1 引言
土壤水分是陆气相互作用、 地表能量循环和化学循环的关键要素， 在陆地水循环中扮演着重要的角色（董世玉等， 2023； Escorihuela et al， 2010； Li et al， 2014； Robock et al， 2000）。土壤水分是确定的气候环境因子， 可以明确描述土壤的干湿状况， 直接控制着土壤水热通量的交换（Van Arkel et al， 2014； Srivastava， 2017； Dong and Crow， 2019）。此外， 作为区域水循环闭合的关键变量， 土壤水分能够对径流预报、 土壤蒸发、 植被蒸腾等地表要素的估算产生直接影响（Vereecken et al， 2008； Koster et al， 2014； Peterson et al， 2019）。因此， 准确、 合理地掌握土壤水分的变化特征及其内在属性， 对区域气候变化预测、 水资源可持续利用、 农业干旱监测以及极端气候事件预警等均具有重要的科学意义。
数值模拟是研究土壤水分时空分布特征的重要手段， 国际上已经涌现了许多针对地表要素模拟的陆面模型， 兼顾了多种地表物理过程的陆面模型能够获得准确的土壤水分模拟结果。Noah-MP模型在原Noah 模型框架（Chen et al， 2001； Ek et al， 2003）的基础上， 对主要物理过程引入了多种新的参数化方案， 极大提升了模型的可应用性和灵活性， 同时也为研究模型结构不确定性提供了新的思路（Niu et al， 2011； Yang et al， 2011）。近年来， 研究人员针对该模型无论是在单点还是在区域尺度上都做了大量的评估工作， 较好的模拟性能使得该模型被广泛应用于不同地表要素的模拟（Niu et al， 2011； Yang et al， 2011； Cai et al， 2014； Gao et al， 2015； Zhang et al， 2016； 王树舟等， 2023）。此外， 利用Noah-MP模型开展多参数化方案集合模拟试验已成为拓展集合成员数量的重要途径。例如， 通过对Noah-MP模型全部物理过程的参数化方案进行组合， 形成包含有20736种不同组合方案的雪深模拟集合， 进而利用敏感性分析方法探讨不同积雪气候条件下雪深模拟结果对参数化方案的敏感性（You et al， 2020）。类似地， 利用Noah-MP模型中七个主要物理过程的参数化方案进行组合， 共形成1008种不同的组合方案来模拟高寒草地生长季的水热交换， 并引入合适的参数化方案来改进Noah-MP模型的模拟性能（孙爽等， 2022）。此外， 选取Noah-MP模型中四个物理过程的参数化方案进行组合并开展多参数化方案集合模拟试验， 在此基础上利用Sobol敏感性分析方法评估了感热通量、 潜热通量和净生态系统交换模拟结果对四个物理过程参数化方案的敏感性（Yang et al， 2021）。还有利用WRF和Noah-MP两种模型进行集合模拟试验， 选用Sobol敏感性分析方法定量评估雪深模拟结果对参数化方案的敏感性（Li et al， 2022）。以及基于Noah-MP模型模拟雅鲁藏布江流域多年径流的变化特征， 分析比较16种不同组合方案对于径流模拟结果的影响， 并从中确定最优参数化方案组合（杨恒等， 2024）。以上研究结果表明， Noah-MP模型中针对同一物理过程选用不同的参数化方案会导致模拟结果出现显著差异， 通过分析特定地表要素的模拟结果对参数化方案的敏感性、 优化参数化方案的选择， 可以显著提高模型的模拟精度。
尽管Noah-MP模型已被广泛应用于多种地表要素的模拟试验中， 但针对高寒山区土壤水分模拟性能的评估和参数化方案敏感性的研究目前仍较为匮乏， 如何针对高寒山区土壤水分模拟选取合适的参数化方案还有待进一步研究。基于此种考虑， 本文选取黑河上游高寒山区的阿柔站作为研究站点， 设计土壤水分多参数化方案集合模拟试验， 探讨土壤水分模拟结果对参数化方案的敏感性， 并进一步量化集合模拟结果的不确定性， 以期为提升Noah-MP模型在高寒山区的土壤水分模拟性能提供科学依据。
2 数据来源与方法介绍
2.1 研究站点
本文基于黑河水文气象观测网中阿柔站（100°27′52.9″E， 38°02′39.8″N）的观测数据开展试验， 该数据来源于国家青藏高原数据中心（https： //data.tpdc.ac.cn/）。阿柔站位于青海省祁连县阿柔乡草达坂村（图1）， 地处祁连山中段的腹地， 海拔为3033 m。站点区域主要覆盖类型为高寒草地， 具有独特的生态环境。该地区气候属于典型的高原大陆性气候， 其特点是气温偏低， 昼夜温差大且降水量少。根据长期气象记录， 其所在的祁连县年平均气温约为0.7 ℃， 年平均降水量为400 mm， 年蒸发量介于1100~1500 mm。阿柔站所在区域是黑河流域的主要水源地， 该地区地下水径流和壤中流占主导， 地表径流极少， 适合开展土壤水分模拟试验（李芳等， 2022）。本文使用的气象观测数据均经过了严格的质量控制， 能够保证数据的准确性和可靠性。
2.2 Noah-MP模型
相比于传统的Noah模型， Noah-MP模型在物理过程上进行了扩展， 例如引入了独立的植被冠层， 将植被冠层能量平衡从地表能量平衡中分离出来。此外， 该模型针对动态植被、 控制气孔阻力的土壤湿度因子、 表层拖曳系数等11个子物理过程分别融入了2~5种不同的参数化方案（Yang et al， 2011）（表1）。这极大提升了Noah-MP模型的适用性， 同时为开展多参数化方案集合模拟试验带来了更大的便利。
表1 Noah-MP 模型中10个物理过程对应的参数化方案Table 1 Parameterization schemes corresponding to the 10 physical processes in the Noah-MP model |
| 物理过程 | 参数化方案 |
|---|---|
| 雨雪分离（Partitioning precipitation into rainfall and snowfall， PCP） | I： Jordan91［Default］， II： BATS， III： Niu11， IV： WRF， V： Wetbulb |
| 控制气孔阻力的土壤湿度因子（Soil moisture factor for stomatal resistance and ET， BTR） | I： Noah scheme［Default］， II： CLM scheme， III： SSiB scheme |
| 地表对蒸发或升华的阻抗（Ground resistent to evaporation/sublimation， GRE） | I： Sakaguchi and Zeng scheme［Default］， II： Sellers（1992）， III： Sellers（1992） for wet soil， d： rsurf=rsurf_snow for snow |
| 表层拖拽系数（Surface layer drag coefficient， SFC） | I： M-O［Default］， II： Original Noah（Chen97） |
| 雪表层反照率（Snow surface albedo， ALB） | I： BATS［Default］， II： CLASS |
| 植被冠层辐射传输（Radiation transfer， RAD） | I： gap=F＜1-VegFrac， II： gap=0， III： gap=1-VegFrac［Default］ |
| 第一层积雪或土壤温度的时间方案（The first-layer snow or soil temperature time scheme， TEMP） | I： Semi-implicit［Default］， II： Full implicit， III： same as a.but snow cover for skin temperature calculation |
| 土壤温度下边界条件（Lower boundary condition of soil temperature， TBOT） | I： Zero-flux scheme， II： Noah［Default］ |
| 冻结土壤中过冷液态水（Supercooled liquid water in frozen soil， FRZ） | I： NY06［Default］， II： Koren99 |
| 冻结土壤渗透（Frozen soil permeability， INF） | I： NY06［Default］， II： Koren99 |
为了获取模型所需的土壤和植被参数， 文中根据中国土壤特征数据集确定阿柔站的土壤类型为栗钙土。考虑到阿柔站所在区域主要为高寒草甸， 牧草种类丰富且生长茂盛， 确定该站的植被类型为草地。为了评估Noah-MP模型对站点土壤水分的模拟性能， 本文选用阿柔站时间分辨率为1小时的气象观测数据作为模型的驱动数据， 利用模型的默认参数化方案组合模拟阿柔站2016年1月1日至12月31日时段内的土壤水分变化。同时， 利用站点的土壤水分观测数据对模拟结果进行评估。为了确保模型在正式模拟前能够获得准确的初始条件， 本文在正式模拟前， 利用2015年1月1日至12月31日的气象观测数据对模型进行预热， 并以连续2年土壤水分模拟结果平均值的差异小于0.1%作为模型达到平衡状态的判定标准（Cai et al， 2014）。在默认参数化方案组合土壤水分模拟试验的基础上， 对Noah-MP模型主要物理过程的全部参数化方案进行排列组合， 开展包含有17280种不同组合方案的浅层土壤水分集合模拟试验。在不考虑模型参数和驱动数据不确定性的条件下， 进一步探讨浅层土壤水分模拟结果对参数化方案的敏感性以及集合模拟结果的不确定性。
2.3 分析和评价方法
文中选取土壤液态水含量作为模拟变量， 并将模拟结果与站点观测数据进行对比。为评估模型的模拟精度， 本文采用均方根误差（Root Mean Square Error， RMSE）作为模型模拟性能的评价指标。RMSE的值越小， 表示模型模拟值与观测值越接近， 模拟精度越高， 模型模拟性能则越好。具体计算公式如下：
式中： 为全部样本数； 为土壤液态水的模拟值； 为土壤液态水的观测值。
本文选用Natural Selection方法（Zhang et al， 2016； 尤元红等， 2019）来分析浅层土壤水分模拟结果对参数化方案的敏感性。首先， 计算每一种组合方案的土壤水分模拟值与观测值之间的RMSE值， 并对17280个RMSE值进行升序排列。然后， 选取全部RMSE值的前5%（即表现最佳的约864种方案）和最后5%（即表现最差的约864种方案）进行比较。显然， 前5%的组合方案模拟结果显著优于最后5%的组合方案， 因此， 将前5%所有RMSE值对应的组合方案集合标记为“最优集合”， 将后5%所有RMSE值对应的组合方案集合标记为“最差集合”。 随后， 分别在“最优集合”和“最差集合”中统计同一物理过程中不同参数化方案被选择的频率。显而易见， 特定参数化方案在“最优集合”中出现的频率越高， 说明该参数化方案对提高土壤水分模拟精度的作用越显著； 反之， 该参数化方案在“最差集合”中出现的频率越高， 则说明该参数化方案对降低模型土壤水分模拟性能的作用越大。通过Natural Selection敏感性分析方法可评估特定物理过程中不同参数化方案的选取对土壤水分模拟结果的影响， 同时依据在“最优集合”和“最差集合”中参数化方案统计频率的差异， 可以确定土壤水分模拟结果对参数化方案的敏感性。
3 结果与讨论
3.1 土壤水分模拟结果
图2为Noah-MP模型默认参数化方案组合土壤水分模拟结果与观测值的比较。图2（a）表示为第一层土壤水分模拟结果与观测数据的比较。从图2（a）中可以看出， 从4月开始， 第一层土壤水分急剧上升， 反映出土壤从冬季的冻结状态逐渐融化。随后， 土壤水分在较长时间内维持在相对稳定的水平， 直到11月土壤水分骤然下降， 标志着土壤进入冻结期。在整个模拟时间段内， 土壤在4月开始融化， 土壤水分略有增加， 但显著上升却出现在5月， 这表明模型低估了春季土壤的融化速率， 使得模拟的土壤开始融化时间比真实观测要迟。10月土壤水分骤然下降， 表明模型能够模拟出阿柔站土壤开始冻结且液态土壤水分急剧减少的现象。但从图2中可以看出， 模拟的土壤水分开始下降时间要明显早于真实观测。从总体的变化趋势来看， 土壤水分模拟结果与观测数据在变化趋势上基本一致， 都呈现出融化期增长、 冻结期下降的周期性规律， 符合阿柔站季节性冻土的变化规律。然而， 土壤水分模拟结果与观测相比整体上呈明显的低估， 且模拟的土壤融冻时间要明显短于真实观测。同样地， 图2（b）显示第二层土壤水分模拟结果的总体趋势与实测值相近， 但也存在明显的低估且土壤融冻时间短于真实观测， 这是由于模型对土壤冻融过程的表征与真实情况存在差异所导致。总的来说， Noah-MP模型默认参数化方案组合模拟出的第一层和第二层土壤水分结果较为准确， 说明在阿柔站使用Noah-MP模型进行浅层土壤水分模拟是可行的。
3.2 敏感性分析
根据浅层土壤水分多参数化方案集合模拟结果， 进行不同参数化方案的敏感性分析。图3为同一物理过程中不同参数化方案在“最优集合”（0~1）和“最差集合”（-1~0）中被选择的频率。以表层拖拽系数（Surface layer drag coefficient， SFC）为例， 图3显示“最优集合”中SFC（1）（即M-O）方案出现的频率为0.41， SFC（2）［即Original Noah（Chen97）］方案出现的频率为0.59， 即表明在“最优集合”中有41%的组合方案在针对SFC物理过程的参数化方案上选择了SFC（1）方案， 59%的组合方案选择了SFC（2）参数化方案。同时， “最差集合”中参数化方案SFC（1）被选择的频率为0.36， 参数化方案SFC（2）被选择的频率为0.64， 即表明在“最差集合”中有36%的组合方案在针对SFC物理过程的参数化方案上选择了SFC（1）方案， 64%的组合方案选择了SFC（2）方案。以上结果表明， 参数化方案SFC（2）相比较SFC（1）在“最优集合”中出现的频率更高一些， 更有可能产生较好的土壤水分模拟结果； 然而， 在“最差集合”中SFC（2）的频率同样高于SFC（1）， 即与SFC（1）相比较， SFC（2）更有可能产生较差的土壤水分模拟结果。在“最优集合”和“最差集合”中参数化方案SFC（1）和SFC（2）出现的频率差异并不显著， 难以确定两种参数化方案中的哪一种更具优势， 变换选择这两种参数化方案并不能导致浅层土壤水分模拟结果出现较大的差异。因此， 土壤水分模拟结果对物理过程SFC不敏感。
从图3中还可以看出， 类似于物理过程SFC参数化方案出现的频率， 控制气孔阻力的土壤湿度因子（Soil moisture factor for stomatal resistance & ET， BTR）， 植被冠层辐射传输（Radiation transfer， RAD）， 雪表层反照率（Snow surface albedo， ALB）， 土壤温度下边界条件（Lower boundary condition of soil temperature， TBOT）和地表对蒸发或升华的阻抗（Ground resistent to evaporation/sublimation， GRE）五个物理过程的参数化方案在“最优集合”和“最差集合”中的频率差异并不显著， 即表明浅层土壤水分的模拟结果对上述物理过程并不敏感。
然而， 第一层积雪或土壤温度的时间方案（The first-layer snow or soil temperature time scheme， TEMP）， 冻结土壤中过冷液态水（Supercooled liquid water in frozen soil， FRZ）， 雨雪分离（Partitioning precipitation into rainfall and snowfall， PCP）和冻结土壤渗透（Frozen soil permeability， INF）四个物理过程中不同参数化方案在“最优集合”和“最差集合”中的频率差异十分显著。尤其是物理过程FRZ， 两种参数化方案在“最优集合”和“最差集合”中出现的频率完全不同。图3显示， 参数化方案FRZ（2）在“最优集合”中的频率为1.0， FRZ（1）在“最优集合”中的频率为0； 参数化方案FRZ（1）在“最差集合”中出现的频率为1.0， 而FRZ（2）在“最差集合”中出现的频率为0。这表明参数化方案FRZ（2）有助于提升浅层土壤水分的模拟效果， 而FRZ（1）则会降低模拟精度， 变换选择参数化方案FRZ（1）和FRZ（2）会导致浅层土壤水分模拟结果出现较大的差异。因此， 浅层土壤水分模拟结果对物理过程FRZ十分敏感。除此之外， 物理过程INF的参数化方案INF（2）在 “最优集合”中的频率为0.92， INF（1）的频率为0.08， 而在“最差集合”中INF（1）出现的频率为0.91， INF（2）的频率为0.09， 表明INF（2）会促进模型模拟精度的提升， INF（1）则会导致模型模拟精度变差， 即浅层土壤水分模拟结果对物理过程INF十分敏感。类似的现象同样发生在物理过程PCP和TEMP中， 物理过程PCP的参数化方案PCP（4）在“最优集合”中出现的频率远远高于其余3种参数化方案， 且PCP（4）在“最差集合”中出现的频率为0； 物理过程TEMP的参数化方案TEMP（2）在“最差集合”中出现的频率为1.0， 三种参数化方案在“最优集合”中出现的频率基本接近； 即表明浅层土壤水分模拟结果对物理过程PCP和TEMP敏感， 参数化方案PCP（4）能够提升浅层土壤水分的模拟精度， 而参数化方案TEMP（2）则会导致浅层土壤水分模拟精度变差。
在土壤冻结的情况下， 由于土壤颗粒的毛细作用使得靠近颗粒的水分保持液态， 且只有当液态水的量超过其过冷状态的上限时， 多余的液态水才会转化为固态， 即发生冻结现象（Parrish et al， 2012）。Noah-MP模型中参数化方案FRZ（1）是采用冰点下降方程的一般形式（Niu and Yang， 2006）； 而FRZ（2）则是采用冰点下降方程的变体， 增加了额外项 的冻结点抑制方程变形形式， 通常情况下参数化方案FRZ（2）会比FRZ（1）产生更多的液态水。阿柔站位于黑河上游的高寒山区， 土壤冻融过程十分显著， 选用FRZ（2）会获得更准确的浅层土壤水分模拟结果。
INF（1）是采用NY06方案， 该参数化方案中冻结土壤渗透率主要受到冻土孔隙度和含冰量的影响， 且假定冻土的渗透作用可以线性叠加， 将网格单元划分为透水和不透水区域， 并采用基于土壤总湿度的方法来计算水力特性。INF（2）则是沿用了Noah模型中的Koren99方案， 仅靠液态水体积来估算水力特性（Niu et al， 2011）。两种方案的主要区别在于是否将冻土划分为可渗透和不可渗透两部分， INF（1）通常会比INF（2）产生具有更强渗透性的冻土， 在阿柔站中INF（2）比INF（1）更具优势。黑河上游高寒山区的季节性冻土会对土壤水分模拟结果产生较大影响， 因此物理过程INF表现出了较强的敏感性。
雨雪分离物理过程PCP将降水区分为降雨和降雪， 能够直接影响地表的降雨量进而影响土壤水分模拟结果。参数化方案PCP（1）、 PCP（2）和PCP（3）是将近地表气温作为区分降雨和降雪的标准， PCP（4）是利用WRF微物理输出来决定降水中的降雨和降雪部分， PCP（5）则是采用Wet-bulb方案并考虑湿度对降水相变影响的方法来区分降雨和降雪（Wang et al， 2019）。在“最优集合”和“最差集合”中， PCP（1）、 PCP（2）、 PCP（3）和PCP（5）四种参数化方案出现的频率差异并不显著， 但PCP（4）在“最优集合”中出现的频率明显高于其他4种方案。由此可见， 黑河上游高寒山区浅层土壤水分模拟结果对物理过程PCP的参数化方案敏感， 方案PCP（4）在该地区能够明显提升模拟效果。
物理过程TEMP采用了三种不同的参数化方案来求解第一层土壤或积雪的热扩散方程。其中TEMP（1）和TEMP（3）采用半隐式方法， TEMP（3）与TEMP（1）的区别是前者在计算表层温度时引入了积雪面积， 主要用于提升积雪表层温度的计算精度； TEMP（2）则是采用全隐式方法计算表层温度（Li et al， 2021）。该物理过程中， 半隐式方法是以通量为上边界条件， 全隐式方法则是以温度为上边界条件， 两种方法对土壤温度的计算结果影响显著， 进而影响浅层土壤水分的模拟结果（He et al， 2023）。三种方案在“最优集合”中出现的频率基本相同， 分别为0.33、 0.34、 0.33， 但在“最差集合”中TEMP（2）出现的频率明显高于另外两种参数化方案， 表明浅层土壤水分模拟结果对物理过程TEMP的参数化方案敏感， 且TEMP（2）会导致土壤水分模拟结果变差。
3.3 不确定性分析
在参数化方案敏感性分析的基础上， 文中进一步探讨了浅层土壤水分多参数化方案集合模拟试验结果的不确定性。图4为阿柔站浅层土壤水分多参数化方案集合模拟结果的不确定性范围。从图4中可以看出， 7 -10月期间不同组合方案模拟的浅层土壤水分变化趋势基本相同， 模拟结果的不确定性范围较小， 这一时期内阿柔站的土壤未发生冻结， 土壤液态水含量较高， 大多数的组合方案能够准确地模拟出浅层土壤水分的变化特征。然而， 待阿柔站土壤进入冻结期（10月至次年4月）时， 浅层土壤液态水含量显著减少， 不同组合方案的模拟结果差异较大， 即在该时段内浅层土壤水分多参数化方案集合模拟结果的不确定性范围显著增大。这主要是由于土壤冻结过程中土壤水分的物理性质较为复杂， 不同组合方案对这一过程的描述存在较大的差异， 进而导致土壤冻结时段内浅层土壤水分集合模拟结果的不确定性范围大于土壤消融时段。
值得注意的是， 从10月上旬开始， 不同组合方案的浅层土壤水分模拟结果开始出现较大的差异， 主要表现在土壤冻结时间的不一致性上， 即不同组合方案对土壤冻结时间的模拟存在较大的差异。除此之外， 从5月上旬开始不同组合方案模拟结果的差异也十分显著， 主要表现在土壤融化时间模拟结果不一致。
通过对浅层土壤水分多参数化方案集合模拟试验结果不确定性范围的分析可发现， 浅层土壤水分多参数化方案集合模拟试验结果的不确定性主要集中在土壤冻结时段， 主要是由于不同组合方案在描述土壤冻结过程中液态水向固态水转化的速率、 土壤孔隙结构的变化等方面存在显著差异。由此可见， 在同一模型框架下针对同一物理过程选择不同的参数化方案会导致浅层土壤水分模拟结果出现较大的差异， 不同组合方案对浅层土壤水分变化过程的描述不尽相同， 是多参数化方案集合模拟结果不确定性的主要来源。因此， 选取合适的参数化方案对获得可靠浅层土壤水分模拟结果至关重要。
4 结论
本文利用Noah-MP模型模拟了黑河上游高寒山区阿柔站2016年1月1日至12月31日土壤水分的变化特征， 评估了Noah-MP模型在该地区的土壤水分模拟性能。在此基础上， 设计了浅层土壤水分多参数化方案集合模拟试验， 分析了浅层土壤水分模拟结果对主要物理过程参数化方案的敏感性， 并进一步探讨了浅层土壤水分多参数化方案集合模拟试验结果的不确定性， 得到了以下结论：
（1） Noah-MP模型默认参数化方案组合能够准确地模拟阿柔站第一层和第二层土壤水分的变化趋势， 但土壤水分的模拟结果均存在一定程度的低估。第三层和第四层土壤水分的模拟结果偏离观测较多， 模型不能准确模拟出这两层土壤水分的变化特征。
（2） 敏感性试验结果表明， 浅层土壤水分模拟结果对FRZ、 INF、 PCP和TEMP四个物理过程的参数化方案敏感， 其中对物理过程FRZ特别敏感。针对高寒山区浅层土壤水分的模拟， 参数化方案FRZ（2）比FRZ（1）更具优势。
（3） 土壤融冻循环过程中， 冻结时段土壤水分的模拟相比较于融化阶段对参数化方案的选取更加敏感。浅层土壤水分多参数化方案集合模拟试验结果的不确定性主要集中在土壤冻结时段， 该时段内选择合适的参数化方案对获取准确浅层土壤水分模拟结果十分重要。
本文围绕浅层土壤水分集合模拟试验展开了分析和讨论， 获得的结论可为研究高寒山区土壤水热过程提供参考。文中探讨浅层土壤水分多参数化方案集合模拟试验的不确定性是在不考虑模型参数和驱动数据不确定性的条件下开展的， 但模型参数和驱动数据本身也存在着不确定性， 未来的研究中需要进一步考虑。此外， 文中选取了黑河上游阿柔站作为代表性研究站点， 试验和结论是基于该站点的观测资料， 所得结论具有一定的区域适用性， 是否适用于其他地区需要进一步试验论证。未来的研究工作中， 我们将在以上工作的基础上， 进一步比较不同气候类型条件下土壤水分模拟结果对参数化方案的敏感性以及多参数化方案集合模拟结果的不确定性。