辽宁省生长季CLDAS土壤相对湿度产品的评估检验*

刘东明，吴门新，侯英雨，陈鹏狮，张微玮，王贺然

辽宁省生长季CLDAS土壤相对湿度产品的评估检验*

刘东明1，吴门新2**，侯英雨2，陈鹏狮1，张微玮1，王贺然1

（1．辽宁省生态气象和卫星遥感中心，沈阳 110166；2．国家气象中心，北京 100081）

基于辽宁省2020年生长季（5-10月）逐日自动土壤水分站观测资料，利用相关系数（r）、均方根误差（RSME）、平均绝对误差（MAE）和偏差（ME）等统计评估指标对0-10cm、0-20cm和0-50cm层次的CLDAS（中国气象局陆面数据同化系统）土壤相对湿度产品在辽宁省的模拟表现进行评估检验，以确定其在辽宁省的适用性。结果表明，3个土壤层次的CLDAS土壤相对湿度模拟结果与观测值在时间尺度上存在趋势一致性，具有显著的正相关。生长季内辽宁省CLDAS平均土壤相对湿度模拟结果整体偏高，CLDAS对土壤相对湿度在60%～90%之间的模拟效果较好，对偏湿状态（RSM＞90%）和偏干状态（RSM＜60%）的模拟效果欠佳。3个层次的CLDAS土壤相对湿度模拟结果与观测值存在一致的空间变化趋势，总体呈西低东高趋势分布。CLDAS土壤相对湿度模拟结果与观测值呈显著正相关关系，0-20cm和0-50cm层次上全省大部地区相关系数超过0.8。误差评估结果在全省范围内的分布趋势一致，辽宁东部、南部和西部的误差较小，北部和中部的部分地区误差较大，在康平—彰武—新民—台安一线出现误差异常高值区。CLDAS土壤相对湿度模拟结果在辽宁省具有较强的适用性和稳定性，能够较好地反映土壤水分盈亏变化状况。

CLDAS；土壤相对湿度；辽宁省；评估检验

农业干旱是因降水少、气温高等因素导致的土壤墒情降低，而影响农作物正常生长发育的自然灾害[1]，干旱灾害已成为中国三大自然灾害之一[2−3]。在全球气候变暖背景下，干旱灾害愈加频繁，对农作物的影响日益严重[4]。研究表明，近几十年辽宁省干旱事件频繁发生[5−7]，2013-2018年多次发生全省或区域性干旱事件，准确有效地监测农业干旱的发生发展过程，对于保障粮食安全具有重要意义[8]。农业干旱的监测手段主要有干旱指数、土壤水分观测和卫星遥感等[9]。常见的干旱指数有水分亏缺距平指数（CWDIa）[10]、蒸发需求干旱指数（EDDI）[11]和标准化降水蒸散指数（SPEI）[12]等。受到指数模型和气象观测站点布局等因素的制约，干旱指数对干旱过程的准确性和精细化程度反映不足[13]。土壤水分观测手段能够直观、准确地反映土壤中水分盈亏状况[14−15]。但受到站网布局、仪器性能和土壤性状等因素影响，不能精细化反映土壤水分空间分布情况[16−17]。卫星遥感手段主要包括光学遥感和微波遥感技术实现土壤水分监测，其具有高空间分辨率等特点[18−19]。受到天空状况、重返周期等因素影响，卫星遥感监测的及时性和准确性还有待提高。

近年来，随着陆面模式和同化技术的不断发展，通过融合不同空间分辨率的多源数据生成了多种陆面融合资料。国际上主流的陆面数据同化系统主要有全球陆面数据同化系统（Global Land Data Assimilation System，GLDAS）[20]、北美陆面数据同化系统（North-American Land Data Assimilation System，NLDAS）、欧洲陆面数据同化系统（ECMWF Land Data Assimilation System，ECMWF LDAS）等[21]。中国气象局陆面数据同化系统（CMA Land Data Assimilation System，CLDAS）于2017年底集成了土壤温湿度同化技术，得到了高分辨率的土壤温度、湿度等数据产品，并对土壤温湿度产品进行了适用性评估[22−24]。韩帅等对CLDAS土壤湿度模拟结果进行评估显示，CLDAS土壤湿度模拟结果在中国区域具有较高精度，对干旱监测等具有重要意义[25]。

为剔除辽宁省土壤冻结对CLDAS融合数据准确性的影响[26]，同时满足辽宁省大田作物生长期内开展土壤相对湿度（Relative Soil Moisture，RSM）监测需求，本研究选取辽宁省34个自动土壤水分观测站2020年5-10月逐日土壤相对湿度观测数据，对逐日CLDAS融合土壤相对湿度进行定量评估检验，以期了解CLDAS融合土壤相对湿度数据在辽宁省的适用性，为CLDAS的应用和模式改进提供参考，为该产品在辽宁省生长季开展土壤墒情监测精细化服务提供决策依据。

1 资料与方法

1.1 研究区域

辽宁省（38−44°N，118−126°E）面积14.8万km2，大致为南北走向，西部为丘陵地带、中部为辽河平原、东部是山区，主要为长白山余脉。气候主要为温带大陆性季风气候，雨热同期，四季分明，作物生长季（5−10月）内降水量在390～920mm。受西风带和地形等影响，区域内降水分布不均，呈东部多、西部少，造成东部土壤易涝区和西部土壤易旱区。

1.2 资料来源及处理

1.2.1 CMA陆面数据同化系统（CLDAS-V2.0）

CLDAS-V2.0是国家气象信息中心发布的中国气象局陆面数据同化系统第二版，通过融合多源数据获得亚洲地区的气温、气压、土壤温湿度等格点数据[25]。本研究使用2020年5月1日−10月31日（作物生长季）逐日的土壤相对湿度数据，格点产品覆盖范围为辽宁区域（38−44°N、118−126°E），空间分辨率为0.0625°×0.0625°，土壤相对湿度层次分别为0−10cm、0−20cm和0−50cm。

1.2.2 自动土壤水分观测数据

选取与CLDAS产品时间相对应的辽宁省自动土壤水分观测站逐日10−50cm间隔10cm（5层）土壤相对湿度数据。通过界限极值检查、异常增大检查、异常减小检查和异常恒定检查等质量控制[27−28]，剔除样本数较少的站点，最终选取34个站点的数据与CLDAS产品进行对比分析，站点分布如图1。

利用双线性插值法将CLDAS格点数据插值到自动土壤水分站点，选择自动土壤水分站点10cm、10−20cm平均值和10−50cm平均值分别与CLDAS产品的0−10cm、0−20cm和0−50cm数据进行对比研究。

图1 辽宁省34个自动土壤水分观测站点分布

1.3 插值方法

1.3.1 双线性插值（Bilinear Interpolation, BI）

采用双线性插值方法将格点数据插值到站点上与站点数据进行对比分析。选取站点邻近的4个格点，利用4个格点的土壤相对湿度值，在2个方向上分别进行1次线性插值，按照格点与站点的分配权重，并最终通过线性插值获得站点插值结果。x轴方向线性插值获取S1和S2值，计算式分别为

y轴方向线性插值获取插值结果S值，计算式为

式（1）−式（3）中，站点为M（x，y），q1、q2、q3、q4分别为4个邻近格点（x1，y1）、（x2，y1）、（x1，y2）和（x2，y2）的土壤相对湿度值，S为插值后站点M的土壤相对湿度值。

1.3.2 反距离权重插值（Inverse Distance Weighted, IDW）

反距离权重插值方法是通过被插值点附近样本点的值对其进行估算。利用样本点与被插值点的距离分别对样本点值赋予相应的权重，距离被插值点越近的样本点权重越大，反之越小。利用反距离权重插值方法把站点数据插值到网格点上，使其能够与CLDAS数据开展空间对比分析。反距离权重插值方法计算式为

式（4）−式（5）中，di为第i个样本点（xi，yi）与格点N的距离，qi为第i个样本点的值，n为样本总数，S为被插值格点N（x，y）的土壤相对湿度值，β为距离的幂，通常为2。

1.4 评估方法

采用相关系数（r）、均方根误差（RSME）、平均绝对误差（MAE）和偏差（ME）等统计方法对CLDAS土壤相对湿度数据进行评估，计算式为

2 结果与分析

2.1 各土层CLDAS土壤相对湿度数值逐日变化检验

2.1.1 与全区平均逐日观测值对比

利用双线性插值方法将逐日CLDAS格点数据插值到自动土壤水分站点，并进行全省平均获得辽宁省0−10cm、0−20cm和0−50cm土层逐日CLDAS土壤相对湿度模拟值和自动土壤水分观测值（图2）。由图2可知，土壤相对湿度模拟值与观测值在0−10cm、0−20cm和0−50cm层次上均具有较好的一致性，且相关性显著，3个土层的相关系数分别为0.926、0.947和0.953，均通过0.01水平的显著性检验。整个生长季CLDAS土壤相对湿度模拟结果整体偏高，平均绝对误差（MAE）显示，随着土壤深度增加，平均绝对误差下降明显。其中，0−10cm的平均绝对误差最大，为15.5个百分点；0−20cm误差次之；0−50cm误差最小，为4.8个百分点。3个层次的CLDAS土壤相对湿度在8月下旬−9月上旬的模拟效果远好于其它时段，而在发生了严重夏旱的6月上旬−8月上旬模拟结果较差，表明在辽宁省作物生长季内CLDAS土壤相对湿度模拟结果整体偏高，对偏干状态（土壤相对湿度RSM＜60%）模拟效果偏差，而对墒情适宜状态（60%≤RSM≤90%）模拟效果较好。8月中旬−9月中旬，强降水造成0−10cm和0-20cm土层土壤墒情过饱和（RSM＞90%），土壤相对湿度观测值和模拟值均有一致的响应信号。

2.1.2 与典型站点逐日观测值对比

由于辽宁省不同区域下垫面差异较大，降水分布不均等影响，全省取平均值后降低了空间差异对误差评估结果的影响，提高了模拟结果与观测值之间的相关性。为研究不同区域CLDAS土壤相对湿度模拟效果，在辽宁省东部、南部、西部、北部和中部分别选择新宾、大洼、朝阳、西丰和沈北新区5个典型站点，对5个典型站的0−10cm、0−20cm和0−50cm的土壤相对湿度（RSM）实测值与对应的CLDAS模拟值进行对比分析（图3），并对各典型站点进行检验评估（表1）。

图3绘制了5个典型站2020年5月1日−10月31日0−10cm、0−20cm和0−50cm土层的土壤相对湿度观测值和CLDAS模拟值的时间序列。由图可见，5个典型站点的CLDAS模拟结果与土壤相对湿度观测结果的变化趋势基本一致，但振幅变化差异较大。对模拟结果进行检验评估显示（表1），5个典型站点的各层相关系数均大于0.4，均稳定通过0.01水平的显著性检验。CLDAS模拟值与土壤相对湿度观测值存在明显的正相关，相关系数最大值出现在沈北新区的0−50cm土层，为0.902；最小值为0.424，出现在朝阳站的0−50cm土层。从偏差上看，新宾、朝阳和沈北新区模拟值大于或接近观测值，偏差值均为正，其中偏差最大的为新宾站0−10cm土层，达28.5个百分点；大洼和西丰的模拟值均小于或接近观测值，偏差值为负，偏差最小值出现在西丰站0−50cm土层，为−37.3个百分点。平均绝对误差显示，西丰站、朝阳站和新宾站0−10cm的平均绝对误差较大，最大值出现在西丰站0−50cm土层，为37.3个百分点。图3显示，除6−7月以外，西丰站各层土壤相对湿度观测值与CLDAS模拟值误差较大，表明CLDAS模拟结果对偏湿状态（RSM＞90%）模拟效果较差。朝阳站模拟误差主要出现在5−6月和10月，该时段观测值显示土壤相对湿度均在60%以下，而CLDAS对相对湿度小于60%以下的偏干状态模拟效果也不理想。6−7月的新宾站和沈北新区站也出现了对偏干状态模拟误差偏大的情况。自动土壤水分观测数据对降水反映较为明显，以新宾站为例，8月31日−9月10日该站出现多次明显降水，累计降水量为172.7mm。强降水造成土壤墒情过饱和，自动土壤水分站观测数据剧烈波动，而CLDAS土壤相对湿度数据相对比较平稳。综上所述，CLDAS土壤相对湿度模拟结果与观测值在时间尺度上存在趋势一致性，且具有显著的正相关；CLDAS对土壤相对湿度在60%～90%之间的模拟效果较好，对偏湿状态（RSM＞90%）和偏干状态（RSM＜60%）的模拟结果效果较差。

图2 辽宁省土壤相对湿度观测值与CLDAS模拟值逐日变化对比

表1 辽宁省5个典型站点生长季（5−10月）CLDAS土壤相对湿度评估结果

注：*、**分别表示相关系数通过0.05、0.01水平的显著性检验。下同。

Note:*is P<0.05，**is P<0.01. The same as below.

2.2 CLDAS土壤相对湿度数值的空间变化检验

2.2.1 与各土层实测数据平均值分布对比

利用反距离权重插值方法将自动土壤水分站10cm、10−20cm和10−50cm土层逐日土壤相对湿度数据插值到分辨率为0.0625°的空间网格点上，形成3个土层逐日土壤水分观测值格点数据集，再对研究时段内求平均值，获得3个层次土壤相对湿度观测值的空间分布（图4a−图4c）。求取研究时段内3个层次的逐日CLDAS土壤相对湿度平均值，得到不同层次土壤相对湿度模拟值的空间分布（图4d−图4f）。

图3 2020年典型站点各层土壤相对湿度观测值与CLDAS模拟值逐日变化对比

从图4a−图4c可以看出，辽宁省2020年生长季（5−10月）土壤相对湿度在3个层次均呈西低东高走势。受降水、下垫面类型等影响，西部丘陵土壤相对湿度明显小于东部山区。分层来看，3个层次均存在辽宁东北部和东南部2个土壤相对湿度高值区；低值中心随着土壤厚度增加存在偏西趋势，10cm土壤相对湿度低值中心位于北票—台安一带，10−20cm的低值中心偏移至朝阳县，10−50cm的低值中心移至喀左—凌源一带。图4d−图4f分别显示了CLDAS模拟的0−10cm、0−20cm和0−50cm层次土壤相对湿度空间分布。从图中可见，CLDAS模拟结果与观测值存在一致的空间变化趋势，3个层次土壤相对湿度总体呈现西低东高分布。分析不同层次模拟结果发现，3个层次模拟结果垂直变化较小，表明CLDAS模拟结果比较稳定，纵向变化较小，主要集中在60%～90%。对比模拟结果与观测值的空间分布可见，3个层次在低值区的模拟结果较观测值偏大，对偏干地区（RSM<60%）的模拟空间范围较小，模拟的低值中心均出现在盘锦地区；模拟结果存在2个偏湿地区（RSM>90%），分别为辽宁东部山区和彰武—新民—辽中一线。对于辽宁东部的偏湿地区，模拟与观测结果较一致。彰武—新民—辽中一线的模拟偏湿结果与观测值存在明显差异，诸多学者研究表明[5−6]，该地区受地形及下垫面影响，常年土壤墒情较差，在该区域CLDAS的模拟结果与实测值存在明显偏差。

图4 辽宁省2020年生长季（5−10月平均值）各层土壤相对湿度观测值（a−c）和CLDAS模拟值（d−f）的空间分布

2.2.2 与各土层实测数据序列的相关系数

利用2020年生长季内分辨率为0.0625°的逐日自动土壤水分站格点数据集与逐日CLDAS土壤相对湿度格点数据集构建逐个格点上时间序列，并计算每个格点上0−10cm、0−20cm和0−50cm土层CLDAS土壤相对湿度模拟值与观测值的相关系数、均方根误差（RSME）、平均绝对误差（MAE）和偏差（ME）。图5给出了辽宁省生长季内3个层次土壤相对湿度模拟结果与观测值的相关性。从图5中可以看出，3个层次土壤相对湿度的相关系数介于0.30～0.95之间，CLDAS模拟结果与观测值呈显著正相关。土壤相对湿度模拟结果相关系数空间分布显示，3个层次的相关系数低值区均出现在辽宁西部和东部，其它大部地区相关性均达到0.75以上。从相关性上看，随着土壤厚度增加，相关性越好，0−50cm层次的相关性最高，0−10cm层次的相关性最低。结合时间变化分析可知，浅层土壤相对湿度变化幅度较深层土壤大，而CLDAS模拟结果对极值模拟效果较差，造成浅层土壤相关性小于深层土壤。从0−20cm和0−50cm层次土壤相对湿度相关系数空间分布可见（图5b和5c），全省大部地区相关系数大于0.85，相关系数高值区主要分布于辽宁中部、南部和北部，表明CLDAS模拟结果在辽宁省大部地区具有较好的适用性。

图5 辽宁省各层土壤相对湿度实测值与CLDAS模拟值的相关系数空间分布

2.2.3 与各土层实测数据的误差分布

图6a−图6c分别反映了辽宁省2020年生长季内0−10cm、0−20cm和0−50cm层次土壤相对湿度模拟值与观测值均方根误差（RSME）的空间分布。由图可见，3个土壤层次的均方根误差总体处于5%～40%，以0−50cm最小，RSME主要介于5%～20%；0−10cm的均方根误差最大，主要介于10%～30%。从空间尺度上看，3个层次均方根误差分布呈总体一致性，辽宁东部、南部和西部均方根误差较小；均方根误差大值区主要分布于辽宁北部和中部。康平—彰武—新民—台安一线的均方根误差大于40%，出现明显的大值区。

图6d−图6f分别是辽宁省2020年生长季内3个层次土壤相对湿度的平均绝对误差（MAE）空间分布。空间尺度上看，3个层次土壤相对湿度的平均绝对误差均总体小于20个百分点，主要分布于辽宁东部、南部和西部。3个土层的平均绝对误差相比较发现，0−50cm的平均绝对误差最小，0−20cm次之，0−10cm误差最大。平均绝对误差大值区亦出现在康平—彰武—新民—台安一线，均大于40%。综合均方根误差和平均绝对误差可见，两种误差评估结果在全省范围内反映的趋势一致，即辽宁东部、南部和西部的误差较小，北部和中部的部分地区误差较大，尤其在康平—彰武—新民—台安一线出现误差异常高值区。纵向来看，0−50cm土层相对湿度误差最小，0−20cm次之，0−10cm误差最大。

图6 辽宁省各层土壤相对湿度观测值与CLDAS模拟值的RSME、MAE和ME的空间分布

图6g−图6i为辽宁省2020年生长季3个层次土壤相对湿度模拟值与观测值偏差（ME）的空间分布。由图6g可以看出，CLDAS土壤相对湿度在0−10cm土层的模拟结果在全省范围内均存在正偏差，偏差范围主要在0～40%，反映了0−10cm土层模拟结果总体偏大，偏差较大地区主要分布于新民—台安和北票—凌海。CLDAS土壤相对湿度在0−20cm土层模拟结果总体较好，全省偏差主要介于−20%～20%之间（图6h）。CLDAS土壤相对湿度0−50cm土层模拟结果负偏差空间范围较0−20cm土层扩大，负偏差主要分布于辽宁东部和南部（图6i）。总体来说，随着土壤深度增加，土壤相对湿度模拟结果偏差逐渐减小，并存在从正偏差向负偏差转变趋势。

3 结论与讨论

3.1 结论

基于辽宁省2020年生长季自动土壤水分站逐日观测资料，利用统计评估指标和方法对3个层次的CLDAS土壤相对湿度产品在辽宁省的模拟表现进行检验分析。研究表明，在0−10cm、0−20cm和0−50cm层次上CLDAS土壤相对湿度模拟结果与观测值在时间尺度上存在趋势一致性，具有显著的正相关。生长季内辽宁省CLDAS平均土壤相对湿度模拟结果整体偏高，CLDAS对土壤相对湿度在60%～90%之间的模拟效果较好，对偏湿状态（RSM＞90%）和偏干状态（RSM＜60%）的模拟结果效果较差。从平均绝对误差上看，浅层土壤相对湿度模拟误差大于深层土壤。从典型站上看，新宾、朝阳和沈北新区存在明显的正偏差，大洼和西丰的负偏差显著。

空间尺度上，0−10cm、0−20cm和0−50cm层次上CLDAS土壤相对湿度模拟结果与自动土壤水分站观测值存在一致的空间变化趋势，总体呈西低东高趋势分布。CLDAS模拟结果低值中心出现在盘锦地区，自动土壤水分观测结果的低值中心出现在辽西地区。高值中心落区在彰武—新民—辽中一线。相关性上，0−20cm和0−50cm层次上辽宁省大部地区相关系数超过0.8，CLDAS土壤相对湿度模拟结果与观测值呈显著正相关。误差方面，误差评估结果在全省范围内反映的趋势一致，即辽宁东部、南部和西部的误差较小，北部和中部的部分地区误差较大，尤其在康平—彰武—新民—台安一线出现误差异常高值区。纵向来看，0−50cm土壤相对湿度误差最小，0−20cm次之，0−10cm误差最大。随着土壤深度增加，土壤相对湿度模拟结果偏差逐渐减小，并存在从正偏差向负偏差转变趋势。CLDAS土壤相对湿度模拟结果在辽宁省具有较强的适用性和稳定性，能够较好地反映土壤水分盈亏变化状况。

3.2 讨论

利用自动土壤水分站逐日观测的土壤相对湿度数据对CLDAS模拟结果进行检验显示，二者在辽宁省大部地区具有相关性好、误差低、稳定性高等特点。CLDAS土壤相对湿度数据在辽宁地区具有较好的适用性。但亦存在局部地区相关性较小、误差偏大等问题，尤其是康平、彰武、新民、台安等地区，出现了偏差高值区。这些地区在0−20cm和0−50cm层次具有较高的相关性，表明CLDAS在该地区具有良好的稳定性，但偏差较大，今后利用CLDAS数据对该地区进行土壤水分监测需进行订正，以期更好地反映土壤水分盈亏状况。

当前土壤墒情监测业务主要依赖自动土壤水分观测站和人工土壤水分观测结果开展服务，存在站点稀疏或观测时间尺度大等问题，无法满足土壤墒情精细化监测需求。CLDAS系统业务化应用对开展土壤墒情精细化监测具有重要意义。前文分析结果显示，CLDAS土壤墒情模拟结果对极值模拟效果较弱，更好地开展土壤墒情精细化监测，对CLDAS土壤相对湿度模拟结果进行订正是十分必要的。崔园园等利用回归订正法和7旬滑动平均订正法对东北地区逐旬土壤相对湿度进行了订正，取得较好效果[26]。但利用逐日CLDAS土壤相对湿度数据开展土壤墒情监测，需要对其进行空间尺度上的订正，所采用的订正方法以及非观测站点地区的订正效果检验有待进一步深入研究。

[1] 袁文平,周广胜.干旱指标的理论分析与研究展望[J].地球科学进展,2004,19(6):982-991.

Yuan W P,Zhou G S.Theoratical study and research prospect on drought indices[J].Advances in Earth Science, 2004,19(6):982-991.(in Chinese)

[2] 赵佳琪,张强,朱秀迪,等.中国旱灾风险定量评估[J].生态学报,2021,41(3):1021-1031.

Zhao J Q,Zhang Q,Zhu X D,et al.Quantitative assessment of drought risk in China[J].Acta Ecologica Sinica,2021,41 (3):1021-1031.(in Chinese)

[3] 管晓丹,石瑞,孔祥宁,等.全球变化背景下半干旱区陆气机制研究综述[J].地球科学进展,2018,33(10):995-1004.

Guan X D,Shi R,Kong X N,et al.An overview of researches on land-atmosphere interaction over semi-arid region under global changes[J].Advances in Earth Science,2018,33(10): 995-1004.(in Chinese)

[4] IPCC.Climate change 2014:synthesis report.Contribution of Working Groups I, II and III to the Fifth assessment report of the intergovernmental panel on climate change[R]. Geneva,Switzerland:IPCC,2014.

[5] 张运福,房一禾,龚强.基于SPEI指数的辽宁省生长季干旱时空特征[J].生态学杂志,2017,36(1):190-197.

Zhang Y F,Fang Y H,Gong Q.Analysis of temporal and spatial characteristics of growing season drought in Liaoning Province based on standardized precipitation- evapotranspiration index[J].Chinese Journal of Ecology, 2017,36(1):190-197.(in Chinese)

[6] 吴琼,赵春雨,王大钧,等.1951-2014年辽宁省气象干旱时空特征分析[J].干旱区资源与环境,2016,30(3):151-157.

Wu Q,Zhao C Y,Wang D J,et al.Spatial and temporal characteristics of meteorological drought in Liaoning Province from 1951 to 2014[J].Journal of Arid Land Resources and Environment,2016,30(3):151-157.(in Chinese)

[7] 高西宁,徐庆喆,丛俊霞,等.基于标准化降水指数的辽宁省近54年干旱时空规律分析[J].生态环境学报,2015,24(11): 1851-1857.

Gao X N,Xu Q Z,Cong J X,et al.Temporal and spatial patterns of droughts based on standard precipitation index(SPI) in Liaoning Province in recent 54a[J].Ecology and Environmental Sciences,2015,24(11):1851-1857.(in Chinese)

[8] 刘东明,纪瑞鹏,陈鹏狮,等.蒸发需求干旱指数(EDDI)在辽宁省干旱识别中的应用[J].应用生态学报,2020, 31(10): 3480-3488.

Liu D M,Ji R P,Chen P S,et al.Application of evaporative demand drought index(EDDI) in drought identification of Liaoning Province,China[J].Chinese Journal of Applied Ecology,2020,31(10):3480-3488.(in Chinese)

[9] 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)

[10] 魏堃,张勃,马尚谦,等.甘肃省河东地区春玉米干旱演变特征及灾损风险区划[J].干旱地区农业研究,2019,37(6): 238-247.

Wei K,Zhang B,Ma S Q,et al.Drought evolution characteristics and risk zoning of spring maize in Hedong of Gansu Province[J].Agricultural Research in the Arid Areas,2019,37(6):238-247.(in Chinese)

[11] Hobbins M，Wood A，McEvoy D J. et al.The evaporative demand drought index(part I):Linking drought evolution to variations in evaporative demand[J].Journal of Hydrometeorology, 2016,17(6):1745-1761.

[12] Vicente-Serrano S M,Begueria S,Lopez-Moreno J I.A multiscalar drought index sensitive to global warming:the standardized precipitation evapotranspiration index[J].Journal of climate,2010,23(7):1696-1718.

[13] 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)

[14] 朱青,廖凯华,赖晓明,等.流域多尺度土壤水分监测与模拟研究进展[J].地理科学进展,2019,38(8):1150-1158.

Zhu Q,Liao K H,Lai X M,et al.A review of soil water monitoring and modelling across spatial scales in the watershed[J].Progress in Geography,2019,38(8):1150-1158. (in Chinese)

[15] Dai A.Drought under global warming:a review[J].Wiley Interdisciplinary Reviews:Climate Change,2011,2(1):45-65.

[16] 刘宪锋,朱秀芳,潘耀忠,等.农业干旱监测研究进展与展望[J].地理学报,2015,70(11):1835-1848.

Liu X F,Zhu X F,Pan Y Z,et al.Agricultural drought monitor: Progress,challenges and prospect[J].Acta Geographica Sinica, 2015,70(11):1835-1848.(in Chinese)

[17] 吴泽棉,邱建秀,刘苏峡,等.基于土壤水分的农业干旱监测研究进展[J].地理科学进展,2020,39(10):1758-1769.

Wu Z M,Qiu J X,Liu S X,et al.Advances in agricultural drought monitoring based on soil moisture[J].Progress in Geography,2020,39(10):1758-1769.(in Chinese)

[18] 赵天杰.被动微波反演土壤水分的L波段新发展及未来展望[J].地理科学进展,2018,37(2):198-213.

Zhao T J.Recent advances of L-band application in the passive microwave remote sensing of soil moisture and its prospects[J].Progress in Geography,2018,37(2):198-213.(in Chinese)

[19] 王雅正,杨元建,刘超,等.风云三号卫星微波遥感土壤水分产品在山东地区的适用性分析[J].中国农业气象,2021, 42(4):318-329.

Wang Y Z,Yang Y J,Liu C,et al.Analysis on the applicability of Fengyun-3 satellite microwave remote sensing soil moisture products in Shandong[J].Chinese Journal of Agrometeorology,2021,42(4):318-329.(in Chinese)

[20] Rodell M, Houser P R,Jambor U E A,et al.The global land data assimilation system[J].Bull Am Meteor Soc,2004, 85(3):381-394.

[21] Zou L,Gao W,Xu X,et al.A 3DVAR land data assimilation scheme(Part 2).Test with ECMWF ERA-40[P].Proc Spie, 2006,7(1):6298-6310.

[22] 龚伟伟.CMA陆面数据同化系统(CLDAS)产品评估[D].南京:南京信息工程大学,2014.

Gong W W.Evaluation on the products of CMA land data assimilation system[D].Nanjing:Nanjing University of Information Science and Technology,2014.(in Chinese)

[23] 孙帅,师春香,梁晓,等.不同陆面模式对我国地表温度模拟的适用性评估[J].应用气象学报,2017,28(6):737-749.

Sun S,Shi C X,Liang X,et al.Assessment of ground temperature simulation in China by different land surface models based on station observations[J].Journal of Applied Meteorological Science,2017,28(6):737-749.(in Chinese)

[24] 王智慧,师春香,沈润平,等.CLDAS驱动陆面模式模拟中国区域潜热通量的精度评价[J].中国农业气象,2020,42 (12):761-773.

Wang Z H,Shi C X,Shen R P,et al.CLDAS drive land surface model to simulate latent heat flux in China[J]. Chinese Journal of Agrometeorology,2020,42(12): 761-773. (in Chinese)

[25] 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,Jang L P,et al.The Simulation and evaluation of soil moisture based on CLDAS[J].Journal of Applied Meteorological Science,2017,28(3):369-378.(in Chinese)

[26] 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.

Cui Y Y,Zhang Q,Qin J,et al.Applicability evaluation of CLDAS merged relative soil moisture in Northeast of China and its correction research[J].Chinese Journal of Agrometeorology,2019,40(10):660-668.(in Chinese)

[27] 王良宇,何延波.自动土壤水分观测数据异常值阈值研究[J].气象,2015,41(8):1017-1022.

Wang L Y,He Y B.Research on outlier threshold of automatic soil moisture observation data[J].Meteorological Monthly,2015,41(8):1017-1022.(in Chinese)

[28] 王佳强,赵煜飞,任芝花,等.中国自动土壤水分观测资料质量控制方法设计与效果检验[J].气象,2018,44(2):244-257.

Wang J Q,Zhao Y F,Ren Z H,et al.Design and verification of quality control methods for automatic soil moisture observation data in China[J].Meteorological Monthly,2018, 44(2):244-257.(in Chinese)

Evaluation and Verification of CLDAS Relative Soil Moisture Products during Growing Season in Liaoning Province

LIU Dong-ming1, WU Men-xin2, HOU Ying-yu2, CHEN Peng-shi1, ZHANG Wei-wei1, WANG He-ran1

(1. Ecological Meteorology and Satellite Remote Sensing Center of Liaoning Province, Shenyang 110166,China; 2.National Meteorological Center, Beijing 100081)

Based on the daily observation data of automatic soil moisture stations in Liaoning province during growing season (May to October) in 2020, the simulation performance of CLDAS(CMA Land Data Assimilation System) relative soil moisture products at 0−10cm, 0-20cm and 0-50cm levels was evaluated and tested by using statistical evaluation indices and methods including correlation coefficient (r), root mean squared error (RMSE), mean absolute error (MAE) and deviation to comprehend the application of CLDAS fusion relative soil moisture data. The results showed that there are trend consistency and significant positive correlation on time scale between CLDAS relative soil moisture simulation results and observed values in three soil layers. During the growing season, the simulation results of CLDAS average relative soil moisture were generally high. CLDAS had a relatively nice simulation effect when the relative soil moisture was between 60% and 90%, and had a relatively poor simulation effect when the relative soil moisture data were in the state of partial wet (RSM > 90%) and partial dry (RSM < 60%). On the other hand, the spatial variation showed a consistent tendency between CLDAS relative soil moisture simulation results and observed values at three levels, and the overall distribution was relatively low in the west and relatively high in the east. There was a significant positive correlation between CLDAS relative soil moisture simulation results and observed values, and the correlation coefficient was more than 0.8 in 0-20cm and 0-50cm soil layer in most areas of Liaoning province. The distribution trend of error assessment results was coincident in the whole province. The errors in the eastern, southern and western parts of Liaoning were relatively small, while those in the northern and central parts were relatively large. Abnormal high value area of error occurred in the line of Kangping-Zhangwu-Xinmin-Tai 'an. The relative soil moisture simulation results of CLDAS had a fairly strong applicability and stability in Liaoning province, which could reflect the variation of soil water surplus and deficit well.

CLDAS; Relative soil moisture; Liaoning province; Evaluation and verification

10.3969/j.issn.1000-6362.2022.01.002

刘东明,吴门新,侯英雨,等.辽宁省生长季CLDAS土壤相对湿度产品的评估检验[J]中国农业气象,2022,43(1):17-27

收稿日期：2021−05−07

国家重点研发计划项目（2018YFC1506500）；辽宁省气象局科学技术研究课题（202105）；中国气象局沈阳大气环境研究所开放基金（2019SYIAE09）

通讯作者：吴门新，正研级高级工程师，主要从事农业气象业务及科研工作，E-mail：wumx@cma.gov.cn

刘东明，E-mail：guxing-345@163.com