APP下载

CLDAS气温数据在中国区域的适用性评估

2021-08-31刘莹师春香王海军韩帅

大气科学学报 2021年4期
关键词:相关系数偏差气温

刘莹 师春香 王海军 韩帅

摘要 以中国48 708个地面气象自动站逐小时气温数据为基础,采用平均偏差(Bias)、相关系数、均方根误差(RMSE)、平均绝对误差(MAE)等评估指标,对比分析2017年10月、2018年1月、4月、7月CLDAS-V2.0气温(分辨率为0.062 5°),探讨中国8个分区春、夏、秋、冬4个季节CLDAS与站点气温的相关性及偏差分布特征。结果表明:1)CLDAS气温较好地反映了中国气温的年际变化,非独立性检验、独立性检验与站点气温的平均相关系数分别为0.995、0.991,东北地区相关性最高,西南地区相关性最低。2)CLDAS与站点气温的Bias为-0.011 ℃,非独立性检验的RMSE、MAE分别为1.275、1.645 ℃,独立性检验的RMSE、MAE分别为0.867、1.089 ℃,总体上CLDAS气温误差小,可信度较高。3)春、秋季的偏差小于夏、冬季;东北、华北、江淮、华南地区的偏差小于西北、西南地区;84.6%站的冷偏差或暖偏差在1 ℃内,冷暖偏差空间分布均匀。4)CLDAS的最高气温存在冷偏差,最低气温存在暖偏差,夏季最高气温的最大误差为-0.59 ℃。5)CLDAS平均偏差的日变化为-0.23~0.07 ℃,白天呈冷偏差,夜间呈暖偏差,夏季平均偏差的日变化较显著,偏差的日较差为0.26 ℃;全国8个分区夏季平均偏差日变化最大为1.06 ℃,秋、冬、春季变幅相似,西南地区平均偏差日变化最大而江淮地区最小。

关键词 CLDAS; 气温; 相关系数; 偏差; 日变化

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濕度时间变化特点,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”2 m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1 h。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2 d。

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

f(T1)≈x2-xx2-x1f(Q11)+x-x1x2-x1f(Q21);

f(T2)≈x2-xx2-x1f(Q12)+x-x1x2-x1f(Q22)。

然后在经向y进行线性插值,得到

f(T)≈y2-yy2-y1f(T1)+y-y1y2-y1f(T2)。

这样就得到所要的结果

f(x,y)≈f(Q11)(x2-x1)(y2-y1)(x2-x)(y2-y)+ f(Q21)(x2-x1)(y2-y1)(x-x1)(y2-y)+ f(Q12)(x2-x1)(y2-y1)(x2-x)(y-y1)+ f(Q22)(x2-x1)(y2-y1)(x-x1)(y-y1)。

式中:Q11=(x1,y1),Q12=(x1,y2),Q21=(x2,y1),Q22=(x2,y2)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:

Bias=1n∑ni=1(xi-yi);

R=∑ni=1(xi-)(yi-)∑ni=1(xi-)2∑ni=1(yi-)2;

ERMS=∑ni=1(xi-yi)2n;

EMA=1n∑ni=1|xi-yi|。

式中:n为匹配样本总数;xi为被检验数据值;yi为检验源数据值;和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%;相關系数低于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。從图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(References)

成璐,沈润平,师春香,等,2014.CMORPH和TRMM 3B42降水估计产品的评估检验[J].气象,40(11):1372-1379. Cheng L,Shen R P,Shi C X,et al.,2014.Evaluation and verification of CMORPH and TRMM 3B42 Precipitation estimation products[J].Meteor Mon,40(11):1372-1379.(in Chinese).

崔园园,覃军,敬文琪,等,2018.GLDAS和CLDAS融合土壤水分产品在青藏高原地区的适用性评估[J].高原气象,37(1):123-136. Cui Y Y,Qin J,Jing W Q,et al.,2018.Applicability evaluation of merged soil moisture in GLDAS and CLDAS products over Qinghai-Tibetan Plateau[J].Plateau Meteor,37(1):123-136.doi:10.7522/j.issn.1000-0534.2017.00035.(in Chinese).

高路,郝璐,2014.ERA-Interim气温数据在中国区域的适用性评估[J].亚热带资源与环境学报,9(2):75-81. Gao L,Hao L,2014.Verification of ERA-interim reanalysis data over China[J].J Subtrop Resour Environ,9(2):75-81.doi:10.19687/j.cnki.1673-7105.2014.02.011.(in Chinese).

高志刚,骆敬新,刘克修,等,2015.ERA-Interim再分析数据在中国沿海的质量評估[J].海洋科学,39(5):92-105. Gao Z G,Luo J X,Liu K X,et al.,2015.Evaluation of ERA-Interim reanalysis data along Coast of China[J].Mar Sci,39(5):92-105.(in Chinese).

韩翠华,郝志新,郑景云,2013.1951—2010年中国气温变化分区及其区域特征[J].地理科学进展,32(6):887-896. Han C H,Hao Z X,Zheng J Y,2013.Regionalization of temperature changes in China and characteristics of temperature in different regions during 1951—2010[J].Prog Geogr,32(6):887-896.(in Chinese).

韩帅,师春香,姜立鹏,等,2017.CLDAS土壤湿度模拟结果及评估[J].应用气象学报,28(3):369-378. Han S,Shi C X,Jiang L P,et al.,2017.The simulation and evaluation of soil moisture based on CLDAS[J].J Appl Meteor Sci,28(3):369-378.(in Chinese).

蒋帅,江志红,李伟,等,2017.CMIP5模式对中国极端气温及其变化趋势的模拟评估[J].气候变化研究进展,13(1):11-24. Jiang S,Jiang Z H,Li W,et al.,2017.Evaluation of the extreme temperature and its trend in China simulated by CMIP5 models[J].Clim Chang Res,13(1):11-24.(in Chinese).

李显风,师春香,胡佳军,等,2017.CLDAS数据质量在线评估系统的设计与实现[J].气象科技,45(6):1116-1124. Li X F,Shi C X,Hu J J,et al.,2017.Design and implementation of an online CLDAS data quality assessment system[J].Meteor Sci Technol,45(6):1116-1124.doi:10.19517/j.1671-6345.20160647.(in Chinese).

李显风,张玮,黄少平,等,2020.江西省气象-水文-雷达小时雨量信息融合试验结果分析[J].暴雨灾害,39(3):276-284. Li X F,Zhang W,Huang S P,et al.,2020.Analysis of fusion test results on hourly precipitation from meteorological and hydrological stations and radar[J].Torrential Rain Disasters,39(3):276-284.(in Chinese).

刘欢欢,王飞,张廷龙,2018.CLDAS和GLDAS土壤湿度资料在黄土高原的适用性评估[J].干旱地区农业研究,36(5):270-276,294. Liu H H,Wang F,Zhang T L,2018.Evaluation applicability of CLDAS and GLDAS soil moisture for the Loess Plateau[J].Agric Res Arid Areas,36(5):270-276,294.(in Chinese).

刘志雄,刘凯文,苏荣瑞,等,2017.CLDAS资料在湖北省油菜湿渍害监测中的应用[C]//第34届中国气象学会年会.郑州. Liu Z X,Liu K W,Su R R,et al.,2017.The application of CLDAS in the monitoring of wet stains in rapeseed in Hubei[C]//The 34th Annual Meeting of the China Meteorological Society.Zhengzhou.(in Chinese).

卢冰,孙继松,仲跻芹,等,2017.区域数值预报系统在北京地区的降水日变化预报偏差特征及成因分析[J].气象学报,75(2):248-259. Lu B,Sun J S,Zhong J Q,et al.,2017.Analysis of characteristic bias in diurnal precipitation variation forecasts and possible reasons in a regional forecast system mover Beijing area[J].Acta Meteorol Sin,75(2):248-259.doi:10.11676/qxxb2017.021.(in Chinese).

麻巨慧,朱跃建,王盘兴,等,2011.NCEP、ECMWF及CMC全球集合预报业务系统发展综述[J].大气科学学报,34(3):370-380. Ma J H,Zhu Y J,Wang P X,et al.,2011.A review on the developments of NCEP,ECMWF and CMC global ensemble forecast system[J].Trans Atmos Sci,34(3):370-380.doi:10.13878/j.cnki.dqkxxb.2011.03.015.(in Chinese).

闵锦忠,車渌,郭亚凯,2016.基于自动站资料的WRF-EnSRF陆面同化系统的效果检验及应用[J].大气科学学报,39(3):289-299. Min J Z,Che L,Guo Y K,2016.Testing and application of a land data assimilation system using automatic weather station data[J].Trans Atmos Sci,39(3):289-299.doi:10.13878/j.cnki.dqkxxb.20140404001.(in Chinese).

任晨辰,段明铿,智协飞,2017.不同气候背景下我国冬夏两季极端气温特征分析[J].大气科学学报,40(6):803-813. Ren C C,Duan M K,Zhi X F,2017.Characteristics of extreme surface air temperature in winter and summer over China under different climate back-grounds[J].Trans Atmos Sci,40(6):803-813.(in Chinese).

师春香,姜立鹏,朱智,等,2018.基于CLDAS2.0驱动数据的中国区域土壤湿度模拟与评估[J].江苏农业科学,46(4):231-236. Shi C X,Jiang L P,Zhu Z,et al.,2018.Simulation and evaluation of soil moisture based on CLDAS2.0 in China[J].Jiangsu Agric Sci,46(4):231-236.doi:10.15889/j.issn.1002-1302.2018.04.059.(in Chinese).

孙帅,师春香,梁晓,等,2017.不同陆面模式对我国地表温度模拟的适用性评估[J].应用气象学报,28(6):737-749. Sun S,Shi C X,Liang X,et al.,2017.Assessment of ground temperature simulation in China by different land surface models based on station observations[J].J Appl Meteor Sci,28(6):737-749.(in Chinese).

孙小龙,宋海清,李平,等,2015.基于CLDAS资料的内蒙古干旱监测分析[J].气象,41(10):1245-1252. Sun X L,Song H Q,Li P,et al.,2015.Analysis of drought monitoring in Inner Mongolia based on CLDAS data[J].Meteor Mon,41(10):1245-1252.(in Chinese).

王海军,涂诗玉,陈正洪,2008.日气温数据缺测的插补方法试验与误差分析[J].气象,34(7):83-91. Wang H J,Tu S Y,Chen Z H,2008.Interpolating method for missing data of daily air temperature and its error analysis[J].Meteor Mon,34(7):83-91.(in Chinese).

赵滨,张博,2018.一种2 m温度误差订正方法再复杂地形区数值预报中的应用[J].大气科学学报,41(5):657-667. Zhao B,Zhang B,2018.Application of a bias correction scheme for 2-meter temperature levels over complex terrain[J].Trans Atmos Sci,41(5):657-667.(in Chinese).

朱智,师春香,2014.中国气象局陆面同化系统和全球陆面同化系统对中国区域土壤湿度的模拟与评估[J].科学技术与工程,14(32):138-144.Zhu Z,Shi C X,2014.Simulation and evaluation of CLDAS and GLDAS soil moisture data in China[J].Sci Technol Eng,14(32):138-144.(in Chinese).

Applicability assessment of CLDAS temperature data in China

LIU Ying1,SHI Chunxiang2,WANG Haijun1,HAN Shuai2

1Hubei Meteorological Information and Technological Support Center,Wuhan 430074,China;

2National Meteorological Information Center,Beijing 100081,China

Based on the hourly temperature data derived from 48 708 surface automatic weather stations in China,the CLDAS-V2.0 temperature data in October 2017,January 2018,April 2018 and July 2018 (resolution:0.062 5°) were analyzed by using the evaluation indexes such as mean deviation (Bias),correlation coefficient,root mean square error (RMSE) and mean absolute error (MAE).This paper studied the correlation and deviation distribution characteristics between CLDAS and station temperature in spring,summer,autumn and winter in eight zones of China.Results show that:(1)CLDAS temperature reflects the interannual variation of temperature in China,and the average correlation coefficients of non-independence test,independence test and station temperature are 0.995 and 0.991 respectively.The correlation coefficient is the highest in Northeast China and the lowest in Southwest China.(2) The Bias of CLDAS and station temperature is -0.011 ℃,RMSE and MAE of non-independence test are 1.275 ℃ and 1.645 ℃,and RMSE and MAE of independence test are 0.867 ℃ and 1.089 ℃,respectively.In general,CLDAS has small temperature error and high reliability.(3) The deviation in spring and autumn is less than that in summer and winter.The deviation in Northeast,North China,Jianghuai and South China is smaller than that in Northwest and Southwest China.In 84.6% stations,the cold deviation or warm deviation is within 1 ℃,and the spatial distribution of cold and warm deviation is uniform.(4) The maximum temperature of CLDAS has cold deviation,the minimum temperature has warm deviation,and the maximum deviation of maximum temperature in summer is -0.59 ℃.(5) The diurnal variation of mean deviation of CLDAS is -0.23—0.07 ℃,colder in the daytime and warmer in the night.The diurnal variation of mean deviation of CLDAS is significant in summer,and the diurnal range of deviation is 0.26 ℃.The maximum diurnal variation of summer mean deviation in the eight zones of China is 1.06 ℃,and the variation ranges in autumn,winter and spring are similar.The diurnal variation of mean deviation is the largest in Southwest China and the smallest in Jianghuai.

CLDAS;temperature;correlation coefficient;deviation;diurnal variation

doi:10.13878/j.cnki.dqkxxb.20200819001

(責任编辑:张福颖)

猜你喜欢

相关系数偏差气温
50种认知性偏差
加固轰炸机
真相
人口老龄化对我国消费结构影响研究
南京市能见度变化趋势及其影响因素
与气温成反比的东西
秦皇岛海域夜光藻种群密度与环境因子的关系
电子鼻传感器阵列优化对猪肉新鲜度法的检测
实时气温
投资者认知偏差研究综述