Page 41 - 《高原气象》2025年第5期
P. 41

5 期                 李博渊等：青藏高原多年冻土冻融参量时空变化特征及影响因子研究                                         1159
               先决条件。本文选取在高原（25°N -43°N， 73°E -                   月全球数据， 空间分辨率达 0. 1°×0. 1°。本文选用
               105°E）多年冻土区域作为研究区域， 并且按照气候                        1980 年 1 月至 2017 年 12 月 ERA5-Land 逐月积雪厚
               湿润条件将多年冻土区域分为三类： 干旱区、 半干                          度数据， ERA5-land 积雪厚度在描述年际变化上相
               旱区和半湿润区（Deng et al， 2020）。                        较于被动微波遥感和其他再分析数据具有优势
               2. 2 数据介绍                                        （Chen， 2022）， 可用于本文研究。
                  （1） CLM5. 0大气强迫场及地表数据                              降水数据使用中国逐日降水数据集（缪驰远
                   美国国家大气研究中心发布的 CLM 属于地球                        等， 2023）， 空间分辨率为 0. 1°×0. 1°， 经评估认为
               系统模式（Community Earth System Model， CESM）          该数据集可以较好地表征降水的空间变异性， 其日
               的陆面模块（Dickinson et al， 2006； Swenson et al，       值时间序列与高密度站点日值降水观测结果之间
               2012）， 目前已经发展到 CLM5. 0 的最新版本。本                    的相关系数中位数为 0. 78， 均方根误差中位数为
               文使用中国区域地面气象要素驱动数据集（China                          8. 8  mm·d ，  KGE（Kling-Gupta  efficiency  coeffi‐
                                                                           -1
               meteorological  forcing  dataset，  CMFD）（阳 坤 等 ，   cient）值中位数为 0. 69， 并且与目前常用的降水数
               2019）驱动CLM5. 0模式， 数据包括近地面气温、 近                    据集（CGDPA、 CN05. 1、 CMAV2. 0）有很好的一致
               地面气压、 近地面空气比湿、 近地面全风速、 地面                         性（Han et al， 2023）。近地面温度来源于 CMFD 数
               向下短波辐射、 地面向下长波辐射和地面降水率 7                          据集。
               种要素， 时间分辨率为 3 h， 水平空间分辨率为                             干燥度指数（AI）采用中国 1 km 逐年干燥度数
               0. 1°×0. 1°， 时间范围为 1979 -2018 年。该数据集              据集（彭守璋， 2023）， 基于中国 1 km 逐月潜在蒸散
               精度介于气象局观测数据和卫星遥感数据之间， 精                           发（PET）和降水量（PRE）， 采用比值法计算得到
               度高于国际上已有再分析数据的精度（He et al，                       （AI=PET/PRE）。
               2020）。                                                归一化植被指数（NDVI）作为植被生长状况和
                   由于土壤质地数据在土壤水热传输模拟中起                           植被覆盖度的最佳指示指标， 与植被密度分布呈线
               着重要作用， 对土壤温度的模拟影响较大（Deng et                       性相关， 被认为是生物量和植被监测的指标（Xu
               al， 2020）， 故使用中国土壤特征数据集（Wei et al，                and Wu， 2021）。NDVI被定义为：
               2013）中的土壤质地（沙土、 黏土和泥沙）数据替换                                                N + R
                                                                                 NDVI =                    （1）
               模式地表数据中的默认土壤质地。地表数据中土                                                     N - R
               壤质地的土壤层分为 10 层（0. 01~1. 36 m）， 更深层                式中： N 和 R 分别代表光谱的可见光和近红外区域
               土壤质地数据在模式运行时使用第十层数据。由                             的表面反射率平均值（Jiang et al， 2006）。本文所采
               于中国土壤特征数据集中土壤各层厚度与地表数                             用 NDVI 数据为基于 GIMMS AVHRR 传感器计算
               据中土壤层厚度不相同， 故分别用中国土壤特性数                           的 NDVI 3g 数据， 空间分辨率为 8 km， 时间尺度为
               据集中 0~0. 045 m 数据替换模式 0. 01 m 及 0. 04 m           1982 -2015年（刘焱序， 2020）。
               的 土 壤 质 地 数 据 、  0. 045~0. 091  m 替 换 0. 09  m、      （3） 地形数据ETOPO2v2及地理信息数据
               0. 091~0. 166 m 替换 0. 16 m、 0. 166~0. 289 m 替换        图 1（a）源于美国国家海洋和大气管理局下属
               0. 26 m、 0. 289~0. 493 m替换0. 4 m、 0. 493~0. 829 m  的美国地球物理中心 NGDC（U. S. National Geo‐
               替换 0. 58 m 和 0. 8 m， 0. 829~1. 383 m 替换 1. 06 m   physical Data Center）开 发 的 全 球 地 形 模 型 ETO‐
               和1. 36 m的土壤质地数据（张戈等， 2023）。                       PO2v2， 截取高原冻土部分使用。高原边界地理信
                  （2） 降水量、 积雪厚度、 近地面温度、 植被指                      息来源于《论青藏高原范围与面积》一文数据的发
               数及干燥度指数数据                                         表（张镱锂等， 2014）， 多年冻土分布地理信息源于
                   本文采用欧洲中期天气预报中心（European                       青藏高原新绘制冻土分布图， 数据通过野外地面观
               Centre  for  Medium-range  Weather  Forecasts，  EC‐  测、 土壤含水率和容重等各种调查验证， 证实可用
               MWF）推出的第五代再分析数据（the 5th ECMWF                     性（赵林， 2019）。
               Re-Analysis  data，  ERA5），  ERA5-Land 是 通 过          （4） 站点观测数据
               ERA5 再分析模型生成的再分析数据集， 该模型通                             为了检验模式适用性， 本文选用青藏高原土壤
               过物理法则将来自世界各地的观测数据结合到一                             温湿度观测网的长时序土壤温湿度廓线数据集（张
               个全球完整且一致的数据集中（黄建平等， 2020）。                        佩等， 2023）以及帕里土壤温湿度观测网数据（阳坤
               目前 ERA5-Land 已发布 1981 年至今的逐小时及逐                   等， 2022）。选用 Naqu（那曲， 31. 37°N， 91. 89°E）、
   36   37   38   39   40   41   42   43   44   45   46