基于EOF的高時空分辨率自動站溫度觀測資料質量控制

邵宇行,秦正坤,李昕

① 中國科學院 大氣物理研究所 國際氣候與環境科學中心,北京 100029; ② 中國科學院大學,北京 100049; ③ 南京信息工程大學 大氣科學學院/資料同化研究與應用聯合中心,江蘇 南京 210044; ④ 中國氣象局 交通氣象重點開放實驗室/南京氣象科技創新研究院,江蘇 南京 210008

氣象觀測資料是進行天氣預報、氣候預測、重大天氣災害預警預報以及各類氣象服務和氣象研究的基礎，也是推動大氣科學發展的原動力。氣象觀測資料質量的好壞決定了各類預報及預測的準確性以及各類氣象服務的水平,良好的資料質量是進行天氣和氣候變化研究的前提和保障(王可麗等,2001)。

近年來數值天氣預報水平得到顯著提高,但是數值模式對于地面天氣變量的模擬能力仍然存在一定的不足(Zheng et al.,2009;馬旭林等,2017),豐富的地面觀測信息有助于更好地認識地面天氣變化的動力和熱力機制,進而改進模式對地面信息模擬能力,所以地面觀測技術的發展對于提高大氣邊界層乃至高層數值預報水平都有重要價值(徐枝芳等,2007;張利紅等,2009)。隨著觀測技術的發展,目前我國已經建立了巨大且密集的地面氣象觀測網絡,全國已建成約70 000個自動氣象觀測站,自動氣象觀測站能夠定時、定點的觀測和記錄地面氣象信息,并且能夠在復雜的地形下進行無人觀測(張慧,2012)。

2020年4月起中國氣象觀測正式實現了全面地面觀測自動化,但是隨著自動化氣象觀測事業的發展同時也帶來了些許問題。徐浩然(2019)指出隨著觀測自動化的實現,原有的業務模式發生改變,但是地面觀測技術的不穩定導致地面觀測資料更容易出現質量問題,這也是目前自動站觀測資料利用率較低的原因之一。我國自動氣象站觀測站的高空間分辨率特征也使得其質量問題更為復雜,自動觀測站資料的質量控制工作也更為困難。因此在我國全面實現觀測自動化的現狀下如何通過質量控制來保證觀測資料的質量,提高自動站觀測資料的利用效率具有重要意義。

Lorenc and Hammon(1988)指出觀測資料的質量控制是資料應用的關鍵步驟。對于常規觀測資料的質量控制研究也得到了眾多學者的重視。Gandin將氣象觀測資料可能誤差歸類為隨機誤差、系統性誤差、過失誤差等(Gandin,1988)。熊安元(2003)介紹了北歐國家實時和非實時氣象資料質量控制流程,同時指出了我國在觀測資料質量控制方面還存在許多差距。陳興旺(2011)綜合考慮了自動站質量控制過程中的各種誤差,應用多元線性回歸分析建立自動站與人工站的誤差分析,可以有效減少自動站的誤差。閔錦忠等(2018)采用傳統質量控制方法及綜合決策算法分別對國家站和區域站資料進行系統的質量控制有效地改善實時資料質量。傅娜等(2014)運用Barnes插值法對上海自動站逐時氣溫資料進行空間一致性檢查,分析了此方法的區域適用性。除基于氣候極值范圍檢查、內部一致性檢查、時間一致性檢查、空間一致性檢查等傳統質量控制方法研究。此外一些學者也提出了一些新的質量控制方法。李良富等(2006)提出了一種基于人工智能的黑板模型氣象資料質量控制方法,但僅用于地面航空氣象業務。葉小嶺等(2016)提出一種基于自回歸與反距離加權的空間質量控制方法——AI方法能夠在時間維度和空間維度對氣象資料進行質量控制且穩定性高,適用性強,但僅適用于單站溫度資料質量控制。黃穎(2012)基于混沌理論、GIS技術及雷達測量動態數據處理等方法對不同時間尺度下的觀測序列提出了質量控制方法,但其對閾值依賴性極強。

雖然有很多研究關注了地面觀測資料的質量控制問題,但是大部分研究都專注于單站觀測資料的正確性判別。為了充分利用氣象變量空間連續性特征進行質量控制,葉小嶺等(2019)提出了一種基于空間相關性和B樣條曲面擬合的地面氣溫觀測資料質量控制算法,能更有效地標記出氣溫觀測數據中的可疑值。Qin et al.(2010)對全國3 197個站點的8 d逐3 h的站點觀測地面溫度和對應的再分析資料進行了分析,提出首先利用EOF(Empirical Orthogonal Function)分析方法提取觀測資料和再分析資料中可能存在較大差異的溫度日變化等周期性變化部分,再根據觀測資料和背景場資料兩者剩余模態重構結果的差值進行質量控制,結果表明可以很好地消除天氣變化對質量控制的影響,避免因為大尺度天氣系統異常所導致的溫度異常資料被質量控制方法錯誤剔除。趙虹等(2015a)進一步檢驗了應用EOF質量控制方法后的地面觀測資料的同化影響,證明了質量控制后的地面觀測資料能夠明顯提高降水的短期預報效果。趙虹等(2015b)還提出了遞歸正交經驗質量控制方法(Rec-EOF QC)，并應用于地面2 m比濕資料中,得到了滿意的效果。

雖然Qin et al.(2010)提出的基于EOF分析的質量控制方法能夠很好應用于全國3 197個站點的情況,但目前全國已經有了近70 000個地面自動觀測站,空間分辨率提高了近20倍,高密度的自動站觀測資料能夠分辨更多的小尺度天氣異常,基于EOF的質量控制方法能否適用于目前如此高分辨率的自動站觀測資料,這就需要進一步的研究。本文將利用前人提出的基于EOF分析方法的質量控制方法,針對目前自動站觀測資料的高時間和高空間分辨率特征,對該方法進行適應性的調整,并利用我國中東部的自動站觀測資料進行實際質量控制試驗,檢驗改進后的質量控制方法對高分辨率觀測資料的適用性,從而為我國全面觀測自動化背景下的自動站觀測資料的業務質量控制研究提供一定的參考。

1 資料及數據預處理

本文利用江蘇省氣象局提供的2019年12月1—7日,共168個時次的逐小時地面自動觀測站溫度資料作為研究對象,所有觀測資料的時間都為北京時(如無特別說明,以下所有時間均為北京時)。高水平分辨率是自動站觀測資料的主要特點,圖1給出了自動站站點的空間分布特征,這里選擇的研究區域為113°～123°E、29°～39°N,在選擇區域中共有近7 000個站點,其中站點主要分布在江蘇、山東和安徽。

圖1 研究區域的地面自動觀測站點(灰色點)水平空間分布Fig.1 Spatial distribution of ground automatic observation sites (gray points) in the study area

由于觀測資料中存在大量缺測資料,為了保證研究結果的普遍性,需要對缺測時刻進行時間插值,但是由于某些站缺測時刻過多導致時間插值后存在極端異常值,因此首先對觀測資料進行篩選,篩選的條件如下:1)前五個時次無缺測,2)后五個時刻無缺測,3)168個時次至少有1/10資料無缺測。最終在研究區域選擇了4 983個觀測站,將地面溫度觀測資料記為:

(1)

其中:代表觀測站;代表觀測時次;代表溫度觀測變量。

引入ECWMF(European Centre for Medium-Range Weather Forecasts)的ERA5(ECMWF Reanalysis V5)再分析資料作為質量控制的背景場。背景場資料空間分辨率為0.25°×0.25°,時間分辨率為1 h。為保證背景場和地面觀測資料的空間分辨率一致,采用多項式插值法將格點數據插值為站點數據,將插值后的背景場資料記為:

(2)

前人研究表明,地形高度對地面溫度有非常重要的影響(徐枝芳等,2007)。而從圖1中可以看出自動觀測站點具有高水平分辨率特點,背景場的分辨率無法很好地分辨觀測站點的地形高度。因此首先根據背景場資料高度和觀測站點高度,以干空氣溫度的垂直遞減率為標準,對背景場溫度進行高度訂正,具體訂正公式表述如下:

=1,2,…,168。

(3)

其中:代表觀測站;代表觀測時次;表示地形高度(單位:m)。

2 常規質量控制

根據中國氣象局發布的《地面氣象觀測資料質量控制》一書規定,地面溫度的氣候學界限范圍是-80～50 ℃,因此將觀測資料中超過此界限的溫度數值定義為錯誤資料。另外當地面溫度的逐小時變溫超過10 ℃時,定義該觀測資料為錯誤資料。

為了避免錯誤的極端觀測資料對常規質量控制的影響,我們首先利用雙權重標準差的方法對單站資料進行常規質量控制。對于任意一個站點,其雙權重平均值和雙權重標準偏差可以按照如下公式計算:

(4)

(5)

(6)

圖2 前100個站點雙權重均值與溫度值偏差(紅色實線為三倍標準差，單位：℃)Fig.2 Deviation between the double-weight mean of the first 100 stations and the temperature value (the solid red line is three standard deviations;unit:℃)

圖3 M6278站(118.27°E,34.02°N)常規質量控制確定的錯誤資料(紅點)Fig.3 Error data of station M6278 (34.02°N,118.27°E) detected by routine quality control (red dot)

經過常規質量控制后，共有2 247個站點未有資料剔除，有2 531個站點僅有1次資料被剔除，200個站點有2次資料被剔除，有5個站點有2次以上資料被剔除(圖4)。總體而言，自動站觀測資料表現出很好的資料質量。為了便于后續EOF分析方法的應用,對于常規質量控制確定為錯誤的資料將再次進行時間上的三次樣條插值,將插值后的觀測值作為后續的質量控制的初始資料。

圖4 常規檢測方法剔除資料量的空間分布(灰色表示沒有錯誤資料;綠色表示有一個時次錯誤資料;藍色表示有兩個時次錯誤資料;紅色表示有大于兩個時次錯誤資料)Fig.4 Spatial distribution of data quantity removed by the conventional detection method.Gray indicates that there are no incorrect data;green indicates that there is a time error datum;blue indicates that there are two error data;and red indicates that there are more than two error data

3 EOF質量控制方法

常用的質量控制方法是通過分析觀測資料和背景場的差值,將其差值大于某個閾值的觀測資料認定為錯誤資料并剔除。但這種質量控制方法應用的前提條件是兩種資料的差值滿足隨機分布,并且差值應該集中在差值的平均值附近。大部分情況下,兩種資料之間不存在系統偏差,或者系統偏差較小,所以差值的平均值往往是0值。但是由于背景場對真實天氣模擬不準確,背景場和觀測資料的偏差包含了很多背景場的模擬誤差,當背景場對某種具有周期性變化特征的天氣系統的模擬存在位相偏差時,背景場和觀測資料的差值就會具有明顯的周期性特征。Zou and Qin(2010)研究表明再分析資料對地面溫度的日變化模擬就存在位相偏差,導致了觀測和再分析地面溫度的差值存在周期性特征,不能滿足隨機分布的假定條件。所以在對差值進行標準差檢驗前,首先需要保證差值盡可能滿足隨機分布特征。為了滿足隨機分布這個前提條件,Qin et al.(2010)提出利用EOF分析方法,從觀測資料和背景場資料中分別提取出具有時間和空間周期性的天氣系統信息,保證進入差值檢驗的觀測資料和背景場資料中不包含周期性的天氣信息,進而使得兩者的差值盡可能滿足隨機分布的要求。

EOF分析方法是氣象研究中經常用于提取有規律的天氣系統信息的重要方法,該方法可以將3維變量分解為多個2維空間模態和對應1維時間系數的乘積之和:

(7)

根據模態重要性的不同,可以將3維分析資料分解為兩個部分,即前個重要模態重構部分和剩余模態重構結果,那么觀測資料和背景場就可以表示為:

(8)

(9)

很多研究證明EOF方法能夠提取分析資料中的大尺度天氣信號,Qin et al.(2010)的研究利用這一性質提取全國地面溫度站點資料的大尺度空間特征。但是需要指出的是這里的大尺度天氣系統是相對觀測資料的空間覆蓋區域而言的大尺度天氣系統。當觀測資料空間分辨率增加,觀測資料能夠分辨更多小尺度的溫度變化特征,如果這些變化的空間尺度遠小于EOF分析區域的空間范圍,就容易導致EOF分析方法無法提取這些小尺度溫度變化特征。圖5給出了分別利用EOF前3、4、5、6、7、8個模態提取后剩余部分的溫度空間分布,可以看到雖然經過了多個模態提取,安徽中東部一直存在一個明顯的低值區域,最低溫度可以達到-3 ℃以下。圖6給出的此區域的觀測溫度空間分布,可以看出此區域存在一個小尺度的低溫系統,由于自動站空間分辨率的增加,使得自動站能夠觀測更多的小尺度溫度變化特征,但是這些溫度變化特征對于整個中國地區而言,屬于小尺度變化信息,所以針對整個中國地區進行EOF分析,很難提取這些小尺度溫度變化信息,這就容易導致質量控制中整個低溫區觀測資料被剔除的現象。但是從實際觀測資料可以看出,該區域有近30個站點同時表現出低溫現象,根據觀測誤差的隨機性可以知道以上站點同時出現錯誤觀測的概率極低,這也證明利用全國站點資料進行EOF分析方法不能適用于目前高空間分辨率的自動站觀測資料。

圖5 2019年12月2日11時(第36時次)利用前3(a)、4(b)、5(c)、6(d)、7(e)、8(f)個模態觀測余差空間分布(紅色框為顯著低值區)Fig.5 Spatial distribution of residual part built by removing the first (a) 3,(b) 4,(c) 5,(d) 6,(e) 7 and (f) 8 modes at 11:00 BST on December 2,2019.The red box is the significantly low value area

圖6 2019年12月2日11時(第36時次)自動站觀測溫度(單位:℃)空間分布Fig.6 Spatial distribution of observed temperature (unit:℃) at 11:00 BST on December 2,2019

由于EOF能分辨的空間尺度與其分析的空間范圍成正比,所以縮小EOF分析區域是保證EOF方法能夠提取更多小尺度天氣系統信息最直接的方法。通過縮小單次檢驗區域的對比試驗發現,當區域的空間范圍為4°×4°時,就可以很好的提取所有小尺度空間變化信息。圖7給出了不同模態下觀測余差空間分布,可以看出,基本沒有強的異常中心,余差的溫度變化在±1.5 ℃范圍內,遠低于圖5中的最高可達3 ℃的溫度異常,這就表明利用小區域進行EOF分析,可以很好地識別觀測資料中的小尺度溫度異常信息。

圖7 2019年12月2日11時(第36時次)局部區域前3(a)、4(b)、5(c)、6(d)、7(e)、8(f)個模態觀測余差(單位:℃)分布Fig.7 Spatial distribution of residual temperature (unit:℃) built by removing the first (a) 3,(b) 4,(c) 5,(d) 6,(e) 7 and (f) 8 modes at 11:00 BST on December 2,2019 in the small domain

因此本文將所研究區域113°～123°E、29°～39°N劃分成16個4°×4°的子區域(以113°～117°N、29°～33°N為第一個子區域,然后逐次向左或者向上移動2°構成新的子區域),并對每個子區域分別進行滾動的質量控制試驗。

比較圖7中不同模態的分析結果可以發現,利用EOF對小區域觀測資料進行溫度變化信息提取后,在觀測余差空間分布圖中,當EOF模態增加到前6個模態時,余差的正負極值覆蓋區域達到了最小,當模態繼續增加時,極值覆蓋范圍出現了增加的現象,所以小區域的質量控制中,我們選擇前6個模態進行EOF提取,從而原始數據可以寫成以下形式:

(10)

(11)

每個子區域EOF質量控制,主要步驟如下:

圖8為提取前后觀測資料的概率分布，其中黑色實線為最接近的正態曲線，可以看到觀測資料有很強的系統偏差，平均溫度為3.82 ℃，大部分資料集中在平均值附近(圖8a)，但是在進行EOF提取之后觀測余差分布集中在-3～3 ℃，頻數分布型接近高斯分布(圖8b)，因此證明了觀測資料在進行EOF提取之后剩余資料能夠更好的滿足隨機分布特征。背景場資料也可以得到相似的結果(圖略)。

圖8 2019年12月1—7日EOF提取前(a)后(b)自動站溫度觀測資料概率分布(×104；黑色實線為最接近的正態分布函數曲線)Fig.8 Frequency distribution of (a) observed temperature and (b) temperature after EOF extraction from December 1 to 7,2019 (×104；the black solid line is the closest normal distribution curve)

利用EOF分析方法提取規律性溫度變化信息后,觀測資料和背景場的余差都能夠更好地滿足隨機分布特征,根據隨機分布的特性可以知道,兩個滿足隨機分布的序列的差值也應滿足隨機分布,所以兩者的差值可以作為質量控制的基礎數據。雖然觀測資料在提取后能夠更好地滿足隨機分布,但是背景場是由模式模擬系統和同化系統共同生成的,會存在模式模擬和同化過程中的系統性偏差,所以應對觀測和背景場余差的差值特征做進一步的分析。

圖9 觀測余差與背景場余差差值的標準差隨地形高度變化曲線Fig.9 Standard deviation of the difference between observed residual and background field residual varying with the terrain height

當16個子區域資料經過質量控制后可以得到每個子區域每個時次的離群點分布情況。對于某些子區域之間存在重疊的情況,重疊區域中某站點只要在某一子區域被判定為錯誤資料則將該資料最終判定為錯誤資料。

4 質量控制結果

利用2019年12月1—7日自動站觀測資料,我們對整個研究區域進行實際質量控制試驗,新質量控制方法各時次識別的錯誤資料個數如圖10所示,平均剔除資料為每日48個,剔除率約為0.96%,大部分時次錯誤資料量都穩定在50個左右,僅在第136時次和第146時次錯誤資料個數異常偏多。由于錯誤觀測的發生概率通常認為是滿足隨機性的,所以質量控制方法識別的錯誤資料量的時間穩定性也可以很好地證明質量控制方法的有效性。

圖10 2019年12月1—7日空間檢測方法剔除資料量的時間變化曲線Fig.10 Hourly data count of error data detected by the new quality control method from December 1 to 7,2019

為了進一步檢驗質量控制方法的正確性，我們利用單個時刻的檢測結果進行進一步分析。根據剔除資料量的曲線特征，我們選取兩個時刻檢驗質量控制方法的正確性，分別是第82(12月4日09時)和146(12月7日01時)時次。其中第82時次(12月4日09時)剔除資料量接近平均剔除量，而第146時次則是明顯高于平均值。

圖11給出了第82時次離群點分布情況，此時次共剔除78個站點，剔除站點主要分布在山東中部至江蘇北部、安徽南部及西南部。錯誤資料的空間分布也表現出了很好的隨機性特征，并未出現明顯的錯誤資料空間聚集的現象，這就可以證明質量控制方法能夠很好地避免因為溫度小尺度急劇變化對質量控制結果的影響。為了明確剔除資料的正確性，我們給出了其中3個剔除資料站點及其周邊站點的溫度量值及海拔高度空間分布(圖12)。I6653(116.54°E，31.17°N)、I6474(116.83°E,31.05°N)、I5565(117.15°E,31.22°N)3個站點在第82時次判定為錯誤資料，根據這三個站點第82時次的溫度及其周圍站點溫度分布顯示，此三個站點在第82時次相較余于周圍站點溫度為異常低值，而且從地形高度來看，這三個站點的地形高度并沒有明顯不同于周邊站點，每個站點周圍都分布了多個同樣高度的觀測站點，也可以排除地形高度增加導致地面溫度急劇下降的情況，所以可以認定新質量控制方法判定的錯誤資料是合理的。第146時次是錯誤資料最多的時次，圖13給出了錯誤資料的空間分布。錯誤資料的分布覆蓋了整個研究區域，其中山東北部、安徽和江蘇的南部分布最為密集。同樣隨機選擇小區域(圖13中藍色框)對檢測結果的正確性進行驗證。首先給出了該區域的溫度分布(圖14)，站點觀測資料溫度分布由西北及東北向中心遞減，低值中心位于區域北部，ERA5再分析資料溫度分布由西南及東北向中心遞減，低值中心位于區域西北部，根據觀測資料顯示此區域溫度范圍為0～2.2 ℃，而且絕大部分站點都是位于60 m高度左右，因此并不存在地形高度導致的溫度急劇變化現象。由圖15可以看出，第146時次大多數剔除站點溫度數值相較于周圍站點溫度數值表現為異常值并且不符合此區域溫度范圍，因此也可以認定檢測結果是合理的，利用傳統的OMB質量控制方法此區域內異常溫度數值未能檢測出來(圖略)，這可能是由于傳統的OMB方法不能根據天氣變化調整閾值，當溫度量值較小的時候，錯誤觀測資料和背景場的差值明顯大于周邊站點，但是依然小于設定閾值。新的質量控制方法可以有效提取主要溫度的變化特征，從而可以獲得更為普適的檢測閾值。但是閾值依然是影響新質量控制方法的重要因素之一。如圖15的右上部分，出現在120.5°E、32.7°N附近的兩個高溫站點，站點溫度分別為3.8和4.2 ℃，這兩個站點沒有剔除，這可能和閾值設定有關，在今后的研究中還需要根據實際情況進一步調整閾值。

圖11 2019年12月4日09時(第82時次)錯誤資料點(紅色點)分布情況Fig.11 Spatial distribution of error data points (red points) at 09:00 BST on December 4,2019 (82nd time)

圖12 16653、16474、15565及其周圍站點2019年12月4日09時(第82時次)溫度(圖中數值為氣溫，單位：℃；陰影區域為高度,單位:m)Fig.12 Spatial distribution of observed temperature for 16653,16474,15565 and surrounding stations at 09:00 BST December 4,2019 (82nd time) (the figure shows the air temperature,unit:℃；the shaded area is height;unit:m)

圖13 2019年12月7日01時(第146時次)觀測站點分布(紅色為離群站點，灰色為保留站點，藍色矩形為檢驗區域)Fig.13 Spatial distribution of stations at 01:00 BST on December 7,2019 (146th time;red represents outlier stations,gray is the reserved site,and the blue line width is the inspection area)

圖14 2019年12月7日01時(第146時次)觀測溫度(a)和ERA5再分析資料溫度(b)分布(陰影單位：℃)Fig.14 Spatial distribution of (a) observed temperature,and (b) ERA5 reanalysis data temperature at 01:00 BST on December 7,2019 (unit:℃)

圖15 2019年12月7日01時(第146時次)局部溫度數值(紅色為剔除站點溫度數值,陰影區域為高度，單位：m)Fig.15 Spatial distribution of observed temperature value (red represents the stations that are excluded;the shaded area is height;unit:m) at 01:00 BST on December 7,2019 (146th time)

最后給出了2019年12月1—7日自動站觀測資料經過EOF質量控制后的錯誤資料量的空間分布特征(圖16)，共有2 229個站點資料質量較高，168個時次中未有錯誤資料出現，這些站點主要分布在觀測站點密集的江蘇、山東和安徽省內，這3個省以外的站點基本都出現了錯誤資料情況，其中2 652個站點有10次以下的錯誤資料，81個站點出現了10～20次錯誤資料，8個站點有20～30次剔除，有13個站點有大于30次剔除，大于30個時次的剔除站點主要分布在江蘇省東部和河南省中部。

圖16 2019年12月1—7日累積剔除資料量的空間分布(灰色表示沒有剔除；藍色表示有1～10次剔除；綠色表示10～20次剔除；黃色表示20～30次剔除；紅色表示大于30次剔除)Fig.16 Spatial distribution of data count for error data from December 1 to 7,2019.Gray means no culling;blue indicates that there are 1—10 culls;green means 10—20 culls;yellow represents 20—30 culls;and red indicates more than 30 culls

5 結論與討論

氣象觀測資料是進行天氣預報及氣象研究的基礎,其質量問題是學者一直關注的問題,目前我國已經實現了全面觀測自動化,因此提高觀測資料的質量及其利用率尤為重要。本文利用江蘇省氣象局提供的2019年12月1日00時至7日23時,共168個時次的地面自動站溫度觀測資料及ECWMF的ERA5 2m溫度再分析資料作為背景場信息,使用常規控制方法及基于EOF的質量控制方法對我國中東部地區2019年12月1日00時—7日23時168個時次4 983個站點進行了質量控制試驗。

研究結果表明,針對高密度的觀測資料,利用基于EOF的質量控制方法可以很好地提取有結構的觀測系統信息并保證剩余信息能夠更好地滿足隨機分布,利用隨機概率分布特點可以很好地剔除異常觀測資料,并且可以避免實際天氣變化的影響。168個時次中共有2 754個站點有被剔除過,剔除站點分布均勻,剔除時次較多的站點分布在山東的中部,蘇皖南部交界及江蘇東部近海等地區。平均每個時次剔除站點數約為50個,每時次平均剔除率約為1%。

由于資料長度的限制,本文沒有在時間上進行滾動檢測檢驗,在后續的研究中將利用更長時間的觀測資料進行滾動檢測試驗。另外本文所提質量控制方法在小尺度信息較多情況下依然容易受到閾值的設定影響,導致在對部分站點的質量控制出現剔除不夠的現象,后續研究中還需要根據實際應用區域進行進一步研究。