基于SHAW模型的青海湖流域土壤溫度模擬①

謝 婷，馬育軍，楊 晨

基于SHAW模型的青海湖流域土壤溫度模擬①

謝 婷，馬育軍*，楊 晨

(中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院，廣州 511400)

土壤溫度與地氣間能量交換、水分循環(huán)密切相關(guān)，影響著植被生長乃至區(qū)域生態(tài)安全。本文首先分析了青海湖流域2018年10月至2020年7月實測的不同深度土壤溫度變化特征，然后結(jié)合2018年10月至2019年8月土壤溫度對SHAW模型進行了率定，并根據(jù)2019年9月至2020年7月觀測數(shù)據(jù)對率定參數(shù)進行了驗證，在此基礎(chǔ)上探究了植被和土壤參數(shù)對土壤溫度變化的影響。結(jié)果表明：①伴隨深度增加，土壤溫度的變化幅度逐漸減小，5 cm深度逐日平均土壤溫度的極差達到25.50 ℃，而35 cm深度極差為20.19 ℃，均遠低于相同時期氣溫的極差(36.32 ℃)；②率定期各層土壤溫度的納什效率系數(shù)(NSE)均高于0.94，均方根誤差(RMSE)由表層(1.91 ℃)至深層(0.86 ℃)逐漸減小，模型模擬精度隨著土層深度增加而提高；驗證期各評價指標(biāo)略低于率定期，但各層NSE均超過0.93，RMSE由淺層的1.98 ℃ 降低至最深層的0.98 ℃，說明SHAW模型可以模擬青海湖流域土壤溫度的動態(tài)變化；③土壤溫度變化與葉面積指數(shù)、土壤容重均呈負相關(guān)關(guān)系，飽和導(dǎo)水率、孔徑指數(shù)和進氣勢分別降低60%、40% 和30% 以后，土壤溫度才有明顯響應(yīng)。

SHAW模型；土壤溫度；植被特征；土壤屬性；青海湖流域

獨特的地理位置加上高大復(fù)雜的地形致使青藏高原的生態(tài)環(huán)境極易受氣候變化和人類活動影響，而青藏高原生態(tài)系統(tǒng)的改變又將引起區(qū)域乃至全球環(huán)流變化，進而影響生態(tài)安全[1-3]。位于青藏高原東北部的青海湖流域不僅是全球氣候變化的敏感區(qū)之一，也是維護青藏高原生態(tài)安全的重要屏障，其地表輻射平衡和熱量傳輸狀況影響著區(qū)域生態(tài)系統(tǒng)的穩(wěn)定[4-5]。

土壤溫度作為土壤熱力性質(zhì)的重要參量，通過調(diào)節(jié)水分相態(tài)轉(zhuǎn)變及其運動，在物理、生物等過程中起著至關(guān)重要的作用，是氣候變化、凍土穩(wěn)定性和生態(tài)安全的關(guān)鍵影響因素之一[6-8]。土壤溫度的長期變化趨勢是準(zhǔn)確了解氣候變化情況的有效方式[9]，1960—2014年青藏高原土壤溫度呈現(xiàn)顯著的上升趨勢，淺層(0 ～ 20 cm)土壤溫度的增幅達到0.36 ℃/10 a，深層(40 ～ 320 cm)則為0.37 ℃/10 a[10]。土壤溫度的升高將導(dǎo)致多年凍土退化，活動層厚度增加并將多年凍土中貯存的碳釋放到大氣中，加劇環(huán)境惡化和氣候變化[11-13]。另外，土壤溫度升高還將引起高寒草甸生態(tài)系統(tǒng)的退化，對區(qū)域生態(tài)安全造成威脅[14]。因此，土壤溫度是影響青藏高原生態(tài)環(huán)境變化的重要因素。

青藏高原特殊的環(huán)境條件致使大量安裝儀器進行土壤溫度觀測非常困難，觀測數(shù)據(jù)的精度也難以保證，影響了相關(guān)研究的開展，而將土壤與其環(huán)境的物質(zhì)能量交換過程通過數(shù)學(xué)描述融入模型成為該地區(qū)獲取土壤溫度的有效方法[15]。SHAW模型(simultaneous heat and water model)作為一維垂直陸面過程模型，不僅能夠模擬植物冠層、積雪、土壤以及殘余物中水熱及溶質(zhì)轉(zhuǎn)移，而且對土壤凍融過程、土壤溫濕度、蒸散發(fā)等均可實現(xiàn)比較準(zhǔn)確的模擬[16]。目前運用SHAW模型模擬青藏高原土壤溫度動態(tài)變化的研究多數(shù)集中在中部、南部和祁連山地區(qū)[17-23]，而其在青海湖流域的適用性尚未得到驗證。因此，本研究在分析2018年10月至2020年7月青海湖流域不同深度土壤溫度變化情況的基礎(chǔ)上，結(jié)合SHAW模型進行土壤溫度模擬，利用多個評價指標(biāo)評估模型模擬效果，最后逐步改變植被特征和土壤屬性以探究影響土壤溫度變化的關(guān)鍵參數(shù)。研究結(jié)果將為SHAW模型在青海湖流域的應(yīng)用以及定量評估不同環(huán)境因素對土壤溫度的影響提供依據(jù)。

1 研究方法

1.1 實驗觀測

觀測站位于青海湖流域沙柳河子流域(100.26°E、37.24°N)，海拔高度3 212 m，觀測時段內(nèi)(2018年10月17日至2020年7月31日)該地平均氣溫–0.88 ℃，平均相對濕度64.26%，平均風(fēng)速2.53 m/s。觀測氣象數(shù)據(jù)包括距離地面1.5 m氣溫和相對濕度(HMP155A，Vaisala，芬蘭)、降雨量(TE525，CSI，美國)、風(fēng)速(WindSonic，Gill，英國)、四分量輻射(CNR4，Kipp & Zonen，荷蘭)等，5、15、25、35 cm深度土壤溫度通過埋設(shè)的土壤溫度傳感器(5TE，Decagon，美國)進行觀測，所有觀測數(shù)據(jù)自動記錄的時間間隔為10 min。

1.2 模型簡介

Flerchinger和Saxton[24]于1989年開發(fā)了用于模擬土壤凍融過程的SHAW模型，該模型能夠模擬包含植被、積雪等在內(nèi)的一維剖面中熱量、水分及溶質(zhì)的轉(zhuǎn)移過程，而且對整個系統(tǒng)物質(zhì)和能量交換的物理過程有詳細清晰的數(shù)學(xué)描述，通過同步計算熱量、水分和溶質(zhì)通量以較為精確地模擬土壤溫度動態(tài)變化、輻射通量平衡等[23]。

模型需要的輸入數(shù)據(jù)包括站點數(shù)據(jù)、氣象數(shù)據(jù)、土壤水熱數(shù)據(jù)、植被特征等。其中，站點數(shù)據(jù)包括觀測站的經(jīng)緯度、海拔高度、坡度、坡向；氣象數(shù)據(jù)包括逐日或逐小時的溫度、風(fēng)速、相對濕度、降水量、新降雪密度和太陽總輻射等；土壤水熱數(shù)據(jù)包括模擬開始與結(jié)束時的土壤溫度與含水量；植被特征包括高度、生物量、葉面積指數(shù)、植物阻力等。

1.3 模擬設(shè)計

利用2018年10月17日至2019年8月31日觀測的氣象、土壤及植被數(shù)據(jù)對SHAW模型進行率定，模擬5、15、25、35 cm深度土壤溫度的變化過程，然后利用2019年9月1日至2020年7月31日各層土壤溫度數(shù)據(jù)對率定參數(shù)進行驗證。5、15、25、35 cm的土壤溫度及水分初始數(shù)據(jù)采用觀測值，各層土壤參數(shù)中土壤機械組成、有機質(zhì)含量和容重采用實測值，土壤水力參數(shù)通過模型自行計算并依據(jù)模擬結(jié)果進行率定，最終土壤參數(shù)的設(shè)定如表1。植株高度、葉面積指數(shù)、生根深度、葉寬等植被參數(shù)通過實地測量獲取，而其余植被參數(shù)如葉片阻力、根系阻力、氣孔阻力指數(shù)等均采用模型的建議值。

植被特征影響著地表對太陽輻射的反射和吸收，而土壤屬性則影響著熱量在土壤內(nèi)部的傳輸及其熱輻射變化，因此植被特征和土壤屬性是影響土壤溫度變化的重要因子[25-27]。為了探究植被特征和土壤屬性中對土壤溫度變化具有顯著影響的關(guān)鍵參數(shù)，按照10% 的間隔由–100% ～ 100% 分別改變?nèi)~面積指數(shù)、植被反照率、干生物量、土壤容重、有機質(zhì)含量、飽和導(dǎo)水率、孔徑指數(shù)、進氣勢等參數(shù)，以比較各參數(shù)變化條件下土壤溫度的波動情況。

表1 SHAW模型各層土壤參數(shù)設(shè)定

1.4 模擬結(jié)果評估

選取擬合優(yōu)度(2)、均方根誤差(RMSE)和納什效率系數(shù)(NSE)評估SHAW模型對于各層土壤溫度的模擬效果，具體公式如下：

2 結(jié)果與討論

2.1 基于觀測的土壤溫度動態(tài)變化

圖1展示了2018年10月至2020年7月各土層土壤溫度觀測值的日變化和年變化情況。從土壤溫度的日變化看(圖1A)，其變化幅度的大小與深度呈負相關(guān)關(guān)系，5 cm深度土壤溫度的極差可達2.45 ℃，而35 cm深度僅為0.14 ℃。5 cm和15 cm深度土壤溫度的趨勢表現(xiàn)為“降–升–降”，25 cm和35 cm則相反，各層土壤溫度最低值分別于10:00、12:00、15:00和17:00出現(xiàn)，而最高值則分別出現(xiàn)在19:00、22:00、1:00和5:00，可以看出伴隨土層深度增加，土壤溫度最值出現(xiàn)的時間存在明顯滯后，這與拉薩灌叢草甸區(qū)的研究結(jié)論相似[28]。圖1B顯示各層土壤溫度均呈現(xiàn)近似正弦曲線的周期性變化，觀測期內(nèi)土壤溫度從2月上旬開始上升，4月中旬高于0 ℃，8月中旬達到峰值，而后逐漸下降，12月中旬低于0 ℃，至次年2月再次達到最低。另外，觀測期內(nèi)5 cm深度逐日平均土壤溫度的極差為25.50 ℃，而35 cm深度為20.19 ℃，均遠低于同期氣溫的極差(36.32 ℃)，外界環(huán)境對淺層土壤的影響大于深層土壤，而且地表能量在土壤內(nèi)的傳輸隨著深度增加逐漸減少，致使淺層土壤溫度波動更加明顯[29]。

2.2 不同深度土壤溫度模擬

2018年10月至2019年8月不同深度土壤溫度模擬結(jié)果顯示(圖2)：各層土壤溫度的模擬值變化趨勢與觀測值基本一致，總體擬合效果較好，與該模型應(yīng)用于青藏高原其他地區(qū)(如唐古拉、那曲等)的效果相似[18,23]。生長季(4—9月)土壤溫度的模擬效果明顯優(yōu)于非生長季(10月至次年3月)，主要是因為SHAW模型將土壤熱通量作為地表向下的能量輸入，而土壤熱通量是通過能量平衡公式(土壤熱通量=凈輻射–感熱通量–潛熱通量)計算得到，因此，土壤溫度模擬精度與土壤熱通量的誤差密切相關(guān)。已有研究表明，土壤熱通量誤差較大可能是由凈輻射模擬偏差大引起[18]。比較青海湖流域凈輻射觀測值和模擬值可以發(fā)現(xiàn)(圖3)，非生長季凈輻射模擬偏差明顯大于生長季，進而影響了土壤溫度的準(zhǔn)確模擬。隨著深度增加，土壤溫度模擬值與觀測值的差異不斷縮小，5 cm深度二者的平均差值為1.36 ℃，而35 cm深度僅為0.65 ℃，這是由于SHAW模擬的熱量取決于周圍環(huán)境的溫濕度，因此，周圍環(huán)境水熱條件變化幅度越小，模型模擬的土壤溫度值越準(zhǔn)確。模擬的5、15、25和35 cm深度土壤溫度最高值均出現(xiàn)在2019年8月19日，除35 cm深度比觀測值晚1 d外，其他深度均與觀測值一致；最低值均出現(xiàn)在2019年1月22日，除5 cm深度與觀測值一致外，其他深度均比觀測值晚1 d。因此，利用SHAW模型模擬的土壤溫度隨著深度增加逐漸出現(xiàn)滯后現(xiàn)象。

圖1 青海湖流域2018年10月至2020年7月不同深度土壤溫度日變化和年變化

圖2 青海湖流域2018年10月至2019年8月不同深度土壤溫度觀測值與模擬值對比

率定期土壤溫度模擬效果顯示(表2)，不同深度模擬值與觀測值之間的擬合優(yōu)度始終大于0.97，納什效率系數(shù)均高于0.94，均方根誤差由表層至深層逐漸減小，說明模型的模擬精度隨著土層深度增加而提高。

利用2019年8月至2020年7月的土壤溫度觀測數(shù)據(jù)對率定的模型參數(shù)進行驗證(圖4)，可以發(fā)現(xiàn)，驗證期土壤溫度模擬值的變化趨勢與觀測值基本一致，隨著土壤深度增加二者愈接近，而且非生長季的模擬效果不如生長季。結(jié)合表2可知，驗證期4層土壤溫度的模擬效果表現(xiàn)為擬合優(yōu)度和納什效率系數(shù)均分別高于0.97和0.93，均方根誤差由表層的1.98 ℃減至最深層的0.98℃。與率定期各評價指標(biāo)相比，驗證期略低于率定期，但總體效果較好。因此，SHAW模型在青海湖流域土壤溫度模擬方面具有較好的適用性，能夠用于模擬該地區(qū)土壤溫度的動態(tài)變化過程。

圖3 青海湖流域2018年10月至2019年8月凈輻射觀測值與模擬值對比

表2 SHAW模型土壤溫度模擬效果評估

圖4 青海湖流域2019年9月至2020年7月不同深度土壤溫度驗證結(jié)果

2.3 植被特征和土壤屬性對土壤溫度模擬的影響

植被特征對土壤溫度影響的模擬結(jié)果顯示(圖5)：葉面積指數(shù)的影響程度遠大于植被反照率和干生物量，隨著葉面積指數(shù)的增大，土壤溫度變化率總體呈現(xiàn)先增加后降低的趨勢。當(dāng)葉面積指數(shù)降低90% 以后，4層土壤溫度的增加幅度均達到最大，分別為44.30%、32.25%、21.22% 和10.55%；但當(dāng)葉面積指數(shù)減少100%(即成為裸地)時，4層土壤溫度的變化率分別為20.95%、15.30%、9.86% 和4.64%，這是由于裸土直接接收太陽輻射使土壤溫度迅速升高，但缺少植被覆蓋致使熱量逸失也較快[30]，因而此時土壤溫度升高幅度小于葉面積指數(shù)變化率介于–60% ～ –90% 時。比較各層土壤溫度的變化率可以發(fā)現(xiàn)，土層越深，土壤溫度的變化幅度越小，5 cm深度土壤溫度的變化幅度可達59.60%，而35 cm深度僅為14.22%。

植被反照率改變對土壤溫度的影響較小，在–100% ～ 100% 的變化區(qū)間內(nèi)，土壤溫度呈現(xiàn)略微上升趨勢，不同深度變化幅度分別為0.54%、0.36%、0.27% 和0.20%。干生物量變化對土壤溫度的影響非常微弱，而且SHAW模型在干生物量為0的條件下無法進行模擬。綜上所述，在3種植被特征參數(shù)中，葉面積指數(shù)是土壤溫度的敏感性參數(shù)，而植被反照率和干生物量的變化對土壤溫度模擬的影響非常小。

土壤屬性對土壤溫度影響的模擬結(jié)果顯示(圖6)：有機質(zhì)變化引起的土壤溫度變化幅度最小，土壤容重變化與土壤溫度變化總體呈負相關(guān)關(guān)系，孔徑指數(shù)變化后土壤溫度表現(xiàn)為先降后升再緩降的趨勢，而飽和導(dǎo)水率和進氣勢改變造成土壤溫度的變化大致呈現(xiàn)先降后升的情況。對于土壤容重，受土壤含水量的限制，其變化只能增至70%，4層土壤溫度最小值分別在土壤容重增加30%、60%、70% 和70% 時出現(xiàn)。隨著土壤深度增加，土壤容重引起土壤溫度變化的幅度逐漸減小，5 cm深度達到36.23%，而35 cm深度僅為18.98%。作為草地退化的重要指標(biāo)之一，土壤容重越大則土壤緊實度越高，土壤孔隙度越小[31]，隨著土壤容重增大，5 cm深度土壤溫度變化先降后升，表明植被根系一定程度上減緩了土壤溫度升高的速率。此外，有機質(zhì)含量淺層高于深層(表1)，而且植物根系多分布于淺層，深層土壤孔隙狀況不如淺層[32]，因而15 cm及以下各層土壤溫度隨著容重增大而降低。

圖5 青海湖流域植被特征變化對不同深度土壤溫度的影響

圖6 青海湖流域土壤屬性變化對不同深度土壤溫度的影響

由于模型中其他參數(shù)的限制，孔徑指數(shù)僅可降低到–80%，孔徑指數(shù)偏大或偏小均能引起土壤溫度的降低，特別是當(dāng)其降幅達到40% 以后，土壤溫度開始出現(xiàn)明顯變化。飽和導(dǎo)水率引起土壤溫度的明顯改變出現(xiàn)在–100% ～ –60% 之間。進氣勢降低至–30% 以后，土壤溫度的變化率明顯增大，而降低到–70% 時，受進氣勢影響的土壤溫度變化率達到最低，4層分別為–28.28%、–24.03%、–19.06% 和–10.50%?？偠灾袡C質(zhì)改變引起的土壤溫度變化不明顯外，土壤容重、飽和導(dǎo)水率、孔徑指數(shù)和進氣勢的變化均能促使土壤溫度產(chǎn)生明顯改變，但從變化幅度看，土壤容重是引起土壤溫度變化最重要的參數(shù)，其次是孔徑指數(shù)。

3 結(jié)論

1)研究時段內(nèi)土壤溫度的日變化最值出現(xiàn)時間隨著土層深度增加逐漸推遲，土壤溫度的年變化趨勢則近似正弦曲線。從表層到深層，土壤溫度受外界環(huán)境的影響逐漸減弱，變化幅度逐漸減小，從5 cm到35 cm逐日平均土壤溫度的極差由25.50 ℃降低至20.19 ℃，并明顯低于相同時期氣溫的極差(36.32 ℃)。

2)SHAW模型對土壤溫度的模擬效果總體較為理想，不同深度土壤溫度模擬值的變化趨勢與觀測值基本一致。率定期土壤溫度的2和NSE分別大于0.97和0.94，RMSE由淺至深逐漸減??；驗證期2和NSE分別超過0.97和0.93，RMSE由表層的1.98 ℃減至最深層的0.98 ℃?？傮w而言，該模型較好體現(xiàn)了土壤溫度的變化特征，在青海湖流域具有一定的適用性。

3)葉面積指數(shù)、土壤容重變化對土壤溫度具有較大影響，而且二者與土壤溫度變化總體呈負相關(guān)關(guān)系。飽和導(dǎo)水率、孔徑指數(shù)和進氣勢的減小對土壤溫度也有一定影響，尤其是分別減小60%、40% 和30%以后，土壤溫度將發(fā)生明顯變化。另外，隨著深度增加，土壤溫度受植被特征和土壤屬性的影響逐漸減小。

[1] Guo B, Zhou Y, Zhu J F, et al. Spatial patterns of ecosystem vulnerability changes during 2001-2011 in the three-river source region of the Qinghai-Tibetan Plateau, China[J]. Journal of Arid Land, 2016, 8(1): 23–35.

[2] Zhang J F, Sun J, Ma B B, et al. Assessing the ecological vulnerability of the upper reaches of the Minjiang River[J]. PLoS One, 2017, 12(7): e0181825. DOI:10.1371/journal. pone.0181825.

[3] 劉振元, 張杰, 陳立. 青藏高原植被退化對高原及周邊地區(qū)大氣環(huán)流的影響[J]. 生態(tài)學(xué)報, 2018, 38(1): 132–142.

[4] 張金龍, 陳英, 葛勁松, 等. 1977—2010年青海湖環(huán)湖區(qū)土地利用/覆蓋變化與土地資源管理[J]. 中國沙漠, 2013, 33(4): 1256–1266.

[5] 陳驥, 曹軍驥, 魏永林, 等. 青海湖北岸高寒草甸草原非生長季土壤呼吸對溫度和濕度的響應(yīng)[J]. 草業(yè)學(xué)報, 2014, 23(6): 78–86.

[6] 楊楠, 范廣洲. 2000—2016年青藏高原土壤溫度變化特征分析[J]. 西南大學(xué)學(xué)報(自然科學(xué)版), 2019, 41(9): 40–51.

[7] Hu G J, Zhao L, Li R, et al. Variations in soil temperature from 1980 to 2015 in permafrost regions on the Qinghai-Tibetan Plateau based on observed and reanalysis products[J]. Geoderma, 2019, 337: 893–905.

[8] Yang S H, Li R, Wu T H, et al. Evaluation of reanalysis soil temperature and soil moisture products in permafrost regions on the Qinghai-Tibetan Plateau[J]. Geoderma, 2020, 377: 114583.

[9] Bai Y Y, Scott T A, Min Q W. Climate change implications of soil temperature in the Mojave Desert, USA[J]. Frontiers of Earth Science, 2014, 8(2): 302–308.

[10] Fang X W, Luo S Q, Lyu S H. Observed soil temperature trends associated with climate change in the Tibetan Plateau, 1960-2014[J]. Theoretical and Applied Climatology, 2019, 135(1/2): 169–181.

[11] Yang M X, Nelson F E, Shiklomanov N I, et al. Permafrost degradation and its environmental effects on the Tibetan Plateau: A review of recent research[J]. Earth-Science Reviews, 2010, 103(1/2): 31–44.

[12] Wang D, Li X X, Zou D F, et al. Modeling soil organic carbon spatial distribution for a complex terrain based on geographically weighted regression in the eastern Qinghai-Tibetan Plateau[J]. CATENA, 2020, 187: 104399.

[13] 李娜, 王根緒, 高永恒, 等. 青藏高原生態(tài)系統(tǒng)土壤有機碳研究進展[J]. 土壤, 2009, 41(4): 512–519.

[14] Wang G X, Bai W, Li N, et al. Climate changes and its impact on tundra ecosystem in Qinghai-Tibet Plateau, China[J]. Climatic Change, 2011, 106(3): 463–482.

[15] 陽勇, 陳仁升, 葉柏生, 等. 寒區(qū)典型下墊面凍土水熱過程對比研究(Ⅰ): 模型對比[J]. 冰川凍土, 2013, 35(6): 1545–1554.

[16] 段志華, 張鈺, 張偉, 等. 評估4種寒區(qū)陸面、水文過程模式及在青藏高原的應(yīng)用前景[J]. 水資源與水工程學(xué)報, 2012, 23(6): 43–50.

[17] 周劍, 王根緒, 李新, 等. 高寒凍土地區(qū)草甸草地生態(tài)系統(tǒng)的能量-水分平衡分析[J]. 冰川凍土, 2008, 30(3): 398–407.

[18] 郭東林, 楊梅學(xué). SHAW模式對青藏高原中部季節(jié)凍土區(qū)土壤溫、濕度的模擬[J]. 高原氣象, 2010, 29(6): 1369–1377.

[19] Guo D L, Yang M X, Wang H J. Characteristics of land surface heat and water exchange under different soil freeze/thaw conditions over the central Tibetan Plateau[J]. Hydrological Processes, 2011, 25(16): 2531–2541.

[20] 劉楊, 趙林, 李韌. 基于SHAW模型的青藏高原唐古拉地區(qū)活動層土壤水熱特征模擬[J]. 冰川凍土, 2013, 35(2): 280–290.

[21] Zhang Y L, Cheng G D, Li X, et al. Influences of frozen ground and climate change on hydrological processes in an alpine watershed: A case study in the upstream area of the hei'he river, northwest China[J]. Permafrost and Periglacial Processes, 2017, 28(2): 420–432.

[22] Zhang Y L, Li X, Cheng G D, et al. Influences of topographic shadows on the thermal and hydrological processes in a cold region mountainous watershed in northwest China[J]. Journal of Advances in Modeling Earth Systems, 2018, 10(7): 1439–1457.

[23] 郭林茂, 常娟, 周劍, 等. 唐古拉地區(qū)活動層水熱狀況及地氣系統(tǒng)能水平衡分析[J]. 高原氣象, 2020, 39(2): 254–265.

[24] Flerchinger G N, Saxton K E. Simultaneous heat and water model of a freezing snow-residue-soil system I. theory and development[J]. Transactions of the ASAE, 1989, 32(2): 565–571.

[25] Hu H C, Wang G X, Liu G S, et al. Influences of alpine ecosystem degradation on soil temperature in the freezing-thawing process on Qinghai-Tibet Plateau[J]. Environmental Geology, 2009, 57(6): 1391–1397.

[26] Wang G X, Liu G S, Li C J, et al. The variability of soil thermal and hydrological dynamics with vegetation cover in a permafrost region[J]. Agricultural and Forest Meteorology, 2012, 162/163: 44–57.

[27] Deng M S, Meng X H, Lyv Y Q, et al. Comparison of soil water and heat transfer modeling over the Tibetan Plateau using two community land surface model (CLM) versions[J]. Journal of Advances in Modeling Earth Systems, 2020, 12(10): e2020ms002189. DOI:10.1029/ 2020ms002189.

[28] 鞏玉玲, 王兆鋒, 張鐿鋰, 等. 拉薩灌叢草甸區(qū)土壤溫度變化特征[J]. 土壤學(xué)報, 2016, 53(2): 411–420.

[29] 卓嘎, 羅布, 巴桑曲珍. 青藏高原那曲中部土壤溫濕分布特征[OL]. 2021-07-02, https://kns.cnki.net/kcms/detail/ 62.1072.P.20200702.1357.002.html.

[30] 張法偉, 郭竹筠, 李以康, 等. 青海湖芨芨草干草原植被退化對土壤溫濕特征的影響[J]. 干旱區(qū)研究, 2013, 30(2): 219–225.

[31] 肖翔, 格日才旦, 侯扶江. 青藏高原放牧和地形對高寒草甸群落α多樣性和土壤物理性質(zhì)的影響[J]. 草業(yè)科學(xué), 2019, 36(12): 3041–3051

[32] Li T C, Shao M A, Jia Y H. Application of X-ray tomography to quantify macropore characteristics of loess soil under two perennial plants[J]. European Journal of Soil Science, 2016, 67(3): 266–275.

Simulation of Soil Temperature in Qinghai Lake Watershed by SHAW Model

XIE Ting, MA Yujun*, YANG Chen

(School of Geography and Planning, Sun Yat-sen University, Guangzhou 511400, China)

Soil temperature is closely related to energy exchange and water cycle between land surface and atmosphere, and further affects the vegetation growth and regional ecological security. This study first analyzed the change characteristics of measured soil temperature at different soil depths from October 2018 to July 2020 in Qinghai Lake watershed, then calibrated the SHAW model based on the soil temperature from October 2018 to August 2019 and further verified it using the measured data from September 2019 to July 2020. At last, the effects of vegetation and soil parameters on soil temperature change were explored. The results showed that: 1) The change range of soil temperature decreased with increasing soil depth, i.e., the range of mean daily soil temperature was 25.50 ℃ at 5 cm depth, and 20.19 ℃ at 35 cm depth, both of which were much lower than the corresponding range of air temperature (36.32 ℃). 2) During the calibration period of the SHAW model, the Nash-Sutcliffe efficiency coefficient (NSE) of soil temperature was higher than 0.94 at all layers, and the root mean square error (RMSE) gradually decreased from the surface (1.91 ℃) to the deep layer (0.86 ℃). In general, the simulation accuracy of the model increased with the increase of soil depth. The evaluation indexes during the validation period were all slightly lower than those in the calibration period. However, the NSE of each layer exceeded 0.93, and the RMSE reduced from 1.98 ℃ in the shallowest layer to 0.98 ℃ in the deepest layer, indicating that the SHAW model could be used to simulate the change of soil temperature in the Qinghai Lake watershed. 3) The change of soil temperature was negatively correlated with the leaf area index and soil bulk density. In addition, soil temperature responded significantly to saturated conductivity, pore-size distribution index and air-entry potential only when they decreased by 60%, 40% and 30%, respectively.

SHAW model; Soil temperature; Vegetation characteristics; Soil properties; Qinghai Lake watershed

謝婷, 馬育軍, 楊晨. 基于SHAW模型的青海湖流域土壤溫度模擬. 土壤, 2022, 54(1): 161–168.

P942；P934

A

10.13758/j.cnki.tr.2022.01.021

國家自然科學(xué)基金項目(41771026，41730854)資助。

(mayujun3@mail.sysu.edu.cn)

謝婷(1996—)，女，廣東揭陽人，碩士研究生，主要研究方向為生態(tài)水文。E-mail: xiet55@mail2.sysu.edu.cn