CLDAS气温数据在中国区域的适用性评估

CLDAS气温数据在中国区域的适用性评估作者：刘莹师春香王海军韩帅来源：《大气科学学报》2021年第04期摘要以中国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个地面氣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0.0625°×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）緯度、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）。