CLM5陸面模式在珠江流域蒸散發模擬的效果評價

王大洋

(中山大學地理科學與規劃學院，廣東 廣州 510275)

精確地模擬地球表面的蒸散發對于深刻理解地表水循環過程和能量過程的變化規律具有重要意義[1-3]。與地球水循環的其他變量相比，地表蒸散發過程受到的影響因素更為復雜，如太陽輻射、環境溫度、濕度、風速、地表植被覆蓋和土壤濕度等。因此，準確地描述蒸散發過程是一個十分具有挑戰性的課題。作為水文循環里的子過程，在水文模型里，對于蒸散發的計算相對比較簡化，多數水文模型并不涉及能量過程，而只關注水循環。然而，地表能量循環過程中，對于到達地表的太陽輻射，約48%的輻射量都被消耗于蒸散過程，這個過程中的汽化潛熱使地表約64%的降水得以重新進入大氣，從而才有了地球最基本的水循環結構[4-5]。

陸面模式(Land Surface Model,LSM)是用數學的公式和方法描述在太陽輻射、大氣驅動作用下的地表的生物物理、生物化學和生態等過程的模型。它涉及到地表水循環、能量循環、碳循環和氮循環等眾多方面，具有較為復雜而系統的結構[6]。因此，陸面模式對于地表蒸散發過程的刻畫較水文模型更加具體和詳盡。現有的陸面模式有很多，如美國的CLM(the Community Land Model)、NOAH(Unified Noah Land Surface Model)和NOAH-MP(Unified Noah Land Surface Model-Multiparameterization Options)，英國的JULES(the Joint UK Land Environment Simulator)，澳大利亞的CABLE(the Community Atmosphere Biosphere Land Exchange model)，德國的Max-Planck-Institute機構研發的JSBASH模式，中國的CoLM(Common Land Model)。不同的模式對于地表蒸散發過程的參數化方案存在差異。但針對模式的實用性和可靠性而言，當前使用最廣泛的當屬美國的CLM陸面模式。基于此，為了評估CLM陸面模式在中國地區的蒸散發模擬的適應性，研究選取了珠江流域，對CLM模式在該流域的蒸散發模擬效果進行評價，從而為更好地發展和完善模式提供參考。

1 陸面模式及驗證數據

1.1 陸面模式及模擬參數

CLM5(Community Land Model,version 5)是由美國國家大氣研究中心(National Center for Atmospheric Research,NCAR)開發的陸面地表模型。它是基于LSM、IAP94和BATS 3個模式逐漸發展起來的[7-9],CLM5是CLM陸面模式的第5版，也是最新的版本，于2018年正式發布。CLM模式發展源于1996年，通過20多年的更新和迭代，發展成為了一個涵蓋地表水文循環、能量循環、碳循環、氮循環等眾多復雜地表過程的陸面模式[6]。

CLM5對于蒸散發的模擬有詳細的基于物理過程的參數化方案，其對于地表蒸散發所涉及的植被截留蒸發、土壤蒸發、植被蒸騰、水面蒸發和雪升華等過程都進行獨立計算，以水量平衡和能量平衡為基本原理進行描述。例如，模式中的植被截留蒸發過程除了考慮最基本的氣象條件外，還考慮了植被類型、葉面積指數、葉片水量承重等要素；植被蒸騰過程則是根據氣象條件、植被葉片溫度、氣孔阻抗、植被水力傳導和水分利用效率等多種因素而確定；土壤蒸發則考慮了土壤含水量、土壤溫度、土壤質地和類型等要素；各個部分的詳盡參數化方案及模塊的數值化描述，可以見模式官方技術手冊https://escomp.github.io/ctsm-docs/versions/release-clm5.0/html/tech_note/index.html。

CLM5陸面模式的運行需要有氣象強迫數據作為外界驅動，本研究的氣象驅動數據來源于歐洲中期天氣預報中心(European Centre for Medium-Range Weather Forecasts,ECMWF)發布的基于ERA5再分析數據改進的氣象驅動數據[10]，其中包含了太陽短波輻射、氣溫、氣壓、比濕、風速、降水、降雪和下行長波輻射等8個氣象因子，以此作為CLM5模式的氣象驅動。該驅動數據的空間分辨率為0.5°，時間分辨率為1 h，涵蓋了1980—2018年共38年的數據。為保證模式的穩定運行，本研究以1980—1988年作為Spin-up時段，以1989—2018年的蒸散發模擬結果作為研究評價的基礎，設置模式輸出的時間頻率為逐月輸出，空間分辨率為0.5°。

1.2 驗證數據

GLEAM(Global Land Surface Evaporation Amsterdam Model)數據[11-12]是由英國布里斯托大學地理科學學院Miralles博士研發的遙感蒸散發產品，數據可以公開免費獲取，其地址為https://www.gleam.eu/#datasets。此產品以Priestley-Taylor公式為基礎，借助多顆衛星觀測數據反演得到，GLEAM用于反演蒸散發的模塊包括Gash截留模塊、Priestley-Taylor潛在蒸發模塊、考慮根區含水和植被光學厚度的蒸發脅迫壓力模塊、和土壤濕度模塊等4個模塊。產品的空間分辨率約25 km，時間分辨率分為日、月尺度，通過不斷更新迭代，現發展至V3.5版本。

本研究選取GLEAM的1989—2018共30年的實際蒸散發(Actual Evaporation)，主要包括截留蒸發、土壤蒸發、植被蒸騰、水面蒸發和雪升華等組分。其中，水面蒸發和雪升華量非常小，與其他組分存在數量級上的差異。因此，截留蒸發、土壤蒸發和植被蒸騰三者占據蒸散發總量的絕大部分。對于GLEAM蒸散發產品，2017年Yang等[13]對其在中國區域的適用性進行過詳細分析評價，因此本研究不再對其在珠江流域的適用性單獨評價。此外，最近多項研究表明，GLEAM在多個蒸散發遙感產品中表現效果最佳[14]，因此，研究以GLEAM作為蒸散發真值參考數據是有信心的。為了和CLM5的模擬輸出結果的分辨率相匹配，將GLEAM的數據采用幾何平均的方式進行升尺度處理為空間分辨率為0.5°的網格。

2 研究區概況及評價指標

2.1 驗證數據

珠江流域(圖1)位于中國南部邊陲，是中國第三大流域，華南第一大流域。流域內地勢北高南低、西高東低，呈現從西北向東南傾斜的趨勢。流域涉及廣東、廣西、江西、湖南、貴州和云南等多個省(自治區)，總面積約為45萬km2。流域內分布有東江、西江、北江等三大水系，自西向東分別跨越了云貴高原、兩廣丘陵和珠江三角洲平原，其中，丘陵地貌占比超過了流域總面積的90%。流域屬于熱帶和亞熱帶季風氣候，多年平均氣溫為14～22℃，水資源量較豐沛，多年平均降水量為1 300 mm，多年平均徑流約為3 412 m3。

圖1 珠江流域地理高程

2.2 評價指標

研究分別選取相對誤差(RB)、均方根誤差(RMSE)和相關系數(R)作為評價CLM5蒸散發模擬表現的指標，其計算原理為：

(1)

(2)

(3)

(4)

(5)

3 研究結果

以GLEAM數據為參考，對CLM5在珠江流域的蒸散發模擬表現進行評價，評價分別從時間和空間2個方面開展。

3.1 蒸散發的時間尺度模擬效果評價

圖2a展示了1989—2018年CLM5和GLEAM的年平均變化趨勢。由圖可知，CLM5模擬的蒸散發總體呈現出低估的趨勢，流域多年平均蒸散發為1.89 mm/d(合計690 mm/a，一年按365 d計)，GLEAM遙感數據的多年平均蒸散發為2.24 mm/d(合計818 mm/a)，模擬的相對誤差為 -16.07%。其中，最嚴重的低估發生在2015年，其相對誤差為-21.59%；模擬最好的年份為1991年，其低估的相對誤差為-10.09%。從蒸散發逐年的變化可以看出，CLM模擬的蒸散發在近30年的變化呈現出平穩的態勢，而GLEAM遙感觀測值則呈現出輕微上升的趨勢，這一趨勢在2010年之后變得明顯。圖2b顯示了流域內各個網格的逐年的蒸散發對比情況，從散點圖的分布可以看出，大部分的散點位于1∶1參考線的上側，表明珠江流域總體上呈現蒸散發觀測值大于模擬值的現象，說明在年尺度上，CLM5對蒸散發的模擬表現為低估，這與圖2a中蒸散發的逐年變化結果是一致的。

a)流域逐年蒸散發變化

為了進一步探究CLM5模擬出現低估的原因，將1989—2018年逐月的模擬值和實測值進行繪制，見圖2c。從這360個月的變化曲線不難看出，CLM5能夠較好地模擬蒸散發的季節性變化趨勢，其季節性波動規律和GLEAM數據基本一致，峰值和谷值的出現時間也基本同步。此外，從圖中還可以發現，CLM5對于蒸散發的峰值模擬較谷值更為準確，尤其是在2000年以前，CLM5能很好地捕捉到蒸散發的峰值；2000—2018年，CLM5對于峰值模擬稍微出現了低估，但相差不大。相反地，CLM5對于谷值的模擬則差強人意，整體均表現為低估，且這種低估程度隨著年份呈現出愈加嚴重的趨勢。上述蒸散發的對比分析表明，CLM5在蒸散發量較大的月份表現較為出色，在蒸散發量較小的月份則表現遜色。

研究將30年逐月的蒸散發模擬值和觀測值進行比較，將散點對比結果繪制于圖3。由圖可知，CLM5在12個月份均表現出低估的現象，且這種低估在不同月份之間表現出明顯的差異。最嚴重的低估發生在5月，其相對誤差為 -64.27%。相比之下，9月份的相對誤差最小，其值為 -11.01%。對于RMSE，其最小值出現在10、11月，均為0.33 mm/d；最大值出現在5月份，其值為0.68 mm/d。12個月的蒸散發模擬值和觀測值的相關系數位于0.55～0.84之間，其中，相關性最高的月份為12月，最低的月份為10月，大部分月份的相關系數保持在0.65以上，表明模擬值和觀測值的相關性良好。

圖3 CLM5與GLEAM在1989—2018年的蒸散發逐月散點對比

續圖3 CLM5與GLEAM在1989—2018年的蒸散發逐月散點對比

綜合比較各月的散點圖分布可知，CLM5在蒸散發模擬時表現的低估是存在普遍性的，因此大多數月份的散點圖集中在1∶1參考線的上側。但值得注意的是，在從6月份向10月份的轉變過程中，每月蒸散發量逐漸增大(圖中表現為散點逐漸向右上角移動)，其散點圖的分布也逐漸向1∶1參考線靠攏，逐漸均勻地分布在參考線附近，表明該時期的模擬值呈現漸好的趨勢。此外，這一轉變過程中，雖然蒸散發量在逐漸增大，但RMSE卻表現為明顯的減小趨勢，這進一步說明了CLM5效果向好的轉變態勢。總體而言，CLM5在蒸發量大的暖季模擬表現較蒸散發小的冷季好，夏、秋兩季的模擬效果好于冬、春季的模擬效果。

3.2 蒸散發的空間分布模擬效果評價

圖4顯示了CLM5和GLEAM在珠江流域蒸散發的多年平均分布情況。從圖可以看出，CLM5能較好地模擬蒸散發在珠江流域的空間分布形態。蒸散發基本表現為東高西低、南高和北低的特點。比較之下，模擬值整體上比觀測值小，呈現為不同程度的低估，這與時間分析結果一致。從低估的空間分布看，最明顯的低估發生在流域的中北地區，該區域部分地區的相對誤差超過了-30%。流域南部地區的低估程度最小，這些區域的相對誤差基本都在-10%以內，表明CLM5在該區域模擬表現較好。值得注意的是，這些區域的多年蒸散發量較其他區域大，表明CLM5對于蒸散發量大的地區模擬效果更佳，這與時間分析的結果也相同。CLM5模擬的多年平均蒸散發的相對誤差為-15.55%，RMSE為0.39 mm/d。

a)CLM5(mm/d)1.89

為了更好地分析蒸散發的年內各月空間分布情況，將模擬值和觀測值的各個月份的多年平均值及相對誤差結果分別繪制于圖5—7中。從圖5可知，模擬的蒸散發在各個月份的空間變化和年平均結果具有相似性，同時也存在一定的差異。其相似性表現為從空間分布來看，呈現出從東南向西北遞減的趨勢，這種趨勢在9—11月表現得尤為突出。從各月的分布情況來看，各月的蒸散發量變化劇烈，8月的蒸散發量最大，流域內各地區的蒸散發量均在2.0 mm/d以上，其多年月平均值為3.03 mm/d，它是蒸散發量最小的1月份的4.2倍。各月份中，空間變異最大的為10月份，從該月的蒸散發空間分布可知，其最小值位于流域西北角，蒸散發量約為0.8～1.2 mm/d，而流域東南角的蒸散發量高達2.8～3.2 mm/d。結合圖3各月散點信息可知，10月份的點集分布較為離散，這一定程度佐證了該月空間變異大的分布特性。蒸散發最小的月份為1月，且該月的蒸散發空間上變化不大，基本維持在 0.8～1.2 mm/d，這可能與1月份冬季較低的氣溫有關。此外，值得注意的是流域西北的部分區域在1月份的蒸散量出現極端低值，其值小于0.4 mm/d。

圖5 CLM5在1989—2018年的蒸散發各月平均空間分布

續圖5 CLM5在1989—2018年的蒸散發各月平均空間分布

與GLEAM相比，CLM5模擬的蒸散發各月的結果與GLEAM觀測值在空間分布上較為類似，但呈現整體性的低估。就低估程度而言，最顯著的低估發生在2月份，其相對誤差為 -42.09%，該月中流域內大部分區域的相對誤差都在 -40%以上，低估較為明顯。相反地，CLM5表現最好的月份為7月，流域內大部分地區的相對誤差都維持在±10%以內，流域空間平均相對誤差和RMSE值都較小，分別為 -2.79%和0.41 mm/d。此外，6、8、 9月的相對誤差也都較小，均控制在 -10%以內。值得注意的是，雖然各個月份總體上呈現出低估的表現，但在蒸散發量較大的6—10月，流域的西北地區和中南地區仍存在輕微的高估現象。例如，在7月份流域西北的部分地區，CLM5模擬的蒸散發高估約為10%～20%。

圖6 GLEAM在1989—2018年的蒸散發各月平均空間分布

圖7 CLM5與GLEAM在1989—2018年的蒸散發各月平均相對誤差的空間分布

3.3 討論

a)蒸散發谷值偏低的討論。從流域的月平均時間序列可以看出，導致蒸散發出現系統性低估的來源是CLM5對冷季蒸散發低值的模擬出現低估。究其原因，有2點值得進一步探討。①CLM5的蒸散發模塊的計算原理是基于改進的Penman-Monteith公式，該公式在計算蒸散發時主要分為2項：輻射因素控制項和大氣因素控制項。其中后者主要取決于近地表的飽和水汽壓差和空氣動力學阻抗。地表水汽壓差與溫度有關，而空氣動力學阻抗的計算則和地表土地利用類型和下墊面的植被情況有關。在全球變暖的背景下，溫度逐漸升高的趨勢愈發顯著，且不同季節的增幅表現出明顯不同。根據劉綠柳等[15]對珠江流域近50年的氣候變化研究顯示，在季節性增溫中，冬季的增溫貢獻是最大的，夏季相對較低。而驅動CLM5的氣象驅動數據可能未能較好地體現出這一季節性的增長趨勢，這將直接影響到模式對冷季蒸散發的模擬，如此可能導致模式在冷季出現低估。②在冷季，植被的存在可能會對地表起一定程度的“保溫”效果，這種效果使得地表溫度比無植被覆蓋時偏高，進而導致蒸散發增加。而模式的參數化方案并不能較好地描述這一過程。此外，從王大洋[16]對珠江流域的廣東省近30年NDVI數據分析顯示，廣東省的NDVI呈現明顯的上升趨勢，表明其植被覆蓋正在增加。而在模式中，地表數據是基于某一歷史時期的靜態數據，而非動態模擬。在冷季，植被的存在對地表的保溫作用使得地表的蒸散發過程變得更加復雜，而這種植被所帶來的保溫作用似乎也不能被模式模擬到，這可能也是導致模式在冷季表現出蒸散發低估的原因。

b)蒸散發變化趨勢的討論。隨著全球變暖，蒸散發也呈現出明顯增加的趨勢。Pascolini等[1]于2021年發表在Nature期刊上的文章顯示，在2003—2019年間，全球蒸散發量增加了10%。因此，全球變暖引起蒸散發的增加逐漸成為不爭的事實。借助衛星遙感技術，蒸散發的增加趨勢可以被較好的捕捉到。從本文研究結果可知，在珠江流域，基于遙感觀測的GLEAM數據是存在上升趨勢的，而這一趨勢并未能被CLM5陸面模式捕捉到，CLM5模擬結果表現為平穩的態勢。原因可能是多方面的，如輸入氣象驅動場數據的不確定性、地表數據的精度、模式中參數化方案的科學性以及人類活動的影響等。

4 結論

研究采用CLM5陸面模式對珠江流域1989—2018年地表過程進行模擬，以基于GLEAM的遙感觀測數據為參考數據，對CLM5的蒸散發模擬表現進行評價，主要得到以下結論。

a)時間上，CLM5能較好地模擬流域內蒸散發的季節性變化規律。然而，CLM5模擬的蒸散發量總體呈現低估的表現，但低估程度并不嚴重，多年平均相對誤差為-16.07%。低估的原因主要來自于對冷季蒸散發低值的低估。CLM5對暖季蒸散發量高值的模擬則比較準確。

b)空間上，CLM5基本能較好地模擬流域的蒸散發空間分布形態，其對流域東南部、中南部和西部部分區域的模擬效果較其他區域更佳，對流域中北部部分地區模擬表現較差。

c)蒸散發涉及到流域水循環和能量循環等諸多方面、同時又受到人類活動的影響，要現實對其精準的模擬仍需要付出持續的努力。