基于名單控制方法的探空測風數據質量分析*

楊國彬 郭啟云 舒康寧 夏元彩

1 云南省氣象信息中心，昆明 650034 2 中國氣象局氣象探測中心，北京 100081

提 要： 提出一種基于觀測數據獲取率、獲取準時率、質量控制正確率和模式一致率的綜合名單控制方法，使用2019年全國120個探空站測風數據對該方法進行驗證，并對觀測數據質量進行分析。結果顯示：名單控制可以有效檢查出觀測數據存在問題的站點，名單站點觀測數據相對于模式數據存在明顯的系統性偏差，偏差和均方根誤差相對于全國平均值都顯著偏大。探空測風數據質量較好，四季風向、風速觀測數據和模式數據較為一致，偏差分別在±1°和±1.5 m·s-1內；秋季風向一致性較好；夏季和冬季風速一致性低于春季和秋季；風向一致性春季和夏季隨氣壓減小先減小后增大，秋季和冬季則相反；風速一致性隨氣壓減小基本呈三峰型變化。

引 言

探空觀測可以定點定時進行高空氣象數據的觀測，受地物、地形及人類活動的影響較小，其數據是我國主要的氣象數據類型之一(高山，2014)；與各種遙測技術，如風廓線雷達相比(萬蓉等，2011；吳志根等，2013；曲巧娜等，2016；王棟成等，2019)，它具有探測精度高，探測距離遠的特點(郭啟云等，2018b；曹曉鐘等，2019；胡姮等，2019)。探空觀測數據常被用于檢驗數值預報、再分析和遙感探測產品(趙天保和符淙斌，2009；王金成等，2017；程凱琪等，2020；郭啟云等，2020b)，在科研、模式預報、天氣分析、農業和各類氣象服務之中發揮著重要的作用(吳泓錕等，2019；李芳芳等，2019；錢媛等，2019)。但由于電磁干擾、儀器變性、信號突失、下沉氣流和儀器故障等情況會造成探空觀測數據異常，而探空觀測數據質量會直接影響到數據應用的效果，因此，在數據使用前需對其進行必要的質量控制(中國氣象局，2010)。

大氣風場資料是天氣演變分析中最直觀和最有價值的資料之一(周長艷等，2015)，根據大氣風場的演變，尤其是高空風，可以了解中小尺度強對流天氣發生發展的某些重要物理過程(張培昌等，2001；陳鵬等，2015;王麗吉和楊程，2018；李金輝等，2020)，比如高空槽脊的位置，高、低空急流的強度和深度，冷、暖平流的分布等；高時空分辨率和高精度的風場觀測數據能夠有效提高數值天氣預報準確性，對提高強對流生成發展趨勢預報能力有重要的意義(李娟等，2016)；此外，通過對高空風的研究，可以為風電開發企業和政府可持續開發利用風能資源提供很多參考(孟丹等，2019)。而探空測風是業務和科研主要高空風觀測手段之一(董新寧等，2017)，因此，探空測風數據的質量一直是眾多學者關注的重點，國內外已有很多機構和學者采用不同方法對探空測風數據進行質量控制(Durre et al，2006；Liao et al，2014；Houchi et al，2015；廖捷和周自江，2018；王丹等，2020)和質量評估(郭啟云等，2018a)。

目前，我國針對探空測風數據的質量控制主要包括不同高度層的風速允許值范圍檢查和水平風場的垂直切變檢查等(汪萬林等，2011；Liao et al，2014)，或者通過模式預報場的評估結果進行質量控制(郭啟云等，2020a)。黑名單檢查可以剔除與背景場差異較大的觀測站點(White，2003；St-James and Laroche，2005)，但是目前針對探空觀測數據的黑名單通常來自和觀測數據質量相關的一些先驗信息，或者通過分析質量控制結果、比較觀測和背景場的偏差等方式來確定(莊照榮等，2014)?，F有對于探空觀測數據的名單控制方法的研究存在定性化、判斷依據單一等問題，本文旨在提出一種基于觀測數據獲取、常規質量控制和背景場檢查的綜合觀測數據名單控制方法，據其將觀測站點分別列入黑、黃、白名單，從而為數據用戶提供參考；使用2019年全國探空測風數據對名單控制方法進行驗證，并對2019年全國探空測風數據進行質量分析。

1 數據和方法

1.1 數 據

從全國綜合氣象信息共享平臺(China Integrated Meteorological Information Service System，CIMISS)(熊安元等，2015)獲取經過國、省、臺站三級質量控制的帶有質量控制碼的2019年1月1日至12月31日119個(全國探空站共120個，沈陽站2019年4月1日起停止提供數據)探空站每天兩個時次(00和12 UTC，下同)的探空測風數據。通過對質量控制結果的統計(表1)發現，2019年全國探空測風數據質量較好，各月正確數據占比均大于98%，數據缺測是探空測風數據存在的主要問題，可疑和錯誤均較少，部分月份會對數據進行修改。

模式背景場資料采用相同時段的中國氣象局數值預報中心研發的全球與區域同化預報系統(Global-Regional Assimilation and Prediction System，GRAPES)的東北半球區域中尺度預報產品GRAPES_GFS v2.0(張萌等，2019)，空間分辨率為0.25°×0.25°，垂直方向從1 000～10 hPa，共26層；本文使用的是每個觀測時次前一時次的12 h預報產品與觀測數據進行對比分析。

在名單站點分析中引入歐洲中期數值預報中心(European Centre for Medium-Range Weather Forecasts，ECMWF，簡稱EC)東北亞地區高分辨率數值確定性預報產品進行對比分析，該數據空間分辨率為0.25°×0.25°，垂直方向從925～10 hPa，共19層，無30 hPa等壓面。

參照日本氣象廳(Japan Meteorological Agency，JMA)對探空測風數據的評估標準(http:∥qc.kishou.go.jp/)進行觀測數據粗大誤差的剔除，風速涉及的標準等壓面包括1 000、925、850、700、500、400、300、250、200、150、100 hPa，風向涉及的標準等壓面包括500、400、300、250、200、150 hPa，基于上述標準等壓面數據展開研究。

1.2 方 法

基于CIMISS探空測風數據獲取量、數據獲取時間和數據質量控制碼等有關信息計算觀測數據獲取率、獲取準時率和質量控制正確率，并基于觀測數據與GRAPES模式預報數據的偏差和均方根誤差計算模式一致率。定義綜合觀測數據質量指數為R，則：

(1)

R=0.1R1+0.1R2+0.4R3+0.4R4

(2)

某站點某觀測時次，R1為實際從CIMISS獲取的數據總量與應該獲取的數據總量的比率，只要任意從CIMISS獲取到該站任意標準等壓面的觀測數據，則認為數據獲取成功；R2為每個觀測時次之后120 min內獲取的數據總量與實際獲取的數據總量的比率；R3為標準等壓面上質量控制碼為0(數據正確)、4(數據為修改值)的數據總量與實際獲取的數據總量的比率。

1.2.1 模式一致率

以GRAPES模式預報產品作為背景場數據，通過計算觀測數據與背景場數據的偏差(Bias)和均方根誤差(RMSE)，根據偏差小于閾值的比例計算出對應的模式一致率R4。具體計算步驟如下：

若某時次某一標準等壓面上，某探空站點觀測數據為O，背景場數據為B，則觀測偏差為：

Bias=O-H(B)

(3)

式中:H為觀測算子，即通過水平和垂直的空間插值將格點上的背景場數據插值到站點。

某站點j觀測數據與背景場數據的均方根誤差為：

(4)

式中:M為計算時段內，第j個觀測站點某一標準等壓面的觀測數據總量，則所有觀測站點的平均均方根誤差為：

(5)

式中:N為觀測站點總量。

(6)

1.2.2 名單控制標準

通過上述方法計算各探空站在每個觀測時次的數據質量因子，進行月平均，再根據式(2)計算得到各個站點的月平均綜合觀測數據質量指數R，根據表2中的名單控制標準(相關界限值通過一年的數據多次試驗得出，能夠較好地控制不同名單站點的比例)，將各觀測站點列入不同的名單。站點若被列入黑名單，則認為其觀測數據可能存在較為嚴重的錯誤；若被列入黃名單，則認為其觀測數據可能存在錯誤；若被列入白名單，則認為其觀測數據正確。

表2 各站點觀測數據名單控制標準Table 2 List control standard for observation data of each station

1.2.3 質量分析指標

衡量任意兩個氣象要素之間關系密切程度的統計量是相關系數，對于觀測數據(O)與背景場數據(B)的相關系數計算公式為：

(7)

式中：Cov(O,B)為觀測數據與背景場數據的協方差;Var(O)、Var(B)分別為觀測數據與背景場數據的方差。相關系數越大，說明該層等壓面的觀測數據和背景場數據相關程度越大，數據一致性越高，本文采用t檢驗法來對相關系數進行顯著性水平檢驗。

2 結果和分析

2.1 名單控制結果

通過對2019年全國探空站點風向和風速分別進行名單控制，結果顯示，2019年全國探空站點風向和風速觀測數據質量均較好，所有站點風速逐月綜合觀測數據質量指數均大于85%，無任何站點被列入黑、黃名單；由圖1可知，56146站風向1月被列入黃名單、2—3月被列入黑名單，其他月份所有站點風向綜合觀測數據質量指數均大于90%。

圖1 2019年1月(a)，2月(b)，3月(c)，4月(d)風向名單控制結果Fig.1 The resultsa of wind direction list control for January (a), February (b), March (c) and April (d) 2019

2.2 名單站點分析

表3給出了56146站2019年逐月質量因子和綜合觀測數據質量指數。由表3可知，1—3月該站風向觀測數據模式一致率R4<70%，這是由300 hPa 以上部分等壓面偏差超過閾值造成的(圖2a)，從而導致綜合觀測數據質量指數R<85%而被列入黃、黑名單。

從56146站1—4月風向觀測數據與EC、GRA- PES模式數據平均偏差的垂直分布(圖2b)可以看出，該站風向觀測數據相對于兩種模式數據均偏小，200 hPa及以上等壓面觀測數據相對于EC和GRAPES模式數據的偏差均超過閾值，因而可以確定為觀測數據異常造成偏差較大，導致模式一致率較低。因為該站2月和3月連續出現在黑名單中，對其進行了跟蹤反饋，經與臺站核實，判定為L波段測風雷達標定存在問題造成數據異常，4月重新對雷達進行找北標定后，觀測數據不再有問題，5月以后風向觀測數據模式一致率R4均為100%(表3)。這表明，本文提出的名單控制方法可以有效檢查出觀測數據存在問題的站點，對名單站點進行跟蹤解決后可以有效提高觀測數據質量。

表3 56146站2019年逐月質量因子和綜合觀測數據質量指數(單位：%)Table 3 Monthly quality factor and comprehensive observation data quality index at Station 56146 in 2019 (unit: %)

圖2 56146站觀測數據與GRAPES模式數據逐月偏差(a)和 1—4月觀測數據與EC、GRAPES模式數據平均偏差(b)Fig.2 The monthly Bias between observation data and GRAPES mode data (a) and average Bias between observation data and EC and GRAPES model data from January to April (b) at Station 56146

為進一步分析名單站點與全國所有站點平均結果的差異，圖3分別給出了不同等壓面56146站和全國平均偏差和均方根誤差，由圖可知，所有等壓面56146站偏差相對于全國平均值偏差大于10°，均方根誤差較全國平均值偏大5°～7°；56146站偏差和均方根誤差相對于全國平均值的偏差極大值均出現在150 hPa，分別為11.6°和7.4°。

圖3 不同等壓面56146站和全國平均偏差(a)和均方根誤差(b)Fig.3 The Bias (a) and RMSE (b) of Station 56146 and national average with different mandatory levels

由上述分析可知150 hPa相對偏差是所有等壓面里面最大的，因此圖4給出了2019年1—4月56146站150 hPa的風向觀測數據、EC和GRAPES模式數據逐時次變化序列。由圖可知，三種數據隨時間變化的趨勢一致；兩種模式數據差異不大，而觀測數據相對于模式數據存在明顯的系統性偏小，1月15日12 UTC開始系統性偏差顯著增大，2、3月偏差較大，對雷達重新進行找北標定后4月7日00 UTC開始偏差顯著減小。1—4月觀測數據與EC、GRAPES模式數據平均偏差分別為-13.2°、-10.4°，-13.4°、-12.5°，-12.3°、-12°，-9.5°、-8.8°。

圖4 2019年1月(a)，2月(b)，3月(c)和4月(d)56146站150 hPa的 風向觀測數據、EC和GRAPES模式數據逐時次變化序列Fig.4 Hourly distribution of wind direction observation data, EC and GRAPES model data at Station 56146 at 150 hPa in January (a), February (b), March (c) and April (d) 2019

2.3 觀測數據質量分析

為了進一步分析2019年全國探空測風的風向和風速數據質量，分別從不同標準等壓面不同季節的風向和風速觀測數據與GRAPES模式數據的偏差、均方根誤差、相關系數三個方面對2019年探空測風數據進行質量分析，相關指標的計算和統計都是基于標量法進行的。

2.3.1 偏差

由表4可知，四季各等壓面風向偏差均在±1°內。春季500～250 hPa為負偏差，其他等壓面為正偏差，負偏差隨氣壓減小而減小，正偏差則反之；夏季除250和200 hPa外均為正偏差，總體來說偏差絕對值隨氣壓減小先減小后增大；秋季各等壓面正負偏差交替出現，偏差絕對值隨氣壓減小先增大后減??；冬季各等壓面均為負偏差，偏差絕對值隨氣壓減小基本呈“W”型變化。所有等壓面絕對偏差平均值秋季遠小于其他季節；不同等壓面各季節絕對偏差在500 hPa：冬季>春季>夏季>秋季，400 hPa：夏季>秋季>冬季>春季，300 hPa：冬季>秋季>春季>夏季，250 hPa：冬季較大，200和150 hPa：春季>夏季>冬季>秋季。

表4 各季節各等壓面風向偏差(單位：°)Table 4 Bias of wind direction at different mandatory levels in each season (unit: °)

由表5可知，四季各等壓面風速偏差均在±1.5 m·s-1內，1 000 hPa均為負偏差，其他等壓面以正偏差為主，偏差隨氣壓減小基本呈三峰型變化，峰值分別出現在1 000、700和200 hPa。春季和冬季250和200 hPa偏差較大，夏季和秋季1 000 hPa偏差較大。所有等壓面絕對偏差平均值冬季>夏季>秋季>春季；不同等壓面各季節絕對偏差在1 000 hPa：秋季>夏季>冬季>春季，925 hPa:春季>秋季>夏季>冬季，850和500 hPa夏季偏差較大，其他等壓面冬季較大。

表5 同表4，但為風速(單位：m·s-1)Table 5 Same as Table 4, but for wind speed (unit: m·s-1)

2.3.2 均方根誤差

由表6和表7可知，四季各等壓面風向均方根誤差在4.58°～15.65°，隨氣壓減小而減小，不同等壓面均方根誤差大小均是夏季>秋季>春季>冬季。四季各等壓面風速均方根誤差在2.07～4.54 m·s-1，隨氣壓減小先增大后減小，700 hPa及以下等壓面均方根誤差均小于3 m·s-1，300和250 hPa等壓面均方根誤差較其他等壓面大；不同等壓面各季節均方根誤差在1 000 hPa秋季>冬季>夏季>春季，其他等壓面春季最大、秋季最小。

表6 各季節各等壓面風向均方根誤差(單位：°)Table 6 RMSE of wind direction in different mandatory levels in each season (unit: °)

表7 同表6，但為風速(單位：m·s-1)Table 7 Same as Table 6, but for the wind speed (unit: m·s-1)

2.3.3 相關系數

由表8可知，四季各等壓面風向相關系數均大于0.80，并且通過了0.01的顯著性水平檢驗，均隨氣壓減小而增大；不同等壓面各季節相關系數在500 hPa夏季、秋季較冬季、春季大，400 hPa及以上等壓面秋季、冬季較春季、夏季大。

表8 各季節各等壓面風向相關系數Table 8 Correlation coefficient of wind direction at different mandatory levels in each season

由表9可知，四季各等壓面風速相關系數在0.57～0.95，都通過了0.01的顯著性水平檢驗，春季、夏季隨氣壓減小先增大后減小，秋季、冬季925 hPa 較上下等壓面略大，850～100 hPa隨氣壓減小先增大后減小；700 hPa以下等壓面各季節相關系數差異不大，其他等壓面冬季最大夏季最小。

表9 同表8，但為風速Table 9 Same as Table 8, but for wind speed

3 結 論

本文提出一種基于觀測數據獲取、常規質量控制和背景場檢查的綜合觀測數據名單控制方法，使用2019年全國探空測風數據對該方法進行了驗證，對名單控制結果進行了分析，并對探空測風的風向和風速數據進行質量分析，得到以下主要結論：

(1)2019年全國探空測風數據質量較好，數據缺測是探空測風數據存在的主要問題，可疑和錯誤數據均較少。名單控制可以有效檢查出觀測數據存在問題的站點，名單站點觀測數據隨時間變化的趨勢與不同模式數據一致，但相對于模式數據存在明顯的系統性偏差，偏差和均方根誤差相對于全國平均值都顯著偏大。

(2)相對于模式數據，四季各等壓面風向偏差在±1°內，春季、夏季偏差絕對值隨氣壓減小先減小后增大，秋季、冬季則隨氣壓減小先增大后減??；春季250 hPa以下等壓面觀測數據小于模式數據，250 hPa以上則相反，夏季除250和200 hPa外觀測數據均大于模式數據，秋季觀測數據與模式數據較為一致，正負偏差交替出現，冬季所有等壓面觀測數據小于模式數據。四季各等壓面風速偏差在±1.5 m·s-1內，偏差隨氣壓減小基本呈分別在1 000、700和200 hPa出現峰值的三峰型變化；除1 000 hPa外，觀測數據基本都大于模式數據，總體來說，春季、秋季較夏季、冬季觀測數據與模式數據更為一致。

(3)相對于模式數據，四季各等壓面風向均方根誤差在4.58°～15.65°，隨氣壓減小而減??；不同等壓面均方根誤差大小均是夏季>秋季>春季>冬季。四季各等壓面風速均方根誤差在2.07～4.54 m·s-1，隨氣壓減小先增大后減??；除1 000 hPa外，各等壓面均方根誤差春季最大、秋季最小。

(4)四季風向、風速觀測數據和模式數據顯著相關，風向平均相關系數均大于0.8，風速相關系數在0.57～0.95，各季節風向、風速相關系數基本隨氣壓減小而增大。所有等壓面風向相關系數平均值為秋季>冬季>夏季>春季；風速夏季略小，其他季節相當。