上海自動站氣溫資料的空間質量控制與特征分析

傅娜，陳葆德，譚燕，周偉燦

(1．舟山市氣象局，浙江 舟山316021;2．上海臺風研究所，上海200030;3．南京信息工程大學，江蘇 南京210044)

0 引言

除雷達、衛星遙感、飛機觀測、GPS/MET等非常規資料外，自動站資料也是中尺度、短時臨近預報所依靠的重要資料之一，同時高分辨率的自動站觀測資料也可作為預報檢驗資料。目前上海有100多個自動站，其觀測要素主要有溫、壓、濕、風速風向和能見度等。由于自動站的特殊性，其分布密集、地形差異大、數據實時性強等，質量問題比人工常規站顯得更為復雜(陶士偉和徐枝芳，2007)，可能出現的數據誤差主要有系統誤差、粗大誤差、隨機誤差和微氣象誤差(王海軍等，2007)。因此需要對自動站資料進行質量控制。國內外針對氣象自動站資料的質量控制已作大量研究及應用(王新華等，2006;竇以文等，2008;任芝花等，2010)。孫娟和胡平(2009)對上海自動氣象站實時數據做了較有效的質量控制，但其空間一致性檢查由于采用站點與該站點所在的區域平均做比較，故一方面選取區域過大，另一方面忽略了微氣象誤差(World Meteorological Organization，2004)。微氣象誤差由小尺度天氣系統擾動引起。由于觀測系統的時空分辨率很高，所以小尺度天氣系統不能被所有的站點觀測到。當待測站觀測到此天氣事件(如暴雨)時，引起氣溫驟降，而鄰近站未觀測到，從而導致待測站與鄰近站相比，為“異常”。因此，本文將在此基礎上對自動站氣溫資料做進一步的空間質量控制。空間一致性檢查是自動站質量控制的常用方法之一，在實際工作中，使用較多的空間一致性檢查方法有空間插值法(Luo et al．，1998;Snell et al．，2000)、最近鄰域法(王海軍等，2007)、反向距離法(劉宇等，2006)、空間回歸檢驗法(劉小寧等，2006)、Madsen-Allerupt法(熊安元，2003)。目前利用 Barnes方法(Barnes，1964)進行空間質量控制的研究較少。郭靜(2011)采用Barnes方法對江蘇自動站進行了質量控制，由于其選取的影響半徑過大(50 km)，忽略了待測站點受天氣系統影響而出現的異常情況。此外，自動站資料也能反映城市熱島、海陸差異等特性。如辛跳兒等(2009)利用2005年1月至2008年8月上海市11個自動站逐時資料，分析了城市和郊區氣溫季節變化和日變化規律。本文將利用所有的上海自動站資料，對2011年7月1日00時至2012年6月30日23時(北京時間，下同)觀測期間逐時氣溫資料進行分析，通過Barnes插值方法進行高精度空間一致性檢查，同時考慮待測站點受天氣系統影響的情況;此外研究觀測資料的合理性與可靠性。

1 資料

1.1 自動站介紹

圖1 上海自動站分布(a)和上海分區情況(b)Fig．1 (a)Distribution of AWSs and(b)regionalization in Shanghai

上海自動氣象站(automatic weather station，AWS)主要包括中國氣象局審核的一、二級站點和上海市氣象局審核的一、二、三級站點，圖1a為上海地區自動站的分布情況。將整個上海劃分為16個區域(分別記為a1—a16，包括中心城區、8個郊區、1個郊縣及5個小島，詳見圖1b)，主要提供1 h累積雨量、氣溫、瞬時風速風向、能見度等實況資料，對應采用算術平均法進行面氣象要素的計算。本文使用的自動測站總數為129個。圖2為各區域分布的自動站點總數。可見，中心城區站點分布密集，其他各區站點數不足中心城區一半，同時站點的空間分布不均勻，如寶山、閔行站點均設置在區域邊界附近，此外崇明中東部站點稀缺，而奉賢有效站點僅為3個。從站點分布來看，氣象要素的面平均準確率，應是中心城區的資料最具代表性，相對而言，奉賢、崇明等幾個站點稀少、分布極不均勻的區域的代表性較差。因為自動站觀測資料具有高分辨特性，所以很難保障所有測站點都能滿足視野開闊無障礙物的環境要求。下面將對自動站點的氣溫資料進行驗證分析，研究自動站資料的可靠性。

1.2 所用的觀測資料

上海位于中國大陸海岸線中部的長江口，以中心城區向外拓展，其中寶山、浦東、南匯、奉賢、金山部分地區靠近海邊，此外包括3個主要島嶼——崇明島、長興島、橫沙島。本文選取2011年7月1日00時至2012年6月30日23時逐時自動站氣溫資料，研究觀測資料的可靠性。表1給出了選取時段內各區域觀測資料的缺測率。在上述觀測期內(即8 784 h)，平均缺測709 h，缺測率為8.1%(當各區域每個時次的站點少于90%時記為缺測)，分析發現:缺測較多時次的區域如浦東、嘉定、崇明分別對應 98612、98804、98004自動站點出現 48.6%、85.2%、76.4%的缺測率，將其剔除后，缺測率降為2.9%、1.5%、4.8%，說明觀測資料較完整。選取具有代表性的三個區域——浦東新區(這里不包括南匯地區)、中心城區和松江地區作為研究對象。

圖2 上海各區域的自動站點總數Fig．2 Amount of AWSs in each region of Shanghai

表1 各區域觀測資料的缺測率Table 1 The unobserved rate of observations in each region of Shanghai

2 觀測資料的空間質量控制方法

目前常規地面站下設置的自動站是有人工定時檢測觀測設備運行狀態的，相對來說，數據出現錯誤的概率較低，而其他自動站則缺乏定時維護，可能會出現錯誤的數據，同時本文采用的原始氣溫資料未考慮微氣象誤差等，此外在逐一分析站點時發現確實有個別的自動站點與鄰近的站點有較大差異，因此需要作進一步的空間質量控制。

對于孤立的錯誤資料，空間一致性檢查是極為有效的質量控制方法，本文采用Barnes客觀方法(Barnes，1964)進行站點排查。該方法計算簡單快速，適用范圍廣，是大氣科學研究和應用中常用的插值方法之一。本文主要將待測站插值后與自身的原始資料比較，誤差大于一定范圍(本文綜合考慮了國內空間一致性檢查所用的閾值(孫娟和胡平，2009;郭靜，2011))，這里假定溫差的絕對值大于等于5℃)時即可剔除，為避免影響半徑內其他站點有誤而造成待測站的誤差，在有限范圍內選取盡可能多的測站。具體方法主要應用Barnes方法的第一步，即形成任一站點的初估值Fo(k):

其中:

其中:Fo(k)為待測站k的初估值;F(i)為待測站周圍的第i個測站的觀測值;Wi為第i點的權重函數;R為影響半徑;ri為待測站k點與第i個測站的距離;φ為緯度;λ為經度;h為海拔高度;R0為地球半徑;N為測站數。

2.1 Barnes方法對上海自動站的質量控制

對觀測期間內的上海自動站氣溫資料質量控制時，定義初始影響半徑為2 km，在影響半徑內必須有大于等于5個測站，否則以增加0.5 km的形式擴大影響范圍，通過Barnes方法插值后濾去一些誤差較大的個別站點。個別站點主要集中在相同時刻相同站點上，這可能與自動站儀器出現故障未能及時維護有關，導致資料有一定的偏差，在初步的質量控制中未能剔除。由圖3可見，該日無天氣過程，從00時到18時，98609測站與其余測站的氣溫變化較一致，從19時起，該站表現極為異常，通過驗證發現該站及附近并無降水、大風等氣象條件的影響，可以判斷數據有誤。通過空間一致性的質量控制，共濾去了346個站點數據(含所有時刻)，進一步保證了所研究的觀測資料的可靠性。

2.2 Barnes方法的適用性

圖3 2011年7月13日中心城區所有自動站點氣溫的日變化(單位:℃)Fig．3 Daily change of air temperature at all AWSs in the central city on 13 July 2011(units:℃)

華東地區共有27 574個自動站點，采用上述Barnes方法對2012年4月24日08—19時的逐時自動站氣溫資料進行質量控制。由于華東站點分布相較上海站點稀疏，這里定義初始影響半徑為10 km，在影響半徑內必須有大于等于5個測站，否則以增加1 km的形式擴大影響范圍。插值后每個時刻平均濾去317個站點(無劇烈天氣影響)，詳見表2;同時將剔除站數最多與最少的時刻比較，發現有誤站點并非固定站點。上述說明，Barnes方法對自動站空間一致性質量控制效果較好，在華東地區具有一定的適用性。

表2 2012年4月24日華東自動站每小時有效站數和剔除站數Table 2 The hourly amount of effective station and removed station in East China on 24 April 2012

3 結果分析

3.1 非降水日氣溫特征

圖4 浦東新區自動氣象站的分布(其中虛線所圈的站點為海邊站點)Fig．4 AWS distribution in Pudong(the seaside stations in circle with dashed line)

圖5 所有非降水日陸地站點與海邊站點的逐時氣溫平均(a;單位:℃)和逐時氣溫變化率(b;單位:℃/h)Fig．5 Hourly(a)average temperature(units:℃)and(b)temperature change rate(units:℃ /h)of land and seaside stations without precipitation

浦東新區地理位置特殊，南面與南匯、閔行接壤，西面與中心城區、寶山隔黃浦江相望，北與崇明隔長江相望。圖4為該區域的自動站點分布，其中5個為海邊站點。比較非降水日(浦東新區366 d內212 d基本無降水)情況下，陸地站點和海邊站點的逐時平均氣溫(圖5a)，可以看出，氣溫具有顯著的日變化特征，且兩者氣溫由于海陸風的影響呈現差異。陸地站點熱容量較小，導致白天陸地站點氣溫高于海邊站點，13時兩者差異最大，約為0.74℃，同時陸地站點(13時)達到最高氣溫的時間稍早于海邊站點(14時);日落以后，陸地站點降溫快于海邊站點，18時左右兩者差異最小，輻射降溫使得海邊站點氣溫高于陸地站點，05—06時左右達到一天中的最低氣溫，同時在06時左右差異最大，約為0.79℃;日出后升溫使得兩者差異減小，09時差異最小。從氣溫逐時變化率也可得到相同的結論(圖5b)，陸地13時(海邊14時)左右升溫率由正轉為負，出現日最高氣溫，隨后開始降溫，05—06時降溫率由負轉為零，出現日最低氣溫，此外09時與18時分別是一日中逐時升溫與降溫最大的時刻。通過對兩者差異進行逐時t檢驗，發現除06—09時、18時外都達到了0.01顯著性水平，說明海陸氣溫存在的差異較穩定，此外09時、18時差異不明顯也符合以上結論。

在非降水日情況下，導致兩者日氣溫變化存在差異的原因是:1)太陽輻射差異。晴好天氣與陰天的溫度日變化有時會存在明顯差異，前者表現出明顯的海陸站差異，后者溫度日變化趨于一致。從圖6中連續兩日的自動站氣溫逐時變化(箱線圖顯示的是數據分散情況)可見，8月8日晴好天氣，午后自動站之間的氣溫有較大不同，14時氣溫最大相差4℃，陸地平均溫度高于海邊2℃，而8月9日陰天天氣，午后海邊溫度稍高于陸地，所有站點的溫度差異較小，符合海陸熱力效應原理。2)與海風有較好的相關。根據大氣動力學原理，不考慮科氏力影響時運動方程為可知，海陸風與海陸溫差有較大的關聯。海陸風的影響程度分為3種情況(李慶寶等，2008):1)明顯的海陸風。即夜間為陸風，早晨陸風減小，并逐漸轉為海風，午后海風最大，傍晚再轉為陸風。2)有海陸風影響，但不十分明顯。如白天陸風減小或海風增大;或風速變化不大。3)基本無海陸風影響。即風向風速都變化不大。圖7為7月25日海陸站點平均氣溫的逐時變化率。可見，海邊站點從12時后開始降溫，到13時氣溫迅速下降，其中98613、98606站點1 h降溫幅度分別為2.5、1.0℃，而陸地站點從15時開始降溫。當日的天氣晴好，無天氣過程。但從兩海邊站的風速、風向變化(圖8)可見，氣溫在13時陡降與海風有較好的相關。98613自動站點(圖8a)13時由原先12時的3 m/s南風迅速增大并轉向為6 m/s的東南偏東風，致使氣溫1 h內降低2.5℃;98606自動站點(圖8b)也有類似的結果，只是在偏東風作用下，呈階梯式降溫2℃/(3 h)。

3.2 與天氣過程的比較

圖62011年8月8日(晴天)與9日(陰天)逐時氣溫變化(單位:℃;其中箱線圖為所有海陸站點的氣溫分布)Fig．6 Hourly temperature variations on 8(clear day)and 9(cloudy day)August 2011(units:℃;the box plot for temperature distribution of all seaside stations)

為了檢驗自動站的靈敏性和資料的可靠性，對觀測期間內降水較多時段的氣溫、降水資料進行比較。選取的降水日共23 d，每日都有短時強降水(至少有1 h降水量超過5 mm)。結果表明，自動站氣溫變化與降水的發生有很強相關性，反應靈敏(圖略)。圖9為8月12日氣溫和降水的日變化情況。由圖9a可見，早上有兩段明顯的氣溫驟降過程，這與受較強雷暴云團影響產生兩陣短時強降水過程(圖9b)有關，隨著降水減弱停止，在日照作用下，氣溫逐步升高，16時達最大。這說明自動站資料能夠充分反映有天氣過程時氣象要素的變化特征，靈敏度可信。

圖7 2011年7月25日海陸站平均氣溫逐時變化率(單位:℃/h)Fig．7 Hourly change rate of average temperature of land and seaside stations on 25 July 2011(units:℃ /h)

圖82011年7月25日浦東海邊站98613(a)和98606(b)的風速(實線;單位:m/s)、風向(虛線;單位:(°))逐時變化Fig．8 Hourly changes of wind speed(units:m/s;solid lines)and direction(units:(°);dashed lines)of seaside stations(a)98613 and(b)98606 in Pudong on 25 July 2011

3.3 城市熱島效應

在高強度的經濟活動下，氣溫變化有著顯著的局地特征，城郊下墊面溫差逐步擴大，城市熱島效應非常明顯。周淑貞和張超(1982)對上海城市熱島現象進行研究，認為上海測站出現城市熱導效應。但與20世紀80年代相比，當前的土地利用類型已發生明顯改變(黎治華等，2011)。近年來，松江、浦東地區城市化進程加速，但相對中心城區，建筑物密度仍然較小，下墊面性質的改變較少。這里選取中心城區、松江地區(遠郊)、浦東新區(近郊)平均氣溫的日變化(圖10)進行研究。可見，在基本無降水的天氣下(共191 d)，中心城區的氣溫總體高于松江、浦東地區，白天中心城區與松江的差異(簡稱中松差異)較小，06時左右兩者溫差達到最大(1.48℃)。兩者差異的逐時t檢驗表明，除12—17時外，均通過0.01信度的顯著性檢驗，說明熱島效應呈現明顯的日變化，夜晚強、白天弱。中心城區與浦東的差異(簡稱中浦差異)也有類似結論，兩者差異的逐時t檢驗表明，除08—10時外均通過0.01信度的顯著性檢驗。比較發現，中浦差異不如中松差異明顯，主要原因在于浦東受到海陸風的影響。此外，后半夜城郊溫差隨時間相對穩定，這是因為熱島效應成為了主要的氣溫控制因素。日出后07—08時，松江(浦東)的升溫率大于中心城區(圖略)，主要原因是:1)早晨太陽高度角較低，由于建筑物的阻擋，城市太陽輻射相對郊區較弱;2)城市空氣中懸浮顆粒比郊區較多，能到達的輻射比郊區較弱(鄧蓮堂等，2001)。由于這兩個原因使該時間中心城區的輻射相對較弱，從而導致中心城區與松江、浦東間的溫差迅速減小。總之，城市熱島效應分析結果表明自動站觀測資料在合理范圍內。

圖92011年8月12日浦東自動站氣溫(a;單位:℃)和降水量(b;單位:mm)的日變化Fig．9 Daily changes of(a)temperature(units:℃)and(b)precipitation(units:mm)of AWSs in Pudong on 12 August 2011

圖10 非降水日中心城區(實線)、松江地區(點劃線)和浦東新區(虛線)自動站平均氣溫的日變化(單位:℃)Fig．10 Daily change of average temperature of AWSs in central city(solid line)，Songjiang(dash-dotted line)，Pudong(dashed line)without precipitation(unit:℃)

4 結論

為滿足和適應日益高漲的氣象服務需求，高分辨率的觀測資料是必不可少的，除了用于研究和預報中小尺度、短時效天氣，還可以應用于資料同化方面，因此對于自動站觀測資料的質量檢查顯得尤為重要。本文選取2011年7月1日00時至2012年6月30日23時逐時自動站氣溫資料來研究觀測資料的可靠性。主要通過Barnes插值方法進行空間一致性質量控制，剔除個別問題站點，同時發現Barnes插值方法在華東地區有一定的適用性。此外，主要對上海有代表性的區域——浦東、中心城區和松江地區進行資料分析，結果如下:

1)非降水日情況下，陸地站點和海邊站點的氣溫具有顯著的日變化特征。每日09時與18時左右兩者之間差異最小;白天(夜晚)，陸地(海邊)站點氣溫高于海邊(陸地)站點，最高(低)氣溫差異約為0.74℃(0.79℃);多數時刻海陸差異通過0.01信度的顯著性檢驗。此外，海陸日氣溫變化曲線不同的原因與日照、風向風速相關。

2)自動站資料能夠充分反映出有天氣過程時氣象要素的變化特征，靈敏度可信。

3)自動站觀測資料能夠體現城市熱島效應。

由于本文所用資料樣本較少，故由此所得統計結果的代表性、可靠性有待進一步驗證。此外，Barnes方法用于空間一致性質量控制效果較好，但是將其用于整個華東地區時機時耗費較大，有待通過分省質量控制，以提高效率。

鄧蓮堂，束炯，李朝頤．2001．上海城市熱島的變化特征分析［J］．熱帶氣象學報，17(3):273-280．

竇以文，屈玉貴，陶士偉，等．2008．北京自動氣象站實時數據質量控制應用［J］．氣象，34(8):77-81．

郭靜．2011．加密自動站資料的質量控制及其變分同化試驗［D］．南京:南京信息工程大學．

李慶寶，苗世光，孫桂平，等．2008．青島奧帆賽場不同背景條件下的海陸風特征［J］．氣象，34(S1):54-63．

黎治華，高志強，高煒，等．2011．上海近十年來城市化及其生態環境變化的評估研究［J］．國土資源遙感，23(2):124-129．

劉小寧，鞠曉慧，范邵華．2006．空間回歸檢驗方法在氣象資料質量檢驗中的應用［J］．應用氣象學報，17(1):37-43．

劉宇，陳泮勤，張穩，等．2006．一種地面氣溫的空間插值方法及其誤差分析［J］．大氣科學，30(1):146-152．

任芝花，趙平，張強，等．2010．適用于全國自動站小時降水資料的質量控制方法［J］．氣象，36(7):123-132．

孫娟，胡平．2009．上海自動氣象站實時質量控制系統研究［J］．氣象水文海洋儀器，26(4):38-41．

陶士偉，徐枝芳．2007．加密自動站資料質量保障體系分析［J］．氣象，33(2):34-41．

王海軍，楊志彪，楊代才，等．2007．自動氣象站實時資料自動質量控制方法及其應用［J］．氣象，33(10):102-109．

王新華，羅四維，劉小宇，等．2006．國家級地面自動站A文件質量控制方法及軟件開發［J］．氣象，32(3):107-112．

辛跳兒，李軍，賀千山，等．2009．上海地區城市和郊區氣溫差異特征分析［J］．大氣科學研究與應用(1):10-17．

熊安元．2003．北歐氣象觀測資料的質量控制［J］．氣象科技，31(5):314-320．

周淑貞，張超．1982．上海城市熱島效應［J］．地理學報，37(4):372-382．

Barnes S L．1964．A technique for maximizing details in a numerical weather map analysis［J］．J Appl Meteor，3(4):396-409．

Luo Z，Wahba G，Johnson D R．1998．Spatial temporal analysis of temperature using smoothing spline ANOVA［J］．J Climate，11(1):18-28．

Snell S E，Gopal S，Kaufman R K．2000．Spatial interpolation of surface air temperatures using artificial neural networks:Evaluating their use for downscaling GCMs［J］．J Climate，13(5):886-895．

World Meteorological Organization．2004．Guidelines on quality control procedures for data from Automatic Weather Stations［R］．