高原气象

高原气象 >

2024 , Vol. 43 >Issue 5: 1125 - 1137

DOI: https://doi.org/10.7522/j.issn.1000-0534.2024.00011

ERA5-Land青藏高原湖冰特征误差分析及FLake模式改进

  • 杨柳依依 ,
  • 文莉娟 ,
  • 王梦晓 ,
  • 苏东生 ,
  • 董靖玮
展开
  • 1. 中国科学院西北生态环境资源研究院 青海湖综合观测研究站，甘肃 兰州 730000
    2. 中国科学院大学，北京 100049
    3. 成都信息工程大学大气科学学院，四川 成都 610225

杨柳依依（1999 -）， 女， 江苏人， 硕士研究生， 主要从事湖冰模拟研究. E-mail：

收稿日期: 2023-06-24

  修回日期: 2024-02-04

  网络出版日期: 2024-02-04

基金资助

国家自然科学基金项目(42275044); 中国科学院“西部之光”项目(E129030101); 甘肃省自然科学基金项目(22JR5RA073)

收起

Error Analysis of Lake Ice Characteristics of ERA5-Land and FLake Model Improvement on the Qinghai-Xizang Plateau

  • Liuyiyi YANG ,
  • Lijuan WEN ,
  • Mengxiao WANG ,
  • Dongsheng SU ,
  • Jingwei DONG
Expand
  • 1. Qinghai Lake Comprehensive Observation and Research station，Northwest Institute of Eco-Environment and Resources Chinese Academy of Sciences，Lanzhou 730000，Gansu，China
    2. University of Chinese Academy of Sciences，Beijing 100049，China
    3. College of Atmospheric Sciences，Chengdu University of Information Technology，Chengdu 610225，Sichuan，China

Received date: 2023-06-24

  Revised date: 2024-02-04

  Online published: 2024-02-04

Fold

摘要

青藏高原上湖泊众多， 其中大多数被季节性湖冰覆盖。湖冰对气候变化响应敏感， 其生消过程会显著改变湖-气交换通量。而现有的高原湖冰长时间观测数据较少， 需要利用湖冰再分析资料进行研究。但目前对ERA5-Land湖冰资料在高原的适用性及改进方法还不甚清楚。因此， 本文首先利用2010 -2022年青海湖和鄂陵湖的湖冰观测数据， 评估了ERA5-Land再分析资料对青藏高原典型湖泊湖冰特征的模拟能力。结果表明： ERA5-Land资料对青海湖和鄂陵湖的冰厚平均高估0.54~0.62 m， 对封冻期天数高估约68 d·a-1。其次对再分析湖冰数据误差来源进行分析， 通过对比ERA5-Land和鄂陵湖观测资料及其各自驱动模式的模拟结果， 得出误差主要来源于输出ERA5-Land湖冰数据的FLake一维湖泊模式。最后基于2010 -2022年青海湖和鄂陵湖的MCD43A3地表反照率产品， 利用其多年平均反照率和动态日均反照率改进了FLake模型， 模拟冰厚平均偏差可分别减小85%和90%， 封冻期天数的模拟偏差减小了约6 d·a-1和8 d·a-1。两种方法均可以改进FLake模型对湖冰的模拟效果， 特别是对积雪覆盖时间较长的湖泊， 动态反照率方法改进效果更明显。本研究揭示了ERA5-Land湖冰特征的主要误差来源为FLake模式中的湖冰反照率， 并对该参数进行了改进， 提高了模型对湖冰的模拟效果， 可为提高ERA5-Land再分析湖冰数据在青藏高原典型湖泊的模拟精度提供参考。

关键词： 青藏高原; 湖冰; ERA5-Land; FLake模式; 参数优化

本文引用格式

杨柳依依 , 文莉娟 , 王梦晓 , 苏东生 , 董靖玮 . ERA5-Land青藏高原湖冰特征误差分析及FLake模式改进[J]. 高原气象, 2024 , 43(5) : 1125 -1137 . DOI: 10.7522/j.issn.1000-0534.2024.00011

Abstract

The Qinghai-Xizang Plateau， distinguished by its vast array of lakes， exhibits marked seasonal lake ice coverage， which is highly responsive to climatic shifts.This ice coverage plays a crucial role in the dynamic interchange of fluxes between the lake surfaces and the atmosphere.Despite the significance of these ice phenomena， the limited availability of extensive， long-term observational data on plateau lake ice has led to a reliance on reanalyzed ice datasets， particularly ERA5-Land.This study aims to rigorously evaluate the effectiveness and potential enhancements of ERA5-Land's lake ice data in the distinct environment of the Qinghai-Xizang Plateau.Focusing on data collected from 2010 to 2022 for Qinghai Lake and Ngoring Lake， this research meticulously examines the ERA5-Land reanalysis data's ability to accurately capture the intrinsic characteristics of plateau lake ice.The study uncovered that ERA5-Land tends to overestimate the ice thickness by about 0.54~0.62 m and erroneously prolongs the freezing period by roughly 68 days per year for these lakes.This notable discrepancy necessitated an in-depth error analysis， which synthesized ERA5-Land data with direct observational data from Ngoring Lake， revealing that inaccuracies primarily originated from the FLake one-dimensional lake model within the ERA5-Land system.In an effort to address these inaccuracies， the study employed the MCD43A3 surface albedo product for both Qinghai Lake and Ngoring Lake over the same period.This innovative approach significantly refined the FLake model by incorporating both a multi-year average albedo and a dynamic daily average albedo.These methodological improvements led to a substantial reduction in the average bias of ice thickness， by 85% and 90% respectively， and narrowed the deviation in the modeled freezing period by about 6 and 8 days per year.The enhancements were particularly notable in lakes with longer periods of snow cover， where the dynamic albedo adjustment proved to be highly effective.This research has successfully identified the albedo parameter within the FLake model as a key source of error in ERA5-Land's lake ice characterizations and has implemented practical adjustments to rectify this.These enhancements have markedly increased the model's precision in simulating lake ice， thereby significantly improving the accuracy of ERA5-Land reanalyzed lake ice data.This advancement is particularly pertinent for the unique climatic and geographical conditions of Qinghai Lake and Ngoring Lake on the Qinghai-Xizang Plateau and offers invaluable insights for future research and practical applications in this domain.The findings of this study contribute profoundly to our understanding and modeling of lake ice phenomena in high-altitude regions and have broader implications for climatological research and environmental monitoring on the Qinghai-Xizang Plateau.

Key words： Qinghai-Xizang Plateau; lake ice; ERA5-Land; FLake model; parameter optimization

1 引言

青藏高原上分布着大量湖泊群， 湖泊总面积超过中国湖泊总面积的50%， 被誉为“亚洲水塔”， 对我国气候系统稳定起着生态安全屏障作用（Zhang et al， 2019； Immerzeel et al， 2010； 姚檀栋等， 2017）。湖泊通过与大气之间的能量、 水汽交换等过程显著地影响着区域天气和气候（Vavrus et al， 1996）。
青藏高原湖泊平均海拔在4000 m以上， 多为季节性冻结湖泊， 每年都会经历冰层的生消过程， 封冻期为几个月至半年不等（Sharma et al， 2016）。湖冰的存在会改变湖泊表面的动力学和热力学过程， 改变湖泊表面的水热性质， 减少湖水和大气间的感热、 潜热、 水汽通量交换， 使得对流减少， 进而增加了低层大气的稳定性（Vavrus et al， 2013）。湖冰也会改变湖泊内部的水热性质及生态环境， 一方面， 湖冰的阻隔消除了风对湖泊的动力混合作用， 使得上下层湖水热力交换减弱， 湖泊热力分层更加稳定（Leppäranta， 2014）。另一方面， 湖泊形成完整冰盖后， 隔绝了大气中的氧气进入湖泊， 减小了湖水溶解氧浓度， 影响水生生物的发育和繁殖（Bai et al， 2016）。另外， 湖冰也是气候变化的敏感指示因子， 在气候变暖背景下， 季节性湖泊冬季无封冻期事件不断发生， 例如位于北美的尚普兰湖、 特拉弗斯湾等湖泊都经历了多年（3年以上）没有结冰的时期（Filazzola et al， 2020）。综上所述， 湖冰影响湖泊动、 热力学性质， 进而影响区域天气气候， 因此提高对湖冰厚度等湖冰特征的监测能力十分必要。
由于高原上缺乏长时间序列和较大范围的湖冰观测资料， 通常需要数值模拟的方法来实现对湖冰特征时空变化的刻画。FLake是应用最为广泛的一维湖泊模式之一， 通过对FLake模式湖泊深度、 湖冰反照率等参数进行改进， 可以提高其对全球湖表温度的模拟效果（Bernus et al， 2021； Layden et al， 2016； Salgado et al， 2010）。耦合FLake模型的欧洲中期天气预报中心（ECMWF）的陆面模型HTESSEL（Balsamo et al， 2015； Dutra et al， 2010）， 在ERA5（ECMWF Reanalysis v5， ERA5）再分析资料的近地面大气场驱动下， 单一降尺度模拟得到目前唯一一个描述全球湖泊表面冰层状况的小时数据集， 即ERA5-Land陆地产品（Alghamdi， 2020； Rakhmatova et al， 2021； Bongioannini et al， 2022）， 其湖冰数据由FLake湖泊模型模拟所得（Kirillin et al， 2011； Li et al， 2022）， 具有 0.1 ° × 0.1 °的空间分辨率和超过70年的时间跨度。ERA5-Land资料较好地解决了湖冰观测资料匮乏、 时空分布不均等问题， 但其易受同化方案、 耦合的数值模型的影响（陈艳春等， 2017）， 在不同地区和不同变量之间的准确性需要进一步评估（Rakhmatova et al， 2021）。
关于ERA5-Land再分析资料的不同陆面变量在青藏高原的适用性， 已有一定的研究进行了评估（Lin et al， 2023； Jiao et al， 2023； Li et al， 2022）， 但ERA5-Land对高原湖冰特征的刻画精度尚不清楚。因此选择高原上最大的咸水湖——青海湖和淡水湖——鄂陵湖作为研究对象， 评估ERA5-Land再分析资料在高原典型湖泊上的适用性， 对该资料的湖冰变量进行误差分析， 利用MODIS卫星资料对FLake模式进行参数化改进， 研究结果以期为提高再分析资料刻画青藏高原湖冰特征时空变化规律的精确度提供参考。

2 研究区域、 数据及模式

2.1　研究区域

青海湖是青藏高原上最大的咸水湖， 海拔约为3200 m， 位于青藏高原的东北部。位置介于36°21′N -37°15′N和99°36′E -100°47′E， 面积在2021年为4625.6 km2（周盛盛， 2021）， 平均湖深约为18.3 m（Vavrus et al， 2013； 青海省水利厅和青海统计局， 2015）， 年均气温0~5 ℃。湖面通常于每年12月中下旬开始冻结， 次年3月下旬开始消融， 至4月中上旬完全融化， 封冻期为3~4个月， 几乎不存在反复冻结的情况。最大湖冰厚度近年来有变薄的趋势， 在0.7 m左右（周柯， 2019； 汪关信等， 2021）。
鄂陵湖是青藏高原上最大的淡水湖， 海拔约为4269 m。鄂陵湖位于青海湖西南侧， 地理位置介于34°46′N -35°05′N和97°31′E -97°55′E， 面积到2015年约为651.08 km2（苟照君和刘峰贵， 2019）， 湖泊平均深度约17 m， 最大深度可达31 m， 湖区年均气温为-3.5 ℃。湖泊从每年11月末开始结冰， 至次年5月末完全消融， 封冻期长达半年， 最大冰厚可达0.8 m。开始冻结、 消融日期及最大冰厚， 均与青海湖存在较大差异。

2.2　数据

2.2.1　青海湖观测数据

下社水文站位于青海湖东南部二郎剑景区的西北方向， 二者相距约7300 m［图1（a）］。该水文站利用人工钻孔的方式对青海湖湖冰厚度进行观测， 在距离湖岸约1000 m处利用L型钢尺测量并记录了从1983年1月1日开始至今的冰厚， 时间间隔为5天。对2010 -2018年的冰厚观测数据进行了质量控制， 剔除了3次连续观测中， 仅第二次冰厚为0 m等不符合实际结冰情况的观测数据。
图1 青海湖（a）和鄂陵湖（b）地理位置及观测站点位置

Fig.1 Location and observation sites of Qinghai Lake（a） and Ngoring Lake（b） in the Qinghai-Xizang Plateau

此外， 于2022年2月6 -28日在青海湖开展了湖冰辐射连续自动观测工作， 观测点（36°35′N， 100°30′E）位于青海湖二郎剑景区鱼雷发射基地南侧， 距发射基地约300 m［图1（a）］。湖冰反照率主要通过观测的向上短波辐射和向下短波辐射来计算。

2.2.2　鄂陵湖观测数据

湖岸站（35°34′N， 97°54′E）于2010年10月架设在鄂陵湖以西距湖泊30 m处［图1（b）］， 海拔约为4282 m， 配备了各种气象变量传感器（例如温度、 湿度、 风速、 辐射通量等）（Wen et al， 2016； Meng et al， 2023）。此外， 于2012年冬季结冰期在鄂陵湖湖岸站附近100 m处（35°34′N， 97°53′E）， 通过人工钻孔测量湖冰厚度的方式， 获得了2012年12月至2013年3月的冰厚观测数据。本文使用湖岸站提供的2011 -2016年气象强迫数据评估了ERA5-Land再分析资料在鄂陵湖的适用性， 包括气温、 比湿、 气压、 经向风速、 纬向风速、 向下的短波辐射和长波辐射通量。

2.2.3　 MODIS地表反照率数据

MODIS（Moderate Resolution Imaging Spectroradiometer）反照率产品（MCD43A3）由Terra和Aqua的数据组成， 采用正弦投影网格， 提供16天合成的地方太阳正午时的MODIS 1~7波段的不同反照率， 包括黑空反照率（Black-Sky Albedo， BSA）和白空反照率（White-Sky Albedo， WSA）等， 空间分辨率为500 m， 时间分辨率为1天。本研究选用黑空反照率即晴空反照率， 即在太阳辐射为完全直射的条件下（Román et al， 2010）， 符合所选研究区域的大部分天气条件。选取2010 -2022年封冻期的地表反照率产品MCD43A3（V006.1）， 进行重投影并插值到0.01° ×0.01°的网格中， 青海湖内可用格点3717个， 鄂陵湖内可用格点209个， 格点平均后， 对两湖反照率特征进行刻画。该数据可从NASA的LAADS DAAV（https： //ladsweb.modaps.eosdis.nasa.gov/search/）下载获得。

2.2.4　 ERA5-Land再分析资料

ERA5（the fifth generation of European Centre for Medium-Range Weather Forecasts atmospheric reanalysis data）是欧洲中期天气预报中心（ECMWF）提供的第五代全球大气再分析资料（https： //www.ecmwf.int）， 包括1950年至今的大气再分析数据。ERA5-Land（ECMWF， 2022）是在ERA5陆面部分的基础上， 采用修正的陆面水文模式HTESSEL进行改进并重新计算， 使其更准确地适用于所有的土地类型。计算时没有耦合ECMWF/IFS的大气和海洋模块， 忽略了所有的海洋区域， 只考虑陆地部分， 使得数据更新频率更为快速（Muñoz-Sabater et al， 2021）， 水平分辨率为9 km， 垂直方向共分137层， 时间分辨率为1 h。采用2010 -2022年的ERA5-Land再分析资料的风速、 气温、 气压、 短波、 长波辐射、 湖冰冰厚和湖冰反照率等变量。

2.2.5　湖冰物候数据

由于高海拔湖泊大范围野外观测的困难， 通常使用遥感影像反演得到长时间序列的湖冰物候数据集。为验证FLake模式的模拟效果， 本文使用了国家青藏高原科学数据中心（https： //data.tpdc.ac.cn/zh-hans/data/c242394c-fe1a-4840-9beb-0bf4a95d1231）的青藏高原河湖冰物候数据集（V1.0）， 该数据集包括2002 -2018年92个高原湖泊的湖水覆盖度、 湖冰覆盖度、 云覆盖度和经过云处理后的湖表覆盖度。以湖冰覆盖度分别为10%和90%作为湖面封冻期的开始和结束， 分别获得青海湖和鄂陵湖的四个湖冰物候参数： 开始冻结（FUS）， 完全冻结（FUE）， 开始融化（BUS）， 完全融化（BUE）（邱玉宝， 2019； Qiu， 2019）。

2.3　模式介绍

FLake模式（Fresh-water Lake Model）是一维湖泊模式， 它将水体在垂直方向上分为两层， 上层为湖泊温度充分混合一致的混合层， 下层为温度梯度较大的温跃层， 应用海洋的自相似理论（self-similarity theory）将温度剖面曲线参数化， 通过整体积分对预报方程组进行求解（Mironov， 2008）， 通过湖表温度计算湖冰表面反照率［见公式（1）］。FLake模型计算效率高， 预报时间尺度可以从几小时到几十年不等， 是一种应用较为广泛的一维模式， 已被广泛地应用于青海湖、 鄂陵湖、 纳木错等高原湖泊（Su et al， 2019； Lang et al， 2018； Lazhu et al， 2016）。该模型可从FLake官网（http： //www.FLake.igb-berlin.de/）下载。
α i = α w + ( α b - α w ) e x p [ - C α ( T f - T p ) / T f ]
式中： α i是湖冰表面反照率； α w=0.6是白冰反照率； α b = 0.1是蓝冰反照率； C α=95.6是湖冰反照率经验系数； T f = 237.15   K是冻结温度； T p ( 单位 : K )是上一模拟步长的湖表温度。

2.4　模式参数设置

模式从2010年开始模拟， 到2022年模拟结束， 模拟时长共13年， 时间间隔为1 h。2010年10月之前的时段为模式预热模拟， 2010年10月1日至2022年6月30日的模拟结果用于研究分析， 共12个湖泊封冻期。2010年1月1日（即模拟开始时间）， 青海湖和鄂陵湖均已开始冻结， 湖泊垂直方向上混合均匀， 温度近似相等， 根据观测数据（牛瑞佳等， 2023； 李小雁， 2020）， 将混合层湖水温度的初始值设置为0.5 ℃， 湖底温度设置为5 °C， 底泥温度设置为4 °C， 湖冰消光系数设置为2.0 m-1， 湖水消光系数在青海湖为0.35 m-1， 鄂陵湖为0.15 m-1 （Su et al， 2019； Li et al， 2021）。青海湖和鄂陵湖的湖泊深度设置为对应的平均湖深， 分别为18.3 m和17 m。主要进行了如下模式试验（表1）。
表1 模式试验参数设置

Table 1 Parameters for the model experiments

试验类别 青海湖 鄂陵湖
湖深/m 驱动资料 反照率 湖深/m 驱动资料 反照率
FLake+ERA5-Land 23.5 ERA5-Land 根据公式（1）计算 17.0 ERA5-Land 根据公式（1）计算
FLake+观测 17.0 观测 根据公式（1）计算
FLake+订正后的风速 23.5 ERA5-Land 根据公式（1）计算 17.0 ERA5-Land 根据公式（1）计算
FLake+ Albedo（平均） 18.3 ERA5-Land 0.23 17.0 ERA5-Land 0.30
FLake+Albedo（动态） 18.3 ERA5-Land MCD43A3日值 17.0 ERA5-Land MCD43A3日值

2.5　评估方法

为了集中表示多个气候变量的模式模拟结果与观测场的相关统计信息， 评估ERA5-Land再分析资料能否合理地模拟出气象驱动场， 用泰勒图对ERA5-Land资料的气象驱动场进行评估， 以相对标准差（ S D）、 空间相关系数（R）和标准化的中心均方根误差（RMSEI）作为评估指标。为了使不同变量的量纲一致， 将模式变量用参照变量进行标准化。
标准化：
y i = x i - x ¯ s
式中： x ¯ = 1 n ∑ i = 1 n x i， s = 1 n - 1 ∑ i = 1 n ( x i - x ¯ ) 2 。
相对标准差：
S D = S D m S D o = 1 n ∑ i = 1 n ( m i - m ¯ ) 2 / 1 n ∑ i = 1 n ( o i - o ¯ ) 2
相关系数：
R = 1 n ∑ i = 1 n ( m i - m ¯ ) ( o i - o ¯ ) S D m × S D o
标准化的均方根误差：
R M S E I = R M S E S D o = 1 n ∑ i = 1 n ( m i - o i ) 2 / 1 n ∑ i = 1 n ( o i - o ¯ ) 2
偏差：
B I A S = 1 n ∑ i = 1 n ( m i - o i )
模拟结果用青海湖和鄂陵湖观测数据验证， 以均方根误差（RMSE）和偏差（BIAS）描述模拟相对观测的偏离程度。

3 ERA5-Land适用性分析

3.1　 ERA5-Land湖冰特征评估

由图2可知， 在过去十二年， ERA5-Land与观测的湖冰厚度变化特征一致， 但模拟的冰厚数值偏高， 封冻期偏长， 青海湖［图2（a）］和鄂陵湖［图2（b）］的冰厚平均偏差分别为0.62 m和0.54 m， 均方根误差分别为0.64 m和0.58 m； 此外， 青海湖［图3（a）］和鄂陵湖［图3（b）］的湖冰开始冻结日期平均早于观测16 d·a-1， 完全融化日期晚于观测52 d·a-1， 封冻期天数比观测长约68 d·a-1。ERA5-Land再分析资料对两湖湖冰厚度和封冻期长度的模拟均存在明显的高估。
图2 2010 -2022年青海湖（a）和鄂陵湖（b）的ERA5-Land冰厚与观测冰厚对比（a， b）及2011 -2016年鄂陵湖风速改进后的FLake冰厚模拟结果（b）

Fig.2 Comparison of ice thickness （a， b） between ERA5-Land and observations of Qinghai Lake （a） and Ngoring Lake （b） from 2010 to 2022 and ice thickness simulated by FLake after improved wind speed of Ngoring Lake from 2011 to 2016 （b）

图3 2010 -2022年青海湖（a）和鄂陵湖（b）封冻期天数改进FLake模型模拟结果与观测对比

Fig.3 Comparison of freezing period lengths （in days） between improved FLake simulation and observations of Qinghai Lake （a） and Ngoring Lake （b） from 2010 to 2022

为探究ERA5-Land模拟冰厚的误差来源， 使用该再分析资料气象场数据驱动原始的FLake模型再现ERA5-Land的湖冰特征。由于ERA5-Land的具体算法未公开， 湖泊参数初始值的设置较难从官网获得， 再现时FLake模式中的一些关键湖泊参数如湖泊深度等使用当地经验参数。冰厚模拟结果平均偏差分别为0.36 m和0.41 m， 小于ERA5-Land的误差（0.62 m和0.54 m）。再现的湖冰封冻期天数比观测长约19 d·a-1， 小于ERA5-Land的误差（68 d·a-1）， 改变FLake模式初值对湖冰冻融时间模拟的影响极大， 使用准确的区域性湖泊参数可以提高FLake湖泊模式对湖冰冻融时间的模拟效果。尽管优于ERA5-Land， 青海湖和鄂陵湖的模拟结果仍可重现ERA5-Land资料对湖冰厚度和封冻期天数高估的特征。后文在当前模式和参数基础上对湖冰生消过程进行模拟改进。

3.2　 ERA5-Land气象要素评估

基于ERA5-Land再分析资料湖冰变量的误差主要来源于气象强迫场和湖泊模式两部分， 首先评估ERA5-Land的气象场， 检验其在鄂陵湖的代表性。图4为通过ERA5-Land再分析资料与鄂陵湖野外观测数据对比的泰勒图， 图中观测资料的标准差（REF）为1， 当ERA5-Land气象变量点在横轴上的长度越接近1， 距离REF越近， 与观测场的相关系数越大， 代表该变量的模拟效果越好。
图4 ERA5-Land再分析资料相对于观测资料（REF）的鄂陵湖各气象变量多年平均气候态的泰勒图（气候平均时段为2010 -2016年）

图中数字代表被评估的气象变量, 数字至原点的距离为标准差之比, 数字至REF的距离为标准化的均方根误差, 方位角为空间相关系数

Fig.4 Comparison between ERA5-Land and observations of the multi-year average variations （from 2010 to 2016） by taylor diagrams of Ngoring Lake.The numbers represent the variables to be assessed， the normalized standard deviation is expressed by the radial distance from the origin， the distance from the REF is the normalized centered root-mean-square difference， the azimuthal position indicates the spatial correlation coefficient

由图4可以看出， ERA5-Land再分析资料对不同变量的代表性存在差异， ERA5-Land对2 m气温、 比湿、 海平面气压、 短波辐射、 长波辐射等变量的模拟效果均较好， 空间相关系数范围为0.82~0.96， 标准化均方根误差范围为0.32~0.45， 标准差之比范围为0.87~1.1； 但对10 m风速的模拟能力较差， 空间相关系数为0.57， 标准化均方根误差为0.85， 标准差之比为0.6， 相关性远小于其他的气象变量。

3.3　驱动资料改进

ERA5-Land对湖冰特征的模拟误差有可能来源于对10 m风速的代表性较差， 常规的风速订正方法主要以线性回归模型的方式进行订正， 如一元线性订正、 多元线性订正、 逐步回归订正以及最小二乘回归订正等方法。利用2011 -2016年的鄂陵湖观测风速对ERA5-Land的10 m风速进行一元线性回归订正（ y = 1.946334 + 0.8466295 x； 其中x、 y分别为ERA5-Land风速的原始值和订正值）， 订正后的ERA5-Land风速与观测风速之间的平均偏差减小到0（图略）， 线性回归订正对风速的多年平均值有较好改进， 但对风速的年际变化、 峰值等的再现能力仍然较差， 与以往的研究结果一致（马绎皓等， 2023； 吴佳等， 2022）。用模拟风速驱动FLake模型， 冰厚模拟结果准确率降低［图2（b）］， 可能是对风速峰值刻画不准确造成的偏差增大。
为进一步探究ERA5-Land湖冰特征误差是否来源于驱动数据， 使用鄂陵湖气象观测资料驱动FLake模式， 与ERA5-Land再分析资料驱动的模拟结果进行对比， 冰厚平均偏差仅减小了0.07 m， 均方根误差仅减小了0.06 m［图2（b）］， 基本能够确定气象场对湖冰模拟结果的贡献大小。由此可以确定ERA5-Land湖冰数据的误差可能来自FLake在高原湖泊的模拟能力。
综合上述评估结果， ERA5-Land对湖冰厚度和封冻期天数高估明显， 对除10 m风速外的各气象驱动变量的代表性均较好。使用观测数据驱动模式， 虽然可以改进FLake对湖冰厚度的模拟效果， 但改进效果并不显著， 并且考虑到获取青藏高原上高海拔大型湖泊较长时间观测序列的困难， 可以使用ERA5-Land的气象场驱动模型来刻画青藏高原典型湖泊的湖冰特征。

4 模型改进

4.1　青海湖和鄂陵湖反照率特征

4.1.1　 MCD43A3与原位观测的反照率

观测的鄂陵湖裸冰反照率约0.12（Li et al， 2018）， 远小于FLake模式中的值， 改进模式的反照率可以提高湖泊表面温度的模拟效果（Layden et al， 2016； Lang et al， 2018）。优化湖冰反照率对湖冰模拟效果也应有所改进， 因此需准确认识高原湖泊反照率特征， 但高原湖泊较长时间序列和较大范围的湖冰反照率目前仍较难获取， 主要通过遥感反演获得。
现有MODIS提供了长时间序列的MCD43A3地表反照率产品， MCD43A3与2022年青海湖观测的一致性较好［图5（a）］： 2月5 -6日有一次降雪过程， 原位观测的新雪反照率比较大（0.7）， 与青海湖区域遥感反照率最大值0.65相一致。6 -12日观测点湖表被积雪覆盖， 由于积雪变质， 该时段观测的青海湖反照率逐渐降低至0.5， 同一时段遥感产品的反照率平均值在0.3左右， 较观测值偏低， 这主要是由于青海湖轮廓不规则， 东西两部分样点数目不一致， 其西部的矩形网格内格点数目为3717个， 东部为209个， 而6 -12日西部积雪较少， 东部有积雪覆盖的区域MCD43A3缺测值较多， 导致青海湖整体的区域平均值偏低。2月12日青海湖发生大风沙尘天气， 有沙尘堆积， 导致13日湖冰表面反照率降低至0.33。18日的第二次大风过程将堆积的沙尘吹散， 使得湖冰表面裸露， 观测的裸冰反照率稳定在0.2左右。2月18 -28日观测的青海湖裸冰反照率在0.17~0.26。
图5 青海湖2022年2月6 -28日（a）和鄂陵湖2017年2月10 -18日（b）湖冰反照率的观测值（× | ）与MCD43A3（箱线图）对比

Fig.5 Comparison of ice albedo between MCD43A3 and observations of Qinghai Lake from 6 to 28 February 2022 （a） and Ngoring Lake from 10 to 18 February 2017 （b）

图5（b）为鄂陵湖2017年的湖冰反照率观测数据（Li et al， 2018）与遥感产品对比， 两者之间的平均偏差小于0.08。MCD43A3的区域平均值较好地体现了高原湖泊上由于天气过程所导致的湖冰反照率变化， 同时该反照率产品在青海湖和鄂陵湖均具有较好的精度。

4.1.2　 MCD43A3反照率的长期特征

基于2010 -2022年的MCD43A3反照率产品， 青海湖12年的平均值为0.23， 鄂陵湖12年的平均值为0.3， 与2022年观测的青海湖裸冰反照率（0.17~0.26）较为一致。青海湖［图6（a）］的反照率整体小于鄂陵湖［图6（b）］， 并且数值分布均匀， 可能是由于与鄂陵湖相比， 青海湖冬季降水较少， 且风速较大不利于湖表积雪维持， 因此湖冰表面反照率整体值较小。
图6 2010 -2022年FLake计算的青海湖（a）和鄂陵湖（b）湖冰反照率与MCD43A3观测值对比

Fig.6 Comparison of ice albedo between FLake calculation and MCD43A3 observations of Qinghai Lake （a） and Ngoring Lake（b） from 2010 to 2022

MCD43A3产品在一定程度上也可以反映湖表积雪覆盖情况。由［图6（a）］可知2012年、 2017年、 2020 -2021年青海湖的湖冰反照率在结冰期内有较长时间大于0.35， 高于多年平均反照率0.23和2022年观测的青海湖裸冰反照率范围0.17~0.26。利用湖冰反照率大于0.35筛选积雪覆盖日数， 在上述年份积雪覆盖日数占封冻期天数的比例均超过10%， 因而可认为这些年青海湖表面有较长时间的积雪覆盖。鄂陵湖湖冰反照率大于0.5时可认为湖冰表面有雪存在（边晴云等， 2016）， 由此判断， 2011 -2012年、 2015年、 2017 -2022年鄂陵湖的积雪覆盖日数占封冻期天数的比例超过15%， 特别是2020年的鄂陵湖积雪覆盖日数可占封冻期天数的44%。

4.2　 FLake反照率参数化改进

图6给出了FLake计算的湖冰反照率与MCD43A3提取的湖泊区域平均反照率对比结果， FLake中两湖的反照率峰值均在0.7附近， 与图5的观测对比高估明显。这是由于FLake开发于欧美湖泊的参数环境， 由冻结点和湖表温度计算的湖冰反照率在阈值0.6附近（Mironov， 2008）， 而高原降雪相对偏少， 较大的风速不利于高原湖泊表面积雪的形成和维持， 整体的白冰反照率一般不高于0.3（Huang et al， 2021）， 过高的湖冰反照率参数可能导致FLake对高原湖冰生消过程的模拟不准确。湖冰反照率的高估会导致湖泊吸收的太阳辐射的减少， 使得湖表温度的低估， 进而影响湖冰厚度和冻融时间。
本研究使用MCD43A3反照率产品对FLake中的湖冰反照率进行参数改进， 首先用2010 -2022年的多年MCD43A3区域平均值（青海湖： 0.23； 鄂陵湖： 0.3）来代替FLake中的湖冰反照率。其次， 由于存在2012年等积雪覆盖日数较多的年份， 为了体现积雪对湖冰表面反照率的影响， 进一步使用动态日均反照率值改进FLake模式。遥感产品在青海湖和鄂陵湖上的有效数据量有所差别， 青海湖面积较大， 其上分布的格点多， 动态日均反照率的区域缺测值较少。但鄂陵湖的面积较小， 遥感产品缺测值较多， 数据分布不规则： 2014年几乎整个结冰期MCD43A3均为缺测值， 有效样本比例仅为56.5%， 2019年以及2020年的封冻期前期也没有湖冰反照率有效值［图6（b）］， 因此使用多年平均反照率来填补缺测值进而完整刻画反照率的日际变化。利用填补缺测后的MCD43A3动态日均区域反照率值对FLake模式进行参数优化， 并与多年平均反照率的优化效果进行对比。

4.2.1　多年平均反照率参数改进结果

图7和图3分别展示了FLake模式进行反照率参数优化后的冰厚和湖冰封冻期天数模拟改进效果。将多年平均反照率参数代入模式后， 模拟的青海湖和鄂陵湖湖冰厚度的总体偏差分别从0.36 m和0.41 m减小到0.14 m和0.24 m， 均方根误差分别减小到0.19 m和0.28 m（图7）， 对两湖的冰厚模拟效果分别改进了73%和41%。
图7 2010 -2022年青海湖（a）和鄂陵湖（b）冰厚的FLake模拟改进结果与观测对比

Fig.7 Comparison of ice thickness between improved FLake simulation and observations of Qinghai Lake（a） and Ngoring Lake（b） from 2010 to 2022

由图3可知， 使用多年平均反照率改进FLake模型中的湖冰反照率参数后， 模式对湖冰完全融化时间的模拟效果改进较大， 使青海湖和鄂陵湖湖冰完全融化时间模拟误差分别减小到8 d·a-1和10.6 d·a-1。湖冰的融化主要取决于与太阳辐射相关的大气条件（Efremova and Pal’shin， 2011； Bernus and Ottlé， 2022）， 尤其是湖冰和湖水对短波辐射的吸收（Zhou et al， 2023）， 过高的湖冰反照率会减少湖冰和湖水对太阳辐射的吸收量， 使模拟的冬季结冰期湖水温度偏低， 进而导致FLake模拟湖冰消融过程的偏差， 因而改进湖冰反照率等辐射参数对提高湖冰冻融时间的模拟效果至关重要。

4.2.2　动态日均反照率参数改进结果

在使用动态的MCD43A3日均区域反照率改进FLake模型后， 青海湖和鄂陵湖冰厚模拟的平均偏差减小了84%和80%， 均方根误差减小了63%和76%， 两湖冰厚平均模拟偏差均小于0.1 m， 模拟效果相对于多年平均反照率分别提高了10%和39%。
青海湖2017年的积雪覆盖日数占封冻期天数20%， 该年湖冰厚度的模拟结果和下社站观测冰厚的偏差仅有0.04 m， 原因在于动态日均反照率较好地刻画了该年冰封期湖冰表面的积雪状态， 进而使得青海湖封冻期冰厚的模拟准确度大幅提高。青海湖［图6（a）］在2010 -2022年内， 除少部分积雪覆盖日数较多的年份， 动态日均反照率和多年平均反照率0.23之间相差较小， 因而动态日均反照率相较于多年平均反照率的改进效果仅提高10%。但对于鄂陵湖， 积雪覆盖时间较长， 整体湖冰反照率也高于青海湖， 反照率年内变化较大， 使用动态日均反照率可以更加精确地刻画湖冰表面反照率特征， 进而使得2010 -2022年的冰厚整体模拟改进效果比多年平均反照率提高达39%。
对于湖冰封冻期天数， 使用多年平均或动态日均的湖冰反照率均有一定改进效果， 与再现ERA5-Land的模拟结果对比， 误差减小约8 d·a-1， 表明改小FLake中的湖冰反照率可以改进模式对湖冰物候的模拟， 这样可以使得更多的短波辐射穿透湖冰， 将热量暂时储存在湖水中， 再通过冰水之间的能量交换来加速湖冰融化（Zhou et al， 2023）。在积雪覆盖日数较多的年份， 如2012年、 2017年等， 使用动态日均反照率比用多年平均反照率对湖冰完全融化时间的模拟更加准确， 青海湖的误差减小了6 d·a-1， 鄂陵湖的误差减小了3 d·a-1。总体而言， 使用MCD43A3的日均湖冰反照率对FLake模式进行参数改进， 可以较好地提高FLake模式对湖冰完全融化时间的模拟准确度。

5 结论

本文基于2010 -2022年观测和MODIS卫星资料对ERA5-Land再分析资料进行了评估及误差分析， 并对ERA5-Land所用的一维湖泊模式FLake中的湖冰反照率进行了参数改进， 提高了FLake模式对青海湖和鄂陵湖湖冰特征的模拟能力， 可为提高ERA5-Land再分析湖冰数据在青藏高原湖泊上的精度提供参考。得出以下结论：
（1） 与观测数据对比， ERA5-Land对青海湖和鄂陵湖湖冰冰厚及湖冰冻融时间的刻画不够准确， 冰厚平均偏差分别为0.62 m和0.54 m， 开始冻结日期提前于观测16 d·a-1， 完全融化日期晚于观测52 d·a-1。
（2） ERA5-Land的气象场除10 m风速外均与观测数据相关性较高， 使用观测气象资料驱动与使用ERA5-Land资料驱动FLake模型的冰厚模拟误差仅减小0.07 m， 因此ERA5-Land气象场不是ERA5-Land湖冰数据的误差来源， 可用该资料气象场数据驱动模式对湖冰特征进行模拟。
（3） ERA5-Land再分析资料对青海湖和鄂陵湖湖冰特征的模拟误差主要来源于FLake模式中过高的湖冰反照率设置， 通过使用多年平均湖冰反照率或动态的日平均湖冰反照率均可以改进FLake模式， 改进后的湖泊模式对湖冰厚度的模拟平均偏差分别减小了85%和90%， 均方根误差分别减小了77%和81%， 对封冻期天数的模拟偏差分别减小了约8 d·a-1和6 d·a-1。
（4） 动态日均反照率的优势在于其对湖表积雪有较好的反映， 对于青海湖， 积雪覆盖时间较短， 使用动态日均反照率的冰厚模拟效果在多年平均反照率的基础上仅提高10%。而对于鄂陵湖， 积雪覆盖时间较长， 使用动态日均反照率可以提高39%。

参考文献

null
Alghamdi A S， 2020.Evaluation of four reanalysis datasets against radiosonde over Southwest Asia［J］.Atmosphere， 11（4）： 402.DOI： 10.3390/atmos11040402 .
null
Bai Q X， Li R L， Li Z J， et al， 2016.Time-series analyses of water temperature and dissolved oxygen concentration in Lake Valkea-Kotinen （Finland） during ice season［J］.Ecological Informatics， 36： 181-189.DOI： 10.1016/j.ecoinf.2015.06.009 .
null
Balsamo G， Albergel C， Beljaars A， et al， 2015.ERA-Interim/Land： a global land surface reanalysis data set［J］.Hydrology and Earth System Sciences， 19（1）： 389-407.DOI： 10.5194/hess-19-389-2015 .
null
Bernus A， Ottlé C， 2022.Modeling subgrid lake energy balance in ORCHIDEE terrestrial scheme using the FLake lake model［J］.Geoscientific Model Development， 15（10）： 4275-4295.DOI： 10.5194/gmd-15-4275-2022 .
null
Bernus A， Ottlé C， Raoult N， 2021.Variance based sensitivity analysis of FLake Lake Model for global land surface modeling［J］.Journal of Geophysical Research： Atmospheres， 126（8）： e2019JD031928. DOI：10.1029/2019JD031928 .
null
Bongioannini C P， Saraceni M， Silvestri L， et al， 2022.Monitoring the water mass balance variability of small shallow lakes by an ERA5-Land Reanalysis and water level measurement-based model.An application to the Trasimeno Lake， Italy［J］.Atmosphere， 13（6）： 949.DOI： 10.3390/atmos13060949 .
null
Dutra E， Stepanenko V M， Balsamo G， et al， 2010.An offline study of the impact of lakes on the performance of the ECMWF surface scheme［J］.Boreal Environment Research， 15： 100-112.
null
ECMWF， 2022.ERA5-Land： data documentation.
null
Efremova T V， Pal’shin N I， 2011.Ice phenomena terms on the water bodies of Northwestern Russia［J］.Russian Meteorology and Hydrology， 36（8）： 559-565.DOI： 10.3103/S1068373911080085 .
null
Filazzola A， Blagrave K， Imrit M A， et al， 2020.Climate change drives increases in extreme events for lake ice in the Northern Hemisphere［J］.Geophysical Research Letters， 47（18）： e2020GL089608.DOI：10.1029/2020GL089608 .
null
Huang L， Wang X H， Sang Y X， et al， 2021.Optimizing lake surface water temperature simulations over large lakes in China With FLake Model［J］.Earth and Space Science， 8（8）［2023-03-09］. DOI： 10.1029/2021EA001737 .
null
Immerzeel W W， Van Beek L P H， Bierkens M F P， 2010.Climate change will affect the Asian water towers［J］.Science， 328（5984）： 1382-1385.DOI： 10.1126/science.1183188 .
null
Jiao M D， Zhao L， Wang C， et al， 2023.Spatiotemporal variations of Soil temperature at 10 and 50 cm depths in permafrost regions along the Qinghai-Tibet Engineering Corridor［J］.Remote Sensing， 15（2）： 455.DOI： 10.3390/rs15020455 .
null
Kirillin G， Hochschild J， Mironov D， et al， 2011.FLake-global： online lake model with worldwide coverage［J］.Environmental Modelling & Software， 26（5）： 683-684.DOI： 10.1016/j.envsoft.2010.12.004 .
null
Lang J H， Lyu S H， Li Z H， et al， 2018.An Investigation of ice surface albedo and its influence on the high-altitude lakes of the Tibetan Plateau［J］.Remote Sensing， 10（2）： 218.DOI： 10.3390/rs10020218 .
null
Layden A， MacCallum S N， Merchant C J， 2016.Determining lake surface water temperatures worldwide using a tuned one-dimensional lake model （FLake， v1）［J］.Geoscientific Model Development， 9（6）： 2167-2189.DOI： 10.5194/gmd-9-2167-2016 .
null
Lazhu， Yang K， Wang J B， et al， 2016.Quantifying evaporation and its decadal change for Lake Nam Co， central Tibetan Plateau： LAKE EVAPORATION AND ITS CHANGE［J］.Journal of Geophysical Research： Atmospheres， 121（13）： 7578-7591.DOI： 10.1002/2015JD024523 .
null
Lepp?ranta M， 2014.Freezing of lakes and the evolution of their ice cover［M］.Springer， Berlin， Heidelberg.
null
Li H Y， Chen R S， Han C T， et al， 2022.Evaluation of the spatial and temporal variations of condensation and desublimation over the Qinghai-Tibet Plateau based on penman model using hourly ERA5-Land and ERA5 reanalysis datasets［J］.Remote Sensing， 14（22）： 5815.DOI： 10.3390/rs14225815 .
null
Li X D， Long D， Huang Q， et al， 2022.The state and fate of lake ice thickness in the Northern Hemisphere［J］.Science Bulletin， 67（5）： 537-546.DOI： 10.1016/j.scib.2021.10.015 .
null
Li Z G， Ao Y H， Lyu S H， et al， 2018.Investigation of the ice surface albedo in the Tibetan Plateau lakes based on the field observation and MODIS products［J］.Journal of Glaciology， 64（245）： 506-516.DOI： 10.1017/jog.2018.35 .
null
Li Z G， Lyu S H， Wen L J， et al， 2021.Study of freeze-thaw cycle and key radiation transfer parameters in a Tibetan Plateau lake using LAKE2.0 model and field observations［J］.Journal of Glaciology， 67（261）： 91-106.DOI： 10.1017/jog.2020.87 .
null
Lin D J， Yuan X， Jia B H， et al， 2023.Assessment of high-resolution surface soil moisture products over the Qinghai-Tibet Plateau for 2009-2017［J］.Atmosphere， 14（2）： 302.DOI： 10. 3390/atmos14020302 .
null
Meng X L， Lyu S H， Li Z G， et al， 2023.Dataset of comparative observations for land surface processes over the semi-arid alpine grassland against alpine lakes in the source region of the Yellow River［J］.Advances in Atmospheric Sciences， ［2023-03-07］.
null
Mironov D， 2008. Parameterization of lakes in numerical weather prediction： Description of a lake model COSMO［M］. Deutscher Wetterdienst： Tech Rep No. 11. Deutscher Wetterdienst Offenbach am Main， Germany.
null
Mu?oz-Sabater J， Dutra E， Agustí-Panareda A， et al， 2021.ERA5-Land： a state-of-the-art global reanalysis dataset for land applications［J］.Earth System Science Data， 13（9）： 4349-4383.DOI： 10.5194/essd-13-4349-2021 .
null
Qiu Y B， 2019.River lake ice phenology data in QPT V1.0 （2002-2018）［DB］.National Tibetan Plateau / Third Pole Environment Data Center.DOI.org/10.11888/Meteoro.tpdc.270236.
null
Rakhmatova N， Arushanov M， Shardakova L， et al， 2021.Evaluation of the perspective of ERA-Interim and ERA5 reanalyses for calculation of drought indicators for Uzbekistan［J］.Atmosphere， 12（5）： 527.DOI： 10.3390/atmos12050527 .
null
Román M O， Schaaf C B， Lewis P， et al， 2010.Assessing the coupling between surface albedo derived from MODIS and the fraction of diffuse skylight over spatially-characterized landscapes［J］.Remote Sensing of Environment， 114（4）： 738-760.DOI： 10.1016/j.rse.2009.11.014 .
null
Salgado R， Moigne P L， 2010.Coupling of the FLake model to the SURFEx externalized surface model［J］.Boreal Environment Research， 15（2）： 231-244.
null
Sharma S， Magnuson J J， Batt R D， et al， 2016.Direct observations of ice seasonality reveal changes in climate over the past 320-570 years［J］.Scientific Reports， 6（1）： 25061.DOI： 10.1038/srep25061 .
null
Su D S， Hu X Q， Wen L J， et al， 2019.Numerical study on the response of the largest lake in China to climate change［J］.Hydrology and Earth System Sciences， 23（4）： 2093-2109.DOI： 10. 5194/hess-23-2093-2019 .
null
Vavrus S J， Wynne R H， Foley J A， 1996.Measuring the sensitivity of southern Wisconsin lake ice to climate variations and lake depth using a numerical model［J］.Limnology and Oceanography， 41（5）： 822-831.DOI： 10.4319/lo.1996.41.5.0822 .
null
Vavrus S， Notaro M， Zarrin A， 2013.The role of ice cover in heavy lake-effect snowstorms over the Great Lakes Basin as simulated by RegCM4［J］.Monthly Weather Review， 141（1）： 148-165.DOI： 10.1175/MWR-D-12-00107.1 .
null
Wen L J， Lyu S H， Kirillin G， et al， 2016.Airlake boundary layer and performance of a simple lake parameterization scheme over the Tibetan highlands［J］.Tellus A： Dynamic Meteorology and Oceanography， 68（1）： 31091.DOI： 10.3402/tellusa.v68.31091 .
null
Zhang G Q， Yao T D， Chen W F， et al， 2019.Regional differences of lake evolution across China during 1960s-2015 and its natural and anthropogenic causes［J］.Remote Sensing of Environment， 221： 386-404.DOI： 10.1016/j.rse.2018.11.038 .
null
Zhou X， Lazhu， Yao X N， et al， 2023.Understanding two key processes associated with alpine lake ice phenology using a coupled atmosphere-lake model［J］.Journal of Hydrology： Regional Studies， 46： 101334.DOI： 10.1016/j.ejrh.2023.101334 .
null
边晴云， 吕世华， 陈世强， 等， 2016.黄河源区降雪对不同冻融阶段土壤温湿变化的影响［J］.高原气象， 35（3）： 621-632.DOI： 10.7522/j.issn.1000-0534.2016.00029.Bian Q Y ，
null
Lü S H， Chen S Q， et al， 2016.Influence of Snowfall on soil temprature and moisture in source region of the Yellow River during different freezing and thawing stages［J］.Plateau Meteorology， 35（3）： 621-632.DOI： 10.7522/j.issn.1000-0534.2016.00029 .
null
陈艳春， 王娜， 顾伟宗， 等， 2017.环渤海区域再分析资料地面风速场的适用性对比分析［J］.海洋气象学报， 37（1）： 67-72.DOI： 10.19513/j.cnki.issn2096-3599.2017.01.007.Chen Y C ，
null
Wang N， Gu W C， et al， 2017.Comparative analysis of wind velocity of reanalysis datasets over the Bohai Rim Region［J］.Journal of Marine Meteorology， 37（1）： 67-72.DOI： 10.19513/j.cnki.issn2096-3599.2017.01.007 .
null
苟照君， 刘峰贵， 2019.鄂陵湖［J］.全球变化数据学报（中英文）， 3（1）： 91-92+200-201.DOI： 10.3974/geodp.2019.03.14.Gou Z J ，
null
Liu F G， 2019.Ngoring Lake， Qinghai-Tibet Plateau， China［J］.Journal of Global Change Data & Discovery， 3（1）： 91-92+200-201.DOI： 10.3974/geodp.2019.03.14 .
null
李小雁，2020.祁连山综合观测网：青海湖流域地表过程综合观测网（青海湖湖面气象要素梯度观测系统-2019）［DB］.国家青藏高原科学数据中心.Li X Y， 2020.Qilian Mountains integrated observatory network： dataset of Qinghai Lake integrated observatory network （an observation system of Meteorological elements gradient of Yulei station on Qinghai lake， 2019）［DB］.National Tibetan Plateau / Third Pole Environment Data Center.DOI： 10.11888/Meteoro.tpdc.270732 .
null
马绎皓， 毛睿， 杨阳， 等， 2023.ERA5再分析资料对甘肃省近地面风速气候特征及变化趋势再现能力的评估［J］.高原气象， 42（1）： 210-220.DOI： 10.7522/j.issn.1000-0534.2022.00030.Ma YH ，
null
Mao R， Yang Y， et al， 2023.Evaluation of the ERA5 reanalysis data on the near-surface wind speed climate characteristics and change trend reproduction ability in Gansu Province［J］.Plateau Meteorology， 42（1）： 210-220.DOI： 10.7522/j.issn.1000-0534.2022.00030 .
null
牛瑞佳， 文莉娟， 王梦晓， 等， 2023.积雪和沙尘对冰封期青海湖辐射和温度的影响［J］.高原气象， 42（4）： 913-922.DOI： 10.7522/j.issn.1000-0534.2023.00021.Niu R J ，
null
Wen L J， Wang M X， et al， 2023.Effects of snow and dust on radiation and temperature in Qinghai Lake during ice-covered period［J］.Plateau Meteorology， 42（4）： 913-922.DOI： 10.7522/j.issn.1000-0534.2023.00021 .
null
青海省水利厅， 青海省统计局， 2015.青海省第一次水利普查公报［J］.青海统计（10）： 34-39.
null
Qinghai Provincial Department of Water Resources， Qinghai Provincial Bureau of Statistics， 2015.Bulletin of the first water resources census in Qinghai Province［J］.Qinghai Statistics（10）： 34-39.
null
邱玉宝， 2019.青藏高原河湖冰物候数据集V1.0（2002-2018）［DB/OL］.国家青藏高原科学数据中心， DOI： 10.11888/Meteoro.tpdc. 270236.https： //cstr.cn/18406.11.Meteoro.tpdc.270236.Qiu Y B， 2019.River lake ice phenology data in QPT V1.0 （2002-2018）［DB/OL］.National Tibetan Plateau / Third Pole Environment Data Center.Doi.org/10.11888/Meteoro.tpdc. 270236.
null
汪关信， 张廷军， 李晓东， 等， 2021.利用被动微波探测青海湖湖冰物候变化特征［J］.冰川冻土， 43（1）： 296-310.DOI： 10.7522/j.issn.1000-0240.2020.0528.Wang G X ，
null
Zhang T J， Li X D， et al， 2021.Detecting changes of ice phenology using satellite passive microwave remote sensing data in Qinghai Lake［J］.Journal of Glaciology and Geocryology， 43（1）： 296-310.DOI： 10.7522/j.issn.1000-0240.2020.0528 .
null
吴佳， 吴婕， 闫宇平， 2022.1961-2020年青藏高原地表风速变化及动力降尺度模拟评估［J］.高原气象， 41（4）： 963-976.DOI： 10.7522/j.issn.1000-0534.2022.00065.Wu J ，
null
Wu J， Yan Y P， 2022.Changes of surface wind speed over Qinghai-Xizang Plateau from 1961 to 2020 and evaluation of the dynamical downscaling simulations［J］.Plateau Meteorology， 41（4）： 963-976.DOI： 10.7522/j.issn.1000- 0534.2022.00065 .
null
姚檀栋， 陈发虎， 崔鹏， 等， 2017.从青藏高原到第三极和泛第三极［J］.中国科学院院刊， 32（9）： 924-931.DOI： 10.16418/j.issn.1000-3045.2017.09.001.Yao T D ，
null
Chen F H， Cui P， et al， 2017.From Tibetan Plateau to Third Pole and Pan-Third Pole［J］.Bulletin of Chinese Academy of Sciences， 32（9）： 924-931.DOI： 10.16418/j.issn.1000-3045.2017.09.001 .
null
周柯， 2019.基于Landsat影像的青藏高原东北部典型湖泊面积时序变化研究［D］.北京： 中国地质大学， DOI： 10.27493/d.cnki.gzdzy.2019.000987.Zhou K， 2019.Time series variation of typical lake area in northeastern Tibetan Plateau based on Landsat image［J］.Beijing： China University of Geosciences Beijing， DOI： 10.27493/d.cnki.gzdzy.2019.000987 .
null
周盛盛， 2021.青海湖水体面积4625.6平方公里增至17年来最大值［EB/OL］.青海省人民政府新闻办公室.2021.The water area of Qinghai Lake has increased to 4625.6square kilometers， the highest in 17 years［EB/OL］.Office Infomation， the People's Government of Qinghai Province.
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