CLDAS和GLDAS土壤溫度數據在 陜西省的適用性評估

劉佩佩 宋海清 鮑煒煒 李靜睿

(1 陜西省安康市氣象局，安康 725000； 2 陜西省氣象局秦嶺和黃土高原生態環境氣象重點實驗室漢江流域 (陜南)暴雨研究中心，西安 710016； 3 內蒙古自治區生態與農業氣象中心，呼和浩特 010051； 4 南京信大數字氣象研究院有限公司，南京 210044)

引言

影響陸地區域天氣和氣候的過程包括大氣和地球表面之間的能量和水分的交換。這些交換的速率取決于多個因素，包括土壤溫度和濕度。土壤溫度和濕度的變化會改變地表顯熱和潛熱的分配，并影響大氣邊界層過程和區域大氣環流(Pan[1],Peters-Lidard[2])。雖然土壤溫度會受到大氣環流異常的影響，但土壤溫度的變化主要還是由地表的輻射、顯熱交換和潛熱交換以及不同熱性質土壤在垂直方向的熱傳遞引起的。許多學者[3-7]研究表明土壤溫度是陸面模式中影響陸氣相互作用的關鍵參數，因此研究土壤溫度對于陸面模式有非常重要的意義。

Sarith P.P.Mahanama等[8]利用AGCM模式研究了土壤溫度對地面氣溫變化的影響，結果表明開啟了土壤溫度與氣候系統耦合的試驗能顯著影響地面氣溫變化。土壤深層中的正熱異常會逐漸將額外的熱量釋放到淺層，在土壤淺層熱異常會通過對土地覆蓋和植被條件的影響而產生地表熱異常和水分通量異常。通過影響年際和年代際的地表熱通量和水汽通量，深層土壤溫度異常可能是影響區域氣候的來源之一[9]。除了影響大氣，不同深度的土壤溫度異常還會直接影響到農作物的生長和產量。江燕等[10]研究表明，覆蓋地膜提高土壤溫度，從而能促進甘薯塊根早形成，協調其生長中后期地上部與地下部的關系，從而提高塊根產量。霍軼珍等[11]和張建華等[12]研究發現黑色地膜能提高土壤溫度，從而提高玉米和高粱的產量。更多研究[13-15]也表明覆膜提高土壤溫度的方法對玉米的出苗、保苗以及產量都有很大影響。此外，研究指出準確地預報地表溫度對于交通安全也是重要的保障條件[16-17]。

土壤溫度的重要性不言而喻，由于觀測數據的站點往往相距幾十公里甚至上百公里，滿足不了當下對于土壤溫度數據精細化的要求，隨著計算機水平的不斷提高，更高時空分辨率的陸面模式產品能在一定程度上起到替代作用。劉川等[18]評估了多套土壤溫濕度數據在青藏高原的適用性，表明CFSR(美國NCEP氣候預測系統再分析資料)的土壤溫度產品在青藏高原更接近于觀測值，而GLDAS-CLM的土壤濕度產品在非凍結期表現最好。劉歡歡等[19]對CLDAS和GLDAS的土壤濕度數據在黃土高原的適用性進行了評估，結果顯示兩套數據在黃土高原都有各自的優勢，可作為觀測數據的替代。韓帥[20]等利用CLDAS大氣強迫場驅動CLM3.5模式，模擬得到了較高精度土壤濕度數據，并且模擬結果在青藏高原地區要優于GLDAS和ERA土壤濕度數據。朱智等[21]對比了GLDAS 4個陸面模式和CLDAS的土壤濕度在中國區域的模擬能力，5個模式均可以模擬出土壤濕度在中國的空間分布特征，但是CLDAS較其他模式具有一定的優勢。宋海清等[22]評估了多套土壤濕度數據在內蒙古的適用性，認為CLDAS在內蒙古表現最好，EC-interim最差。楊楠[23]等利用GLDAS2數據分析了2000—2016年青藏高原土壤溫度的時空變化特征。孫帥[24]利用CLM3.5和Noah-MP陸面模式模擬了中國區域地表溫度，結果表明考慮動態植被方案的Noah-MP模擬結果要好于CLM3.5。孟現勇等[25]等研究表明：基于CLDAS強迫的CLM3.5陸面模式能夠較好地模擬新疆區域土壤溫度的時空特征。朱景等[26]評估了歐洲中期天氣預報中心ECMWF的兩套再分析資料陸面溫度在浙江省的適用性，結果表明第5代再分析資料ERA5要優于ERA-Interim。以上評估針對土壤濕度的研究較多，土壤溫度相對土壤濕度同樣重要，本文利用陜西省97站土壤溫度逐日觀測數據、中國氣象局陸面數據同化系統(CLDAS2.0)和美國全球陸面數據同化系統(GLDAS)3種陸面模式 (Noah-GLDAS2.1,Noah-GLDAS1,CLM-GLDAS1)土壤溫度數據，評估了幾種土壤溫度數據在陜西省的適用性，以期能夠為各陸面模式的改進提供參考。

1 資料和方法

本文所用數據為2016年陜西省土壤溫度觀測數據，CLDAS2.0、Noah-GLDAS1、Noah-GLDAS2.1以及CLM-GLDAS1土壤溫度數據。

1.1 觀測數據

觀測數據來源于陜西省氣象信息中心提供的陜西省97個自動站土壤溫度逐日觀測數據。土壤溫度的觀測在垂直方向上分8層:5 cm，10 cm，15 cm，20 cm，40 cm，80 cm，160 cm，320 cm。由于陜西南北緯度跨度較大，而且從北往南呈現明顯不同的氣候和地理特征，因此將研究區域分為陜北黃土高原地區(包括榆林和延安)，關中平原地區(包括西安、咸陽、寶雞、楊凌、銅川和渭南)以及陜南秦巴山區(包括漢中、安康和商洛)。

1.2 CLDAS數據產品

中國氣象局陸面數據同化系統(CMA Land Data Assimilation System，CLDAS)是由國家氣象信息中心研發，將地面觀測資料、風云衛星資料、數值模式產品等多種資料進行融合和同化，獲得高時空分辨率的溫度、氣壓、風速、濕度、降水和輻射等氣象要素的格點數據，進一步驅動陸面模式，得到土壤濕度、土壤溫度等產品[27]。CLDAS 土壤溫度分析產品覆蓋亞洲區域(0°～65°N，60°～160°E)，逐小時、垂直分為5層(0～5，0～10，10～40，40～100，100～200 cm)，按0.0625°×0.0625°等經緯度網格分布的土壤溫度產品，實時產品滯后1.5 h，近實時產品滯后2 d。目前業務運行的為CLDAS2.0。

1.3 GLDAS數據產品

全球陸面數據同化系統(Global Land Data Assimilation System, GLDAS)[28]是美國宇航局(National Aeronautics and Space Administration, NASA) 與美國國家環境預報中心(National Centers for Environmental Prediction, NCEP)和國家海洋大氣局(National Oceanic and Atmospheric Administration, NOAA)的聯合項目。GLDAS采用先進的數據同化技術將衛星觀測數據和地基觀測數據整合到一個統一的模型中。目前GLDAS旗下共有四種陸地表面模式 (Land Surface Model)，分別為 Noah、Mosaic、CLM(Community Land Model)、VIC(Variable Infiltration Capacity)。這些模式以網格數據的形式集成了多種陸地表面信息，例如全球的降水(降雨和降雪)、蒸散(土壤水分蒸發和植被蒸騰)、地表徑流、地下徑流、土壤濕度、地表溫度、土壤溫度、地表熱流等。模式的空間分辨率有兩種，分別為1°×1°和0.25°×0.25°，時間分辨率有3種，分別為3 h、1 d、1個月。目前GLDAS-Noah已經發布了1.0，2.0，2.1三個版本，GLDAS-Mosaic、GLDAS-CLM、GLDAS-VIC僅發布了1.0版本，由于Mosaic缺少淺層土壤溫度、VIC未包括土壤溫度產品，本文選取GLDAS1-Noah、Noah-GLDAS2.1以及GLDAS1-CLM 3種陸面模式土壤溫度產品，時間分辨率為3 h，其中GLDAS1-Noah、Noah-GLDAS2.1空間分辨率為0.25°×0.25°，GLDAS1-CLM空間分辨率為1°×1°。

本文所用以上數據為了便于比較，都處理成日值，同時需要特別說明的陸面模式雖然輸出為0～10 cm土壤溫度，但實際計算節點在5 cm[29]，因此本文中取5 cm觀測數據與各陸面模式0～10 cm土壤溫度做對比評估。鑒于土壤溫度觀測數據為站點數據，而其他產品為格點數據，文中取距離站點最近的格點值與觀測值進行比較，避免采用插值方法帶來的新誤差。為了分析各陸面模式產品與觀測數據之間的關系，文中所采用的統計分析方法有：相關系數、平均偏差、均方根誤差、標準差等。

2 結果與分析

2.1 5 cm土壤溫度的空間統計分析

從陜西省97個站點與不同陸面模式5 cm土壤溫度時間相關系數的空間分布圖(圖1)可以看出(所有站點均通過了置信度為99.9%的顯著性檢驗)，不同陸面模式數據對陜西省的土壤溫度都能較好地模擬，其中CLDAS2.0(圖1a)的模擬能力最好，所有站相關系數都達到了0.98以上，有81站相關系數超過了0.99，占總站數83%，從相關系數空間分布來看，關中西北部和陜北南部較其他地方略差。

圖1 陜西省2016年觀測數據與不同陸面模式5 cm土壤溫度日值的時間相關系數空間分布: (a)CLDAS2.0， (b) Noah-GLDAS2.1， (c) Noah-GLDAS1， (d) CLM- GLDAS1

其次是Noah-GLDAS2.1(圖1b)，僅有8站相關系數未超過0.98，這些站點主要分布在秦巴山區，陜北大部分站點相關系數都超過了0.99，說明Noah-GLDAS2.1在陜北黃土高原的模擬能力要好于陜南秦巴山區。CLM-GLDAS1(圖1d)要略差于前兩者，所有站點相關系數都超過了0.8，僅在關中中部和陜北南部部分站點相關系數超過了0.9。而Noah-GLDAS1(圖1c)所有站點相關系數均未超過0.9，關中中部以及陜北北部個別站相關系數低于0.7，模擬能力最差。

為了進一步分析不同陸面模式5 cm土壤溫度與觀測數據的離散度，圖2給出了均方根誤差的空間分布圖，從圖2可以看出，不同陸面模式的均方根誤差在陜西省的分布有很大差異，CLDAS2.0(圖2 a)的均方根誤差在陜北、關中以及陜南都較小，其中有超過2/3站(66站)均方根誤差小于2 ℃，95站小于3 ℃。其他3個陸面模式均方根誤差的空間分布都表現出從北向南遞增的趨勢，陜西省從北邊往南越來越復雜的下墊面(依次為黃土高原、關中平原和秦巴山區)是導致這種趨勢的可能原因。Noah-GLDAS2.1(圖2b)雖然在相關系數的表現與CLDAS2.0相差不大， 但是均方根誤差在陜南秦巴山區以及關中平原西部明顯要高于CLDAS2.0，而在陜北以及關中北部Noah-GLDAS2.1與CLADS2.0的均方根誤差相差不大。Noah-GLDAS1(圖2c)和CLM-GLDAS1(圖2d)的均方根誤差明顯大于前兩者，其中CLM-GLDAS1要稍好于Noah-GLDAS1，CLM-GLDAS1大部分站點均方根誤差超過了5 ℃，而Noah-GLDAS1大部分站點均方根誤差超過了7 ℃。

圖2 陜西省2016年觀測數據與不同陸面模式5 cm土壤溫度日值的時間均方根誤差空間分布: (a) CLDAS2.0， (b) Noah-GLDAS2.1， (c) Noah-GLDAS1， (d) CLM-GLDAS1

通過相關系數和均方根誤差的分析可以發現：CLDAS2.0的相關系數最好，并且均方根誤差最小；Noah-GLDAS1的相關系數最差，同時均方根誤差也最大；Noah-GLDAS2.1相關系數僅次于CLDAS2.0，但是均方根誤差在陜南秦巴山區明顯較CLDAS2.0偏大。說明CLDAS2.0是4套陸面模式5 cm土壤溫度數據中對時間變化模擬得最好，同時離散度也最小，而Noah-GLDAS1對時間變化模擬最差，離散度也最大。

2.2 陸面模式土壤溫度與觀測數據的對比

由于陸面模式格點數據代表的是一個網格內的平均狀態，而觀測數據僅僅代表是一個點的狀態，二者在空間上的代表性有差異，因此，根據陜西省的地理分布特點，將陜西省分為陜北、關中以及陜南3個區域，對各個區域內的所有站點觀測數據進行平均，以此代表該區域的土壤溫度。由陜西省3個區域2016年觀測數據和4套陸面模式土壤溫度時間序列演變圖(圖3)可以看到，CLDAS2.0和Noah-GLDAS2.1在3個區域與觀測數據都有很好的對應關系，二者不僅能夠反映出土壤溫度的季節變化，對于日尺度變化趨勢也能很好的模擬，反觀Noah-GLDAS1和CLM-GLDAS1并不能模擬出土壤溫度的日變化趨勢，僅僅對于季節變化趨勢有一定模擬能力。進一步分析不同區域各套土壤溫度數據與觀測數據的偏差(圖4)，可以發現，除CLDAS2.0外，其他3套數據在3個區域春夏都表現出明顯的低估，說明Noah-GLDAS2.1、Noah-GLDAS1、CLM-GLDAS1對于雨季土壤溫度的模擬能力較差。CLDAS2.0在3個區域較其他3套數據模擬能力更穩定，偏差更小，就CLDAS2.0自身而言，在陜南(圖4c)的偏差最小，在陜北(圖4a)的偏差最大。Noah-GLDAS2.1在陜北、關中的模擬能力跟CLDAS2.0比較接近，但是在陜南明顯比CLADS2.0差。

圖3 陜西省3個區域2016年不同陸面模式5 cm土壤 溫度時間序列:(a)陜北，(b)關中，(c)陜南

圖4 陜西省3個區域2016年不同陸面模式5 cm土壤 溫度偏差時間序列:(a)陜北，(b)關中，(c)陜南

為了評估不同模式在站點上的模擬效果，在陜北、關中、陜南分別選取了一個站點進一步做站點評估分析，圖5和圖6分別給出了陜北榆林站，關中涇河站，陜南安康站3個代表站的5 cm土壤溫度時間序列圖和土壤溫度偏差的時間序列圖，從上述圖中可以得出：不同模式在3個站點的季節變化、日變化以及偏差結果都與其所在區域保持一致，CLDAS2.0站點的模擬能力依然優于其它模式。

圖5 陜西省3個區域代表站2016年不同模式5 cm土壤 溫度時間序列:(a)榆林，(b)涇河，(c)安康

圖6 陜西省3個區域代表站2016年不同模式5 cm土壤 溫度偏差時間序列:(a)榆林，(b)涇河，(c)安康

表1給出了3個區域平均的土壤溫度與觀測數據的相關系數、平均偏差以及均方根誤差，相關系數均通過了置信度為99.9%的顯著性檢驗。CLDAS2.0在3個區域都有著非常好的相關系數，較低的平均偏差和均方根誤差；Noah-GLDAS2.1相關系數與CLDAS2.0不相伯仲，且在陜北、關中地區有著較低的平均偏差和均方根誤差， 但是在陜南地區平均偏差和均方根誤差分別達到了4.99 ℃和5.59 ℃以上，表現較CLDAS2.0要差很多。Noah-GLDAS1和CLM-GLDAS1較前兩者明顯要遜色不少，3個區域的平均偏差和均方根誤差基本都超過了5 ℃以上，Noah-GLDAS1在陜南地區的平均偏差和均方根誤差甚至到了7 ℃和9 ℃以上。

表1 陜西省3個分區2016年不同模式日均5 cm模擬土壤溫度和臺站觀測相關系數、平均偏差和均方根誤差

為了進一步對比4套陸面模式土壤溫度數據，圖7給出了4套數據與觀測數據的Taylor圖[30]，通過圖7可以看出，在陜北地區CLDAS2.0和Noah-GLDAS2.1不相上下，相關系數都達到了0.98以上，且與觀測數據的標準差非常接近；在關中和陜南地區，CLDAS2.0同樣表現最好，Noah-GLDAS1在3個區域相關系數最小，且與觀測數據的標準差偏離最大，表現最差。

圖7 陜西省3個區域2016年4套陸面模式土壤溫度 逐日數據相對于觀測數據的Taylor圖

3 結論與討論

本文利用陜西省2016年97站逐日土壤溫度觀測數據，對比評估了CLDAS2.0、Noah-GLDAS2.1Noah-GLDAS1和CLM-GLDAS1土壤溫度數據，得出了以下結論：

(1)CLDAS2.0土壤溫度在陜西省的模擬效果最好，相對于其他3套數據表現出更好的相關系數和更小的均方根誤差。Noah-GLDAS2.1的模擬效果僅次于CLDAS2.0，在陜北和關中地區與CLDAS2.0模擬能力接近，但是在陜南地區均方根誤差明顯高于CLDAS2.0，需要進一步改進。Noah-GLDAS1和CLM-GLDAS1的模擬效果都要明顯差于CLDAS2.0和Noah-GLDAS2.1，其中Noah-GLDAS1最差。

(2)從3個區域土壤溫度的時間演變來看，CLDAS2.0和Noah-GLDAS2.1不僅能模擬出土壤溫度的季節尺度變化，同時能模擬出土壤溫度的日變化，而Noah-GLDAS1和CLM-GLDAS1僅僅能模擬出季節尺度變化。從3個區域土壤溫度的偏差時間演變來看，除CLDAS2.0在關中地區表現偏高之外，其它數據和地區都表現出明顯的低估，且低估在陜西雨季更為明顯。

(3)為何CLDAS2.0土壤溫度在陜西省的模擬效果要優于其它模式，影響陸面模式模擬結果的重要因素之一就是驅動數據的質量，CLDAS2.0融合并同化了我國4萬多個自動站和區域站、風云衛星以及數值模式產品等數據，大氣驅動數據質量在中國區域要優于其他同類產品[31]；不同陸面模式以及同一陸面模式的不同參數化方案不確定性很大，CLDAS2.0為了降低單模式和單參數化方案模擬的不確定性，所使用的陸面模式是CLM3.5和4種不同參數化方案下Noah-MP，因此相比較于單參數化方案的CLM、NoahLSM以及NoahMP不確定性更小。影響路面模式模擬效果的另外一個重要因素是下墊面，CLDAS2.0、Noah以及CLM都是模式自帶下墊面，陜西省下墊面復雜，為了進一步提高陸面模式對陜西省的模擬能力可以考慮使用更加準確的下墊面數據替換模式自帶。

綜上所述，CLDAS2.0對陜西省土壤溫度的模擬無論是時間還是空間上都要優于其他3個陸面模式，Noah-GLDAS2.1在陜北和關中地區表現同樣優秀，但是在陜南地區有待改進。由于陜西省站點分布間距都在幾十甚至上百公里，CLDAS2.0的高時空分辨率可作為補充，應用于農業、林業、水文等領域。由于本文所用數據時間段僅為2016年，且土壤溫度為表層數據，評估結果具有一定局限性，今后將使用更長時間段的觀測數據來探究不同陸面模式表層和深層土壤溫度年際變化和季節變化的模擬能力。