作为地球系统研究中一个重要分支的陆面过程，陆地表面状态的准确模拟对数值天气预报、气候模式评估、陆地水循环等至关重要。地表温度是陆面过程中的重要物理量之一，表征着地表热量平衡状态，是气候、生态、水文、环境等研究中的重要变量^[1-2]。在农业生产中，地表温度影响着植物的生长。在林业管理中，可以通过地表温度进行大面积的病虫害监测^[3]。地热的判别、寻找与定位，火灾的监测以及城市生态环境规划建设中都离不开地表温度的信息^[4-5]。

目前地表温度主要通过站点观测、遥感反演以及模式模拟获得。传统的地表温度观测方法是通过地面气象站进行定时定点观测，其优势在于所测地表温度代表了该站在该时刻的真值，由于地表温度观测站稀疏，卫星遥感能弥补站点观测数量的不足，但遥感反演地表温度受大气和混合像元等影响较大^[6]。具有物理过程和动力学机制的陆面过程模拟是获取长时间序列、高时空分辨率地表信息的主要手段，陆面过程模拟的地表温度可以保证地表温度在时间和空间上的连续性。当然，陆面过程模拟研究中也存在一些难点，如陆面的不均匀性、地表覆盖的多样性、陆面过程参数化的困难等等^[7-9]。

辛羽飞等^[10]运用Colm模式对典型干旱区张掖站和青藏高原区安多站进行了陆面过程模拟，得到Colm模式在典型干旱区绿洲灌溉农业区模拟地表温度与观测值相关系数为0.885，均方差为0.873。刘少峰等^[11]利用通用陆面过程模式CLM对东亚地区3种典型下垫面，高原稀疏植被下垫面、森林和水田进行了模拟，结果表明：在高原稀疏植被下垫面中，CLM模式可以较好地模拟出地表温度日变化趋势，但模拟结果的峰值要远小于观测，说明CLM对高原地区较大的地表温度日较差的模拟能力还有待提高。陈莹莹等^[12]利用全球陆面数据同化系统(GLDAS)的软件平台——陆面信息系统(LIS)模拟了中国区域陆表能量通量的各分量，使用MODIS地表温度产品与GLDAS的地表温度进行对比，结果显示：两类地表温度的差值为-5~5 K，两类地表温度的散点图和标准离差显示GLDAS的夜间地表温度比白天地表温度精确2~3 K。孟现勇等^[13]利用CLDAS对CLM3.5模式在新疆地区的土壤温度进行评估，发现5 cm土壤温度在夏季差异最大，7月最大差异约5 K。

本文利用中国气象局陆面数据同化系统(China Meteorological Administration Land Data Assimilation System，CLDAS)2.0版本大气强迫数据驱动CLM3.5模式以及Noah-MP模式的3种参数化方案，其中Noah-MP不同参数化方案配置的选择从是否考虑动态植被以及不同辐射传输两个角度出发，并利用国家气象信息中心制作的2009—2013年地表温度站点观测数据集^[14]对模拟的地表温度进行验证，分析不同模式模拟的地表温度在中国区域的适用性，为制作地表温度业务产品提供参考。

许多研究^[15-18]表明，陆面过程模拟的准确度仍依赖于大气强迫场。国家气象信息中心开发了CLDAS陆面数据同化系统，利用数据同化和融合技术，将地面观测数据、卫星观测产品、数值分析/预报产品等进行多源数据融合，从而获取高质量的气温、气压、湿度、风速、降水和辐射大气驱动数据，用其驱动陆面过程模型，获得土壤湿度、土壤温度、地表温度等陆面变量^[19-20]。CLDAS V2.0大气驱动数据包括了近地面的气温、气压、湿度、风速、降水和短波辐射6个要素^[21]，其中，气温、气压、湿度、风速这4个要素是基于多重网格同化分析方法(Space and Time Mesoscale Analysis System，STMAS)^[22]，以ECMWF欧洲中期天气预报产品为背景场，将中国气象局业务布设的4万多个国家级和区域自动气象站的逐小时地面观测数据进行融合；降水驱动数据采用概率密度匹配(PDF)方法对美国CMORPH(Climate Prediction Center morphing method)降水产品进行系统性偏差订正，然后使用最优插值(OI)方法将订正后的CMORPH降水与中国区域4万多个国家级和区域自动气象站的逐小时降水观测数据进行融合^[23]，并拼接国家气象信息中心业务运行的多卫星集成降水产品(EMSIP)^[24]；辐射驱动数据是基于FY-2C/E卫星的5 km可见光通道观测数据，使用离散坐标法DISORT(Discrete Ordinate Method for Radiative Transfer)^[25-26]得到逐小时短波辐射数据集。CLDAS V2.0中陆面模式采用的是CLM3.5，CoLM，Noah-MP，CLDAS V2.0的大气驱动数据和模式产品的水平分辨率是0.0625°×0.0625°，时间分辨率是1 h^[21]。

通用陆面模式CLM是由多个科研单位借鉴、吸收了LSM，BATS，IAPS等优势，包含地表径流、植被动力学及生物物理化学过程等陆表过程，同时还涉及到植被、土壤、冻土、湿地和湖泊等参数化过程，其中CLM3.5陆面模式将地表覆盖分为17类，其陆面的空间非均匀性通过嵌套次网格的方法实现^[27-28]。

Noah-MP陆面模式是在Noah陆面模式基础上发展起来的，目前已经广泛应用于陆面过程模拟研究中，Noah-MP模式的特色在于该模式针对动态植被、径流、地下水等多个物理过程选项，可以提供上千种参数化方案组合，用户可以根据自己需求进行配置，其地表覆盖采用的是USGS分类系统，将地表覆盖分为24类^[29-30]。

为了模拟出高时空分辨率的地表温度，陆面模式选择至关重要。因此，本文对地表温度的模拟设置不同试验方案。使用CLM3.5陆面模式进行地表温度的模拟试验，记为CLM。选择3种参数化方案的Noah-MP陆面模式，其中，在非动态植被情况下，考虑植被覆盖度的二流近似辐射传输方案的Noah-MP陆面模式地表温度的模拟试验，记为Noah-MP1；在动态植被情况下，考虑太阳高度角和植被三维结构的二流近似辐射传输方案的Noah-MP陆面模式地表温度的模拟试验，记为Noah-MP2；在非动态植被情况下，考虑太阳高度角和植被三维结构的二流近似辐射传输方案^[31]的Noah-MP陆面模式地表温度的模拟试验，记为Noah-MP3。

本文所使用的地表温度观测数据来源于国家气象信息中心所制作并提供服务的“中国国家级地面气象站基本气象要素定时值数据集(V3.0)”，该数据集主要基于基础气象资料建设工作组归档的1951—2010年中国2474个国家级地面站数据更正后的月报数据文件(A0/A1/A)基础数据集制作而成^[14]。其中本文选取了中国区域内2009—2013年连续观测的2406个定时观测数据。

本文分别将00：00，06：00，12:00和18:00(世界时)、日平均和月平均模拟的地表温度采用双线性插值方法插值到2406个地表温度国家级观测站，从时间序列和空间分布两个角度将模式模拟的地表温度与观测站观测数据进行比较，并采用偏差、均方根误差和相关系数3个统计指标进行评估。

对2009—2013年模式模拟的地表温度分别计算春、夏、秋、冬的多年季节平均，本文只给出了Noah-MP2的季节平均空间分布(图 1)，由地表温度的空间分布可以看到，模式能够很好地表现出地表温度的季节性变化、随地形的变化以及从南到北地表温度逐渐变低的空间分布特征。其中，夏季的地表温度总体上较高，尤其是我国东部和新疆塔克拉玛干沙漠地区，与青藏高原的地表温度有明显差异；冬季东北、新疆北部以及青藏高原的西部地表温度较低，而我国华南地区地表温度则相对较高。春秋两季地表温度相近。同时，模式模拟的地表温度呈现出随纬度和高程的升高而降低的趋势，青藏高原地区和东北、新疆等地地表温度较其他区域低，沙漠地区和我国华南、东南地区地表温度相对较高。

图1

图1 Noah-MP2模拟地表温度季节平均的空间分布 Fig.1 The spatial distribution of ground temperature simulated by Noah-MP2 in the seasonal average

图 2给出了2009—2013年模式模拟的地表温度与站点观测日平均值偏差。由图 2可以看到，模式模拟的地表温度偏差与观测偏差均呈现出东北地区和新疆地区的偏差大于其他地区，且东北地区一直为负偏差，这与东北和新疆地区纬度较高，冬季常有积雪，春夏积雪融化，地表温度季节变化较大有关。模式模拟的地表温度，在华北地区为正偏差，而在华南和江淮地区为负偏差。由图 3偏差统计可以看到，模式模拟的地表温度与观测偏差均较小。其中，Noah-MP3存在明显低估，92.67%的站点偏差小于0℃，67.90%的站点偏差为-2~1℃，CLM3.5模拟的地表温度偏差78.35%为-2~1℃，而Noah-MP1，Noah-MP2模拟偏差为-2~1℃的站点比例超过80%。

图2

图2 模拟地表温度与观测日平均值偏差分布 Fig.2 Bias between the simulated and the observed daily average ground temperatures

图3

图3 模拟地表温度与观测日平均值偏差统计直方图 Fig.3 The statistics histogram of bias between the simulated and the observed daily average ground temperatures

图 4给出了模式模拟的地表温度与站点观测日平均值均方根误差的空间分布。由图 4可以看到，模式模拟的地表温度在东北地区和新疆地区的均方根误差明显大于其他地区的均方根误差，在东部地区效果较好。Noah-MP1在华北地区、江淮地区和华南地区对应站点的均方根误差较小，多为1~3℃，CLM和Noah-MP3模拟的地表温度在东部地区均方根误差空间分布相似，在华北地区效果较好，均方根误差为1~3℃，但其他区域的均方根误差偏高。相比之下，Noah-MP2模拟的效果最好，在华北、江淮以及华南地区大部分站点的均方根误差为1~2℃。对于青藏高原地区，除Noah-MP3外，其他模式模拟的地表温度均方根误差为2~4℃，而Noah-MP3的均方根误差为3~6℃。

图4

图4 模拟地表温度与观测日平均值均方根误差分布 Fig.4 Root mean square error between the simulated and the observed daily average ground temperatures

图 5为模式模拟的地表温度与站点观测日平均均方根误差的统计直方图，其中CLM3.5模拟的地表温度均方根误差为1~3℃的占77.73%，为3~6℃的占19.31%，均方根误差超过6℃的仅占2.96%。对于Noah-MP3，64.53%站点均方根误差为1~3℃，29.67%站点均方根误差为3~6℃，均方根误差超过6℃的站点占5.8%，较CLM3.5模式差。对于Noah-MP1和Noah-MP2而言，均方根误差为1~3℃的站点数占80%以上，其中Noah-MP2最好，站点比例能达到87.26%。

图5

图5 模拟地表温度与观测日平均值均方根误差分布的统计直方图 Fig.5 The statistics histogram of root mean square error between the simulated and the observed daily average ground temperatures

从偏差和均方根误差空间分布可以看到，东北和新疆地区模拟的地表温度与站点观测的差异较大。因此，为进一步分析东北和新疆地区的模拟的地表温度与站点观测差异的原因，本文计算了不同季节模式模拟的地表温度与站点观测的偏差的空间分布，因篇幅所限，本文只给出了Noah-MP2偏差的四季空间分布(图 6)。总体上，东北和新疆地区在冬季的偏差大于其他季节，东北和新疆地区在冬季常有积雪，按照《地面气象观测规范》，在北方有积雪时，观测的地表温度不能表现真实的地表温度，因为有积雪时，自动气象站观测地表温度是雪下温度^{[14, 32]}，这可能是造成东北与新疆地区地表温度模式模拟结果与站点观测差异较为明显的原因之一。

图6

图6 Noah-MP2模拟地表温度与观测日平均值季节性偏差分布 Fig.6 The seasonal bias between the simulated by Noah-MP2 and the observed daily average ground temperatures

使用CLDAS-V2.0大气强迫数据驱动陆面模式可以获得逐小时的地表温度，本文从与站点定时观测相匹配的00：00，06：00，12：00及18：00(世界时，下同)定时观测、日平均和月平均角度进行评估。

将模式模拟的地表温度分别双线性内插到2406个站点上，与站点定时观测(00:00，06:00，12:00，18:00)的地表温度进行比较，分别计算2406个站点4个时次站点观测与模式模拟的地表温度偏差的平均值，并给出了偏差的时间序列变化(图 7)。00：00 CLM3.5，Noah-MP1，Noah-MP3模拟的地表温度偏差随季节性变化较大，夏季和冬季为负偏差，春季和夏季为正偏差。而Noah-MP2除冬季外基本表现为正偏差，春、夏、秋3个季节的偏差为0~1.5℃，偏差随季节的变化相对较小。06：00模拟的地表温度均呈负偏差，偏差的季节性变化较明显，Noah-MP2相对较好，偏差为-6~0℃，CLM3.5，Noah-MP1，Noah-MP3随季节变化浮动很大，其中Noah-MP3效果较差，尤其是在夏季，最大偏差为-13℃。12：00，模式模拟的地表温度的变化趋势较为一致，基本保持在-2~3.5℃，其中，Noah-MP1，Noah-MP2对地表温度的模拟呈正偏差(0~3℃)，Noah-MP1的偏差略低于Noah-MP2，而CLM3.5，Noah-MP3在冬季和夏季呈负偏差，春秋两季则为正偏差，Noah-MP3的偏差略低于CLM3.5。18:00 CLM3.5，Noah-MP3和Noah-MP1表现出季节性变化，而Noah-MP2在冬季较差，存在-2.5~0℃的负偏差，在春、夏、秋3个季节基本呈0~1.5℃的正偏差。其中，Noah-MP3在夏季和冬季均呈相对较大的负偏差，最大达-3.5℃。从定时观测的4个时刻的偏差可以看到，06:00模式模拟地表温度的偏差最大，尤其是在夏季，而此时太阳辐射较为强烈，地表温度受太阳辐射影响也会升高，模式模拟的地表温度均呈较大的负偏差，孟现勇等^[13]在研究模式模拟的土壤温度时，同样发现浅层土壤温度12：00偏差最大，模式对于受太阳辐射影响较小的深层土壤温度的模拟优于浅层土壤温度。

图7

图7 模拟地表温度与观测偏差 Fig.7 Bias between the simulated and the observed ground temperatures

计算模式模拟的地表温度日平均值并插值到2406个站点上，同时计算2406个站点观测的日平均值，并给出2009—2013年站点观测与模式模拟的地表温度的2406个站点求平均后的日平均序列图(图 8)。由图 8可以看到，模式模拟的地表温度日平均值都能很好地反映地表温度的季节性变化与年际变化，同时与站点观测吻合较好，但模式模拟的地表温度基本为低估。

图8

图8 2009—2013年模拟地表温度与观测日平均值 Fig.8 The simulated and the observed daily average ground temperatures from 2009 to 2013

本文对模式模拟的地表温度日平均值与站点观测日平均值进行比较，计算二者之间的偏差、均方根误差和相关系数并给出相应的时间序列图(图 9)。由图 9可以看到，模式模拟的地表温度均能够反映出地表温度日平均值的季节性变化与年际变化，各个模式都是在夏季相对较差，冬季效果略好于夏季，春秋两季效果较好。由偏差(图 9a)看，模式模拟的地表温度在时间序列基本为负偏差。具体而言，Noah-MP3在夏季存在明显低估，偏差基本都超过-2.5℃，Noah-MP1偏差为-2~0℃，CLM3.5除秋季外，其他季节与Noah-MP1模拟效果相当，Noah-MP2随季节变化相对稳定，偏差为-1~0.5℃。由均方根误差(图 9b)看，模式模拟的地表温度在冬季均方根误差较大，Noah-MP1，Noah-MP3和CLM3.5在夏季均方根误差较大，三者相比之下Noah-MP3又略差，甚至大于5℃；表现最好的是Noah-MP2，春、夏、秋3个季节的均方根误差1.5~3℃，其中夏季相对较大。由相关性(图 9c)看，模式模拟的地表温度都是在春秋两季较好，达到0.9以上，而冬季和夏季相对较差，尤其是Noah-MP3，CLM3.5和Noah-MP1在夏季的相关系数仅为0.8~0.9，Noah-MP2在冬季的相关性表现情况略逊于其他季节，部分时段相关系数低于0.85。

图9

图9 模拟地表温度与观测日平均值比较 (a)偏差，(b)均方根误差，(c)相关系数 Fig.9 Comparisons between the simulated and the observed daily average ground temperatures (a)bias, (b)root mean square error, (c)correlation coefficient

将模式模拟的地表温度月平均值插值到2406个站点，同时计算2406个站点观测的月平均值，计算2406个站点模式模拟的地表温度与站点观测的月平均的偏差、均方根误差和相关系数(图 10)。由图 10可以看到，模式模拟的地表温度能够较好反映月平均地表温度的季节变化和年际变化。由偏差(图 10a)看，除CLM在2010年、2011年和2013年的秋冬两季存在高估现象，其他模式模拟的地表温度均为低估。其中，Noah-MP3模拟结果月平均值效果较差，尤其是在夏季偏差较大，低估2~3.5℃，而Noah-MP2较好，浮动较小，除2013年冬季有较大的负偏差，其他季节偏差为-1~0℃，CLM3.5和Noah-MP1效果相当，偏差为-2~0.5℃。由均方根误差时间序列(图 10b)看，Noah-MP3在夏季和冬季均方根误差较大，其他模式模拟的地表温度在冬季均方根误差较大，在春、夏、秋3个季节，Noah-MP2模拟效果较好，CLM3.5和Noah-MP1较为接近。由相关性(图 10c)看，Noah-MP3在夏季和冬季相关性较差，同样Noah-MP1和CLM3.5在冬季相关性较差，效果较好的是Noah-MP2，较为稳定，总体上讲，模式模拟的地表温度与站点观测月平均值相关性较好，相关系数超过0.86。

图10

图10 模拟地表温度与观测月平均值比较 (a)偏差，(b)均方根误差，(c)相关系数 Fig.10 Comparisons between the simulated and the observed monthly average ground temperatures (a)bias, (b)root mean square error, (c)correlation coefficient

从定时、日平均、月平均的时间序列上看，模式模拟的地表温度的季节变化较为明显，但基本为低估，其中Noah-MP2相对稳定，Noah-MP3变化较大。2002年开始，我国开始使用地面自动观测系统取代人工观测，自动气象站观测采用的是铂电阻地温传感器，按照《地面气象观测规范》规定，地表温度传感器是放在一个地段面积为2×4 m²的裸地上，要求该地段地表疏松、平整且无草^[33]。因此，站点观测的地表温度是该地段的裸地地温，同时自动气象站观测比人工观测地表温度全国日平均值偏高^[14]。对于模式模拟的地表温度，输出的变量是裸地地表温度，但其参数化过程中在对应的格点上还是受地表覆盖类型的影响，同时CLM3.5与Noah-MP所采用的地表覆盖数据也不同，这就造成模式间以及模式模拟的地表温度与站点观测存在一定的偏差。同时，对于不同的地表覆盖类型，其吸收和转化太阳辐射的能力不同，其中植被覆盖的光合作用能够减弱太阳辐射的热效应，将大量光能富集转化为其他能，因此，可降低地表温度^[34]，这可能是模式模拟的地表温度出现低估的原因。

同时还可以看到，模式模拟的地表温度在春季与秋季效果较好，而对于夏季与冬季的模拟情况则较差，其中Noah-MP2在夏季较其他3个模拟试验效果好，冬季模式模拟的地表温度与站点相比效果都较差，这说明模式对于冷时段和暖时段地表温度的模拟仍需改进。

本文选用CLM3.5和Noah-MP陆面模式，其中Noah-MP参数化的选择，从是否考虑动态植被和两种不同的辐射传输两个角度对Noah-MP进行配置，以CLDAS V2.0作为大气强迫数据，利用2009—2013年中国区域国家级地面观测站的地表温度对模式模拟的地表温度进行评估，同时对比了Noah-MP模式不同参数化方案对地表温度的模拟情况，得到以下结论：

1) 由模式模拟的地表温度四季空间分布看，模式模拟的地表温度都能够较好地表现出地表温度的季节性变化，随地形以及由低纬度到高纬度地区逐渐降低的特征。

2) 由模式模拟的地表温度与站点观测的时间序列看，模式模拟的地表温度均呈季节性变化，并存在低估现象，春季与秋季偏差较小，但冬季与夏季两个冷暖时段时负偏差较大，这可能与地面观测为裸地的地表温度，而模式模拟的地表温度受对应格点的地表覆盖类型的影响所致。

3) 由模式模拟的地表温度与站点观测的偏差和均方根误差空间分布看，模式模拟的地表温度东部地区优于西部地区，但东北地区与新疆地区的效果较差，而模式模拟的地表温度对应的高程信息与观测的实际高程的差异对于结果分析也有一定影响；同时从冬季偏差空间分布可以看到，东北和新疆地区效果差可能与冬季东北与新疆地区有积雪且冬季自动气象站观测的地表温度不能真实表现实际地表温度有关，因此，在订正该区域的地表温度站点观测时，可以考虑通过模式模拟的地表温度作为参考。

由Noah-MP不同参数化方案模拟的地表温度结果可以看到，采用考虑动态植被参数化方案的Noah-MP2较为稳定，比其他试验模拟的地表温度效果好，尤其是夏季。其次效果较好的是考虑植被覆盖度的辐射传输的Noah-MP1。而CLM3.5和Noah-MP的默认方案模拟则水平相当，可以看到Noah-MP采用动态植被方案能够提高地表温度的模拟，而不同的辐射传输对于地表温度的模拟也有影响，这对于使用陆面模式模拟高精度的地表温度格点化产品具有重要的借鉴意义。