干旱半干旱区约占全球陆地面积的40%(符淙斌和温刚, 2002), 是全球降水率变化最大的地区, 并且是气候和生态系统的过渡带, 因而也是全球气候变化研究的重点区域。与其他下垫面相比, 干旱半干旱区地表具有植被稀少, 反照率大, 表层土壤含水量低, 生态环境脆弱等特点, 其陆面过程变化对气候影响较为敏感(Knorr et al., 2001; Narisma et al., 2007)。因此, 研究干旱半干旱区陆气间的相互作用, 开展陆面过程数值模拟研究非常必要。

陆地约占地球表面的30%, 其与大气间的动量、能量及物质的交换对气候有着重要的影响(Yang, 2004)。地表陆面过程是地球科学系统中非常重要的组成部分, 不同的地表特征决定着陆气间的能量和物质平衡, 从而影响着不同时空尺度的大气环流及气候的基本特征(Giorgio and Avissar, 1997; Pielke, 2001)。作为描述陆面过程的数值模式, 陆面过程模式是气候模式中各个圈层间相互作用、相互联系的纽带。因此, 开展陆面过程模式在不同下垫面的适用性研究, 进而不断优化和发展陆面过程模式, 对于改进气候预测和提高中短期数值模式的预报水平都具有重要的意义(Chen and Dudhia, 2001)。

随着陆面过程野外观测试验和陆面过程模式的发展和相互促进, 目前的陆面过程模式已取得了长远的发展, 并进行了众多的模拟研究。国际陆面过程模式比较计划(Project for Intercomparison of Land-surface Parameterization Schemes, PILPS)通过对20多个模式进行陆面过程数值试验比较表明, 目前的陆面过程模式还存在许多不足, 在相同的大气强迫下不同的陆面过程模式的模拟结果并不相同, 模拟的水热通量不一致甚至还出现了显著的差别, 并指出不同的模式对不同的下垫面模拟效果各有优劣, 很难找出一个最优的模式(Liang et al., 1998; Wood et al., 1998; Jin et al., 2003; Nijssen et al., 2003)。近年来, 随着大量观测试验的展开, 国内研究者(朱德琴和高晓清, 2005；房云龙等, 2010；柳媛普等, 2013；杨启东和王丽娟, 2014；杨扬, 2014)也利用不同的陆面过程模式在干旱半干旱区开展了模拟研究, 结果表明, 不同的陆面过程模式在不同的地区能较好地模拟出陆面各特征参量的变化趋势, 但各模式的模拟性能并不相同, 模拟仍然存在较大的偏差。孟祥新和符淙斌(2009)利用BATS(Biosphere-Atmosphere Transfer Scheme)、LSM(Land Surface Model)和CoLM(Common Land Model)模式对中国半干旱区通榆站的陆面过程进行了模拟, 结果表明, 3个模式均能模拟出地气间能量通量的季节和日变化, 但模拟性能存在较大差异。因此, 针对同一地区下垫面, 在相同的大气强迫下进行模拟试验, 进一步检验不同模式对干旱半干旱区的模拟性能, 可以为中短期数值模式及气候模式提供相对准确和合理的下边界条件, 以便为今后气候预测提供科学依据。

本文利用在陆面过程研究中较为常用的3个模式NOAH(The Community Noah Land Surface Model)、SHAW(Simultaneous Heat and Water)和CLM(Community Land Model)模式, 并结合兰州大学半干旱气候与环境监测站SACOL(Semi-Arid Climate Observatory and Laboratory)的2007年观测资料, 对黄土高原半干旱区典型荒草下垫面的陆面过程进行了模拟研究。通过与观测值的对比分析, 检验不同模式在半干旱区的模拟性能。研究结果为改进陆面过程模式对半干旱区陆面过程的模拟性能及气候模式具有积极意义。

兰州大学半干旱气候与环境监测站SACOL位于甘肃省榆中县兰州大学萃英山顶[(35.946°N, 104.137°E), 1961 m], 观测场占地约0.08 km², 下垫面较为平坦, 夏秋季节有短草生长。SACOL站位于中国黄土高原地区, 代表了方圆几百公里的半干旱区气候状况(Huang et al., 2008; Guan et al., 2009)。该站的观测项目主要包括：太阳辐射, 大气、地表长波辐射；风速和风向、温度、湿度梯度；湍流通量；土壤温度、含水量及热通量等。为此, 在观测场内架设了辐射表、微气象塔、超声风速仪、脉动温湿仪及土壤监测系统等, 仪器的描述及安装情况可参考文献(Huang et al., 2008)。SACOL站自2006年4月仪器安装调试成功后, 已获取了大量的观测资料。目前, SACOL站已加入国际协同加强观测计划(Coordinated Enhanced Observing Period, CEOP)、国际气溶胶监测网络(Aerosol Robotic Network, AERONET)和微波脉冲雷达监测网(Micro-Pulse Lidar Network, MPLNET)等国际大气观测网, 观测资料广泛应用于黄土高原半干旱区气候、区域能量和水分循环等研究, 对于预测研究我国西北半干旱区气候环境变化等有重要作用。

本文主要使用SACOL站2007年的近地层观测资料, 包括4 m处测得的空气温度、相对湿度、风速、大气压强, 向下和向上的短波和长波辐射, 感热通量和潜热通量及土壤温度和湿度。由于SACOL站降水资料误差较大, 因此采用兰州市气象局提供的榆中县观测站[(35.87°N, 104.15°E), 1875 m, 与SACOL站的直线距离约为8 km]的日降水量(如图 1)。

图 1

Fig. 1

图 1 （a）榆中和（b）SACOL站的日降水量 Fig. 1 Daily precipitation at (a) Yuzhong station and (b) SACOL station

NOAH模式(version2.7.1)是在美国俄勒冈州大学的OSU陆面过程模式的基础上发展来的(Mahrt and Pan, 1984)。NOAH陆面过程模式描述了土壤—积雪—植被与大气的相互作用, 可以用于模拟土壤温度、土壤含水量、冠层含水量、雪深、水汽、能量通量、向上长短波辐射强度等。该模式可以作为一维单点模式独立运行, 也可以耦合到各种气候模式中, 模拟研究陆面过程对气候的影响(LeMone et al., 2008; Chen et al., 2010)。

SHAW模式(version23)是由美国农业部建立的最初用于模拟土壤的冻结与融化的模式(Flerchinger and Saxton, 1989; Flerchinger, 2000), 后来经过不断的改进和完善, 逐渐发展成为包含土壤—积雪—残留层—植被—大气相互作用的一维模式(Flerchinger and Pierson, 1991, 1997)。SHAW模式中详细地描述了各圈层中的辐射传输、湍流交换、降水渗透, 土壤中的水热传输及土壤冻融等物理过程。SHAW模式灵活设置了物理层, 可根据下垫面情况设置相应的物理层, 其中土壤分层不超过50层, 植被和残留层不超过10层, 积雪不超过100层。该模式在不同的下垫面进行了数值模拟, 模拟性能较好(Flerchinger, 1991; Flerchinger et al., 1998; Flerchinger and Hardegree, 2004)。

CLM模式(version 4.0)是NCAR发布的新一代陆面过程模式, 模式主要包括物理地球化学、生物地球物理、水循环和动态植被过程4个部分。CLM最新的版本中引入了陆面过程的最新研究结果, 更新了地表和大气强迫数据集；改进了对水文过程和雪盖的描述；增加了碳氮循环模式(CN Model)和城市模型(CLMU)；并且考虑了地表覆盖和土地利用的快速变化状况的影响。CLM模式由嵌套的次网格层次来描述地表的非均匀性, 包括网格单元(gridcell)、陆地单元(landunits)、土壤柱(columns)及植被功能类型(Plant Functional Types, PFTs)。其中, 陆地单元分为植被、湿地、湖泊、冰川和城市5类；土壤柱由15层土壤和至多5层积雪组成；植被功能类型用来描述不同植被在生物理化过程中的差异, 每个土壤柱单元可包括4～17种植被功能类型(包括裸土)(Oleson et al., 2010)。CLM是公用地球系统模式CESM(Community Earth System Model)的一个子模块, 广泛应用于气候研究的各个方面(Lawrence et al., 2012；王澄海和孙超, 2013；杨扬, 2014)。

SACOL站位于黄土高原半干旱区, 有明显的陆面过程季节变化特征, 降水主要集中在夏秋季节, 有稀疏的短草生长, 为典型的荒草下垫面。SHAW模式中需输入相应的地表参数, 其中取1层植被、10层土壤, 深度分别为0、2、5、10、20、40、80、100、200 cm。相应的参数可见表 1, 没有列出的参数均使用模式建议的参考值。NOAH模式需选择植被和土壤类型, 其中, 植被选取为常年生植被VEGTYP7, 土壤类型为SOILTYP7, 均取模式默认值, 相应参数可见表 1。NOAH模式土壤也分为10层, 深度与SHAW模式设置相同。两个模式中, 土壤温湿的初始值均取为2007年1月1日观测资料值, 没有观测的层利用邻近节点的线性插值得到。CLM模式所需的地表参数主要包括植被功能类型, 茎、叶面积指数, 植株高度, 土壤颜色、质地、有机质含量等, 与植被功能类型有关的数据来自于中分辨率成像光谱仪(Moderate Resolution Imaging Spectrotradiometer, MODIS)的数据, 而土壤质地来自于国际地圈生物圈计划(International Geosphere Biosphere Program, IGBP)数据(Oleson et al., 2010), 土壤有机质含量来自于Lawrence and Slater(2008)。CLM模式地表温度及各层土壤温度的初始值取为274 K, 土壤含水量初始化为0.3, 而最下面的5层初始化为0。

表 1 (Table 1)

表 1 NOAH、SHAW和CLM模式中输入的地表参数 Table 1 Input surface parameters of NOAH, SHAW, and CLM models 参数 月平均植被反照率 植被高度/m 地表动力粗糙度/m 饱和水导率/m s-1 饱和体积含水量/m3 m-3 砂土百分比 黏土百分比 粉土百分比 Cambell孔隙度分布指数 有机质含量/kg m-3 NOAH模式 0.15（1月）、0.20（2月）、0.20（3月）、0.21（4月）、0.23（5月）、0.24（6月）、0.24（7月）、0.24（8月）、0.25（9月）、0.25（10月）、0.22（11月）、0.15（12月） － － 4.5×10-6 0.4 60% － － 6.77 － SHAW模式 0.21（植被）、0.20（干土） 0.1 0.062 3.25×10-6 0.4 50% 20%、 30%、 4.5 － CLM模式 － － － － － 33%（第一层）、33%（第二层）、33%（第三层）、32%（第四层）、30%（第五层）、28%（第六层）、29%（第七层）、30%（第八层）、38%（第九层）、16%（第十层） 24%（第一层）、24%（第二层）、24%（第三层）、25%（第四层）、27%（第五层）、28%（第六层）、28%（第七层）、25%（第八层）、20%（第九层）、40%（第十层） － － 30.674（第一层）、31.255（第二层）、26.866（第三层）、22.030（第四层）、17.659（第五层）、13.985（第六层）、11.000（第七层）、8.617（第八层）、0（第九层）、0（第十层）

表 1 NOAH、SHAW和CLM模式中输入的地表参数 Table 1 Input surface parameters of NOAH, SHAW, and CLM models

考虑到陆面过程模式对初值的敏感性及对土壤的“记忆性”, 同时限于观测资料的长度, 首先利用2006年9月至2007年1月的资料进行了5个月的“spin-up”, 使用2007年2～12月的模拟结果进行对比分析。

本文利用观测的空气温度、湿度、气压、风速、降水、太阳短波和大气长波辐射作为3个模式的大气强迫场(如图 2), 模拟步长均设定为1 h, 主要模拟的变量为反射辐射、地表长波辐射, 感热、潜热通量, 土壤温度及土壤含水量。为评估模式的模拟性能, 给出模拟值与观测值的平均偏差(Mean Bias Error, MBE)、均方根偏差(Root Mean Bias Error, RMBE)和归一化标准偏差(Normalized Standard Error of the Estimate, NSEE)定量来评估模拟值与观测值之间的偏差, 具体表达式见杨启东等(2012)。

图 2

Fig. 2

图 2 2007年1～12月模式输入的大气强迫场（a）气温、（b）相对湿度、（c）风速、（d）降水速率、（e）太阳辐射、（f）气压、（g）大气长波辐射随时间的变化 Fig. 2 Variations of atmospheric forcing input data (a) temperature, (b) specific humidity, (c) wind speed, (d) precipitation rate, (e) downward shortwave radiation, (f) atmospheric pressure, and (g) downward longwave radiation for land surface models for the period from Jan to Dec 2007

土壤温度是衡量陆面过程模式模拟性能的一个重要参数, 因为土壤温度计算的准确性直接影响模式中地气间的能量和物质的交换, 从而影响中尺度模式及气候模式模拟的准确性。3个模式计算土壤温度的参数化方案并不相同, SHAW模式基于土壤水热耦合方程同步求解土壤温度和土壤湿度, NOAH和CLM模式只利用土壤热传导方程计算土壤温度。

图 3a-f给出了3个模式模拟的各层土壤温度与观测值的日平均值的比较。从图 3中可以看到, 20 cm以上的土壤温度受空气温度的日变化影响比较明显, 有较为剧烈的波动, 3个模式均能模拟出这一变化, 模拟值的变化趋势、峰谷值与观测值总体一致。随着土壤深度的增加, 土壤温度受气温日变化的影响较小, 温度曲线较为平滑, 模拟值也体现了这一变化。整体来看, 3个模式的模拟值均较好地再现了各层土壤温度随季节变化的特征, 模拟值的振幅与观测值的基本一致, 但模拟值较观测值还存在不同程度的偏差。冬季, SHAW和CLM模式模拟的10 cm以下土壤温度较观测值明显偏低；夏季, SHAW和CLM模式对20 cm以上的各层土壤温度模拟性能较冬季变好, 模拟值与观测值较为接近。与SHAW和CLM模式不同, NOAH模式的模拟值除12月外均低于观测值, 且模式对土壤温度的模拟性能冬季要优于夏季。由图 4a-c给出的3个模式模拟的5 cm土壤温度与观测值的散点图可见, CLM模式模拟的土壤温度与观测值的线性拟合线更接近于1:1线, 相关系数也更高。表 2给出了模拟值与观测值的偏差统计结果。如表 2所示, 20 cm以上, CLM模式的模拟性能最优, 模拟值与观测值的平均偏差MBE不超过1℃, 且RMBE、NSEE也是3个模式里面最小的；SHAW模式的模拟性能次之, 两者的MBE不超过1.5℃；NOAH模式的模拟值与观测值的MBE最大, 可达到3℃。随着土壤深度的增加, SHAW模式的模拟性能要优于CLM和NOAH模式的, 模拟值较观测值的MBE、RMBE、NSEE均小于其他两个模式。

图 3

Fig. 3

图 3 不同模式模拟与观测的日平均各层土壤温度变化 Fig. 3 Variations of simulated and observed daily mean soil temperature at different soil layers

图 4

Fig. 4

图 4 （a）NOAH、（b）SHAW、（c）CLM模拟的5 cm土壤温度与观测值的散点图 Fig. 4 Scatter plots of observed and simulated soil temperature at 5-cm depth from (a) NOAH, (b) SHAW, and (c) CLM models

表 2 (Table 2)

表 2 不同模式模拟的各层土壤温度和观测值的偏差比较 Table 2 Deviations of simulated and observed soil temperature at each soil layer 土壤深度/cm MBE/℃ RMBE/℃ NSEE NOAH SHAW CLM NOAH SHAW CLM NOAH SHAW CLM 2 -2.18 -1.34 -0.24 3.74 3.09 2.27 0.245 0.203 0.148 5 -2.15 -1.27 -0.28 3.69 2.24 1.85 0.247 0.15 0.124 10 -2.30 -1.21 -0.45 3.81 1.77 1.4 0.259 0.12 0.096 20 -2.90 -1.24 -0.79 4.25 1.74 1.37 0.294 0.12 0.095 50 -3.98 -1.22 -1.64 5.01 1.68 1.93 0.359 0.12 0.138 80 -6.00 -0.90 -1.86 8.35 1.77 2.11 0.629 0.133 0.16

表 2 不同模式模拟的各层土壤温度和观测值的偏差比较 Table 2 Deviations of simulated and observed soil temperature at each soil layer

3个模式模拟的深层(80 cm)土壤温度偏差较大, 这可能与土壤温度相关的参数不准确有关, 如土壤热导率、土壤热容等。土壤热导率参数化方案与土壤质地、土壤含水量等密切相关, 文中所使用的土壤资料来自模式自带数据, 可能与SACOL站实际状况有差别, 另外土壤水分模拟存在较大误差, 必然影响土壤温度模拟。同时, 数值计算中不可避免的误差传播也会影响土壤温度的模拟。另外, 从模式分层的角度来看, 由于土壤浅层物理量的梯度较大, 浅层土壤分层更细, 层数多于深层。对土壤温度的表述浅层优于深层, 加之浅层模拟的误差随着深度产生累积效应, 故深层80 cm的土壤温度模拟误差就会更大。

图 5a-f给出了3个模式模拟的各层土壤含水量与观测值的日平均值的比较。如图 5所示, 3个模式的模拟值均再现了各层土壤含水量随季节变化的趋势。夏季模拟的浅层20 cm以上土壤含水量对降水过程有明显的响应, 5 cm和10 cm的土壤含水量波动较大, 与夏季多雨期对应。整体来看, 夏季土壤含水量的模拟性能良好, 冬季的模拟性能较差。SHAW模式模拟的40 cm以上的土壤含水量的变化趋势、峰谷值与观测值基本一致, 深层80 cm的模拟效果不理想。NOAH模式模拟的5 cm土壤含水量的变化趋势、振幅均在不同季节与观测值吻合；10 cm土壤含水量的模拟值在夏季与观测值较为接近, 在冬季的模拟性能稍差；20 cm以下, NOAH模式的模拟值较观测值的偏差小, 但模式并未刻画出土壤含水量的变化趋势。CLM模拟的40 cm以上土壤含水量的几次波动与观测值相对应, 但模拟值较观测值偏大, 且偏差较大, 模式的模拟性能夏季优于冬季。总体来看, SHAW模式模拟的峰谷值与观测值更为接近, 模拟性能最好, 模拟值较观测值的MBE、RMBE、NSEE较其他两个模式的偏小(表 3)。CLM模式模拟了土壤含水量的变化趋势, 但模拟值较观测值偏高, 偏差较大, 这可能与模式土壤导水率及孔隙度的参数化方案有关。

图 5

Fig. 5

图 5 不同模式模拟与观测的日平均各层土壤含水量变化 Fig. 5 Variations of simulated and observed daily mean soil water content at different soil layers

表 3 (Table 3)

表 3 不同模式模拟的各层土壤含水量和观测值的偏差比较 Table 3 Deviations of simulated and observed soil water content at different soil layers 土壤深度/cm MBE/mm3 mm-3 RMBE/mm3 mm-3 NSEE NOAH SHAW CLM NOAH SHAW CLM NOAH SHAW CLM 5 0.013 -0.012 -0.090 0.039 0.028 0.103 0.252 0.182 0.664 10 -0.010 -0.028 0.078 0.049 0.04 0.095 0.273 0.223 0.528 20 -0.036 -0.012 0.109 0.075 0.032 0.122 0.452 0.192 0.734 40 -0.076 0.003 0.133 0.097 0.029 0.143 0.623 0.188 0.917 80 -0.029 0.01 0.181 0.049 0.048 0.185 0.446 0.432 1.676

表 3 不同模式模拟的各层土壤含水量和观测值的偏差比较 Table 3 Deviations of simulated and observed soil water content at different soil layers

地面的能量来源于太阳短波辐射和大气长波辐射, 同时地面又向上反射短波辐射和出射长波辐射, 因此辐射通量的模拟性能会对地表能量通量分量的模拟产生影响。在陆面过程模式离线模拟中, 太阳辐射和大气长波辐射作为强迫场输入, 因此净辐射由反射辐射和地表长波辐射决定。反射辐射主要取决于地表反照率, 对于反照率的计算, 3个模式有较大的不同：NOAH模式中土壤和植被反照率采用月平均插值到日平均方法计算, 积雪反照率由雪龄等参数化得到(Yang et al., 2011)。在SHAW模式中, 植被反照率利用短波辐射传输的分层方案确定(Flerchinger, 2000), 土壤反照率与湿度相关, 积雪反照率应用积雪粒径等参数化得到。CLM模式中将短波分为可见光和近红外光分别处理；植被反照率采用二流近似模型计算, 土壤反照率与土壤湿度相关, 积雪反照率利用SNICAR模型(Snow, Ice, and Aerosol Radiative Model)计算得到(Oleson et al., 2010)。对于长波辐射的计算, 3个模式都基于Stefan-Boltzman定律计算, 与地表温度密切相关, 具体方案自有微小差别, 可参考相应文献(Mahrt and Pan, 1984; Flechinger and Saxton, 1989; Flechinger, 2000；Oleson et al., 2010)。

图 6给出了3个模式模拟的反射辐射与观测值的日平均值的比较。从图 6中可以看到, 3个模式均能较好地模拟出反射辐射的变化趋势, NOAH和SHAW模式的模拟值较观测值偏高, 而CLM模式的模拟值略小于观测值。整体上来看, SHAW和CLM模式的模拟值较观测值的偏差相对较小, 不超过15 W m^-2；NOAH模式的偏差相对较大, 最大可达到25 W m^-2。如图 7a-c给出的3个模式模拟的反射辐射与观测值的散点图可见, SHAW模式的模拟值与观测值的线性拟合线与1:1线基本重合, 相关系数达到了0.92；NOAH和CLM模式的线性拟合线均在1:1线附近, CLM模式的相关性更好。表 4给出了观测与3个模式模拟的地表能量分量的偏差的统计结果。如表所示, SHAW模式的模拟值与观测值的MBE、RMBE均小于NOAH和CLM模式。综合来看, SHAW模式对反射辐射的模拟性能较好, 模拟值与观测值的偏差较小。

图 6

Fig. 6

图 6 不同模式模拟与观测的日平均反射辐射变化 Fig. 6 Variations of simulated and observed daily mean upward shortwave radiation

图 7

Fig. 7

图 7 （a）NOAH、（b）SHAW、（c）CLM模拟的反射辐射与观测值的散点图 Fig. 7 Scatter plots of observed and simulated upward shortwave radiation from (a) NOAH, (b) SHAW, and (c) CLM models

表 4 (Table 4)

表 4 不同模式模拟的地表能量通量和观测值的偏差比较 Table 4 Deviations of simulated and observed surface energy fluxes 地表能量通量 MBE/W m-2 RMBE/W m-2 NSEE NOAH SHAW CLM NOAH SHAW CLM NOAH SHAW CLM 反射辐射 6.94 3.89 -4.44 19.66 19.01 19.98 0.268 0.531 0.272 地表长波辐射 -9.64 -15.93 -3.23 31.83 34.3 20.76 0.083 0.089 0.054 感热通量 12.19 25.18 10.94 106.84 85.71 55.59 1.468 1.178 0.721 潜热通量 -4.54 -6.26 -0.90 45.64 53.34 40.74 0.699 0.817 0.589

表 4 不同模式模拟的地表能量通量和观测值的偏差比较 Table 4 Deviations of simulated and observed surface energy fluxes

图 8给出了观测与3个模式模拟的地表长波辐射日均值变化。如图可见, 3个模式对地表长波辐射的模拟比较理想, 这也从另一个角度说明了模式对地表温度的模拟效果较好。冬季, 相对于观测值, NOAH和CLM的模拟效果较好, SHAW模式模拟的振幅较大。夏季, CLM模式的模拟性能提高最优, 模拟值与观测值的变化趋势、峰谷值基本吻合。如图 9a-c给出的3个模式模拟的地表长波辐射与观测值的散点图所示, CLM模式的模拟值与观测值的线性拟合线最接近于1:1线, 相关性最高。结合表 4中偏差的统计结果来看, CLM模式的模拟值与观测值的MBE和RMBE为－3.23 W m^-2、20.76W m^-2, 均比NOAH、SHAW模式的小。综上所述, CLM模式对地表长波辐射的模拟最好, 模拟值与观测值的变化趋势一致, 相关性较高, 且偏差较小。3个模式对夏季地表长波辐射的模拟效果要比冬季的好, 特别是CLM模式在夏季对地表长波辐射的模拟与观测值最为接近。

图 8

Fig. 8

图 8 不同模式模拟与观测的日平均地表长波辐射变化 Fig. 8 Variations of simulated and observed daily mean upward longwave radiation

图 9

Fig. 9

图 9 （a）NOAH、（b）SHAW、（c）CLM模拟的地表长波辐射与观测值的散点图 Fig. 9 Scatter plots of observed and simulated upward longwave radiation from (a) NOAH, (b) SHAW, and (c) CLM models

地表通过湍流运动将热量和水汽输送给大气, 即表现为感热通量和潜热通量的交换。因此, 陆面过程模式对感热和潜热通量的模拟效果将会直接影响气候及天气的模拟。这3个陆面过程模式中湍流边界层的参数化方案都是基于M-O相似性理论计算, 实现方式和参数化过程略有差异, NOAH利用了Chen et al.(1997)方案, SHAW模式利用了Norman(1979)方案, CLM利用了Zeng and Dickinson(1998)方案来计算感热和潜热通量。

图 10给出了3个模式模拟的感热、潜热通量与观测的日均值变化。从图 10a中可以看到, 3个模式均能较好地模拟感热通量的变化趋势, 但各模式的模拟值与观测值的偏差不同。秋冬季节, 模拟的感热通量与观测值的偏差较小；春夏季节, 3个模式的模拟值较观测值偏高, 且夏季偏差相对较大。相比较而言, CLM模式的模拟值与观测值的偏差较小。从表 4给出的偏差统计结果来看, CLM模式模拟的感热通量与观测值的MBE(12.19)、RMBE(55.59)、NSEE(0.721)较NOAH和SHAW模式的小。如图 10b给出的潜热通量所示, 3个模式模拟出了潜热通量的变化趋势, 但模拟值和观测值存在不同程度的偏差。5月29日, SACOL站有一次降水过程发生, 潜热变大, 3个模式的模拟值均对降水有响应, 其中CLM模式的模拟值与观测值基本吻合, 而NOAH模式的模拟值的振幅较大。之后的6～7月, SACOL站基本无降水, 潜热通量相对减小, 3个模式模拟的变化趋势与观测值一致, 但偏差并不相同, 其中CLM模式较观测值的偏差最大。8月7日, SACOL站又出现了一次强降水过程, 累计降水量达到了68.8 mm, 潜热变大, 3个模式的模拟值均体现了这一变化趋势, 其中CLM模式的模拟值与观测值最为吻合, 模拟性能较好。8～11月陆续有降水发生, 观测与模拟的潜热对降水有明显的响应, 其中CLM模式的模拟最好。冬季, SACOL站降水较少, 潜热变小, 3个模式模拟的变化与观测值一致, NOAH模式的模拟值与观测值的偏差最小, 而CLM模式的偏差最大。春季有降水发生后, CLM模式的模拟性能变好。由此可见, CLM模式对降水发生后的潜热模拟较好, 对无降水状况下的潜热模拟偏差较大, 而NOAH模式对冬季的潜热模拟较好。鉴于此, CLM模式对干燥状况下潜热的模拟性能还有待改进。表 4给出的偏差统计结果表明, CLM模式的模拟值较观测值的MBE、RMBE、NSEE最小, NOAH模式的次之, SHAW模式的偏差最大。总体而言, 3个模式模拟的感热和潜热通量较观测值的偏差特别是夏季的稍大, 3个模式对半干旱地区地表感热和潜热通量的模拟性能还有待改进, 模式对有植被覆盖的湍流运动的刻画和描述还需进一步的研究和完善。

图 10

Fig. 10

图 10 不同模式模拟与观测的日平均（a）感热通量、（b）潜热通量变化 Fig. 10 Variations of simulated and observed daily mean (a) sensible heat flux and (b) latent heat flux

为了进一步比较不同模式间模拟性能的差异, 图 11给出了3个模式模拟的反射、地表长波辐射, 感热、潜热通量, 5 cm土壤温度及含水量与观测值的泰勒图。泰勒图中, 虚弧线表示标准差的大小, 距实弧线越接近表明变化趋势与观测值越吻合, 虚线代表模拟值与观测值的相关性。REF是一个参考点, 距REF越接近, 表明模式的模拟性能越好(http://www-pcmdi.llnl.gov/about/staff/Taylor/CV/Taylor_diagram_primer.pdf.[2015-04-29])。如图所示, CLM模式模拟的反射、地表长波辐射, 感热、潜热通量, 5 cm土壤温度与REF点相对比较靠近, 相关性较好, 说明CLM模式的模拟性能最优。对于5 cm土壤含水量, SHAW模式模拟的相关系数(0.925)要高于其他两个模式, 但NOAH模式的模拟更靠近实弧线, 说明NOAH模式的模拟值与观测值的变化趋势更一致。综合而言, CLM模式的模拟性能最优。

图 11

Fig. 11

图 11 不同模式模拟的地表能量通量、土壤温度及含水量的泰勒图 Fig. 11 Taylor diagram of surface fluxes, soil temperature, and soil water content simulated by different models

本文利用兰州大学半干旱气候与环境监测站SACOL的观测资料对NOAH、SHAW和CLM模式对半干旱区荒草下垫面陆面过程的模拟性能进行了评估。模拟研究表明, 3个模式均能模拟出黄土高原半干旱区陆面各特征量的变化趋势, 由于3个模式对物理生化过程刻画的差异, 各模式的模拟性能并不相同。具体表现如下：

(1) 对于20 cm以上的土壤温度的模拟, CLM模式的模拟性能最优；20 cm以下的深层土壤, SHAW模式的模拟性能最优。

(2) 对于土壤含水量的模拟, SHAW模式对土壤含水量的模拟性能最好, 与观测值最为接近；CLM模式模拟了土壤含水量的变化趋势, 但模拟值较观测值偏高, 偏差较大, 且模式的模拟性能夏季优于冬季；NOAH模式对浅层土壤含水量的模拟性能较好, 模拟值与观测值基本吻合, 但是对深层土壤, NOAH模式并未刻画出土壤含水量的变化趋势。

(3) SHAW模式对反射辐射的模拟性能最优；CLM模式的模拟性能次之；NOAH模式模拟的反射辐射的偏差较其他两个模式的大。地表长波辐射的模拟中, CLM模式的模拟最好, 模拟值与观测值的变化趋势一致, 偏差较小, 特别是夏季模拟值与观测值最为接近。

(4) 3个模式均能较好地模拟感热、潜热通量的变化趋势。各模式模拟的感热与观测值的偏差在夏季较大, 在冬季偏差较小, CLM模式对感热的模拟性能最优, SHAW模式对感热的模拟性能优于NOAH模式。无降水的干燥条件下, NOAH和SHAW模式对潜热的模拟偏差相对较小, 特别在冬季, NOAH模式的模拟性能最优；而降水发生后, CLM模式对潜热的模拟性能变好, 模拟值与观测值较为吻合。

总体而言, CLM模式能够更好地再现半干旱区地气间的陆面过程特征, 但模式对土壤含水量的模拟依然较差, 模拟值与观测值的偏差较大, 这可能与土壤内部的水热传输过程有关, 与之相关的土壤导水率、土壤孔隙度、土壤质地、有机质含量、植被根系等参数可能在该地区并不准确。另外, CLM模式对无降水的干燥条件下的潜热通量的模拟也并不理想。冠层中的水热传输会影响到土壤含水量及感热、潜热通量的模拟。那么, 如何更准确地刻画半干旱区陆气间的水文过程及冠层参数化方案, 并且通过更多的观测试验改进和完善相关参数, 进而发展适用的参数化方案, 对于半干旱区陆面过程模式的发展非常重要。