1 引言
陆面作为气候系统的重要组成部分， 它决定着陆气之间的能量传输以及物质交换。陆面过程是能够影响气候变化且在陆地表面土壤中控制陆地与大气之间动量、 热量以及水分交换的过程， 对地球某些地区气候的形成、 变化及异常都有着深刻的影响（汪薇和张瑛， 2010； Xie and Arkin， 1996）。由于中国青藏高原的热力作用对其自身以及东亚乃至全球气候变化都具有重要的影响。因此， 对于青藏高原土壤温湿度等变量的时空分布特征的研究就显得尤为重要。
土壤中矿物质组成以及土壤颗粒的大小， 对土壤的水热属性有着较大的影响， Cosby et al（1984）就利用统计方法得到了土壤中砂石、 黏土和粉土之间的比例关系。与中国其他区域的土壤相比， 青藏高原地区的地质结构形成时间较晚， 土壤较为粗糙， 同时含有大量的砾石（Arocena et al， 2012）， 在青藏高原的西部荒漠中， 砾石含量甚至会达到35%~47%（Wu et al， 2012）， 并且砾石含量还会随着土壤深度的增加而增加（Ohtsuka et al， 2008）。
由于土壤中砾石的存在， 会对土壤的导水率、 土壤含水量、 土壤入渗、 土壤蒸发、 土壤径流等一系列性质造成影响。Coile（1953）指出砾石含水量会低于细土， 且具有一定的持水性。造成砾石含水量多少的因素有很多， 如砾石的来源、 体积百分比以及砾石的大小、 孔隙度、 在土壤中的位置（李燕等， 2006）。在一定粒径下， 砾石的存在会阻碍水分的入渗， 但当大于一定粒径后， 砾石的存在又会促进水分的入渗（王慧芳和邵明安， 2006）。因此， 较为准确地模拟青藏高原土壤湿度的时空分布是十分重要的（袁源等， 2019）， 而砾石的存在会对土壤含水量造成改变， 进而改变潜热通量与感热通量， 最终影响大气降水（卓嘎等， 2017； 栾澜等， 2018）。
虽然砾石对于土壤水文过程是不可忽略的重要因素， 但目前模拟中的水热参数公式并未考虑砾石的存在， 而忽略砾石的存在会使得模拟结果与实际数值产生较大偏差。罗斯琼等（2008）用那曲站2002 -2004年的数据进行了单点数值模拟试验， 试验表明： CoLM能很好地模拟那曲站的能量分配， 比较了模拟和观测的土壤温度及土壤湿度， 发现浅层60 cm土壤温度模拟较好， 但深层存在偏差。潘永洁等（2015）对CLM4.0模式的土壤结构方案进行改进， 研究了适合青藏高原土壤砾石含量较高特点的土壤参数化方案， 但只是在单一站点进行了检验。马翠丽等（2020）进一步修改了砾石对土壤水热属性影响的公式， 形成了适合BCC_AVIM模式的砾石参数化方案， 使其更接近真实的土壤水热物理过程， 同时利用青藏高原中部玛多站的观测数据检验了此方案在模式中对土壤水热模拟的效果影响。结果表明： 进行砾石参数化之后， BCC_AVIM陆面模式结果不仅更为准确， 而且还改善了原模式的土壤水热模拟性能。徐悦等（2020）利用包含了砾石参数化方案的BCC_AVIM陆面过程模式， 并耦合到国家气候中心气候系统模式（BCC_CSM）对青藏高原区域进行了模拟效果检验， 发现较原方案相比， 新方案趋势变化以及数值与观测数据更为接近。刘宜纲等（2020）将含有砾石的土壤数据加入区域气候模式RegCM4.7中， 按照砾石分布特征对青藏高原的不同区域进行模拟分析， 发现土壤湿度的模拟效果较原方案有明显提升。
然而， 上述检验通常是在青藏高原进行短时间的效果检验， 并未对加入砾石的新方案进行长时间的模拟检验， 因此本文使用加入砾石参数的区域气候模式RegCM4.7， 将2013 -2015年的模拟数据、 观测数据及2006 -2014年的模拟数据与再分析数据进行对比， 以此检验模式的长期模拟效果。
2 数据来源
2.1 观测数据
为了检验模式在青藏高原不同区域的模拟效果， 从西向东依次选取阿里站、 那曲站以及玛多站的观测数据与模拟数据进行对比分析。那曲站与阿里站观测数据是来自马耀明（2020）的青藏高原地气相互作用过程高分辨率（逐小时）综合观测数据集（2005 -2016年）。玛多站观测数据是来自中国科学院西北研究院黄河源气候环境研究站。由于土壤温湿度的观测仪器在部分观测点以及部分时间段缺测， 为了保证数据的时间连续性， 以及各个站点的时间统一性， 因此只选择上述三个站点2013 -2015年夏季（6 -8月）的观测数据作为与模式模拟数据的对比数据。
2.2 再分析数据
为了检验模式的模拟效果， 土壤温湿度数据选取了中国气象数据网（http： //www.nmic.cn/）的中国全球陆面再分析40年产品（CRA/Land）-逐日产品（陆面产品）。经检验评估表明， 该产品数据质量可靠、 应用效果良好。
3 数值模拟试验设计
3.1 模式试验设计
模拟方案如下： 模拟中心为33°N， 87°E， 采用Lambert投影， 模拟区域为80（南北）×120（东西）个格点， 垂直层数18层， 顶层气压50 hPa， 水平分辨率30 km， 时间积分步长60 s， 边值与初始场数据为欧洲中期天气预报中心（ECMWF）提供的EIN15全球再分析资料， 海温数据为美国海洋及大气管理局（NOAA）提供的Optimum Interpolation Weekly海温数据（OI_WK）， 陆面模块为CLM4.5且24 h输出一次数据。模拟时间为2003年1月1日至2014年12月31日， 同时将模式模拟的前三年作为模式的sign-up阶段， 实际分析的模拟数据时间为2006 -2014年。其中含砾石方案的模拟数据记为含砾石数据， 模式原方案的模拟数据记为无砾石数据。
3.2 模拟数据与观测数据的对比分析方法
为了减小土壤变量的误差， 决定采用临近格点法将模拟数据、 观测数据和再分析数据进行匹配（刘川等， 2015）。因为模拟数据和再分析数据的土壤温湿度是某一层土壤的平均值， 且在CLM4.5模式中， 土壤层被分为了15层， 其深度依次为0.007， 0.028， 0.062， 0.12， 0.21， 0.37， 0.62， 1.04， 1.73， 2.87， 4.74， 7.83， 12.94， 21.33和35.18 m。因此在与观测数据进行对比时， 选取阿里站观测数据的0~0.2 m， 选取模式模拟数据的0.007~0.21 m（0.007~0.027 m、 0.027~0.062 m、 0.062~0.12 m、 0.12~0.21 m四层数值的加权平均）的土壤温湿度作为浅层土壤温湿度进行比较， 选取阿里站观测数据的0.2~0.5 m， 选取模式模拟数据的0.21~0.62 m（0.21~0.37 m、 0.37~0.62 m两层数值的加权平均）的土壤温湿度作为深层土壤温湿度进行比较。选取那曲站观测数据的0.04~0.2 m， 选取模式模拟数据的0.027~0.21 m（0.027~0.062 m、 0.062~0.12 m、 0.12~0.21 m三层数值的加权平均）的土壤湿度作为浅层土壤湿度进行比较。选取那曲站观测数据的0~0.1 m， 选取模式模拟数据的0.007~0.12 m（0.007~0.027 m、 0.027~0.062 m、 0.062~0.12 m三层数值的加权平均）的土壤温度作为浅层土壤温度进行比较。选取那曲站观测数据的0.1~0.4 m， 选取模式模拟数据的0.12~0.37 m（0.12~0.21 m、 0.21~0.37 m两层数值的加权平均）的土壤温度作为深层土壤温度进行比较。选取玛多站观测数据的0.05~0.1 m， 选取模式模拟数据的0.027~0.12 m（0.027~0.062 m、 0.062~0.12 m两层数值的加权平均）的土壤温湿度作为浅层土壤温湿度进行比较， 选取玛多站观测数据的0.1~0.4 m， 选取模式模拟数据的0.12~0.37 m（0.12~0.21 m、 0.21~0.37 m两层数值的加权平均）的土壤温湿度作为深层土壤温湿度进行比较（李明星等， 2011）。所用加权平均公式如下：
式中： 为第1到i层平均后土壤温湿度值； SMi 为第i层的土壤温湿度值； Hi 为第i层的土壤厚度。
3.3 模拟数据与再分析数据的对比分析方法
由于模拟数据与再分析数据的土壤层厚度不完全对应， 因此选取模拟数据的0.12~0.37 m（0.12~0.21 m、 0.21~0.37 m两层数值的加权平均）与再分析数据的第二层（0.1~0.4 m）的土壤温湿度数据作为浅层土壤温湿度进行比较， 同时选取模拟数据的第6~8层（0.37~0.62 m、 0.62~1 m两层数值的加权平均）与再分析数据的第三层（0.4~1 m）的土壤温湿度数据作为深层土壤温湿度进行比较。
同时， 本文采取皮尔逊相关系数（R）及均方根误差（RMSE）来检验模拟的效果， 其中相关系数越接近1、 均方根误差越接近0表示模式模拟的效果越好， 反之亦然。所用时间变化的相关系数及均方根误差公式如下：
4 结果分析
4.1 土壤湿度模拟数据在观测站点的对比分析
陆气相互作用的过程中， 土壤湿度是一个很重要的物理量， 土壤湿度的变化将会导致土壤反照率、 蒸发量、 植被生长状况发生改变， 从而影响土壤的水热过程， 进而影响到气候的变化（马柱国等， 2001）。
由于那曲站深层土壤湿度的数据缺失， 因此只分析阿里站与玛多站的深层土壤湿度。从图2 可以看出， 深层土壤湿度的日变化较浅层有明显减小， 这可能是由于深层土壤对降水的响应速度没有浅层敏感导致的， 而其他方面则与浅层类似。
4.2 土壤温度模拟数据在观测站点的对比分析
土壤温度同土壤湿度一样， 是检验陆面过程模式模拟效果的重要指标之一， 模式对土壤温度模拟的准确性对于陆面与大气之间的能量和物质交换过程起到了重要作用（周锁铨等， 2004）， 而土壤温度的异常变化将会影响地表的能量平衡， 进而影响大气环流（Luo et al， 2009）。
表1 2013 -2015年土壤温湿度模拟数据与观测数据的误差度量统计Table 1 Error statistics of simulated and observed soil temperature and moisture data from 2013 to 2015 |
| 站点 | 土壤变量 | 土壤深度/m | RMSE | R | ||
|---|---|---|---|---|---|---|
| 无砾石 | 含砾石 | 无砾石 | 含砾石 | |||
| 阿里站 | 土壤湿度 | 0~0.2 | 0.07 | 0.043 | 0.723 | 0.646 |
| 0.2~0.4 | 0.106 | 0.058 | 0.236 | 0.346 | ||
| 土壤温度 | 0~0.2 | 5.506 | 4.499 | 0.547 | 0.624 | |
| 0.2~0.4 | 3.936 | 3.657 | 0.778 | 0.847 | ||
| 那曲站 | 土壤湿度 | 0.04~0.2 | 0.096 | 0.057 | 0.711 | 0.776 |
| 土壤温度 | 0~0.1 | 3.822 | 3.268 | 0.632 | 0.681 | |
| 0.1~0.4 | 4.592 | 3.214 | 0.851 | 0.861 | ||
| 玛多站 | 土壤湿度 | 0.05~0.1 | 0.083 | 0.068 | 0.441 | 0.691 |
| 0.1~0.4 | 0.125 | 0.081 | 0.369 | 0.845 | ||
| 土壤温度 | 0.05~0.1 | 4.964 | 3.102 | 0.856 | 0.881 | |
| 0.1~0.4 | 5.623 | 3.406 | 0.921 | 0.951 | ||
R均通过了0.05的显著性检验 |
4.3 土壤湿度模拟数据在青藏高原的对比分析
图5 ~8 为2006 -2014年每年夏季两种土壤湿度模拟数据与再分析数据的相关系数在高原的分布情况。对于浅层土壤， 含砾石数据的相关系数在高原的西南与东南地区有明显提升， 而在高原西部以及中部的提升有限。对于深层土壤， 无砾石数据在高原中部以及西部模拟效果较差， 而含砾石数据在高原的东部以及中部的模拟效果都有不同程度的提高。为了检验模式在长时间模拟中每年相关系数的变化情况， 从2006 -2014年每年高原平均土壤湿度相关系数的变化（图9 ）中可以看出， 在土壤各个层次， 含砾石数据的相关系数均有明显提升， 并且深层土壤模拟效果较好。不过， 相关系数并未随着砾石的加入， 经过模式长时间积分而呈持续地增长趋势， 而是在一定范围内波动， 但含砾石数据的相关系数总是高于无砾石数据。
图5 2006 -2014年夏季无砾石模拟数据与再分析数据浅层土壤湿度的相关系数打点区域为通过95%的信度检验 Fig.5 Correlation coefficient of shallow soil moisture between summer simulated data without gravel and reanalyzed data from 2006 to 2014.Dotted areas are for values at above the 95% confidence level |
图6 2006 -2014年夏季含砾石模拟数据与再分析数据浅层土壤湿度的相关系数打点区域为通过95%的信度检验 Fig.6 Correlation coefficient of shallow soil moisture between summer simulated data with gravel and reanalyzed data from 2006 to 2014.Dotted areas are for values at above the 95% confidence level |
图7 2006 -2014年夏季无砾石模拟数据与再分析数据深层土壤湿度的相关系数打点区域为通过95%的信度检验 Fig.7 Correlation coefficient of deep soil moisture between summer simulated data without gravel and reanalyzed data from 2006 to 2014.Dotted areas are for values at above the 95% confidence level |
图8 2006 -2014年夏季含砾石模拟数据与再分析数据深层土壤湿度的相关系数打点区域为通过95%的信度检验 Fig.8 Correlation coefficient of deep soil moisture between summer simulated data with gravel and reanalyzed data from 2006 to 2014.Dotted areas are for values at above the 95% confidence level |
4.4 土壤温度模拟数据在青藏高原的对比分析
图12 ~15 为2006 -2014年每年夏季两种土壤温度模拟数据与再分析数据的相关系数在高原的分布情况。对于浅层土壤， 含砾石数据的高原东北以及西南地区的负相关区域面积减小或消失， 同时对于高原中部以及东部的模拟效果都有明显提升。对于深层土壤， 两种模拟数据的相关系数较浅层均显著提升， 且含砾石数据的模拟效果较无砾石数据在高原的中部及东南部地区有明显提升。从2006 -2014年每年高原平均土壤温度相关系数的变化（图16 ）可以看出， 含砾石数据浅层相关系数平均为0.71， 而无砾石数据为0.62， 含砾石数据深层相关系数平均为0.81， 无砾石数据为0.71， 与土壤湿度多年相关系数变化趋势类似。土壤温度的模拟效果也并未逐年提升， 但含砾石数据模拟效果要优于无砾石数据。
图12 2006 -2014年夏季无砾石模拟数据与再分析数据浅层土壤温度的相关系数打点区域为通过95%的信度检验 Fig.12 Correlation coefficient of shallow soil temperature between summer simulated data without gravel and reanalyzed data from 2006 to 2014.Dotted areas are for values at above the 95% confidence level |
图13 2006 -2014年夏季含砾石模拟数据与再分析数据浅层土壤温度的相关系数打点区域为通过95%的信度检验 Fig.13 Correlation coefficient of shallow soil temperature between summer simulated data with gravel and reanalyzed data from 2006 to 2014.Dotted areas are for values at above the 95% confidence level |
图14 2006 -2014年夏季无砾石模拟数据与再分析数据深层土壤温度的相关系数打点区域为通过95%的信度检验 Fig.14 Correlation coefficient of deep soil temperature between summer simulated data without gravel and reanalyzed data from 2006 to 2014.Dotted areas are for values at above the 95% confidence level |
图15 2006 -2014年夏季含砾石模拟数据与再分析数据深层土壤温度的相关系数打点区域为通过95%的信度检验 Fig.15 Correlation coefficient of deep soil temperature between summer simulated data with gravel and reanalyzed data from 2006 to 2014.Dotted areas are for values at above the 95% confidence level |
5 结论与讨论
由于青藏高原是砾石含量的大值区， 模式模拟时忽略砾石将会影响土壤温湿度等变量模拟的准确性。本文使用耦合了CLM4.5的区域气候模式RegCM4.7模拟了青藏高原2006 -2014年间土壤温湿度的时空分布状况， 并与观测数据以及再分析数据进行了对比检验， 得出以下结论：
（1） 通过对青藏高原单点以及整个青藏高原的长时间模拟检验， 可以发现加入砾石的新方案模拟效果较无砾石方案有明显提高， 与观测数据以及再分析数据的相关性更好， 且均方根误差更小。
（2） 就土壤温度而言， 在青藏高原的模拟效果较好， 但青藏高原西部误差较中部及东部偏大。土壤湿度的模拟效果稍差， 尤其是在青藏高原中部， 但是在青藏高原西部， 土壤湿度模拟效果提升明显， 且含砾石数据的土壤温湿度与再分析数据的差值有所减小， 同时多年变化趋势也与再分析数据更加一致。
（3） 加入砾石后的模式模拟效果并未呈逐年增加的趋势， 而是在一定范围内波动， 且每一年的模拟效果都较原模式在相关系数及均方根误差方面有所提升。
本文只在选定的两个深度对土壤温湿度进行了长时间的模拟验证， 并未对其他土壤深度进行检验， 同时只对高原夏季做了对比分析， 并未分析其他季节， 导致无法体现模式模拟效果的季节性变化， 并且模式对于土壤湿度的模拟还存在较大提升空间， 因此在日后的工作中， 对土壤的水属性参数应再做相应的修改， 以提升模式对于土壤湿度的模拟效果。