CLDAS融合土壤湿度产品在东北地区的适用性评估及订正*

崔园园，张 强，覃 军，敬文琪

CLDAS融合土壤湿度产品在东北地区的适用性评估及订正*

崔园园1，张 强2**，覃 军3，敬文琪4

（1. 河北省气象台，石家庄 050000; 2. 中国气象局国家气候中心气候研究开放实验室，北京 100081；3. 中国地质大学（武汉）环境学院，武汉 430074; 4. 94758部队气象台，福建宁德 355103）

通过计算CLDAS的0−20cm土壤相对湿度融合产品与农业气象观测站逐旬10cm土壤相对湿度观测值的相关性和偏差，综合分析CLDAS在东北地区的适用性。结果表明：CLDAS融合土壤相对湿度能较合理地反映东北地区10cm深度土壤相对湿度的空间分布，但是在对极值的描述上有所欠缺，其中CLDAS对辽宁西部和黑龙江西南部的土壤相对湿度模拟偏高较明显，而在黑龙江的东北部地区对实际土壤相对湿度的模拟偏低；总体上，CLDAS融合土壤相对湿度资料在东北地区的适用性由西南向东北方向递减，在吉林和辽宁省的适用性更好。回归订正和7旬滑动平均订正法对CLDAS产品的误差订正表明，订正结果大大提高了CLDAS产品的精度，其订正后产品可以应用于土壤湿度干旱监测业务。

东北地区；CLDAS融合土壤相对湿度产品；回归订正；7旬滑动平均订正；适用性评估

在全球气候变暖的背景影响下，地表升温，水资源的时空配置也相应发生变化，大范围干旱事件频发，与洪涝灾害相比，干旱不仅发展缓慢而且具有较长的时间尺度，更难被察觉和监控[1−3]。

目前，主要采取土壤水分自动观测站和卫星遥感两种手段来对土壤干旱进行监测[4]。由于观测站点东西部地区分布不均匀、观测仪器本身的安装校正以及季节等客观因素的影响，观测数据的质量还存在各种问题，无法单纯依靠站点数据对全国范围的土壤墒情变化开展精细、准确、有效的监测。光学遥感也受到昼夜变化、大气云雨遮挡的影响无法保证长时间序列、大面积实时监测[5]；而且微波遥感信号也局限于反演0−5cm深度表层土壤湿度情况，得到的土壤湿度空间准确率和分辨率亟需提高。

随着资料同化技术的发展，产生了一系列陆面融合资料，用来描述陆面物理量的时空演变。目前国际上相对成熟的陆面数据同化系统包括：北美陆面数据同化系统NLDAS（North American Land Data Assimilation System）[6]，欧洲陆面数据同化系统ELDAS（European Land Data Assimilation System）[7]和全球陆面数据同化系统GLDAS（Global Land Data Assimilation System）[8]。国内李新等[9]建立了西部陆面数据同化系统WCLDAS（West China Land DataAssimilation System），师春香[10]发展了中国气象局陆面数据同化系统CLDAS（CMA Land Data Assimilation System）。近年一些学者也对不同的陆面模式资料的适用性进行了评估。Chen等[11]利用青藏高原中部土壤湿度观测网资料对GLDAS中4个陆面模式土壤水分产品进行了评估，研究表明GLDAS-CLM（Global Land Data Assimilation System- Common Land Model）和GLDAS-NOAH（Global Land Data Assimilation System-NCEP，OSU，Air Force and Office of Hydrology）模式资料则对10−40cm土壤层湿度具有较好的代表性。韩帅等[12]通过对CLDAS陆面融合产品的评估发现CLDAS土壤湿度产品精度较高，对中国区域干旱监测具有重要的实用价值。崔园园等[13−14]在分析GLDAS和CLDAS在青藏高原的适用性时指出，CLDAS在对四川东南地区和新疆地区大部分站点的土壤湿度描述能力上有了较大的改善。

自21世纪初，东北已经成为干旱发生频率较高的地区之一，损失严重、影响范围广、持续时间长的干旱灾情频繁发生，形成了跨月、跨季节甚至跨年度的不同时间尺度的干旱灾害，因此，准确预测和评估东北地区干旱的发生发展规律具有重要的现实意义[15−18]。但经过同化技术得到的资料存在系统误差，在不同地区的适用性即精度无法保证，需要对其合理性和适用性进行评价及订正[19]。本研究利用中国气象局国家气象信息中心提供的2008−2017年CLDAS融合土壤相对湿度产品，并结合农业气象观测站点逐旬土壤相对湿度定量评估CLDAS在东北地区的适用性，再利用多种回归方法对CLDAS融合土壤相对湿度产品进行订正，以期得到一套订正后的CLDAS融合土壤相对湿度产品，能够应用于农业干旱监测，提高干旱的监测精度，为农业干旱防御提供服务。

1 资料与方法

1.1 资料

1.1.1 观测资料

经初步检查，国家气象信息中心整理的2008−2017年东北地区各层土壤相对湿度逐旬观测数据中，10cm土层的资料具有较好的完整性和可靠性，且对农作物的生长影响较大，农业干旱发生的指示意义明显[19]，因此，选取该层土壤相对湿度作为研究对象。在对站点观测进行质量控制后，选取东北地区共230个站点进行分析。

1.1.2 CMA陆面数据同化数据（CLDAS）

选取国家气象信息中心发布的中国气象局陆面同化系统第二版本（CLDAS-V2.0）土壤相对湿度产品，CLDAS-V2.0产品为覆盖亚洲区域（0−65°N，60−160°E），0.0625°×0.0625°（空间分辨率为）与1h（时间分辨率）的等经纬度网格融合分析产品，该数据集利用多种来源地面、卫星等观测资料，采用多重网格变分同化（STMAS）、最优插值（OI）、概率密度函数匹配（CDF）、物理反演、地形校正等技术研制而成，在中国区域质量优于国际同类产品，且时空分辨率更高。实时更新发布滞后1h。

1.2 数据处理

1.2.1 观测资料质量控制

由于各站观测资料质量参差不齐，在使用前需要对土壤相对湿度资料进行质量控制，主要包括以下两步：（1）考虑到观测场地不会出现土壤中没有水分或长时间不变的情况，以及在水中浸泡时，传感器测量不准，所以剔除观测资料中土壤相对湿度等于0、长时间维持同一个值，及大于100%的数据；（2）观测站点中存在灌溉的情况，无降水发生土壤湿度突然增大明显，从观测资料和CLDAS融合产品的相对误差的概率密度分布图上看出，90%以上站点的相对误差绝对值<70%，故剔除相对误差绝对值>70%的匹配样本。

1.2.2 CLDAS融合数据与实测数据的匹配

（1）时间尺度

在分析CLDAS融合土壤相对湿度产品与站点资料之间的误差时，考虑到站点观测资料以旬为时间尺度，故将CLDAS产品按旬作平均，后续与站点观测资料进行分析对比。

（2）空间尺度

在分析误差的空间分布时，采用双线性插值法将CLDAS融合相对湿度产品插值到东北地区230个站点上。

（3）层次匹配

由于CLDAS融合产品中的土壤相对湿度是一定厚度土壤层的平均值，在与观测值进行对比时，将CLDAS融合产品的0−20cm土壤相对湿度产品与10cm层次的观测值进行对比。

1.3 适用性评估方法

采用的统计量和评估指标包括CLDAS产品与观测资料的平均偏差BIAS、相关系数R，以及基于空间技巧评分复合统计量−时间技巧评分（ST）[20]。

（1）平均偏差BIAS

（2）相关系数R

（3）时间技巧评分

设Yt和Xt分别为CLDAS融合土壤相对湿度资料和站点观测土壤湿度资料的时间序列，则CLDAS和观测序列的平方误差定义为

式中，n为样本时间长度，对式（3）进行无量纲化，则无量纲时间技巧评分为

1.4 订正方法介绍

1.4.1 回归订正法

利用回归订正方法对CLDAS融合土壤相对湿度产品进行订正。针对东北地区的第i个站点，记第i个站点2008−2017年的观测时间序列为MSRobs，相对应的CLDAS融合土壤相对湿度资料的时间序列记为MSRCLDAS，建立回归方程，即

记MSRCLDAS_update为订正后的CLDAS融合土壤相对湿度产品序列，则第i个站点订正的融合土壤相对湿度序列为

同理可得东北地区230个站点经过回归订正后2008−2017年CLDAS融合相对湿度产品。

1.4.2 7旬滑动平均订正法

将当前时刻前7旬的误差平均值（即前7旬CLDAS融合土壤相对湿度值与站点观测值之差的平均值）作为订正值，再用当前时刻CLDAS融合土壤相对湿度值减去订正值，即得该时刻订正后的CLDAS产品，即

式中，CLDASupdate(t)为第t个时刻经过7旬滑动平均订正法订正后的CLDAS产品，CLDAS(i)、sta(i)分别为第t个时刻CLDAS融合土壤相对湿度值和站点观测值。

2 结果与分析

2.1 CLDAS融合土壤相对湿度产品质量评估

2.1.1 土壤相对湿度的空间分布

图1给出了2008−2017年10cm深度各站点观测值及CLDAS融合土壤相对湿度产品在东北地区的空间分布，由图可知，CLDAS融合土壤相对湿度能较合理地反映土壤湿度在东北地区的空间分布，其中，10cm深度站点观测值在东北地区的分布（图1a）显示土壤相对湿度基本在50%～95%，相对湿度的高值区主要位于辽宁中东部、吉林中东部以及黑龙江东北部地区，土壤相对湿度的低值区主要位于辽宁西部、吉林西部以及黑龙江省的西南部地区；CLDAS融合土壤相对湿度在0−20cm层次能较好地反映东北地区10cm土层土壤相对湿度的分布，但是在极值的描述上有所欠缺，主要表现为CLDAS对辽宁西部和黑龙江西南部的土壤相对湿度偏低区域模拟明显偏高，以及在黑龙江的东北部地区对实际土壤相对湿度又有一个模拟偏低的表现。

2.1.2 误差的空间分布

为了评估CLDAS融合土壤相对湿度在东北地区的适用性，根据式（1）−式（4）计算得出2008−2017年东北地区时间技巧评分（ST）、相关性（R）和平均偏差（BIAS）的空间分布（图2、图3）。

一个站点的ST指标反映的是该站点的观测值与CLDAS两种时间序列演变之间的相关性和偏差信息，ST值越接近于1，资料的精度越高，与站点的变化越一致。从图2 可知，ST值由东北地区的西南向东北方向递减，其中，黑龙江的西部及东北部地区是ST值的低值区，其ST<−0.5，黑龙江的中部地区、吉林和辽宁大部分地区是ST值的高值区，基本位于0～1之间，表明CLDAS在这些地区表现较好。

ST值反映的是相关性和偏差的综合信息，为了进一步分析CLDAS资料在东北地区ST值偏低时相关性和偏差的表现，图3给出了2008−2017年CLDAS融合土壤相对湿度与站点观测之间的相关性和偏差分布图，由图可见，除了在黑龙江省的东北部地区CLDAS与站点观测之间有较大偏差外（达到25%），大部分地区偏差均较小，基本位于±15%之间。

总体而言，CLDAS土壤相对湿度资料在东北地区大部（主要是吉林和辽宁二省）适用性较好，黑龙江省适用性相对较差。

图1 2008−2017年东北地区各站点10cm土层土壤相对湿度观测值（a）和0−20cm土层CLDAS融合平均土壤相对湿度（b）的空间分布

图2 2008−2017年CLDAS融合土壤相对湿度与站点观测值的时间技巧评分（ST）的空间分布

2.2 订正结果评估

利用回归订正法和7旬滑动平均订正对CLDAS内插到东北地区站点上的土壤相对湿度产品进行订正，分别得到订正后的CLDAS土壤相对湿度旬资料，回归订正法部分站点的回归系数见表1，CLDAS融合土壤相对湿度产品订正后在东北地区的适用性分布见图4−图6，两种订正方法分别在东北三省的误差统计见表2。

由2008−2017年CLDAS土壤相对湿度经过订正后在东北地区的ST分布图（图4）可以看出，相对未订正的CLDAS融合土壤湿度产品（图4a），经过7旬滑动平均订正和回归订正后的ST评分由未订正的−0.26分别增加至0.23和0.4，订正后CLDAS土壤相对湿度ST评分在东北地区均得到了显著增加，尤其是在黑龙江省，回归订正后的ST评分基本位于0～0.6之间，相比于7旬滑动平均法有显著优势。结合表2分析可知，两种订正方法在吉林和辽宁省效果比较一致，ST值分别由订正前的−0.21和−0.41提高到了0.3和0.4以上，其中7旬滑动平均订正法稍显优势，而对于黑龙江省，回归订正法的ST值明显高于7旬滑动平均法，表明回归订正法效果更好。

图5和图6分别为订正后CLDAS融合土壤相对湿度与站点观测的BIAS和R的空间分布图，结合表2可知，订正后CLDAS融合土壤湿度产品在东北地区的BIAS得到了显著降低，7旬滑动平均订正和回归订正后的BIAS由未订正的6.3%分别下降到0.3%和1.3%，回归订正方法在消除系统偏差中优势明显；而对于相关性，7旬滑动平均法比回归订正法效果更好。

综合来看，两种订正方法在东北地区均有较好的效果，在吉林和辽宁可以选择7旬滑动平均订正法，而黑龙江省选择回归订正法可达到最优的订正效果；通过对订正后的效果评估可以较好地提高CLDAS融合产品对东北地区土壤相对湿度的模拟精度，平均偏差（BIAS）在−0.5%～0.5%，误差在允许范围内，说明订正后的资料能够应用于干旱监测业务，能有效提高土壤干旱监测业务能力。

图3 2008−2017年CLDAS融合土壤相对湿度与站点观测值的相关系数（R）和平均偏差（BIAS）的空间分布

注：相关系数均通过0.05水平的显著性检验。下同。

Note: The R all passed the significance test at the level of 0.05. The same as below.

表1 部分站点信息及其回归订正系数

Table 1 The regression coefficient of partial sites

表2 两种订正方法的误差统计

Table 2 Error statistics of the two revised methods

注Note：J:吉林Jilin, L:辽宁Liaoning, H:黑龙江Heilongjiang, NE:东北地区Northeast of China.

下同。The same as below.

图4 2008−2017年CLDAS融合土壤相对湿度与站点观测值的时间技巧评分（ST）分布

Fig. 4 Distribution of ST between soil relative moisture observation and CLDAS merged soil relative moisture during 2008−2017

图5 2008−2017年CLDAS融合土壤相对湿度与站点观测之间的平均偏差（BIAS）分布 Fig. 5 Distribution of BIAS between soil relative moisture observation and CLDAS merged soil relative moisture during 2008−2017

图6 2008−2017年CLDAS融合土壤相对湿度与站点观测之间的相关系数（R）分布 Fig. 6 Distribution of R between soil relative moisture observation and CLDAS merged soil relative moisture during 2008−2017

3 结论与讨论

随着各陆面数据同化系统的不断深入，通过陆面过程模拟得到中国区域的土壤湿度成为可能[21−22]。国家气象信息中心在CLDAS-1.0的基础上，通过开发多陆面模式模拟、卫星亮温资料同化等，可进一步提升土壤湿度的模拟精度[4]。但是相关学者指出同化产品的精度在很大程度上也取决于背景场的精度及分辨率，对于站点观测资料稀少的地区适用性仍然较低[23]，保鸿燕等[24]指出，土壤湿度的误差在非冻结期主要由模式模拟的降水不准确及降水对土壤湿度的强迫存在一定问题而引起，在冻结期主要由模式的冻融参数化方案导致对土壤的冻融过程模拟不准确而引起，所以在后期应用这些同化产品时，进行误差订正是很有必要的。

（1）CLDAS融合土壤相对湿度能较合理地反映土壤湿度在东北地区的实际空间分布，但是在对极值的描述上有所欠缺，表现在CLDAS对辽宁西部和黑龙江西南部的土壤相对湿度偏低区域模拟明显偏高，以及在黑龙江的东北部地区对实际土壤相对湿度又偏低，说明CLDAS融合土壤相对湿度的空间误差存在较大差异性。

（2）由时间技巧评分的分布可知，CLDAS融合土壤相对湿度资料在东北地区的适用性由西南向东北方向递减，在东北地区大部（主要是吉林和辽宁二省）适用性较好，黑龙江省适用性相对较差，说明融合资料与观测的时间变化偏差各地区也存在差异，是否是冻融参数化方案导致，还需深入研究。

（3）两种订正方法在东北地区均有较好的效果，在吉林和辽宁可以选择7旬滑动平均订正法，而黑龙江省选择回归订正法可达到最优的订正效果。

参考文献 References

[1] 费振宇,孙宏巍,金菊良,等.近50年中国气象干旱危险性的时空格局探讨[J].水电能源科学,2014,32(15):5-10.

Fei Z Y,Sun H W,Jin J L,et alTemporal and spatial patterns of meteorological drought hazard in China for recent 50years[J]. Hydropower Energy Science,2014,32(15):5-10.(in Chinese)

[2] 李忆平,李耀辉.气象干旱指数在中国的适应性研究进展[J].干旱气象,2017,35(5):709-723.

Li Y P,Li Y H.Advances in adaptability of meteorological drought indices in China[J].Journal of Arid Meteorology, 2017,35(5):709-723.(in Chinese)

[3] 徐一丹.基于四种干旱指数的东北地区多时间尺度干旱特征对比分析[D].沈阳:沈阳农业大学,2017.

Xu Y D.Comparative analysis of multi-time scales drought characteristics based on four drought indices in Northeast China[D].Shenyang:Shenyang Agricultural University,2017. (in Chinese)

[4] 韩帅,师春香,林泓锦,等.CLDAS土壤湿度业务产品的干旱监测应用[J].冰川冻土,2015,37(2):446-453.

Han S,Shi C X,Lin J H,et al.The CLDAS soil moisture operation products applied to minitor soil drought[J].Journal of Glaciology and Geocryology,2015,37(2):446-453.(in Chinese)

[5] 朱娴韵,苏布达,黄金龙,等.云南气候变化高分辨率模拟与RCP4.5情景预估[J].长江流域资源与环境,2015,24(3): 476-481.

Zhu X Y,Su B D,Huang J L,et al.Simulation of climatic change in Yunnan Province and RCP4.5 scenario projected trend by CCLM[J].Resources and Environment in the Yangtze Basin,2015,24(3):476-481.(in Chinese)

[6] Mitchell K E,Lohmann D,Houser P R,et al.The multi- institution North American Land Data Assimilation System (NLDAS):utilizing multiple GCIP products and partners in a continental distributed hydrological modeling system[J]. Journal of Geophysical Research,2004,109(D07):101-130.

[7] Van den Hurk B,et al.Overview of the European Land Data Assimilation(ELDAS) project[J].EOS Trans,2002,83(47):H62D- 0888.

[8] Rodell M,Houser P,Jambor U,et al.Status and availability of results from NASAs Global Land Data Assimilation System [J].EOS Trans,2002,83(19),B41A-04.

[9] 李新,南卓铜,吴立宗,等.中国西部环境与生态科学数据中心:面向西部环境与生态科学的数据集成与共享[J]. 地球科学进展,2008,23(6):628-637.

Li X,Nan Z T,Wu L Z,et al.Environmental and Ecological Science Data Center for West China:integration and sharing of environmental and ecological data[J].Advances in Earth Science,2008,23(6):628-637.(in Chinese)

[10] 师春香.基于ENKF算法的卫星遥感土壤湿度同化研究[D].北京:中国科学院研究生院,2008.

Shi C X.China land soil moisture ENKF data assimilation based on satellite remote sensing data[D].Beijing:Graduate School of Chinese Academy of Sciences,2008.(in Chinese)

[11] Chen Y Y,Yang K,Qin J,et al.Evaluation of AMSR-Eretrievals and GLDAS simulations against observations of a soil moisture net work on the central Qinghai-Xizang Plateau [J].Journal of Geophysical Research:Atmospheres,2013,118 (10):4466-4475.

[12] 韩帅,师春香,姜立鹏,等.CLDAS土壤湿度模拟结果及评估[J].应用气象学报,2017,28(3):369-378.

Han S,Shi C X,Jiang L P,et al.The simulation and evaluation of soil moisture based on CLDAS[J].J Appl Meteor Sci,2017, 28(3): 369-378. (in Chinese)

[13] 崔园园,覃军,敬文琪,等.GLDAS和CLDAS融合土壤水分产品在青藏高原地区的适用性评估[J].高原气象,2018,37 (1):123-136.

Cui Y Y,Qin J,Jing W Q,et al.Applicability evaluation of merged soil moisture in GLDAS and CLDAS products over Qinghai-Tibetan[J].Plateau Meteorology,2018,37(1):123-136. (in Chinese)

[14] 崔园园,敬文琪,覃军.基于TIPEX Ⅲ资料对CLDAS-V2.0和GLDAS-NOAH陆面模式产品在青藏高原地区的适用性评估[J].高原气象,2018,37(5):1143-1160.

Cui Y Y,Jing W Q,Qin J.Applicability evaluation of merged soil moisture in GLDAS-NOAH and CLDAS-V2.0 products over Qinghai-Xizang Plateau of 2015 based on TIPEX Ⅲ observations[J].Plateau Meteorology,2018,37(5):1143-1160. (in Chinese)

[15] 钱正安,宋敏红,李万源,等.全球、中蒙干旱区及其部分地区降水分布细节[J].高原气象,2011,30(1):1-12.

Qian Z A,Song M H,Li W Y,et al.Global,China-Mongolia Arid-and Semiarid-Areas(CMASA) and the details of precipitation distribution in part regions of CMASA[J]. Plateau Meteorology,2011,30(1):1-12.(in Chinese)

[16] 张强,张良,崔显成,等.干旱监测与评价技术的发展及其科学挑战[J].地球科学进展,2011,26(7):763-778.

Zhang Q,Zhang L,Cui X C,et al.Progresses and challenges in drought assessment and monitoring[J].Advances in Earth Science,2011,26(7):763-778.(in Chinese)

[17] 张强,韩兰英,张立阳,等.论气候变暖背景下干旱和干旱灾害风险特征与管理策略[J].地球科学进展,2014,29(1): 80-91.

Zhang Q,Han L Y,Zhang L Y,et al.Analysis on the character and management strategy of drought disaster and risk under the climatic warming[J].Advances in Earth Science,2014,29 (1):80-91.(in Chinese)

[18] 邹旭恺,张强.近半个世纪我国干旱变化的初步研究[J].应用气象学报,2008,19(6):679-686.

Zou X K,Zhang Q.Preliminary studies on variations in droughts over China during past 50 years[J].Journal of Applied Meteorological Science,2008,19(6):679-686.(in Chinese)

[19] 王飞,朱仲元,郝祥云,等.雪深再分析资料在锡林浩特地区的适用性评价[J].中国农业气象,2019,40(2):76-85.

Wang F,Zhu Z Y,Hao X Y,et al.Applicability evaluation of snow depth reanalysis data in Xilinhot and its surrounding areas[J].Chinese Journal of Agrometeorology,2019,40(2): 76-85.(in Chinese)

[20] Pierce D W,Barnett T P,Santer B D,et al.Selecting global climate models for regional climate change studies[J]. Proceedings of the National Academy of Sciences,2009, 106(21):8441-8446.

[21] 罗立辉,张耀南,周剑,等.基于WRF驱动的CLM模型对青藏高原地区陆面过程模拟研究[J].冰川冻土,2013,35(3): 553-564.

Luo L H,Zhang Y N,Zhou J,et al.Simulation and application of the land surface model CLM driven by WRF in the Tibetan Plateau[J].Journal of Glaciology and Geocryology, 2013,35(3):553-564.(in Chinese)

[22] 李新,黄春林,车涛,等.中国陆面数据同化系统研究的进展与前瞻[J].自然科学进展,2007,17(2):163-173.

Li X,Huang C L,Che T,et al.Progress and foresight in the study of Chinese land data assimilation system[J].Natural Science Progress,2007,17(2):163-173.(in Chinese)

[23] 龚建东.同化技术:数值天气预报突破的关键:以欧洲中期天气预报中心同化技术演进为例[J].气象科技进展,2013,3 (3):6-13.

Gong J D.Data assimilation:a key technology for NWP:technical review of data assimilation in ECMWF[J]. Advances in Meteorological Science and Technology,2013, 3(3):6-13.(in Chinese)

[24] 保鸿燕,杨凯,李一玲,等. GLDAS土壤湿度在青藏高原地区的误差及其原因[A].S8数值模式产品应用与评估[C].西安:中国气象学会年会,2016.

Bao H Y,Yang K,Li Y L,et al.Error of GLDAS soil moistrue product in Tibetan Plateau region and its cause[A].S8 application and evaluation of numerical model products [A].Xi’an:Chinese Meteorology Society,2016.(in Chinese)

Applicability Evaluation of CLDAS Merged Soil Relative Moisture in Northeast of China and Its Correction Research

CUI Yuan-yuan1，ZHANG Qiang2, QIN Jun3，JING Wen-qi4

(1. Hebei Meteorological Observatory, Shijiazhuang 050000, China;2. Laboratory for Climate Studies, Chinese Meteorological Administration, National Climate Center, Beijing 100081;3. School of Environmental Studies, China University of Geosciences(Wuhan), Wuhan 430074;4. Meteorological Observatory of 94758 Troops, Ningde, Fujian 355103)

Abstract: Using observed soil relative moisture data at 10cm layer, the applicability of CLDAS（CMA Land Data Assimilation System）merged soil relative moisture at 0−20cm layer was tested and verified by calculating the correlation coefficient and bias between the CLDAS product and in-situ soil moisture observation in Northeast of China during 2008−2017. The results showed that CLDAS merged soil relative moisture data could reasonably reflect the actual spatial distribution of soil moisture at a depth of 10cm in Northeast of China, however, it was not very excellent at the extreme values’ performance. CLDAS merged soil relative moisture data was obviously higher than actual site observations in western of Liaoning province and southwestern of Heilongjiang province, while the simulation was lower than the actual soil relative moisture in northeastern of Heilongjiang province. The applicability of CLDAS product in Northeast of China decreases from southwest to northeast and was better in Jilin and Liaoning provinces. Furthermore, further analysis found that the poor applicability was mainly caused by the low correlation between CLDAS and site observation in Heilongjiang province. Finally, the error of CLDAS product was corrected by regression correction method and 7 ten-day sliding average correction method. The result greatly improves the accuracy of CLDAS product, and the revised products could be applied to soil moisture drought monitoring business.

Key words: Northeast of China; CLDAS merged soil relative moisture product; CLDAS merged product; Regress correction method; 7 ten-day sliding average correction method; Applicability evaluate

doi:10.3969/j.issn.1000-6362.2019.10.006

崔园园,张强,覃军,等.CLDAS融合土壤湿度产品在东北地区的适用性评估及订正[J].中国农业气象,2019,40(10):660-668

*收稿日期：2019−02−16

**通讯作者。E-mail:zhq62@cma.gov.cn

基金项目：国家重点研发计划重大自然灾害监测预警与防范重点专项（2017YFC1502402）

作者简介：崔园园（1991−），硕士生，助理工程师，主要从事气象资料质量控制研究。E-mail：doubleyuancui@foxmail.com