2. 南京信息工程 大学气象灾害预报预警与评估协同创新中心, 南京 210044;
3. 内蒙古自治区生态与农业气象中心, 呼和浩特 010051
土壤湿度是陆面-大气相互作用过程中的重要物理量。它通过改变土壤反照率、热容量等下垫面参数来改变地表向大气输送感热和潜热, 进而改变局地的天气和气候(Chahine, 1992)。研究土壤湿度的时间和空间变化, 不仅在天气和气候学领域具有重要理论意义, 也在干旱监测、生态保护及经济发展等领域具有重要的应用价值。
目前, 土壤湿度的获取主要有以下几种方法:站点观测、陆面模式模拟以及卫星遥感反演。全球可用的土壤湿度观测站点稀少, 时间序列较短(Dorigo et al, 2011)。土壤湿度卫星遥感反演精度受土壤类型等参数的不确定性影响存在反演误差。陆面模式受物理过程参数化方案以及大气强迫、地表数据等不确定因素的影响, 模拟的土壤湿度还很难达到较高的精度(Zeng and Decker, 2009; Lawrence et al, 2011; 赖欣等, 2014; 杨扬等, 2015; 刘川等, 2015)。陆面数据同化能够利用陆面模式和观测信息(如站点观测、遥感资料等)得到陆面变量的最优估计(师春香等, 2011)。
近年来, 部分学者通过同化土壤湿度站点观测资料来改善土壤湿度估计(师春香等, 2011; Margulis et la, 2002; 张生雷等, 2006, 2008; Zhang et al, 2006)。随着卫星遥感技术的发展, 如何利用低频微波辐射亮温资料改善近地表土壤湿度的模拟精度是目前研究的热点之一, 许多已开展的工作均表明同化微波亮温能有效提高地表土壤湿度模拟精度(Tian et al, 2009, 2010; 贾炳浩等, 2010; 史小康等, 2010; 尹继福等, 2016)。Tian et al(2010)发展了双通陆面数据同化系统(Dual-pass Land data Assimilation System, DLADS), 结果表明同化高级微波扫描辐射计(Advanced Microwave Scanning Radiometer-EOS, AMSR-E)亮温后的10 cm土壤湿度精度有显著的改进。贾炳浩等(2010)基于集合Kalman滤波及SCE-UA(shuffled complex evolution)算法发展了能够直接同化微波亮温的土壤湿度同化方案。该方案对表层及深层土壤湿度的模拟精度有不同程度的改善。以上研究结果均表明同化微波亮温可以改善模式模拟的土壤湿度。
综合上述, 陆面数据同化技术能够将陆面过程模式的物理过程信息和观测资料的实测信息进行最优结合。利用中国科学院青藏高原研究所开发的19812010年中国区域高时空分辨率地面气象要素驱动数据集(The China Meteorological Forcing Dataset, CMFD)(Chen et al, 2011), 驱动中科院大气物理研究所陆面数据同化系统1.0版本(The Land Data Assimilation System of Institute of Atmospheric Physics, Chinese Academy of Sciences, LDAS-IAP/CAS-1.0) 得到了2003-2010年中国区域土壤湿度同化数据集。同时不考虑同化卫星遥感亮温数据, 直接驱动公用陆面模式(Community Land Model version 3.0, CLM3.0) 模拟了2003-2010年中国区域土壤湿度数据集, 将二者模拟结果与台站实测、美国国家环境预报中心(National Centers for Environmental Prediction Reanalysis, NCEP)气候预报系统再分析数据(Climate Forecast System Reanalysis, CFSR)和基于主动和被动微波传感器的全球土壤湿度数据(global Soil Moisture data record based on active and passive MicroWave sensors, SM-MW)进行对比验证, 验证同化系统的性能。进一步分析中国区域年和四季同化土壤湿度的时空分布。并总结探讨同化中存在的问题及未来需要的改进方案。
2 陆面数据同化系统及数据介绍 2.1 陆面数据同化系统简介LDAS-IAP/CAS-1.0是由Tian et al(2009, 2010)将基于本征正交分解的集合四维变分同化方法(Proper Orthogonal Decomposition based Ensemble-based four-Dimensional Variational assimilation method, PODEn4DVar)以及参数率定方法(Ensemble Proper Orthogonal Decomposition-based Parameter calibration approach, EnPOD_P)结合裸土辐射传输模型(The radiative transfer model for bare field, Qh)、陆表发射模型(Land Emissivity Model, LandEm)、通用微波发射模型(Community Microwave Emission Model, CMEM)并耦合进CLM3.0发展的陆面数据同化系统(Tian et al, 2009, 2010; Jia et al, 2013)。辐射传输模型起着搭建土壤湿度与微波亮温之间的关系的作用(即观测算子)。同化系统主要由预报算子、观测算子、强迫数据、观测数据以及同化方法等几个部分组成。同化系统基于一个双通优化框架, 整个同化过程分为两个通道:一方面采用PODEn4DVar利用微波亮温资料对土壤湿度进行同化; 另一方面, 利用EnPOD_P对观测算子的几个关键参数进行率定。该系统目前已经在业务中得到了推广应用。
同化系统是将双通同化框架与CLM3.0耦合建立的系统, 不同化的结果即CLM3.0的模拟结果。文中用CLM3.0的模拟结果与同化系统的结果进行同化前后的对比。输入数据包括AMSR-E亮温数据作为观测亮温数据, CMFD用于驱动CLM3.0及同化系统。
2.1.1 CLM3.0简介陆面模式是陆面数据同化系统的核心部分。其对地表能量物质交换描述的合理性和准确性直接影响着陆面数据同化系统的输出结果和下一时刻状态的预报。文中所采用的陆面数据同化系统中的陆面模式为CLM3.0 (Dickinson et al, 2006)。CLM3.0采用嵌套次网格的方法代表陆表空间非均质性。每个次网格包含了多个陆地单元, 雪/土柱, 植被功能类型。陆地单元主要分为湖泊、湿地、植被、冰川和城市。每个网格中有不同数量的柱, 每个柱中有多种植被功能类型。植被功能类型代表植被覆盖。CLM3.0按照功能类型可分为生物地球物理过程、动态植被过程、水文过程等。包括1层植被、最多5层的雪层、10层土壤。每个柱在10层土壤层, 3.43 m的深度内计算土壤温度和土壤含水量。
2.1.2 辐射传输模型研究使用的辐射传输模型为CMEM。该模型是2008年由欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)研发的, 用途是模拟地表的低频(1~20 GHz)微波亮温(Holmes et al, 2008; Drusch et al, 2009)。CMEM模型主要包括土壤、植被、雪与大气模块, 每个模块都包含多种参数化方案。CMEM模型是一个模块化的模型, 其参数化方案与物理机制主要来自于以下两个辐射传输模型:陆面微波发射模型(Land Surface Microwave Emission Model, LSMEM)(Drusch et al, 2001)与L-波段生物圈微波发射模型(L-Band Microwave Emission of the Biosphere, LMEB)(Wigneron et al, 2007)。该辐射传输模型采用简化的向量辐射传输方程的方案来计算地表微波亮温(Kerry and Njoku, 1990)。
2.2 数据简介 2.2.1 驱动场及亮温资料驱动CLM3.0及同化系统的数据采用CMFD。该数据集时间分辨率为3 h, 水平空间分辨率0.1°, 包含近地面气温、气压、空气比湿、全风速、地面向下短波辐射、地面向下长波辐射、地面降水率, 共7个要素(变量)。不同的学者采用该驱动场数据进行了研究, 验证了数据在中国区域的可靠性和适用性(Guo and Wang, 2013; Xue et al, 2013; 赵捷等, 2013)。本文选取的该数据时间序列为1981年1月至2010年12月。因为模式地表数据的空间分辨率为0.5°×0.5°, 同时研究中为了减少运算量, 将该强迫场数据插值为0.5°×0.5°, 该分辨率的强迫场能获得较高精度的土壤湿度数据。插值方法为双线性插值方法。
在微波亮温数据的选择上, 选取2003年1月至2010年12月等经纬网格的AMSR-E10.7V通道垂直极化亮温数据作为观测亮温数据, 并用双线性插值方法把数据重新插值成0.5°×0.5°的空间分辨率(Kohn and Royer, 2010)。
2.2.2 台站观测资料用于验证模式和同化系统的地面台站观测资料来自中国气象局国家气象信息中心2005年7月至2010年6月内蒙古、陕西、甘肃和宁夏地区19个台站的土壤湿度观测资料。由于部分站点观测在秋冬季和初春土壤冻结时停止, 故数据统一取410月。原始数据为中国气象科学数据共享网上的农业气象观测站的相对土壤湿度旬资料, 并将其处理成土壤体积含水量, 可以直接用于模式和同化系统的比较和评估研究(朱晨等, 2013)。为了验证同化系统的性能, 本研究选取了表层10 cm深度的观测土壤湿度进行验证分析。
2.2.3 CFSR再分析资料目前, 国际上普遍采用NCEP和欧洲中期天气预报中心再分析(ECMWF Reanalysis, ERA)数据进行气候变化研究。这些再分析数据可以作为检验模式和同化效果的一种重要资料。本研究采用NCEP的CFSR月土壤湿度产品(Suranjana et al, 2010)。该数据的大气、海洋和陆面数据水平空间分辨率有以下几种: 0.3°×0.3°, 0.5°×0.5°, 1.0°×1.0°, 1.9°×1.9°和2.5°×2.5°。由于CLM3.0和同化系统的输出土壤湿度空间分辨率为0.5°×0.5°, 故选择CFSR的0.5°×0.5°的0~10 cm土壤湿度产品进行对比验证。
2.2.4 遥感反演资料微波遥感观测具有高空间覆盖度和空间分辨率的优势, 其观测结果在空间上也具有较高的代表性。欧洲空间局水循环多任务观测战略(The European Space Agency Water Cycle Multimission Observation Strategy, WACMOS)项目和全球气候变化行动计划(Climate Change Initiative, CCI; http://www.esa-soilmoisture-cci.org)支持发布了基于多微波的土壤湿度产品。第一代集合产品为SM-MW, 于2012年由维也纳技术大学(Vienna University of Technology)发布。SM-MW采用主动和被动土壤湿度产品生成, 被动产品包括扫描式多通道微波辐射计(Scanning Multichannel Microwave Radiometer, SMMR), 微波辐射计特别传感器(Special Sensor Microwave Imager, SMM/I), 微波成像仪(Microwave Imager, TMI), AMSR-E, 主动产品包括欧洲遥感卫星(European Remote Sensing Satellite, ERS)和高级散射计(Advanced Scatterometer, ASCAT)散射仪(Liu et al, 2011, 2012; Wagner et al, 2012)。SM-MW数据被融合成一个主动-被动产品, 数据单位为体积含水量, 可以很方便地用于验证模式的土壤湿度产品(Albergel et al, 2013; Loew et al, 2013)。该原始数据分辨率为0.25°×0.25°, 为了与其他土壤湿度数据进行对比分析, 采用双线性插值方法插值成0.5°×0.5°的分辨率。
3 土壤湿度同化结果的检验本研究中模拟区域取(15°N-55°N, 70°E-140°E)。用1981-2010年共30年CMFD作大气强迫循环驱动CLM3.0积分60年, 使土壤水分过程充分平衡。最后输出2005-2010年空间分辨率为0.5°×0.5°的日和月平均的积分结果。同样用CMFD驱动同化系统输出2003-2010年空间分辨率为0.5°×0.5°的日平均和月平均的结果。以下对同化的土壤湿度与台站观测、CLM3.0模拟、CFSR再分析和SM-MW反演土壤湿度进行对比验证。
3.1 模拟、同化土壤湿度的空间分布及其与观测值的比较图 1对比分析了2005年7月至2010年6月平均观测、CLM3.0模拟与同化表层土壤湿度空间分布。从图上可以看出, 同化后的20052010年410月土壤湿度空间分布相对于CLM3.0的土壤湿度有明显的差异。同化前后西北均为土壤湿度低值区, 东北、江淮地区为土壤湿度高值区。从同化和模拟的差值图(图 1d)可以看出, 相对于CLM3.0的模拟结果, 同化后的土壤湿度在西北地区、青藏高原西部和内蒙古偏湿, 其中西北大部分地区偏湿0.06 m3·m-3以上, 西北干旱区面积缩小。在中国其他地区偏干, 大部分地区偏干在0~0.02 m3·m-3之间, 东北、西南和江淮部分地区偏干0.04 m3·m-3以上, 江淮湿润区面积缩小。对比AMSR-E反演(赖欣等, 2014)与CLM3.0模拟的土壤湿度, 模拟值相对于AMSR-E反演土壤湿度在西北部分地区偏干, 在中国其他地区偏湿。同化系统的观测亮温选取AMSR-E亮温, 系统通过模拟值与观测的对比确定需要如何对模拟值进行修正使其更接近观测值。同化系统通过对比认为西北土壤湿度模拟值偏干, 故同化后西北土壤变湿。同化系统认为中国其他地区模拟值偏湿, 故同化后中国其他地区土壤变干。所以同化前后土壤湿度出现了明显的差异, 说明同化具有一定的效果。从模拟、同化与观测值的偏差百分比对比(图 1e、f)可以看出, CLM3.0模拟的土壤湿度在青海、甘肃、宁夏及陕西地区较观测值总体偏干。而同化后的土壤湿度在这一地区的结果则有了改善, 同化后的土壤湿度变湿, 大部分站点较模拟与观测的偏差百分比绝对值减小, 大部分站点偏差在-30%~30%之间, 更接近于观测值。在内蒙古地区大部分站点偏差百分比增大。
图 2为陕西、甘肃、宁夏、青海和内蒙古地区19个站点2005年7月至2010年6月模拟、同化与观测的土壤湿度相关系数和均方根误差空间分布图。从相关系数(图 2a、b)可以看出, 同化后土壤湿度与观测值的相关系数较之于CLM3.0模拟土壤湿度与观测值的相关系数有了一定的改进, 绝大部分站点均能通过95%的信度检验。从均方根误差(图 2c、d)可以看出, 陕西、甘肃、宁夏、青海同化后均方根误差也有所改进。内蒙古地区均方根误差则没有改进。
分析陕西、甘肃、宁夏、青海省13个站2005年7月至2010年6月区域平均逐月时间序列(图 3)并结合表 1发现, 同化后的该地区土壤湿度较CLM3.0的模拟结果有了一定的改善, 相关系数由0.74增加到了0.85, 同时均方根误差由原来的0.033减小到了0.021, 偏差由原来的-0.026 m3·m-3变为-0.001 m3·m-3。观测土壤湿度呈弱增加趋势, 线性变化趋势值为0.0066 m3·m-3·a-1。模拟和同化土壤湿度呈弱的减小趋势, 模拟值变化趋势为-0.0026 m3·m-3·a-1, 同化值变化趋势为-0.0003 m3·m-3·a-1, 且三种数据变化趋势均不显著。这也与图 3中三种数据在陕西、甘肃、宁夏和青海省变化趋势呈现的结果基本一致。但是相对于观测值和模拟值, 同化土壤湿度的变化相对平缓, 这个问题值得进一步探讨。总体结果表明同化系统在中国某些地区可以改进土壤湿度的模拟结果。
图 4为20032009年CLM3.0模拟、同化、CFSR再分析和SM-MW遥感反演土壤湿度空间分布的比较。CLM3.0模拟、同化土壤湿度为土壤液态含水量。从图上可以看出, 4种土壤湿度产品的空间分布上西北为土壤湿度低值区, 东北、江淮地区为土壤湿度高值区。从分布差异上来看, CLM3.0模拟的土壤湿度在西北地区值最小。同化后的土壤湿度较CLM3.0模拟的土壤湿度在西北地区、青藏高原西部和内蒙古偏湿, 在中国其他地区偏干。CFSR的土壤湿度值在中国区域较其他三种产品普遍偏高。SM-MW的土壤湿度产品在西北和内蒙古与CLM3.0模拟值较为接近, 在35°N以南则与CFSR值较为一致。相对于CFSR再分析产品和SM-MW遥感反演产品, CLM3.0模拟和同化土壤湿度产品在35°N以南对土壤湿度空间分布的细节刻画更为细致。更能呈现出江淮地区为土壤湿度高值区的空间分布特点。
同化卫星遥感亮温数据后, 进一步从2003-2010年分析同化土壤湿度的时空变化特征。图 5为2003-2010春、夏、秋、冬和年平均同化土壤湿度空间分布图。土壤湿度为土壤总含水量。从图上可以看出, 四季和年平均空间分布基本一致。东北、江淮地区以及青藏高原为土壤湿度高值区, 土壤湿度值在0.225 m3·m-3以上。西北和内蒙古为土壤湿度低值区, 土壤湿度值在0.175 m3·m-3以下。总体上看, 冬季西北和内蒙古土壤湿度值相对其他季节及年平均最低, 大部分地区土壤湿度值在0.15 m3·m-3以下。而冬季在东北及青藏高原土壤湿度值相对于其他季节及年平均最高, 大部分地区土壤湿度值在0.25 m3·m-3以上。冬季冻结的东北和青藏高原土壤体积含水量偏高的原因, 是否是由于模式及同化算法高估了土壤液态水和固态水(冰)的总体量值, 值得进一步研究。
从2003-2010春、夏、秋、冬和年平均同化土壤湿度变化趋势和显著性检验结果(图 6)可以看出, 四季和年变化趋势各不相同。春季西北、东北以及青藏高原以增加趋势为主, 中国其他地区以减少趋势为主; 夏季除东南沿海部分地区为增加趋势以外, 绝大部分地区均呈减小趋势; 秋季除内蒙古东部、西藏北部呈增加趋势以外, 其他地区以减少趋势为主, 其中华北部分地区减小趋势显著, 趋势绝对值在0.003 m3·m-3·(10a)-1以上; 冬季西北、内蒙古和青藏高原部分地区呈增加趋势, 且增加趋势显著, 趋势值在0.003 m3·m-3·(10a)-1以上, 其他地区以减小趋势为主, 其中西南部分地区较小趋势显著, 趋势绝对值在0.003 m3·m-3·(10a)-1以上; 从年平均土壤湿度变化趋势图来看, 内蒙古、青藏高原和新疆南部呈增加趋势, 其他地区则以减少趋势为主。
利用中国科学院青藏高原研究所开发的19812010年中国区域地面气象要素驱动数据集, 驱动LDAS-IAP/CAS-1.0得到了2003-2010年中国区域土壤湿度同化数据集, 同时不考虑同化卫星遥感亮温数据, 直接驱动CLM3.0模拟得到了2003-2010年中国区域土壤湿度数据集。将CLM3.0模拟数据、LDAS-IAP/CAS-1.0同化后的土壤湿度数据与观测、CFSR再分析、SM-MW遥感反演土壤湿度进行了对比验证。并分析了2003-2010年同化土壤湿度的时空变化特征。具体结论如下:
(1) 同化后的土壤湿度空间分布与同化前CLM3.0模拟的土壤湿度空间分布有明显差异。相对于同化前CLM3.0的模拟结果, 同化后的土壤湿度在西北地区、青藏高原西部和内蒙古偏湿, 在中国其他地区偏干。模拟、同化及观测土壤湿度在内蒙古的变化趋势较为一致, 均呈减小趋势。在陕西、甘肃、宁夏和青海地区, 观测土壤湿度以增加趋势为主, 而模拟和同化土壤湿度在该地区则以减少趋势为主。同化后的青海、甘肃、宁夏及陕西地区土壤湿度较CLM3.0的模拟结果有一定的改善, 与观测值的相关系数、均方根误差和偏差均有所改善。
(2) 将CLM3.0模拟、同化、CFSR再分析和SM-MW遥感反演土壤湿度进行空间分布的比较。4种土壤湿度产品的空间分布上, 西北为土壤湿度低值区, 东北、江淮地区为土壤湿度高值区。相对于CFSR再分析产品和SM-MW遥感反演产品, CLM3.0模拟和同化土壤湿度产品在35°N以南对土壤湿度空间分布的细节刻画更为细致。
(3) 同化卫星遥感亮温数据后, 2003-2010年土壤湿度四季和年平均空间分布基本一致。东北、江淮地区以及青藏高原为土壤湿度高值区, 西北和内蒙古为土壤湿度低值区。总体上看, 冬季西北和内蒙古土壤湿度值相对其他季节及年平均最低, 而冬季在东北及青藏高原土壤湿度值相对于其他季节及年平均最高。2003-2010年土壤湿度四季和年变化趋势各不相同。从年平均土壤湿度变化趋势来看, 内蒙古、青藏高原和新疆南部呈增加趋势, 中国其他地区则以减少趋势为主。
采用同化系统得到的同化土壤湿度虽然在中国部分地区可以对CLM3.0的模拟结果有所改善, 但同时在部分地区同化后改进不明显, 甚至同化后误差增大。影响同化系统准确度的原因较多:系统所采用的AMSR-E微波亮温未进行质量控制, 经过同化后引入误差; 同化算法也会引入误差; CLM3.0和同化系统所使用的陆面数据分辨率有限, 会影响模拟及同化精确度; 同时CLM3.0的水文过程不完善, 模拟土壤湿度的空间分布和时间变化与观测值相比存在偏差, 部分站点偏差较大, 也会影响同化系统的精确度。未来对同化系统的改进中, 可以使用更高分辨率的陆面数据及强迫场数据, 使用更高精度的亮温数据, 改进同化系统、辐射传输模式, 或者直接同化土壤湿度。另外, 作为预报算子的CLM现在已经发展到了4.5版本, 对水文过程的描述也有了不少改进, 未来也可将预报算子更新到最新的版本, 从而更加完善的描述陆面水文过程。提高同化系统的精确度。
Albergel C, Dorigo W, Reichle R H, et al. 2013. Skill and global trend analysis of soil moisture from reanalyses and microwave remote sensing[J]. J Hydrometeor, 14(4): 1259–1277. DOI:10.1175/JHM-D-12-0161.1 | |
Chahine T M. 1992. The hydrological cycle and its influence on climate[J]. Nature, 359(6394): 373–380. DOI:10.1038/359373a0 | |
Chen Y Y, Yang K, He J, et al. 2011. Improving land surface temperature modeling for dry land of China[J]. J Geophys Res, 116: D20104. DOI:10.1029/2011JD015921 | |
Dickinson R E, Oleson K W, Bonan G B, et al. 2006. The Community Land Model and its climate statistics as a component of the Community Climate System Model[J]. J Climate, 19(11): 2302–2324. DOI:10.1175/JCLI3742.1 | |
Dorigo W, Oevelen P, Wagner W, et al. 2011. A new international network for in situ soil moisture data[J]. Eos, Transactions American Geophysical Union, 92(17): 141–142. | |
Drusch M, Holmes T, De Rosnay P, et al. 2009. Comparing ERA-40 based L-band brightness temperatures with Skylab observations:A calibration/validation study using the Community Microwave Emission Model[J]. J Hydrometeor, 10(1): 213–226. DOI:10.1175/2008JHM964.1 | |
Drusch M, Wood E, Jackson T. 2001. Vegetative and atmospheric corrections for soil moisture retrieval from passive microwave remote sensing data:Results from the Southern Great Plains Hydrology Experiment 1997[J]. J Hydrometeor, 2(2): 181–192. DOI:10.1175/1525-7541(2001)002<0181:VAACFT>2.0.CO;2 | |
Guo D L, Wang H J. 2013. Simulation of permafrost and seasonally frozen ground conditions on the Tibetan Plateau, 19812010[J]. J Geophys Res:Atmospheres, 118(11): 5216–5230. DOI:10.1002/jgrd.50457 | |
Holmes T, Drusch M, Wigneron J P, et al. 2008. A global simulation of microwave emission:Error structures based on output from ECMWF's operational Integrated Forecast System[J]. IEEE Trans Geosci Remote Sens, 46: 846–856. DOI:10.1109/TGRS.2007.914798 | |
Jia B, Tian X, Xie Z, et al. 2013. Assimilation of microwave brightness temperature in a land data assimilation system with multi-observation operators[J]. J Geophys Res:Atmospheres, 118(10): 3972–3985. DOI:10.1002/jgrd.50377 | |
Kerry H, Njoku E G. 1990. A semi-empirical model for interpreting microwave emission from semiarid land surfaces as seen from space[J]. IEEE Trans Geosci Remote Sens, 28(3): 384–393. DOI:10.1109/36.54364 | |
Kohn J, Royer A. 2010. AMSR-E data inversion for soil temperature estimation under snow cover[J]. Remote Sensing of Environment, 114(12): 2951–2961. DOI:10.1016/j.rse.2010.08.002 | |
Lawrence D M, Oleson K W, Flanner M G, et al. 2011. Parameterization improvements and functional and structural advances in version 4 of the Community Land Model[J]. Journal of Advances in Modeling Earth Systems, 3(1): 1–27. DOI:10.1029/2011MS000045 | |
Liu Y Y, Parinussa R M, Dorigo W A, et al. 2011. Developing an improved soil moisture dataset by blending passive and active microwave satellite-based retrievals[J]. Hydrology and Earth System Sciences, 15(2): 425–436. DOI:10.5194/hess-15-425-2011 | |
Liu Y Y, Dorigo W A, Parinussa R M, et al. 2012. Trend-preserving blending of passive and active microwave soil moisture retrievals[J]. Remote Sens Environ, 123: 280–297. DOI:10.1016/j.rse.2012.03.014 | |
Loew A, Stacke T, Dorigo W, et al. 2013. Potential and limitations of multidecadal satellite soil moisture observations for selected climate model evaluation studies[J]. Hydrol Earth Syst Sci, 17: 3523–3542. DOI:10.5194/hess-17-3523-2013 | |
Margulis S A, McLaughlin D, Entekhabi D, et al. 2002. Land data assimilation and estimation of soil moisture using measurements from the Southern Great Plains 1997 Field Experiment[J]. Water Resour Res, 38: 1299. DOI:10.1029/2001WR001114 | |
Suranjana S H, Moorthi S, Pan H L, et al. 2010. The NCEP climate forecast system reanalysis[J]. Bull Amer Meteor Soc, 91(8): 1015–1057. DOI:10.1175/2010BAMS3001.1 | |
Tian X, Xie Z, Dai A, et al. 2009. A dual-pass variational data assimilation framework for estimating soil moisture profiles from AMSR-E microwave brightness temperature[J]. J Geophys Res, 114(D16): D16102. DOI:10.1029/2008JD011600 | |
Tian X J, Xie Z, Dai A. 2010. A microwave land data assimilation system:scheme and preliminary evaluation over China[J]. J Geophys Res, 115((D21): D21113. DOI:10.1029/2010JD014370 | |
Wagner W, Dorigo W, de Jeu R, et al. 2012. Fusion of active and passive microwave observations to create an essential climate variable data record on soil moisture[J]. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS Annals), 7: 315–321. | |
Wigneron J P, Kerr Y, Waldteufel P, et al. 2007. L-band Microwave Emission of the Biosphere (L-MEB) Model:Description and calibration against experimental data sets over crop fields[J]. Remote Sens Environ, 107: 639–655. DOI:10.1016/j.rse.2006.10.014 | |
Xue B, Wang L, Yang K, et al. 2013. Modeling the land surface water and energy cycles of a mesoscale watershed in the central Tibetan Plateau during summer with a distributed hydrological model[J]. J Geophys Res Atmos, 118: 8857–8868. DOI:10.1002/jgrd.50696 | |
Zeng X B, Decker M. 2009. Improving the numerical solution of soil moisture-based richards equation for land models with a deep or shallow water table[J]. J hydrometor, 10: 308–319. DOI:10.1175/2008JHM1011.1 | |
Zhang S W, Li H R, Zhang W D, et al. 2006. Estimating the soil moisture profile by assimilating near-surface observations with ensemble Kalman filter (EnKF)[J]. Adv Atmos Sci, 22: 936–945. | |
贾炳浩, 谢正辉, 田向军, 等. 2010. 基于微波亮温及集合Kalman滤波的土壤湿度同化方案[J]. 中国科学, 40(2): 239–251. DOI:10.1007/s11430-009-0122-zJia Binghao, Xie Zhenghui, Tian Xiangjun, et al. 2010. A soil moisture assimilation scheme based on the ensemble Kalman filter using microwave brightness temperature[J]. Sci China Earth Sci, 40(2): 239–251. DOI:10.1007/s11430-009-0122-z | |
赖欣, 文军, 岑思弦, 等. 2014. CLM4.0模式对中国区域土壤湿度的数值模拟及评估研究[J]. 大气科学, 38(3): 499–512. DOI:10.3878/j.issn.1006-9895.1401.13194Lai Xin, Wen Jun, Cen Sixian, et al. 2014. Numerical simulation and evaluation study of soil moisture over China by using CLM4.0 model[J]. Chinese J Atmos Sci, 38(3): 499–512. DOI:10.3878/j.issn.1006-9895.1401.13194 | |
刘川, 余晔, 谢晋, 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.1000-0534.2015.00034Liu Chuan, Yu Ye, Xie Jing, et al. 2015. Applicability of soil temperature and moisture in several datasets over Qinghai-Xizang Plateau[J]. Plateau Meteor, 34(3): 653–665. DOI:10.7522/j.issn.1000-0534.2015.00034 | |
师春香, 谢正辉, 钱辉, 等. 2011. 基于卫星遥感资料的中国区域土壤湿度EnKF数据同化[J]. 中国科学, 41(3): 375–385. DOI:10.1007/s11430-010-4160-3Shi Chunxiang, Xie Zhenghui, Qian Hui, et al. 2011. China land soil moisture EnKF data assimilation based on satellite remote sensing data[J]. Sci China Earth Sci, 41(3): 375–385. DOI:10.1007/s11430-010-4160-3 | |
史小康, 文军, 王磊, 等. 2010. AMSR-E卫星亮度温度数据在高原东北部土壤湿度观测和模拟中的应用[J]. 高原气象, 29(3): 545–553. Shi Xiaokang, Wen Jun, Wang Lei, et al. 2010. Application of AMSR-E brightness temperature data in observation and simulation of soil moisture variation over northeast Plateau[J]. Plateau Meteor, 29(3): 545–553. | |
杨扬, 左洪超, 杨启东, 等. 2015. CLM4. 0模式对干旱区荒漠草原过渡带快速变化陆面过程的数值模拟研究[J]. 高原气象, 34(4): 923–934. DOI:10.7522/j.issn.1000-0534.2014.00105Yang Yang, Zuo Hongchao, Yang Qidong, et al. 2015. Numerical simulation of transient land surface process over desert-steppe transitional zone in arid areas using Community Land Model[J]. Plateau Meteor, 34(4): 923–934. DOI:10.7522/j.issn.1000-0534.2014.00105 | |
尹继福, 郑有飞, 詹习武, 等. 2016. 同化极轨卫星陆地产品对改善陆面模式模拟能力研究进展[J]. 高原气象, 35(1): 260–276. DOI:10.7522/j.issn.1000-0534.2014.00137Yin Jifu, Zhen Youfei, Zhan Xiwu, et al. 2016. Review on improving land surface model simulations by assimilating polar-orbiting satellite observations[J]. Plateau Meteor, 35(1): 260–276. DOI:10.7522/j.issn.1000-0534.2014.00137 | |
张生雷, 谢正辉, 田向军, 等. 2006. 基于土壤水模型及站点资料的土壤湿度同化方法[J]. 地球科学进展, 21(12): 1350–1362. DOI:10.3321/j.issn:1001-8166.2006.12.017Zhang Shenglei, Xie Zhenghui, Tian Xiangjun, et al. 2006. A soil moisture assimilation scheme with an unsaturated soil water flow model and in Site observation[J]. Adv Earth Sci, 21(12): 1350–1362. DOI:10.3321/j.issn:1001-8166.2006.12.017 | |
张生雷, 谢正辉, 师春香, 等. 2008. 集合Kalman滤波在土壤湿度同化中的应用[J]. 大气科学, 32(6): 1419–1430. Zhang Shenglei, Xie Zhenghui, Shi Chunxiang, et al. 2008. Applications of Ensemble Kalman Filter in Soil Moisture Assimilation[J]. Chinese J Atmos Sci, 32(6): 1419–1430. | |
赵捷, 徐宗学, 左德鹏. 2013. 黑河流域潜在蒸散发量时空变化特征分析[J]. 北京师范大学学报(自然科学版), 49(2/3): 164–169. Zhao Jie, Xu Zongxue, Zuo Depeng. 2013. Spatiotemporal variation of potential evapotranspiration in the Heihe river basin[J]. Journal of Beijing Normal University (Natural Science), 49(2/3): 164–169. | |
朱晨, 师春香, 席琳, 等. 2013. 中国区域不同深度土壤湿度模拟和评估[J]. 气象科技, 41(3): 529–536. Zhu Cheng, Shi Chunxiang, Xi Lin, et al. 2013. Simulation and assessment of soil moisture at different depths in China area[J]. Meteorological Science and Technology, 41(3): 529–536. |
2. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China;
3. Ecological and Agricultural Meteorology Center of Inner Mongolia Autonomous Region, Hohhot 010051, China