胡泽超, 钟部卿, 陈伟华, 刘玉琦, 王雪梅, 常鸣
粤港澳环境质量协同创新联合实验室, 暨南大学环境与气候研究院, 广州 510443
收稿日期: 2019-11-18; 修回日期: 2020-02-20; 录用日期: 2020-02-20
基金项目: 国家重点研发计划（No.2017YFC0210100）；国家自然科学基金项目（No.41705123，41905105）；2019广东省科技创新战略专项资金项目（No.2019B121205004）
作者简介: 胡泽超(1994-), 男, E-mail:huddao1257@gmail.com
通讯作者（责任作者）: 王雪梅, E-mail:eciwxm@jnu.edu.cn
常鸣, E-mail:changming@email.jnu.edu.cn

摘要：陆面过程中的热量交换对于确定生态系统中的水文循环、边界层发展、天气和气候至关重要，然而目前陆面模式Noah-MP对地表热通量模拟的偏差在-180~180 W·m^-2之间，为明确模拟不确定性来源，本研究基于FLUXNET全球热通量观测数据，在5种气候类型、9类下垫面系统定量评估了Noah-MP感热和潜热通量模拟的不确定性.结果表明：Noah-MP在不同类型下对感热和潜热通量模拟的平均误差主要分布在-80~10 W·m^-2和-30~10 W·m^-2之间，模型在气候类型为热带和干旱气候以及下垫面类型为草地、针叶林、落叶阔叶林的模拟误差最大.研究发现植被过程是热通量模拟不确定性的主要来源，其次是水文过程和土壤过程；其中动态植被模型（DVEG）是植被过程模拟的主导因子，其次是湍流输送过程（SFC）、冠层气孔阻抗（CRS）和冠层辐射传输（RAD）.
关键词：陆面模式Noah-MP热通量不确定性分析气候类型下垫面
Uncertainty analysis of physical process on surface heat flux simulation in Noah-MP land surface model
HU Zechao, ZHONG Buqing, CHEN Weihua, LIU Yuqi, WANG Xuemei, CHANG Ming
Guangdong-Hongkong-Macau Joint Laboratory of Collaborative Innovation for Environmental Quality, Institute for Environmental and Climate Research, Jinan University, Guangzhou 510443
Received 18 November 2019; received in revised from 20 February 2020; accepted 20 February 2020
Abstract: Heat exchange in the land surface process is essential to determine hydrological cycles, boundary layer development, weather and climate in ecosystems. The bias of the surface heat flux simulated by Noah-MP land surface model ranged between -180 and 180 W·m^-2. To investigate the sources of uncertainty in simulation, this study systematically assesses the uncertainty of Noah-MP sensible and latent heat flux simulation in 5 climate zones and 9 land cover types based on FLUXNET global heat flux observation data. The result shows that the average error of sensible and latent heat flux simulation is -80~10 W·m^-2 and -30~10 W·m^-2at different types, respectively, with the largest simulation error found in the climate zone of tropical and arid, and land cover types of grassland, evergreen needle-leaved forest and deciduous broad-leaved forest. Vegetation land surface processes are the primary source of uncertainty in heat flux simulation, followed by water and soil land surface processes. The Dynamic Vegetation Model (DVEG) is the dominant factor affecting vegetation process simulation, followed by Surface Exchange Coefficient for Heat, C_H (SFC), Canopy Stomatal Resistance (CRS) and Radiation Transfer (Rad).
Keywords: noah-mp land surface modelheat fluxuncertainty analysisclimate zoneland cover type
1 引言(Introduction)陆面是气候系统的重要组成部分, 陆面过程是指发生在陆地表面, 与大气运动联系密切的物理和生化过程.陆面过程影响着不同时空尺度地-气之间动量、能量和物质的交换, 为天气和气候系统的发展提供必要的下边界条件(孙菽芬, 2005), 而能量交换中的感热通量(SH)和潜热通量(LH)对于确定生态系统中的水文循环、边界层发展、天气和气候至关重要(Wilson et al., 2002).
陆面模型是用来探索地-气能量和物质交换的重要工具, 其同时也是全球气候、气象模式和大气化学模式中的基础组成部分.目前应用较广泛的陆面模式有Noah LSM、SSiB、CLM、CABLE等(Barlage et al., 2015), Noah-MP是Niu和Yang等(Niu et al., 2011; Yang et al., 2011)在Noah LSM模式的基础上构建的具有多个参数化方案选项的陆面模式, 其继承了Noah LSM水热耦合过程全面的优点, 并在此基础上有机的耦合了多种不同陆面模式(如CLM、SSiB等)中的植被冠层、辐射传输方案和水文模块, 使得研究人员可根据研究需要灵活的设置不同的陆面参数化方案组合.很多****对Noah-MP研究后发现其在土壤温/湿度、陆地储水、径流、气温等的模拟上有较好的应用潜力(Cai et al., 2014a; 2014b; Gao et al., 2015; 张果等, 2016; Zhang et al., 2016; Ma et al., 2017; 叶丹等, 2017).
以往基于Noah-MP的研究中SH和LH模拟的偏差水平分别约在-44~180和-180~90 W·m^-2之间, 模拟结果的不确定性较高(Chen et al., 2009; Cai et al., 2014a; 2014b; Gao et al., 2015; Pilotto et al., 2015; Chen et al., 2016; Park et al., 2016; 张果et al., 2016; Zhang et al., 2017; 叶丹et al., 2017; Ma et al., 2017; Van Den Broeke et al., 2018; Chang et al., 2020), 且这些研究常聚焦于单个气候类型或几个下垫面, 未对模型在不同气候、下垫面类型下的模拟能力进行横向对比和评估；虽然Noah-MP已经耦合了多种方案和模块, 但模型内不同方案的共同作用仍有待考量.为全面定量评估Noah-MP在不同类型下对热通量模拟的表现, 探究影响模拟不确定性的主要物理过程来源, 本研究利用FLUXNET全球观测数据集, 将Noah-MP中12个物理过程归为3类陆面过程并分别进行全面实验, 定量分析模型不同物理过程在5类气候类型和9类下垫面类型下热通量模拟的不确定性.期望为其他研究者在使用Noah-MP时提供依据, 并对未来的模式改进提供全面且有针对性的参考.
2 资料与方法(Materials and methods)2.1 观测资料(FLUXNET数据集)简介FLUXNET是全球微气象通量测量站点网, 用于测量生物圈与大气之间的二氧化碳, 水蒸气和能量的交换(Baldocchi et al., 2001).最新发布的FLUXNET2015数据集提供了1991—2014年(不同站点时间长度不同)全球范围内多种下垫面的200多个通量塔站点连续测量的大气状态变量和能量通量等数据(https://fluxnet.fluxdata.org/data/).FLUXNET2015包含了驱动Noah-MP所必需的气象数据, 同时也包含了热通量数据, 可以用来检验Noah-MP对热通量的模拟性能.
FLUXNET2015的数据已经经过统一的质量校准(Baldocchi et al., 2001), 但仍存在问题, 如部分站点出现了长时间的数据缺失.为驱动模型, 本研究参考Zhang(2017)使用的方法, 采用临近插值、线性插值对温度、湿度、辐射、气压和降水等气象数据进行填充, 采用移动窗口中的众数对风速、风向数据进行填充, 并在模拟结果中去除填充数据对应的值.FLUXNET2015包含了9类下垫面, 分别是农田(CRO)、落叶阔叶林(DBF)、落叶针叶林(DNF)、常绿阔叶林(EBF)、常绿针叶林(ENF)、草地(GRA)、混木林(MF)、稀树草原(SA)、灌木林(SHR)和永久湿地(WET).所有可用于Noah-MP模型模拟验证的站点共计183个.主要的下垫面类型是ENF、GRA、DBF、WET和CRO.
K?ppen(1936)基于温度阈值、每月气温和季节性降水将复杂的气候梯度汇总为简单但对生态有意义的5大分类.本研究采用了Beck等(2018)制作的气候分类数据对站点进行归类, 其通过结合多个来源且经地形校正后的气候、气温和降水数据建立了高分辨率(0.0083°)和高可信度(80.0%的分类准确度)的1980—2016年全球气候分类图.包含5类气候类型, 分别是热带气候(A)、干旱气候(B)、温带气候(C)、寒冷气候(D)和极地气候(E), 主要的气候类型是C和D.
站点分布信息如表 1、图 1所示.
表 1(Table 1)

表 1 站点分布 Table 1 Sites description

表 1 站点分布 Table 1 Sites description K?ppen Land cover CRO DBF EBF ENF GRA MF SA SHR WET TOTAL A 0 1 4 0 2 0 6 0 1 14 B 1 1 1 1 6 2 6 4 0 22 C 7 6 7 6 9 1 2 3 3 44 D 9 16 0 39 12 3 0 5 11 95 E 0 0 0 0 4 0 0 1 3 8 TOTAL 17 24 12 46 33 6 14 13 18 183

图 1(Fig. 1)

图 1 FLUXNET2015站点分布(采用K?ppen气候分类, 绿色代表指热带气候, 红色代表干旱气候, 黄色是温带气候, 蓝色是寒冷气候, 灰色是极地气候) Fig. 1Sites location of FLUXNET 2015

2.2 Noah-MP模式简介Noah-MP在继承了Noah LSM水热耦合过程全面、应用领域广泛等优点的基础上, 构建了一个可以自己定义高度、树冠半径、密度、辐射特性等特征的植被冠层, 引入了一个充分考虑了冠层阴影效果、雨雪过程、内部水热传输等条件的双流辐射传输方案, 将水文模型TOPMODEL等机制引入到径流和地下水过程中, 采用了一个动态的植被生长模型来模拟植被的生理过程, 并将以上这些过程有机的耦合在一起, 弥补了Noah LSM陆面过程模式对植被、土壤、水文等之间相互作用过分简化的缺陷.
如表 2所示, Noah-MP中内置了包含12种物理过程在内的31个参数化方案, 本研究将这些物理过程分为3类, 分别是植被过程(以下简称veg, 包含DVEG、CRS、SFC、RAD)、土壤过程(以下简称soil, 包含BTR、TBOT、INF)和冰、雪、径流等水文过程(以下简称water, 包含RUN、FRZ、SNF、STC、ALB).
表 2(Table 2)

表 2 Noah-MP中的参数化方案 Table 2 Physical processes scheme options of Noah-MP

表 2 Noah-MP中的参数化方案 Table 2 Physical processes scheme options of Noah-MP 陆面过程类型 物理过程 代号 参数化选项 默认方案 veg 动态植被模型(DVEG) 1 给定叶面积指数(LAI)及植被覆盖率(GVF) 2 2 动态植被过程模型 3 给定LAI及由此计算的GVF 4 给定LAI及最大GVF 冠层气孔阻抗(CRS) 1 Ball-Berry方案 1 2 Jarvis动态方案 湍流输送过程(SFC) 1 M-O方案 1 2 Chen97方案 冠层辐射传输(RAD) 1 三维冠层形态方案 1 2 无植被间隙方案 3 基于覆盖度的植被间隙方案 soil 土壤水势因子(BTR) 1 Noah方案 1 2 CLM方案 3 SSiB方案 冻土渗透过程(INF) 1 NY06方案 1 2 Koren99方案 土壤底部温度(TBOT) 1 zero-flux方案 2 2 Noah方案 water 径流及地下水(RUN) 1 SIMGM方案 1 2 SIMTOP方案 3 Schaake96方案 4 BATS方案 过冷水过程(FRZ) 1 NY06方案 1 2 Koren99方案 积雪反照率(ALB) 1 BATS方案 2 2 CLASS方案 雨雪分离过程(SNF) 1 Jordan91方案 1 2 BATS方案 3 Noah方案 雪/土温积分(STC) 1 半隐式方案 1 2 Noah方案

2.3 采用的不确定性来源识别方法2.3.1 采用的统计指标① ?本文采用平均偏差MB (Mean Bias)来计算模拟结果的准确度, 值越小越好.MB是指所有模拟值和监测值的时间配对差值进行平均:

(1)

式中, N为数据的个数, M_i为某一时刻的模拟值, O_i为对应时刻的观测值.
② ?均方根误差RMSD(Root Mean Square Deviation)反映了模拟结果相对于观测数据分布的离散程度, 离散度越小可预报性越高.

(2)

③ ?标准差SD (Standard Deviation)代表了数据分布的离散程度, 模拟结果的SD越接近观测的SD, 说明模拟越能符合观测的波动特征.计算如下:

(3)

式中, N为数据的个数, x_i为某一时刻的值, μ为数据的平均值.
④?相关系数R²主要用于衡量模拟和观测之间的线性相关程度.计算如下:

(4)

式中, μ_M为模拟的平均值, μ_O为观测的平均值.
2.3.2 采用的评估方法本研究构建了归一化的统计得分(rate)来评估热通量的模拟性能, 将某次模拟中SH与LH所得的rate取平均可以得出该次模拟的性能, rate的值越接近0说明模拟效果越好:

(5)

(6)

(7)

(8)

式中, rate_RMSD、rate_SD和rate_R²是RMSD、SD和R²归一化后的数值, RMSD_i是某一参数化方案组合的RMSD, RMSD_max是所有方案组合的最大RMSD, RMSD_min同理, SD_obs是观测的SD, SD和R²的归一化计算式中每项的含义与RMSD的相同.
2.4 模拟试验设计本研究采用Noah-MP单点模式进行模拟, 其运行机制为某一时刻的输入数据仅会产生同一时刻和所设置步长内的输出结果.为尽量减少数据缺失、数据填充方法(填充方法见2.1节)对模拟结果的影响, 本研究使用经填充的气象数据在模型中进行了10次的循环使模型稳定(依站点的不同, 经过一次完整时间序列的模拟称为1次循环), 取第10次的输出数据作为模拟的最终结果, 并在模拟结果中去除了缺失数据、填充数据对应的数据.对于地表热通量而言有Rn=SH+LH+G+S, 其中Rn是净辐射通量, SH、LH和G分别是感热通量、潜热通量和土壤热通量, S为储热, S白天为正、夜间为负.由于在FLUXNET中未提供储热数据, 为尽量将S的影响降到最低, 本研究采用每日的平均数据进行研究.
通过控制单一类型陆面过程中的所有机制改变, 保持其他两类陆面过程的机制选项与默认方案相同, 进行全面实验, 研究每类陆面过程中所有方案组合对热通量模拟结果的扰动, 确定每类陆面过程对于热通量模拟的贡献并排序, 得到影响Noah-MP对热通量模拟的主导陆面过程类型.
在识别出对热通量模拟影响较大的陆面过程的基础上, 通过控制单个物理过程参数化方案的改变、其他物理过程与默认方案保持一致, 把模拟结果所得的SD、RMSD和R²进行归一化后得到此参数化方案组合的rate, 可以评估此组合对热通量模拟的不确定性, 通过计算单一物理过程中所有参数化方案组合的rate变动, 可以得出此物理过程对热通量模拟的不确定性.通过排序得到影响Noah-MP对热通量模拟的主导物理过程.
由于当DVEG选动态植被方案时CRS只能选择Ball-Berry方案, 因此在研究Javis与Ball-Berry方案的差异时, 本试验将DVEG方案选项设置为给定叶面积指数(LAI)及植被覆盖率(GVF).
图 2(Fig. 2)

图 2 模拟试验流程 Fig. 2Simulation procedure

3 结果与讨论(Results and discussions)3.1 感热和潜热不确定性范围评估FLUXNET2015目前存在站点分布不均匀的情况, 为尽量减少单个站点模拟结果对所在分类的影响, 不详细讨论在对应气候、下垫面类型下站点数量小于5的类型, 而是把这些分散的站点归类到对应的气候或下垫面类型进行研究.本研究着重分析了感热和潜热通量, 未分析其他要素.总的来看Noah-MP对LH的模拟要优于SH, 有99%的站点SH模拟的平均bias处于-80~10 W·m^-2之间(图 3), 被过分低估, LH虽然也被低估, 但93%的站点平均bias分布在-30~10 W·m^-2之间, 远小于SH, 且同类型下LH的error分布也小于SH.
图 3(Fig. 3)

图 3 不同气候、下垫面类型下的模拟偏差(3类陆面过程所有方案组合在不同类型下的模拟结果, 横轴代表SH的bias, 纵轴代表LH的bias, 蓝色阴影表示LH模拟较好, 红色阴影表示SH模拟较好.Error bar的计算公式为模拟结果的5%(或95%)分位数除以10, 未标出error的点表示在对应分类下的站点数量小于5) Fig. 3Bias for SH and LH of different climate zone and land cover

模拟结果在不同的气候类型显示出差异, 越炎热、湿润的地区SH、LH模拟的偏差越大, 越干旱的地区SH的偏差越大.热带气候(A)的特点是气候炎热、温度全年较高, SH、LH全年维持较高水平, 且没有明显的季节变化, 模型对于A的模拟结果整体较差, SH、LH被严重低估, 平均bias分别处于-50~-30和-90~-20 W·m^-2间.干旱气候(B)特点是干燥少雨, SH是主要的能量通量形式, 这种差异体现在了bias上, SH被明显低估, bias主要处于-70~-40 W·m^-2间, LH的模拟较好, bias主要处于-10~10 W·m^-2之间.温暖气候(C)全年最低温度不低于0 ℃ (Beck et al., 2018), 有明显的季节交替, LH是主要的能量通量形式, 不同下垫面在C中均有分布, 对模拟而言, 除GRA和其他个别站点外, 模型对SH和LH模拟的偏差都接近最优水平(-20~20 W·m^-2之间), 表现较好.寒冷气候(D)温度最低的月份低于0 ℃, 冬季也更寒冷, 在此类型下LH的模拟偏差较低, 而SH的偏差则存在不同程度的低估, 模拟结果偏差水平处于B、C之间；极地气候(E), 温度在最高的月份不超过10 ℃, 实际的SH、LH都很小, 模型在此气候类型下的模拟偏差处于-20~20 W·m^-2之间.
模型在ENF、GRA和DBF的模拟偏差大, WET的模拟效果与气候类型有关.ENF类型下模拟的SH有较大低估, 且SH、LH的error范围都大；ENF站点主要分布在D气候类型(39个), 此类型下的LH模拟较好、SH被低估, 平均bias分别为-19和-36 W·m^-2；C中SH的模拟bias为-20~20 W·m^-2, 模拟较好, LH被更多低估.GRA在所有气候类型下都有分布, 在C、D中分布较多, 从模拟结果看, 除了在D、E两个较寒冷气候下模拟较好外, 在其他气候类型对SH的模拟都较差, bias分布在-40~-70 W·m^-2之间, 同时所有GRA站点SH模拟的error范围都很大.DBF在其主要分布的D中模拟的SH有明显低估, 平均bias为-37 W·m^-2.WET地表径流发达, 水量充沛, 能量交换中LH是主要的形式, 而越高的温度会带来越大的蒸散, 模型对LH模拟的不足会被放大, 因此模型在热带、温暖气候类型显著低估了LH, 而寒冷、极地气候下WET的SH、LH的偏差都接近0 W·m^-2, 模拟较好.对于CRO来说, 由于人为活动的影响, 模型很难预测如灌溉、收割等活动带来的热通量和植被变化, 从模拟结果来看, 模型对LH的模拟很好, 平均偏差接近于0 W·m^-2, 但SH被低估.其余类型下垫面由于站点数量较少且分布在不同的气候类型下, 其模拟结果可参照前文中模型在不同气候类型下的模拟结果分析.
偏差来自于两方面, 一方面如图 3所示偏差为Noah-MP所有方案选项组合模拟结果的偏差, 因此模拟效果较差的方案会增加总体的偏差水平；二是由于观测数据缺失, 本研究为驱动模式采用的缺失数据填充方法可能是误差的来源, 未来可采用不同的缺失数据填充方法如Vuichard et al (2015)采用的ERA-Interim来对比不同填充方法带来的偏差.
3.2 不同陆面过程感热潜热模拟不确定性评估总的来看veg类陆面过程是Noah-MP模拟热通量的主要不确定性来源. veg、soil和water三类陆面过程SH模拟偏差5%~95%波动的平均值分别是22.54、1.97、4.04 W·m^-2, veg对SH的模拟影响最大, 方案设置的变化给模拟结果带来了最大的变动(图 4a), water的模拟结果稍有改变, 而soil的则不明显, 同时soil、water的模拟结果往往处于veg的变动范围内.对于LH而言, 三类机制方案对LH的模拟结果与对SH的影响类似, 变动范围分别是14.82、1.91和4.68 W·m^-2, veg陆面过程对LH的影响小于对SH的, 但water过程对LH的影响比对SH明显, 部分站点的变动在veg范围外, 见图 4b.
图 4(Fig. 4)

图 4 3类陆面过程对SH (a)和LH(b)模拟的影响(横轴代表不同站点, 按下垫面类型和站点名从小到大排列.阴影部分是不同类型方案组合bias的5%~95%分位数的范围, 图上分别给出veg、soil和water陆面过程的平均变化范围) Fig. 4Influence of 3 land surface processes on SH(a) and LH(b) simulation

如图 5所示, 总的来看soil、water模拟SH的偏差变动都处于veg的变化范围内, 但3类陆面过程在极地气候E和永久湿地WET类型下对热通量模拟的影响呈现出差异.在E、WET类型下, 主导SH模拟的陆面过程仍是veg, 但water过程对SH的模拟有较大的影响, 偏差5%~95%的平均值分别为10.46和6.59 W·m^-2, 对应veg的平均值为13.40和13.14 W·m^-2；同时water过程对E、WET类型LH的模拟也有更大影响(图 6), 这种影响的来源将在3.3节阐述.
图 5(Fig. 5)

图 5 3类陆面过程在不同类型下对SH模拟的影响(A-E表示3类陆面过程在不同气候类型下对模拟的影响, CRO-WET表示在不同下垫面类型的影响, 横轴代表不同站点, 按下站点名从小到大排列.阴影部分是不同类型方案组合bias的5%~95%分位数的范围, 图上分别给出veg、soil和water陆面过程的平均变化范围) Fig. 5Influence of 3 land surface processes on SH simulation at different types

图 6(Fig. 6)

图 6 3类陆面过程在不同类型下对LH模拟的影响(A-E表示3类陆面过程在不同气候类型下对模拟的影响, CRO-WET表示在不同下垫面类型的影响, 横轴代表不同站点, 按站点名从小到大排列.阴影部分是不同类型方案组合bias的5%~95%分位数的范围, 图上分别给出veg、soil和water陆面过程的平均变化范围) Fig. 6Influence of 3 land surface processes on LH simulation at different types

3.3 植被、水文过程模拟不确定性来源识别主要影响热通量模拟的veg和water陆面过程包含了DVEG、CRS、SFC、RAD、RUN等在内的9个物理过程, 主导热通量模拟的是DVEG、SFC、CRS和RAD, rate的变动分别是26.9%、5.9%、4.9%和4.6% (表 3), 同时RUN、STC、SNF和FRZ也在一定程度上影响了模拟, rate的变动在2.2%~0.2%之间.
表 3(Table 3)

表 3 不同物理过程对SH、LH模拟的影响 Table 3 Influence of different physical processes on SH and LH simulation

表 3 不同物理过程对SH、LH模拟的影响 Table 3 Influence of different physical processes on SH and LH simulation name SH LH Rate SD RMSD R2 SD RMSD R2 observation 32.9 0.0 1.00 30.4 0.0 1.00 DVEG=1 33.5 32.7 0.35 24.5 25.1 0.42 51.9% DVEG=2 (default) 30.0 32.1 0.34 24.4 25.7 0.42 59.8% DVEG=3 34.2 34.3 0.33 25.9 25.5 0.42 57.1% DVEG=4 37.8 36.7 0.32 27.2 27.0 0.38 78.9% DVEG=1 & CRS=2 30.9 33.8 0.31 29.3 26.2 0.46 56.8% SFC=2 19.9 28.6 0.34 21.8 25.2 0.42 65.8% RAD=2 30.8 32.1 0.35 23.9 25.4 0.42 57.0% RAD=3 29.6 32.5 0.33 25.1 25.9 0.42 61.6% RUN=1 (default) 30.0 32.1 0.34 24.4 25.7 0.42 59.8% RUN=2 29.7 32.3 0.33 25.5 26.0 0.42 60.6% RUN=3 29.8 32.2 0.34 24.7 25.7 0.42 59.9% RUN=4 30.4 31.9 0.35 22.3 25.2 0.41 58.4% FRZ=2 30.0 32.2 0.34 24.4 25.7 0.42 60.0% ALB=1 30.0 32.1 0.34 24.4 25.7 0.42 59.9% SNF=2 30.0 32.1 0.34 24.4 25.7 0.42 59.8% SNF=3 29.9 32.1 0.34 24.3 25.7 0.41 60.1% STC=2 29.5 32.2 0.33 24.4 25.8 0.41 61.3%

veg、water陆面过程中的各物理方案倾向于低估LH在长时间序列上的变异, 对SH模拟的则表现出差异(图 7、8).对动态植被模型DVEG而言, 给定LAI和GVF (DVEG=1)模拟的SH、LH在4个DVEG方案中最好, rate为51.9% (表 3), 有较小的RMSD, 最大的R²和最接近观测的SD, 说明DVEG=1的模拟结果能很好的符合观测；动态植被过程(DVEG=2)对SH的模拟略差于给定LAI和GVF的, LH的模拟则接近, 总的rate为59.8%；给定LAI并计算GVF (DVEG=3)的rate为57.1%, 模拟效果较好；而给定LAI、最大GVF (DEVG=4)的模拟结果最差.以上对比表明Noah-MP默认方案使用的动态植被方案对热通量模拟有优势, 模拟结果接近给定植被LAI、GVF参数的方案, 但在植被覆盖率GVF的计算上仍有改进空间.
图 7(Fig. 7)

图 7 植被过程中各物理方案对SH和LH模拟的影响(图中每个点表示不同物理过程选项模拟结果的平均值, 用R2作为相关性指标, 黑色弧线代表观测的标准差) Fig. 7The influence of various physical schemes on SH and LH simulation in veg land surface processes

图 8(Fig. 8)

图 8 水文过程中各物理方案对SH和LH模拟的影响 Fig. 8The influence of various physical schemes on SH and LH simulation in water land surface processes

湍流输送过程SFC中的Chen97方案(SFC=2)在模拟热通量时往往会获得明显低于观测的标准差, 说明Chen97方案模拟结果不能符合长时间序列上的变异, 同时Chen97方案模拟结果的rate为65.8%, 相较于默认方案的59.8%有增加, 模拟效果变差.
冠层气孔阻抗CRS中的Javis方案(DVEG=1 & CRS=2)相比Ball-Berry方案(DVEG=1)在能量分配时会倾向增加LH、减少SH, 这与叶丹(2017)在干旱地区模拟试验的研究结论一致, 这种再分配降低了模型对SH模拟的标准差、增加了LH的标准差, 使SH的模拟变差, LH的模拟更符合观测, 但Jarvis方案模拟结果的rate为56.8%, 模拟效果略微变差.
冠层辐射传输RAD中的3个选项的差异在于对植被间隙的计算不同, RAD=1是利用角度转换和叶面积密度进行计算, RAD=2是无植被间隙, RAD=3是用植被覆盖度进行计算.从结果来看RAD=2的rate为57.0%, 相比默认的RAD=1取得了更好的热通量模拟效果.
water过程中的径流及地下水RUN、雪/土温积分STC、雨雪分离过程SNF和过冷水过程FRZ主要影响了LH的模拟, 对于SH的影响很小, rate的变动分别是2.2%、1.5%、0.3%和0.2%.这同样印证了3.2节中water过程在气候类型E和下垫面WET站点的热通量模拟有较大影响, E类型站点是极地气候, 热通量的变化受冰雪、融水等水文过程影响明显, WET站点地表水分充沛, 热通量模拟受water过程中的径流物理过程RUN影响较多.
4 结论(Conclusions)1) Noah-MP对LH的模拟效果较好, bias主要分布在-30~10 W·m^-2之间, 显著低估了SH, bias主要分布在-80~10 W·m^-2之间.模型在不同类型下SH的模拟存在差异, 在热带与干旱气候类型下, SH被严重低估, bias处于-70~-30 W·m^-2之间.GRA在越干旱、温暖的气候类型下SH的偏差越大, 在越寒冷的气候下SH模拟的偏差越小；高等的植被类型上的如DBF、DNF等, 在寒冷的气候下模拟的SH、LH偏差也较大.
2) veg陆面过程主导了热通量的模拟, 方案的改变会带来最大的变动, 其次是water, 而soil对模拟的影响则不明显, 模拟SH的bias变动分别是22.54、1.97和4.04 W·m^-2；3类陆面过程对LH模拟的影响与SH类似, 但water过程的影响相对更大, bias变动分别是14.82、1.91和4.68 W·m^-2.veg过程的主导因子是动态植被模型DVEG, 其次是湍流输送过程SFC、冠层气孔阻抗CRS和冠层辐射传输RAD, 归一化统计得分rate的变动分别26.9%、5.9%、4.9%和4.6%, DVEG中的动态植被方案对热通量的模拟较好, rate为59.8%, 但对植被覆盖率GVF的计算存在不足；CRS中的Jarvis方案倾向于增加LH降低SH, 这种分配在一定程度提高了模型对LH的模拟能力, 但对SH的模拟变差, rate为56.8%；SFC中的Chen97方案在模拟时倾向于降低模型在长时间序列上的变异, 不符合观测, 同时rate为65.8%, 模拟结果较差, RAD中的无植被间隙方案的模拟效果更好, rate为57.0%.water过程中的主要影响因子是径流及地下水RUN、雪/土温积分STC, 其次是雨雪分离过程SNF和过冷水过程FRZ, rate变动范围分别是2.2%、1.5%、0.3%和0.2%, 在受冰雪、融水和径流等水文过程影响明显的E和WET类型下, LH模拟受water的影响明显.
3) 本研究基于物理过程的模拟情况对Noah-MP的模拟性能进行了总体评估, 暂未探究模式驱动数据和地表特征参数对热通量模拟的影响, 未来的研究可以由此深入, 对模型的使用和改进提供更丰富的参考.
致谢:本研究工作得到暨南大学高性能计算公共服务平台的支持, 感谢FLUXNET提供的全球通量塔站点的气象和热通量数据.
参考文献

Baldocchi D, Falge E, Gu L H, et al. 2001. FLUXNET:A new tool to study the temporal and spatial variability of ecosystem-scale carbon dioxide, water vapor, and energy flux densities[J]. Bulletin of the American Meteorological Society, 82: 2415-2434. DOI:10.1175/1520-0477(2001)082<2415:FANTTS>2.3.CO;2

Barlage M, Tewari M, Chen F, et al. 2015. The effect of groundwater interaction in North American regional climate simulations with WRF/Noah-MP[J]. Climatic Change, 129: 485-498. DOI:10.1007/s10584-014-1308-8

Beck H E, Zimmermann N E, Mcvicar T R, et al. 2018. Present and future K ppen-Geiger climate classification maps at 1-km resolution[J]. Scientific Data, 5: 180214. DOI:10.1038/sdata.2018.214

Cai X T, Yang Z L, David C H, et al. 2014a. Hydrological evaluation of the Noah-MP land surface model for the Mississippi River Basin[J]. Journal of Geophysical Research-Atmospheres, 119: 23-38. DOI:10.1002/2013JD020792

Cai X T, Yang Z L, Xia Y L, et al. 2014b. Assessment of simulated water balance from Noah, Noah-MP, CLM, and VIC over CONUS using the NLDAS test bed[J]. Journal of Geophysical Research:Atmospheres, 119: 13751-13770. DOI:10.1002/2014JD022113

Chang M, Liao W, Wang X, et al. 2020. An optimal ensemble of the Noah-MP land surface model for simulating surface heat fluxes over a typical subtropical forest in South China[J]. Agricultural and Forest Meteorology, 281: 107815. DOI:10.1016/j.agrformet.2019.107815

Chen F, Zhang Y. 2009. On the coupling strength between the land surface and the atmosphere:From viewpoint of surface exchange coefficients[J]. Geophysical Research Letters, 36: 10404. DOI:10.1029/2009GL037980

Chen L, Li Y P, Chen F, et al. 2016. The incorporation of an organic soil layer in the Noah-MP land surface model and its evaluation over a boreal aspen forest[J]. Atmospheric Chemistry Physics, 16: 8375-8387. DOI:10.5194/acp-16-8375-2016

Gao Y H, Li K, Chen F, et al. 2015. Assessing and improving Noah-MP land model simulations for the central Tibetan Plateau[J]. Journal of Geophysical Research:Atmospheres, 120: 9258-9278. DOI:10.1002/2015JD023404

K?PPEN W 1936. Das geographische system der klimate[M]. Gebruder Borntrager Berlim, Germany. 1-44

Ma N, Niu G Y, Xia Y L, et al. 2017. A systematic evaluation of Noah-MP in simulating land-atmosphere energy, water, and carbon exchanges over the continental United States[J]. Journal of Geophysical Research:Atmospheres, 122: 12, 245-212, 268. DOI:10.1002/2017JD027597

Niu G Y, Yang Z L, Mitchell K E, et al. 2011. The community Noah land surface model with multiparameterization options (Noah-MP):1.Model description and evaluation with local-scale measurements[J]. Journal of Geophysical Research:Atmospheres, 116: 12109. DOI:10.1029/2010JD015139

Park S, Park S K. 2016. Parameterization of the snow-covered surface albedo in the Noah-MP Version 1.0 by implementing vegetation effects[J]. Geoscientific Model Development, 9: 1073-1085. DOI:10.5194/gmd-9-1073-2016

Pilotto I L, Rodríguez D A, Tomasella J, et al. 2015. Comparisons of the Noah-MP land surface model simulations with measurements of forest and crop sites in Amazonia[J]. Meteorology Atmospheric Physics, 127: 711-723. DOI:10.1007/s00703-015-0399-8

Van Den Broeke M S, Kalin A, Alavez J A T, et al. 2018. A warm-season comparison of WRF coupled to the CLM4.0, Noah-MP, and Bucket hydrology land surface schemes over the central USA[J]. Theoretical and Applied Climatology, 134: 801-816. DOI:10.1007/s00704-017-2301-8

Vuichard N, Papale D. 2015. Filling the gaps in meteorological continuous data measured at FLUXNET sites with ERA-Interim reanalysis[J]. Earth System Science Data, 7: 157-171. DOI:10.5194/essd-7-157-2015

Wilson K B, Baldocchi D D, Aubinet M, et al. 2002. Energy partitioning between latent and sensible heat flux during the warm season at FLUXNET sites[J]. Water Resources Research, 38: 1294.

Yang Z L, Niu G Y, Mitchell K E, et al. 2011. The community Noah land surface model with multiparameterization options (Noah-MP):2.Evaluation over global river basins[J]. Journal of Geophysical Research:Atmospheres, 116: 12110. DOI:10.1029/2010JD015140

Zhang G, Xue H, Xu J, et al. 2016. The WRF Performance Comparison Based on Noah and Noah-MP Land Surface Processes on East Asia[J]. Meteorological Monthly, 42: 1058-1068.

Zhang Q, Chang M, Zhou S Z, et al. 2017. Evaluate dry deposition velocity of the nitrogen oxides using Noah-MP physics ensemble simulations for the Dinghushan Forest, Southern China[J]. Asia-Pacific Journal of Atmospheric Sciences, 53: 519-536. DOI:10.1007/s13143-017-0055-y

孙菽芬. 2005. 陆面过程的物理、生化机理和参数化模型[M]. 北京: 气象出版社.

叶丹, 张述文, 王飞洋, 等. 2017. 基于陆面模式Noah-MP的不同参数化方案在半干旱区的适用性[J]. 大气科学, 41: 189-201. DOI:10.3878/j.issn.1006-9895.1604.15226

张果, 薛海乐, 徐晶, 等. 2016. 东亚区域陆面过程方案Noah和Noah-MP的比较评估[J]. 气象, 42: 1058-1068. DOI:10.7519/j.issn.1000-0526.2016.09.003