土壤湿度是地球气候系统中的一个关键变量，在水循环中发挥着至关重要的作用。大气常常表现出快速且随机的变化，而土壤湿度可以保留过去的大气异常并通过相对大气更缓慢的变化来延长过去天气气候事件的影响，称为土壤湿度记忆性（SMM）。与海洋类似，土壤湿度因其记忆性和对大气的影响能够为天气和气候预测提供可预测性，是次季节至季节预测的潜在预测因子。同时，SMM与干旱和洪涝的持续性直接相关，具有重要的现实意义。然而，由于数据间的误差及评估指标的不一致使得对SMM时空特征的研究目前仍存在较大的不确定性。基于此，NUIST陆气相互作用团队魏江峰教授及研究生宋仁杰基于GLEAM、ERA5、GLDAS和MERRA-2等数据集，结合滞后自相关时间尺度（LAG）、干/湿异常持续时间（DRY/WET）及降水存储百分比（STORE）四个指标分析了1980-2022年北半球暖季地表和根区SMM的时空特征，相关成果近日发表于《Climate Dynamics》。主要发现如下：

1. 不同数据集和不同指标的SMM空间分布特征

比较不同指标得到的地表SMM的空间分布发现，四个指标呈现了较高的空间一致性，即均呈现出干旱区SMM较强、湿润区SMM较弱的特征（图1）。部分区域（如亚马逊、东非、中亚）受降水数据质量及指标特性差异影响，SMM一致性较低。

图 1 基于多套数据集平均的地表分区SMM平均百分位分布。四个象限分别代表四种评估指标（LAG、DRY、WET 、STORE），红色（蓝色）表示高（低）SMM水平

比较不同数据集、不同评估指标得到的SMM的空间分布发现，尽管不同数据集得到的SMM的空间分布大体相似，但MERRA-2与其他数据集展现了较低的空间相关，而GLDAS的两个版本（使用同一陆面模式）展现了较高的空间相关（图2a）。WET和DRY指标得到的SMM空间相关很高，而STORE与其他指标的空间相关性最低，可能是因为STORE计算方法的独特性。

图 2 不同数据集、不同评估指标得到的平均土壤湿度记忆性（SMM）的空间相关系数。（a）基于各数据集四种指标的平均SMM值（归一化至0-1范围后取均值）计算；（b）基于各指标在五套数据集中的平均SMM值计算

2. 影响SMM时空特征的主要因素

分析SMM的分布特征与局地干燥指数（Aridity index, AI）的关系发现，地表SMM随AI增加而递减（图3b），且两者进行对数变换后关系趋于线性（图3c）。干旱区稀少的降水使土壤水分主要通过缓慢的蒸发过程耗散，异常信号持续更久；而湿润区频繁的降水事件会快速调节土壤湿度，缩短异常持续时间。

图 3 （a）基于CRU数据（1980—2020年）的平均干燥指数（AI）的空间分布（AI<0.05的区域没有填色，不参与分析）；（b）不同气候区中各数据集平均土壤湿度记忆性（SMM）的对比（小提琴图中的水平线自上而下分别表示最大、中位数和最小的SMM值）；（c）各数据集平均SMM与AI之间的逐点对数关系（气候区以灰色竖线划分）

所有指标一致表明，对全球平均而言，当降水偏少时，SMM往往更强（图4b），而Oceanic Niño Index（ONI）与全球平均降水异常呈显著负相关，热带地区尤为突出（图4a）。这表明ENSO对热带乃至全球降水的调控作用会对SMM产生影响，导致El Niño年全球SMM总体强于La Niña年（见文章）。除了平均降水和干湿状态，降水频率和强度、土壤质地等也会影响SMM，值得进一步研究。

图 4 (a) 4-9月Oceanic Niño Index（ONI）与全球陆地平均降水异常的关系（右边嵌柱状图显示ONI与不同纬度带陆面平均降水异常的相关系数，星号表示通过95%置信度检验）；(b) 全球平均降水异常与不同指标计算的全球平均SMM的关系

参考文献：

Wei, J., Song, R. (2025). Spatiotemporal characteristics of soil moisture memory: an integrated analysis using multiple metrics and datasets. Climate Dynamics, 63, 228 https://doi.org/10.1007/s00382-025-07707-7