空間面板數(shù)據(jù)模型在地面氣溫觀測資料質(zhì)量控制中的應(yīng)用

熊雄 姚薇 張穎超

(1 南京信息工程大學(xué) 江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心，南京 210044；2 江蘇省突發(fā)事件預(yù)警信息發(fā)布中心，南京 210019；3 南京信息工程大學(xué) 氣象災(zāi)害預(yù)報預(yù)警與評估協(xié)同創(chuàng)新中心，南京 210044)

引 言

大量觀測實驗和數(shù)值計算模擬表明，數(shù)值天氣預(yù)報已成為開展現(xiàn)代氣象業(yè)務(wù)的主要手段之一，而資料同化技術(shù)是保障數(shù)值天氣預(yù)報準(zhǔn)確性的前提[1]，地面氣溫資料進(jìn)行質(zhì)量控制將有助于資料同化及數(shù)值天氣預(yù)報水平的提高[2-5]。

對地面氣溫觀測資料質(zhì)量控制算法的研究遵循從單站到多站聯(lián)網(wǎng)研究的技術(shù)路線，逐步由氣象要素物理約束向氣象要素時空關(guān)聯(lián)性拓展，從一維空間向多維空間延伸。一般而言，地面氣溫觀測資料的質(zhì)量控制算法可以分為兩類[6-7]：一類是利用鄰近站信息對目標(biāo)站進(jìn)行多站聯(lián)網(wǎng)質(zhì)量控制；另一類則是從時序相關(guān)性、觀測要素自約束性等角度對目標(biāo)站地面氣溫觀測資料進(jìn)行單站質(zhì)量控制。大量研究表明，在鄰近站觀測信息滿足參考條件情況下，多站聯(lián)網(wǎng)質(zhì)量控制要比單一觀測站質(zhì)量控制的效果好[8]。隨著國家氣象局在全國范圍內(nèi)的“三站四網(wǎng)”大氣監(jiān)測工程的建設(shè)，地面氣溫觀測資料進(jìn)行多站聯(lián)網(wǎng)質(zhì)量控制成為一個發(fā)展趨勢[9]。根據(jù)實際情況的不同，國內(nèi)外氣象學(xué)者們對地面氣溫觀測資料質(zhì)量控制算法開展了不同的研究。維也納大學(xué)的學(xué)者們提出變分質(zhì)量控制法[10]，該算法的基礎(chǔ)是計算一個觀測場與背景場的代價函數(shù)及其誤差協(xié)方差的最小值，本質(zhì)上是一個最優(yōu)控制問題。我國學(xué)者在地面氣溫觀測資料的研究中也有不少創(chuàng)新嘗試，ZOU，et al[11]從服務(wù)資料同化的角度出發(fā)，通過對比觀測場和背景場觀測差異，提出了基于高斯分布和經(jīng)驗正交函數(shù)分解等地面觀測資料質(zhì)量控制方法；YE, et al[12]提出基于智能方程擬合的方法從時空回歸角度來構(gòu)建質(zhì)量控制方程實現(xiàn)對地面氣溫數(shù)據(jù)進(jìn)行質(zhì)量控制，拓展了學(xué)者們研究氣象數(shù)據(jù)質(zhì)量控制問題的領(lǐng)域。XU, et al[13]在業(yè)務(wù)層面上，對地面資料質(zhì)量控制方案提出了不同的修訂方案。從現(xiàn)有的研究來看，地面氣溫觀測資料質(zhì)量控制算法均是從單一的維度去構(gòu)建質(zhì)量控制方程，勢必造成質(zhì)量控制方程的不穩(wěn)定性。

因此，本文提出了一種基于改進(jìn)空間面板數(shù)據(jù)模型的地面氣溫觀測資料的多站質(zhì)量控制算法(ST-RH算法)。利用一定區(qū)域范圍內(nèi)地面氣溫時空相關(guān)性信息構(gòu)造空間面板數(shù)據(jù)模型，并將相對濕度作為解釋變量融入算法，實現(xiàn)對目標(biāo)站地面氣溫觀測資料質(zhì)量控制。該算法的出發(fā)點是設(shè)定地面氣象觀測資料的時空分布具有空間面板數(shù)據(jù)的結(jié)構(gòu)特征，即地面氣象觀測資料的排放是先將某個時間節(jié)點區(qū)域范圍內(nèi)觀測站資料堆放在一個橫截面上，再將不同時間節(jié)點的橫截面數(shù)據(jù)按時間順序堆放在一起。為了檢測ST-RH算法的有效性和普適性，利用國家氣象信息中心提供的國家級地面站觀測資料，通過多組獨立試驗對ST-RH算法進(jìn)行檢測，并結(jié)合多個質(zhì)量控制算法評價指標(biāo)與IDW算法和SRT算法進(jìn)行對比分析。

1 資料和方法

1.1 資料

本文所涉及地面氣溫、相對濕度觀測資料均經(jīng)過了嚴(yán)格的“臺站—省級—國家級”三級質(zhì)量控制，剔除了明顯的粗大誤差。文中所涉及國家級地面站(目標(biāo)站)及其周圍90 km范圍內(nèi)鄰近站見表1所示。

表1 全國14個典型地面觀測站半徑90 km范圍內(nèi)鄰近站數(shù)目Table 1 Numbers of neighboring stations within 90 km radius of14 surface observation stations

選取的14個目標(biāo)觀測站分布在我國不同的地區(qū)，所屬的氣候、地形和地貌等環(huán)境各異，便于檢測ST-RH算法的普適性和穩(wěn)定性：改則站位于青藏高原，屬高原山地氣候，地形地貌簡單，但鄰近觀測站站分布稀少；天池站、酒泉站位于西北地區(qū)，靠近亞洲高原源地，大陸性結(jié)構(gòu)特征強(qiáng)；包頭站、伊春站位于高緯度的黑龍江和內(nèi)蒙古的北部地區(qū)；四平站、懷柔站和忻州站位于華北和東北地區(qū)及黃土高原地區(qū)，地形地貌多樣，特別忻州站處于山地區(qū)域，小氣候環(huán)境復(fù)雜；綿陽站、瀏陽站、南京站和贛州站均位于水系、山地復(fù)雜區(qū)域，氣候環(huán)境多變；東莞站、三亞站位于南部沿海地區(qū)。

為了檢測算法的質(zhì)量控制效果，本文在目標(biāo)站地面氣溫觀測資料中隨機(jī)選取占總樣本3%作為人為植入誤差[14]，大小如式(1)所示：

Ex=sx·qx,

(1)

(2)

1.2 常規(guī)空間面板數(shù)據(jù)模型

常規(guī)空間面板數(shù)據(jù)模型分為空間滯后模型(SLM)和空間誤差模型(SEM)兩類，其數(shù)學(xué)表達(dá)形式分別為：

y=δ(IT?W)y+Xβ+(τT?IN)μ+ε，

(3)

y=Xβ+(τT?IN)μ+u,u=ρ(lT?W)u+ε，

(4)

其中：T為時間序列長度；N為空間單元個體數(shù)；y為NT×1的因變量；X為NT×K的解釋變量；K為解釋變量個數(shù)；δ和ρ是空間自回歸系數(shù)；β是K×1解釋變量系數(shù)列向量；IT和IN分別是T×T和N×N的單位矩陣；τT是T維元素全為1的列向量；?表示克羅內(nèi)克(Kronecker)積；μ代表個體效應(yīng)；u和ε分別都為獨立分布的隨機(jī)誤差項，均服從均值為0；方差為σ2的正態(tài)分布；W是行標(biāo)準(zhǔn)化了的N階方陣。W用來反映數(shù)據(jù)空間相關(guān)性，一般情況下，空間權(quán)重矩陣的設(shè)定為：若個體i與個體j相鄰，則Wij=1，否則Wij=0，Wij為W中的元素。

空間滯后模型和空間誤差模型在處理不同問題時各有優(yōu)缺點，如何選擇合適的空間面板數(shù)據(jù)模型至關(guān)重要。YING,et al[15]在拉格朗日乘數(shù)(LM)檢驗的基礎(chǔ)上[15]，分別提出了檢驗空間誤差模型的準(zhǔn)則LMERR和檢驗空間滯后模型的準(zhǔn)則LMLAG，數(shù)學(xué)表達(dá)式分別如下：

(5)

(6)

(7)

(8)

運用空間面板數(shù)據(jù)模型對地面氣溫觀測資料進(jìn)行質(zhì)量控制時，SLM對應(yīng)的原假設(shè)為H0：無空間滯后因變量；SEM對應(yīng)的原假設(shè)為H0：無空間誤差項。無論是SLM還是SEM，若LM通過5%水平下的顯著性檢驗，則拒絕原假設(shè)，說明存在空間效應(yīng)，適合用空間面板數(shù)據(jù)模型對數(shù)據(jù)進(jìn)行分析，反之接受原假設(shè)；在通過顯著性的前提下，若robustLMERR>robustLMLAG，則選擇空間誤差模型，否則選擇空間滯后模型。

當(dāng)空間效應(yīng)存在時，分別采用普通最小二乘法(OLS)對空間滯后模型和空間誤差模型進(jìn)行參數(shù)估計可得出結(jié)論：對于SEM模型來說模型的參數(shù)估計是無偏的，但不具有效性；對SLM模型來說模型的參數(shù)估計則為有偏且不一致。因此，在考慮空間效應(yīng)存在時，本文擬采用極大似然(ML)法對模型參數(shù)進(jìn)行估計。

1.3 基于改進(jìn)空間面板數(shù)據(jù)模型的地面氣溫觀測資料質(zhì)量控制算法(ST-RH算法)

利用空間面板數(shù)據(jù)模型對地面氣溫觀測資料進(jìn)行質(zhì)量控制本質(zhì)上是運用空間回歸技術(shù)結(jié)合鄰站的觀測信息對目標(biāo)站觀測值的回歸估計。地面氣溫在空間的分布連續(xù)、平穩(wěn)，滿足空間相關(guān)性的條件；同時，由于地形地貌等小氣候環(huán)境的存在，不同空間觀測單元對應(yīng)的觀測資料之間也存在著明顯的異質(zhì)性。從而保證了空間面板數(shù)據(jù)模型在地面氣溫觀測資料質(zhì)量控制中運用的理論可行性。

本文選取以南京站為中心及其周圍90 km范圍內(nèi)鄰站2017年7月逐時氣溫和相對濕度觀測資料為例，對基于空間面板數(shù)據(jù)模型的地面氣溫觀測資料質(zhì)量控制算法進(jìn)行實例闡述。涉及地面氣象觀測資料時間序列長度。通過計算，南京站2017年7月逐時氣溫觀測資料空間相關(guān)性檢驗如表2所示：

表2 2017年7月南京站逐時地面氣溫觀測資料空間相關(guān)性檢驗 Table 2 Inspection of spatial correlation of hourly surface temperature observations for Nanjing station in July 2017

由表2可以看出無論是經(jīng)典LM測試還是穩(wěn)健LM測試，原假設(shè)在1%顯著條件下都被拒絕，通過顯著性檢驗，表明存在空間相關(guān)性。同時檢驗因子LMERR>LMLAG，robustLMERR>robustLMLAG，分別對本文涉及的其它13個地面觀測站進(jìn)行空間相關(guān)性檢驗均得到相同結(jié)果，說明采用空間誤差模型更適合地面氣溫觀測資料的質(zhì)量控制。

地面氣溫觀測資料在空間維度和時間維度上均是連續(xù)的，同時文獻(xiàn)[17]指出在對流層的底部，氣溫與相對濕度具有明顯的強(qiáng)耦合關(guān)系。為了增加質(zhì)控模型的內(nèi)部復(fù)雜度與穩(wěn)定性，本文在空間誤差模型的基礎(chǔ)上加入時間維度氣溫信息作為協(xié)同變量，加入相對濕度信息作為解釋變量強(qiáng)化模型的魯棒性。因此，基于空間面板數(shù)據(jù)模型的地面氣溫觀測資料質(zhì)量控制算法(ST-RH算法)可以描述為公式(9)所示：

y=Xβ+ω(IT?τN)η+(1-ω)(τT?IN)μ+
[INT-ρ(IT?W)]-1ε，

(9)

其中：τT是T維元素全為1的列向量；τT是N維元素全為1的列向量；μ和η分別代表個體效應(yīng)和時間效應(yīng)；INT為NT×NT的單位矩陣；ω為地面氣溫觀測資料的時間維度和空間維度協(xié)調(diào)系數(shù)，其計算如式(10)所示：

(10)

其中：ρ1為地面氣溫觀測資料空間維度相關(guān)聯(lián)系數(shù)；ρ2為地面氣溫觀測資料時間維度相關(guān)聯(lián)系數(shù)。為了便于計算，減少異方差，本文中用lny和lnX分別表示取對數(shù)后的逐時氣溫和相對濕度數(shù)據(jù)，則公式(9)可以改寫為：

lny=C+lnXβ+ω(IT?τN)η+
(1-ω)(τT?IN)μ+[INT-ρ(IT?W)]-1ε，

(11)

其中：C為常數(shù)項，通過式(11)可以得到南京站2017年7月逐時氣溫觀測資料預(yù)測值，記為yest。若預(yù)測值與觀測值的差值的絕對值滿足公式(12)條件，則認(rèn)為數(shù)據(jù)可信，否則標(biāo)記為存疑數(shù)據(jù)：

|yobs-yest|≤f·δ，

(12)

其中：yobs為目標(biāo)站的觀測值；yest為目標(biāo)站的預(yù)測值；δ為預(yù)測值與觀測值的標(biāo)準(zhǔn)差；f為質(zhì)量控制參數(shù)。

1.4 模型評估指標(biāo)

本文通過宏觀檢錯率來考察算法的質(zhì)量控制效果，宏觀檢錯率是錯誤檢出個數(shù)與實際插入的錯誤個數(shù)之比。在地面氣象觀測資料質(zhì)量控制研究中通常存在兩類統(tǒng)計學(xué)錯誤：第一類錯誤：“去真”錯誤，即把真當(dāng)假，第二類錯誤：“納偽”錯誤，即以假充真。從宏觀角度來說，當(dāng)?shù)谝活愬e誤變大時，第二類錯誤將變??；反之，第一類錯誤變小時，第二類錯誤將變大。為了權(quán)衡、量化兩類統(tǒng)計錯誤發(fā)生的概率，文獻(xiàn)[18]提出均方根檢錯率概念(MSR)作為評價質(zhì)量控制算法的考核指標(biāo)，MSR數(shù)學(xué)表達(dá)如下：

(13)

其中：r1為第一類錯誤出現(xiàn)概率；r2為第二類錯誤出現(xiàn)概率；α為r1權(quán)重。通常情況下，α的設(shè)置調(diào)和了r1與r2對MSR的影響，綜合評估兩者在地面氣溫觀測資料質(zhì)量控制中的重要性。此外，納什效率系數(shù)(NSC)、平均絕對誤差(MAE)和均方根誤差(RMSE)也常用來作為評價質(zhì)量控制模型的評價指標(biāo)：

(14)

(15)

(16)

2 結(jié)果與討論

以南京站為中心及其周圍90 km范圍內(nèi)鄰站2017年逐時氣溫觀測資料為例，檢驗ST-RH算法的質(zhì)量控制效果，并與IDW和SRT兩種算法比較，試驗結(jié)果如圖1所示。圖1a可以看出ST-RH算法在各月的宏觀檢錯率均高于SRT和IDW的宏觀檢錯率(特別是在1、8、12月)。由于SRT算法是根據(jù)均方根誤差來分配權(quán)重的；IDW算法是根據(jù)歐氏距離來分配權(quán)重的；而ST-RH算法是在通過地面氣溫觀測資料的時空相關(guān)性來進(jìn)行回歸預(yù)測的，同時考慮到相對濕度與氣溫之間的強(qiáng)相關(guān)性，將相對濕度作為解釋變量融進(jìn)算法之中，進(jìn)一步增強(qiáng)了ST-RH算法的內(nèi)部穩(wěn)定性。此外，從圖1a中也可以看到SRT和IDW兩種傳統(tǒng)算法的比較：SRT的宏觀檢錯率在1月和3月出現(xiàn)低于IDW的宏觀檢錯率的情況，2月的宏觀檢錯率與IDW算法基本上持平，其他月份的宏觀檢錯率均高于IDW的宏觀檢錯率。因此從圖1a中看到春、冬季的宏觀檢錯率相對于夏季而言較高，但是由于受到隨機(jī)誤差概率分布等因素的影響，難免出現(xiàn)IDW宏觀檢錯率高于SRT宏觀檢錯率的情況。圖1b中展示的是IDW、SRT和ST-RH 3種算法在不同月份宏觀檢錯率的宏觀分布情況?？梢钥吹剑琒T-RH算法在不同月份的宏觀檢錯率平均值、最高值和最低值均優(yōu)于其它兩種方法；SRT算法要略優(yōu)于IDW算法。

圖1 ST-RH、SRT和IDW3種算法對南京站2017年逐時氣溫觀測資料質(zhì)量控制對比分析：(a)不同月份宏觀檢錯率對比；(b)全年宏觀檢錯率對比Fig.1 Performance of ST-RH、SRT and IDW methods for the quality control of surface observations for Nanjing station in July 2017: (a) Macro error ratio for different months; (b) Macro error ratio during 2017

ZOU， et al[11]在對地面氣溫觀測資料質(zhì)量控制研究中指出，質(zhì)量控制的目的不僅是去除錯誤的觀測數(shù)據(jù)，而且可使資料能夠更好地同化服務(wù)。資料同化最重要的一個假設(shè)條件是觀測場和背景場的誤差分布應(yīng)盡可能地滿足高斯分布。鑒于此，本文選取歐洲中期天氣預(yù)報中心(ECMWF)的ERA-Interim再分析資料作為背景場資料，通過殘差分布情況檢測地面氣溫觀測資料經(jīng)ST-RH、SRT和IDW算法控制后的可利用性。分析圖2a—c中頻數(shù)擬合分布可以看到，圖2a更加接近于正態(tài)分布，圖2b、 c中殘差的分布不確定性更強(qiáng)一點。圖2d—f中的Q-Q圖進(jìn)一步檢驗殘差的分布，圖2d呈現(xiàn)一種比較理想的分布狀態(tài)，而圖2e、 f中的散點頭部和尾部均與理想狀態(tài)有一定的差距。圖2表明，相比較于SRT方法和IDW方法，經(jīng)過ST-RH算法質(zhì)量控制后的地面氣溫觀測資料與背景場資料的殘差分布更具正態(tài)分布的特征。

圖2 ST-RH、SRT和IDW 3種算法對南京站2017年7月逐時氣溫觀測資料質(zhì)量控制后與背景場對比殘差：(a—c)頻數(shù)分布；(d—f)殘差Q-Q分布Fig.2 Performance of ST-RH、SRT and IDW methods for comparison of residual plots with background field and the observations for Nanjing station after quality control: (a-c) frequency distribution diagram;(d-f) Q-Q distribution of residuals

圖3為SRT、ST-RH和IDW 3種算法對南京站2017年12個月逐時氣溫觀測資料進(jìn)行質(zhì)量控制NSC、MAE、RMSE三項性能指標(biāo)分布情況。圖3中ST-RH的MAE和RMSE的值很低，低于0.1，說明預(yù)測誤差??；NSC的值很高，接近于1，說明預(yù)測值相對于實際觀測值擬合程度很高。總地來看，ST-RH的三項性能指標(biāo)值相對于SRT和IDW而言均表現(xiàn)出明顯的優(yōu)越性且其三項指標(biāo)值的變化基本一致。SRT方法除了1月在絕大多數(shù)月份優(yōu)于IDW方法，1月出現(xiàn)的不一致性與隨機(jī)誤差的分布有關(guān)。

圖3 ST-RH、SRT和IDW 3種算法對南京站2017年逐時氣溫觀測資料質(zhì)量控制性能指標(biāo)對比分析：(a)NSC；(b)MAE；(c)RMSEFig.3 Performance of ST-RH、SRT and IDW methods for the quality control of surface observations for Nanjing station in July 2017: (a) NSC; (b) MAE; (c) RMSE

為了進(jìn)一步考察ST-RH方法的普適性，利用ST-RH、SRT和IDW 3種算法對全國14個地面觀測站2017年地面氣溫觀測資料進(jìn)行質(zhì)量控制，MSR、NSC、MAE和RMSE分析結(jié)果如圖5所示。從圖4可以看到，東南部地區(qū)的質(zhì)量控制效果較西北部要好，一方面由于東南地區(qū)經(jīng)濟(jì)較發(fā)達(dá)，臺站分布較密集便于多站聯(lián)網(wǎng)質(zhì)量控制；另一方面西北地區(qū)的氣候、地形地貌環(huán)境復(fù)雜多變，給質(zhì)量控制帶來了不確定因素較多。從圖4中MSR、NSC、MAE、RMSE 4個指標(biāo)綜合分析，ST-RH算法在3種算法中表現(xiàn)最優(yōu)，SRT算法要優(yōu)于IDW算法。此外，ST-RH算法表現(xiàn)出了更好的穩(wěn)定性，對不同的地區(qū)適應(yīng)性更好。

圖4 ST-RH、SRT和IDW 3種算法對14個不同地區(qū)2017年逐時氣溫觀測資料質(zhì)量控制性能指標(biāo)對比對比分析：(a)MSR；(b)NSC；(c)MAE；(d)RMSEFig.4 Performance of ST-RH、SRT and IDW methods for the quality control of surface observations for 14 different areas in 2017: (a) MSR; (b) NSC; (c) MAE; (d) RMSE

圖5 ST-RH、SRT和IDW 3種質(zhì)量控制算法代價敏感性分析：(a)14個不同地區(qū)AUC值分布；(b)AUC值標(biāo)準(zhǔn)差分布Fig.5 Cost sensitivity analysis of ST-RH、SRT and IDW methods:(a) AUC for 14 different regions; (b) SD of AUC

此外，本文為了評估算法的代價敏感性，采用AUC值對ST-RH、SRT和IDW 3種算法進(jìn)行分析。圖5a為通過ST-RH、SRT和IDW 3種算法對全國14個地面觀測站2017年地面氣溫觀測資料進(jìn)行質(zhì)量控制后結(jié)果的AUC值，從數(shù)值上來看ST-RH、SRT和IDW 3種算法的AUC值在不同的地區(qū)均大于0.75，表示3種算法的質(zhì)量控制均是有效的。但是，從圖5a可明顯看出ST-RH算法是優(yōu)于其他兩種算法的，有5個地區(qū)ST-RH算法的AUC值大于0.9，體現(xiàn)了ST-RH算法的優(yōu)越性。同時，圖5b展示了ST-RH、SRT和IDW 3種算法AUC值的標(biāo)準(zhǔn)差分布情況，可以看出改則、天池、酒泉、包頭、伊春、四平和三亞的幅值跨度較大，反映了ST-RH、SRT和IDW 3種算法在這7個地區(qū)的質(zhì)量控制效果具有較大差異。結(jié)合圖4以及三種算法的構(gòu)造機(jī)理分析，ST-RH方法通過把溫度與相對濕度的強(qiáng)耦合關(guān)系為解釋變量融入算法，可以提高質(zhì)量控制算法在氣候極端地區(qū)或周圍鄰站稀少地區(qū)的效果。

3 結(jié)論

本文發(fā)展了一種基于改進(jìn)空間面板數(shù)據(jù)模型的地面氣溫觀測資料質(zhì)量控制算法(ST-RH算法)，并對全國14個不同地區(qū)的地面氣溫觀測資料進(jìn)行質(zhì)量控制檢測。為了對新算法進(jìn)行評估，本文采用多個指標(biāo)值對質(zhì)量控制效果進(jìn)行分析，并與IDW算法和SRT算法進(jìn)行比較。試驗表明，ST-RH質(zhì)量控制算法能有效地標(biāo)記出地面逐時氣溫觀測資料中的存疑數(shù)據(jù)，相對于SRT算法和IDW算法而言具有較好的質(zhì)量控制效果。通過多組獨立案例試驗可得到以下結(jié)論：

(1)ST-RH算法能夠?qū)崿F(xiàn)對我國地面氣溫觀測資料進(jìn)行質(zhì)量控制，能夠有效地甄別出存疑數(shù)據(jù)。ST-RH算法相比較IDW算法和SRT算法而言，具有更好的檢錯效果和穩(wěn)定性，其原因在于ST-RH算法通過地面氣溫觀測資料的時空相關(guān)性來進(jìn)行回歸預(yù)測的，同時考慮到相對濕度與氣溫之間的強(qiáng)耦合關(guān)系，將相對濕度作為解釋變量融進(jìn)算法之中，增強(qiáng)了ST-RH算法的內(nèi)部穩(wěn)定性。

(2)從不同地區(qū)的質(zhì)量控制效果來看，ST-RH算法效果普遍具有較好的質(zhì)控效果。在西部、北部地區(qū)，ST-RH、SRT和IDW 3種算法質(zhì)量控制效果均有下降，不同算法的質(zhì)量控制效果差異性也較大。其原因一方面復(fù)雜的地理環(huán)境造成的近地面大氣分布的非平穩(wěn)特征加大了質(zhì)量控制的難度；另一方面我國的西部、北部地區(qū)存在地面氣象觀測站點稀少的現(xiàn)象，為質(zhì)量控制算法提供的可參考鄰站觀測信息不足。