文章快速检索     高级检索
  高原气象  2018, Vol. 37 Issue (3): 626-641  DOI: 10.7522/j.issn.1000-0534.2017.00060
0

引用本文 [复制中英文]

丁旭, 赖欣, 范广洲, 等. 2018. 再分析土壤温湿度资料在青藏高原地区适用性的分析[J]. 高原气象, 37(3): 626-641. DOI: 10.7522/j.issn.1000-0534.2017.00060
[复制中文]
Ding Xu, Lai Xin, Fan Guangzhou, et al. 2018. Analysis on the Applicability of Reanalysis Soil Temperature and Moisture Datasets over Qinghai-Tibetan Plateau[J]. Plateau Meteorology, 37(3): 626-641. DOI: 10.7522/j.issn.1000-0534.2017.00060.
[复制英文]

资助项目

国家自然科学基金项目(41505078,91537214,41275079,41305077,41305042,41405069);成都信息工程大学校引进人才启动基金项目(KYTZ201639);公益性行业(气象)科研专项(GYHY201506001);四川省教育厅重点项目(16ZA0203);成都信息工程大学中青年学术带头人科研基金项目(J201516,J201518)

通讯作者

赖欣(1984), 女, 四川雅安人, 讲师, 主要从事陆面过程与气候变化研究.E-mail:nacylai@cuit.edu.cn

作者简介

丁旭(1993), 女, 新疆石河子人, 硕士研究生, 主要从事陆面过程研究.E-mail:dx.s@qq.com

文章历史

收稿日期: 2017-05-15
定稿日期: 2017-09-13
再分析土壤温湿度资料在青藏高原地区适用性的分析
丁旭1, 赖欣1, 范广洲1,2, 文军1, 袁源1, 王欣3, 王作亮3, 朱丽华1, 张永莉1, 王炳赟1     
1. 成都信息工程大学大气科学学院/高原大气与环境四川省重点实验室/气候与环境变化联合实验室, 四川 成都 610225;
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, 江苏 南京 210044;
3. 中国科学院西北生态环境资源研究院/寒旱区陆面过程与气候变化重点实验室, 甘肃 兰州 730000
摘要: 利用2010-2016年中国科学院西北生态环境资源研究院青藏高原土壤温度与湿度监测网观测数据在不同气候区和植被条件的4个地区(阿里、狮泉河、那曲和玛曲)对8套土壤温湿度再分析产品(ERA-Interim、CFSR、CFSv2、JRA-55、GLDAS-NOAH、GLDAS-CLM、GLDAS-MOS和GLDAS-VIC)进行对比分析,使用相关系数、均方根误差、平均偏差、无偏均方根误差和标准差比等统计参数综合比较各土壤温湿度产品对观测值的模拟性能,寻找适用于青藏高原地区的长时间大尺度土壤温湿度产品。结果表明:对于土壤温度,GLDAS-CLM产品在大部分站点能够合理再现两层(0~10 cm和10~40 cm)土壤温度随时间的动态过程和变化细节,虽然结果略高估观测土壤温度值,但在数值上与观测值较为接近,并且与观测值呈显著正相关关系。对于土壤湿度,土壤冻结期再分析产品不能表现土壤湿度的动态变化特征;非冻结期GLDAS-NOAH和GLDAS-CLM产品能够较好的刻画各地区两层土壤湿度随时间变化的动态过程特征,不论在误差统计量还是相关性方面都表现为最优值。GLDAS-MOS、GLDAS-VIC、ERA-interim和CFSv2产品虽然在一定程度上能够展现部分地区土壤湿度的变化趋势,但对观测值的刻画效果并不理想,而JRA-55产品无法描绘各地区土壤温湿度变化。
关键词: 青藏高原    土壤温度    土壤湿度    再分析资料    对比分析    
1 引言

青藏高原(下称高原)是全球十大高原之一, 平均海拔达4 000 m以上, 总面积约占中国陆地总面积的四分之一(陈海山等, 2005)。其特殊的地理位置、高大的地形特征及复杂的下垫面情况对亚洲大陆的天气和气候变化有很重要的作用(杨梅学等, 1998)。同时高原脆弱而敏感的生态系统还能对气候变化做出响应, 是全球气候变化的敏感区(张永生等, 1998; 马柱国等, 2001; 吴国雄等, 1999)。地表层土壤湿度是反映陆面和水分循环变化过程中最直接的参量, 可以通过改变土壤热容量、地表反照率和植被生长情况, 间接改变感热和潜热通量, 对短期气候变化产生重要作用(李巧萍等, 2007); 土壤温度反映土壤的热力状况, 通过改变表层土壤的水分运动及相变过程进一步影响地面水分循环过程(Zeng et al, 2015; Zou et al, 2014)。但由于高原的地理环境、极端气候条件和进行试验的高成本, 该地区长期以来地面观测站点稀少, 缺乏长时间的土壤温湿度数据集, 这使得研究高原土壤温湿度长期变化非常困难(刘川等, 2015)。所以选择一套有代表性的, 能够准确再现高原土壤温湿度动态变化和分布细节的资料是十分重要的。

近年来, 高原上逐步建立起各种气候条件的长期观测网络, 这些观测网为各种土壤温湿度产品在高原适用性的验证提供了大量有价值的实验数据(李瑞青等, 2012)。国内外学者针对不同研究目的, 对各种再分析资料的应用效果进行了研究。曾江源等(2015)用2002—2012年期间高原那曲和玛曲地区土壤湿度监测网资料对欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)再分析资料和七套卫星资料进行评估, 结果表明所有产品都可以捕获土壤湿度变化动态, 欧洲中心产品在数值上是最接近观测结果的。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个陆面模式土壤湿度产品进行评估, 结果发现均低估0~10 cm层土壤湿度, 但GLDAS-CLM(the Community Land Model)和GLDAS-NOAH(National Centers for Environmental Prediction/Oregon State University/Air Force/Hydrologic Research Lab Model)模式产品对10~40 cm层土壤湿度模拟效果较好。刘川等(2015)利用高原中部和东部土壤温湿度资料验证3套再分析资料和6套陆面模式资料在高原的适用性, 得出CFSR(Climate Forcast System Reanalysis)资料与观测土壤温度值最接近, 非冻结期GLDAS-CLM土壤湿度产品准确度最高的结果。但目前国内外学者的关注点大多数集中在高原中东部地区(Chen et al, 2013; Su et al, 2013), 研究时间相对较早, 很少对近年来高原地区气候区和植被覆盖类型进行细致的分类研究, 得出的结果具有局限性, 难以进行气候变化背景下大区域土壤湿度气候学效应研究。

本文拟选取高原地区有代表性气候区和4种植被覆盖类型的阿里、狮泉河、那曲及玛曲站的土壤温湿度观测资料, 分析8套再分析土壤温湿度产品对高原土壤温湿度的模拟效果, 为选择能够用于研究高原地区长时间大尺度气候变化的土壤温湿度资料提供依据。

2 资料选取 2.1 观测资料选取

使用的观测数据为高原阿里、狮泉河、那曲和玛曲地区土壤温湿度观测网络数据(陈金雷等, 2017; Wen et al, 2003), 站点分布如图 1所示, 图 1地图来自于NGDC美国地球物理中心(U.S.National Geophysical Data Center)发布的ETOPO1全球地球地形高程数据图, 底图无修改。选取的4个站点分别代表不同气候区和植被覆盖类型(王青霞等, 2014; Xu et al, 2011), 植被覆盖类型数据来源于中国科学院中国植被图编辑委员(2001)会编纂的1: 1 000 000中国植被图, 主要情况如表 1所示。

图 1 青藏高原观测站点地理分布 Figure 1 Geographical distribution of observation sites in Qinghai-Tibetan Plateau
表 1 观测站点基本信息 Table 1 Information of observation sites

由于土壤温湿度观测网络中部分观测点仪器损坏, 存在土壤温湿度数据不连续的问题, 选取部分数据完整、时间连续性较好的观测点进行研究工作。为了保证数据的真实性和可靠性, 在数据检查中对缺测值和错误值进行了修正处理。阿里、狮泉河和那曲地区土壤温湿度资料时间范围为2014年9月7日至2016年8月10日, 玛曲地区资料时间范围为2010年5月17日至2016年6月23日, 其中2012年6月29日至8月31日及2014年7月18日至10月21日观测站点土壤温湿度资料缺失。

2.2 再分析资料的选取

使用的8套土壤温湿度对比资料分别为ERA-Interim、CFSR、CFSv2、JRA-55、GLDAS-NOAH、GLDAS-CLM、GLDAS-MOS、GLDAS-VIC。2 m气温及地表温度来自ERA-Interim逐日资料, 降水量来自于CFSv2日降水资料, 空间分辨率为0.25×0.25。各套产品土壤温湿度数据详细情况如表 2所示。

表 2 再分析产品土壤温湿度数据信息 Table 2 Information of soil temperature and moisture from reanalysis products

(1) ERA-Interim是欧洲中期天气预报中心推出的最新全球大气再分析产品, 时间覆盖范围为1979年1月1日至今, 采用2006年12月版的ECMWF综合预报系统(IFS Cy28r3)(Integrated Forcast Model, IFS)模型, 同化资料包括卫星亮温资料、散射计资料及卫星反演的大气运动状态和GPS掩星资料、卫星反演的臭氧资料和常规观测资料(Dee et al, 2011)。

(2) CFSR及CFSv2(Climate Forecast System Version 2)是美国国家环境预报中心(National Centers for Environmental Prediction, NCEP)推出的全球再分析资料, 时间覆盖范围为1979—2010年, 它在土壤湿度与短波辐射通量方面做了优化。CFSv2是CFSR的延伸产品, 时间自2011年延长至今, 分辨率较CFSR有所提高(Saha et al, 2010)。

(3) JRA-55(Japanese 55-year Reanalysis)是由日本气象厅(Japan Meteorological Agency, JMA)推出的第二套综合气候数据集, 在JRA-25产品的基础上, 纳入新的观测数据集, 修订长波辐射方案, 进行卫星发射的变分偏差校正, 改进了无电探空仪温度观测的均匀化和主要气象卫星中心卫星数据的后处理(Ebita et al, 2011)。

(4) GLDAS是由美国航空航天局戈达德空间飞行中心(GSFC)和美国海洋、大气局(NOAA)国家环境预报中心(NCEP)联合开发的全球陆面数据同化系统, 它包括3个陆面模式: GLDAS-NOAH、GLDAS-CLM、GLDAS-MODIS(Moderate Resolution Imaging Spectroradiometer)和一个水文模式: GLDAS-VIC(the Variable Infiltration Capacity)(Rodell M et al, 2004)。其中GLDAS-MOSAIC、GLDAS-VIC模式输出结果不包含土壤温度数据。

3 方法介绍

使用观测土壤温湿度资料验证各土壤温湿度产品在青藏高原地区的适用性。由于观测土壤湿度与各土壤温湿度产品输出结果的时空分辨率不同, 采用日平均处理方法统一所有资料时间分辨率, 并用邻近格点法对再分析资料和观测值进行空间匹配(通过对比邻近格点匹配法和双线性插值法的计算结果发现, 在大多数站点通过邻近格点匹配法得到的数据有更小的土壤温湿度标准误差)。

再分析产品中的土壤温湿度是一定厚度土壤层的平均值, 并且不同产品土壤深度的分层不同, 所以在与观测值进行对比分析时, 把各土壤温湿度产品分为两层, 第一层:将CFSR和CFSvR中0~10 cm、ERA-Interim中0~7 cm、JRA-55中0~2 cm(土壤湿度)、GLDAS-NOAH中0~10 cm、GLDAS-CLM中0~9.1 cm (0~1.8 cm、1.8~4.5 cm和4.5 ~9.1 cm的平均)、GLDAS-MOS中0~2 cm (土壤湿度)、GLDAS-VIC (土壤湿度)中0~10 cm的土壤温湿度资料与观测值中0~10 cm深度的土壤温湿度资料进行对比。第二层:将CFSR和CFSvR中10~40 cm、ERA-Interim中7~28 cm、GLDAS-NOAH中10~40 cm和GLDAS-CLM中9.1~49.3 cm (9.1~16.6 cm、16.6~28.9 cm和28.9~49.3 cm的平均)土壤温湿度与观测资料中10~40 cm深度的观测值进行对比(刘川等, 2015)。

选择使用的误差度量值是至关重要的, 不同的统计量对不同属性的环境变量敏感性不同, 也会受到检验目的和所计算变量的敏感性影响, 而且单个指标或统计量并不能捕获环境变量的所有属性(梁晓等, 2014), 所以选择6种常用误差度量:相关系数(correlation coefficient, R)、均方根误差(root-mean-square-error, RMSE)、平均偏差(mean bias, Bias)、无偏均方根误差(unbiased root-mean-square-error, ubRMSE)(Entekhabi et al, 2010)、标准差比(ratio of standard deviations, SDV)和E(Albergel et al, 2013), 以量化再分析产品与观测资料间的一致性水平以及各土壤湿度产品在高原的适用性。

$ {{E}^{2}}=SD{{V}^{2}}+1-2SDV\cdot R\text{ }, $ (1)
$ SDV=\frac{{{\left[ \frac{1}{N}\sum _{_{i=1}}^{^{N}}{{(S{{M}_{i}}-\overline{SM})}^{2}} \right]}^{1/2}}}{{{\left[ \frac{1}{N}\sum _{_{i=1}}^{^{N}}{{(ST{{A}_{i}}-\overline{STA})}^{2}} \right]}^{1/2}}}~, $ (2)

式中: SMi为再分析土壤温湿度; STA为观测土壤温湿度; $ S\bar{M} $$ \overline{STA} $为各土壤温湿度产品在对比时间段的平均值; N代表给定站点的资料记录长度; SDV是归一化标准偏差, 是土壤湿度产品和观测值的标准偏差之间的比率, 给出了土壤湿度时间变化的相对幅度; E表示各产品所代表的点到该点的距离, 它可以量化模型变化中RSDV的综合水平(Entekhabi et al, 2010)。在泰勒图中(Taylor et al, 2001), SDV为径向距离, SDV值越接近于1表示土壤温湿度产品与观测值的变化幅度越接近; R为极坐标图中的角度, 角度越小代表相关系数越大, 观测值是位于x轴上R=1且SDV=1的点; E表示各产品到该点的距离, E值越小代表土壤温湿度产品与观测值间的相关系数越大、变化幅度越接近。RESDV三个变量同时显示在单个泰勒图上可以清楚地展现不同土壤湿度产品的性能, 不但为描述各土壤湿度产品与观测值间的匹配程度提供了直观的表现形式, 还有助于解释土壤温湿度产品在高原适用性的验证结果(Albergel et al, 2013)。

理论上, 再分析产品无法精确的输出在土壤冻结条件下的土壤湿度值, 冻土的介电常数受到土壤颗粒、空气、未冻自由水、未冻束缚水和冰等参量的共同影响(常燕等, 2016; 葛骏等, 2016), 土壤冻融过程的发生可以导致土壤介电常数的显著变化, 不但影响土壤介电模型在该条件下的适用性, 还会改变陆气间感热通量、潜热通量以及地表长波辐射和散射特征等, 进而影响能量平衡和模型模拟结果的准确性(Dobson et al, 2004)。因此, 将土壤湿度分为了非冻结期和冻结期, 由于土壤的冻结过程是随着气温的下降冻层逐渐形成, 随着冻结期的推进, 土壤中的液态水相变为冰晶, 之后随着气温的上升, 土壤开始解冻, 土壤中的冰晶逐渐变为液态水。所以本文划分冻结期和非冻结期的主要依据为:当各站点土壤温度降至0 ℃以下时为土壤冻结期开始时间, 次年土壤温度上升至0 ℃以上, 土壤完全解冻, 土壤湿度达到一个高值时为土壤冻结期结束时间, 由于各站点所处气候带存在差异, 土壤冻结期起始时间和持续时间有所不同(Yang et al, 2013), 结合土壤温度及土壤湿度的变化给出了各站点土壤冻结期的持续时段(表 3)。考虑到土壤冻结情况下土壤湿度模型模拟结果准确度的影响, 因此主要对非冻结期的土壤湿度产品进行评估。

表 3 2010—2016年各套资料在不同站点土壤冻结期土壤冻结持续时间 Table 3 Information of frozen time in the different sites from 2010 to 2016
4 结果分析

对阿里、狮泉河、那曲和玛曲4个站点观测土壤温湿度的时间变化特征及其与各土壤温湿度产品进行对比分析。检验了观测资料、再分析产品输出的土壤温湿度的时间变化特征, 并计算用于量化各土壤湿度产品精确度的几种误差量, 以反映土壤温湿度季节性和年际变化和对各土壤温湿度资料在高原的适用性进行验证。

4.1 土壤温度 4.1.1 不同深度土壤温度时空变化特征

通过4个站点2 m气温、地表温度及不同深度土壤温度(STA)日平均变化时间序列图(图 2)可以看出, 各站点2 m气温、地表温度和土壤温度有明显的季节性周期变化, 并且存在显著的正相关关系。低层大气温度通过感热交换的方式, 影响地表温度和土壤温度的变化, 所以土壤温度较2 m气温和地表温度存在一定的时间滞后。不同深度土壤温度季节变化幅度大体一致, 表层土壤温度变化幅度较其他层次略大, 可能是由于地表土壤温度对太阳辐射, 风速, 降水等因素变化的影响更敏感。

图 2 2 m气温、地表温度及不同深度土壤温度日变化时间序列 红色实线代表土壤冻结期 Figure 2 Time series of 2 m temperature, surface temperature and soil temperature at different depths. The red solid line represents the soil freezing period

此外, 那曲地区海拔较高, 气候严寒干燥, 地表覆盖类型为草原, 土壤温度较其他3个地区明显偏低[图 2(c)]; 而玛曲地区是高原大陆性高寒带半湿润区, 地表覆盖类型为草甸, 有繁盛的植被覆盖, 且土壤温度较其他地区偏高[图 2(d)]。土壤温度与该地区植被覆盖间有什么联系?研究表明温度与降水对植被生长有一定的影响, 植被覆盖情况的变化由温度的累积效应占主导, 而各站点土壤温度与2 m气温和地表温度间存在正相关关系, 相关系数均大于0.9(图 2), 可知土壤温度与植被生长情况也是密切相关的。

4.1.2 两层土壤温度再分析值与观测值的对比

从阿里、狮泉河、那曲和玛曲4个站点两层土壤温度再分析产品与观测值的对比(图 3)可以看出, 大部分土壤温度产品都能再现两层土壤温度的变化幅度及明显的季节变化; 在第一层土壤温度对比图中显示, JRA-55产品的变化幅度远小于观测值, 并且季节变化趋势与观测值也存在较大的差异。

图 3 两层日平均土壤温度观测值与再分析产品的对比 左侧为第一层, 右侧为第二层 Figure 3 The two layers comparison of daily mean soil temperature with reanalysis products. The left side is the first layer, the right side is the second layer

通过各站点两层土壤温度产品与观测值之间偏差量的大小(图 4)可以看出, GLDAS-CLM产品在4个地区均高估了两层土壤温度观测值(Bias>0 ℃), 而ERA-Interim、CFSv2、JRA-55、GLDAS-NOAH产品在各地区均低估土壤温度值(Bias < 0 ℃)。以往有研究表明CLM对高原浅层土壤湿度的模拟结果确实存在偏高的情况并将它归因于再分析资料的格点与观测站点之间存在海拔的差异(陈渤黎等, 2012; Zhao et al, 2004)。从图 4中还可以看出, GLDAS-CLM产品在阿里地区RMSE=3.573 ℃、Bias=2.354 ℃、ubRMSE=2.915 ℃, 在狮泉河地区RMSE=3.005 ℃、Bias=0.160 ℃、ubRMSE=2.467 ℃, 均是各土壤温度产品中误差度量的最小值[图 4(b), (f)]; GLDAS-NOAH在玛曲和那曲地区表现较好, 特别是在玛曲地区第一层土壤温度的模拟结果与观测值偏差最小, 其中Bias值仅为-0.521 ℃[图 4(d)]; 而ERA-interim、CFSv2及JRA-55在阿里、狮泉河及玛曲地区有相当大的误差值, RMSE>4.811 ℃、Bias>-2.685 ℃、ubRMSE>4.444 ℃, 尤其是JRA-55产品在阿里地区的平均偏差高达-11 ℃(Bias=-11 ℃)[图 4(a)]。因此, GLDAS-NOAH和GLDAS-CLM产品对观测土壤湿度模拟的误差度量值较小, 准确度更好。

图 4 再分析产品两层日平均温度与观测值的RMSEBias、ubRMSE的统计结果 上方为第一层, 下方为第二层 Figure 4 RMSE, BIAS and ubRMSE of daily mean soil temperature between two reanalysis products and observations.Upper is the first layer, lower is the second layer

从各站点两层土壤温度泰勒图(图 5)中可以看出, 第一层土壤温度泰勒图中大多数土壤温度产品与观测值的相关系数高于0.80, JRA-55与观测值的相关系数仅在0.4~0.6之间, 且变化幅度远小于观测值(SDV < 0.5), 不能展现土壤温度的动态变化。ERA-Interim产品在阿里地区相对于观测结果有更大的变化幅度(SDV>1.419)。第二层各土壤温度产品与观测值均有高度相关性, 其中GLDAS-CLM表现最好(R>0.854), 虽然高估了土壤温度值, 但能够准确地刻画土壤温度的动态变化(1.008≤SDV≤1.281)。特别在狮泉河, 各产品与观测值的相关系数都大于0.95, 且变化幅度都十分接近观测值。

图 5 再分析产品的日平均温度与观测资料的泰勒图 Figure 5 Taylor diagrams of correlation coefficients and standard deviations for daily mean soil temperature among reanalysis products with observations

从各站点两层日平均土壤温度观测值与再分析产品误差度量统计表(表 4)中可以看出, 就RMSEBiasubRMSE来说, GLDAS-NOAH在那曲和玛曲地区偏差值最小, GLDAS-CLM在阿里和狮泉河地区偏差值最小, JRA-55在各地区均为最大偏差值。就相关性来说大部分土壤湿度产品与观测值间的相关系数均大于0.872, JRA-55产品与观测值的相关系数均小于0.574。综合RSDV可知, GLDAS产品与观测值间E值较小, 表示GLDAS产品与观测值相关性和变化幅度是最接近的。可以看到, 对于两层土壤湿度, GLDAS产品不论在偏差值、相关性还是变化幅度方面都优于其他几种再分析资料。

表 4 各站点两层日平均土壤温度观测值与再分析产品误差度量统计 Table 4 Error metric statistics of daily mean soil temperature observations and reanalysis products for four stations

结合各土壤温度产品与观测值间误差度量的比较得出: GLDAS-CLM和GLDAS-NOAH土壤温度产品在大部分站点能准确且合理地再现两层土壤温度随时间变化的动态过程和变化细节, ERA-Interim、CFSv2总体刻画效果一般, JRA-55不论在相关性还是季节变化幅度方面, 对土壤温度的再现效果都是较差的。

4.2 土壤湿度 4.2.1 不同深度土壤湿度时空变化特征

从各站点降水量及不同深度土壤湿度逐日变化时间序列(图 6)中可以看出, 玛曲土壤湿度峰值在0.4 m3·m-3左右, 为土壤湿度高值区[图 6(d)]; 阿里、那曲土壤湿度峰值在0.2~0.3 m3·m-3[图 6(b), (c)], 狮泉河土壤湿度峰值低于0.2 m3·m-3, 为土壤湿度低值区。进一步从各地区不同深度土壤湿度的变化特征可以看出, 狮泉河、那曲和玛曲地区各层土壤湿度变化一致, 从表层至深层呈增加趋势; 土壤湿度同时具有明显的季节性变化, 即冬季土壤冻结, 水分冻结且降雪不能融化, 水分无法进入到土壤层, 导致在此期间土壤湿度处于持续低值期; 随着春季气温回暖, 冰雪融化, 冻结的水分也逐渐融化, 土壤湿度呈上升趋势(李明星等, 2010)。阿里地区[图 6(a)]表层土壤湿度与深层土壤湿度的变化存在差异, 表层土壤湿度较深层有更强的波动, 期间发生的几次强降水过程导致深层土壤湿度出现明显波动, 这可能是该站点不同层次土壤均质性存在差异以及深层土壤对降水没有浅层土壤敏感性强而导致的。

图 6 不同深度土壤湿度及降水量逐日变化时间序列图 红色实线代表土壤冻结期 Figure 6 Time series of precipitation and soil moisture at different depths.The red solid line represents the soil freezing period
4.2.2 两层土壤湿度再分析值与观测值的对比

结合表 3土壤冻结持续时间, 从两层日平均土壤湿度观测资料与再分析产品的对比图(图 7)可以看出:在非冻结期, 大多数土壤湿度产品可以再现两层土壤湿度观测值的季节性变化特征, GLDAS-NOAH、GLDAS-CLM在玛曲地区的两层土壤湿度值较观测值偏小[图 7(d)]。各产品在狮泉河和那曲地区均高估了观测值, 其中JRA-55产品在4个站点的土壤湿度值高达0.9 m3·m-3, 这种现象可能与不同土壤湿度产品分层不同有关, JRA-55产品第一层土壤厚度为2 cm, 远小于其他产品10 cm的土壤厚度, 表层土壤受到外界降水、温度、风等因素影响较大, 所以该产品土壤湿度在数值上与观测值会存在一定差异; 在土壤冻结期, 只有CFSv2土壤湿度产品可以大致再现出冻结期观测土壤湿度的变化趋势, 其他土壤湿度产品不能模拟出土壤湿度的动态变化, 并且都高估了土壤湿度值, 其中GLDAS-NOAH输出的土壤湿度模拟值与观测值呈现负相关关系。说明再分析产品不能准确刻画出冻结期土壤湿度值, 这为模式参数化方案的改进提供了参考依据。

图 7 两层日平均土壤湿度观测值与再分析产品的对比 左侧为第一层, 右侧为第二层 Figure 7 The two layers comparison of daily mean soilmoisture with reanalysis products. The left side is the first layer, the right side is the second layer

通过非冻结期再分析产品两层日平均土壤湿度与观测值的均方根误差、平均偏差、无偏均方根误差统计(图 8)可以看出, GLDAS-NOAH产品与观测值的偏差在阿里和狮泉河地区最小, 偏差量均小于0.1 m3·m-3; GLDAS-CLM产品在那曲和玛曲地区与观测值最接近, Bias < 0.04 m3·m-3, RMSE和ubRMSE均小于0.053 m3·m-3; JRA-55产品在各地区表现为极大的偏差值, 在玛曲地区的BiasRMSE及ubRMSE值甚至达到0.515 m3·m-3。由此可知, CLDAS-NOAH产品对阿里和狮泉河地区两层土壤湿度模拟效果好, GLDAS-CLM产品对那曲和玛曲地区两层土壤湿度模拟效果好, 而JRA-55产品对各地区两层土壤湿度的模拟效果较差。

图 8 非冻结期再分析产品两层日平均土壤湿度与观测值的RMSEBias、ubRMSE的统计结果 上方为第一层, 下方为第二层 Figure 8 RMSE, Bias, ubRMSE of daily mean soil moisture in the two layers between reanalysis products and observations during unfrozen time.Upper is the first layer, lower is the second layer

从非冻结期再分析产品的日平均湿度与观测资料的泰勒图(图 9)情况可以看出, 对于第一层土壤湿度, GLDAS-NOAH和GLDAS-CLM土壤湿度值在那曲和玛曲地区与观测值的变化幅度最接近(0.781≤SDV≤1.154), 在阿里、狮泉河地区土壤湿度较观测值变化幅度偏大(1.166≤SDV≤2.359)。阿里为植被稀疏区(NDVI=0.1), 狮泉河地表覆盖类型为荒漠和裸地(NDVI=0.05), 那曲和玛曲的地表覆盖类型分别为高原草原(NDVI=0.3)和高原草甸(NDVI=0.5), 植被覆盖量远高于阿里和狮泉河地区(王青霞等, 2014), 说明这两种产品对植被茂盛区土壤湿度变化幅度比对植被稀疏区和荒漠区模拟效果更好。JRA-55土壤湿度产品的变化幅度远超过观测值(SDV>2)。再分析与观测土壤湿度在各站点呈正相关关系, 结果均通过99%的置信度检验。在狮泉河、那曲和玛曲地区R>0.6, 在阿里地区R值处于0.4~0.6之间, 其中GLDAS-CLM产品在狮泉河、那曲和玛曲地区相关性表现最好, R>0.706。对于第二层土壤湿度, GLDAS-NOAH、GLDAS-CLM在狮泉河、那曲和玛曲地区与观测值相关性高, 0.323≤R≤0.819, 且变化幅度最相近, 0.670≤SDV≤2.143。在阿里地区虽然相关性较其它地区小, R值小于0.173, 但变化幅度与观测值最为接近, SDV值为0.983。从泰勒图分析可知, GLDAS-NOAH和GLDAS-CLM土壤湿度产品对各地区两层土壤湿度观测值的刻画能力好, 表现为与观测间相关性高, 变化幅度较一致。

图 9 非冻结期再分析产品的日平均湿度与观测资料的泰勒图 Figure 9 Taylor diagrams of correlation coefficients and standard deviations for daily mean soil moisture among reanalysis products with observations during unforzen time

为了进一步检验每种土壤湿度产品的性能, 使用非冻结期观测资料和各土壤湿度产品的散点分布(图 10)。从图 10中可以看出, 对于各站点两层土壤湿度, GLDAS-CLM和GLDAS-NOAH产品在大多数站点最接近1:1线, 表示这两种产品与观测值最相近, 可以合理刻画土壤湿度的数值范围; ERA-Interim、CFSv2产品基本可以再现观测值的变化范围, 但产品数值分布集中于1:1线的上方, 总体上高估了观测值; JRA-55的数值分布远高于1:1线, 土壤湿度高值可达0.8 m3·m-3, 不能合理再现观测土壤湿度的数值大小。

图 10 非冻结期两层日平均土壤湿度观测资料和再分析产品的的散点分布 左侧为第一层, 右侧为第二层 Figure 10 The scatter plots of observed and estimated soil moisture only during the unfrozen time. The left side is the first layer, the rigth side is the second layer

综合分析两层土壤湿度变化可知, 在冻结期, 再分析资料不能准确刻画土壤湿度的变化特征。在非冻结期, GLDAS-NOAH和GLDAS-CLM产品能够很好的再现各地区两层土壤湿度随时间变化的动态过程特征。但是在研究中发现, 陆面模式产品对不同地区土壤湿度的模拟效果不同, 这与模式强迫场降水数据、物理过程参数化方案、各地区植被覆盖量和植被类型存在一定差异有关, 该研究结果与前人得出的结论是一致的(Zeng et al, 2015)。

本文还对全年及冻结期的土壤湿度产品进行了对比分析。冻结期的观测站点土壤湿度为土壤液态水含量, 由于冬季高原土壤水分冻结, 降水也以固态水呈现, 无法进入土壤层, 加之模式对于冻结期土壤湿度的模拟还存在一定难度, 模式并不能准确模拟冻结期土壤湿度值, 这也会对全年统计参数的准确度产生影响。

5 讨论

虽然大多数土壤温湿度产品可以很好的反映出不同深度土壤温湿度的季节性变化, 但其中一些再分析产品准确度较差, 所以研究土壤温湿度产品的误差源是非常有必要的, 误差可能是多种因素综合影响的结果, 特别是在具有复杂的下垫面情况的青藏高原地区。造成误差的可能原因包括以下几个方面:观测站点土壤温湿度传感器的精度, 各土壤温度(单位: K, ℃)和土壤湿度(单位: %, m3·m-3, kg·m-2)产品与观测资料间的单位转换过程, 观测站点和土壤温湿度产品之间空间观测尺度不匹配, 采样深度(采样深度差异详见表 1)的不同都会产生误差。特别是对固定站点的定位, 再分析产品输出结果的空间分辨率不同, 观测站点可能不在相对应的网格点上, 并且采用空间插值法或者邻近站点匹配法得到的站点数据并不能完全代表观测站点真实的观测值。

对于土壤温湿度产品, 选择的数值预报模式、模式驱动场数据、物理过程参数化方案以及输出结果同化方案不同, 会使获得的土壤温湿度结果存在差异, 尤其在地形复杂、海拔较高且气候极端的青藏高原地区, 在模拟过程中是否考虑到高原特殊的情况而进行相应的参数调整。此外, 模拟过程中使用的土壤质地、植被覆盖信息不准确以及恒定参数是否适用于高原地区等因素也是土壤湿度产品在高原存在偏差的原因。在高原土壤湿度资料适用性评估的研究中发现, 来自于FAO的土壤组织信息在高原地区不具有代表性, 因此模式中使用土壤质地信息得到的结果具有局限性, 可能并不适用于高原地区(曾江源等, 2015)。地表粗糙度会通过影响土壤反射率因子间接影响土壤湿度, 地表粗糙时, 发光体的表面积增加, 反射率也会增加。由于高原下垫面情况非常复杂, 可变性大, 模式物理过程参数化方案中恒定的粗糙度参数在这一区域并不适用, 而且影响粗糙度参数的入射角度和频率等参量的研究目前尚未有详尽可靠的结果。虽然近年来已经开发了一些校正方法来减少地表粗糙度对表面反射率的影响, 但是这些方法设定用于裸地, 而不能直接应用于植被覆盖区域(Chen et al, 2010), 这对于高原植被覆盖量多地区的模拟结果将产生很大影响。

此外, 由于高原地区独特的地形地貌和极端的气候条件, 该地区观测站点稀疏, 观测资料时间连续性差, 并且部分观测点观测资料缺测严重, 无法与再分析资料进行较长时间尺度的对比分析, 而本文所研究土壤温湿度的时间变化范围最长的也只有6年, 所以选择的再分析资料是否具有对该地区长期气候变化的描绘能力还值得商榷(陈金雷等, 2017)。是否可以通过提高高原植被覆盖精度、增加更加准确的土壤质地信息、减少观测站点与模式格点下垫面的差异, 以提高土壤温湿度产品在刻画高原地区土壤温湿度变化的准确性还需要进一步的研究。

6 结论

利用2010—2016年间中国科学院西北生态资源研究院青藏高原阿里、狮泉河、那曲和玛曲4个土壤湿度观测网0~40 cm深度土壤层观测数据验证了8套再分析资料(ERA-Interim、CFSR、CFSv2、JRA-55、GLDAS-NOAH、GLDAS-CLM、GLDAS-MOS和GLDAS-VIC)在高原地区的适用性, 并讨论了土壤温湿度的时间变化特征, 得到以下结论:

(1) 观测站点土壤温度表现出明显的季节周期性变化, 夏末秋初, 土壤温度逐渐下降, 至次年2月达到最低值。之后春季气温回暖, 土壤温度也开始缓慢上升, 至8月达到峰值; 不同深度土壤温度季节变化幅度大体一致。

(2) GLDAS-CLM土壤温度产品与观测值最接近, 虽然在部分地区略有高估土壤温度值, 但总体偏差值小, 相关度高, 与观测值的变化幅度较为相近; 几套再分析资料虽然与观测值有高度相关性, 但RMSEBias、ubRMSE都存在偏大的现象。

(3) 玛曲地区为土壤湿度高值区, 狮泉河为土壤湿度低值区。各站点土壤湿度值由表层至深层呈增加趋势, 各层土壤湿度变化一致, 表现出明显的季节性变化:土壤冻结期, 土壤湿度处于持续低值期, 春季气温回暖, 冻结水分逐渐融化, 土壤湿度呈上升趋势。

(4) 在土壤冻结期, 再分析产品不能准确刻画土壤湿度的变化特征; 在土壤非冻结期, GLDAS-NOAH和GLDAS-CLM产品能够合理再现各地区两层土壤湿度随时间变化的动态过程特征。

致谢 感谢中国科学院西北生态环境资源研究院青藏高原土壤温度与湿度监测网为本研究提供的土壤温湿度观测数据。
参考文献
Albergel C, Dorigo W, Reichle R H, et al. 2013. Skill and global trend analysis of soil moisture from reanalysis and microwave remote sensing[J]. J Hydrometeor, 14(4): 1259–1277. DOI:10.1175/JHM-D-12-0161.1
Chen Y Y, Yang K, Qin J, et al. 2013. Evaluation of AMSR-E retrievals and GLDAS simulations against observations of a soil moisture network on the central Tibetan Plateau[J]. J Geophys Res, 118(10): 4466–4475.
Chen L, Shi J, Wigneron J P, et al. 2010. A parameterized surface emission model at L-band for soil moisture retrieval[J]. IEEE Geosci Remote Sens Lett, 7(1): 127–130. DOI:10.1109/LGRS.2009.2028443
Dee D P, Uppala S M, Simmons A J, et al. 2011. The ERA-Interim reanalysis:Configuration and performance of the data assimilation system[J]. Quart J Roy Meteor Soc, 137(656): 553–597. DOI:10.1002/qj.v137.656
Dobson M C, Ulaby F T, Hallikainen M T, et al. 1985. Microwave dielectric behavior of wet soil-Part Ⅱ:Dielectric mixing models[J]. IEEE Trans Geosci Remote Sens, 23(1): 35–46.
Ebita A, Kobayashi S, Ota Y, et al. 2011. The Japanese 55-year Reanalysis "JRA-55":an interim report[J]. Scientific Online Letters on the Atmosphere, 7: 149–152.
Entekhabi D, Reichl R H, Koster R D, et al. 2010. Performance metrics for soil moisture retrievals and application requirements[J]. Journal of Hydrometeorology, 11: 832–840. DOI:10.1175/2010JHM1223.1
Zeng J Y, Zhen L A, Chen Q, et al. 2015. Evaluation of remotely sensed and reanalysis soil moisture products overthe Tibetan Plateau using in-situ observations[J]. Remote Sens Environ, 34(3): 91–110.
Rodell M, Houser P R, Jambor U, et al. 2004. The global land data assimilation system[J]. Bull Amer Meteor Soc, 85(3): 381–394. DOI:10.1175/BAMS-85-3-381
Saha S, 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
Su Z, De R P, Wen J, et al. 2013. Evaluation of ECMWF's soil moisture analyses using observations on the Tibetan Plateau[J]. J Geophys Res, 118(11): 5304–5318.
Taylor K E. 2001. Summarizing multiple aspects of model performance in a single diagram[J]. J Geophys Res, 106: 7183–7192. DOI:10.1029/2000JD900719
Wen J, Su Z, Ma Y. 2003. Determination of land surface temperature and soil moisture from tropical rainfall measuring mission/microwave imager remote sensing data[J]. J Geophys Res, 108(D2): 4308. DOI:10.1029/2002JD002176
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-Tibetan Plateau[J]. International Journal of Applied Earth Observation and Geo Information, 13(4): 528–535. DOI:10.1016/j.jag.2011.02.001
Yang K, Qin J, Zhao L, et al. 2013. A multi-scale soil moisture and freeze-thaw monitoring network on the third pole[J]. Bull Amer Meteor Soc, 94(12): 1907–1916. DOI:10.1175/BAMS-D-12-00203.1
Zhao L, Ping C L, Yang D Q, et al. 2004. Changes of climate and seasonally frozen ground over the past 30 years in Qinghai-Xizang Plateau, China[J]. Global and Planetary Change, 43(1-2): 19–31. DOI:10.1016/j.gloplacha.2004.02.003
Zou H, Zhu J, Zhou L, et al. 2014. Validation and application of reanalysis temperature data over the Tibetan Plateau[J]. J Meteor Res, 28(1): 139–149.
常燕, 吕世华, 罗斯琼, 等. 2016. CMIP5耦合模式对青藏高原冻土变化的模拟和预估[J]. 高原气象, 35(5): 1157–1168. Chang Y, Lü S H, Luo S Q, et al. 2016. Evaluation and projections of permafrost on the Qinghai-Xizang Plateau by CMIP5 coupled climate models[J]. Plateau Meteor, 35(5): 1157–1168. DOI:10.7522/j.issn.1000-0534.2015.00090
陈渤黎, 吕世华, 罗斯琼. 2012. CLM3.5模式对青藏高原玛曲站陆面过程的数值模拟研究[J]. 高原气象, 31(6): 1511–1522. Chen B L, Lü S H, Luo S Q. 2012. Simulation analysis on land surface process at Maqu station in the Qinghai-Xizang Plateau using community land model[J]. Plateau Meteor, 31(6): 1511–1522.
陈海山, 孙照渤. 2005. 青藏高原单点地气交换过程的模拟试验[J]. 高原气象, 24(1): 9–15. Chen H S, Sun Z B. 2005. Simulation of land-atmosphere exchange processes at amdoand gaize stations over Qinghai-Xizang Plateau[J]. Plateau Meteor, 24(1): 9–15.
陈金雷, 文军, 刘蓉, 等. 2017. 黄河源区土壤和大气温湿变化特征[J]. 应用气象学报, 28(1): 98–108. Chen J L, Wen J, Liu R, et al. 2017. Variation characteristics of soil temperature & moisture and air parameters in the source region of the Yellow River[J]. J Appl Meteor Sci, 28(1): 98–108. DOI:10.11898/1001-7313.20170109
葛骏, 余晔, 李振朝, 等. 2016. 青藏高原多年冻土区土壤冻融过程对地表能量通量的影响研究[J]. 高原气象, 35(3): 608–620. Ge J, Yu Y, Li Z C, et al. 2016. Impacts of freeze/thaw process on land surface energy fluxes in the permafrost region of Qinghai-Xizang Plateau[J]. Plateau Meteor, 35(3): 608–620. DOI:10.7522/j.issn.1000-0534.2016.00032
李明星, 马柱国, 杜继稳. 2010. 区域土壤湿度模拟检验和趋势分析-以陕西省为例[J]. 中国科学(地球科学), 40(3): 363–379. Li M X, Ma Z G, Du J W. 2010. Regional soil moisture simulation for Shaanxi Province using SWAT model vNagridation and trend analysis[J]. Sci China (Earth Sci), 40(3): 363–379.
李巧萍, 丁一汇, 董文杰. 2007. 土壤湿度异常对区域短期气候影响的数值模拟试验[J]. 应用气象学报, 18(1): 1–11. Li Q P, Ding Y H, Dong W J. 2007. A numerical study on effects of the soil moisture upon the regional short-term climate[J]. J Appl Meteor Sci, 18(1): 1–11. DOI:10.11898/1001-7313.20070102
李瑞青, 吕世华, 韩博, 等. 2012. 青藏高原东部三种再分析资料与地面气温观测资料的对比分析[J]. 高原气象, 31(6): 1488–1502. Li R Q, Lü S H, Han B, et al. 2012. Preliminary comparison and analyses of air temperature at 2 m height between three reanalysis products-sets and observationin the east of Qinghai-Xiang Plateau[J]. Plateau Meteor, 31(6): 1488–1502.
梁晓, 郑小谷, 戴永久, 等. 2014. EnKF中误差协方差优化方法及在资料同化中应用[J]. 应用气象学报, 25(4): 397–405. Liang X, Zheng X G, Dai Y J, et al. 2014. A method of improving error covariances in EnKF and its application to data assimilation[J]. J App Meteor Sci, 25(4): 397–405. DOI:10.11898/1001-7313.20140402
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
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 problemsinthe studyon the relationship between soil moistureand climatic chance[J]. Adv Earth Sci, 16(4): 563–568.
王青霞, 吕世华, 鲍艳, 等. 2014. 青藏高原不同时间尺度植被变化特征及其与气候因子的关系分析[J]. 高原气象, 33(2): 301–312. Wang Q X, Lü S H, Bao Y, et al. 2014. Characteristics of vegetation change and its relationship with climate factors in different time-scales on Qinghai-Xizang Plateau[J]. Plateau Meteor, 33(2): 301–312. DOI:10.7522/j.issn.1000-0534.2014.00002
吴国雄, 张永生. 1999. 青藏高原的热力和机械强迫作用以及亚洲季风的爆发:Ⅱ爆发时间[J]. 大气科学, 23(1): 51–61. Wu G X, Zhang Y S. 1999. Thermal and mechanical forcing of the Tibetan Plateau and the Asian monsoon onset.Part Ⅱ:Time of the onset[J]. Chinese J Atmos Sci, 23(1): 51–61.
杨梅学, 姚檀栋. 1998. 青藏高原雪盖对亚洲季风影响研究进展[J]. 冰川冻土, 20(2): 186–192. Yang M X, Yao T D. 1998. A review of the study on the impavt of snow cover in the Tibetan Plateau on Asian monsoon[J]. Journal of Glaciology and Geocryology, 20(2): 186–192.
张永生, 吴国雄. 1998. 关于亚洲季风爆发及北半球季节突变的物理机理的诊断分析:Ⅰ季风爆发的阶段性特征[J]. 气象学报, 56(5): 513–528. Zhang Y S, Wu G X. 1998. Diagnostic investigations of Mechanism of onset of Asian summer monsoon and abrupt seasonal transitions over Northern Hemisphere Part Ⅰ[J]. Acta Meteor Sinica, 56(5): 513–528. DOI:10.11676/qxxb1998.047
中国科学院中国植被图编辑委员会, 2001. 中国植被图集1: 1 000 000[Z]. 北京: 科学出版社. Editorial Committee for Vegetation Map of China, 2001. Vegetation atlas of China 1: 1 000 000[Z]. Beijing: Science Press.
Analysis on the Applicability of Reanalysis Soil Temperature and Moisture Datasets over Qinghai-Tibetan Plateau
DING Xu1 , LAI Xin1 , FAN Guangzhou1,2 , WEN Jun1 , YUAN Yuan1 , WANG Xin3 , WANG Zuoliang3 , ZHU Lihua1 , ZHANG Yongli1 , WANG Bingyun1     
1. College of Amospheric Sciences, Chendu University of Informtion Technology Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, Chengdu 610225, Sichuan, China;
2. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, Jiangsu, China;
3. Key Laboratory for Land Process and Climate Change in Cold and Arid Regions, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, Gansu, China
Abstract: In this paper, according to the observation data of the monitoring network in four areas (Nagri, Shi quanhe, Nagqu, Maqu) in different climate zones and vegetation conditions of 8 sets of soil moisture (ERA-Interim, CFSR, CFSv2, JRA-55, GLDAS-NOAH, GLDAS-CLM, GLDAS-MOS, GLDAS-VIC), we compared and analyzed the data of soil temperature and moisture from Northwest Institute of Eco-Environment and Resource, during 2010-2016, Using correlation coefficient (R), root mean square error (RMSE), mean bias (Bias), unbiased mean-square root error (ubRMSE) and standard deviation ratio (SDV), to compare the simulation performance of the soil moisture products to the observed values. Then searching for the long and large scale soil temperature and moisture products that suitable for the Qinghai-Tibetan Plateau. For soil moisture, the GLDAS-CLM product can reproduce the dynamic process and change details of the two layers of soil moisture over time. Although the result is higher than the observed soil temperature, it is the closest to the observed value, and has a close relationship with the observed value. Soil freezing period cannot show the dynamic characteristics of soil moisture, but the dynamic process characteristics of the two layers of soil moisture changes over time can characterized by non-freezing period products(GLDAS-NOAH and GLDAS-CLM), which showed the best in both error statistics and correlations. GLDAS-MOS, GLDAS-VIC, ERA-interim and CFSv2 products are not ideal to depict the value of an observation, although to a certain extent they can show parts of the change trend of soil moisture, and JRA-55 products cannot describe regional soil temperature and moisture.
Key Words: Qinghai-Tibetan Plateau    soil temperature    soil moisture    reanalysis products    comparative analysis