EN中文

Tropical Geography >

0 548 - 561

DOI: https://doi.org/10.13284/j.cnki.rddl.20250593

Improving the Simulation of Vegetation Canopy Interception in the Community Land Model by Incorporating Rainfall Coverage

  • Wei He ,
  • Dagang Wang , *
Expand
  • School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275, China

Received date: 2025-09-04

  Revised date: 2025-11-15

  Online published: 2026-03-17

Copyright

Copyright © 2026 Tropical Geography. All rights reserved.
Fold

Abstract

Global warming has intensified the spatiotemporal heterogeneity of precipitation, but the typical grid spacing of land-atmosphere coupling models remains much larger than the spatial scale of real precipitation events. This scale mismatch forces models to distribute rainfall uniformly within a grid cell, which can distort rain-rate estimation and subsequently introduce systematic biases into land-surface hydrological simulations. Vegetation canopy interception is particularly sensitive because it is the evapotranspiration component that responds most rapidly to rainfall and directly controls the partitioning of precipitation into interception, evaporation, throughfall, and stemflow, thereby influencing surface energy and water fluxes. In this study, we quantify the global spatiotemporal patterns of rainfall coverage (μ), defined as the fractional area within a model grid cell where rainfall actually occurs. Using bias-adjusted WFDE5 precipitation as the model forcing field and MSWEP V2.8 as the benchmark “actual” precipitation, we derive a global μ dataset at 0.5° spatial resolution and 3-hourly temporal resolution for 1980-2018 and then aggregate it to monthly means for model application. The climatological mean μ over 1981-2018 is 0.36, exhibiting strong spatial contrasts: high values occur in equatorial and tropical rainforest regions, whereas low values dominate subtropical arid and desert zones. Seasonally, μ follows the order June-August > December-February > March-May > September-November, with the largest seasonal amplitude in mid- to high-latitude regions of the Northern Hemisphere. We incorporate the monthly varying μ into the rainfall interception parameterization of Community Land Model version 5 (CLM5), thereby representing subgrid precipitation heterogeneity in canopy interception calculations. Offline global simulations were conducted at a 1° resolution for 1980-2018 using the CLM5 Satellite Phenology configuration. The performance of the modified model (CLM5_μ) is systematically evaluated against four widely used global evapotranspiration products that provide canopy interception estimates, including GLEAMv3.5, GLEAMv4.2, PML, and ERA5. The results demonstrate that introducing rainfall coverage substantially improves the realism of the simulated global canopy interception. The multi-year mean interception decreases from 56.66 mm in the baseline CLM5 to 49.13 mm in CLM5_μ, bringing simulations closer to the range of benchmark products. Spatially, the most pronounced improvements occurred in mid- to low-latitude humid and semi-humid regions (e.g., parts of North America and northern Eurasia) and in arid-to-semiarid transition zones (e.g., the Sahel and Central Asian grasslands), where the baseline model tended to overestimate interception under the uniform rainfall assumption. Temporally, CLM5_μ shows a higher proportion of grid cells with statistically significant correlations to benchmark products and enhanced spatial continuity of correlated areas, especially during summer months in mid- to low latitudes and during non-growing seasons in high-latitudes. Improvements are relatively limited in primary tropical rainforests, high-latitude cold regions (e.g., Siberia and northern Canada), and extremely arid areas. Overall, this study provides a practical and physically interpretable pathway for incorporating spatial heterogeneity of precipitation into canopy interception parameterization. By accounting for rainfall coverage dynamics, the proposed scheme reduces interception biases induced by scale mismatches and strengthens the capability of land-surface models to represent water and heat flux partitioning on a global scale.

Key words： Community Land Model; rainfall coverage; rainfall interception; vegetation canopy interception

Cite this article

Wei He , Dagang Wang . Improving the Simulation of Vegetation Canopy Interception in the Community Land Model by Incorporating Rainfall Coverage[J]. Tropical Geography, 0 , 46(3) : 548 -561 . DOI: 10.13284/j.cnki.rddl.20250593

全球变暖正以前所未有的速度改变地球气候系统，导致大气环流与水循环发生显著变化（Wang et al., 2022；候沂辰 等, 2025），并加剧降水时空分布的不均匀性（舒章康 等，2022）。准确表征降水的空间变异性对模拟关键水文过程至关重要（Tuinenburg et al., 2020）。然而，大尺度水文模型和环流模型采用的网格单元尺度远大于实际降水事件发生的空间尺度。受限于分辨率，气候模式往往将子网格降水均匀分布于整个网格内，空间变异性被忽视导致降雨强度模拟不准确，从而引发对陆气间水热通量交换的系统性认知偏差（Giles et al., 2024）。研究表明，随着模式分辨率的提高，不同水文模型均呈现地表径流和总径流减少、蒸散发增加的趋势，其主要驱动因素为降水变异性和覆盖面积的变化（Koren et al., 1999）。Wang等（2016）发现，在非均质地表（如绿洲−荒漠）使用不同分辨率的遥感数据估算蒸散发时，较低分辨率会系统性地高估蒸散发量。未来气候变化预计进一步加剧降水的空间集中性和覆盖面积的缩小（Fosser et al., 2015; Clark et al., 2016），因此在模型中准确表征子网格降水变异性尤为迫切。
已有研究尝试在气候模型中引入子网格降水变异性。如Famiglietti & Wood（1995）在其水文参数化方案中引入子网格变异性，提高了GCM的模拟精度；Seth等（1994）利用VBATS将降水等气候强迫在子网格上进行更真实的分配，发现更强的降水使地表径流总体增加、蒸散发降低。此类方案通常将降水视为随机变量，并利用降水覆盖率（μ）表征其在网格内的空间分布比例。μ值的设定对模拟结果影响显著，传统方案常采用固定值，因忽略降水的时空异质性而引入系统性误差（Wang et al., 2006）。为改进这一局限，诸多研究将动态μ引入模型。如Wang等（2005）提出基于卫星观测数据动态估算μ，并将其引入CLM3模型，显著提升了对网格尺度降水强度空间异质性的表征能力。Gianotti & Eltahir（2014）开发了一种新的对流参数化方案，通过引入μ考虑云水含量的子网格变异性，从而显著提升了该方案对海洋性大陆地区的气候模拟能力。此外，一些研究系统评估了μ的影响，如Zhang等（2014）在CLM3模型中比较了2种冠层水文方案（包含与不包含子网格变异性），定量揭示了降水子网格变异性对全球不同区域水文过程的影响，并强调该影响存在显著的区域依赖性。尽管如此，当前研究仍较少针对不同区域和季节动态调整μ值，也缺乏长时间序列的模拟分析，这在一定程度上制约了模型在真实情景中的模拟性能。
地表蒸散发是水热循环的关键过程，约占全球陆地降水总量的60%（Oki & Kanae, 2006）。植被冠层截留作为蒸散发中对降水响应最迅速的组分，直接影响水分再分配和能量平衡（Sun et al., 2018；邓雅丽 等，2024）。冠层截留的雨水在降水期间或之后迅速蒸发，而模型网格内的降雨覆盖率直接影响冠层截雨的有效作用面积（Andreasen et al., 2023）。较低的降水覆盖率往往对应更集中的强降水事件，易使冠层迅速达到饱和状态（王淑春 等, 2022）。
社区陆面模式（Community Land Model，CLM）作为社区地球系统模式（Community Earth System Model，CESM）的陆地组件，是模拟蒸散发过程的重要工具（Qiu et al., 2021）。最新版本的CLM5模型对大尺度蒸散发模拟机制进行重要改进：首次使用双曲正切函数替代原指数函数计算降水截留率，明确将降水截留区分为固相（霜、雪）与液相（液态水）后再处理（Lawrence et al., 2019）。这一调整使土壤蒸发在总蒸散发中的占比下降，而植被蒸腾的贡献相应提高。多项研究从不同角度评估了CLM5模型在模拟蒸散发时空特征方面的能力，并肯定了其在实际应用中的改进。如Fan等（2019）通过利用CLM5模型中针对高度特异性植物功能类型的截留参数，显著提升了热带油棕种植园和雨林的蒸散发模拟精度与空间分布表现；Cheng等（2020）在引入多年生能源作物参数后，发现CLM5SP在蒸散发模拟方面优于CLM4.5BGC和CLM5BGC。尽管CLM5模拟蒸散发的整体性能有所提升，但在全球尺度上对其组分冠层截留的系统评估仍显不足（Cheng et al., 2020; Yan et al., 2023）。尤为关键的是，当前CLM5模型中与冠层截留相关的参数化方案多采用静态或经验性设定，尚未充分考虑降雨覆盖度μ的时空动态特性，忽略降水空间变异性将导致模型难以准确模拟植被的截留能力。
鉴于此，本研究通过引入动态降雨覆盖率（μ）改进CLM5模型对植被冠层截留过程的模拟，研究目标如下：1）计算1980—2018年月尺度、全球范围的降雨覆盖度（μ），分析其时空分布特征及变化趋势；2）将月尺度动态变化的降水覆盖率（μ）引入CLM5的冠层截留参数化方案，构建改进的模型CLM5_μ，并基于多源遥感产品系统评估CLM5_μ对植被冠层截留过程的模拟效果。以期为后续陆面过程模拟提供可复用的μ数据基础与参数化思路。

1 数据与方法

1.1 降雨覆盖度的计算

降雨覆盖度（μ）在本研究特指液态降水（即降雨）的覆盖度，其定义为模型网格内实际发生降雨的面积比例（Eltahir & Bras, 1993），如式（1）所示。降雨覆盖度的核心计算基于一个基本的约束，即假定在同一网格内，由观测得到的降雨总量与由模型模拟得到的降雨总量相等（式2）。在该假设下，可通过公式推导，将难以直接获取的面积比例，转化为易于计算的雨强之比（式3）。过程为（Eltahir & Bras, 1993）：
$ \mu ={A}_{\text{obs}}/{A}_{\text{model}} $
$ {P}_{\text{obs}}\times {A}_{\text{obs}}={P}_{\text{model}}\times {A}_{\text{model}} $
$ \begin{split} \mu &={A}_{\text{obs}}/{A}_{\text{model}}=\frac{{(P}_{\text{model}}\times {A}_{\text{model}})/{P}_{\text{obs}}}{{A}_{\text{model}}}\\&={P}_{\text{model}}/{P}_{\text{obs}}\end{split} $
式中：$ {A}_{\text{obs}} $表示实际发生降雨的覆盖面积；$ {A}_{\text{model}} $表示模型模拟降雨的覆盖面积；$ {P}_{\text{obs}} $表示实际发生降雨的强度；$ {P}_{\text{model}} $表示模型模拟降雨的强度。
在模型输入方面，本研究采用经过偏差校正的全球气象驱动数据集WFDE5（WATCH Forcing Data methodology applied to ERA5①）作为降水强迫数据。该数据集专为驱动陆面过程模型设计，能提供与其他气象变量（如温度、辐射、湿度等）在物理上协调一致的降水序列，有利于模型实现能量与水循环的稳定闭合。该数据集以ERA5再分析数据为基础，融合了GPCC（Global Precipitation Climatology Centre）降水观测与CRU温度数据（Climatic Research Unit Temperature Data），并通过系统化的统计偏差校正方法显著降低了再分析资料在陆面区域的系统误差，提高了降水与温度等关键变量的准确性（Cucchi et al., 2020）。WFDE5具有0.5°的空间分辨率和逐小时的时间分辨率，能较好地刻画区域气候特征，适用于陆面过程模型与水循环模拟研究。
本研究采用多源加权集成降水数据集MSWEP V2.8（Multi-Source Weighted-Ensemble Precipitation V2.8②）作为实际降水基准。该数据集融合了卫星遥感产品GPM IMERG（Global Precipitation Measurement Integrated Multi-satellitE Retrievals for GPM）和CMORPH（Climate Prediction Center MORPHing technique）、全球地面气象站点网络数据GHCN-Daily（Global Historical Climatology Network-Daily）和GSOD（Global Surface Summary of the Day）以及再分析数据ERA5（European Centre for Medium-Range Weather Forecasts Reanalysis v5），并通过时空加权算法生成高精度降水场。这种多源融合策略显著降低了单一数据源所固有的系统性偏差，使其在反映地面实际降水方面具有较高可信度。MSWEP具备0.1°的空间分辨率与3 h的时间分辨率，能精确捕捉局地降水特征，并有效解析子网格尺度上的降水空间异质性。
本研究基于WFDE5和MSWEP这2个数据集，计算了1980—2018年全球范围内空间分辨率为0.5°、时间分辨率为3 h的降雨覆盖度（μ），最终将逐月平均μ值用于CLM5_μ模型中冠层截留的计算。由于该方法综合考虑了不同时间步长与不同网格单元的条件平均降水强度，所获得的μ值能有效表征降水的空间分布特征与季节变化规律。为检验降雨覆盖度计算结果的稳健性，本研究同时采用具备0.1°×0.1°的空间分辨率与0.5 h时间分辨率GPM IMERG降水产品进行对比，二者在降雨覆盖度的空间分布格局上高度一致，且在全球主要气候区均呈现相似的量级与变化特征。该结果支持基于MSWEP V2.8所获降雨覆盖度数据的可靠性。

1.2 CLM5模型

社区陆地模型（Community Land Model, CLM）是由美国国家大气研究中心（National Center for Atmospheric Research, NCAR）开发的全球地表过程模型，广泛模拟生物地球物理、生物地球化学、植被动态及水循环等过程。本研究采用CLM5的离线模式，结合特定的卫星物候（Satellite Phenology, SP）数据，以1°×1°的空间分辨率模拟1980—2018年全球逐月降雨截留过程。
本研究所使用的CLM5模型主要驱动数据与输入数据及其具体来源如表1所示。植被物候参数来源于CLM陆地表面数据集中的全球卫星观测数据。在SP模型中，植被状态（如树冠基底高度、树冠顶部高度、叶面积指数）是通过相邻月值之间的日线性插值确定的。树冠顶部和基底高度数据来源于Bonan等（1995）的研究，叶面积指数数据和植物功能类型数据来源于中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer, MODIS）卫星数据（Lawrence et al., 2011）。土壤颜色数据使用Lawrence & Chase（2007）的方案，土壤质地数据则基于国际地圈生物圈计划（International Geosphere-Biosphere Programme, IGBP）土壤数据集。最大饱和区域比例、坡度和高程数据来自美国地质调查局（United States Geological Survey, USGS）的HYDRO1K 1 km数据集。本研究采用Watch Forcing Data Era 5（WFDE5）大气强迫数据集驱动模型，时间跨度为1980—2018年，空间分辨率为0.5°，时间分辨率为逐小时。
表1 CLM5模型大气驱动与地表数据

Table 1 Atmospheric forcing data and land surface data in the CLM5 Model

数据类别数据名称空间分辨率时间分辨率关键变量数据来源
大气驱动
数据		WFDE5数据集
（WATCH Forcing Data applied to ERA5）		0.5°逐小时
（1980—2018年）		降水、气温、气压、
比湿、辐射、风速		Cucchi等（2020）
地表
输入
数据		MODIS卫星数据
（Moderate Resolution Imaging Spectroradiometer）		1 km静态植物功能型Lawrence等（2011）
1 km月气候态叶面积指数Lawrence等（2011）
—0.5°静态冠层顶部高度、
冠层基底高度		Bonan等（2002）
IGBP全球土壤数据集（International
Geosphere-Biosphere Programme）		0.5°静态土壤质地Global Soil Data Task Group（2000）
—0.5°静态土壤颜色Lawrence & Chase（2007）
USGS HYDRO1K数据集1 km静态坡度、高程、
最大饱和分数		Verdin & Jenson（1996）
在CLM5模型原有的计算框架中，植被冠层截留被分为液态和固态两个部分进行计算，其中降雨截留量的计算如式（4）所示。本研究对其关键参数降雨截留率（$ {f}_{\text{pi}} $）的计算方法进行修订，保持式（4）的形式不变，采用方程（6）替代原方程（5），使降雨截留率随网格内降雨覆盖范围变化，改进流程及模型结构关联如图1所示。
图1 考虑降雨覆盖度的CLM5降雨截留量模拟改进流程

注：$ {E}_{i,\mu } $、$ {E}_{i} $分别代表CLM_μ和CLM模拟的植被截留量。

Fig.1 Flowchart of the improved CLM5 rainfall interception simulation considering rainfall coverage

$ {E}_{\mathrm{i},\text{liq}}={f}_{\mathrm{pi},\text{liq}}\cdot {q}_{\text{rain}} $
$ {f}_{\mathrm{pi},\text{liq}}={\alpha }_{\text{liq}}\cdot \tanh (L+S) $
$ {f}_{\text{pi},\mu }=\mu \cdot \alpha \cdot \tan \mathrm{h}(L+S) $
式中：$ E_{\mathrm{i,liq}} $表示冠层对降雨的截留蒸发量；$ f_{\mathrm{pi,liq}} $表示原模型降雨的截留率；$ f_{\mathrm{pi},\mu} $表示引入降雨覆盖度后模型降雨的截留率；$ q_{\mathrm{rain}} $表示降雨速率；$ \alpha\mathrm{_{liq}} $表示叶片收集和截留雨水的有效面积比例，默认值设定为1；$ L $和$ S $分别表示暴露的叶片和茎面积指数；$ \mu $表示降雨覆盖度。

1.3 验证数据

本研究采用4套全球尺度的蒸散发产品（GLEAMv3.5③、GLEAMv4.2③、PML④⑤、ERA5⑥）对改进模型CLM5_μ进行验证。4套产品均能单独估算降雨截留量，并在全球范围得到广泛应用。为确保数据一致性，所有验证数据集均通过双线性插值方法统一重采样至1°空间分辨率，与CLM5_μ模型的分辨率保持完全一致。
GLEAMv3.5（Global Land Evaporation Amsterdam Model version 3.5）是一个基于多源卫星遥感数据的大尺度蒸散发估算模型。该模型采用Priestley-Taylor能量平衡方程，并结合土壤水分胁迫函数计算实际蒸散发，通过蒸发胁迫因子对潜在蒸发量进行约束，并依据土壤湿度和植被物候分别对裸土、高植被和矮植被组分的胁迫因子进行参数化。其冠层截留分量通过Gash解析模型反演生成，并依赖降水观测数据驱动。Miralles等（2011）利用ERA5的温度与辐射数据、MSWEPv2.8的降水数据、VODCA的植被光学深度数据以及ESA-CCIv5.3的表层土壤湿度数据，生成了1981—2020年空间分辨率为0.25°×0.25°的月尺度GLEAMv3.5蒸散发产品。其升级版本GLEAMv4.2的空间分辨率提高至0.1°×0.1°，该版本同化了欧洲空间局SMOS（Soil Moisture Ocean Salinity）任务的L波段土壤湿度数据，并采用MSWEPv2.8多源融合降水产品作为输入，显著提升了在干旱与半干旱地区蒸散发组分的区分精度，尤其在非洲萨赫勒等生态过渡带表现优异（Miralles et al., 2025）。
PMLv1（Penman-Monteith-Leuning Version 1）是由Zhang等（2016）开发的全球遥感蒸散发产品，空间分辨率为0.25°×0.25°，时间跨度为1981—2012年。该模型在GLEAM土壤蒸发框架基础上，融合了MODIS叶面积指数、GLASS（Global LAnd Surface Satellite）反照率及ERA-Interim（ECMWF Re-Analysis Interim）气象再分析数据，通过改进的Penman-Monteith方程估算总蒸散发及其组分（蒸腾、土壤蒸发和截留蒸发）。PMLv2产品（0.05°×0.05°，2002—2019年）采用基于Priestley-Taylor公式的双源模型结构，深度融合了更高分辨率的MODIS数据（LAI、反照率、植被覆盖度和发射率等）与MERRA-2气象再分析数据，进一步增强了对物理机制的描述和空间细节表达能力，尤其在植被动态与水热胁迫对蒸散发影响的捕捉方面有所提升（Zhang et al., 2019）。为保持研究时段的一致性，选用PMLv1（1981—2002年）和PMLv2（2002—2018年）的冠层截留数据进行验证。
ERA5（European Centre for Medium-Range Weather Forecasts Reanalysis v5）是由欧洲中期天气预报中心发布的第五代再分析数据集，该模型基于H-TESSEL陆面模型物理机制直接输出截留量，提供1980年至今0.25°分辨率的逐小时数据（Hersbach et al., 2020）。该数据集提供了物理协调一致且时空连续完整的气象场，尤其在表征降水事件的强度、频率和空间分布特征方面具有较高可信度。为获得更高的截留量精度，本研究采用其衍生产品ERA5-Land（0.1°×0.1°），该数据集使用优化的陆面模型（HTESSEL）在更高分辨率上重新运行，同化了ERA5的大气边界条件，其输出的降水、气温等变量在陆地区域通常具有更高的精度和更好的细节表现。

1.4 模型验证方法

本研究采用决定系数（R2）和克林−古普塔效率系数（KGE）评估CLM5和CLM5_μ两个版本模型对植被冠层截留的模拟性能。KGE作为综合指标，用于衡量实测值和模拟值的拟合效果，KGE和R2的最优值均为1。公式为：
$ {R}^{2}={\left[\frac{\sum \limits_{i=1}^{n}\left({P}_{i}-\overline{P}\right)\left({O}_{i}-\overline{O}\right)}{\sqrt{\sum \limits_{i=1}^{n}{\left({{P}_{i}}-\overline{P}\right)}^{2}\sum \limits_{i=1}^{n}{\left({{O}_{i}}-\overline{O}\right)}^{2}}}\right]}^{2} $
$ \text{KGE}=\text{1-}\sqrt{(R-1)^{2}+\left(\frac{{\sigma }_{\text{sim}}}{{\sigma }_{\text{obs}}}-1\right)^{2}+\left(\frac{\overline{P}}{\overline{O}}-1\right)^{2}} $
式中：$ {P}_{i} $为模拟值；$ {O}_{i} $为观测值（验证参考值）；$ \overline{P} $为模拟平均值；$ \overline{O} $为观测平均值；$ i $为样本数；$ n $为样本总数；$ {\sigma }_{\text{sim}} $为模拟值的标准差；$ {\sigma }_{\text{obs}} $为观测值的标准差。

2 结果分析

2.1 降雨覆盖度的时空变化特征

如图2所示，全球1981—2018年降雨覆盖度均值为0.36，空间上呈现明显的区域差异。其中，赤道附近及部分热带雨林气候区（如南美洲亚马孙流域、东南亚部分地区等）降雨覆盖度高；副热带及热带沙漠气候区（如非洲北部、西亚等）降雨覆盖度低，呈现从赤道向副热带部分地区降雨覆盖度递减的大致趋势。
图2 1981—2018年多年平均（a）及季节平均（b至e）降雨覆盖度的空间分布

Fig.2 Spatial distribution of multi-year(a) and seasonal(b~e) average rainfall coverage during 1981-2018

各季节降雨覆盖度多年均值为：9—11月（0.25）＜3—5月（0.32）＜12—2月（0.35）＜6—8月（0.44）。从季节看，各半球夏季高降雨覆盖度区域更广泛，冬季低降雨覆盖度区域更广泛。其中，北半球中高纬度地区（如北美洲北部、欧洲大部分区域、亚洲北部等）的季节差异较大，6—8月降雨覆盖度高，12—2月降雨覆盖度低；赤道附近及部分热带雨林气候区（如南美洲亚马孙流域、东南亚部分地区等），全年降雨覆盖度相对较高，季节差异较小。
如图3所示，北美洲、欧洲、亚洲的中高纬度部分区域以及非洲中部等区域降雨覆盖度变化明显且季节差异大，赤道附近及部分热带雨林气候区（如南美洲亚马孙流域、东南亚部分地区等）全年降雨覆盖度的季节变化整体较为稳定。其中，降雨覆盖度显著上升的区域主要集中在3—5月的亚洲中高纬度部分区域（如西伯利亚附近）和6—8月北美洲东部、南美洲西北部等区域，显著下降的区域主要集中在3—5月北美洲东南部、非洲中部部分区域和6—8月欧洲大部分区域、亚洲中部（如中亚地区）以及非洲北部部分区域。
图3 1981—2018年各季节降雨覆盖度变化趋势

Fig.3 Temporal trends in seasonal rainfall coverage during 1981-2018

2.2 全球尺度产品验证

2.2.1 空间分布

如图4、图5所示，各模型的多年平均降雨截留量的空间格局基本一致，均显示赤道及低纬度湿润区截留量高，而副热带沙漠区（如撒哈拉、阿拉伯半岛、澳大利亚中西部）截留量低。多年平均降雨截留量对比显示：CLM5（56.66 mm）＞PML（54.26 mm）＞CLM5_μ（49.13 mm）＞GLEAMv3（44.39 mm）＞GLEAMv4（39.13 mm）＞ERA5（29.68 mm）。改进后的CLM5_μ模型均值显著降低，更接近其他基准产品，表明其在对全球蒸散量的整体模拟精度有所提升。空间分布上，CLM5_μ相对于CLM5在热带和亚热带湿润地区（如亚马孙雨林、刚果盆地、印度半岛等）以及部分半湿润地区（如澳大利亚北部和东部沿海）的变化最为显著，而在一些高纬度地区和干旱区变化不明显，如北美中部、欧亚大陆北部等地。
图4 各模型多年平均降雨截留量空间分布模拟结果（1981—2018年）

Fig.4 Spatial distribution simulation results of the multi-year mean rainfall interception for each model(1981–2018)

图5 改进前后模型（CLM5-CLM5_μ）多年平均截留量差值的空间分布

Fig.5 Spatial distribution of differences in multi-year average interception between CLM5 and CLM5_μ

本研究进一步对比了CLM5与CLM5_μ相对于GLEAMv3.5、GLEAMv4.2、PML、ERA5四种基准产品的误差分布及统计特征（图6）。与GLEAMv3.5相比，CLM5_μ在中低纬度地区（如北美中部、欧亚大陆南部、非洲萨赫勒）表现出更低的误差，但在高纬度地区（如加拿大北部、西伯利亚）改进效果较弱。与GLEAMv4.2相比，CLM5_μ误差减小的区域分布较广，主要集中在非洲、亚洲等部分区域。与PML相比，CLM5_μ在北美、欧亚大陆中纬度地区误差更低，但在副热带沙漠地区（如撒哈拉、阿拉伯半岛）的误差更大，说明改进模型的模拟精度在干旱区提升有限。与ERA5相比，CLM5_μ的误差整体降低，匹配度显著优于CLM5。
图6 CLM5_μ相对于CLM5的降雨截留模拟相对偏差改善空间分布

注：相对偏差改善值为|PBias_CLM5|−|PBias_CLM5μ|，柱状图为各类区域的面积占比：绿色表示误差减小区域，红色表示误差增加区域。

Fig.6 Spatial Distribution of Relative Bias Improvement in Rainfall Interception Simulation: CLM5_μ vs. CLM5

总体上，对比4种基准产品，CLM5_μ在中低纬度湿润半湿润区，以及干旱−半干旱过渡带（如非洲萨赫勒、中亚草原）的误差显著降低；然而，在高纬度地区（如西伯利亚、加拿大北部）和极端干旱区（如澳大利亚内陆）误差改善有限，仍需进一步优化。值得注意的是，CLM5_μ误差较小的区域多集中于中低纬度受农业耕作与人工植被管理等人类活动影响显著的植被茂密区；在自然原始雨林（如非洲刚果雨林、南美亚马逊），其误差与CLM5相差较小。此外，改进的模型CLM5_μ不仅在模拟误差减小的区域表现出较小的误差值，而且这些区域误差值的离散程度（变异性）也较低，表明CLM5_μ有效约束了误差扩大的趋势，避免了模拟结果出现异常的大幅度波动，确保了模型模拟的可靠性和稳定性。

2.2.2 时间相关性

由图7可观察到，以ERA5、GLEAMv3.5、PML、GLEAMv4.2为基准，改进的模型CLM5_μ表现出统计显著性的区域比例均高于原始CLM5模型，其中与GLEAMv4.2的显著相关区域与CLM5相比明显增多，表明CLM5_μ的模拟结果在更广的范围内与主流产品具有更显著的一致性。空间相关性分布（图8）显示CLM5_μ与各产品的高相关区域更广泛且连续，在中低纬度地区（如北美中部、欧洲、中国东部大部分地区）与GLEAMv4、ERA5的相关性显著增强，显著区域由斑块状转为连续分布；在热带雨林（亚马逊、刚果盆地）及干旱过渡带（非洲萨赫勒），CLM5_μ也表现出更显著的相关性。然而，在高纬度寒区（西伯利亚、加拿大北部），改进前后的CLM5模型与产品的相关性仍存提升空间。
图7 CLM5与CLM5_μ与基准产品的显著区域占比

Fig.7 Proportion of Significant Regions for CLM5 and CLM5_μ Models Compared with Benchmark Models

图8 CLM5与CLM5_μ降雨截留模拟与基准产品的相关性对比

Fig.8 Comparison of Correlation Between Rainfall Interception Simulations of CLM5 and CLM5_μ with Benchmark Models

图9展示了CLM5与改进模型CLM5_μ在不同纬度带与多种基准产品对比下的相关性特征。CLM5与CLM5_μ在不同纬度带和基准产品对比中，均呈现一定规律的相关性分布。总体而言，2个模型的模拟结果与各基准产品均展现出中等至良好的相关性水平，表明模型模拟结果与基准产品存在较好协同性。值得注意的是，这种相关性在特定的纬度和季节得到进一步增强，尤其是中低纬度带（27.5°N/S—55°N/S）的夏季月份达到更高的相关水平。在时间与空间维度上，无论是在空间分布的连续性上，还是在强相关性区域的覆盖广度上，CLM5_μ的表现普遍优于原始CLM5模型，尤其体现在中低纬度带（27.5°N/S—55°N/S）的夏季月份。此外，改进模型在北半球高纬度（55°N—82.5°N）和南半球中低纬度（27.5°S—55°S）的冬季月份也呈现较好的模拟效果。
图9 CLM5与CLM5_μ与基准产品的月尺度相关性纬向对比

Fig.9 Zonal comparison of monthly correlation between CLM5, CLM5_μ, and the reference products

3 讨论

与基准产品的比较发现，改进后的模型CLM5_μ的模拟结果在空间相关性上有明显增强，优化效果呈现显著的区域差异。在部分中低纬湿润半湿润区和干旱半干旱过渡带（如非洲萨赫勒、中亚草原），模型缓解了CLM5对稀疏植被区截留量的高估。Lian等（2022）指出，降雨特征在冠层截留变化上起更主导的控制作用，传统模型模拟冠层截留因过度依赖植被特征而可能存在系统性偏差。干旱半干旱过渡带是小型强对流强降雨事件的主要发生区，这些地区具备降雨高雨强、覆盖范围小的特征（Zipser & Liu, 2021），引入降雨覆盖度可更好地缓解模型在模拟稀疏植被遭遇局地暴雨时的快速饱和截留过程中产生的高估误差。而对于中低纬湿润半湿润区，这些区域的主导降雨类型为小型弱对流强降雨事件，虽然其覆盖范围相对强对流降雨有所增加，但仍远小于网格尺度，引入降雨覆盖度参数后，模型能更真实地刻画降水事件中植被的实际截留比例（Zipser & Liu, 2021）。
然而，对于热带雨林地区（如亚马逊、刚果盆地等）和高纬度地区（如西伯利亚冻原），改进的模型没有表现出更好的模拟效果，误差反而有轻微增加。这可能是因为热带雨林地区的主导降雨类型为大范围层状云降雨，降雨覆盖范围大，截留降雨的能力对降雨覆盖度敏感性较弱（Houze et al., 2015）。同时，在热带地区尽管降雨强度仍是关键，但冠层结构本身对截留过程的控制作用增强，会导致单纯优化降雨参数的效果受限，削弱其对子网格降雨覆盖度变化的响应。这一现象在其他结构复杂的热带森林中也有体现，如对巴西大西洋沿岸热带半落叶林的研究发现，该森林在极端干旱下仍能维持冠层持水能力与叶面积指数的稳定，能更好地模拟复杂植被结构的Liu模型表现优于依赖降雨事件开展模拟的Gash模型（Junqueira et al., 2019）。此外，高纬度冻原区长期受到积雪或冻土覆盖，其融雪过程增加了模型模拟的复杂性，引入降雨覆盖度对该地区植被冠层截留的模拟效果影响较小（Adler et al., 2012）。
尽管本方案在部分区域的改进效果有限，但从整体上看，本研究构建了全球尺度、长时间序列的降雨覆盖度数据集，为陆面模式中考虑子网格降水变异性提供了数据基础和可推广的参数化思路。需指出的是，当前方案仍存在一定局限：降雨覆盖度的计算依赖于不同分辨率降水产品之间的强度比值，数据源的系统偏差可能影响估算精度；此外，本研究仅针对液态降水进行参数化，固态降水的空间分布特征尚未纳入考量。未来可探索基于更高时空分辨率观测数据优化覆盖度估算方法，发展兼顾降雨与降雪的综合参数化方案，并结合冠层结构特征建立更完善的截留模型，以进一步拓展方案的适用范围。

4 结论

本研究量化了全球降雨覆盖度的时空异质性特征，并将其引入CLM5的冠层截留参数化方案，同时基于全球蒸散发产品（GLEAMv3.5、GLEAMv4.2、PML、ERA5）系统评估改进的CLM5_μ模型对降雨截留过程的模拟能力。主要结论为：
1）降雨覆盖度具有显著的时空分异规律。1981—2018年全球平均降雨覆盖度为0.36，季节上表现为6—8月（0.44）＞12—2月（0.35）＞3—5月（0.32）＞9—11月（0.25）。北半球中高纬度地区降雨覆盖度季节变幅最大（夏季高，冬季低），而热带雨林区则保持全年高值且较为稳定。
2）与主流基准产品相比，CLM5_μ模型显著提升了全球植被冠层截留量的模拟精度，全球平均截留量从56.66 mm优化至49.13 mm。空间分布上，模型在中高纬度湿润区（如北美、欧亚大陆中北部）和干旱—半干旱过渡带（如非洲萨赫勒、中亚草原）的模拟改进最为显著，但在高纬度地区、原始热带雨林区和极端干旱区的模拟结果与基准产品相比仍存在一定偏差。
3）时间动态上，CLM5_μ模型与主流基准产品的时空一致性明显增强，显著相关的区域比例更高且空间分布更连续。这一改进集中体现在夏季月份的中低纬度带（27.5°N/S—55°N/S）、冬季月份的北半球高纬度（55°N—82.5°N）和南半球中低纬度（27.5°S—55°S，主要指南半球相应纬度带），表明改进模型对季节性降水和区域气候特征的适应性显著提升。

① https://doi.org/10.24381/cds.20d54e34

② https://www.gloh2o.org/

③ https://www.gleam.eu/#downloads

④ https://www.tpdc.ac.cn/zh-hans/data/48c16a8d-d307-4973-abab-972e9449627c/

⑤ https://data.csiro.au/collection/csiro:17375

⑥ https://cds.climate.copernicus.eu/datasets/reanalysis-era5-single-levels?tab=overview

References

Publishing order | Descend order by publishing year | Descend order by cited within
Adler R F, Gu G, and Huffman G J. Estimating Climatological Bias Errors for the Global Precipitation Climatology Project (GPCP). Journal of Applied Meteorology and Climatology, 2012, 51 (1): 84- 99.

DOI

Andreasen M, Christiansen J R, Sonnenborg T O, Stisen S, and Looms M C. Seasonal Dynamics of Canopy Interception Loss within a Deciduous and a Coniferous Forest. Hydrological Processes, 2023, 37 (4): e14828.

DOI

Bonan G B. Land-Atmosphere Interactions for Climate System Models: Coupling Biophysical, Biogeochemical, and Ecosystem Dynamical Processes. Remote Sensing of Environment, 1995, 51 (1): 57- 73.

DOI

Bonan G B, Oleson K W, Vertenstein M, Levis S, Zeng X, Dai Y, Dickinson R E, and Yang Z L. The Land Surface Climatology of the Community Land Model Coupled to the NCAR Community Climate Model. Journal of Climate, 2002, 15, 3123- 3149.

DOI

Cheng Y, Huang M, Chen M, Guan K, Bernacchi C, Peng B, and Tan Z. Parameterizing Perennial Bioenergy Crops in Version 5 of the Community Land Model Based on Site-Level Observations in the Central Midwestern United States. Journal of Advances in Modeling Earth Systems, 2020, 12 (1): e2019MS001719.

DOI

Clark P, Roberts N, Lean H, Ballard S P, and Charlton-Perez C. Convection-Permitting Models: A Step-Change in Rainfall Forecasting. Meteorological Applications, 2016, 23 (2): 165- 181.

Cucchi M, Weedon G P, Amici A, Bellouin N, Lange S, Schmied H M, Hersbach H, and Buontempo C. WFDE5: Bias-Adjusted ERA5 Reanalysis Data for Impact Studies. Earth System Science Data, 2020, 12 (3): 2097- 2120.

DOI

邓雅丽, 赵新宇, 崔自杰, 冯英杰, 张卫强, 刘效东. 中国森林生态系统林冠层降雨截留特征. 生态学报, 2024, 44 (7): 2981- 2992.

DOI

Deng Yali, Zhao Xinyu, Cui Zijie, Feng Yingjie, Zhang Weiqiang, and Liu Xiaodong. Canopy Rainfall Interception Characteristics of Forest Ecosystems in China. Acta Ecologica Sinica, 2024, 44 (7): 2981- 2992.

DOI

Eltahir E A B and Bras R L. Estimation of the Fractional Coverage of Rainfall in Climate Models. Journal of Climate, 1993, 6 (4): 639- 644.

DOI

Famiglietti J S and Wood E F. Effects of Spatial Variability and Scale on Areally Averaged Evapotranspiration. Water Resources Research, 1995, 31 (3): 699- 712.

DOI

Fan Y, Meijide A, Lawrence D M, Roupsard O, Carlson K M, Chen H Y, Röll A, Niu F, and Knol A. Reconciling Canopy Interception Parameterization and Rainfall Forcing Frequency in the Community Land Model for Simulating Evapotranspiration of Rainforests and Oil Palm Plantations in Indonesia. Journal of Advances in Modeling Earth Systems, 2019, 11 (3): 732- 751.

DOI

Fosser G, Khodayar S, and Berg P. Benefit of Convection Permitting Climate Model Simulations in the Representation of Convective Precipitation. Climate Dynamics, 2015, 44 (1): 45- 60.

DOI

Gianotti R L and Eltahir E A B. Regional Climate Modeling over the Maritime Continent. Part II: New Parameterization for Autoconversion of Convective Rainfall. Journal of Climate, 2014, 27 (4): 1504- 1523.

DOI

Giles D, Briant J, Morcrette C J, and Guillas S. Embedding Machine-Learnt Sub-Grid Variability Improves Climate Model Precipitation Patterns. Communications Earth & Environment, 2024, 5, 712.

DOI

Global Soil Data Task Group. 2000. Global Gridded Surfaces of Selected Soil Characteristics (IGBP-DIS). Oak Ridge: ORNL Distributed Active Archive Center.

Hersbach H, Bell B, Berrisford P, Hirahara S, Horányi A, Muñoz-Sabater J, Nicolas J, Peubey C, Radu R, Schepers D, Simmons A, Soci C, Abdalla S, Abellan X, Balsamo G, Bechtold P, Biavati G, Bidlot J, Bonavita M, Chiara G, Dahlgren P, Dee D, Diamantakis M, Dragani R, Flemming J, Forbes R, Fuentes M, Geer A, Haimberger L, Healy S, Hogan R J, Hólm E, Janisková M, Keeley S, Laloyaux P, Lopez P, Lupu C, Radnoti G, Rosnay P, Rozum I, Vamborg F, Villaume S, and Thépaut J. The ERA5 Global Reanalysis. Quarterly Journal of the Royal Meteorological Society, 2020, 146, 1999- 2049.

DOI

候沂辰, 王卫光, 刘国帅. 基于陆面模式的中国陆地蒸散发模拟及变化分析. 生态学报, 2025, 45 (12): 5926- 5940.

DOI

Hou Yichen, Wang Weiguang, and Liu Guoshuai. Simulation and Variation Analysis of Terrestrial Evapotranspiration in China Based on the Land Surface Model CLM5. Acta Ecologica Sinica, 2025, 45 (12): 5926- 5940.

DOI

Houze Jr R A, Rasmussen K L, Zuluaga M D, and Brodzik S R. The Variable Nature of Convection in the Tropics and Subtropics: A Legacy of 16 Years of the Tropical Rainfall Measuring Mission Satellite. Reviews of Geophysics, 2015, 53 (3): 994- 1021.

DOI

Junqueira Junior J A, Mello C R D, Mello J M D, Scolforo H F, Beskow S, and McCarter J. Rainfall Partitioning Measurement and Rainfall Interception Modelling in a Tropical Semi-Deciduous Atlantic Forest Remnant. Agricultural and Forest Meteorology, 2019, 275, 170- 183.

DOI

Koren V I, Finnerty B D, Schaake J C, Smith M B, Seo D-J, and Dua Q Y. Scale Dependencies of Hydrologic Models to Spatial Variability of Precipitation. Journal of Hydrology, 1999, 217 (3): 285- 302.

DOI

Lawrence D M, Fisher R A, Koven C D, Oleson K W, Swenson S C, Gordon Bonan G, Collier N, Ghimire B, Kampenhout L, Kennedy D, Kluzek E, Lawrence P J, Li F, Li H, Lombardozzi D, Riley W J, Sacks W J, Shi M, Vertenstein M, Wieder W R, Xu C, Ali A A, Badger A M, Bisht G, Broeke M, Brunke M A, Burns S P, Buzan J, Clark M, Craig A, Dahlin K, Drewniak B, Fisher J B, Flanner M, Fox A M, Gentine P, Hoffman F, Keppel-Aleks G, Knox R, Kumar S, Lenaerts J, Leung L R, Lipscomb W H, Lu Y, Pandey A, Pelletier J D, Perket J, Randerson J T, Ricciuto D M, Sanderson B M, Slater A, Subin Z M, Tang J, Thomas R Q, Martin M V, and Zeng X. The Community Land Model Version 5: Description of New Features, Benchmarking, and Impact of Forcing Uncertainty. Journal of Advances in Modeling Earth Systems, 2019, 11 (12): 4245- 4287.

DOI

Lawrence D M, Oleson K W, Flanner M G, Thornton P E, Swenson S C, Lawrence P J, Zeng X B, Yang Z L, Levis S, Sakaguchi K, Bonan B, and Slater A G. Parameterization Improvements and Functional and Structural Advances in Version 4 of the Community Land Model. Journal of Advances in Modeling Earth Systems, 2011, 3 (2): M03001.

DOI

Lawrence P J and Chase T N. Representing a New MODIS Consistent Land Surface in the Community Land Model (CLM 3.0). Journal of Geophysical Research: Biogeosciences, 2007, 112, G01023.

DOI

Lian X, Zhao W, and Gentine P. Recent Global Decline in Rainfall Interception Loss Due to Altered Rainfall Regimes. Nature Communications, 2022, 13 (1): 7642.

DOI

Miralles D G, Bonte O, Koppa A, Baez-Villanueva O M, Tronquo E, Zhong F, Beck H E, Hulsman P, Dorigo W, Verhoest N E V, and Haghdoost S. GLEAM4: Global Land Evaporation and Soil Moisture Dataset at 0.1° Resolution from 1980 to Near Present. Scientific Data, 2025, 12 (1): 416.

DOI

Miralles D G, Holmes T R H, De Jeu R A M, Gash J H, Meesters A G C A, and Dolman A J. Global Land-Surface Evaporation Estimated from Satellite-Based Observations. Hydrology and Earth System Sciences, 2011, 15 (2): 453- 469.

DOI

Qiu L, Wu Y, Shi Z, Chen Y, and Zhao F. Quantifying the Responses of Evapotranspiration and Its Components to Vegetation Restoration and Climate Change on the Loess Plateau of China. Remote Sensing, 2021, 13 (12): 2358.

DOI

Oki T and Kanae S. Global Hydrological Cycles and World Water Resources. Science, 2006, 313 (5790): 1068- 1072.

DOI

Seth A, Giorgi F, and Dickinson R E. Simulating Fluxes from Heterogeneous Land Surfaces: Explicit Subgrid Method Employing the Biosphere-Atmosphere Transfer Scheme (BATS). Journal of Geophysical Research: Atmospheres, 1994, 99 (D9): 18651- 18667.

DOI

舒章康, 李文鑫, 张建云, 金君良, 薛晴, 王银堂, 王国庆. 中国极端降水和高温历史变化及未来趋势. 中国工程科学, 2022, 24 (5): 116- 125.

DOI

Shu Zhangkang, Li Wenxin, Zhang Jianyun, Jin Junliang, Xue Qing, Wang Yintang, and Wang Guoqing. Historical Changes and Future Trends of Extreme Precipitation and High Temperature in China. Strategic Study of CAE, 2022, 24 (5): 116- 125.

DOI

Sun J, Yu X, Wang H, Jia G, Zhao Y, Tu Z, Deng W, Jia J, and Chen J. Effects of Forest Structure on Hydrological Processes in China. Journal of Hydrology, 2018, 561, 187- 199.

DOI

Tuinenburg O A, Theeuwen J J E, and Staal A. High-Resolution Global Atmospheric Moisture Connections from Evaporation to Precipitation. Earth System Science Data, 2020, 12 (4): 3177- 3188.

DOI

Verdin K L and Jenson S K. 1996. Development of Continental Scale Digital Elevation Models and Extraction of Hydrographic Features. In Proceedings of the Third International Conference/Workshop on Integrating GIS and Environmental Modeling. Santa Fe: National Center for Geographic Information and Analysis.

Wang D, Wang G, and Anagnostou E N. Use of Satellite-Based Precipitation Observation in Improving the Parameterization of Canopy Hydrological Processes in Land Surface Models. Journal of Hydrometeorology, 2005, 6 (5): 745- 763.

DOI

Wang D, Anagnostou E N, and Wang G. The Effect of Sub-Grid rainfall Variability on the Water Balance and Flux Exchange Processes Resolved at Climate Scale. Advances in Geosciences, 2006, 7, 269- 274.

DOI

Wang R, Li L, Gentine P, Zhang Y, Chen J, Chen X, Chen L, Ning L, Yuan L, and Lü G. Recent Increase in the Observation-Derived Land Evapotranspiration Due to Global Warming. Environmental Research Letters, 2022, 17 (2): 024020.

DOI

王淑春, 程然然, 杜盛. 黄土丘陵区2种典型林分降雨分配特征及其主要影响因素. 水土保持学报, 2022, 36 (3): 173- 180.

Wang Shuchun, Cheng Ranran, and Du Sheng. Characteristics and Main Influencing Factors of Rainfall Partitioning in Two Typical Forests in the Loess Hilly Region. Journal of Soil and Water Conservation, 2022, 36 (3): 173- 180.

Wang Y Q, Xiong Y J, Qiu G Y, and Zhang Q T. 2016. Is Scale Really a Challenge in Evapotranspiration Estimation? A Multi-Scale Study in the Heihe Oasis Using Thermal Remote Sensing and the Three-Temperature Model. Agricultural and Forest Meteorology, 230/231: 128-141.

Yan H, Sun N, Eldardiry H, Thurber T B, Reed P M, Malek K, Gupta R, Kennedy D, Swenson S C, Hou Z, Cheng Y, and Rice J S. Large Ensemble Diagnostic Evaluation of Hydrologic Parameter Uncertainty in the Community Land Model Version 5 (CLM5). Journal of Advances in Modeling Earth Systems, 2023, 15 (5): e2022MS003312.

DOI

Zhang C, Wang D, Wang G, Yang W, and Liu X. Regional Differences in Hydrological Response to Canopy Interception Schemes in a Land Surface Model. Hydrological Processes, 2014, 28, 2499- 2508.

DOI

Zhang Y, Peña-Arancibia J L, McVicar T R, Chiew F H S, Vaze J, Liu C, Lu X, Zheng H, Wang Y, Liu Y Y, Miralles D G, and Pan M. Multi-Decadal Trends in Global Terrestrial Evapotranspiration and Its Components. Scientific Reports, 2016, 6 (1): 19124.

DOI

Zhang Y, Kong D, Gan R, Chiew F H S, McVicar T R, Zhang Q, and Yang Y. Coupled Estimation of 500 m and 8-Day Resolution Global Evapotranspiration and Gross Primary Production in 2002-2017. Remote Sensing of Environment, 2019, 222, 165- 182.

DOI

Zipser E J and Liu C. Extreme Convection vs. Extreme Rainfall: A Global View. Current Climate Change Reports, 2021, 7 (4): 121- 130.

DOI

Options
Outlines

/

〈 〉