张弛
中国科学院地理科学与资源研究所，中国科学院陆地表层格局与模拟重点实验室，北京 100101
30 年长江中下游梅雨降水的水汽来源分布数据。模型物理机制严格，驱动数据均基于实测数据，从而保证了模拟结果的可靠性；降水溯源模拟所追溯的地表蒸散发水汽贡献量与梅雨降水量相当。数据集内容包括：（1）研究区范围；（2）1991–2020 年逐年梅雨季水汽来源数据，空间分辨率为1°×1°（单位：mm）；（3）逐年梅雨季降水量（单位：mm）。数据集存储为.nc、.shp 和.xlsx格式，由9个数据文件组成，数据量为13.1 MB（压缩为1个文件，10.7 MB）。该数据集为探索梅雨区降水主要水汽源地、区域水文内循环、海陆水汽贡献差异以及梅雨变化归因等应用研究提供了重要的数据支持，有望得到广泛应用。
数据可用性声明：本文关联实体数据集已在《全球变化数据仓储电子杂志（中英文）》出版，可获取：https://doi.org/10.3974/geodb.2024.07.04.V1 https://cstr.escience.org.cn/CSTR:20146.11.2024.07.04.V1.
1 前言
梅雨指每年夏初（通常在6–7月）发生在中国东部、日本、韩国等东亚地区的一段持续阴雨天气，这种天气由于恰逢梅子成熟季节而得名[1]。梅雨对区域生态系统和经济发展具有双重影响，从积极方面看，梅雨为农作物生长提供了必要的水分补给，是多个地区重要的水资源补充期。然而，梅雨强度的变化也带来了显著的挑战：过量降水可能导致洪涝灾害，而降水不足则可能引发水资源短缺，进而导致严重干旱。这种降水量的波动对农业（202310490002）
数据引用方式：
张弛长江中下游地区梅雨季降水水汽来源模拟数据集（
33.5°N, 104.5°E
[2] 张弛, 黄金川, 汤秋鸿等
长江中下游地区（
33.5°N, 104.5°E
）梅雨季降水水生产、水资源管理以及整体社会经济系统都产生深远影响[2, 3]。
值得注意的是，梅雨降水的波动与地表蒸发对其内部水输送的强弱直接相关[4]。通过分析降水的蒸发源头以及相应的水汽环流变化，可以更深入地理解梅雨降水波动的机制。这种深入理解不仅能提高我们对梅雨现象的认知，还为未来可能从蒸发源头对梅雨强度进行管理和调控提供了理论基础。基于此，本研究利用数值模型追溯长江中下游梅雨区近30年梅雨季降水的水汽来源，提供了格点尺度地表蒸发源对梅雨贡献的空间分布数据集。该数据集的应用价值包括但不限于①确定梅雨降水的主要水汽源地；②分析主要边界的年际波动；③探究干旱与洪涝时期降水来源的差异等。
2 数据集元数据简介
《长江中下游地区（
）梅雨季降水水汽来源模拟数据集（1991–2020）》[5]的名称、作者、地理区域、数据年代、时间分辨率、空间分辨率、数据集组成、数据出版与共享服务平台、数据共享政策等信息见表1。
表1 《长江中下游地区（26.5°N–33.5°N，104.5°E–122.5°E）梅雨季降水水汽来源模拟数据集（1991‒2020）》元数据简表
条目描述
长江中下游地区（26.5°N–33.5°N，104.5°E–122.5°E）梅雨季降水水汽来源模拟数据集数据集名称 （1991–2020）
数据集短名 PrecSourceMLYangtzeRiver1991-2020
作者信息张弛,中国科学院地理科学与资源研究所, zhangchi@igsnrr.ac.cn
黄金川, 中国科学院地理科学与资源研究所, huangjc@igsnrr.ac.cn
汤秋鸿, 中国科学院地理科学与资源研究所, tangqh@igsnrr.ac.cn
徐锡蒙, 中国科学院地理科学与资源研究所, xuxm@igsnrr.ac.cn
Gaffney, Paul P. J., 中国科学院地理科学与资源研究所, gafppj@igsnrr.ac.cn
周园园, 中国科学院地理科学与资源研究所, zhouyy@igsnrr.ac.cn
地理区域长江中下游地区
数据年代 1991–2020 年
时间分辨率年
空间分辨率1°×1°
数据格式 .nc, .xlsx, .shp
数据量 10.7 MB（压缩后）
数据集组成长江中下游梅雨区位置、梅雨年降水量、梅雨降水水汽来源
地址北京市朝阳区大屯路甲11 号100101，中国科学院地理科学与资源研究所
数据共享政策 （1）“数据”以最便利的方式通过互联网系统免费向全社会开放，用户免费浏览、免费下载；（2）最终用户使用“数据”需要按照引用格式在参考文献或适当的位置标注数据来源；（3）增值服务用户或以任何形式散发和传播（包括通过计算机服务器）“数据”的用户需要与《全球变化数据学报（中英文）》编辑部签署书面协议，获得许可；（4）摘取“数据”中的部分记录创作新数据的作者需要遵循10%引用原则，即从本数据集中摘取的数据记录少于新数据集总记录量的10%，同时需要对摘取的数据记录标注数据来源[6]数据和论文检索系统DOI，CSTR，Crossref，DCI，CSCD，CNKI，SciEngine，WDS，GEOSS，PubScholar，CKRSC
3 数据研发方法
3.1 数据来源
模型需要选择合适的驱动数据，共需要两大类数据，分别为大气数据和地表通量数据。大气数据使用欧洲气象中心新一代的再分析资料ERA5[7]，其包括全球200–1,000 hPa 共23个气压层逐小时风速、大气湿度，逐小时地表大气压、大气可降水、水平水汽通量；空间分辨率为
。地表数据包括地表蒸散发和降水，陆地蒸散发使用GLEAM（V3.5a）数据集的总蒸散发量[8]；该数据基于遥感反演算法，已有多个研究证实相对其它陆表蒸散发产品更准确[9, 10]。所使用GLEAM 数据为月尺度数据，空间分辨率0.25°×0.25°。降水采用CN05.1产品[11]，这是中国气象局出品的一个基于站点实测资料进行插值的降水产品，在我国被广泛使用。所使用CN05.1数据为月尺度数据，空间分辨率0.25°×0.25°。此外，使用ERA5 逐小时的全球降水和蒸发数据，尽管这部分数据在陆表误差很大[4]，但其包含了日内变化信息，通过GLEAM 和CN05.1月尺度数据进行校正，可以获得高时间分辨率，同时月值与观测数据吻合的地表通量数据。
3.2 数据预处理
WAM2layers 模型是一个两层模型，需要对原先的大气层进行分割。依据模型设置[12]，模型切割的气压层为：
式中，Pdiv 为气压随地表大气压Psurf 动态变化。在Psurf = 1,013.25 hPa 时，分层气压为812.83hPa。应用式(1)计算得到当前格点的分层气压，然后在选取23 个气压层里选择离分层气压最近的标准气压层，以该层作为垂直分界，再分别积分计算该层上至大气层顶和下至地表的大气可降水量、水汽通量。
所有的数据都需要转换成模型输入所需要的时空分辨率，即
分钟步长。对于逐小时的大气瞬变量数据，如大气可降水量、水汽通量，逐小时采用线性插值的方法，获得逐15 分钟的对应数据。对于逐小时的累积通量数据，如蒸发、降水，则采用时段平均的方法获得逐15 分钟的数据。
CN05.1降水和GLEAM 蒸散发格点大小均为0.25°×0.25°，在转换时先采用空间叠加的方法，将落入
格点中所有0.25°格点值进行加权平均，从而得到代表
格点的降水/蒸发值。将其与ERA5 的降水和蒸发月值分别进行对比，对于每个格点每月便得到放缩参数μ，将ERA5 在该格点该月逐小时数据乘以参数μ，再平均到15 分钟尺度，便得到校正后的月值与CN05.1和GLEAM 数据相符的高时间精度数据。
3.3 模型算法原理
WAM2layers 水汽追踪模型是一种欧拉坐标体系数值模式，水汽追踪即跟踪标记水体在上下层格点中的自由流动过程，其降水溯源算法过程如下：
如同考虑降水的逆过程，目标区（即长江中下游梅雨区）某特定时间段的降水p0 作为标记水汽重新返回大气，并逆着时间轴和水汽输送方向回流。p0 进入大气时有一个分配规则，即上下层的分配水汽量依据格点气柱上下层的大气可降水量（Wup 和Wdown）按比例进行分配。进入大气后，如扩散一样，标记水汽通过水平和垂直方向的水汽输送不断进入周边格点，并与所在气层的水汽充分混合。在特定时间点，如在格点A处有一蒸发为e，此时低层大气标记水汽占低层总水汽的比例为r，此即意味着A点进入低层的蒸发水汽e中必然有e×r的水汽最终会形成目标区的直接降水，这部分水汽便被锁定为格点A对梅雨区的直接降水贡献，被成功溯源，而低层标记水汽则需要减去这部分水汽，继续其“再循环”过程，直至所有标记水汽接近全部被溯源为止[13, 14]。
3.4 数据后处理
如前文算法所述，任一时间步长中的蒸发e中必然有e×r的水汽最终会形成目标区的直接降水，算法如式(2)：
式中，Wr_down/Wdown 即表示低层大气中的标记水汽含量占比r。通过对所有的e×r积分求和便得到格点尺度蒸发源在整个梅雨季对梅雨区降水的水汽贡献：
(3)
3.5 技术路线
综上，本数据集研发技术路线如图 1所示。
4 数据结果与验证
4.1 数据集组成
数据集共9个数据文件，包括长江中下游梅雨区的位置文件（shp 格式），该区域1991–2020 年每年梅雨季的降水量（.xlsx 格式），以及每年梅雨降水所对应的水汽来源（空间分辨率
格式）。
4.2 数据结果
长江中下游梅雨区按
格点大小统计共116 个格点，面积约占1.24e+12 m2，平均降水为413.9±70.0 mm，最低降水为2001 年321.2 mm，最多降水为2020 年636.9 mm。每隔约10 年依次展示第1、11、21 和30 年梅雨降水的溯源结果如图 2所示。简单观察可发现，梅雨区降水主要来自西南方向至印度洋源区和东南方向至热带太平洋源区，不同年份间存在较大波动。
4.3 数据结果验证
WAM2layers 受严格的物理过程约束，且经过模型对比验证[15]，在水汽追踪模拟方面可信度高且应用广泛。对于特定的应用案例，一方面需要考虑选取合适的驱动数据，以降低输入数据所带来的不确定性；另一方面，需要验证模型是否运转正常，即验证研究区的降水是否已基本被追溯到地表蒸发源上。通过累积各个格点源对梅雨降水的贡献，与梅雨降水总量进行对比，结果如图 3所示，30 年内平均追踪了约98.9%的梅雨降水，其中2019 年追踪的比例最低，约为98.5%，可见绝大部分降水都已被有效识别和归置到地表蒸发源上了。
5 讨论和总结
本研究通过数值模型WAM2Layers 追溯了长江中下游地区近30 年梅雨季降水的水汽来源, 提供了格点尺度地表蒸发源对梅雨贡献的空间分布数据集。该数据集使用多源观测数据作为模型输入，包括CN05.1观测降水、GLEAM 遥感蒸散发数据和ERA5 再分析资料等，模拟基于严格的物理过程和水量平衡方程，在15 分钟时间尺度上进行计算，最终提供1°×1°空间分辨率全球网格水汽贡献数据，追踪降水比率高达98.9%，可信度高。
本质上，该数据集实现了一种创新性的数据转换，即将梅雨区降水转化为地表蒸发源的水汽贡献量，为解释梅雨降水变化提供了新的视角。初步分析表明，在2001 年干旱年，梅雨区降水主要来源于其西南方向的印度洋和南部我国南海区域。相比之下，2020 年强梅雨期间，热带太平洋地区提供了显著的水汽增量，成为降水的一个重要来源（图 2）。该数据集为探索梅雨区降水的主要水汽源区及源区边界波动、海陆水汽贡献差异、长江中下游地区水文内外循环差异及其变化等方面研究提供了数据支持。未来研究可进一步结合陆表水汽源区的土地利用变化等数据，深入解析蒸发源水汽贡献的变化机制，从而更全面地探究梅雨降水变化的内在动力学过程。这种多角度、多尺度的研究方法将有助于提高我们对区域水循环过程的理解，为气候变化背景下的水资源管理和防灾减灾提供科学依据。
利益冲突声明：本研究不存在研究者以及与公开研究成果有关的利益冲突。
tropical SST anomalies [J]. Advances in Atmospheric Sciences, 2021, 38(12): 1980–1993.
Valley record-breaking Mei-yu rainfall [J]. Advances in Atmospheric Sciences, 2021, 38: 2125–2136.877–882.
Meiyu-flood events in the Yangtze River Valley [J]. Weather and Climate Extremes, 2024, 43: 100644.https:// doi.org/10.1016/j.wace.2024.100644.
模拟数据集（1 9 9 1 – 2 0 2 0 ）[ J / D B / O L ] . 全球变化数据仓储电子杂志,2024. https://doi.org/10.3974/geodb.2024.07.04.V1. https://cstr.escience.org.cn/CSTR:20146.11.2024.07.04.V1.
policy.2014.05 (2017 年更新).
Meteorological Society, 2020, 146(730): 1999–2049.
soil moisture [J]. Geoscientific Model Development, 2017, 10(5): 1903–1925.
the widespread greening of Earth [J]. Science, 2017, 356(6343): 1180–1184.
terrestrial and atmospheric water balances and multisource remote sensing [J]. Water Resources Research,2019, 55(11): 8608–8630.
56(4): 1102–1111.
tion in the hydrological cycle–Part 2: Moisture recycling [J]. Earth System Dynamics, 2014, 5(2): 471–489.teau [J]. Journal of Climate, 2017, 30(5): 1807–1819. https://doi.org/10.1175/JCLI-D-15-0842.1.
over the northern and southern Tibetan Plateau [J]. Journal of Hydrometeorology, 2019, 20(2): 217–229.https://doi.org/10.1175/JHM-D-18-0094.1.
moisture recycling and atmospheric moisture tracking? [J]. Hydrology and Earth System Sciences, 2013,17(12): 4869–4884.