2020, Vol. 63
2. 复旦大学大气与海洋科学系, 大气科学研究院, 上海 200438;
3. 中国科学院大学, 北京 100049
2. Department of Atmospheric and Oceanic Sciences, Institute of Atmospheric Sciences, Fudan University, Shanghai 200438, China;
3. University of Chinese Academy of Sciences, Beijing 100049, China
作为地球气候系统陆-气相互作用过程中的一个关键变量，土壤湿度在不同的时空尺度上对陆地水循环、能量循环以及生物地球化学循环都产生了十分重要的影响(Milly and Dunne, 1994; Douville and Chauvin, 2000; The GLACE Team et al., 2004; Balsamo et al., 2009; Falloon et al., 2011).土壤湿度通过控制地表感热和潜热的分配，影响地表能量平衡(Seneviratne et al., 2010)；通过改变植物的蒸腾和光合作用速率，影响植物的生长和生物地球循环过程(Angert et al., 2005; Canadell et al., 2007)；土壤湿度也可以通过入渗过程，影响地表及地下径流.在全球范围内，土壤湿度在气候变化中的作用仅次于海温(Sea Surface Temperature，SST)，在陆地气候变化中的作用甚至超过了后者(Chahine, 1992).早在20世纪50年代初期，Namias(1958, 1963)指出土壤湿度的季节性异常在大气环流的季节性变化中扮演了十分重要的角色.Walker和Rowntree(1977)研究发现土壤湿度异常对1~2天的降水短期预报和2~3周或更长时间的预报中都能发挥重要作用.Shukla和Mintz(1982)通过数值模拟发现，土壤湿度异常可以显著地影响气温和降水长达几个月的时间，对后期降水有一定的指示作用.
气候模式是研究陆气相互作用乃至气候变化的重要工具.但是，目前气候模式对青藏高原地区的温度和降水变化有着较大的模拟偏差(Jiang et al., 2016)，一个重要原因是模式对包括土壤湿度在内的地表特征模拟不够准确.前人研究表明，在气候模式中，采用更接近真实状况的土壤湿度初始条件可以改善陆气相互作用的模拟，进而提高降水预测能力(Chen and Avissar, 1994; Beljaars et al., 1996; The GLACE Team et al., 2004).青藏高原被称为世界“第三极”(Qiu，2008).其作为一个独特的地理单元，通过地形动力和地表热力作用对我国乃至整个东亚地区的大气环流和气候变化都产生了十分重要的影响(叶笃正和高由禧，1979; Lu et al., 2005; Xu et al., 2008; Wu and Zhang, 1998; Tao and Chen, 1987; 吴国雄等，2005).因此，该地区土壤湿度模拟对区域乃至全球气候模拟准确性都有重要影响.
陆面模式经过多年的发展，其对地表物理过程的描述不断改进，但是对高原土壤湿度的模拟仍然存在很大的偏差(Xue et al., 2013；Zheng et al., 2015).Chen等(2013)基于青藏高原中部土壤监测数据，评估了全球陆面数据同化产品GLDAS(Global Land Data Assimilation System)以及AMSE-R(Advanced Microwave Scanning Radiometer-Earth Observing System)土壤湿度资料，发现GLDAS陆面数据同化产品对表层0~5 cm土壤湿度有所低估，而对20~40 cm土壤湿度模拟良好.Bi等(2015)分析了GLDAS-1、GLDAS-2土壤湿度产品在青藏高原玛曲和那曲地区的模拟性能，发现GLDAS产品显著低估了土壤湿度.Zheng等(2015)通过将Noah陆面模式模拟的土壤湿度与黄河源区(SRYR)季风期土壤湿度做比较，发现在模式默认设置下表层土壤湿度模拟存在明显低估现象.Xue等(2013)利用WEB-DHM(Water and Energy Budget-based Distributed Hydrological Model)模型模拟了青藏高原中部土壤湿度，发现该模式对表层土壤湿度存在一定的低估.
对于青藏高原中部地区表层土壤湿度模拟低估的原因，前人开展了一些研究.Yang等(2005)指出在高寒草原表层的土壤中由于根系密集导致土壤垂直分层，显著降低了土壤的导热系数和热容，对表层土壤湿度模拟和地表能量分配产生了重要的影响.Chen等(2012)提出，在青藏高原中东部地区由于浅层土壤有机质较高，导致土壤分层现象，该现象通过影响土壤的水热性质进而影响土壤湿度的模拟.此外，Gao等(2015)指出青藏高原中部植被根系发达、广泛分布于土壤浅层的根际土导致土壤较强的垂直异质性，这一植被根系导致的土壤异质性未能得以体现是导致高原表层土壤湿度模拟干偏差重要因素.Pan等(2017)在CLM4(Community Land Model, Version 4)模式中考虑砾石对土壤水热性质的影响，使得青藏高原Nagqu和Madoi地区土壤湿度模拟误差分别降低了48.3%和25%.
上述土壤湿度模拟误差原因主要分析了模式对土壤质地、土壤垂直异质性以及植被根系等物理过程描述不足而可能导致的土壤湿度模拟偏差.然而，在区域模拟中，除陆面物理过程外，驱动数据和地表参数也是模式模拟的不确定性来源之一(Chen et al., 2014). Gao等(2015)在高原中部研究发现使用降水网格驱动数据对蒸散发的模拟误差甚至大于陆面模式物理过程导致的误差.Zhang等(2016)在高原东南部的研究也指出降水网格驱动数据误差是土壤湿度模拟误差的重要来源.因此本文选取了青藏高原中部那曲地区和东部玛曲地区土壤湿度监测网络作为参考，分析现有网格土壤湿度产品(GLDAS陆面资料同化产品和CLM4.5高分辨率模拟结果)对两地区土壤湿度的模拟性能，并深入分析土壤湿度模拟的误差来源.
1 数据与方法 1.1 数据 1.1.1 土壤湿度观测资料本文中使用的土壤湿度观测资料包括位于青藏高原东部和中部的两个土壤湿度观测网(图 1a)：(1)玛曲土壤温湿度观测网络，位于青藏高原东北部玛曲县城区南部的玛曲草原(33°30′N—34°15′N, 101°38′E—102°45′E，图 1b)，面积约40 km×80 km，平均海拔高度为3430~3750 m.受季风影响，玛曲地区冬季干燥寒冷，夏季温暖多雨(Su et al., 2011).玛曲土壤温湿度数据集包含了20个站点土壤温湿度资料，主要分布在周围的山谷和山丘中，每个站点均在5 cm、10 cm、20 cm、40 cm(部分站点达到80 cm)的深度上每隔15 min对土壤的温湿度进行一次记录.数据时间长度为2008年7月1日至2011年12月31日.玛曲地区各站点的土壤质地类型见表 1，站点的其他具体信息参考文献(Su et al., 2011).(2)那曲土壤温湿度观测网，位于青藏高原中部的那曲地区，覆盖范围(31.03°N—31.95°N, 91.68°E—92.46°E，图 1c)，面积约100 km×100 km，平均海拔高度在4650 m左右.那曲地区为典型的半干旱季风气候，其年降水量在400~500 mm左右，其中全年四分之三的降水为季风降水，该地区植被覆盖类型主要为高山草甸(Yang et al., 2013).每个站点均在5 cm、10 cm、20 cm、40 cm的深度上对土壤温湿度每隔30 min进行一次观测，数据时间长度为2010年8月1日至2014年12月31日.那曲地区各个站点的土壤质地类型见表 1，站点的其他具体信息参考文献(Yang et al., 2013).相关研究表明：这两套土壤湿度数据作为青藏高原地区土壤湿度的实地观测数据，被广泛应用于模式模拟评估与卫星反演工作中(Chen et al., 2013; 杨婷等，2017).
|
图 1 两个土壤湿度观测网络和观测点位置 (a)两个土壤湿度观测网在青藏高原的位置；(b)玛曲地区；(c)那曲地区. Fig. 1 Two soil moisture observation networks and location of observation sites (a) Location of the two networks on the Tibetan Plateau; (b) Maqu network; (b) Nagqu network. |
|
表 1 玛曲和那曲各站点土壤质地类型 Table 1 Soil texture types of the sites in the Maqu and Nagqu networks |
全球陆面数据同化系统(Global Land Data Assimilation System，GLDAS)(https://ldas.gsfc.nasa.gov/gldas/)由美国国家航空与航天局(National Aeronautics and Space Administration，NASA)戈达德飞行中心(Goddard Space Flight Center，GSFC)、美国国家海洋大气局(National Oceanic and Atmospheric Administration，NOAA)的国家环境预报中心(National Centers for Environmental Prediction, NCEP)和水文科学部、普林斯顿大学、华盛顿大学联合开发(Rodell et al., 2004).该数据集基于卫星和地面观测的气温和降水数据，利用先进的陆面过程模型和同化技术得到了最优的地表状态和地表通量场，提供了全球尺度和区域尺度，包括土壤湿度在内的陆面数据同化产品.被广泛应用于气候预报、水循环研究和水资源分析等方面的研究(Bi et al., 2015；郭飞霄等，2019).GLDAS-1包括三个陆面模型CLM、Noah、Mosaic和一个水文模型VIC(Hua et al., 2017).本文主要采用了GLDAS-1中Noah模式、CLM模式1°×1°的3 h格点土壤湿度同化产品进行分析.
1.1.3 高分辨率陆面模拟模式设置本文分析了基于CLM陆面模式(Community Land Model，Version 4.5)开展的青藏高原地区水平分辨率为0.1°×0.1°的陆面过程模拟结果.CLM陆面模式是由美国国家大气研究中心(The National Center for Atmospheric Research，NCAR)开发的CCSM(Community Climate System Model)的陆面过程模块(Kluzek et al., 2013).我们首先利用1980年驱动数据模拟循环50次，获得模式初始场，然后利用该初始场进行历史阶段的模拟，模式模拟时间段为1980—2012年.与GLDAS相比，该模拟结果有较高的水平分辨率，因此以下简称高分辨率模拟(High-res).由于青藏高原地区的土壤垂直异质性较强，在模拟中我们还采用了较为先进的物理参数化过程考虑了土壤垂直异质性、土壤有机质以及土壤砾石对模拟结果的影响，详细的参数化方案见Gao等(2015)以及的Pan等(2017)工作.由于缺乏植被根系的空间分布数据，这里没有采用Gao等(2015)中使用的植被根系参数化化方案.
在利用CLM4.5进行模拟的过程中，驱动数据使用中国科学院青藏高原研究所的何杰(2011)开发建立的中国区域高时空分辨率地面气象要素驱动数据集(China Meteorological Forcing Dataset，CMFD).该数据集是以国际上现有的Princeton再分析资料、GLDAS资料、GEWEX-SRB(Global Energy and Water Cycle Experiment-Surface Radiation Budget)辐射资料，以及TRMM(Tropical Rainfall Measuring Mission)降水资料为背景场，融合了中国气象局常规气象观测数据制作而成，包含近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射、地面降水率，共7个要素(变量).该数据广泛应用于中国区域陆面模拟.已有研究表明该数据能够提供较为准确的大气强迫场(阚宝云等，2013；Zhu et al., 2015；Sun et al., 2016).
在本次模拟过程中，地表植被数据由中分辨率成像光谱仪MODIS(Moderate Resolution Imaging Spectroradiometer)提供(Myneni et al., 2002).植被叶面积指数、茎干面积指数、冠层高度等植被信息则因植被类型而异.检查模式的地表植被信息发现，两个站点均以高寒草甸或草地为主，符合观测站点的实际地表状况.
土壤质地类型数据使用中国土壤特征数据集(A China Soil Characteristics Dataset)来更新地表数据(Shangguan et al., 2012).该数据集的源数据来源于第二次土壤普查的1:100万中国土壤图(Shi et al., 2004)和8595个土壤剖面，并采用了多边形连接法将土壤剖面和土壤图斑连接起来得到了土壤砂粒、粉粒和黏粒含量图.连接时考虑了剖面与图斑间的距离、土壤剖面个数和土壤分类信息.其数据的分辨率为0.00833°(约1 km).
观测资料与陆面模式资料中土壤湿度的详细信息见表 2.
|
|
表 2 观测和陆面模式资料的土壤湿度信息 Table 2 Information of soil moisture from observation data and land surface model data |
玛曲地区研究时段为2009年1月至2011年12月，那曲地区研究时段为2011年1月至2012年12月.由于观测资料与陆面模式资料的时间分辨率有所不同，首先需要统一时间尺度，对观测资料和GLDAS陆面模式产品资料3 h数据进行时间平均，获得与高分辨率模拟结果相同时间分辨率的日平均土壤湿度数据.其次，需要统一分析变量和时间段.青藏高原冬季土壤湿度十分复杂，不仅包括土壤液态含水量，还包括固态含水量.观测资料中测得的土壤湿度为液态水含量，与模拟结果相同，而GLDAS提供的是土壤总含水量.因此，我们首先对所有数据进行多年平均，重点分析非冻结期的土壤液态含水量.那曲地区非冻结期取5~10月(Chen et al., 2013; Bi et al., 2015)，玛曲地区非冻结期取4~10月(Dente et al., 2012; Zeng et al., 2015).
第三，统一土壤深度.观测的土壤湿度代表的就是该深度的土壤湿度，而GLDAS和高分辨率模拟的土壤湿度是对应厚度土层的中间层土壤湿度，为了与观测对比，将GLDAS-Noah产品0~10 cm、GLDAS-CLM产品0~4.5 cm、高分辨率模拟结果0~6.23 cm进行平均，与观测站点5cm深度处土壤湿度值作比较，记为第一层；将GLDAS-Noah产品10~40 cm、GLDAS-CLM产品4.5~49.3 cm、高分辨率模拟结果11.89~36.61 cm进行平均，与观测站点10~40 cm平均值比较，记为第二层；玛曲地区部分测站测量深度达到80 cm，因此将GLDAS-Noah产品40~100 cm、GLDAS-CLM产品49.3~82.9 cm、高分辨率模拟结果36.61~103.80 cm进行平均，与玛曲观测站点中80 cm深度处土壤湿度值作比较，记为第三层.
第四，在进行GLDAS产品、高分辨率模拟结果与观测资料比较时，GLDAS产品和高分辨率模拟均选取与观测网络经纬度范围相同的面积平均值.在具体分析高分辨率结果对各土壤湿度观测站点模拟性能时，选取与各观测点最近网格点进行比较.
1.2.2 误差分析统计量本文使用的统计量有皮尔逊(Pearson)相关系数(Correlation Coefficient，COR)、均方根误差(Root Mean Squared Error，RMSE)、平均偏差(Mean Bias Error，MBE)(魏凤英，1999)，计算公式为
|
(1) |
|
(2) |
|
(3) |
|
(4) |
其中：Mi为模拟值，Oi为观测值，M为分析时间段内模拟平均值，O为分析时间段内观测平均值，N为分析时间段的日数.
2 结果与分析 2.1 GLDAS产品以及高分辨率模拟结果分析正如引言中提到的，前人对那曲和玛曲地区的土壤湿度模拟已经有了详细的评估，比如评估GLDAS-1、GLDAS-2模式土壤湿度资料在青藏高原玛曲和那曲地区的模拟性能(Bi et al., 2015)等.因此，我们在前人的基础上，增加了高分辨率CLM4.5的模拟结果来研究不同分辨率下陆面模式在这两个地区土壤湿度的模拟性能.图 2为观测资料、GLDAS产品和高分辨率模拟结果的多年平均土壤湿度时间序列.可以看出，GLDAS产品和高分辨率均可以反映出青藏高原玛曲、那曲两地土壤湿度的季节变化，但是存在显著干偏差，尤其是在非冻结期.从统计结果(表 3)中看，GLDAS-Noah产品对玛曲和那曲表层(第一层)土壤湿度的非冻结期模拟均方根误差和平均偏差均较小，模拟效果优于GLDAS-CLM产品.而对两地深层土壤(第二、三层)，GLDAS-Noah产品的相关性比GLDAS-CLM产品与观测站点土壤湿度之间的相关性更强，但GLDAS-CLM土壤湿度产品有着更小的均方根误差和平均偏差，尤其是那曲地区第二层，其均方根误差只有0.014 m3·m-3，平均偏差为0.007 m3·m-3.这说明GLDAS-CLM产品对深层土壤湿度的模拟结果更好.高分辨率模拟结果中土壤湿度模拟的干偏差依然存在，不过高分辨率模拟的均方根误差和平均偏差略微减小.从与观测数据时间序列相关系数看，高分辨率模拟结果在那曲地区优于GLDAS产品，但在玛曲地区相关系数比GLDAS产品更小.因此，高分辨率模拟相对于GLDAS产品没有显著提高非冻结期土壤湿度模拟性能.
|
图 2 观测资料、GLDAS产品、高分辨率模拟结果的多年平均土壤湿度变化 (a)(c)(e)玛曲第一、二、三层；(b)(d)那曲第一、二层. Fig. 2 Multi-year average variations of soil moisture from observation data, GLDAS and high-resolution simulation (a), (c) and (e) First, second and third layer in Maqu network; (b) and (d) First and second layer in Nagqu network. |
|
|
表 3 两个观测区域陆面模式资料模拟结果在不同土壤层的统计量误差 Table 3 Error statistics of the simulation results of LSMs in two network regions at different soil layers |
我们对两个观测区域内所有站点观测资料和高分辨率模拟结果进行了进一步细致分析.图 3是两个观测网络所有站点资料和高分辨率模拟结果最近网格点的土壤湿度平均值和值阈10%~90%的时间变化序列，灰色和绿色阴影分别为所有站点观测值和最近格点模拟值日平均土壤湿度10%~90%范围，阴影纵向长度表示该区域土壤湿度异质性.结果表明不论那曲还是玛曲，模拟值的异质性都远远小于站点观测异质性，尤其是表层土壤.
|
图 3 玛曲和那曲地区站点观测与高分辨率模拟最近网格土壤湿度的时间变化 (a)(c)(e)玛曲第一、二、三层；(b)(d)那曲第一、二层.其中，黑色为所有观测站点平均值，绿色为高分辨率模拟最近网格平均值.灰色阴影表示观测资料土壤湿度值阈10%~90%，绿色阴影则表示高分辨率模拟结果土壤湿度值阈10%~90%. Fig. 3 Time series of soil moisture from observation and high-resolution simulation at all sites in the Maqu and Nagqu networks (a), (c) and (e) First, second and third layer in Maqu network; (b) and (d) First and second layer in Nagqu network.The black lines are the average observation over all sites. The green lines are average over all of the nearest grid cells. The upper and bottom of the grey shades represent the 10th percentile and 90th percentile from observations. The green shades represent those from simulations. |
影响陆面模式中土壤湿度区域模拟性能的因素主要有模式物理过程、驱动数据、地表特征参数(Gao et al., 2015; Zhang et al., 2016; Bi et al., 2015).下面从这三方面对模拟误差原因进行深入分析.
2.2.1 模式物理过程通过上一章节分析可知，站点观测比模拟值显示出更强的土壤湿度异质性，因此我们对每个站点相对应的最近网格的高分辨率模拟结果进行了误差分析，统计结果见表 4.从均方根误差看，均方根误差最小的站点为NST_06，为0.043 m3·m-3，最大的站点为NST_04，为0.402 m3·m-3.如果以均方根误0.1 m3·m-3为界，我们发现CST_03、NST_01、NST_06、NST_07、NST_08、NST_09、NST_10、NST_12、NST_13这9个站点的均方根误差均小于0.1 m3·m-3，其他站点均大于0.1 m3·m-3，其中NST_04、NST_05、NST_11、NST_15这4个站点均方根误差大于0.2 m3·m-3.结合地表特征我们发现NST_04和NST_11下垫面类型为湿地(Su et al., 2011)，而模拟中土地覆盖类型中没有湿地，这可能是两站点模拟结果较差的主要原因.
|
|
表 4 玛曲地区非冻结期(4—10月)高分辨模拟对应20个观测站点土壤湿度的误差统计量 Table 4 Statistics of the high-resolution simulation during the unfrozen period (April to October) within the Maqu network |
那曲地区非冻结期高分辨率模拟结果对应38个站点统计结果见表 5，可以看出，均方根误差最小的站点是L33，为0.025 m3·m-3，均方根误差最大的站点位于L25，为0.266 m3·m-3，可以发现那曲地区模拟均方根误差远小于玛曲地区.从时间序列相关性看，除L10、L20、L28这3个站点以外，其余站点相关系数均在0.6以上，其中L05相关系数高达0.94.从均方根误差看，大于0.1 m3·m-3的站点有10个(L02、L04、L19、L22、L24、L25、L26、L28、L29、L31)，其余28个站点的均方根误差都小于0.1 m3·m-3.模式在那曲地区模拟性能优于玛曲地区.
|
|
表 5 那曲地区非冻结期(5—10月)高分辨率模拟对应38个站点土壤湿度的统计量 Table 5 Statistics of the high-resolution simulation during the unfrozen period (May to October) within the Nagqu network |
需要指出的是，两个区域所有站点都采用相同的物理参数化过程，无论是玛曲地区还是那曲地区都有至少半数的站点模拟结果较好，这表明模式物理过程不是造成另一半站点模拟较差的主要原因.
2.2.2 地表特征参数玛曲地区观测站点植被覆盖较为均一，除了两个站点(NST_04、NST_11)为湿地下垫面外，其余站点均为草地(Su et al., 2011).那曲地区植被覆盖主要以高山草甸为主(Yang et al., 2013).两地均没有定量植被信息.而地表特征中土壤质地参数可以显著地影响地表能量平衡和水文过程，进而影响土壤湿度的模拟.Chen等(2012)指出，有机质含量高的土壤，其孔隙度越大，土壤持水力更好，而有机质含量低的土壤则相反.因此，我们首先分析了土壤质地的空间异质性.由于玛曲地区缺少实地观测的土壤质地信息，因此我们以有土壤质地观测信息的那曲地区来进行分析.
图 4a、b分别为那曲地区模拟较好/差两组站点的观测土壤质地数据与高分辨率模拟使用土壤质地对比.从图中可知，在观测数据中，模拟较好站点与模拟较差站点之间，沙土含量与有机质含量之间存在明显的差别，模拟较好站点的沙土含量较高而其有机质含量却低于模拟较差的站点，同时站点间的异质性也很强.而在高分辨率模拟中，无论是沙土、黏土含量还是土壤中有机质含量，模拟较好站点与模拟较差站点之间没有显著的差别，站点间的异质性也未能得以体现.也就是说，模拟使用的土壤质地信息未能体现实际的土壤质地异质性，可能是导致半数土壤湿度模拟性能较差的因素之一.
|
图 4 那曲地区观测站点土壤质地(沙土、黏土、有机质含量)与高分辨率模拟中使用土壤质地比较 Fig. 4 Comparison of soil texture (sand, clay, organic matter content) at the observation sites in Nagqu network with soil texture from high-resolution simulation |
除了植被和土壤外，地形高度也是重要的地表特征参数.图 5a为玛曲地区纬向平均的地形分布图，虚线表示高分辨率CLM4.5陆面模式资料中使用的地形数据，其分辨率为0.1°×0.1°，实线表示SRTM(Shuttle Radar Topography Mission)90 m数字高程地形数据.可以看出，模式地形数据基本能反映出真实的海拔高度分布，对比表 4中分类结果，发现模拟较差的站点主要分布在西部海拔较高的山坡，而模拟较好的站点主要分布在东部地势平坦位置.
|
图 5 纬向平均的海拔高度 (a)玛曲地区；(b)那曲地区.黑点和灰点分别表示观测站点中模拟较好和模拟较差的站点. Fig. 5 Average elevations versus longitudes in the Maqu and Nagqu network regions (a) Maqu network; (b) Nagqu network.Black dots represent the well simulated sites and the grey dots represent the poorly simulated sites. |
同样地，那曲地区纬向平均的海拔高度图如图 5b所示，那曲观测场三面环山，地形起伏错落，中间区域海拔高度较低，站点主要分布于山谷地势平坦位置.均方根误差小于0.1 m3·m-3的站点认为是模拟较好的站点，这部分站点主要分布在中西部，而均方根误差大于0.1 m3·m-3的站点则主要分布在海拔较高的东部位置.
模式所用的地表特征参数未能体现研究区域的空间异质性会造成模式模拟结果出现偏差.除此之外，气象驱动数据的影响也不可忽略.因此，下面我们将分析驱动数据对模拟结果的可能影响.
2.2.3 驱动数据图 6和图 7分别为玛曲和那曲地区高分辨率土壤湿度模拟较好/差站点驱动数据的对比.可以发现，两组站点驱动数据在每个观测网络覆盖范围体现出非常均一的状态.尽管网格水平分辨率可以到10 km以下，但由于该区域观测站点稀少，没有有效信息的加入，因此驱动数据不足以体现小尺度气象要素的空间异质性.玛曲地区非冻结期尤其是夏季的盛行风向为东风，而那曲地区为西南风，结合前面分析的两个土壤湿度观测网络内地形分布状况可知，山地迎风坡较大的土壤湿度状况很可能与较大迎风坡地形降水有关，而模式驱动数据未能体现与地形有关的降水差异.
|
图 6 玛曲地区高分辨率模拟较好站点与较差站点的驱动数据对比 (a)向下短波辐射；(b)降水；(c)气温；(d)风速；(e)表面气压；(f)比湿. Fig. 6 Comparison of the six forcing variables between sites group with the better and worse simulation performance in Maqu network (a) Downward short-wave radiation; (b) Precipitation; (c) Temperature; (d) Wind speed; (e) Surface pressure; (f) Specific humidity. |
那曲地区与玛曲地区不同的是风速差别，模拟较好站点与较差站点之间风速差别在玛曲地区差别大于那曲地区，这可能对那曲地区模拟性能优于玛曲有一定贡献.
总体而言，无论是玛曲还是那曲地区，高分辨率模拟使用的驱动数据均未能表征出该地区的空间异质性，可能也是造成该地土壤湿度模拟性能差别较大的原因之一.
3 结论与讨论本文首先评估了水平分辨率1°×1°全球陆面数据同化产品GLDAS和水平分辨率0.1°×0.1°的CLM4.5陆面模式模拟的土壤湿度在青藏高原中东部那曲、玛曲两地的模拟性能，然后基于0.1°×0.1°的CLM4.5陆面模式模拟结果，按照模拟误差对站点进行分组，深入分析了两区域土壤湿度的主要误差来源.主要结果如下：
(1) 全球陆面数据同化产品和高分辨率陆面模式模拟结果均可反映出青藏高原中部那曲地区和东部玛曲地区土壤湿度的季节变化特征，但是均存在不同程度的干偏差，尤其是玛曲地区.
(2) 对站点进行深入分析发现，观测站点土壤湿度空间异质性很强，尤其是在玛曲地区，而高分辨率模拟未能体现出这样强的异质性，按照模拟误差对站点进行分组发现，半数位于平坦地形的站点土壤湿度模拟性能较好，而位于山地的站点和湿地下垫面站点的土壤湿度有显著的低估，导致整体观测网络范围模拟出现显著低估现象.
(3) 对比两组站点所在网格的地表特征参数和驱动数据发现，模拟中使用的地表特征参数与驱动数据均没有充分体现出观测数据的空间异质性，导致土壤湿度模拟未能体现出空间异质性.模式的物理过程可能不是造成站点模拟结果有差异的主要原因.
需要指出的是，本文提出在土壤湿度的区域模拟中驱动数据和地表特征参数的空间异质性是导致模拟误差的主要原因，但是并不否定模式物理过程对模拟结果的重要影响.前人已经开展了很多模式物理过程对模拟结果的影响研究，尤其是在实测气象和地表特征参数驱动的单点模拟中(Gao et al., 2015, 2016; Zhang et al., 2016).而在区域模拟中，网格的气象驱动数据和地表特征数据存在很大的不确定性，同时，站点对所在网格的代表性也同样存在不确定性，而这一系列不确定性对土壤湿度模拟性能的影响甚至超过模式物理过程的影响.因此，我们非常需要能体现空间强烈异质性的更高分辨率的驱动数据和地表数据，来进一步提高陆面过程模拟性能.
其次，由于观测数据限制，两个区域的观测数据时段不是同一年，为了消除特定年份气象条件的影响，我们对数据进行多年平均进行分析，但是多年平均毕竟不是气候态，分析结果可能仍然受特定年份的影响.另外，由于陆面模式中土壤湿度代表的是某一土层厚度土壤湿度的平均值，一般认为对应深度是该土层中部，而观测土壤湿度指的是特定深度处土壤湿度.尽管我们对各类数据进行了垂直深度上的统一，但是仍然可能存在不匹配问题，观测和模拟的土壤深度的不匹配对评估结果可能也会造成一定的影响.
致谢 此研究中高分辨率模拟使用的驱动数据集以及那曲地区土壤温湿度数据集是由国家青藏高原科学数据中心(http://data.tpdc.ac.cn)提供，玛曲地区土壤温湿度数据由中国科学院西北生态环境资源研究院及荷兰屯特大学地理信息科学与对地观测学院提供，在此表示感谢.同时感谢审稿人专家提出的宝贵意见.
Angert A, Biraud S, Bonfils C, et al. 2005. Drier summers cancel out the CO2 uptake enhancement induced by warmer springs. Proceedings of National Academy of Sciences of the United States of America, 102(31): 10823-10827. DOI:10.1073/pnas.0501647102 |
Balsamo G, Beljaars A, Scipal K, et al. 2009. A revised hydrology for the ECMWF model:Verification from field site to terrestrial water storage and impact in the Integrated Forecast System. Journal of Hydrometeorology, 10(3): 623-643. DOI:10.1175/2008JHM1068.1 |
Beljaars A C, Viterbo P, Miller M J, et al. 1996. The anomalous rainfall over the United States during July 1993:sensitivity to land surface parameterization and soil moisture anomalies. Monthly Weather Review, 124(3): 362-383. DOI:10.1175/1520-0493(1996)124<0362:TAROTU>2.0.CO;2 |
Bi H Y, Ma J W, Zheng W J, et al. 2015. Comparison of soil moisture in GLDAS model simulations and in situ observations over the Tibetan Plateau. Journal of Geophysical Research:Atmospheres, 121(6): 2658-2678. |
Canadell J G, Le Quere C, Raupach M R, et al. 2007. Contributions to accelerating atmospheric CO2 growth from economic activity, carbon intensity, and efficiency of natural sinks. Proceedings of National Academy of Sciences of the United States of America, 104(47): 18866-18870. DOI:10.1073/pnas.0702737104 |
Chahine M T. 1992. The hydrological cycle and its influence on climate. Nature, 359(6394): 373-380. DOI:10.1038/359373a0 |
Chen F, Avissar R. 1994. Impact of land-surface moisture variability on local shallow convective cumulus and precipitation in large-scale models. Journal of Applied Meteorology, 33(12): 1382-1401. DOI:10.1175/1520-0450(1994)033〈1382:iolsmv〉2.0.co;2 |
Chen F, Barlage M, Tewari M, et al. 2014. Modeling seasonal snowpack evolution in the complex terrain and forested Colorado Headwaters region:A model intercomparison study. Journal of Geophysical Research:Atmospheres, 119(24): 13795-13819. DOI:10.1002/2014JD022167 |
Chen Y Y, Yang K, He K, et al. 2011. Improving land surface temperature modeling for dry land of China. Journal of Geophysical Research:Atmospheres, 116(D20): D20104. DOI:10.1029/2011JD015921 |
Chen Y Y, Yang K, Qin J, et al. 2013. Evaluation of AMSR-E retrievals and GLDAS simulations against observations of a soil moisture network on the central Tibetan Plateau. Journal of Geophysical Research:Atmospheres, 118(10): 4466-4475. DOI:10.1002/jgrd.50295 |
Chen Y Y, Yang K, Tang W J, et al. 2012. Parameterizing soil organic carbon's impacts on soil porosity and thermal parameters for Eastern Tibet grasslands. Science China Earth Science, 55(6): 1001-1011. DOI:10.1007/s11430-012-4433-0 |
Dente L, Vekerdy Z, Wen J, et al. 2012. Maqu network for validation of satellite-derived soil moisture products. International Journal of Applied Earth Observation and Geoinformation, 17: 55-65. DOI:10.1016/j.jag.2011.11.004 |
Douville H, Chauvin F. 2000. Relevance of soil moisture for seasonal climate predictions:A preliminary study. Climate Dynamics, 16(10-11): 719-736. DOI:10.1007/s003820000080 |
Falloon P, Jones C D, Ades M, et al. 2011. Direct soil moisture controls of future global soil carbon changes:An important source of uncertainty. Global Biogeochemical Cycles, 25(3): GB3010. DOI:10.1029/2010GB003938 |
Gao Y H, Li K, Chen F, et al. 2015. Assessing and improving Noah-MP land model simulations for the central Tibetan Plateau. Journal of Geophysical Research:Atmospheres, 120(18): 9258-9278. DOI:10.1002/2015JD023404 |
Gao Y H, Xiao L H, Chen D L, et al. 2016. Quantification of the relative role of land-surface processes and large-scale forcing in dynamic downscaling over the Tibetan Plateau. Climate Dynamics, 48(5): 1705-1721. DOI:10.1007/s00382-016-3168-6 |
Guo F X, Sun Z M, Ren F L, et al. 2019. Analysis of global water storage variation based on GRACE time-variable gravity during 2003-2013. Progress in Geophysics (in Chinese), 34(4): 1298-1302. DOI:10.6038/pg2019CC0160 |
He J. 2011. Development of Surface Meteorological Datasets of China with High Temporal and Spatial Resolution[Master's thesis]. Beijing: Institute of Tibetan Plateau Research, China Academy of Science.
|
Hua L R, Hiroko B. 2017. README document for NASA GLDAS version 2 data products. https://hydro1.gesdisc.eosdis.nasa.gov/data/GLDAS/GLDAS_CLSM025_D.2.0/doc/README_GLDAS2.pdf[2017-07-18].
|
Jiang D B, Tian Z P, Lang X M. 2016. Reliability of climate models for China through the IPCC Third to Fifth Assessment Reports. International Journal of Climatology, 36(3): 1114-1133. DOI:10.1002/joc.4406 |
Kan B Y, Su F G, Tong K, et al. 2013. Analysis of the applicability of four precipitation datasets in the upper reaches of the Yarkant River, the Karakorum. Journal of Glaciology and Geocryology (in Chinese), 35(3): 710-722. |
Kluzek E. 2013. CESM Research Tools: CLM4.5 in CESM1.2. 0 User's Guide Documentation. http://www.cesm.ucar.edu/models/cesm1.2/clm/models/lnd/clm/doc/UsersGuide/book1.html[2013-07-13].
|
Lu C X, Yu G, Xie G D. 2005. Tibetan Plateau serves as a water tower.//IEEE International Geoscience and Remote Sensing Symposium. Seoul: IEEE, 5: 3120-3123.
|
Milly P C D, Dunne K A. 1994. Sensitivity of the global water cycle to the water-holding capacity of land. Journal of Climate, 7(4): 506-526. DOI:10.1175/1520-0442(1994)007〈0506:SOTGWC〉2.0.CO;2 |
Myneni R B, Hoffman S, Knyazikhin Y, et al. 2002. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data. Remote Sensing of Environment, 83(1-2): 214-231. DOI:10.1016/S0034-4257(02)00074-3 |
Namias J. 1958. Persistence of mid-tropospheric circulation between adjacent months and seasons.//Rossby Memorial Volume. Oxford: Rockfeller Institute Press and Oxford University Press, 240-248.
|
Namias J. 1963. Surface-atmosphere interactions as fundamental causes of droughts and other climatic fluctuations.//Symposium on Changes of Climate with Special Reference to Arid Zones. Paris: UNESCO Publication, 345-359.
|
Pan Y J, Lyu S H, Li S S, et al. 2017. Simulating the role of gravel in freeze-thaw process on the Qinghai-Tibet Plateau. Theoretical and Applied Climatology, 127(3-4): 1011-1022. DOI:10.1007/s00704-015-1684-7 |
Qiu J N. 2008. China:the third pole. Nature, 454(7203): 393-396. DOI:10.1038/454393a |
Rodell M, Houser P R, Jambor U, et al. 2004. The global land data assimilation system. Bulletin of the American Meteorological Society, 85(3): 381-394. DOI:10.1175/BAMS-85-3-381 |
Seneviratne S I, Corti T, Davin E L, et al. 2010. Investigating soil moisture-climate interactions in a changing climate:A review. Earth-Science Reviews, 99(3-4): 125-161. DOI:10.1016/j.earscirev.2010.02.004 |
Shangguan W, Dai Y J, Liu B Y, et al. 2012. A soil particle-size distribution dataset for regional land and climate modelling in China. Geoderma, 171-172: 85-91. DOI:10.1016/j.geoderma.2011.01.013 |
Shi X Z, Yu D S, Warner E D, et al. 2004. Soil database of 1:1, 000, 000 digital soil survey and reference system of the Chinese genetic soil classification system. Soil Survey Horizons, 45(4): 129-136. DOI:10.2136/sh2004.4.0129 |
Shukla J, Mintz Y. 1982. Influence of land-surface evapotranspiration on the earth's climate. Science, 215(4539): 1498-1501. DOI:10.1126/science.215.4539.1498 |
Su Z B, Wen J, Dente L, et al. 2011. The Tibetan Plateau observatory of plateau scale soil moisture and soil temperature (Tibet-Obs) for quantifying uncertainties in coarse resolution satellite and model products. Hydrology and Earth System Sciences, 15: 2303-2316. DOI:10.5194/hess-15-2303-2011 |
Sun S B, Chen B Z, Ge M Y, et al. 2016. Improving soil organic carbon parameterization of land surface model for cold regions in the Northeastern Tibetan Plateau, China. Ecological Modelling, 330: 1-15. DOI:10.1016/j.ecolmodel.2016.03.014 |
Tao S Y, Chen L X. 1987. A review of recent research on the East Asian summer monsoon in China.//Monsoon Meteorology. New York: Oxford University Press, 60-92.
|
The GLACE Team, Koster R D, Dirmeyer P A, et al. 2004. Regions of strong coupling between soil moisture and precipitation. Science, 305(5687): 1138-1140. DOI:10.1126/science.1100217 |
Walker J, Rowntree P R. 1977. The effect of soil moisture on circulation and rainfall in a tropical model. Quarterly Journal of the Royal Meteorological Society, 103(435): 29-46. DOI:10.1002/qj.49710343503 |
Wei F Y. 1999. Modern Technology of Climate Statistical Diagnosis and Prediction (in Chinese). Beijing: China Meteorological Press: 69-72.
|
Wu G X, Liu Y M, Liu X, et al. 2005. How the heating over the Tibetan Plateau affects the Asian climate in summer. Chinese Journal of Atmospheric Science (in Chinese), 29(1): 47-56. |
Wu G X, Zhang Y S. 1998. Tibetan Plateau forcing and the timing of the Monsoon onset over South Asia and the South China Sea. Monthly Weather Review, 126(4): 913-927. DOI:10.1175/1520-0493(1998)126〈0913:TPFATT〉2.0.CO;2 |
Xu X D, Shi X Y, Wang Y Q, et al. 2008. Data analysis and numerical simulation of moisture source and transport associated with summer precipitation in the Yangtze River Valley over China. Meteorology and Atmospheric Physics, 100(1-4): 217-231. DOI:10.1007/s00703-008-0305-8 |
Xue B L, Wang L, Yang K, et al. 2013. Modeling the land surface water and energy cycles of a mesoscale watershed in the central Tibetan Plateau during summer with a distributed hydrological model. Journal of Geophysical Research:Atmospheres, 118(16): 8857-8868. DOI:10.1002/jgrd.50696 |
Yang K, Koike T, Ye B S, et al. 2005. Inverse analysis of the role of soil vertical heterogeneity in controlling surface soil state and energy partition. Journal of Geophysical Research:Atmospheres, 110(D8). DOI:10.1029/2004JD005500 |
Yang K, Qin J, Zhao L, et al. 2013. A multiscale soil moisture and freeze-thaw monitoring network on the third pole. Bulletin of the American Meteorological Society, 94(12): 1907-1916. DOI:10.1175/BAMS-D-12-00203.1 |
Yang T, Chen X W, Wan W, et al. 2017. Soil moisture retrieval in the Tibetan plateau using optical and passive microwave remote sensing data. Chinese Journal of Geophysics (in Chinese), 60(7): 2556-2567. DOI:10.6038/cjg20170705 |
Ye D Z, Gao Y X. 1979. Meteorology of the Qinghai-Xizang Plateau (in Chinese). Beijing: Science Press: 316.
|
Zeng J Y, Li Z, Chen Q, et al. 2015. Evaluation of remotely sensed and reanalysis soil moisture products over the Tibetan Plateau using in-situ observations. Remote Sensing of Environment, 163: 91-110. DOI:10.1016/j.rse.2015.03.008 |
Zhang G, Chen F, Gan Y J. 2016. Assessing uncertainties in the Noah-MP ensemble simulations of a cropland site during theTibet Joint International Cooperation program field campaign. Journal of Geophysical Research:Atmospheres, 121(16): 9576-9596. DOI:10.1002/2016JD024928 |
Zheng D H, Van Der Velde R, Su Z B, et al. 2015. Augmentations to the Noah model physics for application to the Yellow River source area. Part Ⅰ:Soil water flow. Journal of Hydrometeorology, 16(6): 2659-2676. DOI:10.1175/JHM-D-14-0198.1 |
Zhu M L, Yao T D, Yang W, et al. 2015. Energy-and mass-balance comparison between Zhadang and Parlung No.4 glaciers on the Tibetan Plateau. Journal of Glaciology, 61(227): 595-607. DOI:10.3189/2015JoG14J206 |
郭飞霄, 孙中苗, 任飞龙, 等. 2019. 基于GRACE时变重力场的2003-2013年全球陆地水储量变化分析. 地球物理学进展, 34(4): 1298-1302. DOI:10.6038/pg2019CC0160 |
何杰.2011.中国区域高时空分辨率地面气象要素数据集的建立[硕士论文].北京: 中国科学院青藏高原研究所. http://ir.itpcas.ac.cn/handle/131C11/1324
|
阚宝云, 苏风阁, 童凯, 等. 2013. 四套降水资料在喀喇昆仑山叶尔羌河上游流域的适用性分析. 冰川冻土, 35(3): 710-722. |
魏凤英. 1999. 现代气候统计诊断与预测技术. 北京: 气象出版社: 69-72.
|
吴国雄, 刘屹岷, 刘新, 等. 2005. 青藏高原加热如何影响亚洲夏季的气候格局. 大气科学, 29(1): 47-56. DOI:10.3878/j.issn.1006-9895.2005.01.06 |
杨婷, 陈秀万, 万玮, 等. 2017. 基于光学与被动微波遥感的青藏高原地区土壤水分反演. 地球物理学报, 60(7): 2556-2567. DOI:10.6038/cjg20170705 |
叶笃正, 高由禧. 1979. 青藏高原气象学. 北京: 科学出版社: 316.
|