不同深度土壤水分同化產品在川西高原的應用

盧晨媛, 馮文蘭, 王永前, 王浩帆, 田 鵬, 盧曉寧

(成都信息工程大學 資源環境學院, 四川 成都 610225)

土壤水分是陸面過程的重要參量，是水循環的重要組成部分，在控制陸面物質和能量交換以及陸氣相互作用中起到至關重要的作用[1]。獲取準確的土壤水分數據對于提升數值天氣預報、短期氣候預測的準確率和農作物干旱監測都具有重要的意義。土壤水分數據的獲取方式主要分有地面站點觀測、遙感反演、數值模擬和數據同化4種。其中，后3種可以獲得大范圍、連續和動態的土壤水分數據，因而，基于不同土壤水分獲取方式產生了多種土壤水分產品，包括衛星產品、再分析產品和同化產品[2]。然而，不同的土壤水分產品有各自的優缺點以及區域適用性。因此，對于不同來源的土壤水分產品適用性評估已成為土壤水分產品應用相關研究的必要內容之一。

土壤水分同化產品是利用陸面模式和數據同化技術模擬的，陸面數據同化技術能夠將陸面過程模式的物理過程信息和觀測資料(站點觀測、遙感資料等)的實測信息進行最優組合[3]?？梢垣@得時空連續的高精度、高時空分辨率的剖面尺度的土壤水分數據。近年來同化土壤水分產品在氣象、農業和水文領域得到了越來越多的應用。陸面數據同化的研究始于Mc Laughlin在20世紀90年代首次將同化方法引入到水文科學中[4]。目前國外主流的陸面數據同化系統有全球陸面系統(GLDAS),歐洲陸面系統(ELDAS),北美陸面系統(NLDAS)等[5]，國內主要有學者李新等[6]建立的西部陸面數據同化系統(WCLDAS)和國家氣象信息中心師春香等[7]建立的中國氣象局陸面數據同化系統(CLDAS)2套。目前，由于GLDAS數據產品可以提供全球的剖面土壤水分產品，因此在國內外的相關研究中應用比較廣泛，并且在不同區域獲得了兩種數據產品的適用性分析結果。如，Chen等[8]利用青藏高原中部土壤濕度觀測網數據對GLDAS的4個陸面模式的土壤濕度產品進行了評估，結果發現4個模式均低估了表層土壤濕度，其中，GLDAS-CLM和GLDAS-Noah模式資料對10—40 cm土壤層濕度代表性較好。宋海清等[9]對比分析了CLDAS，GLDAS1-Noah資料和數值模式的產品ERA-Interim資料在內蒙古的適用性，發現CLDAS資料適用性更好。秦道清等[10]基于站點觀測數據評估了北京地區CLDAS資料0—10 cm土壤濕度的數據質量，發現CLDAS產品呈現出與觀測數據大體一致的變化規律，同時得到土壤濕度與降水具有的正相關關系。在此基礎上，同化土壤水分產品被廣泛應用于天氣和氣候預報、水循環研究和水資源應用等方面的研究。如胡偉等[11]利用GLDAS數據的驅動Noah-MP陸面模式進行了青藏高原地表能量的模擬，陳燕麗等[12]利用2011年CLDAS數據監測和評估了廣西甘蔗種植區的夏秋旱情。總的來說，不同陸面模式輸出的產品都能較準確的表達區域或全球尺度土壤水分的時間和空間分異的規律，但是不同的產品在不同地區的數據適用性存在差異。因此，針對不同地區開展不同土壤水分同化產品的適用性研究很有必要。

然而，由于土壤水分具有記憶作用，這使得利用不同剖面的土壤水分研究區域短期氣候變化具有非常重要的意義。因此，對不同深度的土壤水分產品的評估具有重要的現實意義。李登宣等[13]利用GLDAS數據分析發現，青藏高原不同地區、不同深度層春季土壤濕度對中國東部地區的夏季降水有顯著影響。然而，盡管現有的陸面數據同化系統都可以提供不同深度的土壤水分產品數據，但是近年來相關研究大多圍繞表層(0—10 cm)數據的應用開展，對于深層土壤水分產品的相關應用研究較少。已有的部分成果，主要是對某一個產品的某一個特定區域的適用性的分析。如劉川等[14]利用青藏高原中部和東部土壤濕度觀測資料評估了GLDAS的4種陸面模式資料的適用性，發現GLDAS-Noah與觀測值較為接近。為更好的利用不同陸面模式的不同深度的數據開展相關的區域研究，有必要對現有的土壤水分同化產品數據在區域的適用性開展對比研究，以獲得更好的數據?，F有的剖面土壤水分產品的適應性對比評估主要圍繞GLDAS數據提供的4種不同陸面模式數據結果開展，而對不同同化系統數據產品的對比分析較少。并且，研究區多集中在青藏高原地區、黃土高原地區、內蒙古地區。

川西高原地處長江中上游，草地資源豐富，生態環境獨特是典型的敏感區。土壤水分是水文學和生態學重要參數之一，是氣候、植被、地形、土壤及人類活動等因素的綜合反映。然而，川西高原兩種土壤水分同化產品的對比評估研究幾乎未見報道。為此，本研究通過將CLDAS和GLDAS土壤水分同化產品數據與觀測資料的對比，分析2種土壤水分同化產品在川西高原的可靠性，為大尺度土壤水分產品的數據質量提供區域的實證資料，也為川西高原地區相關研究選擇適用的長時間不同深度的土壤水分產品提供參考。

1 材料與方法

1.1 研究區概況

川西高原位于青藏高原東南緣(97°—104°E，27°—34°N)，介于青藏高原和四川盆地之間，地勢西高東低，分為峽谷、高原和山地3中地貌類型，海拔高度783～7 143 m。氣候類型復雜多樣，地帶性差異和垂直變化顯著，整體以寒溫帶氣候類型為主。川西北高山高原高寒氣候帶，氣溫自東南向西北而降低，年平均氣溫4～12 ℃，年降水量500～900 mm，年日照時數1 600～2 600 h。土壤水分受土壤特性、地形、土地利用方式以及氣象因子的影響，其中氣象因子又包括降水、溫度、蒸散、太陽輻射以及風速等。川西高原海拔差異明顯，干雨季分明，降水主要集中在6—9月，植被類型豐富，以灌叢和草甸為主，土壤以高山草甸土為主。因此，土壤水分具有極大的變異性。

1.2 研究資料與方法

1.2.1 數據基礎 由于土壤水分同化產品提供的土壤水分是總含水量(包括液態和固態)，而地面觀測得到的是土壤中的液態含水量，為了減小數據評估中土壤水分凍融過程對結果的影響[14]，本文選擇5—10月非凍結期的土壤水分同化產品和氣象觀測站點的數據進行對比分析。

(1) 土壤水分同化產品?？紤]到研究區以及數據時間范圍，本文選擇CLDAS-V2.0土壤濕度資料和GLDAS-2.1土壤濕度資料進行對比。

CLDAS-V2.0土壤濕度資料(包括土壤體積含水量和土壤濕度)是利用氣溫、氣壓、濕度、風速、降水輻射數據和初始場信息驅動CLM3.5和Noah-MP(1—4)陸面模式集合模擬而得到，這種多陸面模式模擬的結果有效地降低了單模式模擬的不確定性。CLDAS數據實現了微波亮溫數據的直接同化，同時考慮次網格的變異性且更新了地表參數集，使得同化數據精度得到提高。其中，CLDAS-V2.0土壤體積含水量數據分為5層，分別為0—5，0—10，10—40，40—100，100—200 cm，土壤體積含水量的單位為(m3/m3)。產品覆蓋東亞區域(0°—65°N，60°—160°E)，空間分辨率為0.062 5°×0.062 5°。該數據集可以提供在線(Online)和離線(Offline)兩種模擬方式，目前中國氣象數據網公開提供2008年至今的數據產品，包括時間分辨率為1 h的和逐日的UTC數據(00—23時)。由于CLDAS-V2.0實時數據從2017年來時更新到目前，故本研究采用2017—2018年逐日UTC數據，來源于中國氣象數據網(http∥data.cma.cn)。GLDAS-2.1土壤濕度資料是由NASA和NOAA共同發展的全球陸面同化系統輸出，陸面資料包括月均值和3 h產品，包括4個陸面模式輸出資料(Mosaic，Noah，CLM和VIC)。其中，由Noah模式生成的產品空間分辨率為0.25°×0.25°，其余模式生成的產品空間分辨率均為1°×1°。GLDAS數據通過改變陸面模式輸入數據，提高陸面模式模擬的精度，而未真正引進同化方法[14]。為此，本研究選取與CLDAS-V2.0土壤濕度資料同期的由Noah模式生成的全球逐3 h資料數據。該數據在剖面上分為4層，分別為0—10，10—40，40—100，100—200 cm，土壤濕度單位為kg/m2[15-17]。數據來源于NASA EarthDATA網(http:∥disc.gsfc.nasa.gov/earthdata-login)。

(2) 氣象觀測資料。目前川西高原已有8個自動土壤水分觀測站(automatic soil moisture observation station， ASM)，可實現24 h自動連續觀測。各站點的垂直觀測深度均為100 cm，分為8層，分別為：0—10，10—20，20—30，30—40，40—50，50—60，70—80，90—100 cm。選擇與土壤水分同化產品同期的各站點2017—2018年5—10月的逐小時數據作為參考數據，對不同土壤水分產品數據進行評估。其中，由于松潘站2018年7—8月自動土壤水分觀測數據缺失，因此評估中未分析該站點這些時段的數據。在對不同深度土壤水分數據的應用分析中，本文還用到2017—2018年5—10月的逐6 h日降水量數據。以上2種氣象觀測數據均由四川省氣象局提供。

1.2.2 數據處理 由于土壤水分同化數據和氣象站點觀測數據均存在時間和空間分辨率不一致的情況，同時，土壤水分數據的單位量綱也不同，因此，需要對基礎數據進行時間和空間匹配以及單位換算處理。

(1) 數據時間匹配。分別將GLDAS和氣象觀測站的土壤水分數據采用平均值法合成為日數據，與CLDAS土壤水分數據時間尺度一致。

(2) 數據空間匹配。目前土壤水分產品空間匹配的方法多采用最鄰近格點匹配法或雙線性插值法。依據劉川等[11]的研究結論，鄰近格點匹配法可以在青藏高原地區獲得更小的土壤溫濕度標準誤差。為此，本文采用距離觀測站位置最近的格點值與氣象站點觀測值進行空間匹配的方法，分別獲得2種土壤水分同化產品在氣象站點處的土壤水分數據。當觀測數據為缺測時，對應的陸面模式數據也視為缺測，不進行比較和評估。

由于2種土壤水分同化產品的土壤剖面分層方法一致，且氣象站點的垂直觀測深度為100 cm，為了評估不同深度土壤水分產品數據在川西高原的適用性，本文將氣象站點的土壤水分數據采用以下計算方法統一到0—10，10—40 cm和40—100 cm 3個剖面尺度。其中，10—40 cm和40—100 cm剖面土壤水分的計算方法如下[18]：

SM10—40 cm=(10×SM10—20+10×SM20—30+

10×SM30—40)/30

(1)

SM40—100 cm=(10×SM40—50+10×SM50—60+

10×SM70—80+10×SM90—100)/40

(2)

式中：SM10—20,SM20—30,SM30—40,SM40—50,SM50—60,SM70—80和SM90—100分別為10表示20 cm,20表示30 cm,30表示40 cm,40表示50 cm,50表示60 cm,70表示80 cm與90表示100 cm的氣象觀測土壤水分數據。

(3) 土壤水分數據的單位換算。由于CLDAS和氣象觀測土壤水分數據均為土壤體積含水量，而GLDAS土壤水分數據為質量含水量(單位為kg/m2)，因此，本文參考朱智等人的計算方法將GLDAS土壤水分數據轉換為體積含水量[19]，其計算公式如下：

(3)

據此，可分別計算GLDAS數據0—10，10—40 cm和40—100 cm的土壤體積含水量，其計算方法如下：

(4)

(5)

(6)

式中：GSM0—10,GSM10—40,GSM40—100分別代表GLDAS數據0—10,10—40 cm和40—100 cm的質量含水量；GSMv0—10,GSMv10—40,GSMv40—100分別代表GLDAS數據0—10,10—40 cm和40—100 cm的體積含水量。

1.2.3 誤差的度量方法 選擇相關系數(R)、均方根誤差(RMSE )和平均偏差(Bias)對土壤水分同化產品進行誤差分析，以量化同化數據與觀測資料間的一致性水平以及同化產品在川西高原的適用性[20]。其中，相關系數R表示土壤水分同化產品與站點觀測數據的線性相關程度，最優值為1，相關系數越高表明模式數據與觀測值的趨勢越接近。均方根誤差RMSE和平均偏差Bias反映土壤水分同化產品和地面觀測數據的離散程度，可以表示同化產品數據的整體誤差和精度，兩者絕對值越小越好，最優值為0。

2 結果與分析

2.1 土壤水分同化產品在川西高原地區的適用性

(1) 同化產品與觀測數據的相關性分析。由川西高原地區8個氣象站點日土壤水分觀測值與2套土壤水分同化數據的相關性分析結果(表1)可以看出：①GLDAS-Noah和CLDAS土壤水分產品與站點觀測值均具有較好的相關關系，多數站點的產品數據與觀測值間呈現極顯著的相關性。總體來看，GLDAS-Noah產品數據與站點觀測值有更穩定的一致性關系，尤其是在0—40 cm的2層土層中，產品結果與觀測值的相關性都通過極顯著性檢驗，且相關系數為正值。②從不同深度土壤水分數據的相關系數來看，所有站點表層和淺層GLDAS-Noah和CLDAS產品數據與觀測值的相關性更好，但有些深層數據間的相關性較差。CLDAS深層土壤水分數據與觀測值的相關性表現略優于GLDAS-Noah數據，CLDAS有3個站點的深層土壤水分數據與觀測值的相關性未通過顯著性檢驗，GLDAS-Noah數據有4個站點未通過顯著性檢驗。

表1 川西高原不同站點土壤水分觀測值與土壤同化產品的相關系數

(2) 同化產品的誤差分析。從8個氣象站點土壤水分產品數據與觀測值的平均偏差(表2)可以看出，各站點GLDAS-Noah和CLDAS產品數據的誤差都較小，所有站點不同層次的平均誤差為0.067 m3/m3，兩套數據產品與觀測值間的誤差差異不大。從不同層次的平均偏差來看，兩套數據平均偏差值的排序均為：表層<淺層<深層，說明同化產品對表層土壤水分的模擬結果比深層更好。相比較而言，CLDAS數據與觀測值的平均偏差在土壤表層比GLDAS-Noah更小。對比不同站點的數據誤差結果，發現產品數據在各站點的表現存在差異。兩套數據在甘孜、石渠和松潘3個站點與觀測值的平均偏差都較小，在壤塘和茂縣2站點的平均偏差相對較大。兩套數據在金川、理縣和黑水的平均偏差也較大，但GLDAS-Noah數據的結果比CLDAS數據稍好。

表2 川西高原不同站點土壤水分觀測值與土壤同化產品的平均偏差

從8個氣象站點土壤水分產品數據與觀測值的均方根誤差(表3)可以看出，各站點GLDAS-Noah和CLDAS產品數據的誤差都較小，所有站點不同層次的平均均方根誤差為0.152 m3/m3，兩套數據產品與觀測值間的誤差差異不大。從不同層次的平均均方根誤差來看，兩套數據平均均方根誤差值的排序均為淺層<深層<表層，說明同化產品對淺層土壤水分的模擬效果比表層和深層好。

表3 川西高原不同站點土壤水分觀測值與土壤同化產品的均方根誤差

相比而言，GLDAS-Noah數據與觀測值的平均均方根誤差比CLDAS數據更小。對比不同站點的數據均方跟誤差結果，發現產品數據在各站點的表現存在差異。兩套數據在甘孜、石渠和松潘3個站點與觀測值的均方根誤差都較小，在壤塘和茂縣2站點的均方根誤差相對較大。兩套數據在金川、理縣和黑水的均方根誤差也較大，但GLDAS-Noah數據的結果比CLDAS數據稍好。

總的來說，兩套資料在甘孜、石渠和松潘誤差較小，甘孜、石渠、金川、壤塘和松潘相關系數較高。綜上所述，兩套陸面模式有各自的優勢，GLDAS數據在數值上更接近于觀測值，CLDAS土壤水分產品具有較高的空間分辨率，能夠刻畫土壤水分的細微變化且在深層更具優勢，因此，GLDAS-Noah和GLDAS陸面模式資料均可作為川西地區自動觀測的替代資料。

2.2 降水對土壤水分同化精度的影響

為了分析降水對土壤水分同化產品精度的影響，選擇當日是否有有效降水選擇標準為當日降水量>0，則為有效降水，分別計算兩套土壤水分同化產品和觀測值之間的平均偏差，從8個站點的平均值(表4)可以看出：降水對土壤水分同化產品的誤差存在明顯的影響，GLDAS-Noah和CLDAS土壤水分同化產品與站點數據的平均偏差均在有降水的情況下比無降水時小，說明兩套數據在無降水的時候對土壤水分的高估甚于有降水的情況。同時，降水對土壤水分同化精度的影響也存在數據和區域的差異，GLDAS-Noah數據相比于CLDAS數據的誤差更小，10—40 cm的誤差小于0—10 cm的誤差。但是，在有降水情況下上下兩層數據的平均偏差比較接近，無降水情況下表層土壤水分的誤差比淺層土壤水分的誤差更大。

表4 有無降水對土壤同化產品數據平均誤差影響的對比

從各站點在有無降水情況下土壤水分同化產品與觀測值的平均偏差對比結果(圖1)還可以看出，兩套數據在研究區中部地區的誤差相對較大。

圖1 川西高原各站點有無降水土壤水分同化產品與觀測值的平均偏差

2.3 土壤水分變化對降水過程的響應分析

降水是影響土壤水分變化的主要因素，為了分析產品數據對降水過程的響應，選擇2017—2018年5—10月間典型的降水事件作為分析對象。這里的典型降水事件指的是，從降水開始到降水結束，降水前后3 d內無有效降水。根據氣象站點的日降水量數據，符合條件如下表5所示，總計有5次。

表5 2017-2018年5-10月典型降水事件

根據典型事件過程的累計降水量分析，僅分析表層和淺層土壤水分與降水變化關系，圖2是不同典型降水事件過程中，不同土壤水分數據隨時間的變化過程。從圖2上可以看出：①土壤水分同化產品數據與觀測數據(ASM)在0—40 cm土層內都能表現出對降水過程的響應，表現為土壤水分數據隨降水過程的開始而增大，且隨降水結束而逐漸減小。并且，隨著土層深度的增大，土壤水分數據的變化幅度減小，兩套土壤水分同化產品均和觀測值隨時間的變化具有相同趨勢。②0—40 cm深度內，相比于土壤水分同化數據，氣象觀測數據ASM對降水變化的響應過程更加靈敏。對比兩種產品數據的表現，GLDAS數據比CLDAS數據相對靈敏，少量降水就能夠引起表層土壤水分變化，隨著降水量增大，有時會突然出現低估現象，而CLDAS資料則更加平穩。從數據結果來看，2種產品數據均大于觀測值，說明產品數據都存在對土壤水分的高估，GLDAS-Noah數據更接近觀測值。

圖2 川西高原土壤水分和降水隨時間變化特征

2.4 土壤水分同化產品的空間分布

利用ArcGIS制圖進一步對2種土壤水分同化數據在空間分布表達上的差異進行對比分析。利用2017—2018年5—10月平均土壤水分不同深度數據求平均值后制作研究區不同深度土壤水分空間分布圖(圖3)，可以看出：兩套數據都能表現出川西地區土壤水分空間分異的特征，總體上表現為北部高于南部、東南高于西北的空間分布特征，并且，土壤水分隨著土壤層深度的增加而增大。從數值上看，兩套土壤水分產品0—10 cm和10—40 cm深度的最高值差別不大，40—100 cm土壤水分最大值較前2層土壤水分差別較大。另外，從圖上也可以看出，GLDAS-Noah產品的空間異質性相比于CLDAS產品較差。

圖3 川西高原非凍結期GLDAS-Noah和CLDAS土壤水分數據空間分布對比(m3/m3)

3 討 論

(1) 本文采用氣象站點的數據評估2種柵格尺度的土壤水分同化數據，得出GLDAS-Noah土壤水分產品在數值上比CLDAS產品更接近于觀測值，該結論與劉歡歡等[21]在黃土高原研究的結論相似。非凍結期GLDAS資料土壤水分資料在0—10 cm，10—40 cm適用性更好，但是在深層其適用性較差，這與Chen et[8]以及鄧明珊等[22]的結論一致。

(2) 由于評估數據與觀測數據空間尺度不同，本文采用鄰近格點匹配的格點數據并不能完全代表真實的觀測值，這會在一定程度上對評估結果的準確性造成影響。兩套土壤水分同化產品在不同站點的誤差存在較大的差異，這與模式驅動、參數化方案和下墊面性質有關，這與Zeng等[23]結論一致。由于高原地區具有復雜的氣候、地形、植被與土壤條件，這使得土壤水文具有很強的空間變異性。但是，由于目前對空間異質性較強區域的土壤水分變化的機理尚不夠清晰，且在剖面尺度上土壤水分運動的規律更加復雜。CLDAS系統采用單柱模型，對于面流、徑流等水文過程對土壤濕度的影響考慮較少，GLDAS由于下墊面數據在中國區域不夠精細和模式水文模塊有待進一步完善。為此，現有的土壤水分產品數據的精度還不足以滿足高原地區不同剖面土壤水分數據的需求。土壤水分空間異質性的規律，土壤水分動態變化過程的機理以及土壤水分模擬的物理模型等都有待進一步研究和發展。

4 結 論

本研究通過將CLDAS和GLDAS土壤水分同化產品與觀測資料的對比，評估GLDAS-Noah數據和CLDAS數據在川西地區的適用性，得到以下主要結論。

(1) 兩套土壤水分同化產品均能較好的模擬研究區土壤水分情況，在日尺度上兩套資料在川西地區適用性都好，但都存在明顯的高估現象。GLDAS-Noah土壤水分產品在數值上更接近于觀測值，但CLDAS產品因具有較高的空間分辨率更能反映土壤水分空間分布的異質性特征。同時，CLDAS深層土壤水分數據的精度優于GLDAS數據。

(2) 無降水情況下兩套土壤水分產品對土壤水分的高估甚于有降水的情況，但是在有降水的情況下表層和淺層數據的誤差比較接近，在無降水情況下表層土壤水分的誤差比淺層土壤水分的誤差更大。兩套土壤水分產品都能表現出與降水一致的變化過程，且土壤水分數據的變化均滯后于降水量的變化，GLDAS-Noah數據比CLDAS數據對降水的反應更加靈敏。