前期降水指數結合SAR數據提取作物漬害空間分布信息

熊勤學，胡佩敏，馬 艷

前期降水指數結合SAR數據提取作物漬害空間分布信息

熊勤學1,2,3，胡佩敏4※，馬 艷1,2,3

（1.濕地生態與農業利用教育部工程研究中心，荊州 434025；2. 長江大學農學院，荊州 434025； 3. 長江大學澇漬災害與濕地農業湖北省重點實驗室，荊州 434025；4. 荊州市氣象局；荊州 434020）

為實現高時空分辨率的作物漬害空間分布信息的提取，該研究以夏收作物受漬害最嚴重的湖北省監利市的夏收作物為研究對象，通過水云模型，結合Sentinel-1A SAR數據，提取了12 d間隔的監利市土壤表層相對體積含水量空間分布，再以每天的前期降水指數視作具有一定誤差的觀察數據，運用卡爾曼濾波插值方法，實現了以天為單位監利市2018年至2020年每年1－4月夏收作物區土壤表層相對體積含水量空間分布信息的提取，經220 hm2試驗區的土壤濕度數據驗證，其Nash-Stucliffe效率系數為0.909；結合夏收作物漬害的判別標準，獲取了監利市夏收作物同期的漬害時空分布信息，與試驗區觀測的結果相似；同時通過對計算結果數據的分析，發現前期降水指數與該指數下所有的夏收作物受漬農田比例（受漬農田面積與監利夏收作物總面積比率）的最大值有明顯的二次多項式關系。由于Sentinel-1A SAR數據不受云層干擾，可以全天候獲取，前期降水指數可用氣象臺站數據計算，這種作物漬害高時空分辨率監測的方法可實現漬害監測。

遙感；土壤水分；漬害；前期降水指數；卡爾曼濾波；時空分布；信息提取

0 引 言

漬害是影響湖北省江漢平原夏收作物的一種主要農業氣象災害[1]，據湖北省農業統計年鑒數據分析，江漢平原常年受漬農田面積占總耕地面積的40.6%。與同類地區豐產田相比，夏收作物（小麥和油菜）單產低50%～70%，災害嚴重的年份甚至絕收，是阻礙本地區農業持續穩定發展的主要限制因子。實現大尺度作物漬害監測是江漢平原夏收作物減漬高產的前提。目前國內外對作物漬害大尺度監測主要有二類方法，一類是運用多源遙感數據提取漬害的空間分布信息，如運用光學遙感數據采用熱慣量法、相對溫差法和光譜法分析正常農田及漬害田的差異提取作物漬害空間分布[2-3]，這種根據漬害遙感特征差異性提取法有一定的理論性、實現方法簡單明了，但存在的主要問題是這些差異性的非唯一性，即作物受其他環境脅迫的影響也會有類似特征出現；還有運用微波衛星數據通過反演土壤表層水分體積含水量實現大尺度作物漬害監測[4-5]，其方法能準確反映土壤表層水分的空間分布，但作物漬害識別是以受漬天數為衡量標準，衛星數據只能提取出衛星訪問時刻的水分空間分布信息，無法獲取重訪周期內土壤水分的日變化過程；另一類是運用分布式水文模型提取作物受漬的空間分布，分布式水文模型是將整個流域分成若干單元，通過計算每個單元的水平衡，運用氣象數據、土壤數據、高程數據、土地利用數據，達到模擬農田土壤水分狀況的目的，結合作物輕、中、重度3種漬害的水分特征指標，實現不同漬害時空分布信息的提取，目前成功運用到漬害監測的水文模型有SGMP（Standard Groundwater Model Program）模型[6-8]、DHSVM（Distributed Hydrology Soil Vegetation Model）模型[9-10]等，由于模型的過度簡化，隨著模擬時間的增加，其模擬結果與實際的差異較大。因此為進一步提高作物漬害監測精確，需要對上述方法進行改進。

上述方法中，運用微波衛星數據提取作物漬害時，能準確提取土壤水分的空間分布，但無法獲取重訪周期內土壤水分的日變化過程，針對這些缺點，根據流域內前期降水指數（API，Antecedent Precipitation Index）與土壤表層相對含水量高度相關的理論[11-13]，以API指數作為協變量，將地統計學中的空間插值方法引入到時間插值中，以天為單位對衛星重訪周期內土壤水分進行時間插值，得到土壤表層含水量的時空分布信息，結合作物漬害的水分特征指標，提取漬害時空分布信息。由于微波數據具有不受云層影響、全天候獲取的特點，而作物漬害發生時，天氣以陰雨天為主，因此這種作物漬害空間分布信息提取的方法運用潛力很大，本文以湖北省監利市為研究對象，對該方法的可行性與監測精確進行分析。

1 研究區概況與數據采集

1.1 研究區概況

監利市位于湖北省中南部、江漢平原南部，緊鄰長江北岸。面積3 508 km2，地勢分布呈“簸箕”形，即西、南、北三面較高，中部及東部較低，因此自身形成一個獨立的水系。土壤類型主要有灰潮土、水稻土、黃棕壤。監利市屬典型的亞熱帶季風氣候，光能充足、熱量資源豐富（大于10 ℃的積溫5 171.8 ℃·d）、無霜期長（242～263 d）。

1.2 數據采集

在監利市新溝鎮夏橋村220 hm2小麥田設24個漬害監測點（圖1），農田地形特征是南高（高程24 m）北低（高程20 m），觀測時間為2018至2020年，每年1月1日至4月30日小麥生長發育期觀測。具體觀測內容為：第17號監測點設一個HOBO自動氣象站和土壤水分監測站。自動氣象站觀測的項目有：1.5 m高處的氣溫、濕度、總輻射、光合有效輻射，2 m高處的風向、風速、降水和地面0.1 m處地溫；土壤水分監測點采用Decagon公司EC50自動土壤水分監測儀，5個EC-5土壤水分傳感器，埋設深度為0.05、0.10、0.15、0.20、0.25 m，取5個深度的平均值為土壤表層水分含量，所有儀器設置1 h自動記錄1次；其他監測點用手持式ProCheck土壤水分傳感器測，每天10:00至12:00測0.05、0.10、0.15、0.20、0.25 m深處土壤水分，取5個深度平均值為當天土壤表層水分含量。

1.3 Sentinel-1A SAR數據預處理

Sentinel-1衛星是歐洲極地軌道C波段雷達成像系統，其對地觀測特征有：多極化（HV、HH極化）、高重訪周期（12 d）、高空間分辨率（干涉寬幅（IM）模式：250 km，5 m×20 m分辨率），從歐空局的網站（https://scihub.copernicus.eu/dhus/#/home）上下載2018年1月1日至5月1日涵蓋監利區域Sentinel-1A衛星C波段SAR GRDH格式數據， 2景數據能涵蓋監利所有區域，合計下載121 d共22景數據，運用ESA Sentinel 1 Toolbox(Ver 1.1.1)軟件做數據的預處理，數據預處理步驟如圖2。

最終生成一個11波段VV極化的后向散射系數的時序數據，波長用DOY表示（一年中的第幾天）。

2 作物漬害空間分布信息提取方法

2.1 基于水云模型的Sentinel-1A SAR數據土壤表層相對體積含水量的計算

1）采用Ulaby方法[14-15]消除入射角對后向散射系數的影響，實現后向散射系數的標準化，其計算公式為

2）運用水云模式（Water Cloud Mode）消除地上植被對后向散射系數的影響。

水云模型的計算公式[16]為

式中0soil為土壤表層的后向散射系數（無量綱），0veg為植被產生的后向散射系數（無量綱），2為雙程衰減系數（無量綱）。2與0veg的計算公式為

式中1表示植被的散射特征，2表示植被的衰減特征，是最大可能的冠層衰減系數（因為cos和2都小于1，因此可以理解為與植被密度相關的系數，=0為裸土，值越大代表植被密度越大），是與作物類型相關的系數。

Wang等[17]將1、2用歸一化植被指數NDVI替代取得好的效果，并計算得到、的取值分別為?5.689和0.024。

將公式（3）～（4）代至公式（2），得到植被冠層下土壤的后向散射系數計算公式為

式中各時期的NDVI指數由高分一號WFV數據計算。

3）農田土壤體積相對含水量的反演

植被冠層上土壤的后向散射系數1soil（單位：dB）與土壤體積相對含水量（SM）的公式為[18]

式中、為與土壤粗糙度和土壤類型相關的變量，SM為土壤表層相對體積含水量，db；后向散射系數與無量綱的后向散射系數呼喚公式為

由公式（6）可知，土壤的后向散射系數與土壤體積相對含水量（SM）呈簡單的線性關系，即一段時間內同一地點變量、不會變化，后向散射系數的方差與土壤體積相對含水量方差相同，有很多研究對兩者之間的反演算法進行了探討[19-20]，主要采用的方法是獲取一個地方長時間的土壤后向散射系數，從中選擇比較低的值，表示土壤表層水分比較小情況下的值，再選擇最大值，表示土壤水分很大時的后向散射系數，其土壤體積相對含水量計算公式為

式中1dry為土壤表層水分最小時的后向散射系數，dB；1wet為土壤表層水分最高時的后向散射系數，dB。

假設條件為土壤粗糙度不變。由于監利市為濕潤地區，基本沒有出現絕對干旱情況，觀測到的土壤表層最小相對體積含水量為20%，因此式（8）改為

2.2 前期降水指數的計算

前期降水指數API（Antecedent Precipitation Index）主要運用流域土壤濕度的預報，其計算公式[21-22]為

式中API為第天的前期降水指數，mm；P為第天的降雨量，mm；API-1為第-1天的前期降水指數，mm；為土壤水分的日消退系數，它綜合反映土壤蓄水量因蒸散而減少的特性，因此值大小與蒸散發相關，其計算公式為[23]

式中EM為流域日蒸散能力，EM采用Hargreaves-Samani (H-S)模型計算[24]，mm；WM為流域最大蓄水量，mm；為平均降雨量，mm；為平均產流量，mm；為平均蒸散量，mm，當大于100 mm時，API為100 mm；max為日最高氣溫，℃；min為日最低氣溫，℃；R為地球外輻射，mJ/m2·d，為蒸發潛熱，2.45 mJ/kg。

API指數反映整個流域的土壤表層相對含水量的變化，由于流域內的各基本單元受地形、土壤類型、排灌條件等要素的影響，其土壤表層相對含水量的變化具有差異的，為準確反映每個基本單元的土壤表層相對含水量的變化，式（11）改為

式中為各基本單元水分交換因子，>1表示本單元向其他臨近單元有水分輸送；<1表示臨近單元有水分向本單元聚集。不同單元有不同的值，它是反映地形、土壤類型、排灌條件等因子對API指數影響的一個無量綱綜合因子，因此改進后的API指數能反映相應單元土壤表層相對含水量的變化特征。

每個單元的值采用枚舉法計算，即把值分別以0.1遞增0.5到1.5取值，每個值會得到相對應的API時序值，將該單元的SAR數據提取的土壤表層相對體積含水量值作為因變量，與同天的API時序值作為自變量進行相關分析，得到一個相關系數，這樣值從0.5到1.5會有100個相關系數，最后取相關系數最大的對應的值視為本單元的值，如果值為0.5或者1.5，表示真實值不在0.5～1.5范圍內，用流域值替代（=1）。

2.3 基于卡爾曼濾波（Kalman filter）時間插值方法的土壤水分時空分布信息提取

卡爾曼濾波是對受到隨機干擾和隨機測量誤差影響的物理系統進行預測的一種優化估算算法，即在信號和噪聲都是平穩過程的假設條件下，以某種性能指標為最優的原則，從具有隨機誤差的測量數據中提取信息，估算出系統的某些參數狀態，求出誤差為最小的真實信號的估計值[25]。由于考慮了被估參數和觀察數據的統計特性，較最小二乘法、最大似然法和Wiener濾波等優化估算算法更加準確，已成功運用到衛星數據的降尺處理[26]和土壤水分數據時序分析中[27]。這里把Sentinel-1A SAR數據提取的土壤表層相對體積含水量空間分布數據（時間間隔12 d）看成被估參數，把前期降水指數（時間間隔為1 d）看成觀察數據，運用卡爾曼濾波方法，生成時間間隔為1 d的土壤表層相對體積含水量空間分布數據，具體計算公式為[25]

式中θ為第天的土壤水分體積含水量；API為SAR數據對應的API指數的均值，mm；μ為SAR數據提取的土壤表層相對體積含水量均值；API為SAR數據對應的API指數的方差；σ為SAR數據提取的土壤表層相對體積含水量方差。

2.4 漬害時空分布信息提取

在提取土壤表層相對體積含水量時空分布信息的前提下，將漬害評判標準[9-10]（每年2－4月，當農田地下水位埋深小于60 cm，土壤表層相對體積含水量5 d滑動均值高于95%的持續期大于5 d，認為夏收作物受到輕度漬害；如果持續期大于12 d認為受到中度漬害；持續期20 d以上認為受到重度漬害）用計算機語言表達，運算后可得到漬害時空分布信息。

2.5 方法驗證公式

方法驗證采用Nash-Stucliffe效率系數（NS）計算公式，具體公式為

3 結果與分析

3.1 各基本單元水分交換因子α計算結果

圖3a為監利市單元水分交換因子的空間分布，由于監利屬平原地區，地勢起伏不大，因此90%的值在0.9～1.1之間，用值計算出的API值與Sentinel 1A SAR 數據反演的土壤表層相對含水量之間的相關系數的空間分布見圖3b，其值普遍在0.6附近（樣本數為30），表明值計算方法是正確的。

值表征流域基本單元與周圍其他單元的水分交換，因此取值差異對API指數計算影響很大（見圖3c）。當值小于1時，表示四周單元有匯水流入，API指數普遍較高，土壤相對含水量值會偏高，是容易發生漬害的單元，對應地勢較低的地方；而當值大于1時，表示本單元會有土壤水凈流出到四周其他單元，API指數普遍偏低，土壤相對含水量值會偏低，是容易發生作物干旱的單元，對應地勢較高的地方。

3.2 土壤表層相對體積含水量和受漬區域空間分布計算結果的驗證

由圖4可知，采用卡爾曼濾波時間插值方法計算出的土壤表層相對體積含水量計算值與觀測值變化曲線形態基本一致，而且其Nash-Stucliffe效率系數為0.909（見圖4b），證明此插值方法適用于平原湖區土壤水分的時間插值計算，土壤表層相對體積含水量與前期降水指數變化特征基本一致（見圖4a），即兩者高度相關（相關系數為0.936，樣本360），因此把前期降水指數作為具有隨機誤差的觀測數據，運用卡爾曼濾波方法進行時間插值，能得到比較準確的土壤表層相對體積含水量日數據。

運用試驗區土壤表層相對體積含水量時空數據，結合夏收作物漬害判別標準，得到試驗區漬害的時空分布，用試驗區1～24個點記錄漬害進行驗證，48次漬害都能在計算結果中準確反映，同時試驗區漬害的空間分布也與實際相同。如圖5c為2020年3月28日至4月7日試驗區漬害的動態分布情況，3月30日試驗田東北部出現漬害，而西南部只有少量出現，這與試驗田南高北低的地形特征是吻合的，4月1日漬害面積擴大，3日后開始消退，在消退過程中，漬害區域慢慢集中在洼地，與漬害實地觀測記錄相同。2018年（見圖5a）和2019年（見圖5b）的變化相同?？偟膩碇v，運用卡爾曼濾波方法進行時間插值的方法提取漬害時空分布信息是準確可行的。

3.3 監利夏收作物漬害時空分布特征

2016年以來，監利市在中東部地勢低的湖沼地區，大力推廣“稻蝦”種養模式，將大面積澇漬田改造成稻蝦田，因此夏收作物（油菜和小麥）種植區主要集中在北部、南部和西部旱地集中區。將監利市夏收作物受漬面積除以整個夏收作物種植面積，得到監利市夏收作物受漬農田比例。圖6為2018年至2020年夏收作物受漬農田比例隨時間變化曲線，從圖6可以看出，盡管大量澇漬田改造成稻蝦田，但夏收作物受漬程度仍很嚴重，尤其是2019年， 2019年1－4月的降雨量只有300 mm（2018年為312 mm，2020年為375 mm），由于降水集中、雨量均勻、雨日多，有二次受漬面積達到50%左右的漬害危害，而且持續10 d左右；相反2018年由于降水強度大、雨日少，是受漬較輕的年份；2020年降水偏多，受漬程度也比較嚴重。

構建2018年至2020年每天夏收作物受漬農田比例與當天前期降水指數二維數點分布圖（見圖7），發現數點的分布呈三角形（上邊界與軸構成的三角形），上邊界表示前期降水指數可能產生的監利市最大作物受漬農田比例，將最上邊界所有的點與前期降水指數進行二次多項式擬合，其擬合決定系數達到0.999 3（樣本數為31），例如當天前期降水指數達到85 mm時，監利市夏收作物受漬農田比例最大達到25.5%。由于只用氣象臺站數據便可計算前期降水指數，因此用前期降水指數可預報監利市夏收作物受漬農田最大可能比例。

漬害的成災因子為降水、地形、土壤類型、土地利用現狀、河網分布等[28]，這些成災因子中只有降水隨時間變化，其他成災因子只與位置有關。監利市夏收作物漬害空間分布也遵循這一規律，圖8為不同受漬比例下的漬害空間分布圖，其中圖8b和圖8c的受漬比例相近，對比可以看出，其漬害空間分布的差異性很少。從圖8還可以得出，最容易受漬的是監利市北部（新溝鎮、網市鎮等），隨著受漬比例的增加，其西部和南部開始受漬，而中東部地區盡管地勢低，但大部分為魚池和稻蝦田，基本無漬害。

4 討 論

運用卡爾曼濾波方法成功是建立在前期降水指數與土壤表層相對體積含水量高度相關的基礎上的，Kohler[29]1951年首次將前期逐日雨量的加權累積數,作為土壤含水量的指標，Descroix[30]提出了改進的前期降水指數計算公式，很多學者驗證了不同氣候條件下前期降水指數與土壤表層相對體積含水量的相關性[31-32]，因此把前期降水指數看成帶有一定誤差的觀察數據是有一定的理論基礎的。

相比運用DHSVM模型模擬同一地方（監利市）土壤水分的時空變化[10]，空間分辨率由90 m提高到10 m，土壤體積含水率的模擬值與觀測值之間的復相關系數由0.67提升到0.91。

計算時作物實際蒸散EM采用Hargreaves- Samani(H-S)模型（式（13）），該公式是Hargreaves于1985年提出的經驗公式，只在美國加州等干旱半干旱地區應用效果較好。公式中只有溫度一個氣象因子，沒有考慮太陽輻射、風速、空氣濕度等其他重要因子[33]。用在漬害經常發生的濕潤地區，其效果有待進一步驗證。

Sentinel-1A雷達衛星具有不受云層干擾、全天候的特點，前期降水指數計算數據來源于氣象臺站，本文提出的作物漬害監測方法具有一定的實用性，而且監測精確度也達到一定水平（空間分辨率為10 m，時間分辨率為1 d），可用于氣象部門或者農業部門農情監測，同時將氣象預報數據用于未來幾天前期降水指數計算，可用于未來幾天作物漬害預報，具有一定實用價值。

5 結 論

本文成功運用卡爾曼濾波時間插值方法，把Sentinel-1A SAR數據提取的土壤表層相對體積含水量空間分布數據（時間間隔12 d）看成被估參數，把前期降水指數（時間間隔為天）看成觀測數據，實現了土壤表層相對體積含水量信息的高時空分辨率（空間分辨率為10 m、時間分辨率為1 d）的信息提??；結合夏收作物漬害的判別標準，提取了2018年至2020年監利市夏收作物漬害時空分布信息，經220 hm2試驗區的驗證，其漬害時空分布信息是準確的。因此可以運用卡爾曼濾波插值方法，利用天（Sentinel-1A SAR數據）和地（氣象臺站氣象數據）一體化信息，實現作物漬害的實現監測與預報；同時通過分析提取的監利市2018年至2020年漬害時空分布信息發現，監利市夏收作物受漬比例與當天前期降水指數在二維分布圖中呈三角型，可根據這個特征計算前期降水指數下監利市最大夏收作物可能受漬比例。

[1]歐陽萍，王修貴，姚宛艷. 基于GIS 的我國漬害田治理分區及排水控制深度研究[J]. 灌溉排水學報，2008，27(6)：34-36，54.

Ou Yangpin, Wang Xiugui, Yao Wanyan. Classification and drainage depth of waterlogged field in china based on GIS[J]. Journal of Irrigation and Drainage, 2008, 27(6): 34-36, 54. (in Chinese with English abstract)

[2]李元征，吳勝軍，杜耘，等. 基于MODIS的漬害田和正常農田遙感特性對比研究[J]. 長江流域資源與環境，2012，21(10)：1287-1292.

Li Yuanzheng, Wu Shengjun, Du Yun, et al. Remote sensing characteristics comparative study between waterlogged and normal cropland in the Sihu basin based on MODIS[J]. Resources and Environment in the Yangtze Basin, 2012, 21(10): 1287-1292. (in Chinese with English abstract)

[3]金銀龍，黃介生，王修貴. 基于多源數據的漬害田識別[J]. 武漢大學學報：工學版，2014，47(3)：289-293.

Jin Yinlong, Huang Jiesheng, Wang Xiugui. Identification of waterlogged field based on multi-source data[J]. Engineering Journal of Wuhan University, 2014, 47(3): 289-293. (in Chinese with English abstract)

[4]熊勤學. 四湖地區暴雨后澇漬害遙感空間分析[J]. 湖北農業科學，2011，50(10)：1980-1983

Xiong Qinxue. Waterlogging disaster spatial analysis inversed by remote sensing after rainstorm in Sihu region[J]. Hubei Agricultural Sciences, 2011, 50(10): 1980-1983 (in Chinese with English abstract)

[5]胡佩敏，熊勤學. 基于ASAR GM數據時序特征的農田表層土壤水分的反演[J]. 長江流域資源與環境，2014，23(5)：632-637.

Hu Peimin, Xiong Qinxue. Retrieving surface soil moisture over crop fields based on time-series characteristics of ASAR data[J]. Resources and Environment in the Yangtze Basin, 2014, 23(5): 632-637. (in Chinese with English abstract)

[6]Singh A, Panda S N, Flugel W A, et al. Waterlogging and farmland salinization: Causes and remedial measures in an irrigated semi-arid region of India[J]. Irrigation and Drainage, 2012, 61(3): 357-365.

[7]Singh A, Panda S. Integrated salt and water balance modeling for the management of waterlogging and salinization. I: validation of SAHYSMOD[J]. Journal of Irrigation and Drainage Engineering.2012, 138(11): 955-963.

[8]Singh A, Panda S. Integrated salt and water balance modeling for the management of waterlogging and salinization. II: application of SAHYSMOD[J]. Journal of Irrigation and Drainage Engineering, 2012, 138(11): 964-971.

[9]熊勤學.基于土壤植被水文模型的縣域夏收作物漬害風險評估[J]. 農業工程學報，2015，31(21)：177-183.

Xiong Qinxue. Risk evaluation of sub-surface waterlogging of summer crops based on DHSVM model on county scale[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 177-183. (in Chinese with English abstract)

[10]熊勤學，田小海，朱建強. 基于DHSVM 模型的作物漬害時空分布信息提取[J]. 灌溉排水學報，2017，36(6)：109-116.

Xiong Qinxue, Tian Xiaohai, Zhu Jianqiang. Calculating spatio-spatial distribution of waterlogged in Jianli county using the DHSVM model[J]. Journal of Irrigation and Drainage, 2017, 36(6): 109-116. (in Chinese with English abstract)

[11]Zhao Y, Wei F, Yang H, et al. Discussion on using antecedent precipitation index to supplement relative soil moisture data series[J]. Procedia Environmental Sciences, 2011, 10: 1489-1495.

[12]Xie W P, Yang J S. Assessment of soil water content in field with antecedent precipitation index and groundwater depth in the yangtze river estuary[J]. Journal of Integrative Agriculture, 2013, 12(4): 711-722.

[13]Blanchard B J, Mcfarland M J, Schmugge T J, et al. Estimation of soil moisture with API algorithms and microwave emission[J]. Journal of the American Water Resources Association, 2007, 17(5): 767-774.

[14]Ulaby F T, Sarabandi K, Mcdonald K, et al. Michigan microwave canopy scattering model[J]. International Journal of Remote Sensing, 1990, 11(7): 1223-1253.

[15]Ulaby F T. Microwave Remote Sensing: Active and Passive : Radar Remote Sensing and Surface Scattering[M]. London: Addison-Wesley Pub Co, 1982.

[16]Bai X, He B, Li X. Optimum surface roughness to parameterize advanced integral equation model for soil moisture retrieval in prairie area using radarsat-2 data[J]. IEEE Transactions on Geoence and Remote Sensing, 2016, 54(4): 1-12.

[17]Wang L, He B, Bai X, et al. Assessment of different vegetation parameters for parameterizing the coupled water cloud model and advanced integral equation model for soil moisture retrieval using time series sentinel-1A data[J]. Photogrammetric Engineering and Remote Sensing, 2019, 85(1): 43-54.

[18]Bindlish R, and Barros A P. Parameterization of vegetation backscatter in radar based soil moisture estimation[J]. Remote Sensing of Environment, 2001, 76: 130-137.

[19]Aliihsan S, Aycan M M, Saygin A. Soil moisture mapping using sentinel-1A synthetic aperture radar data[J]. International Journal of Environment and Geoinformatics, 2016, 5(2): 178-188.

[20]Vijay P Y, Rajendra P, Ruchi B, et al. An improved inversion algorithm for spatio-temporal retrieval of soil moisture through modified water cloud model using C- band Sentinel-1A SAR data[J]. Computers and Electronics in Agriculture, 2020, 173(6): 105-147.

[21]Kohler M A, Linsley R. Predicting the runoff from storm rainfall. In: national oceanic and atmospheric administration weather bureau research papers[C]//US Department of Commerce, Weather Bureau, Washington, 1951.

[22]吳子君，張強，石彥軍，等. 多種累積降水量分布函數在中國適用性的討論[J]. 高原氣象，2017，36(5)：1221-1233.

Wu Zijun, Zhang Qiang, Shi Yanjun, et al. The applicability of several distribution functions which used to describe the characteristics of cumulative precipitation in china[J]. Plateau Meteorology, 36(5): 1221-1233. (in Chinese with English abstract)

[23]Xu C Y, Singh V P. Evaluation and gene realization of temperature-based methods for calculation evaporation[J]. Hydrological Processes, 2001, 15(2): 305-319.

[24]Hargreaves G H, Allen R G. History and evaluation of Hargreaves evapotranspiration equation[J]. Journal of Irrigation and Drainage Engineering, 2003, 129(1): 53-63.

[25]Kalman R E. A new approach to linear filtering and prediction problems[J]. Journal of Basic Engineering Transactions of the ASME, 1960, 3: 35-45.

[26]Crow W T , D Ryu. A new data assimilation approach for improving runoff prediction using remotely-sensed soil moisture retrievals[J]. Hydrology and Earth System Sciences, 2009, 5(1):1-16.

[27]Zhao Y, Wei F, Yang H, et al. Discussion on using antecedent precipitation index to supplement relative soil moisture data series[J]. Procedia Environmental Sciences, 2011, 10: 148-149.

[28]Ma Y, Xiong Q X, Zhu J Q, et al. Early warning indexes determination of the crop injuries caused by waterlogging based on DHSVM model[J]. The Journal of Supercomputing, 2020, 76: 2435-2448.

[29]Kohler M A, Linsley R. Predicting the runoff from storm rainfall. in: national oceanic and atmospheric administration weather bureau research papers[R]. Washington, US Department of Commerce, Weather Bureau, 1951.

[30]Descroix L, Nouvelot J F, Vauclin M. Evaluation of an antecedent precipitation index to model runoff yield in the western Sierra Madre (North-West Mexico)[J]. Journal of Hydrology, 2002, 263: 114-130.

[31]Brocca L, Melone F, Moramarco T, et al. Antecedent wetness conditions based on ERS scatterometer data[J]. Journal of Hydrology, 2009, 364: 73-87.

[32]Findell K L, Eltahir E A B. An analysis of the soil moisture-rainfall feedback, based on direct observations from illinois[J]. Water Resources Research, 1997, 33: 725-735.

[33]楊永紅，張展羽. 改進Hargreaves方法計算拉薩參考作物蒸發蒸騰量[J]. 水科學進展，2009，20(5)：614-618.

Yang Yonghong, Zhang Zhanyu. Method for calculating Lhasa reference crop evapotranspiration by modifying Hargreaves[J]. Advance in Water Science, 2009, 20(5): 614-618. (in Chinese with English abstract)

Extracting the spatial distribution information of crop sub-surface waterlogging using antecedent precipitation index and sentinel-1A SAR data

Xiong Qinxue1,2,3, Hu Peimin4※, Ma Yan1,2,3

(1.,434025,; 2.,434025,; 3.,434025,; 4.,434020,)

The sub-surface waterlogging is a major agricultural meteorological disaster that affects the yield of summer crops in the middle and lower basins of the Yangtze River, Waterlogging disaster has the characteristics of concealment and hysteresis. At present, there is a little research on the extraction of crop waterlogging spatial distribution information with high spatial and temporal resolution at home and abroad. This research aimed at Jianli City, Hubei Province, where the summer harvest crops are most heavily affected. based on the antecedent precipitation indexes derived from meteorological station and the Sentinel-1A SAR data of the same period, the Kalman filter interpolation method was used to extract the temporal and spatial distribution information of the waterlogged summer crops with a time step of a day from 2018 to 2020. The methods is following：first, the spatial distribution information of the relative volumetric water content of the soil surface Layer (RVWCSSL) in the study area was extracted based on a Water-Cloud model and Sentinel-1A SAR data with a time step of 12 days. Then take the daily API(Antecedent Precipitation Index)data as observational data which with certain imprecise, the spatial distribution information of RVWCSSL extracted from Sentinel-1A SAR data were regarded as the estimated parameters, and the Kalman filter interpolation method was used to extract the spatial distribution information of RVWCSSL with a time step of a day. Finally the daily sub-surface waterlogging spatial distribution information was extracted based on daily spatial distribution of RVWCSSL values and according to the summer harvest crops waterlogging discriminant standard(if the duration that sliding 5 d mean of RVWCSSL values is higher than 95% was longer than 5 days, it is considered that the summer harvest crops are under mild waterlogging damage. If the duration is longer than 12 d, moderate waterlogging is considered to be suffered; Severe waterlogging is considered to be suffered if the duration is over 20 days). This method was verified on experimental area with an area of 220 hm2, using this method to calculate the RVWCSSL of experimental area, by compared with the actual observation value, the Nash-Stucliffe efficiency coefficient of the two is 0.909. At the same time, the temporal and spatial distribution of sub-surface waterlogging are also consistent with the field observation records, so it is feasible to use the Kalman filter interpolation method to extract the spatial distribution information of crop waterlogging. At the same time, through analyzing the extracted data, it was found that there is an obvious quadratic polynomial relationship between API index and the maximum value of the ratio of the crop sub-surface waterlogging area to the total area of summer crops in Jianli city; Since only precipitation changes with time, and the other factors are only related to location, the spatial distribution of waterlogging has little difference when the proportion of waterlogging is the same, which is conducive to accurate prediction of waterlogging. Since Sentinel-1A SAR data has the advantages of not being interfered by clouds and being available all day long. Meanwhile the precipitation index data can be calculated from the monitoring data of meteorological stations. This method of using satellite-ground integrated data to realize the high temporal and spatial resolution monitoring of crop sub-surface waterlogging can realize the operational operation of waterlogging disaster monitoring.

remote sensing; soil moisture; sub-surface waterlogging; antecedent precipitation index; spatial and temporal distribution; information extracted

熊勤學，胡佩敏，馬艷. 前期降水指數結合SAR數據提取作物漬害空間分布信息[J]. 農業工程學報，2021，37(5)：175-183.doi：10.11975/j.issn.1002-6819.2021.05.020 http://www.tcsae.org

Xiong Qinxue, Hu Peimin, Ma Yan. Extracting the spatial distribution information of crop sub-surface waterlogging using antecedent precipitation index and sentinel-1A SAR data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(5): 175-183. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.05.020 http://www.tcsae.org

2020-09-25

2021-01-20

國家自然科學基金（31871516）；濕地生態與農業利用教育部工程研究中心開放基金（KF201701，KFT201906）

熊勤學，教授，主要研究方向為農業遙感。Email：nxqx@tom.com

胡佩敏，高級工程師，主要研究方向為農業氣象。Email：hupm@21cn.com

10.11975/j.issn.1002-6819.2021.05.020

S1

A

1002-6819(2021)-05-0175-09