2024, Vol. 44文章信息
- 琚玉枫, 高演辰, 张戈, 何海龙
- JU Yufeng, GAO Yanchen, ZHANG Ge, HE Hailong
- 华北平原正向“暖干化”演变
- The North China Plain is turning warmer and dryer
- 生态学报. 2024, 44(17): 7631-7645
- Acta Ecologica Sinica. 2024, 44(17): 7631-7645
- http://dx.doi.org/10.20103/j.stxb.202311112448
-
文章历史
- 收稿日期: 2023-11-11
- 网络出版日期: 2024-06-26
全球气候变化引起物种种群结构变化、生物多样性降低、气候带北移、极端天气事件频发、多年冻土退化等问题, 已成为制约人类社会可持续发展的重大问题[1]。农业生态系统生产力与气候和土地的质量密切相关, 是一种自我调节能力(韧性和恢复力)较为薄弱的生态系统, 对气候变化影响最为敏感[2]。据统计, 全球每年约三分之一的粮食生产受干旱、热浪、洪涝灾害等气候变化的影响[3]。我国华北平原是重要的粮食产区, 小麦产量占全国一半以上, 玉米产量约占全国总产量的40%[4], 对维护国家粮食安全具有举足轻重的意义。然而, 全球气候变化导致华北平原气候条件发生变化, 进而开始影响该地区作物物候和产量[5], 对区域粮食供给和经济发展带来严峻的挑战。
在众多气候变化指标中, 降水量、气温、土壤温度和土壤含水量等水热因子是表征气候变化的重要指标, 在预测农作物生长状态和产量方面也具有重要意义[6—9]。例如, 水热因子交互作用过程与气候变化影响研究表明: 中等信度的增温会诱发区域气候向“暖湿化”或“暖干化”发展[10], 土壤温度和含水量间的互馈可显著增强东亚夏季气温和降水强度的变化[11—12], 造成极端气候事件发生的规模、频率和强度的增加, 给农业生产和生态环境带来严重影响。此外, 水热条件不仅影响作物种植类型和作物生长的各个阶段, 还是研究农业生态系统关键过程的必要因子[13]。研究表明, 温度驱动大多数植物和土壤微生物生物性状的协调变化[14], 气温升高会增加蒸散量, 进而降低土壤水分含量或墒情[15], 而降水是补给土壤含水量与作物耗水的重要来源。然而, 有关水热条件变化特征的研究往往只选择降水和气温分别作为水和热因子的指标分开研究, 忽略了水热之间的交互作用, 而且很少考虑土壤的水分和温度的变化[16]。因此, 有必要综合考虑降水、气温及土壤含水量和土壤温度的变化特征, 并分析这些要素间的相互作用关系, 以便更好地理解区域气候变化特征并服务于农业生产决策。
目前, 常用的水热要素资料来源包括站点测量、遥感反演、数值模拟及数据同化等。高精度的站点监测数据是进行降水[17—18]、气温[19—20]、土壤含水量[21—22]和土壤温度[23]等要素分析的理想数据。然而, 不同区域的监测站点在数量、密度、资料时间序列长度、数据质量控制方面由于受地形、观测方法、管理等因素影响而不尽相同, 影响区域或全球尺度分析结果的可靠性[24]。虽然遥感探测范围广、测量频率高、受地形约束小, 被广泛用于气温、降水、地表温度和土壤含水量等参数的反演, 但遥感测量深度仅在地表 0—5 cm[25—26]。而数值模拟结果的精度受输入数据质量、分辨率及模型参数的影响[27]。数据同化技术利用遥感及地面观测资料并结合数值模拟或机器学习等手段重建格点化的再分析资料, 其高时空分辨率和高精度特性相对于其他类型资料具有不可比拟的优越性[28]。因此, 世界各国都在开发自己的再分析资料, 包括美国国家环境预报中心和美国国家大气研究中心的全球大气再分析资料(NCEP/NCAR)[29]、日本气象厅的JRA-55[30]、欧洲中期天气预报中心(ECMWF)的再分析产品ERA及其更新产品ERA5-Land[31]等。这些再分析资料为长时序多要素观测数据缺乏地区开展区域性研究提供了重要数据支撑。
ERA5-Land数据集质量好、时序长、空间分辨率高, 已被广泛地应用于陆面过程关键变量的研究中[30]。例如, 在全球多个区域开展的气温[32]、降水[33]、土壤温度[34]和土壤含水量[35]的相关研究。ERA5-Land与站点数据、GLDAS、ERA5等资料的性能比较评估结果表明, 该数据在华北平原地区与降水观测数据吻合度较好[36], 相关系数大于0.60, 偏差接近1%[37]。研究表明ERA5-Land气温在中国区域的精度也较好[38]。虽然ERA5-Land土壤含水量数据与原位观测的空间相关性略差, 但仍可较好地捕捉到原位观测所反映的变化[39]。此外, 开展长时序区域性研究对计算机存储和计算能力要求较高, 而用于全球地理空间大数据分析的云计算平台Google Earth Engine (GEE, http://code.earthengine.google.com/), 可通过编程在线实现对数据集的调用和分析处理[40—41]。
基于此, 本研究使用站点观测数据验证ERA5-Land再分析资料在华北平原的适用性的基础上, 通过GEE云平台调用和分析ERA5-Land再分析数据集中1953—2022年间的降水量、地表 2 m温度、0—289 cm土壤含水量和温度数据, 系统、深入分析华北平原降水量、气温、土壤含水量和温度的年际、季节变化特征, 并进一步揭示各水热要素之间的联系。研究结果预期可加深对华北平原水热条件变化过程的认识, 为该区域气候变化风险管理和农业生产政策制定提供科学依据。
1 材料与方法 1.1 研究区概况华北平原地处中国东部, 东与渤海、黄海毗邻, 南以淮河干流和苏北灌渠为界, 西接太行山, 北靠燕山, 包括河北、河南、山东、安徽、江苏、北京和天津五省二市的部分区域, 经纬度介于32°—41°N, 112°—121°E之间(图 1), 土地总面积约30×104 km2 [42]。属暖温带半湿润气候, 冬季寒冷干燥, 夏季高温多雨, 春季干旱少雨, 平均气温为12—16℃, 平均降雨量为500—900 mm；光热资源丰富, ≥10℃积温为3700—4700℃, 年总辐射量为4605—5860 MJ m-2 a-1。地形平坦, 平均海拔在50 m以下, 地势西高东低。华北平原是中国重要的粮棉油生产基地, 主要粮食作物有小麦、水稻、玉米、高粱等, 经济作物主要有棉花、花生、油菜等, 种植制度为一年两熟或两年三熟。该地区以旱涝灾害为主, 而长期抽取地下水用于工农业生产已经造成地下水位的严重下降[43], 是典型的气候脆弱区和受气候变化影响最为敏感的地区[9]。
|
| 图 1 华北平原位置 Fig. 1 Location of North China Plain |
GSOM(Global Summary of the Month)为美国国家海洋和大气局国家环境信息中心发布, 包含从1763年至今的月度气象要素观测数据(https://www.ncei.noaa.gov/maps/monthly/), 其中中国站点700多个。用于验证ERA5-Land降水和气温的可靠性的站点详细信息见表 1。由于部分站点存在缺测, 考虑到观测资料的完整性, 除赣榆、菏泽、乐亭和徐州站外, 数据的时间范围为1955年1月1日至2012年12月31日。土壤含水量数据[44]源于科学数据银行(https://www.scidb.cn/en), 验证期为1992—2019年。土壤温度数据为中国国家级地面气象站基本气象要素日值数据集(V3.0)[45], 验证期为1992—1996年。
| 站点编号 Station_ID |
站点 Station |
开始时间 Begin_date |
结束时间 End_date |
纬度(E) Latitude |
经度(N) Longitude |
海拔 Elevation/m |
| 53898 | 安阳 | 1951-01-01 | 2024-02-01 | 36.05° | 114.4° | 64 |
| 54511 | 北京 | 1951-01-01 | 2024-02-01 | 39.933° | 116.283° | 55 |
| 58102 | 亳州 | 1953-01-01 | 2024-02-01 | 33.883° | 115.767° | 42 |
| 58040 | 赣榆 | 1957-01-01 | 2024-02-01 | 34.85° | 119.133° | 10 |
| 54906 | 菏泽 | 1953-03-01 | 1994-12-01 | 35.25° | 115.433° | 51 |
| 54725 | 惠民 | 1951-01-01 | 2024-02-01 | 37.5° | 117.533° | 12 |
| 54823 | 济南 | 1951-01-01 | 2023-01-01 | 36.6° | 117.05° | 169 |
| 54539 | 乐亭 | 1957-01-01 | 2024-02-01 | 39.433° | 118.9° | 12 |
| 53698 | 石家庄 | 1955-01-01 | 2024-02-01 | 38.033° | 114.417° | 81 |
| 54527 | 天津 | 1954-01-01 | 2024-02-01 | 39.1° | 117.167° | 5 |
| 54843 | 潍坊 | 1951-01-01 | 2024-02-01 | 36.767° | 119.183° | 22 |
| 58027 | 徐州 | 1956-09-01 | 2024-02-01 | 34.283° | 117.15° | 42 |
| 54916 | 兖州 | 1951-01-01 | 2024-02-01 | 35.567° | 116.85° | 53 |
| 57083 | 郑州 | 1951-01-01 | 2024-02-01 | 34.717° | 113.65° | 111 |
ERA5-Land再分析月数据集(http://cds.climate.copernicus.eu/), 是由ECMWF采用陆面模式Cy45r1, 以第五代再分析产品ERA5模拟的陆地场大气变量作为驱动场, 在CHTESSEL模型中模拟得到[46]。此数据集地理坐标系为WGS-84。通过修正热力学输入达到非线性动态降尺度, ERA5-Land空间分辨率达到0.1°×0.1°。ERA5-Land共包含50个变量, 汇总了从1950年到至今3个月前的实时数据(不断更新)。由于同一驱动场模拟的ERA5-Land数据一致性好, 空间和时间分辨率高, 时间跨度长, 准确记录了过去几十年的全球陆面参数情况, 被广泛应用于各类研究中[47—48]。本研究选取了ERA5-Land再分析数据1953年1月至2023年2月的降水量(P)、气温(T)、0—7 cm土层含水量(SWC1)、7—28 cm土层含水量(SWC2)、28—100 cm土层含水量(SWC3)、100—289 cm土层含水量(SWC4)、0—7 cm土层温度(ST1)、7—28 cm土层温度(ST2)、28—100 cm土层温度(ST3)和100—289 cm土层温度(ST4)共10个波段70年的月度数据用于华北平原水热状况分析(表 2)。
| 要素 Factor |
缩写 Abbreviation |
ERA5-Land波段 ERA5-Land band |
空间分辨率 Spatial resolution |
单位 Unit |
| 总降水量Total precipitation | P | total_precipitation_sum | 0.1°×0.1° | m |
| 气温Temperature | T | temperature_2m | 0.1°×0.1° | ℃ |
| 0—7 cm土层含水量 Soil water content of 0—7 cm layer |
SWC1 | volumetric_soil_water_layer_1 | 0.1°×0.1° | m3/m3 |
| 7—28 cm土层含水量 Soil water content of 7—28 cm layer |
SWC2 | volumetric_soil_water_layer_2 | 0.1°×0.1° | m3/m3 |
| 28—100 cm土层含水量 Soil water content of 28—100 cm layer |
SWC3 | volumetric_soil_water_layer_3 | 0.1°×0.1° | m3/m3 |
| 100—289 cm土层含水量 Soil water content of 100—289 cm layer |
SWC4 | volumetric_soil_water_layer_4 | 0.1°×0.1° | m3/m3 |
| 0—7 cm土层温度 Soil temperature of 0—7 cm layer |
ST1 | soil_temperature_level_1 | 0.1°×0.1° | ℃ |
| 7—28 cm土层温度 Soil temperature of 7—28 cm layer |
ST2 | soil_temperature_level_2 | 0.1°×0.1° | ℃ |
| 28—100 cm土层温度 Soil temperature of 28—100 cm layer |
ST3 | soil_temperature_level_3 | 0.1°×0.1° | ℃ |
| 100—289 cm土层温度 Soil temperature of 100—289 cm layer |
ST4 | soil_temperature_level_4 | 0.1°×0.1° | ℃ |
(1) ERA5-Land适用性验证
利用图形来展示ERA5-Land再分析与站点监测值的一致性是评价数据准确性中广泛使用的一种方法。令x为实测值, y为ERA5-Land值, 借助Sigmaplot 14对二者进行拟合, R2用于判断实测值和再分析的一致性。若数据一致性好, 则R2接近1, 每点均落在1∶1线周围。
(2) 数据预处理
基于GEE对ERA5-Land逐月数据进行了筛选、裁剪处理以及要素单位转换, 使其满足研究时空范围和变化特征分析的需求。为了对气温、降水、土壤温度和含水量进行年和季节尺度变化特征分析, 将每年12个月尺度数据进行平均计算得到年尺度数据。季节尺度数据则根据北半球典型季度划分法, 按3—5月为春季, 6—8月为夏季, 9—11月为秋季, 12月至次年2月为冬季进行合成计算。
(3) Sen斜率
使用Sen斜率[49]量化气温、降水、土壤温度和土壤含水量在1953—2022年间的变化趋势:
|
(1) |
式中, median为取中值函数；X为变量的栅格文件；i和j为变量栅格文件的时间, 且i < j；β为变量的斜率, β大于(小于)0, 呈上升(下降)趋势。为便于要素空间变化特征比较, 对Sen斜率进行归一化处理。
(4) Mann-Kendall检验
使用Mann-Kendall(M-K)非参数检验法确定各要素突变时间[50]。首先, 对华北平原70年的时间序列X数据构造秩序列sk:
|
(2) |
式中, sk是第i年数值大于j年数值个数的累计数, 当k=1时, s1=0。假定时间序列独立, 统计量UFk定义为:
|
(3) |
式中, UF为标准正态分布, 它是按时间序列X顺序X1, X2, …, Xn计算的统计量序列, UF1=0；E(sk), Var(sk)是累计数sk的均值和均方差, 当X1, X2, …, Xn相互独立且由相同连续分布时, 可由公式4和公式5算出:
|
(4) |
|
(5) |
按照时间序列逆序构造逆序列UB。当UF值大于(小于)0呈上升(下降)趋势, 当超过临界置信水平线(α=0.01, 置信水平线为±2.58), 表明上升或下降趋势显著, 超过临界线的范围确定为出现突变的时间区域。若UF和UF两条曲线在临界线之间出现交点, 则交点对应时刻为突变开始时间。研究以突变时间为界绘制各要素在华北平原的空间格局图, 进行变化特征分析。
(5) Spearman秩相关系数
Spearman秩相关系数是基于两个变量排序位次, 精确量化两个变量之间单调关系的非参数度量, 它对异常值不太敏感。考虑到降水、气温、土壤含水量和温度数据异常值的影响, 研究使用Spearman秩相关系数计算这些变量之间的相互关系。|ρ|≤0.3为弱相关, 0.3 < |ρ|≤0.5为低度相关, 0.5 < |ρ|≤0.8为显著相关, 0.8 < |ρ|≤1为高度相关。Spearman秩相关系数的计算方法[51]如下:
|
(6) |
式中, n为单个变量的样本总数, 在本研究中, n=70, 280, 840时分别为年度、季度及月度数量；di为第i个数据对的位次值之差。该操作在SPSSAU在线分析网站(http://spssau.com/indexs.html)进行。
2 结果与分析 2.1 ERA5-Land可靠性评估图 2为华北平原降水、气温、土壤温度和土壤含水量的站点监测数据与ERA5-Land再分析的月度数据的一致性评估结果。由图 2可见, ERA5-Land再分析产品对月平均气温和月平均0 cm土壤温度的表达与站点观测相似, 回归拟合R2分别为0.991和0.986, 而对月降水量的表达与站点观测数据相比略差, 回归拟合R2=0.756。ERA5-land对土壤含水量的表达较差, 但仍有部分点落于1∶1线周围。所以, ERA5-Land再分析是进行华北平原气温和土壤温度时空变化特征分析的站点数据的替代产品。即使该数据集对降水和土壤含水量的表达不理想, 然而发挥其全球覆盖、长时间序列的优势开展相关变量的时空变化特征分析能够弥补站点数据稀少或缺失、观测时间短等方面的不足。
|
| 图 2 华北平原站点观测和ERA5-Land再分析月度数据一致性评估 Fig. 2 The monthly data evaluation of constancy between site observations and ERA5-Land reanalysis in the North China Plain |
1953年至2022年间, 华北平原年降水量在509.80—1393.05 mm之间波动(图 3), 整体呈波动下降趋势, 平均降水量为823.16 mm, 最高值出现在1954年, 最低值出现在2019年。降水量变率为-38.31 mm/10a, 这一变化在统计学上具有显著性(P < 0.01)。从20世纪50年代至今, 每相邻十年的平均降水量差值分别为-84.04、-77.92、40.96、-59.88、-10.95和-67.76 mm。对降水的季节变化进行分析发现, 华北平原春夏秋冬四个季节降水量均呈下降趋势, 夏季降水减少速率最快(-26.42 mm/10a), 春季次之(-7.16 mm/10a), 秋季和冬季的减少速率相近, 分别为-3.42 mm/10a和-4.39 mm/10a。通过M-K突变检验(图 4)得出, 在1953—1957年间降水呈不显著上升趋势, 1958—2010年间降水呈不显著下降趋势, 在2011—2022年间降水呈显著下降趋势。降水量在1988年左右开始发生突变。
|
| 图 3 1953—2022年华北平原降水、气温的年均及季节变化特征 Fig. 3 Annual and seasonal changes of precipitation and air temperature in the North China Plain from 1953 to 2022 |
|
| 图 4 1953—2022年期间华北平原年降水量和年均气温Mann-Kendall检验 Fig. 4 Mann-Kendall test of annual precipitation and annual air temperature in the North China Plain during 1953 and 2022 UF: 时间序列X顺序计算的统计量序列；UB: 时间序列X逆序计算的统计量序列 |
1953年至2022年间, 华北平原年均气温在12.11—15.35℃之间波动(图 3), 年均气温呈波动中上升趋势, 气温变率为0.27℃/10a(P < 0.01)。平均气温为13.98℃, 最高值出现在2019年, 最低值出现在1965年。气温从20世纪50年代至今, 每相邻十年的平均温度差值分别为0.17、0.19、0.11、0.67、-0.069、0.57℃, 升温幅度随时间增大。进一步分析气温季节变化发现, 华北平原四季的气温均呈上升趋势, 冬季气温升高速率最快(0.39℃), 春季次之(0.36℃/10a), 夏季(0.17℃/10a)和秋季(0.16℃/10a)气温上升速率趋同。通过M-K检验(图 4)得出, 在1953—1957年间气温呈不显著下降趋势, 1958—1997年间气温呈不显著上升趋势, 在1998—2022年间气温呈显著上升趋势。在1996年左右气温开始发生突变。
从1998年前后的华北平原降水量分布情况(图 5)来看, 该区域表现出低纬度地区降水多、高纬度地区降水少的特征。1998年前, 华北平原年均降水量位于624.76—1309.73 mm之间, 降水量基本随纬度升高而减少。1988年后, 该区域年均降水量在501.50 —1211.47 mm间波动, 降水量高值区(1000—1200 mm/a)位于华北平原南部, 低值区(400—600 mm/a)位于华北平原西北部。除西南部的局部地区降水量减小速率快, 华北平原其他大部分地区降水量减小速率基本一致(图 6)。
|
| 图 5 降水和气温突变前后的空间分布 Fig. 5 Spatial distribution of precipitation and temperature before and after abrupt change |
|
| 图 6 1953—2022年华北平原降水和气温Sen斜率空间分布 Fig. 6 Spatial distribution of precipitation and temperature Sen′s slope in North China Plain from 1953 to 2022 |
1953—2022年华北平原气温变化空间分布(图 5)与降水量变化空间分布情况相反, 具有气温随纬度增加而升高的特征。气温发生突变的时间为1996年。1996年前, 华北平原气温在8.70—15.48℃之间；1996年后, 气温在9.86—16.40℃之间。其西部和北部部分区域升温速率快, 西南部升温速率较慢(图 6)。
2.3 华北平原不同土层含水量和温度在不同时间尺度的变化特征1953—2022年华北平原SWC1—SWC4的变化存在较好的一致性, 均呈减小趋势(图 7), 由浅到深4层土壤含水量分别在0.22—0.34、0.21—0.34、0.21—0.34和0.22—0.37 m3/m3之间波动。土壤含水量减小幅度随深度增加而增大, 其中SWC4变化幅度最大, 每十年减少0.014 m3/m3(P < 0.01, 表 3), SWC3变化次之(每十年减少0.01 m3/m3, P < 0.01), SWC1和SWC2变化相同, 均为每十年减少0.007 m3/m3。20世纪50年代至今, 每相邻的10年间, 上三层土壤含水量差值均随着时间的推移而逐渐减小, 然而第四层土壤含水量差值却呈现出逐渐增大的趋势。进一步分析季节变化(表 3和图 7)发现, 1953—2022年不同土层的四季含水量均呈现波动减少的趋势, 但减小幅度不同。SWC1变率的绝对值: 春季>冬季>夏季=秋季；SWC2变率的绝对值: 春季>夏季=秋季=冬季；SWC3变率绝对值: 夏季>秋季>冬季>春季；SWC4变率的绝对值: 秋季>夏季=冬季>春季。对各层土壤含水量进行M-K突变检验(图 8), 发现距地表越近, 其突变时间越早, SWC1—SWC4突变时间分别发生在1974、1975、1977、1978年。
|
| 图 7 1953—2022年华北平原土壤含水量和土壤温度的变化 Fig. 7 Changes of soil water content and soil temperature in North China Plain from 1953 to 2022 |
| 时间Time | SWC1 | R2 | SWC2 | R2 | SWC3 | R2 | SWC4 | R2 |
| 春Spring | y=-0.0008x+0.2803 | -0.505** | y=-0.0009x+0.2799 | -0.539** | y=-0.0001x+0.2869 | -0.659** | y=-0.0013x+0.3293 | -0.797** |
| 夏Summer | y=-0.0006x+0.3217 | -0.483** | y=-0.0007x+0.3169 | -0.495** | y=-0.0011x+0.3014 | -0.633** | y=-0.0014x+0.3277 | -0.811** |
| 秋Autumn | y=-0.0006x+0.3025 | -0.377** | y=-0.0007x+0.3068 | -0.404** | y=-0.0009x+0.3213 | -0.494** | y=-0.0015x+0.3419 | -0.805** |
| 冬Winter | y=-0.0007x+0.3024 | -0.394** | y=-0.0007x+0.3017 | -0.419** | y=-0.0008x+0.2999 | -0.513** | y=-0.0014x+0.3357 | -0.798** |
| 年Year | y=-0.0007x+0.3018 | -0.626** | y=-0.0007x+0.2994 | -0.614** | y=-0.001x+0.3023 | -0.692** | y=-0.0014x+0.3351 | -0.837** |
| ST1 | R2 | ST2 | R2 | ST3 | R2 | ST4 | R2 | |
| 春Spring | y=0.0427x+13.563 | 0.715** | y=0.0424x+12.648 | 0.740** | y=0.0406x+10.255 | 0.769** | y=0.0361x+7.3044 | 0.747** |
| 夏Summer | y=0.0232x+25.836 | 0.520** | y=0.0239x+25.029 | 0.563** | y=0.0246x+22.45 | 0.642** | y=0.0204x+16.825 | 0.648** |
| 秋Autumn | y=0.0177x+15.417 | 0.493** | y=0.0174x+16.133 | 0.508** | y=0.0173x+18.071 | 0.522** | y=0.0164x+20.401 | 0.571** |
| 冬Winter | y=0.0213x+1.1774 | 0.530** | y=0.0211x+1.9313 | 0.546** | y=0.0208x+4.6247 | 0.559** | y=0.0278x+10.684 | 0.633** |
| 年Year | y=0.0262x+13.969 | 0.737** | y=0.0262x+13.908 | 0.745** | y=0.0259x+13.816 | 0.750** | y=0.0253x+13.766 | 0.764** |
| *: P＜0.05；**: P＜0.01 | ||||||||
|
| 图 8 1953—2022年华北平原年土壤含水量和土壤温度Mann-Kendall检验 Fig. 8 Soil water content and soil temperature Mann-Kendall test in the North China Plain during 1953—2022 |
1953—2022年华北平原ST1—ST4的变化均呈上升趋势(图 7)。四层土壤温度升高幅度在0.253—0.262℃/10a之间, 距地表越近升温幅度越大。20世纪50年代至今, 各层每相邻10年升温速度越来越快, 1953—2022年土层温度持续升高, 2003—2012年土层温度呈轻微下降, 2013—2022年土层温度又显现出上升趋势。各层土壤温度季节变化显示(表 3和图 7): 1953—2022年ST1—ST4四季温度均上升, 上三层温度上升幅度: 春季>夏季>冬季>秋季, 第四层温度上升幅度: 春季>冬季>夏季>秋季。对各层温度进行M-K突变检验分析(图 8)表明, ST1—ST4的突变时间分别发生在1996、1995、1993、1993年, 各层距地表越远其突变时间越早。土层深度对含水量和温度的影响呈现相反的趋势, 且含水量突变时间比温度突变时间早将近20a。
华北平原四个土层含水量的空间分布表明: 1953—2022年华北平原各土层含水量空间分布上呈南高北低的分布特征(图 9)。这种特征在上下两层含水量空间变化情况略有不同, 主要表现在突变前后在北部上两层含水量均在0.2—0.3 m3/m3之间波动, 而北部特别是西北部下两层含水量在突变前后变化较复杂。在SWC3发生突变(1977年)前, 含水量在0.2—0.3 m3/m3之间变化, 之后该层西北部含水量下降至0.2—0.1 m3/m3之间。SWC4北部含水量发生突变(1978年)前, 北部含水量在0.2—0.4 m3/m3之间, 之后该层北部含水量在0.1—0.3 m3/m3之间。从1953—2022年华北平原SWC1—SWC4的Sen斜率空间变化分布情况(图 10)可以看出, 上三层含水量在西北部区域减少趋势较为明显, 且随深度增加, 含水量减少幅度高值区逐步向东南方向延伸。SWC4减小幅度从西北向东南方向逐步变小, 而Sen斜率变化更为复杂。
|
| 图 9 土壤含水量和土壤温度在突变前后的空间分布 Fig. 9 Spatial distribution of soil water content and soil temperature before and after abrupt change |
|
| 图 10 1953—2022年华北平原土壤含水量和土壤温度Sen斜率空间分布 Fig. 10 Spatial distribution of soil water content and soil temperature Sen′s slope in North China Plain from 1953 to 2022 |
各土层温度的空间分布显示(图 9): 1953—2022年华北平原各土层年均温度空间分布均随纬度增高而降低。ST1在1996年前最高温度为17.03℃, 最低温度为9.75℃；1996年后最高温度为17.81℃, 最低温度为10.88℃。ST2在1995年前最高温度为17.03℃, 最低温度为9.58℃；1995年后最高温度为17.78℃, 最低温度为10.69℃。ST3在1993年前最高温度为16.95℃, 最低温度为9.25℃；1993后最高温度为19.79℃, 最低温度为10.41℃。ST4在1993年前最高温度为16.80℃, 最低温度为9.10℃；1993年后最高温度为17.79℃, 最低温度为10.26℃。1953—2023年华北平原各土层温度Sen斜率空间分布情况(图 10)与土层水分斜率空间分布情况相似, 西北部变化剧烈, 东南部变化较缓。
2.4 华北平原地气系统多变量的相关性分析气温、降水、土壤温度和含水量是陆地和气候系统水热交互过程的重要参数。4个水热要素的相关分析(表 4)结果表明: 10个变量均通过99%置信水平的显著性检验。P与T之间的相关系数为-0.58, 说明P与T之间存在显著负相关关系。P与ST之间呈显著负相关关系, 相关系数在-0.51—-0.64之间。P与SWC1和SWC2呈高度正相关关系, 相关系数均为0.88；P与SWC3为显著正相关关系, 相关系数为0.79；P与SWC4为低度正相关关系, 相关系数为0.46。T与ST呈高度正相关关系, 相关系数在0.91—0.99之间；T与SWC呈显著负相关关系, 相关系数在-0.66—-0.70之间。ST与SWC呈显著负相关关系, 相关系数在-0.67—-0.78之间。在统计学意义上, SWC与T、SWC与P、ST与T、ST与P的相关性随土壤层的加深而减小。
| 因子Factor | P | T | SWC1 | SWC2 | SWC3 | SWC4 | ST1 | ST2 | ST3 | ST4 |
| P | 1 | |||||||||
| T | -0.58** | 1 | ||||||||
| SWC1 | 0.88** | -0.7** | 1 | |||||||
| SWC2 | 0.88** | -0.7** | 0.98** | 1 | ||||||
| SWC3 | 0.79** | -0.72** | 0.91** | 0.93** | 1 | |||||
| SWC4 | 0.46** | -0.66** | 0.63** | 0.67** | 0.78** | 1 | ||||
| ST1 | -0.64** | 0.99** | -0.76** | -0.77** | -0.78** | -0.67** | 1 | |||
| ST2 | -0.64** | 0.99** | -0.76** | -0.77** | -0.78** | -0.68** | 0.99** | 1 | ||
| ST3 | -0.59** | 0.97** | -0.75** | -0.75** | -0.77** | -0.69** | 0.98** | 0.99** | 1 | |
| ST4 | -0.51** | 0.91** | -0.7** | -0.71** | -0.77** | -0.71** | 0.92** | 0.93** | 0.97** | 1 |
| *: P＜0.05；**: P＜0.01 | ||||||||||
由上述研究可知, 1953—2022年华北平原年降水总量呈减少趋势, 夏季降水减少速率最快, 降水量呈南多北少的分布特征；年平均气温呈上升趋势, 冬季气温升高最快, 气温呈南高北低的分布特征, 该研究与杨若子等[18]及叶金印等[20]的研究结果一致。气温倾向率为0.27℃/10a, 比阿多等[42]研究结果高0.04℃/10a, 这可能与研究时段与研究数据不同有关。本研究结果是以1953—2022年的ERA5-Land逐月的近地表 2 m温度数据为基础得到的, 而阿多等[42]采用1960—2013年的气象站点日均温数据进行分析。土壤含水量减少幅度随深度增加而增大, 而程善俊等[52]的研究表明, 1948—2010年华北地区暖季10—100 cm土壤湿度的减小比其他土层厚度(0—10 cm、100—200 cm)更为迅速, 其原因可能是本研究使用ERA5-Land数据研究基于自然分区的华北平原, 而程善俊等使用GLDAS同化资料对中国华北地区分析土壤湿度。这说明土壤含水量和气温变化受区域位置、土壤深度以及时间的影响。
降水、气温、土壤含水量和温度之间存在复杂的互馈作用, 这些作用会加强气候变化的复杂性。Zuo等[53]研究发现, 地表潜热通量增加和感热通量减少会引起土壤含水量增加, 陆海温度梯度减小会造成中国东南部东亚季风环流减弱, 导致华北降水减少。Li等[11]在东亚地区的研究发现, 925 hPa下土壤温度反馈强度受长波辐射、地表热量分配和温度对流的影响, 且主要取决于对流层以下非绝热加热过程, 能够显著增强东亚夏季日均气温和最低地表气温的年际变化。已有研究证实了净辐射、土壤含水量和大气湿度3个变量与地表温度的长期变化呈显著相关[54], 土壤水分-大气耦合通过地表能量平衡的变化加速全球变暖[55]。在华北平原, 土壤水分和降水呈正相关关系, 且这种相关性随深度增加而逐渐减小。同时土壤水分与气温呈负相关关系, 这与程善俊等[56]的研究结果一致。母娅霆等[57]发现, 土壤温度与气温、太阳辐射及土壤含水量均呈显著负相关关系, 土层越深, 相关性越弱。
华北平原水热变化特征刻画存在不确定性, 这主要与研究使用的数据有关。站点数据的代表性受地形条件的限制；同时, 通过插值获取的降水数据在复杂地形条件下的精度有待研究。此外, 在长期的观测过程中, 观测仪器的更换、观测规范和资料计算方法的变化、观测台站位置的迁移、测站周围环境的变化和城市热岛效应等问题都会影响陆面要素观测的精度, 进而影响到水热情况的不确定性[24]。卫星遥感数据受传感器、数据采集时的天气条件、反演算法等影响, 也存在显著的系统偏差和不确定性[25]。数值模式模拟的数据质量受模型开发者对地球系统物理过程的认识水平、模型自身的系统误差和参数化方案的影响[28], 从而导致模式输出结果存在系统性偏差。同时, 数据的时空分辨率也会造成研究之间结果的差异。本研究采用的ERA5-Land再分析资料在一定程度上能够表征华北平原气候变化特征, 但因受数据集本身系统误差以及空间分辨率的影响, 其结果与真实水热变化特征之间仍存在不确定性。因此, 需进一步对观测站点数据、遥感反演和再分析资料等多源数据进行数据融合与同化, 以提高研究数据的准确性, 为精准刻画水热要素变化特征服务。
华北平原农业生产受水热条件的影响和制约, 该地区水热条件的变化对作物类型、物候期、作物种植和灌溉方式、田间水分温度管理等方面具有重要指导意义。1953年以来, 华北平原水热条件总体趋于暖干化, 为实现该地区粮食生产稳定、保障国家粮食安全, 在农业生产中应调整高耗水作物种植面积和空间布局, 合理采用的节水灌溉措施, 减少农业用水量, 以适应水热条件的变化[4]。
4 结论本文利用华北平原降水、气温、土壤含水量和土壤温度观测数据验证了ERA5-Land再分析产品在该区域的可靠性, 重点分析了1953—2022年间华北平原降水、气温、土壤含水量和土壤温度的年代际、季节变化特征。主要结论如下:
(1) 华北平原年降水量在509.80—1393.05 mm之间波动, 降水倾向率为-38.31 mm/10a, 夏季降水减少速率最快, 突变年份在1988年前后。年均气温在12.11—15.35℃之间波动, 气温变率为0.27℃/10a, 冬季气温升高速率最快, 突变年份在1996年左右。从空间分布特征来看, 降水量和气温均呈南高北低的分布特征, 其西南部降水减少速率较快而升温速率较慢。
(2) 四个土层土壤含水量均呈减少趋势, 100—289 cm层土壤含水量变率最大且随时间减少的幅度逐渐增大。华北平原四个土层土壤含水量突变时间依次为1974、1975、1977、1978年, 这表明土壤含水量发生突变时间与深度之间存在一定关系, 深度越大, 突变时间越晚。土壤含水量的季节变化幅度随深度而异, 0—7 cm和7—28 cm层土壤含水量春季变化幅度最大, 28—100 cm层夏季变化幅度最大, 100—289 cm层秋季变化幅度最大。
(3) 四个土层土壤温度均呈升高趋势, 且升温速率随时间越来越快, 0—7 cm层升温速率最快。华北平原四个土层土壤温度发生突变的时间依次为1996、1995、1993、1993年, 土层越深, 土壤温度越早发生突变。土壤温度的季节变化率不同, 四个土层春季升温幅度最大, 秋季升温幅度最小。从空间分布特征来看, 华北平原土壤温度和含水量呈南高北低的分布格局, 土壤温度和含水量西北部变率大, 东南部变率小。
(4) 降水、气温、土壤含水量和温度之间存在复杂的相关关系。在统计学意义上, 降水与气温、土壤含水量与土壤温度呈负相关关系；降水和土壤含水量、气温和土壤温度呈正相关关系；土壤含水量与气温、土壤含水量与降水、土壤温度与气温、土壤温度与降水的相关性随土壤深度增加而减小。
本研究得出华北平原水热条件向“暖干化”演变, 一定程度上对认识该地区气候变化以及华北平原农作物种植、农田水热管理、国家粮食安全战略的践行具有重要的参考价值。ERA5-Land再分析通过了与站点观测资料的一致性检验, 保证了本文结果的可靠性。然而, 虽然ERA5-Land能够刻画土壤含水量和降水的时空变化趋势, 但在具体数值方面有失精准。水热因子之间存在复杂的相互影响, 本研究仅就水热因子的统计学关系进行分析。因此, 在随后的研究中, 可通过数值模式进一步对土壤含水量和降水量进行更高精度的模拟, 或对水热条件变化以及交互影响的机理进行研究。
| [1] |
Hoegh-Guldberg O, Jacob D, Taylor M, Guillén Bolaños T, Bindi M, Brown S, Camilloni I A, Diedhiou A, Djalante R, Ebi K, Engelbrecht F, Guiot J, Hijioka Y, Mehrotra S, Hope C W, Payne A J, Pörtner H O, Seneviratne S I, Thomas A, Warren R, Zhou G. The human imperative of stabilizing global climate change at 1.5℃. Science, 2019, 365(6459): eaaw6974. DOI:10.1126/science.aaw6974 |
| [2] |
刘立涛, 刘晓洁, 伦飞, 吴良, 鲁春霞, 郭金花, 曲婷婷, 刘刚, 沈镭, 成升魁. 全球气候变化下的中国粮食安全问题研究. 自然资源学报, 2018, 33(6): 927-939. |
| [3] |
贾根锁. IPCC《气候变化与土地特别报告》对陆气相互作用的新认知. 气候变化研究进展, 2020, 16(1): 9-16. |
| [4] |
莫兴国, 夏军, 胡实, 林忠辉. 气候变化对华北农业水资源影响的研究进展. 自然杂志, 2016, 38(3): 189-192. |
| [5] |
Wen P F, Wei Q R, Zheng L, Rui Z X, Niu M J, Gao C K, Guan X K, Wang T C, Xiong S P. Adaptability of wheat to future climate change: effects of sowing date and sowing rate on wheat yield in three wheat production regions in the North China Plain. The Science of the Total Environment, 2023, 901: 165906. DOI:10.1016/j.scitotenv.2023.165906 |
| [6] |
何玉杰, 孔泽, 户晓, 张江, 王猛, 彭长辉, 朱求安. 水热条件分别控制了中国温带草地NDVI的年际变化和增长趋势. 生态学报, 2022, 42(2): 766-777. |
| [7] |
He W J, Liu Y Y, Sun H P, Taghizadeh-Hesary F. How does climate change affect rice yield in China?. Agriculture, 2020, 10(10): 441. DOI:10.3390/agriculture10100441 |
| [8] |
乐章燕, 廖荣伟, 刘晶淼, 卢建立, 白月明, 梁宏, 安顺清, 黄鹤. 水分胁迫对华北平原冬小麦地上部分及产量的影响. 气象与环境学报, 2014, 30(6): 120-124. |
| [9] |
毛喜玲, 殷淑燕, 刘海红. 1960—2020年华北地区玉米单产对气候变化的响应. 干旱区资源与环境, 2022, 36(10): 193-200. |
| [10] |
赵东升, 高璇, 吴绍洪, 郑度. 基于自然分区的1960—2018年中国气候变化特征. 地球科学进展, 2020, 35(7): 750-760. |
| [11] |
Li K, Zhang J Y, Wu L Y, Yang K, Li S S. The role of soil temperature feedbacks for summer air temperature variability under climate change over East Asia. Earth's Future, 2022, 10(4): e2021EF002377. DOI:10.1029/2021EF002377 |
| [12] |
Li K, Zhang J Y, Yang K, Wu L Y. The role of soil moisture feedbacks in future summer temperature change over East Asia. Journal of Geophysical Research: Atmospheres, 2019, 124(22): 12034-12056. DOI:10.1029/2018JD029670 |
| [13] |
夏龙, 宋小宁, 蔡硕豪, 胡容海, 郭达. 地表水热要素在青藏高原草地退化中的作用. 生态学报, 2021, 41(11): 4618-4631. |
| [14] |
Buzzard V, Michaletz S T, Deng Y, He Z L, Ning D L, Shen L N, Tu Q C, Van Nostrand J D, Voordeckers J W, Wang J J, Weiser M D, Kaspari M, Waide R B, Zhou J Z, Enquist B J. Continental scale structuring of forest and soil diversity via functional traits. Nature Ecology & Evolution, 2019, 3(9): 1298-1308. |
| [15] |
李梁, 杨泽粟, 何杭. 中国北方蒸散-降水耦合度时空变化与水热因子的关系. 干旱气象, 2022, 40(5): 791-803. |
| [16] |
Zhang J Y, Wu L Y, Dong W J. Land-atmosphere coupling and summer climate variability over East Asia. Journal of Geophysical Research: Atmospheres, 2011, 116(D5): D05117. |
| [17] |
桑林, 余乐福. 华北地区夏季降水的气候特征分析. 气象研究与应用, 2018, 39(1): 24-27, 65. DOI:10.3969/j.issn.1673-8411.2018.01.006 |
| [18] |
杨若子, 邢佩, 杜吴鹏, 党冰, 轩春怡, 熊飞麟. 1961—2017年华北地区降水气候特征分析. 地理科学, 2020, 40(9): 1573-1583. |
| [19] |
Seo Y W, Ha K J. Changes in land-atmosphere coupling increase compound drought and heatwaves over northern East Asia. NPJ Climate and Atmospheric Science, 2022, 5: 100. DOI:10.1038/s41612-022-00325-8 |
| [20] |
叶金印, 黄勇, 张春莉, 杨祖祥. 近50年淮河流域气候变化时空特征分析. 生态环境学报, 2016, 25(1): 84-91. |
| [21] |
李轩, 过志峰, 吴门新, 何延波. 华北地区土壤水分的时空变化特征. 应用生态学报, 2021, 32(12): 4203-4211. |
| [22] |
宋献方, 王仕琴, 肖国强, 王志民, 刘鑫. 华北平原地下水浅埋区土壤水分动态的时间序列分析. 自然资源学报, 2011, 26(1): 145-155. |
| [23] |
张慧智, 史学正, 于东升, 王洪杰, 赵永存, 孙维侠, 黄宝荣. 中国土壤温度的空间插值方法比较. 地理研究, 2008, 27(6): 1299-1307. DOI:10.3321/j.issn:1000-0585.2008.06.009 |
| [24] |
高艳红, 刘伟, 曾礼. 陆面过程高分辨率模拟的不确定性. 高原气象, 2021, 40(6): 1364-1376. |
| [25] |
Peng J, Loew A, Merlin O, Verhoest N E C. A review of spatial downscaling of satellite remotely sensed soil moisture. Reviews of Geophysics, 2017, 55(2): 341-366. DOI:10.1002/2016RG000543 |
| [26] |
田浩, 刘琳, 张正勇, 陈泓瑾, 张雪莹, 王统霞, 康紫薇. 2001—2020年中国地表温度时空分异及归因分析. 地理学报, 2022, 77(7): 1713-1729. |
| [27] |
Latif M. Uncertainty in climate change projections. Journal of Geochemical Exploration, 2011, 110(1): 1-7. DOI:10.1016/j.gexplo.2010.09.011 |
| [28] |
秦大河. 气候变化科学概论. 北京: 科学出版社, 2018: 30-33.
|
| [29] |
Bao X H, Zhang F Q. Evaluation of NCEP-CFSR, NCEP-NCAR, ERA-interim, and ERA-40 reanalysis datasets against independent sounding observations over the Tibetan Plateau. Journal of Climate, 2013, 26(1): 206-214. DOI:10.1175/JCLI-D-12-00056.1 |
| [30] |
Kobayashi S, Ota Y, Harada Y, Ebita A, Moriya M, Onoda H, Onogi K, Kamahori H, Kobayashi C, Endo H, Miyaoka K, Takahashi K. The JRA-55 reanalysis: general specifications and basic characteristics. Journal of the Meteorological Society of Japan Ser Ⅱ, 2015, 93(1): 5-48. DOI:10.2151/jmsj.2015-001 |
| [31] |
Muñoz-Sabater J, Dutra E, Agustí-Panareda A, Albergel C, Arduini G, Balsamo G, Boussetta S, Choulga M, Harrigan S, Hersbach H, Martens B, Miralles D G, Piles M, Rodríguez-Fernández N J, Zsoter E, Buontempo C, Thépaut J N. ERA5-Land: a state-of-the-art global reanalysis dataset for land applications. Earth System Science Data, 2021, 13(9): 4349-4383. DOI:10.5194/essd-13-4349-2021 |
| [32] |
Zou J, Lu N, Jiang H, Qin J, Yao L, Xin Y, Su F Z. Performance of air temperature from ERA5-Land reanalysis in coastal urban agglomeration of Southeast China. The Science of the Total Environment, 2022, 828: 154459. DOI:10.1016/j.scitotenv.2022.154459 |
| [33] |
Zhang Y, An C B, Liu L Y, Zhang Y Z, Lu C, Zhang W S. High mountains becoming wetter while deserts getting drier in Xinjiang, China since the 1980s. Land, 2021, 10(11): 1131. DOI:10.3390/land10111131 |
| [34] |
Cao B, Gruber S, Zheng D H, Li X. The ERA5-Land soil temperature bias in permafrost regions. The Cryosphere, 2020, 14(8): 2581-2595. DOI:10.5194/tc-14-2581-2020 |
| [35] |
刘维成, 徐丽丽, 朱姜韬, 段伯隆, 孙义, 郑涛. 再分析资料和陆面数据同化资料土壤湿度产品在中国北方地区的适用性评估. 大气科学学报, 2022, 45(4): 616-629. |
| [36] |
Xie W H, Yi S Z, Leng C, Xia D F, Li M L, Zhong Z W, Ye J F. The evaluation of IMERG and ERA5-Land daily precipitation over China with considering the influence of gauge data bias. Scientific Reports, 2022, 12: 8085. DOI:10.1038/s41598-022-12307-0 |
| [37] |
Jiao D L, Xu N N, Yang F, Xu K. Evaluation of spatial-temporal variation performance of ERA5 precipitation data in China. Scientific Reports, 2021, 11: 17956. DOI:10.1038/s41598-021-97432-y |
| [38] |
Huang X L, Han S, Shi C X. Multiscale assessments of three reanalysis temperature data systems over China. Agriculture, 2021, 11(12): 1292. DOI:10.3390/agriculture11121292 |
| [39] |
Wu Z Y, Feng H H, He H, Zhou J H, Zhang Y L. Evaluation of soil moisture climatology and anomaly components derived from ERA5-land and GLDAS-2.1 in China. Water Resources Management, 2021, 35(2): 629-643. DOI:10.1007/s11269-020-02743-w |
| [40] |
Caihong Gao, Qifan Wu, Miles Dyck, Lei Fang, Hailong He. Greenhouse area detection in Guanzhong Plain, Shaanxi, China: Evaluation of four classification methods in Google Earth Engine. Canadian Journal of Remote Sensing, 2022, 48(6): 747-763. DOI:10.1080/07038992.2022.2117687 |
| [41] |
Velastegui-Montoya A, Montalván-Burbano N, Carrión-Mero P, Rivera-Torres H, Sadeck L, Adami M. Google earth engine: a global analysis and future trends. Remote Sensing, 2023, 15(14): 3675. DOI:10.3390/rs15143675 |
| [42] |
阿多, 熊凯, 赵文吉, 宫兆宁, 井然, 张磊. 1960—2013年华北平原气候变化时空特征及其对太阳活动和大气环境变化的响应. 地理科学, 2016, 36(10): 1555-1564. |
| [43] |
曹艳萍, 秦奋, 庞营军, 赵芳, 黄金亭. 2002—2016年华北平原植被生长状况及水文要素时空特征分析. 生态学报, 2019, 39(5): 1560-1571. |
| [44] |
Wang A., Shi X. . A Multilayer Soil moisture dataset based on the gravimetric method in China. Science Data Bank, 2021[2022-05-26]. http://cstr.cn/31253.11.sciencedb.00539. CSTR: 31253.11. sciencedb. 00539.
|
| [45] |
国家气象信息中心. 中国国家级地面气象站基本气象要素日值数据集(V3.0)(1951—2010). 时空三极环境大数据平台. 2019.
|
| [46] |
岳书平, 闫业超, 张树文, 杨久春, 王文娟. 基于ERA5-LAND的中国东北地区近地表土壤冻融状态时空变化特征. 地理学报, 2021, 76(11): 2765-2779. DOI:10.11821/dlxb202111012 |
| [47] |
Copernicus Climate Change Service(C3S). C3S ERA5-Land reanalysis. Copernicus Climate Change Service, date of access. https://cds.climate.copernicus.eu/cdsapp#!home, 2019.
|
| [48] |
Muoz S J. ERA5-Land monthly averaged data from 1981 to present. Copernicus Climate Change Service (C3S) Climate Data Store (CDS). 2019, doi: 10.24381/cds.68d2bb3034.
|
| [49] |
Jiang R G, Xie J C, Zhao Y, He H L, He G H. Spatiotemporal variability of extreme precipitation in Shaanxi Province under climate change. Theoretical and Applied Climatology, 2017, 130(3): 831-845. |
| [50] |
胡琦, 马雪晴, 胡莉婷, 王雅婧, 徐琳, 潘学标. Matlab在气象专业教学中的应用——气象要素的M-K检验突变分析. 实验室研究与探索, 2019, 38(12): 48-51, 107. DOI:10.3969/j.issn.1006-7167.2019.12.012 |
| [51] |
Song H Y, Park S. An analysis of correlation between personality and visiting place using Spearman's rank correlation coefficient. KSII Transactions on Internet and Information Systems, 2020, 14(5): 1951-1966. |
| [52] |
程善俊, 黄建平, 季明霞, 管晓丹, 郭瑞霞. 中国华北暖季土壤湿度的变化特征. 干旱气象, 2015, 33(5): 723-731. |
| [53] |
Zuo Z Y, Zhang R H. Influence of soil moisture in Eastern China on the East Asian summer monsoon. Advances in Atmospheric Sciences, 2016, 33(2): 151-163. DOI:10.1007/s00376-015-5024-8 |
| [54] |
Jiang K, Pan Z H, Pan F F, Teuling A J, Han G L, An P L, Chen X, Wang J L, Song Y, Cheng L, Zhang Z Y, Huang N, Ma S Q, Gao R P, Zhang Z Z, Men J Y, Lv X Q, Dong Z Q. Combined influence of soil moisture and atmospheric humidity on land surface temperature under different climatic background. iScience, 2023, 26(6): 106837. DOI:10.1016/j.isci.2023.106837 |
| [55] |
Qiao L, Zuo Z Y, Zhang R H, Piao S L, Xiao D, Zhang K W. Soil moisture-atmosphere coupling accelerates global warming. Nature Communications, 2023, 14: 4908. DOI:10.1038/s41467-023-40641-y |
| [56] |
程善俊, 管晓丹, 黄建平, 季明霞. 利用GLDAS资料分析黄土高原半干旱区土壤湿度对气候变化的响应. 干旱气象, 2013, 31(4): 641-649. |
| [57] |
母娅霆, 刘子琦, 李渊, 朱大运. 喀斯特地区土壤温度变化特征及其与环境因子的关系. 生态学报, 2021, 41(7): 2738-2749. |