CLDAS驅動陸面模式模擬中國區域潛熱通量的精度評價*

王智慧，師春香，沈潤平，孫 帥，單 帥，韓 帥

（1.南京信息工程大學地理科學學院，南京 210044；2.國家氣象信息中心，北京 100081）

潛熱通量是陸?氣間物質和熱量交換過程的重要參數，表達了地表可以為大氣提供水汽和能量的多少。研究表明，若陸地表面沒有蒸散發，近地面氣溫將升高15～25℃[1]，可見陸面通量交換對大氣系統的顯著效應。同時，水熱傳輸過程也與植物生理生態過程、環境特征密切相關，張功等[2?5]準確地定量了解各時間尺度的潛熱通量，對農業、水文、生態、氣象等相關領域意義重大。

近年來，一系列大型野外觀測實驗站的建立，為相關研究提供了大量的觀測資料，這些資料揭示了陸面過程的一些基本特征，同時也對陸面模式的發展和驗證提供了參考依據。地面站點觀測主要采用的是渦動相關儀法（Eddy Covariance technique，EC）直接測得潛熱通量，一般認為是可靠的。國內外學者分析了不同下墊面的水熱交換情況，如青藏高原高寒金露梅灌叢潛熱通量的平均日變化和季節變化均為單峰型，峰值在7月下旬[6]；綠洲潛熱通量遠大于荒漠[7]；平涼站凈輻射分配以潛熱為主，定西站以感熱為主[8]等，不同下墊面的潛熱通量存在一定的差異。觀測難度大的特性導致觀測站點稀少，難以進行空間上的分析，于是尋找可以準確描述潛熱通量時空特征的替代資料變得很重要。

陸面模式模擬可以得到時空連續的數據，使得長時間序列、大區域尺度空間分布研究成為可能，但是模擬的精度受初始場和參數化方案的影響，存在不同程度的系統誤差和不確定性[9]。隨著同化技術的發展，不同來源、不同空間分辨率的數據實現了有機融合，產生了一系列陸面融合資料。目前，國際上比較主流的陸面數據同化系統包括全球陸面數據同化系統（Global Land Data Assimilation System，GLDAS）[10]、北美陸面數據同化系統（North American Land Data Assimilation System，NLDAS）等。2013年，中國氣象局也開始了中國氣象局陸面數據同化系統的建設[11]，對土壤濕度、溫度等數據的適用性進行了大量研究[12?13]，但是對中國區域潛熱通量的研究較少。另外，以往對潛熱通量的研究多是進行單點實驗，葉丹等[14]基于蘭州大學半干旱氣候與環境觀測站分析了Noah-MP不同參數化方案的模擬效果，謝志鵬等[15]基于那曲站數據分析了CLM4.5模擬效果。模型的質量是開展研究的前提和基礎，在數據使用之前對數據進行精度評價是必不可少的，Cai等[16]使用NLDAS北美陸面數據同化系統數據評估了美國本土4種陸地表面模型的性能，結果表明CLM4在模擬ET方面表現最好；陳瑩瑩等[17]調用GLDAS的Noah模式對中國區域地表能量通量進行了模擬分析，從殘差的角度得出GLDAS對中國區域地勢相對低平的華北平原、黃土高原、蒙古草原和西北干旱區的模擬效果好于海拔較高的青藏高原和緯度較高的東北地區以及內蒙古東部區；李宏宇等[18]分析研究了草原和森林兩種下墊面7個站點月尺度上多種再分析資料和模式資料的質量。

綜上所述，雖然前人對潛熱通量的研究已獲得一定的成果，但由于觀測資料稀少，多數研究基于單點數據或者單個時間尺度進行模擬或驗證，對多個站點不同下墊面潛熱資料精度評價的研究報道較少。因此，本研究選擇不同下墊面的12個站點數據，采用較長時間的觀測資料對基于CLDAS驅動下的三個陸面模式（Community Land Model，CLM；Noah；Noah-MP）以及GLDAS-Noah模擬結果進行精度評價，以期為模擬結果的改進提供一定的參考。

1 數據與方法

1.1 觀測資料

潛熱通量的觀測主要來源于渦動相關系統，包括三維超聲風速儀CSAT3（美國，Camp-bell Scientific，Inc.）、開路式水汽二氧化碳分析儀LI-7500RS（美國，LI-COR Biosciences）以及 CR3000數據采集器。渦動相關法是一種直接測定物質垂直湍流通量的方法。與其它處理方法相比，渦動相關法所得的湍流通量數據均基于實際測量值，不包含任何經驗關系或假設，即通過高頻測量風速脈動、溫度、水汽濃度，從而計算某一時間段內（通常為30min）平均垂直感熱通量和潛熱通量的值。目前，渦動相關法是國內外公認的測量熱通量較為可靠的方法。

選取在中國區域內分布相對均勻、觀測時間超過兩年且分別代表混合林、針葉林、草原、高寒草甸、農田、濕地、荒漠和戈壁8種植被下墊面特點的12個通量塔站點觀測的潛熱通量數據，站點信息見表1。戈壁站和花寨子站位于甘肅省張掖市，阿柔位于青海省祁連縣，以上3個站點數據來自黑河綜合遙感實驗，發布的觀測數據質量分為三個量級，質量標識分別為0、1和2，驗證時只保留質量標識為0和1的數據；大興站位于北京市大興區魏善莊，下墊面為玉米/小麥、瓜果，數據來自于海河流域多尺度地表通量與氣象要素觀測數據集，其發布觀測數據的質量標識分為9級，剔除質量標識為9的觀測數據；戈壁站、花寨子站、阿柔站和大興數據均來源于國家青藏高原科學數據中心（http：//data.tpdc.ac.cn）。青藏高原的那曲站和安多站代表高寒草地生態系統類型，數據來源于青藏高原第三次科學考察實驗數據集（http：//tipex.data.cma.cn/tipex）；長白山站、千煙洲站、海北灌叢、海北濕地站、內蒙古站和當雄站2008?2010年數據均來自中國通量觀測研究聯盟ChinaFlux（http：//www.chinaflux.org/）。站點數據均經過去野點、去趨勢、坐標旋轉、頻率響應校正、超聲虛溫校正和WPL 校正等程序處理[19?21]。

1.2 陸面模式資料

（1）由美國航空航天局戈達德空間飛行中心

NASA/GSFC（National Aeronautics and Space Admini- stration/ Goddard Space Flight Center）、美國海洋和大氣局NOAA（National Oceanic and Atmospheric Administration）和國家環境預報中心NCEP（National Centers for Environmental Prediction）聯合開發的全球陸面數據同化系統GLDAS-2中的NOAH模式輸出產品，時間分辨率為3h，空間分辨率為0.25°× 0.25°。

（2）由CLDAS大氣驅動場產品（V2.0）驅動CLM、Noah、Noah-MP 3個陸面模式模擬潛熱通量的結果。針對CLM、Noah和Noah-MP 3個陸面模式，利用模式自帶的靜態參數數據分別制作0.0625°×0.0625°等經緯度網格的地表參數數據，作為陸面模式輸入數據。再利用“CLDAS大氣驅動場產品（V2.0）”對3個陸面模式進行spin-up，分別制作得到每個陸面模式的初始場。CLDAS2.0大氣驅動產品來自國家氣象信息中心，覆蓋亞洲區域（0?65°N，60?160°E），空間分辨率為0.0625°×0.0625°，時間分辨率1h，包括2m氣溫、2m比濕、10m風速、地面氣壓、降水[22]、短波輻射[23]6個要素。經2400余個國家級自動站觀測數據評估中國區域 2m氣溫、2m比濕、10m風速、地面氣壓、小時降水產品。朱智等[24]研究結果表明，與國際和國內同類產品相比，該產品在中國區域質量更高，時空分布特征更為合理準確。最后利用驅動數據和初始場信息驅動3個陸面模式得到地表潛熱通量的模擬結果。

表1 站點基本信息Table 1 Basic information of sites

1.3 分析方法

將模式資料和觀測資料均處理成3h分辨率數據。采用雙線性插值方法將模擬結果插值到站點，即在經向和緯向分別進行線性插值，根據實際站點與周圍4個鄰點的距離確定相應的權重，從而計算站點數值。利用平均值法，將匹配后的小時資料進行處理得到多年小時平均（0：00?23：00的每3h平均值）、日平均、月平均和年平均潛熱通量數據，以分析在不同時間尺度上的模擬效果。

定量統計方法主要包括回歸分析、無量綱化和誤差分析。每個數學方法評估模式模擬都有一定的局限性，精度驗證和評價指標包括斜率、截距、相關系數（R）、平均偏差（ME）、均方根誤差（Root Mean Square Error，RMSE）和Nash效率系數（Nash- Sutcliffe Efficiency Coefficient，NSE）。

式中，N代表樣本個數。Si代表3種模式模擬的潛熱通量數值（W·m?2），S為其平均值（W·m?2）。Oi為各站通量塔觀測的潛熱通量數值（W·m?2），O為平均值（W·m?2）。其中，斜率和截距是模擬值與觀測值擬合線的兩個指標，斜率越接近1，截距越接近0表明模擬值越接近觀測值，模擬效果越好；平均誤差ME可以量化模擬值相對于觀測值的偏差；均方根誤差經常用于量化模擬結果的準確性，RMSE越小表明模擬值數值上與觀測值越接近；相關系數R用于檢測模擬值與站點觀測值在時間上的一致性，R越接近1，一致性越高。NSE常用來表示模擬結果的效率，范圍為負無窮到1，NSE在[0.0， 1.0]通常被認為是模擬性能在可接受的范圍，越接近1表示模擬結果與實際觀測值越接近，當NSE值小于0時，表明模擬性能較差[25]。

2 結果與分析

2.1 小時尺度潛熱通量產品的精度評價

2.1.1 不同下墊面潛熱通量的日變化特征

由圖1可見，不同下墊面潛熱通量觀測數據的季節平均和年平均值均表現出單峰型的日變化趨勢，每日峰值出現在午后，夜間數值較低，接近0，全天均為正值，但是全天數值上相差較大，年均日動態最大值為152.13W·m?2，出現在針葉林下墊面的14：00，最小值為67.94W·m?2，出現在戈壁站的14：00。由圖2可以看出，4個模式模擬結果的表現有一定差異，除Noah-MP和CLM在草甸、草原和濕地上模擬峰值出現時間落后于觀測數據，其余數據模擬值峰值出現時間與觀測結果均一致。在不同季節，4個潛熱通量日值的模擬結果也有一定的差異，（1）針葉林、草原、荒漠、混合林、戈壁和草甸觀測數據均滿足日變化幅度夏季最高，冬季最低，春秋相差不大的規律，模式能很好地模擬出夏季最高，冬季最低的變化規律，對春秋兩季變化規律的模擬效果較差。（2）農田四季的日變化趨勢差異較大，具體表現為夏季數值是秋季的兩倍，春季介于兩者之間，冬季最低，模式模擬結果均表現為夏季>秋季>春季>冬季，春秋兩季表現相反。（3）濕地觀測數據表現出春季和夏季日變化相差不大，并為最高值，同時冬季數值最低的變化規律，這與陸宣承等[26]的結論一致，但是4個模式均表現出夏季>秋季>春季>冬季的變化規律，春季模擬值與觀測數據相差較大。

圖1 8種不同下墊面站點潛熱通量觀測值和陸面模式輸出值（LE）的季節平均日變化和年變化Fig.1 Average diurnal variation of latent heat flux observed at eight different underlying surface types and output value （LE） of three land surface models

圖2 4種模式模擬結果在不同下墊面模擬誤差的平均日內變化（1）和季節變化（2）Fig.2 Annual mean daily change（1） and seasonal change（2） of simulation error （simulated value minus measured value） on different underlying surfaces of the 4 models

由上述分析可知，模式模擬結果基本能反應潛熱通量的日變化特征，但是，從與站點數據的差異上看，4個模擬結果誤差的年平均日變化有一定差異，表現為（1）在草甸、荒漠、草原、混合林和濕地，4個模式模擬誤差的年平均日變化特征相似，混合林處模擬誤差平均日變化基本為正值，其余4種下墊面模擬誤差平均日變化基本為負值。（2）在戈壁和農田，Noah和Noah-MP模擬誤差的日變化特征相似，即白天存在一定正偏差，夜晚基本是負偏差，CLM和GLDAS的日變化特征相似，即基本均為負偏差。（3）對于針葉林下墊面，CLM模擬誤差峰值時間較其它3個模式提前。

4個模式在不同季節的表現也不同：（1）混合林和針葉林基本均為正偏差，Noah-MP模式在秋季的模擬值與觀測值更接近，其余季節CLM模式的模擬值與觀測值更接近。（2）其余6種下墊面，四季基本為負偏差。Noah在戈壁的春夏兩季、草甸的夏秋兩季、荒漠的秋冬兩季以及農田的春季模擬值與觀測值更接近；CLM在草甸的冬季、草原的春冬兩季、農田的夏冬兩季以及濕地的秋冬兩季模擬值與觀測值更接近；Noah-MP在草甸的春季、荒漠的春夏兩季、農田的秋季以及濕地的春夏兩季模擬值與觀測值更接近；GLDAS在戈壁的秋冬和草原的夏秋模擬值與觀測值更接近。

2.1.2 潛熱通量精度評價

表2給出了小時尺度上4個陸面模式模擬數據在不同下墊面上模擬結果的評價指標。由表可知，（1）GLDAS在不同下墊面上擬合線的斜率波動較大（0.94±0.68），Noah的斜率變化范圍最小（0.73±0.35），4個模式的截距基本為正值，在戈壁處截距最大，均在10W·m?2以上。（2）從RMSE上看，除針葉林，GLDAS的RMSE介于CLDAS驅動下3個陸面模式模擬結果的RMSE之間，其余下墊面，CLDAS驅動下的3個陸面模式的RMSE均小于GLDAS-Noah。CLM在戈壁、草原、混合林和針葉林下墊面上的RMSE較小，Noah-MP在草甸和濕地的RMSE最小，Noah在荒漠和農田的RMSE最小。（3）各模式在不同下墊面上均能很好地模擬出潛熱通量的變化趨勢，R值都在0.6以上（除GLDAS在戈壁站R為0.54），但是在不同的下墊面表現不同。在混合林和針葉林R較大（0.85以上），其中Noah的表現較好；在戈壁站，模式對潛熱通量變化的模擬能力稍差，其中CLM的表現較好（R為0.74）；基于CLDAS驅動下的3個陸面模式對潛熱通量變化的模擬效果略優于GLDAS-Noah。（4）從表2還可以看出，NSE基本為正值（除GLDAS在混合林為負值），基于CLDAS驅動下的3個陸面模式的NSE系數均高于GLDAS，CLM在戈壁、混合林、濕地和針葉林表現較好，Noah在荒漠和農田表現較好，Noah-MP在草甸和草原表現較好。

表2 8種下墊面上4個陸面模式潛熱通量的模擬值評價指標Table 2 Evaluation index of simulated values of latent heat flux of four land surface models on eight underlying surfaces

2.2 日和月尺度潛熱通量的精度評價

2.2.1 潛熱通量變化過程

圖3 8種不同下墊面站點潛熱通量觀測值和陸面模式輸出值（LE）的多年日平均（1）和月平均（2）變化趨勢Fig.3 Average annual（1） and monthly（2） variation of observed latent heat flux and land surface model output value （LE） at eight sites with different underlying surface types

由圖3可知，各模式模擬值與觀測數據具有相似的年內變化特征，呈現夏季最高的單峰型變化趨勢，但在不同的下墊面表現又有所不同。在戈壁、草甸、荒漠和草原下墊面上，模擬數據基本在觀測數據曲線附近變化，在長白山和千煙洲兩個森林站，模式數據高估了實際潛熱通量。下墊面為農田的大興站，觀測數據有著雙峰型的變化趨勢，峰值出現在5月和8月，而各模式模擬值都呈單峰型的變化 趨勢，陸面模式能模擬出8月出現的峰值。大興所在的地區農業上采取的是冬小麥夏玉米的種植方式，春天需要補充灌溉以保證農作物對水分的需求，灌溉后土壤含水量較高，蒸發量增加，潛熱通量明顯升高，感熱通量明顯降低，而陸面模式不能模擬出灌溉的情況，導致模擬的潛熱通量在春季出現一定的低估現象。下墊面為濕地的海北濕地站，從觀測數據來看，潛熱通量在春季顯著增加，夏季保持高值變化幅度不大，秋季有明顯的下降趨勢，冬季潛熱保持低值，模式模擬結果在冰雪消融的初春與實際相差較大，以往研究表明，白天土壤融化之后潛熱通量會顯著升高，凍結、融化前后的差異主要由于土壤體積含水量的變化所致[27]，但4個模式模擬結果均未模擬出融化后潛熱通量顯著增加的變化趨勢。

2.2.2 潛熱通量精度評價

圖4 模式與觀測數據在日尺度（1）和月尺度（2）的統計指標Fig.4 Statistical indices of model and observed data on daily（1） and monthly（2） scale

圖4展示了模式資料與站點觀測數據在日尺度和月尺度上的統計指標。由平均偏差統計（圖4a1?圖4b2）可知，模式模擬的潛熱通量與觀測值的平均偏差在混合林和針葉林兩個森林站為正值，其余下墊面基本為負值；陸面模式在大多數站點的模擬偏差較小，平均偏差在?20～20W·m?2，均方根誤差在40W·m?2以下，農田模式資料與站點觀測偏差較大，結合圖3可知，偏差主要集中在春季。從相關系數統計（圖4c1、圖4c2）可以看出，在所有下墊面各模式模擬的潛熱通量與觀測值呈極顯著正相關關系（P＜0.01）；日尺度上，CLDAS驅動下的3個陸面模式模擬值與觀測值的相關性均高于GLDAS，月尺度上，戈壁、草甸、荒漠和混合林下墊面上，CLDAS的R值明顯高于GLDAS，草原、濕地和針葉林墊面上，GLDAS的R值介于CLDAS驅動下的3個陸面模式之間，在農田，GLDAS-Noah的R值稍高于CLDAS驅動下的3個陸面模式結果。比較模式模擬值與站點觀測值的NSE可知，除GLDAS在農田和混合林處為負值外，模式模擬值與觀測值的NSE均為正值；日尺度上，NSE在0.07～0.81區間，草原和針葉林下墊面上，GLDAS模擬值與觀測的NSE 介于CLDAS驅動的3個陸面模式之間，其余下墊面，CLDAS驅動的NSE明顯高于GLDAS；月尺度上，NSE在0.12～0.93區間，草原下墊面上，GLDAS的NSE高于CLDAS驅動下的NSE，針葉林和濕地上，GLDAS的NSE介于CLDAS驅動下的NSE之間，其余下墊面CLDAS驅動的NSE明顯高于GLDAS。

2.3 年尺度潛熱通量的精度評價

把所有站點年平均數據作為一個整體來分析4個模式模擬結果年尺度上的模擬效果。由圖5可知，4個模式模擬結果與觀測數據擬合線的斜率均為正值，截距基本為正值，其中GLDAS-Noah的截距遠大于其余3個模擬結果，在高值區域存在明顯的低估現象，模擬值與觀測值的相關系數R低于0.5，模擬效果稍差。基于CLDAS驅動下的3個模式模擬效果較為接近，且在不同站點模擬效果較為穩定，R值均在0.8以上，RMSE在20W·m?2以下，NSE系數在0～1之間，其中CLDAS-Noah-MP的趨勢線與1：1擬合線最接近，斜率最接近1且R最高，RMSE最小，NSE最大，表現出最好的模擬效果。

圖5 12個站點潛熱通量模擬值與觀測數據在年尺度的散點圖Fig.5 Annual scatter plots of simulated latent heat flux values and observed data at 12 sites

3 結論與討論

3.1 討論

3.1.1 模型在不同時間尺度的模擬效果

在不同時間尺度上，最優模型的選擇不是一成不變的。小時尺度上，CLM模型模擬值與觀測值的R值較高，日尺度和月尺度上，Noah-MP模型的R值較高，3個時間尺度上NSE較高的均為CLM模型。各模型模擬值與觀測值的相關系數和NSE從小時到日到月尺度均經歷了先降低后提高的變化趨勢，表現為從3h尺度到日尺度，基于CLDAS驅動下的模式模擬值與觀測值的R和NSE在荒漠、草原、濕地、農田和針葉林下墊面上存在不同程度的降低，其中Noah-MP的R值降低程度最輕，但其NSE降低最多，GLDAS模式的R值在所有下墊面都存在降低現象且降低值最多；日尺度到月尺度，4個模型模擬結果與觀測值的R和NSE均大幅上升。

3.1.2 模型在不同下墊面的模擬效果

各模式模擬效果存在一定的一致性，在森林站點處存在高估，在其余下墊面存在低估，這與李宏宇的CLM在草地存在低估，森林存在高估的研究結果一致[18]。森林處模擬的高估可能與EC觀測值的低估有關。多項研究表明，在森林下墊面的EC觀測研究中冠層熱儲量會對能量閉合產生較大的影響從而導致對潛熱的低估[28?29]。農田觀測數據表現為雙峰型的年變化，而模式只能模擬出8月的峰值。農田處的熱量交換較為復雜，包含了土壤、灌溉水、大氣以及農作物生長的影響[30]，在灌漿成熟期由于灌溉等人為因素的影響會導致模擬值與觀測值之間的差異。濕地4月土壤融化后潛熱通量顯著升高，同張海宏[27]研究結論一致，模式在土壤凍結和融化期間的模擬有待加強。

不同模型在同一下墊面的表現各有優劣。從NSE上看，Noah在荒漠和農田的模擬效果較好，CLM在混合林和針葉林模擬效果較好，Noah-MP在濕地模擬效果較好，以上5個下墊面的站點在多時間尺度上最優模型是固定的，戈壁、草甸和草原上的站點在不同時間尺度上，最優模型則不固定。在戈壁下墊面，小時和日尺度上CLM是最優模型，月尺度上Noah-MP是最優模型；在草甸和草原下墊面，小時尺度上Noah-MP是最優模型，日尺度和月尺度上Noah是最優模型。

綜上所述，陸面模式的模擬效果在不同的時間尺度和不同下墊面不是一成不變的，對其進行不同時間尺度和下墊面的精度評價有利于更好地了解模擬結果。由于數據觀測難度較大，分布較分散，數據的代表性有限，在中國的中部和西北部地區缺少站點進行驗證，在具體的地點有待布置更多的站點來進行分析。另外，本研究沒有對空間尺度進行分析，今后可對比遙感產品以及國內外廣泛使用的數據進行進一步分析。總體來說，CLDAS驅動下的陸面模式模擬效果較好，但3個陸面模式在不同下墊面的表現效果不同，未來可以采取基于陸面模式的多模式集成的方法避免單一模式模擬造成的嚴重偏差，集合多個數據集的特點，彌補單個數據集的不足。

3.2 結論

（1）4個模式模擬結果都能較好地再現各下墊面站點季節和年平均日變化趨勢，且峰值時間也較為一致。數值上秋冬兩季模擬值與觀測值較為接近，春季相差較大。GLDAS在戈壁的秋冬兩季和草原的夏秋兩季日變化模擬值與觀測值更接近，其余下墊面上，基于CLDAS驅動下的3個陸面模式模擬值與觀測值更接近。

（2）在不同時間尺度上，CLDAS系列模型的模擬效果基本優于GLDAS，且時間分辨率和空間分辨率更高。小時尺度上，CLM表現較優，日尺度和月尺度上，Noah-MP表現較優。

（3）不同下墊面上模式模擬結果存在共性，即在混合林和針葉林兩個森林站點存在高估現象，在其余下墊面存在低估現象。沒有一個模式在所有下墊面均表現為最優，CLM在戈壁、混合林和針葉林站點為最優模型，Noah在荒漠和農田站點為最優模型，Noah-MP在草甸、草原和濕地為最優模型。