1. 引言
土壤是人们赖以生存的根基,与人们的生产生活密切相关。“既要金山银山,也要绿水青山。”土壤湿度是表征土壤干旱程度的重要物理量,不仅能直接影响植被面积和植被物种种类多样性,还能影响全球气候变化。是除海表温度外,对全球气候变化影响最大的因子。同时,土壤湿度在气象预报中有着不可替代的地位。通过读取土壤湿度,能够知道土壤反射率、热容量等下垫面性质变化,了解地表的物质和能量的变化,进而预测局地天气和气候状况。同时,土壤湿度直接水循环,在水资源的变化中起着重要作用。所以研究分析土壤湿度在中国区域分布状况和时间变化对中国的降水预报和气候预测,以及水资源的合理利用有着重要意义。
随着越来越多的研究表明,天气和气候变化会受到土壤湿度空间分布差异的影响。这是因为土壤能有效记录降水过程,这种土壤湿度的记录功能被称作土壤的“记忆作用” [1] ,这种记忆性在浅层较短,在中深层较长。对气候变化有很强的反馈作用。对天气和气候模拟的影响可以维持20~110 d不等。刘永强和叶笃正(1992)的模拟结果表明,土壤湿度在短期气候变化中起着比土壤热力状况更重要的作用 [2]。张文君(2008) [3] 等人利用中国区域土壤湿度观测资料研究发现中国区域土壤湿度的基本特征是有西北向东南呈梯度增加,呈现出东北和华南湿、华北和西北干的分布型。赵俊芳(2010) [4] 等人基于湿润指数对中国未来2050年前的土壤湿度做了预测,结果表明,2050年前,中国气候总体上呈暖干趋势,局部有变湿的趋势。由于土壤湿度在空间上是不连续的,而且我国气象站的密度较小,建新站的成本太高,所以在土壤湿度观测资料这方面,我国十分缺乏,这给对土壤的研究工作带来了较大的困难,给对气候变化预测带来了困难。因此,采用模式模拟的土壤湿度资料替代观测土壤湿度资料成了唯一途径。纵览全世界,模拟最好的、应用最多的陆面同化系统的有:ELDAS (欧洲陆面数据同化系统)、GLDAS (全球陆面数据同化系统)、NLDAS (北美陆面数据同化系统)。ECMWF (欧洲中期数值预报中心)再分析资料、NCAR & NCEP (美国国家大气研究中心和国家环境预报中心)再分析资料,以及一些高校及机构推出的再分析资料是目前全球应用最为广泛的再分析资料 [5]。刘火霖等人对Noah-LSM模式和CoLM模式的青藏高原中部陆面过程进行对比分析,研究表明两个模式模拟的土壤湿度的变化趋势模拟较好,但存在较大偏差 [6]。田静等人对GDAS数据和NOAH陆面模式在中国区域的应用做精度检验,研究表明Noah模拟的0~10 cm土壤含水量数据在时间变化趋势上与地面观测结果一致,但在具体量值上存在较大差异 [7]。采用较好的土壤湿度资料强迫气候模式,能够提高晚春、夏季陆表温度和降水的潜在可预报性。进而提高预报水平。但是不同地区,土壤湿度对降水的反馈是不同的。例如,针对1993年夏季美国中部地区,一些试验结果指出,土壤湿度和降水存在负反馈或弱的正反馈机制,也有试验结果表明,对于干和湿的土壤湿度降水都减小 [8]。但是主流是,在北美土壤湿度和降水的相互作用呈正反馈过程。
本文旨在对GLDAS-NOAH土壤湿度资料在中国区域的适应性分析,了解GLDAS-NOAH土壤湿度在中国的适用区域,适用年限。同时也为进一步改进GLDAS-NOAH模式的陆面过程描述(或参数化)提供依据和方向,增加模式的多样性、可靠性和适用性。
2. 数据和方法
本文采用的是时间尺度为1981~1999年4~10月份,空间分辨率为1˚ × 1˚,时间分辨率为月的GLDAS2.0-NOAH模式数据。与模式进行对比的站点资料来自国际土壤湿度网(The International Soil Moisture Network),中国区域40个站台(1981年到1999年)的资料,这些土壤湿度资料土壤湿度单位已经被换算成立方米比立方米,可以直接用于对模式模拟评估与改进(在这40个站点中,由于其中10个台站由于位于灌溉区,灌溉区的土壤湿度受人为因素影响较大,存在较强的不确定因素。所以将这10个站点剔除,仅分析自然条件下,受人为影响较小的30个站台的土壤湿度情况)。
本文首先分析GLDAS-NOAH模式和观测土壤湿度在中国区域的1981~1999年4~10月份的平均空间分布图,并分析其偏差百分比。其次分析两者的时间变化趋势图和相关系数图,突出两者的相关程度。最后,将观测资料分为三个主要区域(东北、河套、江淮),做这三个区域的区域平均时间变化图,对比模式和观测资料的不同;然后再一一讨论中国的三个区域(东北、河套、江淮)的模拟情况,通过计算这三个区域的模式数据和观测数据的模拟偏差、相关系数和均方根误差来判断两者的相近程度(土壤湿度单位为m3/m3)。
3. 结果分析
3.1. 模拟土壤湿度和观测土壤湿度空间分布对比
从图1可以看出,模拟土壤湿度空间平均分布状况与观测土壤湿度空间平均分布状况基本一致。不管观测土壤湿度资料,还是模拟土壤湿度资料,都呈现了中国区域土壤湿度从西北向东南逐渐增加的基本特点。从图1(b)可以发现,河套地区最低,土壤湿度在0.15左右,东北地区的土壤湿度最高,土壤湿度在0.25左右,新疆、西南、江淮地区次之,土壤湿度在0.2左右。从图1(a)看出河套地区土壤湿度在0.2左右,东北地区位于高值区和江淮位于中值区,在0.25左右。
对比图1(c)可以看出,模拟土壤湿度空间分布和强度从浅层(0~10 cm)到深层(0~40 cm)也有一些变化。江淮、东北地区土壤湿度有所升高,这与实况(图1(b)、图1(d))和马柱国等 [9] 的研究的东北地区绝大多数测站夏季土壤湿度上干下湿一致。与实况一样,模拟资料的西南、河套地区土壤湿度无明显变化。从图1(e)、图1(f)两种资料的偏差百分比图上来看,河套地区大部分站点在浅层(0~10 cm)模拟值较观测值偏高60%以上,这是由于河套地区土壤湿度较低,所以其偏差百分比较大。到了深层(0~50 cm)偏差百分比下降不明显;江淮地区在浅层模拟值高出观测值15%左右,但到了深层反而偏小了15%左右;西南地区到了深层偏差也下降了。这说明西南、江淮、东北地区土壤湿度随深度的模拟值变化不大,而实况的土壤湿度随土壤深度增加而增加。河套地区的实况和模拟值从浅层到深层偏差无明显变化,模拟土壤深度变化效果较好。总的来说:中国东部站点观测土壤湿度从浅层向深层有所增加,西北部地区站点观测土壤从浅层到深层无明显变化,而模拟土壤湿度从浅层到深层变化有限,这在一定程度上说明GLDAS-NOAH模式土壤湿度在土壤层间相关性较低,而模式对浅层的模拟效果较为良好。
3.2. 模拟土壤湿度和观测土壤湿度时空变化对比
图2为两个深度年平均模拟和观测土壤湿度的线性变化趋势空间分布图。从观测土壤湿度变化趋势图(图2(c)、图2(d))看出,全国大部分站点呈现变干趋势。不管在浅层(0~10 cm)上还是在深层(0~50 cm)上,黑龙江、吉林和河套地区以减小趋势为主,且趋势较大;江淮地区和辽宁以增加趋势为主;西南、河套地区和新疆土壤湿度也在不同程度的变小,其中四川盆地和新疆北部的站点变干趋势较大;在东北
![](//html.hanspub.org/file/2-2950648x9_hanspub.png)
![](//html.hanspub.org/file/2-2950648x10_hanspub.png)
![](//html.hanspub.org/file/2-2950648x11_hanspub.png)
Figure 1. Average simulated soil moisture and observed soil moisture (unit: m3/m−3) and deviation: (a) GLDAS-NOAH simulated soil moisture (0 - 10 cm); (b) observed soil moisture (0 - 10 cm); (c) GLDAS-NOAH simulated soil moisture (0 - 40 cm); (d) observed soil moisture (0 - 50 cm); (e) percentage deviation between GLDAS-NOAH simulation (0 - 10 cm) and observation (0 - 10 cm); (f) Percentage deviation between GLDAS-NOAH simulation (0 - 40 cm) and observation (0 - 50 cm)
图1. 平均模拟土壤湿度和观测土壤湿度(单位:m3/m−3)以及偏差:(a) GLDAS-NOAH模拟土壤湿度(0~10 cm);(b) 观测土壤湿度(0~10 cm);(c) GLDAS-NOAH模拟土壤湿度(0~40 cm);(d) 观测土壤湿度(0~50 cm);(e) GLDAS-NOAH模拟(0~10 cm)与观测(0~10 cm)偏差百分比;(f) GLDAS-NOAH模拟(0~40 cm)与观测(0~50 cm)偏差百分比
较南的地区如辽宁的几个站点呈变湿趋势,且变湿的趋势也较浅层大。但总体而言东北地区以变干为主。西北地区大部分站点也以变干为主,虽然有几个站点出现例外,但这些站点增加趋势较小。模拟土壤湿度(图2(a)、图2(b))较好较准确反映出观测土壤湿度的时间变化趋势,因为在观测图上站点土壤湿度变化的正负在模拟图上一一对应。其中有趣的是,观测图上,西南、新疆土壤湿度实在减少的,而模拟图上西南和新疆北部的大部分地区是在增加的,唯有观测站点所在区域是在减少的。在浅层(0~10 cm)和深层(0~50 cm)上,模拟的土壤湿度在黑龙江、吉林和河套地区呈减小趋势,其中,减小趋势最大值位于河套地区和黑龙江西部。江淮地区和辽宁土壤湿度增加趋势明显。其中,变化趋势最大值位于渤海周围的地区如辽宁省、北京等。从整个模拟情况来看,中国东部沿海以及华中土壤湿度以增加为主,但华中土壤湿度增加趋势较小。与之相反,中国东北及西北大部分地区土壤湿度呈减小趋势。再来看看图2(e)、图2(f)两层相关系数,通过查表验证,30个站点中浅层(0~10 cm)有40%的站点模拟和观测相关系数通过了95%的显著性检验,深层(0~50 cm)有30%的站点通过95%的显著性检验,通过率随土壤深度有所下降。通过对比两图可以发现,0~10 cm的相关系数普遍比0~50 cm相关系数的模拟相近,只有个别的要偏高。这是因为虽然深层观测数据与模拟数据相近,但是模拟时间变化和观测时间变化相位发生差异。河套地区的相关系数最高,相关程度最大,江淮地区次之,新疆、东北地区最小,相关程度最小。这是因为虽然东北地区大部分站点的模拟值模拟出观测值的变化趋势,但是,相对观测值也发生相位变化,所以东北的大部分站点相关系数较低。
3.3. 中国三个区域的具体分析
为了更加准确,精准地了解GLDAS-NOAH在中国区域的适用性,本研究根据站台数据和地形特征,并且使用Nie et al. (2008) [10] 和赖欣 [11] 的分区方法。选取我国的三个地区作为主要分析对象(图3)。其中第1区为东北平原地区,第2区为河套地区,第3区为江淮地区,以下就是分区讨论土壤湿度的变化情况。
![](//html.hanspub.org/file/2-2950648x12_hanspub.png)
Figure 2. The linear trend of mean simulated soil moisture (unit: m3/(m3*year)) and correlation coefficient: (a) GLDAS-NOAH simulated soil moisture (0 - 10 cm); (b) GLDAS-NOAH simulated soil moisture (0 - 40 cm); (c) observed soil moisture (0 - 10 cm); (d) observed soil moisture (0 - 50 cm); (e) correlation coefficient between GLDAS-NOAH simulation (0 - 10 cm) and observation (0 - 10 cm); and (f) correlation coefficient between GLDAS-NOAH simulation (0 - 40 cm) and observation (0 - 50 cm)
图2. 平均模拟土壤湿度变化的线性趋势(单位:m3/(m3*year))以及相关系数:(a) GLDAS-NOAH模拟土壤湿度(0~10 cm);(b) GLDAS-NOAH模拟土壤湿度(0~40 cm);(c) 观测土壤湿度(0~10 cm);(d) 观测土壤湿度(0~50 cm);(e) GLDAS-NOAH模拟(0~10 cm)与观测(0~10 cm)相关系数;(f) GLDAS-NOAH模拟(0~40 cm)与观测(0~50 cm)相关系数
![](//html.hanspub.org/file/2-2950648x13_hanspub.png)
Figure 3. The distribution of soil moisture stations in China and three regions. 1 for zone 1, 2 for zone 2, 3 for zone 3
图3. 中国区域土壤湿度站点分布以及3个分区。1代表第1区,2代表第2区,3代表第3区
图4是观测土壤和模拟的中国3个区域平均土壤湿度月平均值的年际变化,图4(a)~(c)是0~10 cm层变化图。从图可以直接看到,模拟值基本可以很好地反映出站点观测资料地时间变化,高值点和低值点大致匹配。从1区和3区看,前期,模拟值与观测值基本重合,线性系数也随时间变化,差别增大。这说明随着模拟时间增加,模拟效果越差。2区模拟值和观测值相差较大,但是2区的模拟和观测的年际变化和年内变化趋势最接近。图4(d)~(f)是0~50 cm层变化图,从图中可以直接看到,观测土壤湿度振幅相对浅层较小,年内变化和年际没有规律。1区和2区观测土壤湿度更是随时间变化趋于平缓。这与王修信 [12] 等人的随土壤深度逐渐增加,气象因素的影响逐渐变弱,变化幅度逐渐变小一致。模拟土壤湿度振幅虽然也有所减小,但还是不及观测土壤。而且模拟土壤湿度资料与观测值资料变化曲线出现了越来越大的相位差,基本没有模拟作用。
为了更清楚地、科学地认识这三个地区的模拟差异,结合以下表格继续分析。表1是3个区域在浅层(0~10 cm)和深层(0~50 cm)上土壤模拟和观测资料月平均值地相关系数表,从表1可以看出,1区和2区的相关性随土壤深度的增加而减弱,这可能与Noah模拟与观测土壤的分层不一致有关。1区的相关系数最小,仅浅层通过了80%的信度检验,深层没有通过。结合图4(a)、图4(d),1988年前模拟土壤湿度基本模拟出了站点土壤湿度。浅层(0~10 cm)在1988年至1991年,模拟土壤湿度变化与观测土壤湿度呈负相关状态,即模拟土壤湿度的极大值与观测土壤湿度的极小值对应,1991后模拟与观测呈正相关。深层(0~50 cm)在1988年后,模拟与观测基本呈现负相关状态。从而使得相关系数变得较小,没有通过显著性检验。2区和3区模拟土壤湿度值和观测土壤湿度值在浅层(0~10 cm)和深层(0~50 cm)两个层次上均显著性相关,2区在浅层和深层都通过了99.9%的信度检验,模拟效果最好。3区要差点,浅层通过99.8%的信度检验,深层通过了99.9%的信度检验。
![](Images/Table_Tmp.jpg)
Table 1. Correlation coefficients of monthly mean values of simulated and observed soil moisture in three regions at two levels
表1. 三个区域在两个层次上的模拟和观测土壤湿度月平均值相关系数
![](//html.hanspub.org/file/2-2950648x14_hanspub.png)
Figure 4. The interannual variations of the monthly mean (m3/m3) of the three regions observed and simulated by GLDAS-NOAH are as follows: (a) 0 - 10 cm in zone 1; (b) 0 - 10 cm in zone 2; (c) 0 - 10 cm in zone 3; (d) 0 - 50 cm in zone 1; (e) 0 - 50 cm in zone 2; (f) 0 - 50 cm in zone 3
图4. 观测和GLDAS-NOAH模拟的三个区域月平均值(m3/m3)的年际变化:(a) 第1区0~10 cm;(b) 第2区0~10 cm;(c) 第3区0~10 cm;(d) 第1区0~50 cm;(e) 第2区0~50 cm;(f) 第3区0~50 cm
表2是三个区域土壤湿度月平均模拟值与观测值在浅层(0~10 cm)和深层(0~50 cm)两个层次上的均方根误差和模拟偏差表。可以从中看出三个区域各个层次模拟值较之观测值均存在一定偏差,2区偏差最大,这也可以从图4中清晰看出。1区和3区均方根误差和模拟偏差比较小,说明模拟土壤湿度与观测土壤湿度较为接近。1区和2区的均方根误差和模拟偏差出现了随土壤深度增加而减小的情况,分析其土壤湿度年际变化图可以发现,浅层的模拟值普遍高于观测值,而到了深层,模拟值则小于观测值。这是因为上文提到的观测土壤湿度和模拟土壤湿度从浅层(0~10 cm)到深层(0~50 cm)上变化不一致。这是GLDAS-NOAH模式的不足之一。造成这种不足的原因有以下几点:一是站点观测和数值模拟与实际土壤情况都是有误差的。观测土壤是在固定深度来测值,用观测土壤湿度某一个深度来代表整个层次的深度。与之相同,模拟土壤湿度是一个随深度变化的非线性模拟,采用模拟节点上的土壤湿度代表整层土壤湿度。这两种情况都非常具有不确定性,存在较大误差。二是观测土壤湿度与模式土壤湿度的分层深度不一样,用0~10 cm层和10~40 cm层土壤湿度地平均值与0~50 cm层作比较,这本就存在较大的误差。三是模式土壤湿度是一片区域积分后的平均值,而站点观测土壤湿度是某一深度的测值,这两者一比较,也是存在较大的误差的。
表3是3个区域在浅层(0~10 cm)和深层(0~50 cm)上土壤湿度模拟值与观测值的线性趋势,这种线性趋势是年平均值的线性趋势。观察这个表格可以发现,1区和2区的模拟土壤湿度线性变化趋势和观测土壤湿度线性变化趋势基本一致。1区和2区都呈现变干的趋势。而3区深层(0~50 cm)出现了较大模拟偏差。在模拟土壤湿度变化趋势上呈增加趋势,而在观测土壤湿度上呈减小趋势。单单看观测土壤湿度线性变化趋势,可以发现,观测土壤湿度线性变化趋势在1区和3区随土壤深度增加而减小,在2区随土壤深度增加而增大,其中3区随深度变化最为明显。单单看模拟土壤湿度变化趋势,可以发现模拟变化趋势随土壤深度变化不显著。这说明GLDAS-NOAH对土壤深层因子考虑不全,忽略或轻视地下径流等因素的影响。总的来说,通过对比表格发现,浅层的观测与模拟的线性变化趋势偏差要更小,所以浅层模拟要比深层模拟更好。为什么浅层变化趋势偏差要小点呢?这是因模式表层考虑的参数完全可以通过观测测量得到,初始条件较为准确。而土壤深层,像地下径流等因子参数不好得到,初始条件较差。NOAH模式的在表层初始环境较全较准确,而深层初始环境与表层一致。故模式在深层的模拟不如浅层的。
![](Images/Table_Tmp.jpg)
Table 2. Root mean square error and simulation deviation of monthly average simulated and observed soil moisture at two levels in three regions (unit: m3/m3)
表2. 三区域在两个层次上的土壤湿度月平均模拟值与观测值的均方根误差和模拟偏差(单位:m3/m3)
![](Images/Table_Tmp.jpg)
Table 3. Linear trend of simulated and observed soil moisture at two levels in three regions (unit: 10−3 m3/m3/year)
表3. 三个区域在两个层次上的土壤湿度模拟值与观测值的线性趋势(单位:10−3 m3/m3/year)
4. 结论
本研究利用GLDAS-NOAH土壤湿度资料同1981~1999年中国区域土壤湿度资料同站点观测土壤湿度资料做分析对比,研究GLDAS-NOAH土壤湿度资料在中国区域的适用性。主要得以下结论:
GLDAS-NOAH土壤湿度与观测土壤湿度之间的相关程度较大,能够较好地模拟出中国区域观测土壤湿度的空间分布和时间变化情况。较准确的模拟出站点资料在三个区域,东北地区土壤湿度最高,江淮次之,河套最低的空间分布状况。较好的模拟出站点资料东北地区和河套地区变干的时间变化趋势。
在模拟的平均空间分布上,模式模拟的土壤湿度呈现出东南向西北,土壤湿度不断逐渐减小的情况,这与我国现实情况一致。其中新疆南部、内蒙古西部等区域是模拟土壤湿度最小的区域,而东北平原、长江流域及其以南区域为模拟土壤湿度最高的区域。
在模拟土壤湿度时间变化分布上,GLDAS-NOAH土壤湿度在深层(0~50 cm)和浅层(0~10 cm)变化基本上等同于观测土壤湿度地变化,模拟情况很好。土壤湿度在黑龙江、吉林和河套地区呈减小趋势,其中,变干趋势最大值位于河套地区和黑龙江西部;变湿趋势最大值位于江淮地区和辽宁。所选取的三个地区地模拟与观测土壤湿度都显著性相关。三个区域都发现一个共同特点,模式的浅层模拟和深层的模拟结果较为相似,但是,浅层的模拟效果要比深层模拟效果要好得多,特别是时间变化趋势上。
虽然GLDAS-NOAH土壤湿度资料在空间上和时间变化趋势有模拟效果较好。但是,仍存在以下问题:一、模拟精度较差。在数值方面,明明浅层土壤湿度的偏差百分比要大,反而相关性较好;深层土壤湿度反之,偏差百分比要小,反而相关性较差。二、模拟土壤湿度资料的分层与站点观测资料分层不一致。三、采用地站点观测资料还是较少,只有30个站点资料,对中国而言还是太少了,存在较大误差。