高原气象

高原气象 >

2020 , Vol. 39 >Issue 1: 37 - 47

DOI: https://doi.org/10.7522/j.issn.1000-0534.2019.00003

论文

中国北部积雪区冬季地表温度和2 m气温再分析数据评估

  • 单帅 , 1, 2 ,
  • 沈润平 , 1 ,
  • 师春香 2 ,
  • 白磊 3, 4 ,
  • 孙帅 2
展开
  • 1. 南京信息工程大学 地理科学学院, 江苏 南京　210044
  • 2. 国家气象信息中心, 北京　 100081
  • 3. 武汉理工大学智能交通系统研究中心, 武汉 湖北　430070
  • 4. 武汉理工大学航运学院, 武汉 湖北;430070
沈润平（1963 -）， 男， 江西湖口人， 教授， 主要从事陆面过程遥感与模拟研究. E-mail:

单帅（1994 -）， 男， 山东枣庄人， 硕士研究生， 主要从事遥感与陆面过程模拟研究. E-mail:

收稿日期: 2018-07-24

  修回日期: 2019-01-07

  网络出版日期: 2020-02-28

基金资助

国家自然科学基金项目(91437220)

国家重点研发计划项目(2018YFC1506601)

公益性行业（气象）科研专项(GYHY201506002)

中国气象局“气象资料质量控制及多源数据融合与再分析”项目

中央高校基本科研业务费专项资金(2019IVA103)

收起

Evaluation of Land Surface Temperature and 2 m Air Temperature fromFive Reanalyses Datasets across North China in Winter

  • Shuai SHAN , 1, 2 ,
  • Runping SHEN , 1 ,
  • Chunxiang SHI 2 ,
  • Lei BAI 3, 4 ,
  • Shuai SUN 2
Expand
  • 1. School of Geographic Sciences, Nanjing University of Information Science & Technology, Nanjing　210044, Jiangsu, China
  • 2. National Meteorological Information Center, Beijing　 100081, China
  • 3. Intelligent Transportation Systems Research Center, Wuhan University of Technology, Wuhan　 430070, Hubei, China
  • 4. School of Navigation, Wuhan University of Technology, Wuhan　 430070, Hubei, China

Received date: 2018-07-24

  Revised date: 2019-01-07

  Online published: 2020-02-28

Fold

本文亮点

利用2011 -2016年冬季中国东北内蒙古及北疆地区251个站点逐日0 cm地表温度和2 m气温数据, 对ERA5、 MERRA2、 JRA55、 CRA-interim和CFSR五套再分析数据的地表温度和气温进行评估, 并使用MOD10C1对有无积雪覆盖时地表温度的偏差进行了分析。结果表明, 再分析气温的精度较高, 各再分析气温的整体偏差分布在-1~1 ℃, 北疆地区适用性稍差; 再分析地表温度精度明显降低, 除ERA5整体偏差为-0.34 ℃外, 再分析地表温度表现为明显低估; 再分析地表温度的偏差与土地利用类型有关, 林地地区的地表温度冷偏差最大, 草地地区偏差最小; 再分析地表温度在有雪时低估更为严重, 林地和耕地地区表现明显; 相对于地表温度偏差本身, 积雪的影响不大, 陆面模式对于积雪区冬季林地地区的模拟亟待提高。

本文引用格式

单帅 , 沈润平 , 师春香 , 白磊 , 孙帅 . 中国北部积雪区冬季地表温度和2 m气温再分析数据评估[J]. 高原气象, 2020 , 39(1) : 37 -47 . DOI: 10.7522/j.issn.1000-0534.2019.00003

Highlights

Using daily land surface temperature and 2 m air temperature in situ observations across northern China during 2011 -2016 in winter, The reanalysis detests of ERA5, MERRA2, JRA55, CRA-interim and CFSR are evaluated, the bias of land surface temperature with and without snow condition are discussed based on MOD10C1.The results are shown that: (1) The applicability of five reanalyses air temperature is good, especially in northeastern China.The overall Bias of air temperature in 5 reanalyse datasets are under 1 ℃.The land surface temperature perform obvious cold bias, except that ERA5 perfomed an overall bias of -0.34 ℃; (2) There are correlations of land surface temperature bias and land cover, reanalyses do bad in forest area in simulating land surface temperature, while good in grass area.And the cold bias of land surface temperature with snow cover is greater than that without snow cover in cultivated area and forest area.(3) Compared with the bias numerical value of land surface temperature itself, snow affect the land surface temperature simulating slightly, we should focus on improving the simulation in forest area.

1 引言

地表温度和气温是地气相互作用研究中的重要变量。地表温度是衡量陆地圈和大气圈之间能量交换的重要表征（黄芳芳等, 2016）, 是国际地圈和生物圈计划（InternationaI Geosphere Biosphere Programme, IGBP）的重要参数（李召良等, 2016）。在气候研究中, 2 m气温是各种植物生理、 水文、 气象、 环境等领域中研究的重要因子（韩秀珍等, 2012; 韦志刚, 2019）。中国气象局地面气象观测网络包含站点已超过6万个, 但观测网络空间分布不均匀（东多-西少）, 观测时间不连续或间隔大（如部分自动站冬季不观测降水和土壤湿度）。随着计算技术和遥感技术的发展, 遥感反演和数值模式模拟的地表温度和气温能在一定程度上解决上述问题（白庆梅等, 2010; 高路等, 2014; 刘进军等, 2018; 李强等, 2010; 张磊等, 2018; 张晓美等, 2009; 沈润平等, 2019）。但遥感产品和模式产品在不同地区的适用性问题仍需注意。
目前, 成熟的再分析数据有欧洲中期数值预报中心（ECMWF, European Centre for Medium-Range Weather Forecasts）研制的ERA-interim和ERA40, 美国国家环境预报中心（NCEP, National Centers for Environmental Prediction）和国家大气研究中心（National Center for Atmospheric Research, NCAR）共同研制的NCEP/NCAR, NCEP和能源部（DOE, Department of Energy）共同研制的NCEP/DOE、 美国航空航天局（NASA, National Aeronautics and Space Administration）研制的MERRA、 日本气象厅（JMA, Japan Meteorological Agency）研制的JRA55、 NCEP研制的CFSR等。白磊等(2013)、 丁旭等（2018）、 高路等（2014）、 黄芳芳等（2016）、 李强等（2010）、 刘川等（2015）、 谢潇等（2011）、 徐婷等（2015）、 张晓美等（2009）、 赵天保等（2004, 2009）和朱智等（2015）对再分析资料进行的评估中发现, 中国地区NCEP/NCAR数据2 m月平均气温在夏季优于冬季（赵天保等, 2004）。再分析数据的可信度一般表现为东部地区好于西部地区, 低纬地区好于高纬地区（谢潇等, 2011）。
已有的评估结果说明再分析数据的偏差有明显的空间和时间分布特征。区域尺度上, 在天山山区、 中亚地区和青藏高原, ERA-interim气温好于NCEP/NCAR、 CFSR和NCEP/DOE气温, ERA-interim土壤温度优于其他再分析资料（白磊等, 2013; 刘川等, 2015; 徐婷等, 2015）。然而第四代全球大气再分析数据ERA5还未在中国区域进行评估。
积雪通过高反照率和低导热性直接影响土壤与大气能量交换和冻融过程（马丽娟等, 2010; 杨忠臣等, 2007）。孙帅等(2017)、 谢潇等(2011)、 赵天保等(2004, 2009)和朱智等（2015）利用再分析数据在季节尺度上进行评估, 认为冬季偏差大, 但是未细致分析影响偏差的因素。在全球模式中, 气温是大气模式近地表层诊断出的变量, 而地表温度是陆面模式表层变量。因此, 评估积雪覆盖条件下地表温度和2 m气温, 有助于改进陆面过程模式中能量传输方案。
本文选取中国北部稳定积雪区（新疆北疆和中国东北-内蒙古地区）作为研究区, 评估2011 -2016年冬季5套再分析数据地表温度和2 m气温, 并分析不同积雪覆盖条件下地表温度偏差的差异, 为再分析数据在积雪区的使用和陆面过程参数化方案的改进提供依据。

2 研究资料与处理方法

2.1　站点观测资料

2011 -2016年的0 cm地表温度和2 m气温的观测数据由中国气象数据网（http: //data.cma.cn/）下载, 选自《中国地面气候资料日值数据集（V3.0）》。提取数据集中0 cm土壤温度和2 m气温逐日4次与再分析分析场匹配的观测（00:00， 06:00， 12:00和18:00, 世界时, 下同）求取日平均值。定义冬季3个月为当年12月至次年2月, 参考对我国积雪区划分的研究（胡列群等, 2013; 李培基, 1988; 王澄海等, 2009; 张廷军等, 2014）, 将中国东北、 内蒙东部及北疆地区作为研究区, 选用251个连续观测站点的0 cm日平均土壤温度和2 m日平均气温, 即6年冬季共542天251个站点上的观测数据用于评估再分析。将土地利用类型和高程作为底图绘制研究区及站点分布（图1, 该图及文中所涉及的地图是基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2016）1766的世界地图制作, 底图无修改）。
图1 观测站点分布

Fig.1 Spatial distributions of observation station

2.2　再分析资料

随着各国对地观测系统的发展, 新的卫星和传感器可以提供更多的观测数据, 再分析制备的方法和使用的系统也在不断升级和发展。近几年, ECMWF推出ERA5（Hersbach et al, 2016）; NASA推出MERRA2（Gelaro et al, 2017）; 中国气象局（China Meteorological Administration, CMA）也在研制中国的第一套再分析产品CRA-40（CMA's Global Atmospheric ReAnalysis 40 years）（王旻燕等, 2018）, CRA-interim是中间试制产品。
使用的再分析资料分别为ERA5(https: //www.ecmwf.int/en/forecasts/datasets/archive-datasets/browse-reanalysis-datasets)、 MERRA2(https: //disc.gsfc.nasa.gov/datasets?keywords="MERRA-2"&page=1&source=Models%2FAnalyses%20MERRA-2)、 JRA55(ftp: //ds.data.jma.go.jp/)、 CRA-interim(http: //data.cma.cn/)和CFSv2(https: //rda.ucar.edu/datasets/ds094.0/#description)（Saha et al, 2014）, 因为CFSv2的制作主要是为了延续CFSR的服务, 因此后文中将CFSv2也称作CFSR。各再分析资料的简要介绍见表1所示。
表1 使用的再分析数据简介

Table 1 Brief introduction to the reanalysis datasets used in this paper

数据名称 制作单位 时间 分辨率 数据分辨率 同化方法
ERA5 ECMWF 1950年至今 T639(~31 km) 0.31°×0.31° 4DVar
MERRA2 NASA 1980年至今 1/2°×2/3° 1/2°×2/3° 3DVar
JRA55 JMA 1958年至今 T319(~55 km) 1.25°×1.25° 4DVar
CRA-interim CMA 2007 -2016年 T574(~34 km) 0.34°×0.34° 3DVar
CFSv2 NCEP 2011年至今 T126(~100 km) 0.2°×0.2° 3DVar
由于ERA5提供的地表面温度代表的是土壤、 雪、 冰等陆地上表面和大气交界处的温度, 并不是0 cm地表温度。因此选取在日尺度上与0 cm土壤温度相差很小的浅表层土壤温度与之进行对比和评估, 其他再分析资料也优先选择浅表层土壤温度。另外, JRA55的陆面模块将土壤分为一层, 仅仅提供土壤层平均温度和地表温度, 在此则选择地表温度与观测0 cm地表温度进行对比。与观测2 m气温和0 cm地表温度做对比再分析变量见表2所示。自动站观测0 cm地表温度的探元是贴在0 cm土壤表面的, 对于浅表层土壤温度来说, 白天该层土壤层上表面比下表面温度稍高, 晚上则上表面比下表面稍低。在日尺度上, 浅表层土壤的平均温度和0 cm地表温度相差不大, 理论上是可以进行比较的。
表2 评估变量简介

Table 2 Introduction to variables in reanalysis datesets

再分析数据 地表温度 土壤层位置 气温 高度
ERA5 第一层土壤温度 0~0.07 m 气温 2 m
MERRA2 第一层土壤温度 0~0.10 m 气温 2 m
JRA55 地表面温度 陆地或水体表面 气温 2 m
CRA-interim 第一层土壤温度 0~0.10 m 气温 2 m
CFSR 第一层土壤温度 0~0.10 m 气温 2 m
选取4个时刻（00:00, 06:00, 12:00, 18:00）的再分析分析场资料, 取均值得到日平均地表温度和日平均气温, 使用双线性插值方法将格网数据插值到站点与对应观测作对比。

2.3　积雪数据及土地覆盖类型数据

积雪覆盖数据使用MOD10C1/Terra（https: //earthdata.nasa.gov/）, 该数据空间分辨率为0.05°（约5 km）, 气候模拟网格（CMG）单元中积雪覆盖的土地的百分比由MODIS积雪日报L3全球500 m网格（MOD10A1）数据集中的积雪观测数据计算（Hall et al, 2016）。使用最邻近像元法取得站点位置MOD10C1的积雪覆盖度, 用于分析有雪和无雪时地表温度的差别。
土地利用数据来源于中国科学院资源环境科学数据中心（RESDC, http: //www.resdc.cn/data.aspx?DATA-ID=99）, 基于Landsat系列卫星数据制作的1 km分辨率土地利用数据。用地类型包括耕地、 林地、 草地、 居民地和未知用地6个一级类型及25个二级类型, 时间为自1980年每5年一期（Liu et al, 2014）。高程数据来源于GTOP30高程数据集, 空间分辨率为1 km（http: //www1.gsi.go.jp/geowww/globalmap-gsi/gtopo30/gtopo30.html）, 选用2015年土地利用数据、 高程数据与气温和地表温度偏差的空间分布进行对比和分析。

2.4　评估指标

使用的指标为偏差Bias（平均误差）和Pearson相关系数r, 即:
B i a s = 1 n ∑ i = 1 n x i - o i,
r = 1 n - 1 ∑ i = 1 n x i - x ¯ y i - o ¯ σ x σ o,
式中: n代表样本个数; x为再分析数据的数值; o为要素观测值; σ为标准差。Bias反应两组数据平均的偏离程度, 当Bias<0时为冷偏差, Bias>0为暖偏差。Pearson相关系数反应两组数据的线性相关程度, 数值在[-1, 1]之间, 1表示完全线性正相关, -1表示完全线性负相关。

3 结果与讨论

3.1　气温

3.1.1　偏差的空间分布

从再分析资料气温与站点观测值偏差的空间分布（图2）中可以看出, 5套再分析资料冬季日平均气温在东部均有较好的表现, 东北内蒙地区的误差基本上均匀分布在-2~2 ℃之间, 北疆地区表现稍差。北疆地区, MERRA2和JRA55在北疆中部的站点上表现明显偏暖, MERRA2正偏差普遍在4 ℃以上; ERA5偏差的标准差最小, 偏差分布在 -2~2 ℃之间; CRA-interim和CFSR在北疆地区偏差分布相近, 偏差在-4~4 ℃之间。研究区内ERA5、 MERRA2、 JRA55、 CRA-interim和CFSR气温的整体偏差分别为-0.06, -0.24, 0.20, -0.82和-0.44 ℃。ERA5在东北内蒙和北疆地区都保持很小的偏差和偏差的标准差, 表现最好。JRA55除了北疆中部表现偏暖外, 其他地区均值较小, 表现比ERA5稍次。再分析气温在研究区冬季均取得低于1 ℃的偏差, 适用性较好, 尤其是东北内蒙地区。
图2 再分析气温站点偏差的空间分布(单位： ℃)

Fig.2 Spatial distributions of bias in situ station of reanalysis air temperature.Unit： ℃

再分析气温的偏差在东北内蒙地区和北疆的分布型不同, 东北地区偏差整体小且偏差的标准差小, 北疆偏差稍大且偏差的标准差大。东北内蒙地区的山脉主要有大兴安岭、 小兴安岭和长白山, 大兴安岭和小兴安岭地区的站点较少, 东北平原和长白山地区的站点较多。东北内蒙地区气温的偏差较小, 与高程变动小地形简单有关。北疆地区出现较大偏差的站点主要分布天山地区的北侧, 再分析数据的分辨率较粗, 无法体现气温空间分布的细节。对于再分析气温, 地形的影响在高程变动剧烈的地区影响大, 在这些地区, 应提高模式分辨率或使用气温直减率做订正。

3.1.2　偏差时间分布

从再分析资料气温及气温偏差冬季多年平均的时间序列（图3）中可以看出, 再分析气温时间曲线与观测的时间曲线整体吻合, 但是不同再分析气温在不同时段偏离观测。ERA5气温偏差分布在-0.26~0.16 ℃之间; MERRA2气温偏差分布在-1.0~0.74 ℃之间; JRA55气温偏差在12月前半月为负, 之后时间内基本为正, 偏差分布在-0.26~0.16 ℃之间; CRA-interim和CFSR气温偏差基本为负且负偏差逐渐增大, 由初期的0.2 ℃逐渐降低到-1.5 ℃。
图3 冬季再分析日平均气温及气温偏差多年平均的时间序列(12月1日至次年2月28日)

Fig.3 Time series of muti-year mean bias of reanalysis air temperature and air temperature’s bias in winter (from 1 December to 28 February the next year)

研究区冬季ERA5偏差最小且偏差的标准差最小, 表现最佳, 其他在分析气温也取得较小的偏差, 但在时间分布上各有特点。MERRA2稍偏冷, JRA55冬季中期后期偏暖相对明显。CRA-interim和CFSR表现相似, 冷偏逐渐加重。但再分析气温整体取得小于1 ℃的偏差。

3.2　地表温度

3.2.1　地表温度偏差的空间分布

从地表温度偏差的空间分布（图4）中可以看出, 不同再分析地表温度偏差的空间分布差异很大。ERA5在东北内蒙地区偏差为正, 其他再分析地表温度偏差基本为负。再分析地表温度负偏差在东北内蒙地区的东半部地区大于西半部地区, ERA5偏差基本为正而表现为东半部地区的暖偏差小于西半部, 北疆地区地表温度整体偏差较小, 但标准差较东北内蒙地区大。研究区内, ERA5、 MERRA2、 JRA55、 CRA-interim和CFSR地表温度的整体偏差分别为-0.34, -2.26, -4.72, -2.64和-3.86 ℃。在东北内蒙地区, ERA5偏差最小且偏差的标准差最小, 表现最佳; 北疆地区, MERRA2偏差最小且偏差的标准差最小, 表现最佳; 研究区内, ERA5表现最佳, MERRA2次之, 其他再分析明显低估地表温度。
图4 再分析地表温度站点偏差的空间分布(单位： ℃)

Fig.4 Spatial distributions of bias in situ station of reanalysis land surface temperature.Unit： ℃

再分析地表温度偏差数值在东北内蒙地区从西向东逐渐变小, 除ERA5基本为正偏差外, 其他再分析均表现为从西向东负偏差逐渐加大; 北疆地区整体偏差较小, 区域内偏差的标准差大。对比研究区站点分布（见图1）可知, 东北内蒙地区的地形简单, 东北平原对应于耕地、 东北平原东侧和北侧对应于林地、 东北平原西南侧对应于草地。地表温度偏差的数值在不同用地类型上表现为: 0 ℃≈草地>耕地>林地, 林地地区冷偏差最大。北疆南侧为天山地区的北部, 北疆北部为阿尔泰山的南部, 均为地形变动较大的地区, 再分析地表温度出现大负偏差的站点分布在海拔骤降的山区边缘, 以空间分辨率最低的JRA55表现明显, 是陆面模式使用的DEM分辨率较粗与实际地形有较大差别造成的。因此, 对于较粗分辨率的再分析资料如JRA55, 地表温度在地形复杂区域应该进行高差订正。
土地利用类型通过地表覆盖的参数化方案来影响地表温度的模拟效果, 相对于草地, 耕地地区的地表覆盖稍微复杂, 人类活动较多, 模拟应该出现较小的偏差。林地地区, 由于植被冠层较高, 地面状况复杂, 对森林的参数化较为困难, 模拟效果也较难提高。另外ERA5在东北内蒙区域, 地表温度偏差数值的表现只是相对与其他再分析整体提高到接近0 ℃, 没有解决不同土地利用类型对地表温度模拟带来影响。

3.2.2　地表温度偏差时间分布

从再分析资料地表温度及其偏差冬季多年平均的时间曲线（图5）中可以看出, 再分析地表温度基本上表现为低估。虽然基本上抓住了地表温度的变化趋势, 但不同再分析低估地表温度的程度不同。ERA5地表温度偏差分布在-1.2~0.4 ℃之间; MERRA2偏差分布在-2.8~-1.8 ℃之间; CRA-interim冬季第一个月偏差在-4~-2.5 ℃之间, 整个冬季的偏差分布在-4~-1.5 ℃之间; CFSR偏差曲线较低, 分布在-4.8~-2.4 ℃之间。JRA55的地表温度低估最为严重, 偏差分布着-6~-3.2 ℃之间。
图5 再分析日平均地表温度和地表温度偏差多年平均的时间序列（12月1日至次年2月28日）

Fig.5 Time series of muti-year mean bias of reanalysis land surface temperature and land surface temperature’s bias in winter(from 1 December to 28 February the next year)

研究区内冬季, ERA5的地表温度偏差最小且偏差的标准差小, 表现最佳。MERRA2虽然偏差小于零, 但是偏差的标准差小, 表现其次。其他再分析则严重低估了地表温度, 再分析地表温度的精度在时间和空间上均明显低于再分析气温。

3.3　地表温度偏差与积雪的关系

鉴于地表温度负偏差较大, 因此使用积雪数据对地表温度偏差的空间分布进行分析。对MOD10C1使用最邻近法插值到站点, 对积雪覆盖采取大于一定覆盖率视为有积雪的方法分为有雪和没雪, 借此减小再分析与MOD10C1分辨率不匹配带来的影响。在不同阈值下, 统计研究区内冬季每日有积雪的站点个数的多年平均, 与每日地表温度偏差的多年平均计算相关系数, 选择达到最大相关系数的阈值。考虑到6年冬季对于描述多年平均积雪状况的描述不够平滑, 因此对冬季的多年平均的序列数据做了步长为3天的滑动平均, 得到研究区内冬季88天每天被雪覆盖的站点个数的时间曲线与地表温度偏差做相关性分析。ERA5、 MERRA2、 JRA55、 CRA-interim和CFSR对应到达最大相关系数的阈值分别为80%, 100%, 0%, 100%和0%, 相关系数分别为0.56, 0.19, -0.50, -0.50和 -0.39。ERA5、 JRA55、 CRA-interim和CFSR地表温度的偏差与雪站数表现出弱相关性, 积雪覆盖对地表温度的偏差有一定的解释意义。
计算站点位置上有雪日和无雪日地表温度偏差的差值可以消除系统因素的影响, 如高程的影响, 有无雪日偏差差异的空间分布可以说明影响雪参数化方案的空间因素。从地表温度有无雪日偏差差异的空间分布（图6）中可以看出, 再分析地表温度有无雪日偏差差异在北疆地区最接近0 ℃, 差异分布在-1.2~1.2 ℃之间, 东北内蒙区域则表现为明显的聚集型分布。研究区内, ERA5、 MERRA2、 JRA55、 CRA-interim和CFSR有无雪日的偏差差异分别为: 0.36, -0.22, -0.94, -1.34和-0.54 ℃。
图6 再分析地表温度有雪和无雪日偏差差异的空间分布(单位： ℃)

Fig.6 Spatial distributions of differences of land surface temperature’s bias in snow coverconditionand no snow cover condition.Unit: ℃

地表温度有无雪日偏差差异有较为明显的空间聚集区: 东北平原中部、 东北平原东侧、 东北平原西南侧。对比土地利用[见图1（a）], 东北平原主要的用地类型为耕地, 东北平原东侧和北侧为林地, 西南侧为草地, 北疆地区站点分布区域用地类型主要为草地。除ERA5外, 再分析地表温度差有无雪日偏差差异的数值: 0 ℃≈草地>林地>耕地, 耕地上冷差异最为明显。ERA5的雪方案改进了雪覆盖分数和雪表反照率的计算方法, 引入新的参数液态水含量（snow liquid water, SLW）及新的雪密度参数化方案, 新的方案增加了积雪的隔热性, 减小了积雪下土壤温度的负偏差（Dutra et al, 2010）。ERA5雪方案对森林的反照率进行了改进, 分植被类型设置反照率为常数, 修改森林的粗糙长度使森林区域的模拟得到提高（Dutra et al, 2010）。对应于图3（a）中, 东北平原东部区域地表温度偏差分布在-2~2 ℃之间, 以及图5（a）中东北平原东侧的林地地区有雪日偏差比无雪日稍暖0~1.2 ℃。
图7为再分析地表温度有无雪日地表温度偏差的均值误差线图。从图7中可以看出, ERA5在有雪时地表温度偏差比无雪时大, 其他再分析在有雪时地表温度偏差比无雪时小。ERA5和MERRA2有无雪时地表温度偏差的差异较小, 小于0.5 ℃; JRA55和CFSR地表温度冷偏本身较为严重, 但是有无雪日偏差的差异小于1 ℃。CRA-interim有无雪日偏差的差异最大, 大于1.3 ℃。相对于地表温度偏差本身, 积雪造成的地表温度偏差的变化不大, 对地表温度模拟效果影响较大的还是地表覆盖, 尤其是林地地区受影响最严重。
图7 再分析地表温度有雪和无雪日偏差的均值误差

Fig.7 Mean and standard deviation of land surface tem-perature bias in snow cover condition and no snowcover condition

4 结论与讨论

使用站点观测数据, 对ERA5、 MERRA2、 JRA55、 CRA-interim、 CFSR五套再分析地表温度和2 m气温进行了对比和评估, 对地表温度偏差与积雪的关系及积雪区冬季再分析陆面过程参数化存在的问题进行了讨论。得到主要结论如下:
（1） 五种再分析气温在东北地区偏差小, 北疆地区偏差稍大, 研究区内均取得小于1 ℃的整体偏差。再分析地表温度基本表现为低估, 冷偏差大, 东北地区冷偏严重, 只有ERA5在东北和新疆北疆地区都保持较小的区域偏差。
（2） 对于气温在冬季的多年平均, ERA5再分析数据气温最接近观测, MERRA2呈现微弱冷偏, JRA55在冬季中后期呈现微弱暖偏, CRA-interim和CFSR冷偏随时间逐渐加重。冬季再分析地表温度, ERA5最接近观测, 其他再分析地表温度则明显冷偏。
（3） 再分析地表温度冬季偏差的空间分布与土地利用存在一定的关系, 地表温度在林地地区低估最为严重, 偏差在数值表现为表现为0 ℃≈草地>耕地>林地。ERA5在林地地区有较小的正偏差, 但是在草地地区有稍大的正偏差, 再分析均未解决不同地表覆盖上地表温度偏差有差别的问题。
（4） 以ERA5、 JRA55、 CRA-interim为代表, 地表温度冬季日偏差和日积雪站数的相关系数绝对值达到0.5, 为弱相关。有雪和无雪日的偏差差异在空间分布上与土地利用类型有关, 耕地上冷差异明显, 林地稍轻, 草地上差异最小。ERA5对雪参数化方案的进行了改进, 提高了积雪的隔热性能使有无雪时地表温度偏差的差异减小; 积雪对地表温度偏差的影响较小, 土地利用影响地表温度的模拟效果较大。
本文仅使用雪覆盖率划分出有雪和无雪与地表温度的偏差作对比和分析, 未考虑其他描述积雪的参数如: 雪表反照率、 雪深、 雪密度、 雪的液态水含量等影响, 下一步可以研究植被和积雪多个参数对积雪区陆面状况模拟效果的影响。

感谢CMA、 JMA、 NASA、 NCEP、 ECMWF等单位提供再分析资料数据以及观测数据, 感谢项目支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Dutra E, Balsamo G, Viterbo P, al et, 2010．An improved snow scheme for the ECMWF land surface model: Description and offline validation[J].Journal of Hydrometeorology, 11(4): 899-916.

Gelaro R, McCarty W, Suárez M J, al et, 2017.The modern-era retrospective analysis for research and applications, version 2 (MERRA-2)[J].Journal of Climate, 30(14): 5419-5454.

Hall D K, Riggs G A, 2016.MODIS/Terra Snow Cover Daily L3 Global 0.05Deg CMG, Version 6[J].Boulder, Colorado USA.NASA National Snow and Ice Data Center Distributed Active Archive Center.DOI: https: //doi.org/10.5067/MODIS/MOD10C1. 006.

Hersbach H, Dee D, 2016.ERA5 reanalysis is in production[J].ECMWF Newsletter, 147: 7.

Liu J Y, Kuang W H, Zhang Z X, 2014.Spatiotemporal characteristics, patterns and causes of land-use changes in China since the late 1980s[J].Journal of Geographical Sciences, 24(2): 195-210.

Saha S, Moorthi S, Wu X, al et, 2014.The NCEP climate forecast system version 2[J].Journal of Climate, 27(6): 2185-2208.

白磊, 王维霞, 姚亚楠, 等, 2013.ERA-Interim和NCEP/NCAR再分析数据气温和气压值在天山山区适用性分析[J].沙漠与绿洲气象, 7(3): 51-56.

白庆梅, 田文寿, 冯兆东, 等, 2010.亚洲干旱/半干旱区降水与大洋暖池气候的相关特征研究[J].冰川冻土, 32(2): 295-308.

丁旭, 赖欣, 范广洲, 等, 2018.再分析土壤温湿度资料在青藏高原地区适用性的分析[J].高原气象, 37(3): 626－641.DOI: 10.7522 /j.issn.1000-0534.2017.00060.

高路, Karsten S, 陈兴伟, 等, 2014.基于ERA-Interim再分析资料的中国极端气温分析[J].南水北调与水利科技, 12(2): 75-78.

韩秀珍, 李三妹, 窦芳丽, 2012.气象卫星遥感地表温度推算近地表气温方法研究[J].气象学报, 70(5): 1107-1118.

胡列群, 李帅, 梁凤超, 2013.新疆区域近50a积雪变化特征分析[J].冰川冻土, 35(4): 793-800.

黄芳芳, 马伟强, 李茂善, 等, 2016.藏北高原地表温度对气候变化响应的初步分析[J].高原气象, 35(1): 55-63.DOI: 10.7522/j.issn.1000-0534.2015.00075.

李培基, 1988.中国季节积雪资源的初步评价[J].地理学报, 43(2): 108-119.

李强, 周锁铨, 李永华, 等, 2010.三峡库区洪涝特征及其与大尺度环流的联系[J].大气科学学报, 33(4): 477-488.

李召良, 段四波, 唐伯惠, 等, 2016.热红外地表温度遥感反演方法研究进展[J].遥感学报, 20(5): 899-920.DOI: 10.11834/jrs.20166192.

刘川, 余晔, 解晋, 等, 2015.多套土壤温湿度资料在青藏高原的适用性[J].高原气象, 34(3): 653-665.DOI: 10.7522/j.issn.1000-0534.2015.00034.

刘进军, 傅云飞, 李锐, 等, 2018.青藏高原云和大气对被动微波遥感积雪雪深的影响[J].高原气象, 37(2): 305-316.DOI: 10.7522 /j.issn.1000-0534.2017.00050．

马丽娟, 秦大河, 卞林根, 等, 2010.青藏高原积雪日数的气温敏感度分析[J].气候变化研究进展, 6(1): 1-7.

沈润平, 郭倩, 陈萍萍, 等, 2019.高分辨率大气强迫和植被功能型数据对青藏高原土壤温度模拟影响[J].高原气象, 38(6): 1129-1139.DOI: 10.7522/j.issn.1000-0534.2018.00159.

孙帅, 师春香, 梁晓, 等, 2017.不同陆面模式对我国地表温度模拟的适用性评价[J].应用气象学报, 28(6): 737-749.

王澄海, 王芝兰, 崔洋, 2009.40余年来中国地区季节性积雪的空间分布及年际变化特征[J].冰川冻土, 31(2): 301-310.

王旻燕, 姚爽, 姜立鹏, 等, 2018.我国全球大气再分析(CRA-40)卫星遥感资料的收集和预处理[J].气象科技进展, 8(1): 158-163.

韦志刚, 朱献, 董文杰, 等.2019.CFSv2系统对2015年11月中国一次寒潮过程及其欧亚冷空气活动的预报评估[J].高原气象, 38(4): 673-684.DOI: 10.7522/j.issn.1000-0534.2019.00014.

谢潇, 何金海, 祁莉, 2011.4种再分析资料在中国区域的适用性研究进展[J].气象与环境学报, 27(5): 58-65.

徐婷, 邵华, 张弛, 2015.近32a中亚地区气温时空格局分析[J].干旱区地理, 38(1): 25-35.

杨忠臣, 魏丹, 陈丹, 等, 2007.不同积雪覆盖条件下土壤冻结状况及水分迁移规律研究[J].水利科技与经济, 13(6): 365-367.

张磊, 王春燕, 潘小多, 2018.基于区域气候模式未来气候变化研究综述[J].高原气象, 37(5): 1440-1448.DOI: 10.7522 /j.issn.1000-0534.2018.00018.

张廷军, 钟歆玥, 2014.欧亚大陆积雪分布及其类型划分[J].冰川冻土, 36(3): 481-490.

张晓美, 蒙伟光, 张艳霞, 等, 2009.华南暖区暴雨中尺度对流系统的分析[J].热带气象学报, 25(5): 551-560.

赵天保, 艾丽坤, 冯锦明, 2004.NCEP再分析资料和中国站点观测资料的分析与比较[J].气候与环境研究, 9(2): 278-294.

赵天保, 符淙斌, 2009.几种再分析地表气温资料在中国区域的适用性评估[J].高原气象, 28(3): 594-606.

朱智, 师春香, 张涛, 等, 2015.多种再分析地表温度资料在中国区域的适用性分析[J].冰川冻土, 37(3): 614-624.

Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn