熊勤学1,2，田小海1,2，朱建强1,2
（1.长江大学农学院，湖北荆州434025；2.主要粮食作物产业化湖北省协同创新中心，湖北 荆州 434025）
摘 要：为了实时监测作物渍害时空分布，以湖北省监利县作为研究对象，采用分布式水文土壤植被模型-DHSVM（Distributed Hydrology Soil Vegetation Model）将监利县分成若干90m×90m的栅格单元，通过计算每个栅格单元的水平衡，达到模拟农田土壤水分状况的目的，结合作物轻、中、重度3种渍害的水分特征指标（地下水位埋深小于0.6m，土壤表层相对体积含水率5d的均值大于90%的持续期分别大于5、12、20d）的方法，模拟监利县夏收作物不同渍害的时空分布。结果表明，模拟得到了2014年、2015年每年1—5月（夏收作物生长期间）监利县农田表层土壤水分和地下水位埋深的时空分布（时间分辨率为1d，空间分辨率为90m），首次实现了作物渍害的时空间分布信息提取；通过多次田间调查，证明此反演方法结果是准确的。
关键词：渍害；DHSVM模型；时空分布
作物渍害是危害长江中下游地区夏收作物的一种主要的农业气象灾害[1]。湖北省汉江平原，特别是监利县因地势低洼、雨水较多、排水不良等原因，每年3—4月夏收作物（小麦、油菜）常常遭受季节性或长期性渍害影响。据统计，每年受渍农田面积大约占总耕地面积的40.6%，受渍农田油菜产量比正常农田偏低40%～60%，小麦偏低50%～70%[2]。因此弄清作物受渍过程与规律，对减少渍害具有重大意义。国外对作物渍害农田的流域尺度辨别与研究主要集中在过度灌溉下的农田，农田受渍的同时其盐碱化也很严重，因此国外会同时研究盐碱化与渍害[3-4]，主要方法有2种：一种利用卫星结合地下水位观测数据[4]反演受灾面积；另一种则是运用水文模型[5-6]以季节为单位模拟灌溉农田的土壤水分中的盐浓度、地下水量、排水流量、地下水位深度空间分布，但渍害空间分布的监测，特别是渍害时空分布信息的提取基本没有涉及。国内对渍害监测的研究主要集中在气象要素的影响上，即县域为研究单元，通过气象指标建立受渍分级指标，实现以县域为最小单元的渍害监测，如运用旬降雨量、旬日照时间和旬雨日3种氢键要素，构建冬小麦渍害风险指数[7]；运用降水量、降水历时和日照要素建立冬小麦渍害灾害分级指标[8]。由于影响渍害的要素很多，主要有气象因素、地形条件、土壤属性、农作物抗渍性能、河网分布和农田排灌条件等，如果仅考虑气象条件，其监测的准确度不会很高，而且监测的最小单元是县市，对于以县域为对象的渍害监测明显不合适。
为此，拟以湖北省监利县作为研究对象，在遥感数据的支持下通过对分布式动态水文模型——DHSVM模型不断修改和调参，模拟整个流域内农田水分（土壤耕层含水率或者地下水位）的空间分布，最后根据小麦、油菜不同生育期涝渍害水分指标反演出监利县受渍害农田的空间分布，为作物渍害的监测提供一种供参考的新的技术方法与手段。
监利县位于湖北省中南部、江汉平原南部，紧邻长江北岸。面积为3 508km2，地势分布呈“簸箕”形，即西、南、北部较高，中部及东部较低，因此自身形成一个独立的水系；土壤类型是主要有灰潮土、水稻土；监利县属典型的亚热带季风气候，光能充足（大于10℃的积温5 171.8℃·d）、热量资源丰富、无霜期长（242～263d）。
DHSVM模型的原理[9-10]是将整个流域分成若干大小（10～200m）的栅格单元，每个栅格单元为1个模拟单元，每个模拟单元都被赋予了各自的土壤特性和植被特性，模型对流域内各模拟单元的能量平衡方程和质量平衡方程进行联立求解，各栅格之间则通过坡面流和壤中流的汇流演算发生水文联系。
对夏收作物渍害监测采用方法为：运用DHSVM模型在高程数据、气象数据、土壤类型数据和土地利用数据的支持下，以天为模拟步长，将监利县划分为若干90m×90m的排水单元，模拟每个排水单元的水分变化，得到空间分辨率为90m的农田中不同深度土壤湿度和地下水位埋深的空间分布，结合夏收作物渍害辨别标准，得出夏收作物作物渍害时空分布。
目前公认的判断渍害田地下水位的标准[11-12]是小于60cm；夏收作物受渍临界土壤水分指标为土壤相对体积含水率高于90%，受渍历时为5d[13-14]。按照轻度渍害（产量减产量小于10%）、中度渍害（产量减产量介于10%和20%之间）和重度渍害（产量减产量大于20%）3个级别，结合长期在监利渍害时间与夏收作物的关系研究经验[15]，确定监利县夏收作物渍害辨别标准为：每年2—4月（小麦和油菜生长期），当农田地下水位埋深小于60cm，土壤根层相对体积含水率5d滑动均值高于90%的持续期大于5d，认为夏收作物受到轻度渍害；如果持续期大于12d认为受到中度渍害；持续期20d以上认为受到重度渍害。
气象数据来自监利县22乡镇的自动气象站气象资料（风速、日平均气温、湿度、日降雨量），太阳辐射和长波辐射数据来自本实验在程集实验田架设的HOBO 15要素自动气象站（同时观测土壤表层体积含水率），15min观测1次。
高程数据为DEM（Digital Elevation Model）数据，采用美国太空总署的SRTM（Shuttle Radar Topography Mission）数据，其空间分辨率为90m，从互联网上下载而来，地址为：http://srtm.csi.cgiar.org。
土壤类型数据来自1∶12万监利县土壤类型地图，运用ARCGIS软件电子化而来，土壤类型有4种，分别为灰潮土、水稻土、黄棕壤土、水体。
土地利用现状数据在中国资源卫星中心下载的高分一号卫星CCD数据，采用农作物时序特征提取方法[16-17]，提取土地利用现状空间分布，为强化农作物对土壤水分变化的影响，土地利用现状分类除按国家标准外，将农作物细分为单季中稻、单季棉花、小麦+棉花、油菜+棉花、小麦+中稻、油菜+中稻、双季稻其他等。
①模型调参采用Nash-Stucliffe效率系数（NSE）计算公式，具体公式为：
式中：Mobs,i为实测的土壤体积含水率
为实测土壤体积含水率均值；Msim,i为模拟的土壤体积含水率。NSE越大，表示模拟选取的参数越接近真实值，不断调整修正系数，最后选取NSE最大的参数为模型参数。
②采用均方根误差（root mean square error,RMSE）衡量模型拟合结果，RMSE越小，模型模拟效果越好。
模型中使用的土壤、农作物相关模型参数主要来自文献[18-19]和模型缺省数据，由于DHSVM模型比较敏感的参数为横向水力传导系数、水力传导系数下降指数、土壤孔隙度、田间持水率、最小气孔阻抗[20]，兹选择优化对象为潮土的横向水力传导系数，横向饱和导水率随深度的递减指数，其他土壤类型根据模型缺省值结合潮土参数进行线性放大与缩小，具体调参步骤为：分别将潮土的横向水力传导系数从0～0.2每隔0.02取10个值，横向饱和导水率随深度的递减指数从0～10，每隔1取10个值，排列组合后分别代入DHSVM模型中，运用DHSVM模型模拟的2013年1月1日—5月24日土壤水分数据，与同期程集自动气象站每天的观测点（棉田，东经112.682°，北纬29.901°，灰潮土）0～30cm土层土壤体积含水率均值进行Nash-Stucliffe效率系数计算（样本数为144），取其最大值0.746时对应的参数作为模型确定参数，具体调参过程见文献[21]，具体设置见表1，其中孔隙大小分布指数是有效饱和度与吸力双对数关系曲线的斜率，数值愈大，表示孔隙尺寸的分布范围愈窄，孔隙愈均匀。
表1 DHSVM模型中不同土壤类型主要参数
模拟2013年5月25日—12月31日每天的土壤水分运行情况，将其模拟结果中的第1层土壤体积含水率的模拟值与0～30cm土层土壤体积含水率的均值进行对比（图1），二者之间的决定系数R2为0.67（样本数为951），用均方根误差公式计算二者拟合程度，RMSE为0.035，说明DHSVM模型模拟的监利县土壤表层含水率的变化规律还是比较准确的。
图1 降水量、土壤体积含水率模拟值与观测值时序变化
为验证DHSVM模型模拟结果的空间变化精确性，于2015年4月24日在监利县程集镇随机选取15个农田观测点，挖坑静置2h后观测地下水埋深。地下水埋深实测值与DHSVM模型地下水埋深模拟值的对比如图2所示。尽管地下水埋深观测不规范，观测结果值不是很准确，但地下水埋深与DHSVM模型地下水埋深模拟值具有明显的相关性（图2，数据点旁边的数字代表观测点号），复相关系数为0.56，样本为15，说明DHSVM模型能准确模拟地下水位埋深的空间分布。
图2 地下水位埋深观测值与模拟值比较
图3 受渍面积占比随时间的变化
将夏收作物渍害辨别标准规则编成IDL语言，将2014—2015年监利县农田土壤表层相对含水率模拟数据和地下水位埋深的模拟数据代入程序中，得到2014—2015年监利县夏收作物渍害3种类型（轻度、中度、重度）的时空分布信息。统计每天3种类型受渍农田占总农田的比例，得到监利县渍害随时间变化规律，见图3。
由图3可以看出，2014年和2015年3月上中旬，由于降水比较密集，阴雨天多，持续时间长，出现了全县范围的夏收作物渍害，重度渍害受灾面积超过50%；而其他时期，尽管日降水量大，但因为降水不是很集中，只会出现轻度或者中度渍害，对夏收作物产量相对影响小。因此，2014—2015年3月的降水是造成监利夏收作物产量低的主要原因。
图4为监利县渍害空间分布随时间的变化图。由图4可知，3月上中旬监利县受渍严重。监利县的中部地区，尽管地势相对比较低，但因河网发达，渍水排出迅速，造成受渍程度相对比较低，只为中度或者轻度渍害；而北部和南部地区，尽管地势相对高，但河网复杂，排渍能力受阻，渍害相对严重；而沿江地区因为地势高，多为旱地，基本不受渍害的影响。
图4 2014年2月14日至4月8日监利县渍害空间变化
1）相比仅用降水作为渍害监测标准，将分布式土壤植被水文模型引用到县级夏收作物作物渍害农田的监测研究中，由于综合考虑了气象因子、地形条件、作物类型、土壤类型、水文条件，不仅监测精度有较大的提高，而且能动态反演作物受渍过程，因此可为作物渍害监测研究提供可用的方法与手段。
2）当把模型中相对固定的参数设置好以后，后期只要输入实时气象数据和天气预报的结果数据，就能很方便地进行作物渍害的监测与预警，因此有很强的实用性，可拓宽气象部门农业气象服务领域。
尽管用水文模型研究作物渍害的空间分布，其结果较以前有很大的提高，但DHSVM模型也有值得改进的地方，如DHSVM模型没有考虑过水（长江）水位差异对流域的影响，也没有考虑排灌站因素的影响，如何将2个因素加入DHSVM模型是未来模型需要完善的内容；还有小麦和油菜品种之间的抗涝渍能力的差异也是分析作物是还受渍的重要因素，而这一点也没有在模型中体现出来，也是未来渍害监测研究重点要考虑的问题。
参考文献:
[1]朱建强.易涝易渍农田排水应用基础研究[M].北京：科学出版社，2007.
[2]蔡述明,王学雷,黄进良,等.江汉平原四湖地区区域开发与农业持续发展[M].北京:科学出版社，1996：28-64.
[3]RHOADES,KANDIAH,MASHALI.The use of saline waters for crop production[M]//FAO Irrigation and Drainage Paper(FAO).Rome,Italy:FAO,1992:133.
[4]SINGH A.Estimating long-term regional groundwater recharge for the evaluation of potential solution alternatives to waterlogging and salinization[J].Journal of Hydrology.2011,406(3/4)：245-255.
[5]CHOWDARY V M,CHANDRAN R V,NEETI N,et al.Assessment of surface and sub-surface waterlogged areas in irrigation command areas of Bihar state using remote sensing and GIS[J].Agricultural Water Management,2008,95(7):754-766.
[6]AJAY S.Groundwater modeling for the assessment of water management alternatives[J].Journal of Hydrology,2013,481:220-229.
[7]吴洪颜,高苹,徐为根,等.江苏省冬小麦湿渍害的风险区划[J]．生态学报,2012,32(6):1 871-1 879．
[8]盛绍学,石磊,张玉龙.江淮地区冬小麦渍害指标与风险评估模型研究[J].中国农学通报,2009,25(19):263-268.
[9]WIGMOSTA M S,VAIL L W,LETTENAMAIER D P.A distributed hydrological-vegetation model for complex terrain[J].Water Resource Research,1994,30(6):1 665-1 679.
[10]WIGMOSTAM S,NIJSSEN B,STORCK P,et al.The distributed hydrology soil vegetation model.[J].Hydrological Processes,2002,22（21）：4 205-4 213.
[11]喻光明.江汉平原渍害田生态特征的研究[J].生态学报，1993，13(3)：252-260.
[12]陈继元.渍害低产田判别标准的定量分析[J].农田水利与小水电，1989(4)：13-15.
[13]闻瑞鑫,胡新民,凌炳锦,等.渍害对小麦的影响及受渍临界指标的探讨[J].中国农村水利水电，1997(4):9-11.
[14]曹宏鑫,杨太明,蒋跃林,等.花期渍害胁迫下冬油菜生长及产量模拟研究[J].中国农业科技导报，2015,17(1):137-145.
[15]杨威，朱建强，吴启侠.油菜受渍对产量的影响及排水指标研究[J].灌溉排水学报，2013，32(6)：31-34.
[16]熊勤学,黄敬峰.利用NDVI指数时序特征监测秋收作物种植面积[J]农业工程学报,2009,25(1):144-148.
[17]熊勤学,胡佩敏.基于HJ卫星混合像元分解法的湖北省四湖地区夏收作物种植信息提取[J].长江流域资源与环境，2014,23(6):869-874.
[18]LAN C,THOMAS W.Giambelluca,et al.Use of the distributed hydrology soil vegetation model to study road effects on hydrological processes in Pang-Khum Experimental Watershed,northern Thailand[J].Forest Ecology and Management,2006,224(1):81-94.
[19]吴华山,陈效民,叶民标,等.太湖地区主要水稻土的饱和导水率及其影响因素研究[J].灌溉排水学报，2006,25(2):46-48.
[20]TESFA T K.Distributed Hydrological Modeling Using Soil Depth Estimated from Landscape Variable Derived with Enhanced Terrain Analysis[D].Logan:Utah State University,2010:83-84.
[21]熊勤学.基于土壤植被水文模型的县域夏收作物渍害风险评估[J].农业工程学报,2015,31(21):177-183.
Calculating Spatio-spatial Distribution of Waterlogged in Jianli County Using the DHSVM Model
XIONG Qinxue1,2,TIAN Xiaohai1,2,ZHU Jianqiang1,2
(1.Agricultural College of Yangtze University,Jinzhou 434025,China;2.Hubei Collaborative Innovation Center for Grain Industry,Jinzhou 434025,China)
Abstract:We calculated the spatio-spatial distribution of waterloggingin Jianli County of Hubei province using the DHSVM model(The Distributed Hydrology Soil Vegetation Model).The region in the county was divided into a number of grids,each being 90m×90m.The dynamic of soil moisture in each grid was simulated using a water balance model.We calculated the distribution of waterlogging in summer by classifying the waterlogging into three categories when the groundwater table was less than 0.6m deep:when the duration of five-day average volumetric water higher than 90%lasted more than 5days(light waterlogging),or lasted more than 12days(moderate waterlogging),or lasted more than 20days(severe waterlogging).We simulated the distribution of soil moisture and groundwater table in all grids from January to May in 2014and 2015during the growing season of summer crops using a temporal resolution of one day.These results enabled us to predict the spatio-temporal distribution of waterlogging in the region for the first time.This retrieval method was proven accurate after testing in several fields.
Key words:sub-surface waterlogged hazards;DHSVM model;spatial-temporal distribution
中图分类号：S276
文献标志码：A
doi：10.13522/j.cnki.ggps.2017.06.019
责任编辑：刘春成
熊勤学，田小海，朱建强．基于DHSVM模型的作物渍害时空分布信息提取[J]．灌溉排水学报，2017，36（6）：109-116．
文章编号：1672-3317（2017）06-0109-08
收稿日期：2016-10-31
基金项目：2012年度公益性行业（农业）科研专项项目（201203032）
作者简介：熊勤学（1966-），男，湖北仙桃人。副教授，硕士，主要从事农业遥感方面研究。E-mail:nxqx@tom.com