高原气象

高原气象 >

2023 , Vol. 42 >Issue 3: 671 - 686

DOI: https://doi.org/10.7522/j.issn.1000-0534.2022.00078

论文

黄土高原不同作物下垫面陆气水热交换的模拟研究

  • 晋伟 ,
  • 奥银焕 ,
  • 文小航 ,
  • 李照国 ,
  • 孟宪红 ,
  • 李江林 ,
  • 赵刚 ,
  • 邓明珊 ,
  • 谢丽君 ,
  • 陈自航
展开
  • 1. 成都信息工程大学大气科学学院 高原大气与环境四川省重点实验室，四川 成都 610225
    2. 中国科学院西北生态环境资源研究院 中国科学院寒旱区陆面过程与气候变化重点实验室，甘肃 兰州 730000
    3. 中国科学院大学，北京 100049
    4. 甘肃省农业科学院旱地农业研究所，甘肃 兰州 730070

晋伟（1998 -）， 男， 四川成都人， 硕士研究生， 主要从事干旱半干旱区陆面过程模拟研究. E-mail：

收稿日期: 2022-03-30

  修回日期: 2022-08-15

  网络出版日期: 2024-03-27

基金资助

国家自然科学基金项目(41975014); 甘肃省科技计划项目(22JR5RA048); 中国科学院青年创新促进会项目(QCH2019004)

收起

Simulation of Land-Atmosphere Water and Heat Exchange over the Underlying Surface of Different Crops on the Loess Plateau

  • Wei JIN ,
  • Yinhuan AO ,
  • Xiaohang WEN ,
  • Zhaoguo LI ,
  • Xianhong MENG ,
  • Jianglin LI ,
  • Gang ZHAO ,
  • Mingshan DENG ,
  • Lijun XIE ,
  • Zihang CHEN
Expand
  • 1. Plateau Atmosphere and Environment Key Laboratory of Sichuan Province，School of Atmospheric Sciences，Chengdu University of Information Technology，Chengdu 610225，Sichuan，China
    2. Key Laboratory of Land Surface Process and Climate Change in Cold and Arid Regions，Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，Gansu，China
    3. University of Chinese Academy of Sciences，Beijing 100049，China
    4. Institute of Dryland，Gansu Academy of Agricultural Sciences，Lanzhou 730070，Gansu，China

Received date: 2022-03-30

  Revised date: 2022-08-15

  Online published: 2024-03-27

Fold

摘要

黄土高原农田种植结构的改变对陆面能量和水分交换、 区域蒸散发等产生影响， 不同作物下垫面复杂的水热耦合机制在黄土高原陆-气相互作用中起着重要作用。本文利用陇东黄土高原2019 -2021年共计34个月的观测数据， 结合耦合了作物模块的通用陆面模式（Community Land Model with BGC Biogeochemistry and prognostic crop， CLM5.0-BGCCROP）对黄土高原不同作物下垫面（冬小麦、 玉米、 苹果林地）的陆面特征进行离线单点模拟， 以验证CLM5.0陆面过程模式在黄土高原农田地区的模拟能力， 对比分析不同作物下垫面土壤温湿度和地表能量通量的差异。结果表明： （1）CLM5.0对土壤温湿度特征的模拟效果较好， 平均均方根误差分别小于2.5 ℃和0.1 m3·m-3， 小麦地土壤温度模拟值偏高， 玉米地和苹果林地土壤温度模拟存在冷偏差。生长期在旱期的冬小麦造成土壤干燥的程度大于玉米， 苹果林地因根系丰富， 吸收了更多的土壤水， 使土壤整体更加干燥。（2）模拟偏差一部分是由于在模式中将作物下垫面设置为单一作物类型（冬小麦、 玉米和苹果林地）时， 高估（低估）了（非）生长期作物的叶面积指数， 低估（高估）了地表反照率， 高估（低估）了净辐射通量， 更多（少）的能量转化为感热潜热。（3）另一部分偏差来自于农田不同的作物管理方式， 如实际上作物收割后并不完全翻耕为裸土， 模式高估了小麦地和玉米地收割后的土壤温度和土壤液态水含量； 模式中没有地膜覆盖选项， 导致玉米地土壤温度、 土壤液态水含量模拟偏低， 模拟平均偏差约-1.84 ℃和-0.058 m3·m-3。（4）冬小麦-玉米混合下垫面模拟试验能较好地模拟地表能量通量， 净辐射、 感热通量、 潜热通量的模拟平均偏差分别为-6.13 W·m-2、 11.46 W·m-2、 -1.97 W·m-2。在生长期内， 冠层蒸腾作用占主导， 随着作物叶面积指数的增加， 感热通量减少， 土壤温度降低， 潜热通量增加， 土壤液态水含量减少。

关键词： CLM5.0陆面模式; 不同作物下垫面; 蒸渗仪; 土壤温湿度; 地表能量通量

本文引用格式

晋伟 , 奥银焕 , 文小航 , 李照国 , 孟宪红 , 李江林 , 赵刚 , 邓明珊 , 谢丽君 , 陈自航 . 黄土高原不同作物下垫面陆气水热交换的模拟研究[J]. 高原气象, 2023 , 42(3) : 671 -686 . DOI: 10.7522/j.issn.1000-0534.2022.00078

Abstract

Changes in the planting structure of farmland on the Loess Plateau impact land surface energy and water exchange， regional evapotranspiration， etc.The complex hydrothermal coupling mechanism of different crop underlying surfaces plays an essential role in the land-atmosphere interaction on the Loess Plateau.In this paper， based on the observation data of 34 months from 2019 to 2021 in the east of Gansu province， combined with CLM5.0-BGCCROP coupled with the crop module， the land surface characteristics of different typical crops （winter wheat， corn， and apple forest） on the Loess Plateau were offline single-point simulated.To verify the simulation ability of CLM5.0 on the land surface processes of agricultural fields on the Loess Plateau and compare the differences in soil temperature， soil liquid water content， and surface energy fluxes of different crops.The results showed that： （1） CLM5.0 has a better simulation effect on soil temperature and liquid water content characteristics， average RMSE is less than 2.5 ? ℃ and 0.1 m3·m-3， respectively.The simulated soil temperature values in the wheat field are high， and there is a cold bias in the corn and apple fields.Winter wheat， which has a dry growth period， caused more soil drying than corn.Apple forest， which has a rich root system， absorbed more soil water， making the soil drier overall.（2） Part of the simulation bias is due to setting crop underlying surfaces to a single crop functional type in the model， overestimating the leaf area index of crops during the growth period， underestimating the surface albedo， overestimating the net radiation flux， and converting more energy flux into sensible and latent heat flux.（3） Another part of the simulation bias comes from the diverse crop management methods in the farmland.For example， crop fields are not completely tilled to bare soil after harvest， and the model overestimates soil temperature and soil liquid water content in wheat and corn fields.The model does not have the mulching option， which leads to the low simulated soil temperature and soil liquid water content in corn fields， about 1.84 ? ℃ and 0.058 m3·m-3， respectively.（4） The winter wheat and corn mixed crop underlying surface simulation experiment could better simulate the surface energy fluxes， and the simulated average deviations of net radiation， sensible heat flux， and latent heat flux were -6.13 W·m-2， 11.46 W·m-2， -1.97 W·m-2， respectively.During the growth period， canopy transpiration dominates， and with the increase of crop leaf area index， sensible heat flux decreases， soil temperature decreases， latent heat flux increases， and soil liquid water content decreases.

Key words： CLM5.0-BGCCROP; crop underlying surface; weighing lysimeter; soil temperature and moisture; surface energy flux

1 引言

陆面过程是土壤-植被-大气之间发生物质、 能量和水分交换的过程， 是对陆地表面和土壤中的物理、 化学及生物过程的综合反映。陆面水热状况、 地表粗糙度、 植被覆盖类型等要素的变化可以导致局部、 区域乃至全球气候的变化（李得勤等， 2016； Hartley et al， 2017； 陈海山等， 2022； 王澄海等， 2021）。地表植被是陆面与大气相互作用的关键衔接点（Han et al， 2021）， 不同下垫面类型的蒸腾耗水量、 根系分布形态、 植物生长期等方面的差异直接影响到土壤水分收支分配问题（吴笛等， 2022）。近20多年来， 黄土高原大面积的植被变化（张宝庆等， 2020）， 导致区域降水和蒸散发的增加（Li et al， 2018； 张宝庆等， 2021； Wang et al， 2021）， 水资源供需矛盾加剧（Ye et al， 2019； Qiu et al， 2021）。与此同时， 近20多年来黄土高原农业种植结构发生明显改变， 玉米、 冬小麦等作物的种植面积显著增加（王丹云等， 2018； 孙昊蔚， 2020）。轮作、 地膜覆盖、 垄沟和梯田等技术为农业可持续发展提供了可能， 其中轮作模式可以增加水分利用率， 提高生产力（Yang et al， 2020； 陆军胜， 2021）； 地膜覆盖的增温、 保墒效应， 塑料薄膜能改变地表反照率， 抑制陆气水汽和CO2的交换（陈紫薇， 2021）。同时， 作物管理方式（如灌溉、 施肥、 收割、 翻耕等）、 作物类型及物候的多样性（王宇轩等， 2021； 王龙欢等， 2021）， 使黄土高原陆面过程参数化方案中的热力、 水力、 植被等参数都具有独特性， 然而陆面观测站点较少（张强等， 2017）， 以往针对作物下垫面陆面过程的研究比较薄弱， 在模式中如何正确反映不同作物下垫面水热交换的差异仍存在很多挑战。
陆面模式（Land Surface Models， LSMs）是了解陆面过程及特征的重要工具（戴永久， 2020）， LSMs模拟出现偏差的原因主要是大气强迫场（李时越等， 2018）、 初始边界条件（Yang et al， 2018）、 参数化方案（Deng et al， 2021； Wang and Yang， 2018）。随着作物的生物地球物理和生物地球化学过程在生态系统中越来越重要， 如何准确模拟作物管理方式， 如作物类型、 种植和收获时间、 耕作、 施肥和灌溉， 是模式重点关注的一方面。在LSMs中纳入作物模块为研究农业土地利用变化对水、 能量和碳通量循环过程的影响提供了可能（Van Oost et al， 2007； Quinton et al， 2010）。CLM5.0（Community Land Model version 5.0）可以较好地模拟作物的碳氮水循环过程， 在参数优化后能捕捉到玉米、 冬小麦等作物的叶面积指数（Leaf Area Index， LAI）、 蒸散发、 总初级生产力、 净生态系统碳交换的动态变化（Xia et al， 2021； 王菲等， 2022； Lu and Yang， 2021）。
本研究利用CLM5.0-BGCCROP（Biogeochemistry and prognostic crop）对2019年1月至2021年10月冬小麦、 玉米和苹果树三种黄土高原塬区主要作物进行模拟， 通过对作物生长状况的模拟和对土壤温度、 土壤液态水含量、 地表能量通量模拟值与观测值的对比， 评估CLM5.0陆面模式在黄土高原半湿润区的塬区农田的适用性， 以及对作物植被的模拟能力， 探究作物类型、 作物管理方式与土壤水热、 地表能量通量之间的关系， 为黄土高原塬区农业可持续发展提供科学的建议和参考。

2 研究区域与资料方法

2.1　观测站点及数据

黄土高原位于我国中北部， 处于由东南部湿润气候向西北部干旱气候过渡的区域（图1）， 整体地势西北高东南低， 从东南向西北逐渐由林地、 农田向草地、 裸地过渡。野外观测试验场地位于甘肃省庆阳市镇原县上肖镇， 观测站点由甘肃省黄河源区气候与环境野外科学观测研究站和甘肃省农业科学院旱地农业研究所镇原试验站合作共建（以下简称庆阳站）。该地区为典型黄土旱塬区， 海拔为1303 m， 属于暖温带半湿润型气候； 2019年、 2020年、 2021年的年降水量分别为611.8 mm、 508.9 mm、 777.9 mm， 降水时间分布不均匀， 超过60%的降水集中在6 -9月（雨期）， 其余月份为旱期。
图1 黄土高原植被分布类型（a）和观测站点（b）［小麦地（c）、 玉米地（d）和苹果林地（e）］地理布局

Fig.1 Map of vegetation distribution types （a） and geographical layout of observation sites （b）［wheat （c）， corn （d）， apple （e） fields］ on the Loess Plateau

庆阳站农田样地（35.492°N， 107.495°E）内种植冬小麦和玉米， 冬小麦在6月底进行收割， 玉米在4月底至5月初种植， 采用地膜覆盖。苹果林地观测点位于2.5 km外的一处苹果园内（35.502°N， 107.475°E）， 苹果树株龄超过10年， 株高4~5 m。三个观测点的仪器配置如表1所示， 小麦地观测（Obs）自2018年6月开始， 土壤温湿度探头埋设于观测场内的自然土壤。为保证数据的连续性和针对不同作物下垫面（冬小麦、 玉米、 苹果）的特征差异分析， 在2021年4月新架设3个观测点（小麦地观测点Obs Wheat、 玉米地观测点Obs Corn、 苹果林地观测点Obs Apple）， 土壤温湿度探头和热通量板埋设在蒸渗仪内。
表1 观测仪器配置

Table 1 Configuration of observation instruments

仪器名称

（架高或埋深/m）

Obs

（2018-06至今）

Obs Wheat

小麦（2021-04至今）

Obs Corn

玉米（2021-04至今）

Obs Apple

苹果（2021-04至今）
空气温湿度传感器 1， 2， 5， 10 / 1， 2， 4.9 1， 2， 5.1
风速风向传感器 1， 2， 5， 10 / 1， 2， 4.9 1， 2， 5.1
辐射四分量 1.5 / 3.5 3.5
土壤热通量板 / 0.05 0.05 0.05
土壤温湿度探头 0.05， 0.1， 0.2， 0.4， 0.8， 1.6 0.05， 0.1， 0.2， 0.4， 0.8 0.05， 0.1， 0.2， 0.4， 0.8 0.05， 0.1， 0.2， 0.4， 0.8
涡动相关仪 √ / / /
蒸渗仪 / √ √ √

土壤温湿度和土壤热通量为地表以下埋深深度， 其余为地表以上架设高度， /和√表示是否配备该观测仪器

2.2　模式介绍及数值试验设计

2.2.1　陆面过程模式

CLM由美国大气研究中心（National Center of Atmospheric Research， NCAR）研发， 是地球系统模式（Community Earth System Model， CESM）的陆面部分， 模式结构可以分为地面上与植被覆盖相关的和土壤中与水热传导相关的两部分物理过程。目前最新版本为CLM5.0， 与CLM4.5相比， CLM5.0对土壤、 植被、 水文、 新雪密度、 河流建模、 碳氮循环以及作物建模等方面进行了完善（Lawrence et al， 2019）， 在作物模块BGCCROP中将植被功能类型（Plant Functional Types， PFTs）分为14种自然植被类型和64种作物类型， 为了让自然植被与作物在网格单元中共存， 将植被土地单元划分为自然植被和人工管理植被， 在人工管理单元中， 各PFTs不共享一个土壤柱， 允许作物之间在土地管理方面存在差异， 并引入覆盖种植子程序， 允许一年内同一列上有多种作物类型（Boas et al， 2021）。冬小麦参数化方案更新了小麦的作物特性参数， 增添越冬生存机制（春化和霜冻）（Lu et al， 2017； Lu and Kimball， 2020）。
CLM交互式作物参数化方案来自于Agro-IBIS（Agricultural version of the Integrated Biosphere Simulator）， 作物生长依赖于光合作用， 受光照、 水分和养分利用率的限制， 但不同作物有特定的物候分配参数和灌溉、 施肥管理方式（Lombardozzi et al， 2020）。根据Agro-IBIS作物物候算法（Kucharik et al， 2000； Kucharik and Brye， 2003）， 作物生长包含三个不同阶段： 第一阶段从播种开始， 以叶片出芽结束； 第二阶段从叶片出芽开始， 以籽粒灌浆结束； 第三阶段从籽粒灌浆开始， 以生理成熟收获结束。其中， 农作物（北半球）播种需满足以下需求：
T 10 d > T p
T 10 d m i n > T p m i n
G D D 8 ≥ G D D m i n
式中： T 10 d和 T 10 d m i n分别是2 m气温和日最低2 m气温的10天滑动平均； T p和 T p m i n是各作物最低播种温度； G D D 8代表植物生长所需热量， 即20年滑动平均的生长度日（单位： °days）。 G D D 8决定作物是否适合种植在网格单元里， T 10 d和 T 10 d m i n决定作物什么时候种植。 G D D T 2 m、 G D D T s o i和 G D D m a t分别是2 m气温、 深度0.05 m的土壤温度和作物达到生理成熟所需的积温， 当 G D D T 2 m或 G D D T s o i达到3%~5% G D D m a t时， 开始出叶， 灌浆期和收获期分别对应40%~70% G D D m a t和100% G D D m a t。
由于CLM5.0没有苹果林地的作物参数化方案， 本文使用PFTs为温带落叶阔叶林（Broadleaf deciduous tree-temperate）对苹果林地进行模拟， 表2中显示了冬小麦和玉米的作物物候分配参数。
表2 作物物候分配参数

Table 2 Crop phenology and allocation parameters

参数 冬小麦 玉米
最早种植时间 9月1日 4月1日
最晚种植时间 11月30日 6月15日
T p/K 283.15 283.15
GDD的基准温度/ ℃ 0 8
G D D m i n 50 50
G D D m a t 1700 950-1850
出叶（ % G D D m a t） 3 3
灌浆（ % G D D m a t） 40 65
冠层高度/m 1.2 2.5
最大叶面积指数/ ( m 2 · m - 2 ) 7 5
比叶面积/ ( m - 2 · g C - 1） 0.028 0.05
最大生长周期/（days） 330 165

2.2.2　数值试验设计

本文选取2019年1月1日至2021年10月31日共计34个月的观测资料， 将观测高度为5 m的气温、 气压、 相对湿度、 风速、 降水， 以及观测高度为1.5 m（小麦地）和3.5 m（玉米地和苹果林地）的向下短波辐射、 向下长波辐射作为CLM陆面模式输入的大气强迫场， 时间分辨率为30 min。由于庆阳站部分观测时段数据存在缺测， 2021年4 -5月降水采用了相隔约90 km的中国科学院平凉陆面过程与灾害天气观测研究站（35.568°N， 106.687°E， 1630 m）的逐30 min观测数据， 并使用庆阳市西峰区气象站逐日数据进行了验证。2020年4月至2021年2月向下短波和长波辐射观测数据缺测较多， 故由GLDAS_NOAH025_3H（Global Land Data Assimilation System Noah Land Surface Model L4 3 hourly 0.25 ° ×0.25 °）资料（Beaudoing and Rodell， 2020； Rodell et al， 2004）的对应格点提取， 如图2所示， GLDAS的向下短长波辐射与观测值的相关性较好（r 2>0.85）， 但向下短波辐射偏低。
图2 GLDAS和观测向下短波、 长波辐射通量的对比

Fig.2 Comparison of GLDAS and observed downward short and long wave radiation fluxes

模式默认制作的地表土壤质地数据为粉砂黏壤土（CLAY： 27.5%， SAND： 31%， SILT： 41.5%）， 黄土高原塬区土壤为粉壤土（Chen et al， 2016）， 将土壤质地更改为庆阳站的实测土壤质地数据， 见表3。
表3 不同作物下垫面土壤质地分布

Table 3 Distribution of soil texture on the underlying surface of different crops

土壤深度/cm 作物下垫面类型 土壤质地分布
砂粒/% 粉粒/% 黏粒/%
5 冬小麦 13.23 77.36 9.41
玉米 8.21 75.27 16.52
苹果 15.46 76.17 8.37
20 冬小麦 9.86 76.15 13.99
玉米 11 79.51 9.49
苹果 16.99 76.2 6.81
40 冬小麦 8.95 80.12 10.93
玉米 9.96 77.92 12.12
苹果 12.56 78.17 9.27
80 冬小麦 6.01 75.74 18.25
玉米 12.63 75.77 11.6
苹果 7.09 82.44 10.47
对CLM5.0-BGCCROP分别更换下垫面为冬小麦、 玉米和温带落叶阔叶林进行模拟， 试验设计如表4， 即Test Wheat、 Test Corn和Test BDT。为准确地模拟区域混合种植条件下的地表能量通量， 根据通量贡献率定义风向为255 °~75 °为小麦地， 75 °~255 °为玉米地， 增加Test Wheat+Corn模拟试验， 即47.8%的下垫面为冬小麦， 52.2%为玉米。首先在冷冻状态下加速Spinup500年使模式达到平衡， 将Spinup后的文件作为模拟时段的初始文件。同时使用庆阳站土壤温度和土壤液态水含量观测数据作为模式的验证资料， 将5 cm、 10 cm、 20 cm、 40 cm、 80 cm、 160 cm的观测土壤温度、 湿度模拟值分别与CLM5.0中土壤的第二层、 第三层、 第四层、 第六层、 第八层、 第十一层土壤温度、 湿度模拟值进行对比（Deng et al， 2020）。由于2021年4 - 5月土壤温湿度以及Obs的20 cm土壤液态水含量观测资料在2019年8月26日之后缺省较多， 不对这部分结果进行分析。
表4 数值试验设计

Table 4 Designs of numerical test

试验名称 土壤质地 作物功能类型
Test Wheat 修改土壤质地 Rainfed winter wheat
Test Corn 修改土壤质地 Rainfed temperate corn
Test BDT 修改土壤质地 Broadleaf deciduous tree-temperate
Test Wheat+Corn 修改土壤质地 47.8% Rainfed winter wheat+52.2% Rainfed temperate corn

2.3　模式评估方法

选取平均偏差（Bias）、 均方根误差（RMSE）、 相关系数（r）对模拟结果进行评估：
B i a s = 1 N ∑ i = 1 N ( x i - y i )
R M S E = 1 N ∑ i = 1 N ( x i - y i ) 2
r = ∑ i = 1 N ( x i - x ¯ ) ( y i - y ¯ ) ∑ i = 1 N ( x i - x ¯ ) 2 ∑ i = 1 N ( y i - y ¯ ) 2
式中 : x i ( i = 1,2 , 3 , … , N )是观测值； y i是模拟值； x ¯和 y ¯分别是观测值和模拟值的平均； N是时间序列长度。

3 结果分析

3.1　 CLM5.0-BGCCROP对不同作物下垫面的初步模拟

使用CLM5.0-BGCCROP对三种单一作物下垫面进行模拟， 即Test Wheat、 Test Corn、 Test BDT。图3（a）和（c）分别为三种作物LAI的模拟值和观测值， 其中LAI月观测值源于距庆阳站约35 km的陕西省长武县（35.2°N， 107.6°E， 1221 m）的实测数据（邵进， 2019）， BGCCROP对作物的模拟能力较好， 冬小麦、 玉米和苹果的生长期分别在10月至次年6月， 4 -9月和4 -10月， 其中冬小麦在6月中旬收割， 玉米在4月底5月初进行种植， 均符合庆阳站作物的种植情况。苹果林整体LAI变化趋势与长武县实测数据较相似， LAI最大观测值和模拟值分别为2.94 m2·m-2和3.1 m2·m-2。由于模式简化了作物生长机制， 农田的翻耕、 除草、 玉米在种植初期的地膜覆盖、 收获后的秸秆覆盖和冬季苹果园的树叶堆积也会导致作物生长模拟偏差。并且模式中设置单一作物功能类型， 而实际观测场内存在部分自然植被， 模式将高估生长期LAI， 低估非生长期LAI， 冬小麦、 玉米的最大LAI模拟值与观测值相比， 分别高估了约2 m2·m-2、 1 m2·m-2。
图3 冬小麦、 玉米和苹果林的叶面积指数模拟值（a）、 观测值（c）（引自邵进， 2019）以及冬小麦和玉米的 G D D T s o i （b）

Fig.3 Simulated （a） and observed （c） leaf area index of winter wheat， corn and apple， and （b） G D D T s o i of winter wheat and corn

在CLM5.0-BGCCROP中， 作物生长受温度阈值和积温（ G D D）控制， 图3（b）显示了冬小麦、 玉米的 G D D T s o i， 2019年、 2020年、 2021年冬小麦和玉米的 G D D m a t分别为1783.3°days、 1798.7°days、 1812.5°days和1796.3°days、 1992.9°days、 1703.4°days， 当 G D D T s o i达到 G D D m a t时， 作物成熟并收割。作物均在籽粒灌浆时LAI达到最大， 生长第三阶段LAI缓慢降低， 最后成熟收获。其中冬小麦需要越冬， 第二阶段时间较玉米更长， 从叶片出芽一直持续到次年4月中旬， 籽粒才出现灌浆。玉米的生长比较迅速， 5月出芽， 7月底籽粒出现灌浆。
由于气候的年际差异， 每年作物生长存在差异， 如小麦2021年最大LAI较2019年和2020年更低， 分别为6.0 m2·m-2、 5.8 m2·m-2和4.4 m2·m-2， 通过2021年模拟土壤温度［图6（a）］剖面图发现， 土壤温度在1 -2月较2019年和2020年更低， 夏季温度更高， 温度梯度会影响冬小麦的生长。玉米的 G D D m a t大小与土壤温度成反比， 2021年 G D D m a t最低， 由于2020年土壤温度较2019年、 2021年更低， 浅层土壤升温更慢， 与2019年玉米LAI相比较， 作物推后约一个月才达到成熟， 而2021年作物提前收获。
图4 不同深度土壤温度模拟值与观测值的对比

Fig.4 Comparison between simulated and observed soil temperature at different soil depths

图5 不同深度的土壤液态水含量模拟值与观测值的对比

Fig.5 Comparison between simulated and observed soil liquid water content at different soil depths

图6 三组作物模拟试验土壤温度（左， 单位： ℃）、 液态水含量（右， 单位： m3·m-3）时间-深度剖面图

Fig.6 Time-depth profiles of soil temperature （left， unit： ℃） and liquid water content （right， unit： m3·m-3） in three crop simulation tests

图4为更换不同作物下垫面的土壤温度的模拟值与观测值的对比图。由图4可知， 浅层土壤对太阳辐射的响应更加剧烈， 深层土壤温度的变化较缓且滞后。CLM5.0-BGCCROP陆面模式可以较好地模拟庆阳站不同作物不同深度土壤的日平均温度变化趋势， 在秋季的模拟效果最好， 2020年冬季浅层土壤模拟的冷偏差由大气驱动数据的GLDAS辐射通量偏低造成。冬小麦、 玉米较苹果在春夏季有着更大暖偏差， 由于模式设置单一作物类型， 非生长期的土壤为裸土， 太阳辐射对土壤增温效应更大， 土壤温度振幅较大。生长期植被对太阳辐射的遮挡以及地表反照率的降低， 土壤温度模拟效果更好。苹果林地土壤温度整体模拟较好是因为苹果林叶片对太阳辐射进行遮挡， 地表气温日较差较小麦地和玉米地更小， 土壤温度变化幅度较缓， 表现为土壤表层暖偏差， 深层冷偏差。
图5为三种不同下垫面对土壤液态水含量的模拟值与观测值的对比图， 结果表明， 不同深度土壤层中水含量的变化差异较大， 浅层土壤液态水含量的变化因降水补给和地表蒸散发的影响往往比较剧烈， 深层土壤液态水含量的变化较浅层更加缓慢， 与夏季强蒸散发和强降水过程的吻合更好。秋冬季土壤相对湿润， 其中冬季由于水出现冻结， 造成土壤液态水含量降低。三种下垫面土壤液态水含量大小大致表现为玉米地>小麦地>苹果林地， 其中冬小麦生长期为10月至次年6月， 位于研究区域的旱期， 旱期植被对土壤水的消耗以及收割后降水对土壤水的补偿， 导致小麦地土壤液态水含量年内变化相对剧烈， 季节性特征更加明显， 但由于夏季地面蒸发强烈， 春夏季土壤相对干燥。生长期在雨热同期的玉米和苹果林的土壤液态水含量整体变化较缓， 仅在生长期土壤水出现消耗， 但由于苹果树为深根系植物， 较浅根系的玉米对土壤的耗水能力更强， 土壤整体表现得更干燥。
图6为三组作物下垫面模拟试验的土壤温度、 液态水含量的剖面图， 土壤温度模拟值大小整体呈小麦地>玉米地>苹果林地， 土壤液态水含量模拟值大小呈玉米地>小麦地>苹果林地。Test Wheat、 Test Corn和Test BDT的三年平均20 ℃等温线分别到达土壤的120 cm、 80 cm和60 cm深度， 其中小麦地在夏季中后期为裸地， 强太阳辐射对土壤的加热最为明显。苹果林地则因为叶片对太阳辐射的遮挡， 土壤温度表现得最低。在冬季， 三个下垫面的模拟土壤温度特征相似， 冬季三年平均0 ℃等温线分别到达30 cm、 25 cm、 40 cm， 土壤冻结， 在土壤液态水含量的剖面图中能发现0.2 m3·m-3等值线的变化与0 ℃等温线相似。然而， 在夏季三种作物下垫面的模拟土壤液态水含量出现了形态不一致的暖干舌， 深层土壤液态水含量的变化较浅层变化更滞后。小麦地［图6（b）］夏季0.2 m3·m-3等值线均到达了100 cm， 干舌主要由生长期小麦冠层的蒸腾蒸发和土壤的蒸发造成， 在收割后干舌逐渐消失。冬小麦生长期处于研究区域的旱期， 降水较少， 植被的强蒸腾作用使得土壤耗水量增加， 浅层和深层土壤均较干燥， 在收获后土壤蒸发依然较强， 降水未能很好地对深层土壤水进行补偿。根据图6［（c）~（f）］能发现， 玉米地和苹果林地在2021年夏季土壤温度较2019年、 2020年更高， 且土壤更干燥。由于两者的生长期均处于研究区域的雨热同季， 作物对浅层土壤水的消耗能被降水补偿， 其中浅根系的玉米未导致深层土壤水明显亏缺， 深根系的苹果树对土壤深层水的消耗较大， 土壤液态水含量长期维持在0.25 m3·m-3以下。此外， 苹果树对降水的截留导致浅层土壤液态水含量较低。

3.2　不同作物下垫面的土壤温度、 液态含水量差异

由于不同作物的生长期长度、 LAI大小、 蒸腾蒸发等生物物理化学过程以及人为管理方式的不同， 土壤水热特征表现也不同。为了更好地模拟不同作物下垫面土壤温湿度， 准确地模拟区域混合种植条件下的感热潜热通量， 增加Test Wheat+Corn（47.8%冬小麦+52.2%玉米）模拟试验［图7（b）， 图8（b）］， 并与Obs进行对比。单一作物下垫面模拟试验Test Wheat、 Test Corn、 Test BDT分别与2021年新增的观测数据（Obs Wheat、 Obs Corn、 Obs Apple）进行对比， 进而分析不同作物下垫面的土壤温湿特征差异。
图7 四组观测（左）和模拟（中）土壤温度（单位： ℃）的时间-深度剖面图以及模拟与观测的差值（右）

Fig.7 Time-depth profiles of four observed （left） and simulated （middle） soil temperature， and the difference （right） between simulated and observed.Unit： ℃

图8 四组观测（左）和模拟（中）土壤液态水含量（单位： m 3 · m - 3）的时间-深度剖面图以及模拟与观测的差值（右）

Fig.8 Time-depth profiles of four observed （left） and simulated （middle） soil liquid water content， and the difference （right） between simulated and observed.Unit：   m 3 · m - 3

图7（a）、 图7（d）、 图7（g）和图7（j）分别为Obs、 Obs Wheat、 Obs Corn和Obs Apple观测土壤温度剖面图， 土壤温度随土壤深度表现出滞后性， 2021年夏季土壤温度最高， 2019年次之， 2020年最低。Obs Wheat、 Obs Corn、 Obs Apple下垫面分别为冬小麦、 玉米、 苹果， 由于这三个观测点的土壤温湿度探头埋设于蒸渗仪内部， 且不同作物的人为管理方式的不同， 均会对土壤温湿度观测造成一定的影响。整体上玉米地［图7（g）］的土壤温度较小麦地［图7（d）］和苹果林地［图7（j）］更高， 这与玉米地进行了地膜覆盖有关， 作物冠层对太阳辐射的遮挡会使土壤温度降低， 覆膜的保温作用使玉米地土壤温度较小麦地裸土下的土壤温度更高， 但随着玉米的生长， 冠层冲破地膜， 保温效果降低。小麦地在6月底7月初进行收割， 收割后土壤接收到更多的太阳辐射， 且7 -8月的气温较高， 土壤温度明显上升。在生长期苹果叶片密度较高， 对太阳辐射的阻挡较强， 土壤温度在三个下垫面里最低。
图7（b）、 图7（e）、 图7（h）和图7（k）分别为Test Wheat+Corn、 Test Wheat、 Test Corn和Test BDT模拟土壤温度剖面图， 图7（c）、 图7（f）、 图7（i）和图7（l）是对应的土壤温度模拟与观测的差值， 统计结果见表5。CLM5.0-BGCCROP高估了Test Wheat+Corn、 Test Wheat整体的土壤温度， 高估了Test Corn非生长期的土壤温度， 对Test BDT有冷偏差， 四组试验的平均偏差分别为1.4 ℃、 1.48 ℃、 -0.05 ℃和-0.97 ℃， 平均均方根误差分别为2.08 ℃、 2.08 ℃、 2.36 ℃和1.49 ℃， 平均相关系数分别为0.983、 0.962、 0.894和0.979， 均通过了99%的显著性检验。模式中设置下垫面为单一的作物类型， 但实际情况是在作物收割后并未将土壤翻耕成完全裸土。通过图7（d）~（i）能发现， 模式高估了冬小麦、 玉米收获后的土壤温度， 暖偏差随土壤深度增加逐渐减小， 最大偏差出现在5 cm土壤， 平均偏差分别为2.24 ℃、 1.85 ℃。玉米地土壤温度模拟值在8 -9月出现了约1个月较强的暖偏差， 5 cm土壤温度平均偏差3.53 ℃， 这是由于CLM5.0- BGCCROP在2021年对玉米的模拟中提前收获导致的［图3（a）］。而在生长期， 玉米地的模拟没有进行覆膜， 可能是玉米在生长期内土壤温度模拟冷偏差的原因之一， 模拟偏差为-1.84 ℃。CLM对苹果林地［图7（j）~（l）］土壤温度的模拟有冷偏差， 但生长期的模拟整体较好。
表5 土壤温度、 液态水含量模拟值与观测值的统计结果

Table 5 Statistical results of simulated and observed soil temperature and liquid water content

统计变量 土壤深度 土壤温度/ ℃ 土壤液态水含量/（ m 3 · m - 3）
Test Wheat+Corn Test Wheat Test Corn Test BDT Test Wheat+Corn Test Wheat Test Corn Test BDT
Bias 5 cm 1.85 1.99 0.28 -0.64 0.019 0.074 0.057 0.013
10 cm 1.55 1.82 0.35 -0.81 0.019 0.136 -0.043 -0.04
20 cm 1.47 1.81 0.39 -0.88 / 0.057 0.003 0.014
40 cm 1.45 1.3 -0.67 -1.07 0.034 0.028 0.085 -0.025
80 cm 1.15 0.49 -0.62 -1.43 0.031 0.016 0.027 -0.053
160 cm 0.93 / / / 0.027 / / /
RMSE 5 cm 2.83 2.47 2.47 1.63 0.047 0.093 0.082 0.061
10 cm 2.45 2.26 2.38 1.52 0.049 0.15 0.057 0.061
20 cm 2.36 2.15 2.24 1.44 / 0.081 0.046 0.063
40 cm 2.02 1.67 2.24 1.28 0.053 0.063 0.098 0.045
80 cm 1.54 1.87 2.46 1.56 0.041 0.029 0.031 0.069
160 cm 1.3 / / / 0.04 / / /
r 5 cm 0.975** 0.977** 0.913** 0.973** 0.741** 0.963** 0.97** 0.885**
10 cm 0.979** 0.979** 0.912** 0.976** 0.676** 0.954** 0.959** 0.912**
20 cm 0.978** 0.982** 0.911** 0.979** / 0.977** 0.972** 0.904**
40 cm 0.984** 0.975** 0.897** 0.985** 0.636** 0.979** 0.983** 0.919**
80 cm 0.987** 0.899** 0.839** 0.982** 0.722** 0.957** 0.981** 0.885**
160 cm 0.994** / / / 0.418** / / /

*、 **分别表示相关性通过95%（P<0.05）、 99%（P<0.01）的显著性t检验， /表示无数据

图8（a）、 图8（d）、 图8（g）和图8（j）是四种不同作物下垫面的观测（Obs、 Obs Wheat、 Obs Corn、 Obs Apple）土壤液态水含量剖面图， 浅层80 cm以内土壤液态水含量的变化与降水的相关性高， 季节性特征明显， 秋季土壤液态水含量较高， 维持在0.25 m3·m-3以上。夏季的作物生长以及土壤的强蒸发作用消耗大量的土壤水分， 出现暖干舌。其中2021年降水偏多， 暖干舌持续时间较短。2020年为降水偏少年， 夏季降水不足以补充蒸散发消耗的土壤水分， 出现了较深的暖干舌， 0.2 m3·m-3等值线超过160 cm。冬季（1 -2月）土壤水开始冻结， 0.2 m3·m-3等值线不超过60 cm。
由于Obs Wheat、 Obs Corn、 Obs Apple的土壤温湿度探头埋设在蒸渗仪内， 观测土壤湿度特征受到了一定的影响。冬小麦生长期与夏季雨期恰好错开， 非生长期无作物遮挡使土壤温度增温明显， 土壤蒸发增强， 浅层土壤更加干燥。玉米地和苹果林地的浅层土壤由于有降水的补偿， 10 cm土壤表现得更加湿润， 其中玉米地地膜的存在让蒸发的水分在薄膜上凝结并重新进入土壤， 而苹果树对降水有截留， 导致30 cm以上土壤湿度较玉米地更低。由于蒸渗仪内部土壤没有苹果树的根系， 不存在根系对土壤水的消耗， 30 cm以下土壤玉米地表现得比苹果林地更加干燥。
图8（b）、 图8（e）、 图8（h）和图8（k）分别为Test Wheat+Corn、 Test Wheat、 Test Corn和Test BDT模拟土壤液态水含量剖面图， 图8（c）、 图8（f）、 图8（i）和图8（l）是对应的土壤液态水含量模拟与观测的差值， 统计结果见表5。CLM5.0-BGCCROP对作物下垫面土壤液态水含量的模拟较好， Test Wheat+Corn、 Test Wheat、 Test Corn和Test BDT的平均偏差为0.026 m3·m-3、 0.062 m3·m-3、 0.026 m3·m-3和-0.018 m3·m-3， 平均均方根误差分别为0.046 m3·m-3、 0.083 m3·m-3、 0.063 m3·m-3和0.06 m3·m-3， 平均相关系数分别为0.639、 0.966、 0.973和0.901， 均通过了99%的显著性检验。2021年8月18日以后降水较多， 且降水强度较大， CLM5.0认为除地表径流外的降水均进入了土壤， 进而使土壤液态水含量出现变化， 而在实际观测中， 存在部分降水从蒸渗仪顶部流走和底部抽排的现象， 导致三个不同作物下垫面的土壤液态水含量模拟值（Test Wheat、 Test Corn、 Test BDT）均出现了较大程度的湿偏差， 土壤柱湿度平均偏差分别达0.108 m3·m-3、 0.057 m3·m-3和0.025 m3·m-3。
Test Wheat+Corn的土壤液态水含量与Obs相比［图8（a）~（c）］， 夏季有干偏差， 其余季节均呈现为湿偏差。冬小麦［图8（d）~（f）］生长期观测数据时间长度较短， 仅6月中上旬存在小麦， 在生长期内， 浅层土壤15 cm以上土壤液态水含量模拟较好， 深层模拟得偏干； 在收割后， 深层的干偏差逐渐减少， 随后整体土壤呈现为湿偏差。在8月16日之前， 玉米地［图8（g）~（i）］的覆膜措施对土壤的增湿效应到达20 cm深度土壤， 10~20 cm土壤表现出干偏差， 平均偏差达-0.058 m3·m-3， 其中对10 cm的土壤增湿效果最强， 达0.076 m3·m-3。CLM5.0-BGCCROP中对林地的模拟存在较丰富的根系， 吸收更多的土壤水用于维持树木的生长， 导致土壤整体表现得更加干燥［图8（j）~（l）］， 而在观测中没有根系的影响导致苹果林地的模拟在生长期内呈现干偏差， 整体土壤平均偏差达-0.038 m3·m-3。

3.3　不同作物下垫面的地表能量通量差异

CLM5.0-BGCCROP对土壤温湿度模拟的偏差， 归因是作物下垫面能量通量模拟的偏差。地表能量通量模拟的偏差， 又归因于下垫面植被模拟的偏差， 图9显示了四个不同作物下垫面模拟试验的通量对比图， 统计结果见表6。由于感热潜热通量的观测值源于涡动相关仪， 涡动相关仪对地表状况非常敏感， 与Test Wheat、 Test Corn、 Test BDT相比， Test Wheat+Corn在通量的模拟上更接近观测值， 能更好地呈现通量的变化趋势。
图9 感热通量、 潜热通量、 净辐射通量、 冠层蒸腾、 地面蒸发、 冠层蒸发的月平均模拟值与观测值的对比

Fig.9 Comparison of monthly average simulated and observed fluxes of sensible heat， latent heat， net radiation， canopy transpiration， ground evaporation， canopy evaporation

表6 净辐射、 感热通量、 潜热通量模拟值与观测值的统计结果

Table 6 Statistical results of simulated and observed values of net radiation， sensible heat flux and latent heat flux

试验名称 净辐射/（W·m-2） 感热通量/（W·m-2） 潜热通量/（W·m-2）
Bias RMSE r Bias RMSE r Bias RMSE r
Test Wheat -6.73 16.6 0.934** 10.1 20.06 0.638** -0.98 28.84 0.317
Test Corn -4.08 9.88 0.985** 13.35 19.84 0.391* -2.58 18.61 0.795**
Test BDT 5.77 7.54 0.995** 22.96 28.6 0.651** -4.06 9.47 0.94**
Test Wheat+Corn -6.13 9.2 0.987** 11.46 16.5 0.594** -1.97 12.7 0.823**

*、 **分别表示相关性通过95%（P<0.05）、 99%（P<0.01）的显著性t检验

图9（a）为净辐射通量的模拟值与观测值对比图， 当模式中设置单一作物下垫面类型时（Test Wheat、 Test Corn、 Test BDT）， 高估了生长期内LAI， 进而低估了地面反照率， 向上短波辐射模拟偏低， 净辐射通量出现高估； 而在非生长期内土壤温度模拟呈现暖偏差， 使向上长波辐射模拟偏高， 又由于LAI的低估， 向上短波辐射模拟偏高， 净辐射模拟偏低。Test Wheat、 Test Corn、 Test BDT模拟净辐射的平均偏差为-6.73 W·m-2、 -4.08 W·m-2、 5.77 W·m-2， 平均均方根误差分别为16.6 W·m-2、 9.88 W·m-2、 7.54 W·m-2， 平均相关系数分别为0.934、 0.985、 0.995， BGCCROP模拟效果较好。在Test Wheat+Corn混合作物下垫面中， 净辐射平均偏差为-6.13 W·m-2， 平均均方根误差为9.2 W·m-2， 平均相关系数为0.987， 相较于Test Wheat和Test Corn， 明显地降低了地表反照率模拟偏差， 改善了净辐射的变化趋势， 但整体净辐射模拟得依旧偏低。
图9（b）、 图9（c）分别为感热通量、 潜热通量对比图， 随着LAI的增大， 感热通量减小， 潜热通量增大。夏季太阳辐射增强， 净辐射增大， 进而感热潜热通量增大。由于土壤温度模拟的暖偏差， 地气温差增大， 导致感热通量整体模拟偏高， Test Wheat、 Test Corn、 Test BDT、 Test Wheat+Corn模拟感热通量的平均偏差分别为10.1 W·m-2、 13.35 W·m-2、 22.96 W·m-2、 11.46 W·m-2， 平均均方根误差分别为20.06 W·m-2、 19.84 W·m-2、 28.6 W·m-2、 16.5 W·m-2。潜热通量由冠层蒸腾［图9（d）］、 地面蒸发［图9（e）］和冠层蒸发［图9（f）］组成， 随着LAI的增加， 冠层蒸腾、 冠层蒸发增加， 地面蒸发减少， 在生长期内冠层蒸腾占主导， 非生长期地面蒸发占主导， 冠层蒸发量级较小， 月平均地面蒸发最大值不超过30 W·m-2， 整体上农田土壤水消耗的主要方式是作物冠层的蒸腾作用。当CLM5.0-BGCCROP高估潜热通量时， 土壤液态水含量的模拟出现干偏差； 低估潜热通量时， 土壤液态水含量出现湿偏差。Test Wheat、 Test Corn、 Test BDT、 Test Wheat+Corn模拟潜热通量的平均偏差分别为-0.98 W·m-2、 -2.58 W·m-2、 -4.06 W·m-2、 -1.97 W·m-2， 整体低估了潜热通量， 平均均方根误差分别为28.84 W·m-2、 18.61 W·m-2、 9.47 W·m-2、 12.7 W·m-2， 平均相关系数分别为0.317、 0.795、 0.94、 0.823， Test Wheat+Corn相较于Test Wheat、 Test Corn对潜热通量的模拟有一定的提升， 平均均方根误差分别减少了16.14 W·m-2、 5.91 W·m-2。

4 结论

本研究利用CLM5.0-BGCCROP对黄土高原半湿润区不同作物下垫面进行模拟， 更改土壤质地、 作物功能类型， 对比四组模拟试验的土壤温湿度、 叶面积指数、 感热潜热通量和辐射通量， 得到以下主要结论：
（1） CLM5.0-BGCCROP对冬小麦（Test Wheat）、 玉米（Test Corn）和苹果林地（Test BDT）的土壤温度、 土壤液态水含量的平均偏差小于1.5   ℃和0.1 m3·m-3， 平均均方根误差小于2.5   ℃和0.1 m3·m-3， 平均相关系数大于0.89。冬小麦的生长期为10月至次年6月， 处于旱季， 冠层蒸腾加深了深层土壤的水分亏缺。玉米和苹果的生长期分别为4 -9月和4 -10月， 处于雨热同季， 降水能对作物蒸散作用消耗的水分进行补偿， 其中苹果林地的叶片密度较高， 对太阳辐射的直接阻挡导致土壤温度更低； 根系更加丰富， 导致吸收更多的土壤水， 土壤表现得更加干燥。
（2） CLM5.0-BGCCROP作物模式的模拟偏差分为两部分， 在模式中将下垫面设置为单一作物类型时， 高估（低估）了（非）生长期作物的LAI， 低估（高估）了地表反照率， 高估（低估）了净辐射通量， 转化为潜热感热通量的能量更多（少）， 进而影响土壤水热特征。另一部分与作物管理方式有关， 例如模式中认为小麦地和玉米地在收割后没有植被存在， 地面能接收到更多的太阳辐射和降水， 导致土壤温度和土壤液态水含量模拟偏高。地膜覆盖在农田中起着保湿保温的作用， 玉米地观测土壤温度和土壤液态水含量高于小麦地和苹果林地， 但模式中没有进行覆膜， 导致土壤温度出现冷偏差， 20 cm以上浅层土壤液态水含量出现干偏差， 平均偏差分别为-1.84   ℃和-0.058 m3·m-3。
（3） 冬小麦-玉米混合下垫面（Test Wheat+Corn）较Test Wheat、 Test Corn能更好地模拟作物下垫面的潜热通量特征， 平均均方根误差减少了16.14 W·m-2、 5.91 W·m-2， 但低估了净辐射， 高估了感热通量， 平均偏差分别约-6.13 W·m-2、 11.46 W·m-2。在（非）生长期内， 冠层蒸腾（地面蒸发）作用占主导， 随着作物LAI的增加（减少）， 穿过冠层到达地面的太阳辐射减少（增加）， 土壤温度降低（上升）， 感热通量减少（增加）， 冠层蒸腾作用增强（降低）， 潜热通量增加（减少）， 土壤液态水含量减少（增加）。

参考文献

null
Beaudoing H， Rodell M， 2022.NASA/GSFC/HSL （2020）， GLDAS Noah Land Surface Model L4 3 hourly 0.25 x 0.25 degree V2.1， Greenbelt， Maryland， USA， Goddard Earth Sciences Data and Information Services Center （GES DISC）， Accessed：［20-Feb-2022］.DOI： 10.5067/E7TYRXPJKWOQ .
null
Boas T， Bogena H， Grünwald T， et al， 2021.Improving the representation of cropland sites in the Community Land Model （CLM） version 5.0［J］.Geoscientific Model Development， 14： 573-601.DOI： 10.5194/gmd-14-573-2021 .
null
Chen X， Yu Y， Chen J B， et al， 2016.Seasonal and interannual variation of radiation and energy fluxes over a rain-fed cropland in the semi-arid area of Loess Plateau， northwestern China［J］.Atmospheric Research， 176-177： 240-253.DOI： 10.1016/j.atmosres.2016.03.003 .
null
Deng M S， Meng X H， Lu Y Q， et al， 2021.Impact and sensitivity analysis of soil water and heat transfer parameterizations in community land surface model on the Tibetan Plateau［J］.Journal of Advances in Modeling Earth Systems， 13.DOI： 10.1029/2021MS002670 .
null
Deng M S， Meng X H， Lyv Y Q， et al， 2020.Comparison of soil water and heat transfer modeling over the Tibetan Plateau using two Community Land Surface Model （CLM） versions［J］.Journal of Advances in Modeling Earth Systems， 12.DOI： 10.1029/2020MS002189 .
null
Han T T， Lu H F， Lü Y H， et al， 2021.Assessing the effects of vegetation cover changes on resource utilization and conservation from a systematic analysis aspect［J］.Journal of Cleaner Production， 293.DOI： 10.1016/j.jclepro.2021.126102 .
null
Hartley A J， MacBean N， Georgievski G， et al， 2017.Uncertainty in plant functional type distributions and its impact on land surface models［J］.Remote Sensing of Environment， 203： 71-89.DOI： 10.1016/j.rse.2017.07.037 .
null
Kucharik C J， Foley J A， Delire C， et al， 2000.Testing the performance of a dynamic global ecosystem model： water balance， carbon balance， and vegetation structure［J］.Global Biogeochem Cycles， 14： 795-825.DOI： 10.1029/1999GB001138 .
null
Kucharik C J， Brye K R， 2003.Integrated BIosphere Simulator （IBIS） yield and nitrate loss predictions for Wisconsin maize receiving varied amounts of nitrogen fertilizer［J］.Journal of Environmental Quality， 32： 247-268.DOI： 10.2134/jeq2003.2470 .
null
Lawrence D M， Fisher R A， Koven C D， et al， 2019.The Community Land Model Version 5： description of new features， benchmarking， and impact of forcing uncertainty［J］.Journal of Advances in Modeling Earth Systems， 11： 4245-4287.DOI： 10. 1029/2018MS001583 .
null
Li Y， Piao S L， Li L Z X， et al， 2018.Divergent hydrological response to large-scale afforestation and vegetation greening in China［J］.Science Advances， 4： eaar4182.DOI： 10.1126/sciadv.aar4182 .
null
Lombardozzi D L， Lu Y Q， Lawrence P J， et al， 2020.Simulating agriculture in the Community Land Model Version 5［J］.Journal of Geophysical Research： Biogeosciences， 125.DOI： 10.1029/2019JG005529 .
null
Lu Y Q， Kimball B A， 2020.Validation of spring wheat responses to elevated CO2， Irrigation， and nitrogen fertilization in the Community Land Model 4.5［J］.Earth and Space Science， 7： e2020EA001088.DOI： 10.1029/2020EA001088 .
null
Lu Y Q， Williams I N， Bagley J E， et al， 2017.Representing winter wheat in the Community Land Model （version 4.5）［J］.Geoscientific Model Development， 10： 1873-1888.DOI： 10.5194/gmd-10-1873-2017 .
null
Lu Y Q， Yang X Y， 2021.Using the anomaly forcing Community Land Model （CLM 4.5） for crop yield projections［J］.Geoscientific Model Development， 14： 1253-1265.DOI： 10.5194/gmd-14-1253-2021 .
null
Qiu L J， Wu Y P， Shi Z Y， et al， 2021.Quantifying spatiotemporal variations in soil moisture driven by vegetation restoration on the Loess Plateau of China［J］.Journal of Hydrology， 600.DOI： 10.1016/j.jhydrol.2021.126580 .
null
Quinton J N， Govers G， Van Oost K， et al， 2010.The impact of agricultural soil erosion on biogeochemical cycling［J］.Nature Geoscience， 3： 311-314.DOI： 10.1038/ngeo838 .
null
Rodell M， Houser P R， Jambor U， et al， 2004.The global land data assimilation system［J］ Bulletin American Meteorological Society， 85， 381-394.DOI： 10.1175/BAMS-85-3-381 .
null
Van Oost K， Quine T A， Govers G， et al， 2007.The impact of agricultural soil erosion on the global carbon cycle［J］.Science， 318： 626-629.DOI： 10.1126/science.1145724 .
null
Wang C H， Yang K， 2018.A new scheme for considering soil water‐heat transport coupling based on Community Land Model： model description and preliminary validation［J］.Journal of Advances in Modeling Earth Systems， 10： 927-950.DOI： 10.1002/2017MS001148 .
null
Wang D Y， Wang D G， Mo C X， 2021.The use of remote sensing-based ET estimates to improve global hydrological simulations in the Community Land Model Version 5.0［J］.Remote Sensing， 13.DOI： 10.3390/rs13214460 .
null
Xia Y， Fu C， Wu H， et al， 2021.Influences of extreme events on water and carbon cycles of cropland ecosystems： a comprehensive exploration combining site and global modeling［J］.Water Resources Research， 57： e2021WR029884.DOI： 10. 1029/2021WR029884
null
Yang K， Wang C H， Li S Y， 2018.Improved simulation of frozen‐thawing process in Land Surface Model （CLM4.5）［J］.Journal of Geophysical Research： Atmospheres， 123.DOI： 10.1029/2017JD028260 .
null
Yang X， Li Z， Cui S， et al， 2020.Cropping system productivity and evapotranspiration in the semiarid Loess Plateau of China under future temperature and precipitation changes： An APSIM-based analysis of rotational vs.continuous systems［J］.Agricultural Water Management， 229.DOI： 10.1016/j.agwat.2019.105959 .
null
Ye L P， Fang L C， Shi Z H， et al， 2019.Spatio-temporal dynamics of soil moisture driven by ‘Grain for Green’ program on the Loess Plateau， China［J］.Agriculture， Ecosystems & Environment， 269： 204-214.DOI： 10.1016/j.agee.2018.10.006 .
null
陈海山， 杜新观， 孙悦， 2022.陆面过程与天气研究［J］.地学前缘， 29（5）： 382-400.DOI： 10.13745/j.esf.sf.2021.9.59 .
null
陈紫薇， 2021.覆膜对小麦-玉米轮作系统土壤水热、 作物生长和产量的影响［D］.咸阳： 西北农林科技大学， DOI： 10.27409/d.cnki.gxbnu.2021.000605 .
null
戴永久， 2020.陆面过程模式研发中的问题［J］.大气科学学报， 43（1）： 33-38.DOI： 10.13878/j.cnki.dqkxxb.20200103006 .
null
李得勤， 张述文， 文小航， 等， 2016.土壤湿度参数化及对天气和气候模拟影响的研究进展［J］.地球科学进展， 31（3）： 236-247.DOI： 10.11867/j.issn.1001-8166.2016.03.236 .
null
李时越， 杨凯， 王澄海， 2018.陆面模式CLM4.5在青藏高原土壤冻融期的偏差特征及其原因［J］.冰川冻土， 40（2）： 322-334.DOI： 10.7522/j.issn.1000-0240.2018.0037 .
null
陆军胜， 2021.滴灌水肥一体化冬小麦/夏玉米水氮效应及夏玉米氮肥供应决策研究［D］.咸阳： 西北农林科技大学， DOI： 10. 27409/d.cnki.gxbnu.2021.001906 .
null
邵进， 2019.黄土塬区深层土壤水文过程及其变化规律研究［D］.咸阳： 西北农林科技大学.DOI： 10.27409/d.cnki.gxbnu. 2019.000045 .
null
孙昊蔚， 2020.气候变化下黄土高原作物产量与土壤水分模拟［D］.咸阳： 西北农林科技大学， DOI： 10.27409/d.cnki.gxbnu. 2020.000933 .
null
王澄海， 杨凯， 张飞民， 等， 2021.青藏高原土壤冻融过程的气候效应： 进展和展望［J］.高原气象， 40（6）： 1318-1336.DOI： 10. 7522/j.issn.1000-0534.2021.zk021 .
null
王丹云， 吕世华， 韩博， 等， 2018.黄土高原春季植被变化分布与变化特征及其对春旱的响应研究［J］.高原气象， 37（5）： 1208-1219.DOI： 10.7522/j.issn.1000-0534.2018.00033 .
null
王菲， 陈报章， 陈婧， 等， 2022.华北平原冬小麦——夏玉米轮作区DLM与CLM5模型模拟对比研究［J］.地理科学进展， 41（2）： 289-303.DOI： 10.18306/dlkxjz.2022.02.009 .
null
王龙欢， 谢正辉， 贾炳浩， 等， 2021.陆面过程模式研究进展——以CAS-LSM为例［J］.高原气象， 40（6）： 1347-1363.DOI： 10. 7522/j.issn.1000-0534.2021.zk016 .
null
王宇轩， 奥银焕， 李照国， 等， 2021.黑河中下游不同类型下垫面的能量收支差异及其成因研究［J］.高原气象， 40（3）： 495-509.DOI： 10.7522/j.issn.1000-0534.2020.00100 .
null
吴笛， 胡泽勇， 付春伟， 等， 2022.基于CLM4.5的高寒草地辐射收支和水热交换的数值模拟研究［J］.高原气象， 41（1）： 107-121.DOI： 10.7522/j.issn.1000-0534.2021.00045 .
null
张宝庆， 邵蕊， 赵西宁， 等， 2020.大规模植被恢复对黄土高原生态水文过程的影响［J］.应用基础与工程科学学报， 28（3）： 594-606.DOI： 10.16058/j.issn.1005-0930.2020.03.008 .
null
张宝庆， 田磊， 赵西宁， 等， 2021.植被恢复对黄土高原局地降水的反馈效应研究［J］.中国科学： 地球科学， 51（7）： 1080-1091.DOI： 10.1360/SSTe-2020-0273 .
null
张强， 王蓉， 岳平， 等， 2017.复杂条件陆-气相互作用研究领域有关科学问题探讨［J］.气象学报， 75（1）： 39-56.DOI： 10. 11676/qxxb2017.003 .
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