陆面作为地球系统中重要的组成部分,与大气进行着物质和能量交换,陆面状况的变化对大气和气候有重要影响(成璐等,2014;高路和郝璐,2014;高志刚等,2015;孙帅等,2017)。在20世纪90年代,越来越多人重视陆面同化的研究(麻巨慧等,2011;闵锦忠等,2016),比较成熟的陆面数据同化系统主要有美国的全球陆面数据同化系统(GLDAS)、北美陆面数据同化系统(NLDAS)、欧洲陆面数据同化系统(ELDAS)、美国高分辨率陆面数据同化系统(HRLDAS)、韩国陆面数据同化系统(KLDAS)、中国西部陆面数据同化系统、中国气象局陆面数据同化系统(CLDAS)等。CLDAS是我国陆面数据同化系统领域唯一实时运行的业务系统,利用融合与同化技术,对地面观测、卫星观测、数值模式产品等多种来源数据进行融合,输出包括气温、气压、比湿、风速、降水、太阳短波辐射、土壤湿度等高时空分辨率的陆面驱动产品,应用于农业干旱监测、山洪地质灾害气象服务、气候系统模式评估、空间细网格实况数据服务等业务。为CLDAS陆面驱动产品应用提供参考,许多学者做了有关评估分析与研究(朱智和师春香,2014;孙小龙等,2015;崔园园等,2018;刘欢欢等,2018)。例如李显风等(2017)建立了CLDAS数据质量在线评估系统,采用相关系数、均方根误差、相对偏差和平均偏差等统计指标,实现了对任意站点及省份、任意时段范围、不同土壤层次的土壤湿度的评估分析。师春香等(2018)通过CLDAS土壤湿度与自动土壤水分观测站的逐小时观测值进行对比,分析中国区域的平均土壤湿度时间变化特点,发现模拟值与观测值非常接近,能很好地模拟各研究区土壤湿度的时间变化,但对于冻土融化时东北地区的土壤湿度存在轻微的低估。韩帅等(2017)通过自动土壤水分观测站实况数据、青藏高原试验观测数据及国际同类产品对CLDAS土壤湿度模拟结果进行评估,发现CLDAS模拟结果更优。刘志雄等(2017)以湖北为研究区域,在对CLDAS的土壤湿度数据进行评估的基础上,研究CLDAS的油菜渍害监测方法,与油菜观测站点产量资料进行相关分析,建立了基于CLDAS油菜渍害监测方法。但CLDAS气温数据在中国区域适用性评估案例尚且不多。气温(韩翠华等,2013;蒋帅等,2017;任晨辰等,2017;赵滨和张博,2018)是气候变化关注的焦点,与人类衣食住行、工业生产、农业及生态系统等关系密切,所以本文利用2017年10月、2018年1、4、7月中国48 708个地面气象自动站逐小时气温数据,对比CLDAS气温数据,分析两类数据的相关性和偏差,评估了CLDAS气温的可信性和适用性。该研究可为CLDAS气温数据在中国区域的应用提供参考。

1 资料

本文研究采用“CLDAS大气驱动场产品V2.0”2m气温数据、地面气象自动站观测数据,下文分别简称为“CLDAS气温”、“站点气温”。数据来源于国家气象信息中心。

CLDAS气温数据,覆盖亚洲区域(60°~160°E,0°~65°N),空间分辨率为0.062 5°×0.062 5°,时间分辨率为1h。该数据集是以ECMWF数值分析/预报产品为背景场,中国区域内采用地形调整、多重网格变分技术(STMAS)融合地面自动站观测数据(考核站),并插值到分析格点而形成。文中使用的是CLDAS气温近实时产品,更新滞后2d。

站点气温数据,中国范围内48 708个地面气象自动站逐小时气温数据,该数据经过了气候界限值检查、要素允许范围值检查、时间一致性检查、空间一致性检查和质控综合判断等质量控制。观测站点主要分布在中东部地区,青藏高原西部和新疆南部地区观测站点稀少(图1)。为排除缺测站点对评估结果的影响,只将有观测值且数据完整性高的站点(或时次)与CLDAS数据进行对比检验。

由于气温要素受季节变化和区域差异影响显著,为了在研究中与不同季节、区域的两类数据进行对比,选取了中国区域内2017年10月、2018年1、4、7月(分别代表秋季、冬季、春季、夏季)共4个月的CLDAS气温数据、站点气温数据作为研究对象。参考文献(韩翠华等,2013)根据地形和气候特征将我国划分为8个区域,区域1~8分别为西北、西藏、云南、四川、华南、江淮、东北、华北(图1),分析各区域内CLDAS和站点气温的相关性和偏差。

2 方法

将CLDAS气温数据插值为与站点相同经纬度位置上的数据,并将站点气温数据作为真值来评估检验。为充分检验评估CLDAS气温数据,科学评价站点气温数据对CLDAS融合结果的影响(李显风等,2020),分别选取全国地面自动站观测32 552个考核站和12 043个非考核站作为检验站点,因非考核站不参与CLDAS融合分析,非考核站的检验方式为独立性检验,而考核站的检验方式为非独立性检验。

通过计算站点上站点气温与CLDAS气温在各月时间序列下的平均偏差(Bias)、相关系数(R)、均方根误差(RMSE)、平均绝对误差(MAE)等评估指标,非独立性检验、独立性检验分析评估CLDAS气温数据在中国区域的适用性。

2.1 插值方法

采用双线性插值法将CLDAS气温数据插值到观测站点。该方法是先纬向后经向,或先经向后纬向上进行一元一次线性插值。插值公式如下:

首先在纬向x进行线性插值,得到

$\begin{array}{c}f\left(T_1\right)\approx \frac{x_2-x}{x_2-x_1}f\left(Q_{11}\right)+\frac{x-x_1}{x_2-x_1}f\left(Q_{21}\right);\\ f\left(T_2\right)\approx \frac{x_2-x}{x_2-x_1}f\left(Q_{12}\right)+\frac{x-x_1}{x_2-x_1}f\left(Q_{22}\right)\end{array}$

然后在经向y进行线性插值,得到

$f\left(T\right)\approx \frac{y_2-y}{y_2-y_1}f\left(T_1\right)+\frac{y-y_1}{y_2-y_1}f\left(T_2\right)$

这样就得到所要的结果

$\begin{array}{c}f(x,y)\approx \frac{f\left(Q_{11}\right)}{\left(x_2-x_1\right)\left(y_2-y_1\right)}\left(x_2-x\right)\left(y_2-y\right)+\\ \frac{f\left(Q_{21}\right)}{\left(x_2-x_1\right)\left(y_2-y_1\right)}\left(x-x_1\right)\left(y_2-y\right)+\\ \frac{f\left(Q_{12}\right)}{\left(x_2-x_1\right)\left(y_2-y_1\right)}\left(x_2-x\right)\left(y-y_1\right)+\\ \frac{f\left(Q_{22}\right)}{\left(x_2-x_1\right)\left(y_2-y_1\right)}\left(x-x_1\right)\left(y-y_1\right)\end{array}$

式中:$Q_{11}=\left(x_1,y_1\right),Q_{12}=\left(x_1,y_2\right),Q_{21}=\left(x_2,y_1\right),Q_{22}=\left(x_2,y_2\right)$分别为相邻的4个网格点;f(Q₁₁)、f(Q₁₂)、f(Q₂₁)、f(Q₂₂)分别为对应网格点的变量值;f(T₁)、f(T₂)分别是T₁=(x,y₁)纬度、T₂=(x,y₂)经度上的一次线性插值结果,f(x,y)是插值所得的站点变量值。

2.2 评估指标

采用评估指标包括平均偏差(Bias)、相关系数(R)、均方根误差(RMSE)、平均绝对误差(MAE),计算公式如下:

$\begin{array}{c}{B}_{\text{ias}}=\frac{1}{n}\sum _{i=1}^n\left(x_i-y_i\right);\\ R=\frac{\sum _{i=1}^n\left(x_i-\stackrel{-}{x}\right)\left(y_i-\stackrel{-}{y}\right)}{\sqrt{\sum _{i=1}^n{\left(x_i-\stackrel{-}{x}\right)}^2\sum _{i=1}^n{\left(y_i-\stackrel{-}{y}\right)}^2}};\\ E_{\mathrm{R}\mathrm{M}\mathrm{S}}=\sqrt{\frac{\sum _{i=1}^n{\left(x_i-y_i\right)}^2}{n}};\\ E_{\mathrm{M}\mathrm{A}}=\frac{1}{n}\sum _{i=1}^n\left|x_i-y_i\right|\end{array}$

式中:n为匹配样本总数;x_i为被检验数据值;y_i为检验源数据值; $\stackrel{-}{x}$和$\stackrel{-}{y}$分别为被检验数据和检验源数据的平均值。

3 结果分析

3.1 相关性

CLDAS与站点气温数据相关性高,非独立性检验、独立性检验平均相关系数分别为0.995、0.991。图2a为CLDAS与站点气温数据相关性的站点数统计,48 708个站点中相关系数高于0.99的站点有41 936个,占总站数的86.1%;相关系数低于0.98的站点有1 174个,仅占总站数的2.4%。说明CLDAS能很好地反映大多数站点的气温变化。

图2b、2c分别展示了我国不同季节和区域CLDAS与站点气温数据的相关性。春季(2018年4月)相关性最高,非独立性检验、独立性检验平均相关系数分别为0.987、0.978;秋季(2017年10月)次之,分别为0.984、0.975;冬季(2018年1月)分别为0.98、0.968;夏季(2018年7月)分别为0.971、0.963。中国范围8个区域CLDAS与站点气温数据,非独立性检验相关系数达到0.960~0.989,独立性检验相关系数达到0.922~0.982;区域5~区域8相关性高于区域1~4,非独立性检验中,东北地区(区域7)相关性最高为0.989,云南地区(区域3)相关性最低为0.960;独立性检验区域7相关性最高为0.982,区域2相关性最低为0.922。

3.2 偏差

图3、图4分别统计了不同季节和区域CLADS与站点气温数据Bias、RMSE和MAE。CLDAS与站点气温数据平均偏差(Bias)为-0.011℃,秋季、冬季、春季Bias均为正值,分别为0.018、0.002、0.005℃,夏季偏差最大为-0.068℃。区域1、区域2、区域4、区域6的Bias均为负值,而其他区域Bias均为正值,说明西北、西南、江淮地区平均气温低于站点观测值,东北、华北、华南地区平均气温高于站点观测值;东北、华北、江淮、华南地区(区域5~8)Bias分别为0.025、-0.001、0.01、0.027℃,偏差小于西北、西南地区(区域1~4)。

通过非独立性检验均方根误差(RMSE)和平均绝对误差(MAE)分别1.275、1.645℃,独立性检验RMSE、MAE分别为0.867、1.089℃,区域1~4的RMSE和MAE均高于其平均值。非独立性检验中,秋季的RMSE、MAE均为最小,分别为1.131、0.789℃;春季次之,分别为1.227、0.861℃;冬季分别为1.255、0.869℃;夏季最大,分别为1.458、0.949℃;区域7的RMSE、MAE均为最小,分别为1.031、0.713℃;区域2的RMSE最大为2.246℃,区域1的MAE最大为1.412℃。独立性检验中,秋季的RMSE、MAE均为最小,分别为1.562、1.050℃;春季次之,分别为1.647、1.112℃;夏季分别为1.635、1.051℃;冬季最大,分别为1.728、1.142℃;区域5的RMSE最小为1.564℃;区域6的MAE最小为0.771℃;区域2的RMSE、MAE均为最大,分别为4.413、3.160℃。可以看出,春季、秋季的偏差小于夏季、冬季,东北、华北、江淮、华南地区偏差小于西北、西南地区。

图5为CLDAS与站点气温数据偏差的站点统计,总体偏差范围在-6~6℃。偏差为负值表示CLDAS低于站点观测值,即CLDAS出现了冷偏差;反之,偏差为正值表示CLDAS出现了暖偏差。48 708个站点中出现冷偏差、暖偏差的站点分别为23 983个、24 725个,各占总站点数的一半;41 202个站点的冷偏差或暖偏差在1℃内,占总站点数的84.6%,其可信度高;219个站点的冷偏差或暖偏差大于5℃,占总站点数的0.4%,其可信度低。图6a、6b分别为CLDAS与站点气温数据冷偏差、暖偏差的空间分布,可见冷偏差和暖偏差空间分布均匀且一致性好。

3.3 极值误差

最高、最低气温反映了气候冷暖变化程度,是判断极端气候事件强度的重要指标。在气候极值变化研究中多采用阈值进行分析,超过阈值的值被认为是极值(王海军等,2008;卢冰等,2017)。利用2017年10月、2018年1、4、7月CLDAS与站点气温数据,分别计算各月气温1~99.9分位数的差值,分析气温极值的误差特征。从图7看出,各月CLDAS与站点气温分位数差值分布均呈现同一变化趋势,偏差由中位分别向低位和高位逐渐增大,越接近第1百分位数趋于正值,接近第99.9百分位数趋于负值;夏季百分位数差值在高位上增幅较为显著,秋季、冬季、春季变幅基本一致平缓。结果表明,CLDAS对最高气温冷偏差,最大偏差达到-0.20~-0.59℃,最低气温暖偏差,最大偏差达到0.11~0.15℃;夏季最高气温误差最大为-0.59℃。

3.4 偏差日变化特征

图8展示了各季节CLDAS与站点气温平均偏差的日变化特征。由图可见,CLDAS与站点气温平均偏差日变化在-0.23~0.07℃,白天呈冷偏差,日出后随时间推移偏差逐渐增大,秋季、冬季、春季、夏季分别在北京时(下同)12时、10时30分、10时30分、15时冷偏差达到最大,随后偏差逐渐减小,直到日落后偏差开始为正值且逐渐增大,整个夜间呈现暖偏差,秋季、冬季、春季、夏季分别在19时、19时、20时、21时暖偏差达到最大,随后偏差又逐渐减小直到日出。总体上,夏季平均偏差日变化较为显著,偏差日较差为0.26℃,其次春季偏差日较差为0.14℃,秋季、冬季偏差日较差分别为0.08、0.07℃。

从图9各季节8个区域CLDAS与站点气温平均偏差的日变化曲线中看到,各区域基本呈现了相似的偏差日变化规律,大部分区域出现了一个峰值或一个谷值,随着日出、日落时间推移偏差按照一定规律逐渐增大或减小。秋季平均偏差日变化范围在-0.05~0.40℃,区域2变幅最大为0.20℃,区域3次之变幅为0.18℃,变幅最小出现在区域6为0.02℃;冬季平均偏差日变化在-0.06~0.36℃,区域3变幅最大为0.31℃,区域6变幅最小为0.02℃;春季平均偏差日变化在-0.12~0.36℃,区域3变幅最大为0.27℃,区域7变幅最小为0.06℃;夏季平均偏差日变化在-0.55~0.51℃,区域4变幅最大为0.46℃,区域6变幅最小为0.18℃。全国8个区域夏季平均偏差日变化最大为1.06℃,秋季、冬季、春季变幅相似,分别为0.45、0.42、0.48℃;云南(区域3)、西藏(区域2)地区平均偏差日变化最大,江淮地区(区域6)日变化最小。

4 结论

利用我国48 708个地面气象自动站逐小时气温数据,采用不同的评估指标和方法,对比分析了2017年10月、2018年1月、2018年4月、2018年7月近实时CLDAS气温数据在我国8个区域的表现,评估结果如下:

1)CLDAS气温数据较好地反映了我国气温年际变化,非独立性检验、独立性检验与站点气温平均相关系数分别为0.995、0.991,41 936个站点(86.1%)的相关性超过了0.99;秋季相关性最高,非独立性检验、独立性检验相关系数分别为0.987、0.978,夏季相关性最低,相关系数分别为0.971、0.963;全国8个区域气温数据,非独立性检验相关系数达到0.960~0.989,独立性检验相关系数达到0.922~0.982,东北地区相关性最高,云南地区相关性最低。

2)CLDAS与站点气温数据Bias为-0.011℃,非独立性检验RMSE和MAE分别1.275℃、1.645℃,独立性检验RMSE、MAE分别为0.867℃、1.089℃;春季、秋季的偏差小于夏季、冬季,东北、华北、江淮、华南地区偏差小于西北、西南地区。CLDAS气温总体偏差范围在-6~6℃,41 202个站点(84.6%)的冷偏差或暖偏差在1℃内,总体上CLDAS气温误差小,可信度较高。冷偏差和暖偏差空间分布均匀且一致性好。

3)CLDAS对最高气温冷偏差,最大偏差达到-0.20~-0.59℃,最低气温暖偏差,最大偏差达到0.11~0.15℃;夏季最高气温误差最大为-0.59℃。

4)CLDAS平均偏差日变化在-0.23~0.07℃,白天呈冷偏差,日出后随时间推移偏差逐渐增大,秋季、冬季、春季、夏季分别在12时、10时30分、10时30分、15时冷偏差达到最大,随后偏差逐渐减小,直到日落后偏差开始为正值且逐渐增大,整个夜间呈现暖偏差,秋季、冬季、春季、夏季分别在19时、19时、20时、21时暖偏差达到最大,随后偏差又逐渐减小直到日出。全国8个区域夏季平均偏差日变化最大为1.06℃,秋季、冬季、春季变幅相似,分别为0.45℃、0.42℃、0.48℃;云南、西藏地区平均偏差日变化最大,江淮地区日变化最小。

CLDAS气温数据在中国区域整体上具有较高的可信度,春季、秋季的偏差小于夏季、冬季,东北、华北、江淮、华南地区偏差小于西北、西南地区,存在高温偏低、低温偏高的现象,极端气候事件发生强度的刻画与站点观测存在一定差异。夏季局地强对流天气、冬季冷空气活动事件发生时气温空间差异较大,CLDAS气温数据刻画该类事件还不够精细;西北、西南地区地形复杂、海拔高,CLDAS融合分析采用了地形调整,可考虑坡度、坡向对气温的影响。

参考文献