Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2024 , Vol. 43 >Issue 6: 37 - 49

DOI: https://doi.org/10.11978/2023192

Marine Meteorology

Simulation study of the evapotranspiration and rainfall infiltration of islands and reefs in the South China Sea

  • ZHAO Yongzhu ,
  • YAN Jinfeng ,
  • LIU Bei ,
  • ZHU Jiang
Expand
  • College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China
YAN Jinfeng. email:

Editor: LIN Qiang

Received date: 2023-12-14

  Revised date: 2024-03-12

  Online published: 2024-03-27

Supported by

National Key Research and Development Program of China(2022YFC3103103)

Fold

Abstract

Evapotranspiration and soil infiltration, as the basic links in the rainfall water cycle, play an extremely important role in regional hydrological characteristics and water resource utilization. This study takes the Zhaoshu Island as the study area to estimate the potential evapotranspiration in vegetation areas and the actual evaporation in non-vegetation areas based on PM (Penman-Monteith) formula and SEBAL (surface energy balance algorithm for land) formula, respectively, construct a BP(back propagation) neural network model to simulate the potential evapotranspiration in vegetation areas and the actual evaporation in non-vegetation areas of the island, and simulate rainfall infiltration in beaches and bare soil based on the Kostiakov infiltration model and characteristics of precipitation infiltration process. The results show that the determination coefficients (R2) of the two evapotranspiration simulation models are higher than 0.85, and the model efficiency index (EF) are higher than 0.85. The average daily evapotranspiration of each land cover types on the Zhaoshu Island is the highest in May and the lowest in December of a year. The monthly change of potential evapotranspiration in the vegetation area is the most obvious. In areas with high soil sand content, the R2 of the Kostiakov infiltration model is generally larger than 0.85. The steady infiltration rate of soil in the Zhaoshu Island is about 0.33 cm·min-1. Multi-year rainfall data shows that the rainfall intensity in the study area is basically less than the steady infiltration rate, so the rainfall to the ground basically all infiltrates, and the rainfall infiltration in the dry season and the rainy season is significantly different. This study provides a feasible solution for the simulation of evapotranspiration and rainfall infiltration in the South China Sea islands where there is a lack of measured data, and provides data support for the construction of the island precipitation cycle.

Key words： evapotranspiration; BP neural network; infiltration model; rainfall infiltration

Cite this article

ZHAO Yongzhu , YAN Jinfeng , LIU Bei , ZHU Jiang . Simulation study of the evapotranspiration and rainfall infiltration of islands and reefs in the South China Sea[J]. Journal of Tropical Oceanography, 2024 , 43(6) : 37 -49 . DOI: 10.11978/2023192

水循环是连接大气水、地表水、地下水和生态水的纽带, 其中降水、蒸散发、径流、入渗和社会经济用水等作为水循环的重要组成部分(安善涛 等, 2021), 其变化时刻影响着水资源系统和生态系统的稳定与安全。珊瑚岛礁独特的形成过程和地理位置使其具有不同于陆地的水文环境和较为单一的下垫面组成(赵焕庭 等, 2017)。蒸散发和入渗作为岛礁降水循环过程中一个重要的环节, 准确评估蒸散发量和入渗量对于有效的水资源利用、植被生长、作物生产、环境评估和生态系统建设至关重要(Lang et al, 2017), 对岛礁生态环境以及承载力具有较大的影响。
近几十年来, 国内外学者采用了许多技术方法来估算区域和全球蒸散发量。根据其基本原理, 主要分为水文学方法(水量平衡法和蒸渗仪法等)、微气象学法(涡度相关法和空气动力学法等)、植物生理学方法(茎流法和气孔针法等)和红外遥感法等(王韦娜 等, 2019; Başakin et al, 2023)。PM(Penman-Monteith)模型已被验证适用于全球许多地区的潜在蒸散发量估算, 该模型基于物理机制, 无需过度参数化(Hao et al, 2018), 广泛应用于蒸散发量的估算和精度评价中(王海波 等, 2014)。且现有的许多不同地理条件及时空尺度下的蒸散发模型都是在该模型的基础上改进形成的(Yang et al, 2017; Jovic et al, 2018; Chen et al, 2022)。另外, SEBAL(surface energy balance algorithm for land)模型作为典型的单源模型, 不过度依赖地面辅助数据(Wei et al, 2022), 要求输入的观测数据较少, 反演精度较高, 在区域蒸散发量估算、水资源管理、流域水量平衡等研究中已得到广泛应用(马龙龙 等, 2019)。然而, PM模型和SEBAL模型在岛礁区域的蒸散发量模拟中仍有不足。
岛礁海滩及陆上表层被贝壳碎屑、珊瑚碎屑等生物碎屑覆盖(吕炳全 等, 1987), 质地疏松, 降水易入渗难有地表径流产生(樊龙凤 等, 2021)。目前, 关于珊瑚砂渗透特性的研究主要集中在其渗透系数测定方面, 常用方法有室内常水头、变水头渗透试验法和现场注水试验法(胡明鉴 等, 2017; 王新志 等, 2017; 李可良 等, 2020)。利用土壤水分入渗模型对珊瑚砂土壤水分入渗过程的研究较少, 且由于岛礁特殊地理位置, 进行实地测量或取岛礁土样进行人工降雨实验来模拟降雨入渗量较困难, 因此对珊瑚砂降雨入渗量的相关研究较缺乏。
本文针对已有研究的不足, 对岛礁的蒸散发和降雨入渗两大因素进行研究。利用西沙气象站历史数据, 结合PM公式和SEBAL公式分别估算赵述岛植被区潜在蒸散发量与非植被区实际蒸发量, 并构建BP(back propagation)神经网络模型模拟不同土地覆被类型的蒸散发量。基于赵述岛土壤物理性质构建珊瑚砂入渗模拟模型。结合模拟获得的蒸散发量和降雨入渗量分析岛礁各地类长时序的蒸散和降雨入渗特征, 旨在为珊瑚岛礁降水资源分配提供参考, 为岛礁生态保护和承载力提升给予一定的数据与方法支撑。

1 数据与方法

1.1 研究区概况

赵述岛位于海南省三沙市永兴岛北部(16°59′N, 112°16′E), 岛礁本体面积约0.22km2。研究区处于热带海洋性季风气候区, 年平均气温26℃, 多年平均降雨量约在1400~1500mm, 雨季为5—10月(邢建伟 等, 2023; 樊龙凤 等, 2021)。岛上植被较为茂盛, 集中分布在东部区域, 植被类型以草海桐、椰树为主。赵述岛地下水埋深约2~3m, 岛上淡水设施建设较为完善(韩生生 等, 2021)。
已有研究开展对南海珊瑚岛的土壤调研工作, 赵述岛土壤的理化性质有了初步的数据资料(王瑞 等, 2011; 韩生生 等, 2021; 杨安富 等, 2022), 为后续相关研究提供了参考。赵述岛土壤表层有机质含量为5.92%, 下层为1.09%, 表层砂壤土的干容重为1.3g·cm-3, 土壤机械组成情况如表1所示。
表1 赵述岛土壤机械组成

Tab. 1 Soil mechanical composition of the Zhaoshu Island

土层深度/cm 砂粒(0.05~2mm)含量/% 粉粒(0.002~0.05mm)含量/% 黏粒(<0.002mm)含量/% 参考文献
0~20 93.3 5.7 0.9 王瑞 等(2011)
20~50 97.6 0.8 1.6
0~25 98.74 1.26 0 韩生生 等(2021)
25~40 99.05 0.95 0
40~240 100 0 0
0~20 71.9 25 3.1 杨安富 等(2022)
20~30 77.5 18.3 4.2
30~100 98.8 0.8 0.4

1.2 蒸散发量模拟方法

1.2.1 模拟参数的获取

赵述岛的土地覆被分类信息是基于Sentinel-2影像和Google Earth历史影像, 利用目视解译方法获得。估算、模拟蒸散发量的气象数据来源于美国国家海洋和大气管理局(https://www.ncei.noaa.gov/maps/alltimes/)发布的西沙气象站(站号: 59981)2015年1月1日至2022年12月31日的小时平均气象数据, 经处理成日平均数据后作为PM公式、SEBAL公式计算的原始数据和模拟模型输入参数。西沙气象站位于16°49′59″N、112°19′59″E, 海拔5m。日平均气象数据主要包括最高气温、最低气温、平均气温、降水量、平均风速和天气情况等, 对平均风速按表2量化为风力等级, 由于6级以上风力对蒸散发量增加作用甚微, 仍按6级计算, 对天气情况按表3量化为天气类型指数k(徐俊增 等, 2006), 用于计算PM公式中植被表面的平均净辐射(Rn)。
表2 风力等级与风速换算

Tab. 2 Wind class and wind speed conversion

风速区间/(mm·s-1) 风力等级 量化值
0~0.2 0 0
0.3~1.5 1 1
1.6~3.3 2 2
3.4~5.4 3 3
5.5~7.9 4 4
8~10.7 5 5
10.8~13.8 6 6

表3 天气类型指数与天气情况换算

Tab. 3 Weather type index and weather condition conversion
云量区间/% 天气情况 天气类型指数
0~20 雨天 0.1
20~40 阴天 0.3
40~60 多云 0.5
60~80 晴转多云 0.7
80~100 晴天 0.9

注: 若气象站历史数据记录该日有降水, 则天气类型指数记为0.1

1.2.2 蒸散发量模拟模型构建

利用西沙气象站历史逐日气象数据结合PM公式和SEBAL公式分别估算赵述岛植被区潜在蒸散发量和非植被区实际蒸发量, 采用BP神经网络进行深度学习构建不同环境条件下的蒸散发量模拟模型。BP神经网络可以学习和存储大量的输入—输出模式的映射关系, 是一种按照误差逆向传播算法训练的多层前馈神经网络, 通过反向传播来不断调整网络的权值和阈值, 使网络的误差平方和最小, 由输入层、隐藏层和输出层构成。本文中BP神经网络基于Matlab机器学习和深度学习工具箱进行构建, 输入层与隐藏层以及隐藏层与输出层之间分别选用tan-sigmod和两种purelin类型的传递函数, 采用Levenberg-Marquardt算法进行网络训练, 训练数据与验证测试数据来源于2015年1月1日至2022年12月31日的逐日历史气象数据, 训练集和测试集数据量按7:3比例划分。
1) 植被区域潜在蒸散发量模拟模型构建
本文采用联合国粮食及农业组织(Food and Agriculture Organization, FAO)推荐的PM公式计算植被潜在蒸散发量ETp(potential evapotranspiration)计算结果为潜在蒸散发量, 即为土壤蒸发和植被蒸散发的集中体现, 为理想状态下蒸散发的上限值(Penman, 1948; Monteith, 1965), 具体计算公式如下。
$\text{E}{{\text{T}}_{\text{p}}}\text{=}\frac{0.408\Delta \cdot ({{R}_{\mathrm{n}}}-G)+\gamma \frac{900}{T+273}{{u}_{\text{2}}}({{e}_{\text{s}}}-{{e}_{\text{a}}})}{\Delta +\gamma \cdot (1+0.34{{u}_{2}})}$
式中, ETp为植被潜在蒸散发量(mm·d-1); Rn为植被表面的平均净辐射(MJ·m-2·d-1); G为土壤热通量(MJ·m-2·d-1), 一般认为G夜间是Rn的0.5倍, 白天是Rn的0.1倍(曹永强 等, 2021); T为平均温度(℃), 通过对气象站最高、最低温度数据求均值获取; u2为两米处平均风速(m·s-1), 可以通过气象站数据获取; es为饱和水汽压(kPa); ea为实际水汽压(kPa); Δ为饱和水汽压温度曲线上的斜率(kPa·℃-1); γ为温度计常数(kPa·℃-1)。γ、es、ea、Δ、Rn可以利用可获得的参数通过计算获得(Allen et al, 1998; Cai et al, 2007)。
本文设置的BP神经网络结构如图1所示, 以最高气温、最低气温、平均气温、风力等级和降水量作为输入, 以PM公式计算的植被潜在蒸散发量作为训练输出。
图1 植被区BP神经网络结构

Fig.1 BP neural network structure in the vegetation areas

2) 非植被区域实际蒸发量模拟模型构建
使用Bastiaanssen等(1998a, b)基于地表能量平衡方程(公式2)建立的SEBAL公式(公式4)计算裸土和不透水面的实际蒸发量ETa (actual evapotranspiration), 其蒸发量为降水后的蒸发量, 具体计算公式如下:
${{R}_{\mathrm{n}}}=G+H+\lambda \text{ET}$
$W=\frac{{{R}_{\mathrm{n}}}-G-H}{{{R}_{\mathrm{n}}}-G}$
$\text{E}{{\text{T}}_{\text{a}}}=\frac{86400W\cdot {{R}_{\mathrm{n}}}}{\lambda }$
式中, ETa为裸土和不透水面的实际蒸发量(mm·d-1); Rn为净辐射量(W·m-2); λET为潜热通量, 其中λ为潜热蒸发系数, 取值为2.45×106MJ·kg-1(或W·m-2·mm); G为土壤热通量(W·m-2); H为地面与大气间的感热交换, 即显热通量(W·m-2); W为蒸发比。
本文设置的非植被区BP神经网络结构如图2所示, 以平均气温、风力等级和降水量作为输入, 将SEBAL公式计算的非植被实际蒸发量作为模型训练的预期输出。
图2 非植被区BP神经网络结构

Fig. 2 BP neural network structure in the non-vegetation areas

3) 蒸散发量模拟模型评价方法
本文采用平均绝对误差(mean absolute error, MAE)、均方根误差(root mean square deviation, RMSE)、决定系数 (R2) 及模型有效性指数(efficiency index, EF)等统计指标来评价植被区潜在蒸散发量模拟模型和非植被区实际蒸发量模拟模型的性能(Kumar et al, 2002; Alexandris et al, 2003; Pereira, 2004; 徐俊增 等, 2006), 公式如下:
$\text{MAE=}\frac{1}{n}\sum\limits_{i=1}^{n}{\left| {{x}_{i}}-{{y}_{i}} \right|}$
$\text{RMSE}=\sqrt{\frac{1}{n}\sum\limits_{i=1}^{n}{{{({{x}_{i}}-{{y}_{i}})}^{2}}}}$
${{R}^{2}}=\frac{{{\left[ \sum{({{x}_{i}}-\bar{x})}({{y}_{i}}-\bar{y}) \right]}^{2}}}{\sum{{{({{x}_{i}}-\bar{x})}^{2}}}{{({{y}_{i}}-\bar{y})}^{2}}}$
$\text{EF}=1-\frac{{{\sum{({{x}_{i}}-{{y}_{i}})}}^{2}}}{\sum{{{({{y}_{i}}-\bar{y})}^{2}}}}$
式(5)(6)中, n为样本数; xi为观测数据(使用PM公式、SEBAL公式的计算值); $\bar{x}$为观测数据的平均值; yi为模拟数据(BP神经网络模拟); $\bar{y}$为模拟数据的平均值。

1.3 降水入渗模拟模型构建

1.3.1 土壤入渗理论

土壤入渗过程一般分为渗润阶段、渗漏阶段与渗透阶段, 由于前两个阶段无明显界限, 也将渗润、渗漏阶段合称为初渗阶段, 将渗透阶段称为稳渗阶段(周英杰 等, 2023)。土壤入渗模型是研究土壤水分入渗的重要工具, 目前常用的土壤入渗模型主要有Philip模型、Horton模型、Kostiakov模型和Green-Ampt模型等(阿茹·苏里坦 等, 2019)。
本文选取Kostiakov模型来拟合赵述岛的珊瑚砂土壤入渗过程, Kostiakov模型包括模拟累积入渗量i(t)与模拟入渗速率f(t)两种, 在砂壤土和壤质砂土等区域的水分入渗研究中, 采用Kostiakov模型拟合入渗过程往往效果较好(Jha et al, 2019)。
$i(t)=a\cdot {{t}^{b}}$
式中, i(t)为累积入渗量(cm), t为入渗历时(min), a、b均为经验参数。
$f(t)=a\cdot {{t}^{-b}}$
式中, f(t)为入渗速率(cm·min-1), t为入渗历时(min), a、b均为经验参数。
入渗速率拟合公式f(t)也可通过对i(t)求一阶导得出(Gebul, 2022):
$f(t)=ab\cdot {{t}^{b-1}}$
式中, 参数a、b、t定义同公式(10)。

1.3.2 珊瑚砂降雨入渗模型构建

模拟赵述岛珊瑚砂土壤入渗基于Kostiakov模型进行, 模型参数值通过检索相关文献, 参考文献中的经验参数值确定, 文献中Kostiakov模型参数通过双环入渗实验数据拟合得出。由于珊瑚砂土壤入渗相关资料和实地调研数据有限, 因此在检索文献时, 选择对入渗速率影响较大的土壤机械组成作为主要参照标准。据表1所列赵述岛土壤基本情况, 确定符合要求的参考文献中研究区土壤机械组成应满足: 砂粒>95%, 粉粒、黏粒共<5%。以参考文献中研究区土壤机械组成与赵述岛土壤情况最接近的入渗模型参数拟合结果为依据, 为确定赵述岛Kostiakov模型经验参数值提供参考。
Kostiakov模型中参数a代表入渗速率衰减速度的快慢, b代表土壤入渗速率随时间变化的趋势, a、b取值与土壤质地、容重、含水量和其他土壤特性有关(Abdel-Sattar et al, 2023)。由于已有的赵述岛土壤物理性质数据较少, 因此在调整入渗模型参数的参考值时, 仅考虑容重这一影响因素, 确定赵述岛土壤容重的参考值为1.3g·cm-3。将调整后的经验参数值代入模拟入渗模型, 得到入渗过程拟合结果。选用初始入渗率、稳定入渗率、累积入渗量3个指标来表征土壤的入渗特征, 取实验开始1min时按Kostiakov公式计算的入渗速率作为初始入渗率, 依据参考文献中实验达到稳渗的时间计算稳定入渗率。
降雨入渗量与降雨强度(r)、土壤的初始入渗率(f0)、稳定入渗率(fc)有关, 入渗能力指在充分供水或有地面积水的条件下, 一定含水率的土壤的最大入渗速率(本文以初始入渗率表示土壤的入渗能力)。在实际降水过程中, 降水入渗过程可能会出现r大于、小于或等于入渗能力的三种情况。故在均匀雨强的情况下, 对具有入渗能力和稳定入渗率的土壤, 降雨入渗过程存在以下三种情形(Mein et al, 1973; 熊友胜, 2013):
1) r≤fc: 按降雨强度下渗, 降水全部下渗, 无径流产生;
2) r≥f0: 先按初渗率入渗, 再按稳渗率入渗, 超出入渗量的雨水则形成了地表径流;
3) fc<r<f0: 先按降雨强度下渗, 再按稳渗率下渗。
不考虑土壤水分损失的情况下, 降雨入渗量I(t)可表示为
$I(t)=\left\{ \begin{align} & r\cdot t,r\le {{f}_{\text{c}}} \\ & i(t),r\ge {{f}_{\text{0}}} \\ & r\cdot {{t}_{1}}+{{f}_{\text{c}}}\cdot {{t}_{2}},{{f}_{\text{c}}}<r<{{f}_{0}} \\ \end{align} \right.$
式中, t为降水时长, i(t)为按Kostiakov模型计算得相应降水时长的累积入渗量, t1为达到稳渗状态的时长, t2为达到稳渗状态后的降水时长。

2 结果与分析

2.1 蒸散发量模拟精度分析

利用测试集数据验证植被区和非植被区两个蒸散发量模拟模型的模拟精度, 将BP神经网络模型运行结果和PM公式、SEBAL公式计算结果进行对比分析, 结果如图3所示: 植被区神经网络模型模拟值与PM公式拟合关系为y=0.95x+0.55(R2=0.95); 非植被区神经网络模型模拟值与SEBAL公式拟合关系为y=0.86x+1.3(R2=0.87)。从图中可以看出采用PM公式计算的植被区潜在蒸散发量结果与BP神经网络模拟结果拟合很好, SEBAL公式计算的非植被区实际蒸发量结果与BP神经网络模拟结果拟合较好, 两种模型回归残差的方差在高值区和低值区大致相等。
图3 植被区和非植被区域公式计算数据和模型模拟数据散点图

Fig. 3 Scatter plots of formula calculation data and model simulation data for the vegetation and non-vegetation areas

对两种模型按公式(5)—(8)所列统计指标计算并进行评价, 植被区逐日潜在蒸散发量模拟值的MAE为1.63mm·d-1, 非植被区逐日实际蒸发量模拟值的MAE为1.14mm·d-1, 两种模型均具有较高的精确度。根据RMSE值显示在植被区和非植被区模拟值回归效果相比观测值平均相差2.16mm·d-1和1.48mm·d-1。分别对植被区潜在蒸散发量模拟模型和非植被区实际蒸发量模拟模型采用公式(8)计算得到模型EF值分别为0.95和0.87, 对植被区构建的模型EF值在0.9以上, 具有很好的识别能力, 而对非植被区其模型EF值有所降低, 但仍在0.85以上, 具有较好的模拟能力。

2.2 蒸散发量时间序列变化趋势

根据2015—2022年植被区潜在蒸散发量模拟模型和非植被区实际蒸发量模拟模型的模拟结果, 统计每月不同土地覆被类型的日均蒸散发量(图4)。赵述岛裸土、不透水面的日均实际蒸发量和植被的日均潜在蒸散发量均在5月份达到峰值, 且该月植被潜在蒸散发量与裸土、不透水面实际蒸发量差距最大, 差值为(6.2±0.36)mm·d-1。各地类日均蒸散发量的最低值均出现在12月, 而植被潜在蒸散发量与二者在10月差距最小, 为(0.5±0.16)mm·d-1。
图4 不同月份不同土地覆被类型日均蒸散发量

Fig. 4 Average daily evapotranspiration for different land cover types in different months

对三种不同土地覆被类型全年日均蒸散发量统计分析如图5所示。研究区8年来全年裸土、不透水面和植被的日均蒸散发量分别在9.72~10.34、9.5~8.8和11.82~13.77mm范围内波动, 多年平均值分别为10.09、9.22和12.85mm。 三种不同土地覆被类型的最高值均出现在2021年或2022年, 最低值均出现在2016年或2017年。
图5 2015—2022年研究区全年日均蒸散发量变化图

Fig. 5 Annual average daily evapotranspiration variation chart in the study area from 2015 to 2022

由于所处地理位置气候特殊, 赵述岛水循环过程中存在人工干预的环节。赵述岛居民生活和公共用水早期依靠雨水收集和岛外淡水运输, 后随岛礁建设发展, 岛上海水淡化工厂建设和雨水收集系统趋于完善(共产党员网, 2012; 澎湃新闻, 2017)。赵述岛植被在旱季需要依靠人工浇灌淡水以维持生长, 植被浇灌用水来源主要包括海水淡化、污水净化、中水等再生水等(中国网, 2016)。在上述因素的共同影响下, 本文得到的植被区潜在蒸散发量模拟结果大于实际降雨量。非植被区蒸发量变化与单次降水过程联系紧密, 蒸发量在降水周期结束后在无其他水源补充的情况下, 其实际蒸发量应随时间递减至0。以不透水面蒸发量多年平均值9.22mm·d-1为例, 若单次降水周期结束后不透水面积水深度为10mm, 则降水周期结束后的第一日蒸发量为9.22mm, 第二日为0.78mm, 从第三日起至下一个降水周期开始前, 不透水面无蒸发。本文非植被区实际蒸发量是神经网络模型基于不同输入条件下(温度、风力等级、降水量)得到的模拟值, 其日变化与实际降水结束后日蒸发量逐渐递减至0的过程不完全相符, 故本文非植被区实际蒸发量与降水量不能直接比较。

2.3 降雨入渗量模拟结果分析

根据前期所定筛选标准检索相关文献, 参考文献中研究区域土壤物理性质如表4所示, Kostiakov入渗模型经验参数a、b值如表5所示。由于部分参考文献利用Kostiakov模型拟合入渗速率, 此时a、b值与模拟入渗速率时有较大区别。模拟累积入渗量参考的是Ogbe等 (2011)实验(1)确定的参数a、b值, 在此基础上根据容重差异调整参数值。
表4 研究区域土壤样本物理性质(依据参考文献)

Tab. 4 Physical properties of soil samples in the study area (from references)

来源 砂粒/% 粉粒/% 黏粒/% 容重/(g·cm-3) 备注
本研究 >95 <5 1.3
Duan等 (2011) 94 4 2 无相关信息
Ogbe等 (2011)实验(1) 88 3.4 8.6 1.46 0~15cm
90 3.4 6.6 1.43 15~30cm
Ogbe等 (2011) 实验(2) 90 1.4 8.6 1.74 0~15cm
92 1.4 6.6 1.75 15~30cm
Ogbe等 (2011) 实验(3) 88 1.4 10.6 1.41 0~15cm
92 1.4 6.6 1.46 15~30cm
Bi等 (2014) 90 7 3 1.58
Ahaneku等 (2015) 实验(1) 87.1 9 3.9 1.6
Ahaneku等 (2015) 实验(2) 87.2 8.6 4.2 1.55
Khalid等 (2018) 90 7 3 无相关信息
Yang等 (2022) 90.33 2.66 7.01 无相关信息
表5 Kostiakov模型经验参数

Tab. 5 Empirical parameters of the Kostiakov model

数据来源 Kostiakov模型 结束时间/min 备注
a b
Duan等 (2011) 0.669 1 0.278 9 无相关信息 模拟入渗速率
Ogbe等 (2011) 实验(1) 1.386 8 0.781 208 模拟累积入渗量
Ogbe等 (2011) 实验(2) 1.559 6 0.784 208 模拟累积入渗量
Ogbe等 (2011) 实验(3) 1.517 1 0.785 208 模拟累积入渗量
Bi等 (2014) 1.159 0.588 60~90 模拟入渗速率
Ahaneku等 (2015) 实验(1) 1.318 0.542 150 模拟累积入渗量
Ahaneku等 (2015) 实验(2) 1.013 0.662 150 模拟累积入渗量
Khalid等 (2018) 0.6 0.024 >40 模拟入渗速率
Yang等 (2022) 2.702 0.825 25 模拟累积入渗量
Kostiakov模型经验参数a、b分别与容重呈负相关、正相关(刘风华 等, 2019), 根据Ogbe等 (2011)实验(1)土壤样本容重与赵述岛土壤容重的差距进行调整, 确定模拟累积入渗量的Kostiakov模型为:
${{i}_{1}}(t)=1.6\cdot {{t}^{0.75}}$
据公式(11)推导模拟入渗速率的Kostiakov模型为:
${{f}_{1}}(t)=1.2\cdot {{t}^{-0.25}}$
由累积入渗量拟合曲线(图6a)可明显观察到珊瑚砂土壤的入渗能力较强, 入渗量拟合曲线近似呈直线, 无明显转折变化。由入渗速率拟合曲线(图6b)可知模拟入渗过程的初渗阶段大致为入渗过程开始的2h内。根据公式(14)计算, 初渗阶段入渗速率由开始入渗30s时的1.43cm·min-1下降至入渗2h的0.36cm·min-1。据参考文献中实验数据, 达到稳渗状态的时间在入渗开始的168min后, 该阶段入渗速率变化不明显, 计算得到稳渗速率f1(t)约为0.33cm·min-1。由于赵述岛土壤表层与下层机械组成差别不大, 砂粒占比高, 结构松散, 土壤含水率较低, 随着入渗历时的延长, 土壤孔隙被水填满, 入渗速率逐渐降低并趋于稳定。
图6 累积模拟入渗量曲线(a)和模拟入渗速度曲线(b)

Fig. 6 Cumulative simulated infiltration curve (a) and simulated infiltration velocity curve (b)

Kostiakov模型参数是通过双环入渗实验数据拟合得出的, 而双环入渗实验是在给土壤表面充分供水的条件下进行的, 因此得出的初渗率、稳渗率理论上应为该时刻土壤入渗速率的最大值, 按公式(12)计算得出的降雨入渗量应为降雨入渗量的最大值。降水按公式(12)的第二、三种情况下渗时, 降雨强度的最低值应达到0.33cm·min-1, 此时3h降雨量应达到59.4cm。据永兴岛气象站近十年的降水数据显示, 在实际情况下, 热带岛礁基本不会发生类似高强度的降水事件。因此假定按均匀降雨强度降雨, 赵述岛的降雨入渗量计算基本按公式(12)的第一种情况计算, 降水至地表按降雨强度r全部下渗。

2.4 降雨入渗量时间序列变化趋势

降雨作为岛礁地下淡水的主要补给来源, 降雨入渗量的变化对地下水储量的影响较为明显。据气象站数据, 2015年至2022年赵述岛年均有降雨天数超100d, 其中2017年有降雨天数达150d, 2020年最大单日降水量达19.51cm。计算2015—2022年沙滩和裸土在旱季、雨季和全年的降雨入渗量(图7), 赵述岛沙滩和裸土的旱季降雨入渗量均值为34.9cm, 雨季为104.4cm, 雨季降雨入渗量较旱季波动更明显, 年降雨入渗量在82.8~176.8cm之间, 起伏变化较明显。
图7 2015—2022年旱季、雨季和全年降雨入渗量

Fig. 7 Rainfall infiltration during the dry season, rainy season and the whole year from 2015 to 2022

以2022年5月25日降雨事件为例, 据气象站数据, 该日总降雨量为13.8cm, 降雨持续9h, 降雨开始前后1d内均未出现降雨事件。0~3h、6~9h的降雨量均为0.8cm, 雨强为0.004cm·min-1; 3~6h降雨量为12.2cm, 雨强为0.068cm·min-1。本次降雨的3个时段内雨强均小于稳渗率0.33cm·min-1, 表明本次降雨入渗速率由降雨强度决定, 沙滩和裸土的降雨入渗量按相应区域的总降雨量计算, 如表6所示。
表6 赵述岛降雨入渗情况(2022年5月25日)

Tab. 6 Rainfall infiltration on the Zhaoshu Island on May 25th, 2022

时间 总降雨量/m3 雨强/(cm·min-1) 沙滩入渗量/m3 裸土入渗量/m3
0~3h 2304.12 0.004 223.35 354.32
3~6h 35137.83 0.068 3406.06 5403.42
6~9h 2304.12 0.004 223.35 354.32
9~24h 0 0 0 0

3 讨论

3.1 蒸散发量模拟评价

现有蒸散算法和数据集多是基于中低分辨率卫星遥感数据研发(郑超磊 等, 2023), 反演过程中利用到的归一化植被指数(normalized difference vegetation index, NDVI)、地表温度、地表反射率和辐射量等遥感数据空间分辨率有限, 因而被广泛应用于空间大尺度区域的蒸散发量估算中(Gomis-Cebolla et al, 2019; Pan et al, 2020)。如MOD16全球陆地蒸散发产品、GLEAM (global land evaporation amsterdam model)和GLDAS (global land data assimilation system)等, 在同时满足高空间分辨率和高时间分辨率方面仍存在不足(Khan et al, 2018), 不适用于空间尺度较小的岛礁蒸散发量模拟。本文基于PM公式、SEBAL公式分别构建BP神经网络模型模拟日尺度下赵述岛植被区潜在蒸散发量和非植被区实际蒸发量, 公式中各参数值基于气象站每日气象数据计算得出, BP神经网络模型在植被区和非植被区模拟结果的MAE和RMSE均小于2.5mm·d-1, 植被区模拟结果R2和模型EF值均高于0.95, 非植被区模拟结果的R2和模型EF值均高于0.85, 充分说明训练所得的神经网络模型可靠。蒸散发模拟结果更贴近岛礁真实蒸散情况, 改善了现有蒸散产品时空分辨率有限的不足。

3.2 降雨入渗量模拟评价

相较于Phillip模型和Horton模型等土壤水分入渗模型, Kostiakov模型能很好的模拟砂壤土和壤质砂土的入渗速率, 更适用于含砂量高的土壤入渗特征研究(Ahaneku et al, 2015)。通过在腾格里沙漠、毛乌素沙地、和田沙漠地带河床和宁夏荒漠草原等含砂量高的地区进行室外土壤入渗实验, 入渗过程拟合结果表明Kostiakov模型对该类型土壤的入渗拟合效果最优(赵景波 等, 2011; 刘凯 等, 2013; 陈晓莹, 2020; 王硕 等, 2021)。Kostiakov模型在土壤含砂量较高(砂粒含量大于80%)地区模拟土壤入渗量与实测值的相关系数普遍在0.85~0.95之间(赵景波 等, 2011; 刘凯 等, 2013; Ahaneku et al, 2015; Hu et al, 2018; 陈晓莹, 2020; 王硕 等, 2021; Yang et al, 2022), 模拟精度高。
本研究采用的降雨入渗理论在降雨产流产沙、降雨水文过程等研究中得到了广泛应用(周剑 等, 2008; 汤珊珊 等, 2015)。当降雨强度小于土壤入渗能力, 入渗率为降雨强度, 所有到达地面的降雨都可以入渗, 当降雨强度大于土壤入渗能力, 入渗率等于土壤入渗能力, 超出入渗能力的降雨将会形成积水, 储存在低洼地, 变成地表径流或被蒸发(王红, 2014)。本文采用的降雨入渗量模拟方法, 结合降雨入渗过程各阶段的特征, 分析降雨强度与土壤初渗率和稳渗率的关系, 模拟不同雨强下的降雨入渗量。基于该降雨入渗理论构建的降雨入渗模型常用的有Green-Ampt模型和Mein-Larson降雨入渗模型(Mein et al, 1973; Almedeij et al, 2014), 应用这两种模型或其改进模型在不同地区进行降雨入渗量模拟所得结果精度高, 模拟值与实测值R2高于0.8(简文星 等, 2013; van den Putte et al, 2013; Li et al, 2015)。本文对赵述岛降雨入渗量的模拟研究, 在一定程度上解决了不具备复杂仪器实验条件地区降雨入渗量难以估算的问题。

3.3 不确定性分析

本文提出的蒸散发量和降雨入渗量模拟模型能在时空尺度受限, 且无法获得一手实验数据的情况下, 得到赵述岛不同地类精度相对较高的蒸散发量和降雨入渗量模拟结果, 模拟方法可靠。采用的蒸散发量模拟模型不过度依赖遥感数据, 将气温、降水量和风力等级等气象数据作为神经网络模型的输入数据, 数据的完整性决定着模拟结果的准确性。将旱季、雨季的植被区潜在蒸散发量和非植被区实际蒸发量与平均气温、最低气温、最高气温、风力等级和降水量这五种因子进行相关性分析, 结果如表7所示, 气温与潜在蒸散发量和实际蒸发量均为正相关, 风力等级和降水量与不同地类蒸散发量均为负相关, 气温、风力等级与蒸散发量的相关性较降水量更高。土壤的机械组成、容重、储水量和有机质含量等因素会影响土壤入渗速率和Kostiakov模型参数的取值(刘风华 等, 2019; Abdel-Sattar et al, 2023; 刘茜茹 等, 2023), 但赵述岛珊瑚砂土壤相关文献资料较少, 参考文献的局限性增加了初渗率、稳渗率模拟结果的不确定性。如在Ogbe等(2011)实验(1)中, 根据公式11推导Kostiakov模型经验参数a为1.083、b为0.219, 可得该区域土壤初渗率为1.26cm·min-1, 稳渗率为0.35cm·min-1, 结合本文研究发现参数a值变化对初渗率结果影响较大。由于模型输入数据具有地区特异性, 本文蒸散发量和降雨入渗量模拟模型在南海其他岛礁的适用性还有待进一步探索和验证。
表7 旱雨季不同地类蒸散发量与影响因子相关性分析

Tab. 7 Correlation analysis of evapotranspiration in the different land cover types during the dry season and rainy season

时间 地类 平均气温 最低气温 最高气温 风力等级 降水量
旱季 不透水面 0.599* 0.491* 0.656* -0.694* -0.277*
裸土 0.600* 0.500* 0.654* -0.649* -0.223*
植被 0.417* 0.366* 0.472* -0.469* -0.326*
雨季 不透水面 0.642* 0.609* 0.582* -0.414* -0.423*
裸土 0.668* 0.663* 0.570* -0.284* -0.421*
植被 0.574* 0.634* 0.422* -0.010 -0.418*

注: *表示P<0.001, 通过小于0.1%的显著性检验

4 结论

对于缺乏实测资料的岛礁地区, 其蒸散发量和降雨入渗量模拟与验证需要加强研究。本文以位于南海区域的赵述岛作为研究区域, 在不易获取实地实验数据的前提下, 通过建立蒸散发量模拟模型和降雨入渗量模拟模型, 来研究赵述岛的蒸散发量和降雨入渗量的长时序变化。从模拟结果来看, 本文建立的植被区潜在蒸散发量模拟模型和非植被区实际蒸发量模拟模型EF值均在0.85以上, 具有较高的模拟精度。Kostiakov入渗模型模拟砂土入渗的R2基本高于0.85, 单次降雨强度基本小于土壤的稳定入渗率0.33cm·min-1, 降雨在非不透水面区域基本全部下渗, 降雨入渗量模拟理论可靠。通过分析2015年至2022年的蒸散发量和降雨入渗量模拟结果, 植被潜在蒸散发量>裸土实际蒸发量>不透水面实际蒸发量, 5月各地类的日均蒸散发量最高, 12月最低。2018年赵述岛沙滩和裸土区域旱季和雨季的降雨入渗量差距仅为26.5cm, 其余年份旱雨季入渗量差距在55~105cm范围内, 除2018年外, 年降雨入渗量均大于100cm, 最高达176.6cm。
与现有的一些蒸散发量估算模型及相关数据产品相比, 本文提出的蒸散发量和降雨入渗量模拟模型在小尺度区域应用优势明显, 研究结果表明模型可靠性高, 能为相同区位条件的岛礁, 尤其是难以获取真实实验数据的岛礁, 提供模拟蒸散发量和降雨入渗量的新思路。另外, 本研究方法的适用性仍有必要结合实测数据加以验证, 通过修订部分参数来提高模拟蒸散发量和降雨入渗量的准确性。同时还应扩大研究区域, 对更多岛礁进行比较研究, 为进一步探究其生态环境及承载能力提供信息支撑。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
阿茹·苏里坦, 常顺利, 张毓涛, 2019. 天山林区不同群落土壤水分入渗特性的对比分析与模拟[J]. 生态学报, 39(24): 9111-9118.

ARU SULTAN, CHANG SHUNLI, ZHANG YUTAO, 2019. Comparative analysis and simulation of soil moisture infiltration characteristics in different communities in the forests of Tianshan Mountains, China[J]. Acta Ecologica Sinica, 39(24): 9111-9118 (in Chinese with English abstract).

[2]
安善涛, 焦磊, 梁伟, 等, 2021. 基于多源数据的黄土高原陆地水循环结构变化分析[J]. 生态学报, 41(17): 6800-6813.

AN SHANTAO, JIAO LEI, LIANG WEI, et al, 2021. Analysis of changes in land water cycle structure in the Loess Plateau based on multi-source data[J]. Acta Ecologica Sinica, 41(17): 6800-6813 (in Chinese with English abstract).

[3]
曹永强, 王菲, 2021. 河北省植被时空变化及其对气象干旱的响应[J]. 南水北调与水利科技(中英文), 19(4): 708-719, 757.

CAO YONGQIANG, WANG FEI, 2021. Spatial and temporal variation of vegetation and its response to meteorological drought in Hebei Province[J]. South-to-North Water Transfers and Water Science & Technology, 19(4): 708-719, 757 (in Chinese with English abstract).

[4]
陈晓莹, 2020. 荒漠草原两种典型土壤的水分特征及其影响因素[D]. 银川: 宁夏大学:29-30.

CHEN XIAOYING, 2020. Water characteristics of two typical soil types in desert steppe and their influencing factors[D]. Yinchuan: Ningxia University: 29-30 (in Chinese with English abstract).

[5]
樊龙凤, 李海英, 黄真理, 等, 2021. 基于人工降水入渗的热带海岛表面砂土层水质变化特征[J]. 土壤, 53(1): 197-208.

FAN LONGFENG, LI HAIYING, HUANG ZHENLI, et al, 2021. Water quality variation characteristics of sandy layer on surface of tropical islands based on simulated precipitation infiltration[J]. Soils, 53(1): 197-208 (in Chinese with English abstract).

[6]
共产党员网, 2012. 三沙第一个基础设施项目竣工[EB/OL]. (2012-11-11) [2024-02-20]. https://news.12371.cn/2012/11/11/ARTI1352621075787274.shtml.

[7]
韩生生, 刘苏峡, 宋献方, 等, 2021. 西沙赵述岛地表蒸散发实验[J]. 地理研究, 40(1): 172-184.

DOI

HAN SHENGSHENG, LIU SUXIA, SONG XIANFANG, et al, 2021. Field evapotranspiration experiment in Zhaoshu Island of Xisha Islands, South China Sea[J]. Geographical Research, 40(1): 172-184 (in Chinese with English abstract).

[8]
胡明鉴, 蒋航海, 朱长歧, 等, 2017. 钙质砂的渗透特性及其影响因素探讨[J]. 岩土力学, 38(10): 2895-2900.

HU MINGJIAN, JIANG HANGHAI, ZHU CHANGQI, et al, 2017. Discussion on permeability of calcareous sand and its influencing factors[J]. Rock and Soil Mechanics, 38(10): 2895-2900 (in Chinese with English abstract).

[9]
简文星, 许强, 童龙云, 2013. 三峡库区黄土坡滑坡降雨入渗模型研究[J]. 岩土力学, 34(12): 3527-3533, 3548.

JIAN WENXING, XU QIANG, TONG LONGYUN, 2013. Rainfall infiltration model of Huangtupo landslide in Three Gorges Reservoir area[J]. Rock and Soil Mechanics, 34(12): 3527-3533, 3548 (in Chinese with English abstract).

[10]
李可良, 许宏发, 杨殷豪, 等, 2020. 钙质砂渗透性能研究现状及展望[J]. 中国水运(下半月), 20(1): 214-215, 218 (in Chinese).

[11]
刘风华, 代智光, 费良军, 2019. 容重对红壤条件下涌泉根灌水分入渗能力影响[J]. 水土保持学报, 33(1): 86-90, 97.

LIU FENGHUA, DAI ZHIGUANG, FEI LIANGJUN, 2019. The influence of bulk density on water infiltration capacity in red soil under surge-root irrigation[J]. Journal of Soil and Water Conservation, 33(1): 86-90, 97 (in Chinese with English abstract).

[12]
刘凯, 王磊, 宋乃平, 等, 2013. 毛乌素沙地南缘不同林龄人工柠条林土壤渗透性研究[J]. 干旱区资源与环境, 27(5): 89-94.

LIU KAI, WANG LEI, SONG NAIPING, et al, 2013. Soil infiltration characteristics of Caragana korshinkii plantation with different ages in south edge of Mu Us Sandy Land[J]. Journal of Arid Land Resources and Environment, 27(5): 89-94 (in Chinese with English abstract).

[13]
刘茜茹, 冯天骄, 王平, 等, 2023. 晋西黄土区长期植被恢复对土壤表层入渗与水分储量差异的影响[J]. 水土保持通报, 43(2): 50-59.

LIU XIRU, FENG TIANJIAO, WANG PING, et al, 2023. Effect of long-term vegetation restoration on surface soil water infiltration and water storage in loess area of western Province[J]. Bulletin of Soil and Water Conservation, 43(2): 50-59 (in Chinese with English abstract).

[14]
吕炳全, 王国忠, 全松青, 1987. 西沙群岛灰砂岛的沉积特征和发育规律[J]. 海洋地质与第四纪地质, 7(2): 59-69.

LV BINGQUAN, WANG GUOZHONG, QUAN SONGQING, 1987. Sedimentary characteristics and evolutionary pattern of the sand cays in the Xisha Islands[J]. Marine Geology & Quaternary Geology, 7(2): 59-69 (in Chinese with English abstract).

[15]
马龙龙, 杜灵通, 宫菲, 等, 2019. 基于SEBAL模型的农牧交错区蒸散演变及生态需水规律[J]. 水土保持通报, 39(4): 177-183.

MA LONGLONG, DU LINGTONG, GONG FEI, et al, 2019. Evapotranspiration evolution and ecological water requirement law in agro-pastoral ecotone based on SEBAL model[J]. Bulletin of Soil and Water Conservation, 39(4): 177-183 (in Chinese with English abstract).

[16]
澎湃新闻, 2017. 南海三沙岛礁引入风光互补新能源海水淡化设备, 化解用水难[EB/OL]. (2017-02-14)[2024-02-20]. https://www.thepaper.cn/newsDetail_forward_1618723.

[17]
汤珊珊, 李占斌, 任宗萍, 等, 2015. 覆沙坡面产流产沙过程试验研究[J]. 水土保持学报, 29(5): 25-28.

TANG SHNASHAN, LI ZHANBIN, REN ZONGPING, et al, 2015. Experimental study on the process of runoff and sediment yield on sand-covered slope[J]. Journal of Soil and Water Conservation, 29(5): 25-28 (in Chinese with English abstract).

[18]
王海波, 马明国, 2014. 基于遥感和Penman-Monteith模型的内陆河流域不同生态系统蒸散发估算[J]. 生态学报, 34(19): 5617-5626.

WANG HAIBO, MA MINGGUO, 2014. Estimation of transpiration and evaporation of different ecosystems in an inland river basin using remote sensing data and the Penman-Monteith equation[J]. Acta Ecologica Sinica, 34(19): 5617-5626 (in Chinese with English abstract).

[19]
王红, 2014. 水土保持典型措施对地下水补给生态基流的影响研究[D]. 杨陵: 中国科学院研究生院(教育部水土保持与生态环境研究中心):73.

WANG HONG, 2014. The impacts of typical measures of soil and water conservation on ecological basic flow recharged from groundwater[D]. Yangling: Research Center for Eco-environments and Soil and Water Conservation, Chinese Academy of Sciences & Ministry of Education: 73 (in Chinese with English abstract).

[20]
王瑞, 唐文浩, 宋玉梅, 等, 2011. 西沙群岛土壤环境质量状况及特征分析[J]. 安徽农业科学, 39(10): 5837-5840.

WANG RUI, TANG WENHAO, SONG YUMEI, et al, 2011. Analysis on quality status and characteristics of soil environment in Xisha Islands[J]. Journal of Anhui Agricultural Sciences, 39(10): 5837-5840 (in Chinese with English abstract).

[21]
王硕, 白云岗, 王兴鹏, 等, 2021. 和田河沙漠地带河床入渗特征研究[J]. 干旱区资源与环境, 35(8): 114-121.

WANG SHUO, BAI YUNGANG, WANG XINGPENG, et al, 2021. Water infiltration of Hotan River bed in desert area[J]. Journal of Arid Land Resources and Environment, 35(8): 114-121 (in Chinese with English abstract).

[22]
王韦娜, 张翔, 张立锋, 等, 2019. 蒸渗仪法和涡度相关法测定蒸散的比较[J]. 生态学杂志, 38(11): 3551-3559.

WANG WEINA, ZHANG XIANG, ZHANG LIFENG, et al, 2019. A comparison study of the evapotranspiration measured by lysimeter and eddy covariance[J]. Chinese Journal of Ecology, 38(11): 3551-3559 (in Chinese with English abstract).

[23]
王新志, 王星, 胡明鉴, 等, 2017. 吹填人工岛地基钙质粉土夹层的渗透特性研究[J]. 岩土力学, 38(11): 3127-3135.

WANG XINZHI, WANG XING, HU MINGJIAN, et al, 2017. Study of permeability of calcareous silty layer of foundation at an artificial reclamation island[J]. Rock and Soil Mechanics, 38(11): 3127-3135 (in Chinese with English abstract).

[24]
邢建伟, 宋金明, 2023. 南海大气沉降及其生态环境效应[J]. 热带海洋学报, 42(3): 19-39.

XING JIANWEI, SONG JINMING, 2023. Atmospheric deposition and its eco-environmental effects on the South China Sea[J]. Journal of Tropical Oceanography, 42(3): 19-39 (in Chinese with English abstract).

[25]
熊友胜, 2013. 三峡库区紫色土坡耕地水量平衡研究[D]. 重庆:西南大学:32-33.

XIONG YOUSHENG, 2013. On water balance of slope farmland in purple soil area of Three Gorges Reservoir Basin[D]. Chongqing: Southwest University: 32-33 (in Chinese with English abstract).

[26]
徐俊增, 彭世彰, 张瑞美, 等, 2006. 基于气象预报的参考作物蒸发蒸腾量的神经网络预测模型[J]. 水利学报, 37(3): 376-379.

XU JUNZENG, PENG SHIZHANG, ZHANG RUIMEI, et al, 2006. Neural network model for reference crop evapotranspiration prediction based on weather forecast[J]. Journal of Hydraulic Engineering, 37(3): 376-379 (in Chinese with English abstract).

[27]
杨安富, 胡玉麟, 林天, 等, 2022. 中国西沙群岛土系的建立[J]. 土壤学报, 59(3): 667-677.

YANG ANFU, HU YULIN, LIN TIAN, et al, 2022. Establishment of soil series for Xisha Islands[J]. Acta Pedologica Sinica, 59(3): 667-677 (in Chinese with English abstract).

[28]
赵焕庭, 王丽荣, 袁家义, 2017. 南海诸岛的自然环境、资源与开发——纪念中国政府收复南海诸岛70周年(3)[J]. 热带地理, 37(5): 659-680, 693.

DOI

ZHAO HUANTING, WANG LIRONG, YUAN JIAYI, 2017. Natural environment, resources and development of the South China Sea islands: The 70th anniversary of recovery of the South China Sea islands (3)[J]. Tropical Geography, 37(5): 659-680, 693 (in Chinese with English abstract).

[29]
赵景波, 马延东, 邢闪, 等, 2011. 腾格里沙漠宁夏回族自治区中卫市沙层水分入渗研究[J]. 水土保持通报, 31(3): 12-16, 70.

ZHAO JINGBO, MA YANDONG, XING SHAN, et al, 2011. Sand layer water permeability of Tengger Desert in Zhongwei City, Ningxia Hui autonomous region[J]. Bulletin of Soil and Water Conservation, 31(3): 12-16, 70 (in Chinese with English abstract).

[30]
郑超磊, 贾立, 胡光成, 2023. 高分一号卫星遥感数据驱动ETMonitor模型估算16 m分辨率蒸散发及验证[J]. 遥感学报, 27(3): 758-768.

ZHENG CHAOLEI, JIA LI, HU GUANGCHENG, 2023. Evapotranspiration estimation and validation at 16 m resolution based on ETMonitor model driven by GF-1 satellite remote sensing datasets[J]. National Remote Sensing Bulletin, 27(3): 758-768 (in Chinese with English abstract).

[31]
中国网, 2016. 军民融合力量大三沙市走出岛礁绿化生态发展之路[EB/OL]. (2016-09-29)[2024-02-20]. http://cn.chinagate.cn/environment/2016-09/29/content_393981872.htm.

[32]
周剑, 李新, 王根绪, 等, 2008. 陆面过程模式SIB2与包气带入渗模型的耦合及其应用[J]. 地球科学进展, 23(6): 570-579.

DOI

ZHOU JIAN, LI XIN, WNAG GENXU, et al, 2008. Coupled land surface process pattern SIB2 with the unsaturated seepage model and its application[J]. Advances in Earth Science, 23(6): 570-579 (in Chinese with English abstract).

DOI

[33]
周英杰, 刘艳伟, 黄一峰, 等, 2023. 生物质种类和添加量对肥液灌溉土壤入渗特征和养分运移的影响[J]. 华南农业大学学报, 44(4): 585-592.

ZHOU YINGJIE, LI YANWEI, HUANG YIFENG, et al, 2023. Effects of biomass types and additions on soil infiltration characteristics and nutrient transport in fertilizer irrigation[J]. Journal of South China Agricultural University, 44(4): 585-592 (in Chinese with English abstract).

[34]
ABDEL-SATTAR M, AL-OBEED R S, AL-HAMED S A, et al, 2023. Experimental and modeling evaluation of impacts of different tillage practices on fitting parameters of Kostiakov’s cumulative infiltration empirical equation[J]. Water, 15(14): 2673.

[35]
AHANEKU I E, KALU R K, UGWU E C, 2015. Prediction accuracy of three infiltration equations for a sandy loam soil in Minna, Nigeria[J]. Journal of Agricultural Engineering and Technology, 23(1): 35-47.

[36]
ALEXANDRIS S, KERKIDES P, 2003. New empirical formula for hourly estimations of reference evapotranspiration[J]. Agricultural Water Management, 60(3): 157-180.

[37]
ALLEN R G, PEREIRA L S, RAES D, et al, 1998. Crop evapotranspiration: Guidelines for computing crop water requirements[M]. Rome: FAO:18- 64.

[38]
ALMEDEIJ J, ESEN I I, 2014. Modified Green-Ampt infiltration model for steady rainfall[J]. Journal of Hydrologic Engineering, 19(9): 04014011.

[39]
BAŞAKIN E E, EKMEKCIOĞLU Ö, ÖZGER M, 2023. Providing a comprehensive understanding of missing data imputation processes in evapotranspiration-related research: A systematic literature review[J]. Hydrological Sciences Journal, 68(14): 2089-2104.

[40]
BASTIAANSSEN W G M, MENENTI M, FEDDES R A, et al, 1998a. A remote sensing surface energy balance algorithm for land (SEBAL). 1. Formulation[J]. Journal of Hydrology, 212-213: 198-212.

[41]
BASTIAANSSEN W G M, PELGRUM H, WANG J, et al, 1998b. A remote sensing surface energy balance algorithm for land (SEBAL). : Part 2: Validation[J]. Journal of Hydrology, 212-213: 213-229.

[42]
BI YINLI, ZOU HUI, ZHU CHENWEI, 2014. Dynamic monitoring of soil bulk density and infiltration rate during coal mining in sandy land with different vegetation[J]. International Journal of Coal Science & Technology, 1(2): 198-206.

[43]
CAI JIABING, LIU YU, LEI TINGWU, et al, 2007. Estimating reference evapotranspiration with the FAO Penman-Monteith equation using daily weather forecast messages[J]. Agricultural and Forest Meteorology, 145(1-2): 22-35.

[44]
CHEN JIAHAO, BU JINGYI, SU YANXIN, et al, 2022. Urban evapotranspiration estimation based on anthropogenic activities and modified Penman-Monteith model[J]. Journal of Hydrology, 610: 127879.

[45]
DUAN RUNBIN, FEDLER C B, BORRELLI J, 2011. Field evaluation of infiltration models in lawn soils[J]. Irrigation Science, 29(5): 379-389.

[46]
GEBUL M A, 2022. Simplified approach for determination of parameters for Kostiakov's infiltration equation[J]. Water Practice & Technology, 17(11): 2435-2446.

[47]
GOMIS-CEBOLLA J, JIMENEZ J C, SOBRINO J A, et al, 2019. Intercomparison of remote-sensing based evapotranspiration algorithms over amazonian forests[J]. International Journal of Applied Earth Observation and Geoinformation, 80: 280-294.

[48]
HAO XINGMING, ZHANG SHUHUA, LI WEIHONG, et al, 2018. The uncertainty of Penman‐Monteith method and the energy balance closure problem[J]. Journal of Geophysical Research: Atmospheres, 123(14): 7433-7443.

[49]
HU GUOJIE, TIAN LIMING, ZHAO LIN, et al, 2018. Soil infiltration processes of different underlying surfaces in the permafrost region on the Tibetan Plateau[J]. Hydrological Sciences Journal, 63(11): 1733-1744.

[50]
JHA M K, MAHAPATRA S, MOHAN C, et al, 2019. Infiltration characteristics of lateritic vadose zones: Field experiments and modeling[J]. Soil and Tillage Research, 187: 219-234.

[51]
JOVIC S, NEDELJKOVIC B, GOLUBOVIC Z, et al, 2018. Evolutionary algorithm for reference evapotranspiration analysis[J]. Computers and Electronics in Agriculture, 150: 1-4.

[52]
KHALID M B, ARSHAD M, SHAKOOR A, et al, 2018. Embedment of sandy soil to increase surface irrigation efficiency and crop yield under modeling and experimental approach[J]. Journal of Global Innovations in Agricultural Sciences, 6(3): 88-93.

[53]
KHAN M S, LIAQAT U W, BAIK J, et al, 2018. Stand-alone uncertainty characterization of GLEAM, GLDAS and MOD16 evapotranspiration products using an extended triple collocation approach[J]. Agricultural and Forest Meteorology, 252: 256-268.

[54]
KUMAR M, RAGHUWANSHI N S, SINGH R, et al, 2002. Estimating evapotranspiration using artificial neural network[J]. Journal of Irrigation and Drainage Engineering, 128(4): 224-233.

[55]
LANG DENGXIAO, ZHENG JIANGKUN, SHI JIAQI, et al, 2017. A comparative study of potential evapotranspiration estimation by eight methods with FAO Penman-Monteith method in southwestern China[J]. Water, 9(10): 734.

[56]
LI JUN, WANG ZHONGGEN, LIU CHANGMING, 2015. A combined rainfall infiltration model based on Green-Ampt and SCS‐curve number[J]. Hydrological Processes, 29(11): 2628-2634.

[57]
MEIN R G, LARSON C L, 1973. Modeling infiltration during a steady rain[J]. Water Resources Research, 9(2): 384-394.

[58]
MONTEITH J L, 1965. Evaporation and environment[J]. Symposia of the Society for Experimental Biology, 19: 205-234.

PMID

[59]
OGBE V B, JAYEOBA O J, ODE S O, 2011. Comparison of four soil infiltration models on a sandy soil in Lafia, southern Guinea Savanna Zone of Nigeria[J]. Production Agriculture and Technology, 7(2): 116-126.

[60]
PAN SHUFEN, PAN NAIQING, TIAN HANQIN, et al, 2020. Evaluation of global terrestrial evapotranspiration using state-of-the-art approaches in remote sensing, machine learning and land surface modeling[J]. Hydrology and Earth System Sciences, 24(3): 1485-1509.

[61]
PENMAN H L, 1948. Natural evaporation from open water, bare soil and grass[J]. Proceedings of the Royal Society A Mathematical, Physical and Engineering Sciences, 193(1032): 120-145.

[62]
PEREIRA A R, 2004. The Priestley-Taylor parameter and the decoupling factor for estimating reference evapotranspiration[J]. Agricultural and Forest Meteorology, 125(3-4): 305-313.

[63]
VAN DEN PUTTE A, GOVERS G, LEYS A, et al, 2013. Estimating the parameters of the Green-Ampt infiltration equation from rainfall simulation data: Why simpler is better[J]. Journal of Hydrology, 476: 332-344.

[64]
WEI GUANGFEI, CAO JINGJING, XIE HUA, et al, 2022. Spatial-temporal variation in paddy evapotranspiration in subtropical climate regions based on the SEBAL model: A case study of the Ganfu Plain irrigation system, southern China[J]. Remote Sensing, 14(5): 1201.

[65]
YANG QING, MA ZHUGUO, ZHENG ZIYAN, et al, 2017. Sensitivity of potential evapotranspiration estimation to the Thornthwaite and Penman-Monteith methods in the study of global drylands[J]. Advances in Atmospheric Sciences, 34(12): 1381-1394.

[66]
YANG XIAOFENG, ZHANG YIMENG, JIA JUNCHAO, et al, 2022. Soil reclamation models by soil water infiltration for refuse dumps in opencast mining area of northern China[J]. Sustainability, 14(23): 15929.

Options
Outlines

/

〈 〉