QX气象Meteorological Monthly1000-0526气象编辑部中国北京qx-41-10-124510.7519/j.issn.1000-0526.2015.10.007P468研究论文Articles基于CLDAS资料的内蒙古干旱监测分析Analysis of Drought Monitoring in Inner Mongolia Based on CLDAS Data孙小龙SUNXiaolong
以内蒙古地区为研究区域,对中国气象局陆面数据同化系统(CMA Land Data Assimilation System,CLDAS)的土壤湿度和降水数据进行了评估,使用土壤相对湿度法和连续无降水日数法监测2014年夏季干旱,并选择干旱年(2014年)和湿润年(2013年)与标准化降水指数和降水百分位指数法进行验证分析。结果表明:CLDAS资料能够很好地再现日土壤相对湿度动态变化情况和降水落区与量级,能够满足干旱监测的需求;基于CLDAS数据的土壤相对湿度法可以方便、快捷地监测干旱日变化和区域性变化,连续无有效降水日数法对评估长时间、持续性干旱较为有效;CLDAS同化数据在时效性、分辨率、代表性上能够满足气象服务的需求,可作为观测资料的重要补充广泛应用于业务和科研,特别是对于地广人稀且气象站点相对较少的内蒙古地区气象服务潜力巨大。
The soil moisture and precipitation data of Inner Mongolia of CMA Land Data Assimilation System (CLDAS) were evaluated. The drought that happened in Inner Mongolia in the summer of 2014 was analyzed using CLDAS with RSM and DNP, and the results of dry year (2014) and wet year (2013) were compared with SPI and PDECI. The analysis results revealed that the dynamic variation of daily soil relative moisture and the precipitation area and grade can be reconstructed by CLDAS, which can meet the requirements of drought monitoring. The soil relative moisture index based on CLDAS can monitor the daily and regional changes of drought of quickly and conveniently. The continuous absence of effective precipitation day is relatively valid for estimating long-period and continuous drought. In brief, CLDAS is able to fulfill the timeliness, resolution and representativeness requirements of meteorological service, and can serve research and operation widely as important supplementary for monitoring data. It is valuable for areas like Inner Mongolia where weather station is relatively scarce in a widespread area.
CLDAS数据同化干旱监测内蒙古地区CMA Land Data Assimilation System (CLDAS) data assimilationdrought monitorInner Mongolia国家自然科学基金项目71403272公益性行业(气象)科研专项GYHY201206021内蒙古自治区自然科学基金项目2014BS0709内蒙古自治区气象局科技创新项目nmqxkjcx201406国家自然科学基金项目(71403272)、公益性行业(气象)科研专项(GYHY201206021)、内蒙古自治区自然科学基金项目(2014BS0709) 和内蒙古自治区气象局科技创新项目(nmqxkjcx201406) 共同资助引言
干旱是对农业影响最严重的气象灾害,在所有自然灾害造成的经济损失中位居第一(Han et al, 2010)。内蒙古是农业大省,是我国排名前五的粮食输出省(区、市)之一,2014年内蒙粮食生产实现十一连丰,总产超550亿斤(1斤=0.5 kg)。干旱是内蒙古地区最主要的自然灾害,是该地区发生次数最多、分布范围最广、影响最大的气象灾害(沈建国,2008)。受全球气候变化影响,内蒙古中部地区是我国显著变干的区域之一(刘珂等,2015)。同时,内蒙古也是我国生态环境的敏感区和脆弱区,经济发展相对落后抗灾能力薄弱,极易出现重大自然灾害和造成巨大经济损失。据统计,1990—2009年旱灾造成的内蒙古地区农业直接经济损失约579.50亿元(李晶等,2010)。
近年来,陆面数据同化技术为有效利用站点观测数据与遥感信息提供了途径,陆面数据同化系统的发展有利于打破陆面过程模拟和观测之间的隔阂,在同一框架中将其集成(李新等,2007)。中国气象局陆面数据同化系统(CMA Land Data Assimilation System,CLDAS),利用数据融合与同化技术,对地面观测数据、卫星遥感资料和数值模式产品等多源数据进行融合同化,可以提供逐小时、空间分辨率为0.0625°×0.0625°的降水、土壤湿度等数据。降水与土壤相对湿度是干旱监测最为重要的两个指标,格点化、逐小时的数据序列为干旱监测提供了便利。本文以内蒙古地区为研究区域,对CLDAS的土壤相对湿度和降水数据进行了评估,使用土壤相对湿度法和连续无降水日数法监测2014年夏季内蒙古干旱情况,并选择干旱年(2014年)和湿润年(2013年)与标准化降水指数和降水百分位指数法进行比较分析,探讨同化数据在内蒙古干旱气象服务中的应用。
资料和方法CLDAS简介
CLDAS是利用数据融合与同化技术,对地面观测数据、卫星遥感资料和数值模式产品等多源数据进行融合同化,获取格点化的温度、气压、湿度、风速、降水和辐射等气象要素,并驱动公用陆面模式(Community Land Model 3.5),从而获得土壤温度和湿度等陆面数据。CLDAS数据集包括逐小时、空间分辨率为0.0625°×0.0625°的东亚区域2 m比湿、地表气压、地面短波辐射、降水、2 m气温、10 m风速及土壤相对湿度等气象要素。
其中,气温、气压、比湿和风速使用多重网格三维变分(The Space and Time Mesoscale Analysis System, STMAS)的同化方法(张涛,2013),利用了包括中国基本气象站、中国基准气象站、一般气象站在内的2421个国家级自动站以及业务考核的29452个区域自动站的逐小时观测数据,综合考虑台站信息(经纬度、海拔高度等),在NCEP/GFS背景场基础上制作而成的。研究表明,融合自动站观测数据后的同化数据更接近实测(龚伟伟,2014);地面入射太阳总辐射是利用FY-2D/E静止卫星一级数据,采用离散纵标法(DISSORT大气辐射传输模型)反演逐小时太阳入射辐射,Jia等(2013) 对比分析了FY-2C、ERA-Interrim、NCEP-DOE和FLASHFlux的辐射产品,结果表明FY-2C卫星地面入射太阳辐射反演产品在精度上与国外同类产品相当;降水采用CMORPH(CPC MORPHing technique)卫星融合降水产品为背景场,与地面自动站降水数据融合制作。潘旸等(2012) 对降水融合产品进行了评估,结果表明:融合产品与CMORPH卫星反演降水相比,平均偏差更接近于0,相对误差、均方根误差均大幅减小,相关系数提高了一倍;与FY-2C同类型产品相比,融合产品的精度也更高。
使用《基于世界土壤数据库(HWSD)的中国土壤数据集V1.1(China Soil Map Based Harmonized World Soil Database V1.1)》中相应深度的土壤容重和田间持水量将0~40 cm土壤体积含水量换算为土壤相对湿度。将每日逐小时降水数据累加,得到每日降水数据;将每日逐小时的土壤相对湿度数据进行均值计算,得到每日土壤相对湿度数据。
连续无有效降水日数(Continuous days without available precipitation,DNP)是表征农田和北方牧区草原水分补给状况的重要指标之一。本研究监测干旱的时段集中在夏季,是作物生长发育的关键时期,同时也是作物需水、耗水最多的时期,故将5mm定义为有效降水。连续无有效降水日数干旱等级划分标准参照《农业干旱等级》(吕厚荃等,2008)。
Spatial distributions of RSM, DNP, SPI and PDECI drought index in Inner Mongolia in summer 2014 (a1, a2, a3) RSM index in June, July and August; (b1, b2, b3) SPI index in June, July and August; (c1, c2, c3) PDECI index in June, July and August; (a4) DNP index in summer; (b4) SPI index in summer; (c4) PDECI index in summer
JiaBinghaoXieZhenghuiDaiAiguoEvaluation of satellite and reanalysis products of downward surface solar radiation over East Asia: Spatial and seasonal variations201311893431344610.1002/jgrd.50353
Jia Binghao, Xie Zhenghui, Dai Aiguo, et al. 2013. Evaluation of satellite and reanalysis products of downward surface solar radiation over East Asia: Spatial and seasonal variations. J Geophy Res: Atmospheres, 118(9):3431-3446.
HanPingWangPengxinZhangShuyuDrought forecasting based on the remote sensing data using ARIMA models2010511113981403
Han Ping, Wang Pengxin, Zhang Shuyu, et al. 2010. Drought forecasting based on the remote sensing data using ARIMA models. Math Comp Model, 51(11):1398-1403.
McKeeT BDoeskinN JKleistJDrought monitoring with multiple time scales1995233233236
McKee T B, Doeskin N J, Kleist J. 1995. Drought monitoring with multiple time scales. Preprints, Ninth Conf on Applied Climatology. Dallas: Amer Mereor Soc, 233-236.