刘佩佩 宋海清 鲍炜炜 李静睿

(1 陕西省安康市气象局，安康 725000； 2 陕西省气象局秦岭和黄土高原生态环境气象重点实验室汉江流域 (陕南)暴雨研究中心，西安 710016； 3 内蒙古自治区生态与农业气象中心，呼和浩特 010051； 4 南京信大数字气象研究院有限公司，南京 210044)

引言

影响陆地区域天气和气候的过程包括大气和地球表面之间的能量和水分的交换。这些交换的速率取决于多个因素，包括土壤温度和湿度。土壤温度和湿度的变化会改变地表显热和潜热的分配，并影响大气边界层过程和区域大气环流(Pan[1],Peters-Lidard[2])。虽然土壤温度会受到大气环流异常的影响，但土壤温度的变化主要还是由地表的辐射、显热交换和潜热交换以及不同热性质土壤在垂直方向的热传递引起的。许多学者[3-7]研究表明土壤温度是陆面模式中影响陆气相互作用的关键参数，因此研究土壤温度对于陆面模式有非常重要的意义。

Sarith P.P.Mahanama等[8]利用AGCM模式研究了土壤温度对地面气温变化的影响，结果表明开启了土壤温度与气候系统耦合的试验能显著影响地面气温变化。土壤深层中的正热异常会逐渐将额外的热量释放到浅层，在土壤浅层热异常会通过对土地覆盖和植被条件的影响而产生地表热异常和水分通量异常。通过影响年际和年代际的地表热通量和水汽通量，深层土壤温度异常可能是影响区域气候的来源之一[9]。除了影响大气，不同深度的土壤温度异常还会直接影响到农作物的生长和产量。江燕等[10]研究表明，覆盖地膜提高土壤温度，从而能促进甘薯块根早形成，协调其生长中后期地上部与地下部的关系，从而提高块根产量。霍轶珍等[11]和张建华等[12]研究发现黑色地膜能提高土壤温度，从而提高玉米和高粱的产量。更多研究[13-15]也表明覆膜提高土壤温度的方法对玉米的出苗、保苗以及产量都有很大影响。此外，研究指出准确地预报地表温度对于交通安全也是重要的保障条件[16-17]。

土壤温度的重要性不言而喻，由于观测数据的站点往往相距几十公里甚至上百公里，满足不了当下对于土壤温度数据精细化的要求，随着计算机水平的不断提高，更高时空分辨率的陆面模式产品能在一定程度上起到替代作用。刘川等[18]评估了多套土壤温湿度数据在青藏高原的适用性，表明CFSR(美国NCEP气候预测系统再分析资料)的土壤温度产品在青藏高原更接近于观测值，而GLDAS-CLM的土壤湿度产品在非冻结期表现最好。刘欢欢等[19]对CLDAS和GLDAS的土壤湿度数据在黄土高原的适用性进行了评估，结果显示两套数据在黄土高原都有各自的优势，可作为观测数据的替代。韩帅[20]等利用CLDAS大气强迫场驱动CLM3.5模式，模拟得到了较高精度土壤湿度数据，并且模拟结果在青藏高原地区要优于GLDAS和ERA土壤湿度数据。朱智等[21]对比了GLDAS 4个陆面模式和CLDAS的土壤湿度在中国区域的模拟能力，5个模式均可以模拟出土壤湿度在中国的空间分布特征，但是CLDAS较其他模式具有一定的优势。宋海清等[22]评估了多套土壤湿度数据在内蒙古的适用性，认为CLDAS在内蒙古表现最好，EC-interim最差。杨楠[23]等利用GLDAS2数据分析了2000—2016年青藏高原土壤温度的时空变化特征。孙帅[24]利用CLM3.5和Noah-MP陆面模式模拟了中国区域地表温度，结果表明考虑动态植被方案的Noah-MP模拟结果要好于CLM3.5。孟现勇等[25]等研究表明：基于CLDAS强迫的CLM3.5陆面模式能够较好地模拟新疆区域土壤温度的时空特征。朱景等[26]评估了欧洲中期天气预报中心ECMWF的两套再分析资料陆面温度在浙江省的适用性，结果表明第5代再分析资料ERA5要优于ERA-Interim。以上评估针对土壤湿度的研究较多，土壤温度相对土壤湿度同样重要，本文利用陕西省97站土壤温度逐日观测数据、中国气象局陆面数据同化系统(CLDAS2.0)和美国全球陆面数据同化系统(GLDAS)3种陆面模式 (Noah-GLDAS2.1,Noah-GLDAS1,CLM-GLDAS1)土壤温度数据，评估了几种土壤温度数据在陕西省的适用性，以期能够为各陆面模式的改进提供参考。

1 资料和方法

本文所用数据为2016年陕西省土壤温度观测数据，CLDAS2.0、Noah-GLDAS1、Noah-GLDAS2.1以及CLM-GLDAS1土壤温度数据。

1.1 观测数据

观测数据来源于陕西省气象信息中心提供的陕西省97个自动站土壤温度逐日观测数据。土壤温度的观测在垂直方向上分8层:5 cm，10 cm，15 cm，20 cm，40 cm，80 cm，160 cm，320 cm。由于陕西南北纬度跨度较大，而且从北往南呈现明显不同的气候和地理特征，因此将研究区域分为陕北黄土高原地区(包括榆林和延安)，关中平原地区(包括西安、咸阳、宝鸡、杨凌、铜川和渭南)以及陕南秦巴山区(包括汉中、安康和商洛)。

1.2 CLDAS数据产品

中国气象局陆面数据同化系统(CMA Land Data Assimilation System，CLDAS)是由国家气象信息中心研发，将地面观测资料、风云卫星资料、数值模式产品等多种资料进行融合和同化，获得高时空分辨率的温度、气压、风速、湿度、降水和辐射等气象要素的格点数据，进一步驱动陆面模式，得到土壤湿度、土壤温度等产品[27]。CLDAS 土壤温度分析产品覆盖亚洲区域(0°～65°N，60°～160°E)，逐小时、垂直分为5层(0～5，0～10，10～40，40～100，100～200 cm)，按0.0625°×0.0625°等经纬度网格分布的土壤温度产品，实时产品滞后1.5 h，近实时产品滞后2 d。目前业务运行的为CLDAS2.0。

1.3 GLDAS数据产品

全球陆面数据同化系统(Global Land Data Assimilation System, GLDAS)[28]是美国宇航局(National Aeronautics and Space Administration, NASA) 与美国国家环境预报中心(National Centers for Environmental Prediction, NCEP)和国家海洋大气局(National Oceanic and Atmospheric Administration, NOAA)的联合项目。GLDAS采用先进的数据同化技术将卫星观测数据和地基观测数据整合到一个统一的模型中。目前GLDAS旗下共有四种陆地表面模式 (Land Surface Model)，分别为 Noah、Mosaic、CLM(Community Land Model)、VIC(Variable Infiltration Capacity)。这些模式以网格数据的形式集成了多种陆地表面信息，例如全球的降水(降雨和降雪)、蒸散(土壤水分蒸发和植被蒸腾)、地表径流、地下径流、土壤湿度、地表温度、土壤温度、地表热流等。模式的空间分辨率有两种，分别为1°×1°和0.25°×0.25°，时间分辨率有3种，分别为3 h、1 d、1个月。目前GLDAS-Noah已经发布了1.0，2.0，2.1三个版本，GLDAS-Mosaic、GLDAS-CLM、GLDAS-VIC仅发布了1.0版本，由于Mosaic缺少浅层土壤温度、VIC未包括土壤温度产品，本文选取GLDAS1-Noah、Noah-GLDAS2.1以及GLDAS1-CLM 3种陆面模式土壤温度产品，时间分辨率为3 h，其中GLDAS1-Noah、Noah-GLDAS2.1空间分辨率为0.25°×0.25°，GLDAS1-CLM空间分辨率为1°×1°。

本文所用以上数据为了便于比较，都处理成日值，同时需要特别说明的陆面模式虽然输出为0～10 cm土壤温度，但实际计算节点在5 cm[29]，因此本文中取5 cm观测数据与各陆面模式0～10 cm土壤温度做对比评估。鉴于土壤温度观测数据为站点数据，而其他产品为格点数据，文中取距离站点最近的格点值与观测值进行比较，避免采用插值方法带来的新误差。为了分析各陆面模式产品与观测数据之间的关系，文中所采用的统计分析方法有：相关系数、平均偏差、均方根误差、标准差等。

2 结果与分析

2.1 5 cm土壤温度的空间统计分析

从陕西省97个站点与不同陆面模式5 cm土壤温度时间相关系数的空间分布图(图1)可以看出(所有站点均通过了置信度为99.9%的显著性检验)，不同陆面模式数据对陕西省的土壤温度都能较好地模拟，其中CLDAS2.0(图1a)的模拟能力最好，所有站相关系数都达到了0.98以上，有81站相关系数超过了0.99，占总站数83%，从相关系数空间分布来看，关中西北部和陕北南部较其他地方略差。

图1 陕西省2016年观测数据与不同陆面模式5 cm土壤温度日值的时间相关系数空间分布: (a)CLDAS2.0， (b) Noah-GLDAS2.1， (c) Noah-GLDAS1， (d) CLM- GLDAS1

其次是Noah-GLDAS2.1(图1b)，仅有8站相关系数未超过0.98，这些站点主要分布在秦巴山区，陕北大部分站点相关系数都超过了0.99，说明Noah-GLDAS2.1在陕北黄土高原的模拟能力要好于陕南秦巴山区。CLM-GLDAS1(图1d)要略差于前两者，所有站点相关系数都超过了0.8，仅在关中中部和陕北南部部分站点相关系数超过了0.9。而Noah-GLDAS1(图1c)所有站点相关系数均未超过0.9，关中中部以及陕北北部个别站相关系数低于0.7，模拟能力最差。

为了进一步分析不同陆面模式5 cm土壤温度与观测数据的离散度，图2给出了均方根误差的空间分布图，从图2可以看出，不同陆面模式的均方根误差在陕西省的分布有很大差异，CLDAS2.0(图2 a)的均方根误差在陕北、关中以及陕南都较小，其中有超过2/3站(66站)均方根误差小于2 ℃，95站小于3 ℃。其他3个陆面模式均方根误差的空间分布都表现出从北向南递增的趋势，陕西省从北边往南越来越复杂的下垫面(依次为黄土高原、关中平原和秦巴山区)是导致这种趋势的可能原因。Noah-GLDAS2.1(图2b)虽然在相关系数的表现与CLDAS2.0相差不大， 但是均方根误差在陕南秦巴山区以及关中平原西部明显要高于CLDAS2.0，而在陕北以及关中北部Noah-GLDAS2.1与CLADS2.0的均方根误差相差不大。Noah-GLDAS1(图2c)和CLM-GLDAS1(图2d)的均方根误差明显大于前两者，其中CLM-GLDAS1要稍好于Noah-GLDAS1，CLM-GLDAS1大部分站点均方根误差超过了5 ℃，而Noah-GLDAS1大部分站点均方根误差超过了7 ℃。

图2 陕西省2016年观测数据与不同陆面模式5 cm土壤温度日值的时间均方根误差空间分布: (a) CLDAS2.0， (b) Noah-GLDAS2.1， (c) Noah-GLDAS1， (d) CLM-GLDAS1

通过相关系数和均方根误差的分析可以发现：CLDAS2.0的相关系数最好，并且均方根误差最小；Noah-GLDAS1的相关系数最差，同时均方根误差也最大；Noah-GLDAS2.1相关系数仅次于CLDAS2.0，但是均方根误差在陕南秦巴山区明显较CLDAS2.0偏大。说明CLDAS2.0是4套陆面模式5 cm土壤温度数据中对时间变化模拟得最好，同时离散度也最小，而Noah-GLDAS1对时间变化模拟最差，离散度也最大。

2.2 陆面模式土壤温度与观测数据的对比

由于陆面模式格点数据代表的是一个网格内的平均状态，而观测数据仅仅代表是一个点的状态，二者在空间上的代表性有差异，因此，根据陕西省的地理分布特点，将陕西省分为陕北、关中以及陕南3个区域，对各个区域内的所有站点观测数据进行平均，以此代表该区域的土壤温度。由陕西省3个区域2016年观测数据和4套陆面模式土壤温度时间序列演变图(图3)可以看到，CLDAS2.0和Noah-GLDAS2.1在3个区域与观测数据都有很好的对应关系，二者不仅能够反映出土壤温度的季节变化，对于日尺度变化趋势也能很好的模拟，反观Noah-GLDAS1和CLM-GLDAS1并不能模拟出土壤温度的日变化趋势，仅仅对于季节变化趋势有一定模拟能力。进一步分析不同区域各套土壤温度数据与观测数据的偏差(图4)，可以发现，除CLDAS2.0外，其他3套数据在3个区域春夏都表现出明显的低估，说明Noah-GLDAS2.1、Noah-GLDAS1、CLM-GLDAS1对于雨季土壤温度的模拟能力较差。CLDAS2.0在3个区域较其他3套数据模拟能力更稳定，偏差更小，就CLDAS2.0自身而言，在陕南(图4c)的偏差最小，在陕北(图4a)的偏差最大。Noah-GLDAS2.1在陕北、关中的模拟能力跟CLDAS2.0比较接近，但是在陕南明显比CLADS2.0差。

图3 陕西省3个区域2016年不同陆面模式5 cm土壤 温度时间序列:(a)陕北，(b)关中，(c)陕南

图4 陕西省3个区域2016年不同陆面模式5 cm土壤 温度偏差时间序列:(a)陕北，(b)关中，(c)陕南

为了评估不同模式在站点上的模拟效果，在陕北、关中、陕南分别选取了一个站点进一步做站点评估分析，图5和图6分别给出了陕北榆林站，关中泾河站，陕南安康站3个代表站的5 cm土壤温度时间序列图和土壤温度偏差的时间序列图，从上述图中可以得出：不同模式在3个站点的季节变化、日变化以及偏差结果都与其所在区域保持一致，CLDAS2.0站点的模拟能力依然优于其它模式。

图5 陕西省3个区域代表站2016年不同模式5 cm土壤 温度时间序列:(a)榆林，(b)泾河，(c)安康

图6 陕西省3个区域代表站2016年不同模式5 cm土壤 温度偏差时间序列:(a)榆林，(b)泾河，(c)安康

表1给出了3个区域平均的土壤温度与观测数据的相关系数、平均偏差以及均方根误差，相关系数均通过了置信度为99.9%的显著性检验。CLDAS2.0在3个区域都有着非常好的相关系数，较低的平均偏差和均方根误差；Noah-GLDAS2.1相关系数与CLDAS2.0不相伯仲，且在陕北、关中地区有着较低的平均偏差和均方根误差， 但是在陕南地区平均偏差和均方根误差分别达到了4.99 ℃和5.59 ℃以上，表现较CLDAS2.0要差很多。Noah-GLDAS1和CLM-GLDAS1较前两者明显要逊色不少，3个区域的平均偏差和均方根误差基本都超过了5 ℃以上，Noah-GLDAS1在陕南地区的平均偏差和均方根误差甚至到了7 ℃和9 ℃以上。

表1 陕西省3个分区2016年不同模式日均5 cm模拟土壤温度和台站观测相关系数、平均偏差和均方根误差

为了进一步对比4套陆面模式土壤温度数据，图7给出了4套数据与观测数据的Taylor图[30]，通过图7可以看出，在陕北地区CLDAS2.0和Noah-GLDAS2.1不相上下，相关系数都达到了0.98以上，且与观测数据的标准差非常接近；在关中和陕南地区，CLDAS2.0同样表现最好，Noah-GLDAS1在3个区域相关系数最小，且与观测数据的标准差偏离最大，表现最差。

图7 陕西省3个区域2016年4套陆面模式土壤温度 逐日数据相对于观测数据的Taylor图

3 结论与讨论

本文利用陕西省2016年97站逐日土壤温度观测数据，对比评估了CLDAS2.0、Noah-GLDAS2.1Noah-GLDAS1和CLM-GLDAS1土壤温度数据，得出了以下结论：

(1)CLDAS2.0土壤温度在陕西省的模拟效果最好，相对于其他3套数据表现出更好的相关系数和更小的均方根误差。Noah-GLDAS2.1的模拟效果仅次于CLDAS2.0，在陕北和关中地区与CLDAS2.0模拟能力接近，但是在陕南地区均方根误差明显高于CLDAS2.0，需要进一步改进。Noah-GLDAS1和CLM-GLDAS1的模拟效果都要明显差于CLDAS2.0和Noah-GLDAS2.1，其中Noah-GLDAS1最差。

(2)从3个区域土壤温度的时间演变来看，CLDAS2.0和Noah-GLDAS2.1不仅能模拟出土壤温度的季节尺度变化，同时能模拟出土壤温度的日变化，而Noah-GLDAS1和CLM-GLDAS1仅仅能模拟出季节尺度变化。从3个区域土壤温度的偏差时间演变来看，除CLDAS2.0在关中地区表现偏高之外，其它数据和地区都表现出明显的低估，且低估在陕西雨季更为明显。

(3)为何CLDAS2.0土壤温度在陕西省的模拟效果要优于其它模式，影响陆面模式模拟结果的重要因素之一就是驱动数据的质量，CLDAS2.0融合并同化了我国4万多个自动站和区域站、风云卫星以及数值模式产品等数据，大气驱动数据质量在中国区域要优于其他同类产品[31]；不同陆面模式以及同一陆面模式的不同参数化方案不确定性很大，CLDAS2.0为了降低单模式和单参数化方案模拟的不确定性，所使用的陆面模式是CLM3.5和4种不同参数化方案下Noah-MP，因此相比较于单参数化方案的CLM、NoahLSM以及NoahMP不确定性更小。影响路面模式模拟效果的另外一个重要因素是下垫面，CLDAS2.0、Noah以及CLM都是模式自带下垫面，陕西省下垫面复杂，为了进一步提高陆面模式对陕西省的模拟能力可以考虑使用更加准确的下垫面数据替换模式自带。

综上所述，CLDAS2.0对陕西省土壤温度的模拟无论是时间还是空间上都要优于其他3个陆面模式，Noah-GLDAS2.1在陕北和关中地区表现同样优秀，但是在陕南地区有待改进。由于陕西省站点分布间距都在几十甚至上百公里，CLDAS2.0的高时空分辨率可作为补充，应用于农业、林业、水文等领域。由于本文所用数据时间段仅为2016年，且土壤温度为表层数据，评估结果具有一定局限性，今后将使用更长时间段的观测数据来探究不同陆面模式表层和深层土壤温度年际变化和季节变化的模拟能力。