印度根区土壤含水量栅格产品的开发，1981–2024 年

土壤中隐含的水为何重要

对印度数以百万计的农民来说，丰收取决于他们看不见的东西：藏在脚下土壤中的水分。根系可及的这部分隐含水分在降雨间隔期间维持作物生长，影响热浪的体感，并决定一段干期是否会演变为毁灭性的干旱。直到目前，印度仍缺乏长期且详尽的地下水分记录。本文介绍的研究通过生成 1981 年至 2024 年覆盖全印度的日尺度根区土壤含水量地图，填补了这一空白，为更智能的农业、更有效的干旱预警以及更清晰地观察气候如何改变陆地提供了新可能。

看向地表之下

大多数卫星任务只能探测到地表附近的水分，深度仅为几厘米——太浅，无法反映植物根系所经历的情况。这些卫星记录通常也只覆盖约十年的时间范围，因此难以把握长期趋势。与此同时，模拟土壤和河流中水分运动的计算机模式可运行数十年，但往往遗漏局地细节，且可能无法完全反映地下实际储水量，尤其是在灌溉密集、地形复杂或植被茂密的地区。研究人员旨在结合两种方法的优势，重建印度根区（深至一米）在四十多年间的干湿变化。

融合卫星、模型与气象数据

团队以一套高分辨率的印度气象数据为起点，包括经地面观测校正的日降水和温度。他们将这些数据输入名为 H08 的精细陆面—河流模型，该模型模拟径流、土壤入渗以及通过蒸发和植物蒸腾返回大气的水分。由此生成了覆盖印度主要流域、分辨率约为 0.05°（相当于几公里）每个栅格的长期日尺度径流、蒸散发和土壤含水量记录。然而，尽管模型能较好地再现时间变化模式，它在湿润地区往往低估了土壤中实际储水量。为纠正这一点，研究人员引入了自 2015 年起可用的 NASA 卫星产品（SMAP Level 4）的根区土壤含水量作为可信参考。

教会模型以卫星的视角思考

为弥合短期卫星观测与长期模型输出之间的差距，科学家们采用了机器学习方法。对印度每个栅格，他们训练了一个随机森林模型（一种决策树集成方法），学习四个输入与卫星根区土壤含水量之间的关系：模式模拟的土壤含水量、模式模拟的蒸散发、前一周的降水量及日空气温度。通过对每个栅格单独建模，该方法保留了气候、土壤和土地利用的局地差异。在 2016–2024 年期间训练之后，这个机器学习系统被用于“回溯”至 1981 年的日土壤含水量，生成了一个既物理自洽又调整为符合卫星观测的连续 44 年记录。

将新地图与现实对比检验

任何此类重建仅在与现实相符时才有用，因此团队对其产品进行了严格检验。首先，他们检验了 H08 模型重现河流流量与卫星测得蒸发量的能力，发现在数百个测站中总体吻合良好。随后，他们将机器学习产出的土壤含水量与 SMAP 本身进行了比对：在印度大部分地区，新产品与卫星观测高度一致，误差小且相关性强。在一个具有多层埋地传感器的测试点上，重建的根区含水量即便面对点位观测与更大栅格尺度的差异，也能与实测值高度匹配。最后，他们比较了 2002 年和 2009 年两次著名干旱年的土壤含水量异常与独立的植被活动卫星观测（太阳诱导叶绿素荧光），土壤与植被的干旱模式良好对应，表明该数据集捕捉到了作物和天然植被对水分胁迫的响应。

对农民与规划者的意义

最终成果是一个公开的、日尺度的、栅格化的数据集，展示了 1981 年至 2024 年印度顶层一米土壤中储水量的时空变化。对非专业读者而言，这意味着可以基于该数据回答一些务实问题：今年的干旱程度与过去几十年相比有多异常？哪些地区在季风异常或减弱时最易遭受作物损失？灌溉和降雨格局的变化如何塑造了地下水分的长期演变？研究作者也提醒，在有雪的高山地区和某些灌溉极为集中的区域，数据可靠性较低，但他们强调，这一长期且详尽的记录已能支持更好的干旱监测、更加现实的作物与水资源模型，以及在变暖世界中制定更有根据的粮食与水安全政策。

引用: Chuphal, D.S., Abhishek, Kushwaha, A.P. et al. Development of Gridded Root-Zone Soil Moisture Product for India, 1981–2024. Sci Data 13, 560 (2026). https://doi.org/10.1038/s41597-026-06940-x

关键词: 土壤含水量, 干旱, 印度, 遥感, 农业