楊雅茹，趙春雷，李弘毅，邵東航，紀文政

1.中國科學院西北生態(tài)環(huán)境資源研究院，蘭州 730000

2.中國科學院大學，北京 100000

3.河北省氣象科學研究所，石家莊 050021

4.河北省氣象與生態(tài)環(huán)境重點實驗室，石家莊 050021

引 言

隨著2022年冬奧會的熱潮，冰雪運動日益興起[1]，但IPCC（Intergovernmental Panel on Climate Change，聯合國政府間氣候變化專門委員會）第五次評估報告指出全球氣候變暖的加劇，加快了積雪、冰川的消融[2-3]。在此背景下未來三十年冬奧賽場的自然積雪條件是否足以支持冰雪運動的開展逐漸成為研究熱點。積雪物候是描述積雪動態(tài)變化的重要指標，且利用積雪日數、積雪初日、終日、積雪期長度等變量能夠反映地區(qū)的水文、積雪、氣候狀況[4]。張家口賽區(qū)作為北京2022年冬奧會冰雪運動主要競賽場地之一，該地區(qū)未來三十年的積雪物候狀況需引起關注。

目前已有眾多學者針對冰雪運動場館的積雪模擬開展了一系列研究，主要包括滑雪資源評估和積雪期預測兩個方面。其中，大量研究側重于利用模型預測未來氣候變化下滑雪場的自然降雪或人工造雪量。FANG等通過SkiSim 2.0模型預估了在未來氣候變化背景下我國116個滑雪場的積雪季長度、造雪要求等積雪條件[5]；PONS等利用GRENBLS模型分析了比利牛斯山滑雪場在未來氣候變化不同的排放情景下積雪變化的脆弱性及可持續(xù)性[6]；WOBUS等將UEB模型結合未來造雪條件，模擬了美國247個滑雪場的自然積雪，并對人工造雪條件進行了評估[7]；除此之外，國外許多學者還重點研究了未來氣候條件下滑雪場積雪資源對滑雪季長度的影響[8-9]，而國內對于滑雪場的積雪狀況研究大多建立在對歷史資料數據的分析上，或集中于區(qū)域滑雪的氣候條件評估[10-14]。在以往的研究中，缺乏針對滑雪場未來積雪分布及物候的預測數據集，而本數據集旨在提供張家口賽區(qū)未來積雪物候數據。

本數據集以CMIP6（Coupled Model Intercomparison Project Phase 6）氣候模式預報數據為驅動數據，結合GBEHM（Geomorphology Based Eco-Hydrological Model）寒區(qū)生態(tài)水文模型制備了2021-2050年北京冬奧會張家口賽區(qū)積雪范圍數據和積雪物候數據，本數據集有望為滑雪場提供人工造雪和儲雪的參考，指導未來冬奧賽場建設與運營、積雪資源管理，以及利于開展積雪物候與氣象變化的相關研究。

1 數據采集和處理方法

1.1 研究區(qū)

2022 年北京冬奧會張家口賽區(qū)位于張家口市崇禮區(qū)，地理范圍為 40°52′-41°10′N，115°18′-115°32′E。崇禮區(qū)包括兩大賽區(qū)，分別為云頂滑雪公園和國家跳臺滑雪中心。賽區(qū)位置示意圖見圖1。

該地區(qū)屬于溫帶半濕潤與半干旱氣候，冬季平均氣溫約-12 °C，年降水量約490 mm，降雪充足，年均降雪量為63.5 mm，雪季為11月到次年2月，積雪期可達159 天，積雪深度最大可達1500 mm，滑雪期長達100天左右。賽區(qū)海拔約1160-2175 m，形成山脈縱橫的地貌特征[15]，其獨特的氣候和地形有利于冰雪運動開展[16]。

圖1 北京冬奧會張家口賽區(qū)示意圖Figure 1 The schematic diagram of Zhangjiakou Venue Cluster of the Olympics Winter Games Beijing 2022

1.2 數據源

本數據集基于 GBEHM模型[17-21]結合 CMIP6未來氣候預報數據[22]制備了北京冬奧會張家口賽區(qū)未來三十年的積雪范圍數據，并在此基礎上制作了相應地區(qū)和時間序列下的積雪物候數據。

CMIP6氣候預報數據由世界氣候研究計劃（World Climate Research Programme，WCRP）耦合模擬工作組（Working Group on Coupled Modeling，WGCM）組織生產[22]，在其官方網站https://esgfnode.llnl.gov/search/cmip6可進行參量選擇和下載。GBEHM模型所需的CMIP6氣候預報參量為：下行短波輻射通量、下行長波輻射通量、大氣壓、相對濕度、比濕、降水、氣溫、風速（表1）。

表1 模型所用CMIP6數據參量信息Table 1 CMIP6 data parameter information used in GBEHM

1.3 積雪物候定義

積雪物候是表示積雪動態(tài)變化的重要指標。本研究使用積雪范圍、積雪日數、積雪初日、積雪終日、連續(xù)積雪天數、積雪期長度、積雪物候變化趨勢、積雪物候變化趨勢顯著性等指標進行刻畫。根據以往的研究[23]，各變量可定義如下：

（1）積雪范圍（Snow-Covered Area, SCA）是將識別為雪的柵格數與像元大小的乘積；

（2）積雪日數（Snow-Covered Days, SCD）是在積雪期內積雪深度達到或超過1 cm的日數之和；

（3）積雪初日（Snow Onset Day, SOD）是在一個水文年內（9月1日至次年8月31日）首次連續(xù)5天被記錄為雪的首日對應日期；

（4）積雪終日（Snow End Day, SED）是在一個水文年內（9月1日至次年8月31日）最后連續(xù)5天被記錄為雪的末日對應日期；

（5）連續(xù)積雪天數（Snow Duration Days, SDD）是記錄每個柵格有連續(xù)積雪的天數，本數據從中選取最大值作為該柵格的最大連續(xù)積雪天數；

（6）積雪期長度（Length of Snow Period, SPL）是積雪終日與積雪初日之差，即為：

1.4 數據處理方法

1.4.1 數據預處理

CMIP6氣候預報參量作為模型驅動數據，需降尺度處理成時間分辨率為逐小時，空間分辨率1 km的數據。本文采用統(tǒng)計降尺度方法，具體步驟如下：

（1）大尺度預報因子的選擇：選擇近地表氣溫、近地表風速、下行短波輻射、上行長波輻射、氣壓、降水、比濕、相對濕度作為大尺度預報因子，利用克里金插值方法將所有大尺度預報因子重采樣到1 km的空間分辨率。

（2）建立統(tǒng)計降尺度模型：采用主成分分析方法對大尺度預報因子參量進行降維和濾波處理后，利用線性回歸模型對參量進行迭代回歸訓練，進而建立最優(yōu)的統(tǒng)計降尺度模型。

（3）基于獨立站點觀測的近地表氣溫、近地表風速、下行短波輻射、上行長波輻射、氣壓、降水、比濕、相對濕度對統(tǒng)計降尺度模型進行性能檢驗。

（4）CMIP6降尺度數據生成，將通過檢驗的各參量數據輸入建立的統(tǒng)計降尺度模型，最終得到高質量降尺度預報數據。

1.4.2 數據生產

（1）積雪范圍數據

積雪范圍數據的生產將GBEHM水文模型[17-21]作為基礎，將CMIP6氣候預報參量降尺度結果作為驅動數據，輸入GBEHM模型得到2021-2050年北京冬奧會張家口賽區(qū)逐日的積雪范圍數據產品。GBEHM寒區(qū)生態(tài)水文模型耦合了分布式水文模型GBHM[17]、CoLM[24]和CLM[25]陸面過程模型，并在風吹雪部分、參數標定以及融水徑流追蹤方面做出改進[21]。改進后的GBEHM水文模型充分考慮了積雪的積累和消融過程，能夠較為精準地模擬積雪過程。模型框架如圖2。

圖2 GBEHM水文模型框架Figure 2 Basic framework of GBEHM hydrological model

積雪范圍數據基于模型中積雪聚集-消融過程模塊，其原理為以積雪質能平衡來模擬冰川、積雪、凍土的聚集和消融過程。在GBEHM模型中，積雪能量平衡方程[21]表示為：

式中，Cs是積雪的比熱(J/kg K)，Ts為特定雪層溫度(K)，Tf為水的凍結溫度(K)，z是節(jié)點到達地表的距離(m)，θi為冰的體積分數(m3/m3)，ρi為冰的密度(m3/m3)，Lil為冰的熔化潛熱(J/kg)，Ks為雪的導熱系數(W/K m)，IR為輻射通量(W/m2)。Esur為積雪表面能量交換(W/m2)。

積雪質量平衡方程為：

式中，θ1是液態(tài)水的體積分數(m3/m3)，ρ1是液態(tài)水的密度(m3/m3)，U1是液態(tài)水通量(kg·m-2·s-1)。

（2）積雪物候數據

積雪物候數據的生產是在積雪范圍數據產品的基礎上，根據各個參數的定義在Python程序中逐一實現。積雪日數由各柵格在積雪期的積雪二值數據累加所得；在一個水文年內首次連續(xù)5天發(fā)生降雪時，5天內首日對應的日期賦予柵格，即為積雪初日；積雪終日的生產類似，水文年內末次連續(xù)5天發(fā)生降雪時的最后一天的日期賦予柵格，即可得到積雪終日數據。在一個水文年內將連續(xù)降雪的日數中的最大值賦予柵格即為最大連續(xù)積雪天數數據；積雪期長度數據的生產只需將日期對應的積雪終日和積雪初日數據作差后賦予柵格。

1.4.3 精度檢驗

本數據集利用混淆矩陣來驗證產品的精度，三個驗證指標分別為總體精度（Overall Accuracy，OA）、漏分精度（Omission Error，OE）、多測精度（Commission Error，CE）[23]。混淆矩陣具體如表2：

表2 混淆矩陣Table 2 Confusion matrix

各指標的公式為：

式中，S表示雪，N表示非雪，SS指產品識別為雪的柵格真值也識別為雪，SN指產品識別為雪的柵格真值卻為非雪，NN指產品和真值都識別為非雪，NS指產品識別為非雪但真值為雪。

2 數據樣本描述

本數據集共包括5個部分，分別為：

（1）積雪范圍：共30幅影像，格式為NetCDF，時間分辨率為逐日，空間分辨率為1 km。包括2021-2050年張家口賽區(qū)的積雪范圍數據。命名方式如：zhangjiakou_snow_binary_2050.nc表示張家口賽區(qū)2050年的積雪范圍分布。圖3為張家口賽區(qū)2021年12月1日積雪分布情況。

圖3 2021年12月1日張家口賽區(qū)積雪范圍Figure 3 The snow cover area of Zhangjiakou Venue Cluster on December 1st, 2021

（2）積雪日數：共29幅影像，格式為NetCDF，時間分辨率為日，空間分辨率為1 km。包括各水文年張家口賽區(qū)的積雪日數影像。命名方式如：2049_2050_SCD.nc表示2049年9月1日至2050年8月31日積雪日數總和。其中：2049-2050表示本數據的時間序列為2049年9月1日至2050年8月31日；SCD表示積雪日數。圖4為2049年水文年張家口賽區(qū)累計積雪日數分布。

圖4 2049年水文年張家口賽區(qū)累計積雪日數分布Figure 4 The accumulated snow cover days in Zhangjiakou Venue Cluster in the hydrological year of 2049

（3）積雪初日終日：共58幅影像，格式為NetCDF，時間分辨率為日，空間分辨率1 km。包括積雪初日和積雪終日兩部分，命名方式如：2049_2050_SOD.nc表示賽區(qū)2049年9月1日至2050年8月31日（一個水文年）的積雪初日影像。其中：2049_2050的命名與積雪日數相同；SOD表示積雪初日；SED表示積雪終日。圖5為2049年水文年張家口賽區(qū)積雪初日分布，圖6為2049年水文年張家口賽區(qū)積雪終日分布。

圖5 2049年水文年張家口賽區(qū)積雪初日分布Figure 5 The snow onset day in Zhangjiakou Venue Cluster in the hydrological year of 2049

圖6 2049年水文年張家口賽區(qū)積雪終日分布Figure 6 The snow end Day in Zhangjiakou Venue Cluster in the hydrological year of 2049

（4）最大連續(xù)積雪天數：共29幅影像，格式為NetCDF。包括2021-2050年各水文年張家口賽區(qū)最大連續(xù)積雪天數影像。文件命名方式如：2049_2050_MAX_SDD.nc表示2049年9月1日至2050年8月31日連續(xù)積雪天數最大值分布影像數據。其中：2049_2050的命名與積雪日數相同；MAX_SDD表示最大連續(xù)積雪天數。圖7為2049年水文年張家口賽區(qū)最大連續(xù)積雪天數分布。

圖7 2049年水文年張家口賽區(qū)最大連續(xù)積雪天數分布Figure 7 The maximum snow duration days in Zhangjiakou Venue Cluster in the hydrological year of 2049

（5）積雪期長度：共29幅影像，格式為NetCDF。包括2021-2050年各水文年張家口賽區(qū)積雪期長度影像。命名方式如：2049_2050_SPL.nc表示2049年9月1日至2050年8月31日積雪期長度。其中：2049_2050的命名與積雪日數相同；SPL表示積雪期長度。圖8為2049年水文年張家口賽區(qū)積雪期長度分布。

圖8 2049年水文年張家口賽區(qū)積雪期長度分布Figure 8 The length of snow period in Zhangjiakou Venue Cluster in the hydrological year of 2049

3 數據質量控制和評估

利用SNOMAP算法和Landsat8 OLI影像獲得2021年張家口賽區(qū)積雪范圍二值數據作為參考數據進行質量評估。SNOMAP是Hall[26]等提出的積雪識別算法，在此基礎上WANG等[27]對其進行了改進，改進后的算法在林區(qū)和陰影區(qū)積雪提取精度上有了很大提高，總體分類精度可達97.5%，適用于森林茂密的張家口賽區(qū)。Landsat8 OLI影像的選擇條件為圖像覆蓋張家口賽區(qū)且云量小于10%，最終篩選出滿足條件的六幅影像，對應日期為2021年2月2日、2021年4月7日和23日。

由于驗證數據與積雪范圍數據空間分辨率不一致，為了避免重采樣帶來的誤差，驗證點選取賽區(qū)內氣象站點（兩個賽區(qū)內共22個氣象站，平均海拔1200 m）所在柵格。分別提取積雪范圍產品與驗證數據對應氣象站點的柵格值，3天共有66對數據可用于驗證。檢驗方法使用1.4.3中的混淆矩陣方法，驗證情況如表3所示。

表3 驗證情況Table 3 Verification

4 數據價值

張家口賽區(qū)是2022年北京冬奧會主要競賽場地之一，該地區(qū)積雪物候變化對未來冰雪賽事和賽區(qū)布置有著重要影響。隨著氣候變暖的加劇，積雪、冰川的融化也隨之加劇[1]，過去二十年來張家口賽區(qū)積雪面積呈現下降趨勢，滑雪產業(yè)也受到沖擊，這與冰雪運動日益興起的趨勢不相適應。本數據集則為進一步了解未來張家口賽區(qū)積雪物候變化提供了參考，可為冰雪賽事的開展提供人工降雪量的指導，有助于未來滑雪場的建設、運營與維護。

5 數據使用方法和建議

數據文件夾中為各積雪物侯數據，可根據需要選取參數和相應年份。可使用Panoply、PyNcView等軟件查看數據，本數據集也提供將NetCDF轉為TIFF的代碼，可以在ArcGIS中進行柵格運算以及生成地圖，進行未來積雪物候趨勢分析等操作。本數據集還可以用于氣候響應等相關研究。