《Journal of Hydrology: Regional Studies》:Seasonal agreement of GLDAS and FLDAS soil-moisture products with precipitation in the Lake Urmia Basin, northwestern Iran
编辑推荐:
干旱是通过降水、土壤水分、蒸散发、地下水和径流等多种水文气候变量的交互亏缺而发展的,而非单一变量所致。当这些亏缺持续存在时,可能威胁农业、生态系统和水资源系统。在半干旱流域,由于年际变率强且监测稀疏,这些影响尤为显著。在乌尔米耶湖流域(Lake Urmia B
干旱是通过降水、土壤水分、蒸散发、地下水和径流等多种水文气候变量的交互亏缺而发展的,而非单一变量所致。当这些亏缺持续存在时,可能威胁农业、生态系统和水资源系统。在半干旱流域,由于年际变率强且监测稀疏,这些影响尤为显著。在乌尔米耶湖流域(Lake Urmia Basin),干旱加剧了植被和地表水减少,但湖泊萎缩不能仅归因于气候因素。灌溉扩张、上游地表水取用、水坝与水库调控、地下水开采、土地利用变化以及更广泛的水管理压力也改变了流域水量平衡。这种气候与人类活动的耦合背景促使研究人员对直接观测不完整区域的网格化水文气候产品进行审慎评估。
本研究评估了乌尔米耶湖流域内GLDAS与FLDAS表层土壤水分(soil moisture, SM)与GPCC降水之间的季节性一致性。研究目标包括:(1)量化四个代表性月中月份产品间及降水-土壤水分关联;(2)识别水文气候一致性较强或较弱的月份与地点;(3)评估在缺乏直接土壤水分验证条件下,使用这些产品进行区域干旱评估的实际局限性。该分析属于间接一致性评估,不应被解读为对绝对土壤水分精度的证明。
研究的更广泛贡献在于为干旱区流域提供一个透明的筛选框架,这类区域虽可获得网格化产品但野外观测稀疏。乌尔米耶湖作为一个区域重要测试案例,其特征包括强烈季节性、复杂地形、灌溉农业、湖泊-大气相互作用以及对全球数据集的依赖。该框架具有可转移性,但其结论仍受制于强迫依赖性、空间尺度、季节以及直接土壤水分观测缺失等条件。
论文解读文章
研究背景与问题
干旱是一个涉及降水、土壤水分(soil moisture, SM)、蒸散发(evapotranspiration, ET)、地下水及径流等多变量交互亏缺的复合过程。在半干旱流域,如伊朗西北部的乌尔米耶湖流域(Lake Urmia Basin, LUB),强烈的年际变率和稀疏的地面监测使得干旱评估尤为困难。该流域不仅是中东最大的高盐湖泊之一,还面临灌溉扩张、上游引水、水库调控、地下水超采及土地利用变化等多重人为压力。因此,在缺乏长期、全流域原位土壤水分观测数据的条件下,如何可靠地利用网格化与模型产品进行干旱初步筛查,成为一个亟待解决的科学问题。
研究目的与意义
本研究的核心目的是评估两种基于Noah陆面模型的土地数据同化产品——全球陆地数据同化系统(Global Land Data Assimilation System, GLDAS)与饥荒早期预警系统网络陆地数据同化系统(Famine Early Warning Systems Network Land Data Assimilation System, FLDAS)——所估算的表层土壤水分与全球降水气候中心(Global Precipitation Climatology Centre, GPCC)降水数据在LUB的季节性一致性。研究旨在:(1)量化四个代表性月份中不同产品间及降水-土壤水分间的关联强度;(2)识别水文气候一致性较强的月份与区域;(3)探讨在缺乏直接验证条件下,这些产品用于区域干旱评估的局限性。其重要意义在于为数据稀缺的干旱区提供一套透明、可迁移的初步筛选框架,而非替代直接验证。
关键技术方法
研究人员采用了多步骤分析框架:
- 1.
数据获取与预处理:获取GLDAS-Noah v2.1(0.25°,3小时→月平均)、FLDAS-Noah V001(约0.1°,月)及GPCC Full Data Monthly v2022(0.5°,月)的2000–2020年数据。同时从伊朗气象组织收集了25个地面站点的月降水记录,经完整性筛选后保留24个站点(约1站/2158 km2)。
- 2.
空间对齐与采样:将GLDAS与FLDAS通过双线性插值重采样至GPCC的0.5°格网,并提取落入流域边界内的共同采样点(n=1284/月),形成统一对比表。
- 3.
统计分析方法:采用皮尔逊相关系数(Pearson r)、斯皮尔曼秩相关系数(Spearman ρ)和肯德尔秩相关系数(Kendall τ)三种指标,分别表征线性与排序关联。对于网格化代表月数据,统计单元为配对采样点;对于站点- GPCC比较,统计单元为站点-年-月对。
研究结果
3.1 GPCC数据与实测降水的相关性
基于24个站点、6047个有效站点-月观测对的分析表明,GPCC在月尺度上大致捕捉了降水总量,但站点级相关性较低。四个代表月的皮尔逊r介于0.08(10月)至0.19(1月)之间,均方根误差(RMSE)在10.83 mm(7月)至36.81 mm(10月)之间。这表明GPCC应被视为一个有用的网格化降水比较基准,而非无误差的点降水真值。
3.2 流域内GPCC降水的空间分布
GPCC数据显示,4月与1月降水量最高,南部与西南部山区可达88.7 mm和72.7 mm;7月最干燥,最大值仅5.1 mm;10月达66.7 mm。低值区普遍出现在湖周边及流域中部、北部和西北部,反映了地形对降水的显著控制作用。
3.3 FLDAS与GLDAS土壤水分的空间分布
GLDAS与FLDAS的表层土壤水分均呈现相似的季节干湿格局:最高值出现在4月和1月(约0.46 m3/m3),湿润区分别集中于北部、南部、中部(GLDAS)及西南部、西部、中部(FLDAS)。然而,视觉相似性不能等同于定量一致性或准确性。
3.4 相关性分析
经修正7月/10月标签反转错误后,重新计算的相关性显示中等至较低的空间一致性,且最强产品对随月份变化:
- •
1月:GPCC与GLDAS相关性最强(Pearson r=0.57);
- •
4月:GPCC与FLDAS相关性最强(r=0.54);
- •
7月与10月:FLDAS与GLDAS之间的产品间一致性最高(r分别为0.43和0.47),而降水-土壤水分关联较弱。
3.5 空间相关模式
像素级时间相关图显示,FLDAS-GPCC的正相关在湿季的西部、南部和中部更为明显,而7月则表现为更弱、更破碎的模式。GLDAS-GPCC的高相关区主要分布在东北部、东部、南部和西南部,同样在1月、4月和10月突出,7月减弱。夏季低相关性反映了粗分辨率网格化产品难以表征局地对流降水、短暂地表湿润及快速蒸发损失。
讨论与结论
讨论要点:
- •
GPCC与站点的低相关性(r≤0.19)证实其在复杂地形区仅适合作为流域尺度的比较基准,而非点精度验证工具。
- •
GLDAS与FLDAS模拟的土壤水分整合了降水、前期湿度、土壤水力特性、植被、蒸散发及积雪/融雪等多过程,因此同月降水相关性仅捕捉了土壤水分行为的一个组成部分。
- •
最强产品对的月际变化(1月:GLDAS-GPCC;4月:FLDAS-GPCC;7月/10月:FLDAS-GLDAS)表明,降水-土壤水分耦合受前期条件、蒸散发需求、积雪过程及模型强迫的共同影响。
- •
方法学局限包括:缺乏全流域原位土壤水分参考、FLDA强迫依赖CHIRPS降水导致与GPCC的部分信息重叠、空间重采样平滑了局部变异、同月相关忽略了滞后效应等。
研究结论翻译:
本研究考察了2000–2020年间乌尔米耶湖流域GLDAS与FLDAS近地表土壤水分与GPCC降水的季节性一致性。在筛选初始25个站点后,GPCC-站点比较保留了24个站点和6047个有效月观测对,其中包含2016个代表月对。GPCC再现了宽泛的月降水总量,但站点级相关性较低,表明它是一个有用的网格化比较基准而非无误差的点降水参考。
主要的区域洞见是:降水-土壤水分一致性取决于月份和地点。修正后的分析表明,1月GLDAS-GPCC一致性更强,4月FLDAS-GPCC更强,7月和10月FLDAS-GLDAS对应关系更密切,且在修正7月/10月标签错误后未保留任何完美相关系数。降水状况、前期湿度、地形、土壤属性、蒸发、灌溉及积雪过程均可改变这些关系。
这些产品可为该数据稀缺流域的干旱评估提供互补信息,但其使用应是有条件的且针对特定季节。产品间高度一致并不能证明准确性,尤其是在产品共享模型结构或降水信息的情况下。在将该框架投入业务应用前,仍需直接土壤水分观测、重采样敏感性测试、滞后分析及空间稳健统计。