中國區域地面氣象要素數據集在長江上游流域的適用性評估

王留杰,張行南,2,方園皓,夏達忠,2

(1.河海大學水文水資源學院,江蘇南京210098；2.河海大學水資源高效利用與工程安全國家工程研究中心,江蘇南京210098)

中國區域地面氣象要素數據集在長江上游流域的適用性評估

王留杰1,張行南1,2,方園皓1,夏達忠1,2

(1.河海大學水文水資源學院,江蘇南京210098；2.河海大學水資源高效利用與工程安全國家工程研究中心,江蘇南京210098)

從中國區域地面要素數據集中選取1980年～2010年中國區域的降水和氣溫兩個要素，與實測降水、氣溫資料進行對比分析,采用確定性系數、納什系數、平均誤差和均方根誤差4個指標分別從時間變化特征和空間分布特征兩個方面對地面要素集的降水資料和氣溫資料在長江上游流域內數據質量進行系統性評估。結果表明,氣象網格數據與實測數據總體誤差較小,納什系數接近于1,擬合度高,具有很好的一致性；氣溫數據具有很好的一致性,而降水數據在不同子流域數據質量不同。

數據質量評估；中國區域地面氣象要素數據集；中國地面氣候資料日值數據集

中國區域地面氣象要素數據集(China Meteorolo-gical Forcing Dataset,CMFD)是中國科學院青藏高原研究所開發的一套近地面氣象與環境要素再分析數據集。該數據集是以國際上現有的Princeton再分析資料、GLDAS資料、GEWEX-SRB輻射資料以及TRMM降水資料為背景場,融合了中國氣象局常規氣象觀測數據制作而成[1-3]。目前,已有學者用該數據針對不同流域、不同研究和不同的氣象要素進行應用與評估。如：Bao-Lin Xue等[4]人發現CMFD可很好地模擬出青藏高原的那曲河流域夏季能量通量和地表溫度等。闞寶云等[5]分析了2003年～2009年基于衛星觀測的降水數據CMORPH、TMPA、3B42V6、中國科學院青藏高原研究所的融合數據ITPCAS和基于地面臺站的APHRODIT(2003年～2007年)4套降水數據集在葉爾羌河上游流域的時空分布特征,空間分布上,4套降水資料在研究流域的差異較大；時間序列上,4套降水資料與流域站點降水存在著不同程度的差異。趙捷等[6]基于站點氣象數據及CMFD利用Spline插值方法對黑河流域潛在蒸發量(PET)進行估算發現Spline空間插值獲得的PET空間分布與柵格數據計算獲得的結果基本一致。Donglin Guo等[7]模擬了青藏高原的永久凍土和季節性凍土的狀況,模擬的趨勢是接近地表凍土區域的,只是模擬值稍微偏大。Chen,Y等[8]利用CMFD為Noah驅動模擬中國干旱半干旱地區的地表面溫度,其平均誤差比用GLDAS數據作為驅動明顯減小,取得了滿意的模擬結果。從目前CMFD的應用結果來看,缺少對CMFD降水和氣溫數據在長江上游流域的質量評估,而降水和氣溫是陸面模式的重要驅動輸入。鑒此,本文選取1980年～2010年的中國區域地面要素數據集中的降水和氣溫兩個要素與實測資料,采用確定性系數、平均誤差和均方根誤差等指標,分別從時間變化特征和空間分布特征兩個方面對地面要素集降水資料和氣溫資料在長江上游流域內數據質量進行系統性評估。

1 資料和方法

1.1 資料

中國區域實測站點數據是由國家氣象信息中心提供的1951年～2010年的中國地面氣候資料日值數據集(V3.0)(obs)。該數據集包含了824個基準、基本氣象站,1951年1月以來該站氣壓、氣溫、降水量、蒸發量、相對濕度、風向風速、日照時數和0 cm地溫要素集。中國地面氣候資料是日值數據,選取長江上游77個氣象站1980年～2010年的逐日平均氣溫及降水量數據,以此為基礎整合合成月尺度降水數據和氣溫數據。

中國區域地面氣象要素數據集時間跨度為1980年～2010年,其時間分辨率為 3 h,水平空間分辨率 0.1°,水平空間覆蓋范圍70°E-140°E、15°N-55°N中國陸地區域,包含近地面氣溫、近地面氣壓、近地面空氣比濕、近地面全風速、地面向下短波輻射、地面向下長波輻射、地面降水率,共 7 個要素(變量)[9-11]。中國區域地面氣象要素數據集是按3 h時間尺度生成各氣象要素,本文在此基礎合成月尺度降水數據和氣溫數據,并篩選出與站點相對應的77個網格數據。

1.2 評估方法

根據地面觀測站點與氣象數據網格的空間關系篩選出對應的網格。以月為尺度進行數據的對比驗證,采用的指標主要包括變化趨勢、擬合優度即確定系數(R2)來表示相關性、平均偏差(EAVE)、納什系數(ENS)和均方根誤差(ERMS)等。即

(1)

(2)

(3)

(4)

2 區域月尺度數據變化趨勢

2.1 變化過程時段統計特征

在時間尺度上，計算了實測降水與網格降水在整個長江上游流域的月降水量、實測氣溫與網格氣溫在整個長江上游流域的逐月平均值,并繪于圖1和圖2。從圖1中可以看出,1980年～2010年網格數據與實測數據總體具有很好的一致性；只有1986年7月和1996年7月2個月中,網格數據略大于實測數據,分別大了11.7%和25.53%。從圖2可以看出,網格數據與實測數據具有非常好的一致性,在月尺度上網格數據比實測數據偏小,偏差在10.9%。

圖1 長江上游流域網格與實測月降水量變化

圖2 長江上游流域網格與實測逐月平均氣溫變化

2.2 趨勢性檢驗

趨勢性檢驗的方法采用seasonal-kendall(SK)檢驗法[12],SK檢驗是一種僅考慮數據相對排列的非參數檢驗方法,該檢驗可用于資料系列存在漏測值、未檢出值以及變量分布與正態分布無關的時間序列,季節上可為個？月[13]。SK趨勢檢驗輸出的結果主要包括變化率τ值和顯著性水平p值,τ值為正代表上升,為負代表下降0.05

2.2.1 網格數據月降水變化過程的趨勢性檢驗

基于長江上游流域的11個子流域,計算了1980年～2010年的網格與實測月降水數據在各個子流域的平均月降水,對各子流域平均月降水序列的趨勢性進行了檢驗(見表1)。

表1 各子流域網格和實測降水數據的SK趨勢檢驗結果

注：τ>0代表上升,τ<0代表下降；**表示在0.05顯著性水平下存在趨勢；*表示在0.1顯著性水平下存在趨勢。

由表1可看出,實測數據只有雅礱江流域的降水表現為顯著性增加,其他子流域無顯著性變化；網格數據顯在大渡河和沱江流域降水表現為顯著性減少,其他子流域無顯著性變化。

2.2.2 網格數據月氣溫變化過程的趨勢性檢驗

采用與降水變化相同的趨勢性檢驗方法,同樣基于長江上游流域的11個子流域,根據1980年～2010年網格與實測月氣溫數據計算了各個子流域的平均月降水,并對其序列的趨勢性進行了檢驗,結果見表2。由表2可見,整個長江上游流域氣溫都有明顯的上升趨勢；網格數據與實測數據一致,也表現出在整個長江上游流域氣溫有明顯的上升趨勢[15]。

3 網格數據與實測數據的相關分析

在空間尺度上從整個長江流域上游與子流域兩個角度進行網格與實測數據的相關分析,逐月計算網格數據與實測數據在流域上的確定系數R2(見圖3)。

表2 各子流域網格和實測氣溫數據的SK趨勢檢驗結果

圖3 長江上游流域確定性系數

3.1 降水數據的相關分析

從圖3可見,1980年～2010年網格數據與實測數據月降水具有很高的擬合度,尤其是中低位的數據,確定性系數近似為1。表3顯示,11個子流域的確定性系數都大于0.8,且除沱江流域外的其他流域都在0.9以上,更有大部分子流域的確定性系數在0.95以上。

表3 降水資料質量評估

與實測數據相關性的時間變化特征。計算網格數據和實測降水資料在長江上游流域的確定系數的逐月序列,并對確定系數時間系列進行了趨勢分析(見圖4和表3、表4)。結果表明：對于整個長江上游流域,網格數據與實測數據具有很好的相關性；網格數據與實測數據的相關性具有季節性,1月份和12月份相對較低,10月份相對較高。總體上,確定系數均在0.85以上。

圖4 不同月份降水、氣溫數據與實測數據在長江上游流域的確定性系數

表4 網格數據與實測降水數據確定系數時間序列SK檢驗

3.2 氣溫數據的相關分析

首先計算實測氣溫與網格氣溫在長江上游流域的逐月確定系數,并畫出其逐月變化曲線[16](見圖5)。

圖5 長江上游流域網格與實測氣溫數據逐月確定系數

從圖5可以看出,1980年～2010年網格數據與實測數據總體具有較好的一致性,相關系數均在0.85以上。除了1996年1月份的相關系數為0.86,其余月份的相關系數都在0.9以上。根據表5可以看到,11個子流域中,每個子流域的確定性系數高達0.99,更有部分流域確定性系數接近于1。同樣,對相關系數時間系列進行了趨勢分析,發現溫度的確定系數基本上不隨月份變化,不具有明顯的季節性,全年1月～12月,確定系數均在0.95以上,全年都具有很強的相關性(見圖3)。

表5 氣溫資料質量評估

4 誤差分析

4.1 降水數據的誤差分析

以實測降水數據為基準,采用EAVE、ENS和ERMS3個指標,對網格數據進行誤差分析,主要對子流域部分進行誤差分析(見表3)。逐月計算網格數據與實測數據在長江上游流域所有站點的降水數據的誤差指標,同時也計算了誤差指標在長江上游流域的逐月變化序列在各月份的均值(見圖6)。分析計算結果表明：

圖6 網格降水數據EAVE和ERMS的季節變化

(1)網格數據的EAVE的絕對值在大部分流域都在1左右,與實測數據偏差不大,除了嘉陵江、金沙江下游和長江上游干流流域以外其他的九個流域的EAVE均為負值。EAVE具有明顯的季節性,由于受降水的影響,呈現以年為周期的變化。

(2)網格數據的ENS均在0.75以上,沱江流域的ENS為0.772,大渡河流域的ENS為0.806以外,其他九個子流域的納什效率系數均在0.95以上。納什系數在年內分布均在0.9左右,無明顯季節性差異。

(3)網格數據的ERMS,大渡河和沱江流域的明顯偏大都在30以上,其他流域的ERMS都在15左右,在嘉陵江、金沙江上游和雅礱江流域ERMS只有7左右。根據SK檢驗,ERMS具有明顯的季節性,受降水季節的影響,夏季偏差較大,冬季偏差較小,具有非常明顯的季節性。

4.2 氣溫數據的誤差分析

采用與降水誤差相同的分析方法,同樣以實測氣溫數據為基準,采用EAVE、ENS和ERMS3個指標,對網格數據進行誤差分析,主要從子流域部分進行誤差分析(見表5)。逐月計算網格數據與實測數據在長江上游流域所有站點的氣溫數據的誤差指標,同時也計算了誤差指標在長江上游流域的逐月變化序列在各月份的均值。結果表明：

(1)網格數據的EAVE的絕對值在大部分流域都在1左右,最大的偏差是涪江流域為-6.52,與實測數據偏差不大,除了赤水河和沱江流域以外其他的九個流域的EAVE均為負值。EAVE年內分布比較均勻,不具有明顯的季節性變化。

(2)網格數據的ENS在每一個子流域中都為0.999,并且在年內分布均在0.9左右,無明顯季節性差異。

(3)網格數據的ERMS,在涪江與沱江流域相對較大,分別為6.56和7.87,赤水河流域ERMS值只有0.54,并且ERMS分布并無明顯的季節性變化。

5 對網格降水與氣溫數據質量的總體評價

從整個長江上游流域逐月平均值來看(見圖1),網格月降水數據與實測數據在1980年～2010年均具有較好的一致性；在1980年～2010年,網格月氣溫數據與實測數據時間變化上具有高度一致性(見圖2)。從相關性看,網格與實測的月降水的確定性系數均大于0.8,具有較好的一致性；除沱江流域以外,其他子流域的確定性系數,均大于0.9；而網格月氣溫數據的確定性系數均在0.99以上。從各項誤差指標來看,網格數據的EAVE的絕對值在大部分流域都在1左右,與實測數據相差不大,降水數據的ENS均在0.75以上,氣溫數據的ENS在每一個子流域中都為0.999,降水和氣溫均具有很高的擬合度,對于降水數據的ERMS,在大渡河和沱江流域明顯偏大都在30以上,其他流域的ERMS都在15左右,誤差在接受范圍,氣溫數據的ERMS最大只有7.87。

因此,對于整個長江上游流域以及每一個子流域,網格數據與實測數據具有很高的一致性,能夠真實地反映長江上游流域降水和氣溫的時空分布與變化。

[1]MA Yaoming, SU Zhongbo, KOIKE T, et al. On measuring and remote sensing surface energy partitioning over the Tibetan Plateau—from GAME/Tibet to CAMP/Tibet[J]. Physics & Chemistry of the Earth Parts A/B/C, 2003, 28(1- 3): 63- 74．

[2]ABATZOGLOU J T. Development of gridded surface meteorological data for ecological applications and modelling[J]. International Journal of Climatology, 2013, 33(1)： 121- 131.

[3]SHEFFIELD J, GOTETI G, WOOD E F. Development of a 50-Year High-Resolution Global Dataset of Meteorological Forcings for Land Surface Modeling[J]. Journal of Climate, 2006, 19(13)：3088- 3111.

[4]XUE B L, WANG L, YANG K, et al. Modeling the land surface water and energy cycles of a mesoscale watershed in the central Tibetan Plateau during summer with a distributed hydrological model[J]. Journal of Geophysical Research Atmospheres, 2013, 118(16): 8857- 8868．

[5]闞寶云, 蘇鳳閣, 童凱, 等. 四套降水資料在喀喇昆侖山葉爾羌河上游流域的適用性分析[J]. 冰川凍土, 2013, 35(3): 710- 722．

[6]趙捷, 徐宗學, 左德鵬. 黑河流域潛在蒸散發量時空變化特征分析[J]. 北京師范大學學報： 自然科學版, 2013(Z1)： 164- 169．

[7]GUO Donglin, WANG Huijun. Simulation of permafrost and seasonally frozen ground conditions on the Tibetan Plateau, 1981—2010[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(11)： 5216- 5230.

[8]CHEN Y, YANG K, HE J, et al. Improving land surface temperature modeling for dry land of China[J]. Journal of Geophysical Research Atmospheres, 2011, 116(D20)： 999- 1010．

[9]YANG K, HE J, TANG W J, et al. On downward shortwave and longwave radiations over high altitude regions: Observation and modeling in the Tibetan Plateau[J]. Agricultural and Forest Meteorology, 2010, 150(1): 38- 46．

[10]HE J. Development of surface meteorological dataset of China with high temporal and spatial resolution (in Chinese)[D]. Institute of Tibetan Plateau Research, Chinese Academy of Sciences, 2010．

[11]何杰, 陽坤. 中國區域高時空分辨率地面氣象要素驅動數據集[DB/OL]. 中國科學院青藏高原研究所,寒區旱區科學數據中心, 2011. http:∥westdc.westgis.ac.cn/data/7a35329c-c53f- 4267-aa07-e0037d913a21

[12]HIRSCH R M, SLACK J R, SMITH R A. Techniques of Trend Analysis for Monthly Water Quality Data[J]. Water Resources Research, 1982, 18(1)： 107- 121．

[13]SMITH R A, HIRSCH R M, SLACK J R. A study of trends in total phosphorus measurements at NASQAN stations[R]. United States Geological Survey, Water-supply Paper 2190, 1982．

[14]王文, 汪小菊, 王鵬. GLDAS月降水數據在中國區的適用性評估[J]. 水科學進展, 2014(6): 769- 778．

[15]王順久. 長江上游川江段氣溫、 降水及徑流變化趨勢分析[J]. 資源科學, 2009, 31(7)： 1142- 1149．

[16]汪小菊, 王文, 王鵬. GLDAS月氣溫數據在中國區的適用性評估[J]. 水電能源科學, 2014(11): 10- 13, 57．

(責任編輯 陳 萍)

Applicability Assessment of China Meteorological Forcing Dataset in Upper Yangtze River Basin

WANG Liujie1, ZHANG Xingnan1,2, FANG Yuanhao1, XIA Dazhong1,2

(1. College of Hydrology and Water Resources, Hohai University, Nanjing 210098, Jiangsu, China;2. National Engineering Research Center of Water Resources Efficient Utilization and Engineering Safety,Hohai University, Nanjing 210098, Jiangsu, China)

To assess the applicability of China Meteorological Forcing Dataset (CMFD) in upper Yangtze River Basin, the time variation and spatial distribution of precipitation and temperature between 1980 and 2010 are chosen and then compared with Chinese sites-based observations in terms of goodness of fit, Nash-Sutcliffe coefficient, mean bias error and root mean square error. The results show that the precipitation and temperature of CMFD are generally good consistency with those of observations in terms of a lower bias, a higher NS coefficient and a higher goodness of fit. In addition, the temperature data show a good consistency while the quality of CMFD precipitation data is different in different sub-basins．

data quality assessment; China Meteorological Forcing Dataset; Chinese Surface Climate Dataset

2016- 08- 10

國家自然科學基金資助項目(51420105014)；中國長江三峽集團公司資助項目(0799556)

王留杰(1991—),男,河南鄭州人,碩士研究生,主要從事水文物理規律模擬及水文預報研究．

P338.8；P468.4

A

0559- 9342(2017)03- 0018- 05