2018, Vol. 37
2. 中国气象局乌鲁木齐新疆沙漠研究所, 新疆 乌鲁木齐 830002;
3. 中国地质大学(武汉)环境学院, 湖北 武汉 430074;
4. 国防科技大学气象海洋学院, 江苏 南京 211101
气候变化研究中的一个重要课题就是对全球能量循环和水循环的理解和研究, 而土壤水分作为全球水循环中的重要参数受到了国内外学者的广泛关注(李得勤, 2010)。土壤湿度是陆面过程模式研究中的重要参量, 可以反映地表水分收支情况, 是监测土壤是否退化的重要指标。准确模拟土壤湿度的时空分布有助于了解大尺度的能量和水分交换过程, 对改善区域和全球气候模式预报结果有着重要作用(Chahine, 1992; 马柱国等, 2001)。
青藏高原(下称高原)平均海拔在4 000 m以上, 被称为世界“第三极”, 通过一系列的大气和水文过程直接和间接对亚洲季风和全球大气环流造成影响(叶笃正等, 1979; 章基嘉等, 1988; 周秀骥等, 1995; 陶诗言等, 1999), 在全球气候变化、高原热力效应以及植被退化等方面的研究中占据重要地位(Wang et al, 2000; Zhao et al, 2004; Cheng et al, 2007; Xu et al, 2011; 张少波等, 2013)。但高原地表类型复杂, 环境恶劣, 是中、低纬度地带冻土分布面积最广、厚度最大的区域, 造成在高原地区地面观测站点稀少, 长时间序列的土壤湿度观测资料积累十分有限, 给研究高原土壤湿度的时空分布带来了困难, 因此寻找可以较为准确的描述高原地区土壤湿度时空特征的替代资料变得很有必要(刘川等, 2015)。
目前国际上相对成熟的陆面数据同化系统包括:北美陆面数据同化系统(NLDAS)(Mitchell et al, 2004), 欧洲陆面数据同化系统(ELDAS)(Van den Hurt, 2002)和全球陆面数据同化系统(GLDAS)(Rodell et al, 2004)。国内在李新等(2008)的努力下建立了西部陆面数据同化系统(WCLDAS), 国家气象信息中心师春香(2008)亦构建了中国气象局陆面数据同化系统CLDAS(CMA Land Data Assimilation System)。与此同时, 近年来一些学者对不同的陆面模式资料的适用性开展了评估工作。Chen et al(2013)利用高原中部土壤湿度观测网数据对GLDAS(Global Land Data Assimilation System)中4个陆面模式土壤水分产品进行了评估, 发现4个模式均低估了表层土壤湿度, 而GLDAS-CLM和GLDAS-NOAH模式资料对10~40 cm土壤层湿度代表性较好。朱智等(2014)对CLDAS和GLDAS四个陆面模式输出的土壤水分产品进行了比较与评估, 结果表明五个模式均可以模拟出中国区域土壤湿度的空间分布, CLDAS在江淮和西南地区存在偏差, 但整体上CLDAS优于GLDAS。Wang et al(2012)对比了多种再分析资料在高原上的适用性, 指出GLDAS降水和温度数据在高原均具有可用性。龚伟伟(2014)在CLDAS产品评估时指出CLDAS地面相对湿度资料在全国的均方根误差均小于10%, 质量远比数值模式资料好, 且CLDAS在夏季与观测的差异较大。
综上所述, 虽然前人已取得了丰硕的研究成果, 但由于高原观测资料稀少的原因, 大部分研究多关注于中国中东部地区, 融合资料在高原区域评估的相关研究仍较少。因此, 利用高原自动土壤水分观测站资料和TIPEX Ⅲ试验土壤湿度加密观测资料(李跃清等, 2011), 从不同时间尺度综合评估了两种融合资料(CLDAS和GLDAS)在高原的适用性, 从而为中国气象局陆面同化系统在高原地区的改进提供一定的参考。
2 资料选取和方法介绍 2.1 观测资料选取所用观测资料包括由国家气象信息中心提供的2013—2014年高原及其周边地区四个省份(包括四川、青海、新疆和西藏)的自动土壤水分观测站ASM(Automatic soil moisture station)的土壤水分资料。其中2013年有效站点的个数为159个, 2014年为301个, 土壤湿度站点的分布如图 1所示; 2014年开展的TIPEX Ⅲ边界层土壤湿度加密观测资料(李跃清等, 2011), 包括安多、班戈、那曲、聂荣、嘉黎、比如、阿里7个站点[图 2(a)]每30 min的土壤湿度(5, 10, 20, 40, 80和160 cm)观测资料, 以及那曲地区8个卫星测试点[图 2(b), 下文用Sta-ave表示此区域]的土壤湿度(5, 10, 20, 40, 80, 160 cm)观测, 由于各土壤湿度观测站开始业务化的时间并不一致, 从2014年7月1—28日不等, 因此选取2014年8月1日至12月31日的土壤湿度观测资料。参考1：1 000 000中国植被图(中国科学院中国植被图编辑委员会, 2001)以及孙根厚等(2016)、冯璐等(2016)、刘火霖等(2015)和朱志鹍等(2015)的研究将上述测站或区域分为小嵩草高寒草甸(安多、那曲、聂荣、Sta-ave)、亚高山常绿叶灌丛(比如、嘉黎)、禾草高寒草原(班戈)和矮半灌木荒漠(阿里)。
|
图 1 2013年(a)与2014年(b)青藏高原周边自动土壤水分测站分布 阴影表示海拔(单位: m) Figure 1 Distribution of automatic soil moisture station around the Qinghai-Tibetan Plateau in 2013 (a) and 2014 (b).The shaded area represents sea level elevation (unit: m) |
|
图 2 TIPEX Ⅲ站点分布 (a)紫色站点为边界层土壤湿度加密观测站点, 黑色站点(Sta-ave)代表卫星测试区域, (b)Sta-ave中8个站点分布, 阴影表示海拔(单位: m) Figure 2 Site Distribution of the 3rd Qinghai-Tibetan Plateau Atmospheric Scientific Experiment (TIPEX Ⅲ).(a) Purple site is soil moisture encryption observation site for the boundary layer, and the black site (Sta-ave) represents the satellite test area, (b)the distribution of eight sites of the Sta-ave, and the shaded area represents sea level elevation (unit: m) |
所用资料包括两套陆面模式输出结果。陆面模式资料包括美国航空航天局NASA(National Aeronautics and Space Administration)戈达德空间飞行中心和美国海洋和大气局NOAA(National Oceanic and Atmospheric Administration)国家环境预报中心NCEP(National Centers for Environmental Prediction)联合发展的全球陆面数据同化系统GLDAS-1中的NOAH输出结果(Rodell et al, 2004; 宇婧婧等, 2013); 以及中国气象局陆面数据同化系统第一版本(CMA Land Data Assimilation System, CLDAS-V1.0), CLDAS-V1.0对地面站点观测、卫星观测、数值模式产品等多种来源的数据, 通过数据融合(张涛, 2013)与同化技术(师春香, 2008; Shi et al, 2011)进行融合来获取高质量的温度、湿度、风速、气压、降水和辐射等要素的格点数据, 进而用来驱动陆面过程模式, 获得土壤温度、湿度等陆面变量(姜立鹏等, 2013)。
Wang et al(2011)的研究表明0~10 cm土壤湿度对于短期气候研究有重要意义, 而且对于农作物生长有重要影响。而用于本研究的观测资料和模式资料均提供0~10 cm层次上的土壤水分, 故选取了0~10 cm层次上的土壤水分资料作为研究对象。由于自动土壤水分测站和陆面模式资料中的土壤湿度是一定厚度土壤层的平均值, 而TIPEX Ⅲ边界层土壤湿度和卫星测试点土壤湿度资料是某一层次上的湿度值, 因此, 在对陆面模式资料和TIPEX Ⅲ土壤水分观测资料进行对比时, 将陆面模式资料中的0~10 cm层次与TIPEX Ⅲ土壤水分观测资料中的5 cm深度观测进行对比(刘川等, 2015)。以上四种观测资料和陆面模式资料的的详细信息如表 1所示。
|
表 1 站点资料和陆面模式资料的土壤湿度数据信息 Table 1 Informations of soil moisture from site data and theland model products |
目前土壤水分站点处于布设-验收-业务化的过程中, 观测资料的质量参差不齐, 因此有必要对观测资料进行质量控制。所使用的土壤湿度观测数据质量控制方法包括以下三步: (1)考虑到观测场地不会出现土壤中没有水分的情况, 以及当传感器浸泡于水中时测量不准, 因此剔除了小于等于0 m3·m-3以及大于1 m3·m-3的观测数据; (2)由于在0 ℃以下, 土壤中的水分会以固态和液态两种状态存在, 同时土壤湿度观测仪器在0 ℃以下并不能正常工作, 因此根据高原观测站点5 cm(代表 0~10 cm)土壤温度观测变化曲线(图 3), 选取5—10月作为非冻融时期进行后续计算; (3)由于各土壤湿度观测站开始业务化的时间并不一致以及各站点的土壤湿度观测数据质量存在差异, 需要选取有效观测数据较多的站点, 因此剔除了在5—10月观测时间小于90天站点的所有土壤湿度观测数据。经过质量控制后, 选取了2013年的159个站点和2014年的302个站点。此外, 剔除4个高原数据乱码的站点之后, 选取了7个连续性较好站点2014年8—10月逐30 min土壤湿度观测资料, 以及同时段那曲地区卫星测试点土壤湿度观测8站点数据资料逐10 min土壤湿度观测资料。
|
图 3 高原上6个站点5 cm (0~10 cm)的土壤温度变化 Figure 3 Soil temperature diurnal curve of 5 cm (0~10 cm) on 6 sites in the Qinghai-Tibetan Plateau |
在分析土壤水分融合资料与站点资料之间的误差时, 根据融合资料的时间分辨率, 采用双线性插值法将融合资料的土壤湿度资料插值到观测站点上。对于那曲地区8个站点土壤湿度测量网, 首先将8个站点的土壤湿度观测数据进行平均得到(91.97°E—92.49°E, 31.69°N—32.14°N)区域的平均值(Sta-ave), 再将融合资料在相同区域内的格点数据进行平均同样得到融合资料的区域平均值; 站点土壤湿度观测为30 min或10 min内的平均值, 将一天内的数据进行平均即得到土壤湿度的日平均资料, 然后再进行后续分析。
自动土壤水分测站、TIPEX Ⅲ和CLDAS均提供的是土壤体积含水量, 而GLDAS土壤水分产品的单位: kg·m-2, 需要根据式(1)转化为体积含水量:
| $ \begin{array}{l} {\rm{体积含水量}}\\ \;\;\;\;{\rm{ = }}\frac{{{\rm{kg}}}}{{{{\rm{m}}^2}}}\frac{{{{\rm{m}}^3}}}{{1\;000\;{\rm{kg}}}}\frac{{1\;000\;{\rm{mm}}}}{{1\;{\rm{m}}}}\frac{1}{{{\rm{土壤层厚度}}\left({{\rm{mm}}} \right)}}, \end{array} $ | (1) |
为了定量评估两种融合资料0~10 cm土壤水分产品在高原的适用性, 采用的统计量和评估指标包括:融合资料与观测的平均偏差、均方根误差、平均相对偏差以及基于时空技巧评分的复合统计量-空间技巧评分(记为SS)和时间技巧评分(ST)(Pierce et al, 2009; Chen et al, 2011)。下面给出时空技巧统计量的计算公式如下:
(1) 空间技巧评分
设Mk和Ok分别为土壤湿度的评估场(CLDAS和GLDAS融合资料)和站点观测土壤湿度资料, 则观测与评估的空间场平方误差定义为:
| $ {E_{M{S_s}}}\left({m, o} \right) = \frac{1}{N}\sum\limits_{k = 1}^n {{{\left({{M_k} - {O_k}} \right)}^2}, } $ | (2) |
式中: N为空间格点数, 考虑式(2)的无量纲化, 得到无量纲空间技巧评分:
| $ \begin{array}{l} {S_S} = 1 - \frac{{{E_{M{S_S}}}\left({m, o} \right)}}{{{E_{M{S_S}\left({\bar o, o} \right)}}}}\\ \;\;\;\; = r_{m, o}^2 - {\left[ {{r_{m, o}} - \left({{S_m}{\rm{/}}{S_o}} \right)} \right]^2} - {\left[ {\left({\bar m - \bar o} \right)/{S_o}} \right]^2}, \end{array} $ | (3) |
式中: rm, o为评估场和观测场的空间相关系数; Sm和So分别为评估和观测的标准差; m和o分别为评估场和观测场的区域平均值。评估场与观测场相关系数越大、偏差值越小, 则SS值越接近1, 说明评估资料的空间精度越高。
(2)时间技巧评分
类似于SS, 定义Yt和Xt分别为土壤湿度的评估和观测时间序列, 则评估序列和观测序列的平方误差为:
| $ {E_{M{S_T}}}\left({y, x} \right) = \frac{1}{n}\sum\nolimits_{t = 1}^n {{{\left({{Y_t} - {X_t}} \right)}^2}, } $ | (4) |
式中: n为样本时间长度, 对上式进行无量纲化, 则无量纲时间技巧评分为:
| $ \begin{array}{l} {S_T} = 1 - \frac{{{E_{M{S_T}}}\left({y, x} \right)}}{{{E_{MST}}\left({\bar x, x} \right)}}\\ \;\;\;\;r_{y, x}^2 - {\left[ {{r_{y, x}} - \left({{S_y}{\rm{/}}{S_x}} \right)} \right]^2} - {\left[ {\left({\bar y - \bar x} \right){\rm{/}}{S_x}} \right]^2}, \end{array} $ | (5) |
式中: ry, x2为融合数据场和观测场时间序列相关系数的平方; Sy和Sx分别为融合资料与观测序列标准差; y和x分别为融合数据集和站点观测数据集的平均值。因此, 融合数据场的时间变化越接近观测场, 即两个序列的相关系数越大、融合资料与观测的时间变化偏差越小, 则ST评分越接近1, 反之, ST评分越小, 说明融合资料与观测的时间变化偏差越大。
3 土壤湿度资料的质量评估 3.1 TIPEXⅢ站点分析 3.1.1 日-时间尺度对比图 4给出了TIPEX Ⅲ8个站点(安多、班戈、那曲、聂荣、嘉黎、比如、阿里、Sta-ave)2014年8—10月份土壤湿度观测值与两种融合资料在0~10 cm层次的对比。由图 4可知, 整体上, 土壤湿度随时间的推移逐渐减小, 但在不同站点两种资料表现又有所不同。在安多、那曲、聂荣和Sta-ave区域两种融合资料基本在观测站点的曲线附近变化, 在班戈以及阿里两个站点融合资料高估了土壤湿度值, 而在聂荣和比如两个站点融合资料低估了实际的土壤湿度观测值。
|
图 4 2014年8—10月高原8个站点0~10 cm层次土壤湿度观测值和两种融合资料的日变化曲线 Figure 4 Diurnal curve of 0~10 cm soil moisture observations of 8 sites in Qinghai-Tibetan Plateau with two patterns data from August to October in 2014 |
从两种融合资料与站点的相关系数统计[图 5(a)]可以看出, 除了在阿里站, 融合资料的土壤湿度与观测值的相关系数均处于0.34~0.91之间, 说明融合资料0~10 cm层次的土壤湿度与站点观测之间呈显著正相关, 且均通过了0.05的显著性水平检验。在安多、聂荣、嘉黎、比如以及Sta-ave区域, CLDAS土壤湿度与站点的相关性明显高于GLDAS; 在班戈和那曲两个站点, CLDAS、GLDAS融合资料与站点观测值的相关性均在0.7以上, 其中GLDAS的相关性稍高于CLDAS; 在阿里站CLDAS与站点的相关性为负。通过比较两种资料与站点资料的偏差统计[图 5(b), (c)]可知, 两套资料在大部分站点的偏差较小(均方根误差小于0.14 m3·m-3, 平均相对误差小于0.008 m3·m-3), 而在班戈、嘉黎、比如以及阿里4个站点融合资料与站点观测的偏差较大。
|
图 5 高原8个站点0~10 cm层次土壤湿度观测值与CLDAS和GLDAS资料的相关系数(a)、均方根误差(b)以及平均相对偏差(c)的统计结果 Figure 5 The correlation coefficient (a), root mean square error (b) and mean relative deviation (c) of daily soil moisture in the 0~10 cm layer between two model products (CLDAS and GLDAS) and observations |
综上来看, 两种融合资料在安多、那曲、聂荣、Sta-ave区域(小嵩草高寒草甸)4个站点相关性较好, 偏差较小, 表现较优, 其中CLDAS土壤湿度与站点观测更为接近。而在班戈(禾草高寒草原)、嘉黎(亚高山常绿叶灌丛)和比如(亚高山常绿叶灌丛), 融合资料与实际站点观测相比相关性较小、偏差较大。阿里站(矮半灌木荒漠)是融合资料与观测相差最大的站点, 融合资料的土壤湿度远大于观测, 其中CLDAS与观测表现为负相关, 这可能与阿里地区下垫面为荒漠有关, 刘川等(2015)也发现土壤湿度的偏差在高寒草原较高寒草甸大, 其中荒漠草原下垫面质量最差, 格点资料甚至与观测值的相关性为负。同一套融合资料在不同站点也有不同的表现, 这种差异可能与观测站点、融合资料格点下垫面的差异(植被、土壤质地等)有关, Su et al(2013)的相关研究也支持了这一观点。
3.1.2 3 h-时间尺度对比为了进一步了解两种融合资料在小时时间尺度上的质量, 图 6给出了2014年8—10月高原8个站点两种融合资料与相应站点观测值的对比。从图 6可以看出, 土壤湿度存在明显的日变化, 土壤湿度随着时间的变化先增大, 站点资料在17:00左右达到全天土壤湿度的峰值, 接着又逐渐减小。万国宁等(2012)在研究高原中部站点土壤湿度的日变化时, 将11:00—17:00称为土壤湿度的积累期。在积累期, 土壤湿度明显增大, 在17:00左右达到峰值。从17:00开始, 土壤湿度开始衰减, 一直持续到次日08:00, 至此, 土壤湿度完成了一天的循环过程。CLDAS、GLDAS融合产品基本可以反映出土壤湿度在全天(08:00至次日05:00)先增大后减小的变化, 但是在不同站点融合资料与站点观测存在较大的差距, 尤其是在班戈、聂荣、嘉黎、比如以及阿里5个站点, 融合资料与站点资料的差值从0.06 m3·m-3(比如)增至0.20 m3·m-3, 且峰值出现的时间明显提前到14:00左右。图 7给出了CLDAS和GLDAS融合资料与高原8个站点观测值平均的相关系数(均通过了0.05的显著性水平检验)、均方根误差、平均相对偏差的统计结果。由图 7可知, 相关性随时间先减小后增加, 相关系数的极小值分别出现在17:00(CLDAS)、20:00(GLDAS); 均方根误差和平均相对偏差在全天的变化中表现较为一致, 随时间先增大后又逐渐变小, 两种融合资料的均方根误差和平均相对偏差的最大值均出现在17:00, 万国宁等(2012)也指出融合资料与站点资料在14:00—20:00相关性较弱, 偏差较大。
|
图 6 2014年8—10月青藏高原8个站点0~10 cm层次土壤湿度观测值与两种融合资料的3 h变化曲线 Figure 6 Hourly change curve of 0~10 cm Soil moisture observations of 8 sites in Qinghai-Tibetan Plateau with two patterns data from August to October in 2014 |
|
图 7 CLDAS和GLDAS资料与高原8个站点平均土壤湿度观测值的相关系数(a)、均方根误差(b)以及平均相对偏差(c)的统计结果 Figure 7 The correlation coefficient (a), root mean square error (b) and mean relative deviation (c) of soil moisture in the 0~10 cm layer of CLDAS、GLDAS and observations |
上文已分析了两种融合资料在TIPEX Ⅲ中8个站点的土壤湿度观测资料的适用性, 但由于高原上站点资料稀少, 因此, 下面试图用高原周边自动土壤水分测站资料分析两种融合资料的适用性(限于篇幅, 下文采用相关性和偏差的复合时空评分指标进行分析)。
以站点观测资料为真值, 分别计算2013—2014年5—10月逐日CLDAS和GLDAS与高原及其周边站点土壤湿度的空间技巧评分SS, 绘制两者的逐日变化曲线[图 8(a)]。由图 8(a)可知, CLDAS和GLDAS的SS值的变化保持高度一致, 但在两年的大部分时段, CLDAS的SS值高于GLDAS, 这表明CLDAS土壤湿度资料的精度总体上高于GLDAS资料; 与2014年相比, 2013年SS值的变化幅度较大, 其中, 在8月中下旬和10月中旬两种资料质量较差, CLDAS甚至在某些时段评分低于GLDAS; 两种资料的SS值在2014年基本在-0.5~0.3之间变化, GLDAS的SS值稍低于CLDAS。总体来看, 两种资料的SS值2014年整体上优于2013年。
|
图 8 2013—2014年5—10月CLDAS和GLDAS的空间技巧评分(SS)的逐日变化曲线(a)以及两年平均的逐日变化曲线(b) Figure 8 Daily SS(a) of the CLDAS and GLDAS and the two year mean daily SS(b) from May to October during 2013—2014 |
从SS值两年的逐日平均变化[图 8(b)]来看, 除5月份中上旬、8月份中下旬以及10月份中旬这三个时间段CLDAS的评分低于GLDAS之外, CLDAS的评分还是普遍高于GLDAS的, 且CLDAS两种资料的SS值在其它时段变化较为平稳且评分较高。由CLDAS和GLDAS融合资料两年平均的逐月SS值(表 2)可以看出, 在整体上CLDAS的空间技巧评分都高于GLDAS, 鉴于SS值是综合体现空间场的相关系数与评估长偏差的无量纲量, 因此可知CLDAS融合资料在描述整个高原及其周边站点土壤湿度的能力上相较于GLDAS有了较为显著的改善。
|
|
表 2 CLDAS和GLDAS融合资料两年平均的5—10月的逐月空间技巧评分SS Table 2 Two years averaged monthly SS from Mayto October of CLDAS and GLDAS |
陈圆圆等(2016)指出随着降水强度的增加, 融合降水的偏差也会随之增加; 保鸿燕等(2016)在研究GLDAS土壤湿度在高原地区的误差及其原因时指出, 土壤湿度的误差在非冻结期主要由降水对土壤湿度的强迫存在一定的问题而引起的, 在冻结期则主要由模式的冻融参数化方案存在一定的问题造成其对土壤的冻融过程模拟得不准确而引起。考虑到本文对土壤湿度的研究只限于5—10月的非冻结期, 不存在土壤的冻融过程对精度的影响。为了分析2013年8月和10月出现明显偏低的评分原因, 下面从高原周边挑选出2013年和2014年5—10月213个有效站点的降水变化来进行讨论。由图 9可知, 整体上2013年降水量要远大于2014年, 这可能是导致2013年融合资料的质量整体上不如2014年的原因。6—8月是高原上的湿季, 2014年湿季季节雨量分布较为均匀, 但在6月初, 7月中旬以及8月雨量明显增大时, 相应的评分也出现了相对的低值; 这也体现在2013年8月下旬, 雨量急剧增大, 相应地评分出现了最低值, 一入9月便进入高原的干季, 雨量急剧减少, 相比于2014年来说, 2013年10月雨量相对较大, 在10月中上旬出现了一次较大雨量, 评分也随之出现低值。此外, 在高原6月初进入雨季时, 2013年和2014年的评分在此时均出现了局域的低值, 之后在整个雨季也保持着较为稳定的变化幅度。由此可知, 当降水强度急剧增强时, 融合资料的质量较差。
|
图 9 2013—2014年5—10月高原周边站点降水的逐日变化曲线 Figure 9 Diurnal curve of precipitation over the Qinghai-Tibetan Plateau from May to October during 2013—2014 |
(1) 土壤湿度的空间分布
图 10是2013—2014年5—10月0~10 cm土壤平均水分含量的空间分布以及两种融合资料与站点观测差值的空间分布, 由图 10(a)~(c)可知, 两种陆面资料都能比较合理地反映出土壤湿度时空分布, 高原东南部的四川地区是土壤湿度的高值区, 体积含水量基本都在0.3~0.55 m3·m-3之间, 而新疆地区和青海地区为土壤湿度的低值区, 体积含水量在0.05~0.25 m3·m-3之间, 土壤湿度从高原的东南地区向西北地区递减, 这一分析结果与李昂(2013)和赖欣等(2014)的结论较为一致。但是两种融合资料四川地区的土壤湿度的大值区存在明显的低估。由图 10(d)~(e)反映的融合资料与观测的偏差可以看出, 对于大多数的站点, 两种融合资料对湿度的模拟要高于观测, 尤其是在四川和青海地区, 有少数站点可以达到0.2 m3·m-3。
|
图 10 高原及其周边站点0~10 cm层次土壤湿度观测值与融合资料的空间分布(单位: m3·m-3) Figure 10 The spatial distribution for the Qinghai-Tibetan Plateau and its surrounding sites respectively.Unit: m3·m-3 |
(2) 误差的空间分布
为了进一步对比两种融合资料的精度, 根据式(5)计算各个站点的时间技巧评分ST, 并得到ST指标在5—10月的空间分布(图 11)。ST指标反映的是不同资料序列时间演变的相关系数和偏差信息, ST值越接近1, 资料的精度越高, 与站点的变化越一致。
|
图 11 2013—2014年5—10月CLDAS和GLDAS资料在高原周边站点的时间技巧评分(ST)空间分布 Figure 11 Respective ST indicates spatial distributions of the CLDAS and GLDAS around Qinghai-Tibetan Plateau from May to October of 2013—2014 |
由图 11可以看出, 两种融合资料的ST指标在空间分布上也较为一致, ST值由高原的东南向西北递减, 其中:在四川中东部是ST值的高值区, ST基本位于-1~0.8之间, 新疆地区和四川的西北地区部分站点是ST值的低值区, ST＜-4。在9月的新疆地区CLDAS资料相比于GLDAS的站点有较为显著的改善。进一步地, 将ST值分为6个范围, 通过统计5—10月两种融合资料ST值的区间分布(图 12)可知, 5、8、10月在评分较高的区间(ST值＞-1.0)CLDAS的站点比例低于GLDAS, 与图 8的分析结果保持一致。
|
图 12 2013—2014年5—10月CLDAS和GLDAS在高原周边站点ST评分区间的分布 Figure 12 Respective ST indicates distribution interval of CLDAS and GLDAS from May to October of 2013—2014 |
由5—10月CLDAS资料的ST指标与GLDAS资料的差值分布(图 13)可知, 在6—8月两种资料具有较好的一致性, 相比于GLDAS资料, CLDAS在对四川东南地区和新疆地区的大部分站点的土壤湿度模拟上有了较大的改善, 两种资料在四川东北部地区的ST值具有较好的一致性。
|
图 13 2013—2014年5—10月CLDAS与GLDAS时间技巧评分(ST)的差值空间分布 Figure 13 The difference spatial distributions of CLDAS and GLDAS respective ST indicates from May to October of 2013—2014 |
总体而言, 两种融合资料在四川地区的质量高于西北地区; CLDAS土壤湿度的ST值在高原周边的大部分站点显著高于GLDAS土壤湿度的ST值, CLDAS资料在四川东部的大部分站点ST值都超过了0, 庄媛(2014)的研究也指出CLDAS在四川地区土壤湿度融合资料质量表现较好。
4 结论利用TIPEX Ⅲ边界层土壤湿度加密观测资料和自动土壤水分观测站资料对CLDAS和GLDAS融合土壤水分产品在高原地区的适用性进行评估, 以期检验CLDAS对土壤湿度的描述能力, 并得到如下结论:
(1) 两种融合资料在安多、那曲、聂荣、Sta-ave区域(小嵩草高寒草甸)4个站点相关性较好, 偏差较小, 表现较优, 其中CLDAS土壤湿度与站点观测更为接近; 而在班戈(禾草高寒草原)、嘉黎(亚高山常绿叶灌丛)和比如(亚高山常绿叶灌丛), 融合资料与实际站点观测相比相关性较小、偏差较大; 阿里站(矮半灌木荒漠)是融合资料与观测相差最大的站点, 融合资料的土壤湿度远大于观测, 其中CLDAS与观测表现为负相关。
(2) 土壤湿度存在明显的日变化, 土壤湿度在17:00左右达到峰值, 从17:00开始, 土壤湿度开始减小, 一直持续到次日08:00;在14:00—20:00, 融合资料与站点资料相关性较弱, 偏差较大, 质量较差。
(3) CLDAS土壤湿度资料的精度总体上高于GLDAS资料, 在2013年8月中下旬和10月中旬两种资料质量较差, 整体上2014年两种资料精度优于2013年; 此外当降水强度急剧增强时, 融合资料的质量相应变差。
(4) 两种融合资料的时间技巧评分ST在空间分布上与土壤湿度的空间分布保持一致, 由高原的东南向西北方向递减。其中:在四川中东部是高值区, 新疆地区和四川的西北地区部分站点是低值区。CLDAS土壤湿度的ST值在四川东部的大部分站点ST值都超过了0, 且在高原周边的大部分站点显著高于GLDAS土壤湿度的ST值。融合土壤湿度资料在四川地区的质量高于西北地区, 且相比于GLDAS、CLDAS资料在四川东南地区和新疆地区评分较高, 有较为显著的改善。
由于融合资料和站点资料观测年份的限制, 所用数据年份较短, 因此不能从长时间序列角度来对CLDAS融合土壤水产品的适用性进行评估。
Chahine T M. 1992. The hydrological cycle and its influence on climate[J]. Nature, 359: 373–3802.
DOI:10.1038/359373a0 |
|
Chen W L, Jiang Z H, Li L. 2011. Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs[J]. J Climate, 24(17): 4741–4756.
DOI:10.1175/2011JCLI4102.1 |
|
Chen Y Y, Yang K, Qin J, et al. 2013. Evaluation of AMSR-Eretrievals and GLDAS simulations against observations of a soil moisture net work on the central Qinghai-Xizang Plateau[J]. J Geophys Res:Atmos, 118(10): 4466–4475.
DOI:10.1002/jgrd.50301 |
|
Cheng G, Wu T H. 2007. Responses of permafrost to climate change and their environmental significance, Qinghai-Tibet Plateau[J]. J Geophys Res, 112: 2–3.
|
|
Mitchell K E, Lohmann D, Houser P R, et al. 2004. The multi-institution North American Land Data Assimilation System (NLDAS):Utilizing multiple GCIP products and partners in a continental distributed hydrological modeling system[J]. J Geophys Res:Atmos, 109(D7): 1–32.
|
|
Pierce D W, Barnett T P, Santer B D, et al. 2009. Selecting global climate models for regional climate change studies[J]. P Natl Acad Sci USA, 106(21): 8441–8446.
DOI:10.1073/pnas.0900094106 |
|
Rodell M, Houser P R, Jambor U E A, et al. 2004. The global land data assimilation system[J]. B Am Meteorol Soc, 85(3): 381–394.
DOI:10.1175/BAMS-85-3-381 |
|
Shi C X, Xie Z H, Qian H, et al, 2011. China land soil moisture EnKF data assimilation based on satellite remote sensing data[D]. Sci China Earth Sci, 54(9): 1430-1440.
http://kns.cnki.net/KCMS/detail/detail.aspx?filename=jdxg201109016&dbname=CJFD&dbcode=CJFQ |
|
Su Z, De R P, Wen J, et al. 2013. Evaluation of ECMWF's soil moisture analyses using observations on the Qinghai-Xizang Plateau[J]. J Geophys Res:Atmos, 118(11): 5304–5318.
DOI:10.1002/jgrd.50468 |
|
Van den Hurk B. 2002. Overview of the European Land Data Assimilation (ELDAS) project[J]. Trans. Amer. Geophys. Union: 83.
|
|
Wang A, Zeng X. 2012. Evaluation of multi-reanalysis products with in situ observations over the Qinghai-Xizang Plateau[J]. J Geophys Res:Atmos, 117(D5): 214–221.
|
|
Wang S L, Jin H J, Li S X, et al. 2000. Permafrost degradation on the Qinghai-Tibet Plateau and its environmental impacts[J]. Permafrost Periglac, 11(1): 43–53.
DOI:10.1002/(ISSN)1099-1530 |
|
Wang W, Xie P, Yoo S H, et al. 2011. An assessment of the surface climate in the NCEP climate forecast system reanalysis[J]. Clim Dynam, 37: 1601–1620.
DOI:10.1007/s00382-010-0935-7 |
|
Xu W X, Gu S, Zhao X Q, et al. 2011. High positive correlation between soil temperature and NDVI from 1982 to 2006 in Alpine Meadow of the Three-River Source Region on the Qinghai-Xizang Plateau[J]. Int J Appl Earth Obs, 13(4): 528–535.
DOI:10.1016/j.jag.2011.02.001 |
|
Zhao L, Ping C L, Yang D, et al. 2004. Changes of climate and seasonally frozen ground over the past 30 years in Qinghai-Xizang (Tibetan) Plateau, China[J]. Global Planet Change, 43(1): 19–31.
|
|
保鸿燕, 杨凯, 李一玲, 等, 2016. GLDAS土壤湿度在青藏高原地区的误差及其原因[C]//西安: 中国气象学会年会S8数值模式产品应用与评估.
Bao H Y, Yang K, Li Y L, et al, 2016. Error of GLDAS soil moistrue product in Tibetan Plateau region and its cause[C]//Xi'an: Chinese Meteorology Society S8 application and evaluation of numerical model products.
http://cpfd.cnki.com.cn/Article/CPFDTOTAL-ZGQX201611008007.htm |
|
陈圆圆, 宋晓东, 黄敬峰, 等. 2016. 基于地面站点观测降水资料的中国区域日降水融合产品精度评价[J]. 自然资源学报, 31(6): 1004–1014.
Chen Y Y, Song X D, Huang J F, et al. 2016. Evaluation of the high-resolution daily merged precipitation product over China based on in situ observations[J]. J Nat Resour, 31(6): 1004–1014.
DOI:10.11849/zrzyxb.20150173 |
|
冯璐, 仲雷, 马耀明, 等. 2016. 基于土壤温湿度观测资料估算藏北高原地区土壤热通量[J]. 高原气象, 35(2): 297–308.
Feng L, Zhong L, Ma Y M, et al. 2016. Estimation of soil heat flux over the northern Qinghai-Xizang Plateau based on in-situ soil temperature and moisture data[J]. Plateau Meteor, 35(2): 297–308.
DOI:10.7522/j.issn.1000-0534.2015.00006 |
|
龚伟伟, 2014. CMA陆面数据同化系统(CLDAS)产品评估[D]. 南京: 南京信息工程大学.
Gong W W, 2014. Evaluation on the products of CMA Land Data Assimilation System[D]. Nanjing: Nanjing University of Information Science & Technology.
http://cdmd.cnki.com.cn/Article/CDMD-10300-1015566564.htm |
|
姜立鹏, 师春香, 张涛, 2013. CLDAS-V1. 0产品说明书[Z]. 北京: 国家气象信息中心.
Jiang L P, Shi C X, Zhang T, 2013. Product Manual of CLDAS-V1. 0[Z]. Beijing: National Meteorological Information Center.
|
|
赖欣, 文君, 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.
Lai X, Wen J, Ceng S X, 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 |
|
李昂, 2013. 土壤湿度及积雪数据的比较分析与融合[D]. 南京: 南京信息工程大学.
Li A, 2013. Analysis and optimization of soil moisture and snow data[D]. Nanjing: Nanjing University of Information Science & Technology.
http://cdmd.cnki.com.cn/Article/CDMD-10300-1013340441.htm |
|
李得勤, 2010. 土壤湿度的模拟和估算研究[D]. 兰州: 兰州大学.
Li D Q, 2010. Simulation and estimation of soil moisture[D]. Lanzhou: Lanzhou University.
http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y1704935 |
|
李新, 南卓铜, 吴立宗, 等. 2008. 中国西部环境与生态科学数据中心:面向西部环境与生态科学的数据集成与共享[J]. 地球科学进展, 23(6): 628–637.
Li X, Nan Z T, Wu L Z, et al. 2008. Environmental and Ecological Science Data Center for West China:integration and sharing of environmental and ecological data[J]. Adv Earth Sci, 23(6): 628–637.
|
|
李跃清. 2011. 第三次青藏高原大气科学试验的观测基础[J]. 高原山地气象研究, 31(3): 77–82.
Li Y Q. 2011. The observational basis of the 3rd Qinghai-Xizang Plateau atmospheric scientific experiment[J]. Plateau Mountain Meteor Res, 31(3): 77–82.
|
|
刘川, 余晔, 解晋, 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.
Liu C, Yu Y, Xie J, 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 |
|
刘火霖, 胡泽勇, 杨耀先, 等. 2015. 青藏高原那曲地区冻融过程的数值模拟研究[J]. 高原气象, 34(3): 676–683.
Liu H L, Hu Z Y, Yang Y X, et al. 2015. Simulation of the freezing-thawing processes at Nagqu area over Qinghai-Xizang Plateau[J]. Plateau Meteor, 34(3): 676–683.
DOI:10.7522/j.issn.1000-0534.2015.00021 |
|
马柱国, 符淙斌, 谢力, 等. 2001. 土壤湿度和气候变化关系研究中的某些问题[J]. 地球科学进展, 16(4): 563–568.
Ma Z G, Fu C B, Xie L, et al. 2001. Some problems in the study on the relationship between soil moisture and climate change[J]. Adv Earth Sci, 16(4): 563–568.
|
|
师春香, 2008. 基于EnKF算法的卫星遥感土壤湿度同化研究[D]. 北京: 中国科学院研究生院.
Shi C X, 2008. China land soil moisture EnKF data assimilation based on satellite remote sensing data[D]. Beijing: Graduate School of Chinese Academy of Sciences.
http://cpfd.cnki.com.cn/Article/CPFDTOTAL-ZGQX200811011063.htm |
|
孙根厚, 胡泽勇, 王介民, 等. 2016. 那曲地区两种空间尺度感热通量的对比分析[J]. 高原气象, 35(2): 285–296.
Sun G H, Hu Z Y, Wang J M, et al. 2016. Comparison analysis of sensible heat fluxes at two spatial scales in Naqu Area[J]. Plateau Meteor, 35(2): 285–296.
DOI:10.7522/j.issn.1000-0534.2015.00088 |
|
陶诗言, 陈联寿, 徐祥德, 等. 1999. 第二次青藏高原大气科学试验理论研究进展(一)[M]. 北京: 气象出版社.
Tao S Y, Chen L S, Xu X D, et al. 1999. Advances in theoretical studies on the second Qinghai-Xizang Plateau atmospheric scientific experiment(1)[M]. Beijing: Meteorological Press.
|
|
王婉昭, 高艳红, 许建伟. 2013. 青藏高原及其周边干旱区气候变化特征与GLDAS适用性分析[J]. 高原气象, 32(3): 635–64.
Wang W Z, Gao Y H, Xu J W. 2013. Applicability of GLDAS and climate change in the Qinghai-Xizang Plateau and Its surrounding arid area[J]. Plateau Meteor, 32(3): 635–64.
DOI:10.7522/j.issn.1000-0534.2013.00054 |
|
万国宁, 杨梅学, 王学佳, 等. 2012. 青藏高原中部BJ站土壤湿度不同时间尺度的变化[J]. 土壤通报, 43(2): 286–293.
Wang G N, Yang M X, Wang X J, et al. 2012. Variations in soil moisture at different time scales of BJ site on the central Tibetan Plateau[J]. China J Soil Sci, 43(2): 286–293.
|
|
叶笃正, 高由禧. 1979. 青藏高原气象学[M]. 北京: 科学出版社, 1-278.
Ye D Z, Gao Y X. 1979. Meteorology of the Qinghai-Tibet Plateau[M]. Beijing: Science Press, 1-278.
|
|
宇婧婧, 沈艳, 潘旸, 等. 2013. 概率密度匹配法对中国区域卫星降水资料的改进[J]. 应用气象学报, 24(5): 544–553.
Yu J J, Shen Y, Pan Y, et al. 2013. Improvement of satellite-based precipitation estimates over China based on probability density function matching method[J]. J Appl Meteor Sci, 24(5): 544–553.
DOI:10.11898/1001-7313.20130504 |
|
张少波, 陈玉春, 吕世华, 等. 2013. 青藏高原植被变化对中国东部夏季降水影响的模拟研究[J]. 高原气象, 32(5): 1236–1245.
Zhang S B, Chen Y C, Lü S H, et al. 2013. Numerical simulation of impact of vegetation in Qinghai-Xizang Plateau on summertime precipitation in Eastern China[J]. Plateau Meteor, 32(5): 1236–1245.
DOI:10.7522/j.issn.1000-0534.2012.00119 |
|
张涛, 2013. 基于LAPS/STMAS的多源资料融合及应用研究[D]. 南京: 南京信息工程大学.
Zhang T, 2013. Multi-source data fusion and application research base on LAPS/STMAS[D]. Nanjing: Nanjing University of Information Science & Technology.
http://cdmd.cnki.com.cn/Article/CDMD-10300-1013340468.htm |
|
章基嘉, 朱抱真, 朱福康, 等. 1988. 青藏高原气象学进展[M]. 北京: 科学出版社.
Zhang J J, Zhu B Z, Zhu F K, et al. 1988. Advances in meteorology of Qinghai-Xizang Plateau[M]. Beijing: Science Press.
|
|
中国科学院中国植被图编辑委员会, 2001. 中国植被图集1: 1000000[Z]. 北京: 科学出版社.
Chinese Academy of Sciences Chinese Vegetation Map Editorial Board, 2001. Chinese Vegetation Atlas1: 1000000[Z]. Beijing: Science Press.
|
|
周秀骥, 罗超, 李维亮, 等. 1995. 中国地区臭氧总量变化与青藏高原低值中心[J]. 科学通报, 40(15): 1396–1398.
Zhou X J, Ruo C, Li W L, et al. 1995. Total ozone changes in China and low center of the Tibetan plateau[J]. Chinese Sci Bull, 40(15): 1396–1398.
DOI:10.3321/j.issn:0023-074X.1995.15.016 |
|
朱智, 师春香. 2014. 中国气象局陆面同化学院和全球陆面同化系统对中国区域土壤湿度的模拟与评估[J]. 科学技术与工程, 14(32): 138–144.
Zhu Z, Shi C X. 2014. Simulation and assessment of soil moisture in CLDAS and GLDAS[J]. Sci Tech Engrg, 14(32): 138–144.
DOI:10.3969/j.issn.1671-1815.2014.32.028 |
|
朱志鹍, 马耀明, 胡泽勇, 等. 2015. 青藏高原那曲高寒草甸生态系统CO2净交换及其影响因子[J]. 高原气象, 34(5): 1217–1233.
Zhu Z K, Ma Y M, Hu Z Y, et al. 2015. Netecosystem carbon dioxide exchange in alpine meadow of Nagchu region over Qinghai-Xizang Plateau[J]. Plateau Meteor, 34(5): 1217–1233.
DOI:10.7522/j.issn.1000-0534.2014.00135 |
|
庄媛, 2014. 中国区域多源主被动微波遥感土壤水分产品融合研究[D]. 南京: 南京信息工程大学.
Zhuang Y, 2014. Merging study of multiple active and passive microwave remotely sensed soil moisture products in China[D]. Nanjing: Nanjing University of Information Science & Technology.
http://cdmd.cnki.com.cn/Article/CDMD-10300-1015566601.htm |
2. Institute of Desert Meteorology, China Meteorological Administration, Urumqi 830002, Xinjiang, China;
3. School of Environmental Studies, China University of Geosciences, Wuhan 430074, Hubei, China;
4. College of Meteorology and Oceanography, National University of Defense Technology, Nanjing 211101, Jiangsu, China