA-Land的RMSE范围为0.055至0.179 m3/m3，偏差范围为?0.126–0.178 m3/m3，ubRMSE范围为0.021至0.089 m3/m3。ERA5的RMSE范围为0.039至0.170 m3/m3，偏差范围为?0.158–0.102 m3/m3，ubRMSE范围为0.017至0.071 m3/m3。GLDAS的RMSE范围为0.048至0.210 m3/m3，偏差范围为?0.047–0.210 m3/m3，ubRMSE范围为0.013至0.077 m3/m3。根据图2中显示的所有地形类型和土壤层深度的统计数据，M-SM的平均RMSE分别比CMA-Land、ERA5和GLDAS降低了约36%、32%和30%，证实了其在土壤湿度估计准确性方面的显著提升。M-SM产品有效减少了原始土壤湿度数据集中的误差，并在整个研究区域内与现场测量结果保持了强烈的关联。因此，融合后的产品可以可靠地用于研究不同地貌条件下的土壤湿度的时空模式。3.2 黄河中游地区（MRYR）土壤湿度的时空变化图3b显示了MRYR地区的土壤湿度（SM）的空间分布。在0-200厘米的剖面中，SM的范围为0.05至0.42 m3/m3，所有层次都呈现出从东南向西北逐渐减少的梯度，这与降水的空间分布一致。从垂直上看，SM的分布很不均匀，最大储水量出现在10-40厘米层，其值为0.15至0.42 m3/m3；中等湿度水平出现在0-10厘米层（0.09–0.30 m3/m3）和40-100厘米层（0.05–0.31 m3/m3）；最小储水量出现在100-200厘米层（0.06至0.35 m3/m3）。从区域角度来看，RMA地区的SM含量最高，平均值为0.23 m3/m3；其次是PA地区，平均值为0.22 m3/m3；PHA地区平均值为0.21 m3/m3；SA地区的SM含量最低，平均值为0.14 m3/m3。下载：下载高分辨率图片（688KB）下载：下载全尺寸图片图3. 1990-2024年MRYR地区土壤湿度的时空变化（a, b）、空间模式（EOF）（c）和时间序列（PC）（d）。（阴影区域表示月度值的±1标准差）。在整个研究期间，SM在所有层次上都呈现出显著的上升趋势（p < 0.01）。其中0-10厘米层和40-100厘米层的SM波动最大（斜率= 5.15E-5），而100-200厘米层的SM波动范围较窄（斜率= 2.01E-5）。1999年，中国在全国范围内启动了大规模绿化工程（Grain for Green Program）。研究时期分为三个阶段：恢复前阶段（1990–1999年）、生态建设活跃阶段（2000–2010年）和建设后的稳定阶段（2011–2024年）。不同阶段的区域SM趋势有所不同：恢复前和建设阶段呈现下降趋势，而稳定阶段则呈现上升趋势。表层（0-10厘米）的波动最为明显（斜率= ?1.69E-4），且随着土壤深度的增加而减小（图3a）。就时间变异性而言，100-200厘米层的波动幅度最小，表明其稳定性较高，受外部影响的程度较小（图3a-4）。下载：下载高分辨率图片（884KB）下载：下载全尺寸图片图4. 1990至2024年SPEI（a）、SSI（b）和TVDI（c）的空间分布、空间模式（EOF）和时间序列（PC）。在研究期间，0-10厘米层的SM范围为0.19至0.24 m3/m3，1997年的最小值为0.19 m3/m3，2021年的最大值为0.24 m3/m3；10-40厘米层的SM范围为0.22至0.27 m3/m3，1999年的最小值为0.22 m3/m3，2016年的最大值为0.27 m3/m3；40-100厘米层的SM范围为0.20至0.25 m3/m3，1998年的最小值为0.20 m3/m3，2021年的最大值为0.25 m3/m3；100-200厘米层的SM范围为0.19至0.21 m3/m3，2009年的最小值为0.19 m3/m3，2021年的最大值为0.21 m3/m3。0-10厘米层在秋季的湿度较高，10月份达到峰值0.24 m3/m3，冬季则较低（2月份最低，为0.19 m3/m3）；10-40厘米层整体保持较高湿度，秋季达到峰值0.26 m3/m3，夏季初期出现季节性下降（6月份最低，为0.21 m3/m3）；40-100厘米层的湿度最高，秋季达到峰值0.23 m3/m3，夏季中期最低。100-200厘米层的湿度最为稳定，整体范围内从0.19 m3/m3变化至0.20 m3/m3，夏季中期有轻微下降。图3c和d显示，EOF_0～10厘米、EOF_10～40厘米、EOF_40～100厘米和EOF_100～200厘米分别占该地区季节性SM变化总方差的93.00%、88.84%、94.97%和94.07%。EOF-PC分析揭示了五个地貌区域内SM的季节性模式的一致性：EOF_0～10厘米在春夏季节值较高，秋冬季节值较低；而三个较深的层次（10-40厘米、40-100厘米和100-200厘米）则表现出夏季最大值、其余季节值较低的PC趋势。0-10厘米层在SA地区的变异性最大，在PA地区稳定性最高；10-40厘米层在PHA地区变异性最大，在SA地区稳定性最高；40-100厘米层在PA地区变异性最大，在SA地区稳定性最高；100-200厘米层在RMA地区变异性最大，在SA地区稳定性最高。3.3 MRYR地区各种干旱指数的时空变化图4展示了干旱指数的时空变化。平均SPEI值（图4a-1）为?0.19，西北地区的值较低，东南地区的值较高。平均SSI值（图4b-1）接近0，显示出相反的梯度。平均TVDI（图4c-1）为0.60，其模式与SPEI一致。在35年期间，研究区域的植被干旱主要由中度干旱主导，平均面积为65.43%。虽然非干旱条件在SPEI（62.1%）和SSI（73.1%）中占主导地位，但TVDI的分布明显不同，中度干旱发生在52.9%的月份。从1990年到2024年的时间序列来看，SPEI（图4a-4）、SSI（图4b-4）和TVDI（图4c-4）都表现出波动性。SPEI显示出最大的波动性，最大值出现在2012年11月（2.28），表明那时湿度最高；而最小值出现在1999年2月（-2.62），反映了严重的降水不足。SSI的趋势与SPEI相似，但有所滞后，其最大值记录在2003年11月（1.62），最小值出现在2002年9月（-1.83）。相反，较高的TVDI值表示较干燥的条件，该指数在1995年9月达到峰值（0.86），代表最强烈的表面水分压力，最低值出现在1992年2月（0.12），标志着最湿润的表面条件。总体而言，这三个指数在极端年份（如1999年和2002年左右）表现出高度同步，共同揭示了研究区域的交替湿润和干燥状态。图4a～c-2显示，EOF_SPEI、EOF_SSI和EOF_TVDI作为主要的空间模式，分别解释了该地区SPEI、SSI和TVDI总方差的87.53%、86.72%和94.21%。总体而言，五个地貌区域的EOF空间模式表现出一致的季节性模式。SPEI（图4a-3）在夏季至秋季较低，而在冬季至春季较高；SSI（图4b-3）在春季较高，在夏季至秋季至冬季较低；TVDI（图4c-3）在夏季至秋季较低，在冬季至春季较高。SPEI在PHA中显示出最大的变异性，在SA中稳定性最高；SSI在RMA中变化最大，在HGA中稳定性最高；TVDI在SA中变化最大，在PHA中稳定性最高。

4. 讨论
4.1. 土壤水分时空变异的机制
许多研究表明，黄河流域（MRYR）的土壤水分（SM）呈现随纬度向北递增的趋势，南部值较高，北部值较低（Chen et al., 2023, Liu et al., 2025a），这与本研究中观察到的0-200厘米深度土壤水分的空间分布一致，表现为从东南向西北的递减趋势。垂直方向上，10-40厘米土层中的土壤水分最为丰富，而100-200厘米土层的含水量最低。这一垂直分布与中国黄土高原的先前研究结果一致（Shan et al., 2024），并在绿洲-沙漠生态过渡带的相关研究中也得到了验证（Xi et al., 2016），这些研究表明100厘米以下的土壤水分含量持续下降，到200厘米深度达到最低。这种现象可能是因为深层土壤水分对外部干扰（补给和蒸发）的敏感性较低，而表层水分（0-10厘米）由于蒸发而经历显著波动（Liu et al., 2025a）。因此，中层土壤保持了相对较高和更稳定的水分水平（Gou et al., 2022）。
在整个研究期间，不同深度土层的水分呈现出湿润趋势，这与先前的研究结果一致（Liu et al., 2025a, Xi et al., 2016）。我们的研究进一步揭示了不同时间段内水分的变化：在恢复前期（1990-1999年）和积极生态建设期（2000-2010年），线性拟合显示水分呈下降趋势；而在建设后的稳定期（2011-2024年），水分呈现上升趋势。这一模式与基于黄河流域近二十年土壤水分数据的研究结果一致（Zhang et al., 2024）。一些关于0-10米深度土层区域水分的观测数据显示整体呈下降趋势，但最近出现了上升趋势（Wang et al., 2024）。尽管这与我们研究中的整体趋势相反，但它与建设后稳定期的发现一致。这一现象也可能与MRYR实施 Grain for Green 计划有关（Zhang et al., 2024）。先前的研究表明，在植被恢复初期，土地利用变化是导致土壤水分下降的关键因素（Wang et al., 2024, Zhang et al., 2024）。从长远来看，恢复的植被通过根系发育显著增强了土壤的渗透能力（Lan et al., 2021）。在波动幅度方面，本研究中的100-200厘米土层显示出较弱的波动，表明该深度的水分相对稳定，对外部干扰的敏感性较低（图3a）。这一现象也得到了先前研究的支持，这些研究证明了根区土壤水分（RZSM）的高稳定性（Liu et al., 2025a）。
季节动态显示了垂直水分传输中的特征性“过滤和滞后”机制，即土壤剖面起到了对大气驱动的低通滤波器作用（Qi et al., 2025）。表层（0-10厘米）（图3a-1）与季节性气象驱动高度同步，在冬季达到最低值。相比之下，深层土壤水分的最低值出现在6月和7月（图3a-2～4）。这表明深层土壤水分主要响应累积的地面补给，而不是瞬时降雨，反映了深层剖面的固有“记忆”和综合性质（Li et al., 2025a）。EOF分析定量验证了这一垂直转变。表层（0-10厘米）的主成分（PC）（图3d-1）显示出高频波动，并具有多个峰值，捕捉了由间歇性降雨事件驱动的短暂季节性变化（Zhao et al., 2020）。相比之下，深层土层的PC序列演变为更平滑、更一致的正弦波趋势，反映了土壤柱如何有效过滤大气噪声并将地面补给整合为稳定的季节性信号（Qi et al., 2025）。
值得注意的是，在建设后的稳定期（2011-2024年），MRYR的土壤水分明显趋于湿润，这与黄土高原上由于植被过度蒸发导致的干旱土层（DSL）现象形成对比（Li et al., 2021a）。这表明区域水循环可能达到了新的平衡。近年来的降水增加可能抵消了恢复植被的蒸散需求（Luo et al., 2023）。此外，稳定期表明成熟的植被冠层增强了土壤的渗透能力和保水结构，从而缓解了建设活跃期的土壤干燥（Qiu et al., 2022）。这一发现强调了长期监测的重要性，以区分年轻森林的暂时性水分消耗和成熟生态系统的调节功能。

4.2. 土壤水分对不同类型干旱的响应和滞后效应
土壤水分对各种干旱指标的响应表现出明显的垂直异质性。特别是SSI与土壤水分的相关性最强（R），这主要是由于它直接来源于表层土壤水分。土壤水分与SSI和SPEI的相关性随深度增加而明显减弱（图5a, b），这反映了干旱信号在垂直渗透过程中的物理衰减（Zheng et al., 2025）。相比之下，土壤水分对TVDI的响应在10-40厘米层最为明显，其次是40-100厘米层，而0-10厘米和100-200厘米层的相关系数较低（图5c）。这种现象可能与植物根系的吸水模式密切相关（Holzman et al., 2014, Yi et al., 2022, Sun et al., 2024b）。先前的研究发现，该地区草本植物的根系主要分布在表层下约40厘米处（Sun et al., 2024b）。此外，黄土高原上的两个典型作物——冬小麦和玉米，也主要利用10-100厘米深度的土壤水分（Sun et al., 2024b）。在蔡家渠，P与SM（100–200厘米深度）之间的相关性接近于0，而SPEI的相关性仍然很高（67天滞后时为0.73）。在RMA（薄表土和岩石下层）中，个别降雨脉冲经常被径流带走，而深层水分补给依赖于SPEI所反映的长期累积水量平衡（Nie等人，2024年；Qi等人，2025年）。这种现象也在中国西南部的山区喀斯特地区有记载（Yang等人，2019年）。至于赵城站点，农业活动可能促进了快速的垂直渗透（Hu等人，2025a）。这种SM与气象干旱（SPEI）的解耦体现了人为缓冲效应（Van Loon等人，2016年）。与西县站点不同，赵城站点的深层干燥是由自然蒸腾需求驱动的，而赵城站点的密集灌溉输入有效地掩盖了气象干旱信号，形成了一个将土壤水分动态与大气异常隔开的水文屏障（Lu等人，2025年）。这表明SPEI可能无法准确捕捉到黄土高原的实际农业干旱状况，需要结合直接土壤水分监测来进行准确的早期预警。此外，在黄土高原，高温季节通常与降雨期（同时降雨和高温）或灌溉季节重合，在这些时期，防止深层土壤严重干燥导致了61–90天时的正向相关性（Yang等人，2020年）。本研究中观察到的深度依赖性迟滞可以通过土壤水力特性和根系动态来物理解释。表层SM的快速响应受到高大气暴露和蒸发率的影响（Vereecken等人，2014年；Deng等人，2023年）。相比之下，深层SM显示出显著的延迟，这反映了由于深层土壤压实导致的水力传导性降低而限制的缓慢垂直渗透过程（Mtupili等人，2025年；Liu等人，2025b）。此外，植物根系的水力重新分配现象也可能导致了这种延迟。在气象干旱期间，深层根系可能将水分提升到较干燥的表层，从而缓冲了深层SM的下降速率，有效“延迟”了干旱信号到达深度的时间（Sun等人，2024b）。

为了识别黄土高原（MRYR）土壤水分变化的主要驱动因素，使用月度数据构建了一个回归树模型。在该模型中，SM作为因变量，而一系列环境因素，包括风速（WS）、太阳辐射（SR）、叶面积指数（LAI）、降水量（P）、土壤质地（Stex）、气温（AT）和土温（Ts），被用作自变量。该框架用于分析不同地貌条件下主导环境因素的异质性。模型结果（图7）显示了驱动区域SM变化的因素的明显垂直分层。表层（0–10厘米）到上层中部（10–40厘米）对气象强迫响应迅速，这在所有区域中占相对重要性的34–62%，主要是由于直接降水输入的驱动。这种水分输入受到表面能量平衡的共同调节，主要是SR和Ts。这与MRYR之前的结论一致（Liu等人，2025a），强调表面水文过程从根本上是由降水输入驱动的。对于40–100厘米深度层，降水的直接影响迅速减弱。100–200厘米层的SM主要由土壤结构控制，Stex的相对重要性达到41–74%。总之，表层SM受到降水和温度条件的快速调节，而深层SM主要由土壤质地和长期水热背景控制。这种垂直分层与具有类似生态水文特征的邻近地区的最新研究结果一致，例如黄土高原（Qi等人，2025年；Zhu等人，2025b）。

下载：下载高分辨率图像（455KB）
下载：下载全尺寸图像
图7. 黄河中游不同土壤层土壤水分主要驱动因素的回归树分析。（从最外层到最内层的同心圆分别代表0–10厘米、10–40厘米、40–100厘米和100–200厘米的土壤深度。）

土壤水分的驱动因素表现出显著的空间异质性，这可能与不同地貌单元的气候、土壤学和植被特征有关（Chen等人，2020年；Han等人，2025年；Zhu等人，2025a）。先前的研究表明，地貌设置通过改变渗透路径、能量再分配和根系水分吸收动态，对土壤水分的主要控制方式产生重要影响（Hu等人，2025a）。特别是在沙区（SA），松散的土壤质地和弱的水分保持能力导致了一个明显的垂直过渡（Stark和Fridley，2023年）。由于缺乏毛细作用，Stex成为40–100厘米层的主要决定因素，其相对重要性很高，达到71.7%。这表明在沙区，快速渗透迫使SM波动主要依赖于土壤固有的水分保持性能（Zhou等人，2025年）。在河漫滩带（HGA），破碎的地形形成了一个复杂的多因素控制系统，其中降水量（P）、叶面积指数（LAI）、太阳辐射（SR）和土壤质地（Stex）共同调节了整个剖面的SM（Zhu等人，2025a）。在珠江冲积平原（PHA）和黄土高原（PA），观察到的异质性较低，深层土壤层促进了降水的强月度存储效应（Han等人，2025年）。此外，研究区域的夏季降雨气候促进了土壤水分的补给，从而相应增强了气温（AT）对40–100厘米层SM的影响（在PHA达到71.2%，在PA达到52.5%）。在Rocky Mountain Analysis（RMA，具有有利植被），LAI对深层土壤的影响显著增加（在100–200厘米层达到20.5%）。这种现象（LAI对深层土壤水分的影响增强）与黄河中游（Liu等人，2025a）和中国西北部（Chen等人，2020年）的研究结果相似。这可能与该地区实施的“ Grain for Green ”森林计划有关，该计划不仅以高植被密度为特征，还以深根物种为主导（Yi等人，2022年）。总之，回归树分析显示，MRYR土壤水分的驱动机制表现出明显的垂直分层和显著的空间异质性（图7）。这些发现强调，在干旱地区，地貌作为一个关键过滤器，通过改变土壤保持和蒸散路径来调节当地水文过程（Stark和Fridley，2023年）。因此，应根据不同地貌区域的特定特征和主导驱动因素采取不同的水资源管理和生态恢复措施，以确保可持续的水资源利用。

在这项研究中，用于验证M-SM产品和地表再分析数据的空间密度和时间长度存在一些不足。MRYR具有高度复杂和异质的地貌特征。在这种环境下，稀疏的点尺度地面测量本身就限制了对复杂地形区域尺度土壤水分动态的全面验证（Robinson等人，2008年）。因此，未来的工作将引入更多的土壤水分现场监测点，以提高验证数据的空间密度。此外，尽管基于TC的线性加权融合方法有效且理论合理，但原始输入数据集中的固有偏差仍可能将不确定性传递到最终的融合产品中。先前的评估表明，在特定的气候和地形条件下，这些再分析和同化产品的适用性和误差结构可能不一致（Albergel等人，2012年；Hong等人，2024年）。为了减轻这些非线性偏差在高度异质景观中的传播，未来的研究应该超越线性加权，探索更先进的机器学习算法或非线性降尺度策略，以提高融合精度（Li等人，2024年；Han等人，2025年）。大规模的生态恢复计划，特别是“Grain for Green”项目（GGP），极大地改变了区域土地覆盖，引发了植被绿化和深层土壤干燥之间的复杂权衡（Wang等人，2024年；Zhou等人，2025年）。未来的研究必须明确调查和量化这些特定土地利用变化对深层土壤水分动态、干旱演变以及该地区随后深层地下水补给过程的长期影响（Liu等人，2025b）。

基于使用Triple Collocation（TC）方法融合的MRYR土壤水分数据，本研究分析了1990年至2024年土壤水分的时空分布，探讨了其与干旱的关系，并使用回归树模型研究了不同地貌区域多层土壤水分变化的驱动机制。主要结论如下：
（1）TC融合生成的M-SM产品显著提高了土壤水分估计的准确性，相关系数（R）范围从0.419到0.668，均方根误差（RMSE）在0.041到0.095 m3/m3之间，优于任何单一来源的产品。
（2）从1990年至2024年，黄河中游的多层土壤水分显示出显著的湿润趋势（p < 0.01）。从空间上看，土壤水分从东南向西北减少，受到地形、降水和土地利用的共同影响，其中10–100厘米层的波动最为明显。RMA和PA表现出最高的值，而SA的值最低。
（3）SM对干旱指数的响应表现出明显的垂直异质性。月度SSI和SPEI的相关性随土壤深度的增加而减小，而TVDI在10–40厘米层与SM的相关性更强。RMA的表层SM对干旱变化的敏感度最高，而PA和PHA的深层SM对干旱变化的敏感度更高，反映了不同地貌区域下水传输和保持机制的差异。
（4）土壤水分对干旱和气象驱动因素的响应表现出明显的迟滞特性，并具有很强的深度依赖性。表层对短期干旱信号响应迅速（滞后1–3天），而深层（100–200厘米）对长期气候驱动因素的响应延迟，滞后于气象干旱（SPEI）最多69天。此外，PA中的人类活动如灌溉可以通过缓冲气象干旱信号来显著改变土壤水分的响应时间。
（5）回归树模型揭示了土壤水分主要驱动机制的明显垂直分层，其中表层主要受气象因素控制，而深层主要受土壤结构和长期水热背景的约束。此外，不同地貌区域的驱动机制表现出显著的空间异质性。

这项研究揭示了土壤水分的时空异质性及其对不同地貌类型多类型干旱的不同响应。为了进行准确的干旱评估，需要将垂直和地貌异质性纳入监测系统。未来的研究应探索先进的非线性机器学习算法来优化多源数据融合，以解决当前的限制并推进该领域的发展。