CLM5陆面模式在珠江流域蒸散发模拟的效果评价

2022-03-02王大洋

人民珠江 2022年2期

王大洋

(中山大学地理科学与规划学院，广东广州 510275)

精确地模拟地球表面的蒸散发对于深刻理解地表水循环过程和能量过程的变化规律具有重要意义[1-3]。与地球水循环的其他变量相比，地表蒸散发过程受到的影响因素更为复杂，如太阳辐射、环境温度、湿度、风速、地表植被覆盖和土壤湿度等。因此，准确地描述蒸散发过程是一个十分具有挑战性的课题。作为水文循环里的子过程，在水文模型里，对于蒸散发的计算相对比较简化，多数水文模型并不涉及能量过程，而只关注水循环。然而，地表能量循环过程中，对于到达地表的太阳辐射，约48%的辐射量都被消耗于蒸散过程，这个过程中的汽化潜热使地表约64%的降水得以重新进入大气，从而才有了地球最基本的水循环结构[4-5]。

陆面模式(Land Surface Model,LSM)是用数学的公式和方法描述在太阳辐射、大气驱动作用下的地表的生物物理、生物化学和生态等过程的模型。它涉及到地表水循环、能量循环、碳循环和氮循环等众多方面，具有较为复杂而系统的结构[6]。因此，陆面模式对于地表蒸散发过程的刻画较水文模型更加具体和详尽。现有的陆面模式有很多，如美国的CLM(the Community Land Model)、NOAH(Unified Noah Land Surface Model)和NOAH-MP(Unified Noah Land Surface Model-Multiparameterization Options)，英国的JULES(the Joint UK Land Environment Simulator)，澳大利亚的CABLE(the Community Atmosphere Biosphere Land Exchange model)，德国的Max-Planck-Institute机构研发的JSBASH模式，中国的CoLM(Common Land Model)。不同的模式对于地表蒸散发过程的参数化方案存在差异。但针对模式的实用性和可靠性而言，当前使用最广泛的当属美国的CLM陆面模式。基于此，为了评估CLM陆面模式在中国地区的蒸散发模拟的适应性，研究选取了珠江流域，对CLM模式在该流域的蒸散发模拟效果进行评价，从而为更好地发展和完善模式提供参考。

1 陆面模式及验证数据

1.1 陆面模式及模拟参数

CLM5(Community Land Model,version 5)是由美国国家大气研究中心(National Center for Atmospheric Research,NCAR)开发的陆面地表模型。它是基于LSM、IAP94和BATS 3个模式逐渐发展起来的[7-9],CLM5是CLM陆面模式的第5版，也是最新的版本，于2018年正式发布。CLM模式发展源于1996年，通过20多年的更新和迭代，发展成为了一个涵盖地表水文循环、能量循环、碳循环、氮循环等众多复杂地表过程的陆面模式[6]。

CLM5对于蒸散发的模拟有详细的基于物理过程的参数化方案，其对于地表蒸散发所涉及的植被截留蒸发、土壤蒸发、植被蒸腾、水面蒸发和雪升华等过程都进行独立计算，以水量平衡和能量平衡为基本原理进行描述。例如，模式中的植被截留蒸发过程除了考虑最基本的气象条件外，还考虑了植被类型、叶面积指数、叶片水量承重等要素；植被蒸腾过程则是根据气象条件、植被叶片温度、气孔阻抗、植被水力传导和水分利用效率等多种因素而确定；土壤蒸发则考虑了土壤含水量、土壤温度、土壤质地和类型等要素；各个部分的详尽参数化方案及模块的数值化描述，可以见模式官方技术手册https://escomp.github.io/ctsm-docs/versions/release-clm5.0/html/tech_note/index.html。

CLM5陆面模式的运行需要有气象强迫数据作为外界驱动，本研究的气象驱动数据来源于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)发布的基于ERA5再分析数据改进的气象驱动数据[10]，其中包含了太阳短波辐射、气温、气压、比湿、风速、降水、降雪和下行长波辐射等8个气象因子，以此作为CLM5模式的气象驱动。该驱动数据的空间分辨率为0.5°，时间分辨率为1 h，涵盖了1980—2018年共38年的数据。为保证模式的稳定运行，本研究以1980—1988年作为Spin-up时段，以1989—2018年的蒸散发模拟结果作为研究评价的基础，设置模式输出的时间频率为逐月输出，空间分辨率为0.5°。

1.2 验证数据

GLEAM(Global Land Surface Evaporation Amsterdam Model)数据[11-12]是由英国布里斯托大学地理科学学院Miralles博士研发的遥感蒸散发产品，数据可以公开免费获取，其地址为https://www.gleam.eu/#datasets。此产品以Priestley-Taylor公式为基础，借助多颗卫星观测数据反演得到，GLEAM用于反演蒸散发的模块包括Gash截留模块、Priestley-Taylor潜在蒸发模块、考虑根区含水和植被光学厚度的蒸发胁迫压力模块、和土壤湿度模块等4个模块。产品的空间分辨率约25 km，时间分辨率分为日、月尺度，通过不断更新迭代，现发展至V3.5版本。

本研究选取GLEAM的1989—2018共30年的实际蒸散发(Actual Evaporation)，主要包括截留蒸发、土壤蒸发、植被蒸腾、水面蒸发和雪升华等组分。其中，水面蒸发和雪升华量非常小，与其他组分存在数量级上的差异。因此，截留蒸发、土壤蒸发和植被蒸腾三者占据蒸散发总量的绝大部分。对于GLEAM蒸散发产品，2017年Yang等[13]对其在中国区域的适用性进行过详细分析评价，因此本研究不再对其在珠江流域的适用性单独评价。此外，最近多项研究表明，GLEAM在多个蒸散发遥感产品中表现效果最佳[14]，因此，研究以GLEAM作为蒸散发真值参考数据是有信心的。为了和CLM5的模拟输出结果的分辨率相匹配，将GLEAM的数据采用几何平均的方式进行升尺度处理为空间分辨率为0.5°的网格。

2 研究区概况及评价指标

2.1 验证数据

珠江流域(图1)位于中国南部边陲，是中国第三大流域，华南第一大流域。流域内地势北高南低、西高东低，呈现从西北向东南倾斜的趋势。流域涉及广东、广西、江西、湖南、贵州和云南等多个省(自治区)，总面积约为45万km2。流域内分布有东江、西江、北江等三大水系，自西向东分别跨越了云贵高原、两广丘陵和珠江三角洲平原，其中，丘陵地貌占比超过了流域总面积的90%。流域属于热带和亚热带季风气候，多年平均气温为14～22℃，水资源量较丰沛，多年平均降水量为1 300 mm，多年平均径流约为3 412 m3。

图1 珠江流域地理高程

2.2 评价指标

研究分别选取相对误差(RB)、均方根误差(RMSE)和相关系数(R)作为评价CLM5蒸散发模拟表现的指标，其计算原理为：

(1)

(2)

(3)

(4)

(5)

3 研究结果

以GLEAM数据为参考，对CLM5在珠江流域的蒸散发模拟表现进行评价，评价分别从时间和空间2个方面开展。

3.1 蒸散发的时间尺度模拟效果评价

图2a展示了1989—2018年CLM5和GLEAM的年平均变化趋势。由图可知，CLM5模拟的蒸散发总体呈现出低估的趋势，流域多年平均蒸散发为1.89 mm/d(合计690 mm/a，一年按365 d计)，GLEAM遥感数据的多年平均蒸散发为2.24 mm/d(合计818 mm/a)，模拟的相对误差为 -16.07%。其中，最严重的低估发生在2015年，其相对误差为-21.59%；模拟最好的年份为1991年，其低估的相对误差为-10.09%。从蒸散发逐年的变化可以看出，CLM模拟的蒸散发在近30年的变化呈现出平稳的态势，而GLEAM遥感观测值则呈现出轻微上升的趋势，这一趋势在2010年之后变得明显。图2b显示了流域内各个网格的逐年的蒸散发对比情况，从散点图的分布可以看出，大部分的散点位于1∶1参考线的上侧，表明珠江流域总体上呈现蒸散发观测值大于模拟值的现象，说明在年尺度上，CLM5对蒸散发的模拟表现为低估，这与图2a中蒸散发的逐年变化结果是一致的。

a)流域逐年蒸散发变化

为了进一步探究CLM5模拟出现低估的原因，将1989—2018年逐月的模拟值和实测值进行绘制，见图2c。从这360个月的变化曲线不难看出，CLM5能够较好地模拟蒸散发的季节性变化趋势，其季节性波动规律和GLEAM数据基本一致，峰值和谷值的出现时间也基本同步。此外，从图中还可以发现，CLM5对于蒸散发的峰值模拟较谷值更为准确，尤其是在2000年以前，CLM5能很好地捕捉到蒸散发的峰值；2000—2018年，CLM5对于峰值模拟稍微出现了低估，但相差不大。相反地，CLM5对于谷值的模拟则差强人意，整体均表现为低估，且这种低估程度随着年份呈现出愈加严重的趋势。上述蒸散发的对比分析表明，CLM5在蒸散发量较大的月份表现较为出色，在蒸散发量较小的月份则表现逊色。

研究将30年逐月的蒸散发模拟值和观测值进行比较，将散点对比结果绘制于图3。由图可知，CLM5在12个月份均表现出低估的现象，且这种低估在不同月份之间表现出明显的差异。最严重的低估发生在5月，其相对误差为 -64.27%。相比之下，9月份的相对误差最小，其值为 -11.01%。对于RMSE，其最小值出现在10、11月，均为0.33 mm/d；最大值出现在5月份，其值为0.68 mm/d。12个月的蒸散发模拟值和观测值的相关系数位于0.55～0.84之间，其中，相关性最高的月份为12月，最低的月份为10月，大部分月份的相关系数保持在0.65以上，表明模拟值和观测值的相关性良好。

图3 CLM5与GLEAM在1989—2018年的蒸散发逐月散点对比

续图3 CLM5与GLEAM在1989—2018年的蒸散发逐月散点对比

综合比较各月的散点图分布可知，CLM5在蒸散发模拟时表现的低估是存在普遍性的，因此大多数月份的散点图集中在1∶1参考线的上侧。但值得注意的是，在从6月份向10月份的转变过程中，每月蒸散发量逐渐增大(图中表现为散点逐渐向右上角移动)，其散点图的分布也逐渐向1∶1参考线靠拢，逐渐均匀地分布在参考线附近，表明该时期的模拟值呈现渐好的趋势。此外，这一转变过程中，虽然蒸散发量在逐渐增大，但RMSE却表现为明显的减小趋势，这进一步说明了CLM5效果向好的转变态势。总体而言，CLM5在蒸发量大的暖季模拟表现较蒸散发小的冷季好，夏、秋两季的模拟效果好于冬、春季的模拟效果。

3.2 蒸散发的空间分布模拟效果评价

图4显示了CLM5和GLEAM在珠江流域蒸散发的多年平均分布情况。从图可以看出，CLM5能较好地模拟蒸散发在珠江流域的空间分布形态。蒸散发基本表现为东高西低、南高和北低的特点。比较之下，模拟值整体上比观测值小，呈现为不同程度的低估，这与时间分析结果一致。从低估的空间分布看，最明显的低估发生在流域的中北地区，该区域部分地区的相对误差超过了-30%。流域南部地区的低估程度最小，这些区域的相对误差基本都在-10%以内，表明CLM5在该区域模拟表现较好。值得注意的是，这些区域的多年蒸散发量较其他区域大，表明CLM5对于蒸散发量大的地区模拟效果更佳，这与时间分析的结果也相同。CLM5模拟的多年平均蒸散发的相对误差为-15.55%，RMSE为0.39 mm/d。

a)CLM5(mm/d)1.89

为了更好地分析蒸散发的年内各月空间分布情况，将模拟值和观测值的各个月份的多年平均值及相对误差结果分别绘制于图5—7中。从图5可知，模拟的蒸散发在各个月份的空间变化和年平均结果具有相似性，同时也存在一定的差异。其相似性表现为从空间分布来看，呈现出从东南向西北递减的趋势，这种趋势在9—11月表现得尤为突出。从各月的分布情况来看，各月的蒸散发量变化剧烈，8月的蒸散发量最大，流域内各地区的蒸散发量均在2.0 mm/d以上，其多年月平均值为3.03 mm/d，它是蒸散发量最小的1月份的4.2倍。各月份中，空间变异最大的为10月份，从该月的蒸散发空间分布可知，其最小值位于流域西北角，蒸散发量约为0.8～1.2 mm/d，而流域东南角的蒸散发量高达2.8～3.2 mm/d。结合图3各月散点信息可知，10月份的点集分布较为离散，这一定程度佐证了该月空间变异大的分布特性。蒸散发最小的月份为1月，且该月的蒸散发空间上变化不大，基本维持在 0.8～1.2 mm/d，这可能与1月份冬季较低的气温有关。此外，值得注意的是流域西北的部分区域在1月份的蒸散量出现极端低值，其值小于0.4 mm/d。

图5 CLM5在1989—2018年的蒸散发各月平均空间分布

续图5 CLM5在1989—2018年的蒸散发各月平均空间分布

与GLEAM相比，CLM5模拟的蒸散发各月的结果与GLEAM观测值在空间分布上较为类似，但呈现整体性的低估。就低估程度而言，最显著的低估发生在2月份，其相对误差为 -42.09%，该月中流域内大部分区域的相对误差都在 -40%以上，低估较为明显。相反地，CLM5表现最好的月份为7月，流域内大部分地区的相对误差都维持在±10%以内，流域空间平均相对误差和RMSE值都较小，分别为 -2.79%和0.41 mm/d。此外，6、8、 9月的相对误差也都较小，均控制在 -10%以内。值得注意的是，虽然各个月份总体上呈现出低估的表现，但在蒸散发量较大的6—10月，流域的西北地区和中南地区仍存在轻微的高估现象。例如，在7月份流域西北的部分地区，CLM5模拟的蒸散发高估约为10%～20%。

图6 GLEAM在1989—2018年的蒸散发各月平均空间分布

图7 CLM5与GLEAM在1989—2018年的蒸散发各月平均相对误差的空间分布

3.3 讨论

a)蒸散发谷值偏低的讨论。从流域的月平均时间序列可以看出，导致蒸散发出现系统性低估的来源是CLM5对冷季蒸散发低值的模拟出现低估。究其原因，有2点值得进一步探讨。①CLM5的蒸散发模块的计算原理是基于改进的Penman-Monteith公式，该公式在计算蒸散发时主要分为2项：辐射因素控制项和大气因素控制项。其中后者主要取决于近地表的饱和水汽压差和空气动力学阻抗。地表水汽压差与温度有关，而空气动力学阻抗的计算则和地表土地利用类型和下垫面的植被情况有关。在全球变暖的背景下，温度逐渐升高的趋势愈发显著，且不同季节的增幅表现出明显不同。根据刘绿柳等[15]对珠江流域近50年的气候变化研究显示，在季节性增温中，冬季的增温贡献是最大的，夏季相对较低。而驱动CLM5的气象驱动数据可能未能较好地体现出这一季节性的增长趋势，这将直接影响到模式对冷季蒸散发的模拟，如此可能导致模式在冷季出现低估。②在冷季，植被的存在可能会对地表起一定程度的“保温”效果，这种效果使得地表温度比无植被覆盖时偏高，进而导致蒸散发增加。而模式的参数化方案并不能较好地描述这一过程。此外，从王大洋[16]对珠江流域的广东省近30年NDVI数据分析显示，广东省的NDVI呈现明显的上升趋势，表明其植被覆盖正在增加。而在模式中，地表数据是基于某一历史时期的静态数据，而非动态模拟。在冷季，植被的存在对地表的保温作用使得地表的蒸散发过程变得更加复杂，而这种植被所带来的保温作用似乎也不能被模式模拟到，这可能也是导致模式在冷季表现出蒸散发低估的原因。

b)蒸散发变化趋势的讨论。随着全球变暖，蒸散发也呈现出明显增加的趋势。Pascolini等[1]于2021年发表在Nature期刊上的文章显示，在2003—2019年间，全球蒸散发量增加了10%。因此，全球变暖引起蒸散发的增加逐渐成为不争的事实。借助卫星遥感技术，蒸散发的增加趋势可以被较好的捕捉到。从本文研究结果可知，在珠江流域，基于遥感观测的GLEAM数据是存在上升趋势的，而这一趋势并未能被CLM5陆面模式捕捉到，CLM5模拟结果表现为平稳的态势。原因可能是多方面的，如输入气象驱动场数据的不确定性、地表数据的精度、模式中参数化方案的科学性以及人类活动的影响等。