孙 帅 师春香 梁 晓 姜立鹏 徐 宾 韩 帅 谷军霞 粟 运

国家气象信息中心，北京，100081

National Meteorological Information Centre，China Meteorological Administration，Beijing 100081，China

1 引 言

土壤温度作为表征土壤热力状况的重要参量，其改变伴随着土壤向大气输送的潜热与感热变化，是陆面影响大气的重要因子（Godfrey，et al，2008；Fan，2009；朱蒙等，2014；杨江艳，2021）。土壤温度还可以通过改变土壤水分运动及相变过程进一步影响地面水分循环过程（Lavigne，et al，2004；孙丞虎等，2005；丁旭等，2018）。此外，土壤温度对短期气候、农业气象、农作物生长也具有重要的影响（Landhäusser，et al，2001；Hawkes，et al，2008；马柱国等，2000；孟现勇等，2017）。目前中国气象局土壤温度地面观测站有2400 多个，但在空间上不均匀；微波遥感虽能穿云透雨，但对于土壤的穿透能力有限，且受下垫面植被、反演算法等多种因素的影响，目前卫星反演只能反演浅层土壤温度。因此，具有较强物理过程和动力学机制的陆面过程模拟是获取时空连续、不同深度土壤温度的手段之一。

目前关于中国土壤温度的研究主要从全国和区域两个尺度进行。全国方面，主要采用站点观测资料或国外的GLDAS、ERA5 再分析、CFSR 以及MERRA 等数据进行评估，研究时空变化等 （刘川等，2015）。如张慧智等（2009）使用土壤温度站点观测数据，分析了中国土壤温度的季节变化及其区域分异特征以及气温和降水对土壤温度的影响，杨江艳（2021）使用GLDAS 数据分析了中国区域两个深度层土壤温度的月、年际、年代际变化趋势和周期变化特征，Liang 等（2020）研制了中国第一代陆面再分析CRA-Interim/Land 数据集，基于CRAInterim/Land 大气驱动数据和Noah 模式模拟的土壤湿度和地表温度的效果优于美国CFSR 同类产品。区域陆面模拟土壤温度的研究相对较多，主要包括了陆面模式适用性分析、不同土壤温度产品评估分析、参数化方案改进、地表参数改进等。孟现勇等（2017）评估了CLM3.5 陆面模式对新疆地区土壤温度的模拟效果，总体上能够模拟出新疆地区不同时间尺度土壤温度的变化规律，但对于浅层地表温度效果较差，可能与模式参数化方案及地表参数有关。Yuan 等（2018）使用其研发的CSSPv2 陆面模式开展了三江源地区高分辨率土壤温度、湿度、径流等模拟，并与ERA-Interim 再分析和美国GLDAS 1.0 系列产品进行对比，结果表明CSSPv2 模拟的土壤温度无偏均方根误差最小，表明更精细的地表参数、大气驱动数据对于高分辨率陆面模拟更具优势。丁旭等（2018）分析了8 套国外土壤温、湿度再分析数据在青藏高原的表现情况，结果表明，GLDAS在大部分站点能够合理地再现10 和40 cm 深度土壤温度变化特征，但是与观测相比存在高估。沈润平等（2019）通过改进CLM 模式中的植被功能类型数据，分析其对青藏高原土壤温度模拟的影响，其结果更接近观测数据，更能够反映土壤温度空间分布的细节特征。

影响陆面模式模拟效果的因素主要包括模式类型、模式物理过程、地表参数以及大气驱动数据（高艳红等，2021）等。中国地域辽阔、下垫面和气候条件复杂，但关于不同陆面模式对中国土壤温度模拟的对比分析研究较少。因此，本研究使用CLDAS 大气驱动数据分别驱动Noah 和Noah-MP陆面模式进行中国区域土壤温度模拟，基于2010—2018 年中国气象局2380 个站点观测数据及GLDAS_Noah 土壤温度资料，从空间分布、不同季节、不同分区等方面对GLDAS_Noah、CLDAS_Noah 和CLDAS_Noah-MP 模拟的10 和40 cm 深度土壤温度进行评估，检验不同陆面模式和驱动数据的模拟效果，以期对后续研制中国区域时、空连续的高质量土壤温度数据集提供参考，进而为中国区域天气、气候分析、农业气象等研究提供土壤温度数据支撑。

2 数据与方法

2.1 站点观测数据

中国气象局土壤温度观测包括浅层和深层，共8 层（5、10、15、20、40、80、160 和320 cm）。文中使用的土壤温度观测数据来源于全国综合气象信息共享平台（CIMISS），选取2010—2018 年2380个国家级土壤温度观测站的小时数据（赵芳等，2018），经质量控制后计算日平均土壤温度，为了与陆面模式模拟土壤温度深度（10、40 cm）匹配，本研究土壤温度的评估采用的是10 和40 cm 观测数据，空间分布如图1 所示。

图1 用于评估的中国气象局2380 个土壤温度观测站点分布 （a.东北，b.华北，c.江淮，d.华南，e.西北东部，f.西南，g.西北西部，h.青藏高原）Fig.1 Distribution map of 2380 soil temperature observation stations of China Meteorological Administration used for evaluation （a.Northeast，b.North China，c.Jianghuai，d.South China， e.Northwest east， f.Southwest， g.Northwest west，h.Tibet）

2.2 CLDAS 大气驱动数据

CLDAS 是中国气象局国家气象信息中心开发（师春香等，2011），目前已发展到第二版（CLDASV2.0，师春香等，2019）。CLDAS-V2.0 大气驱动数据包括了近地面的2 m 气温、气压、湿度、10 m 风速、降水和地面入射太阳短波辐射6 个要素，时间分辨率为1 h，空间分辨率为0.0625°，其中气温、气压、湿度、风速4 个要素是以欧洲中期天气预报产品为背景场，采用基于多重网格同化分析方法（ Space and Time Mesoscale Analysis System，STMAS）融合了中国气象局业务布设的4 万多个国家级和区域自动气象站逐小时地面观测资料（Han，et al，2019）。降水驱动数据是采用STMAS 方法将CMORPH 或EMSIP 降水与中国区域6 万多个国家级和区域自动气象站逐小时降水观测数据融合而成（Liu，et al，2019；Sun，et al，2020）。地面入射太阳短波辐射驱动数据是基于离散坐标法DISORT（Discrete Ordinate Method for Radiative Transfer）辐射传输模型，使用风云气象卫星可见光通道反演得到（刘军建等，2018）。目前CLDAS 系列产品（http://data.cma.cn/）已在各省、市气象部门，高校以及科研院所得到广泛应用。

2.3 GLDAS 土壤温度数据

美国全球陆面数据同化系统（GLDAS）同样发展到第二代，其中GLDAS-2.0 使用普林斯顿大气驱动数据，GLDAS-2.1 是使用模式模拟结果与观测资料融合制作的大气驱动数据。GLDAS 中陆面模式包括Noah、CLM、VIC、Mosaic 和 Catchment，模拟的空间分辨率为0.25°，时间分辨率为3 h，包括了土壤湿度、土壤温度、地表温度、积雪等陆面变量（Rodell，et al，2004）。本研究使用GLDAS-2.1 中Noah 模式模拟的2010—2018 年10 和40 cm土壤温度数据，计算日均值。

2.4 陆面模式

Noah 陆 面 模 式 由 OSU-LSM（ Oregon State University/Land Surface Model） 发 展 而 来，2000年正式定名为Noah，其中土壤温度通过热扩散方程计算得到，考虑了4 层土壤，分别是0—10、10—40、40—100 和100—200 cm（Ek，et al，2003）。

Noah-MP 陆 面 模 式（ The Community Noah Land Surface Model with Muti-Parameterization Options）是在Noah 陆面模式基础上进一步发展起来的，相比Noah 模式，Noah-MP 模式将植被与地表分开，对整体框架进行了调整，改进了植被覆盖区能量平衡、积雪、冻土与渗透、土壤水分-地下水相互作用等（Niu，et al，2011）。该模式针对动态植被、径流、地下水等多个物理过程选项，提供上千种参数化方案的组合，用户可以根据自己的需要进行参数化方案配置（Yang，et al，2011）。土壤层数跟Noah 模式一致，本研究使用Noah-MP 默认的参数化方案配置。在土壤温度方面，Noah 模式将土壤表层和植被看成一个整体，通过常用的热扩散方程计算，而Noah-MP 模式则将植被与地表分开，对土壤热传导率的计算去除了土壤热传导率随植被覆盖率指数减小的关系； Noah 模式将土壤和冠层看成一个整体，当积雪较厚时，大量能量存储在积雪表面，使得积雪融化，地表温度与土壤温度降低，而Noah-MP 针对该问题，采用了一个3 层积雪物理模型和雪拦截模型，将雪盖分为3 层，表示积雪中的渗透、滞留和再冻结以及能量传递等过程（Niu，et al，2011）。

2.5 模拟试验设计

本研究设计了3 组试验，如表1 所示，试验1 与2 用于相同模式不同驱动数据的模拟效果对比；试验2 与3 用于不同模式相同驱动数据的模拟效果的对比。考虑到地表参数对土壤温度模拟的重要作用，本研究中采用相同的地表参数，即MOD44W 陆面掩膜文件、GTOP030 以及STATSGO/FAO 土壤参数等。

表1 试验方案设计Table 1 Design of experiments

3 土壤温度结果分析

3.1 土壤温度空间分布

由GLDAS_Noah、CLDAS_Noah 和CLDAS_Noah-MP 模 拟 的2010—2018 年 中 国 区 域10 cm土壤温度进行季节平均（图2）可见，3 个试验的土壤温度模拟结果在空间分布上相近，都能较好地反映出中国区域土壤温度的时、空变化特征：从西北到东南土壤温度逐渐升高，夏季土壤温度最高，冬季土壤温度最低。但量级上有一定差异，如春季（图2a、e、i），GLDAS_Noah 模拟的青藏高原、川西地区土壤温度明显低于CLDAS_Noah 和CLDAS_Noah-MP；夏季（图2b、f、j），GLDAS_Noah 模拟的青藏高原东部、川西地区土壤温度同样低于CLDAS_Noah 和CLDAS_Noah-MP，秋季（图2c、g、k）情况类似，可能与大气驱动数据有关（分析详见3.2.2节）；冬季（图2d、h、l），GLDAS_Noah 和CLDAS_Noah 模拟的中国东北和新疆西北部土壤温度明显低于CLDAS_Noah-MP，这与Noah-MP 模式的积雪参数化方案改进有关，Noah 模式中表层土壤和冠层是一个整体，当积雪较厚时，大量能量会累积在积雪表面，使得积雪更容易融化，积雪融化对土壤有降温作用，而Noah-MP 模式采用的是3 层积雪物理模型，考虑了积雪内部渗透、滞留以及能量传递过程（Yang，et al，2011）。

图2 2010—2018 年GLDAS_Noah （a—d）、CLDAS_Noah （e—h）、CLDAS_Noah-MP （i—l）模式模拟的10 cm 土壤温度 （色阶，单位：℃） 不同季节 （a、e、i.春季，b、f、j.夏季，c、g、k.秋季，d、h、l.冬季） 平均空间分布Fig.2 Season average （a，e，i.Spring；b，f，j.Summer；c，g，k.Autumn；d，h，l.Winter） spatial distributions of 10 cm soil temperature （shading，unit：℃） of GLDAS_Noah （a—d），CLDAS_Noah （e—h），CLDAS_Noah-MP （i—l） from 2010 to 2018

3.2 不同季节土壤温度模拟结果评估

3.2.1 10 cm 土壤温度

使用质量控制后的中国2010—2018 年10 cm土壤温度观测数据对GLDAS_Noah、CLDAS_Noah、CLDAS_Noah-MP 模拟结果进行评估，计算偏差、均方根误差和相关系数。

春季（图3a—c），GLDAS_Noah 和CLDAS_Noah 模拟的土壤温度均为低估，分别为−1.985 和−0.515℃，CLDAS_Noah-MP 模拟结果为高估，总体较观测高1.058℃。从均方根误差可以看出，CLDAS_Noah 最小，为2.02℃；其次是CLDAS_Noah-MP，为2.383℃；GLDAS_Noah 最大。3 个试验模拟结果与观测值的相关系数都大于0.9，其中CLDAS_Noah 的模拟效果最优，其次是CLDAS_Noah-MP，GLDAS_Noah 相对较差。夏季（图3d—f），从偏差可以看出，3 个试验模拟结果均为低估，其中CLDAS_Noah-MP 低估程度最小（−0.822℃），其次是CLDAS_Noah（−1.345℃），GLDAS_Noah最大（−3.060℃）；均方根误差结果显示，CLDAS_Noah-MP 最小（1.986℃），其次是CLDAS_Noah（2.177℃），GLDAS_Noah 最大（4.179℃）；由相关系数结果可见，GLDAS_Noah 结果（0.822）明显低于 CLDAS_Noah（ 0.932） 和 CLDAS_Noah-MP（0.922）。秋季（图3g—i），偏差结果显示3 个试验均为低估，其中CLDAS_Noah-MP 低估程度最小（−0.333℃），其 次 是CLDAS_Noah（−1.276℃），GLDAS_Noah 最大（−2.701℃）；均方根误差结果显示， CLDAS_Noah-MP 最 小（ 1.641℃） ， 其 次 是CLDAS_Noah（ 2.071℃） ， GLDAS_Noah 最 大（3.661℃）；相关系数均大于0.9，CLDAS_Noah 和CLDAS_Noah-MP 模拟结果与观测值的相关系数较接近（分别为0.98 和0.981），GLDAS_Noah 略低（0.953）。冬季（图3j—l），从偏差可以看出，模拟与观测相比均低估，其中CLDAS_Noah-MP 低估较小（−0.358℃），其 次 是CLDAS_Noah（−1.715℃），GLDAS_Noah 最大（−2.642℃）；均方根误差结果显示， CLDAS_Noah-MP 最 小（ 2.083℃） ， 其 次 是CLDAS_Noah（ 3.417℃） ， GLDAS_Noah 最 大（3.944℃）；相关系数均大于0.9，CLDAS_Noah-MP 模拟结果与观测相关系数最大（0.966），CLDAS_Noah 和GLDAS_Noah 与观测的相关系数相近，分别为0.948 和 0.942。

图3 GLDAS_Noah、CLDAS_Noah、CLDAS_Noah-MP 模拟的不同季节 （a—c.春季，d—f.夏季，g—i.秋季，j—l.冬季）10 cm 土壤温度与观测比较Fig.3 Overall evaluation results of 10 cm soil temperature of GLDAS_Noah，CLDAS_Noah and CLDAS_Noah-MP in different seasons （a—c.Spring，d—f.Summer，g—i.Autumn，j—l.Winter）

从相同陆面模式不同驱动数据模拟的10 cm土壤温度来看，CLDAS_Noah 结果在四季均优于GLDAS_Noah，间接表明CLDAS 大气驱动数据优于GLDAS 大气驱动数据，且大气驱动数据是影响土壤温度模拟的重要因素之一。从Noah 陆面模式来看，无论是CLDAS 或是GLDAS 数据驱动，春季土壤温度的偏差和均方根误差均小于其他季节，说明Noah 模式对春季土壤温度模拟更准确。从相同驱动数据不同陆面模式来看，Noah 模式在春季效果优于Noah-MP 模式，但在其他季节，Noah-MP 模式效果优于Noah 模式。

3.2.2 40 cm 土壤温度

使用质量控制后的中国2010—2018 年40 cm土壤温度观测数据对GLDAS_Noah、CLDAS_Noah、CLDAS_Noah-MP 模拟结果进行评估，计算偏差、均方根误差和相关系数。

春季（图4a—c），3 个试验模拟结果与10 cm 模拟结果类似，均为低估，GLDAS_Noah 和CLDAS_Noah 偏差分别为−1.506 和−0.288℃，CLDAS_Noah-MP 为高估，总体较观测高1.808℃。均方根误差结果显示，CLDAS_Noah 最小，为2.228℃；其次是CLDAS_Noah-MP，为2.85℃；GLDAS_Noah 最大，为3.325℃。由相关系数结果可见，3 个试验模拟的土壤温度与观测的相关系数都大于0.9，其中CLDAS_Noah 模拟效果最优，其次是CLDAS_Noah-MP，GLDAS_Noah 相对较差。夏季（图4d—f），从偏差可以看出，GLDAS_Noah 和CLDAS_Noah 均为低估，分别低估2.713 和1.351℃，CLDAS_Noah-MP为高估，较观测高估0.812℃；均方根误差的结果显示，CLDAS_Noah-MP 最小（2.158℃），其次是CLDAS_Noah（2.627℃），GLDAS_Noah 最大（4.194℃）；由相关系数结果可见，GLDAS_Noah 模拟结果与观测数据的相关系数仅为0.818， 低于CLDAS_Noah（0.897）和CLDAS_Noah-MP（0.89）。可见夏季 该 层 的 误 差 略 大 于10 cm 土 壤 层， 其 中GLDAS_Noah 和CLDAS_Noah 在 该 层与10 cm 深度时类似，均为低估，而CLDAS_Noah-MP 在该层为高估，但优于GLDAS_Noah 和CLDAS_Noah。秋季（图4g—i），偏差结果显示，GLDAS_Noah 和CLDAS_Noah 模拟的土壤温度均为低估，分别低估2.095 和0.770℃，CLDAS_Noah-MP 为高估，较观测高估了0.106℃；均方根误差结果显示，CLDAS_Noah-MP 最小（1.759℃），其次是CLDAS_Noah（1.911℃），GLDAS_Noah 最大（3.260℃）；由相关系数结果可见，3 个试验模拟的土壤温度与观测数据的相关系数都大于0.9，其中CLDAS_Noah 和 CLDAS_Noah-MP 结 果 相 近， 分 别 为0.982 和0.975，GLDAS_Noah略低（0.96）。冬季（图4j—l），偏差结果显示，模式模拟结果均为低估，其中CLDAS_Noah-MP 低估较小（−0.753℃），其次是GLDAS_Noah（−1.658℃），CLDAS_Noah最大（−2.459℃）；均方根误差结果显示，CLDAS_Noah-MP 最低（2.509℃），其次是CLDAS_Noah（3.599℃），GLDAS_Noah 最大（3.982℃）；相关系数均大于0.9，其中CLDAS_Noah-MP 模拟结果与观 测 相 关 系 数 最 大（ 0.96） ， CLDAS_Noah 和GLDAS_Noah 结果相近，分别为0.949 和 0.953。

图4 GLDAS_Noah、CLDAS_Noah、CLDAS_Noah-MP 模拟的不同季节 （a—c.春季，d—f.夏季，g—i.秋季，j—l.冬季） 40 cm土壤温度与观测比较Fig.4 Overall evaluation results of 40 cm soil temperature of GLDAS_Noah， CLDAS_Noah， CLDAS_Noah-MP in different seasons （a—c.Spring，d—f.Summer，g—i.Autumn，j—l.Winter）

相同陆面模式不同驱动数据模拟的40 cm 土壤温度结果表明，CLDAS_Noah 在4 个季节均优于GLDAS_Noah，单从陆面模式来看，无论采用CLDAS 大气驱动数据或是GLDAS 大气驱动数据，偏差和均方根误差的结果表明，Noah 模式在春、秋季的性能优于冬、夏季；Noah-MP 模式在秋季效果最优，其次是夏、冬季，春季最差； Noah 模式在春季效果优于Noah-MP 模式，其他季节Noah-MP 模式效果优于Noah 模式。

Zhang 等（2021）研究显示寒冷区积雪及其模拟对土壤温度有一定影响。为进一步分析Noah 和Noah-MP 模式模拟的冬、春季土壤温度差异，尤其是东北和新疆地区，文中计算了2010—2018 年春、冬季CLDAS_Noah 和CLDAS_Noah-MP 雪深均值，并绘制了2 个季节2 种模式雪深空间分布差异图。

从春季结果（图5a）可以看出，CLDAS_Noah模拟的东北地区的雪深高于CLDAS_Noah-MP。春季主要是融雪过程，Noah 模式将表层土壤和冠层作为一个整体，积雪较厚时，大量能量累积在积雪表面，使得积雪更容易融化，而融雪对土壤有降温作用（李文静等，2021），因此CLDAS_Noah模拟的东北地区土壤温度相对偏低，尤其是10 cm深度土壤温度。从冬季结果（图5b）可以看出，CLDAS_Noah 模拟的东北地区雪深明显低于CLDAS_Noah-MP，冬季积雪对土壤有增温作用（李文静等，2021），因此，在CLDAS_Noah 模拟的雪深较低的情况下，土壤的保温能力较差，使得模拟结果偏低。

3.3 不同分区土壤温度模拟结果评估

3.3.1 10 cm 土壤温度

计算2010—2018 年逐日10 cm 深度GLDAS_Noah、CLDAS_Noah、CLDAS_Noah-MP 模拟的土壤温度在中国8 个分区的均方根误差，并绘制不同分区3 个试验模拟的土壤温度均方根误差时间序列，如图6 所示，不同分区均表现出季节性变化。东北（图6a）和华北（图6b）地区显示，GLDAS_Noah 和CLDAS_Noah 模拟结果的均方根误差均在冬季最大，CLDAS_Noah-MP 均在春季最大，且明显大于上述2 个试验，其他季节则优于上述2 个模式，CLDAS_Noah 和GLDAS_Noah 模拟的效果在冬季基本相当。

江淮（图6c）和华南（图6d）地区结果显示，3 个试验模拟的土壤温度均方根误差呈季节性变化，均在夏季最大，冬季最小，其中 CLDAS_Noah 和CLDAS_Noah-MP 效果相当，均明显优于GLDAS_Noah。从西北地区东部结果（图6e）可以看出，GLDAS_Noah 模拟结果在2017 年之前冬季最大，2017—2018 年夏季最大；CLDAS_Noah模拟结果在冬季较大，CLDAS_Noah-MP 在春季较大，其他季节CLDAS_Noah 和CLDAS_Noah-MP 模拟结果相当，均优于GLDAS_Noah 模式。

图 5 2010—2018 年CLDAS_Noah、CLDAS_Noah-MP 模 式 模 拟 的 春 （a）、冬 （b） 季 雪 深 差 异 （CLDAS_Noah-MP−CLDAS_Noah，单位：cm）Fig.5 Snow depth comparison of CLDAS_Noah，CLDAS_Noah-MP in spring （a） and winter （b） from 2010 to 2018（CLDAS_Noah-MP−CLDAS_Noah，unit：cm）

西南地区结果（图6f）显示， GLDAS_Noah 和CLDAS_Noah 模拟结果变化趋势相同，但GLDAS_Noah 模拟的均方根误差存在系统性偏大； CLDAS_Noah 和CLDAS_NoahMP 试验西南地区模拟结果存在季节性差异，冬季CLDAS_NoahMP 优于CLDAS_Noah；春季CLDAS_Noah 优于CLDAS_NoahMP。西北地区西部结果（图6g）显示，GLDAS_Noah 和CLDAS_Noah 模拟的冬季均方根误差明显大于CLDAS_Noah-MP，而其他季节CLDAS_Noah 优于GLDAS_Noah 和CLDAS_Noah-MP， CLDAS_Noah-MP 效果优于GLDAS_Noah。从青藏高原地区GLDAS_Noah 和CLDAS_Noah 模拟结果（图6h）可以看出， GLDAS_Noah 均方根误差明显大于CLDAS_Noah，表明该地区土壤温度模拟的准确性在较大程度上取决于大气驱动数据质量； CLDAS_Noah 和CLDAS_Noah-MP 模拟结果的均方根误差差异不大，表明Noah 和Noah-MP在青藏高原模拟效果相当。该结果与崔园园等（2018）评估的CLDAS多模式集成产品与GLDAS土壤温度产品结论较为一致。

图6 GLDAS_Noah、CLDAS_Noah、CLDAS_Noah-MP 模拟的不同分区10 cm 土壤温度均方根误差时间序列 （a.东北，b.华北，c.江淮，d.华南，e.西北东部，f.西南，g.西北西部，h.青藏高原）Fig.6 Time series of 10 cm soil temperature RMSE for GLDAS_Noah and CLDAS_Noah，CLDAS_Noah-MP in different regions （a.Northeast，b.North China，c.Jianghuai，d.South China，e.Northwest east，f.Southwest，g.Northwest west，h.Tibet）

西南地区和青藏高原复杂地形区域，GLDAS_Noah 模拟的土壤温度均方根误差明显大于CLDAS_Noah 和CLDAS_Noah-MP，可能与GLDAS_Noah分辨率（0.25°）比CLDAS 模式分辨率（0.0625°）低有关。数值模拟模拟精度除受模式本身参数化方案与大气驱动数据质量影响外，还与使用的大气驱动数据分辨率、下垫面地表参数的精细程度有关（Yuan，et al，2018；沈润平等，2019）。

综合对比可以看出，CLDAS_Noah 和CLDAS_Noah-MP 对10 cm 土壤温度模拟结果在不同季节不同分区均优于GLDAS_Noah，且CLDAS_Noah在春季大部分地区优于CLDAS_Noah-MP，而除西北西部的冬季外，CLDAS_Noah-MP 模拟结果在其他季节、其他地区均优于CLDAS_Noah。

3.3.2 40 cm 土壤温度

计算2010—2018 年逐日40 cm 深度GLDAS_Noah、CLDAS_Noah、CLDAS_Noah-MP 模拟的土壤温度在中国8 个分区的均方根误差，并分别绘制不同分区下3 个试验模拟的土壤温度均方根误差时间序列，如图7 所示，不同分区下均表现出季节性变化。从东北（图7a）和华北（图7b）结果可以看出，GLDAS_Noah 和CLDAS_Noah 模拟结果的均方根误差均在冬季最大，CLDAS_Noah-MP 在春季和夏季最大， CLDAS_Noah-MP 在春季和夏季均方根误差明显大于上述2 个试验，在其他季节则优于上述2 个试验；CLDAS_Noah 和GLDAS_Noah 模拟效果在冬季基本相当，在其他季节CLDAS_Noah 略优于GLDAS_Noah。

从江淮（图7c）和华南（图7d）地区结果可以看出，3 个试验模拟的土壤温度均方根误差呈现季节性变化，GLDAS_Noah 和CLDAS_Noah 模拟结果在夏季均方根误差最大，CLDAS_Noah-MP 在春季均方根误差最大，其中CLDAS_Noah 和GLDAS_Noah 模拟结果的均方根误差变化趋势相近，但CLDAS_Noah 明显优于GLDAS_Noah。由西北地区东部结果（图7e）可见，CLDAS_Noah 和CLDAS_Noah-MP 模拟结果相当，均优于GLDAS_Noah。

从西南地区（图7f）可以看出，GLDAS_Noah模拟结果的均方根误差明显大于CLDAS_Noah 和CLDAS_Noah-MP，CLDAS_Noah-MP 在春季和夏季均方根误差略大于CLDAS_Noah，但在秋季和冬季 则 优 于CLDAS_Noah，CLDAS_Noah-MP 对 该地区夏季模拟结果明显不如10 cm 深度。从西北地区西部（图7g）可以看出，3 个模式模拟的土壤温度均方根误差变化趋势基本相近，其中GLDAS_Noah 明显大于CLDAS_Noah 和CLDAS_Noah-MP，CLDAS_Noah 模拟结果在冬季均方根误差明显大于CLDAS_Noah-MP，而在春、夏和秋季，CLDAS_Noah 模拟效果优于CLDAS_Noah-MP。

图7 GLDAS_Noah、CLDAS_Noah、CLDAS_Noah-MP 模拟的不同分区40 cm 土壤温度均方根误差时间序列 （a.东北，b.华北，c.江淮，d.华南，e.西北东部，f.西南，g.西北西部，h.青藏高原）Fig.7 Time series of 40 cm soil temperature RMSE for GLDAS_Noah，CLDAS_Noah and CLDAS_Noah-MP in different regions （a.Northeast，b.North China，c.Jianghuai，d.South China，e.Northwest East，f.Southwest，g.Northwest West，h.Tibet）

从青藏高原地区（图7h）的结果可以看出，GLDAS_Noah 的均方根误差明显大于CLDAS_Noah和CLDAS_Noah-MP，CLDAS_Noah-MP 效果优于CLDAS_Noah，该结果与崔园园等（2018）评估CLDAS 多模式集成产品与GLDAS 土壤温度产品对比分析结论较为一致，且在该层CLDAS_Noah-MP模拟的土壤温度均方根误差小于10 cm 深度，尤其是春、夏两季，主要与模式冻融参数化方案有关（刘火霖等，2020）。

综合对比可以看出，CLDAS_Noah 和CLDAS_Noah-MP 在不同季节不同分区均优于GLDAS_Noah，对 于CLDAS_Noah 和CLDAS_Noah-MP 模拟结果而言，除西北西部的春、夏和秋季以及华北和东北地区的春、秋季之外，CLDAS_Noah-MP 模拟结果在其他季节、其他地区均优于CLDAS_Noah。

4 结论与讨论

本研究使用CLDAS 大气驱动数据分别驱动Noah 和Noah-MP 陆面模式进行中国土壤温度的模拟，基于2010—2018 年中国气象局2380 个土壤温度站点观测数据，从空间分布、不同季节、不同区域时间序列对GLDAS_Noah、CLDAS_Noah 和CLDAS_Noah-MP 模拟的10 和40 cm 土壤温度进行了评估，分析了不同驱动数据相同陆面模式和相同驱动数据不同陆面模式的10 和40 cm 土壤温度模拟结果。主要结论如下：

（1） GLDAS_Noah、CLDAS_Noah 和CLDAS_Noah-MP 均能够合理地模拟出中国10和40 cm 土壤温度季节空间分布，但量级有一定差异，差异主要表现在东北和新疆积雪区、青藏高原等地区，与模式本身的参数化方案及大气驱动数据质量有关

。

（2） 不同模式相同驱动数据的模拟结果比较显示，无论是10 cm 或是40 cm 土壤温度， CLDAS_Noah 模拟的冬季误差明显大于CLDAS_Noah-MP，尤其是东北地区、青藏高原和新疆地区，与CLDAS_Noah-MP 陆面模式改进了积雪方案有关； CLDAS_Noah-MP 在东北、华北、青藏高原地区春季10 和40 cm 土壤温度模拟误差明显大于CLDAS_Noah，可能与Noah-MP 陆面模式融雪方案有关。

（3） 相同模式不同驱动数据模拟试验结果的季节评估与分区均方根误差时间序列结果显示，对10和40 cm 土壤温度而言， CLDAS_Noah 模拟结果均优于GLDAS_Noah，间接表明CLDAS 大气驱动数据总体上优于GLDAS 大气驱动数据，且大气驱动数据质量是改善土壤温度模拟结果的重要因素之一。

总体上可以看出，Noah 和Noah-MP 陆面模式均不能准确模拟出中国不同区域、不同季节土壤温度，各有优缺点，文中结果间接表明了大气驱动数据精度对陆面模拟结果的重要性。因此，后续除综合不同模式在不同时、空尺度模拟上的优势，计算每个模式的权重进行多模式集成外，应充分利用中国气象局现有2400 多个土壤温度站点观测数据，选择合适的同化方法将站点的观测资料同化到陆面模式中，从而研制中国高质量土壤温度数据集。