降水驱动数据改进对VIC土壤湿度模拟的影响

焦振航，舒红，吴凯，聂磊

(武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079)

降水驱动数据改进对VIC土壤湿度模拟的影响

焦振航*，舒红，吴凯，聂磊

(武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079)

降水驱动数据精度显著影响模型模拟土壤湿度的能力。本文提出了逐日校正降水驱动数据的方法，利用澳大利亚气象局发布的逐日降水数据改进ERA-Interim再分析资料逐6小时降水数据，用以驱动Variable Infiltration Capacity(VIC)水文模型，并与逐月校正法和直接用再分析资料驱动模型得到的结果进行对比分析。利用澳大利亚Yanco地区内13个观测站点数据进行验证，结果表明逐日和逐月校正方法均能提高模拟值同站点观测值的相关系数，且逐日改进方法效果更显著，相关系数提高了24%左右，在大部分站点逐日改进方法还能降低均方根误差5%左右。

VIC；土壤湿度；降水改进

1 引 言

土壤湿度对陆-气间的相互作用有重要影响，是水文、农林业发展和气候研究中需着重关注的物理参数之一[1]。但是很难通过野外观测获得大面积(>106km2)的土壤湿度数据[2]。随着陆面水文模型的发展，获得大范围土壤湿度的时空分布成为可能。Nijssen等利用VIC模型模拟了1980年～1993年空间分辨率为2°×2°的逐日全球土壤湿度分布，证明VIC可以较好模拟土壤湿度的年际变化和空间分布模式[3]。Andreadis等基于VIC模型模拟了空间分辨率为0.5°×0.5°的径流和土壤湿度数据，重建了北美大陆历史上1930年，1950年和20世纪初的干旱[4]。Wu等基于VIC模型模拟了近35年(1971年～2005年)全国范围30 km×30 km分辨率的逐日土壤湿度，结果表明VIC模型较好地模拟了土壤湿度，尤其是在湿润和半湿润地区，模拟的 0 cm～100 cm的土壤含水量多年平均值与实际的全国土壤水分分布较为一致[4]。Mi等利用VIC模型和集合卡尔曼滤波算法发展了一种土壤表层湿度的数据同化方案，得到的结果比VIC模型模拟结果更接近于实际测量值[5]。Lin等利用VIC及其汇流模型模拟了2006年5月～9月全国0.5°×0.5°逐日径流深和土壤相对湿度分布，对淮河流域2006年汛期强降水过程期间的模拟结果进行了渍涝灾害的分析，结果表明VIC模型模拟的径流深和土壤相对湿度分布是一致的，模拟的土壤湿度具有可用性[6]。

土壤湿度受到多种因素影响，其中以降水量和气温的影响最显著[7]。因此提出了一种利用高测量精度低时间分辨率的澳大利亚气象局逐日降水数据优化低测量精度高时间分辨率的ERA-Interim再分析资料逐6小时降水数据来驱动VIC模型获得土壤湿度的方法，并探讨该校正方法对VIC土壤湿度模拟精度的影响。

2 水文模型与研究区域

2.1 VIC模型

VIC模型是美国Washington大学、California大学Berkeley分校以及Princeton大学共同研制的陆面水文模型，是一个基于空间分布网格的分布式水文模型[8]。主要考虑了大气—植被—土壤之间的物理交换过程，模拟了水热状态变化和水热传输[9]。模型同时考虑陆—气间水分收支和能量收支过程，同时考虑两种产流机制(蓄满产流和超渗产流)[10]。VIC模型已发展为具有三层土壤的VIC-3L模型，即在VIC-2L模型的顶层分出一个顶薄层(通常为 0.1 m)。模型采用Richards方程来描述垂直方向一维土壤水分运动，采用Darcy定律来模拟土壤各层间的水汽通量[12～17]。模型假设水只能通过大气作用进入网格，网格间的非通道流动被忽略，且网格内的地表和地下径流被认为远大于网格间的水流，一旦水分进入河流网，就不能再回到土壤中。

2016年发布的5.0.0版本重构并简化了代码来支持多种类型数据驱动模型运行的程序，径流和陆地表面模拟用各自的模型分开执行，其中的传统驱动模式允许VIC逐格网独立的模拟，分别考虑每个计算网格内多种植被覆盖类型及土壤特性对土壤湿度的影响，但需要时间分辨率高于一天的数据来驱动模型。

2.2 研究区域

澳大利亚Murrumbidgee流域位于澳大利亚东南部，流域面积 84 000 km2。其中的Yanco地区的范围为-34.5°S～-35.5°S，145.5°E～146.5°E，面积 3 600 km2。考虑土壤湿度具有空间异质性，应采用较高空间分辨率的网格和大气驱动数据进行模拟，将实验区分成19行19列共361个独立网格，每个网格的大小均为0.05°×0.05°，实验区如图1所示，外围实线表示Murrumbidgee流域，正方形实线表示实验区网格，黑点表示13个观测站点，编号如图1所示。

图1实验研究区

3 实验设计

3.1 数据

VIC运行需要5个文件：气象驱动数据文件、土壤参数文件、植被(所有类型)参数库文件、植被参数(每种类型占比)文件和全局控制文件[18]。

气象驱动数据采用2009年9月1日～2011年10月1日的欧洲中期天气预报中心ECMWF的ERA-Interim再分析数据，包括日平均气温、降水、大气压、入射短波辐射、入射长波辐射、水汽压和风速7个驱动变量，空间分辨率为0.125°×0.125°，采用最邻近插值法加密数据到空间分辨率0.05°×0.05°，时间分辨率为6小时。用于优化的降水数据来自澳大利亚气象局BOM(Bureau of Meteorology)，空间分辨率为0.05°×0.05°，时间分辨率为1天。

土壤参数文件用来描述土壤的空间异质性，具体为NOAA(National Oceanic and Atmospheric Administration)管理局提供的全球5′土壤质地分类数据[12]。文件中包含每个格网的主要土壤类型和平均高程等参数，其中某些参数需要率定以适应研究区域。

植被参数库文件来自VIC官网自带的示例文件，储存每种土地覆盖类型的参数，包括LAI，结构阻抗，零平面位移等。植被参数文件用来表示各个网格内包含的多个植被类型、各类植被所占比例及叶面积指数等信息。依据马里兰大学发布的 1 km全球植被分布数据得到，其将陆面覆盖类型分为14类[13]。

全局控制文件负责控制模型运行，选择以何种方式运行模型，说明驱动数据时间步长、模拟起止时间和各参数文件的路径等信息。

站点观测资料来自Murrumbidgee流域官网2005年至今的时间分辨率为 20 min四层深度的土壤湿度观测值，评价模拟结果时采用顶层(0 cm～5 cm)测量值与模型第一层(0 cm～10 cm)模拟值进行对比，两者的观测/模拟深度并不一致，但是由于表层(0 cm～10 cm)的土壤湿度通常有密切的关系[19～20]，所以实验中将不同的观测/模拟深度视为同一深度。

3.2 参数率定

水文模型参数是水文模型的重要组成部分，参数率定是水文模型实际应用的关键[21]。采用均匀设计法率定6个参数：第二、三层土壤厚度d2、d3(m)、最大基流流速Dm(m3/s)、非线性基流流速Ds(m3/s)、蓄水量曲线指数B、非线性基流时土壤的含水量Ws。采用均匀设计实验方案能明显减少模型参数率定次数和时间，模拟精度可以满足大多数应用需要。

采用确定性系数(Nash-Sutcliffe效率系数，NSE)来评价率定结果，NSE越接近1代表率定结果越好。确定性系数计算方法如下式。

(1)

研究区域参数率定结果 表1

3.3 方法

设计三组实验，第一组的降水驱动数据直接采用ERA-Interim再分析资料的逐6 h降水数据。第二组的降水驱动数据采用经过澳大利亚气象局逐日降水数据优化后的ERA-Interim再分析资料的逐6小时降水数据。因为澳大利亚气象局的逐日降水数据精度高，但是时间分辨率是1天，而VIC模型驱动数据要求时间分辨率高于1天，因此利用同一天的ERA-Interim再分析资料的降水数据和澳大利亚气象局逐日降水数据计算出比例系数，用于优化ERA-Interim再分析数据，优化公式如下。

(2)

(3)

4 实验结果

采用13个观测站的实测土壤含水量资料来验证三组实验模拟的土壤含水量。实验模拟结果验证的定量化分析，采用均方根误差(Root mean square error，RMSE)和相关系数(Correlation coefficient，R)两个评价指标。RMSE和R的计算公式如下：

(4)

(5)

其中，ymi为第i个时间的模型模拟值，yoi为第i个时间的验证站点观测值；Ym为模拟值组成的向量，Yo为观测值组成的向量。

图2 Y7验证站点观测和三组实验模拟结果的对比

图2给出了Y7站点的验证站点观测值和三组实验模拟值的土壤湿度，图中虚线代表站点观测的时间稀疏性(时间不连续性)。对比可以看出，实验二和实验三都能较好地模拟土壤湿度的变化趋势，且实验二比实验三更好些，这一点在2010年10月1日～2010年11月1日三组实验对比和2011年9月1日到2011年10月1日三组实验结果对比中更加明显。直接用ERA-Interim再分析数据驱动的实验一虽然数值上较接近站点观测，但在2010年7月1日至2010年9月1日与站点观测呈相反的变化趋势，可能原因是ERA-Interim再分析资料不准确。

图3给出了13个站点位置的实验模拟值相对站点观测值的RMSE和R的变化情况。

图3 在13个站点位置的三组实验模拟值相对站点观测值的RMSE和R比较

从图3(a)可以看出逐日改进的实验二模拟得到的土壤湿度跟站点观测得到的土壤湿度最接近，相对于逐月改进降水数据驱动VIC模拟的土壤湿度和直接用ERA-Interim再分析资料降水数据驱动VIC模拟的土壤湿度，逐日改进降水数据驱动VIC模拟的土壤湿度呈现RMSE最小，直接用ERA-Interim数据驱动的实验一模拟值的RMSE次之，但总体来看实验一和实验二的模拟值相差不大，而逐月改进的实验三的RMSE最大。从图3(b)可以看出实验二模拟值跟站点观测值的相关系数是最高的，说明逐日改进对土壤湿度的趋势模拟有很大帮助，相关系数提高24%左右。实验三模拟值在10个站点中相对实验一模拟值有一定改进，在其余站点则无改进或改进不明显。概言之，利用澳大利亚气象局逐日降水数据改进ERA-Interim再分析资料的逐6小时降水数据来驱动VIC模型可以提高模型模拟土壤湿度的精度。

5 结 语

陆面模型获取大面积连续时间的土壤水分是土壤湿度产品生产的基本方法，降水数据是影响模型模拟土壤湿度精度的关键因素之一。本文提出了逐日改进降水数据的方法，利用澳大利亚气象局发布的逐日降水数据优化ERA-Interim再分析资料的逐6小时降水数据，用以驱动VIC模型模拟土壤湿度，将实验结果和站点观测数据做对比分析，结果表明逐日优化能显著提高模型模拟值和站点观测值的相关系数和模拟精度。逐月改进也能提高模型模拟值和站点观测值的相关系数，但是降低了模型模拟的精度。综上，逐日改进方法更适用于模拟土壤湿度和研究长时间序列变化。

三组实验的模型模拟值相对站点观测值均偏大，这可能跟参数率定有一定关系。本文只是为了验证两种改进方法的可行性。实际应用中，可考虑更精确的方法来率定模型参数，进一步提高模型模拟值的精度。

[1] 赖欣，文军，岑思弦等. CLM4.0模式对中国区域土壤湿度的数值模拟及评估研究[J]. 大气科学，2014，38(3)：499～512.

[2] 吴志勇，陆桂华，张建云等. 基于VIC模型的逐日土壤含水量模拟[J]. 地理科学，2007，27(3)：359～364.

[3] Nijssen B，Schnur R，Lettenmaier D P. Global Retrospective Estimation of Soil Moisture Using the Variable Infiltration Capacity Land Surface Model，1980-93. [J]. Journal of Climate，2001，14(8)：1790～1808.

[4] Andreadis K M，Clark E A，Wood A W，et al. Twentieth-Century Drought in the Conterminous United States[J]. Journal of Hydrometeorology，2005，6(6)：985～1001.

[5] 米素娟，唐家奎，张显峰等. 基于VIC模型与集合卡尔曼滤波的土壤水分同化研究[J]. 地理与地理信息科学，2013，29(1)：91～95.

[6] 林建，谢正辉，陈锋等. 2006年汛期VIC水文模型模拟结果分析[J]. 气象，2008，34(3)：69～77.

[7] 王丹，南瑞，韩俊杰等. 黑龙江省土壤湿度及其对气温和降水的敏感性分析[J]. 气象与环境学报，2012，28(2)：49～53.

[8] Xu L，Wood E F，Lettenmaier D P. Surface soil moisture parameterization of the VIC-2L model： Evaluation and modification[J]. Global & Planetary Change，1996，13(1)：195～206.

[9] 谢正辉，刘谦，袁飞等. 基于全国50km×50km网格的大尺度陆面水文模型框架[J]. 水利学报，2004(5)：76～82.

[10] Liang X，Xie Z. A new surface runoff parameterization with subgrid-scale soil heterogeneity for land surface models[J]. Advances in Water Resources，2001，24(9-10)：1173～1193.

[11] Lievens H，Tomer S K，Bitar A A，et al. SMOS soil moisture assimilation for improved hydrologic simulation in the Murray Darling Basin，Australia[J]. Remote Sensing of Environment，2015，168：146～162.

[12] 山红翠，袁飞，盛东等. VIC模型在西江流域径流模拟中的应用[J]. 中国农村水利水电，2016(4)：43～45.

[13] 张利平，陈小凤，张晓琳等. VIC模型与SWAT模型在中小流域径流模拟中的对比研究[J]. 长江流域资源与环境，2009，18(8)：745～752.

[14] Wood E F，Lettenmaier D P，Zartarian V G. A Land Surface Hydrology Parameterization with Sub-Grid Variability for General Circulation Models[J]. Journal of Geophysical Research Atmospheres，1992，97(D3)：2717～2728.

[15] Liang X，Lettenmaier D P，Wood E F. One-dimensional statistical dynamic representation of subgrid spatial variability of precipitation in the two-layer variable infiltration capacity model[J]. Journal of Geophysical Research Atmospheres，1996，101(D16)：21403～21422.

[16] Xu L，Wood E F，Lettenmaier D P. Surface soil moisture parameterization of the VIC-2L model： Evaluation and modification[J]. Global & Planetary Change，1996，13(1)：195～206.

[17] Liang X，Lettenmaier D P，Wood E F，et al. A simple hydrologically based model of land surface water and energy fluxes for general circulation models[J]. Journal of Geophysical Research Atmospheres，1994，99(D7)：14415～14428.

[18] 刘谦. VIC大尺度陆面水文模型在中国区域的应用[D]. 长沙：湖南大学，2004.

[19] Jensen J B，Høyer S，Jensen M E. Soil moisture estimation through ASCAT and AMSR-E sensors： An intercomparison and validation study across Europe[J]. Remote Sensing of Environment，2011，115(12)：3390～3408.

[20] Albergel C，Rüdiger C，Pellarin T，et al. From near-surface to root-zone soil moisture using an exponential filter： an assessment of the method based on in-situ observations and model simulations[J]. Hydrology & Earth System Sciences，2008，12(6)：1323～1337.

[21] 朱悦璐，畅建霞. 基于均匀设计法的VIC模型参数率定[J]. 西北农林科技大学学报·自然科学版，2015，43(12)：217～224.

The Rainfall Calibration Methods’ Impact on VIC Soil Moisture Simulation

Jiao Zhenhang，Shu Hong，Wu Kai，Nie Lei

(State Key Laboratory of Information Engineering in Surveying，Mapping and Remote Sensing，WuHan 430079，China)

The capability of hydrology model in soil moisture simulation is mainly influenced by rainfall data’s precision. A new method to calibrate rainfall forcing data on daily time scale was proposed. The method was used to calibrate 6 hourly ERA-Interim reanalysis rainfall data with daily rainfall data from Bureau of Meteorology Australia. The calibrated data was used as Variable Infiltration Capacity(VIC) model atmospheric forcing data，compared with the method that calibrated on monthly time scale and another method that used ERA-Interim reanalysis data to force the model directly. In situ soil moisture measurements from 13 sites in Yanco area were used to validate the results. Both daily and monthly calibration can improve the correlation coefficient between VIC simulations and in situ observations，and daily calibration is better as it improved the correlation coefficient about 24%. Daily calibration can also reduce RMSE about 5% in most sites.

VIC；soil moisture；rainfall calibration

1672-8262(2017)04-37-05

P208，TP75

A

2017—05—31

焦振航(1993—)，男，硕士研究生，主要从事遥感数据同化方面的研究。

舒红(1970—)，男，博士，教授(博导)，主要从事时空统计和遥感数据同化研究。

中央高校基本科研业务费专项资金科研项目(2042016kf0176)；武汉大学自主科研项目(2042016kf1035)。