土壤水分是指地表以下至潜水面以上土壤孔隙之间的水分^[1]，是全球水循环和地表能量平衡的重要参数^[2]。受气候、土壤性质、人类活动、地形以及下垫面条件等因素的影响，土壤水分在时间和空间尺度上变化剧烈^[2]。土壤水分的时空分异，决定着径流、下渗和蒸散等水文过程在不同时空尺度上的变化规律，并影响着植被生产力、污染物迁移转化和地质灾害产生发展等重要的陆表过程^[2]。因此，研究土壤水分时空变化特征以及控制因素具有重要的现实和科学意义。

土壤水分是综合的状态变量，并在空间上呈现出随机性。传统点尺度的土壤水分监测虽然具有较高精度^[3]，但凭借有限的点位难以代表一定空间尺度的土壤水分。因此前人提出可以借助数理规律探究土壤水分的空间分布模式。Vachaud等^[4]首先提出土壤水分时间稳定性概念，即土壤水分的空间格局在不同时间具有稳定性和自相关性^[5]。基于该理论，前人尝试通过少数代表性土壤水分实测样点，反映整个区域的土壤平均水分状况。例如，朱青等^[6]基于土壤水分时间稳定性分析，选取典型监测样点，预测了坡面不同点位、不同时期土壤含水量；Wang等^[7]通过布设土壤水分代表样点，建立土壤水分监测网络，利用时间稳定性分析预估了流域尺度上土壤水分的均值。但土壤水分的时空变化规律受到不同环境因子的控制，并随着空间尺度和区域特性而变化。在地形复杂区域，土壤水分时间稳定性对海拔和坡度响应强烈^[8]；而在平坦区域，地形则对土壤水分时间稳定性的影响较小^[9]。其他研究也发现，土壤水分时间稳定性受土壤质地、地形和土地利用类型等因素综合作用，且土壤水分时间稳定性的主控因子在不同尺度上表现不同^[10]。然而，以往的研究多针对小尺度地区的土壤水分时间稳定性进行分析，而针对大尺度时，由于精确、高时空分辨率土壤水分数据的缺乏，土壤水分时间稳定性及其控制机制仍然缺乏系统的研究。

长三角区域横跨湿润和半湿润地区，降水跨度大，丘陵山地与平原河网交错分布，地形分异较为复杂。此外，该区域土地利用类型多样，城镇面积占比高，水资源分配不平衡，土壤水分时空分异明显^[10]。研究长三角地区土壤水分的时间稳定性有助于探究复杂地表大尺度土壤水分时空变化规律。因此，本研究以长三角为研究区域，基于1 km空间分辨率的逐日表层土壤水分遥感产品，计算土壤水分时间稳定性，分析土壤水分稳定性的时间变化规律，探究地形、气候和人类活动等因素对土壤水分时间稳定性时空分异的影响，以为农业生产提升、洪旱灾害评估和应对，以及污染物防控和治理等提供重要依据。

1 数据与方法 1.1 研究区概况

长三角地区(115°E ~ 123°E，29°N ~ 32°N)包括江苏省、安徽省、浙江省和上海市(图 1)，面积约为35.8万km²。该区域地形以平原和小型丘陵为主，地势呈现西南高、东北低的特点，海拔为0 ~ 1 635 m，土地利用类型以耕地和林地为主，耕地占比51.9%，林地占比29.5%，此外，水体占比6.6%，不透水面占比12.1%。该区域淮河以南属亚热带季风气候，北部为温带半湿润季风气候，雨热同期，洪涝灾害频繁。年均气温为16.0 ~ 18.4℃，多年平均降水量介于800 ~ 2 400 mm，水资源丰富，是我国河网密度最高的区域。

1.2 数据来源和处理

研究区土壤水分遥感数据来源于Li等^[11]在美国国家航空航天局发布的融合增强型SMAP全球土壤水分数据集和欧空局ESA CCI遥感土壤水分数据集的基础上，采用分发机制算法(DISPATCH)和随机森林算法降尺度生成的空间分辨率为1 km的逐日土壤水分数据集。该数据集的时间覆盖范围为2015年4月至2018年12月。土地利用类型数据来源于武汉大学发布的中国土地覆盖数据集(http://irsip.whu.edu.cn/resources/CLCD.php)。环境因子数据分为气象、土壤质地、地形和人类活动。气象因子采用国家青藏高原科学数据中心(https://data.tpdc.ac.cn/)的年度和月度降水量和地表温度数据集，空间分辨率为1 km^[12]；蒸散发量数据来自MOD16A2版本的蒸发蒸腾/潜热通量产品。土壤质地因子包括砂粒含量、黏粒含量，数据来源于国家科技基础条件平台土壤分中心的土壤质地数据集^[13](http://soil.geodata.cn/data/)，空间分辨率为1 km。人类活动采用归一化植被指数(NDVI)和夜间灯光数据表征，本研究基于Google Earth Engine(GEE)遥感云计算平台，获取空间分辨率为30 m的NDVI数据和空间分辨率为1 km的夜间灯光数据。本研究的地形因子包括坡度、高程、地形湿度指数，高程和坡度数据在GEE平台上由NASA SRTM Digital Elevation 30 m数据集生成，地形湿度指数利用高程和坡度在ArcGIS10.8中计算。将上述环境因子数据在ArcGIS10.8中重采样至1 km，删除无效值和空值后共35万余组数据。研究区各环境因子的空间分布如图 2所示。

1.3 研究方法 1.3.1 时间稳定性分析

Jacobs等^[14]建议将平均相对差(MRD)及其标准差(SDRD)作为土壤水分时间稳定性的评价指标，表征土壤水分稳定性的时空变异程度。每个像元i随时间变化的MRD和SDRD计算公式如下：

$ {\text{MRD}}_{i}=\frac{1}{m} \sum \limits_{j=1}^{m}\frac{{S}_{i, j}-{\overline{S}}_{j}}{{\overline{S}}_{j}} $

(1)

$ {\text{SDRD}}_{i}=\sqrt{\frac{1}{m-1} \sum \limits_{j=1}^{m}{\left(\frac{{S}_{i, j}-{\overline{S}}_{j}}{{\overline{S}}_{j}}-MR{D}_{i}\right)}^{2} } $

(2)

式中：${\bar S_j}$为研究区在j时刻所有像元的平均土壤水分；m为总研究天数；S_{i, j}表示i像元点在j时刻的土壤水分值。

MRD表征具体像元相对于长三角地区土壤水分平均值的情况，即表征土壤的干湿程度，当MRD等于0时，该像元的土壤水分状况与研究区平均土壤水分状况一致；MRD为正值时，表明该像元的土壤水分值相对区域平均值偏高，MRD为负值则偏低。SDRD则反映了某个像元土壤水分MRD值在时间上的波动状况，即表征土壤水分的时间稳定性，SDRD值越高表示该像元MRD值在时间上的波动越剧烈。本研究基于2015年4月至2018年12月长三角地区土壤水分逐日遥感数据，进行MRD和SDRD逐像元计算，并对春季(3—5月)、夏季(6—8月)、秋季(9—11月)和冬季(12月—次年2月)的计算数据进行统计分析。

1.3.2 环境因子贡献

随机森林(RF)是以决策树和Bagging为基础的集成学习算法，构建并组合决策树可提高回归模型的泛化能力和模型精度^[15]。在使用RF进行回归过程中，利用Bagging法从样本集中有放回地抽取训练样本进行预测，部分未被使用的训练样本被称作袋外数据(OOB)，用以判断RF模型效果。使用RF进行变量重要性评估，基本思路是计算OOB测试模型中的误差，基于平均下降精度给出该变量的重要性评分。

RF计算特征值X公式如下：

$ X= \frac{\sum \left({\text{err}}_{\text{OOB2}}-{\text{err}}_{\text{OOB1}}\right)}{n} $

(3)

式中：err_OOB1为每一棵决策树计算的袋外数据误差；err_OOB2为随机对所有OOB样本加入噪声干扰之后计算出的袋外数据误差。加入随机噪声后，OOB准确率大幅度下降即err_OOB2上升，说明特征X显著影响了样本的预测结果，即样本X重要性评分较高。

本研究利用RF分别计算长三角整体及不同土地覆被类型下环境因子对土壤水分MRD和SDRD空间分异的影响程度，并进一步探究不同季节下土壤质地、地形、气象以及人类活动因子对土壤水分时间稳定性的贡献。模型精度评定采用 k折交叉验证，k取10。精度评定指标采用决定系数(R²)和均方根误差(RMSE)。RF模型精度取决于两个决定性参数，即决策树数量Ntree和叶节点数Mtry。本研究决策树数量设置为100，数量大于100时，精度开始趋于稳定；叶节点数为6时构建模型精度最高，对于MRD的RF模型，R²≥0.90且1.02e^–6 < RMSE < 9.86e^–6，对于SDRD的RF模型，R²≥0.90且9.71e^–6 < RMSE < 1.12e^–5。

2 结果与讨论 2.1 年际土壤水分时间稳定性的空间分布特征

研究区内各个像元2015年4月至2018年12月土壤水分MRD值如图 3A所示。MRD值由南向北逐渐递减，在空间上有较大差异，低值区分布在北部黄淮平原，中值区位于中部的长江中下游平原，而高值区处于南部的低山丘陵区。这主要是由于南部属于湿润地区，年降水量超过1 500 mm，地形以低山丘陵为主且植被覆盖率高，土壤保水能力强，而北部的黄淮平原属于半湿润地区，耕地占比高，多年平均降水量为800 ~ 1 000 mm，水资源总量少^[16]，导致土壤水分相对于整个长三角呈较低的状态。长三角土壤水分MRD值在空间上总体与降水和高程分布较为一致，但在局部区域有较大差异，这是因为长三角地区地表状况复杂^[11]，土壤水分状况还受植被和蒸散发等因素的影响。

研究区内各个像元土壤水分SDRD值空间分布如图 3B所示。SDRD值空间分布上和MRD值相反，低值区主要分布在南部低山丘陵区，中低值区主要分布在中部的长江中下游平原，而高值区主要分布在北部的黄淮平原。与MRD值空间变化的驱动因素相似，SDRD值空间分布遵循地形和降水的空间变化趋势。此外，SDRD值最高的区域位于皖北平原，该区域位于南北气候过渡带，降水时间分配不均且蒸发量大^[16]，旱涝事件频发^[17]，各因素综合导致了土壤水分在时间上波动较为剧烈。同时，在南部的浙江金华、衢州一带，因地势相对周边区域较低、坡度较缓，成为土壤水分汇流区，因此这一区域SDRD值也偏高。

2.2 年内季节土壤水分时间稳定性空间分布特征

长三角地区土壤水分MRD值的空间分布存在季节性变化规律(图 4A)，表明不同季节土壤水分空间分布的规律不同。其中，春季和冬季MRD值的空间变化相较于夏季和秋季更为剧烈，这与王国杰等^[18]和娄丹^[19]在长江中下游地区得出的结论一致，即长江中下游夏秋季土壤水分空间差异性低，春冬季则相反。春季土壤水分的MRD值存在明显的南北差异，具体表现为：东南部MRD值高而西北部MRD值较低，北部尤其是黄淮平原MRD值最低。夏季MRD高值区位于温州、丽水等南部高海拔地区，与该地区夏季降水量大有关。秋季极端降水情况逐渐减少，蒸散发量和地表温度南北空间分布相对于春冬两季差距较小^[20]，所以MRD值空间分布差异小，但高值区依然位于长三角的中部和南部地区。冬季MRD高值区位于江苏中部、南部和安徽中部地区，中值区分布在南部丘陵和皖北地区，低值区分布在黄淮平原最北部区域。冬季MRD中值区和低值区的冬季降水较少，可能在一定程度上降低了土壤水分。夏秋季皖北平原和徐州北部MRD值相较冬春季要高，这可能是由于该区域作物种植和人工灌溉的影响^[21]。

长三角地区土壤水分的SDRD值空间分布也存在季节性变化规律(图 4B)，表明在不同季节，各像元的土壤水分波动剧烈程度不同。SDRD值在春季较低且没有显著的空间变化规律，高值区散布于北部黄淮平原和中部的太湖流域，但相对于其他季节SDRD低值区占比较高。夏季SDRD值在长三角南部地区也无明显空间变化规律，但高值区分布在北部与山东河南两省交界区域，该区域夏季炎热潮湿，蒸散发指数较高，使土壤水分时间稳定性降低。秋季SDRD高值区则分布在东北部沿海地区，这是因为该地区降水量小，蒸散发指数高且地下水埋深较深^[22]，从而导致土壤水分时间稳定性较弱。冬季SDRD高值区位于中东部的太湖流域及其周边地区，可能是该区域河网密布，地下水埋深浅，导致了土壤水分波动剧烈。

2.3 土壤水分时间稳定性驱动因子 2.3.1 土壤水分时间稳定性对环境因子的响应

长三角地区土壤水分的MRD值随着地形、气象、植被、土壤等因素变化，呈现出不同的变化趋势(图 5)。土壤水分MRD值随着高程和坡度的升高而上升，并在高程500 m和坡度15°后趋于平稳。如图 2A和图 2B所示，高程和坡度较高的区域大多分布在南部的丘陵山区，也是降水和植被条件较好的区域，但土壤水分MRD值随着地形湿度指数的升高没有明显的变化趋势(图 2C)。地形湿度指数是根据坡度、坡向和海拔等地形特征衡量可渗透和保留在土壤中的水量，该指数值高表明该区域为水可能积聚并保留在土壤中的区域。前人研究发现，在小尺度区域，地形湿度指数对土壤水分MRD值响应强烈^[23]，但在长三角地区这种大尺度并且地形复杂区域，土壤水分MRD值受降水影响较大，和地形湿度指数相关性较弱。在气象因子方面，土壤水分MRD值随地表温度和蒸散发量的上升呈先降低后升高的趋势，但该变化规律并不明显。对应于年均地表温度23℃和蒸散发量500 mm时，土壤水分MRD值最低(图 2D、图 2E)。地表温度高和蒸散发强烈的区域，大多同时具有较大的降水量^[24]，因此土壤水分MRD值较高；地表温度低和蒸散发较弱的区域，由于土壤水分的损失较小^[25]，使得土壤水分MRD值较高。降水量的升高使土壤水分MRD值上升，并在降水量达1 500 mm后趋于平稳。降水量最高值对应的区域分布在南部高海拔地区(图 2F)，虽然降水量大，但高海拔土壤相对贫瘠且保水性差^[26]，因此降水量增加对土壤水分的提升有限。土壤水分MRD值随夜间灯光指数的上升呈现升高的趋势。夜间灯光指数高的区域大多分布在浙北、太湖流域以及散布在南部丘陵山区的低洼地带(图 2H)，这些区域都相对于长三角地区土壤水分值偏高。随着NDVI值的升高，土壤水分MRD值无明显的变化趋势，这主要是因为NDVI值较高的区域主要是林地和耕地，林地主要分布在南部地区而耕地主要分布在中部以及北部地区，使得长三角NDVI空间分布无明显地带性(图 2G)。在土壤质地方面，土壤水分MRD值随砂粒含量的增加平缓上升(图 2I)，而随黏粒变化则趋势相反(图 2J)，这是由于黏粒含量低且砂粒含量高对应于南部土壤水分MRD值较高的丘陵山区。

土壤水分SDRD值对不同环境因子空间变化的响应不同(图 6)。当高程和坡度处于低值时土壤水分SDRD值偏高，这部分区域主要分布在地形平坦且水资源相对较少的皖北地区(图 2A)。皖北地区位于温带季风气候和亚热带季风气候的交界处，受季风气候影响，降水时间分布不均匀^[27]，使得土壤水分波动较大。当地形湿度指数处于高值时，对应区域分布于低洼的湖泊河流地带(图 2C)，此时土壤水分时间稳定性最高。在气象因子方面，土壤水分SDRD值随着地表温度升高呈现先上升后下降的趋势，这是因为地表温度低值区分布在南部和西部的高海拔地区(图 2D)。蒸散发量高值区也为南方丘陵地区(图 2E)，且该区域的年均降水量和植被覆盖率高(图 2F、图 2G)，土壤保水性好^[28]，土壤水分时间上的波动较弱。年均降水量空间分布由北向南逐渐升高(图 2F)，作为最重要的土壤水分来源，降水量大使得土壤水分波动剧烈，因此高降水量往往伴随着高土壤水分SDRD值。由于NDVI值空间分布差异小，土壤水分SDRD值总体对NDVI值响应较弱。夜间灯光指数和土壤水分SDRD值关系呈反向关系，夜间灯光指数低值对应皖北地区，土壤水分SDRD值相对较低。黏粒含量从北向南降低，砂粒含量则相反，黏粒含量的升高和砂粒含量的降低伴随着土壤水分SDRD值的上升，但这并不代表土壤质地在长三角地区这样一个空间尺度对土壤水分波动能够产生影响，而更多的是因为长三角区域土壤质地的空间分布与气象、植被等因子在空间变化具有一定的相似性。

长三角地区不同土地覆被类型之间土壤水分时间稳定性存在较大差异性(图 7)。林地土壤水分MRD值最高，其次是不透水面，而MRD值较低的是耕地和草地。土壤水分SDRD值则有相反的规律，林地SDRD值最低，不透水面的SDRD值次之，而耕地和草地的SDRD值最高。这是由于林地多分布于浙南一带降水量大的山区，高降雨量的地区自然具有更高的土壤水分水平，且林地受树木冠层遮蔽以及林下苔藓层具有保水性^[29]，使土壤水分的时间稳定性维持较好；而不透水面大多分布于相对低洼的汇水区，使土壤水分相对较高且时间波动较小；耕地因灌溉和耕作等活动可以增加土壤水分水平，但也会因灌溉实践和作物类型而发生变化；草地可能是因为依赖人工灌溉，灌溉的不稳定性使土壤水分MRD和SDRD值波动范围较大^[21]。

2.3.2 环境因子重要性排序

各个环境因子在不同土地覆被类型和季节下，对土壤水分MRD的贡献率既有相似性也有差异性(图 8)。在长三角区域内，全年和春、秋、冬三季，气象因子对土壤水分MRD值空间分布起决定性作用，其次是地形因子和人类活动，而贡献最低的是土壤质地，但在夏季，地形因子的重要性却强于气象因子。主要原因是全年和春秋冬三季的长三角地区降水空间分布不均匀，温度和蒸散发量地区差异大，所以气象因子对土壤水分MRD值分布贡献率最大。在夏季时，降水量为全年峰值且南北空间差异较小，而地形因素如坡度和海拔会对降水产生明显的再分配作用^[30]，因此夏季降水对土壤水分MRD值空间分布的贡献率降低。对于不透水面和耕地，土壤水分MRD值对夜间灯光指数和NDVI值响应强烈。在一定程度上，不透水面和耕地可以表征人类活动，不透水面是人类活动影响剧烈的覆被类型，耕地土壤水分则是因为受到种植作物类型和管理措施的影响，因此两种土地覆被类型对夜间灯光指数和NDVI敏感。对于林地，降水对土壤水分MRD影响较小，地形因子在其中响应相对强烈。这是因为林地分布在南方丘陵地区，降水空间分布差异小，海拔和坡度变化大影响了土壤水分分布，从而对土壤的干湿程度响应强烈。而草地相对于林地，冠层覆盖较小，并且分布在降水量相对较小的区域，所以蒸散发量对土壤水分MRD重要性较强。

各变量对土壤水分SDRD的重要性如图 9所示。长三角区域内，全年尺度上，地形因子对土壤水分SDRD贡献最高，气候因子和人类活动次之，而重要性最低的是土壤质地。由于全年SDRD值相比于4个季节的SDRD值空间特征上有明显的变化规律(图 3B、图 4B)，所以各个环境因子对土壤水分SDRD的贡献率四季相比于全年变化差异更大，主要表现为高程和降水不再对SDRD起决定性作用，其余的环境因子的贡献率都有所提升。相比于其他季节，秋季蒸散发量对土壤水分SDRD贡献率降低，这与长三角秋季蒸散量发空间分布差距较小有关^[20]。对于不透水面，降水量对土壤水分SDRD响应强烈，这和王强等^[31]在长三角地区得出的结论一致。城镇用地由于土壤存在严重压实现象，孔隙度降低，保水性较差，其土壤水分含量波动相对于其他下垫面对降水的响应起伏较大。对于耕地，降水量对土壤水分SDRD贡献率高，这与耕地广泛分布于整个长三角地区，其降水空间分布差异较大有关。对于林地，坡度和地形湿度指数对土壤水分SDRD响应敏感，林地坡度跨度大，陡坡处土壤水分流失较快，缓坡和地势平坦的地区会接收上坡位的补水^[32]，影响了土壤水分的时间稳定性。对于草地，气候因子和土壤质地对土壤水分SDRD响应强烈，一方面是因为草地零散分布在长三角整个区域内，降水时空分布不均匀，导致土壤水分的空间异质性强；另一方面是因为草地土壤持水性会受土壤质地的控制，使浅层土壤含水量波动受较大的影响^[33]。

3 结论

1) 年际变化上，土壤水分MRD值由南向北逐渐递减，SDRD值空间分布则相反，其中南部的浙江金华、衢州一带SDRD值也偏高。

2) 年内季节变化上，春季和冬季土壤水分MRD值空间变化相较于夏季和秋季更为剧烈，除冬季外，其余季节由北向南MRD值逐渐升高；土壤水分SDRD值则季节性空间变化规律不显著。

3) 根据土壤水分MRD和SDRD随着地形、气象、植被、土壤等因素的变化趋势，发现土壤水分MRD空间分布和高程、坡度以及降水量分布大致相同，SDRD分布则与其相反。NDVI、地形湿度指数和土壤质地对土壤水分MRD影响较小。土壤水分MRD值分布区间为林地 > 不透水面 > 耕地 > 草地，SDRD值分布区间则相反。

4) 通过随机森林算法计算长三角整体以及不同土地覆被类型环境因子重要性可以得出，土壤水分MRD和SDRD受地形因子和气候因子影响较大，但各个环境因子在不同的季节和土地覆被类型上影响程度不同。