基于CLDAS強迫CLM3.5模式的新疆區域土壤溫度陸面過程模擬及驗證

孟現勇,王 浩,劉志輝,師春香,劉時銀,陳 曦,龔偉偉

1 中國水利水電科學研究院,北京 100038 2 新疆大學干旱生態環境研究所,烏魯木齊 830046 3 中國氣象局國家氣象信息中心,北京 100081 4 中國科學院寒區旱區環境與工程研究所冰凍圈科學國家重點實驗室,蘭州 730000 5 中國科學院新疆生態與地理研究所,烏魯木齊 830011 6 中國氣象局華云信息技術工程有限公司,北京 100081

基于CLDAS強迫CLM3.5模式的新疆區域土壤溫度陸面過程模擬及驗證

孟現勇1,王 浩1,劉志輝2,*,師春香3,劉時銀4,陳 曦5,龔偉偉6

1 中國水利水電科學研究院,北京 100038 2 新疆大學干旱生態環境研究所,烏魯木齊 830046 3 中國氣象局國家氣象信息中心,北京 100081 4 中國科學院寒區旱區環境與工程研究所冰凍圈科學國家重點實驗室,蘭州 730000 5 中國科學院新疆生態與地理研究所,烏魯木齊 830011 6 中國氣象局華云信息技術工程有限公司,北京 100081

利用中國氣象局國家氣象信息中心研發的中國氣象局陸面數據同化系統(China Meteorological Administration Land Data Assimilation System,CLDAS)大氣近地面強迫資料,驅動美國國家大氣研究中心公用陸面模式(Community Land Model,CLM3.5),對中國新疆地區土壤溫度時空分布進行逐小時Off-line模擬(模擬時段為2009—2012年)；利用國家土壤溫度自動站 (新疆區域105站點) 數據驗證CLDAS驅動場強迫下的CLM3.5模式在中國新疆地區3個土壤層(5cm、20cm和80cm)的土壤溫度模擬能力。研究發現：在月變化方面,第1層(5cm)土壤溫度模擬與實測值差異最大,在每年7月最大差異達5k左右；第2層(20cm)在每年7月達最大差異(3k左右),而第3層(80cm)在每年7月均模擬的很好。造成這種現象的原因可能因為新疆地區7月前后淺層土壤溫度變化劇烈,溫度白天最高可達300K以上,晝夜溫差大,導致模式不能很好抓住淺層土壤溫度的變化趨勢。研究還發現,在80cm土壤深度,模式在1月、12月的模擬結果均較前兩層差。在日變化方面,研究發現：較淺的兩層(5cm和20cm)土壤溫度模擬值在夏季和秋季均較差。與月變化模擬結果類似的是,80cm土壤層日變化在1、12月模擬較差,然而在其他時段卻模擬的很好。在小時變化方面,分析發現：第1層土壤(5cm)模擬結果在每年的1—4月及9—11月的全天(即24 h),模式也會有不同的偏差：其中,在03UTC—21UTC之間主要表現為模式結果比觀測結果偏高,而在日內21UTC—00UTC主要表現為模擬結果偏小。在每年的5—8月,全天模擬值都偏小,其中在09UTC達當日最大值。而距離第2層(20cm)處的土壤溫度模擬值在大部分月份都偏差較小(-1K至1k之間),并在日內12UTC偏差達到當日最大值。研究發現,在土壤20cm處,模式模擬的最大值較觀測值提前,而第3層(80cm)的土壤溫度基本不受日內變化影響,表現較為平穩。造成這種影響的原因可能是因為新疆地區5—8月、9—11月為晝夜溫差大,深層土壤溫度較淺層土壤溫度溫差變化小,這也造成了模式對于淺層土壤模擬較深層差的主要原因?？傮w研究表明：CLDAS驅動場強迫下的CLM3.5模式可較為精確的模擬中國新疆地區多年平均土壤溫度時空分布,并較為準確的反映中國新疆地區土壤溫度的小時、日、月及年際的變化規律。模式淺溫度模擬不好的原因可能與模式參數化方案及地表參數有關,后期將繼續修正該問題。

土壤溫度；CLM3.5； CLDAS； 空間變化；模型驗證

在人們生活的地球上,陸地面積占據了地球表面的三分之一。眾多研究表明,陸面異常將間接或直接影響大氣-陸地循環系統并不斷交互影響[1- 4]。Charney最早提出[1]引起地表反照率的異常變化可能是由陸地表面變化引發的,該變化可通過影響地表輻射通量的平衡關系直接導致氣候異常。由于土壤溫濕度不僅可通過對地表水分和能量產生影響進而反饋給氣候,同時也是表征土壤水分狀況與熱力的重要因子。因此,土壤溫度在陸面過程研究中顯得十分重要。此外,土壤溫度對短期氣候、農業氣象、農作物生長也具重要的影響。淺層土壤溫度變化異常對短期天氣的影響是由于地表土壤異常在還未傳遞到深層土壤前已在大氣中進行釋放。此外,深層土壤異常還可通過逐步能量釋放影響淺層土壤,進而影響區域氣候變化過程。近年來,部分學者還研究了土壤溫度異常對農作物生長的影響[5-6],例如：土壤中各類物、生、地化反應過程(如由微生物的存在所引起非生命和生物一系列的化學過程)都與土壤溫度存在一定關聯[2]。近期研究成果表明,土壤溫度可能會對氣象研究和預報模式(Weather Research and Forecasting,MRF)及美國國家環境預報中心(National Centers for Environmental Prediction, NCEP)業務預報模式ETA(η)產生一定的影響,進而影響短期降水模擬結果[3-4]。Zhang等[7]通過對20世紀整個加拿大地區土壤溫度變化的模擬分析研究,認為大氣和土壤溫度之間存在著較復雜的關系。王小婷等[8]對中國東部地區土壤溫度及濕度進行了長時期分析,將降水和當地氣溫關聯,這對我國東部陸-氣耦合及其機理研究提供了一定的理論依據。

由于陸面物理過程會隨著地表下墊面的時空分異而變的較為復雜,加之我國大氣觀測站相對稀缺(尤其是中國西部),導致大氣觀測資料的準確性及可用性受到了嚴重的干擾,這必定會影響大氣輸入數據的質量,進而影響模式輸出結果。此外,由于客觀原因限制,如：地表各類陸面分量(包括土壤溫、濕度,各類湍流、通量等)通常在空間是離散而不連續的。因而,陸面模式的引進為深入研究我國陸面地表變化提供了重要手段。為了更好的模擬并分析陸面過程變化情況,各國學者均做了大量的關于公用陸面模式(CLM)的驗證及參數化方案發展工作：Gordon B等[9]分別在亞馬遜平原及美國東部耦合了公用陸地和大氣模式(Community Atmosphere Model,CAM)及具有動態植被模擬能力的CLM3.0模式,并提出了一些參數化方案的思路。Whitfield等[10]在美國佛羅里達州將CLM模式和陸表過程模式(Land Surface Model,LSM)進行了土壤溫度模擬結果對比,發現兩個模式均可較好的重現土壤溫度逐日變化規律。Sakaguchi等[11]通過對CLM4.0模式的土壤容抗進行可變方案處理,使模式模擬結果真實的反映了土壤變化過程。學者黃偉[12]通過利用CLM3.0模式在淮河流域的陸面模擬過程中發現：該模式可很好的模擬淮河流域陸-氣各類通量的變化規律,此外,該模式還可較好的模擬研究區土壤溫度時空變化分布情況。劉少峰[13]以東亞地區為研究區,選取3種土地覆被(水田、高原稀疏植被和森林)作為典型下墊面,利用CLM3.0模式對地表溫度和土壤溫度進行了模擬,模擬結果表明：CLM3.0模式較好的模擬了在高原稀疏植被覆蓋下的地表溫度,同時發現,CLM3.0模式可很好的抓住土壤溫度隨深度變化的細節特征。陳海山等[14]利用美國普林斯頓大學提供的大氣強迫數據驅動CLM3.0模式,模擬了中國區域多年土壤空間分布狀況,較好的反映出了中國區域土壤溫度的年變化趨勢。Nicolsky[15]通過改進CLM3.0永久凍土模塊,使該模式在永久凍土層溫度的模擬結果顯著提高。

目前,我國學者對于土壤溫度模擬大部分僅集中在分析土壤溫度和氣象因子及環境因子之間的相關性,利用點尺度輸入數據驅動數學模型對土壤溫度進行模擬計算,其模擬結果僅僅是土壤溫度在較粗尺度的時空變化,只有小部分研究者進行了較為粗糙的中小區域的土壤溫度連續空間分布模擬。而就一般情況而言,研究點的土壤溫度一般來自臨近氣象站的低溫數據,由于我國(特別是西部)氣象站點十分有限,用稀少的站點數據預估下墊面復雜、區域面積較大的土壤溫度存在很大的不確定性。除此之外,由于模式本身參數可調式性很大,從客觀上加強模式對土壤溫度實際變化的模擬能力是較難的。尤其在本研究區——中國新疆地區這樣一個跨越幾個經緯度且地形條件十分復雜的區域,利用高精度大氣強迫場驅動陸面模式并準確模擬區域內土壤溫度的連續時空分布的研究成果極其缺乏。

基于此,本文利用中國氣象局國家氣象信息中心開發的CLDAS高精度大氣驅動場(時間分辨率：逐小時,空間分辨率：1/16°×1/16°)驅動CLM3.5模式,通過對中國國家土壤溫度觀測站(新疆區域共105站)逐小時數據進行驗證,以檢驗CLDAS強迫場驅動CLM3.5模式的新疆區域的土壤溫度模擬能力,揭示站點缺少的新疆地區多個土壤層的土壤溫度時空連續分布特征。

1 研究區概況

新疆維吾爾自治區地處亞歐大陸腹地,介于(73°40′E—96°18′E,34°25′N—48°10′N)之間(圖1)?？偯娣e達166.49萬km2,占據了中國近1/6的國土,也是中國陸地面積最大的省級行政區。新疆的古爾班通古特沙漠是陸地上距離海洋最遠的地方,距離最近的海岸線有2648km(直線距離)。此外,新疆山脈與盆地相間排列,盆地與高山環抱,北部有阿爾泰山,南部有昆侖山系,天山橫亙于新疆中部,把新疆分為南北兩半,南部是塔里木盆地,北部是準噶爾盆地,三山夾兩盆的特殊地貌造就了新疆地區的下墊面條件極為復雜。新疆地區氣候時空分異巨大,氣溫溫差較大,南疆氣溫高于北疆,日照充足(年日照2500h到3500h)。近年來,學者們對于新疆地區的研究僅用了再分析數據及一些單點數據,加之新疆地區氣象站點相對稀缺,導致對該區域的陸面過程研究缺乏準確性、系統性。

圖1 研究區示意圖Fig.1 Schematic map of the study area

2 模式與輸入數據

2.1 公用陸面模式(CLM)介紹

本研究使用的CLM3.5模式為美國國家大氣研究中心(National Center for Atmospheric Research,NCAR)建設的公用陸面模式,該模式集合了目前國際較為著名的幾種優秀的陸面模式：如陸面模式LSM[16]、估算大氣與植被的質量、動量等傳輸模型(Biosphere-Atmosphere Transfer Scheme,BATS)[17],中國科學院大氣物理研究所陸面過程模式(Institute of Atmospheric Physics Land Surface Model version 1994,IAP94)等[18]模型。CLM模式被稱為當今國際較為完善可靠的陸面模式之一,該模型作為NCAR公用陸面模式的陸地模式,可在線(Online)進行模擬,也可離線(Offline)模擬。離線模擬的驅動數據集(溫度、輻射、濕度、太陽輻射、降水、比濕及氣溫等)由用戶自己選取或制備。模式可模擬的物理過程包含水文、植被動態過程、土壤熱傳輸等一系列陸-氣間的水分和能量交換過程。

CLM將模式模型考慮為次網格變異性,每個網格被分成多種較小的陸地單位(主要包括：湖泊、濕地、植被、冰川等),此外,又將植被的單位細化為多個植被功能型。每個植被功能型都根據水量平衡和能量平衡來計算,每個植被功能型都具有其獨自的診斷變量。CLM模式垂直方向將土壤層(10層且厚度非均一)、雪層(5層)及植被層(1層)都進行了分層,有利于獲得各層不同時空分辨率的分量變化。CLM3.5模式發布于2007年,該模式在CLM3.0模式基礎上改進了水文過程[19],同時更新了地表參數集,這對于地表溫度、降水、反照率的模擬將起到很大的促進作用[20-23]。Oleson 等[24-25]和Lawrence等[23]均詳細說明了CLM3.5版本模式的改進及模擬性能。此外,Niu等[21]引入了新的凍土改進方案。

土壤溫度在CLM3.5中采用了土壤熱傳導方程進行計算。其中,熱傳導第一定律如方程1所示：

F=-λT

(1)

式中,F表示單位時間通過單位橫截面積的熱傳導(Wm2),λ為熱傳導率(Wm-1K-1),T為溫度空間梯度(Km-1)。一維形式如方程2所示：

(2)

式中,z表示垂直方向(m),以下方為正值；Fz以上方為正值。

為了更好的描述不穩定情況,能量平衡在模式中使用了連續性方程進行調用計算：

(3)

式中,c表示熱容量(等體積土壤或雪)(Jm-3K-1)；t表示模 擬(s)。

熱傳導第二定律一緯形式可通過集合方程1及2得出,如方式4所示：

(4)

數值求解此方程可以計算土壤和雪的溫度。

其中,在10層土壤柱中,上方設置5層雪蓋,邊界條件h作為熱通量從上面的大氣層進入到陸表的雪/土壤層,土壤體積的最底層為零熱量通量。溫度廓線的計算起初沒有時段的改變,然后重新在時段變化中進行調整。

2.2 輸入數據

本研究中土壤顏色選取Zeng等[26]研究方案,該方案基于Dickinson等[27]通過對衛星資料調整分析得到,該套數據集土壤質地資料可隨深度發生變化[28]。濕地和湖泊的百分比基于Cogley調查的多年沼澤地及淡水湖泊資料[29]。冰雪資料通過全球信息系統陸表一公里數據庫(International Geosphere Biosphere Programmer′s (IGBP) Data and Information System (DIS),IGBP DISCover)獲取[30]。莖、葉面積指數、冠層高低層及植被功能型則來源于衛星資料反演成果[31]。

2.2.1 CLM地表參數

表1為每個陸面網格需要的原始數據,該數據包含湖泊、濕地、冰川等部分在每個網格中所占的百分比,其余的均為植被所有。其中每種植被功能型的百分比均基于網格中植被部分而言,其總和為100%。而濕地、冰川、城市及湖泊則是相對網格而言。

2.2.2 CLDAS大氣驅動場的制備

研究發現,在陸面模式模擬過程中,大氣驅動場的偏差與否對模式模擬結果敏感性較大,除了模式本身不確定性外,大氣驅動場的質量選取是模擬結果好壞的重要因素[32]。 一個具有較高時空分辨率,融合更多觀測資料的大氣驅動場將使CLM模式達到更高的模擬精度。

中國氣象局國家氣象信息中心師春香團隊開發的CLDAS大氣驅動場利用數據同化與融合技術,對衛星觀測、地面觀測及數值模式產品等多種來源、多尺度、多種分辨率的數據進行融合,建立包括氣壓、風速、比濕、降水、氣溫和太陽短波輻射驅動場數據集,其空間分辨率可達1/16°×1/16°,時間分辨率：1h,符合本研究的輸入數據精度要求。

表1 CLM需要的地表數據

(1) 溫度、壓強、相對濕度、風速數據的制備

CLDAS溫、壓、濕,風數據利用局地分析預報系統(Local Analysis and Prediction System, LAPS)/時空多尺度分析系統(Space and Time Mesoscale Analysis System, STMAS)系統模擬(圖2)。

圖2 LAPS系統流程圖[33]Fig.2 Flowchart of the Local Analysis and Prediction System (LAPS)[33]

LAPS系統利用多種數據輸入資料(包括國家自動站30000站數據、雷達資料、風云(FY)衛星數據、全球預測系統(Global Forecast System, GFS)水汽及GFS背景場數據等),集合5 大分析模塊,分別為：云分析、風分析、地面分析、水汽分析、溫度分析。其中后一種分析需要前面的分析結果作為輸入,LAPS分析嚴格按照圖2進行。通過對以上五個模塊分析完畢,可以進行診斷量分析,例如：天氣分析,還可以進行土壤濕度分析,也可進行平衡分析,并接入數值模式,實現模式熱啟動。STMAS算法采用多重網格順序變分法,STMAS也是依據LAPS 開發的新一代融合系統,相對于LAPS而言,STMAS地面分析部分未采用LAPS 的地面分析,同時將STMAS3D 模塊取代了LAPS 的溫度和風分析,在云分析、平衡分析、水汽分析及輸入輸出模式方面,STMAS和LAPS保持一致使用STMAS多重網格法的優勢在于該方法對于較粗的網格可以使得較低頻的振蕩模態快速收斂,同時將多重的網格引入數據同化過程,利用粗網格的目標方程對誤差長波進行分析,使分析場快速的修正長波輻射,此外利用細網格目標方程和誤差長波進行分析,可快速的消除尺度間的混淆,從而達到較好的分析結果[34]。多重網格變分與3D-var不同的是,三維變分同化(Three-dimensional variational assimilation,3D-Var)將會混淆觀測資料的長波和短波信息,因此3D-Var將會給分析結果帶來更多誤差,這種情況在觀測資料分布極不均勻的中國新疆地區顯得更為嚴重,而多重網格法在CLDAS數據制作過程中的應用為本研究的輸入數據精確性提供了有效保障。

(2)降水數據的制備

CLDAS降水數據數據源包括國家衛星氣象中心利用FY- 2E 靜止衛星反演的小時降水[35],國家氣象信息中心制作的中國區域小時降水量融合產品以及美國國家海洋和大氣管理局(National Oceanic and Atmospheric Administration,NOAA)氣候預測中心(Climate Prediction Center, CPC)研制的NOAA(CPC Morphing Technique, CMORPH)衛星降水融合產品。其中,國家氣象信息中心制作的中國區域小時降水量融合產品降水資料來自全國3萬多個自動站(包括國家級自動站和區域自動站)觀測的逐小時降水量,并對降水資料進行質量控制(氣候學界限值、區域界限值、時間一致性、空間一致性檢查)[36]。CMORPH 產品是對多顆衛星微波反演降水產品進行融合,并利用紅外冷云信息進行時間外推獲取8km 分辨率全球半小時降水產品[37]。沈艷等[38]對其進行了評估,發現融合了自動站的CMORPH 降水產品有效集成了地面觀測和衛星反演降水各自的優勢,在降水量值和空間分布上均更為合理。

圖3 短波輻射反演模式示意圖[39] Fig.3 Schematic diagram of the shortwave radiation retrieval model from FY- 2 satellite[39]

(3) 短波輻射數據

CLDAS地面入射太陽輻射反演算法利用了Stamnes等離散縱標法進行傳輸輻射計算,由于這種算法可計算任何方向的輻射亮度,因此,可以考慮到位于大氣層頂的反射太陽輻射多方向性,可通過先算出大氣層頂衛星觀測方向反射的太陽輻射輻亮度,衛星可見光通道實際觀測到的可見光雙向反照率即可算出。如圖3中的描述,在該反演模式中,主要涵蓋了：分子瑞利多次的散射、臭氧的吸收、云滴多次的吸收和散射作用、水汽吸收、氣溶膠多次吸收和散射、地面和大氣的多次反射作用(圖3)[39]。

2.3 模型設置

本文利用國家氣象信息中心研制的CLDAS1.0版本數據集(時間分辨率：1h,空間分辨率：1/16°×1/16°,時間尺度：2009—2013年,要素包括：大氣溫度、氣壓、比濕、風速、降水、太陽短波輻射,利用該強迫場驅動CLM3.5陸面模式,進行陸面數值模擬實驗。循環10次進行Spin-up模擬,得到基本穩定的模式初始場。以獲取高時空分辨率的土壤溫度數據集。同時,利用雙線性插值法將CLDAS土壤溫度格點數據插值到觀測站點(圖1),以便將CLDAS模式與觀測形成的匹配樣本數據進行逐小時數據驗證分析,以理清新疆地區土壤溫度分布情況及各層變化情況。

CLM3.5模式可模擬至多10層土壤溫度,節點層次深度依次為0.007、0.0279、0.0623、0.1188、0.212、0.366、0.619、1.038、1.727、2.846m。綜合國家土壤溫度觀測站點深度值及土壤溫度深度模擬值考慮,本研究擬選取5、20、80cm 3個深度的105個土壤溫度觀測站點(站點位置如圖1所示)進行土壤溫度驗證工作。

2.4 模擬結果分析

在研究中,為了從客觀角度分析空間預測方法的準確性,此處采用4種統計指標進行精度驗證：均方根誤差(RMSE)、平均絕對誤差(MAE)、平均誤差(ME)以及相關系數(COR)等幾個統計指標進行后面的驗證工作(表2)。

表2 用于檢驗模式模擬精度的四個統計指標

Voi: 土壤溫度觀測值 (K)；Vpi: 土壤溫度模擬值 (K),n: 臺站數

3 結果與分析

3.1 月平均土壤溫度模擬結果驗證與分析

如圖4所示為新疆105站月平均土壤溫度的模擬與實測值(4a平均)。研究結果發現：土壤溫度模擬值的變化趨勢、峰谷值和實際觀測值基本一致,模擬結果較好的體現了土壤溫度季節變化,這說明CLDAS驅動下的CLM3.5模式可以良好的模擬新疆3層土壤溫度變化規律。此外,分析還發現,在春季和秋季,模式模擬的結果和實際觀測值最為接近,其中第1層(5cm)模擬的土壤溫度在夏季與實際觀測值差異最大,達到10K左右；第2層(20cm)模擬的土壤溫度在夏季與實際觀測值差異次之,接近5K；第3層(80cm)模擬的土壤溫度在夏季最接近實測值。然而,相對于較淺的兩層,第3層的模擬結果在1月和12月則較差。導致這些差異的原因可能是由于夏季新疆地區空氣溫度變化劇烈,尤其是在7月份,溫度達到了最大值(后文稱之為溫度“極值”),而淺層土壤溫度的變化速度很快,模式可能會產生部分低估現象,而對于深層土壤基本不會產生影響,進而導致模式模擬淺層出現偏差較深層大。

圖4 新疆105個站點月平均土壤溫度模擬-實測曲線圖Fig.4 Simulation-observation of monthly mean temperatures of the soil at 105 stations in XinjiangCLDAS-OBS: 中國氣象局陸面數據同化驅動場模式結果與對應觀測值差值分析

圖5表示土壤溫度平均誤差在不同深度及季節的變化規律,分析發現：5—80cm的土壤溫度除了在夏季(5—9月)大部分呈現負偏差,其余均呈現正偏差,其中80cm土壤僅在一月份呈現正偏差,而在夏季也隨著深度的增加呈現部分正偏差。從圖5中發現,除了在初春和冬季,模擬的土壤溫度距平相關在3個土壤層大部分超過了0.85,這說明CLDAS驅動下的CLM3.5模式較好的抓住了土壤溫度的季節變化規律。同時還發現淺層土壤(5cm,20cm)的距平相關系數都低于第3層土壤(80cm)(在5—9月間,淺層深度(5—20cm)土壤溫度距平相關系數在0.85—0.9之間,而在80cm深度附近大部分距平相關系數都為0.9。從季節角度來看,無論哪個土壤層,在初春或冬末距平相關系數都較低,大部分在0.7以下,這可能是因為較低的極值溫度造成。土壤溫度的平均絕對誤差和土壤溫度的均方根誤差在不同深度的季節變化如圖5所示。分析發現平均絕對誤差和均方根誤差的空間分布模態是基本相似的；此外,第1層(5cm)的模擬誤差要大于第2層(20cm),第3層的誤差顯然是最低的。而第1層(5cm)和第2層(20cm)誤差較大的主要在1—2月,4月,6—7月,12月,深層土壤(80cm)模擬誤差較前兩層土壤模擬誤差小。

圖5 土壤溫度隨季節和深度變化統計函數圖Fig.5 Statistical function graphs of the changes in the temperatures of the soil with season and depth

2009—2012年的月平均溫度在不同年份的平均誤差季節變化如圖6所示,研究發現：CLM3.5模式模擬的3層土壤溫度均在夏季出現了較大誤差,其中在第1層(5cm)和第2層(20cm)表現的較為明顯。在每年的6—9月,第1層(5cm)溫度比實際偏小2K—4K左右。第2層溫度比實際溫度偏小1K至3K左右。此外,第1層(5cm)和第2層(20cm)土壤層在每年的1—5月、10—11月也會表現出輕微的誤差(偏大1K至2K)。而在第3層土壤溫度除了在1月至2月、12月表現出誤差較大外(偏小1K至3K),其余各年平均誤差季節變化大部分在-1K至1K之間。這說明第3層土壤溫度隨季節變化的波動性較上面兩層小。

圖6 月平均溫度在不同年份的平均誤差季節變化圖Fig.6 Seasonal changes in the mean deviations of the simulated monthly mean temperatures from the observed temperatures in different years

3.2 日平均土壤溫度模擬結果驗證與分析

圖7為CLDAS驅動CLM3.5模型模擬的土壤溫度在3個土壤層的日平均時間序列圖,通過與國家自動站105站對比發現,模擬與實測值最大差異低于5K。從圖7中,分析發現第1層和第2層的土壤溫度模擬值在夏季和秋季與觀測值差異均最大(達5K左右),而在第3層(80cm),土壤溫度除了在1、12月模擬超過2K,其余時段均模擬的很好。而這樣的結果也和3.1節月平均溫度變化情況一致。

圖7 新疆105個站點日平均土壤溫度模擬-實測曲線圖Fig.7 Simulation-observation curves of the daily mean temperatures of the soil at the 105 stations in Xinjiang

3.3 日內逐小時土壤溫度模擬結果偏差分析

通過讀取新疆地區105站4a日內溫度分布及變化情況后發現：從2009年至2012年逐小時尺度角度來看,第1層(5cm)土壤溫度年際變化比第2層(20cm)及深層(80cm)都大。在第1層(5cm)處土壤層,每年的2至11月,每天09UTC時,土壤溫度最大可達到最高值(300K以上),而在每年的1月份、12月份,日內土壤溫度均下降至270K以下。同時發現,在第1層(5cm)處,日內最高溫度、最低溫度相差最多達30K以上(1月及12月除外)。

在第2層(20cm)處,發現土壤溫度日內變化偏緩且向后偏移,日內土壤最高溫度(300K以上)出現在15UTC,這說明土壤溫度從淺層傳遞到深層出現了延遲性；此外還發現,在第2層(20cm)深度處,土壤溫度僅在2009年1月初、2010年12月末、2011年1月初、2011年12月末及2012年1月等時段出現了土壤溫度下降到了零下的現象。而在第3層(80cm)深度的觀測中,發現每日的24h內,基本看不到土壤溫度的變化。在80cm處,僅僅表現為在6—9月,土壤溫度介于290K至300K之間,其中最高溫度主要集中在7月(295K—300K),而最低溫度主要集中在每年的1月份。由于2011年、2012年初春(1—2月份)偏冷,導致80cm土壤溫度都在270K—275K之間,且該層的最高溫度和最低溫度相差(15K—25K),該層相對于淺層(5cm及20cm)更加平緩,說明淺層土壤溫度受陸-氣之間能量影響程度大于深層土壤。從土壤溫度的季節變化角度來看,3個土壤層的溫度均在夏季達到溫度最高值,冬季達到溫度最低值,季節變化情況明顯。

圖8是國家自動土壤溫度站點與模式模擬的結果在3個土壤層的差值統計情況。從圖8分析得知,各層土壤溫度模擬值與觀測值吻合情況較好。從第1層(5cm)的模式模擬結果和觀測結果的差值圖可以看到：每年的1月至4月、9月至11月,在每日03UTC—21UTC之間,土壤溫度模擬值較觀測值偏大,而在21UTC—00UTC,土壤溫度模擬值較觀測值偏?。辉诿磕甑?—8月,全天的模擬值都偏小,最大值出現在每日09UTC,偏小達4K左右,這可能是由于該時段(03 UTC - 14 UTC)是新疆地區溫度變化較大的時段。分析發現其余的非極值時刻,偏差都在正負1K之間,模擬結果非常理想。而在第2層(20cm)深度,在每年的1月至4月、9月至11月,土壤溫度模擬與實測差值大部分均在正負1之間,只有在每天的12UTC模擬偏差達到最大值,這正好與之前讀取的第2層(20cm)觀測值在的這個時段溫度較高的事實一致。在第3層(80cm)深度,分析發現,日變化特征變化的并不明顯,在晚春、夏季、初秋模擬值比實測值偏大0—1K。其他季節均比實測偏小,尤其是在冬季差異最大,比實際觀測小1—4K左右。

圖8 土壤溫度站點模擬與觀測差值結果Fig.8 Differences between the simulated and observed temperatures of the soil of the three layers

3.4 新疆地區105站土壤溫度逐站逐小時相關系數驗證

上文各節均為新疆105站多年平均以后的結果,為了從時空角度驗證模式模擬結果和站點觀測結果的相關性,本研究將每個站的逐小時觀測數據和插值后的CLM3.5模式數據進行相關系數驗證及顯著性檢驗。由于國家自動站目前為加密站,本文中將新疆地區105站按照其原始順序用數字進行排序,并不公布其經緯度。限于篇幅,本文展示排序為前9個站點的2009年逐小時數據相關性驗證情況。

圖9 觀測與模擬土壤溫度(第1層5cm)逐小時(逐站)相關系數及顯著性檢驗Fig.9 The correlation coefficient and significance test between the observed and simulated temperatures of the soil of the second layers (5cm) at hourly scale (top 9 stations)

圖10 觀測與模擬土壤溫度(第2層20cm)逐小時(前9站)相關系數及顯著性檢驗Fig.10 The correlation coefficient and significance test between the observed and simulated temperatures of the soil of the second layers (20cm) at hourly scale (top 9 stations)

圖11 觀測與模擬土壤溫度(第3層80cm)逐小時(前9站)相關系數及顯著性檢驗Fig.11 The correlation coefficient and significance test between the observed and simulated temperatures of the soil of the second layers (80cm) at hourly scale (top 9 stations)

圖9—圖11分別為新疆地區9個站逐小時土壤溫度在3個不同土壤層(5、20、80cm)的觀測值與模擬值對比情況,橫軸逐小時數據由日時間表示,縱軸為土壤溫度(K), 圖9—圖11分別表示了新疆前9個站點3個不同土壤層5、20、80cm的土壤溫度(K)在2009年逐小時變化的情況。圖9—圖11還表示了新疆前9個站點3個不同土壤層(5、20、80cm)土壤溫度(K)在2009年逐小時相關系數和相應的顯著性檢驗情況。根據以上幾個土壤層的分析,本研究發現在3個土壤層存在以下共同的現象：

(1)在每年的夏季由 CLDAS 驅動的 CLM3．5 均出現了溫度低估現象”可以改為“由 CLDAS 驅動的 CLM3．5在每年的夏季 均出現了溫度低估現象,然而這種現象隨著土壤層次的加深,即由淺層5cm到80cm的過程中,這種低估現象出現了消弱,這是由于土壤溫度隨著深度的加深,極值變化出現了弱化,模式相對于淺層溫度更能抓住深層土壤溫度的變化規律。此外,模式在近地表不能得到很好模擬的另外原因可能跟陸面參數化方案(如：土壤的熱傳導參數化方案)及觀測站點下墊面有關,本研究后期將改進構建適合新疆地區的土壤熱傳導參數化方案。此外,由于我國土壤溫度觀測站均設置在裸地上(如：要求保持觀測場內整潔,淺草平鋪,草高超過20cm時,應及時剪割,地溫場要保持裸地及土質疏松)。而模式本身地表參數集僅為調查時的土地利用,并未考慮后期人為的改變,因此也會導致原先以非裸土區域分布的土壤溫度站點模擬值會有低估現象,而原先在裸土區域分布土壤溫度站點模擬值可能相對較準。

(2)每年初春及冬末,由CLDAS驅動CLM3.5模擬的土壤溫度也會存在與夏季相比較弱的低估現象,同時隨土壤溫度加深,這種低估現象在減弱。

(3)雖然大部分站點的相關系數均在0.92以上,顯著性檢驗均在0.16—0.17之間。然而,發現小部分站點在冬季擬合結果相當高(如第8,9站點),而對105站點檢查后發現這不是一個偶然現象,那么可能原因是在模擬較好的站點降雪較少,這可能由于土壤溫度探頭并沒有受到降雪影響；反之,如圖9,部分站點出現了冬末和初春恒定的“異常值”,而這種異常值可能是由于觀測站點土壤溫度探頭受積雪融化,土壤溫度探頭在冰雪混合物中探測的溫度將在一段時間內保持恒定,這樣可使得模式不能很好的模擬這種特殊現象。后期將通過檢查不同站點降雪情況,驗證之前提到的土壤溫度“異常值”是否與冰雪凍融有關。

4 討論與結論

土壤溫度的模擬是陸面模式中關鍵的部分,陸面模式中的土壤溫度計算的準確性,直接影響到模式中陸面與大氣之間物質和能量的交換,從而影響數值模式的準確性。本論文利用CLDAS數據強迫CLM3.5陸面模式對新疆地區土壤溫度進行模擬,詳細介紹了CLDAS在制作過程中的融合數據及核心同化算法,同過對地表參數集等進行設置,本研究最終對105個土壤溫度站點(新疆區域國家級自動站點)3個層次逐小時數據分別進行了驗證與分析,模擬結果表明：本驅動場強迫下的CLM3.5模式可較好的模擬新疆地區多層土壤的溫度變化,模擬值與實際值的相關系數、偏差等均較好。下一步工作將針對模式在夏季出現土壤溫度低估的問題研究CLM3.5模式中土壤熱傳導性參數化方案及其他相關方案進行改進的可行性,同時進一步調整地表參數集,以便最大程度減少模式的不確定性,使其達到最優模擬結果。

本研究得出以下結論：

從月平均角度來看,CLDAS驅動下的CLM3.5模式可以較好的模擬出新疆地區3層土壤溫度季節性的變化趨勢。在春季和秋季,3個土壤層的土壤溫度模擬結果與實測擬合度較高,其中第1層(5cm)模擬的土壤溫度在冬季與實際觀測值差異最大,達到10K左右；第2層(20cm)模擬的土壤溫度在冬季與實際觀測值差異次之,接近5K,第3層(80cm)模擬的土壤溫度在夏季最接近實測值,這樣高的模擬精度主要得益于高精度的CLDAS強迫場數據。

從不同的季節角度看3個土壤層,分析發現在夏季,上層土壤溫度高于下層,夏季氣溫變化對第1層深度(5cm)土壤溫度日變化的影響較大,第2層深度(20cm)次之,而對第3層深度(80cm)土壤溫度日變化影響較小。在冬季,下層土壤溫度總體高于上層,冬季氣溫變化對第1層土壤(5cm)溫度日變化的影響較小,第2層深度(20cm)次之,第3層深度(80cm)土壤溫度日變化的影響較大。

從日平均角度來看,發現在第3層(80cm)處的模擬結果隨著季節變化的波動性均較上兩層小,而這樣的結果也和3.1節的月平均溫度變化分析結果是一致的。這可能是由于在熱傳導過程中,土壤對上層溫度的短期震蕩起到了平滑作用,上下層土壤溫度日變化周期具有明顯的滯時效應,這也是符合實際的。

從逐小時尺度分析來看,對于第1層(5cm)土壤層,每年的2至11月,日內09UTC時,土壤溫度達到30度以上。在第2層(20cm)處,發現土壤溫度日內變化偏緩且向后偏移,日內土壤最高溫度(30度以上)出現在15UTC,這說明土壤溫度在從淺層傳遞到深層土壤的延遲性。而在第3層(80cm)深度的觀測中,分析發現從日內尺度上,基本看不到土壤溫度的變化。該層相對于第1層(5cm)及第2層(20cm)層更加平緩,同時也說明淺層土壤溫度受陸-氣之間能量影響的程度大于深層土壤。

5 展望

本研究利用CLDAS1.0大氣驅動場為大氣驅動輸入數據對新疆地區土壤溫度進行初步的模擬及驗證,后期將驗證更換GFS背景場為(European Centre for Medium-Range Weather Forecasts, ECWMF)的新背景場,該背景場精度(時間分辨率：1h、空間分辨率：1km)。地表參數集將設置為與驅動場相應分辨率(空間分辨率：1km),從而提高模式輸入數據精度、減少模型的不確定性。此外,針對模式在夏季存在高估現象,將在后期嘗試改進土壤的熱傳導參數化方案,同時精細化地表參數集；對于冬末、初春觀測出現短暫恒定值狀態及模式不能較好的擬合的情況,將在后期通過對全疆進行區域劃分、臺站實地調查與參數化方案改進結合的方法對模擬結果進行分析和改進。

[1] Charney J G. Dynamics of deserts and drought in the Sahel. Quarterly Journal of the Royal Meteorological Society, 1975, 101(428): 193- 202.

[2] Paul K I, Polglase P J, Smethurst P J, O’Connell A M, Carlyle C J, Khanna P K. Soil temperature under forests: a simple model for predicting soil temperature under a range of forest types. Agricultural and Forest Meteorology, 2004, 121(3/4): 167- 182.

[3] Godfrey C M, Stensrud D J. Soil Temperature and moisture errors in operational eta model analyses. Journal of Hydrometeorology, 2008, 9(3): 367- 387.

[4] Fan X G. Impacts of soil heating condition on precipitation simulations in the weather research and forecasting model. Monthly Weather Review, 2009, 137(7): 2263- 2285.

[5] 李瑋, 張佳寶, 張叢志. 秸稈掩埋還田對黃淮海平原耕層土壤溫度及作物生長的影響. 生態環境學報, 2012, 21(2): 243- 248.

[6] 董振國. 作物層溫度與土壤水分的關系. 科學通報, 1986, (8): 608- 810.

[7] Zhang Y, Chen W J, Smith S L, Riseborough D W, Cihlar J. Soil temperature in Canada during the twentieth century: Complex responses to atmospheric climate change. Journal of Geophysical Research, 2005, 110: D03112.

[8] 王曉婷, 郭維棟, 鐘中, 崔曉燕. 中國東部土壤溫度、濕度變化的長期趨勢及其與氣候背景的聯系. 地球科學進展, 2009, 24(2): 181- 192.

[9] Bonan G B, Levis S. Evaluating aspects of the Community Land and Atmosphere Models (CLM3 and CAM3) using a dynamic global vegetation model. Journal of Climate, 2006, 19(11): 2290- 2301.

[10] Whitfield B, Jacobs J M, Judge J. Intercomparison study of the land surface process model and the common land model for a prairie wetland in Florida. Journal of Hydrometeorology, 2006, 7(6): 1247- 1258.

[11] Sakaguchi K, Zeng X B. Effects of soil wetness, plant litter, and under-canopy atmospheric stability on ground evaporation in the Community Land Model (CLM3.5). Journal of Geophysical Research, 2009, 114(D1): D01107.

[12] 黃偉, 郭振海, 宇如聰. CLM在淮河流域數值模擬試驗. 氣象學報, 2004, 62(6): 764- 775.

[13] 劉少鋒, 林朝暉. 通用陸面模式CLM在東亞不同典型下墊面的驗證試驗. 氣候與環境研究, 2005, 10(3): 684- 699.

[14] 陳海山, 熊明明, 沙文鈺. CLM3.0對中國區域陸面過程的模擬試驗及評估 Ⅰ: 土壤溫度. 氣象科學, 2010, 30(5): 621- 630.

[15] Nicolsky D J, Romanovsky V E, Alexeev V A, Lawrence D M. Improved modeling of permafrost dynamics in a GCM land-surface scheme. Geophysical Research Letters, 2007, 34(8): L08501.

[16] Bonan G B. A land surface model (LSM version 1.0) for ecological, hydrological, and atmospheric studies: technical description and user'sguide. NCAR Tech Note NCAR/TN- 417+STR, Boulder, Colorado: National Center for Atmospheric Research, 1996.

[17] Dickinson R E, Kennedy P J, Sellers-Henderson A, Wilson M F. Biosphere-atmosphere transfer scheme (bats) for the NCAR community climate model. Tech. Rep. NCARE/TN- 275+STR, National Center for Atmospheric Research, 1986.

[18] Dai Y J, Xue F, Zeng Q C. A land surface model (IAP94) for climate studies Part II: Implementation and preliminary results of coupled model with IAP GCM. Advances in Atmospheric Sciences, 1998, 15(1): 47- 62.

[19] Oleson K W. Coauthors. CLM 3.5 documentation. Boulder: National Center for Atmospheric Research, 2007, http://www.cgd.ucar.edu/tss/clm/distribution/clm3.5.CLM3_5_documentation.pdf.

[20] Niu G Y, Yang Z L, Dickinson R E, Gulden L E. A simple TOPMODEL-based runoff parameterization (SIMTOP) for use in global climate models. Journal of Geophysical Research, 2005, 110(D21), doi: 10.1029/2005JD006111.

[21] Niu G Y, Yang Z L. Effects of frozen soil on snowmelt runoff and soil water storage at a continental scale. Journal of Hydrometeorology, 2006, 7(5): 937- 952.

[22] Niu G Y, Yang Z L, Dickinson R E, Gulden L E, Su H. Development of a simple groundwater model for use in climate models and evaluation with gravity recovery and climate experiment data. Journal of Geophysical Research, 2007, 112(D7): D21101.

[23] Lawrence D M, Thornton P E, Oleson K W, Bonan G B. The partitioning of evapotranspiration into transpiration, soil evaporation, and canopy evaporation in a GCM: Impacts on land-atmosphere interaction. Journal of Hydrometeorology, 2007, 8(4): 862- 880.

[24] Oleson K W, Dai Y, Bonan G, Bosilovich M, Dickinson R E, Dirmeyer P, Hoffman F, Houser P, Levis S, Niu G Y, Thornton P, Vertenstein M, Yang Z L, Zeng X B. Technical description of the community land model (CLM). NCAR Technical Note NCAR/TN- 461+ STR, Boulder, CO: National Center for Atmospheric Research, 2004.

[25] Oleson K W, Niu G Y, Yang Z L, Lawrence D M, Thornton P E, Lawrence P J, St?ckli R, Dickinson R E, Bonan G B, Levis S, Dai A, Qian T. Improvements to the Community Land Model and their impact on the hydrological cycle. Journal of Geophysical Research, 2008, 113(G1), doi: 10.1029/2007JG000563.

[26] Zeng X B, Shaikh M, Dai Y J, Dickinson R E, Myneni R. Coupling of the common land model to the NCAR community climate model. Journal of Climate, 2002, 15(14): 1832- 1854.

[27] Dickinson R E, Henderson-Sellers A, Kennedy P J, Wilson M F. Biosphere-atmospheretransfer scheme (BATS) version 1e as coupled to the NCAR community climate model. Tech Note/TN- 387+STR, Boulder, CO: National Center for Atmospheric Research, 1993, doi: 10.5065/D6668B58.

[28] Bonan G B, Oleson KW, Vertenstein M, Levis S, Zeng X B, Dai Y J, Dickinson R E, Yang Z L. The land surface climatology of the community land model coupled to the NCAR community climate model. Journal of Climate, 2002, 15(22): 3123- 3149.

[29] Cogley J G. GGHYDRO-Global Hydrographic Data Release 2.0. Trent Climate Note 91- 1, Peterborough, Ontario: Trent University, Dept. Geography, 1991.

[30] Loveland T R, Reed B C, Brown J F, Ohlen D O, Zhu Z, Yang L, Merchant J W. Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data. International Journal of Remote Sensing, 2000, 21(6/7): 1303- 1330.

[31] Bonan G B, Levis S, Kergoat L, Oleson KW. Landscapes as patches of plant functional types: An integrating concept for climate and ecosystem models. Global Biogeochemical Cycles, 2002, 16(2): 5- 1- 5- 23.

[32] Dickinson R E, Oleson K W, Bonan G, Hoffman F, Thornton P, Vertenstein M, Yang Z L, Zeng X B. The community land model and its climate statistics as a component of the community climate system model. Journal of Climate, 2006, 19(11): 2302- 2324.

[33] 張濤, 基于LAPS/STMAS的多源資料融合及應用研究[D]. 南京: 南京信息工程大學, 2013.

[34] Xie Y, Koch S, McGinley J, Albers S, Bieringer P E, Wolfson M, Chan M. A Space-time multiscale analysis system: A sequential variational analysis approach. Monthly Weather Review, 2011, 139(4): 1224- 1240.

[35] 師春香, 謝正輝. 基于靜止氣象衛星觀測的降水時間降尺度研究. 地理科學進展, 2008, 27(4): 15- 22.

[36] Ren Z H, Zhao P, Zhang Q, Zhang Z F, Cao L J, Yang Y R, Zou F L, Zhao Y F, Zhao Y F, Chen Z. Quality control procedures for hourly precipitation data from automatic weather stations in China. Meteorological Monthly, 2010, 36(7): 123- 132.

[37] Joyce R J, Janowiak J E, Arkin P A, Xie P P. CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution. Journal of Hydrometeorology, 2004, 5(3): 487- 503.

[38] Shen Y, Feng M N, Zhang H Z, Gao F. Interpolation methods of China daily precipitation data. Journal of Applied Meteorological Science, 2010, 21(3): 279- 286.

[39] Shi C X, Xie Z H, Qian H, Liang M L, Yang X C. China land soil moisture EnKF data assimilation based on satellite remote sensing data. Science China Earth Sciences, 2011, 54(9): 1430- 1440.

Simulation and verification of land surface soil temperatures in the Xinjiang Region by the CLM3.5 model forced by CLDAS

MENG Xianyong1, WANG Hao1, LIU Zhihui2,*, SHI Chunxiang3, LIU Shiyin4, CHEN Xi5, GONG Weiwei6

1ChinaInstituteofHydropowerandWaterResourcesResearch,Beijing100038,China2InstituteofAridEcologyandEnvironment,XinjiangUniversity,Urumqi830046,China3NationalMeteorologicalInformationCenter,ChinaMeteorologicalAdministration,Beijing100081,China4StateKeyLaboratoryofCryosphereSciences,ColdandAridRegionsEnvironmentalandEngineeringResearchInstitute,ChineseAcademyofSciences,Lanzhou730000,China5XinjiangInstituteofEcologyandGeography,ChineseAcademyofSciences,Urumqi830011,China6HuayunInformationTechnologyEngineeringCo.,Ltd,ChinaMeterologicalAdministration,Beijing100081,China

This study modeled the spatial and temporal distribution of soil temperatures in the Xinjiang region of China, using atmospheric surface forcing data in the China Meteorological Administration Land Data Assimilation System (CLDAS, NMIC of China Meteorological Administration) to drive the Community Land Model (CLM3.5, National Center of Atmospheric Research USA) for hourly off-line simulations (from 2009 to 2012). To verify the CLM3.5 simulated soil temperatures, data from national automatic soil-temperature stations (105 in the Xinjiang region) were used at three soil layers (5 cm, 20 cm, and 80 cm). For monthly variation, simulated top layer (5cm) soil temperatures differed substantially from measured values, with the largest difference (± 5℃) reaching the maximum in July each year. The difference (± 3℃) between modeled and observed soil temperatures at the second layer (20 cm) reached the maximum in July for all years, whereas for the third layer (80 cm), simulated annual July soil temperatures were in accordance with the observed values. The large discrepancies in July soil temperatures in the top surface layers can be explained by the drastic surface temperature changes in the Xinjiang region during that month. With day-time temperatures that can reach above 30℃, combined with large diurnal temperature differences, it becomes very difficult to accurately capture surface temperature variation by using the model. In contrast, in January and December, the 80 cm soil depth simulations were less accurate than the results of simulations at the first two soil layers. Furthermore, simulated values of soil temperature at the top two layers (5 cm and 20 cm) did not fit well with observed values for the summer and autumn. However, similar to monthly variation, the daily variation in modeled soil temperature at 80 cm showed a bad fit with observed data in January and December, whereas the fit was good in other periods. For hourly variation at 5 cm soil depth, the simulated soil temperature values were higher than the observed ones from January to April and September to November between 03 UTC and 21 UTC the next day. In contrast, simulated results were slightly lower than the observed values between 21 UTC and 00 UTC the next day for this same layer and period. From May to August of every year, day-time simulated values are slightly lower, reaching a maximum at 09UTC. At 20 cm depth, simulated soil temperature had smaller deviations (between -1℃ and 1℃) for most months, and the daily maximum occurred at 12UTC, which is earlier than the observed values. At the 80 cm soil layer, little daily variation was simulated or observed in soil temperatures, giving this soil layer hardly any influence on the overall daily variation. In the Xinjiang region, the diurnal temperature difference is large from May to August and September to November, which can explain why the upper two soil layers show differences between modeled and observed hourly soil temperatures. Soil temperature at deep soil layers, however, will vary less with temperature differences, giving this layer a better fit than the other two. Overall, this study shows that the CLM3.5 model forced by a CLDAS driving field can simulate the multi-year spatial and temporal distribution of average soil temperatures in Xinjiang region precisely. It furthermore showed that this method could simulate and reflect the hourly, daily, monthly, and yearly patterns of soil temperature in the Xinjiang region. Finally, the poor simulation of temperatures at the surface layer may be caused by the parameterization scheme of the surface parameters in this model, which will be addressed and corrected in a later phase.

soil temperature; community land model 3.5; China Meteorological Administration Land Data Assimilation System (CLADS); temporal variation; model verification

水利部公益性行業科研專項經費(201301103)；國家自然科學基金重點項目(41130531)

2015- 08- 17;

日期:2016- 06- 14

10.5846/stxb201508171717

*通訊作者Corresponding author.E-mail: lzh@xju.edu.cn

孟現勇,王浩,劉志輝,師春香,劉時銀,陳曦,龔偉偉.基于CLDAS強迫CLM3.5模式的新疆區域土壤溫度陸面過程模擬及驗證.生態學報,2017,37(3):979- 995.

Meng X Y, Wang H, Liu Z H, Shi C X, Liu S Y, Chen X, Gong W W.Simulation and verification of land surface soil temperatures in the Xinjiang Region by the CLM3.5 model forced by CLDAS.Acta Ecologica Sinica,2017,37(3):979- 995.