在不同的气候条件下土壤类型数据集对区域陆地水循环模拟的影响外文翻译资料

英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料

在不同的气候条件下土壤类型数据集对区域陆地水循环模拟的影响

关键点：

·土壤水分和地表水平衡对土壤类型的敏感性取决于干旱程度

·模拟的土壤湿度，蒸散和洪水指数在湿润，过渡和干旱地区分别最为敏感

·具有地下水组分的模式比没有地下水组分的模式对土壤类型显示出更大的敏感性

摘要:

水文模拟在估算陆地水预报和监测洪水等极端事件方面发挥着重要作用，本研究调查了这些模拟如何受到土壤类型数据集的影响，并描述了这些影响随气候变化的特征。我们利用来自粮农组织和北京师范大学的两个土壤数据集，研究了中国的两个集合模拟与Noah-MP地表模式的差异。对于估算的土壤水分，蒸散和径流之间的降水分配以及洪水量指数，从2003年到2012年的10年期间对集合均值的差异进行了分析。结果表明，采用沙地土壤类型的水文模拟结果表明，土壤含水量较低，蒸散量较小，地表径流较高。这些效应中的每一个都随着干旱而变化。湿度和干旱区过渡区水分平衡分量（蒸散量和径流）峰值变化，洪水量表示为按年流量标准化的最大日流量，也受到输入土壤类型的显着影响。粘土多，沙量少的土壤类型产量明显偏大，特别是在干旱地区。

1.引言

土壤湿度、蒸散和径流是理解陆地水循环的重要变量。土壤湿度是陆地蓄水的主要组成部分，限制了降水分配到蒸散和径流[Seneviratne 等人，2010]。通过从地表向大气提供水分。蒸散大大影响了云的形成和降水[Wang 和Dickinson，2012]。作为不会蒸发或渗透土壤的降雨的一部分，径流融合到河流中，是农业灌溉的主要水源[Rost等，2008]。洪水为极端径流事件，是社会的主要自然灾害[Hirabayashi等人，2013]。

陆面模式（LSMs）为监测这些变量的地理分布和时间变化提供了一个系统的方法，因此这些模式经常被用来预测干旱和洪水[Xia 等人，2014；Wood等人，2015]。然而，使用LSM的模拟经历了很大的不确定性，这归因于大气强迫[Wang 和Zeng，2011；Liu和Xie，2013]、参数化方案[Gao等，2015； Zheng 等人，2016]、植被条件[Zhang 等人，2001]以及土壤性质的假设[Richter 等人，2004；Xie等人，2015]。

但是，这些研究并没有提供关于土壤类型如何影响不同气候条件下土壤水分和表面水分平衡的综合结论，而是强调了水文过程的条件[Guo 等人，2014；van der Velde等，2014]。在潮湿地区，年降水量大于年潜在蒸散量（解释为年度净辐射量除以Arora [2002]和Gerrits等[2009]的本文中的蒸发潜热），径流很可能超过蒸散[Arora，2002]。在年降水量远低于年潜在蒸散量的干旱地区，蒸发蒸腾占主导地位[Arora，2002]。

请注意，以前的研究通常只使用一个单一的LSM，并假设不同模式的灵敏度是相同的。然而，由于不同的参数化方案，LSM在复制陆地水预算方面也表现不同，由许多团队参与的地表参数化方案比较项目[Henderson-Sellers等，1993]以及最近的大陆模式比较尺度模式[Cai等，2014b；夏等人，2015]，Bastidas等人[2006]指出模式模拟中的这种差异会影响具有相似物理意义参数的敏感性，这在以前的研究中经常被忽略。

本文旨在了解不同参数化方案下模式敏感性对土壤类型对气候条件的依赖性以及灵敏度的一致性。使用两个中国的土壤数据集进行一对数值实验，每个数据集由12个Noah多参数化（Noah-MP）成员组成。利用重力恢复和气候实验（GRACE）发布的陆地水储存异常数据和移动分辨率成像光谱仪（MODIS）的蒸散估计，对模式性能进行评估。在此基础上，分析了干旱对土壤水分气候学模式敏感性，年平均地表水通量和洪水量对土壤类型的调控作用。还讨论了合唱团成员敏感度的一致性问题。

本文组织如下。第2节代表模式和数据。第3节报告了不同参数化方案下的模式灵敏度和一致性结果。第4节和第5节分别给出了讨论和结论。

1. 方法

2.1.土壤数据集

使用了粮农组织（FAO）和北京师范大学（BNU）两种土壤类型的数据集。据我们所知，这些数据集是中国全国陆地水循环建模的唯一两个公开可用的数据集。粮农组织数据来源于粮农组织/联合国教育，科学及文化组织世界土壤地图（SMW），规模为1：5,000,000 [粮农组织/联合国教育，科学及文化组织（粮农组织/教科文组织），1971年-1981]由Reynolds等人[2000]。 BNU数据集由ShangGuan等人以1：1,000,000中国土壤地图（SMC）[2012]在北京师范大学[Shi 等人，2004]编制而成 。 SMW和SMC中编制的土壤剖面数量有很大不同。 SMW仅包含大约60个配置文件[ShangGuan等，2012]，这些文件主要位于中国北方[FAO / UNESCO，1971-1981]。然而，SMC在中国大约有9000个配置文件[ShangGuan 等人，2012]，因此土壤空间异质性很大优于SMW，特别是在中国北方以外的地区（如黄土高原，西北地区，中国南方），SMW没有包含足够的有系统的土壤调查。

从原始土壤质地数据（沙土和粘土含量）确定土壤类型的方法是从Reynolds等人的文章中采用的[2000]。首先，通过不同空间分辨率的原始土壤质地数据的面积加权平均，以0.25°分辨率计算网格化的沙子和粘土含量。然后利用土壤质地三元图将砂土对划分为12个美国农业部土壤类型，可直接用于Noah-MP模式。这种方法适用于粮农组织和北大的数据集。

如图1a所示，FAO和BNU数据集为中国65％的土地面积指定了不同的土壤类型。在FAO和BNU数据集之间土壤类型最常见的差异中，三类误差覆盖了中国的40％，并发生在所有气候区域：在FAO数据集中的土壤、BNU数据集（L-SiL）中的淤泥壤、粮农组织数据集中的肥沃土壤、BNU数据集中的沙壤土。在粮农组织中的粘土壤土

缺乏足够的土壤调查，土壤的代表性是建模不确定性的主要来源[Bastidas等人，2006；施等人，2014]。一些研究调查了这种不确定性如何影响区域水文模拟。 Osborne等人[2004]研究了土壤质地对区域水文模拟的影响，发现土壤性质改变了地表径流和地下径流过程之间的分配。 Livneh等人[2015]使用来自协调世界土壤数据库（HWSD）和国家土壤地理（STATSGO2）项目的两个土壤数据集对密西西比河流域的一对模拟进行了比较，结果显示这两个实验在响应极端事件（洪水和干旱）。 De Lannoy等人[2014]从HWSD版本1.21和STATSGO2数据编制了一个新的土壤数据集。修正后的数据集改善了BNU数据集中土壤水分和地表水通量的模拟气候水平。与粮农组织相比，BNU数据集显示在黄河流域上游和下游，尤其是在黄土高原地区淤积更多。这表明BNU数据集已经捕获了以风致淤积沉积为特征的区域土壤特征[Liu等，1999]。

图1.模拟域和BNU与FAO土壤类型数据集之间的差异：

1. 土壤类型差异，（b）砂含量差异，以及（c）粘土含量差异。
2. Sa =砂，C =粘土，Si =淤泥，L =壤土。
3. 六种最常见的土壤类型变化的面积分数用圆括号表示。

图1b和图1c使用的是Cosby等人的查找表，从土壤类型得到的沙土和粘土含量的差异中 [1984]。 BNU数据集意味着黄河流域和西北地区（图1b中红色多边形内的区域）的沙粒较少，与实地观测结果更为一致[ShangGuan等，2012]。在中国南方和中国东北地区的BNU数据的土壤比粮农组织的数据更为清晰。但是，对这两个数据集进行全面的评估超出了本文的范围，因为它侧重于分析模式对土壤类型的敏感性。

2.2.实验设计

所有模拟都使用了具有多参数化（Noah-MP）的Noah LSM。Noah-MP模式在物理现实主义方面改进了原来的模式（现在包括一个交互式植被冠层，一个多层积雪和一个动态地下水部分等）[Niu等，2011]。该模式已被证明合理地复制了多尺度陆地水文过程[Yang 等人，2011; Cai等，2014a，2014b]。由于Noah-MP模式为选定的过程提供多种方案，因此非常适合执行整体模拟。

使用FAO和BNU两个实验土壤数据集进行了多参数化集合方法，并以它们命名了 12个Noah- MP成员的合体配置的4个径流参数化方案和3个beta;因子方案（表1）。

选择径流和beta;因子方案是因为它们主导了土壤水分模拟及其与蒸散量的关系[Yang 等人，2011]。四种径流选择的是简单水平衡（SWB）、生物圈 - 大气转移方案（BATS）、简单模式（SIMTOP）和简单地下水模式（SIMGM）。Noah通过的SWB（Chen 和Dudhia，2001）将地表径流定义为总渗透量未渗透到土壤中的成分。 BATS [Dickinson等，1993]采用“分数饱和面积”的概念和径流模式作为表层土壤水分的函数。 SIMTOP [Niu等人，2005]和SIMGM [Niu等人，2007]基于TOPMODEL，考虑到帐户地形效应和模式径流作为地形和水位深度的函数。前两者有引力排水边界条件，后两者以地下水位为下限。本文使用的三个beta;因子选项是Noah-type（使用土壤水分）[Chen和Dudhia，2001]，社区土地模式（CLM-）类型（使用毛细管电位）[Oleson等人，2004]和简单的简单生物圈（SSiB-）类型（也使用毛细管电势，但用不同的功能表示[Xue 等人，1991]）。Niu等人[2011]提供了这三种beta;因子选项的详细比较。

所有的模拟都是在中国利用全球土地资料同化系统（GLDAS）[Rodell等，2004]的大气压力和植被参数在0.25°的空间分辨率下进行的。 GLDAS大气强迫是由国家环境预报中心 -国家大气研究中心（NCEP-NCAR）基于谢菲尔德等人的普林斯顿全球气象强迫数据集 [2006]用再分析和观测校正的降水，气温和辐射相结合而建成的，考虑到气象变化 和海拔高度。 GLDAS数据集[Hansen等人，2000]中的叶面积指数[Gottschalck等人，2002]和绿色植被分数[Liang 等人，2010]结果均采用先进的高分辨率辐射计（AVHRR）卫星得到。

2.3.模式启动和输出

（1）从1991年1月1日至2003年1月1日，反复模拟1990年全年60次，（2）再次模拟12年中在旋转过程之后，模拟所有实验从2003年1月到2012年12月对该10年的模式结果的气候、月平均值和极端日值进行了计算和分析。

所有的模式输出（例如土壤湿度，蒸散和径流）在每个实验的12个集合成员之间进行平均以产生集合方式。由于参数化方案之间存在显着的差异，因此集合方法应该将个体成员产生的变化进行平均，并提供更准确的水文变量估计[Guo 等人，2007；Gudmundsson等，2012；Liu和Xie，2013]。

从模式输出中导出蒸散（ET）比率、径流比、地表流量指数（SFI）和归一化年最大流量（NAMF），以测量地表水量平衡和洪水。 ET比率和径流比测量了蒸散和径流之间降水的分配。 ET比率定义为年平均蒸散量与年平均降水量的比值。径流比定义为年平均总径流量与年平均降水量的比值。这两个比率是负相关的，由于地表的水平衡，它们的总和等于1 [Yang等人，2011]。所以 SFI为测量地表和地下部分之间的年平均总径流分配，NAMF代表洪水的幅度。 SFI定义为年平均径流量（mm）除以年总径流量（mm）之比[Guo等人，2014]。 NAMF表示为平均最大日径流量（mm）除以年平均径流量（mm）[Vogel和Wilson，1996]。大的NAMF值表示在洪水事件中产生相对较多的径流。虽然这两个措施的含义不同，Guo等人[2014]表明这两项措施之间存在显着的正相关关系。

2.4. GRACE陆地水储存异常

GRACE双星卫星准确地测量它们之间的距离和速度的变化，并检索地球重力场的时间变化[Tapley等人，2004]。由于其他质量变化相对较小，GRACE卫星主要检测陆地蓄水（TWS）的变化。 Landerer和Swenson [2012]以球谐系数形式为基础，创建了基于标准GRACE产品的月度1°TWS异常（TWSA）数据集。我们使用了位于德克萨斯大学奥斯汀分校空间研究中心的CSR RL5.0版本，并将其线性插值到GLDAS网格。

2.5. MODIS蒸散发（ET）

Mu等人的全球ET产品。 [2011]被用来评估模拟蒸散。该产品基于美国国家航空航天局Terra和Aqua卫星上的MODIS观测数据，与偏差（相对误差约为24.1％）的通量塔观测值吻合良好。我们以0.125°的分辨率获得了产品的月度版本，然后推导出2003年到2012年期间在0.25°GLDAS网格上的面积加权年平均值。

2.6. Budykos干旱指数

干燥度是由Budykos干旱指数衡量的。它被定义为年潜在蒸散量与年降水量的比值，年蒸散量为年净辐射量除以水汽化潜热[Gerrits等，2009]。在潮湿地区，干旱指数小于1，这意味着年净辐射不足以蒸发年降水量。在干旱区，干旱指数明显大于1，净辐射超过年降水蒸发所需能量，实际蒸发量远小于潜在蒸发量。根据干旱指数，实际蒸发量受到净辐射或降水的限制。

在这项研究中，

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21598]，资料为PDF文档或Word文档，PDF文档可免费转换为Word