高原气象  2018, Vol. 37 Issue (5): 1143-1160  DOI: 10.7522/j.issn.1000-0534.2018.00020
0

引用本文 [复制中英文]

崔园园, 敬文琪, 覃军. 2018. 基于TIPEX Ⅲ资料对CLDAS-V2.0和GLDAS-NOAH陆面模式产品在青藏高原地区的适用性评估[J]. 高原气象, 37(5): 1143-1160. DOI: 10.7522/j.issn.1000-0534.2018.00020
[复制中文]
Cui Yuanyuan, Jing Wenqi, Qin Jun. 2018. Applicability Evaluation of Merged Soil Moisture in GLDAS-NOAH and CLDAS-V2.0 Products over Qinghai-Tibetan Plateau of 2015 Based on TIPEX Ⅲ Observations[J]. Plateau Meteorology, 37(5): 1143-1160. DOI: 10.7522/j.issn.1000-0534.2018.00020.
[复制英文]

资助项目

公益性行业(气象)科研专项(GYHY201406001);国家重点研发计划项目(2016YFA0602002)

通信作者

覃军(1964-), 男, 湖北武汉人, 高级工程师, 主要从事气候变化与大气环境研究.E-mail:qinjun@cug.edu.cn

作者简介

崔园园(1991-), 女, 河北石家庄人, 助理工程师, 主要从事气象资料质量控制研究.E-mail:doubleyuancui@foxmail.com

文章历史

收稿日期: 2017-10-20
定稿日期: 2018-01-25
基于TIPEX Ⅲ资料对CLDAS-V2.0和GLDAS-NOAH陆面模式产品在青藏高原地区的适用性评估
崔园园1, 敬文琪2, 覃军3     
1. 河北省气象台, 河北 石家庄 050000;
2. 94758部队气象台, 福建 宁德 352000;
3. 中国地质大学(武汉)环境学院, 湖北 武汉 430074
摘要: 利用2015年第三次青藏高原大气科学试验(TIPEX Ⅲ)五层(5,10,20,50和100 cm)土壤的温、湿度观测资料,通过计算全球陆面同化系统(GLDAS-NOAH)和中国气象局陆面同化系统的融合产品(CLDAS-V2.0)与观测资料之间的相关性和偏差,以及分析降水事件发生后两种模式资料土壤温、湿度的响应,综合评估了融合土壤温、湿度产品在青藏高原的适用性。结果表明,CLDAS-V2.0土壤温、湿度产品与观测资料的相关性均优于GLDAS-NOAH模式产品,且两模式产品与站点观测资料的相关性在湿季大于干季,相关性随土壤深度增加而减小;CLDAS-V2.0土壤湿度产品相对站点观测的误差稍大于GLDAS-NOAH,且在浅层土壤两模式产品与站点观测的MRE整体上在干季大于湿季;CLDAS-V2.0土壤温度产品与站点观测的RMSE在湿季大于干季,而GLDAS-NOAH产品则相反;两种模式产品均能描述出降水发生后浅层土壤温、湿度对降水的响应,但两种模式产品所描述的深层土壤温、湿度的波动幅度相对观测明显偏大;此外,两种模式产品无法重现观测到的深层土壤温、湿度相对表层土壤温、湿度变化明显"滞后"的特征以及降水后相对降水前土壤温度峰/谷值对应时间存在明显延迟的特征。
关键词: 青藏高原    第三次青藏高原大气科学试验    融合土壤温、湿度产品    适用性评估    
1 引言

陆面过程是全球变化研究中的重要组成部分, 陆面物理量的变化反映了地球气候系统响应太阳辐射强度以及陆-气相互作用的过程(张强等, 2011;王胜等, 2011), 它通过地表与大气之间的能量、动量和水汽交换影响天气和气候变化(Dickinson, 1995;孙菽芬等, 1998)。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, 而土壤温、湿度作为全球能量循环和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)。青藏高原因其独特的地理位置和地形使其陆面过程有着特殊性, 成为陆面过程研究的热点(Wang et al, 2000; Zhao et al, 2004; Cheng et al, 2007; Xu et al, 2011;张少波等, 2013)。与同纬度地区相比, 高原植被空间差异较大, 土壤发育差, 质地较粗, 是中、低纬度地带冻土分布面积最广、厚度最大的区域(岳平等, 2013), 因此高原地面观测站点稀少, 长时间序列的土壤温、湿度观测资料积累十分有限, 这给研究青藏高原土壤温、湿度的时空分布带来了困难, 因此寻找可以准确描述青藏高原地区陆面参量的时空演变特征的替代资料变得很有必要(刘川, 2015)。

随着资料同化技术的发展, 一些同化理论被应用于陆面过程物理量的分析和预报之中, 产生了一系列陆面融合资料, 并应用于描述全球或区域陆面物理量的时空演变。这些陆面融合资料的产生依赖于陆面数据同化系统。目前国际上比较主流的陆面数据同化系统包括:北美陆面数据同化系统NLDAS(North American Land Data Assimilation System)(Mitchell et al, 2004), 欧洲陆面数据同化系统ELDAS(European Land Data Assimilation System)(Van den Hurt, 2002)和全球陆面数据同化系统GLDAS(Global Land Data Assimilation System)(Rodell et al, 2004)。国内李新等(2008)建立了西部陆面数据同化系统WCLDAS(West China Land DataAssimilation System), 师春香(2008)发展了中国气象局陆面数据同化系统CLDAS(CMA Land Data Assimilation System)。近年来一些学者也对不同陆面模式资料的适用性进行了评估。Chen et al(2013)利用青藏高原中部土壤湿度观测网资料对GLDAS中4个陆面模式土壤水分产品进行了评估, 研究表明4个模式产品均低估了表层土壤湿度, 而GLDAS-CLM(Global Land Data Assimilation System-Common Land Model)和GLDAS-NOAH(Global Land Data Assimilation System-NCEP, OSU, Air Force and Office of Hydrology)模式资料则对10~40 cm土壤层湿度具有较好的代表性。朱智等(2014)对CLDAS和GLDAS中4个陆面模式输出的土壤水分产品在我国的适用性进行了评估, 研究发现CLDAS在我国江淮和西南地区存在偏差, 整体上CLDAS融合产品在我国的适用性优于GLDAS模式产品。Wang et al(2013)指出相对其他多种再分析资料GLDAS降水和温度产品在青藏高原的适用性更高。龚伟伟(2014)指出CLDAS地面相对湿度资料在全国的相对误差均小于10%, 一年四季中CLDAS在夏季与观测的差异最大。韩帅等(2017)通过对CLDAS陆面融合产品的评估发现CLDAS土壤湿度产品精度较高, 对中国区域干旱检测具有重要的指示意义。孙小龙等(2015)也指出CLDAS通过多源数据融合与同化技术, 可以快速地获取高质量、格点化气象要素, 对于地广人稀、气象站点相对较少地区的气象服务潜力巨大。

综上所述, 虽然前人针对陆面融合资料适用性评估这一课题已经开展了大量工作, 但由于青藏高原观测资料稀少, 目前大部分研究多关注于我国中东部地区, 融合资料在高原区域适用性评估的相关研究仍较少。因此, 本研究使用2015年TIPEX Ⅲ土壤温、湿度观测资料对CLDAS-2.0和GLDAS-NOAH陆面模式资料在青藏高原的适用性进行评估, 以期为中国气象局陆面同化系统CLDAS在青藏高原地区的改进提供一定的参考。

2 资料选取与方法介绍 2.1 观测资料选取

选取的站点资料为第三次青藏高原大气科学试验(TIPEX Ⅲ)2015年边界层土壤温、湿度加密观测资料(李跃清等, 2011), 其中包括安多、班戈、比如、那曲、嘉黎、聂荣以及狮泉河(时间分辨率为30 min), 大理和温江(时间分辨率为10 min)9个站点, 以及大理和聂荣两个站点的降水资料, 具体地理位置分布见图 1

图 1 青藏高原地形(彩色区, 单位: m)及TIPEX Ⅲ站点分布(黑点) Figure 1 The terrain of Qinghai-Tibetan Plateau (color area, unit: m) and site distributions (black dots) of the 3rd Qinghai-Tibetan Plateau Atmospheric Scientific Experiment (TIPEX Ⅲ)
2.2 陆面模式资料选取

选取的陆面模式资料包括: (1)由美国航空航天局戈达德空间飞行中心NASA/GSFC(National Aeronautics and Space Administration/Goddard Space Flight Center)、美国海洋和大气局NOAA(National Oceanic and Atmospheric Administration)和国家环境预报中心NCEP(National Centers for Environmental Prediction)联合开发的全球陆面数据同化系统GLDAS-1中的NOAH模式输出产品(宇婧婧等, 2013); (2)中国气象局陆面数据同化系统第二版本(CLDAS-V2.0)的陆面融合产品。CLDAS利用地面站点观测、卫星观测、数值模式产品等多源数据, 通过数据融合(张涛, 2013)与同化技术(Shi et al, 2011;师春香, 2008)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, 从而用于驱动陆面过程模式, 获得土壤温度、湿度等陆面变量(姜立鹏等, 2013)。相对CLDAS-V1.0, CLDAS-V2.0已实现多陆面模式集成, 并对地表、土壤和植被参数进行了改进。

以上三种观测资料和陆面模式资料的详细信息如表 1所示。

表 1 站点资料和融合资料的土壤温、湿度数据信息 Table 1 Information of soil moisture and temperature data from site observations and the merged products
2.3 分析方法介绍

所使用的TIPEX Ⅲ土壤温、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降水过多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)考虑到土壤温度测量范围在-35~50 ℃之间, 剔除不在该范围的数据; (3)由于陆面模式产品提供的土壤湿度是总含水量(包括液态和固态), 而观测得到的是土壤中的液态水含量, 因此, 本文仅对5-10月非冻结期的数据进行对比(刘川等, 2015)。

在分析融合资料与站点资料之间的差别前需要对融合资料和站点观测进行时空匹配。空间匹配采用双线性插值法将融合资料插值到观测站点上。时间匹配方面, 将同一天内的站点观测和融合资料先取日平均再进行比较。

TIPEXⅢ和CLDAS-V2.0均提供的是土壤体积含水量, 而GLDAS-NOAH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} 体积含水量 = \frac{{1{\rm{ kg}}}}{{1{\rm{ }}{{\rm{m}}^2}}} \times \frac{{{{\rm{m}}^3}}}{{1{\rm{ }}000{\rm{ kg}}}} \times \frac{{1{\rm{ }}000{\rm{ mm}}}}{{1{\rm{m}}}}\\ \times {\rm{ }}\frac{1}{{土壤层厚度\left({{\rm{mm}}} \right)}}{\rm{ }}, \end{array} $ (1)

在定量评估两种融合资料土壤温、湿度产品的适用性时采用的统计量包括:融合资料与观测的相关系数(R)、均方根误差(RMSE)、平均相对偏差(MRE)。各统计量的计算公式如下:

$ R = \frac{{\sum\limits_{i = 1}^N {} \left({{O_i} - \bar O} \right)({M_i} - \bar M)}}{{\sqrt {\sum\nolimits_{i = 1}^N {} {{({O_i} - \bar O)}^2}} \sqrt {\sum\nolimits_{i = 1}^N {} {{({S_i} - \bar S)}^2}} }}, $ (2)
$ RMSE = \frac{{\sqrt {\sum\nolimits_{i = 1}^N {{{({M_i} - {O_i})}^2}} } }}{N}{\rm{ }}, $ (3)
$ MRE = \frac{1}{N}\sum\nolimits_{i = 1}^N {} |\frac{{({M_i} - {O_i})}}{{{O_i}}}, $ (4)

式中: N为匹配样本总数; Mi为融合资料; Oi为站点观测数据; ${\bar M} $${\bar O} $分别为融合数据集和站点观测数据集的平均值。

此外, 为了直观地给出两种陆面模式产品与观测值在5个土壤层次的整体表现情况, 本文还使用了泰勒图图方法(Taylor, 2001), 它可以将模式结果和观测场的标准差比率(σ)、均方根误差(RMSE)和相关系数(R)三个指标融合为一种方式集中展现, 可以全面清晰的反映模式的质量。因此本文结合泰勒图来表示两种陆面模式产品与观测场的相关性及误差, 探究陆面模式产品对土壤温、湿度在不同层次结果的可信度。标准差比率(σ)公式如下:

$ \sigma = {\sigma _M}/{\sigma _O}, $ (5)

式中: $ {\sigma _M} = \sqrt {\frac{1}{N}\sum\limits_{i = 1}^N {} {{({M_i} - \bar M)}^2}} $为陆面模式产品的标准差; ${\sigma _O} = \sqrt {\frac{1}{N}\sum\limits_{i = 1}^N {} {{({O_i} - \bar O)}^2}} $为观测场的标准差。

由于陆面模式资料中的土壤温、湿度是一定厚度土壤层的平均值, 在与观测值进行对比时, 将陆面模式产品中的深度为0~10 cm土壤温、湿度与5 cm层次观测值进行对比; 将陆面模式产品2.5 cm(0~5 cm的均值)~20 cm(0~10 cm, 10~40 cm的均值)土壤温、湿度与10 cm层次观测值进行对比; 20 cm层次观测值与陆面模式产品0~40 cm(0~10 cm和10~40 cm的均值)的均值相比较; 50 cm层次为0~10 cm, 10~40 cm和40~100 cm三个层次的均值; 100 cm层次则为模式0~10 cm, 10~40 cm, 40~100 cm和100~200 cm 4个层次的均值。

3 结果分析 3.1 土壤湿度

通过大理和聂荣两个站点陆面模式土壤湿度资料与站点观测值在5个土壤层次(5, 10, 20, 50和100 cm)的变化曲线对比(图 2)可知, 随着深度的增加, 土壤含水量随时间变化的幅度越小。土壤含水量在6月下旬开始增大, 到9月中旬又逐渐减小, 进入高原的旱季, 随土壤深度的增加土壤含水量随时间的变化而增大(减小)的趋势会有“滞后”现象。CLDAS-V2.0和GLDAS-NOAH两个模式资料基本上反映出了土壤含水量在5-10月的变化趋势, CLDAS-V2.0和GLDAS-NOAH低估了大理站整层的土壤含水量, 而在聂荣站两种陆面模式资料均高估了深层(20, 50和100 cm)的土壤含水量; 在20 cm以下土壤层次, 站点观测所体现的土壤含水量变化幅度随土壤深度大幅减小的特征以及深层次土壤含水量相对表层土壤的“滞后”变化特征在CLDAS和GLDAS-NOAH资料中均无法体现。

图 2 2015年5-10月大理(上)和聂荣(下)5个层次日平均土壤湿度观测值与CLDAS-V2.0和GLDAS-NOAH模式资料的对比 Figure 2 Comparison of daily mean soil moisture with site observation, CLDAS-V2.0, and GLDAS-NOAH at Dali (up) and Nierong (down) from May to October 2015

分别对2015年9个站点两种模式土壤湿度在5个土壤层次以及9个站点整体在5个层次进行泰勒图(图 3)统计分析。图 3(f)表明, 整体上两种模式资料与观测资料的相关性随深度递增呈减小的趋势, GLDAS-NOAH与站点观测在50 cm层次转为负相关, 而CLDAS-V2.0在20 cm层次则变为负相关; 此外, 由标准差比率σ均小于1可以看出两种模式在9个站点的土壤湿度值相比于站点观测来说整体上分布较为聚集。进一步分析图 3(a)~(e)得知, 两种模式资料的日平均土壤湿度与观测值的相关系数均在-0.45~0.82之间(未通过0.05显著性水平检验的站点在泰勒图中用不同颜色的☆标注)。分析σ发现站点2(班戈)和8(狮泉河)在整个层次离散度较大, 站点1(安多)和7(聂荣)在20~100 cm层次离散度较大, 站点4(那曲)在100 cm层次离散度较大; 而站点3(比如)和9(温江)在整层的离散度偏小, 站点1(安多)和7(聂荣)在20~100 cm离散度偏小, 站点5(大理)和6(嘉黎)在浅层(5~20 cm)离散度偏小。因此, 两种模式资料与观测值之间的相关性和偏差受站点和层次影响变化较大。

图 3 CLDAS-V2.0和GLDAS-NOAH陆面模式资料的日平均土壤湿度与观测值的泰勒图REF为标准比率等于1的参考线, 标注☆的站点表示相关系数未通过0.05显著性检验 Figure 3 Taylor diagrams of R and σ for daily mean soil moisture among CLDAS-V2.0 and GLDAS-NOAH model products with site observations.REF represent the reference line where ratio of standard deviation is equal to 1, the site marked ☆ indicates that the correlation coefficient did not pass the 0.05 significance test

徐国昌等(1982)指出青藏高原雨季由东向西开始演变, 由西向东结束。高原东部6月上中旬大面积进入雨季, 8月中、下旬西部雨季结束, 高原东部9月中旬才结束。在本文中将5月至6月上旬, 9月中旬至10月定义为高原上的干季, 6月中旬至9月中旬定义为高原上的湿季, 分干湿季讨论两种陆面模式资料相对观测的差别。表 2~4给出了CLDAS-V2.0和GLDAS-NOAH陆面模式资料五层日平均土壤湿度与观测值的相关系数R(表 2)、均方根误差RMSE(表 3)、平均相对偏差MRE(表 4)的统计结果。从表 2可以看出, 不论干季或湿季CLDAS-V2.0均优于GLDAS-NOAH, 且两种模式与站点观测的相关性在湿季大于干季, 相关性随着深度增加而递减, 这与图 3分析结果基本保持一致。进一步分析两种模式资料与站点观测的误差(表 3, 表 4)发现, 随着土壤层次的递增, 误差呈递增趋势, 且CLDAS-V2.0与站点观测的误差稍大于GLDAS-NOAH。其中两种模式的RMSE在干湿季表现较为一致; CLDAS-V2.0与站点观测的MRE整体上干季大于湿季, 而GLDAS-NOAH在浅层土壤(5~10 cm)干季大于湿季, 在深层土壤(20~50 cm)干季小于湿季。

表 2 CLDAS-V2.0和GLDAS-NOAH陆面模式资料在5个层次日平均土壤湿度与观测值的相关系数 Table 2 Correlation coefficient of daily mean soil moisture at five layers between the two land surface model products and site observations
表 3 CLDAS-V2.0和GLDAS-NOAH陆面模式资料在5个层次日平均土壤湿度与观测值的均方根误差 Table 3 Root mean square error of daily mean soil moisture at five layers between the two land surface model products and site observations
表 4 CLDAS-V2.0和GLDAS-NOAH陆面模式资料在5个层次日平均土壤湿度与观测值的平均相对偏差 Table 4 Mean relative deviation of daily mean soil moisture at five layers between the two land surface model products and site observations

为比较两种模式资料土壤湿度对降水的响应能力, 分别选取大理站和聂荣站的降水过程来进行分析, 其中聂荣站为一次降水过程, 大理站为连续多日的降水过程, 旨在分析两种模式资料对降水发生后土壤湿度多层次的响应以及每层土壤含水量的时间变化趋势。首先选取聂荣站2015年8月3-8日来进行讨论一次降水发生后土壤湿度的响应情况。根据聂荣站降水观测记录, 降水在8月5日19:30(北京时, 下同)开始, 直至6日10:00结束, 累计降水量达到了22.6 mm, 降水主要集中于8月5日22:00至6日05:00。图 4(a)表明聂荣站5 cm土壤湿度约在23:00开始响应, 土壤含水量逐渐增大, 10 cm层次约在次日01:00开始响应; 6月3-4日聂荣站5, 10, 20, 50和100 cm层次平均土壤含水量分别为0.06, 0.09, 0.05, 0.04和0.07 m3·m-3, 0~100 cm土壤总含水量仅为6.1 mm; 6月3-4日浅层5 cm和10 cm的土壤湿度有显著的日变化规律, 20 cm层次的日变化特征不是很明显, 更深层次的50 cm和100 cm的土壤湿度基本没有日变化, 这表明在高原半干旱草原土壤水分活跃层在20 cm之上(岳平等, 2013);此次降水过程使得8月7-8日0~100 cm土壤总的含水量达到了9.7 mm, 其中5, 10, 20, 50和100 cm平均土壤含水量分别为0.18, 0.15, 0.05, 0.04和0.07 m3·m-3; 降水发生后, 5和10 cm层次土壤湿度日循环规律被打破, 并随着后期蒸散和土壤水分的下渗作用, 5 cm和10 cm层次土壤湿度出现明显的下降趋势, 此次降水对20 cm层次土壤并无明显影响。由图 4(b)图 4(c)可知, CLDAS-V2.0和GLDAS-NOAH模式产品能较好地描述表层土壤湿度对降水的响应, 但两种土壤湿度模式产品对此次降水的响应时间相对站点土壤观测的响应时间分别约提前了2 h和6 h; 随着时间的推移, 两种模式资料的土壤含水量也逐渐回落。总体上看来, 两种陆面模式产品在浅层土壤含水量的模拟上表现较优, 其中CLDAS-V2.0产品描述的浅层土壤含水量与观测更为接近; 但两种陆面模式产品均无法表现“深层次的土壤含水量对短时降水无明显响应”这一特征。

图 4 2015年8月3-8日聂荣站两种陆面模式资料和观测土壤湿度的变化 Figure 4 Daily variations of soil moisture from site observation and two model products at Nierong station from 3 to 8 August 2015

以上分析了聂荣站一次降水过程土壤湿度的响应, 接下来选取大理站8月3-12日来进行分析多日连续降水发生时土壤湿度的响应情况。根据大理站降水观测记录, 本次降水从8月4日06:00开始, 直至10日12:20降水完全停止, 累计降水量达到72.8 mm, 将本次降水分为以下7次降水时间: (1)8月4日06:00-09:50, 累计降水量8.2 mm; (2)8月5日22:20-23:40, 累计降水量9 mm; (3)8月6日09:20-15:00, 累计降水量8 mm; (4)8月6日22:20-22:30, 累计降水量2 mm; (5)8月7日01:20-03:30, 累计降水量2.6 mm; (6)8月8日20:40至9日03:50, 累计降水量4.8 mm; (7)8月9日15:30至10日12:20, 累计降水量35.6 mm。由图 5(a)可以看出, 大理站在未发生降水时, 土壤湿度随深度递增, 各个层次平均的土壤含水量分别为0.23, 0.28, 0.33, 0.37和0.40 m3·m-3, 0~100 cm土壤总的含水量为32.1 mm。大理站出现了72.8 mm降水后, 使得11-12日0~100 cm土壤总的含水量38.1 mm, 其中5, 10, 20, 50和100 cm平均土壤体积含水量分别为0.30, 0.34, 0.39, 0.44和0.44 m3·m-3。此次降水过程持续时间达到7天, 在第一次降水发生后, 20 cm层次以下基本不受影响, 第二次降水发生后, 影响层次达到20 cm, 第三次降水后50 cm层次开始变化, 第四和第五次过后50 cm层次有较为明显增加, 直至第七次降水发生后, 100 cm层次也开始响应, 并在0~20 cm开始减小时, 50 cm层次以下仍未出现降低趋势。由本次降水事件可以发现, 在降水持续较长时间且降水量达到一定降水量时50~100 cm才会开始响应。由图 5(b)图 5(c)两种模式资料土壤湿度值对降水的响应可以看出, CLDAS-V2.0和GLDAS-NOAH高估了浅层土壤含水量, 低估了深层土壤含水量, 且二者均没有模拟出大理站土壤含水量对深度递增的趋势。相对GLDAS-NOAH, CLDAS-V2.0对降水发生响应的时间与观测具有普遍的一致性。但两种模式资料相对观测所描述的深层土壤含水量对降水的响应而言过于敏感:降水刚发生时, 深层土壤含水量就开始发生变化; 降水结束后, 深层土壤含水量也迅速降低。即两种模式资料无法重现观测所描述的情形:深层土壤含水量只有在降水持续较长时间且降水强度达到一定量级条件下才会发生明显响应, 否则将持续保持不变。

图 5 2015年8月3-12日大理站两种陆面模式资料和观测土壤湿度的变化 Figure 5 Daily variations of site observation and two model products' soil moisture at Dali station from 3 to 12 August 2015
3.2 土壤温度

从大理和聂荣两个站点5个土壤层次土壤温度观测值与陆面模式值的对比(图 6)中可以看出, 随着深度的增加, 土壤温度变幅呈减小的趋势, 说明深层土壤受陆气之间能量影响的程度小于表层土壤, 两种陆面模式资料均较好地描述了5个层次土壤温度的变化, 其中CLDAS-V2.0和GLDAS-NOAH两种模式低估了大理站5个层次土壤温度观测值, 在聂荣站GLDAS-NOAH表现较优, CLDAS-V2.0存在对土壤温度模拟偏高的现象。两种模式资料存在描述9月底10月初土壤温度变化时降温过快这一特征; 此外, 在50 cm层次以下两种模式资料的土壤温度波动振幅明显强于观测。

图 6 2015年5-10月大理(上)和聂荣(下)5个层次日平均土壤温度观测值与CLDAS-V2.0和GLDAS-NOAH模式资料的对比 Figure 6 Comparison of daily mean soil temperature with site observation, CLDAS-V2.0, and GLDAS-NOAH at Dali (up) and Nierong (down) form May to October in 2015

从9个站点两种模式2015年时段土壤温度在5, 10, 20, 50和100 cm 5个土壤层次, 以及9个站点整体在5个层次的泰勒图(图 7)可以看出, 两种模式资料的日平均土壤温度与观测值的相关系数为0.19~0.98, 两种模式资料在5个土壤层次的土壤温度与观测值之间呈显著正相关, 均通过了0.05的显著性水平检验。由图 7可知, CLDAS-V2.0与站点资料的相关性整体上高于GLDAS-NOAH, 其中图 7(a)~(e)显示两种模式资料与站点观测的标准差比率σ在站点5(大理), 7(聂荣), 9(温江)偏大, 相对于站点观测较离散, GLDAS-NOAH与站点的σ在站点2(班戈), 4(那曲), 8(狮泉河)偏小, 相对于站点观测分布较集中。图 7(f)表明两种模式资料随着土壤层次的递增离散度呈减小的趋势, 即模式资料土壤温度值在深层次分布较为集中; 在土壤10 cm层次模式资料温度值的离散度与站点观测最为接近。

图 7 CLDAS-V2.0和GLDAS-NOAH陆面模式资料的日平均土壤温度与观测值的泰勒图REF为标准差比率等于1的参考线, 标注☆的站点表示相关系数未通过0.05显著性检验 Figure 7 Taylor diagrams of R and σ for daily mean soil temperature among CLDAS-V2.0 and GLDAS-NOAH model products with site observations.REF represent the reference line where ratio of standard deviation is equal to 1, the site marked ☆ indicates that the correlation coefficient did not pass the 0.05 significance test

表 5~7为CLDAS-V2.0和GLDAS-NOAH陆面模式资料5个层次日平均土壤温度与观测值的相关系数R(表 5)、均方根误差RMSE(表 6)、平均相对偏差MRE(表 7)的统计结果。从表 5相关系数可以看出, CLDAS-V2.0与站点观测的相关性随深度增加呈递减趋势, 而GLDAS-NOAH在干湿季呈现出随深度先增加(10 cm)后减小(50 cm), 到100 cm层次又变大的变化趋势; 此外, CLDAS-V2.0与站点观测的相关性在湿季大于干季, 而GLDAS-NOAH的相关性在浅层土壤(5 cm, 10 cm)湿季大于干季, 而在深层土壤(20~100 cm)则相反。进一步从两种模式资料与站点观测土壤温度的均方根误差RMSE(表 6)来看, CLDAS-V2.0与站点观测的RMSE在湿季大于干季, 而GLDAS-NOAH则相反。CLDAS-V2.0与站点观测的RMSE在干湿两季均随深度呈递减趋势, 而GLDAS-NOAH的RMSE在干季随深度呈递减趋势, 在湿季无明显随深度分布规律。再从两种模式资料与站点观测的平均相对偏差MRE(表 7)来看, 干季的MRE大于湿季, 且随深度增加, 湿季的MRE呈递增趋势, 干季的MRE先减小至50 cm层次后又增大。

表 5 CLDAS-V2.0和GLDAS-NOAH陆面模式资料在5个层次日平均土壤温度与观测值的相关系数 Table 5 Correlation coefficient of daily mean soil temperature at five layers between the two land surface model products and site observations
表 6 CLDAS-V2.0和GLDAS-NOAH陆面模式资料5个层次日平均土壤温度与观测值的均方根误差 Table 6 Root mean square error of daily mean soil temperature at five layers between the two land surface model products and site observations
表 7 CLDAS-V2.0和GLDAS-NOAH陆面模式资料5个层次日平均土壤温度与观测值的平均相对偏差 Table 7 Mean relative deviation of daily mean soil temperature at five layers between the two land surface model products and site observations

由2015年8月3-8日聂荣站点观测土壤温度的变化曲线[图 8(a)]可知, 土壤温度的变化幅度随着土壤深度的递增而变小, 降水前后5, 10和20 cm土壤温度均有明显的日变化, 而50 cm和100 cm土壤温度基本没有明显的日变化, 表明土壤温度活跃层基本在20 cm以上层次。8月5-6日降水期间, 5, 10和20 cm土壤温度明显下降; 8月7-8日5, 10和20 cm日平均土壤温度比8月3-4日对应层次的日平均值分别降低了1.7, 0.7和0.7 ℃, 但降水对50 cm和100 cm层次土壤温度影响不明显。说明短时降水对深层土壤温度的变化影响不显著; 而辐射变化和降水过程能够显著改变浅层土壤温度(岳平等, 2013)。

图 8 2015年8月3-12日聂荣站两种陆面模式资料与观测土壤温度的变化 Figure 8 Daily variations of soil temperature from site observation and two model products at Nierong station from 3 to 12 August 2015

一般来讲, 由于降水会改变土壤含水量, 从而影响热传导率, 使得热量在土壤中的热传输率发生显著改变, 并引起土壤温度峰值出现的时间发生变化; 另外降水前后土壤温度的差异会导致太阳辐射的加热速率不同, 使得浅层土壤温度达到峰值的时间推迟(岳平等, 2013)。图 8(a)表明降水前, 5, 10和20 cm层次温度的日峰值分别出现在16:00, 17:30和21:00, 日谷值分别出现在08:30, 10:30和11:30;降水后, 5, 10和20 cm层次土壤温度的日峰值分别出现在17:00, 19:30和21:30, 日谷值分别出现在09:00, 11:00和11:30, 5, 10和20 cm处日峰值分别推迟了1, 2和0.5 h, 日谷值则分别推迟了0.5, 0.5和0 h。通过分析两种模式资料土壤温度对降水的响应[图 8(b)~(c)]发现, 两种模式产品很好的反映出了土壤温度的日变化规律, 能够描述土壤温度对降水的响应。但两种模式产品所描述的土壤温度在活跃层以下日变化幅度太大, 深层土壤温度对降水的响应过于灵敏; 此外, 两个模式产品无法重现观测资料所描述的“土壤温度达到峰/谷值所出现的时间随深度的增加而推迟”以及“降水后比降水前土壤温度峰/谷值所出现时间存在明显延迟”的现象。对比两家陆面模式产品可以发现, GLDAS-NOAH模式产品所重现土壤温度相对CLDAS和站点观测存在明显的系统性低估。

大理站多次降水发生后土壤温度的变化情况(图 9)表明, 土壤温度的变化幅度随土壤深度的增加而越小, 5, 10和20 cm土壤温度均有明显的日变化, 而50 cm层次以下土壤温度基本不受降水的影响[图 9(a)]。8月4-10日多次降水发生后, 5, 10和20 cm层次月平均土壤温度比3日对应层次的日平均值分别降低了2.0, 1.9和1.6 ℃, 但对50 cm层次以下影响不明显。降水发生后, 5, 10和20 cm层次土壤温度的日峰值推迟了30, 15和10 min; 日谷值推迟25, 25和60 min。与聂荣站的情形相同, 两种模式资料也较好地模拟出了土壤温度对此次降水事件的响应; 深层次土壤温度变化幅度虽然随着深度有所减小, 但是相对于站点观测所描述的50 cm层次以下土壤温度基本不存在显著日变化的特征来说, 两种模式资料所深层土壤温度是不准确。此外, 降水后土壤温度的峰、谷值出现时间延迟以及土壤温度峰、谷值随土壤深度递增而滞后的现象也无法在两种陆面模式产品中得到重现; 但从土壤温度的大小来看, GLDAS-NOAH对大理站整层土壤温度存在明显低估, 而CLDAS陆面融合资料所描述的土壤温度与观测值更为接近。

图 9 2015年8月3-12日大理站两种陆面模式资料和观测土壤温度的变化 Figure 9 Daily variations of soil temperature from site observation and two model products at Dali station from 3 to 12 August 2015
4 结论与讨论

利用2015年第三次青藏高原大气科学试验土壤温、湿度观测资料, 通过计算GLDAS-NOAH陆面模式产品和CLDAS-V2.0陆面融合产品与观测资料之间的相关性和偏差, 评估了GLDAS-NOAH和CLDAS土壤温、湿度产品在青藏高原的适用性, 得到如下结论:

(1) CLDAS-V2.0土壤温、湿度产品与观测的相关性均优于GLDAS-NOAH模式产品, 且两模式产品与站点观测的相关性在湿季大于干季, 相关性随着深度增加而递减。

(2) CLDAS-V2.0土壤湿度产品与站点观测的误差稍大于GLDAS-NOAH, 且在浅层土壤两模式产品与站点观测的MRE整体上在干季大于湿季; 两模式土壤温度产品相对站点观测的误差及二者的相对大小受站点和层次影响变化较大, 但总体上CLDAS-V2.0土壤温度产品与站点观测的RMSE在湿季大于干季, 而GLDAS-NOAH产品则相反。

(3) 两种模式产品均能描述出降水发生后浅层土壤温、湿度对降水的响应, 但两模式产品所描述的深层土壤温、湿度对降水的响应均过于敏感, 且其所描述的深层土壤温、湿度的波动幅度相对观测明显偏大; 此外, 观测到的深层土壤温、湿度相对表层土壤温、湿度变化明显“滞后”的特征以及降水后相对降水前土壤温度峰/谷值对应时间存在明显延迟的特征均无法在两种模式产品中得到合理的体现。

由于TIPEX Ⅲ站点观测年份的限制, 本研究未能对两种陆面模式产品进行长时间序列的适用性评估, 因而评估结果存在着一定的不确定性。考虑到各套再分析资料和陆面模式资料所用强迫场和模式分辨率、垂直分层、降水分配方式、同化方法、参数化过程(土壤水热性质、冻土、积雪等)等的不同, 它们提供的青藏高原土壤温、湿度资料也存在一定差异(刘川等, 2015)。本研究的研究结果表明CLDAS-V2.0融合产品和GLDAS-NOAH模式产品低估了大理站整层的土壤含水量, 而在聂荣站又高估了深层(20, 50和100 cm)的土壤含水量。Su et al(2013)刘川等(2015)学者指出由于高原地形复杂, 植被和土壤质地分布不均匀, 且受冻土冻融等的影响, 陆面模式资料在不同站点适用性的表现存在较大差异, 同模式资料在部分相同植被下垫面的不同站点的适用性也有不同的表现(Su et al, 2013;刘川等, 2015)。此外, 两种模式资料低估了大理站五层土壤温度观测值, 在聂荣站CLDAS-V2.0存在对土壤温度模拟偏高的现象, Wang et al(2013)将这种土壤温度模拟结果存在偏差的现象归因于陆面模式产品格点与观测站点之间海拔的差异。研究中还发现CLDAS-V2.0与土壤湿度站点观测的误差稍大于GLDAS-NOAH, 保鸿燕等(2016)认为这可能与非冻结期降水对土壤湿度的强迫存在一定的问题而引起的, 陈圆圆等(2016)也指出模式对降水模拟的偏差会间接导致陆面融合资料的质量变差。因此, 提高大气驱动数据的准确性对陆面模式模拟结果的改善也同样不可小觑。

参考文献
Cheng G D, Wu T H. 2007. Responses of permafrost to climate change and their environmental significance, Qinghai-Tibet Plateau[J]. J Geophys Res (Earth Sci), 112(F2): F02S03. DOI:10.1029/2006JF000631
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
Dickinson R E. 1995. Land-atmosphere interaction[J]. Rev Geophys, 33: 917–922. DOI:10.1029/95RG00284
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): D07S90. DOI:10.1029/2003JD003823
Rodell M, Houser P R, Jambor U E A, et al. 2004. The global land data assimilation system[J]. Bull Am Meteor 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.
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
Taylor K E. 2001. Summarizing multiple aspects of model performance in a single diagram[J]. J Geophys Res, 106(D7): 7183–7192. DOI:10.1029/2000JD900719
Van den Hurk B. 2002. Overview of the European Land Data Assimilation (ELDAS) project[J]. Trans Amer Geophys Union, 83(Suppl): H62D–0886.
Wang A H, Zeng X. 2013. 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
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 Q, 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.
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 Nature Resour, 31(6): 1004–1014.
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
韩帅, 师春香, 姜立鹏, 等. 2017. CLDAS土壤湿度模拟结果及评估[J]. 应用气象学报, 24(5): 544–553. Han S, Shi C X, Jiang L P, et al. 2017. The simulation and evaluation of soil moisture based on CLDAS[J]. J Appl Meteor Sci, 24(5): 544–553.
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.
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://cdmd.cnki.com.cn/Article/CDMD-10730-2010131869.htm
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. DOI:10.3321/j.issn:1001-8166.2008.06.010
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. DOI:10.3969/j.issn.1674-2184.2011.03.016
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
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
孙菽芬, 牛国跃, 洪钟祥. 1998. 干旱及半干旱区土壤水热传输模式研究[J]. 大气科学, 22(1): 1–10. Sun S F, Niu G Y, Hong Z X. 1998. A water and heat transport model in arid and semiarid regions[J]. Chinese J Atmos Sci, 22(1): 1–10. DOI:10.3878/j.issn.1006-9895.1998.01.01
孙小龙, 宋海清, 李平, 等. 2015. 基于CLDAS资料的内蒙古干旱检测分析[J]. 气象, 41(10): 1245–1252. Sun X L, Song H Q, Li P, et al. 2015. Analysis of drought monitoring in Inner Mongolia based on CLDAS data[J]. Meteor, 41(10): 1245–1252. DOI:10.7519/j.issn.1000-0526.2015.10.007
王胜, 张强, 岳平, 等. 2011. 黄土高原中部典型台塬区冬季微气象特征研究[J]. 高原气象, 30(4): 982–988. Wang S, Zhang Q, Yue P, et al. 2011. Study of micrometeorological characteristic in typical terrace region of middle Loess Plateau in winter[J]. Plateau Meteor, 30(4): 982–988.
徐国昌, 李梅芳. 1982. 青藏高原的雨季[J]. 甘肃气象(1): 7–11. Xu G Q, Li M F. 1982. The rainy season of the Qinghai-Tibet Plateau[J]. Gansu Meteor(1): 7–11.
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:10.3969/j.issn.1001-7313.2013.05.004
岳平, 张强, 王胜, 等. 2013. 黄土高原半干旱草地降水前后土壤的温、湿度及热力特征[J]. 中国沙漠, 33(6): 1766–1774. Yue P, Zhang Q, Wang S, et al. 2013. Characteristics of soil temperature, moisture and heat pro-and post-precipitation in semiarid grassland over Longzhong Loess Plateau[J]. J Desert Res, 33(6): 1766–1774.
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
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
张强, 孙昭萱, 王胜. 2011. 黄土高原定西地区陆面物理量的变换规律研究[J]. 地球物理学报, 54(7): 1722–1737. Zhang Q, Sun Z X, Wang S. 2011. Analysis of variation regularity of land-surface physical quantities over Dingxi Region of the Loess Plateau[J]. Chinese J Geophys, 54(7): 1722–1737.
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
Applicability Evaluation of Merged Soil Moisture in GLDAS-NOAH and CLDAS-V2.0 Products over Qinghai-Tibetan Plateau of 2015 Based on TIPEX Ⅲ Observations
CUI Yuanyuan1 , JING Wenqi2 , QIN Jun3     
1. Hebei Province Meteorological Bureau, Shijiazhuang 050000, Hebei, China;
2. Meteorological Observatory of 94758 Troops, Ningde 352000, Fujian, China;
3. School of Environmental Studies, China University of Geosciences, Wuhan 430074, Hubei, China
Abstract: In-situ soil temperature and soil moisture observations at five layers (5 cm, 10 cm, 20 cm, 50 cm and 100 cm) from the 3rd Qinghai-Tibetan Plateau Atmospheric Scientific Experiment (TIPEX Ⅲ) were used to verify the applicability of two land surface model products, i.e.Global Land Data Assimilation System-NCEP, OSU, Air Force and Office of Hydrology (GLDAS-NOAH) and CMA (China Meteorological Administration) Land Data Assimilation System Version 2.0 (CLDAS-V2.0).This paper calculated the correlation coefficient and deviation between the two land model products and the in-situ soil temperature and soil moisture observations in 2015.In addition, this paper also analyzed the response of the soil temperature and soil moisture products from CLDAS-V2.0 and GLDAS-NOAH.From the two aspects, this study comprehensively evaluated the soil temperature and soil moisture' applicability of the two model products over Qinghai-Tibetan Plateau.Through the above analysis, it is discovered that the correlation (both for soil temperature and soil moisture) between the CLDAS-V2.0 and in-situ observations is better than that of GLDAS-NOAH.The correlation between the land model products (both for CLDAS-V2.0 and GLDAS-NOAH) and in-situ observations in wet season is larger than that in dry season, and shows a decreasing trend with soil depth.The deviation of soil moisture between the CLDAS-V2.0 and in-situ observations is slightly larger than that of GLDAS-NOAH.In addition, in shallow soil layers, the mean relative error (MRE) of soil moisture between the model products (both for CLDAS-V2.0 and GLDAS-NOAH) and in-situ observations during dry season is larger than that of the wet season.The root mean square error (RMSE) between CLDAS-V2.0 soil temperature product and in-situ observations in wet season is larger than that of the dry season, while this inclination of RMSE is opposite for GLDAS-NOAH temperature product during the wet and dry season.Both the CLDAS-V2.0 and GLDAS-NOAH model products can relatively accurate grasp that how the soil temperature and soil moisture response to the precipitation in shallow soil layers.However, the two model products show a lager fluctuation in deep soil layers relative to in-situ observations both in soil temperature and soil moisture.At last, the two model products (CLDAS-V2.0 and GLDAS-NOAH) cannot reproduce the significantly "lag" features that the observed soil temperature and soil moisture show a delayed change with the soil depth.And the daily Peak/valley values appear time of the soil temperature and soil moisture will show a "lag" feature after the precipitation happened which the two model products cannot describe it.
Key words: Qinghai-Tibetan Plateau    the 3rd Qinghai-Tibetan Plateau atmospheric scientific experiment    merged soil temperature and moisture product    applicability evaluation