积雪因为其特定的属性在气候变化和水文循环中扮演着重要角色,在大气和陆面之间起到了调节能量和水交换的显著作用,而陆面驱动数据的质量直接决定着模式对积雪的模拟效果。本文采用CLDAS(CMA Land Data Assimilation System)和改进后的降水驱动(CLDAS-Prcp)分别驱动Noah3.6陆面模式对积雪变量进行模拟,并对中国主要的积雪区东北区域、新疆区域、青藏高原区域的积雪覆盖率、雪深、雪水当量的模拟效果进行了评估。结果表明,CLDAS-Prcp改善了原有驱动在冬季由于低估降水所造成的模拟积雪量偏少的情况;东北区域模拟结果与观测的时间变率最为一致,积雪覆盖率、雪深、雪水当量的相关系数分别为0.42,0.78,0.93;而雪水当量的改进效果最明显,均方根误差和偏差分别减小了54.8%和83.1%,相关系数提高了0.47;同时,CLDAS-Prcp不仅能反映积雪变量的年际变率,而且能够较准确地反映出强度较大的突发降雪事件。
中国气象局陆面数据同化系统(CLDAS V1.0)由陆面驱动数据融合和陆面模式模拟两部分组成。基于驱动数据,选取Canmunity Land Model 3.5(CLM3.5)作为CLDAS V1.0系统的陆面模式进行模拟试验,并对土壤模拟结果进行评估。利用2013年经过质量控制的中国气象局业务化自动土壤水分观测站实况数据、青藏高原试验观测数据及国际同类产品对模拟结果进行评估,结果表明:从各省以及全国平均结果看,相关系数普遍在0.8以上,偏差基本为-0.04~0.04 mm^3·mm^(-3),平均均方根误差为0.04~0.05 mm^3·mm^(-3),在青藏高原地区与国际同类产品相比,精度也有一定提高。总体而言,模拟结果已达到较高精度,数据集产品对中国区域干旱监测等具有重要意义。
基于高时空分辨率的中国气象局陆面数据同化系统(CMA Land Data Assimilation System,CLDAS)2.0版本的大气驱动数据,使用Noah-MP陆面模式模拟中国区域2013—2014年土壤湿度的时空变化,将模拟结果与自动土壤水分观测站的逐小时观测值进行对比,并选取6个研究区,分析区域的平均土壤湿度时间变化特点。结果表明:Noah-MP模式能够很好地模拟出中国区域0~10 cm土壤湿度空间分布,模拟值和观测值均呈现由西北向东南和西南地区递增的趋势;从全国尺度来看,模拟值与观测值非常接近,相关系数大于0.9,均方根误差为0.008 m3/m3;从区域尺度看,Noah-MP能够很好地模拟出各研究区土壤湿度的时间变化,但是对于冻土融化时东北地区的土壤湿度存在轻微的低估。基于CLDAS2.0驱动数据得到的土壤湿度模拟结果具有较高准确性,可为农业干旱研究提供一定参考。
回顾了中国气象局高分辨率陆面数据同化系统(High Resolution China Meteorological Administration Land Data Assimilation System,HRCLDAS)的研发历程,重点介绍了HRCLDAS研发过程中的重要进展和突破,概要阐述了这些进展对HRCLDAS业务化的贡献。主要包括:引入1 km分辨率地形数据,采用多重网格变分分析技术制作1 km分辨率气象驱动数据;基于FY-2卫星1 km可见光通道、高分辨率地形及地表反照率等数据,改善地面入射太阳辐射产品质量与空间分辨率,利用辐射计算模型(Hybrid)模型与地面站日照时数、气温等观测资料模拟地面太阳辐射,并利用多重网格变分分析技术实现二者融合;实现东亚多卫星集成降水产品(EMSIP)与4万余自动站观测降水融合,并实时生成格点融合产品,针对陆面模拟分辨率高、数据量大的特点,设计了分块并行与模式并行结合的计算方案,建立了高效的土壤湿度模拟产品业务系统,有效地推动各级气象部门开展相关业务应用工作。
使用前苏联Valdai 1966~1971年的气象观测资料,研究了通用陆面模式(Common Land Model,CoLM)模拟的水分循环和地表通量在12种土壤质地和8种土壤亮度条件下的差异。结果表明,在相同的气象条件下,模拟的热通量对土壤质地和亮度都比较敏感,而地表水文过程只对土壤质地敏感。土壤亮度相同时,相对砂性土壤,粘土含量高的土壤保水性强,土壤湿度、地表蒸发和径流量都比较大(月均最大差值:土壤湿度约为5kg·m^-2,地表蒸发和径流量约为年降水量的7%和1.2%),相应地在热通量分配上存在明显差异(月均最大差值为8W·m^-2);土壤质地相同,亮度由亮变暗时,潜热通量变化很小,地表温度略有升高,而感热通量和净辐射增加显著(月均摄大差值为7W·m^-2)。土壤质地和亮度对模拟的影响主要存在于降水少、植被覆盖度低的3~5月。
数据质量问题和模式参数化方案的非完备性是陆面模拟中不确定性的主要来源。本文将高斯误差传播原理(Gaussian Error Propagation,GEP)应用于通用陆面模式(the Common Land Model,CoLM),研究关键的植被和土壤属性参数随机误差在模式中的传播,确定由此类误差导致的CoLM模拟的不确定性。结果表明:(1)基于本研究给定的土壤和植被参数的不确定性,CoLM模拟的表层土壤温度、土壤湿度和植被蒸散通量(植冠蒸腾+地表蒸发)的相对误差分别为0.11%、34.07%和5.58%;砂土和稀疏森林上模拟效果最差。土壤参数随机误差对CoLM模拟的影响高于植被参数,而土壤水文参数(孔隙率、饱和基质势、气孔尺寸分布指数和饱和导水率)对各模拟量不确定性的贡献率均远大于热力参数(饱和反照率和热容)。对于本研究涉及的所有模拟变量而言,最关键的参数均是气孔尺寸分布指数b,这可能与描述基质势与体积水含量关系的函数有关,其次重要的是砂土的孔隙度和粘土的饱和导水率。混交森林上的根深分布和苔原上的动力学粗糙度对蒸散通量贡献显著。本身相对误差大的经验参数对CoLM模拟不确定性的贡献不一定多。(2)干燥条件下(表层液态水饱和度小于0.1)土壤温度的不确定性大;相变发生时刻附近(表层土壤温度在0℃附近且表层液态水含量大于0)土壤湿度不确定性显著;蒸散通量的不确定性随本身绝对值的增大而增大,在相对温暖干燥环境中(表层土壤温度高于280K且表层液态水饱和度小于0.3)其不确定性最高。研究证实,GEP能够辨识CoLM中需优先提高观测精度的关键参数和关键参数化过程,对陆面模拟的参数选定、不确定性评估和模式完善具有重要意义。