土壤湿度是地球系统模拟的重要参数之一,准确获得其时空分布和变化特征是研究陆-气相互作用的基础。再分析资料和陆面数据同化资料均可提供全球或区域高分辨率土壤湿度产品,但在使用前需要对其进行评估分析。利用土壤湿度观测数据,计算ERA5、ERA5-Land、NCEP-DOE R2、CRA40再分析资料和GLDAS-Noah、GLDAS-CLSM、CLDAS陆面数据同化资料土壤湿度产品与观测数据的中位数、模拟偏差、相关系数等统计指标,并分季节和气候区讨论不同土壤湿度产品在中国北方地区的模拟效果。结果表明:整体来看,CRA40与观测值的相关性最好,ERA5和ERA5-Land分别对干中心、湿中心模拟效果更好,GLDAS-Noah对于较干土壤地区模拟略偏湿,CLDAS对较湿土壤地区模拟结果以系统性偏干为主,NCEP-DOE R2和GLDAS-CLSM模拟效果较差;ERA5、ERA5-Land、NCEP-DOE R2、GLDAS-Noah和CLDAS在所有季节均为模拟正偏差,春季模拟效果较好的是CRA40、ERA5-Land,夏季和秋季ERA5-Land、ERA5和CRA40与观测值相关性较好,不同产品模拟的冬季土壤湿度和观测值相关性是全年中最小的;不同土壤湿度产品在干旱区以模拟偏湿为主,GLDAS-Noah模拟效果最佳,但模拟土壤湿度峰值和谷值的出现时间较观测较早,GLDAS-Noah、CRA40、ERA5能较好模拟季风区干、湿土壤的持续时段和土壤湿度变化振幅,大部分产品能模拟出夏季风影响过渡区较干土壤和较湿土壤的出现时间。

The accurate spatial-temporal distribution of soil moisture,which is one of the important parameters of the Earth System Simulation,is the basis for land-atmosphere interaction.Both reanalysis data and the land data assimilation system (LDAS) can provide global or regional high-resolution soil moisture products.However,validation of the simulation data is required before application.In this study,the fidelity of soil moisture products,including four reanalyzed soil moisture products (ERA5,ERA5-Land,NCEP-DOE R2 and CRA40) and three LDAS soil moisture products (GLDAS-Noah,GLDAS-CLSM and CLDAS) are examined using the in situ datasets via several statistical indexes (e.g.,median,deviation,and correlation coefficient) in northern China.The results show that CRA40 achieves the best correlation with observations,while ERA5 and ERA5-Land respectively provide better simulation for dry and wet centers.In addition,GLDAS-Noah shows a slightly positive bias for drier soil areas,and CLDAS presents a negative bias for wet soil areas.In general,NCEP-DOE R2 and GLDAS-CLSM exhibit poor simulation in northern China.ERA5-Land,ERA5-Land,NCEP-DOE R2,GLDAS-Noah and CLDAS show simulated positive bias in all seasons.The better simulation results in spring are CRA40 and ERA5-Land,along with ERA5-Land,ERA5 and CRA40 in summer and autumn.In winter,the correlation between the soil moisture simulated by different products and the observed value is the smallest throughout the year.In arid regions,different soil moisture products exhibited positive deviations,with the GLDAS-Noah simulation being the best,but the peak and valley values of soil moisture in the simulated products appeared earlier than observed.GLDAS-Noah,CRA40 and ERA5 can more effectively simulate the duration of dry and wet soils and the amplitude of soil moisture changes in the monsoon region.Most of the products can simulate the occurrence of drier soils and wetter soils in the transition zone that is affected by the summer monsoon.

土壤湿度 ； 再分析 ； 陆面数据同化 ； 中国北方

soil moisture ； reanalysis ； land data assimilation system ； North China

土壤湿度控制着地球上各种时空尺度的大气、水文、生态等物理化学过程(马柱国等,2001;Balsamo et al.,2009;Fallon et al.,2011),通过改变地表反照率、热通量、潜热和感热通量等显著地影响着天气气候系统(Cook et al.,2006;郭维栋等,2007;Li et al.,2014;余波等,2020;央金卓玛等,2022)。因此,准确观测和估算土壤湿度的空间分布和时间变化特征具有重要意义。

土壤湿度一方面受到降雨、蒸发、温度等因素的影响,还受到土壤性质、地表覆盖、地形等诸多因素的影响而动态变化,这些都会导致土壤湿度的空间分布存在很强的不均匀性(Su et al.,2016;Xiao et al.,2016)。一般地,土壤湿度可以从固定站点观测中获得,这种观测相对较为容易,但由于土壤湿度空间分布差异较大,且缺少对较大空间尺度上土壤湿度变化规律的认识,因此单点观测并不能代表一定区域的土壤湿度分布特征(Su et al.,2013),这为开展区域或全球土壤湿度分布及变化特征研究带来挑战。因此,十分有必要研制准确描述区域土壤湿度分布的替代资料。

卫星遥感和数值模拟是土壤湿度替代资料的主要来源,其中数值模拟可以通过耦合地球不同圈层而获得物理意义明确、时空分辨率高的土壤湿度产品,且具有时间序列长、空间覆盖范围大等特点,是研究土壤湿度分布特征的重要工具(Su et al.,2013)。大气再分析数据是数值模拟的重要产品,是将经过质量控制的观测资料(包括地面、探空、卫星、雷达、浮标、飞机、船舶等观测资料)同化接入全球或区域数值模式计算所获得的,是对大气状况的“最优”反映,可以获得空间覆盖完整、时间均一性稳定的长序列土壤湿度产品(邓明珊等,2018;宋海清等,2020)。陆面过程同化系统是区域或全球范围内估算土壤湿度的另一种方法,其主要思路是使用先进的陆面模式(Land Surface Modeling,LSM)同化卫星、地面观测等数据,计算获得地表状态和通量的最优分布场(Gao et al.,2015)。已有研究表明,基于物理过程建模是研究LSM和中尺度大气模型之间耦合的重要工具,可以较好地获得土壤湿度的空间分布和时间演变特征(Reen et al.,2006)。中国气象局近年来研制了覆盖亚洲区域的陆面数据同化系统(CMA Land Data Assimilation System,CLDAS;朱智和师春香,2014),目前已发展至2.0版本。虽然使用数值模拟的土壤湿度产品可以解决数据稀少的问题,但仍然存在空间分辨率较低、不同时空尺度下的质量差异显著等问题,特别是不同产品在不同地区的适用性和可靠性尚未进行系统评估,在空间和时间上的代表性和准确性也无法确定(Al-Shrafany et al.,2014)。

中国北方地区位于亚洲中高纬度地带,境内地形地貌、植被类型等均有明显差异,气候特征多样(包括季风区、干旱区、半干旱半湿润区等)。因此,讨论不同土壤湿度产品在该地区的适用性,可以更进一步明确不同方法在不同气候和下垫面条件下的可用性和局限性,为下一步改进完善数值模式提供有效支撑。近年来,一些专家学者对不同的再分析资料和陆面数据同化资料的土壤湿度产品在中国北方部分地区的适用性做了评估(Chen et al.,2013;Su et al.,2013;宋海清等,2016,2020;韩帅等,2017;王国杰等,2018)。已有的研究工作取得了很多有意义的结果,但大部分研究多关注于单一方法、单一产品、单一站点或者较小区域的土壤湿度产品适用性,对多种数值模拟产品在较大范围地区综合系统评估的相关研究仍较少。本文将利用2019—2020年土壤湿度逐日观测数据,评估最新的大气再分析和陆面同化系统土壤湿度产品在中国北方地区的适用性,以期为土壤湿度数值模拟产品提供有意义的性能评价,为下一代全球大气再分析和陆面数据同化系统的改进提供参考。

研究区域为中国35°N以北地区(图1a),东部以平原为主,处于季风影响区,大部分地区年平均降水量大于500mm;西部广大地区以荒漠戈壁为主,处于内陆干旱区,大部分地区年平均降水量小于200mm;中部多山地高原,处于季风影响过渡区,年平均降水量为200~500mm。

为了对比讨论土壤湿度产品在不同气候区的适用性,选取了3个气候区的8个代表性区域进行分析(图1b),华北平原、东北平原东部代表东部季风区,北疆、南疆和河西走廊代表西部干旱区,青藏高原边坡、黄土高原北部和东北西部代表季风影响过渡区,并选择北京、长春、塔城、和田、张掖、海东、榆林和乌兰浩特为8个区域的代表站点(表1)。

使用由国家气象信息中心提供的中国北方地区2019—2020年每日自动气象站逐小时土壤体积含水量观测产品。由于偏北地区冬季会存在冻土,土壤湿度观测仪器在0℃以下会停止工作,因此观测序列中剔除了缺测数大于等于20%的站点,最终获得1 173个有效站点。观测数据包含地下200cm深度内逐10cm间隔的20个深度层(即0~10、10~20、···、190~200cm)。

ERA5是ECMWF的第五代大气再分析资料,水平分辨率为31km,时间分辨率为1h(宋海清等,2020),采用H-TESSEL陆面模式,输出4个深度层的土壤体积含水量数据(0~7、7~28、28~100、100~289cm)。

ERA5-Land是在ERA5陆面部分的基础上,对其进行了一系列改进并重新计算,使其更准确地适用于所有类型的土地利用。计算时没有耦合ECMWF/IFS的大气模块和海浪模型,且只考虑陆地部分,屏蔽了所有的海洋区域,使得数据更新频率更为快速(Sabater et al.,2021)。水平分辨率提升为9km,时间分辨率为1h。采用CY41R1版本的H-TESSEL陆面模式,输出与ERA5分层一致的土壤体积含水量数据。

图1 研究区域:(a)气候区划分和观测站点分布;(b)典型区域(蓝色矩形框,其中①为北疆、②为南疆、③为河西走廊、④为青藏高原东北边坡、⑤为黄土高原北部、⑥为华北平原、⑦为东北东部、⑧为东北西部地区)和代表站点(黑色三角形)

Fig.1 Study area:(a)the division of the climate zone and the distribution of observation stations;(b)the typical area(blue rectangular box;①—⑧ respectively represent northern Xinjiang,southern Xinjiang,the Hexi Corridor,Qinghai-Tibet,the northeastern slope of the Qinghai-Tibet Plateau,the northern part of the Loess Plateau,the North China Plain,and the eastern and western parts of northeastern China),and the representative stations (black triangles)

表1 不同气候区代表站点信息

Table1 Information for the representative stations in different climate zones

NCEP-DOE R2是NCEP和美国能源部(Department of Energy,DOE)共同制作的第二代全球大气再分析资料,采用高斯网格(全球格点数为192×94),水平分辨率约为1.875°×1.875°,时间分辨率为6h,土壤湿度空间分布尤其是年际变化较第一代有明显提升(Kanamitsu et al.,2002),目前输出2个深度层的土壤体积含水量数据(0~10、10~200cm)。

CRA40是中国气象局发展的中国第一代全球陆面再分析资料,重点突出我国特有常规观测资料(如加密地面观测、探空观测等)和风云卫星资料的同化应用,水平分辨率约34km(高斯网格),采用Noah3.3陆面模式和国家气象信息中心地表参数优化方案等核心技术输出土壤体积含水量产品,输出4个深度层数据(0~10、10~40、40~100、100~200cm)。

GLDAS同化集成了大量的观测数据,能输出全球范围高分辨率的计算结果(Chen et al.,2013)。GLDAS驱动多个离线陆面模式产生结果,本研究选用Noah和CLSM陆面模式结果,输出结果均为土壤重量含水量,其中Noah模式输出产品水平分辨率为0.25°×0.25°,时间分辨率为3h,包含4个深度层(0~10、10~40、40~100、100~200cm);CLSM模式输出产品水平分辨率为1.0°×1.0°,时间分辨率为3h,该数据未提供分层土壤湿度信息,只提供了地表浅层(0~2cm)和根部(0~100cm)土壤湿度信息。

CLDAS采用变分同化、最优插值、概率密度函数匹配等多种技术集成了多源的地面和卫星等观测资料,对中国区域的模拟结果优于国际同类产品(刘莹等,2021)。该产品最新版本为2.0版,输出土壤重量含水量产品,覆盖亚洲区域(60°~160°E,0°~65°N),水平分辨率为0.0625°×0.0625°,时间分辨率为1h。

对观测数据进行质量控制,剔除了土壤体积含水量大于1m3·m-3和小于等于0的异常值,为了与不同数值模拟的土壤湿度产品深度层相对应,本研究选择评估分析浅层土壤湿度模拟数据,即土壤湿度观测数据和NCEP-DOE R2、CRA40、GLDAS-Noah、CLDAS土壤湿度产品选择0~10cm深度层,ERA5和ERA5-Land土壤湿度产品选择0~7cm深度层,GLDAS-CLSM土壤湿度产品选择0~2cm深度层。选择每日08:00(北京时间)作为数据对比时刻。为了与观测资料量纲一致,将GLDAS和CLDAS数据由土壤重量含水量(单位:kg·m-2)转换为土壤体积含水量(单位:m3·m-3)(朱智等,2018)。

土壤湿度产品评估通过对比土壤湿度站点观测值和观测站点对应的不同土壤湿度模拟值来完成,即采用反距离权重法将土壤湿度模拟数据插值至观测站点,并与站点观测土壤体积含水量数据进行对比。对比土壤湿度观测值和模拟值时间序列分布的中位数(Median)定性讨论土壤湿度产品整体效果(Phadia,1973);采用平均偏差(ME)、均方根误差(RMSE)和相关系数(r)定量讨论土壤湿度产品误差分布特征(Hyndman and Koehler,2006)。利用Taylor图评价不同土壤湿度产品与观测值的总体表现(Taylor,2001)。

利用1 173个站点的土壤湿度观测数据,评估不同土壤湿度模拟产品空间分布的中位数、相关系数、平均偏差等指标。图2给出了中国北方地区2019—2020年每日08:00土壤湿度观测值和不同土壤湿度模拟值的中位数分布,可以看出土壤湿度表现出明显的区域性差异(图2a),存在“中西部干-东部湿”和“植被覆盖区域干-裸露区域湿”的分布格局,这与朱智等(2018)和张晓影(2009)利用其他土壤湿度产品所揭示的空间分布特征是一致的。对于再分析资料,ERA5和ERA5-Land能够刻画出土壤湿度分布特征(图2b、图2c),尤其是伊犁河谷、青藏高原东北边坡地区土壤湿度分布的细部特征,对土壤湿度干、湿中心区域模拟结果较好,ERA5对北方中部地区的干中心模拟效果更好,ERA5-Land对东北东部和山东地区的湿中心模拟效果更好,但2种产品对100°E以东地区的土壤湿度模拟偏湿,尤其是ERA5-Land偏湿趋势更为明显;CRA40基本能反映出土壤湿度的分布特征(图2e),较好模拟了大部分土壤湿度干中心和东北东部湿中心,但存在对较干土壤地区(≤0.20m3·m-3)模拟偏湿、较湿土壤地区(＞0.30m3·m-3)模拟偏干的特点;NCEP-DOE R2土壤产品效果较差(图2d),总体以模拟偏湿为主,除了对湿中心和河北南部的干中心模拟较好以外,对较干土壤地区模拟偏大0.10~0.20m3·m-3,已有的研究结果也发现NCEP-DOE R2对中国大部分区域都存在明显的高估(邹永成等,2017;朱智等,2018)。对于陆面数据同化资料,GLDAS-Noah较好地给出了土壤湿度湿中心(图2f),但对于较干土壤地区模拟略偏湿约0.05~0.10m3·m-3;GLDAS-CLSM除东北中北部地区外,其余地区的土壤湿度中位数以较干为主(图2g),且大部分中位数位于0.10~0.20m3·m-3,未能描述中国北方地区土壤湿度的空间分布特征;CLDAS对较湿土壤地区模拟结果以系统性偏干为主(图2h),偏干约0.10~0.20m3·m-3,但能基本刻画出土壤湿度的区域分布特征(崔园园等,2019)。

图2 土壤湿度观测和不同土壤湿度产品中位数空间分布(单位:m3·m-3):(a)观测;(b)ERA5;(c)ERA5-Land;(d)NCEP-DOE R2;(e)CRA40;(f)GLDAS-Noah;(g)GLDAS-CLSM;(h)CLDAS

Fig.2 Median spatial distribution of soil moisture observations (m3·m-3) and different soil moisture products:(a) observation;(b) ERA5;(c) ERA5-Land;(d) NCEP-DOE R2;(e) CRA40;(f) GLDAS-Noah;(g) GLDAS-CLSM;(h) CLDAS

图3为不同土壤湿度模拟数据与土壤湿度观测数据的相关系数分布,可以看出不同模拟产品的差异较大。就再分析资料而言,ERA5、ERA5-Land和CRA40土壤湿度产品与观测值的相关性较好(图3a、b、d),总体相关系数分别为0.46、0.45和0.47,对100°E以东地区以正相关为主,大部分地区大于0.50,而对新疆大部和甘肃西部地区以负相关为主,NCEP-DOE R2土壤湿度产品相关性较其余再分析产品略低(图3c)。对于陆面数据同化资料,CLDAS在大部分地区表现为正相关(图3g),且相关系数较大(大部分地区相关系数大于0.60),但在新疆中南部、陕西中部、山西南部和山东大部地区表现为负相关,山东东部地区负相关性更为明显(相关系数小于-0.50),导致CLDAS整体相关系数降低(0.30),崔园园等(2020)也发现在东北中南部、华北、西南和华南地区CLDAS产品与观测实况的相关系数较高,而在川渝地区和新疆地区相关性较小;GLDAS-CLSM土壤湿度产品相关性明显较小(图3f),整体相关系数为-0.19,除在山东大部和河北南部、山西南部、新疆中部较小区域表现为较好的正相关外,其余大部分为负相关,且负相关性较大(相关系数小于-0.40)。

图4给出了不同土壤湿度模拟数据的平均偏差分布,进一步量化分析土壤湿度产品的模拟性能。可以看出,ERA5、ERA5-Land平均偏差分布与中位数偏差较为一致(图4a、b),ERA5-Land偏湿程度更为明显,尤其是对山东地区、河北北部和青海东部地区模拟偏湿程度大于0.15m3·m-3,这与宋海清等(2020)分析ERA5、ERA-Interim土壤湿度数据的适用性结果较为类似,虽然ERA5的模拟效果优于ERA-Interim,但ERA5高估较多。CRA40平均偏差是所有土壤湿度模拟产品中最小的(图4d),大部分地区偏差位于-0.10~0.10m3·m-3。NCEP-DOE R2以偏湿为主(图4c),青海东部、宁夏中部、陕西北部和河北中部地区偏湿程度明显。GLDAS-Noah和GLDAS-CLSM平均偏差较小(图4e、图4f),大部分地区平均偏差位于-0.15~0.10m3·m-3,但GLDAS-CLSM对东北东部和山东地区湿中心模拟明显偏干;CLDAS以偏干为主(图4g),大部分地区平均偏差大于-0.10m3·m-3。

图3 不同土壤湿度产品与土壤湿度观测资料的相关系数空间分布:(a)ERA5;(b)ERA5-Land;(c)NCEP-DOE R2;(d)CRA40;(e)GLDAS-Noah;(f)GLDAS-CLSM;(g)CLDAS

Fig.3 Spatial distribution of correlation coefficients between different soil moisture products and soil moisture observation data:(a) ERA5;(b) ERA5-Land;(c) NCEP-DOE R2;(d) CRA40;(e) GLDAS-Noah;(f) GLDAS-CLSM;(g) CLDAS

比较土壤湿度产品在春季、夏季、秋季和冬季的模拟效果,其中不同季节按气象学划分(刘维成等,2017),即春季(3—5月)、夏季(6—8月)、秋季(9—11月)和冬季(12月—次年2月)。表2给出了春季、夏季、秋季和冬季不同土壤湿度产品的模拟偏差,分析表明CLDAS对所有季节模拟均为负偏差,GLDAS-CLSM对夏季和秋季模拟为负偏差、春季和冬季模拟为正偏差,其余5种产品均表现为模拟正偏差。就不同季节来说,有5种产品模拟土壤湿度的ME和RMSE在春季最小,CRA40效果最好,模拟的ME和RMSE是所有产品中最小的,模拟的夏季土壤湿度产品ME和RMSE较春季增加;GLDAS-CLSM对秋季土壤湿度模拟的ME最小,而CRA40模拟的RMSE最小;对于冬季的土壤湿度,大部分产品的模拟偏差增大。值得注意的是NCEP-DOE R2和ERA5-Land对不同季节的模拟偏差均较大,其中NCEP-DOE R2对春季、夏季和秋季土壤湿度的模拟偏差是所有产品中最大的,ERA5-Land对冬季土壤湿度的模拟偏差是所有产品中最大的。

图5给出了再分析资料和陆面数据同化资料不同季节土壤湿度模拟值与观测值的Taylor图。可以看出,CRA40土壤湿度产品的标准偏差最小,所有季节均小于0.10m3·m-3,NCEP-DOE R2的标准偏差最大。就相关系数来说,春季中CRA40和ERA5-Land相关系数较大,均为0.37(图5b),其余产品相关系数均小于0.35,GLDAS-CLSM和CLDAS与观测值相关性最小;夏季和秋季相关性较为类似,ERA5-Land、ERA5和CRA40再分析资料与观测值相关性较好(图5c、d);冬季的模拟值和观测值相关性是全年中最小的(图5a),即使相关性最好的CLDAS其相关系数仅为0.35,5种产品与观测值的相关系数小于0.20。

图4 不同土壤湿度产品模拟的平均偏差(单位:m3·m-3)空间分布:(a)ERA5;(b)ERA5-Land;(c)NCEP-DOE R2;(d)CRA40;(e)GLDAS-Noah;(f)GLDAS-CLSM;(g)CLDAS

Fig.4 Spatial distribution of average deviation (m3·m-3) of different soil moisture product simulations:(a) ERA5;(b) ERA5-Land;(c) NCEP-DOE R2;(d) CRA40;(e) GLDAS-Noah;(f) GLDAS-CLSM;(g) CLDAS

表2 土壤湿度产品在不同季节的模拟偏差

Table2 Simulation deviations of soil moisture products in different seasons

对比分析了土壤湿度产品在8个代表性区域的偏差分布,进一步考察再分析资料和陆面数据同化资料对不同气候类型和下垫面条件下土壤湿度的模拟能力。图6为8个区域2019—2020年逐日站点土壤湿度观测和模拟区域平均值的箱线图分布,可以看出不同地区土壤湿度时间序列的集中程度差异较大,河西走廊、黄土高原北部和东北西部地区集中程度较高,南疆地区和东北东部地区离散度较大,对于不同土壤湿度产品来说GLDAS-CLSM集中程度最大,所有模拟值均趋于平均水平,可参考性也较差,CLDAS集中程度次之,而ERA5、ERA5-Land和GLDAS-Noah数据波动较大、集中程度小。就不同气候区而言,在干旱气候区(图6a、b、c),GLDAS-Noah对北疆地区和ERA5对河西走廊地区的模拟结果和观测值分布极为相近;不同产品对南疆地区的模拟结果与观测值分布相差较大。对于东部季风区(图6f、g),CRA40和GLDAS-Noah与观测值分布较为接近,GLDAS-CLSM、CLDAS和NCEP-DOE R2土壤湿度值与观测值分布差异较大。在夏季风影响过渡区(图6d、e、h),除CLDAS外,其余产品土壤湿度值分布区间较观测值区间偏大,存在较为明显高估,尤其是NCEP-DOE R2、ERA5-Land和ERA5高估更为明显。

图5 不同季节土壤湿度产品的Taylor图:(a)冬季;(b)春季;(c)夏季;(d)秋季

Fig.5 Taylor diagrams of soil moisture products in different seasons:(a) winter;(b) spring;(c) summer;(d) autumn

图7给出了不同气候区的8个代表站点逐日土壤湿度观测值和不同土壤湿度产品模拟值的时间变化趋势。可以看出,干旱地区土壤湿度逐日变化波动较大(图7a、b、c),除GLDAS-CLSM模拟效果较差外,其余土壤湿度产品基本能刻画出土壤湿度变化趋势,特别是能较好地描述土壤湿度干、湿时段和干-湿转换时间;CLDAS、ERA5对塔城站的模拟效果较好(图7a),但ERA5对土壤湿度湿时段模拟偏干、对土壤湿度干时段模拟偏湿,GLDAS-Noah虽然也给出了土壤湿度的变化趋势和干-湿转换趋势,但模拟的土壤湿度峰值和谷值较观测值早2~4d出现,和田站的模拟结果和塔城站较为类似(图7b)。GLDAS-Noah对张掖站的土壤湿度变化趋势和逐日震荡细部特征刻画更佳(图7c),但较观测值略偏大(土壤湿度平均偏大0.048m3·m-3),NCEP-DOE R2模拟偏湿程度更为明显(土壤湿度平均偏大0.152m3·m-3)。对于东部季风区(图7f、g),土壤湿度变化特征与干旱区差异很大,表现出明显的“较湿土壤持续时间长、较干土壤持续时间短”特点,基本为冬季土壤湿度小、其余季节土壤湿度大,除GLDAS-CLSM和NCEP-DOE R2对北京站的土壤湿度变化模拟偏差较大外(图7f),其余产品均能给出土壤湿度的变化趋势,但均存在高估现象,其中GLDAS-Noah、CRA40和ERA5的模拟效果较好;在较湿土壤持续时段,长春站的土壤湿度变化振幅较大(图7g),GLDAS-Noah和CRA40对该种变化趋势和振幅模拟效果较好,但对较干土壤持续时段存在高估,ERA5和ERA5-Land模拟效果次之,也仍然存在对较干土壤持续时段高估的现象,CLDAS虽然能较好地给出土壤湿度的空间分布和变化趋势,但对土壤湿度的极值描述能力较差(崔园园等,2019)。在夏季风影响过渡区(图7d、e、h),3个站点表现出明显的土壤较干持续和较湿持续,基本为“暖季土壤湿度大、冷季土壤湿度小”的特点,海东站土壤较湿时段集中在每年5—10月(图7d),GLDAS-Noah、ERA5和CRA40对该时段的模拟明显较好,并且能给出几乎和观测一致的震荡特征,但对干时段的模拟较观测值偏大,CLDAS对于土壤较湿时段低估明显(土壤湿度平均偏大0.117m3·m-3),ERA5-Land和NCEP-DOE R2以高估为主;榆林站土壤常年以偏干为主(图7e),年平均土壤湿度小于0.10m3·m-3,不同土壤湿度产品均以模拟偏大为主,GLDAS-Noah和CRA40对土壤湿度变化趋势的模拟与观测基本一致,但整体偏大0.13~0.16m3·m-3;乌兰浩特站土壤较湿时段较短(图7h),主要集中在每年6—8月,GLDAS-Noah、CRA40、ERA5模拟效果较好,其中GLDAS-Noah和CRA40模拟结果和观测极为接近,ERA5-Land和NCEP-DOE R2虽然能基本描述土壤湿度变化趋势,但仍然存在明显地高估。

图6 代表性区域土壤湿度观测和模拟站点平均值箱线图:(a)北疆;(b)南疆;(c)河西走廊;(d)青藏高原边坡;(e)黄土高原北部;(f)华北平原;(g)东北东部;(h)东北西部

Fig.6 Box-plot of mean values of soil moisture observations and simulations in representative regions:(a) northern Xinjiang;(b) southern Xinjiang;(c) Hexi Corridor;(d) slope of the Qinghai-Tibet Plateau;(e) northern Loess Plateau;(f) North China Plain;(g) eastern northeast;(h) western northeast

图7 不同气候区代表站点观测和模拟的逐日土壤湿度时间序列:(a)塔城;(b)和田;(c)张掖;(d)海东;(e)榆林;(f)北京;(g)长春;(h)乌兰浩特

Fig.7 Comparison in time-series of the value of soil moisture between observation and simulation at presentation stations in different climate zones:(a) Tacheng;(b) Hotan;(c) Zhangye;(d) Haidong;(e) Yulin;(f) Beijing;(g) Changchun;(h) Ulanhot

选用的7种产品中,除GLDAS-CLSM之外其余均能不同程度地反映出中国北方地区土壤湿度的分布特征,总体来看ERA5、ERA-Land、NCEP-DOE R2、GLDAS-Noah均以模拟偏湿为主,无论在哪个季节均表现为模拟正偏差,GLDAS-CLSM和CLDAS以模拟偏干为主,而CRA40对较干土壤地区模拟偏湿、较湿土壤地区模拟偏干,导致土壤湿度分布和变化的离散度较小,且与观测实况的相关性更高,使得其在研究区域的适用性较好,这主要是因为CRA40同化应用了更多我国独有的观测资料(崔园园等,2018;Liang et al.,2020;Yang et al.,2021),尤其是在100°E以东地区的观测站点更为密集,同化效果更好,适用性也更好。对于土壤湿度产品在不同季节的表现,大部分产品对冬季土壤湿度的模拟偏差明显增加,除CLDAS之外其余产品均表现为模拟正偏差,这可能是由于冬季土壤湿度常保持为低值状态,而大部分产品又表现为定常性的模拟正偏差,这样可能会导致冬季的模拟偏差变大(丁旭等,2018),另外冬季的模拟偏差增加可能也与该季节植被覆盖度和植被类型的变化有关。大部分产品对于南疆地区土壤湿度的模拟偏干,这可能是由于南疆地区稀少的观测站点多位于沙漠边缘的较小绿洲地区,而陆面模式计算所需的地表参数不够精细、土地利用的分辨率不高等原因会导致模拟的土壤湿度偏低(韩帅等,2017),而对于其余地区土壤湿度的模拟均表现为以偏湿为主。

分析结果也表明,一些产品在不同季节、不同地区的模拟准确度较差,因此在获得土壤湿度产品模拟偏差的基础上进一步讨论误差来源是十分有必要的。研究讨论了不同产品对浅层土壤湿度的模拟能力,大部分产品选择与观测一致的深度层(0~10cm)数据,而GLDAS-CLSM仅能选用0~2cm土壤湿度数据,这可能是导致该产品偏差较大的原因之一。GLDAS-CLSM是利用流域陆面水文耦合模式计算输出的,这也可能是其在陆地土壤湿度适用性较差的原因(Sahoo et al.,2021)。NCEP-DOE R2模拟偏差较大的原因之一可能是其较低的水平分辨率(朱智等,2018),这会导致局地土壤湿度分布的细部特征不能被细致刻画,GLDAS-CLSM同样也存在类似的问题。GLDAS-Noah因其先进的陆面模式使得在中国北方地区的模拟偏差较小。另外,将模拟产品由格点插值到站点、用固定深度测量的土壤湿度值代表整层的土壤湿度等数据处理方式也会对评估带来误差(赖欣等,2014)。

需要指出的是,本研究仅讨论了不同产品对浅层土壤湿度的模拟效果,由于浅层土壤与边界层大气的互馈效应更为敏感,导致土壤湿度的变化波动更为强烈,在相同时间段深层土壤的土壤湿度变化较浅层土壤更为平稳,土壤湿度产品的模拟偏差一般随深度增加而减小(赖欣等,2014),但由于深层土壤湿度变化较浅层土壤会存在延迟、深浅层之间的水分交换过程更为复杂等(韩帅等,2017),陆面模式对较深土壤参量的准确模拟仍是其性能评价的主要指标,下一步还需要继续针对更深层次土壤湿度的模拟效果进行评估,深入分析不同产品的模拟偏差,探讨误差来源,为更好地使用或订正土壤湿度模拟产品和改进陆面模式提供参考。

利用2019—2020年中国北方地区1 173个站点每日08:00地表0~10cm土壤湿度观测数据,对比分析了ERA5、ERA5-Land、NCEP-DOE R2、CRA40再分析资料和GLDAS-Noah、GLDAS-CLSM、CLDAS陆面数据同化资料土壤湿度产品的模拟效果,评估了不同土壤湿度产品在该地区的适用性,得到如下结论:

1)CRA40、ERA5和ERA5-Land对土壤湿度干、湿中心区域模拟较好,其中CRA40与观测值的相关性最好,ERA5对干中心模拟更好,ERA5-Land对湿中心模拟效果更好,但ERA5和ERA5-Land对100°E以东地区的土壤湿度模拟偏湿,CRA40对较干土壤地区模拟偏湿、较湿土壤地区模拟偏干;GLDAS-Noah较好模拟土壤湿度湿中心,但对于较干土壤地区模拟略偏湿,CLDAS对较湿土壤地区模拟结果以系统性偏干为主;NCEP-DOE R2和GLDAS-CLSM模拟效果较差。

2)CLDAS对所有季节模拟均为负偏差,ERA5、ERA5-Land、NCEP-DOE R2、GLDAS-Noah和CLDAS均表现为模拟正偏差,GLDAS-CLSM对夏季和秋季模拟为负偏差、春季和冬季模拟为正偏差;春季中CRA40和ERA5-Land与观测值相关性较好,夏季和秋季ERA5-Land、ERA5和CRA40与观测值相关性较好,冬季的模拟值和观测值相关性是全年中最小的,CLDAS相关系数较大。

3)对于不同气候区来说,不同产品对于干旱区模拟的土壤湿度以偏湿为主,GLDAS-Noah对土壤湿度的变化趋势描述能力最佳,但模拟土壤湿度峰值和谷值的出现时间较观测的早;GLDAS-Noah、CRA40、ERA5在季风区的适用性较好,能较好模拟干、湿土壤的持续时段和土壤湿度变化振幅;大部分产品能模拟出夏季风影响过渡区较干土壤和较湿土壤的出现时间,GLDAS-Noah和CRA40模拟效果较好。

致谢:国家气候中心刘芸芸研究员和兰州区域气候中心王小巍高工为数据下载和处理提供支持;ECMWF、NASA、美国天气局、国家气象科学数据中心和国家气象信息中心提供了数据下载服务。