文章信息
- 刘任莉, 佘敦先, 李敏, 王涛
- LIU Renli, SHE Dunxian, LI Min, WANG Tao
- 利用卫星观测数据评估GLDAS与WGHM水文模型的适用性
- Using Satellite Observations to Assess Applicability of GLDAS and WGHM Hydrological Model
- 武汉大学学报·信息科学版, 2019, 44(11): 1596-1604
- Geomatics and Information Science of Wuhan University, 2019, 44(11): 1596-1604
- http://dx.doi.org/10.13203/j.whugis20190108
-
文章历史
收稿日期: 2019-03-01
2. 武汉大学卫星导航定位技术研究中心, 湖北 武汉, 430079
2. GNSS Research Center, Wuhan University, Wuhan 430079, China
近年来,随着卫星遥感数据,特别是重力恢复与气候试验卫星(Gravity Recovery and Climate Experiment, GRACE)数据,在全球或局部范围的陆地水储量变化(terrestrial water storage anomalies,TWSA)方面的广泛应用,各类水文数据产品被大量地用来与卫星遥感产品进行对比研究,以评估卫星遥感数据产品在陆地水储量变化相关研究领域的可靠性和准确性[1-4]。
全球尺度的水文模型主要分为两大类:陆面模型(land surface model,LSM)和水文水资源模型(global hydrological water resources model,GHWRM)。陆面模型的定义最初来自于大气循环中对陆面过程的模拟,用以计算从陆地到大气的通量。水文水资源模型是针对全球水资源短缺而开发的,主要基于水平衡方程。陆面模型与水文水资源模型的主要区别之一是前者更强调物理基础,包括水和能量平衡,后者更强调水资源预算的经验方法。此外,陆面模型只考虑气候因素;而水文水资源模型同时考虑气候和人类活动对水储量的影响,包括工农业用水、生活用水和水库调度等。
当前,应用最广泛的陆面模型是全球陆面数据同化系统(global land data assimilation system,GLDAS),该系统利用地表观测与卫星遥感观测数据,驱动CLM、MOSAIC、NOAH、VIC和CLSM陆面模型,并通过模型模拟与数据同化,生成全球范围的地表状态变量(如土壤水分和地表温度)和通量(如蒸发和感热通量)数据;水文水资源模型则以WGHM模型为代表,主要用于河流径流仿真、水资源评价和洪水预报等。
对于GLDAS数据自身质量,包括其驱动数据(如降水、气温)和模拟结果数据(如径流、土壤含水量及蒸散发量),国内外学者针对不同区域、不同数据产品展开了相关的评估研究。如文献[5]利用观测资料验证了GLDAS数据在黄河源区的适用性,发现GLDAS的CLM模型能较好地反映黄河源区流量的变化特征。文献[6]基于重力卫星观测数据、中国的地面降水与径流观测数据,对GLDAS两个版本的NOAH模型模拟水文产品进行了评估。分析现有水文模型数据的应用结果发现,各类数据总体性能存在地区差异,但目前国内对GLDAS模型的研究主要集中在局部区域,缺少全球范围的系统性认识,且对WGHM水文模型研究较少。水文模型数据是卫星遥感在地表质量变化研究中的重要比对数据,有必要对其适用性及时空分布特征进行分析。
本文选取2002—2012年GLDAS发布的CLM、MOSAIC、NOAH和VIC子模型及WGHM模型数据估计了全球水储量变化,主要从年周期振幅、长期趋势项和时空分布一致性角度对模型模拟水文产品在全球范围内不同气候区进行分析,并与同期GRACE卫星资料估计结果进行对比研究。
1 观测资料 1.1 GLDAS陆面模型GLDAS陆面数据同化系统目前包括两个版本的数据集(GLDAS-1和GLDAS-2)。GLDAS-1包含CLM、NOAH、MOSAIC和VIC模型,各模型的土壤层数及土壤总厚度等都有所不同(见表 1)。各个模型均提供1979年至今的全球陆面数据,空间分辨率为0.25°×0.25°和1°×1°,时间分辨率为3 h和1个月[7]。GLDAS-2数据主要解决了GLDAS-1数据在1993—2001年之间的不连续性,而在利用GLDAS水文数据与卫星遥感数据的对比分析中,2002年之后的数据更具有研究价值。因此,本文的讨论仅采用GLDAS-1,而不涉及GLDAS-2数据集。
水文模型 | 研发机构 | 包含的水组成部分 | 土壤层数 | 土壤层总厚度 |
CLM2.0 | 美国国家大气研究中心 | 土壤水、地表积雪、冰川、植物截留水等 | 10层 | 3.4 m |
MOSAIC | 美国国家航空航天局 | 3层 | 3.5 m | |
NOAH | 美国国家海洋和大气管理局 | 4层 | 2.0 m | |
VIC | 华盛顿大学 | 3层 | 1.9 m | |
WGHM | 法兰克福大学 | 土壤水、地表积雪、地下水、地表水(如植被冠层水、河流、湖泊、水库、湿地)等 | 土壤厚度根据土地利用类型从1.0 m到4.0 m不等 |
WGHM是由德国法兰克福大学提供的全球水资源分析和预测模型,WGHM由全球水文模型和大量的灌溉、牲畜、火电厂以及家庭生活等用水模型组成[8]。与GLDAS模型不同的是,WGHM模型不仅计算了各个国家或流域的长期平均水资源,还模拟了除冰川以外的所有陆地水储量组成部分,包括土壤水、径流、地下水补给、地表积雪和地表水储量(如植被冠层水、河流、湖泊、水库、湿地)变化,空间分辨率为0.5°×0.5°,时间分辨率为1 d和1个月。本文采用的是WGHM2.1f月模型数据集。
1.3 GRACE时变重力场模型GRACE月时变重力场模型的处理与发布主要由美国德克萨斯大学空间研究中心(Center for Space Research, CSR)、德国地学研究中心(GeoForschungs Zentrum, GFZ)、美国喷气推进实验室(Jet Propulsion Laboratory, JPL)3个研究中心提供。此外,GFZ与法国空间大地测量研究小组(Space Geodesy Research Group, GRGS)还分别提供时间分辨率为7 d和10 d的重力场模型。2018年发布的GRACE RL06月重力场模型相对于RL05版本采用了一些新的背景模型,并改善了处理方法,其条带误差相比RL05明显减小。因此,本文采用CSR提供的GRACE RL06模型,最高截断阶次为60阶,时间跨度为2002年4月到2012年12月(GRACE自2002年4月开始对外公开发布数据)。
在GRACE数据后处理过程中,扣除了2004—2009年平均场,并修正了低阶项影响(一阶项系数和C20)。由于模型受卫星的轨道和球谐系数截断误差等影响,本文采用多项式去条带[9]和高斯平滑相结合的方法进行滤波,其中去条带参数为P3M6,高斯滤波平滑半径为300 km。由于球谐系数的高斯滤波和去相关滤波在消除噪声的同时,也不可必免地对水文信号造成削弱,可通过尺度因子进行部分恢复。本文利用GRACE重力场数据发布机构提供的尺度因子,对GRACE结果进行了修正。
2 结果与分析本文在全球范围内不同气候区选取了流域面积较大的30个流域进行研究,流域数据由Oki和Sud提供[10],各流域的地理分布如图 1所示,编号如表 2所示,30个流域的气候类型有湿润(19个)、半湿润(2个)、半干旱(8个)和干旱(1个)。采用GLDAS的4个子模型、WGHM模型以及CSR提供的GRACE RL06月平均重力场模型分别计算了各流域2002—2012年的水储量变化(均扣除2004—2009年平均场)时间序列,并以等效水高的形式表示。对于GLDAS水文模型,将各层土壤水、积雪和植被截流水相加得到陆地水储量,其中,土壤水变化在水储量变化中占主导地位。对于WGHM模型,陆地水储量包含积雪、植被水、地表水、土壤水和地下水部分。
编号 | 流域 | 气候 | 年周期振幅/cm | 长期项/(cm·a -1) | ||||
GLDAS | WGHM | GRACE | GLDAS | WGHM | GRACE | |||
1 | 亚马逊河 | 湿润 | 5.2 | 13.9 | 23.1 | -0.13 | 1.23 | 0.40 |
2 | 刚果河 | 湿润 | 1.9 | 3.4 | 6.7 | -0.06 | 0.91 | -0.12 |
3 | 密西西比河 | 湿润 | 2.3 | 4.6 | 6.4 | -0.12 | 0.28 | -0.25 |
4 | 鄂毕河 | 湿润 | 5.5 | 7.2 | 6.7 | -0.55 | -0.24 | -0.28 |
5 | 巴拉那河 | 湿润 | 2.2 | 5.4 | 5.5 | -0.27 | 0.05 | -0.14 |
6 | 尼罗河 | 半干旱 | 0.7 | 3.0 | 5.8 | -0.02 | -0.01 | -0.21 |
7 | 叶尼塞河 | 湿润 | 5.6 | 6.0 | 5.5 | -0.27 | -0.14 | 0.29 |
8 | 勒拿河 | 湿润 | 4.4 | 3.7 | 4.4 | -0.25 | -0.04 | 0.60 |
9 | 尼日尔河 | 半干旱 | 2.2 | 4.4 | 8.7 | 0.05 | 0.07 | 0.55 |
10 | 阿穆尔河 | 湿润 | 1.9 | 1.1 | 1.7 | -0.01 | 0.33 | 0.34 |
11 | 长江 | 湿润 | 0.6 | 4.2 | 6.7 | -0.14 | -0.10 | 0.50 |
12 | 马更些河 | 湿润 | 4.9 | 6.8 | 4.8 | -0.11 | -0.05 | 0.79 |
13 | 伏尔加河 | 湿润 | 7.1 | 11.1 | 8.1 | -0.47 | -0.12 | -0.29 |
14 | 赞比西河 | 半湿润 | 5.0 | 8.4 | 15.7 | 0.05 | 0.90 | 1.72 |
15 | 艾尔湖 | 干旱 | 0.3 | 0.5 | 1.0 | 0.05 | 0.12 | 0.29 |
16 | 纳尔逊河 | 湿润 | 2.5 | 5.0 | 5.2 | 0.00 | 0.59 | 2.17 |
17 | 圣劳仑斯河 | 湿润 | 5.0 | 12.3 | 5.5 | -0.53 | 0.27 | 0.87 |
18 | 墨累河 | 半干旱 | 0.3 | 1.1 | 1.3 | 0.23 | 0.59 | 0.67 |
19 | 恒河 | 湿润 | 3.8 | 9.9 | 15.2 | -0.08 | 0.57 | -1.29 |
20 | 奥兰治河 | 半干旱 | 0.6 | 0.7 | 0.9 | -0.03 | 0.13 | 0.17 |
21 | 印度河 | 半干旱 | 1.8 | 1.2 | 4.9 | 0.05 | 0.31 | -0.65 |
22 | 沙里河 | 半干旱 | 2.8 | 9.3 | 11.9 | 0.19 | 0.88 | -0.08 |
23 | 奥里诺科河 | 湿润 | 3.7 | 15.0 | 22.5 | 0.04 | 0.93 | 1.01 |
24 | 托坎廷斯河 | 湿润 | 8.1 | 18.3 | 24.5 | 0.11 | -0.13 | 0.75 |
25 | 育空河 | 湿润 | 4.8 | 6.3 | 7.6 | -0.40 | -0.02 | -1.40 |
26 | 多瑙河 | 湿润 | 3.9 | 7.4 | 9.0 | 0.15 | -0.02 | -0.22 |
27 | 湄公河 | 湿润 | 3.6 | 10.8 | 27.0 | -0.29 | -0.13 | -0.40 |
28 | 奥卡万戈河 | 半湿润 | 2.4 | 2.7 | 5.2 | 0.13 | 0.62 | 1.42 |
29 | 黄河 | 半湿润 | 0.6 | 1.8 | 1.6 | -0.03 | 0.11 | 0.16 |
30 | 幼发拉底河 | 半干旱 | 1.8 | 3.9 | 9.6 | -0.19 | -0.22 | -1.58 |
在本文所研究的30个流域中,分别在南北半球各选取了2个水文信号明显的流域为代表进行分析,图 2显示了4个GLDAS子模型计算的各流域2002—2012年水储量变化时间序列。由图 2可知,各流域的水储量变化均呈现出明显的季节性信号,并且地理位置相近的流域,由于受气候的影响相近,其最大和最小水储量出现的时间相近,如南美的亚马逊河和托坎廷斯河流域,其水储量最大值和最小值一般出现在每年的3、4月份和9、10月份,而位于亚洲的湄公河和恒河流域,其水储量的量大值和最小值一般出现在每年的9、10月份和3、4月份。由于分别位于赤道两侧,南美的亚马逊河和托坎廷斯河流域与亚洲的湄公河和恒河流域,峰值出现的相位明显相反,反映了南北半球不同的气候特征。
另外,从图 2中还可以发现,4个GLDAS模型得到的各流域水储量变化的相位基本一致,但是振幅大小有所不同,在本文所选择的流域中,均表现为CLM模型输出远小于其他各模型,VIC和MOSAIC模型的输出最大,NOAH模型的输出居中,这主要是因为各陆面过程模型的水循环过程和模型物理参数各不相同。此外,CLM模型假设其深层土壤层具有较高的粘土含量,低电导率,以及冻土层的零保水能力[11],都有可能导致CLM模型低估土壤水含量。将4个模型的平均值作为GLDAS模型输出,图 3显示了2002—2012年间4个子模型陆地水储量变化月输出值与模型平均值的偏差的均方根(root mean square, RMS),从图 3中可以看出,NOAH模型的输出值与平均值的偏差最小,这也是很多研究选择NOAH模型的原因。CLM模型和MOSAIC模型的输出值较平均值偏差较大,VIC模型偏差居中。在亚马逊河流域、密西西比河流域东部、刚果河流域南部,以及伏尔加河流域,CLM、MOSAIC和VIC的模型输出与GLDAS平均值偏差最明显。
2.2 年周期振幅比较为了比较两个水文模型结果与GRACE观测结果的季节性变化,本文利用最小二乘拟合法估算了各流域2002—2012年水储量变化(以等效水高的形式表示)的年周期项及长期趋势项,如表 2所示。其中,GLDAS模型的输出为CLM、MOSAIC、NOAH和VIC模型的平均值。从表 2中可以看出,3个模型计算的各流域水储量变化均呈现出较强的季节性变化。对于本文中约80%的流域而言,无论是位于湿润气候区还是干旱气候区,均表现为GRACE模型的年周期振幅输出最大。另外,约90%的流域表现为WGHM模型的年振幅输出又较GLDAS模型输出大。这主要是因为GLDAS只包括土壤水和地表积雪的变化,不包含地下水和地表除积雪以外的其他形式的水储量;WGHM则不仅包括土壤水和地表积雪的变化,也包括地下水、地表河流、湖泊和湿地水储量的变化;GRACE观测到的为综合各因素后的水储量变化,即包括冰、雪、土壤水、地下水,以及江河湖泊中的水、湿地及水淹地区等地球表面所有形式的水的总储存量。所以对大多数的流域而言,与GRACE结果比较,GLDAS和WGHM均低估了其水储量变化。但对于靠近北极的高纬度地区的流域,有相反的情况出现。位于该地区的鄂毕河、马更些河、伏尔加河和圣劳伦斯河流域,WGHM模型输出较GRACE高;勒拿河和阿穆尔河流域,GLDAS模型输出比WGHM和GRACE高。高纬度地区积雪较多,水储量变化受积雪融水影响较大。因此,这种现象可能与GLDAS和WGHM模型对积雪描述的准确性不够有关。
据表 2结果统计,有一半以上的流域,GLDAS与WGHM模型输出的差异超过了GLDAS结果的1倍,而GRACE与WGHM结果的差异大部分(约90%的流域)在20%~100%之间(以WGHM结果为参考)。图 4显示了GLDAS、WGHM和GRACE模型各流域年周期振幅输出的偏差(绝对值)的空间分布。从图 4中可以发现,水文信号越明显的流域,各模型输出的较差也越明显,如水文信号明显的亚马逊河流域(流域编号1),GLDAS与GRACE模型输出偏差大于10 cm,WGHM与GRACE模型输出偏差在5~10 cm之间,模型间差异较大;但对于水文信号不明显的勒拿河流域(流域编号8),GLDAS、WGHM和GRACE的模型输出偏差均在0~1 cm之间,模型间差异较小。
2.3 趋势项比较采用最小二乘拟合法得到的各流域长期变化趋势项如表 2、图 5(a)所示。可以发现,对于所选择的大多数流域,GRACE得到的趋势项较WGHM和GLDAS结果大,如赞比西河,GRACE得到的趋势项结果为1.72 cm/a,而WGHM和GLDAS结果分别为0.90 cm/a和0.05 cm/a。相对于GRACE和WGHM模型结果,GLDAS模型得到的趋势项不明显,且主要以下降趋势为主。对于面积较大的流域(> 1 500 000 km2),除了亚马逊河和刚果河流域的WGHM模型结果以外,各流域的水储量年际变化幅度小,且3个模型输出之间的差异较小。而对于面积相对较小的流域(< 1 500 000 km2),GRACE与WGHM模型得到的趋势项较GLDAS结果大,且不同的模型输出间表现出明显差异,甚至相反的变化趋势,如恒河流域,GRACE结果为-1.29 cm/a,而WGHM结果为0.57 cm/a;再如印度河流域,GRACE结果为-0.65 cm/a,而WGHM结果为0.31 cm/a。根据已有研究结果,由于长期过度开采地下水用于农业和生活用水,使得印度北部近年来水储量呈明显下降趋势(-2.24 cm/a)[12]。WGHM结果显示该地区水储量呈上升趋势,与实际情况不符;恒河和印度河流域的GLDAS趋势项输出分别为-0.08 cm/a和0.05 cm/a,明显低估了水储量下降的幅度或与实际情况不符。比较而言,GRACE模型输出更接近实际情况。
图 5(b)是各流域对应的灌溉面积占流域总面积的百分比。从图 5(b)中可以发现,GRACE模型趋势项输出与GLDAS和WGHM差异大的流域,如恒河、印度河、幼发拉底河流域等,均位于高灌溉率(> 10%)地区。GLDAS模型没有考虑灌溉对水储量的影响,WGHM虽然考虑了该因素,但其准确性还有待提高。所以,对于人类活动对水储量影响较大的区域,GLDAS和WGHM模型表现较差。经统计,对于GLDAS和WGHM模型的趋势项输出,在本文所选择的流域中,各有约60%与GRACE呈现出相同的变化趋势,剩下约40%呈现出相反的变化趋势。
从图 5中还可以发现,长期趋势项呈现出明显下降趋势的流域主要发生在灌溉率较高(> 10%)的湿润和半干旱地区,如恒河、印度河、黄河流域等;而呈现出明显上升趋势的流域,如赞比西河、奥里诺科河、奥卡万戈河等,均分布在湿润和半湿润地区,且其流域的灌溉率都较低(< 5%)。从而可以发现,流域水储量下降主要受灌溉影响,而流域水储量上升主要受气候影响。
为了更好地比较GLDAS、WGHM和GRACE模型得到的水储量的年际变化差异,本文选择亚马逊河、赞比西河和尼日尔河流域分别作为湿润、半湿润和半干旱气候区的代表,选择印度河和恒河流域作为高灌溉率流域代表,采用滑动年平均的方法,消除季节性波动,得到了各流域的水储量年际变化,如图 6所示。
从图 6中可以看出,GRACE和WGHM模型得到的水储量年际波动较大,且变化的趋势大体一致,而GLDAS模型结果相对平滑,尤其是对于水文信号较弱的半湿润和半干旱气候区的流域,其年际变化不明显。以亚马逊河流域为例,GRACE和WGHM结果在2002-2012年间,均表现为2009年春季水储量最丰富,反映了2009年该地区伴随拉尼娜现象出现的特大洪水事件,但该洪水事件在GLDAS结果中却表现不明显。从图 6还可以发现,对于高灌溉率地区,水文模型得到的年际变化趋势与GRACE结果差异较大。
3 讨论和结论GLDAS和WGHM水文模型都是基于对水循环过程的模拟来得到陆地水储量,该方法受限于气候驱动输入数据、对水循环过程的描述以及模型物理参数的选择等,且不能准确反映人类活动对水循环过程的影响。GRACE时变重力场模型从质量迁移的角度来反演水储量的变化,由于重力场高阶项系数误差大,必须进行滤波处理,滤波在消除噪声的同时,也损失了部分细节信号。各模型本身的缺陷和误差造成了模型输出之间的差异,同时又互为补充。
本文比较了GLDAS 4个陆面过程模型,并将其平均值作为GLDAS模型综合输出,与WGHM水文模型和GRACE重力场模型输出进行了比较分析,得出以下结论:
1)由GLDAS下的CLM、MOSAIC、NOAH和VIC模型得到的水储量输出均表现出明显受气候驱动的季节性变化,各模型输出在相位上较一致,但在振幅上差异较大。总体而言,CLM模型的输出振幅最小,MOSAIC和VIC模型的输出振幅最大,NOAH模型的输出居中,且最接近4个模型的平均值。CLM、MOSAIC和VIC模型的输出与4个模型的平均输出在亚马逊河流域、密西西比河流域东部、刚果河流域南部,以及伏尔加河流域差异较大。
2)对于模型的季节项振幅输出,总体而言,水文模型低估了各流域的水储量变化。约80%的流域,WGHM和GLDAS输出均比GRACE小;90%的流域GLDAS输出较WGHM小,且模型间差异较大。但在靠近北极的高纬度地区,受冰雪影响,会出现WGHM模型输出较GRACE高、GLDAS模型输出较WGHM高的现象。
3)对于模型的长期趋势项输出,大面积流域(> 1 500 000 km2)的水储量长期变化趋势较平缓,且GLDAS、WGHM和GRACE模型结果差异不大。对于面积相对较小的流域(< 1 500 000 km2),水储量长期趋势相对显著,且3个模型输出间差异较大,并多出现在呈明显下降趋势的高灌溉率流域,各流域的灌溉情况是影响水储量变化的重要因素之一。比较而言,对于人类活动影响明显的流域,由于GLDAS模型只考虑气候因素,缺少对人类活动的描述,而WGHM模型在这方面的描述也不够准确,使得GLDAS和WGHM水文模型均表现较差,多与实际情况不符。在水储量年际变化方面,GLDAS模型输出不如WGHM和GRACE模型明显,不能较好地反映极端水文事件,而WGHM模型表现较好。
[1] |
Feng W, Zhong M, Lemoine J M, et al. Evaluation of Groundwater Depletion in North China Using the Gravity Recovery and Climate Experiment (GRACE) Data and Ground-Based Measurements[J]. Water Resour Res, 2013, 49(4): 2110-2118. DOI:10.1002/wrcr.20192 |
[2] |
Li Wudong, Guo Jinyun, Chang Xiaotao, et al. Terrestrial Water Storage Changes in the Tianshan Mountains of Xinjiang Measured by GRACE During 2003-2013[J]. Geomatics and Information Science of Wuhan University, 2017, 42(7): 1021-1026. (李武东, 郭金运, 常晓涛, 等. 利用GRACE重力卫星反演2003-2013年新疆天山地区陆地水储量时空变化[J]. 武汉大学学报∙信息科学版, 2017, 42(7): 1021-1026. ) |
[3] |
Scanlon B R, Zhang Z Z, Save H, et al. Global Models Underestimate Large Decadal Declining and Rising Water Storage Trends Relative to GRACE Satellite Data[J]. PNAS, 2018, 115(6): 1080-1089. DOI:10.1073/pnas.1704665115 |
[4] |
Chen Chao, Zou Rong, Liu Renli. Vertical Deformation of Seasonal Hydrological Loading in Southern Tibet Detected by Joint Analysis of GPS and GRACE[J]. Geomatics and Information Science of Wuhan University, 2018, 43(5): 669-675. (陈超, 邹蓉, 刘任莉. 联合GPS和GRACE研究青藏高原南部地区垂直形变的季节性波动[J]. 武汉大学学报∙信息科学版, 2018, 43(5): 669-675. ) |
[5] |
Li Xia, Gao Yanhong, Wang Wanzhao, et al. Climate Changes and Applicability of GLDAS in the Headwater of the Yellow River Basin[J]. Advances in Earth Science, 2014, 29(4): 531-540. (李霞, 高艳红, 王婉昭, 等. 黄河源区气候变化与GLDAS数据适用性评估[J]. 地球科学进展, 2014, 29(4): 531-540. ) |
[6] |
Wang Wen, Cui Wei, Wang Peng. Comparison of GLDAS Noah Model Hydrological Outputs with Ground Observations and Satellite Observations in China[J]. Water Resources and Power, 2017, 35(5): 1-6. (王文, 崔巍, 王鹏. GLDAS Noah模型水文产品与中国地面观测及卫星观测数据的对比[J]. 水电能源科学, 2017, 35(5): 1-6. ) |
[7] |
Rodell M, Houser P R, Jambo R U, et al. The Global Land Data Assimilation System[J]. Bull Amer Meteor Soc, 2004, 85(3): 381-394. DOI:10.1175/BAMS-85-3-381 |
[8] |
Güntner A, Stuck J, Werth S, et al. A Global Analysis of Temporal and Spatial Variations in Continental Water Storage[J]. Water Resour Res, 2007, 43(5): 687-696. |
[9] |
Swenson S, Wahr J. Post-processing Removal of Correlated Errors in GRACE Data[J]. Geophys Res Lett, 2006, 33(8): L08402. |
[10] |
Oki T, Sud Y C. Design of Total Runoff Integrating Pathways(TRIP):A Global River Channel Network[J]. Earth Interact, 1998, 2(1): 1-37. |
[11] |
Dai Y, Zeng X, Dickinson R E, et al. The Common Land Model[J]. Bull Amer Meteor Soc, 2003, 84(8): 1013-1024. DOI:10.1175/BAMS-84-8-1013 |
[12] |
Chen J L, Li J, Zhang Z Z, et al. Long-term Groundwater Variations in Northwest India from Satellite Gravity Measurements[J]. Global Planet Change, 2014, 116: 130-138. DOI:10.1016/j.gloplacha.2014.02.007 |