不同大气强迫数据集对流域地表温度模拟的影响

孟 含，金 继 明

(西北农林科技大学 水利与建筑工程学院，陕西 杨凌 712100)

地表温度(Land Surface Temperature，LST)是表征全球变暖的关键物理因子[1]。LST通过蒸散发过程影响地表能量收支和水分收支[2]，其主要控制感热通量的大小，从而改变空气温度。LST的变化直接影响着土壤含水量和土壤蒸发量，进而影响区域植被生长和农业生产。地表温度升高会加剧地表蒸散，致使全球多数地区干旱状况明显加剧[3]。因此，LST时空分布的准确评估是进一步研究地表蒸散发的重要依据，对加深陆气相互作用过程的理解、预测未来气候变化和流域水资源变化以及预防旱灾和科学灌溉至关重要。

目前，可以通过站点观测、遥感技术和模式模拟获取LST数据。虽然传统的站点观测方法可以获得高精度的LST值，但因站点数量及位置等的局限性，这些观测值只能表征局部的LST变化特征。通过卫星遥感技术获得的LST数据不仅具有较高的分辨率，且能充分描述其空间分布及变化特征，但是遥感数据时长较短，不能体现历史LST的变化特征。而陆面模式能够模拟出广泛、长期、连续的高分辨率LST时空分布数据，既能模拟历史LST的变化，亦能对未来LST变化进行预测。

通用陆面模式模拟结果的准确性与大气强迫数据集的质量紧密相关，强迫数据集自身的误差会传递至模拟结果。目前已有学者针对不同大气强迫数据集对陆面模式的影响进行了研究。Wang等[4]在通用陆面模式(Community Land Model version 4.5，CLM4.5)中输入不同强迫数据集后模拟了蒸散发量、土壤湿度、雪深、径流等物理量，结果表明使用多个强迫数据集的模拟结果的总体平均值通常优于单个模拟结果；降水、气温和向下的短波辐射等的差异导致了模拟结果的差异。Yin等[5]分析了4种大气强迫数据集对中国土壤湿度模拟的影响，结果表明不同数据带来的差异较大。沈润平等[6]将国家气象信息中心发布的陆面数据同化系统CLDAS(CMA Land Data Assimilation System)中的两个版本作为大气强迫数据，驱动CLM4.5模拟了青藏高原10 cm土壤温度，结果表明高质量的大气强迫数据能显著降低模拟的误差。孟现勇等[7]利用CLDAS大气强迫数据集驱动CLM3.5模拟了中国新疆地区土壤温度，表明 CLDAS 数据驱动CLM3.5模式能够得到较为精确的中国新疆地区多年平均土壤温度时空分布特征以及变化规律。朱智等[8]对5种再分析地表温度资料(ERA-Interim，ERA-Interim/Land，JRA-55，NCEP/NCAR，NCEP/DOE)在中国区域的适用性进行了对比分析，发现JRA-55数据在空间分布上最接近观测数据。5种再分析资料在东部地区的适用性较好，但在青藏高原地区和西北西部地区的适用性较差，且5种再分析资料都存在低估现象。Guo等[9]利用CLM4.5和多个大气强迫数据集模拟了近地表土壤冻融循环的变化，发现CRU-NCEP(Climate Research Unit-National Centers for Environmental Prediction)数据集驱动模式得到的结果较接近实测数据，表明该数据集可优先作为未来大气强迫预测的基础数据集。综上所述，陆面模式模拟的精确性与大气强迫数据的数据精准度联系紧密。然而，目前针对不同强迫数据集对通用陆面模式模拟LST的影响的研究亟待加强。

本研究选取了CLM默认强迫数据集CRU-NCEP以及目前应用较广泛的CMFD(China Meteorological Forcing Dataset)[10-12]、GSWP(Global Soil Wetness Project)[13-15]3种大气强迫数据集驱动通用陆面模式CLM5.0，模拟了黄河流域上中游地区2003～2010年的LST，对夏季、冬季LST的多驱动输出模拟结果进行了对比分析。

1 研究区概况

黄河全长约5 464 km，发源于青藏高原东部，穿过黄土高原进入华北平原，最后汇入渤海[16]。黄河中游和下游的分界点在郑州附近的桃花峪[17]。本文的研究区为黄河流域上中游地区，如图1所示，经纬度范围是95°54′E～113°35′ E，32°12′N～41°50′ N，西起青藏高原东部，东至华北平原西部，南至秦岭北麓，北至阴山[18]，面积约为72.31万km2。研究区内气温空间差异性较大，上、中游的年平均气温分别为1～8 ℃及8～14 ℃[19]。黄河流域上中游大部分位于温带干旱、半干旱地区的生态脆弱带，其对气候变化异常敏感，尤其是在多年冻土分布广泛的黄河源区，地表温度的变化一方面会影响冰雪冻土的消融，另一方面会影响区域内不同下垫面的蒸散发，进而影响黄河上中游乃至全流域水资源量的变化[20]。

图1 黄河流域上中游Fig.1 Upper and middle reaches of Yellow River Basin

2 研究数据

2.1 大气强迫数据

CLM5.0模式所需的大气输入变量包括降水量(mm/s)、2 m气温(K)、2 m比湿(kg/kg)、风速(m/s)、向下短波辐射(W/m2)、向下长波辐射(W/m2)以及近地表气压(Pa)。本研究利用CMFD、GSWP、CRU-NCEP三种大气强迫数据集驱动CLM5.0进行黄河流域上中游地区LST的模拟。

CMFD数据集(http：//westdc.westgis.ac.cn/data/7a35329c-c53f-4267-aa07-e0037d913a21)来自中国科学院青藏高原研究所(Institute of Tibetan Plateau Research，Chinese Academy of Sciences)。该数据集是在现有的多个数据资料的基础上，与中国气象局观测的气象数据相结合得到的再分析数据集。其时间分辨率为3 h，空间分辨率为0.1°。

GSWP数据集(http：//hydro.iis.u-tokyo.ac.jp/GSWP3/)是全球土壤湿度项目(Global Soil Wetness Project，GSWP)运用国际卫星地面气候计划(International Satellite Land Surface Climatology Project，ISLSCP)提供的资料，产生的一套多模式集合的数据集[21]。GSWP数据共有3期，本研究采用的是第3期，其时间跨度为1901～2010年，时间分辨率为3 h，空间分辨率为0.5°。

CRU-NCEP数据集(http：//dods.extra.cea.fr/data/p529viov/cruncep/)是由两个现有数据集合成的，这两个数据集分别是由气候研究中心(Climatic Research Unit，CRU)研发的0.5°的月数据和由国家环境预测中心和国家大气研究中心(the National Centers for Environmental Prediction and the National Center for Atmospheric Research，NCEP-NCAR)开发的2.5°再分析产品。本研究使用了第四版CRU-NCEP数据，时间分辨率为6 h，空间分辨率为0.5°。

2.2 观测数据

由于在GB/T 35221-2017《地面气象观测规范》中规定：LST传感器放在裸地上，要求该地段地表疏松、平整且无草[22]。站点观测数据为该地段的裸地地温。而本文的研究对象LST根据地表覆盖类型的不同，可能为裸地表面温度、植被冠层温度、雪表层温度，这与MODIS(Moderate Resolution Imaging Spectroradiometer)通过卫星热红外测量获得的LST相对应[23]。因此，通过卫星热红外测量得到的MODIS产品适用于对大面积LST模拟结果的评估[24]。本研究选取的LST数据产品MOD11C3和MYD11C3第五版，是分别由Terra和Aqua卫星提供的包含每个像素LST和发射率值的全球数据产品(MOD11B1和MYD11B1)通过重采样和计算后得到的月平均数据。产品投影为等角投影，空间分辨率为 0.05°。本研究将两套数据求平均，选取2002年12月至2010年12月LST数据作为观测数据进行对比。

3 研究方法

3.1 CLM模式介绍

CLM来自美国国家大气研究中心NCAR(National Center of Atmospheric Research)，是目前国际上较为完善的陆面模式之一[25]。本研究使用的CLM5.0模式是CLM的最新版本。

CLM5.0用嵌套的次网格结构来描述空间异质性，每个网格有3个层次，第1层为陆地单元分类，有冰川、湖泊、城市、植被和作物(打开作物模式选项时)；第2层是柱单元，分别由25层土(其中20层为土层，其余的为基岩层)和10层雪(视雪的深度而定)表示；第3层是植被单元上的植被功能类型或裸地。模式按照植被的生物、物理以及化学性质将植被分为16种植被功能类型。CLM5.0的地表参数空间分布和季节气候学来源于MODIS卫星地面数据产品[26]。

3.2 LST的计算

本文选取了2003～2010年的LST进行模拟，3组模拟实验分别记为CLM-CMFD，CLM-GSWP，CLM-CRUNCEP。本研究在模拟时已通过spin-up获得基本稳定的初始场。

在CLM模式中，地表包括植被表面的冠层、裸露地面的土壤表层和裸露雪地表面的雪层表层。由于模式并没有直接输出LST，因此本研究采用了向上长波辐射、向下长波辐射以及地表发射率来计算得到LST的模拟值[27]：

(1)

式中：RLW↑和RLW↓分别为向上和向下的地表长波辐射，W/m2；σ为Stefan-Boltzmann常数，值为5.67×10-8W/(m2·K4)；εg为地表发射率，取值范围为0.95～1.00。

3.3 模拟结果的评价指标

本研究采用以下评估方法来衡量不同大气强迫数据驱动下LST的模拟值与观测值之间的差别[28]。

(1) 偏差。

(2)

(2) 均方根误差。

(3)

(3) 相关系数。

(4)

4 结果分析

4.1 时间尺度对比

3种大气强迫数据驱动下CLM5.0对黄河流域上中游地区2003～2010年间冬、夏季节LST的模拟值及观测值如图2和图3所示。在冬季，CLM-GSWP方案的模拟值最接近观测值，且出现高估，而另两种方案的模拟值出现低估。在夏季，3种方案模拟值均出现高估，其中CLM-CMFD的模拟值最接近观测值，CLM-GSWP和CLM-CRUNCEP两种方案模拟值之间较接近。

图2 冬季月平均LST的观测值和模拟值的时间序列Fig.2 Time series of observed and simulated monthly mean LST in winter

图3 夏季月平均LST的观测值和模拟值的时间序列Fig.3 Time series of observed and simulated monthly mean LST in summer

2003～2010年冬、夏季区域平均LST模拟值与观测值的偏差，均方根误差和相关系数的计算结果如表1所示。3组实验的LST模拟值与观测值间的R值均不小于0.93，这说明3种大气强迫数据驱动下CLM5.0对研究区冬、夏季LST变化趋势的模拟效果均较好。而通过对比Bias和RMSE发现，3种方案对夏季LST模拟效果均高于其对冬季LST的模拟效果。冬季的3种实验方案中，两组方案(CLM-CMFD和CLM-CRUNCEP)的Bias出现负值，夏季的Bias均为正值。综合Bias，RMSE和R来说，区域平均LST模拟值中，CLM-GSWP方案的模拟效果最好，夏季CLM-CMFD方案的模拟效果最好。

表1 LST观测值和模拟值的Bias,RMSE值与R值

4.2 空间尺度对比

CMFD、GSWP和CRU-NCEP三种强迫数据驱动下，CLM5.0对黄河流域上中游地区冬、夏季2003～2010年多年平均LST观测和模拟的空间分布如图4和图5所示。由图4～5可知：3种实验方案均能较好模拟出与观测值较接近的LST空间分布，都抓住了研究区西部LST较低，关中平原LST较高的空间分布特征，都能体现LST随纬度、季节、地形、和土地利用类型变化而变化的特点。

冬季LST受纬度和地形影响较大，模拟和观测值都出现了在西部区域自东向西降低，在中部和东部区域成带状自南向北降低的分布特征。研究区西部地处青藏高原，海拔较高，出现了最低LST，低于-15 ℃。在研究区的北部和东北部以及中南部有部分狭长区域LST也较低，因为研究区北部为阴山山脉，东北部为吕梁山，中南部狭长区域为六盘山，地形因素对黄河流域上中游的LST影响较大。

图4 冬季LST的观测值和不同方案模拟值的空间分布(单位：℃)Fig.4 Spatial distribution of LST in winter based on observation and simulations of different schemes

图5 夏季LST的观测值和不同方案模拟值的空间分布(单位：℃)Fig.5 Spatial distribution of LST in summer based on observation and simulations of different schemes

夏季LST的空间分布依旧出现西部和中、东部差异较大的现象，西部夏季LST虽高于0 ℃，但仍然较低，约为4 ℃～10 ℃，中部和东部大部分区域均高于20 ℃。在关中平原的北部有两处区域明显低于周围LST，是由于该区域土地利用类型为森林，植被覆盖率高，植被蒸散发大，导致潜热通量较大而感热通量较小，进而使得LST较低。

冬季LST模拟值与观测值的偏差、均方根误差以及相关系数空间分布如图6所示，CLM-GSWP方案的LST模拟值在大部分地区比观测值偏高，而CLM-CMFD和CLM-CRUNCEP的模拟值在大部分地区比观测值偏低，且CLM-CMFD方案的模拟值在关中平原的小部分区域出现了异常高温，这是由于CMFD强迫数据集中向下长波辐射和向下短波辐射比其他两个大气强迫数据集高。对比RMSE可以发现，CLM-CMFD方案的冬季LST模拟结果较差，而CLM-GSWP的模拟结果总体上较好。3 种方案模拟值与观测值的相关系数在西部较低，在中部、东部较高。

夏季3种方案模拟值与观测值的偏差、均方根误差以及相关系数如图7所示，CLM-CMFD方案的LST模拟值与观测值的Bias较小，CLM-GSWP和CLM-CRUNCEP的模拟值相近，由RMSE和R的空间分布可知，夏季LST模拟结果中，CLM-CMFD的模拟值明显优于CLM-GSWP和CLM-CRUNCEP的模拟值。局部区域模拟值与观测值相关性不够显著，可能是由于强迫数据集在这些区域上的向下短波辐射数据与观测数据存在一定误差，更确切的原因还需要在今后的工作中做更深入的探索。

5 讨 论

LST的模拟是陆面模式中较为关键的部分，其时空分布的准确评估至关重要。而利用通用陆面模式模拟LST的准确性与大气强迫数据集的精准度联系密切。虽然目前已有研究直接对多种LST再分析资料进行了适用性评估[8]，也有研究对比了不同陆面模式对LST的模拟能力[29-30]，另外一些研究主要针对蒸散发量、土壤湿度、雪深、径流等物理量探究了不同大气强迫数据集对模型模拟结果的影响[4-5]，但尚未有研究探索不同大气强迫数据集对CLM5.0模拟LST的影响。本研究利用3种大气强迫数据集(CMFD，GSWP，CRU-NCEP)驱动CLM5.0模式模拟了黄河流域上中游地区2003～2010年冬夏季的LST，并对其进行了对比分析。由于本文选用的观测数据为MODIS数据，其在日尺度以下不同时刻的空间缺测情况差异较大。因此，本研究在月、季节和年尺度上进行了LST的模拟与分析，未来有必要进一步开展更精细的时间尺度上的模拟。

图6 3种方案中冬季LST模拟值与观测值的偏差、均方根误差以及相关系数Fig.6 Bias,RMSE and R between simulations in three schemes and observations of LST in winter

图7 3种方案中夏季LST模拟值与观测值的偏差、均方根误差以及相关系数Fig.7 Bias,RMSE and R between simulations in three schemes and observations of LST in summer

6 结 论

(1) 陆面模式CLM5.0对LST的模拟结果受大气强迫数据的质量影响较大。虽然3种方案均能较好地模拟出LST的时空分布，但不同强迫数据集驱动下的结果仍然有明显差异。

(2) 在冬季LST的模拟中，GSWP数据集驱动下CLM5.0的模拟结果最好，偏差为0.87 ℃，均方根误差为1.24 ℃，相关系数为0.95；而在夏季，CMFD数据集驱动下CLM5.0对LST的模拟结果最好，偏差为0.54 ℃，均方根误差为0.63 ℃，相关系数为0.95。

(3) 在基于陆面模式对未来LST进行模拟时，可以选用CMFD数据集和GSWP数据集分别驱动模式。其中，可选取CMFD数据集驱动的夏季LST结果和GSWP数据集驱动得到的冬季LST结果作为最终的模拟结果。