青海省長(zhǎng)序列高分辨率氣象要素柵格數(shù)據(jù)集構(gòu)建與評(píng)估

權(quán)晨 趙彤 何杰 沈曉燕 申燕玲

（1 青海省氣象科學(xué)研究所，青海省防災(zāi)減災(zāi)重點(diǎn)實(shí)驗(yàn)室，西寧 810001；2 中國(guó)科學(xué)院青藏高原研究所，北京 100101）

0 引言

青海省地處青藏高原東北部，擁有“中華水塔”三江源區(qū)、“聚寶盆”柴達(dá)木盆地，同時(shí)也是氣候變化的敏感區(qū)和生態(tài)環(huán)境脆弱區(qū)。因此，研究青海省的氣候變化、水文過(guò)程、生態(tài)演變以及陸氣相互作用能夠?yàn)閰^(qū)域經(jīng)濟(jì)和社會(huì)發(fā)展、清潔能源規(guī)劃和利用、生態(tài)保護(hù)和國(guó)家公園建設(shè)等方面提供重要支撐。

陸面驅(qū)動(dòng)數(shù)據(jù)作為陸面模式的輸入，是開(kāi)展氣候、水文、生態(tài)等過(guò)程的模擬，進(jìn)而揭示地表與大氣交換的物理及生物化學(xué)過(guò)程不可或缺的數(shù)據(jù)[1]。根據(jù)不同的科研需求，陸面系統(tǒng)模式對(duì)其輸入數(shù)據(jù)的要求也不盡相同，但隨著模式技術(shù)的發(fā)展，進(jìn)行長(zhǎng)時(shí)間、高分辨率的數(shù)值模擬是必然趨勢(shì)，也是各國(guó)科研機(jī)構(gòu)開(kāi)發(fā)長(zhǎng)時(shí)間序列、高時(shí)空分辨率模式輸入數(shù)據(jù)的一個(gè)主要?jiǎng)訖C(jī)[2]。目前，用于數(shù)值模式輸入的再分析資料有很多，其中使用最為廣泛的是美國(guó)生產(chǎn)的NCEP/NCAR再分析資料[3]和MERRA-2再分析資料[4]、歐洲中期天氣預(yù)報(bào)中心的ERA5再分析資料[5]，以及日本的JRA-55再分析資料[6]。除此之外，還有旨在用于陸面數(shù)值模式的Princeton驅(qū)動(dòng)數(shù)據(jù)[7]，專注于描述大氣輻射狀況的GEWEX-SRB數(shù)據(jù)[8]，以及根據(jù)TRMM衛(wèi)星遙感數(shù)據(jù)和其他衛(wèi)星數(shù)據(jù)反演得到的降水?dāng)?shù)據(jù)產(chǎn)品[9]等。國(guó)內(nèi)再分析或陸面驅(qū)動(dòng)數(shù)據(jù)取得了重大進(jìn)展，主要有中國(guó)氣象局中國(guó)全球大氣/陸面再分析數(shù)據(jù)集（CMA-RA）[10-11]和CMA陸面數(shù)據(jù)同化系統(tǒng)（CLDAS）近實(shí)時(shí)產(chǎn)品數(shù)據(jù)集[12]，以及中國(guó)區(qū)域近地面氣象要素驅(qū)動(dòng)數(shù)據(jù)集（CMFD）[13]。這些數(shù)據(jù)產(chǎn)品中的大多數(shù)都覆蓋了全球范圍，或至少覆蓋了地球表面的大部分，但這并不意味著同一產(chǎn)品中的數(shù)據(jù)在不同的區(qū)域都具有相同的可信度。由于全球范圍觀測(cè)數(shù)據(jù)的分布不均，以及數(shù)據(jù)同化系統(tǒng)自身存在缺陷等原因，數(shù)據(jù)產(chǎn)品中可能出現(xiàn)區(qū)域性的系統(tǒng)偏差。青藏高原地區(qū)地形復(fù)雜、站點(diǎn)稀少，各類數(shù)據(jù)集往往存在較大偏差或空間分辨率較低。劉婷婷等[14]對(duì)ERA5降水與實(shí)測(cè)數(shù)據(jù)的相關(guān)系數(shù)評(píng)估得出高原地區(qū)整體低于0.40，無(wú)法滿足該地區(qū)格點(diǎn)化氣象分析以及水文、生態(tài)模型的應(yīng)用需求。

因此，為了滿足陸面數(shù)值模擬工作的需要，有必要消除既有資料中的偏差，開(kāi)發(fā)出一套適用于青海高原區(qū)域的長(zhǎng)時(shí)間序列、高時(shí)空分辨率的陸面模式驅(qū)動(dòng)數(shù)據(jù)（QMFD），以求獲得更好的模擬結(jié)果。該數(shù)據(jù)集主要采用陽(yáng)坤團(tuán)隊(duì)研發(fā)的中國(guó)區(qū)域氣象要素驅(qū)動(dòng)數(shù)據(jù)集（CMFD）研制方法[13]，融合了青海省氣象局1980—2003年1日4次（時(shí)間分辨率為6 h）和2004—2018年國(guó)家氣象站（50個(gè)站）逐小時(shí)氣壓、氣溫、降水、相對(duì)濕度、風(fēng)速，以及日平均氣溫、日最高氣溫、日最低氣溫等高時(shí)空分辨率氣象觀測(cè)數(shù)據(jù)制作而成，其時(shí)間分辨率為3 h，水平空間分辨率0.01°×0.01°，包含近地面氣溫、地表氣壓、近地面空氣比濕、近地面全風(fēng)速、地面降水率共5個(gè)要素（變量）。該數(shù)據(jù)集實(shí)現(xiàn)了青海區(qū)域較高時(shí)間和空間分辨率，且數(shù)據(jù)質(zhì)量不低于國(guó)內(nèi)外主流陸面驅(qū)動(dòng)數(shù)據(jù)集，能夠很好地滿足高原地區(qū)中小區(qū)域內(nèi)生態(tài)水文過(guò)程模擬以及氣象資料分析，相對(duì)于主流數(shù)據(jù)集具有不可替代的作用。各氣象要素見(jiàn)表1所示。

表1 各氣象要素物理意義及單位Table 1 Physical significance and units of meteorological elements

1 數(shù)據(jù)及方法

1.1 數(shù)據(jù)

1.1.1 地面氣象觀測(cè)數(shù)據(jù)

地面氣象站觀測(cè)數(shù)據(jù)包括青海省1980—2003年1日4次（時(shí)間分辨率為6 h）和2004—2018年國(guó)家氣象站（50個(gè)站）逐小時(shí)氣壓、氣溫、降水、相對(duì)濕度、風(fēng)速，以及日平均氣溫、日最高氣溫、日最低氣溫。

1.1.2 TRMM衛(wèi)星降水?dāng)?shù)據(jù)

采用2004—2018年TRMM衛(wèi)星降水再分析數(shù)據(jù)（3B42），時(shí)間分辨率為3 h，空間分辨率為0.25°。TRMM降水?dāng)?shù)據(jù)的準(zhǔn)確度已經(jīng)成為國(guó)際公認(rèn)的事實(shí)，TRMM 3B42數(shù)據(jù)在本工作中不僅起到了為插值提供“背景”的作用，而且是作為判斷某時(shí)刻某格點(diǎn)上是否出現(xiàn)降水的依據(jù)。這種通過(guò)衛(wèi)星遙感數(shù)據(jù)判斷降水是否發(fā)生的方法極大地克服了純數(shù)學(xué)插值方法在格點(diǎn)上產(chǎn)生虛假降水的難題。區(qū)域內(nèi)40°N以北地區(qū)，TRMM數(shù)據(jù)未覆蓋地區(qū)由APHRODITE（Asian Precipitation-Highly Resolved Observational Data Integration Towards Evaluation of Water Resources）降水?dāng)?shù)據(jù)集替代，該數(shù)據(jù)集是由日本綜合地球環(huán)境研究所（RIHN）和日本氣象廳氣象研究所（MRI/JMA）整編了亞洲各國(guó)家和地區(qū)的雨量站觀測(cè)資料建立的一套逐日高分辨率網(wǎng)格化降水?dāng)?shù)據(jù)集[15]。

1.1.3 GLDAS同化數(shù)據(jù)

GLDAS（Global Land Data Assimilation System）是描述全球陸地信息的模型，該模型包含了全球降雨量、水分蒸發(fā)量、地表徑流、地下徑流、土壤濕度、地表積雪的分布以及溫度和熱流分布等數(shù)據(jù)[16]。模型的空間分辨率有1°×1°和0.25°×0.25°，時(shí)間分辨率為逐3 h、逐日、逐月不等。

1.1.4 Princeton陸面模式驅(qū)動(dòng)數(shù)據(jù)

Princeton陸面模式驅(qū)動(dòng)數(shù)據(jù)是由Princeton大學(xué)陸面水文研究組開(kāi)發(fā)的一套旨在用于陸面過(guò)程數(shù)值模擬的格點(diǎn)資料[7]。其時(shí)間序列覆蓋了1948—2006年的近60年長(zhǎng)度，時(shí)間分辨率為3 h，水平空間分辨率為1.0°。文中采用近地面氣溫、地表氣壓、近地面空氣比濕、近地面全風(fēng)速這4個(gè)變量。

1.1.5 評(píng)估數(shù)據(jù)

利用青海省不同區(qū)域、不同海拔高度的30個(gè)區(qū)域氣象站觀測(cè)資料對(duì)生成的柵格數(shù)據(jù)進(jìn)行評(píng)估（表2）。該數(shù)據(jù)在柵格數(shù)據(jù)生成過(guò)程中未參與融合。

表2 數(shù)據(jù)集評(píng)估所需區(qū)域氣象站信息Table 2 Information of regional meteorological stations for dataset evaluation

1.2 技術(shù)方法

1.2.1 總體方案

氣象臺(tái)站觀測(cè)數(shù)據(jù)準(zhǔn)確，因此，制作柵格數(shù)據(jù)產(chǎn)品最簡(jiǎn)單的思路是直接用臺(tái)站觀測(cè)數(shù)據(jù)進(jìn)行空間插值，但在觀測(cè)站點(diǎn)稀少地區(qū)，通過(guò)簡(jiǎn)單數(shù)學(xué)插值方法將站點(diǎn)數(shù)據(jù)插值至格點(diǎn)會(huì)產(chǎn)生巨大的偏差。再分析或遙感格點(diǎn)產(chǎn)品雖具有區(qū)域性的系統(tǒng)偏差，但其時(shí)空分布連續(xù)性好，其空間分布可作為空間插值的參考信息。因此，為了得到高時(shí)空分辨率的氣象要素柵格數(shù)據(jù)產(chǎn)品，就必須將這兩類數(shù)據(jù)融合，使其優(yōu)點(diǎn)相結(jié)合。如：降水?dāng)?shù)據(jù)采用TRMM衛(wèi)星降水?dāng)?shù)據(jù)、GLDAS同化數(shù)據(jù)以及地面站點(diǎn)數(shù)據(jù)；氣溫、氣壓、全風(fēng)速、比濕等要素則采用Princeton陸面模式驅(qū)動(dòng)數(shù)據(jù)和地面氣象觀測(cè)數(shù)據(jù)。

本數(shù)據(jù)集采用CMFD的研發(fā)思路[13]，即先假定所需的Princeton陸面模式驅(qū)動(dòng)數(shù)據(jù)、GLDAS同化數(shù)據(jù)和TRMM衛(wèi)星遙感數(shù)據(jù)相對(duì)于氣象站觀測(cè)數(shù)據(jù)的偏差在空間上是連續(xù)分布的，在每個(gè)站點(diǎn)對(duì)應(yīng)的位置上求出該氣象要素的偏差并將其插值到格點(diǎn)上，再訂正原始的再分析資料或衛(wèi)星遙感數(shù)據(jù)中的偏差，最終實(shí)現(xiàn)再分析或衛(wèi)星遙感柵格資料與氣象站點(diǎn)觀測(cè)數(shù)據(jù)的融合。其中，在近地面氣壓、氣溫、全風(fēng)速、比濕和降水率等5個(gè)要素?cái)?shù)據(jù)集的建立過(guò)程中，采用“差值法”來(lái)表示再分析資料相對(duì)于觀測(cè)數(shù)據(jù)的偏差，在向下短波輻射數(shù)據(jù)中采用“比值法”來(lái)描述?？臻g降尺度方面，選擇ANUSPLIN插值工具來(lái)將站點(diǎn)數(shù)據(jù)插值到0.01°空間分辨率格點(diǎn)，對(duì)于氣溫、氣壓等對(duì)地形高度比較敏感的變量，利用高分辨率的地形數(shù)據(jù)來(lái)提供高空間分辨率的信息。

1.2.2 時(shí)間降尺度過(guò)程中的質(zhì)量控制

為了避免在制作的數(shù)據(jù)產(chǎn)品中出現(xiàn)物理上不合理的數(shù)值，如負(fù)降水量、大于100%的相對(duì)濕度等情況，必須對(duì)插值結(jié)果進(jìn)行質(zhì)量控制。防止插值“過(guò)界”的最簡(jiǎn)單辦法就是確定變量的變化閾值，并且將插值結(jié)果中超出閾值的數(shù)值校正到合理范圍之內(nèi)。對(duì)于提供了日變化極值的變量，采用觀測(cè)的日變化極值作為該變量在當(dāng)天的變化閾值。對(duì)于氣象站資料中沒(méi)有提供日變化極值的變量，則根據(jù)該變量的物理意義來(lái)確定閾值，如：降水量不可能為負(fù)，那么降水量的最小閾值就是0；相對(duì)濕度不可能超過(guò)100%，則相對(duì)濕度的最大閾值就是100%。此外，為變量設(shè)定閾值并不是避免插值結(jié)果出現(xiàn)不合理數(shù)值的唯一途徑，采用了Logistic變換的方法來(lái)避免出現(xiàn)相對(duì)濕度超過(guò)100%的情況。

1.2.3 空間插值中地形高度處理

氣溫、氣壓變量的數(shù)值隨高度的變化是十分顯著的，因此在對(duì)這兩個(gè)變量的數(shù)據(jù)進(jìn)行空間插值時(shí)必須考慮地形高程的影響。首先將Princeton格點(diǎn)再分析數(shù)據(jù)和氣象站點(diǎn)觀測(cè)數(shù)據(jù)中的氣溫和氣壓數(shù)據(jù)統(tǒng)一訂正到海平面高度上，然后使用海平面氣溫、氣壓數(shù)據(jù)來(lái)完成校正和降尺度過(guò)程，最后再將校正后的數(shù)據(jù)訂正回地形高度上，得到最終數(shù)據(jù)產(chǎn)品。

2 數(shù)據(jù)評(píng)估

2.1 評(píng)估方法

數(shù)據(jù)評(píng)估采用直接對(duì)比氣象站點(diǎn)值和與其空間對(duì)應(yīng)的柵格格點(diǎn)值方法，對(duì)氣象站點(diǎn)實(shí)測(cè)值與柵格數(shù)據(jù)估測(cè)降水值進(jìn)行對(duì)比，方法主要包括均方根誤差（RMSE）、相關(guān)系數(shù)（R）、平均絕對(duì)誤差（MAE）、標(biāo)準(zhǔn)偏差（BIAS）。具體公式如下：

式中，n是數(shù)據(jù)記錄的總個(gè)數(shù)；i是全體數(shù)據(jù)中的第i個(gè)數(shù)據(jù)；xi是柵格數(shù)據(jù)提取的值；yi是臺(tái)站觀測(cè)的值。

2.2 月數(shù)據(jù)評(píng)估結(jié)果

利用青海省50個(gè)國(guó)家氣象站和30個(gè)區(qū)域氣象站對(duì)氣溫、降水、風(fēng)速、濕度、氣壓這5個(gè)要素的月值進(jìn)行了評(píng)估。

2.2.1 國(guó)家站數(shù)據(jù)評(píng)估

對(duì)1978—2018年50個(gè)國(guó)家氣象站的評(píng)估結(jié)果（表3）可以看出，柵格數(shù)據(jù)與地面氣象站間的相關(guān)系數(shù)總體較高，其中氣溫的各站平均相關(guān)系數(shù)高達(dá)1.00；降水次之，為0.97；風(fēng)速相關(guān)系數(shù)達(dá)到0.81；氣壓相關(guān)系數(shù)為0.74；相對(duì)濕度最低，但也達(dá)到了0.69。從各要素RMSE、MAE以及BIAS來(lái)看，風(fēng)速數(shù)據(jù)相對(duì)最好，其次為氣溫?cái)?shù)據(jù)。

表3 國(guó)家氣象站月尺度數(shù)據(jù)評(píng)估結(jié)果Table 3 Monthly-scale data evaluation results of national meteorological stations

2.2.2 區(qū)域站數(shù)據(jù)評(píng)估

對(duì)2016—2018年30個(gè)區(qū)域氣象站進(jìn)行評(píng)估（表4），可以看出，柵格數(shù)據(jù)與地面氣象站間的相關(guān)系數(shù)總體較高，其中氣溫相關(guān)系數(shù)高達(dá)1.00；相對(duì)濕度次之，為0.92；降水相關(guān)系數(shù)為0.85；氣壓相關(guān)系數(shù)為0.82；風(fēng)速最低，為0.74。從各要素RMSE、MAE以及BIAS來(lái)看，風(fēng)速數(shù)據(jù)相對(duì)最好，其次為氣溫?cái)?shù)據(jù)。

表4 區(qū)域氣象站月尺度數(shù)據(jù)評(píng)估結(jié)果Table 4 Monthly-scale data evaluation results of regional meteorological stations

2.3 日數(shù)據(jù)評(píng)估結(jié)果

2.3.1 國(guó)家站數(shù)據(jù)評(píng)估

對(duì)1978—2018年50個(gè)國(guó)家氣象站的日數(shù)據(jù)評(píng)估結(jié)果（表5）可以看出，柵格數(shù)據(jù)與地面氣象站間的相關(guān)系數(shù)相差較大，其中氣溫相關(guān)系數(shù)高達(dá)0.98；相對(duì)濕度次之，為0.79；風(fēng)速、降水、氣壓相關(guān)系數(shù)均＜0.60。從各要素RMSE、MAE以及BIAS來(lái)看，氣溫?cái)?shù)據(jù)相對(duì)最好，其次為相對(duì)濕度數(shù)據(jù)。

表5 國(guó)家氣象站日尺度數(shù)據(jù)評(píng)估結(jié)果Table 5 Daily-scale data evaluation results of national meteorological stations

2.3.2 區(qū)域站數(shù)據(jù)評(píng)估

對(duì)2016—2018年30個(gè)區(qū)域氣象站日數(shù)據(jù)進(jìn)行評(píng)估（表6），可以看出，柵格數(shù)據(jù)與地面氣象站間的相關(guān)系數(shù)相差很大，其中氣溫相關(guān)系數(shù)高達(dá)0.96；相對(duì)濕度次之，為0.61；風(fēng)速相關(guān)系數(shù)為0.26；降水和氣壓相關(guān)系數(shù)分別為0.17和0.02。從各要素RMSE、MAE以及BIAS來(lái)看，氣溫?cái)?shù)據(jù)相對(duì)最好，其次為相對(duì)濕度數(shù)據(jù)。

表6 區(qū)域氣象站日尺度數(shù)據(jù)評(píng)估結(jié)果Table 6 Daily-scale data evaluation results of regional meteorological stations

2.4 與其他同類數(shù)據(jù)對(duì)比

挑選2018年6月和9月NCEP、ERA5、CLDAS這3類數(shù)據(jù)集與青海長(zhǎng)序列高分辨率氣象要素柵格數(shù)據(jù)集進(jìn)行評(píng)估對(duì)比，提取了青海省30個(gè)區(qū)域氣象站月數(shù)據(jù)，結(jié)果（表7）顯示，青海長(zhǎng)序列高分辨率氣象要素柵格數(shù)據(jù)集氣溫?cái)?shù)據(jù)與觀測(cè)數(shù)據(jù)的相關(guān)系數(shù)分別為0.84和0.74，明顯高于ERA5和NCEP數(shù)據(jù)集，RMSE和MAE明顯低于其他數(shù)據(jù)，而且時(shí)空分辨率方面亦有優(yōu)勢(shì)。對(duì)于降水?dāng)?shù)據(jù)，亦采用相同的評(píng)估方法，結(jié)果（表8）顯示，青海長(zhǎng)序列高分辨率氣象要素柵格數(shù)據(jù)集降水?dāng)?shù)據(jù)相關(guān)系數(shù)分別為0.61和0.51，明顯高于除CLDAS外其他數(shù)據(jù)集，RMSE和MAE明顯低于其他數(shù)據(jù)，同樣，時(shí)空分辨率方面亦有優(yōu)勢(shì)。

表8 青海長(zhǎng)序列高分辨率氣象要素柵格數(shù)據(jù)集（QMFD）與其他同類數(shù)據(jù)集降水評(píng)估結(jié)果對(duì)比Table 8 Comparison of precipitation evaluation results between QMFD and other similar datasets

3 結(jié)論

1）構(gòu)建了1979—2018年長(zhǎng)達(dá)40 a的青海省近地面氣壓、氣溫、風(fēng)速、降水率、相對(duì)濕度5個(gè)氣象要素逐3 h的0.01°×0.01°柵格數(shù)據(jù)集，彌補(bǔ)了空間上無(wú)站點(diǎn)地區(qū)的氣象數(shù)據(jù)，為氣候變化、生態(tài)評(píng)估、水資源評(píng)估提供基礎(chǔ)數(shù)據(jù)。

2）月數(shù)據(jù)評(píng)估結(jié)果顯示，數(shù)據(jù)集與地面氣象站觀測(cè)數(shù)據(jù)間的相關(guān)系數(shù)總體較高，其中氣溫相關(guān)系數(shù)最高，達(dá)1.00；相對(duì)濕度次之，為0.92；降水相關(guān)系數(shù)為0.85；氣壓相關(guān)系數(shù)為0.82；風(fēng)速最低，為0.74。日數(shù)據(jù)評(píng)估結(jié)果顯示，氣溫相關(guān)系數(shù)為0.96，相對(duì)濕度為0.61，其他要素較差?？傮w上，青海長(zhǎng)序列高分辨率氣象要素柵格數(shù)據(jù)集在月尺度上相關(guān)系數(shù)、均方根誤差及標(biāo)準(zhǔn)偏差指標(biāo)方面表現(xiàn)較好，氣溫和相對(duì)濕度在日尺度上優(yōu)于其他要素。

3）與NCEP、ERA5、CLDAS幾類數(shù)據(jù)集評(píng)估結(jié)果對(duì)比顯示，青海長(zhǎng)序列高分辨率氣象要素柵格數(shù)據(jù)集氣溫?cái)?shù)據(jù)相關(guān)系數(shù)超過(guò)0.74，降水?dāng)?shù)據(jù)相關(guān)系數(shù)超過(guò)0.51，明顯高于除CLDAS外其他2個(gè)數(shù)據(jù)集，而且時(shí)空分辨率方面亦有優(yōu)勢(shì)。