基于衛星遙感數據的Noah-MP 地表反照率關鍵參數優化*

陳進燕 趙 龍 , 陽 坤 田佳鑫 潘金梅 張 可

1（西南大學地理科學學院 重慶金佛山喀斯特生態系統國家野外科學觀測研究站 重慶 400715）

2（西南大學地理科學學院 遙感大數據應用重慶市工程研究中心 重慶 400715）

3（清華大學地球系統科學系 地球系統數值模擬教育部重點實驗室 北京 100084）

4（中國科學院空天信息創新研究院 遙感科學國家重點實驗室 北京 100101）

0 引言

地表反照率在陸地-大氣相互作用中扮演著重要角色，深刻影響著地表能量循環和水循環[1]。其通過引起地表凈輻射的變化，改變地表能量和蒸散發[2]。此外，地表反照率還是決定土壤植物大氣連續體（SPAC）中能量通量的一個重要因素，其通過影響地表溫度、蒸發和蒸騰、云的形成及降水，從而影響總初級生產力[3,4]。此外，地表反照率的微小變化可影響陸地-大氣系統的能量平衡，并驅動局部和全球氣候變化。鑒于地表反照率與地球氣候系統之間的密切關系，在空間和時間上監測這一參數對陸面模式[5]和全球氣候模式[6]的發展至關重要。

幾十年來，陸面模式在模擬近地表能量和水收支方面取得了一些進展[7]，其中反照率模擬通?；趯崪y資料結合植被特征和土壤類型分布數據推算得到[8]。在第一代陸面模式中，例如Bucket 模型[9]由于未考慮土壤質地和植被種類差異的影響，地表反照率通常被設定為均值[10]。第二代陸面模式典型代表，例如Dickinson 等[10]發展的生物大氣傳輸方案（Biosphere-Atmosphere Transfer Scheme，BATS），Sellers 等[11]發展的簡單生物方案（Simple Biosphere，SiB），則考慮了上述影響，對不同的地表類型賦予了特定的地表反照率值。最終反照率是由地表類型、土壤顏色等級、地表溫度、雪量以及太陽高度角所決定的[12-14]。第三代陸面模式（例如Common Land Model，CLM）根據植被光學特性在0.7 μm 附近的顯著變化將反照率分為可見光（＜0.7 μm）和近紅外（＞ 0.7 μm）兩個波段進行處理，分別計算土壤、積雪和植被的反照率，然后加權求和得到模式網格上的地表反照率[15,16]。

在上述第三代陸面模式中，地表反照率的計算基于陸面土地覆蓋分類，包括植被、積雪、土壤，但各模式在陸表過程的參數化方案中存在差異，導致影響地表反照率的因素仍不清楚。針對此問題，研究者們進行了大量的研究，包括地形、海拔、天空條件、植被和雪的性質（例如粒度、液態水含量、深度和雜質）的影響[17-20]。為了提高積雪反照率參數化方案模擬陸地-大氣相互作用的性能，Bao 等[21]在區域氣候模式中考慮了太陽天頂角對積雪反照率的影響，顯著改善了東亞地區冷偏差，以及中國西北地區日地溫變化的模擬 。Park 等[22]研究了植被對地表積雪反照率的影響，并通過在積雪反照率參數化方案中加入葉和莖指數，改進了陸面模式對冬季地表反照率的估計，使均方根誤差（RMSE）降低了0.69。Zhong 等[23]在模擬中考慮了氣溶膠輻射對雪過程的影響，成功地再現了雪的反照率和雪深。Miao 等[24]在積雪模擬中考慮地形的影響，改善了青藏高原冬季地表反照率和地表溫度模擬。為了減小反照率參數化方案中一些重要參數造成的不確定性，過去的十幾年里，也有研究將模型模擬和衛星遙感數據相結合，以優化陸地反照率模擬過程中的重要參數。Houldcroft[25]使用MODIS衛星遙感數據估算了國際地圈-生物圈計劃（IGBP）分類方案中每種地表類型的反照率，并將修正后的數值應用于哈德利中心全球環境模型（HadGEM），發現無雪反照率模擬結果在原有參數化的基礎上得到了明顯改善。

相較于植被和積雪而言，裸土反照率的相關研究較少。在陸面模式中，土壤反照率是指定的土壤顏色等級和土壤水分的函數，其反映了土壤表面對太陽輻射的反射能力。不同土壤顏色等級在水分飽和情況下的土壤反照率等參數是由先驗知識給定的，這些參數的準確性對于模型的精度至關重要。Lawrence[26]利用MODIS 衛星遙感數據開發了新的地表參數，改進了CLM 3.0 和CCSM（Community Climate System Model） 3.0 的氣候模擬。然而，在當前的Noah-MP（Noah land surface model with multiple parameterizations）土壤反照率模擬[27]中，土壤顏色等級尚未在區域和全球尺度進行率定，通常被設置為固定值，直接忽略了不同土壤類型對于地表反照率的影響，很可能影響最終的地表反照率估算。由于土壤顏色等級受到地理位置、氣候條件及土壤表面覆蓋的積雪與植被等因素的影響，難以精確地量化。

近來，土壤顏色等級優化研究受到關注。Zhao等[28]通過輸入不同土壤質地信息模擬全球表層土壤水分，與衛星土壤水分數據進行對比，經最小化兩者表層土壤水分之間的差異，獲得了全球格點化土壤類型的優化估計。評估表明，此研究所得到的土壤含沙量、黏土含量、以及土壤孔隙度等具有合理的空間分布。該工作的核心思想在于完全依賴衛星數據，其土壤性質估計是在沒有外源土壤性質或樣本信息輸入的前提下得到的。這表明大尺度衛星觀測可以用來校正土壤類型及性質參數，對改進偏遠地區陸面模擬和遙感反演具有重要意義。同時，該工作也為使用衛星數據校正模型反照率關鍵參數提供了新思路。據此，本研究擬將模型模擬的反照率序列與MODIS 反照率數據對比，同時使用植被及積雪覆蓋數據以排除高植被和積雪覆蓋對土壤反照率的影響，對青藏高原區域土壤反照率關鍵參數，即土壤顏色等級進行優化。同時，為了減少土壤水分不確定性的影響，擬將同化得到的土壤水分數據輸入到Noah-MP 中。本工作期望以此為切入點，進而改進模型土壤反照率的模擬，提高模型對陸表水熱循環模擬的精度和可靠性。

本文以MODIS 反照率數據為參照，排除植被、積雪及土壤濕度的影響，逐步篩選得到青藏高原區域最優土壤顏色等級，并分析了參數優化對模型模擬精度的改進程度。

1 數據和方法

1.1 Noah-MP 反照率參數化方案

對Noah-MP 模型中土壤反照率關鍵參數進行優化，將Noah-MP 作為陸面模式對地表反照率進行模擬。Noah-MP 模型在Noah 模型V3 版本的基礎上發展而來，引入了多種可選的參數化方案，涵蓋了陸地表面過程中的關鍵環節[29]。同時，Noah-MP 陸面模式被整合到天氣研究與預報（WRF）模式中。因此，對Noah-MP 模型進行深入研究和優化，有望為提高陸地表面過程的模擬精度和天氣/氣候預測的準確性提供有力支持[30]。

Noah-MP 土壤反照率參數化方案[30]如下：

其中，αsat，αdry分別為飽和土壤反照率和干土反照率，Ws為土壤水分值。飽和土壤反照率與干土反照率均從Noah-MP 所給定的土壤顏色等級表中獲?。ㄒ姳?）。 土壤顏色等級表給定了不同土壤顏色等級值所對應的飽和土壤及干土在可見光和近紅外的反照率值。

表1 Noah-MP 默認土壤顏色等級Table 1 Soil color in Noah-MP

在該參數化方案中，土壤顏色等級是影響地表反照率的重要參數之一，根據表1 所示，不同土壤顏色等級對應的反照率值有明顯的差異。然而，Noah-MP 模擬中默認的土壤顏色等級值為4，忽略了不同土壤顏色等級對地表反照率的影響，從而導致模擬結果存在一定的偏差。為了更準確地表征地表反照率，計劃對Noah-MP 模式中直接關聯地表反照率的參數，即土壤顏色等級值進行優化，使得其盡可能地再現遙感數據中描述的地表反照率特性。

CLM v3.0 同樣使用上述參數化方案及土壤顏色等級表。Lawrence 等[26]通過對比分析MODIS 觀測到的裸土反照率值范圍和現有土壤顏色等級對應的反照率值的關系，發現CLM 模型中使用的土壤顏色等級表可獲得的土壤反射率值范圍不在MODIS 觀測到的裸土反照率值范圍內，從而對于CLM 模型原始的土壤顏色等級表進行更新，將土壤顏色等級擴展到20 種，其對應的反照率值也進一步擴展（見表2）[26]。

表2 擴展后的土壤顏色等級Table 2 Soil color extended

使用以下方法驗證更新后的土壤顏色等級表的適用性。使用空間分辨率為0.05°時間分辨率為1 天的MODIS 反照率（MCD43 C3）篩選了2016—2020年5—9 月份全球陸地范圍內可見光和近紅外波段反照率最大值，發現撒哈拉沙漠地區可見光波段反照率最大值介于0.3～0.4 之間，近紅外波段反照率最大值介于0.5～0.6 之間；中國東北部地區可見光波段反照率最大值介于0.2～0.3 之間，近紅外波段反照率最大值介于 0.3～0.4 之間（見圖1）。此發現表明，更新后的土壤顏色等級表（見表2）當前仍然適用。因此，本研究采用Lawrence[26]擴展后的土壤顏色等級表（見表2）替換Noah-MP 原始的土壤顏色等級表，相較于原始的土壤顏色等級表，擴展后的表格包含了更多顏色等級和對應的反照率值，以此為基礎可以更準確地模擬土壤反照率值，提高模型的可靠性。

圖1 2016—2020 年5—9 月全球地表反照率最大值空間分布Fig. 1 Spatial distribution of the maximum global land surface albedo from 2016 to 2020 （Only for May to September）

1.2 基于同化土壤水分和衛星數據的反照率優化

使用MODIS 反照率對Noah-MP 模式中土壤反照率重要參數，即土壤顏色等級進行優化。研究在青藏高原區域0.25°網格尺度上展開。首先對2017—2018 年Noah-MP 陸面模式進行3 次模型預熱（spinup），后輸入同化土壤水分數據模擬2017 和2018 年小時分辨率的反照率，計算日均反照率時間序列，然后將模擬結果與MODIS 反照率數據進行比較，以篩選每個網格單元的最優土壤顏色等級。需要注意的是，在模型模擬過程中，使用Lawrence[26]更新的土壤顏色等級表替換了Noah-MP 中原始的土壤顏色等級表，即土壤顏色等級值從1～8 擴展到了1～20，不同土壤顏色等級下的土壤反照率隨之進行了擴展。因此，每個網格單元共有20 組反照率時間序列。將每個反照率時間序列與MODIS 反照率時間序列對比，分別計算兩者的均方根誤差（RMSE）與相關系數（R）作為評價指標。參照Zhao 等[28]對于土壤質地類型的參數優化方法，對土壤顏色等級進行逐級篩選得到最優值。根據土壤顏色等級優化結果對2016 年模擬的每個網格的反照率序列優化，并與MODIS 反照率進行對比，從而對土壤顏色等級優化結果進行評估。圖2 給出了該優化和評估流程。

圖2 土壤顏色等級優化與評估流程Fig. 2 Schematic of the soil color optimization

1.3 數據

1.3.1 MODIS 反照率數據

使用MODIS/Terra 和MODIS/Aqua 聯合全球反照率數據（MCD43 C3） 對土壤顏色等級進行優化。MCD43 C3 數據由MODIS 觀測反演得到，記錄了地方時正午時刻多個通道的地表反照率。反演算法針對可能存在的云層干擾，采用與有云鄰近的無云日觀測來生產其地表反照率數據，以削弱云層等干擾[31]。單個MCD43 C3 文件的數據覆蓋全球，空間分辨率為0.05°，時間分辨率為1 天[32]。除MODIS 觀測通道外，MCD43 C3 數據還提供了合成的寬波段黑空/白空反照率，包括可見光通道、近紅外通道和短波通道。此外，數據中還有質量標識、正午時刻的太陽天頂角等輔助信息。將MCD43 C3 數據升尺度到0.25°，使用短波通道黑空反照率與白空反照率的平均均值作為參考的反照率值。

1.3.2 模型輸入數據

（1）驅動數據。驅動數據是陸地表面模擬的關鍵，可能最終影響地表反照率模擬結果。本研究中，使用了中國區域高分辨率氣象驅動數據（CMFD）。該數據融合了衛星數據、再分析數據和站點觀測，包含 7 個氣象變量，分別為地表氣壓、空氣溫度、空氣濕度、風速、降水、向下短波輻射和向下長波輻射。CMFD 數據覆蓋中國大陸，時間跨度為 1979—2018年，時間分辨率為 3 h，空間分辨率為 0.1°×0.1°[33]，通過空間平均將其升尺度到0.25°×0.25°。

（2）土壤水分數據。根據式（2）可知，土壤水分對于模型模擬的飽和土壤反照率值具有至關重要的影響。使用Tian 等[34]同化得到的土壤水分數據作為模型輸入 。該土壤水分數據由雙循環同化算法得到，其空間分辨率為0.25°×0.25°，時間分辨率為3 h。雙循環同化算法能夠實現模型和觀測誤差、模型算子和觀測算子參數的同時估計，且已被用于開展青藏高原SMAP 土壤水分同化實驗?；谇嗖馗咴衔挥诓煌瑲夂騾^的四個土壤水分觀測網絡資料的驗證結果表明，采用雙循環土壤水分同化算法能夠有效糾正默認參數導致的系統性偏差，顯著提高土壤水分的估計精度。

（3）植被覆蓋度與葉面積指數遙感數據。為了準確模擬地表反照率，本研究使用GLASS（Global Land Surface Satellite）植被葉面積指數（LAI）和植被覆蓋度（FVC）數據作為模型輸入。同時，使用GLASS 植被葉面積指數數據在土壤顏色等級優化過程中排除LAI 大于6 的時間點，以在土壤顏色等級優化過程中排除植被的影響。GLASS 葉面積指數、植被覆蓋度[35]由北京師范大學全球變化處理與分析中心發布** http://www.bnu.data.center.com，原始空間分辨率為0.05°，時間分辨率為1 月。本研究通過空間平均的方法將其升尺度為0.25°，并通過線性插值的方法將其時間分辨率提高到1 天。

1.3.3 積雪覆蓋度遙感數據

積雪對于土壤反照率有很大影響。為排除積雪的影響，在土壤顏色等級優化過程中對比模型反照率模擬時間序列與MODIS 反照率數據時間序列時，需要使用遙感積雪覆蓋度，排除積雪覆蓋度大于0.02 的時間段。研究選擇使用Pan 等[36]生成的積雪覆蓋度。該數據針對當前主流被動微波積雪數據在山區的低估問題，利用機器學習算法融合AMSR2（Advanced Microwave Scanning Radiometer 2）傳感器亮溫和積雪過程模型模擬的先驗知識，以經過代表性檢驗的全球氣象臺站數據作為訓練樣本，生成了2013—2020 年間逐年的全球雪深反演數據集。該數據空間分辨率為0.25°×0.25°，時間分辨率為1 天。經檢驗其在山區或山區邊緣的表現優于AMSR2 官方數據和GlobSnow 數據，該數據可在國家青藏高原科學數據中心獲取** https://data.tpdc.ac.cn/zh-hans/data/c3b7d80c-a43b-4b0b-a09e-a38f837fb921** https://data.tpdc.ac.cn/zh-hans/data/b8c448ab-9c50-43fe-9b5d-2a5888658fe6。

1.3.4 全球土壤質地數據集

全球土壤數據集GSDE（Global Soil Dataset for Earth System Model）用于評估土壤顏色等級篩選結果的合理性，即優化后土壤顏色對應的反照率與土壤質地關系是否合理。該數據集由中山大學陸氣相互作用研究小組研究發展制作，是2014 年發布的CoLM[37]模式中默認的土壤輸入數據。GSDE 是基于世界、區域和國家的土壤圖和土壤剖面數據庫，使用連接法（即土壤類別轉換規則方法，假設每個土壤類型的土壤屬性接近）生成的。GSDE 提供了模式所需的土壤屬性，包括砂粒、粉粒、黏粒、礫石、有機質和容重等。

1.3.5 地表溫度衛星數據

地表反照率通過引起地表凈輻射的變化，改變地表能量。為了進一步評估土壤顏色等級優化對模型模擬精度的改進效果，使用Yu 等[38]制作的全球逐日0.05°時空連續地表溫度數據集，將使用優化后的土壤顏色等級模擬的日輻射溫度時間序列與其進行對比。該數據集的制備首先基于經驗正交函數插值方法，利用Terra/Aqua MODIS 地表溫度數據重建理想晴空條件下的地表溫度，然后使用累積分布函數匹配方法融合 ERA5-Land 再分析數據獲取全天候條件下的地表溫度。該數據可在國家青藏高原科學數據中心*** https://data.tpdc.ac.cn/zh-hans/data/c3b7d80c-a43b-4b0b-a09e-a38f837fb921** https://data.tpdc.ac.cn/zh-hans/data/b8c448ab-9c50-43fe-9b5d-2a5888658fe6獲取。本文使用空間平均的方法，將其升尺度到0.25°后來驗證模型模擬的地表輻射溫度。

2 結果

2.1 最優土壤顏色等級的逐步篩選

為了排除土壤顏色等級優化過程中植被及積雪對土壤反照率的影響，同時由于其他月份積雪高覆蓋的影響，只考慮2017 年和2018 年5—9 月時間窗口內LAI 小于6，積雪覆蓋度小于0.02 的網格單元。并且排除了模型模擬積雪覆蓋度與遙感數據不一致的網格，即排除了模型模擬有雪而遙感數據無雪以及模型模擬無雪遙感數據有雪的網格。同時，為了保證足夠的時間序列樣本數量，有效時長少于30 天的網格被排除。

鑒于MODIS 反照率數據存在一定的不確定性，優化過程不能單純依靠一個統計指標。此外，值得注意的是，對于大多數的網格單元，基于RMSE 的排名靠前土壤顏色等級對應的RMSE 值可能十分相近。為了更好地說明這個問題，計算所有網格單元中RMSE 排名較低和最高的土壤顏色等級對應的反照率模擬時間序列與MODIS 反照率數據之間的RMSE 差異。從圖2 可以看出，至少60% 的網格單元在RMSE 排名前6 位的土壤顏色等級之間的RMSE 差異小于0.04。這也就證明了不應該簡單地依靠單一的統計指標來確定最優土壤顏色等級。

基于以上考慮，對于給定的網格單元，參照Zhao 等[28]的思路，采用逐步篩選的方法確定最優土壤顏色等級。即依次參考RMSE 和R兩個統計指標篩選不合格的土壤顏色等級。對所有土壤顏色等級根據其RMSE 值進行排序，與排名最高者 RMSE 差異小于0.01（見圖3）的土壤顏色等級保留在土壤顏色等級庫中。根據R對更新后的土壤顏色等級庫進行第二次重新排序，將排名靠前的土壤顏色等級作為最終的最優土壤顏色等級。

圖3 所有網格單元的排名最高和后19 位土壤顏色等級對應的RMSE 之間差異的累積分布函數（CDF）Fig. 3 Cumulative Distribution Function （CDF） of statistics differences overall grid-cells in terms of RMSE with regard to different soil colors

通過對土壤顏色等級的優化結果進行空間分布的分析，從圖4 可以看出，不同地區的土壤顏色等級值存在較大差異。在青藏高原中部，土壤顏色等級集中在9～11 之間；在青藏高原東南部，土壤顏色等級集中在15～20 之間；整個研究區內土壤顏色等級優化結果集中在10～20 之間。其中，在青藏高原中部新參數對應的反照率相比于默認參數有所提高，而在東南部則相反。這說明不同地區土壤顏色等級存在差異，原本使用的默認土壤顏色等級不合理。然而，部分網格始終處于高積雪覆蓋狀態，導致無法得到土壤顏色等級篩選結果。

圖4 最優土壤顏色等級空間分布Fig. 4 Spatial distribution of optimized soil color

2.2 基于衛星遙感數據的最優土壤顏色等級評估

為進一步證明本研究中土壤顏色等級優化的有效性，對優化結果在其他年份的表現進行了評估。將土壤顏色等級設定為1～20，分別模擬得到了2016年5—9 月份20 組反照率時間序列。通過優化后的土壤顏色等級值對每個網格的反照率序列進行篩選，得到了青藏高原區域2016 年5—9 月份最優的日反照率模擬值時間序列。同時使用同樣的驅動數據和原始土壤顏色等級表，將土壤顏色等級值設置為默認值（即為4），得到默認情況下2016 年5—9 月份日反照率模擬值時間序列。將兩個結果分別與MODIS反照率時間序列進行比較，得到二者統計指標RMSE。

圖5 （a）～（d）顯示了使用上述篩選的最優（BEST）及Noah-MP 默認（DEF）土壤顏色等級模型模擬的反照率與MODIS 反照率數據之間的RMSE的空間分布及頻率分布?？梢钥闯?，對青藏高原的土壤顏色等級進行優化之后，模型模擬得到的反照率模擬結果與衛星數據之間的誤差總體上較小，其RMSE值在0.03 以下，這表明模型對高原地區反照率的模擬精度得到了顯著提升。相比之下，如圖5（c）（d）所示，采用默認土壤顏色等級進行模擬，則模型所得到的反照率值與實際衛星數據之間的偏差較大，RMSE值集中在0.07 以下，這表明模型在默認情況下高原反照率的模擬精度還需進一步提高。從空間上來看，如圖5（e）所示，BEST 在青藏高原中部、東南部反照率模擬結果有明顯改進。這可能與優化后和默認情況下土壤顏色等級對應的反照率值在青藏高原中西部、中北部、東南部差異較大，而在青藏高原中東部差異較小有關，進一步說明了優化土壤顏色等級這一重要參數的必要性。此外，整個研究區域的BEST 相對DEF 整體改進69%，如圖5（f）所示，反照率改進最大值可以達到0.13，即使用優化后的土壤顏色等級模擬的反照率有明顯改進。

圖5 基于MODIS 反照率數據的最優土壤顏色等級評估結果Fig. 5 Evaluation results of optimal soil color based on MODIS albedo data

2.3 基于土壤質地的最優土壤顏色等級評估

土壤質地是指土壤中各種粒徑的顆粒所占的相對比例[39]，其與土壤反照率的關系主要體現在：土壤中沙土含量越高，土壤反照率越高；黏土含量及土壤有機質含量越高，土壤反照率越低。換句話說，黏土及土壤有機質含量與土壤反照率成反比，沙土含量與土壤反照率成正比[40]。

為進一步分析土壤顏色等級優化結果的可靠性，根據土壤顏色等級與土壤質地之間的關系，分析不同顏色土壤的砂土、黏土和有機質含量，以驗證土壤顏色等級優化結果的可靠性。由圖6（a）可知，在青藏高原區域，優化后的土壤顏色等級集中在10～20 之間。因此在土壤質地與土壤反照率關系研究中，主要分析土壤顏色等級為10～20 的網格所對應的砂土、黏土及土壤有機質含量。由圖6（b）～（d）可知 ，土壤顏色等級在10～20 之間對應的砂土含量有明顯下降趨勢，對應的土壤有機質含量有明顯上升趨勢，對應的黏土含量有稍上升趨勢。即砂土含量與土壤反照率呈現明顯的正相關，土壤有機質含量與土壤反照率呈現明顯負相關，黏土含量與土壤反照率呈現負相關。這說明本研究土壤顏色等級優化結果對應的反照率與土壤質地之間的關系符合黏土、砂土與土壤有機質含量與土壤反照率之間的比例規律，即本研究優化后的土壤顏色等級合理。

圖6 最優土壤顏色的頻率分布（a）及其與不同土壤質地的關系（b～d）Fig. 6 Statistics of optimal soil color （a） and its relationship between different soil texture properties （b～d）

3 討論

3.1 土壤水分影響

Idso 等[41]對土壤反照率與土壤含水量的關系開展了一系列試驗研究，發現反照率與深度達10 cm 的土壤平均含水量呈負相關。土壤由干變濕時變暗，增強了土壤表面吸收光的能力，土壤水分越高反照率越低，凈輻射和蒸發速率增加[42]。整個太陽光譜土壤反射率在土壤濕度增加到一定閾值時下降，在飽和之前持續增加。

式（2）表明，Noah-MP 反照率模擬與土壤水分具有密切關系。為了獲得更準確的反照率模擬結果，有必要選擇更優的土壤水分數據輸入到模型中。而采用同化土壤水分相較于模型默認土壤水分模擬數據的優勢需要進一步討論。因此，本研究對比了使用Noah-MP 模擬的土壤水分（SM）以及輸入同化土壤水分數據（DASM）情況下，2016 年5—9 月份反照率的模型模擬精度。

由圖7（a）（b）可以清晰看出，不同土壤水分輸入下的反照率模擬結果與衛星數據之間的RMSE 在青藏高原上有相同的空間分布，然而在青藏高原中部，使用Noah-MP 模擬的土壤水分的RMSE 最高可以達到0.5 左右，而輸入同化土壤水分數據的RMSE 在0.25 左右。將兩者RMSE 作差在空間上進行對比，如圖7（c）所示，在青藏高原中部及東部，兩者RMSE差值最高達到了0.15 左右，說明DASM 反照率模擬結果與衛星遙感數據的擬合程度更好。整體來看，如圖7（d）所示，DASM 在整個青藏高原反照率模擬表現更好，而對于SM，反照率模擬在青藏高原72%網格有所改進。值得一提的是，對于那些未改進的網格，兩者的RMSE 差的絕對值大部分小于0.05，無明顯差異。

圖7 不同輸入條件下模擬反照率與MODIS 數據的RMSE 空間分布Fig. 7 RMSE spatial distribution between simulated albedo with different input and MODIS products

3.2 植被與積雪的影響

在土壤顏色等級的逐步篩選過程中，設置了一系列閾值來排除其他因素（積雪與植被）對于土壤反照率的影響。為了確定土壤顏色等級優化結果對于閾值的敏感性，本研究通過改變閾值大小，設置了對比試驗，以分析積雪與植被對于土壤顏色等級優化結果的影響。對比實驗的參數優化時間為2017 和2018 年5—9 月。其中實驗1（C1）在優化過程中考慮時間窗口內LAI 小于6，積雪覆蓋度小于0.1 的網格單元；實驗2（C2）考慮時間窗口內LAI 小于8，積雪覆蓋度小于0.02 的網格單元。分別計算兩個實驗得到的土壤顏色等級優化結果在2016 年5—9 月與衛星遙感數據的RMSE，并與Noah-MP 默認情況下的結果以及第2.1 節中的優化結果（C3）進行對比。

對比發現，三個對比實驗篩選得到的最優反照率時間序列與MODIS 數據之間的RMSE 有相同的空間分布規律（見圖8），而為了排除其他影響因素選擇的不同閾值會造成每個網格RMSE 值的略微不同。通過比較C1 和C3，可以發現在青藏高原中部及東南部區域的一些網格，C3 評估結果更優。具體來說，減小積雪閾值對模擬反照率與衛星數據的RMSE 最大可以改進0.04。在整個區域內C1 結果總體改進65%左右，比C3 稍差一些，C3 相比C1 有3.76%的網格的反照率篩選結果有所改進。通過對比C2 和C3，可以發現在青藏高原東北部、東南部及中南部區域，C3 評估結果優于C2。具體來說，減小植被閾值對模擬反照率與衛星數據的RMSE 最大可以改進0.07。在整個區域上C2 結果總體改進63%左右，相比C3 稍差。對比之下，C3 相對于C2 有5.44%的網格的反照率篩選結果有所改進?？傮w而言，在土壤顏色等級的優化過程中，應盡量減小植被、積雪等其他因素的影響，而更嚴格的植被和積雪篩選標準可得到更穩健的土壤顏色等級改進。

圖8 基于MODIS 反照率數據的排除其他因素影響閾值的評估結果Fig. 8 Evaluation results of the threshold that excludes other factors based on MODIS albedo product

3.3 CLM 土壤顏色等級數據橫向對比

通過對2001—2003 年每月擬合CLM 模擬月平均無雪反照率和MODIS 月中正午反照率，Lawrence等[23]得出了全球每個網格每月最優的土壤顏色等級，將每個月土壤顏色等級最優值取平均，從而得到全球0.25°分辨率下每個網格土壤顏色等級優化結果。該研究結果在青藏高原區域的空間分布如圖9（a）所示。與本研究土壤顏色等級優化結果（OPT）相比，兩者在空間分布上有相似之處，例如兩者在高原中部均集中于8～12 之間。不過，兩者之間依然存在明顯的差異，主要表現為OPT 在高原東南部為20，而CLM集中于17～19 之間。此外，對比兩者優化結果的頻率分布，從圖9（b）可以發現，相對于CLM，OPT 整體上偏向于土壤顏色等級值大的方向，即OPT 篩選的土壤反照率更低。

圖9 Lawrence 土壤顏色等級優化結果與本研究結果的對比Fig. 9 Comparison between the optimization results of Lawrence soil color grade and the results of this study

鑒于兩者之間的差異，對比了兩種反照率的優化結果?；谶@兩組優化結果，得到了兩組2016 年5—9 月份日反照率模擬時間序列，并計算其與MODIS反照率數據的RMSE，然后將兩者RMSE 作差（CLM-OPT）。根據圖9（c）所示RMSE 差值的空間分布，可以發現在青藏高原東南部、西南及中北部，OPT 能夠以更好地優化反照率模擬結果，兩者RMSE 差的最大值可以達到0.19。這表明在這兩個區域，土壤顏色等級更深，其對應的土壤反照率也更低?？傮w而言，如圖9（d）所示，在青藏高原區域有70%左右的網格，OPT 在反照率優化上表現更好。以上表現說明土壤顏色等級這一參數存在模型依賴性。同時由于本研究向模型中輸入了更為準確的土壤水分數據以及植被信息數據以更精確地刻畫植被和土壤反照率，且在參數篩選過程中考慮了植被和積雪覆蓋的影響，使得篩選后的土壤顏色等級更能夠減小Noah-MP 模型反照率模擬的不確定性。因此，在土壤顏色等級的篩選過程中，應該同時考慮積雪、植被及其他因素的影響，基于此可以獲得更優的土壤顏色等級數據。

3.4 土壤顏色等級優化對輻射溫度模擬的影響

通過將衛星反照率與使用優化后土壤顏色等級篩選的模擬反照率對比，表明本工作可以改進模型反照率模擬精度。為了進一步證明土壤顏色等級優化對模型模擬精度的改進效果，本文將使用優化后土壤顏色等級篩選的模擬輻射溫度與衛星地表溫度對比，以檢驗土壤顏色等級篩選的有效性。具體而言，將土壤顏色等級設定為1～20，分別模擬得到了2016 年5—9 月20 組輻射溫度時間序列。然后，通過優化后的土壤顏色等級值對每個網格的輻射溫度時間序列進行篩選，得到了青藏高原區域2016 年5—9 月最優的日輻射溫度模擬值時間序列。同時使用同樣的驅動數據和原始土壤顏色等級表，將土壤顏色等級值設置為默認值（即為4），得到默認情況下2016 年5—9月的日輻射溫度模擬值時間序列。最后，將兩個結果分別與MODIS 地表溫度數據時間序列進行比較，得到二者統計指標RMSE。

圖10 （a）（b）給出了使用上述篩選的最優（best）及Noah-MP 默認（def）土壤顏色等級模型模擬的反照率與MODIS 反照率數據之間的RMSE 的空間分布及頻率分布。從圖10（a）所示的空間上分析，在青藏高原中北、中西部，使用優化土壤顏色等級可以提高輻射溫度模擬精度。從與反照率評估空間分布的對比來看，如圖5（e）所示，在青藏高原中北部，輻射溫度模擬精度有明顯改進，而反照率模擬改進效果不大；在青藏高原東南部，輻射溫度模擬基本沒有改進，而反照率模擬精度有明顯的提高；其他區域兩者空間分布基本相似。整體來看，如圖10（b）所示，在青藏高原區域，使用優化后的土壤顏色等級使得83%的網格輻射溫度模擬精度有所提高，改進最大值可以達到5 K。從這個意義上講，土壤顏色等級優化工作對模型地表能量模擬也是至關重要的。

圖10 基于地表溫度衛星數據的最優土壤顏色等級評估結果Fig. 10 Evaluation results of optimal soil color based on land surface temperature dataset

4 結論

通過將Noah-MP 反照率模擬結果與MODIS 反照率數據結合，對Noah-MP 模型土壤反照率重要參數土壤顏色等級進行優化。研究采用逐步篩選的方法，在優化過程中排除了積雪和植被等其他因素的影響，得到了青藏高原區域最優土壤顏色等級數據。而后將根據優化結果得到的每個網格對應的反照率與默認情況下反照率模擬結果進行對比，并分析了土壤顏色優化結果與土壤質地之間的關系，以此對優化結果進行評估。

研究結果表明青藏高原區域不同地區的土壤顏色等級存在差異，Noah-MP 默認土壤顏色等級在反照率模擬上存在較大不確定性。優化后的土壤顏色等級使得反照率模擬結果在青藏高原70%的網格上有所改進，且土壤顏色等級優化結果的空間分布及其對應的反照率符合反照率與土壤質地之間的關系。該工作進一步說明了結合衛星遙感的反照率來改進陸面模型是可行的。

研究還存在一些局限性。首先，一些區域始終處于高積雪覆蓋狀態，使得研究區內的一些網格沒有得到優化結果。其次，當前Noah-MP 默認基于土壤顏色等級來計算地表反照率，這也是目前大部分陸面模型采用的反照率參數化方案。隨著觀測的進一步完善，有學者在特定地區矯正參數化方案中土壤水分的權重并在前述式（1）～（2）的基礎上進一步考慮太陽天頂角的影響[43]，這可能會影響該工作優化的土壤顏色等級在這些新型參數化方案中的適用性。此外，分析使用的同化土壤水分時空覆蓋度不足，在研究區域內一些網格未有效刻畫土壤濕度信息，這可能為最終的土壤顏色等級優化帶來不確定性。在今后的研究中可以考慮使用如SMAP 等其他土壤水分數據，并進一步擴大研究區域，從而得到全球范圍最優土壤顏色等級數據。