淮河流域土壤濕度的分布特征和記憶能力分析

詹艷玲 林朝暉, 田鳳云, 曹美春 許永芳,

（1 中國科學院大氣物理研究所國際氣候與環境科學中心，北京 100029；2 中國科學院大學，北京 100049）

0 引言

淮河流域人口密集，土地肥沃，資源豐富，交通便利，是我國重要的糧食產地，在我國經濟社會發展全局中占有十分重要的地位。但是該區旱澇、高溫災害頻發，比如2007年6月29日—7月25日，流域發生了新中國成立以來僅次于1954年的第2位流域性大洪水，造成了沿淮安徽、河南、江蘇受災嚴重，直接經濟損失154.9億元。2010年8月淮河流域西南部出現了大范圍高溫天氣。2013年7—8月淮河流域出現持續高溫天氣。如果能準確預測這些天氣氣候事件，就可以提前做好準備，減少損失。

已有大量研究集中于海溫對該區域降水異常的影響，但是僅考慮海溫的影響，并不能準確預測該區域降水異常。已有研究表明土壤濕度等陸面狀況的異常對中國東部氣候異常存在顯著的影響[1-2]，林朝暉等[3]基于陸面過程模式的離線模擬結果，指出淮河流域土壤濕度初值異常可以影響地表凈輻射和熱通量；孫丞虎等[4]發現淮河流域土壤濕度變化顯著，并與約半年后的降水（氣溫）呈負（正）相關；Zhang等[2]的研究則指出包括淮河流域在內的長江中下游至華北廣大地區的春季土壤濕度與華東地區夏季降水有顯著相關。基于多氣候模式的模擬結果，Koster等[5]給出了全球陸氣耦合強度的空間分布，發現淮河流域屬于陸氣耦合強度較強的區域，這也為淮河流域陸面狀況的異常對區域降水的影響提供了很好的理論解釋。

土壤濕度是陸面過程的重要變量，準確認識土壤濕度的時空分布特征，對改進次季節-季節尺度的區域氣候異常的模擬和預測能力都有著重要的意義。林朝暉等[6]利用淮河流域能量與水循環試驗（HUBEX）的觀測資料，分析了淮河流域不同下墊面的土壤濕度的時間變化和垂直變化特征。左志燕等[7]利用中國區域61個站點、Nie等[8]利用中國178個站點、李明星等[9]利用中國143個站從不同季節分析了土壤濕度的時空分布特征。由于臺站觀測土壤濕度資料不足，以上對淮河流域土壤濕度的時空分布等的研究并不充分。近年來再分析和衛星遙感等土壤濕度資料越來越充足，為進一步闡明淮河流域土壤濕度的時空變化特征，進而將這些土壤濕度資料應用于短期氣候預測實踐提供了條件。然而鑒于衛星遙感反演及陸面過程模式的不確定性，已有遙感反演和再分析的土壤濕度資料，以及陸面模式和陸氣耦合模式模擬的土壤濕度在淮河流域的適用性還有待檢驗。因此本文的目的之一，將基于更多站點的站點觀測土壤濕度資料，探討現有最新的衛星遙感、再分析以及陸面模式模擬的土壤濕度資料在淮河流域的適用性。

土壤濕度初始異常對天氣、氣候預測技巧影響的強弱，在很大程度上取決于土壤濕度初始異常的持續時間（亦即記憶能力）的長短，有關土壤濕度記憶能力的分析已有一些工作。1988年Delworth等[10]對美國地球物理流體動力實驗室（GFDL）的大氣環流模式模擬的土壤濕度進行了譜分析，發現土壤濕度的能量主要集中于低頻波段，是一種紅噪音，可以近似用一階馬爾可夫過程表示；他們的研究發現，在初始土壤濕度異常隨時間衰減的過程中，衰減的時間尺度可以?通過一階馬爾可夫過程的自相關函數得到，且土壤濕度的自相關系數隨時間呈e指數衰減。由此他們定義了土壤濕度的記憶能力，而土壤濕度記憶能力的長短則定義為土壤濕度的自相關系數降低到1/e所用的時間。上述方法已被用于全球不同區域，如俄羅斯、蒙古、美國和中國，土壤濕度的記憶能力的研究分析[8,11-12]。

值得指出的是，在Delworth等[10]提出的計算土壤濕度記憶能力的方法中，他們假設在初始土壤濕度異常的衰減過程中降水強迫是隨機的白噪音，可以忽略。Schlosser和Dirmeyer（未出版手稿）利用全球土壤濕度計劃第二階段（GSWP2）的資料，針對北美地區土壤濕度的分析時指出，土壤濕度的自相關系數隨時間的變化除了e指數衰減（在衰減過程中降水被認為是白噪音而不起作用）外，部分地區還存在自相關系數線性衰減和類高斯衰減的特征，分別與降水強迫的持續性、以及陸氣耦合強度的強弱緊密相關。因此他們將Delworth等[10]的計算土壤濕度記憶能力的方法進行了更新，將土壤濕度的自相關系數降低到99%的信度水平的時間，定義為土壤濕度的記憶能力。在本文的分析中，我們采用的即是更新后的土壤濕度記憶能力的計算方法。但由于高時間分辨率資料的缺乏，已有土壤濕度記憶能力的研究主要是利用旬[8]和月尺度[13]的土壤濕度資料，難以考慮不同時間尺度下土壤濕度的記憶能力的差別如何。因此本文將采用日時間分辨率的再分析土壤濕度資料，以淮河流域為試驗區域，給出土壤濕度記憶能力隨不同時間尺度、土壤深度的變化情況，及其相應的時空變化特征。

需要指出的是，就短期氣候預測系統而言，預測模式模擬的土壤濕度的時空分布及其記憶能力是否與觀測實況較為接近，也是理解預測系統中陸面資料初始化/同化可否提高氣候預測水平的前提。本文還將以中國科學院大氣物理研究所IAP短期氣候預測模式為研究對象，評估耦合了CLM4的IAP大氣環流模式（IAP-AGCM4.1）對流域土壤濕度及其記憶能力的模擬情況，以及基于CLM4離線模擬的土壤濕度時空分布及其記憶能力特征，以期為將來在IAP短期氣候預測系統中引進陸面土壤濕度的初始化方案，進而改善和提高我國短期氣候預測技巧提供科學依據。

1 數據和方法

1.1 土壤濕度數據

本文用到了5套土壤濕度資料，臺站觀測土壤濕度為Wang等[13]對中國氣象局國家氣象信息中心的1471個臺站觀測土壤濕度資料，經過質量控制，且由土壤重量含水率轉換成土壤體積含水率，選取了中國區域共732個站點。土壤層次有5層：0～10、10～20、40～50、60～70、90～100 cm，文中用到了淮河流域觀測比較完整的前3層資料。土壤濕度的單位是cm3·cm-3。該資料是1992—2013年的月平均資料。

歐洲中期天氣預報中心（ECMWF）發布的再分析（re-analysis）數據集5的陸面部分（ERA5-Land），是利用世界各地的觀測數據，對ERA5再分析的陸面部分進行再分析得到的[14]。ERA5垂直4層，垂直深度分別為7、28、100、289 cm。空間分辨率是0.1°×0.1°。時間分辨率為小時和月。該資料從1981年1月至今。

作為歐洲航天局（ESA）氣候變化倡議（CCI）計劃的一部分發布的多年代全球衛星觀測土壤濕度（SM）數據集ESA-CCI V04.4[15]，由3個地表土壤水分數據集組成：分別是使用散射計的主動產品、使用輻射計的被動產品，以及兩者的組合產品。該產品的空間分辨率是0.25°×0.25°，時間分辨率是日，涵蓋了1978年11月到2018年6月的39年。

通用陸面模式（Community Land Model version 4，CLM4）[16]土壤濕度資料是利用全球土壤濕度項目三期（Global Soil Wetness Project Phase 3，GSWP3）[17]大氣強迫場資料離線驅動陸面模式CLM4得到。該資料垂直10層，垂直深度分別為1.75、4.51、9.06、16.55、28.91、49.29、82.89、138.28、229.61、380.19 cm。空間分辨率約1.4°×1.4°，時間分辨率有兩種：日平均和月平均，時間跨度是1980—2014年。

中國科學院大氣物理研究所最新的短期氣候預測系統采用的是耦合了CLM4的大氣物理研究所新一代大氣環流模式（簡記為IAP-AGCM4.1）[18-19]，用于本文比較分析的該陸氣耦合模式模擬的土壤濕度（簡稱為IAP4.1），是基于大氣模式比較計劃（Atmospheric Model Intercomparison Project，AMIP）試驗的標準，采用融合了哈得來中心的版本1.1海溫/海冰（HADISST1）與NOAA最優插值（版本2；OI.v2）海溫/海冰的HadOI資料[20]作為海溫/海冰邊界條件驅動IAP-AGCM4.1而積分得到的。鑒于IAP AGCM4.1中的陸面過程模式為CLM4，因此IAP-AGCM4.1模擬得到的土壤濕度的垂直層次、空間分辨率和時間分辨率也與CLM4離線土壤濕度一致，時間范圍是1978—2013年。

1.2 分析方法

淮河流域如圖1所示，其中土壤濕度觀測臺站在流域西北部密集，全流域共84個站點。為了對不同土壤濕度資料比較分析，對資料做了三方面的統一：時間上，選取共同時間段1992—2013年；單位上，統一為m3·m-3的土壤體積含水率；垂直方向上，假定同一層次的土壤濕度的體積含水率相同，采用線性插值法，得到新層次的土壤濕度。

圖1 淮河流域河流、湖泊和臺站觀測土壤濕度站點的分布Fig. 1 Spatial distribution of the rivers, the lakes, and the soil moisture stations in Huaihe River Basin

土壤濕度的記憶能力（T）定義為土壤濕度異常的持續時間，計算采用Dirmeyer等[21]的方法，即土壤濕度的滯后自相關系數降低到99%信度水平的時間。具體做法可概述如下：假定rt為給定站點（格點）的土壤濕度滯后t時間的自相關系數，r99%為對應的99%信度水平檢驗的相關系數臨界值，從t=1開始檢驗自相關系數rt，到t=m時自相關系數rm第一次降到了r99%或者以下，那么土壤濕度的記憶能力（T）可由方程（1）計算給出：

當計算土壤濕度濕度記憶能力時，可采用日、月平均的土壤濕度，從而得到日、月時間尺度的土壤濕度記憶能力。此外，我們還可以利用N天平均的土壤濕度資料，來計算相應時間尺度（N天）的記憶能力。本文中我們除了采用日、月平均土壤濕度資料外，還采用了5 d、9 d、19 d滑動平均的土壤濕度資料，來計算相應的土壤濕度記憶能力，進而來分析土壤濕度記憶能力隨時間尺度的變化情況。

2 淮河流域土壤濕度的時空分布特征

2.1 土壤濕度的氣候態和年際變率

本文首先介紹淮河流域土壤濕度的干濕分布及其年際變率的空間分布。圖2給出了1992—2013年的氣候平均土壤濕度。從圖中可以看出，臺站觀測土壤濕度北干南濕，其中流域西北部土壤濕度較干，約0.1～0.3 m3·m-3；干流區土壤濕度較濕，約0.3～0.5 m3·m-3。ERA5-Land的氣候土壤濕度的空間分布與臺站觀測最為相近。但是在40～50 cm土層中，ERA5-Land土壤濕度在淮河流域西北部比臺站觀測偏低。

圖 2 1992—2013年平均的淮河流域的土壤濕度的氣候態（第一行為臺站觀測、第二行為ERA5-Land、第三行為CLM4、第四行為IAP4.1、第五行為ESA-CCI；第一列為0～10 cm和衛星遙感反演表層、第二列為10～20 cm、第三列為40～50 cm）Fig. 2 Soil moisture climatology mean of 1992-2013 in Huaihe River basin (The first row is for station observation; the second row is for ERA5-Land; the third row is for CLM4; the fourth row is for IAP4.1; the fifth row is for ESA-CCI. The first column is for 0-10 cm and the surface layer of satellite remote sensing; the second column is for 10-20 cm; the third column is for 40-50 cm)

CLM4和IAP4.1土壤濕度的空間分辨率較粗，與臺站觀測土壤濕度相比，除40～50 cm土層中的上中游的中部地區土壤濕度偏干外，另外兩層中，CLM4與IAP4.1在流域大部土壤濕度均偏濕。ESA-CCI土壤濕度在流域北部比臺站觀測偏干較多。

淮河流域土壤濕度的年際變率（以標準差與平均值的比表示）的分布如圖3。從臺站觀測來看，淮河流域土壤濕度的年際變率在西部較大，而在東部較小。0～10 cm土層的土壤濕度的年際變率，西部約為10%，東部為5%。隨著土壤深度的增加，40～50 cm土層中，流域南部和西部的土壤濕度的年際變率略微減小。

ERA5-Land土壤濕度的年際變率空間分布與臺站觀測最為接近，但其隨深度增加而增大，與臺站觀測不符。CLM4和IAP4.1土壤濕度的年際變率在各土層均小于臺站觀測，大部地區僅為3%。ESA-CCI的土壤濕度的年際變率在流域北部與臺站觀測較接近，但在流域南部比臺站觀測偏小。

圖 3 1992—2013年淮河流域的土壤濕度的年際變率（單位：%）（第一行為臺站觀測、第二行為ERA5-Land、第三行為CLM4、第四行為IAP4.1、第五行為ESA-CCI；第一列為0～10 cm和衛星遙感反演表層、第二列為10～20 cm、第三列為40～50 cm）Fig. 3 Interannual variability of soil moisture (unit: %) during 1992—2013 in Huaihe River basin (The first row is for station observation; the second row is for ERA5-Land; the third row is for CLM4; the fourth row is for IAP4.1; the fifth row is for ESA-CCI. The first column is for 0-10 cm and the surface layer of satellite remote sensing; the second column is for 10-20 cm; the third column is for 40-50 cm)

2.2 區域平均土壤濕度的時間變化特征

1992—2013年淮河流域區域平均的土壤濕度的年際變化如圖4所示。從0～10 cm土層看，臺站觀測土壤濕度有顯著的變干趨勢（通過95%信度水平檢驗），為0.009 m3·m-3/10a，而ERA5-Land的年際變化和量值均與臺站觀測最接近。CLM4、IAP4.1和ESACCI土壤濕度以年際變化為主，其中CLM4和IAP4.1土壤濕度比臺站觀測偏濕，而ESA-CCI土壤濕度比臺站觀測偏干。去除趨勢后，ERA5-Land、CLM4、IAP4.1和ESA-CCI土壤濕度與臺站觀測的時間相關系數分別為0.70、0.54、0.01和0.61。說明ERA5-Land可以很好地再現出淮河流域表層土壤濕度的年際變化特征。

圖4 1992—2013年淮河流域區域平均的年平均土壤濕度的時間變化（a）0～10 cm，（b）10～20 cm，（c）40～50 cmFig. 4 Temporal variation of annual mean soil moisture during 1992-2013 in Huaihe River Basin for 0-10 cm (a),10-20 cm (b), and 40-50 cm (c)

在10～20 cm土層中，臺站觀測土壤濕度同樣存在顯著的變干趨勢，為0.011 m3·m-3/10a。ERA5-Land土壤濕度的年際變化和量值均與臺站觀測最接近。CLM4和IAP4.1土壤濕度仍以年際變化為主，且比臺站觀測和EAR5-Land土壤濕度偏濕。去趨勢后，ERA5-Land、CLM4和IAP4.1土壤濕度與臺站觀測的相關分別為0.65、0.53和0.04。

40～50 cm土層中，臺站觀測土壤濕度量值最大，且有顯著變干趨勢，為0.011 m3·m-3/10a。ERA5-Land土壤濕度也存在類似特征。CLM4和IAP4.1以年際變化為主。去除趨勢后，ERA5-Land、CLM4和IAP4.1土壤濕度與臺站觀測的相關分別為0.58、0.58和0.12。

圖5給出了淮河流域區域平均土壤濕度的季節變化。在0～10 cm土層，臺站觀測土壤濕度在1—2月偏濕、2—4月逐漸變干、4—6月維持偏干狀態、6—9月由于降雨補給逐漸變濕、9—12月維持偏濕狀態。ERA5-Land、CLM4和ESA-CCI土壤濕度的季節變化均與臺站觀測較一致，區別是：ERA5-Land土壤濕度在7—8月比臺站觀測偏濕較多；CLM4土壤濕度在全年均比臺站觀測偏濕；而ESA-CCI土壤濕度在大多數月均比臺站觀測偏干。

圖5 1992—2013年平均的淮河流域區域平均的土壤濕度的季節變化（a）0～10 cm，（b）10～20 cm，（c）40～50 cmFig. 5 Seasonal variation of regional average soil moisture mean of 1992-2013 in Huaihe River Basin for 0-10 cm(a), 10-20 cm (b), and 40-50 cm (c)

隨著土層深度的增加，各土壤濕度的季節變化的幅值逐漸減小，且土壤濕度處于偏干的時間進一步縮短。

3 土壤濕度的記憶能力

3.1 不同時間尺度的土壤濕度記憶能力

從土壤濕度的時空分布來看，ERA5-Land土壤濕度的年際變率和時間變化均與臺站觀測最為接近。因此，下文利用ERA5-Land日平均土壤濕度，分析不同時間尺度的土壤濕度記憶能力的差異。某一時間尺度采用對應日數的滑動平均表示。基于此，下文將根據5、9、19 d滑動平均和日平均的土壤濕度資料，計算土壤濕度的記憶能力。圖6給出了淮河流域區域平均的不同時間尺度的土壤濕度的記憶能力及其差異。析，來揭示就記憶能力而言的不同土壤濕度資料的適用性。

圖6 根據5、9、19 d滑動平均和日平均土壤濕度得到的淮河流域區域平均的ERA5-Land土壤濕度記憶能力的季節變化（左列）和5、9、19 d滑動平均的土壤濕度的記憶能力與日平均土壤濕度記憶能力的差異（右列）（第一行為0～10 cm，第二行為10～20 cm，第三行為40～50 cm）Fig. 6 Regional average soil moisture memory in Huaihe River Basin based on the 5, 9 and 19 days running mean and daily data ( left column), and the soil moisture memory difference between the 5, 9, 19 days running mean and daily data(right column). The first row is for 0-10 cm; the second row is for 10-20 cm; the third row is for 40-50 cm

3.2 區域平均土壤濕度記憶能力的季節變化

圖7為根據月平均資料得到的淮河流域區域平均的土壤濕度記憶能力的季節變化。從圖中可以看出，0～10 cm層中，ERA5-Land、CLM4、IAP4.1和ESACCI土壤濕度的記憶能力與臺站觀測較為接近。隨著深度的增加，各土壤濕度的記憶能力與臺站觀測的差異逐漸增大，10～20 cm層中ERA5-Land土壤濕度與臺站觀測最接近；40～50 cm層，CLM4和IAP4.1土壤濕度與臺站觀測較接近，而ERA5-Land土壤濕度的記憶能力比臺站觀測偏大較多。總體而言，在月尺度上，這些資料能在一定程度上再現臺站觀測土壤濕度的記憶能力。

本節將利用ERA5-Land、CLM4和IAP4.1土壤濕度資料，對其進行5 d平均，進而分析流域平均土壤濕度記憶能力的季節變化（圖8）。從圖8可以發現，在0～10 cm土層中，土壤濕度的記憶能力在4—8月較小（約為10 d），且3種資料較一致；在秋季及初冬土壤濕度的記憶能力則相對較大，其中CLM4與IAP4.1土壤濕度記憶能力近似，約為30 d，而ERA5-Land土壤濕度記憶能力則相對偏大，約為40 d。

10～20 cm層中，土壤濕度的記憶能力也在4—8月較小（約15 d）；在秋末冬初較大，CLM4和IAP4.1土壤濕度記憶能力約30 d，ERA5-Land土壤濕度記憶能力約60 d。

在40～50 cm層，CLM4和IAP4.1土壤濕度的記憶能力在4—8月較小（約20 d），在秋季冬初較大（約50 d）。ERA5-Land土壤濕度的記憶能力比CLM4和IAP4.1偏大較多，與月尺度上的結果近似。

圖7 基于月平均土壤濕度得到的淮河流域區域平均的土壤濕度的記憶能力（a）0～10 cm，（b）10～20 cm，（c）40～50 cmFig. 7 Regional average soil moisture memory in Huaihe River Basin based on the monthly data in the soil layers of 0-10 cm (a), 10-20 cm (b), and 40-50 cm (c)

圖8 基于5 d滑動平均的土壤濕度得到的淮河流域區域平均的土壤濕度的記憶能力（a）0～10 cm，（b）10～20 cm，（c）40～50 cmFig. 8 Regional average soil moisture memory in Huaihe River Basin based on the 5 days running mean data in the soil layers of 0-10 cm (a), 10-20 cm (b), and 40-50 cm (c)

3.3 季節平均土壤濕度記憶能力的空間分布

從圖8可以發現，在40～50 cm深度，流域平均的土壤濕度記憶能力均要大于20 d，而ERA5-Land的記憶能力最高甚至可達3個月以上。較長的土壤記憶能力表明該區域土壤濕度的初始異常對后期區域氣候異常具有重要的潛在影響。為此，我們在圖9中給出了在40～50 cm深度，淮河流域不同季節土壤濕度記憶能力的空間分布。從圖9可以發現， 無論是ERA5-Land，還是CLM4和IAP4.1土壤濕度資料，其記憶能力均在流域西北部較大，而在流域南部則相對較小，這種記憶能力的空間差異尤以秋季最為顯著。從圖9還可以發現，對于春、夏季節而言，基于CLM4和IAP4.1土壤濕度資料得到的記憶能力在流域大部分地區均要小于20 d，其空間差異并不顯著，這可能與這兩套資料較粗的空間分辨率有關。對于較高分辨率的ERA5-Land資料而言，其記憶能力的空間差異即使在春、夏季也較為顯著，其中夏季流域西北部的土壤濕度記憶能力可達60 d以上，而在流域南部地區則為20 d左右；此外ERA5-Land中春季土壤濕度記憶能力呈現為流域西北部偏小、東南部相對偏大的特點，而其他季節不同。

就土壤濕度記憶能力較強的秋季而言，在流域的西北部CLM4土壤濕度的記憶能力達90 d，IAP4.1土壤濕度記憶能力約為50 d，在南部這兩種土壤濕度的記憶能力僅為10～30 d。ERA5-Land土壤濕度的記憶能力呈現出與CLM4和IAP4.1類似的空間差異特征，只是記憶能力的強度比CLM4和IAP4.1偏大較多，其中在西北部的記憶能力大都可達90～150 d，在南部地區大都為60～80 d，這可能與ERA5-Land再分析資料中所用到的降水驅動異常的持續性有關。

4 結論和討論

本文基于1992—2013年的臺站觀測、ERA5-Land再分析、ESA-CCI衛星遙感、CLM4離線模擬和IAPAGCM4.1模擬共5套土壤濕度資料，分析了淮河流域土壤濕度的時空分布特征和記憶能力，并考察了不同資料在該流域的適用性。

基于臺站觀測的淮河流域土壤濕度的分析表明，流域土壤濕度呈現出北干南濕的特點，流域干流及周邊土壤濕度較大，淮河中上游的北部地區土壤濕度較小。表層（0～10 cm）土壤濕度的年際變率在流域上游地區較大，而在下游地區較小。總體說來，ERA5-Land的土壤濕度及其年際變率的空間分布與臺站觀測最相近，而CLM4和IAP4.1土壤濕度的年際變率比臺站觀測相對偏弱。

此外，臺站觀測土壤濕度在不同層次均呈現顯著變干的趨勢（通過0.05顯著性檢驗），ERA5-Land的土壤濕度也存在顯著的變干趨勢，與臺站觀測最接近，但CLM4、IAP4.1和ESA-CCI土壤濕度以年際變化為主，難以看到顯著的長期變干的趨勢后。去除趨勢后，ERA5-Land的土壤濕度與臺站觀測土壤濕度的時間相關也最大。就土壤濕度的記憶能力而言，在月時間尺度上，各資料均能在一定程度上刻畫出臺站土壤濕度記憶能力的特征，尤以CLM4和IAP4.1土壤濕度的記憶能力與臺站觀測最接近。

基于流域土壤濕度記憶能力對時間尺度依賴性的分析結果表明，對于淺層土壤濕度其記憶能力隨時間尺度增加而增大，但對較深層土壤（40～50 cm），其記憶能力隨時間尺度的變化不大。5 d時間尺度的土壤濕度能較長時間地保持異常，而又不至于像日平均土壤濕度那樣太多地受天氣擾動的影響，這在利用模式開展的短期氣候預測中有重要意義。利用5天平均的土壤濕度，分析了記憶能力的季節變化特征，結果表明CLM4與IAP4.1土壤濕度的記憶能力在4—8月較小，在0～10 cm、10～20 cm、40～50 cm層分別約為10、15、20 d；在秋末冬初較大，在前兩層約30 d，在40～50 cm層約50 d。在前兩層土壤濕度記憶能力較小的4—8月，ERA5-Land土壤濕度的記憶能力與CLM4和IAP4.1近似，而在土壤濕度記憶能力較大的秋末冬初，ERA5-Land土壤濕度的記憶能力偏大約30～40 d。而在40～50 cm層，ERA5-Land土壤濕度的記憶能力比CLM4和IAP4.1偏大較多，與月尺度上的結果近似。

基于不同資料土壤濕度記憶能力的空間分布分析表明，淮河流域記憶能力總體呈現流域西北部較大，在流域南部相對偏小的特點，且這種空間差異在秋季均較為明顯。就ERA5-Land而言，其空間差異在夏季也較為顯著，但CLM4和IAP4.1這兩套資料在夏季土壤濕度記憶能力的空間差異并不顯著。此外，相對于CLM4和IAP4.1這兩套資料，基于ERA5-Land資料的土壤濕度記憶能力要更強，其中在夏季可達60 d以上，秋季則最高可達150 d。這也說明在利用不同的土壤濕度資料進行初始化時，需要考慮遙感反演與再分析資料是否與預測模式系統匹配的問題。

值得指出的是，已有土壤時空變化特征及記憶能力的分析工作，大都針對整個中國區域乃至更大的范圍來進行研究，而本文則是以淮河流域為研究重點，從而得到更為細致的、流域尺度的土壤濕度的分布和演變特征，這對未來改進和完善淮河流域水循環的模擬，探討流域陸面狀況對區域天氣氣候的影響具有重要意義。此外，雖然本研究中采用的衛星遙感、再分析及模式模擬土壤濕度均有日尺度的高分辨率資料，但長時間觀測的臺站土壤濕度資料卻僅有月平均尺度，從而難以評估多源土壤濕度在月內時間尺度的變化特征。另外，本文在分析土壤濕度記憶能力隨時間尺度的變化時，僅能用再分析資料（如ERA5-Land）等替代資料開展分析。如果能獲取流域尺度更多站點的長時間序列、高時間分辨率的土壤濕度資料，則可以得到基于臺站觀測資料的土壤濕度記憶能力隨時間尺度的變化，這對進一步驗證多源土壤濕度資料在不同區域、流域的適用性具有重要的意義。