中国区域地面气象要素数据集在长江上游流域的适用性评估

王留杰,张行南,2,方园皓,夏达忠,2

(1.河海大学水文水资源学院,江苏南京210098；2.河海大学水资源高效利用与工程安全国家工程研究中心,江苏南京210098)

中国区域地面气象要素数据集在长江上游流域的适用性评估

王留杰1,张行南1,2,方园皓1,夏达忠1,2

(1.河海大学水文水资源学院,江苏南京210098；2.河海大学水资源高效利用与工程安全国家工程研究中心,江苏南京210098)

从中国区域地面要素数据集中选取1980年～2010年中国区域的降水和气温两个要素，与实测降水、气温资料进行对比分析,采用确定性系数、纳什系数、平均误差和均方根误差4个指标分别从时间变化特征和空间分布特征两个方面对地面要素集的降水资料和气温资料在长江上游流域内数据质量进行系统性评估。结果表明,气象网格数据与实测数据总体误差较小,纳什系数接近于1,拟合度高,具有很好的一致性；气温数据具有很好的一致性,而降水数据在不同子流域数据质量不同。

数据质量评估；中国区域地面气象要素数据集；中国地面气候资料日值数据集

中国区域地面气象要素数据集(China Meteorolo-gical Forcing Dataset,CMFD)是中国科学院青藏高原研究所开发的一套近地面气象与环境要素再分析数据集。该数据集是以国际上现有的Princeton再分析资料、GLDAS资料、GEWEX-SRB辐射资料以及TRMM降水资料为背景场,融合了中国气象局常规气象观测数据制作而成[1-3]。目前,已有学者用该数据针对不同流域、不同研究和不同的气象要素进行应用与评估。如：Bao-Lin Xue等[4]人发现CMFD可很好地模拟出青藏高原的那曲河流域夏季能量通量和地表温度等。阚宝云等[5]分析了2003年～2009年基于卫星观测的降水数据CMORPH、TMPA、3B42V6、中国科学院青藏高原研究所的融合数据ITPCAS和基于地面台站的APHRODIT(2003年～2007年)4套降水数据集在叶尔羌河上游流域的时空分布特征,空间分布上,4套降水资料在研究流域的差异较大；时间序列上,4套降水资料与流域站点降水存在着不同程度的差异。赵捷等[6]基于站点气象数据及CMFD利用Spline插值方法对黑河流域潜在蒸发量(PET)进行估算发现Spline空间插值获得的PET空间分布与栅格数据计算获得的结果基本一致。Donglin Guo等[7]模拟了青藏高原的永久冻土和季节性冻土的状况,模拟的趋势是接近地表冻土区域的,只是模拟值稍微偏大。Chen,Y等[8]利用CMFD为Noah驱动模拟中国干旱半干旱地区的地表面温度,其平均误差比用GLDAS数据作为驱动明显减小,取得了满意的模拟结果。从目前CMFD的应用结果来看,缺少对CMFD降水和气温数据在长江上游流域的质量评估,而降水和气温是陆面模式的重要驱动输入。鉴此,本文选取1980年～2010年的中国区域地面要素数据集中的降水和气温两个要素与实测资料,采用确定性系数、平均误差和均方根误差等指标,分别从时间变化特征和空间分布特征两个方面对地面要素集降水资料和气温资料在长江上游流域内数据质量进行系统性评估。

1 资料和方法

1.1 资料

中国区域实测站点数据是由国家气象信息中心提供的1951年～2010年的中国地面气候资料日值数据集(V3.0)(obs)。该数据集包含了824个基准、基本气象站,1951年1月以来该站气压、气温、降水量、蒸发量、相对湿度、风向风速、日照时数和0 cm地温要素集。中国地面气候资料是日值数据,选取长江上游77个气象站1980年～2010年的逐日平均气温及降水量数据,以此为基础整合合成月尺度降水数据和气温数据。

中国区域地面气象要素数据集时间跨度为1980年～2010年,其时间分辨率为 3 h,水平空间分辨率 0.1°,水平空间覆盖范围70°E-140°E、15°N-55°N中国陆地区域,包含近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射、地面降水率,共 7 个要素(变量)[9-11]。中国区域地面气象要素数据集是按3 h时间尺度生成各气象要素,本文在此基础合成月尺度降水数据和气温数据,并筛选出与站点相对应的77个网格数据。

1.2 评估方法

根据地面观测站点与气象数据网格的空间关系筛选出对应的网格。以月为尺度进行数据的对比验证,采用的指标主要包括变化趋势、拟合优度即确定系数(R2)来表示相关性、平均偏差(EAVE)、纳什系数(ENS)和均方根误差(ERMS)等。即

(1)

(2)

(3)

(4)

2 区域月尺度数据变化趋势

2.1 变化过程时段统计特征

在时间尺度上，计算了实测降水与网格降水在整个长江上游流域的月降水量、实测气温与网格气温在整个长江上游流域的逐月平均值,并绘于图1和图2。从图1中可以看出,1980年～2010年网格数据与实测数据总体具有很好的一致性；只有1986年7月和1996年7月2个月中,网格数据略大于实测数据,分别大了11.7%和25.53%。从图2可以看出,网格数据与实测数据具有非常好的一致性,在月尺度上网格数据比实测数据偏小,偏差在10.9%。

图1 长江上游流域网格与实测月降水量变化

图2 长江上游流域网格与实测逐月平均气温变化

2.2 趋势性检验

趋势性检验的方法采用seasonal-kendall(SK)检验法[12],SK检验是一种仅考虑数据相对排列的非参数检验方法,该检验可用于资料系列存在漏测值、未检出值以及变量分布与正态分布无关的时间序列,季节上可为个？月[13]。SK趋势检验输出的结果主要包括变化率τ值和显著性水平p值,τ值为正代表上升,为负代表下降0.05

2.2.1 网格数据月降水变化过程的趋势性检验

基于长江上游流域的11个子流域,计算了1980年～2010年的网格与实测月降水数据在各个子流域的平均月降水,对各子流域平均月降水序列的趋势性进行了检验(见表1)。

表1 各子流域网格和实测降水数据的SK趋势检验结果

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

由表1可看出,实测数据只有雅砻江流域的降水表现为显著性增加,其他子流域无显著性变化；网格数据显在大渡河和沱江流域降水表现为显著性减少,其他子流域无显著性变化。

2.2.2 网格数据月气温变化过程的趋势性检验

采用与降水变化相同的趋势性检验方法,同样基于长江上游流域的11个子流域,根据1980年～2010年网格与实测月气温数据计算了各个子流域的平均月降水,并对其序列的趋势性进行了检验,结果见表2。由表2可见,整个长江上游流域气温都有明显的上升趋势；网格数据与实测数据一致,也表现出在整个长江上游流域气温有明显的上升趋势[15]。

3 网格数据与实测数据的相关分析

在空间尺度上从整个长江流域上游与子流域两个角度进行网格与实测数据的相关分析,逐月计算网格数据与实测数据在流域上的确定系数R2(见图3)。

表2 各子流域网格和实测气温数据的SK趋势检验结果

图3 长江上游流域确定性系数

3.1 降水数据的相关分析

从图3可见,1980年～2010年网格数据与实测数据月降水具有很高的拟合度,尤其是中低位的数据,确定性系数近似为1。表3显示,11个子流域的确定性系数都大于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确定性系数在0.95以上。

表3 降水资料质量评估

与实测数据相关性的时间变化特征。计算网格数据和实测降水资料在长江上游流域的确定系数的逐月序列,并对确定系数时间系列进行了趋势分析(见图4和表3、表4)。结果表明：对于整个长江上游流域,网格数据与实测数据具有很好的相关性；网格数据与实测数据的相关性具有季节性,1月份和12月份相对较低,10月份相对较高。总体上,确定系数均在0.85以上。

图4 不同月份降水、气温数据与实测数据在长江上游流域的确定性系数

表4 网格数据与实测降水数据确定系数时间序列SK检验

3.2 气温数据的相关分析

首先计算实测气温与网格气温在长江上游流域的逐月确定系数,并画出其逐月变化曲线[16](见图5)。

图5 长江上游流域网格与实测气温数据逐月确定系数

从图5可以看出,1980年～2010年网格数据与实测数据总体具有较好的一致性,相关系数均在0.85以上。除了1996年1月份的相关系数为0.86,其余月份的相关系数都在0.9以上。根据表5可以看到,11个子流域中,每个子流域的确定性系数高达0.99,更有部分流域确定性系数接近于1。同样,对相关系数时间系列进行了趋势分析,发现温度的确定系数基本上不随月份变化,不具有明显的季节性,全年1月～12月,确定系数均在0.95以上,全年都具有很强的相关性(见图3)。

表5 气温资料质量评估

4 误差分析

4.1 降水数据的误差分析

以实测降水数据为基准,采用EAVE、ENS和ERMS3个指标,对网格数据进行误差分析,主要对子流域部分进行误差分析(见表3)。逐月计算网格数据与实测数据在长江上游流域所有站点的降水数据的误差指标,同时也计算了误差指标在长江上游流域的逐月变化序列在各月份的均值(见图6)。分析计算结果表明：

图6 网格降水数据EAVE和ERMS的季节变化

(1)网格数据的EAVE的绝对值在大部分流域都在1左右,与实测数据偏差不大,除了嘉陵江、金沙江下游和长江上游干流流域以外其他的九个流域的EAVE均为负值。EAVE具有明显的季节性,由于受降水的影响,呈现以年为周期的变化。

(2)网格数据的ENS均在0.75以上,沱江流域的ENS为0.772,大渡河流域的ENS为0.806以外,其他九个子流域的纳什效率系数均在0.95以上。纳什系数在年内分布均在0.9左右,无明显季节性差异。

(3)网格数据的ERMS,大渡河和沱江流域的明显偏大都在30以上,其他流域的ERMS都在15左右,在嘉陵江、金沙江上游和雅砻江流域ERMS只有7左右。根据SK检验,ERMS具有明显的季节性,受降水季节的影响,夏季偏差较大,冬季偏差较小,具有非常明显的季节性。

4.2 气温数据的误差分析

采用与降水误差相同的分析方法,同样以实测气温数据为基准,采用EAVE、ENS和ERMS3个指标,对网格数据进行误差分析,主要从子流域部分进行误差分析(见表5)。逐月计算网格数据与实测数据在长江上游流域所有站点的气温数据的误差指标,同时也计算了误差指标在长江上游流域的逐月变化序列在各月份的均值。结果表明：

(1)网格数据的EAVE的绝对值在大部分流域都在1左右,最大的偏差是涪江流域为-6.52,与实测数据偏差不大,除了赤水河和沱江流域以外其他的九个流域的EAVE均为负值。EAVE年内分布比较均匀,不具有明显的季节性变化。

(2)网格数据的ENS在每一个子流域中都为0.999,并且在年内分布均在0.9左右,无明显季节性差异。

(3)网格数据的ERMS,在涪江与沱江流域相对较大,分别为6.56和7.87,赤水河流域ERMS值只有0.54,并且ERMS分布并无明显的季节性变化。

5 对网格降水与气温数据质量的总体评价

从整个长江上游流域逐月平均值来看(见图1),网格月降水数据与实测数据在1980年～2010年均具有较好的一致性；在1980年～2010年,网格月气温数据与实测数据时间变化上具有高度一致性(见图2)。从相关性看,网格与实测的月降水的确定性系数均大于0.8,具有较好的一致性；除沱江流域以外,其他子流域的确定性系数,均大于0.9；而网格月气温数据的确定性系数均在0.99以上。从各项误差指标来看,网格数据的EAVE的绝对值在大部分流域都在1左右,与实测数据相差不大,降水数据的ENS均在0.75以上,气温数据的ENS在每一个子流域中都为0.999,降水和气温均具有很高的拟合度,对于降水数据的ERMS,在大渡河和沱江流域明显偏大都在30以上,其他流域的ERMS都在15左右,误差在接受范围,气温数据的ERMS最大只有7.87。

因此,对于整个长江上游流域以及每一个子流域,网格数据与实测数据具有很高的一致性,能够真实地反映长江上游流域降水和气温的时空分布与变化。

[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]阚宝云, 苏凤阁, 童凯, 等. 四套降水资料在喀喇昆仑山叶尔羌河上游流域的适用性分析[J]. 冰川冻土, 2013, 35(3): 710- 722．

[6]赵捷, 徐宗学, 左德鹏. 黑河流域潜在蒸散发量时空变化特征分析[J]. 北京师范大学学报： 自然科学版, 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, 阳坤. 中国区域高时空分辨率地面气象要素驱动数据集[DB/OL]. 中国科学院青藏高原研究所,寒区旱区科学数据中心, 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, 王鹏. GLDAS月降水数据在中国区的适用性评估[J]. 水科学进展, 2014(6): 769- 778．

[15]王顺久. 长江上游川江段气温、 降水及径流变化趋势分析[J]. 资源科学, 2009, 31(7)： 1142- 1149．

[16]汪小菊, 王文, 王鹏. GLDAS月气温数据在中国区的适用性评估[J]. 水电能源科学, 2014(11): 10- 13, 57．

(责任编辑 陈 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

国家自然科学基金资助项目(51420105014)；中国长江三峡集团公司资助项目(0799556)

王留杰(1991—),男,河南郑州人,硕士研究生,主要从事水文物理规律模拟及水文预报研究．

P338.8；P468.4

A

0559- 9342(2017)03- 0018- 05