宋海清，孫小龍，李云鵬

(內(nèi)蒙古自治區(qū)生態(tài)與農(nóng)業(yè)氣象中心，呼和浩特 010051)

土壤濕度因其有著較強(qiáng)的時(shí)空變異性和在蒸散發(fā)中扮演著關(guān)鍵角色而成為影響大陸區(qū)域次季節(jié)到季節(jié)預(yù)測(cè)的最重要的陸-氣狀態(tài)變量之一，尤其是土壤濕度異?？赡軐?dǎo)致次季節(jié)到的季節(jié)時(shí)間尺度偏離正常，例如，干燥的土壤會(huì)加劇高溫?zé)崂薣1]。土壤濕度作為研究陸-氣耦合和陸面水循環(huán)過(guò)程的關(guān)鍵參量，它能通過(guò)改變陸面的水熱循環(huán)而間接影響大氣環(huán)流，進(jìn)而影響氣候；反之，土壤濕度也隨著氣候變化的變化而變化[2]。研究?jī)?nèi)蒙古土壤濕度分布特征與變化，對(duì)于提高短期氣候預(yù)測(cè)水平、防災(zāi)減災(zāi)、干旱監(jiān)測(cè)預(yù)警和生態(tài)監(jiān)測(cè)等有較為直接的現(xiàn)實(shí)意義。研究發(fā)現(xiàn)土壤濕度在全球尺度上對(duì)氣候變化的影響僅次于海溫，而在陸地上，其影響甚至超過(guò)海溫[3]。所以盡可能精確地估計(jì)土壤濕度對(duì)改進(jìn)數(shù)值天氣預(yù)報(bào)以及短期氣候預(yù)測(cè)有重要意義，同時(shí)也對(duì)農(nóng)林業(yè)的干旱監(jiān)測(cè)預(yù)警和國(guó)民經(jīng)濟(jì)發(fā)展有著重要的實(shí)用價(jià)值。

土壤濕度的重要性不言而喻，但由于觀測(cè)土壤濕度資料較為缺乏，在一定程度上限制了陸-氣耦合研究和農(nóng)牧業(yè)干旱研究。鑒于此，再分析土壤濕度資料成為能夠有效替代觀測(cè)土壤濕度進(jìn)行陸-氣耦合研究和干旱監(jiān)測(cè)研究的代替資料，并得到了廣泛的應(yīng)用。鄧明珊等[4]利用全球陸面數(shù)據(jù)同化系統(tǒng)(GLDAS)中四個(gè)模式資料分析了青藏高原土壤濕度特征，研究顯示全球陸面數(shù)據(jù)同化系統(tǒng)中國(guó)家環(huán)境預(yù)報(bào)中心、俄亥俄州立大學(xué)、空軍、水文研究實(shí)驗(yàn)室共同發(fā)展的陸面模式NOAH(GLDAS-NOAH)資料在青藏高原適用性較好。朱智等[5]對(duì)比分析了中國(guó)氣象局陸面數(shù)據(jù)同化系統(tǒng)(CLDAS)和GLDAS土壤濕度產(chǎn)品，發(fā)現(xiàn)CLDAS土壤濕度資料優(yōu)于GLDAS資料。史瀟等[6]對(duì)歐洲中期天氣預(yù)報(bào)中心再分析階段性數(shù)據(jù)集(ERA-Interim)土壤濕度資料在江蘇省的適用性進(jìn)行了評(píng)估，結(jié)果顯示ERA-Interim土壤濕度與江蘇省農(nóng)業(yè)氣象觀測(cè)土壤濕度資料有較好的一致性。宋海清等[7]利用CLDAS資料、GLDAS1-NOAH和ERA-Interim資料在內(nèi)蒙古進(jìn)行了評(píng)估，發(fā)現(xiàn)CLDAS資料適用性更好，ERA-Interim資料最差。黃圖南等[8]對(duì)多種衛(wèi)星反演土壤濕度資料在中國(guó)區(qū)域進(jìn)行了對(duì)比研究，發(fā)現(xiàn)高級(jí)散射計(jì)衛(wèi)星(ASCAT)、土壤濕度和海鹽衛(wèi)星(SMOS)、風(fēng)云衛(wèi)星(FY)反演土壤濕度空間分布較為一致，與站點(diǎn)觀測(cè)數(shù)據(jù)相比，ASCAT產(chǎn)品表現(xiàn)最好。劉川等[9]對(duì)ERA-Interim、CFSR和六套陸面模式資料在青藏高原進(jìn)行了適用性研究，結(jié)果顯示CFSR土壤溫度最接近觀測(cè)，非凍結(jié)期GLDAS-CLM土壤濕度與觀測(cè)最為接近。

近年來(lái)，隨著高性能計(jì)算的快速發(fā)展和海量觀測(cè)數(shù)據(jù)的爆發(fā)式增長(zhǎng)，新一代全球再分析資料也隨之發(fā)布。2017年，歐洲中期天氣預(yù)報(bào)中心(ECMWF)發(fā)布了第五代全球再分析數(shù)據(jù)ERA5預(yù)覽版，并于2018年正式發(fā)布了1979年至今的時(shí)空分辨率為逐小時(shí)、0.25°×0.25°的全球再分析資料。土壤濕度資料為研究農(nóng)牧業(yè)干旱奠定了數(shù)據(jù)基礎(chǔ)，因而最新發(fā)布的ERA5再分析土壤濕度在內(nèi)蒙古的適用性和精度需要進(jìn)行評(píng)估?，F(xiàn)利用2018年內(nèi)蒙古區(qū)域37個(gè)土壤濕度自動(dòng)站逐日觀測(cè)數(shù)據(jù)對(duì)ERA5再分析土壤濕度進(jìn)行檢驗(yàn)，同時(shí)對(duì)第四代再分析資料ERA-Interim的土壤濕度資料、美國(guó)航空航天局(NASA)新發(fā)布的GLDAS2.1-NOAH表層土壤濕度資料和國(guó)家海洋大氣管理局(NOAA)的基于多種衛(wèi)星/傳感器反演的融合土壤濕度業(yè)務(wù)產(chǎn)品系統(tǒng)(SMOPS)資料進(jìn)行比較，以評(píng)估幾種土壤濕度在內(nèi)蒙古地區(qū)的適用性，以期為下一代全球再分析的改進(jìn)提供參考，為ERA5土壤濕度的適用性提供有意義的性能評(píng)價(jià)。

1 資料與研究方法

研究所用的資料包括ERA5、GLDAS2.1、ERA-Interim和SMOPS土壤濕度資料和內(nèi)蒙古臺(tái)站觀測(cè)土壤濕度資料，簡(jiǎn)介如下。

1.1 站點(diǎn)觀測(cè)土壤濕度資料

土壤濕度評(píng)估所用站點(diǎn)觀測(cè)資料來(lái)源于內(nèi)蒙古生態(tài)與農(nóng)業(yè)氣象中心整理的內(nèi)蒙古地區(qū)2018年5—10月37個(gè)逐日觀測(cè)的土壤濕度自動(dòng)站觀測(cè)的0～10 cm土壤體積含水量數(shù)據(jù)，在有凍土的時(shí)段不觀測(cè)。自動(dòng)站土壤水分觀測(cè)分為作物地段觀測(cè)和固定地段觀測(cè)，為了避免作物地段因灌溉帶來(lái)的不確定性，只選用固定地段土壤水分自動(dòng)站觀測(cè)數(shù)據(jù)用于對(duì)比。因SMOPS資料為基于多種衛(wèi)星/傳感器反演融合的土壤濕度，其土壤濕度較淺，因而 只對(duì)比分析表層0～10 cm土壤濕度。由于內(nèi)蒙古東西跨度較大，區(qū)域氣候條件差異大，根據(jù)觀測(cè)站點(diǎn)分布和內(nèi)蒙古氣候特點(diǎn)綜合考慮分為三個(gè)研究區(qū)域進(jìn)行分析[10]，內(nèi)蒙古東部區(qū)包括呼倫貝爾市、興安盟、通遼市、赤峰市和錫林郭勒盟，中部區(qū)包括烏蘭察布市、呼和浩特市，包頭市和鄂爾多斯市，西部區(qū)包括巴彥淖爾市和阿拉善盟。

1.2 ERA5和ERA-Interim再分析土壤濕度

ERA-Interim再分析資料屬于ECMWF發(fā)布的第四代再分析資料，采用了4DVar數(shù)據(jù)同化方法，空間分辨率為78 km×78 km，垂直層有60層，吸收了歐洲中期天氣預(yù)報(bào)中心40年再分析(ERA40)和日本25年再分析(JRA25)的質(zhì)量控制方案，快速輻射傳輸模式為被動(dòng)可見(jiàn)光、紅外和微波下行衛(wèi)星輻射計(jì)、光譜儀和干涉儀的快速輻射傳輸模型第7版本(RTTOV-v7)，陸面模塊為分片ECMWF陸地陸表交換(TESSEL)方案，詳細(xì)改進(jìn)參見(jiàn)文獻(xiàn)[11]。ERA5再分析資料[12]是由ECMWF最新研制的第五代再分析資料，相對(duì)于ERA-Interim，ERA5有了顯著改進(jìn)，同化方法采用了10個(gè)集合成員的集合4DVar數(shù)據(jù)同化方案，空間分辨率為31 km×31 km，頂層氣壓為1 Pa的垂直分層分為137層。集成預(yù)報(bào)系統(tǒng)版本也升級(jí)為Cy41r2，輻射傳輸模式升級(jí)為RTTOV-v11。時(shí)間分辨率提高為1 h。采用ERA-interim和ERA5的逐小時(shí)土壤濕度資料，并平均成日均值用于對(duì)比分析。

1.3 GLDAS2.1土壤濕度

圖1 2018年5—10月平均0～10 cm模擬和觀測(cè)土壤濕度空間分布

GLDAS2.1土壤濕度資料[13]是由美國(guó)航空航天局(NASA)和國(guó)家海洋大氣管理局(NOAA)共同研發(fā)的全球陸面數(shù)據(jù)同化系統(tǒng)(GLDAS)輸出的資料。GLDAS2.1是在GLDAS-1的基礎(chǔ)上升級(jí)而來(lái)，一般延時(shí)1.5個(gè)月更新。主要改進(jìn)了入射短波輻射通量和降水，使用地面輻射收支數(shù)據(jù)集(SRB)進(jìn)行了輻射偏差校正，降水使用全球降水氣候態(tài)計(jì)劃(GPCP)數(shù)據(jù)集和熱帶降水測(cè)量任務(wù)(TRMM)數(shù)據(jù)集。GLDAS2.1陸面資料包括月均值和3 h產(chǎn)品，包括了四個(gè)陸面模式輸出資料(Mosaic、Noah、CLM和VIC)，其中只有NOAH產(chǎn)品有逐3 h、空間分辨率為0.25°×0.25°的資料，其余產(chǎn)品為1°×1°。這里選取NOAH模式逐3 h、空間分辨率為0.25°×0.25°的資料[5-7]。并將逐3 h數(shù)據(jù)平均城逐日數(shù)據(jù)用于對(duì)比分析。

1.4 SMOPS土壤濕度

土壤濕度業(yè)務(wù)產(chǎn)品系統(tǒng)(SMOPS)資料[14]是由NOAA發(fā)布的融合了多衛(wèi)星/傳感器反演的土壤濕度生成的全球土壤濕度資料，具有更好的時(shí)空覆蓋性。SMOPS資料提供了包含全球降水測(cè)量衛(wèi)星(GPM)、土壤濕度主被動(dòng)衛(wèi)星(SMAP)、全球變化觀測(cè)任務(wù)-水衛(wèi)星(GCOM-W1)、SMOS、歐空局氣象業(yè)務(wù)衛(wèi)星A星(Metop-A)和歐空局氣象業(yè)務(wù)衛(wèi)星B星(Metop-B)6個(gè)衛(wèi)星反演的全球土壤濕度。該全球土壤濕度數(shù)據(jù)集逐6 h和逐日更新，空間分辨率為0.25°×0.25°，輸出1～5 cm土壤體積含水量，存儲(chǔ)格式為GRIB2和netCDF4。研究使用的SMOPS資料為第四版本，數(shù)據(jù)從2018年開(kāi)始至今。

為減小格點(diǎn)資料插值到站點(diǎn)時(shí)帶來(lái)的新誤差，研究采用距離觀測(cè)站位置最近的格點(diǎn)與該站點(diǎn)觀測(cè)匹配的方法[9]。在進(jìn)行時(shí)間上的統(tǒng)計(jì)分析時(shí)，采用相關(guān)系數(shù)、平均偏差、均方根誤差和標(biāo)準(zhǔn)差來(lái)描述再分析資料與觀測(cè)值的相關(guān)性和誤差度量。為評(píng)價(jià)四套資料與觀測(cè)值之間的總體表現(xiàn)情況，使用Taylor圖[15]。

2 結(jié)果與分析

2.1 土壤濕度的空間分布與統(tǒng)計(jì)分析

圖1所示為2018年5—10月平均觀測(cè)土壤濕度和SMOPS、GLDAS2.1、ERA-Interim和ERA5資料土壤濕度空間分布。由圖1(a)可知，內(nèi)蒙古暖季節(jié)土壤濕度呈現(xiàn)從東北向西部逐漸遞減的特征，土壤濕度大值區(qū)分布在內(nèi)蒙古的東北地區(qū)，最高可達(dá)0.40.1 m3/m3以上，低值區(qū)分布在內(nèi)蒙古西部，土壤濕度在0.1 m3/m3左右。SMOPS、GLDAS2.1、ERA-Interim和ERA5模擬或反演的土壤濕度的空間分布與臺(tái)站觀測(cè)基本一致，除ERA-Interim外，SMOPS、GLDAS2.1和ERA5資料均能較好地再現(xiàn)內(nèi)蒙古土壤濕度時(shí)空分布特征，呈現(xiàn)出內(nèi)蒙古東北部是土壤水分的大值區(qū)[7]，內(nèi)蒙古西部地區(qū)是土壤水分的低值區(qū)。幾種資料均對(duì)土壤濕度有不同程度的高估。

由表1各站時(shí)間相關(guān)系數(shù)和均方根誤差統(tǒng)計(jì)可知，各套資料對(duì)內(nèi)蒙古土壤濕度的變化模擬能力較好，但也存在差異；各套資料的時(shí)間相關(guān)系數(shù)除了SMOPS資料在53420站未通過(guò)信度檢驗(yàn)外，其余均通過(guò)了95%的信度檢驗(yàn)。除GLDAS2.1外，其余三套資料的相關(guān)系數(shù)基本上呈現(xiàn)從東向西逐漸遞減的趨勢(shì)，對(duì)中西部地區(qū)土壤濕度的時(shí)間變化模擬能力顯著好于西部，而GLDAS2.1在各區(qū)域則模擬能力相當(dāng)，在東部地區(qū)略差，在西部的相關(guān)系數(shù)最高；37站中ERA5的相關(guān)系數(shù)顯著好于其他三套資料，其次為GLDAS2.1資料，SMOPS資料相關(guān)系數(shù)顯著差于其他再分析資料；這說(shuō)明ERA5對(duì)內(nèi)蒙古土壤濕度的時(shí)間變化有著較好的模擬能力，其次為GLDAS2.1，尤其是在西部。從表1可知，各套資料在內(nèi)蒙古的均方根誤差分布類似?；旧铣尸F(xiàn)從東到西均方根誤差逐漸增大的趨勢(shì)，但ERA5的均方根誤差在西部最小，其余三套資料的均方根誤差分布較為類似。需要指出的是SMOPS資料的均方根誤差相對(duì)稍小，ERA5的均方根誤差在除了西部區(qū)以外均最大。這說(shuō)明ERA5資料的離散程度較大，SMOPS資料的離散程度稍小。綜合相關(guān)系數(shù)和均方根誤差可以看出，ERA5的相關(guān)系數(shù)最好，但均方根誤差較差，SMOPS相關(guān)系數(shù)最差，但均方根誤差稍好；說(shuō)明ERA5資料對(duì)時(shí)間變化模擬較好，但與觀測(cè)相比較為離散。從偏差統(tǒng)計(jì)(表未給出)可以發(fā)現(xiàn)，各套資料均高估了土壤濕度，其中絕對(duì)偏差介于0～0.1的站點(diǎn)數(shù)分別為SMOPS有27個(gè)，約占73%；GLDAS2.1有26個(gè)，約占70.27%；ERA-Interim有19個(gè)，約占51.35%；ERA5有22個(gè)，約占59.46%。由此可見(jiàn)，SMOPS土壤濕度偏差相對(duì)最小，其次為GLDAS2.1，可信度均較好，ERA-interim可信度最差，ERA5有所改善。

表1 內(nèi)蒙古37站日平均SMOPS，GLDAS2.1、ERA-Interim 和 ERA5再分析 0～10 cm土壤濕度與觀測(cè)值的時(shí)間相關(guān)系數(shù)、均方根誤差和偏差

注：*表示未通過(guò)信度檢驗(yàn)。

圖2 內(nèi)蒙古3個(gè)區(qū)域2018年5—10月0～10 cm土壤濕度的時(shí)間序列

2.2 各分區(qū)再分析土壤濕度與觀測(cè)資料的對(duì)比

四套資料的空間分辨率均為0.25°×0.25°，采用的距離最近格點(diǎn)與站點(diǎn)進(jìn)行匹配，最大限度的減小了誤差來(lái)源，但是格點(diǎn)資料表示的是網(wǎng)格內(nèi)的平均態(tài)，地面測(cè)站的的代表性有限，無(wú)法與代表整個(gè)網(wǎng)格內(nèi)的狀況。故對(duì)比分析內(nèi)蒙古的三個(gè)分區(qū)站點(diǎn)平均土壤濕度與四套資料的時(shí)間序列。

圖2所示為內(nèi)蒙古東、中、西三個(gè)區(qū)域四套資料與觀測(cè)土壤濕度的時(shí)間變化。由圖2可知，四套資料在三個(gè)區(qū)域都表現(xiàn)較好，與觀測(cè)值有著較好的對(duì)應(yīng)關(guān)系，除了在內(nèi)蒙古東部區(qū)[圖2(a)],SMOPS在部分時(shí)間偏干以外，其余區(qū)域，幾套資料均偏濕，尤其是ERA5偏濕最多(西部區(qū)除外)。GLDAS2.1在內(nèi)蒙古東部區(qū)表現(xiàn)較好，ERA5偏濕最大，變率最強(qiáng)，土壤濕度變化趨勢(shì)模擬最好。在中部區(qū)，所有資料均高估了土壤濕度，ERA5高估最多，但變化趨勢(shì)模擬較好，GLDAS2.1模擬能力最好。在西部地區(qū)，各套資料同樣高估了土壤濕度，ERA5偏差最小，顯著好于ERA-Interim。通過(guò)圖3各套資料土壤濕度與觀測(cè)的偏差時(shí)間序列可以看出，ERA5在各區(qū)域的偏差時(shí)間變化較大，在7—9月的偏差增加較多，而其他幾套資料偏差變化較為平穩(wěn)，這說(shuō)明ERA5在雨季模擬的土壤濕度的能力仍需改進(jìn)，且對(duì)降水敏感程度過(guò)高，土壤濕度變率過(guò)大，模式性能穩(wěn)定性稍差。

圖3 內(nèi)蒙古3個(gè)區(qū)域2018年5—10月0～10 cm土壤濕度偏差的時(shí)間序列

表2列出了三個(gè)區(qū)域平均的四套土壤濕度與觀測(cè)值的相關(guān)系數(shù)、平均偏差和均方根誤差。四套資料都有著較好的相關(guān)系數(shù)和較低的偏差、均方根誤差，其中相關(guān)系數(shù)均通過(guò)了99.9%的信度檢驗(yàn)。ERA5的時(shí)間相關(guān)系數(shù)與GLDAS2.1不相上下，顯著好于SMOPS和ERA-Interim。在東部區(qū)，SMOPS有著最小的平均偏差和均方根誤差，相關(guān)系數(shù)卻顯著差于GLDAS2.1、ERA-Interim和ERA5。在中部區(qū)，GLDAS2.1表現(xiàn)最優(yōu)，有著最高的相關(guān)性和最小的偏差與均方根誤差，SMOPS表現(xiàn)最差。在西部區(qū)，ERA5和GLDAS2.1的相關(guān)系數(shù)顯著高于SMOPS和ERA-Interim，ERA5有著最低的偏差和均方根誤差，說(shuō)明ERA5在西部區(qū)的模擬能力相對(duì)于ERA-Interim提升顯著。三個(gè)區(qū)域的偏差表現(xiàn)均不理想，仍需要改進(jìn)。

由四套資料與觀測(cè)值之間的Taylor圖(圖4)可知，總體上，在東部區(qū)，ERA-Interim的表現(xiàn)最好，相關(guān)系數(shù)較高且與觀測(cè)標(biāo)準(zhǔn)差較為接近；在中部區(qū)和西部區(qū)，GLDAS2.1表現(xiàn)最好。ERA5在三個(gè)分區(qū)的土壤濕度的標(biāo)準(zhǔn)差較觀測(cè)標(biāo)準(zhǔn)差偏大，且在數(shù)值上偏離最大，而SMOPS則偏小。

表2 內(nèi)蒙古三個(gè)區(qū)域2018年5—10月日均0～10 cm SMOPS、GLDAS2.1、ERA-Interim和ERA5土壤濕度分別與臺(tái)站觀測(cè)的相關(guān)系數(shù)、平均偏差和均方根誤差

注：*表示通過(guò)了99.9%的信度檢驗(yàn)。

1為東部土壤濕度；2為中部土壤濕度；3為西部土壤濕度

3 結(jié)論

利用內(nèi)蒙古2018年5—10月37個(gè)站點(diǎn)觀測(cè)的日平均0～10 cm土壤濕度，對(duì)比評(píng)估了ECMWF第五代再分析資料ERA5及SMPOS、GLDAS2.1和ERA-Interim土壤濕度資料。得到以下結(jié)論。

(1)ERA5再分析土壤濕度在內(nèi)蒙古的模擬能力較好，相對(duì)于第四代全球在分析資料ERA-Interim，ERA5的模擬能力得到了提高，表現(xiàn)為有著更高的相關(guān)系數(shù)和更好的空間分布特征?；诙喾N衛(wèi)星反演土壤濕度的融合產(chǎn)品SMOPS、GLDAS2.1對(duì)內(nèi)蒙古土壤水分模擬亦相對(duì)較好，但四套資料均呈現(xiàn)出偏濕的特點(diǎn)，總體來(lái)說(shuō)，ERA-Interim在東部區(qū)表現(xiàn)最好，在中部區(qū)和西部區(qū)GLDAS2.1表現(xiàn)最好。ERA5高估較多，還有待于進(jìn)一步改善。

(2)從三個(gè)分區(qū)土壤濕度時(shí)間序列來(lái)看，四套資料均能模擬出土壤濕度的時(shí)間變化，相關(guān)系數(shù)較高。除SMOPS在東部區(qū)夏季偏干外，其余均偏濕。ERA5高估土壤水分過(guò)大，變率顯著大于其他資料，偏差在夏季有增大趨勢(shì)，不如其他三套資料穩(wěn)定性高。相對(duì)于ERA-Interim，ERA5顯著改善了在干旱區(qū)的模擬能力。

以2018年暖季節(jié)內(nèi)蒙古土壤濕度觀測(cè)數(shù)據(jù)為基礎(chǔ)，對(duì)SMOPS、GLDAS2.1、ERA-Interim和ERA5四套土壤濕度資料進(jìn)行了對(duì)比分析評(píng)估，結(jié)果顯示ERA5相對(duì)于ERA-Interim性能有所提高，與GLDAS2.1模擬能力相當(dāng)，這對(duì)于缺乏土壤濕度觀測(cè)的內(nèi)蒙古來(lái)說(shuō)，可以作為土壤濕度資料的補(bǔ)充，亦可以用于干旱評(píng)估監(jiān)測(cè)和土壤水分研究等應(yīng)用。

由于觀測(cè)站點(diǎn)數(shù)量有限，文中還存在一些需要改進(jìn)的問(wèn)題。ERA5土壤濕度變率過(guò)大，可能與ECMWF數(shù)值模式下墊面與內(nèi)蒙古區(qū)域?qū)嶋H情況不符有關(guān)，土壤質(zhì)地是影響土壤濕度的重要水文參數(shù)，ECMWF模式無(wú)法獲取這些參數(shù)，也是導(dǎo)致土壤濕度變率過(guò)高的原因之一，還有待于進(jìn)一步研究。