青藏高原多源雪深數據適用性綜合評估

陳濤，高歌，陳德亮，邊多

（1.西藏自治區氣候中心，西藏 拉薩 850000；2.國家氣候中心中國氣象局氣候研究開放實驗室，北京 100081；3.南京信息工程大學氣象災害預報預警與評估協同創新中心，江蘇 南京 210044；4.瑞典哥德堡大學地球科學系，瑞典 哥德堡 405 30）

0 引言

積雪是水循環過程的關鍵要素，全球約有5%的降水以雪的形式出現，高緯度地區的比例更大［1-2］。積雪融水是河流與地下水的重要補給源，為世界約六分之一的人口提供飲用水，占世界灌溉用水的三分之一以上［3-4］。同時，積雪是重要的氣候變量，通過影響陸氣之間的水分和能量交換，與區域氣候變化存在緊密聯系，被認為是衡量區域和全球氣候變化的有效指標［5-6］。

青藏高原（后文簡稱高原）平均海拔4 000 m以上，被稱為“第三極”，是我國三大典型積雪區之一［7］。高原冬春季積雪異常通過影響海陸熱力差異調制東亞夏季風爆發時間和強度［8］；高原積雪融水是長江、黃河的重要水源，占其年流量的20%以上［9］。因而全面認知高原積雪時空變化對我國氣候預測以及水資源管理具有重要意義。

積雪深度是衡量積雪變化的重要特征量，也是高原雪災評估的重要指標［10］，高原冬季積雪深度比積雪面積對區域氣候影響更為重要［11］。氣象觀測站具有較長時間序列的積雪深度觀測記錄，被認為是最直接可靠的積雪數據［12］。基于站點觀測數據，高原積雪深度的一些基本特征被揭示［13-15］。然而，由于高原觀測站點稀疏且分布不均勻，主要分布在中東部，且多位于海拔相對較低的河谷或平原，站點觀測數據不足以全面反映高原積雪特征，特別是高原西部及高山地區［15-16］。遙感以及再分析等數據的研制為積雪研究提供了更多數據選擇，這些數據在高原的應用豐富了對高原積雪的認知，如高原西部積雪變化［17］、高原高山區域積雪變化［18-19］等。

然而，由于遙感數據在反演算法上、再分析數據在模型設計及數據同化上以及各種資料空間分辨率等方面存在差異，導致遙感與再分析積雪數據對積雪氣候特征及其變化的反映存在不確定性，基于站點觀測數據對這些數據進行適用性評估是后續應用的基礎。Xiao等［20］以偏差、均方根誤差、相對偏差、相關系數四個指標評估了AMSR-E、AMSR2、GlobSnow、ERA-Interim、MERRA2五種數據的平均積雪深度在北半球的適用性，表明GlobSnow、ERA-Interim的空間分布與地面觀測的一致性更好，分別在積雪累積期和消融期具有較小的不確定性。歐亞中高緯地區，JRA-55的冬季積雪深度在偏差、年際變化、趨勢上綜合表現相對較好［21］。在中國區域，肖林等［16］以偏差和均方根誤差作為評價指標對五種數據的月平均積雪深度進行評估，結果顯示中國雪深長時間序列數據集在中國北方表現較好，AMSR-E在中國中部以及東南地區表現較好。由于遙感與再分析數據的不確定性往往表現出區域特征［16］，高原等區域尺度上的積雪評估也開展較多。Bian等［22］對多種不同類型積雪數據針對高原雪水當量進行評估，結果表明沒有任何數據能同時較好描述時間變化和空間形態，從時間相關、偏差、均方根誤差綜合考慮，MERRA2表現最好［22］；Zhang等［23］基于積雪深度和積雪日數兩個變量，從偏差和相關系數兩個指標比較了幾種常用再分析數據與觀測數據在高原的差異，表明MERRA2、JRA-55總體優于ERA5。以上研究從變量選取方面，多對描述積雪平均狀態的變量進行評估，對描述極端狀態的變量，如極端最大積雪深度等少有涉及，這些變量是積雪災害研究［24］和工程建設需要參考的重要參數。由于工程規劃建設時，往往需要全面考慮，既要考慮平均狀態，又要考慮極值情況和變化趨勢，迫切需要開展多變量多指標綜合量化評價，才能優選出可靠的資料進行分析。

本文擬基于高原站點觀測數據，對三種遙感和再分析積雪深度數據進行適用性評價。構建面向年平均積雪深度、年最大積雪深度、年積雪日數三個變量，從區域平均和空間分布兩個維度，涵蓋季節循環、平均值、極大值、標準差、年際變化、線性變化趨勢在內的多評價指標體系，采用秩評分方法，分指標、分變量和綜合多角度開展定量適用性評估，并探討高原西部無觀測資料地區三種資料反映的積雪變化趨勢差異。

1 研究區域、資料及方法

1.1 研究區域

研究區域西起帕米爾高原，東至橫斷山脈，南自喜馬拉雅山脈南緣，北迄昆侖山至祁連山北麓［25］，研究區范圍、氣象站分布以及相關地理信息如圖1所示，高原邊界自國家青藏高原科學數據中心下載（https：//data.tpdc.ac.cn/zh-hans/data/

圖1 高原氣象站分布及相關地理信息Fig.1 Location of the meteorological observation stations and related geographic information in the Tibetan Plateau

61701 a2b-31e5-41bf-b0a3-607c2a9bd3b3/？q=%E8%BE%B9%E7%95%8C）。

1.2 資料

積雪深度數據包括來自中國氣象數據網（http：//data.cma.cn）的氣象站觀測數據（后文以OBS表示）、國家青藏高原科學數據中心提供的基于遙感反演的中國雪深長時間序列數據集（https：//data.tpdc.ac.cn/zh-hans/）（后文以CHE表示）、以歐洲中期天氣預報中心（ECMWF）第五代全球再分析數據（ERA5）［26］（https：//cds.climate.copernicus.eu/）為基礎生成的ERA5-Land、美國航空航天局（NASA）發布的新一代再分析數據MERRA2（https：//disc.gsfc.nasa.gov/）［30］。

OBS為逐日積雪深度數據，選取高原范圍126站1980年1月—2020年12月期間觀測結果。

CHE為1979—2020年中國范圍的逐日積雪深度分布數據，空間分辨率0.25°×0.25°。該數據基于交叉訂正后的SMMR、SSM/I和SSMI/S逐日被動微波亮溫數據，在中國南、北區域采用不同算法［16］。CHE在高原積雪研究中有較為廣泛的應用，因此使用該數據代表遙感數據進行適用性評估。

ERA5-Land空間分辨率0.1°×0.1°，時間分辨率1 h。ECMWF的上一代再分析數據ERA-Interim廣泛應用于氣候變化研究，最新的ERA5系列代表了目前再分析數據的前沿水平。ERA5-Land使用的積雪模型來自TESSEL，是一個單層的能量與質量平衡模型［27］。與ERA5相比，ERA5-Land的主要改進在于校正的熱力學輸入的非線性動力降尺度，對積雪深度量值的模擬，二者因區域不同互有優劣［29］。ERA5對亞洲高山地區的積雪深度存在明顯高估［28］，而ERA5-Land高原積雪適用性評估較少，需要進一步研究。

MERRA2空間分辨率為0.625°×0.5°，時間分辨率為1 d。該數據提供積雪覆蓋率以及積雪覆蓋區的平均積雪深度，兩者相乘可以得到對應像元的平均積雪深度。MERRA2的積雪模塊是一個三層積雪模型，模型生成的降水數據通過觀測降水進行校正［16］。已有研究表明MERRA2對高原雪水當量的模擬具有優勢［22］，針對多變量的綜合評估需要進一步研究。

1.3 方法

1.3.1 氣候統計方法

根據國家氣象信息中心發布的《氣候資料統計整編方法（地面）》，將7月1日至次年6月30日定義為一個積雪年。結合選用數據的時間范圍，本文的研究時段為1981年7月1日至2020年6月30日，共39年。所有數據的時間分辨率統一為1 d，小時數據通過平均的方式進行轉換，積雪深度單位統一為cm。由于氣象站觀測的積雪深度最小值為1 cm，將≥1 cm作為所有數據積雪日的判定條件。對于OBS，年平均積雪深度、年積雪日數的統計中對缺測數據的處理遵循以下原則：（1）一個月中缺測7天及以上，月值為缺測；（2）一年中各月缺測1個及以上，年值為缺測。對于年統計量，OBS有35%的站無缺測，37%的站缺測率大于0小于等于5%，28%的站缺測率介于5%～15%之間。CHE數據集已經對缺失的像元點采用當前時刻之前最近的數據補齊。

1.3.2 線性變化趨勢分析及檢驗方法

采用線性回歸方法的斜率作為線性變化速率，正負號反映趨勢增加或減少。使用studentt方法對變化趨勢結果進行顯著性檢驗［31］，信度取α=0.05。

1.3.3 適用性綜合評估方法

使用雙線性插值方法得到CHE、ERA5-Land、MERRA2三種格點數據在各站的積雪深度，針對年平均積雪深度、年最大積雪深度和年積雪日數三個變量從平均值、極大值、標準差、年際變化、線性變化趨勢以及季節循環6個評價指標的區域平均和空間分布方面與OBS進行差異和相關統計，并量化評分。評價指標的選取主要考慮從不同方面展示遙感及再分析數據與站點觀測數據之間的差異，為不同側重的研究提供數據選擇參考。使用誤差絕對值（Absolute Value of Error，AVE）和相關系數（Correlation Coefficient，COR，包括時間相關和空間相關）衡量格點數據與OBS的差異，作為計算分數的統計分析值；年際變化的空間相關，基于評價指標的經驗正交分解（EOF）的第一空間模態計算，該模態可以反映時間序列上的主要空間分布特征［32］。

利用秩評分方法（Rank Score，RS）定量描述三種格點數據在不同評價指標上的優劣和排序評分［32］。

式中：RSk（T）為第k種積雪深度格點數據的評價指標T在區域平均或空間分布上的評分值；Tk為第k種數據的評價指標T在區域平均或空間分布上的統計分析值；Tmin、Tmax分別為三種數據中統計分析的最小、最大值。RSk取值范圍為0～1，值越大表示與觀測結果的相對接近程度越高。季節循環有所不同，對月相關系數，最大月（Max）和最小月（Min）的誤差絕對值進行統計，評分方式如式（1）。

首先，采用秩評分方法對每個評價指標的各項分別評分，按照等權重求和計算各指標得分；然后累計獲得不同變量得分和多變量綜合得分，高分反映適用性好。

2 結果分析

以下分別從年平均積雪深度、年最大積雪深度、年積雪日數三個變量對遙感及再分析數據進行量化評分，然后進行綜合評分。對不同評價指標的分析中，由于變化趨勢是高原積雪的研究重點，而已有研究較少將其作為評價指標，因此對該內容進行重點分析。

2.1 多源數據針對年平均積雪深度的適用性評估

針對年平均積雪深度，基于五個評價指標，三種數據的評分結果如表1所示。CHE得分最高，其次為MERRA2，ERA5-Land得分最低，分數分別為3.37、2.51、2.16。從評價指標而言，CHE標準差和線性變化趨勢兩項得分最高，MERRA2在季節循環和多年平均值兩項得分最高，ERA5-Land在年際變化上得分最高。從統計方法而言，不考慮季節循環的情況下（統計方法只有區域平均），CHE在區域平均上得分最高，ERA5-Land在空間分布上得分最高。

表1 年平均積雪深度評分結果Table 1 Scoring results of the annual mean snow depth

季節循環方面，OBS月平均積雪深度的最大、最小月份分別為2月和7月，MERRA2與OBS一致；CHE反演的最大月份為1月，最小月份與OBS一致；ERA5-Land模擬的最大、最小月份分別為3月、8月。多年平均值方面，三種數據的區域平均結果均存在高估，OBS為0.20 cm，MERRA2與OBS最接近，為0.40 cm，CHE為1.20 cm，ERA5-Land嚴重高估，為8.37 cm。已有研究也表明，對逐日積雪深度，MERRA2在 高 原 的 偏 差 總 體 小 于CHE［16］。ERA5-Land雖然在多年平均值的區域平均上得分最低，但在其空間分布上得分最高，與OBS的相關系數為0.79，明顯高于其他兩種數據。標準差方面，三種數據區域年平均積雪深度的標準差均大于OBS，即具有高于OBS的年際波動；MERRA2在區域平均上得分最高，在空間分布上得分最低。年際變化方面，區域平均上三種數據與OBS的相關系數均顯著，空間分布上只有ERA5-Land的結果顯著。線性變化趨勢方面，OBS表現為顯著減少趨勢，速率為-0.03 cm·（10a）-1；CHE表現為不顯著減少，ERA5-Land表現為顯著減少，速率分別為-0.08 cm·（10a）-1、-0.71 cm·（10a）-1；MERRA2表現為不顯著增加趨勢，速率為0.04 cm·（10a）-1。

1981—2019年高原年平均積雪深度的變化趨勢及其偏差如圖2所示。變化趨勢方面，OBS以減少趨勢為主，30站顯著減少；西藏聶拉木站減幅最大，為-1.66 cm·（10a）-1，青海瑪多站增幅最大，為0.17 cm·（10a）-1［圖2（a）］。CHE以減少趨勢為主［圖2（b）］，高原西北部減幅最大且顯著；高原東部呈增加趨勢，這與相關研究結果存在差異［33］，可能與選取的研究時段以及積雪年的定義有關。ERA5-Land與OBS較為相似，在高原東南部、西部邊緣呈顯著減少趨勢，北部及中部以不顯著的增加趨勢為主［圖2（d）］。MERRA2總體呈增加趨勢，高原西南部和東北部、可可西里區域顯著增加，高原西南部增幅最大；高原東南部呈減少趨勢，其中部分區域顯著減少［圖2（f）］。

變化趨勢的偏差，CHE中58.7%的站點為負偏差，小于-0.2 cm·（10a）-1的站點主要位于高原中部；正偏差的站點主要分布在高原東部，大于0.2 cm·（10a）-1的站點位于橫斷山區東北部［圖2（c）］。ERA5-Land有73.8%的站點為負偏差，大部分站點的偏差小于-0.2 cm·（10a）-1；負偏差的站點總體偏東，正偏差的站點總體偏西［圖2（e）］。MERRA2有84.1%的站點為正偏差，負偏差的站點主要集中在高原東南部；與CHE、ERA5-Land相比，MERRA2偏差絕對值較小，在圖中表現為顏色較淺；偏差大于0.2 cm·（10a）-1的站點主要分布在高原西南邊緣［圖2（g）］。

圖2 多源數據1981—2019年高原年平均積雪深度變化趨勢［（a），（b），（d），（f）］及其與站點觀測偏差［（c），（e），（g）］，黑色方框、黑色斜線分別表示通過0.05水平顯著性檢驗的站點和區域Fig.2 The trend of annual mean snow depth from 1981 to 2019 of different data［（a），（b），（d），（f）］and it’s bias to observation［（c），（e），（g）］at stations in the Tibetan Plateau（The black box and the black slash indicate the sites and regions that pass the 0.05 significance level test，respectively）

2.2 多源數據對年最大積雪深度的適用性評估

基于6個評價指標的年最大積雪深度的評估結果如表2所示，MERRA2得分最高，其次為ERA5-Land，CHE得分最低，分數分別為4.16、3.61、2.48。從評價指標而言，MERRA2在多年平均值、極大值、標準差、線性變化趨勢四項得分最高，ERA5-Land在季節循環和年際變化兩項得分最高。從統計方法而言，不考慮季節循環的情況下，CHE在區域平均上得分最高，ERA5-Land在空間分布上得分最高。

表2 年最大積雪深度評分結果Table 2 Scoring results of the annual maximum snow depth

季節循環方面，OBS月最大積雪深度的最大、最小月份分別為3月和7月，MERRA2、ERA5-Land與OBS一致；CHE月最大積雪深度的最大、最小月份分別為1月和8月。ERA5-Land與OBS月最大積雪深度的季節循環曲線的相關系數最高，但是未能反映OBS的雙峰特征，MERRA2對這一特征有較好的模擬（圖3）。多年平均值方面，OBS的區域平均為6.80 cm，CHE與MERRA2存在低估，分別為5.74 cm、4.16 cm，ERA5-Land存在高估，為31.06 cm；ERA5-Land在多年平均值的區域平均上得分最低，在空間分布上得分最高。極大值方面，OBS的區域平均為22.48 cm，CHE與MERRA2存 在 低 估，分 別 為16.50 cm、11.71 cm，ERA5-Land存 在 高 估，為63.85 cm；ERA5-Land在極大值的區域平均上得分最低，在空間分布上得分最高，與多年平均值情況類似。標準差方面，OBS的區域平均為1.01 cm，MERRA2略有低估，為0.91 cm，CHE與ERA5-Land存在高估，分別為1.31 cm、6.06 cm；ERA5-Land在標準差的區域平均上得分最低，在空間分布上得分最高，與多年平均值、極大值情況類似。年際變化方面，三種數據與OBS區域平均的相關系數顯著且均在0.5以上，但空間分布均未通過顯著性檢驗，即沒有數據能較好反映年最大積雪深度的EOF第一空間模態。線性變化趨勢方面，OBS與CHE表現為不顯著的減少趨勢，速率分別為-0.20 cm·（10a）-1、-0.33 cm·（10a）-1；ERA5-Land表現為顯著減少趨勢，速率為-2.26 cm·（10a）-1；MERRA2表現為顯著增加趨勢，速率為0.32 cm·（10a）-1。

圖3 月最大積雪深度的季節循環（標準化結果）Fig.3 Normalized annual cycle of monthly maximum snow depth（standardize results）

圖4為1981—2019年高原年最大積雪深度變化趨勢及偏差的空間分布。變化趨勢方面，OBS大部分站呈減少趨勢，有10站趨勢顯著；四川稻城站增幅最大，為3.51 cm·（10a）-1，青海甘德站減幅最大，為-2.21 cm·（10a）-1［圖4（a）］。CHE也以減少趨勢為主，主要分布在青藏高原中部和西部，西部減少趨勢顯著［圖4（b）］。ERA5-Land在青藏高原東南部以及西北角減幅最大且大部分區域趨勢顯著［圖4（d）］。MERRA2主要表現為增加趨勢，青藏高原西南部、東北部、可可西里區域增幅最大且趨勢顯著；高原東南部呈顯著減少趨勢［圖4（f）］。

圖4 多源數據1981—2019年高原年最大積雪深度變化趨勢［（a），（b），（d），（f）］及其與站點觀測偏差［（c），（e），（g）］，黑色方框、黑色斜線分別表示通過0.05水平顯著性檢驗的站點和區域Fig.4 The trend of annual maximum snow depth from 1981 to 2019 of different data［（a），（b），（d），（f）］and it’s bias to observation［（c），（e），（g）］at stations in the Tibetan Plateau（The black box and the black slash indicate the sites and regions that pass the 0.05 significance level test，respectively）

趨勢的偏差方面，CHE表現為負偏差的站點略多，占比為54.0%，在高原中西部分布較多［圖4（c）］。ERA5-Land有68.2%的站點為負偏差，其中一半以上小于-1.5 cm·（10a）-1，主要分布在高原東南區域［圖4（e）］。MERRA2以正偏差為主，占比為77.0%，大于1.5 cm·（10a）-1的站主要集中在高原東北部［圖4（g）］。

2.3 多源數據對年積雪日數的適用性評估

三種數據針對年積雪日數的評估結果如表3所示：MERRA2得分最高，其次為ERA5-Land，CHE得分最低，分數分別為4.23、2.80、2.14。從評價指標而言，ERA5-Land在年際變化和線性變化趨勢兩項得分最高；MERRA2在其他評價指標上均得分最高，其中季節循環上與CHE并列最高。從統計方法而言，不考慮季節循環的情況下，CHE在區域平均上得分最高，MERRA2在空間分布上得分最高。

表3 年積雪日數評分結果Table 3 Scoring results of the annual snow cover days

季節循環方面，OBS月積雪日數的最大、最小月份分別出現在1月和8月，對于最大月份，三種數據均與OBS一致；對于最小月份，CHE與OBS一致，ERA5-Land和CHE均為7月。多年平均值方面，OBS的區域平均為20.53 d，三種數據均存在明顯高估，MERRA2、CHE、ERA5-Land分別為44.85 d、83.67 d、166.13 d；MERRA2在區域平均和空間分布上均得分最高。極大值方面，OBS的區域平均為52.51 d，MERRA2、CHE、ERA5-Land分 別 為109.05 d、172.63 d、217.40 d；MERRA2在區域平均和空間分布上均得分最高。標準差方面，三種數據在區域平均上同樣存在明顯高估，OBS為5.21 d，ERA5-Land、MERRA2、CHE分別為12.46 d、15.65 d、18.27 d；ERA5-Land在區域平均上得分最高，MERRA2在空間分布上得分最高。年際變化方面，ERA5-Land在區域平均上得分最高，在空間分布上得分最低；MERRA2相反，在區域平均上得分最低，在空間分布上得分最高。線性變化趨勢方面，OBS與ERA5-Land表現為顯著減少趨勢，速率分別為-1.70 d·（10a）-1、-4.83 d·（10a）-1；CHE表現為不顯著減少趨勢，速率為-0.32 d·（10a）-1；MERRA2表現為不顯著的增加趨勢，速率為2.46 d·（10a）-1。

圖5為1981—2019年高原年積雪日數變化趨勢及偏差的空間分布。變化趨勢方面，OBS有89.7%的站呈減少趨勢，34.9%的站減少趨勢顯著；聶拉木站減幅最大為-16.65 d·（10a）-1，托勒站增幅最大為2.48 d·（10a）-1［圖5（a）］。CHE總體呈現東增西減態勢，趨勢均顯著，呈減少趨勢的面積略大，占比為57.1%［圖5（b）］。ERA5-Land總體呈現減少趨勢，面積占比為74.1%，高原東部顯著減少，東南部減幅最大［圖5（d）］。MERRA2總體呈增加趨勢，面積占比為76.7%；高原西南部以及35°N附近的東部地區顯著增加，高原東南部顯著減少［圖5（f）］。

圖5 多源數據1981—2019年高原年積雪日數變化趨勢［（a），（b），（d），（f）］及其與站點觀測偏差［（c），（e），（g）］，黑色方框、黑色斜線分別表示通過0.05水平顯著性檢驗的站點和區域Fig.5 The trend of annual snow cover days from 1981 to 2019 of different data［（a），（b），（d），（f）］and it’s bias to observation［（c），（e），（g）］at stations in the Tibetan Plateau（The black box and the black slash indicate the sites and regions that pass the 0.05 significance level test，respectively）

趨勢的偏差方面，CHE表現為正偏差的站點略多，占比為57.1%，總體而言，正偏差站點位置偏東，負偏差站點位置偏西［圖5（c）］。ERA5-Land有65.9%的站點為負偏差，主要集中分布在高原東南部及東北部［圖5（e）］。MERRA2以正偏差為主，占比為81.7%，負偏差主要分布在高原東南部［圖5（g）］。綜合看三種數據年積雪日數變化趨勢的偏差，CHE與OBS的差異最大，有28.6%的站偏差絕對值大于12 d·（10a）-1，ERA5-Land和MERRA2分別有7.9%、9.5%的站偏差絕對值大于12 d·（10a）-1，但區域平均的線性變化趨勢CHE與OBS最接近，得分最高（表3）。

2.4 綜合評估

針對不同評價指標以及不同變量，三種積雪數據在高原的適用性綜合評分如圖6所示。從評價指標考慮，MERRA2在季節循環、多年平均值、極大值、標準差得分最高，ERA5-Land在年際變化得分最高，CHE在線性變化趨勢得分最高［圖6（a）］。從變量考慮，CHE在年平均積雪深度上得分最高，MERRA2在年最大積雪深度、年積雪日數上得分最高［圖6（b）］。不考慮季節循環的情況下，CHE能較好反映高原總體情況，區域平均上得分最高，對空間分布反映則較差，得分最低；ERA5-Land相反，對空間分布的刻畫優勢突出，得分最高［圖6（c）］。總體而言，MERRA2綜合得分最高，ERA5-Land其次，CHE最低，分數分別為10.90、8.57、7.99［圖6（b）］。

圖6 三種數據對于評價指標（a）、變量（b）和統計方法（c）的綜合評分［圖6（a）中評價指標序號見表3］Fig.6 Comprehensive score of the three datasets for the evaluation indicators（a），variables（b），and statistical methods（c）［The index of evaluation indicators in Fig.6（a）are shown in Table 3］

3 討論

3.1 偏差原因分析

CHE在年平均積雪深度上得分最高，在表現各變量的線性變化趨勢上具有優勢，適合反映高原積雪的區域平均特征。CHE綜合評分在三種數據中最低，主要由于對高原積雪空間分布特征的描述能力不如其他兩種數據，這可能與被動微波遙感數據的粗分辨率帶來的混合相元問題有關［36］。如OBS顯示西藏東南部河谷地帶的積雪較少，但受像元內山頂積雪的影響，CHE對應像元的積雪較多，從而導致空間形態與OBS不一致。另一種被動微波遙感積雪數據AMSR-E在內蒙古地區的評估也表明該數據對積雪空間分布的描述不理想［37］。再分析數據表現較好可能與其對高原整層大氣水汽空間形態模擬較好有關［38］。

ERA5-Land在表現各變量的年際變化上具有優勢，適合描述高原積雪的空間分布特征。ERA5-Land綜合排名居中，主要不足為對高原積雪深度存在嚴重高估，年平均積雪深度、年最大積雪深度、年積雪日數的多年平均值均明顯高于OBS，分別偏高約40倍、3.5倍、7倍。Orsolini等［23］研究表明ERA5對高原大氣降水（包含降雪）的模擬在各個季節均明顯高于觀測，對降雪的高估可能與兩個因素有關，一是同化的站點積雪資料未包含高原區域，二是未同化1 500米以上區域的IMS（Interactive Multisensor Snow and Ice Mapping System）數據。基于ERA5大氣強迫數據，ERA5-Land生成的高原積雪深度明顯高于觀測，而且ERA5-Land的離線敏感性試驗表明，減少青藏高原地區的降雪可以明顯改善積雪深度模擬結果［23］，因此，輸入降雪過高可能是ERA5-Land積雪深度明顯高于觀測的關鍵因素。相比于ERA5，ERA5-Land對很多陸面參數的刻畫能力有所提升，但對積雪深度的描述效果與地理位置和海拔相關。對于山區，ERA5-Land對中等海拔地區（1 300～2 500 m）積雪深度的描述優于ERA5，而對高海拔地區（3 300 m以上）的描述不如ERA5［29］，這也可能是ERA5-Land對高原積雪存在明顯高估的原因之一。

MERRA2綜合評分最高，在年最大積雪深度、年積雪日數上得分最高，在表現各變量的季節循環、多年平均值、極大值、標準差上具有優勢；主要缺陷為對高原積雪線性變化趨勢的定性描述與OBS相反。MERRA2使用了兩套網格降水數據集（包含高原區域）對生成的陸面降水進行訂正［22-23，39］，這可能是MERRA2得分最高的主要原因，在絕對量值上與觀測最接近。已有研究表明，不同再分析數據對高原降水變化趨勢的模擬存在較大差異，MERRA2的上一代產品（MERRA）的模擬結果與觀測相反［40］，而降水是計算雪深的關鍵參數，這可能是MERRA2模擬的積雪變化趨勢與OBS相反的重要原因。

數據評估基于OBS為真值的假設，但OBS本身存在誤差，如人工觀測中的人為隨機誤差、自動觀測中的儀器誤差、觀測方式變化以及站點遷移產生的數據不一致問題等。此外，OBS僅代表觀測場的積雪狀況，對周圍代表性有限。遙感及再分析數據為網格內的積雪平均狀況，插值后與OBS比較，差異在所難免。

3.2 評估方法局限性的可能影響

多變量、多評價指標的綜合評估可以全面地、更精確地討論積雪數據在高原的優點和不足。在具備優勢的同時，這種方法也存在一定不足，表現在評價指標之間可能存在一定的相關性，從而增大了個別評價指標的權重［32］。比如區域平均的多年平均值與極大值，某數據集的多年平均值偏差較大，一般而言其極大值的偏差也會比較大（如ERA5-Land），在這兩項的得分都會比較低，這種相關性增加了在“絕對量值”方面的評價權重。如果數據集較多，可以定量分析不同評價指標得分之間的相關系數，并使用EOF分解提取主要模態，削弱這些相關關系對綜合評分的影響［32］。

針對年平均積雪深度線性變化趨勢的評價中，MERRA2在區域平均上雖得分高于ERA5-Land，但MERRA2的結果表現為增加趨勢，與OBS和ERA5-Land的減少趨勢相反。目前趨勢一致性變化評估多為人為定性判斷［21］，如果增加這一項的考慮，將會對評估結果產生影響。

3.3 多源數據對高原積雪年代際變化的模擬差異分析

年代際波動是高原積雪的重要變化特征［34-35］。1961—2010年間高原冬季積雪日數表現為“少—多—少”的年代際波動，20世紀80年代末由少到多，20世紀末由多到少［34］；高原春季積雪深度在2002年經歷由多到少的年代際突變［35］。在高原積雪年代際變化的研究中，使用的數據集能否準確反映積雪的年代際特征，對研究結論有重要影響。由于年代際信號包含在逐年時間序列中，未將其單獨列為評價指標，以減少評價指標間相關性的影響。下面分析三個變量年代際波動的差異。

對三種變量區域平均的年際變化，三種數據與OBS均有相對較高的相關系數（表1～表3）。對區域平均的年序列進行9年滑動平均，OBS均表現出明顯的年代際波動（圖7），其中年平均積雪深度、年積雪日數在2000年左右表現出由多到少的年代際轉變，與已有研究基本一致［34-35］。年平均積雪深度，CHE、ERA5-Land、MERRA2與OBS的相關系數分別0.90、0.95、-0.15［圖7（a）］；年最大積雪深度，相關系數分別為0.75、0.71、0.13［圖7（b）］；年積雪日數，相關系數分別為0.69、0.89、0.07［圖7（c）］。與年際相關結果比較，CHE、ERA5-Land與OBS的相關系數明顯提高，MERRA2與OBS相關系數明顯降低。由此可見，對于高原積雪的年代際變化，CHE、ERA5-Land與OBS具有較好的一致性，而MERRA2與OBS存在明顯差異。

圖7 多源數據1981—2019年高原年平均積雪深度（a）、年最大積雪深度（b）、年積雪日數（c）的年代際變化（年序列標準化后的9年滑動平均結果）Fig.7 Inter-decadal variation of annual mean snow depth（a），annual maximum snow depth（b），and annual snow cover days（c）of different data in the Tibetan Plateau from 1981 to 2019（The 9-year moving average after yearly series normalization）

3.4 多源數據高原西部積雪變化趨勢對比

圖2、圖4和圖5也展示了站點稀少的高原西部的多源數據積雪變化趨勢差異。年平均積雪深度，CHE總體表現為顯著減少趨勢［圖2（b）］，ERA5-Land以不顯著減少趨勢為主［圖2（d）］，MERRA2表現為增加趨勢，其中西南部趨勢顯著［圖2（f）］。年最大積雪深度，CHE在高原西部表現為顯著減少［圖4（b）］，MERRA2以增加趨勢為主，西南部趨勢顯著［圖4（f）］，空間形態分別與圖2（b）、圖2（f）類似；ERA5-Land在西部邊緣為顯著減少趨勢，其余以不顯著增加趨勢為主［圖4（d）］，與圖2（d）的空間形態存在較大差異。年積雪日數，CHE以顯著減少趨勢為主，主要位于西北部［圖5（b）］，ERA5-Land在西北部呈增加趨勢，西南部呈減少趨勢［圖5（d）］；MERRA2表現為增加趨勢，西南部顯著增加［圖5（f）］。對于高原西部積雪變化情況，三種數據的結論存在較大差異，需要更多的深入研究。趨勢差異較大的原因，再分析數據之間可能是由于不同數據模擬的降水趨勢存在較大差異［40］，遙感數據與再分析數據之間可能是不同類型產品技術框架不同所致。

4 結論

以OBS為真值，基于年平均積雪深度、年最大積雪深度、年積雪日數三個變量，使用多評價指標對三種積雪數據在高原的適用性進行綜合評分，得出主要結論如下：

（1）綜合評估結果MERRA2得分最高，ERA5-Land其次，CHE最低。從變量來說，MERRA2在年最大積雪深度、年積雪日數上得分最高，CHE在年平均積雪深度上得分最高。從評價指標來說，CHE在線性變化趨勢得分最高，ERA5-Land在年際變化得分最高，MERRA2在其余四項評價指標得分最高。從總體和空間統計來說，CHE在區域平均上得分最高，ERA5-Land在空間分布上得分最高。

（2）CHE相對其他兩種資料，對高原積雪的空間分布把握不足。MERRA2對高原積雪變化趨勢的模擬與OBS反號，且不能反映高原積雪的年代際變化。ERA5-Land對高原積雪量值存在嚴重高估，在資料選擇時需引起重視。

（3）由于高原西部站點稀少，相關結論僅適用于高原中東部。