青藏高原多源雪深數(shù)據(jù)適用性綜合評估

陳濤，高歌，陳德亮，邊多

（1.西藏自治區(qū)氣候中心，西藏 拉薩 850000；2.國家氣候中心中國氣象局氣候研究開放實(shí)驗(yàn)室，北京 100081；3.南京信息工程大學(xué)氣象災(zāi)害預(yù)報(bào)預(yù)警與評估協(xié)同創(chuàng)新中心，江蘇 南京 210044；4.瑞典哥德堡大學(xué)地球科學(xué)系，瑞典 哥德堡 405 30）

0 引言

積雪是水循環(huán)過程的關(guān)鍵要素，全球約有5%的降水以雪的形式出現(xiàn)，高緯度地區(qū)的比例更大［1-2］。積雪融水是河流與地下水的重要補(bǔ)給源，為世界約六分之一的人口提供飲用水，占世界灌溉用水的三分之一以上［3-4］。同時，積雪是重要的氣候變量，通過影響陸氣之間的水分和能量交換，與區(qū)域氣候變化存在緊密聯(lián)系，被認(rèn)為是衡量區(qū)域和全球氣候變化的有效指標(biāo)［5-6］。

青藏高原（后文簡稱高原）平均海拔4 000 m以上，被稱為“第三極”，是我國三大典型積雪區(qū)之一［7］。高原冬春季積雪異常通過影響海陸熱力差異調(diào)制東亞夏季風(fēng)爆發(fā)時間和強(qiáng)度［8］；高原積雪融水是長江、黃河的重要水源，占其年流量的20%以上［9］。因而全面認(rèn)知高原積雪時空變化對我國氣候預(yù)測以及水資源管理具有重要意義。

積雪深度是衡量積雪變化的重要特征量，也是高原雪災(zāi)評估的重要指標(biāo)［10］，高原冬季積雪深度比積雪面積對區(qū)域氣候影響更為重要［11］。氣象觀測站具有較長時間序列的積雪深度觀測記錄，被認(rèn)為是最直接可靠的積雪數(shù)據(jù)［12］?；谡军c(diǎn)觀測數(shù)據(jù)，高原積雪深度的一些基本特征被揭示［13-15］。然而，由于高原觀測站點(diǎn)稀疏且分布不均勻，主要分布在中東部，且多位于海拔相對較低的河谷或平原，站點(diǎn)觀測數(shù)據(jù)不足以全面反映高原積雪特征，特別是高原西部及高山地區(qū)［15-16］。遙感以及再分析等數(shù)據(jù)的研制為積雪研究提供了更多數(shù)據(jù)選擇，這些數(shù)據(jù)在高原的應(yīng)用豐富了對高原積雪的認(rèn)知，如高原西部積雪變化［17］、高原高山區(qū)域積雪變化［18-19］等。

然而，由于遙感數(shù)據(jù)在反演算法上、再分析數(shù)據(jù)在模型設(shè)計(jì)及數(shù)據(jù)同化上以及各種資料空間分辨率等方面存在差異，導(dǎo)致遙感與再分析積雪數(shù)據(jù)對積雪氣候特征及其變化的反映存在不確定性，基于站點(diǎn)觀測數(shù)據(jù)對這些數(shù)據(jù)進(jìn)行適用性評估是后續(xù)應(yīng)用的基礎(chǔ)。Xiao等［20］以偏差、均方根誤差、相對偏差、相關(guān)系數(shù)四個指標(biāo)評估了AMSR-E、AMSR2、GlobSnow、ERA-Interim、MERRA2五種數(shù)據(jù)的平均積雪深度在北半球的適用性，表明GlobSnow、ERA-Interim的空間分布與地面觀測的一致性更好，分別在積雪累積期和消融期具有較小的不確定性。歐亞中高緯地區(qū)，JRA-55的冬季積雪深度在偏差、年際變化、趨勢上綜合表現(xiàn)相對較好［21］。在中國區(qū)域，肖林等［16］以偏差和均方根誤差作為評價指標(biāo)對五種數(shù)據(jù)的月平均積雪深度進(jìn)行評估，結(jié)果顯示中國雪深長時間序列數(shù)據(jù)集在中國北方表現(xiàn)較好，AMSR-E在中國中部以及東南地區(qū)表現(xiàn)較好。由于遙感與再分析數(shù)據(jù)的不確定性往往表現(xiàn)出區(qū)域特征［16］，高原等區(qū)域尺度上的積雪評估也開展較多。Bian等［22］對多種不同類型積雪數(shù)據(jù)針對高原雪水當(dāng)量進(jìn)行評估，結(jié)果表明沒有任何數(shù)據(jù)能同時較好描述時間變化和空間形態(tài)，從時間相關(guān)、偏差、均方根誤差綜合考慮，MERRA2表現(xiàn)最好［22］；Zhang等［23］基于積雪深度和積雪日數(shù)兩個變量，從偏差和相關(guān)系數(shù)兩個指標(biāo)比較了幾種常用再分析數(shù)據(jù)與觀測數(shù)據(jù)在高原的差異，表明MERRA2、JRA-55總體優(yōu)于ERA5。以上研究從變量選取方面，多對描述積雪平均狀態(tài)的變量進(jìn)行評估，對描述極端狀態(tài)的變量，如極端最大積雪深度等少有涉及，這些變量是積雪災(zāi)害研究［24］和工程建設(shè)需要參考的重要參數(shù)。由于工程規(guī)劃建設(shè)時，往往需要全面考慮，既要考慮平均狀態(tài)，又要考慮極值情況和變化趨勢，迫切需要開展多變量多指標(biāo)綜合量化評價，才能優(yōu)選出可靠的資料進(jìn)行分析。

本文擬基于高原站點(diǎn)觀測數(shù)據(jù)，對三種遙感和再分析積雪深度數(shù)據(jù)進(jìn)行適用性評價。構(gòu)建面向年平均積雪深度、年最大積雪深度、年積雪日數(shù)三個變量，從區(qū)域平均和空間分布兩個維度，涵蓋季節(jié)循環(huán)、平均值、極大值、標(biāo)準(zhǔn)差、年際變化、線性變化趨勢在內(nèi)的多評價指標(biāo)體系，采用秩評分方法，分指標(biāo)、分變量和綜合多角度開展定量適用性評估，并探討高原西部無觀測資料地區(qū)三種資料反映的積雪變化趨勢差異。

1 研究區(qū)域、資料及方法

1.1 研究區(qū)域

研究區(qū)域西起帕米爾高原，東至橫斷山脈，南自喜馬拉雅山脈南緣，北迄昆侖山至祁連山北麓［25］，研究區(qū)范圍、氣象站分布以及相關(guān)地理信息如圖1所示，高原邊界自國家青藏高原科學(xué)數(shù)據(jù)中心下載（https：//data.tpdc.ac.cn/zh-hans/data/

圖1 高原氣象站分布及相關(guān)地理信息Fig.1 Location of the meteorological observation stations and related geographic information in the Tibetan Plateau

61701 a2b-31e5-41bf-b0a3-607c2a9bd3b3/？q=%E8%BE%B9%E7%95%8C）。

1.2 資料

積雪深度數(shù)據(jù)包括來自中國氣象數(shù)據(jù)網(wǎng)（http：//data.cma.cn）的氣象站觀測數(shù)據(jù)（后文以O(shè)BS表示）、國家青藏高原科學(xué)數(shù)據(jù)中心提供的基于遙感反演的中國雪深長時間序列數(shù)據(jù)集（https：//data.tpdc.ac.cn/zh-hans/）（后文以CHE表示）、以歐洲中期天氣預(yù)報(bào)中心（ECMWF）第五代全球再分析數(shù)據(jù)（ERA5）［26］（https：//cds.climate.copernicus.eu/）為基礎(chǔ)生成的ERA5-Land、美國航空航天局（NASA）發(fā)布的新一代再分析數(shù)據(jù)MERRA2（https：//disc.gsfc.nasa.gov/）［30］。

OBS為逐日積雪深度數(shù)據(jù)，選取高原范圍126站1980年1月—2020年12月期間觀測結(jié)果。

CHE為1979—2020年中國范圍的逐日積雪深度分布數(shù)據(jù)，空間分辨率0.25°×0.25°。該數(shù)據(jù)基于交叉訂正后的SMMR、SSM/I和SSMI/S逐日被動微波亮溫?cái)?shù)據(jù)，在中國南、北區(qū)域采用不同算法［16］。CHE在高原積雪研究中有較為廣泛的應(yīng)用，因此使用該數(shù)據(jù)代表遙感數(shù)據(jù)進(jìn)行適用性評估。

ERA5-Land空間分辨率0.1°×0.1°，時間分辨率1 h。ECMWF的上一代再分析數(shù)據(jù)ERA-Interim廣泛應(yīng)用于氣候變化研究，最新的ERA5系列代表了目前再分析數(shù)據(jù)的前沿水平。ERA5-Land使用的積雪模型來自TESSEL，是一個單層的能量與質(zhì)量平衡模型［27］。與ERA5相比，ERA5-Land的主要改進(jìn)在于校正的熱力學(xué)輸入的非線性動力降尺度，對積雪深度量值的模擬，二者因區(qū)域不同互有優(yōu)劣［29］。ERA5對亞洲高山地區(qū)的積雪深度存在明顯高估［28］，而ERA5-Land高原積雪適用性評估較少，需要進(jìn)一步研究。

MERRA2空間分辨率為0.625°×0.5°，時間分辨率為1 d。該數(shù)據(jù)提供積雪覆蓋率以及積雪覆蓋區(qū)的平均積雪深度，兩者相乘可以得到對應(yīng)像元的平均積雪深度。MERRA2的積雪模塊是一個三層積雪模型，模型生成的降水?dāng)?shù)據(jù)通過觀測降水進(jìn)行校正［16］。已有研究表明MERRA2對高原雪水當(dāng)量的模擬具有優(yōu)勢［22］，針對多變量的綜合評估需要進(jìn)一步研究。

1.3 方法

1.3.1 氣候統(tǒng)計(jì)方法

根據(jù)國家氣象信息中心發(fā)布的《氣候資料統(tǒng)計(jì)整編方法（地面）》，將7月1日至次年6月30日定義為一個積雪年。結(jié)合選用數(shù)據(jù)的時間范圍，本文的研究時段為1981年7月1日至2020年6月30日，共39年。所有數(shù)據(jù)的時間分辨率統(tǒng)一為1 d，小時數(shù)據(jù)通過平均的方式進(jìn)行轉(zhuǎn)換，積雪深度單位統(tǒng)一為cm。由于氣象站觀測的積雪深度最小值為1 cm，將≥1 cm作為所有數(shù)據(jù)積雪日的判定條件。對于OBS，年平均積雪深度、年積雪日數(shù)的統(tǒng)計(jì)中對缺測數(shù)據(jù)的處理遵循以下原則：（1）一個月中缺測7天及以上，月值為缺測；（2）一年中各月缺測1個及以上，年值為缺測。對于年統(tǒng)計(jì)量，OBS有35%的站無缺測，37%的站缺測率大于0小于等于5%，28%的站缺測率介于5%～15%之間。CHE數(shù)據(jù)集已經(jīng)對缺失的像元點(diǎn)采用當(dāng)前時刻之前最近的數(shù)據(jù)補(bǔ)齊。

1.3.2 線性變化趨勢分析及檢驗(yàn)方法

采用線性回歸方法的斜率作為線性變化速率，正負(fù)號反映趨勢增加或減少。使用studentt方法對變化趨勢結(jié)果進(jìn)行顯著性檢驗(yàn)［31］，信度取α=0.05。

1.3.3 適用性綜合評估方法

使用雙線性插值方法得到CHE、ERA5-Land、MERRA2三種格點(diǎn)數(shù)據(jù)在各站的積雪深度，針對年平均積雪深度、年最大積雪深度和年積雪日數(shù)三個變量從平均值、極大值、標(biāo)準(zhǔn)差、年際變化、線性變化趨勢以及季節(jié)循環(huán)6個評價指標(biāo)的區(qū)域平均和空間分布方面與OBS進(jìn)行差異和相關(guān)統(tǒng)計(jì)，并量化評分。評價指標(biāo)的選取主要考慮從不同方面展示遙感及再分析數(shù)據(jù)與站點(diǎn)觀測數(shù)據(jù)之間的差異，為不同側(cè)重的研究提供數(shù)據(jù)選擇參考。使用誤差絕對值（Absolute Value of Error，AVE）和相關(guān)系數(shù)（Correlation Coefficient，COR，包括時間相關(guān)和空間相關(guān)）衡量格點(diǎn)數(shù)據(jù)與OBS的差異，作為計(jì)算分?jǐn)?shù)的統(tǒng)計(jì)分析值；年際變化的空間相關(guān)，基于評價指標(biāo)的經(jīng)驗(yàn)正交分解（EOF）的第一空間模態(tài)計(jì)算，該模態(tài)可以反映時間序列上的主要空間分布特征［32］。

利用秩評分方法（Rank Score，RS）定量描述三種格點(diǎn)數(shù)據(jù)在不同評價指標(biāo)上的優(yōu)劣和排序評分［32］。

式中：RSk（T）為第k種積雪深度格點(diǎn)數(shù)據(jù)的評價指標(biāo)T在區(qū)域平均或空間分布上的評分值；Tk為第k種數(shù)據(jù)的評價指標(biāo)T在區(qū)域平均或空間分布上的統(tǒng)計(jì)分析值；Tmin、Tmax分別為三種數(shù)據(jù)中統(tǒng)計(jì)分析的最小、最大值。RSk取值范圍為0～1，值越大表示與觀測結(jié)果的相對接近程度越高。季節(jié)循環(huán)有所不同，對月相關(guān)系數(shù)，最大月（Max）和最小月（Min）的誤差絕對值進(jìn)行統(tǒng)計(jì)，評分方式如式（1）。

首先，采用秩評分方法對每個評價指標(biāo)的各項(xiàng)分別評分，按照等權(quán)重求和計(jì)算各指標(biāo)得分；然后累計(jì)獲得不同變量得分和多變量綜合得分，高分反映適用性好。

2 結(jié)果分析

以下分別從年平均積雪深度、年最大積雪深度、年積雪日數(shù)三個變量對遙感及再分析數(shù)據(jù)進(jìn)行量化評分，然后進(jìn)行綜合評分。對不同評價指標(biāo)的分析中，由于變化趨勢是高原積雪的研究重點(diǎn)，而已有研究較少將其作為評價指標(biāo)，因此對該內(nèi)容進(jìn)行重點(diǎn)分析。

2.1 多源數(shù)據(jù)針對年平均積雪深度的適用性評估

針對年平均積雪深度，基于五個評價指標(biāo)，三種數(shù)據(jù)的評分結(jié)果如表1所示。CHE得分最高，其次為MERRA2，ERA5-Land得分最低，分?jǐn)?shù)分別為3.37、2.51、2.16。從評價指標(biāo)而言，CHE標(biāo)準(zhǔn)差和線性變化趨勢兩項(xiàng)得分最高，MERRA2在季節(jié)循環(huán)和多年平均值兩項(xiàng)得分最高，ERA5-Land在年際變化上得分最高。從統(tǒng)計(jì)方法而言，不考慮季節(jié)循環(huán)的情況下（統(tǒng)計(jì)方法只有區(qū)域平均），CHE在區(qū)域平均上得分最高，ERA5-Land在空間分布上得分最高。

表1 年平均積雪深度評分結(jié)果Table 1 Scoring results of the annual mean snow depth

季節(jié)循環(huán)方面，OBS月平均積雪深度的最大、最小月份分別為2月和7月，MERRA2與OBS一致；CHE反演的最大月份為1月，最小月份與OBS一致；ERA5-Land模擬的最大、最小月份分別為3月、8月。多年平均值方面，三種數(shù)據(jù)的區(qū)域平均結(jié)果均存在高估，OBS為0.20 cm，MERRA2與OBS最接近，為0.40 cm，CHE為1.20 cm，ERA5-Land嚴(yán)重高估，為8.37 cm。已有研究也表明，對逐日積雪深度，MERRA2在 高 原 的 偏 差 總 體 小 于CHE［16］。ERA5-Land雖然在多年平均值的區(qū)域平均上得分最低，但在其空間分布上得分最高，與OBS的相關(guān)系數(shù)為0.79，明顯高于其他兩種數(shù)據(jù)。標(biāo)準(zhǔn)差方面，三種數(shù)據(jù)區(qū)域年平均積雪深度的標(biāo)準(zhǔn)差均大于OBS，即具有高于OBS的年際波動；MERRA2在區(qū)域平均上得分最高，在空間分布上得分最低。年際變化方面，區(qū)域平均上三種數(shù)據(jù)與OBS的相關(guān)系數(shù)均顯著，空間分布上只有ERA5-Land的結(jié)果顯著。線性變化趨勢方面，OBS表現(xiàn)為顯著減少趨勢，速率為-0.03 cm·（10a）-1；CHE表現(xiàn)為不顯著減少，ERA5-Land表現(xiàn)為顯著減少，速率分別為-0.08 cm·（10a）-1、-0.71 cm·（10a）-1；MERRA2表現(xiàn)為不顯著增加趨勢，速率為0.04 cm·（10a）-1。

1981—2019年高原年平均積雪深度的變化趨勢及其偏差如圖2所示。變化趨勢方面，OBS以減少趨勢為主，30站顯著減少；西藏聶拉木站減幅最大，為-1.66 cm·（10a）-1，青海瑪多站增幅最大，為0.17 cm·（10a）-1［圖2（a）］。CHE以減少趨勢為主［圖2（b）］，高原西北部減幅最大且顯著；高原東部呈增加趨勢，這與相關(guān)研究結(jié)果存在差異［33］，可能與選取的研究時段以及積雪年的定義有關(guān)。ERA5-Land與OBS較為相似，在高原東南部、西部邊緣呈顯著減少趨勢，北部及中部以不顯著的增加趨勢為主［圖2（d）］。MERRA2總體呈增加趨勢，高原西南部和東北部、可可西里區(qū)域顯著增加，高原西南部增幅最大；高原東南部呈減少趨勢，其中部分區(qū)域顯著減少［圖2（f）］。

變化趨勢的偏差，CHE中58.7%的站點(diǎn)為負(fù)偏差，小于-0.2 cm·（10a）-1的站點(diǎn)主要位于高原中部；正偏差的站點(diǎn)主要分布在高原東部，大于0.2 cm·（10a）-1的站點(diǎn)位于橫斷山區(qū)東北部［圖2（c）］。ERA5-Land有73.8%的站點(diǎn)為負(fù)偏差，大部分站點(diǎn)的偏差小于-0.2 cm·（10a）-1；負(fù)偏差的站點(diǎn)總體偏東，正偏差的站點(diǎn)總體偏西［圖2（e）］。MERRA2有84.1%的站點(diǎn)為正偏差，負(fù)偏差的站點(diǎn)主要集中在高原東南部；與CHE、ERA5-Land相比，MERRA2偏差絕對值較小，在圖中表現(xiàn)為顏色較淺；偏差大于0.2 cm·（10a）-1的站點(diǎn)主要分布在高原西南邊緣［圖2（g）］。

圖2 多源數(shù)據(jù)1981—2019年高原年平均積雪深度變化趨勢［（a），（b），（d），（f）］及其與站點(diǎn)觀測偏差［（c），（e），（g）］，黑色方框、黑色斜線分別表示通過0.05水平顯著性檢驗(yàn)的站點(diǎn)和區(qū)域Fig.2 The trend of annual mean snow depth from 1981 to 2019 of different data［（a），（b），（d），（f）］and it’s bias to observation［（c），（e），（g）］at stations in the Tibetan Plateau（The black box and the black slash indicate the sites and regions that pass the 0.05 significance level test，respectively）

2.2 多源數(shù)據(jù)對年最大積雪深度的適用性評估

基于6個評價指標(biāo)的年最大積雪深度的評估結(jié)果如表2所示，MERRA2得分最高，其次為ERA5-Land，CHE得分最低，分?jǐn)?shù)分別為4.16、3.61、2.48。從評價指標(biāo)而言，MERRA2在多年平均值、極大值、標(biāo)準(zhǔn)差、線性變化趨勢四項(xiàng)得分最高，ERA5-Land在季節(jié)循環(huán)和年際變化兩項(xiàng)得分最高。從統(tǒng)計(jì)方法而言，不考慮季節(jié)循環(huán)的情況下，CHE在區(qū)域平均上得分最高，ERA5-Land在空間分布上得分最高。

表2 年最大積雪深度評分結(jié)果Table 2 Scoring results of the annual maximum snow depth

季節(jié)循環(huán)方面，OBS月最大積雪深度的最大、最小月份分別為3月和7月，MERRA2、ERA5-Land與OBS一致；CHE月最大積雪深度的最大、最小月份分別為1月和8月。ERA5-Land與OBS月最大積雪深度的季節(jié)循環(huán)曲線的相關(guān)系數(shù)最高，但是未能反映OBS的雙峰特征，MERRA2對這一特征有較好的模擬（圖3）。多年平均值方面，OBS的區(qū)域平均為6.80 cm，CHE與MERRA2存在低估，分別為5.74 cm、4.16 cm，ERA5-Land存在高估，為31.06 cm；ERA5-Land在多年平均值的區(qū)域平均上得分最低，在空間分布上得分最高。極大值方面，OBS的區(qū)域平均為22.48 cm，CHE與MERRA2存 在 低 估，分 別 為16.50 cm、11.71 cm，ERA5-Land存 在 高 估，為63.85 cm；ERA5-Land在極大值的區(qū)域平均上得分最低，在空間分布上得分最高，與多年平均值情況類似。標(biāo)準(zhǔn)差方面，OBS的區(qū)域平均為1.01 cm，MERRA2略有低估，為0.91 cm，CHE與ERA5-Land存在高估，分別為1.31 cm、6.06 cm；ERA5-Land在標(biāo)準(zhǔn)差的區(qū)域平均上得分最低，在空間分布上得分最高，與多年平均值、極大值情況類似。年際變化方面，三種數(shù)據(jù)與OBS區(qū)域平均的相關(guān)系數(shù)顯著且均在0.5以上，但空間分布均未通過顯著性檢驗(yàn)，即沒有數(shù)據(jù)能較好反映年最大積雪深度的EOF第一空間模態(tài)。線性變化趨勢方面，OBS與CHE表現(xiàn)為不顯著的減少趨勢，速率分別為-0.20 cm·（10a）-1、-0.33 cm·（10a）-1；ERA5-Land表現(xiàn)為顯著減少趨勢，速率為-2.26 cm·（10a）-1；MERRA2表現(xiàn)為顯著增加趨勢，速率為0.32 cm·（10a）-1。

圖3 月最大積雪深度的季節(jié)循環(huán)（標(biāo)準(zhǔn)化結(jié)果）Fig.3 Normalized annual cycle of monthly maximum snow depth（standardize results）

圖4為1981—2019年高原年最大積雪深度變化趨勢及偏差的空間分布。變化趨勢方面，OBS大部分站呈減少趨勢，有10站趨勢顯著；四川稻城站增幅最大，為3.51 cm·（10a）-1，青海甘德站減幅最大，為-2.21 cm·（10a）-1［圖4（a）］。CHE也以減少趨勢為主，主要分布在青藏高原中部和西部，西部減少趨勢顯著［圖4（b）］。ERA5-Land在青藏高原東南部以及西北角減幅最大且大部分區(qū)域趨勢顯著［圖4（d）］。MERRA2主要表現(xiàn)為增加趨勢，青藏高原西南部、東北部、可可西里區(qū)域增幅最大且趨勢顯著；高原東南部呈顯著減少趨勢［圖4（f）］。

圖4 多源數(shù)據(jù)1981—2019年高原年最大積雪深度變化趨勢［（a），（b），（d），（f）］及其與站點(diǎn)觀測偏差［（c），（e），（g）］，黑色方框、黑色斜線分別表示通過0.05水平顯著性檢驗(yàn)的站點(diǎn)和區(qū)域Fig.4 The trend of annual maximum snow depth from 1981 to 2019 of different data［（a），（b），（d），（f）］and it’s bias to observation［（c），（e），（g）］at stations in the Tibetan Plateau（The black box and the black slash indicate the sites and regions that pass the 0.05 significance level test，respectively）

趨勢的偏差方面，CHE表現(xiàn)為負(fù)偏差的站點(diǎn)略多，占比為54.0%，在高原中西部分布較多［圖4（c）］。ERA5-Land有68.2%的站點(diǎn)為負(fù)偏差，其中一半以上小于-1.5 cm·（10a）-1，主要分布在高原東南區(qū)域［圖4（e）］。MERRA2以正偏差為主，占比為77.0%，大于1.5 cm·（10a）-1的站主要集中在高原東北部［圖4（g）］。

2.3 多源數(shù)據(jù)對年積雪日數(shù)的適用性評估

三種數(shù)據(jù)針對年積雪日數(shù)的評估結(jié)果如表3所示：MERRA2得分最高，其次為ERA5-Land，CHE得分最低，分?jǐn)?shù)分別為4.23、2.80、2.14。從評價指標(biāo)而言，ERA5-Land在年際變化和線性變化趨勢兩項(xiàng)得分最高；MERRA2在其他評價指標(biāo)上均得分最高，其中季節(jié)循環(huán)上與CHE并列最高。從統(tǒng)計(jì)方法而言，不考慮季節(jié)循環(huán)的情況下，CHE在區(qū)域平均上得分最高，MERRA2在空間分布上得分最高。

表3 年積雪日數(shù)評分結(jié)果Table 3 Scoring results of the annual snow cover days

季節(jié)循環(huán)方面，OBS月積雪日數(shù)的最大、最小月份分別出現(xiàn)在1月和8月，對于最大月份，三種數(shù)據(jù)均與OBS一致；對于最小月份，CHE與OBS一致，ERA5-Land和CHE均為7月。多年平均值方面，OBS的區(qū)域平均為20.53 d，三種數(shù)據(jù)均存在明顯高估，MERRA2、CHE、ERA5-Land分別為44.85 d、83.67 d、166.13 d；MERRA2在區(qū)域平均和空間分布上均得分最高。極大值方面，OBS的區(qū)域平均為52.51 d，MERRA2、CHE、ERA5-Land分 別 為109.05 d、172.63 d、217.40 d；MERRA2在區(qū)域平均和空間分布上均得分最高。標(biāo)準(zhǔn)差方面，三種數(shù)據(jù)在區(qū)域平均上同樣存在明顯高估，OBS為5.21 d，ERA5-Land、MERRA2、CHE分別為12.46 d、15.65 d、18.27 d；ERA5-Land在區(qū)域平均上得分最高，MERRA2在空間分布上得分最高。年際變化方面，ERA5-Land在區(qū)域平均上得分最高，在空間分布上得分最低；MERRA2相反，在區(qū)域平均上得分最低，在空間分布上得分最高。線性變化趨勢方面，OBS與ERA5-Land表現(xiàn)為顯著減少趨勢，速率分別為-1.70 d·（10a）-1、-4.83 d·（10a）-1；CHE表現(xiàn)為不顯著減少趨勢，速率為-0.32 d·（10a）-1；MERRA2表現(xiàn)為不顯著的增加趨勢，速率為2.46 d·（10a）-1。

圖5為1981—2019年高原年積雪日數(shù)變化趨勢及偏差的空間分布。變化趨勢方面，OBS有89.7%的站呈減少趨勢，34.9%的站減少趨勢顯著；聶拉木站減幅最大為-16.65 d·（10a）-1，托勒站增幅最大為2.48 d·（10a）-1［圖5（a）］。CHE總體呈現(xiàn)東增西減態(tài)勢，趨勢均顯著，呈減少趨勢的面積略大，占比為57.1%［圖5（b）］。ERA5-Land總體呈現(xiàn)減少趨勢，面積占比為74.1%，高原東部顯著減少，東南部減幅最大［圖5（d）］。MERRA2總體呈增加趨勢，面積占比為76.7%；高原西南部以及35°N附近的東部地區(qū)顯著增加，高原東南部顯著減少［圖5（f）］。

圖5 多源數(shù)據(jù)1981—2019年高原年積雪日數(shù)變化趨勢［（a），（b），（d），（f）］及其與站點(diǎn)觀測偏差［（c），（e），（g）］，黑色方框、黑色斜線分別表示通過0.05水平顯著性檢驗(yàn)的站點(diǎn)和區(qū)域Fig.5 The trend of annual snow cover days from 1981 to 2019 of different data［（a），（b），（d），（f）］and it’s bias to observation［（c），（e），（g）］at stations in the Tibetan Plateau（The black box and the black slash indicate the sites and regions that pass the 0.05 significance level test，respectively）

趨勢的偏差方面，CHE表現(xiàn)為正偏差的站點(diǎn)略多，占比為57.1%，總體而言，正偏差站點(diǎn)位置偏東，負(fù)偏差站點(diǎn)位置偏西［圖5（c）］。ERA5-Land有65.9%的站點(diǎn)為負(fù)偏差，主要集中分布在高原東南部及東北部［圖5（e）］。MERRA2以正偏差為主，占比為81.7%，負(fù)偏差主要分布在高原東南部［圖5（g）］。綜合看三種數(shù)據(jù)年積雪日數(shù)變化趨勢的偏差，CHE與OBS的差異最大，有28.6%的站偏差絕對值大于12 d·（10a）-1，ERA5-Land和MERRA2分別有7.9%、9.5%的站偏差絕對值大于12 d·（10a）-1，但區(qū)域平均的線性變化趨勢CHE與OBS最接近，得分最高（表3）。

2.4 綜合評估

針對不同評價指標(biāo)以及不同變量，三種積雪數(shù)據(jù)在高原的適用性綜合評分如圖6所示。從評價指標(biāo)考慮，MERRA2在季節(jié)循環(huán)、多年平均值、極大值、標(biāo)準(zhǔn)差得分最高，ERA5-Land在年際變化得分最高，CHE在線性變化趨勢得分最高［圖6（a）］。從變量考慮，CHE在年平均積雪深度上得分最高，MERRA2在年最大積雪深度、年積雪日數(shù)上得分最高［圖6（b）］。不考慮季節(jié)循環(huán)的情況下，CHE能較好反映高原總體情況，區(qū)域平均上得分最高，對空間分布反映則較差，得分最低；ERA5-Land相反，對空間分布的刻畫優(yōu)勢突出，得分最高［圖6（c）］。總體而言，MERRA2綜合得分最高，ERA5-Land其次，CHE最低，分?jǐn)?shù)分別為10.90、8.57、7.99［圖6（b）］。

圖6 三種數(shù)據(jù)對于評價指標(biāo)（a）、變量（b）和統(tǒng)計(jì)方法（c）的綜合評分［圖6（a）中評價指標(biāo)序號見表3］Fig.6 Comprehensive score of the three datasets for the evaluation indicators（a），variables（b），and statistical methods（c）［The index of evaluation indicators in Fig.6（a）are shown in Table 3］

3 討論

3.1 偏差原因分析

CHE在年平均積雪深度上得分最高，在表現(xiàn)各變量的線性變化趨勢上具有優(yōu)勢，適合反映高原積雪的區(qū)域平均特征。CHE綜合評分在三種數(shù)據(jù)中最低，主要由于對高原積雪空間分布特征的描述能力不如其他兩種數(shù)據(jù)，這可能與被動微波遙感數(shù)據(jù)的粗分辨率帶來的混合相元問題有關(guān)［36］。如OBS顯示西藏東南部河谷地帶的積雪較少，但受像元內(nèi)山頂積雪的影響，CHE對應(yīng)像元的積雪較多，從而導(dǎo)致空間形態(tài)與OBS不一致。另一種被動微波遙感積雪數(shù)據(jù)AMSR-E在內(nèi)蒙古地區(qū)的評估也表明該數(shù)據(jù)對積雪空間分布的描述不理想［37］。再分析數(shù)據(jù)表現(xiàn)較好可能與其對高原整層大氣水汽空間形態(tài)模擬較好有關(guān)［38］。

ERA5-Land在表現(xiàn)各變量的年際變化上具有優(yōu)勢，適合描述高原積雪的空間分布特征。ERA5-Land綜合排名居中，主要不足為對高原積雪深度存在嚴(yán)重高估，年平均積雪深度、年最大積雪深度、年積雪日數(shù)的多年平均值均明顯高于OBS，分別偏高約40倍、3.5倍、7倍。Orsolini等［23］研究表明ERA5對高原大氣降水（包含降雪）的模擬在各個季節(jié)均明顯高于觀測，對降雪的高估可能與兩個因素有關(guān)，一是同化的站點(diǎn)積雪資料未包含高原區(qū)域，二是未同化1 500米以上區(qū)域的IMS（Interactive Multisensor Snow and Ice Mapping System）數(shù)據(jù)?；贓RA5大氣強(qiáng)迫數(shù)據(jù)，ERA5-Land生成的高原積雪深度明顯高于觀測，而且ERA5-Land的離線敏感性試驗(yàn)表明，減少青藏高原地區(qū)的降雪可以明顯改善積雪深度模擬結(jié)果［23］，因此，輸入降雪過高可能是ERA5-Land積雪深度明顯高于觀測的關(guān)鍵因素。相比于ERA5，ERA5-Land對很多陸面參數(shù)的刻畫能力有所提升，但對積雪深度的描述效果與地理位置和海拔相關(guān)。對于山區(qū)，ERA5-Land對中等海拔地區(qū)（1 300～2 500 m）積雪深度的描述優(yōu)于ERA5，而對高海拔地區(qū)（3 300 m以上）的描述不如ERA5［29］，這也可能是ERA5-Land對高原積雪存在明顯高估的原因之一。

MERRA2綜合評分最高，在年最大積雪深度、年積雪日數(shù)上得分最高，在表現(xiàn)各變量的季節(jié)循環(huán)、多年平均值、極大值、標(biāo)準(zhǔn)差上具有優(yōu)勢；主要缺陷為對高原積雪線性變化趨勢的定性描述與OBS相反。MERRA2使用了兩套網(wǎng)格降水?dāng)?shù)據(jù)集（包含高原區(qū)域）對生成的陸面降水進(jìn)行訂正［22-23，39］，這可能是MERRA2得分最高的主要原因，在絕對量值上與觀測最接近。已有研究表明，不同再分析數(shù)據(jù)對高原降水變化趨勢的模擬存在較大差異，MERRA2的上一代產(chǎn)品（MERRA）的模擬結(jié)果與觀測相反［40］，而降水是計(jì)算雪深的關(guān)鍵參數(shù)，這可能是MERRA2模擬的積雪變化趨勢與OBS相反的重要原因。

數(shù)據(jù)評估基于OBS為真值的假設(shè)，但OBS本身存在誤差，如人工觀測中的人為隨機(jī)誤差、自動觀測中的儀器誤差、觀測方式變化以及站點(diǎn)遷移產(chǎn)生的數(shù)據(jù)不一致問題等。此外，OBS僅代表觀測場的積雪狀況，對周圍代表性有限。遙感及再分析數(shù)據(jù)為網(wǎng)格內(nèi)的積雪平均狀況，插值后與OBS比較，差異在所難免。

3.2 評估方法局限性的可能影響

多變量、多評價指標(biāo)的綜合評估可以全面地、更精確地討論積雪數(shù)據(jù)在高原的優(yōu)點(diǎn)和不足。在具備優(yōu)勢的同時，這種方法也存在一定不足，表現(xiàn)在評價指標(biāo)之間可能存在一定的相關(guān)性，從而增大了個別評價指標(biāo)的權(quán)重［32］。比如區(qū)域平均的多年平均值與極大值，某數(shù)據(jù)集的多年平均值偏差較大，一般而言其極大值的偏差也會比較大（如ERA5-Land），在這兩項(xiàng)的得分都會比較低，這種相關(guān)性增加了在“絕對量值”方面的評價權(quán)重。如果數(shù)據(jù)集較多，可以定量分析不同評價指標(biāo)得分之間的相關(guān)系數(shù)，并使用EOF分解提取主要模態(tài)，削弱這些相關(guān)關(guān)系對綜合評分的影響［32］。

針對年平均積雪深度線性變化趨勢的評價中，MERRA2在區(qū)域平均上雖得分高于ERA5-Land，但MERRA2的結(jié)果表現(xiàn)為增加趨勢，與OBS和ERA5-Land的減少趨勢相反。目前趨勢一致性變化評估多為人為定性判斷［21］，如果增加這一項(xiàng)的考慮，將會對評估結(jié)果產(chǎn)生影響。

3.3 多源數(shù)據(jù)對高原積雪年代際變化的模擬差異分析

年代際波動是高原積雪的重要變化特征［34-35］。1961—2010年間高原冬季積雪日數(shù)表現(xiàn)為“少—多—少”的年代際波動，20世紀(jì)80年代末由少到多，20世紀(jì)末由多到少［34］；高原春季積雪深度在2002年經(jīng)歷由多到少的年代際突變［35］。在高原積雪年代際變化的研究中，使用的數(shù)據(jù)集能否準(zhǔn)確反映積雪的年代際特征，對研究結(jié)論有重要影響。由于年代際信號包含在逐年時間序列中，未將其單獨(dú)列為評價指標(biāo)，以減少評價指標(biāo)間相關(guān)性的影響。下面分析三個變量年代際波動的差異。

對三種變量區(qū)域平均的年際變化，三種數(shù)據(jù)與OBS均有相對較高的相關(guān)系數(shù)（表1～表3）。對區(qū)域平均的年序列進(jìn)行9年滑動平均，OBS均表現(xiàn)出明顯的年代際波動（圖7），其中年平均積雪深度、年積雪日數(shù)在2000年左右表現(xiàn)出由多到少的年代際轉(zhuǎn)變，與已有研究基本一致［34-35］。年平均積雪深度，CHE、ERA5-Land、MERRA2與OBS的相關(guān)系數(shù)分別0.90、0.95、-0.15［圖7（a）］；年最大積雪深度，相關(guān)系數(shù)分別為0.75、0.71、0.13［圖7（b）］；年積雪日數(shù)，相關(guān)系數(shù)分別為0.69、0.89、0.07［圖7（c）］。與年際相關(guān)結(jié)果比較，CHE、ERA5-Land與OBS的相關(guān)系數(shù)明顯提高，MERRA2與OBS相關(guān)系數(shù)明顯降低。由此可見，對于高原積雪的年代際變化，CHE、ERA5-Land與OBS具有較好的一致性，而MERRA2與OBS存在明顯差異。

圖7 多源數(shù)據(jù)1981—2019年高原年平均積雪深度（a）、年最大積雪深度（b）、年積雪日數(shù)（c）的年代際變化（年序列標(biāo)準(zhǔn)化后的9年滑動平均結(jié)果）Fig.7 Inter-decadal variation of annual mean snow depth（a），annual maximum snow depth（b），and annual snow cover days（c）of different data in the Tibetan Plateau from 1981 to 2019（The 9-year moving average after yearly series normalization）

3.4 多源數(shù)據(jù)高原西部積雪變化趨勢對比

圖2、圖4和圖5也展示了站點(diǎn)稀少的高原西部的多源數(shù)據(jù)積雪變化趨勢差異。年平均積雪深度，CHE總體表現(xiàn)為顯著減少趨勢［圖2（b）］，ERA5-Land以不顯著減少趨勢為主［圖2（d）］，MERRA2表現(xiàn)為增加趨勢，其中西南部趨勢顯著［圖2（f）］。年最大積雪深度，CHE在高原西部表現(xiàn)為顯著減少［圖4（b）］，MERRA2以增加趨勢為主，西南部趨勢顯著［圖4（f）］，空間形態(tài)分別與圖2（b）、圖2（f）類似；ERA5-Land在西部邊緣為顯著減少趨勢，其余以不顯著增加趨勢為主［圖4（d）］，與圖2（d）的空間形態(tài)存在較大差異。年積雪日數(shù)，CHE以顯著減少趨勢為主，主要位于西北部［圖5（b）］，ERA5-Land在西北部呈增加趨勢，西南部呈減少趨勢［圖5（d）］；MERRA2表現(xiàn)為增加趨勢，西南部顯著增加［圖5（f）］。對于高原西部積雪變化情況，三種數(shù)據(jù)的結(jié)論存在較大差異，需要更多的深入研究。趨勢差異較大的原因，再分析數(shù)據(jù)之間可能是由于不同數(shù)據(jù)模擬的降水趨勢存在較大差異［40］，遙感數(shù)據(jù)與再分析數(shù)據(jù)之間可能是不同類型產(chǎn)品技術(shù)框架不同所致。

4 結(jié)論

以O(shè)BS為真值，基于年平均積雪深度、年最大積雪深度、年積雪日數(shù)三個變量，使用多評價指標(biāo)對三種積雪數(shù)據(jù)在高原的適用性進(jìn)行綜合評分，得出主要結(jié)論如下：

（1）綜合評估結(jié)果MERRA2得分最高，ERA5-Land其次，CHE最低。從變量來說，MERRA2在年最大積雪深度、年積雪日數(shù)上得分最高，CHE在年平均積雪深度上得分最高。從評價指標(biāo)來說，CHE在線性變化趨勢得分最高，ERA5-Land在年際變化得分最高，MERRA2在其余四項(xiàng)評價指標(biāo)得分最高。從總體和空間統(tǒng)計(jì)來說，CHE在區(qū)域平均上得分最高，ERA5-Land在空間分布上得分最高。

（2）CHE相對其他兩種資料，對高原積雪的空間分布把握不足。MERRA2對高原積雪變化趨勢的模擬與OBS反號，且不能反映高原積雪的年代際變化。ERA5-Land對高原積雪量值存在嚴(yán)重高估，在資料選擇時需引起重視。

（3）由于高原西部站點(diǎn)稀少，相關(guān)結(jié)論僅適用于高原中東部。