2019, Vol. 38
2. 中国科学院大学, 北京 100049
青藏高原(下称高原)作为地球“第三极”的主体, 分布着地球上海拔最高、数量最多、面积最大的高原湖群。湖-陆热力性质差异导致湖-气能量交换与陆-气交换显著不同, 湖泊对热量通量的分配、边界层温湿结构、湖区降水等有显著影响(古红萍等, 2013; 许鲁君等, 2015; Wen et al, 2015)。湖泊是反映气候变化的良好指标, 近30年来高原各气象要素呈现北部增暖明显、南部增湿明显, 整体平均风速减小、太阳辐射减弱, 大部分地区蒸发量减小的趋势(Yang et al, 2014; Lei et al, 2014; 韩熠哲等, 2017)。而20世纪70年代至2010年高原新增面积大于1 km2的湖泊99个, 有81%的湖泊出现扩张, 总面积增加了18.4%(Zhang et al, 2017)。湖泊的扩张可能会增强湖泊对局地气候的影响, 并通过高原特殊地形的动力和热力作用影响整个区域气候。且与全球其他湖泊富集区如芬诺斯干地亚、加拿大北部和东西伯利亚相比, 高原地区具有更强烈的季节变化和突变的天气现象, 但目前对高原湖泊的研究依然相对较少。因此, 加强高原湖泊研究对更好地理解和预测高原局地气候变化具有重大意义。
由于高原环境恶劣, 野外工作开展不易, 使用湖模式对湖泊进行数值模拟成为高原湖泊研究的重要手段。Wen et al (2014)利用WRF-CLM模式模拟研究了鄂陵湖和扎陵湖对局地温度和降水的影响。Wang et al (2015)优化了B模型和M模型中的粗糙度参数并将其应用于高原小浅湖湖-气热量和水分传输过程的模拟。方楠等(2017)通过增加WRF湖模型中湖体内部的湍流混合过程改进了该模型对未冻结期纳木错湖温和湖表面能量平衡的模拟。苏东生等(2018)利用ITPCAS作为驱动数据, 验证了一维湖泊模式Flake在青海湖的适用性, 并揭示了青海湖热力状况对气候变化的响应。不同湖泊模型有其各自的优缺点, 一维湖泊模型在青藏高原地区仍需进一步推广及研究应用。
由于高原地区缺乏长期的观测资料, 故长期且连续的再分析资料成为湖泊模式驱动数据的首选。各套再分析资料制作中采用的模式和同化方法不同, 因此资料质量存在差异(朱智等, 2018)。目前, 已有学者对再分析资料在高原地区的准确性进行了验证。就地表(2 m)气温资料进行分析, 发现1979-2001年ERA-40在高原东北部部分地区可偏高2~5 ℃, 且在冬季偏高更为明显; NCEP-1在高原西南部地区偏低超过10 ℃; JRA-25在高原西部偏低1~2 ℃, 且在冬季偏低区域更大(赵天保等, 2009)。对于地表气压资料而言, 发现NCEP/NCAR再分析资料在念青唐古拉山脉地区气压值低于相应观测值(谢爱红等, 2007); 但也有研究表明, NCEP/NCAR在扎当冰川垭口气压值高于观测值, 但在纳木错气压低于观测值, 总体上NCEP/NCAR在冰川区的可信度高于湖泊区(游庆龙等, 2009)。在降水量方面, 夏季NCEP资料在高原东坡存在虚假降水中心, ERA降水量在高原南缘和东侧偏高, JRA在高原东南部出现很强正偏差(李建等, 2010)。现有再分析资料评估多以气象台站观测为参照, 而气象站点远离高原湖泊, 再分析资料在湖区的适用性有待评估。此外, 现有研究用再分析资料驱动湖泊模型前, 对资料的校正方式各异, 故明确不同再分析资料中各驱动因子校正与否也是急需解决的问题。
本研究利用3套再分析资料驱动一维湖泊模式, 评估其在青藏高原上不同深度湖泊的适用性; 对比分析湖区3套再分析资料与地面观测气象要素的差异; 通过模式对再分析资料的敏感性分析, 确定不同再分析资料的校正因子。
2 研究区域、数据及模式 2.1 研究区域概况班公错(33°26′24″N-33°58′48″N, 78°25′12″E-79°55′48″E)位于青藏高原西部[图 1(b)], 呈东西向狭带状延伸, 湖面海拔4 220 m, 湖泊面积627 km2, 实测最大水深41.7 m (王苏民等, 1998; 王明达等, 2014)。班公错属于构造成因的内流湖, 湖水补给主要依靠地表径流(肖宇等, 2015), 是典型的双季对流混合型湖泊, 湖泊东淡西咸, 位于我国境内的东部湖水矿化度为0.47 g·L-1 (王明达等, 2014)。湖区地处青藏高原最干燥的地区之一, 据青藏高原科学数据中心阿里荒漠环境综合观测研究站(DOI: 10.11888/AtmosphericPhysics.tpe.62.db) 2010-2015年观测分析, 班公错年平均气温1.53 ℃, 年平均降水量86.29 mm。全年有197天日平均气温高于0 ℃, 湖泊冰期为每年11月至次年4月。
|
图 1 研究区域及站点(三角)、水深测点(五角星)位置 Fig. 1 Study area with location of the observation stations (the triangles) and the sounding points (the stars) |
纳木错(30°30′N30°55′48″N, 90°15′E-91°04′12″E)位于青藏高原中南部[图 1(c)], 湖面海拔为4718 m, 2010年湖泊面积扩张至2026 km2, 中心湖盆最大深度约100 m, 平均水深40 m, 是青藏高原第三大湖泊(Zhang et al, 2014a; Huang et al, 2017)。纳木错表层水体平均矿化度为1.78 g·L-1, 是封闭的微咸水湖(王苏民等, 1998)。每年1月或2月湖泊开始结冰, 4月或5月解冻, 冰期3~5个月(Ke et al, 2013; Doberschütz et al, 2014)。流域地处半干旱和半湿润气候的过渡区, 根据青藏高原科学数据中心(http://www.tpedatabase.cn)提供的纳木错多圈层综合观测站气象观测数据(DOI: 10.11888/AtmosphericPhysics.tpe.249300.db)进行统计, 2012-2015年纳木错年平均气温-0.53 ℃, 7月日平均气温最高, 1月日平均气温最低。年平均降水量395.63 mm, 受南亚季风影响, 降水多集中在夏季。
鄂陵湖(34°45′36″N-35°05′24″N, 97°31′12″E-97°54′36″E)位于青藏高原东部[图 1(d)], 湖面海拔4274 m, 湖泊面积610.7 km2, 1980年测得湖水矿化度为0.31 g·L-1, 是黄河源区最大的淡水湖(唐恬等, 2013; 王苏民等, 1998)。湖泊最大深度32 m, 平均水深17.6 m。湖泊冰期为每年11月末12月初至次年4月(Wen et al, 2016)。湖区为荒漠草原干旱气候, 由中国气象局玛多气象站(34°55′N, 98°13′E)1953-2016年自动观测站观测得出, 鄂陵湖年平均气温-3.53 ℃, 最高气温为24.3 ℃, 出现在7月, 最低气温出现在1月, 为-48.1 ℃。年平均降水量322.44 mm, 降水多发生在5-9月。
2.2 数据说明 2.2.1 站点数据本研究用到湖岸及周边观测站数据, 这些观测数据主要用于验证并校正模型驱动数据, 并通过敏感性分析了解驱动气象要素的不确定性。由于缺乏纳木错湖岸辐射观测数据, 在下文校正驱动数据时不对纳木错进行分析。
距离班公错最近的观测站为阿里荒漠环境综合研究站(简称阿里站)(33°23′30″N, 79°42′5″E, 海拔4264 m), 位于班公错东南岸[图 1(b)], 始建于2009年。但由于辐射资料记录从2010年12月3日开始, 故本文使用阿里站日平均气压、气温、相对湿度、风速、降水量、向下长波辐射和短波辐射资料时段均从2010年12月3日至2015年12月31日。比湿可通过气压、气温和相对湿度计算得到。
鄂陵湖附近有两个自动观测站[图 1(d)]。一个为湖泊站(35°01′48″N, 97°39′E, 海拔4274 m), 位于西北部湖面区域, 安装在在离湖岸约200 m的暗礁上。湖泊站建于2011年6月, 但在2011-2012年冬季因冰冻损坏, 此后仅在无冰期工作。为确保冬季观测记录的连续性, 2012年10月又安装了一个湖岸站(34°54′36″N, 97°33′E, 海拔4282 m), 位于湖岸西南方, 距离湖泊站约15 km。站点配置和测量参数详细说明见Li et al (2015)和Wen et al(2016)。两个站点共同提供2011年7月1日之后的常规气象要素观测数据。
2.2.2 MODIS地表温度数据MODIS全球覆盖的空间范围以及较高的观测分辨率和观测的长期连续性, 使其在地表温度观测方面具有不可替代的优越性。地表温度数据稳定性与准确度不断提高, Wan(2008)通过野外地表温度观测验证了美国地区MODIS地表温度产品偏差在1 ℃以内, 闵文彬等(2015)指出青藏高原东侧MODIS地表温度产品与实测地温相关系数达0.95以上。本文选用2001-2015年的MODIS地表温度数据产品(MOD11C2)作为模拟湖表温度的验证。该产品为每日观测地表温度的8日合成数据, 即每8天分别得到一个白天[10:30(当地时, 下同)和一个夜间(22:30]的平均地表温度, 空间分辨率5 km(Wan et al, 2004)。
2.2.3 驱动数据青藏高原气候环境恶劣, 观测条件艰苦, 造成研究区域缺乏长期直接的气候观测资料。因此, 本研究使用3套再分析资料驱动模式对湖表温度进行模拟。
第一套是由美国国家环境预报中心(NCEP)和大气研究中心(NCAR)共同合作建立的全球再分析资料NCEP/NCAR(简称为NCEP)(Kalnay et al, 1996)。本文使用1979-2015年6 h地面预报场气压、2 m气温、2 m比湿、10 m径向风和纬向风、向下长波辐射和短波辐射资料, 空间分辨率为2.5°×2.5°。
第二套也是被广泛应用的全球再分析资料ERA-Interim(简称ERA), 是由欧洲中期天气预报中心(ECMWF)进行的再分析计划。本文使用的6 h地面预报场数据空间分辨率为0.125°×0.125°, 下载气象要素为气压、2 m气温、2 m露点温度、10 m经向风和纬向风、向下长波辐射和短波辐射, 比湿可通过气压和露点温度计算得出。
第三套是中国区域高时空分辨率地面气象要素驱动数据集(简称ITPCAS), 由中国科学院青藏高原研究所开发的一套近地面气象与环境要素再分析数据集(何杰, 2010), 可在寒区旱区科学数据中心(http://westdc.westgis.ac.cn)下载。ITPCAS融合了中国气象局常规气象观测数据, 对于中国区域特别是高原地区准确性更高, 已被广泛应用于青藏高原的水文变化研究(Yang et al, 2010)。该数据集时间分辨率为3 h, 空间分辨率为0.1°, 包含1979-2015年近地面气温、气压、空气比湿、全风速、降水率、向下短波辐射和长波辐射共7个气象要素。
2.3 模式说明及验证 2.3.1 模式介绍所用湖模式是由Gu et al (2015)耦合入WRF的一维质量和能量守恒模式, 在Hostetler et al(1990, 1993, 1994)和Bonan(1995)的一维热扩散模型的基础上增加一个考虑三项变化的冰模块, 从而使模式能够模拟出不同天气状况下的湖气相互作用(古红萍等, 2013)。该模式对于未冻结的湖泊, 采用Hostetle湖模式中的参数化方法计算湖泊涡旋扩散系数; 而当湖泊冻结时, 模式则忽略湍流扩散作用。湖泊深度可根据实际深度进行设置, 模式假设所有物理过程对任意深度的湖泊均适用。模式可分为三部分:第一部分由大气的强迫场计算出湖水的表面温度以及动量、感热、水汽通量; 第二部分计算各垂直层次(20~25层, 包括最多5层雪层、10层湖水和湖底之下10层土壤)的温度, 这是模式的核心; 第三部分忽略雪的渗透, 详细考虑湖泊中水的三相变化及雪的挤压等(古红萍等, 2013; 方楠等, 2016)。预报湖水温度的控制方程是一维热扩散方程, 上边界条件由表层进入湖泊的热量通量决定, 下边界条件设置为零通量层。
2.3.2 模式设置及验证本研究将湖泊深度设置为实测深度(图 1):纳木错湖心处(30°42′N, 90°36′E)水深为95 m (Huang et al, 2017); 王明达等(2014)测得班公错东部水域(33°31′34.84″N, 79°49′42.07″E)湖泊深度为37 m; 鄂陵湖实测(35°02′35.24″N, 97°42′15.84″E)处水深为23 m。模式需要输入的驱动气象要素为气温、气压、比湿、风速、向下长波和短波辐射以及降水量, 其中降水量均设置为0 mm。模拟时间为1979年1月1日至2015年12月31日, ITPCAS驱动模拟步长为3 h, ERA和NCEP驱动模拟步长为6 h。模拟过程中先将1979年反复模拟30次, 从而使模式预热并消除初始值的影响。
本研究通过比较MODIS观测地表温度与同期模拟湖表温度的8日平均值来评估模式的性能。评估指标为偏差bias、均方根误差RMSE、中心均方根误差RMSEc、标准化标准差σnorm。
| $ bias=\overline{m}-\overline{o}, $ | (1) |
| $ RMSE=\sqrt{\frac{1}{n}\sum\limits_{i=0}^{n}{{{({{m}_{i}}-{{o}_{i}})}^{2}}}}, $ | (2) |
| $ RMSE\text{c}=\sqrt{\frac{1}{n}\sum\limits_{i=1}^{n}{{{[({{m}_{i}}-\overline{m})-({{o}_{i}}-\overline{o})]}^{2}}}}, $ | (3) |
| $ {{\sigma }_{\text{norm}}}=\sqrt{\sum\limits_{i=1}^{n}{{{({{m}_{i}}-\overline{m})}^{2}}}}/\sqrt{\sum\limits_{i=1}^{n}{{{({{o}_{i}}-\overline{o})}^{2}}}}, $ | (4) |
式中: mi和oi分别为模拟值和观测值; m和o分别为模拟和观测的平均值。
3 模式及再分析资料评估 3.1 湖泊表面温度模拟地表温度是一个重要的长期气候指标, 也是影响陆-气能量和水分平衡的关键参数(Hulley et al, 2012; Zhang et al, 2014b)。分别使用ITPCAS、ERA和NCEP数据驱动一维湖泊模式对纳木错、班公错和鄂陵湖进行模拟, 从中提取2001-2015年湖泊表面温度模拟结果, 并对最接近各湖泊卫星过境时刻的表面温度进行8日平均处理。
模拟湖泊表面温度与同期MODIS观测地表温度对比(图 2, 表 1)显示, 在纳木错用ITPCAS数据驱动模式, 白天当湖表温度大于0 ℃时, 模拟结果与观测值偏差很小, 但当水温低于0 ℃时模拟结果偏低10~30 ℃。夜间用ITPCAS驱动模式得到的模拟结果较白天差, 模拟湖温略高于MODIS观测。ERA驱动数据模拟的纳木错全年湖表温度均大于0 ℃, 出现冬季湖泊不结冰现象。NCEP驱动模拟结果与ITPCAS驱动模拟结果相近, 仅在2004, 2007和2012年年初模拟湖表温度较其他年份偏低, 夜间偏低更为明显。在班公错, ITPCAS驱动模拟湖温与卫星观测最为接近, 但当水温低于0 ℃时模拟结果出现白天偏低, 夜间偏高的情况。ERA驱动模拟白天优于夜间, 但在湖泊结冰期白天模拟湖表温度偏低, 夜间除结冰期模拟结果偶有偏低外, 全年整体水温模拟偏高。而NCEP驱动模拟的湖表温度全天均偏低, 且夜间偏低更明显。在鄂陵湖, ITPCAS驱动的模拟结果对白天无冰期湖表温度模拟较好, 但对冰期湖表温度模拟偏低, 夜间模拟的湖表温度整体偏高。ERA驱动模拟无冰期结果白天优于夜间, 但是冰期白天模拟偏低而夜间模拟明显偏高。NCEP驱动模拟湖表温度白天较夜间偏低更多。可见除模式本身的系统误差外, 驱动数据的准确度是造成湖表温度模拟误差的主要原因。
|
图 2 纳木错(a)、班公错(b)、鄂陵湖(c) 2001-2015年MODIS观测地表温度与模拟结果对比 Fig. 2 Comparison of the lake surface temperature of Nam Co (a), Bangong Co (b) and Ngoring Lake (c) between the MODIS observation and the simulation from 2001 to 2015 |
|
表 1 纳木错、班公错、鄂陵湖湖表温度模拟优度统计 Table 1 The goodness of fit statistics for the simulations in Nam Co, Bangong Co and Ngoring based on surface temperatures |
综合几种评价指标来看, 纳木错白天ITPCAS驱动模拟湖表温度与MODIS观测值的偏差最小, 夜间NCEP驱动模拟偏差最小, 全天NCEP驱动模拟RMSE、σnorm值最小, 白天NCEP驱动模拟RMSEc最小, 夜间是ITPCAS驱动模拟RMSEc最小。而全天模拟结果中Bias、RMSE以及夜间模拟结果中RMSEc、σnorm的最大值均出现在ERA驱动模拟时。故纳木错全天NCEP驱动模拟结果与观测值最接近, ITPCAS驱动模拟次之, ERA驱动模拟效果最差。同理班公错全天驱动数据模拟结果表现为ITPCAS优于ERA优于NCEP。而对于鄂陵湖而言, 白天模拟结果从好到差依次为NCEP、ITPCAS和ERA驱动, 夜间依次为ITPCAS、NCEP、ERA。三个湖泊ERA驱动模拟湖温均偏高。除纳木错外, NCEP驱动模拟湖温均偏低。全天来看ERA驱动模拟湖表温度误差最大。
3.2 再分析资料准确度验证三套再分析资料驱动模式均能模拟出湖表温度的年内变化, 例如湖泊冰期、湖水升温期和降温期, 但模拟结果的准确性有待提高。青藏高原地形复杂, 地面气象站点稀少且分布不均。ERA和NCEP再分析资料与实测误差主要源于同化模式中地形与地面测站海拔差异; 而ITPCAS是基于陆地气象站点发展而来, 湖陆下垫面特性差异是造成该数据集在湖区误差偏大的主要原因。因此, 需要根据湖区附近实测气象数据对三套再分析资料进行校正。本文采用线性回归方法对各驱动因子进行简单线性校正。
再分析资料与实测气象要素拟合方程如表 2所示, 拟合方程均通过0.05的显著性检验, 全表56%的相关系数≥0.9。从每组驱动数据和观测数据的各气象要素相关性来分析, ITPCAS驱动数据与观测数据变量之间的相关性由高到低依次是气温、比湿、向下长波辐射、向下短波辐射、气压和风速。ERA和NCEP驱动数据在两湖要素的相关性不同, 但相关系数最小的是风速和向下短波辐射。班公错ERA数据和观测相关系数从大到小依次是气温、向下长波辐射、比湿、气压、向下短波辐射和风速。而鄂陵湖ERA数据和观测的气象要素相关性降序排序分别为比湿、气温、向下长波辐射、气压、向下短波辐射和风速。班公错NCEP数据与观测要素相关性由高到低依次是气温、向下长波辐射、气压、比湿、向下短波辐射和风速, 而鄂陵湖相关系数最大的分别是气温、比湿、气压、向下长波辐射、向下短波辐射和风速。整体看来, 三组驱动数据在两湖都表现为气温与观测相关性最好, 而风速最差。
|
|
表 2 班公错、鄂陵湖观测时段内驱动气象要素拟合表 Table 2 The fitting of forcing meteorological parameters at Bangong Co and Ngoring during the observation period |
不同驱动数据对不同气象要素观测的相关程度也不尽相同。两湖的驱动数据对气压、气温、向下长波和短波辐射的观测相关性表现一致。与站点气压观测相关性最好的驱动数据依次是ERA、NCEP和ITPCAS。气温观测相关性最好的驱动数据是ITPCAS、ERA和NCEP。向下长波辐射观测相关系数最高的依次是ERA、ITPCAS和NCEP。向下短波辐射观测相关系数ITPCAS>ERA>NCEP。而两个湖泊的驱动数据中比湿和风速与站点观测值的相关程度不同。对比湿观测相关性而言, 班公错相关系数最大的驱动数据分别是ERA、ITPCAS、NCEP, 而鄂陵湖则是ITPCAS、ERA、NCEP。班公错与观测风速相关程度最大的驱动数据依次是ERA、ITPCAS和NCEP, 鄂陵湖却是ERA、NCEP和ITPCAS。对6种驱动要素的观测, NCEP再分析资料与站点观测相关性最差。
同一气象要素, 比较三组再分析资料观测值与站点观测值的RMSE发现, 两湖的再分析资料在气压、气温、风速和向下短波辐射4个要素的准确程度排序相同。气压和气温的RMSE均呈现ITPCAS < ERA < NCEP。风速的RMSE从小到大依次为ERA、ITPCAS、NCEP, 而向下短波辐射的RMSE从小到大依次为ITPCAS、NCEP和ERA。在班公错比湿的RMSE表现为ERA < ITPCAS < NCEP, 而在鄂陵湖表现为ITPCAS < ERA < NCEP。向下长波辐射RMSE在班公错由ITPCAS、ERA、NCEP依次增大, 在鄂陵湖则是由ITPCAS、NCEP、ERA依次增大。总体上, ITPCAS再分析资料在两湖观测的各气象要素与站点观测最为接近, 计算要素的RMSE值与La et al (2016)结果相近。而NCEP再分析资料观测与站点观测误差较大。这是因为NCEP分辨率最大, 格点同化数据并不是湖面上的观测值, 而是湖区周围陆面气象要素的值。
比较三组驱动数据和台站观测各气象要素(图 3, 图 4)结果显示两湖ITPCAS数据与站点观测相比, 风速略偏小, 气压和观测相比略有出入。ERA中气压、风速明显偏低, 向下的短波和长波辐射有明显的偏高, 气温略偏低, 造成模拟的湖表温度比卫星观测偏高。NCEP数据气压、向下长波数据明显偏低, 而风速明显偏大, 气温略偏低, 使得模拟的湖表温度低于观测。
|
图 3 班公错2010年12月至2015年驱动数据气象要素与阿里站观测值散点分布 Fig. 3 Statistical correlation parameters of observed meteorological data at Ngari Station and three reanalysis data from December 2010 to 2015 in Bangong Co |
|
图 4 鄂陵湖2011年7月至2015年驱动数据气象要素与湖岸观测至散点分布 Fig. 4 Statistical correlation parameters of observed meteorological data at Ngoring Stationand three reanalysis data from July 2011 to 2015 in Ngoring |
将3套再分析资料中各驱动要素按照表 2中拟合公式进行全要素校正后生成新的驱动数据, 再驱动模式模拟湖表温度。由图 5可以看出, 每个湖泊校正后模拟的湖泊表面温度趋于一致, 呈现白天偏低, 夜间偏高, 全天校正后NCEP偏差最小的状况。但对于湖表温度低于0 ℃的模拟仍存在较大偏差。
|
图 5 班公错(a)、鄂陵湖(b)全要素校正后MODIS湖表温度与模拟结果对比 Fig. 5 Comparison of the lake surface temperature of Bangong Co (a) and Ngoring Lake (b) between the MODIS observation and the corrected simulation from 2001 to 2015 |
综合分析校正后模拟湖温评价指标(表 1), 两湖全天与卫星观测地表温度最接近的均为校正后的NCEP。进行全要素校正后班公错全天模拟结果与原始驱动模拟结果相比, 模拟与观测湖表温度的相关系数均大于0.9, 除校正ITPCAS后白天模拟湖温偏差增大外, 校正ERA和NCEP后模拟偏差、RMSE均减小。校正后鄂陵湖模拟表面温度与MODIS观测值的相关系数均大于0.86, 校正后白天模拟结果的偏差、RMSE和RMSEc均减小。两湖进行全要素校正后模拟湖温仍是白天优于夜间。
3.4 单要素校正进行全要素校正后整体上对两湖的模拟结果都有改进。Wen et al (2016)研究WRF耦合一维湖泊模型模拟的湖气温差对强迫因子的敏感性表明, 模拟结果对气温变化最敏感, 其次是向下长波辐射和短波辐射。考虑到模式对不同驱动因子的敏感性可能存在差异, 故单独对每一个输入因子进行校正, 分别用校正后的数据驱动模式进行模拟得出湖表温度, 并比较其与MODIS观测地表温度的日平均RMSE。
由图 6(a)可以看出, 对班公错而言, ITPCAS进行全要素校正后RMSE值减小很少, 改进不大, 单要素校正后模拟湖表温度与卫星观测值的RMSE值均大于全要素校正, 单独校正向下长波辐射误差反而增大。进行单要素校正与原始驱动数据模拟结果相比, 从日平均气温来看, ERA数据单独校正气压和比湿对模拟没有改善, 对气温校正使得模拟误差变大, 风速、向下长波、短波的校正对模拟结果改善程度依次增大。NCEP进行全要素校正后对湖温模拟改进最为明显, 单独校正气压对模拟结果无影响, 单独校正比湿、风速和向下短波辐射增大模拟误差, 对气温和向下长波进行单要素校正较好地改善了模拟结果。三组驱动数据中单独校正气压和比湿对模拟结果几乎没有改善。
|
图 6 鄂陵湖(b)原始驱动、全要素校正和单要素校正驱动模拟湖表温度与MODIS观测日均RMSE 灰色条带表示对模拟结果改进较大的气象因子 Fig. 6 Daily mean RMSE between simulated temperature by original forcing and various corrected methods and MODIS observation of Bangong Co (a) and Ngoring Lake (b).Grey zones indicate meteorological parameters improving simulation results obviously |
对于鄂陵湖[图 6(b)], ITPCAS全要素校正使得模拟略有改进, 单要素校正对模拟结果无明显影响。ERA数据进行全要素校正后明显改善了模拟结果。在ERA数据中单独对气压校正和原始模拟相比无变化, 单独校正气温、比湿会造成模拟结果均方根误差增大, 而单独校正风速、向下长波辐射和向下短波辐射依次使模拟结果改善接近全要素校正。NCEP数据进行全要素校正后对湖表温度的模拟有所改善, 而对其气压、比湿进行单独校正后模拟结果变化不大, 对其气温和向下长波辐射进行单独校正后对湖温的模拟结果与全要素校正结果接近。
对两湖ERA数据进行单要素校正后发现, 向下短波辐射的校正对模拟结果改进最大, 而两湖NCEP数据中单独校正气温或者向下长波辐射也能使模拟结果得以最大程度的改进(图 6灰色带)。因此对NCEP数据同时校正气温和向下长波辐射再次进行湖温模拟, 分析模拟湖温与MODIS观测湖温RMSE。
班公错NCEP数据进行全要素校正后模拟的湖温与MODIS观测的日均湖面温度的RMSE为2.82 ℃, 单独进行气温或向下长波辐射校正后模拟结果与观测日均RMSE分别为8.08和7.99 ℃, 但同时校正气温和向下长波辐射模拟得到的日均RMSE为3.57 ℃, 与全要素校正结果接近。对于鄂陵湖, 单独校正气温和向下长波辐射模拟得到湖温与卫星观测地表温度的日均RMSE(4.16 ℃/4.09 ℃)反而要比进行全要素校正后的RMSE(4.25 ℃)小, 但同时校正气温和向下长波辐射驱动模拟表面温度与观测日均RMSE为4.54 ℃。故对于NCEP再分析资料, 同时校正气温和向下长波辐射能达到改进要求。这也为今后高原湖泊地区野外观测试验的开展提供指导意见, 降低观测仪器的投入成本。
4 结论利用卫星资料在青藏高原3个不同深度的湖泊评估了WRF耦合的一维湖泊模型在模拟湖泊表面温度方面的性能, 同时利用站点观测资料对3套再分析资料ITPCAS、ERA和NCEP在高原的适用性和校正方法进行评估。得到以下主要结论:
(1) 三套原始再分析资料驱动一维湖泊模式模拟湖表温度结果表明, 模式能够模拟出高原湖泊表面温度的年内变化。ITPCAS数据驱动模拟最接近观测值, ERA数据驱动模拟湖表温度偏高, NCEP数据驱动模拟湖表温度偏低。模拟结果出现差异的主要原因是再分析资料的准确度不同。三套再分析资料各气象要素与观测资料相比, ITPCAS数据在高原的适用性更好, 但ITPCAS数据为陆面观测资料, 应用于湖泊时需注意数据风速偏小。ERA再分析资料气压、气温和风速数据偏小, 而向下长波和短波辐射数据偏大。NCEP再分析资料气压、气温及向下长波辐射数据偏低, 风速数据偏大。
(2) 三套再分析数据分别进行全要素校正后对湖温模拟具有不同程度的改进。ITPCAS数据精确度较高, 校正后模拟结果改进不明显; ERA和NCEP资料进行全要素校正后明显改进模拟结果。校正后三组再分析资料驱动模式模拟的湖表温度接近。
(3) 资料匮乏地区可考虑使用单要素校正, 对于不同的再分析资料, 校正其中单一或某几个要素可达到全要素校正水平。进行单要素校正后发现ITPCAS作为驱动数据可不进行校正, 用ERA驱动仅需校正向下短波辐射, 而若用NCEP驱动模式则需同时校正气温和向下长波辐射即可改进模拟结果。
Bonan G B. 1995. Sensitivity of a GCM simulation to inclusion of inland water surfaces[J]. Journal of Climate, 8(11): 2691–2704.
DOI:10.1175/1520-0442(1995)008<2691:SOAGST>2.0.CO;2 |
|
Doberschütz S, Frenzel P, Haberzettl T, et al. 2014. Monsoonal forcing of Holocene paleoenvironmental change on the central Tibetan Plateau inferred using a sediment record from Lake Nam Co (Xizang, China)[J]. Journal of Paleolimnology, 51(2): 1–14.
|
|
Hostetler S W, Bartlein P J. 1990. Simulation of lake evaporation with application to modeling lake level variation of Harney-Malheur Lake, Oregon[J]. Water Resource Research, 26(10): 2603–2613.
|
|
Hostetler S W, Bates G T, Giorgi F. 1993. Interactive coupling of a lake thermal model with a regional climate model[J]. Journal of Geophysical Research, 98(D3): 5045–5057.
DOI:10.1029/92JD02843 |
|
Hostetler S W, Giorgi F, Bates G T. 1994. Lake-atmosphere feedbacks associated with Paleolakes Bonneville and Lahontan[J]. Science, 263(5417): 665.
|
|
Huang L, Wang J B, Zhu L P, et al. 2017. The warming of large lakes on the Tibetan Plateau:Evidence from a lake model simulation of Nam Co, China, during 1979-2012[J]. Journal of Geophysical Research:Atmospheres, 122(24): 13095–13107.
DOI:10.1002/jgrd.v122.24 |
|
Hulley G C, Hook S J. 2012. A radiance-based method for estimating uncertainties in the Atmospheric Infrared Sounder (AIRS) land surface temperature product[J]. Geophys. Res., 117: D20117.
DOI:10.1029/2012JD018102 |
|
Gu H P, Jin J M, Wu Y H, et al. 2015. Calibration and validation of lake surface temperature simulations with the coupled WRF-lake model[J]. Climatic Change, 129(3/4): 471–483.
|
|
Kalnay E, Kanamitsu M, Kistler R, et al. 1996. The NCEP/NCAR 40 years reanalysis project[J]. Bulletin of the American Meteorological Society, 77(3): 437–471.
DOI:10.1175/1520-0477(1996)077<0437:TNYRP>2.0.CO;2 |
|
Ke C Q, Tao A Q, J X. 2013. Variability in the ice phenology of Nam Co Lake in central Tibet from scanning multichannel microwave radiometer and special sensor microwave/imager:1978 to 2013[J]. Journal of Applied Remote Sensing, 7(1): 073477.
DOI:10.1117/1.Jrs.7.073477 |
|
Lei Y B, Yang K, Wang B B, et al. 2014. Response of inland lake dynamics over the Tibetan Plateau to climate change[J]. Climatic Change, 125(2): 281–290.
|
|
Li Z G, Lv S H, Ao Y H, et al. 2015. Long-term energy flux and radiation balance observations over Lake Ngoring, Tibetan Plateau[J]. Atmospheric Research, 155: 13–25.
DOI:10.1016/j.atmosres.2014.11.019 |
|
La Z, Yang K, Wang J B, et al. 2016. Quantifying evaporation and its decadal change for Lake Nam Co, central Tibetan Plateau[J]. Journal of Geophysical Research:Atmosphere, 121: 7578–579.
DOI:10.1002/jgrd.v121.13 |
|
Wan Z. 2008. New refinements and validation of the MODIS Land-Surface Temperature/Emissivity products[J]. Remote Sensing of Environment, 112(1): 59–74.
DOI:10.1016/j.rse.2006.06.026 |
|
Wan Z, Zhang Y, Zhang Q, et al. 2004. Quality assessment and validation of the MODIS global land surface temperature[J]. International Journal Remote Sensing, 25(1): 261–274.
DOI:10.1080/0143116031000116417 |
|
Wang B B, Ma Y M, Chen X L, et al. 2015. Observation and simulation of lake-air heat and water transfer processes in a high-altitude shallow lake on the Tibetan Plateau[J]. Journal of Geophysical Research:Atmosphere, 120(24): 12327–12344.
DOI:10.1002/2015JD023863 |
|
Wen L J, Lü S H, Zhao L, et al. 2015. Impacts of the two biggest lakes on local temperature and precipitation in the Yellow River Source Region on the Tibetan Plateau[J]. Advances in Meteorology(D14).
DOI:10.1155/2015/248031 |
|
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, 68: 31091.
DOI:10.3402/tellusa.v68.31091 |
|
Yang K, He J, Tang W J, et al. 2010. On downward shortwave and longwave radiations over high altitude regions:Observation and modeling in the Tibetan Plateau[J]. Agricultural and Forest Meteorology, 150(1): 38–46.
DOI:10.1016/j.agrformet.2009.08.004 |
|
Zhang G Q, Yao T D, Piao S L, et al. 2017. Extensive and drastically different alpine lake changes on Asia's high plateaus during the past four decades[J]. Geophysical Research Letters, 44: 252–260.
DOI:10.1002/2016GL072033 |
|
Zhang G Q, Yao T D, Xie H J, et al. 2014a. Lakes' state and abundance across the Tibetan Plateau[J]. Chinese Science Bulletin, 59(24): 3010–3021.
DOI:10.1007/s11434-014-0258-x |
|
Zhang G Q, Yao T D, Xie H J, et al. 2014b. Estimating surface temperature changes of lakes in the Tibetan Plateau using MODIS LST data[J]. Journal of Geophysical Research:Atmosphere, 119(14): 8552–8567.
DOI:10.1002/2014JD021615 |
|
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.
DOI:10.7522/j.issn.1000-0534.2016.00038 |
|
古红萍, 沈学顺, 金继明, 等. 2013. 一维热扩散湖模式在太湖的应用研究[J]. 气象学报, 71(4): 719–730.
|
|
韩熠哲, 马伟强, 王炳赟, 等. 2017. 青藏高原近30年降水变化特征分析[J]. 高原气象, 36(6): 1477–1486.
DOI:10.7522/j.issn.1000-0534.2016.00125 |
|
何杰, 2010.中国区域高时空分辨率气象要素数据集的建立[D].北京: 中国科学院大学, 1-77.
|
|
李建, 宇如聪, 陈昊明, 等. 2010. 对三套再分析资料中国大陆地区夏季降水量的评估分析[J]. 气象, 36(12): 1–9.
DOI:10.7519/j.issn.1000-0526.2010.12.001 |
|
闵文彬, 李跃清, 周纪. 2015. 青藏高原东侧MODIS地表温度产品验证[J]. 高原气象, 34(6): 1511–1516.
DOI:10.7522/j.issn.1000-0534.2014.00082 |
|
苏东生, 胡秀清, 文莉娟, 等. 2018. 青海湖热力状况对气候变化响应的数值研究[J]. 高原气象, 37(2): 394–405.
DOI:10.7522/j.issn.1000-0534.2017.00069 |
|
唐恬, 王磊, 文小航. 2013. 黄河源鄂陵湖地区辐射收支和地表能量平衡特征研究[J]. 冰川冻土, 35(6): 1462–1473.
|
|
王苏民, 窦鸿身. 1998. 中国湖泊志[M]. 北京: 科学出版社, 398-476.
|
|
王明达, 侯居峙, 类延斌. 2014. 青藏高原不同类型湖泊温度季节性变化及其分类[J]. 科学通报, 59(31): 3095–3103.
|
|
肖宇, 谢淑云, 王明达, 等. 2015. 青藏高原班公错与达则错水温时间序列分形特征[J]. 地质科技情报, 34(6): 200–206.
|
|
谢爱红, 秦大河, 任贾文, 等. 2007. NCEP/NCAR再分析资料在珠穆朗玛峰-念青唐古拉山脉气象研究中的可信性[J]. 地理学报, 62(3): 268–278.
DOI:10.3321/j.issn:0375-5444.2007.03.004 |
|
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.
|
|
游庆龙, 康世昌, 李潮流, 等. 2009. NCEP/NCAR再分析资料在纳木错流域湖泊/冰川区适用性分析[J]. 气象, 35(5): 66–73.
|
|
朱智, 师春香, 张涛, 等. 2018. 四套再分析土壤湿度资料在中国区域的适用性分析[J]. 高原气象, 37(1): 240–252.
DOI:10.7522/j.issn.1000-0534.2017.00033 |
|
赵天保, 符淙斌. 2009. 几种再分析地表气温资料在中国区域的适用性评估[J]. 高原气象, 28(3): 594–606.
|
2. University of Chinese Academy of Science, Beijing 100049, China