2018, Vol. 37
2. 中国科学院大学, 北京 100049;
3. 国家卫星气象中心, 北京 100081
青藏高原(下称高原)是世界上最高的高原, 它通过热力和动力作用对区域乃至全球大气环流都有重要影响(Ye et al, 1979; Yanai et al, 1992; Duan et al, 2005), 同时高原也是对气候变化最敏感的地区之一(潘保田等, 1996; 高世仰等, 2017)。在全球变暖的背景下, 高原地区升温较为明显, 观测表明高原平均气温在1980-2013年间大约上升0. 44 ℃·(10a)-1(Duan et al, 2015; Guo et al, 2012)。与此同时, 高原总体上呈现出湿度增加, 平均风速减小的趋势, 大部分地区的蒸发量在减小, 太阳辐射在减弱, 降水分布发生明显变化(Liao et al, 2013; Yang et al, 2014)。
高原湖泊分布广泛, 湖泊数量和面积分别占全国总量的39. 2%与51. 4%(Ma et al, 2011)。湖泊对环境变化非常敏感, 气候变化将会对湖泊产生显著影响(Adrian et al, 2009), 近年来高原湖泊总体上呈现扩张趋势(闫立娟等, 2016), 主要是由于气候变化引起的降水增加造成的, 同时也有升温造成冰川融化等原因(Lei et al, 2014; Liao et al, 2013; 万玮等, 2014)。许多研究表明气温变化是湖泊表面温度发生改变的重要驱动力(Adrian et al, 2009), 从全球平均来看, 湖泊表面温度的增加量是气温增量的70%~85%(Schmid et al, 2014)。在全球变暖背景下, 大部分湖泊呈现增温的趋势, 但是也有部分湖泊存在变冷的趋势, 高原湖泊亦是如此, 不同湖泊对气候变化的响应不同(O'Reilly et al, 2015; Zhang et al, 2014)。气候变化也会对湖泊内部热力结构产生影响, 在多数湖泊表面温度随气温上升的同时, 也增加了湖泊内部的层结稳定性, 改变了湖泊混合机制, 使得湖表面与湖底热量交换减弱, 最终可能会导致湖泊表面增温而湖底反而降温(Kirillin et al, 2010)。
由于水陆热力性质差异, 湖泊的存在会改变边界层温度、风速、水汽含量以及热通量等气象要素, 对湖面大气边界层结构以及局地环流产生重要影响, 并进一步影响局地降水和气候(Gerken et al, 2014; Haginoya et al, 2009; Miner et al, 1997; Wen et al, 2015; 许鲁君等, 2015; 杨显玉等, 2012; 李照国等, 2016)。这种影响将随着湖泊热力状况的改变而改变, 并可能进一步通过高原特殊地形的动力和热力作用影响高原区域气候及高原下游地区。高原湖泊由于其所处海拔高、分布广泛且多为咸水湖, 其对局地、区域气候的影响具有独特性, 对高原湖泊的研究有助于理解高原区域气候的变化及高原对下游地区的影响。
目前, 已有学者对高原湖泊热力变化进行了一定的研究。例如在青海湖, 秦伯强等(1998)对其热力状况进行了模拟研究; 时兴合等(2010)观测研究了其过去几十年的蒸发量; 陈万隆等(1995)利用数值模式研究了其热力效应产生的湖陆风环流; 吕雅琼等(2007)对其局地环流以及边界层特征进行了模拟研究。在鄂陵湖与扎陵湖, Li et al(2015)对其能量通量以及辐射平衡特征进行了观测研究; Wen et al(2015)模拟研究了其热力状况以及对局地降水的影响。在纳木错湖, Lazhu et al(2016)使用Flake模式研究了湖表面水温以及湖泊蒸发量的变化; 方楠等(2017)评估了WRF模式中的湖泊模型方案在该湖的适用性。但现有研究多侧重于湖泊表面短期变化, 对于高原湖泊内部长期的热力状况研究还较少, 而用来揭示湖泊能量物质循环特征的湖泊模式在高原的适应性也不很明确。因而选择高原上最大的湖泊, 也是我国最大的湖泊——青海湖来进行研究, 评估国际上在低海拔地区应用广泛的一维湖泊模式Flake对高原湖泊的模拟能力, 并揭示高原典型湖泊对气候变化的响应及影响因素。
2 研究区域、数据以及模式 2.1 研究区域青海湖位于高原东北部(图 1), 介于36°32′N-37°15′N, 99°36′E-100°16′E之间, 长105 km, 宽63 km, 海拔3 200 m左右, 平均水深约21 m, 最大水深32.8 m, 湖泊面积达4 456 km2, 是中国最大的内陆湖泊和咸水湖。青海湖地区年均气温在-1. 1~4 ℃, 极端高温在24.4~33. 7 ℃, 极端低温在-35. 8~-26. 9 ℃, 年均降水量291~579 mm, 年蒸发量在1 300~2 000 mm(伊万娟等, 2010), 每年12月至次年3月为湖面封冻期, 湖冰厚度最大可达60~80 cm。由于蒸发量远大于降水量, 因此青海湖水位在1958-2004年间平均每年下降8 cm。自1960年以来, 青海湖流域气温显著上升, 年平均气温上升约0. 33 ℃·(10a)-1, 其中冬季的增温最显著, 上升约0. 53 ℃·(10a)-1。1960-2010年青海湖流域年降水量平均每十年增加6. 8 mm, 特别是2004年开始降水量增加尤为明显, 再加上祁连山冰川融化使入湖径流量增加, 从2004年开始, 青海湖水位开始回升, 区域气候逐渐向“暖湿”化方向发展(Dong et al, 2011; Zhang et al, 2011; 白爱娟等, 2014; 万玮等, 2014)。
|
图 1 研究区域和浮标位置 Figure 1 Study area and the location of buoy |
浮标数据来自于青海湖水文气象自动观测浮标(36. 68°N, 100. 50°E), 其温盐传感器安装于水面以下约0. 7 m深处(井彦明等, 2003), 观测要素主要包括风向、风速、气温、气压、相对湿度以及湖面水温等, 观测时间主要集中在2001-2005年的夏季与秋季湖泊非冻结期(图 2), 观测间隔3 h, 研究过程中剔除了奇异值, 对观测数据进行了质量控制。文中所用时间均为北京时。
|
图 2 2001-2005年浮标观测的湖表面温度与MODIS LST对比 Figure 2 Comparison of the lake surface temperature observed by buoy and MODIS from 2001 to 2005 |
由于青海湖风浪较大且存在较长结冰期, 完整且持续时间长的湖表面温度观测资料较少, 因此研究中利用2001-2012年的中分辨率成像光谱仪(MODIS)地表温度(Land Surface Temperature, LST)数据产品(MOD11C2)验证模拟结果, 该产品提供了8天合成的白天和夜间地表温度, 从每年第1天开始, 到第361天结束, 每隔8天分别有一个白天和夜间数据, 水平分辨率5 km, 搭载MODIS传感器的Terra卫星过境时间分别是11:30和23:30(Wan et al, 2004)。图 2中将研究区域的MODIS LST与卫星过境时刻浮标观测的湖面温度进行对比, 发现除了个别异常值之外, MODIS LST与浮标观测大体上比较吻合。统计结果表明, 2002, 2003及2005年MODIS LST值比浮标观测值偏小, 平均偏差分别为-0. 35, -0. 88和-0. 65 ℃, 而2001年与2004年两者比较接近, 平均偏差分别为-0. 14和-0. 22 ℃, 可见MODIS LST结果总体上低于浮标观测结果, 五年合计平均偏差约-0. 45 ℃, 除了卫星与浮标自身的测量误差外, 这种偏差产生的原因主要是由于卫星获取的是湖泊最表层的温度, 而浮标用来测量水温的温度传感器一般都位于湖泊表层之下。研究表明, 由于热通量基本上总是从湖泊向大气传输, 因此湖泊最表层(小于1 mm厚度)水温基本上总是低于湖泊次表层的水温, 称之为冷表层效应(Robinson et al, 1984), 加上湖泊内部暖层效应以及温跃层日变化等多种因素的共同作用, 最终使得湖泊最表层温度与次表层的水温相比偏低, 这种偏差的大小主要与测量深度以及风速有关(Donlon et al, 2002; Minnett et al, 2003), 也正是这一原因导致了卫星遥感得到的湖表面温度比浮标观测值偏低, 例如Crosman et al(2009)对美国大盐湖的研究发现MODIS卫星反演的湖表面温度比浮标观测的湖面温度约偏低1. 5 ℃, 大于本文得到的青海湖两者的偏差。
2.2.3 ITPCAS格点数据中国科学院青藏高原研究所(ITPCAS)开发的中国区域高时空分辨率地面气象要素驱动数据集将被用来驱动Flake模式, ITPCAS数据集可以从寒区旱区科学数据中心(http://westdc.westgis.ac.cn)获取, 该数据集以Princeton再分析资料、全球陆地数据同化系统(GLDAS)资料、全球能量与水分循环试验的地表辐射收支工程(GEWEX-SRB)辐射资料, 以及热带测雨任务卫星(TRMM)降水资料为背景场, 融合了中国气象局常规气象观测数据制作而成, 涵盖了1979-2012年的地面2 m处的气温、比湿、地面10 m高度的风速、地面气压、降水率以及向下的短波辐射、长波辐射等7个气象要素, 水平空间分辨率0. 1°, 时间分辨率3 h(何杰等, 2011)。由于融合了中国气象台站的气象数据, 因此与其他一些数据资料相比, ITPCAS数据在中国地区特别是高原地区有更高的准确性(Chen et al, 2011; 贲海荣等, 2017)。在模拟过程中发现, 驱动数据向下长波辐射偶尔会出现异常值, 使得该时刻模拟的湖表面温度出现异常, 对后续的模拟结果产生影响。这可能是因为驱动数据向下长波辐射是根据向下短波辐射、气温和湿度计算得到的, 某些情况下会产生误差, 因此对这些异常值用线性插值进行了替换, 由于数量较少, 对模拟结果的影响可以忽略。
2.3 Flake模式介绍所用湖泊模式为一维的Freshwater Lake Model(简称Flake模式), Flake模式可以用来模拟湖泊垂直温度廓线的变化和不同深度层之间能量的收支状况, 时间尺度可以从几个小时到几年不等, 其在计算效率以及湖泊表层温度的模拟上具有很好的表现(Mironov, 2008)。模式将湖泊按照垂直热力结构分为两层, 上层为混合层, 假设其充分混合温度一致, 混合层到湖底之间的下层为温跃层, 用自相似理论对其温度廓线进行参数化(Mironov et al, 2010)。自相似理论是指温跃层厚度的改变并不会影响其温度廓线的基本形状特征(Kitaigorodskii et al, 1970), 其参数化公式为:
| $ \begin{gathered} \frac{{{\theta _s}\left(t \right) - \theta \left({z, t} \right)}}{{\Delta \theta \left(t \right)}} = {\mathit{\Phi} _\theta }\left(\zeta \right), \hfill \\ \;\;\;\;\;\;h\left(t \right) \leqslant z \leqslant h\left(t \right) + \Delta h\left(t \right) \hfill \\ \end{gathered} $ | (1) |
式中: t为时间; z是深度; θs(t)是混合层温度; θ(z, t)是深度z处的水温; Δθ(t)=θs(t)-θb(t)是混合层与湖底温度差; h(t)是混合层深度; Δh(t)是温跃层厚度; Φθ是深度比值ζ=[z-h(t)]/Δh(t)的函数, 满足边界条件Φθ(0)=0和Φθ(1)=1。利用该公式可以对温跃层湖水温度垂直廓线进行参数化。基于以上理论, 可以得到Flake模式上下两层的温度廓线方程:
| $ \theta = \left\{ {\begin{array}{*{20}{c}} {{\theta _s}, }&{0 \leqslant z \leqslant h} \\ {{\theta _s} - \left({{\theta _s} - {\theta _b}} \right){\mathit{\Phi} _\theta }\left(\zeta \right), }&{h \leqslant z \leqslant D} \end{array}} \right. $ | (2) |
式中: z是深度; θ是深度z处水温; h是混合层深度; θs是混合层水温; D是湖底深度; θb是湖底水温; ζ=(z-h)/(D-h)是深度比值。Φθ(ζ)由下面公式计算:
| $ \begin{gathered} {\mathit{\Phi} _\theta } = \left({\frac{{40}}{3}{C_\theta } - \frac{{20}}{3}} \right)\zeta + \left({18 - 30{C_\theta }} \right){\zeta ^2} \hfill \\ + \left({20{C_\theta } - 12} \right){\zeta ^3} + \left({\frac{5}{3} - \frac{{10}}{3}{C_\theta }} \right){\zeta ^4}, \hfill \\ \end{gathered} $ | (3) |
式中: Cθ是形状因子, 取值在0. 5~0. 8之间。根据以上公式, 带入初值驱动Flake模式, 最终可以得到湖泊水温廓线。
2.4 模式设置Flake模式从1989年1月1日00:00开始模拟, 在对青海湖热力状况进行模拟之前, 需要设置模式初值, 按照Flake模式需要, 湖泊深度设置为青海湖平均深度21 m; 模拟初始时刻青海湖已开始冻结, 因此混合层温度初始值设置为冰水交界面温度0 ℃, 湖底温度设置为水密度最大时的温度4 ℃; 由于缺少观测结果, 因此初始混合层深度、初始冰层厚度均利用重复迭代的方法获得, 其值分别为0. 14 m和0. 01 m。湖泊水柱平均水温通过以下公式计算得到:
| $ \bar \theta \equiv {D^{ - 1}}\int_0^D {\theta {\text{d}}z{\text{ = }}{\theta _s} - {C_\theta }\left({1 - h/D} \right)\left({{\theta _s} - {\theta _b}} \right)}, $ | (4) |
式中: Cθ=
使用ITPCAS数据驱动Flake模式对青海湖进行模拟, 提取其中2001-2012年湖表面温度模拟结果, 与MODIS LST观测结果对比(图 3)可以看出, Flake模式能够很好的模拟出湖表面温度的季节变化, 对模拟结果按照MODIS LST数据进行8天平均后将两者进行对比, 发现两者的相关性达到了0. 94, 但模拟结果与MODIS LST之间依然存在1. 66 ℃的平均偏差, 以及3. 83 ℃的均方根误差, 模拟的湖表面温度总体上偏高。这与Kheyrollah et al(2012)用Flake模式对大奴湖和大熊湖的模拟结果一致, 认为Flake模拟结果比MODIS LST结果偏高的原因可能是驱动数据是在陆地观测站得到的而不是湖泊表面。Crosman et al(2009)的研究表明MODIS观测的湖表面温度要低于实际观测, 而且云的存在会使得MODIS LST产生较大的负偏差。
|
图 3 Flake模式模拟的2001-2012年青海湖表面水温与MODIS观测值对比 Figure 3 Comparison of the lake surface temperature of Qinghai Lake between the Flake simulation and the MODIS observations from 2001 to 2012 |
分季节将Flake模拟结果与MODIS LST之间的昼夜平均偏差进行对比分析, 图 4为各季节两者11:00与23:00的平均偏差年际变化。春季模拟结果[图 4(a)]总体偏低1. 12 ℃, 其中白天各年偏差基本为负值, 平均偏差为-2.40 ℃; 夜间各年偏差有正有负, 平均偏差较小。根据Kirillin et al(2017)的研究可知, Flake模式忽略了湖泊结冰期太阳辐射穿透冰层对湖水的加热效应, 因此模式对湖泊解冻日期的模拟结果存在偏差, 造成对湖泊解冻后湖水的热容量以及水温的低估。夏季[图 4(b)]白天与夜间偏差值基本都为正值, 平均偏差分别为1. 58 ℃和2.98 ℃, 说明夏季模拟结果偏高, 其总偏差为3. 15 ℃, 且夜间偏高更显著。秋季[图 4(c)]白天与夜间的偏差均为正值, 且大小接近, 分别是3. 46 ℃和3. 53 ℃。冬季[图 4(d)]白天除了2005年与2011年偏差为正外, 其他年份偏差均为负值或者接近零, 平均偏差-0. 73 ℃; 而晚上除了2002年与2009年的偏差为较小的负值外, 其余年份偏差基本都为正值, 平均偏差1. 71 ℃。总体来看, 模拟结果在春季白天偏低而夜间偏差较小, 在夏季、秋季的白天与夜间均偏高, 冬季夜间偏高而白天略有偏低, 模拟结果偏高的现象主要集中在夏季和秋季, 且夜间偏高较显著。
|
图 4 Flake模拟的湖表面水温与MODIS LST不同季节(a~d)昼夜年平均偏差对比 Figure 4 Comparison of day and night lake surface temperature annual mean bias in different seasons (a~d) between Flake simulation and MODIS LST |
将ITPCAS数据与浮标观测数据分为白天(08:00, 11:00, 14:00和17:00)与夜间(20:00, 23:00, 02:00和05:00), 对比两者年平均气温以及风速的偏差, 在2001-2005年释放浮标进行观测的时段内, ITPCAS数据总体平均风速以及气温均小于浮标观测值, 气温白天平均偏高0. 71 ℃, 夜间平均偏低2.49 ℃[图 5(a)]; 风速白天平均偏小0. 63 m·s-1, 夜间平均偏小1. 83 m·s-1[图 5(b)]; 浮标观测的气温日变化幅度平均只有ITPCAS数据的35%左右。导致这些差异的原因是因为ITPCAS数据是基于陆地观测结果得到的, 由于水陆性质差异, 湖面气温的平均值及其日变化小于陆地, 湖泊表面风速通常大于陆地(Yang et al, 2016)。无冰期高原地区湖泊表面温度一般高于气温(Wen et al, 2016), 对浮标数据的分析也发现, 观测期间青海湖的平均气温低于平均湖表面水温, 因此热量将由湖面向大气传输, 其传输量与风速成正比, 风速偏小会减弱热量传输, 使得湖水温度偏高。由此可知, Flake模拟的夏、秋季水温偏高可能和该时段ITPCAS驱动数据风速偏小有关, 而夜间风速偏小较显著也与夜间模拟的水温偏高对应。
|
图 5 ITPCAS数据与浮标观测的气温(a)和风速(b)在白天与夜间的年平均偏差对比 Figure 5 Comparison of the deviation in mean air temperature (a) and mean wind speed (b) at daytime and nighttime between ITPCAS data and buoy observation |
浮标观测时间集中在夏季秋季, 其与ITPCAS数据的偏差只能代表夏、秋季, 根据ITPCAS数据与浮标观测的风速之间的偏差分析结果, 将ITPCAS驱动数据夏、秋季白天时段的风速增加0. 6 m·s-1, 夜间时段的风速增加1. 8 m·s-1。同时根据两者气温之间的线性关系, 对ITPCAS数据夏、秋季的气温进行了修正。用修正后的数据驱动Flake模式, 模拟结果如图 6所示, 与MODIS LST的总体偏差从1. 66 ℃缩小为1. 27 ℃, 均方根误差从3. 83 ℃缩小为3. 55 ℃。其中夏季与秋季的偏差分别缩小为2.37 ℃和2.91 ℃, 与原模拟结果相比分别缩小了0. 78 ℃和0. 60 ℃, 模拟的湖表面温度偏高的现象得到了一定改善。考虑到对驱动数据的修正较为有限, 且MODIS LST值通常略低于实际湖表面温度, 因此模拟结果与实际值的偏差可能更小一些。Flake模式对高原湖泊的模拟是比较好的, 其误差部分来源于驱动数据的偏差, 提高驱动数据的准确性将会进一步增强其模拟能力。由于观测数据较少, 在不破坏数据一致性的情况下, 对长时段的驱动数据进行较为准确的修正比较困难, 因此本研究仍然使用未作修正的ITPCAS数据驱动Flake模式来研究青海湖长期的热力状况变化。
|
图 6 2001-2012年修正驱动数据后Flake模拟的青海湖表面温度结果与原模拟结果及MODIS观测结果对比 Figure 6 Comparison of the lake surface temperature of Qinghai Lake between the Flake simulation with force data corrected, original Flake simulation and the MODIS observations from 2001 to 2012 |
1998-2013年全球气候变暖趋势减缓, 北半球平均气温增温速率降低为0. 10 ℃·(10a)-1, 但同期青藏高原依然保持明显的变暖趋势, 其升温速率为0. 25 ℃·(10a)-1, 高于北半球平均速率(Duan et al, 2015)。根据Zhang et al(2014)利用MODIS LST数据对高原湖泊表面温度的研究结果, 2001-2012年间大部分高原湖泊呈增温的趋势, 但也有部分湖泊为降温趋势, 其中包括青海湖。ITPCAS气温数据以及Flake模拟结果时间分辨率均为3 h, 一天有8个数据, 而MODIS LST数据每隔8天各有一个白天与夜间数据, 为了与MODIS LST进行对比, 只取了与MODIS观测时刻接近的Flake湖表面温度模拟结果进行比较(图 7), 结果显示, ITPCAS数据2001-2012年的青海湖年平均气温呈现-0. 19 ℃·(10a)-1的降温趋势, 特别是2011年与2012年降温明显, 与气温对应的是该时段MODIS观测的青海湖年平均表面温度为-0. 03 ℃·(10a)-1的微弱降温趋势, 这与Zhang et al(2014)得到的青海湖降温速率为-0. 51±0. 5 ℃·(10a)-1的结论较为一致, 然而Flake模拟的年均湖表面温度却存在0. 88 ℃·(10a)-1的增温趋势, 这一趋势明显偏高, 与观测结果不相符。经过分析发现, 2012年气温以及MODIS LST异常偏低, 这可能与2011年拉尼娜事件造成全球平均气温降低有关(Hansen et al, 2012, 2013), 如果去掉2012年, 只对2001-2011年的数据进行趋势分析, 则ITPCAS气温变为0. 17 ℃·(10a)-1的上升趋势, MODIS LST也由下降趋势变为0. 29 ℃·(10a)-1的上升趋势, Flake模拟的湖表面增温趋势为0. 56 ℃·(10a)-1。如果把MODIS LST统计时段延长为2001-2014年, 则其依然为升温趋势且速率增加为0. 44 ℃·(10a)-1, 与模拟结果较为接近。由于研究年限较短, 模拟结果以及MODIS LST的变化趋势存在很大的不确定性, 但总的来说, MODIS数据显示青海湖湖面呈增温趋势, Flake模式较好的捕捉了这一特征。
|
图 7 2001-2012年间Flake模拟的湖泊表面温度、MODIS LST (2001-2014年)以及ITPCAS气温数据年际变化趋势对比 Figure 7 Comparison of interannual variation trend between the lake surface temperature simulated by Flake, MODIS LST (2001-2014) and ITPCAS air temperature data from 2001 to 2012 |
1961-2007年间高原地区不同站点的气温平均上升0. 09~0. 74 ℃·(10a)-1, 而且在1986年之后增温速率明显加快(Guo et al, 2012), 同时高原地区风速以及短波辐射呈减小趋势, 比湿呈增加趋势(Yang et al, 2014)。根据1989-2012年ITPCAS驱动数据, 青海湖年平均气温大约升高0. 57 ℃·(10a)-1[图 8(a)], 同时Flake模拟的青海湖年均表面水温升高0. 46 ℃·(10a)-1, 两者变化趋势相同, 年际变化相关性为0. 45, 通过了95%的显著性检验。驱动数据风速呈-0. 31 m·s-1·(10a)-1的下降趋势[图 8(b)], 与模拟的湖表面温度变化趋势相反, 同时两者年际变化相关性为-0. 58, 通过了95%的显著性检验。驱动数据的比湿变化趋势微弱, 其与湖表面温度年际变化相关性为0. 31[图 8(c)]。气压在24年间大约上升0. 49 hPa·(10a)-1, 与水温年际变化的相关性为0. 47[图 8(d)]。向下短波辐射有-4.29 W·m-2·(10a)-1的减小趋势, 与模拟的湖表面温度年际变化相关性为-0. 21[图 8(e)], 但并没有通过显著性检验。向下长波辐射有2.86 W·m-2·(10a)-1的增加趋势, 与模拟结果年际变化相关性为0. 51[图 8(f)], 通过了95%的显著性检验。由以上统计结果可知, 气温的升高是青海湖表面温度上升的主要原因, 而风速对湖泊表面温度有很大影响, 两者反向相关, 平均风速的下降一定程度上促进了青海湖表面温度的增加, 而2012年模拟的湖表面温度异常增加也可能与风速的异常下降有关。湖表面温度与向下长波辐射有很好的正相关性, 之所以与向下短波辐射负相关, 可能是因为短波辐射在水中具有穿透性, 对湖泊表面温度的影响没有气温、风速以及向下长波辐射的直接和明显, 同时其下降趋势产生的降温效应被其他要素的增温效应抵消。
|
图 8 1989-2012年Flake模拟的湖表面温度与ITPCAS驱动数据各变量年际变化趋势及相关性分析 Figure 8 Analysis of interannual variation trend between Flake-simulated lake surface temperature and different variates of ITPCAS forcing data from 1989 to 2012 |
Flake模拟的1989-2012年青海湖混合层、底层和整层水柱平均水温的年际变化(图 9)结果显示, 青海湖混合层以及整层水柱平均温度均呈上升趋势, 速率分别为0. 22和0. 05 ℃·(10a)-1, 而底层温度却呈下降趋势, 速率为-0. 17 ℃·(10a)-1, 这与Kirillin et al(2017)对鄂陵湖的模拟结果较为类似。湖泊温度的变化与其接收的净能量通量有关, 青海湖表面辐射以及热量通量的模拟结果表明, 由于向下短波辐射的减小[图 8(e)], 1989-2012年青海湖表面净辐射通量呈下降趋势(图略), 其速率为-2.26 W·m-2·(10a)-1。同时由于风速的减小[图 8(b)], 感热通量以及潜热通量均呈下降趋势(图略), 速率分别为-0. 87和-1. 27 W·m-2·(10a)-1。根据湖泊能量平衡公式可知青海湖每年存储的净能量通量以-0. 12 W·m-2·(10a)-1的速率下降[图 10(a)], 但其年累积能量通量除了2010年外均为正值[图 10(b)], 且呈0. 25 W·m-2·(10a)-1的增加趋势。青海湖总体热容量是增加的, 湖泊整层水柱的平均水温应当是上升趋势, 与模式对平均水温的模拟结果一致。
|
图 9 Flake模拟的1989-2012年青海湖混合层、湖底以及水柱年均水温年际变化趋势 Figure 9 Flake simulated annual variation and trends of mixed-layer temperature, bottom layer temperature and mean temperature of the water column at Qinghai Lake from 1989 to 2012 |
|
图 10 1989-2012年Flake模拟的青海湖表面净能量通量(a)与累积净能量通量(b)年际变化趋势 Figure 10 Flake-simulated annual variation of net energy flux (a) and accumulative energy flux (b) at surface of Qinghai Lake from 1989 to 2012 |
对青海湖内部热力状况的模拟结果显示(图 11), 青海湖为双循环湖泊, 一年有两次季节性翻转, 第一次为春季翻转, 出现在5月左右, 持续2~3周。第二次为秋季翻转, 出现在11-12月, 持续时间大概1个月。翻转期是由于湖泊季节性热力变化引起层结不稳定产生的, 期间湖泊发生完全混合, 混合层深度可达湖泊底部。在两次翻转期之间湖泊处于分层期, 混合过程主要是由风的动力作用以及温度日变化引起的, 混合层深度在8~10 m。对1989-2012年湖泊内部热力状况变化趋势进行分析(图 12), 发现湖泊上层基本全年都呈现增温趋势, 其中大概在5月与12月最显著。湖泊底层同样在5月与12月呈增温趋势, 而其他时段均为降温趋势, 其中610月降温趋势最显著。这是因为5月与12月为湖水翻转期(图 11), 上下层湖水完全混合, 上层湖水的增温会通过混合过程使得底层湖水增温。6-10月为湖泊分层期(图 11), 湖泊上层温度较高而密度小, 下层温度较低而密度大, 如果湖泊上层受气温影响温度升高, 则湖水层结稳定性加强, 上下层湖水的混合过程减弱, 热量的下传减小, 最终导致湖泊底层出现降温。Kirillin et al(2010)的研究也发现, 双循环湖泊在表层温度受气温影响升高时, 其底层水温可能反而会有微弱下降趋势, 直到湖泊混合机制发生转变, 形成暖的单循环型湖泊。虽然缺少青海湖深层水温的观测数据, 模式对青海湖深层水温的模拟结果无法验证, 但是模式对表层水温的模拟结果与观测结果比较一致, 同时模式对许多湖泊的深层有较好的模拟能力(Thiery et al, 2014; Yang et al, 2016), 因此根据模式的模拟结果应该可以较好的推断出青海湖的内部热力状况。
|
图 11 模拟的青海湖内部热力状况(彩色区, 单位: ℃)、混合层深度(黑线)及湖冰厚度(蓝线) Figure 11 Simulated thermal condition (color area, unit: ℃), mix-layer depth (black line) and lake ice thickness (blue line) of Qinghai Lake |
|
图 12 Flake模拟的1989-2012年青海湖年内水温变化趋势垂直分布 Figure 12 Water column temperature variation trend distribution of Qinghai Lake during 1989-2012 simulated by Flake |
利用ITPCAS数据驱动一维湖泊模式Flake, 对青海湖的湖表面温度以及内部热力状况进行了较为长期的模拟, 通过与青海湖浮标观测数据以及MODIS LST数据之间相互验证, 评估了Flake对青海湖表面温度的模拟能力, 分析了模拟的湖泊热力状况对气候变化的响应, 得到以下结论:
(1) MODIS LST比浮标观测的青海湖表层水温平均偏低0. 45 ℃, 这是由于后者观测的是水下0. 7 m处的温度, 前者观测的是温度偏低的表层温度, 但两者变化比较一致, 使用MODIS LST来验证模拟结果是可行的。
(2) 模拟的湖表面温度与MODIS LST年际变化大体一致, 但在春季偏低, 夏季、秋季和冬季偏高。夜间温度模拟偏高较显著, 是由于驱动数据夜间风速更偏小造成的。利用浮标数据对夏、秋季驱动数据的气温和风速进行修正后, 模拟结果偏差减小。
(3) 1989-2012年间, ITPCAS驱动数据气温上升幅度0. 57 ℃·(10a)-1, 模拟的湖表面温度上升趋势为0. 65 ℃·(10a)-1。湖表面温度与气温以及向下长波辐射正相关, 而与风速负相关, 气温的升高是湖表面温度上升的主要原因, 而风速的下降促进了湖表面温度的升高。
(4) 随着1989-2012年气温的升高, 青海湖混合层温度呈现上升趋势, 而湖泊底层温度却呈现下降趋势, 使得湖泊整层的平均温度上升较慢。模拟的湖泊表面能量收支状况也表明湖泊存储的能量呈增加趋势。湖泊混合层基本全年都呈现增温趋势, 其中5、6月以及12月增温最明显。湖泊底层在5月和12月的两次湖水季节性翻转混合过程中增温显著, 而其它时段基本为降温趋势, 且在611月湖泊分层期降温显著。
目前, 高原湖泊的研究仍然面临一些问题, 一方面高原湖泊温度特别是湖泊内部热力状况的长期观测依然比较缺乏, 另一方面模式运行过程以及用来驱动模式的格点数据均存在一定误差, 这些因素造成目前对高原湖泊内部热力状况以及对气候变化响应的认识依然存在不足, 因此高原湖泊的研究有赖于对高原湖泊的进一步深入观测以及对湖泊模式及其格点驱动数据的进一步优化改进。由于受一维模式以及单点模拟的限制, 本研究只对湖泊局部最基本的热力状况进行了模拟, 而湖泊热力状况受到许多其他因素影响, 同时湖泊水平温度分布也存在着一定差异, 这都是本研究所没有考虑到的, 在下一步研究中有待进一步完善。
Adrian R, O'Reilly C M, Zagarese H, et al. 2009. Lakes as sentinels of climate change[J]. Limnology and oceanography, 54(6): 2283–2297.
|
|
Chen Y, Yang K, He J, et al. 2011. Improving land surface temperature modeling for dry land of China[J]. J Geophys Res, 116(D20): D20104.
DOI:10.1029/2011JD015921 |
|
Crosman E T, Horel J D. 2009. MODIS-derived surface temperature of the Great Salt Lake[J]. Remote Sens Environ, 113(1): 73–81.
DOI:10.1016/j.rse.2008.08.013 |
|
Dong H, Song Y, 2011. Shrinkage history of Lake Qinghai and causes during the last 52 years[C]//Water Resource and Environmental Protection (ISWREP), 2011 International Symposium on. IEEE, 1: 446-449.
http://yadda.icm.edu.pl/yadda/element/bwmeta1.element.ieee-volume-000005871806-1 |
|
Donlon C J, Minnett P J, Gentemann C, et al. 2002. Toward improved validation of satellite sea surface skin temperature measurements for climate research[J]. J Climate, 15(4): 353–369.
|
|
Duan A, Xiao Z. 2015. Does the climate warming hiatus exist over the Tibetan Plateau?[J]. Scientific Reports, 5: 13711.
DOI:10.1038/srep13711 |
|
Duan A M, Wu G X. 2005. Role of the Tibetan Plateau thermal forcing in the summer climate patterns over subtropical Asia[J]. Climate Dyn, 24(7/8): 793–807.
|
|
Gerken T, Biermann T, Babel W, et al. 2014. A modelling investigation into lake-breeze development and convection triggering in the Nam Co Lake basin, Tibetan Plateau[J]. Theor Appl Climatol, 117(1/2): 149–167.
|
|
Guo D, Wang H. 2012. The significant climate warming in the northern Tibetan Plateau and its possible causes[J]. Int J Climatol, 32(12): 1775–1781.
DOI:10.1002/joc.v32.12 |
|
Haginoya S, Fujii H, Kuwagata T, et al. 2009. Air-lake interaction features found in heat and water exchanges over Nam Co on the Tibetan Plateau[J]. Sola, 5: 172–175.
DOI:10.2151/sola.2009-044 |
|
Hansen J, Ruedy R, Sato M, et al, 2012. Global temperature in 2011, trends, and prospects[J]. Goddard Institute for Space Studies, New York. Available at http://data.giss.nasa.gov/gistemp. [2017-07-02]
http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.231.7371 |
|
Hansen J, Sato M, Ruedy R, 2013. Global temperature update through 2012[J]. National Aeronautics and Space Administration, Goddard Institute for Space Studies. http://www.nasa.gov/pdf/719139main_2012_GISTEMP_summary.pdf. [2017-07-02]
|
|
Kheyrollah P H, Duguay C R, Martynov A, et al. 2012. Simulation of surface temperature and ice cover of large northern lakes with 1-D models:a comparison with MODIS satellite data and in situ measurements[J]. Tellus A:Dynamic Meteorology and Oceanography, 64(1): 17614.
DOI:10.3402/tellusa.v64i0.17614 |
|
Kirillin G. 2010. Modeling the impact of global warming on water temperature and seasonal mixing regimes in small temperate lakes[J]. Boreal Environ Res, 15(2): 279–293.
|
|
Kirillin G, Wen L, Shatwell T. 2017. Seasonal thermal regime and climatic trends in lakes of the Tibetan highlands[J]. Hydrol Earth Sys Sci, 21(4): 1895.
DOI:10.5194/hess-21-1895-2017 |
|
Kitaigorodskii S A, Mirokolskii Y Z. 1970. On the theory of active layer of the open ocean[J]. Izv Akad Nauk SSSR, Fiz Atmos Okeana, 6(2): 177–188.
|
|
La Z, Yang K, Wang J, et al. 2016. Quantifying evaporation and its decadal change for Lake Nam Co, central Tibetan Plateau[J]. Geophys Res Atmos, 121: 7578–7591.
DOI:10.1002/2015JD024523 |
|
Lei Y, Yang K, Wang B, et al. 2014. Response of inland lake dynamics over the Tibetan Plateau to climate change[J]. Climatic Change, 125(2): 281–290.
DOI:10.1007/s10584-014-1175-3 |
|
Li Z, Lyu S, Ao Y, et al. 2015. Long-term energy flux and radiation balance observations over Lake Ngoring, Tibetan Plateau[J]. Atmos Res, 155: 13–25.
DOI:10.1016/j.atmosres.2014.11.019 |
|
Liao J, Shen G, Li Y. 2013. Lake variations in response to climate change in the Tibetan Plateau in the past 40years[J]. International Journal of Digital Earth, 6(6): 534–549.
DOI:10.1080/17538947.2012.656290 |
|
Ma R H, Yang G S, Duan H T, et al. 2011. China's lakes at present:number, area and spatial distribution[J]. Science China Earth Sciences, 54(2): 283–289.
DOI:10.1007/s11430-010-4052-6 |
|
Miner T J, Fritsch J M. 1997. Lake-effect rainevents[J]. Mon Wea Rev, 125(12): 3231–3248.
DOI:10.1175/1520-0493(1997)125<3231:LERE>2.0.CO;2 |
|
Minnett P J. 2003. Radiometric measurements of the sea-surface skin temperature:The competing roles of the diurnal thermocline and the cool skin[J]. Int J Remote Sens, 24(24): 5033–5047.
DOI:10.1080/0143116031000095880 |
|
Mironov D, Heise E, Kourzeneva E, et al. 2010. Implementation of the lake parameterisation saheme Flake into the numerical weather prediction model COSMO[J]. Boreal Environment Research, 15(2): 218–230.
|
|
Mironov D, 2008. Parameterization of lakes in numerical weather prediction Part 1: Description of a lake model. COSMO Tech. Rep. No. 11. Deutscher Wetterdienst Offenbach am Main, Germany.
https://www.researchgate.net/publication/37790351_Intercomparison_of_single-column_models_for_GABLS3_preliminary_results |
|
O'Reilly C M, Sharma S, Gray D K, et al. 2015. Rapid and highly variable warming of lake surface waters around the globe[J]. Geophys Res Lett, 42(24): 10773–10781.
|
|
Robinson I S, Wells N C, Charnock H. 1984. The sea surface thermal boundary layer and its relevance to the measurement of sea surface temperature by airborne and spaceborne radiometers[J]. Int J Remote Sens, 5(1): 19–45.
DOI:10.1080/01431168408948787 |
|
Schmid M, Hunziker S, Wüest A. 2014. Lake surface temperatures in a changing climate:A global sensitivity analysis[J]. Climatic change, 124(1/2): 301–315.
|
|
Thiery W, Martynov A, Darchambeau F, et al. 2014. Understanding the performance of the FLake model over two African Great Lakes[J]. Geoscientific Model Development, 7: 317–337.
DOI:10.5194/gmd-7-317-2014 |
|
Wan Z, Zhang Y, Zhang Q, et al. 2004. Quality assessment and validation of the MODIS global land surface temperature[J]. Int J Remote Sens, 25(1): 261–274.
DOI:10.1080/0143116031000116417 |
|
Wen L, Lü S, Li Z, et al. 2015. Impacts of the two biggest lakes on local temperature and precipitation in the Yellow River source region of the Tibetan Plateau[J]. Adv Meteor(D14): ACH 9-1–ACH 9-6.
|
|
Wen L J, Lü S H, Kirillin G, et al. 2016. Air-lake 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 |
|
Yang K, Wu H, Qin J, et al. 2014. Recent climate changes over the Tibetan Plateau and their impacts on energy and water cycle:A review[J]. Global and Planetary Change, 112: 79–91.
DOI:10.1016/j.gloplacha.2013.12.001 |
|
Ye D Z, Gao Y X. 1979. The meteorology of the Qinghai-Xizang (Tibet) plateau[J]. Beijing:Science Press: 1–278.
|
|
Yanai M, Li C, Song Z. 1992. Seasonal heating of the Tibetan Plateau and its effects on the evolution of the Asian summer monsoon[J]. J Meteor Soc Japan, 70(1B): 319–351.
DOI:10.2151/jmsj1965.70.1B_319 |
|
Zhang G, Xie H, Kang S, et al. 2011. Monitoring lake level changes on the Tibetan Plateau using ICE Sat altimetry data (2003-2009)[J]. Remote Sens Environ, 115(7): 1733–1742.
DOI:10.1016/j.rse.2011.03.005 |
|
Zhang G, Yao T, Xie H, et al. 2014. Estimating surface temperature changes of lakes in the Tibetan Plateau using MODIS LST data[J]. J Geophys Res:Atmospheres, 119(14): 8552–8567.
DOI:10.1002/2014JD021615 |
|
白爱娟, 黄融, 程志刚. 2014. 气候变暖情景下的青海湖水位变化[J]. 干旱区研究, 31(5): 792–797.
Bai A J, Huang R, Cheng Z G. 2014. Change of water level of the Qinghai Lake under climate warming[J]. Arid Zone Res, 31(5): 792–797.
|
|
贲海荣, 周顺武, 乔钰, 等. 2017. 一个新的青藏高原热力指数的构建及其应用[J]. 高原气象, 36(6): 1487–1498.
Ben H R, Zhou S W, Qiao Y, et al. 2017. Construction and application of a new index about the Qinghai-Tibetan Plateau heating[J]. Plateau Meteor, 36(6): 1487–1498.
DOI:10.7522/j.issn.1000-0534.2017.00009 |
|
陈万隆, 孙卫国, 周竞南, 等. 1995. 青海湖湖陆风的数值研究[J]. 湖泊科学, 7(4): 289–296.
Chen W L, Sun W G, Zhou J N. 1995. A numerical simulation on Lake-Land breeze of Qinghai Lake[J]. J Lake Sci, 7(4): 289–296.
DOI:10.18307/1995.0401 |
|
方楠, 阳坤, 拉珠, 等. 2017. WRF湖泊模型对青藏高原纳木错湖的适用性研究[J]. 高原气象, 36(3): 610–618.
Fang N, Yang K, La Z, et al. 2017. Research on the application of WRF-lake modeling at Nam Co Lake on the Qinghai-Tibetan Plateau[J]. Plateau Meteor, 36(3): 610–618.
DOI:10.7522/j.issn.1000-0534.2016.00038 |
|
高世仰, 张杰, 罗琦. 2017. 青藏高原非均匀下垫面热力输送系数的估算[J]. 高原气象, 36(3): 596–609.
Gao S Y, Zhang J, Luo Q. 2017. Estimation of the heat transfer coefficient over inhomogeneous underlying surface on the Qinghai-Tibetan Plateau[J]. Plateau Meteor, 36(3): 596–609.
DOI:10.7522/j.issn.1000-0534.2016.00060 |
|
井彦明, 谭世祥, 李铜基, 等. 2003. 适合我国青海湖环境的全自动水文气象浮标系统[J]. 海洋技术, 22(4): 1–6.
Jing Y M, Tan S X, Li T J, et al. 2003. A device for simulating marine environment and seawater freezing and its experiment in laboratory[J]. Ocean Technol, 22(4): 1–6.
|
|
何杰, 阳坤, 2011. 中国区域高时空分辨率地面气象要素驱动数据集[Z]. 中国科学院寒区旱区科学数据中心, 2011.
He J, Yang K, 2011. China meteorological forcing dataset[Z]. Cold and Arid Regions Science Data Center at Lanzhou. DOI: 10.3972/westdc.002.2014.db.
|
|
吕雅琼, 杨显玉, 马耀明. 2007. 夏季青海湖局地环流及大气边界层特征的数值模拟[J]. 高原气象, 26(4): 686–692.
Lü Y Q, Yang X Y, Ma Y M. 2007. Numerical simulation of summer circulation and atmospheric boundary layer characteristics over Qinghai Lake[J]. Plateau Meteor, 26(4): 686–692.
|
|
李照国, 吕世华, 文莉娟, 等. 2016. 一次干冷空气过境对鄂陵湖地区大气边界层过程的影响[J]. 高原气象, 35(5): 1200–1211.
Li Z G, Lü S H, Wen L J, et al. 2016. Influence of incursion of dry cold air on atmospheric boundary layer process in Ngoring Lake Basin[J]. Plateau Meteor, 35(5): 1200–1211.
DOI:10.7522/j.issn.1000-0534.2015.00076 |
|
潘保田, 李吉均. 1996. 青藏高原:全球气候变化的驱动机与放大器Ⅲ.青藏高原隆起对气候变化的影响[J]. 兰州大学学报:自然科学版, 32(1): 108–115.
Pan B T, Li J J. 1996. Qinghai-Tibetan Plateau:A driver and amplifier of the global climatic change Ⅲ. The effects of the uplift of Qinghai-Tibetan Plateau on climatic changes[J]. Journal of Lanzhou University (natural science), 32(1): 108–115.
|
|
秦伯强, 黄群. 1998. 青海湖热力状况的模拟与未来情景之研究[J]. 湖泊科学, 10(3): 25–31.
Qin B Q, Huang Q. 1998. The simulation of thermal properties of Qinghai Lake and the potential change in the future[J]. J Lake Sci, 10(3): 25–31.
|
|
时兴合, 李生辰, 安迪, 等. 2010. 青海湖水面蒸发量变化的研究[J]. 气候与环境研究, 15(6): 787–796.
Shi X H, Li S C, An D, et al. 2010. A study of the change of Qinghai Lake evaporation[J]. Climatic Environ Res, 15(6): 787–796.
|
|
万玮, 肖鹏峰, 冯学智, 等. 2014. 卫星遥感监测近30年来青藏高原湖泊变化[J]. 科学通报, 59(8): 701–714.
Wan W, Xiao P F, Feng X Z, et al. 2014. Monitoring lake changes of Qinghai-Tibetan Plateau over the past 30 years using satellite remote sensing data[J]. Chinese Sci Bull, 59(8): 701–714.
|
|
许鲁君, 刘辉志. 2015. 云贵高原洱海湖泊效应的数值模拟[J]. 气象学报, 73(4): 789–802.
Xu L J, Liu H Z. 2015. Numerical simulation of the lake effect of Erhai in the Yunnan-Guizhou Plateau area[J]. Acta Meteor Sinica, 73(4): 789–802.
DOI:10.11676/qxxb2015.047 |
|
闫立娟, 郑绵平, 魏乐军. 2016. 近40年来青藏高原湖泊变迁及其对气候变化的响应[J]. 地学前缘, 23(4): 310–323.
Yan L J, Zheng M P, Wei L J. 2016. Change of the lakes in Tibetan Plateau and its response to climate in the past forty years[J]. Earth Science Frontiers, 23(4): 310–323.
|
|
杨显玉, 文军. 2012. 扎陵湖和鄂陵湖大气边界层特征的数值模拟[J]. 高原气象, 31(4): 927–934.
Yang X Y, Wen J. 2012. Numerical simulation of characteristic of atmospheric boundary layer over Lake Gyaring and Ngoring[J]. Plateau Meteor, 31(4): 927–934.
|
|
伊万娟, 李小雁, 崔步礼, 等. 2010. 青海湖流域气候变化及其对湖水位的影响[J]. 干旱气象, 28(4): 375–383.
Yi W J, Li X Y, Cui B L, et al. 2010. Climate change and impact on water level of the Qinghai Lake watershed[J]. J Arid Meteor, 28(4): 375–383.
|
2. University of Chinese Academy of Science, Beijing 100049, China;
3. National Satellite Meteorological Centre, Beijing 100081, China