img img
  • CN 62-1091/P
  • ISSN 1001-8166
  • 月刊 创刊于1986年
高级检索

地球科学进展, 2019, 34(4): 356-365 doi: 10.11867/j.issn.1001-8166.2019.04.0356

地理与地理信息科学

Noah-MP模型中积雪模拟对参数化方案的敏感性评估

尤元红,1,2,3, 黄春林,1,2, 张莹1,2, 侯金亮1,2

1. 中国科学院西北生态环境资源研究院, 甘肃省遥感重点实验室,甘肃 兰州 730000

2. 中国科学院西北生态环境资源研究院, 黑河遥感试验研究站,甘肃 兰州 730000

3. 中国科学院大学,北京 100049

Sensitivity Evaluation of Snow Simulation to Multi-parameterization Schemes in the Noah-MP Model

You Yuanhong,1,2,3, Huang Chunlin,1,2, Zhang Ying1,2, Hou Jinliang1,2

1. Key Laboratory of Remote Sensing of Gansu Province, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

2. Heihe Remote Sensing Experimental Research Station, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

3. University of Chinese Academy of Sciences, Beijing 100049, China

通讯作者: 黄春林(1979-),男,宁夏青铜峡人,研究员,主要从事多源遥感数据同化方法及陆面数据同化系统集成研究. E-mail: huangcl@lzb.ac.cn

收稿日期: 2018-11-16   修回日期: 2019-01-22   网络出版日期: 2019-05-22

基金资助: 国家自然科学基金项目“联合机器学习和多尺度集合卡尔曼滤波算法的积雪数据同化方法研究”(编号:41671375)和“基于贝叶斯模型平均和遗传粒子滤波的积雪数据同化方法研究”.  编号:41871251

Corresponding authors: Huang Chunlin(1979-), male, Qintongxia County, Ningxia Hui Autonomous Region, Professor. Research areas include multi-sources remote sensing data assimilation method and land surface data assimilation system integration. E-mail: huangcl@lzb.ac.cn

Received: 2018-11-16   Revised: 2019-01-22   Online: 2019-05-22

作者简介 About authors

尤元红(1990-),男,安徽宿松人,博士研究生,主要从事陆面模拟与数据同化研究.E-mail:youyuanhong@lzb.ac.cn , E-mail:youyuanhong@lzb.ac.cn

摘要

针对Noah-MP模型多参数化方案、模拟结果不确定性范围难以确定的特点,选取北疆地区具有代表性的阿勒泰站气象资料作为模型驱动数据,探讨了积雪对多参数化方案的敏感性。在不考虑模型参数和驱动数据不确定性的条件下,设计了集合数为13 824的多参数化方案集合模拟试验。选用Natural selection方法对物理过程的敏感性进行分析,并在敏感性分析结果的基础上进一步讨论了模拟结果的不确定性。结果表明:积雪对地表热交换、雨雪分离、土壤温度底层边界条件和第一层积雪或土壤时间方案4个物理过程敏感;在不考虑驱动数据和模型参数不确定性的条件下,多参数化方案集合模拟试验中的不确定性主要来源于敏感物理过程。去除敏感物理过程中能够明显降低模拟性能的参数化方案后,集合模拟结果的不确定性大幅减小。最后,根据分析结果构建了该站雪深和雪水当量模拟的最优参数化方案组合。

关键词: 敏感性分析 ; 不确定性分析 ; 多参数化方案集合模拟

Abstract

On account of the latest community Noah land surface model with multi-parameterization (Noah-MP) schemes and its uncertainty breadth in simulation results being difficult to be determined, this study assessed the sensitivity of snow to physics options using meteorological data from the Altay Station in northern Xinjiang. The Noah-MP physics ensemble simulation with the total number of 13 824 was designed without the consideration of the uncertainties of forcing data and parameters. The natural selection approach was used to analyze the sensitivity of physical processes. Based on the results of sensitivity analysis, the uncertainty of ensemble simulation results was further discussed. The results showed that snow was sensitive to the physical processes of surface-layer exchange coefficient, partitioning precipitation into rainfall and snowfall, lower boundary condition of soil temperature, and first-layer snow or soil temperature time scheme; Uncertainties in multi-parameterization ensemble simulation experiments were mainly from sensitive physical processes under the condition of disregarding uncertainties of forcing data and parameters. After removing the parameterization schemes that notably reduced simulation performance in sensitive physical processes, the uncertainty breadth in ensemble simulations decreased significantly. Finally, an optimal combination group of parameterization schemes for this station was configured.

Keywords: Sensitivity analysis ; Uncertainty analysis ; Multi-parameterization ensemble simulation.

PDF (2130KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

尤元红, 黄春林, 张莹, 侯金亮. Noah-MP模型中积雪模拟对参数化方案的敏感性评估. 地球科学进展[J], 2019, 34(4): 356-365 doi:10.11867/j.issn.1001-8166.2019.04.0356

You Yuanhong. Sensitivity Evaluation of Snow Simulation to Multi-parameterization Schemes in the Noah-MP Model. Advances in Earth Science[J], 2019, 34(4): 356-365 doi:10.11867/j.issn.1001-8166.2019.04.0356

1 引 言

积雪作为地球表层系统中一种特殊的下垫面类型,其强烈的气候效应使得积雪对能量和水分循环过程具有重要的影响[1,2,3]。积雪表层反照率可调节陆面与大气之间的能量交换,此外,积雪是下垫面土壤水分的重要来源,其融化过程直接关系到水分的平衡。另一方面,积雪的低热导率特性能够隔绝下垫面土壤与大气之间的直接接触,进而影响下垫面土壤的温度变化和能量平衡[4]。从水文平衡方面讲,积雪融水是河流的物质补充,世界上多数主要河流都发源于积雪和冰川储量丰富的高山地区[5,6]。因此,积雪过程的正确模拟和合理描述对准确预报积雪的时空变化、大气环流分析、水资源管理以及雪灾预警等均有着重要的意义。

模型评估和不确定性研究是改进陆面模型模拟性能的重要手段。陆面过程模拟的不确定性主要来源于驱动数据、模型参数和模型结构3个方面。模型结构的不确定性主要是由模型物理过程的时空离散性和描述物理过程的参数化方案引起的[7]。改进模型参数化方案使之能够更准确、合理地描述物理过程,是减少模型结构不确定性的有效途径。然而,不同的参数化方案均有各自的适用性,在特定下垫面条件下选取合适的参数化方案亦越来越重要。集成了多种参数化方案的Noah-MP模型为讨论模型结构的不确定性提供了新的思路[8]

近年来,无论是在单点还是在流域尺度上,研究者们针对Noah-MP模型都做了大量评估研究[8,9,10]。例如,Cai等[11]在密西西比河流域对Noah-MP模型的径流模拟进行了评价,结果表明Noah-MP模型的径流模拟结果对地表干燥系数、土壤饱和水力传导系数及饱和土壤水分具有较高的敏感性。与Noah模型模拟结果相比,Noah-MP对地表通量、雪水当量、雪深以及径流等地表要素的模拟均有明显改进[12]。Zheng等[13]在青藏高原的特定流域针对径流和其他地表水能量平衡的相关要素开展了模拟试验,并在同一个模型构架下讨论了不同径流参数化方案的模拟性能,分析结果表明不同的径流参数化方案会对径流模拟结果产生较大的影响。另有研究者在长江上游流域利用Noah-MP模型开展了融雪径流的时空特性方面的研究工作[14]。Zhang等[8]利用2008国际联合观测试验(Joint International Cooperation program field campaign)中的相关数据,在青藏高原南部的大理观测站评估了Noah-MP模型模拟结果的不确定性,分析了地表通量模拟结果对物理过程的敏感性。以上研究表明:Noah-MP模型中同一个物理过程不同参数化方案的选择对模拟结果的影响较大,同一种参数化方案在不同区域的适用性也不尽相同。因此,在特定区域评估参数化方案、选定该区域的最优参数化方案组合显得十分重要。

尽管Noah-MP模型目前被广泛用于各种陆面过程的模拟试验中,对不同的陆面过程模拟试验亦做了针对性的评估工作。但是,针对以积雪为主的地区,无论是利用Noah-MP模型模拟积雪过程,还是针对积雪过程集合模拟不确定性的研究目前均较少见。正因如此,本文选取新疆北部冬季积雪丰富的阿勒泰气象观测站作为研究站点,评估Noah-MP模型对积雪过程的模拟性能,利用Noah-MP模型同一个物理过程具有多种参数化方案的特点,设计针对雪深和雪水当量的多参数化方案集合模拟试验,在敏感性分析的基础上,进一步确定多参数化方案集合模拟的不确定性范围,以期为提升该模型对积雪过程的模拟效果提供参考。

2 试验设计

2.1 站点描述

阿勒泰气象观测站(47°44′N, 88°05′E)位于新疆北部地区(图1),该地区的海拔高度为735.3 m, 距离西北部阿尔泰山大约5 km,南部与准格尔盆地毗邻。该地区处于欧亚大陆中心腹地,主要气候特征表现为夏季干燥、冬季寒冷,年平均降水量为200 mm。观测站毗邻阿勒泰机场,地形平坦且冬季少风,站点积雪较为稳定,适合开展积雪过程模拟试验。

图1

图1   北疆高程与阿勒泰站点位置

Fig.1   Terrain height of the Northern Xinjiang and the location of the Altay site


Noah-MP模型需要的气象驱动要素有近地表气温、气压、相对湿度、降水、向下长波辐射和短波辐射,以及近地表风速和风向。根据模型驱动数据的需要,利用四分量净辐射仪观测获取了辐射四分量,水平风速、风向、气温、相对湿度和气压分别通过气象塔观测获取。利用站点架设的称重式自记雨量器获得时间分辨率为1 h的降水观测资料。

气象站自动观测获取了时间分辨率为1天的雪深数据。利用GMON探测器观测获取了站点时间分辨率为6 h的雪水当量数据。为了提高伽马射线反演雪水当量的精度,本次观测试验中考虑了土壤水分对测量结果的扰动以及参数的地域特征,对反演算法做了适当的改进[15]。由于GMON探测器在降雪初期出现了故障,没有观测到2014年11月15日到2015年1月20日的雪水当量数据。因此,文中试验部分仅比较了2015年1月20日以后的雪水当量模拟值与观测值。全部观测数据均由中国气象局进行了校对和质量控制,具有较高的精度。

2.2 Noah-MP模型

Noah-MP模型是在Noah-v3.0主体框架的基础上[16,17,18,19]针对不同的物理过程融入多种参数化方案发展起来的新一代陆面模型[9,12]。与传统Noah模型相比,Noah-MP新添加了多个物理过程,如地下水的无压含水层和动态水位过程[9,12,20]、交互式植被冠层[21]以及基于TOPMODEL模型的径流过程,同时,针对每一个物理过程都提供了2~4种参数化方案供选择(表1)。与Noah相比较,Noah-MP由于可选择的参数化方案多而具有更强的适用性。同一物理过程中多种参数化方案的融入,使得多参数化方案集合模拟试验更易于实施,为分析物理过程的敏感性以及模拟结果的不确定性提供了新的思路[8]

表1   Noah-MP模型中11个物理过程对应的参数化方案

Table 1  The available options for eleven physical processes in Noah-MP

物理过程参数化方案
冠层气孔阻力(Canopy Stomatal Resistance, CRS)a: Ball-berry [Default], b: Jarvis
控制气孔阻力的土壤湿度参数(Soil moisture factor controlling stomatal Resistance, BTR)a: Noah scheme [Default], b: CLM scheme, c: SSiB scheme
径流和地下水(Runoff and groundwater, RUN)a: SIMGM [Default], b: SIMTOP, c: Schaake96, d: BATS
表面热交换系数(Surface exchange coefficient for heat, SFC)a: M-O [Default], b: Original Noah (Chen97)
冻结土壤渗透(Frozen soil permeability, INF)a: NY06 [Default], b: Koren99
冻结土壤中过冷液态水(Supercooled liquid water in frozen soil, FRZ)a: NY06 [Default], b: Koren99
植被冠层辐射传输(Radiation transfer, RAD)a: gap=F(3D,cosz) [Default], b: gap=0, c: gap=1-FVEG
雪表层反照率(Snow surface albedo, ALB)a: BATS, b: CLASS [Default]
雨雪分离(Partitioning precipitation into rainfall and snowfall, PCP)a: Jordan91 [Default], b: BATS, c: Noah
土壤温度下边界条件(Lower boundary condition of soil temperature, TBOT)a: Zero-flux scheme, b: Noah [Default]
第一层积雪或土壤温度的时间方案(The first-layer snow or soil temperature time scheme, TEMP)a: Semi-implicit [Default], b: Full implicit

新窗口打开| 下载CSV


模型参数方面,根据中国土壤特征数据集(A China Soil Characteristics Dataset,http://westdc.westgis.ac.cn)确定该站的土壤类型为砂质壤土,并根据土壤类型选用模型对应设定的参数值[22]。阿勒泰站周边大多为人工护理的草地,也有部分土地用于种植农作物,因此,确定该站的植被类型为农田/草地交互型。

采用时间分辨率为1 h的站点气象观测资料作为Noah-MP模型的驱动数据,选用模型默认参数化方案组合(表1)模拟阿勒泰站2014年10月1日到2015年9月30日的雪深和雪水当量的变化情况,并对模拟结果进行评价。

考虑到陆面模型需要经过长时间运行才能达到平衡状态[10,11,23],文中采用2013年10月1日到2014年10月1日的模型驱动对模型进行预热,以连续2年模拟结果平均值之间的差异小于0.1%为平衡标准[10,11],确保模型在正式模拟前获得准确的初始条件。陆面模型中的动态植被物理过程主要用于模拟无人为干扰的野生植被生长状况[24],阿勒泰站的植被或多或少存在一些人为干扰因素,因此,本文集合模拟试验中将动态植被物理过程选项设为off,其余物理过程的所有参数化方案均用于集合模拟试验。11个物理过程的全部参数化方案随机组合共计13 824种组合方案(表2)用于集合模拟试验,分析参数化方案的敏感性,以及积雪模拟结果的不确定性。

表2   数值试验设计

Table 2  Numerical experiments setup

试验试验描述集合数
Def2014年10月1日至2015年9月30日站点观测气象数据作为模型驱动,采用默认参数化方案组合1
Ens1驱动同上,11个物理过程的参数化方案任意组合13 824
Ens2驱动同上,4个敏感物理过程的参数化方案任意组合24
Ens3同Ens2, 其中SFC=1, TEMP=16
Ens4同Ens2, 其中 SFC=1, TEMP=26
Ens5同 Ens2, 其中 SFC=2, TEMP=16
Ens6同 Ens2, 其中 SFC=2, TEMP=26
Opt最优参数化方案组合1

新窗口打开| 下载CSV


选用模型默认组合方案(Def)检验Noah-MP模型用于该站点积雪过程模拟的可行性,以及站点驱动数据的有效性。试验Ens1用于分析参数化方案的敏感性和模拟结果的不确定性。在敏感性分析的基础上,针对敏感物理过程设计了试验Ens2。Ens3~Ens6用于分析集合试验中的不确定性来源。最后,构建了最优参数化方案组合试验Opt。

2.3 分析和评价方法

文中选用积雪过程中具有代表性的变量雪深和雪水当量作为模拟变量,并比较模拟结果和观测的日均值。采用均方根误差(Root Mean Square Error, RMSE)作为模拟精度的评价指标:

RMSE=1Ni=1nsimi-obsi2

式中:N为样本数,sim为模拟值,obs为观测值,RMSE值越小,模拟值与观测值越接近,即表示模拟精度越高。

集合模拟试验中,采用Natural Selection[8]方法分析物理过程的敏感性。该方法首先根据观测值逐一对每一种组合方案模拟结果求取RMSE值,然后根据数值大小对13 824个RMSE值按从小到大的次序进行排序,并分别提取雪深和雪水当量RMSE值的前5%和最后5%(约692个)。显然,RMSE值排在前5%的组合方案的模拟效果要好于排在最后5%的组合方案,因此,将前5%所有RMSE组成的集合标记为“Best members”,由最后5%所有RMSE组成的集合标记为“Worst members”。依据新组成的集合,分别在“Best members”和“Worst members”中统计每一个物理过程的各参数化方案在该集合中出现的频率。显而易见,对于特定参数化方案在“Best members”中出现的频率越高,则表明该方案对提高模拟精度的贡献越大;反之,在“Worst members”中出现的频率越高,则表明该方案对降低模拟精度的贡献越大。依据这种方法可从宏观上初步判断同一个物理过程中不同参数化方案之间的优劣,并根据频率的差异判定模拟结果是否对该物理过程敏感。

3 结 果

3.1 雪深和雪水当量模拟结果

2为默认参数化方案组合雪深和雪水当量模拟结果与观测的比较。在模拟时段内,阿勒泰站的积雪季为2014年11月15日至2015年4月5日,积雪从2014年11月中旬开始累积,1月初的几次降雪过程使积雪厚度增至0.1 m,直至1月下旬。1月底,在几次较大降雪后,积雪厚度在短期攀升到0.26 m,接近实测0.29 m。2月上旬,由于积雪的压实和融化(可能存在升华),积雪厚度减小为0.17 m。2月下旬,模拟积雪厚度达到2014/2015年积雪季节的最大值0.33 m,接近实测值0.36 m。3月初积雪开始融化,积雪厚度逐渐减小。3月底至4月初,由于气温的升高,积雪深度迅速减小,至4月中旬积雪完全融化,然而,模拟结果比实测结果推迟了2天。从图2中的雪深变化可看出,积雪季初期即积雪累积阶段,模拟值一直被高估;2次融雪过程中,雪深模拟值均被低估;积雪季后期(2015年3~4月),雪深模拟值出现了2次短暂的高估。尽管如此,从图2中的雪深变化亦可看出,整个模拟时段内,模型模拟的积雪累积/消融事件在时间上基本与观测一致,没有明显的延迟和提前。另外,模拟雪深峰值与观测峰值都十分接近,整个时段的RMSE为0.019,总体来看默认参数化方案的雪深模拟效果较好。

图2

图2   默认参数化方案组合雪深和雪水当量模拟结果与观测比较

Fig.2   Variation of snow depth and snow water equivalent, observed and simulated, by default parameterization scheme combination


与雪深同步的雪水当量在初期逐步累积,2月初至3月下旬,雪水当量迅速增大,雪水当量的最大模拟值为59.25 mm,略大于同一时刻雪水当量观测最大值(59.21 mm)。3月下旬开始,由于积雪的消融,雪水当量迅速减小,至4月中旬减小为0。然而,模拟结果比实测结果提前了10天。除在融雪过程最后阶段(4月初)出现短时间低估和高估外,其余时段的雪水当量模拟值与观测值均非常接近,模拟与观测的均方根误差为4.70。

综合图2中雪深、雪水当量的模拟与观测对比情况,Noah-MP模型中的默认参数化方案组合能够较准确地模拟出该站积雪过程的变化情况。因此,Noah-MP模型用于阿勒泰站的积雪过程模拟是可行的。

3.2 敏感性分析

分别计算了全部组合方案(13 824种)雪深和雪水当量模拟结果的RMSE,并按RMSE数值由小到大的顺序进行排序。按5%的比例提取模拟效果较好(RMSE值较小)的692种方案组成“Best members”,模拟效果较差(RMSE值较大)的692种方案组成“Worst members”。图3中,零轴以上表示各参数化方案在“Best members”中出现的频率,零轴以下表示各参数化方案在“Worst members”中出现的频率。以图3a中的物理过程冠层气孔阻力(Canopy Stomatal Resistance,CRS)为例,Best members中CRS(1)(即Ball-berry scheme)出现的频率为0.43,CRS(2)出现的频率为0.57,即表明在“Best members”中的692个集合成员中有43%的组合方案在CRS物理过程中选择了CRS(1)方案, 57%的集合成员选择了CRS(2)。然而,在“Worst member”中CRS(1)和CRS(2)被选择的频率分别为0.47和0.53,表明“Worst members”中有47%的集合成员选择CRS(1),53%的集合成员选择了CRS(2)。

图3

图3   雪深和雪水当量集合模拟试验中同一物理过程的不同参数化方案在best members(0~1)和worst members(-1~0)中的选择频率

Fig.3   The selected frequency of different schemes of each physical process for snow depth and snow water equivalent, respectively, in the best members (0~1) or worst members (-1~0) in ensemble experiments


2种参数化方案在“Best members”中的频率选择差异表明,与CRS(1)相比,CRS(2)会有更高的几率产生较好的模拟结果;然而,2种参数化方案在“Worst members”中的选择频率(Ball-berry=0.47, Jarvis=0.53)表明,与CRS(1)相比较,CRS(2)会有更高的几率产生较差的模拟结果。尽管难以通过以上结果确定哪一种更具优势,但2种参数化方案的被选择频率足以说明雪深和雪水当量的模拟结果对物理过程CRS并不敏感。图3中各参数化方案的频率分布表明,无论是对雪深还是对雪水当量的模拟试验,物理过程CRS、控制气孔阻力的土壤湿度参数(Soil Moisture Factor Controlling Stomatal Resistance,BTR)、径流和地下水(Runoff and Groundwater,RUN)、冻结土壤渗透(Frozen soil permeability,INF)、冻结土壤中过冷液态水(Supercooled Liquid Water in Frozen Soil,FRZ)、植被冠层辐射传输(Radiation Transfer,RAD)和雪表层反照率(Snow Surface Albedo,ALB)中的各参数化方案在“Best members”和“Worst members”集合中出现的频率差异并不显著,即表明雪深和雪水当量的模拟结果对以上物理过程不敏感。

值得注意的是,无论是在“Best members” 还是在“Worst members”中,物理过程表面热交换系数(Surface Exchange Coefficient for Heat,SFC)、雨雪分离(Partitioning Precipitation into Rainfall and Snowfall,PCP)、土壤温度下边界条件(Lower Boundary Condition of Soil Temperature,TBOT)和第一层积雪或土壤温度的时间方案(The First-Layer Snow or Soil Temperature Time Scheme,TEMP)中各参数化方案的频率差异均相对较为明显。特别是物理过程SFC和TEMP中的方案出现的频率截然不同,SFC(1)和TEMP(1)方案在雪深和雪水当量模拟的“Best members”中出现的频率均为100%,SFC(2)和TEMP(2)方案出现的频率均为0;而在与之对应的“Worst members”集合中,SFC(1)和TEMP(1)方案出现的频率均为0,SFC(2)和TEMP(2)方案出现的频率均为100%。表明在雪深和雪水当量的模拟试验中,方案SFC(1)和TEMP(1)均有助于提高模拟效果,相反,SFC(2)和TEMP(2)均有助于降低模拟效果。以上2个物理过程中,参数化方案出现的频率差异十分显著,与物理过程PCP和TBOT相比较,SFC和TEMP对雪深和雪水当量的模拟结果更敏感。

SFC(1)和SFC(2)在稳定和不稳定条件下均使用相同的稳定相关函数计算地表热交换系数CH[12]。SFC(1)是基于更具通用性的莫宁—奥布霍夫相似定律,SFC(2)是选用Noah-v3中的参数化方案[公式(2)和(3)]。2种方案最大的差别在于SFC(1)考虑了零平面位移高度d0,SFC(2)仅考虑用于计算热量和动量粗糙长度的不同。2种方案的差异将主要表现在地表热交换系数CH的计算结果上,以及对能量和水平衡的影响。文中雪深和雪水当量的集合模拟结果表明,SFC(1)的性能要优于SFC(2)方案的性能,与参考文献[8]和[25]中利用该方案模拟通量的结果相一致。

CH=κ2/lnz-d0z0m-ψmz-d0L
lnz-d0z0h-ψhz-d0L ,(M-O),
CH=κ2/lnzz0m-ψmzL+ψmz0mL
×lnzz0h-ψhzL+ψhz0hL,(Chen97),

式中:κ表示Karmon常数,L表示Monin-Obukhov长度,z表示参考高度,z0hz0m分别表示热量和动量的粗糙长度,d0表示M-O方案中的零平面高度。2种方案选取相同的稳定订正函数(ψmψh)分别用于稳定和不稳定条件中。

当土壤发生发生冻结后,尽管温度已在零摄氏度以下,但由于土粒毛细管力的作用使得靠近土粒的水分仍然保持液态形式。雪深集合模拟试验中,FRZ(1)在“Best members”中的使用频率为0.83,而FRZ(2)在“Worst members”中的使用频率为0.78。在雪水当量模拟试验中,FRZ(1)在“Best members”中出现的频率为0.72,而FRZ(2)在“Worst members”中被选择的频率为0.84。统计结果表明,雪深和雪水当量的集合模拟试验中,FRZ(1)的性能明显好于FRZ(2)。FRZ(1)是采用一般形式的冻结点抑制方程[26],FRZ(2)则是采用包含有1+8θice2项的冻结点抑制方程变形形式[10]。与FRZ(1)相比较,FRZ(2)方案将会在土壤中产生更多液态水。

采用合适的参数化方案将降水分为降雨和降雪两部分,能够直接对雪深模拟结果产生影响。在“Best members”中,PCP(1)和PCP(2)的选择频率差异并不十分显著,PCP(3)的选择频率明显远大于PCP(1)和PCP(2)。雪深和雪水当量的试验结果表明,与PCP(1)和PCP(2)相比,选择参数化方案PCP(3)会有更大的几率产生较好的模拟结果。该物理过程将地表气温Tair作为评判标准,PCP(3)在Tair<Tfrz的情况下将降水全部划分为降雪,其余情况下将降水全部划分为降雨。当Tair频繁在凝固点温度左右变化时,模型的积雪累积模拟结果将会对该物理过程的参数化方案非常敏感[10]。在阿勒泰站,积雪融化阶段的气温在凝固点左右变化范围较大,因此,模拟结果对该物理过程参数化方案的选取较为敏感,即PCP(3)更符合该站的实际情况。

TBOT(1)在处理土壤温度下边界条件时假定没有热通量进入土柱中;TBOT(2)则是假定在土层8 m深处存在热通量进入土柱中。这2种假定使得2种参数化方案计算的土壤温度有很大的不同,进而影响雪层的融化过程。图3显示,物理过程TBOT的2种参数化方案在雪深和雪水当量模拟试验中的表现基本相同。在“Best members”中,参数化方案TBOT(2)与TBOT(1)出现的频率基本相同,同样,在“Worst members”中,TBOT(1)出现的频率均要远高于TBOT(2)。虽然从图3中能够看出物理过程TBOT的2种参数化方案之间存在明显的差异,但并不能得出二者优劣的结论。

TEMP被用于求解热扩散方程,TEMP(1)为半隐式方法,TEMP(2)为全隐式方法。2种方案的差异主要表现在计算热扩散方程系数的方式上,能够对土壤和雪层中的热量传输和扩散产生直接影响。在雪深和雪水当量的集合模拟试验中,参数化方案TEMP(1)与TEMP(2)的选择频率的差异十分显著,2种方案在“Worst members” 和“Best members” 集合中出现的频率刚好相反(图3),与物理过程SFC相似,雪深和雪水当量的模拟结果对物理过程TEMP具有高度的敏感性。

3.3 不确定性范围分析

上一节分析结果表明,雪深和雪水当量的模拟结果对SFC和TEMP 2个物理过程具有较高的敏感性,在此基础上,本节进一步探讨雪深和雪水当量集合模拟试验中的不确定性。

根据敏感性试验结论,设计试验Ens2用于探讨敏感物理过程参数化方案的重要性。Ens2采用Ens1中相同的驱动数据和参数,非敏感物理过程均选用默认参数化方案,对4个敏感物理过程的参数化方案任意组合,形成集合数为24的多参数化方案集合模拟试验(表2)。图4为雪深和雪水当量全部物理过程与敏感物理过程参数化方案组合的不确定性范围比较,从图4可看出,积雪积累期内全部方案组合的变化趋势基本相同,不确定性较小;积雪融化期内模拟结果的不确定性较大,自3月下旬开始,不同方案在同一天的模拟值差别较大,不同参数化方案组合的差异主要表现为融化时间的不同。结合雪深和雪水当量的不确定性范围可看出,集合模拟试验的不确定性主要表现在积雪的融化阶段,不同参数化方案组合对积雪融化过程的描述不尽相同,使得积雪融化所需时间以及雪深和雪水当量的模拟结果差异较大。由此说明,同一模型构架下选取合适的参数化方案对模拟结果至关重要。

图4

图4   全部参数化方案组合和敏感物理过程参数化方案组合的不确定范围比较

Fig.4   Comparison of uncertainty breadth in total parameterization combination to sensitivity parameterization combination

(a)雪深;(b)雪水当量

(a)Snow depth;(b)Snow water equivalent


从图4可看出,在不考虑驱动数据和模型参数不确定性条件下,多参数化方案集合模拟试验的不确定性主要来源于敏感物理过程。针对敏感物理过程选取合适的参数化方案是减少模拟结果不确定性、提升模拟效果的有效手段。因此,需要在敏感物理过程中进一步探讨不确定性的来源。根据3.2节中的结论,对雪深和雪水当量模拟结果敏感的物理过程主要有SFC,PCP,TBOT和TEMP,其中SFC和TEMP 2个物理过程的敏感性十分显著。另外,敏感性分析结果表明SFC和TEMP的参数化方案对模拟性能起到相反的效果。在此基础上,根据SFC和TEMP 2个物理过程参数化方案的选择,将Ens2中的集合成员分为4组,每组对应6个集合成员,即Ens3~Ens6:2个物理过程均选择较好的参数化方案(Ens3);SFC选择较好的参数化方案,TEMP选择较差的参数化方案(Ens4);SFC选择较差的参数化方案,TEMP选择较好的参数化方案(Ens5);2个物理过程同时选择较差的参数化方案(Ens6);在减小集合数的情况下,进一步分析集合模拟结果不确定性的变化。

5为Ens3-Ens6雪深和雪水当量的集合模拟试验结果。从图5可看出,4组试验中不同方案的模拟结果在积雪累积阶段基本相同,但在积雪融化阶段中模拟结果差异较大。根据3.2节中敏感性分析结果,参数化方案SFC(1)明显好于SFC(2),TEMP(1)明显好于TEMP(2)。结合图2中雪深和雪水当量的观测数据可发现,SFC和TEMP 2个物理过程在同时选取较好参数化方案的情况下,雪深和雪水当量的集合模拟结果不确定性范围较小,与观测最接近;SFC和TEMP 2个物理过程在同时选取较差参数化方案的情况下,雪深和雪水当量的模拟结果与观测相差最大,积雪融化时间最长,积雪完全融化的时间点与观测数据相比较整整延迟1个月。SFC=1和TEMP=2的情况下,其模拟结果不确定性仅次于2个物理过程同时取最差参数化方案的情形。从整体上看,变换选择SFC和TEMP 2个物理过程的参数化方案所形成的不确定性范围几乎等同于全部组合方案模拟结果的不确定性,SFC和TEMP 2个物理过程参数化方案的选取能够使模拟结果产生较大的差异。当这2个物理过程同时选择较好的参数化方案时,形成的6种组合方案可作为雪深和雪水当量最优模拟结果集合组。进一步计算了最优模拟结果集合组中6种组合方案模拟结果的RMSE,发现其余敏感物理过程均选择较好的参数化方案时,其RMSE值最小。因此,全部敏感物理均选择较好方案时可构建最优参数化方案组合。

图5

图5   最敏感参数化方案组合的不确定性范围比较

Fig.5   Comparison the uncertainty breadth of the most sensitivity parameterization combination

(a)雪深;(b)雪水当量

(a)Snow depth;(b)Snow water equivalent


4 结 论

文中利用Noah-MP模型对北疆阿勒泰站2014年10月1日至2015年9月30日的雪深和雪水当量变化情况进行了模拟。根据Noah-MP模型多参数化方案的特点设计了多参数化方案集合模拟试验。在集合试验的基础上分析了物理过程的敏感性,根据敏感性分析结果进一步讨论了集合模拟试验的不确定性,主要得到了以下结论:

(1)对雪深和雪水当量模拟结果敏感的物理过程为SFC,PCP,TBOT和TEMP,其中SFC和TEMP 2个物理过程的敏感性特别明显,其参数化方案的选择对雪深和雪水当量模拟结果的影响较大。参数化方案SFC1明显好于SFC2,TEMP1明显好于TEMP2。

(2)与积雪累积阶段相比较,积雪融化阶段对参数化方案更加敏感。雪深和雪水当量多参数化方案集合模拟试验的不确定性主要是来源于敏感物理过程,敏感物理过程中选择不同参数化方案导致模拟结果的差异,主要表现在积雪的融化阶段。

(3)敏感物理过程集合模拟试验模拟结果的不确定性大小基本等同于全部物理过程集合模拟试验模拟结果的不确定性大小。SFC和TEMP 2个物理过程分别选最优参数化方案和最差参数化方案产生的模拟结果差异较大,2个物理过程的参数化方案选择直接关系到雪深和雪水当量模拟结果的取值范围。

(4)敏感性和不确定性分析结果可作为陆面模型模拟积雪过程的参考。可根据文中的结果对部分较差的参数化方案进行剔除,文中分析结果表明在剔除较差参数化方案后,模型的性能可得到一定的提升。

模型结构是模拟结果不确定性的主要来源,Noah-MP模型多参数化方案集合模拟试验可用于改善模型结构,提高模型模拟性能。文中围绕积雪过程集合模拟试验展开了分析和讨论,获得的结论可供陆面过程模型模拟积雪过程参考。但文中结论存在一定的局限性,主要表现为:文中的试验是在不考虑模型驱动数据和参数的不确定性条件下,对多参数化方案集合模拟试验的不确定性进行讨论,驱动数据和参数本身存在一定的不确定性;文中是以阿勒泰站气象观测数据结合Noah-MP模型进行试验,因此,所得结论具有一定的适用范围,是否适用于北疆其他地区需要进一步讨论和研究。下一步,我们将在以上工作基础上,进一步开展区域积雪过程多参数化方案集合模拟试验的不确定性分析。

参考文献

Walsh J E , Jasperson W H , Ross B .

Influence of snow cover and soil moisture on monthly air temperature

[J]. Monthly Weather Review, 1985, 113(5): 756-768.

[本文引用: 1]

Baenett T P , Dumenil L , Schlese U , et al .

The effect of Eurasian snow cover on regional and global climate variations

[J]. Journal of the Atmospheric Sciences, 1989, 46(5): 661-685.

[本文引用: 1]

Vernekar A D , Zhou J , Shukla J .

The effect of Eurasian snow cover on the Indian monsoon

[J]. Journal of Climate, 1995, 8(2): 248-266.

[本文引用: 1]

Xiao Xiongxin , Zhang Tingjun .

Passive microwave remote sensing of snow depth and snow water equivalent: Overview

[J]. Advances in Earth Science, 2018, 33(6): 590-605.

[本文引用: 1]

肖雄新,张廷军 .

基于被动微波遥感的积雪深度和雪水当量反演研究进展

[J]. 地球科学进展,2018336):590-605.

[本文引用: 1]

Wang Jian , Che Tao , Li Zhen , et al .

Investigation on snow characteristics and their distribution in China

[J]. Advances in Earth Science, 2018, 33(1): 12-26.

[本文引用: 1]

王建车涛李震 .

中国积雪特性及分布调查

[J]. 地球科学进展,2018,331):12-26.

[本文引用: 1]

Verbunt M , Gurtz J , Jasper K , et al .

The hydrological role of snow and glaciers in alpine river basins and their distributed modeling

[J]. Journal of Hydrology, 2003, 282(14): 36-55.

[本文引用: 1]

Parrish M A , Moradkhani H , DeChant C M .

Toward reduction of model uncertainty: Integration of Bayesian model averaging and data assimilation

[J]. Water Resources Research, 2012, 48: W03519.

[本文引用: 1]

Zhang G , Chen F , Gan Y J .

Assessing uncertainties in the Noah-MP ensemble simulations of a cropland site during the Tibet Joint International Cooperation program field campaign

[J]. Journal of Geophysical Research Atmospheres, 2016, 121(16): 9 576-9 596.

[本文引用: 6]

Yang Z L , Niu G Y , Mitchell K E .

The community Noah land surface model with multiparameterization options (Noah-MP): 2. Evaluation over globalriver basins

[J]. Journal of Geophysical Research Atmospheres, 2011, 116: D12110.

[本文引用: 3]

Gao Y H , Li K , Chen F , et al .

Assessing and improving Noah-MP land model simulations for the central Tibetan Plateau

[J]. Journal of Geophysical Research Atmospheres, 2015, 120(18): 9 258-9 278.

[本文引用: 5]

Cai X T , Yang Z L , David C H , et al .

Hydrological evaluation of the Noah-MP land surface model for the Mississippi River Basin

[J]. Journal of Geophysical Research—Atmospheres, 2014, 119(1): 23-38.

[本文引用: 3]

Niu G Y , Yang Z L , Mitchell E , et al .

The community Noah land surface model with multi-parameterization options (Noah-MP):1. Model description andevaluation with local-scale measurements

[J]. Journal of Geophysical Research Atmospheres, 2011,

116(D12)

DOI:10.1029/2010JD015140.

[本文引用: 4]

Zheng D H , Van Der Velde R , Su Z B , et al .

Assessment of Noah land surface model with various runoff parameterizations over a Tibetan river

[J]. Journal of Geophysical Research Atmospheres, 2017, 122(3): 1 488-1 504.

[本文引用: 1]

Fang Y H , Zhang X N , Niu G Y , et al .

Study of the spatiotemporal characteristics of meltwater contribution to the total runoff in the Upper Changjiang River Basin

[J]. Water, 2017, 9(3): 165.

[本文引用: 1]

Ma Yuan , Li Hongyi , Zhang Pu , et al .

The improvement of using gamma-ray detect snow water equivalent

[J]. Remote Sensing Technology and Application, 2017, 32(1): 57-63.

[本文引用: 1]

马媛李弘毅张璞 .

利用伽马射线探测雪水当量方法的改进

[J]. 遥感技术与应用, 2017, 32(1): 57-63.

[本文引用: 1]

Chen F , Mitchell K , Schaake J , et al .

Modeling of land-surface evaporation by four schemes and comparison with FIFE observations

[J]. Journal of Geophysical Research—Atmospheres, 1996, 101(D3): 7 251-7 268.

[本文引用: 1]

Chen F , Janjic Z , Mitchell K .

Impact of atmospheric surface layer parameterization in the new land-surface scheme of the NCEP mesoscale Eta numerical model

[J]. Boundary-Layer Meteorology, 1997, 85(3): 391-421.

[本文引用: 1]

Chen F , Dudhia J .

Coupling an advanced land surface hydrology model with the Penn State-NCAR MM5 modeling system. Part I: Model implementation and sensitivity

[J]. Monthly Weather Review, 2001, 129(4): 569-585.

[本文引用: 1]

Ek M B , Mitchell K E , Lin Y , et al .

Implementation of Noah land surface model advances in the National Centers for Environmental Prediction operational mesoscale Eta model

[J]. Journal of Geophysical Research Atmospheres, 2003, 108(D22): 1-16.

[本文引用: 1]

Niu G Y , Yang Z L , Dickinson R E , et al .

Development of a simple groundwater model for use in climate models and evaluation with gravity recovery and climate experiment data

[J]. Journal of Geophysical Research Atmospheres, 2007, 112: D07103.

[本文引用: 1]

Dickinson R E , Shaikh M , Bryant R , et al .

Interactive canopies for a climate model

[J]. Journal of Climate, 1998, 11(11): 2 823-2 836.

[本文引用: 1]

Shangguan W , Dai Y J , Liu B Y , et al .

A soil particle-size distribution dataset for regional land and climate modelling in China

[J]. Geoderma, 2012, 17185-91.

[本文引用: 1]

Chen F , Barlage M , Tewari M , et al .

Modeling seasonal snowpack evolution in the complex terrain and forested Colorado Headwaters region: A modelinter-comparison study

[J]. Journal of Geophysical Research Atmospheres, 2014, 119(24): 13 795-13 819.

[本文引用: 1]

Xia Y L , Sheffield J , Ek M B , et al .

Evaluation of multi-model simulated soil moisture in NLDAS-2

[J]. Journal of Hydrology, 2014, 512: 107-125.

[本文引用: 1]

Hong S , Yu X , Park S K , et al .

Assessing optimal set of implemented physical parameterization schemes in a multi-physics land surface model using genetic algorithm

[J]. Geoscientific Model Development, 2014, 72 517-2 529.

[本文引用: 1]

Niu G Y , Yang Z L .

Effects of frozen soil on snowmelt runoff and soil water storage at a continental scale

[J]. Journal of Hydrometeorology, 2006, 7(5): 937-952.

[本文引用: 1]

/