Page 51 - 水利学报2025年第56卷第3期

＝
{ ＳＭ ｉｎｓｉｔｕ，ｔ ＋ ｎ － ＳＭ ｉｎｓｉｔｕ，ｔ － １ Δ ＳＭ ｉｎｓｉｔｕ，ｎ （２）
＝
ＳＭ
－ ＳＭ
ｒｓ，ｔ － １ Δ ＳＭ
±ｕ
ｒｓ，ｔ ＋ ｎ
ｒｓ，ｎ
ｆ （ｒｓ） ＝ｍａｘ （ Δ ＳＭ － ｕ） ｕ＜ Δ ＳＭ
ｉｎｓｉｔｕ，ｎ ｉｎｓｉｔｕ，ｎ
式中：ｎ为天数；ＳＭ 为实测土壤水分；ＳＭ 为遥感反演土壤水分；ｕ为多源遥感土壤水分反演组合
ｉｎｓｉｔｕ ｒｓ
应用的不确定性；ｆ（ｒｓ）为优选数据源结果。Δ ＳＭ 衰减至与 ｕ相等时，土壤水分反演结果的差异由
ｉｎｓｉｔｕ，ｎ
不确定性主导，其不再具有灌溉识别的能力。ｕ的确定需要使用不确定性合成公式定量描述灌溉前后
使用数据源的组合影响，组合数据源为不同数据源时，不确定性的公式如下：
２ ２
＋
槡
ｕ ＝ ε ｒｓ１ ε ｒｓ２ （３）
为第二种数据源的不确定性。组合数据源为相同数据源时，
式中：ε ｒｓ１ 为第一种数据源的不确定性；ε ｒｓ２

２
槡
ｕ ＝ ２ ε ｒｓ１ ，在 ９５％置信条件下，ε ｒｓ ＝ １．９６ σ ｒｓ ，σ ｒｓ 为遥感数据源反演土壤水分的标准差。
２．３．３ 灌溉水量计算与水权管理 获取实际灌溉面积后，利用不同作物的实灌面积与亩均用水量可以
进行不同地块的灌溉水量计算工作，计算方法如下：
ＩＷ ＝ Ｑ × ＩＡ （４）
ｉ ｃｒｏｐ ｃｒｏｐ
式中：Ｑ 与 ＩＡ 分别为作物类型 ｃｒｏｐ（研究区为玉米、向日葵、其他作物）的亩均用水量与灌溉面积；
ｃｒｏｐ ｃｒｏｐ
ｉ为灌溉轮次；ＩＷ为地块的灌溉水量。
获取的逐灌次灌溉水量结合研究区水权管理信息，可对用水户水权开展动态监管工作，用水户水
权变化可以表示为：
ｍ
∑
ＷＲ＝ ＷＲ － ＩＷ ｉ （５）
ｉ
ｉ ＝１
式中：ＷＲ为初始水权；ＷＲ为第 ｉ轮次灌溉后的水权余量；ｍ为总灌溉次数。
ｉ
３ 研究结果

３．１ 土壤水分反演与协同 本文首先对获取的多源遥感数据进行 ＭＰＤＩ干旱指数计算；其次，基于研
究组采集的实测土壤水分数据与神经网络模型将 ＭＰＤＩ转化为空间土壤水分数据；最后利用预留的验
证样本对土壤水分反演的精度进行评价。
实地采集土壤水分的时间为 ６月 １６日、７月 ８日、８月 ８日与 １０月 １６日，分别选择时间相近的
不同数据源 ＭＰＤＩ结果进行反演，其中 ６月 １６日实测数据用于反演 ６月 １２日（ＧＦ － ６）、６月 １３日
（ Ｓｅｎｔｉｎｅｌ － ２）与 ６月 １４日（ＧＦ － １）数据土壤水分，７月 ８日实测数据反演 ７月 ７日（ＧＦ － ６）、７月 ８日
（ Ｓｅｎｔｉｎｅｌ － ２）与 ７月 ９日（ＧＦ － １）遥感数据，８月 ８日实测数据反演 ８月 ７日（ＧＦ － １、Ｓｅｎｔｉｎｅｌ － ２）与 ８月
９日（ＧＦ － ６）遥感数据，１０月 １６日实测数据用于反演 １０月 １７日（ＧＦ － ６）与 １０月 １８日（Ｓｅｎｔｉｎｅｌ － ２）遥
感数据。６月 １３日实测土壤水分与 Ｓｅｎｔｉｎｅｌ － ２、ＧＦ － ６、ＧＦ － １数据反演土壤水分 ９５％置信条件下的误
差标准差 ε分别为 ４．５１％、５．４１％、５．９１％；７月 ８日 Ｓｅｎｔｉｎｅｌ － ２、ＧＦ － ６、ＧＦ － １数据 ９５％置信条件下
土壤水分反演的 ε分 别 为 ５．５１％、６．９０％、７．３１％；８月 ７日 三 种 数 据 源 ９５％置 信 条 件 下 ε分 别 为
５．９４％、７．３７％、７．６６％，１０月 １８日 Ｓｅｎｔｉｎｅｌ － ２、ＧＦ － ６两种数据源 ９５％置信条件下 ε分别为 ４．０３％与
２
４．８２％，ＢＰ神经网络的反演精度验证如图 ５所示。Ｓｅｎｔｉｎｅｌ － ２与 ＧＦ － ６反演结果与实测结果 Ｒ普遍优
于 ０．５，ＧＦ － １普遍优于 ０．４，整体结果较好。
利用不确定性合成公式可以获取多源遥感数据协同使用的不确定性，多源协同使用的不确定性如
表 ２所示。由于 ５月 １３日相近时间范围内没有实测土壤水分数据，且 ５月 １３日与 ６月 １６日耕地范围
内作物长势变化不大（５月 １３日播种，６月 １６日出苗），研究利用 ６月 １３日训练得到的神经网络模型反
演 ５月 １３日相近时间段内的土壤水分，灌溉后的土壤水分反演模型由灌溉前训练的神经网络模型代替。
基于不同数据源组合应用的不确定性，研究结合土壤水分随时间变化的跃升幅度确定多源遥感数
据协同应用方案，灌溉前后土壤水分变化见表 ３。灌溉前，土壤表层水分已经处于相对低值，灌溉前

— ３ ３ ３ —