东亚及西太平洋地表温度时空模态分析及预测研究*

唐超礼, 陶鑫华, 魏圆圆, 戴聪明, 魏合理

1. 安徽理工大学电气与信息工程学院, 安徽 淮南 232001;

2. 中国科学院空间天气学国家重点实验室, 北京 100190;

3. 安徽大学互联网学院, 安徽 合肥 230039;

4. 中国科学院合肥物质科学研究院安徽光学精密机械研究所, 中国科学院大气光学重点实验室, 安徽 合肥 230031

地表温度(land surface temperature, LST)是反映陆地与大气之间能量交换的关键物理量, 与生态环境密切相关, 通常用于地表通量估算、干旱监测, 并且可直接或间接作为驱动模型用于全球环境监测和气候变化分析(Weng et al, 2009; Karnieli et al, 2010; Stephens et al, 2015)。如今, 我们可以利用地面观测和遥感卫星的长期观测资料, 对所选取的地区进行LST 的研究。我们也有多种分析手段, 如基于风云三号D 星(FY—3D)微波成像仪对中国陆地区域LST反演及验证进行比较(Nemani et al, 1996); 又如采用蒙大拿大学地表反演算法(University of Montana land surface retrieval algorithm, UMT)中的物理模型反演中国区域LST(王博 等, 2022), 并利用该卫星与地面站点的数据进行比较; 以及利用单窗算法对数据进行反演, 随后用归一化指数研究区域范围内的时空变换相关性(Becker et al, 1990; 王艳慧 等, 2014); 这些都是对局部数据进行分析研究。本文利用2003—2020 年卫星反演的LST 数据, 通过M-K 突变检验、线性回归、EOF 等方法, 分析东亚及沿海区域的LST 时空模态特征, 并运用SARIMA 模型预测LST 的变化趋势。

1 数据来源与研究方法

1.1 研究区域及数据来源

本文研究区域为东亚及西太平洋地区, 东亚地理位置特殊, 靠近赤道, 此处地域广阔, 东西跨度大, 其LST 主要受太阳辐射和气候的双重影响。又因为东亚及西太平洋地区属于典型的季风气候, 该地区地貌类型多样, 四季分明。因此, 研究该地区的LST 变化规律对东亚及西太平洋地区的气候及灾害预警有着重要的参考意义。

本文利用Aqua 卫星自2003 年1 月—2020 年12月 LST 数据及第五代欧洲中期天气预报中心(European centre for medium range weather forecasting,ECMWF)再分析资料集(The fifth generation ECMWF reanalyses, ERA5)对LST 进行分析研究。大气红外探测仪(atmospheric infrared sounder, AIRS) 提供了温度、湿度等数据, 将大气参数划分成1°×1°的网格单元, 经度从–180°到+180°, 纬度从–90°到+90°, 运用升轨、降轨数据即白天(A)和夜晚(D)数据进行处理。除此之外, 还使用了2018—2020年的ERA5再分析数据,它是ECMWF 在陆地范围的模拟数据, 数据包含了月、日、小时数据集。在前人的文章中, 利用伊比利亚半岛分析卫星的应用设施, 对ERA5 的LST 数据进行评估, 发现ERA5 的日最大LST 的标准偏差约为2～3 ℃(Johannsen et al, 2019)。

1.2 研究方法

本文采用了M-K(Mann-Kendall)突变检验, 线性回归分析, 季节自回归移动平均模型(seasonal autoregression integrated moving average, SARIMA),经验正交分解(empirical orthogonal function, EOF)等方法。其中, M-K 突变检验是一种非参数统计检验方法, 分析突变的LST 时间点可以准确知其突变情况; SARIMA 模型对未来年份做季节时间序列预测,把LST 变成随机序列。当随机序列有很强的季节周期性变化时, 可以对其进行季节差分, 再利用2003—2020 年月平均温度做一阶季节性差分序列的自相关和偏相关函数图以及用差分次数确定模型参数的数值, 建立模型进行预测。此模型可以从时间序列的过去值及现在值来预测未来值。

2 东亚及西太平洋LST 时空变化

2.1 LST 年际变化分析

图1a 展示了东亚及西太平洋地区LST 在2003—2020 年的年际变化曲线。如图, 东亚及西太平洋地区的LST 在6～30℃之间, 分别在2011 年、2017 年达到最小值和最大值。

图1 LST 年际变化图Fig. 1 LST interannual variation chart. (a) Monthly trend chart of East Asia and various regions; (b) anomaly map

整体看, 该地区大部分是沿海地区, 温度变化有限; 局部看, 蒙古国 LST 温差大, 最高值超过40 ℃, 最低值低于–10 ℃; 日本则相反, LST 温差不大, 差值不足13℃。蒙古国与日本的LST 变化幅度差异, 主要原因是太阳辐射。蒙古国纬度高远离赤道而日本纬度低靠近赤道, 且夏季风与西太平洋漂流区的海表温度为正相关, 与赤道中东部海表温度为负相关(沈柏竹, 2007), 整体呈自西向东走势, 冬季相反。东亚各地区LST 的距平图如图1b 所示, 为进一步给出该地区是否存在LST 突变的变化过程,我们运用M-K 突变检验法对东亚及西太平洋LST进行突变分析(陈锦年 等, 2008; 王宏娜 等, 2009)。

由图2 可见,UFk和UBk曲线在2007 年和2016年及2018 年附近存在突变点。2003—2011 年UFk统计值均大于0, 说明该地区LST 在此期间呈递增趋势, 并且统计值均未超出临界值, 说明上升趋势不显著; 2011—2014 年末UFk统计量小于0, 说明LST 在此期间呈递减趋势; 2015 年以后呈逐年上升趋势且在2019 年后超出临界值, 说明此后上升趋势显著。这些年份出现突变点离不开当年全球发生的自然灾害或大规模人为事件。

图2 M-K 突变检测结果Fig. 2 M-K mutation detection results

2.2 LST 季节变化

将2003—2020 年AIRS 的LST 数据, 按季节划分为春季(3—5 月)、夏季(6—8 月)、秋季(9—11 月),和冬季(12—2 月)。图3a 展示了东亚及西太平洋区域自2003—2020 年春季的月平均LST 的空间分布。青藏高原等西南地区LST 较低, 中国新疆及周边地区LST 较高, 从而出现了明显的温度差异。在平均海拔都超过3000m 的青藏高原上, 它的地势明显西侧高于东侧, 中间低而南北侧高, 山地走势非常复杂, 且80%的青藏高原都是高原地貌, 全年平均气温均低于10℃, 这也导致了气温差异大(曹晓云 等,2021)。

图3 2003—2020 年东亚及西太平洋LST 四季空间分布a. 春季; b. 夏季; c. 秋季; d. 冬季; e. 四季变化折线图; f. 四季距平图。a—d 基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)2938 号的标准地图制作Fig. 3 Spatial distribution of LST seasons in East Asia and West Pacific from 2003 to 2020. (a) Spring; (b) summer; (c)autumn; (d) winter; (e) line chart of four seasons; (f) four seasons anomaly map

图3b 为东亚及西太平洋地区自2003—2020 年夏季的月平均LST 的空间分布。其中, 夏季普遍高温, 主要原因是太阳辐射。而夏日辐射量高, 冬日辐射量少, 是因为季节变化导致太阳高度角的变化,进而引起的太阳辐射的差异(黄盼 等, 2017)。然而,夏季陆地的LST 比海洋的LST 高, 是因为在相同的太阳辐射条件下, 陆地的升温或者降温都比海洋更加剧烈, 利于陆地LST 高于海洋。图3c 是东亚及西太平洋区域自2003—2020 年秋季的月平均LST的空间分布, 变化趋势与春季大体相似, 东亚北部地区LST 局部较高于周围(高弋斌 等, 2019)。图3d为东亚及西太平洋区域自2003—2020 年冬季的月平均LST 的空间分布。如图, 沿海地区LST 是明显高于内陆的。除了太阳辐射的影响, 地温少雨的冬季风也是导致陆地温度低的重要原因。海洋比热容大, 地面比热容小, 所以冬季陆地相对于海洋温度低(王静 等, 2009; 郭甜甜 等, 2017)。综上可知, 本文选取的数据存在显著的季节周期变化。图3e 为该地区四季折线图, 可见春、夏、秋三季幅度变化不明显。其中, 春季和秋季温度相近; 夏季均温超过30 ℃; 冬季温度较低, 最低约为8℃。图3f 所示折现图为四季图3e 的距平图。

2.3 LST 空间变化分析

图4a 为AIRS 探测器2003—2020 年平均LST分布图。沿海地区的LST 高于东亚内陆及青藏高原区域。图4b 中曲线表示2003—2020 年东亚及西太平洋地区LST 随纬度的变化趋势, 可见LST 随着纬度的升高而变小。其中, LST 最低温度为2℃的主要原因是纬度的增加, 沿海地区的季风气候以及陆地的散热和吸热能力小于海洋。图4c 是ERA5 再分析数据2020 年的东亚及西太平洋的平均温度图, 其温度范围与AIRS 的结果相似。

图4 2003—2020 年东亚及西太平洋LST 空间分布图a. AIRS 空间分布; b. 纬度分布; c. ERA5 再分析空间分布。a、c 基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)2938 号的标准地图制作Fig. 4 Spatial distribution of LST in east Asia and west Pacific from 2003 to 2020. (a) Spatial distribution of AIRS; (b)latitude distribution; (c) ERA5 reanalysis spatial distribution

EOF 是一种分析矩阵数据中的结构特征和提取主要数据特征量方法, 也是气象分析时空特征的一种重要方法。将LST 组合排列成m空间点数(根据文章中的经纬度10°N—60°N 和70°E—140°E, 即50×70 个点数据)和n时间点数(根据本文选用的18年数据), 得到Xm×n。

理论上, 对LST 的分析应比湿度更直观。但由于LST 受众多因素的影响, 使得影响LST 变化趋势的因素较为复杂(刘振元 等, 2018)。所以我们也可以先查看湿度在时间、空间上的变化规律, 再考查LST。

图5a、c、e 为湿度EOF 分解第一、第二、第三模态的空间分布, 其中模态解释方差贡献率分别为26.18%, 18.70%和10.12%, 累计贡献率达55%,能较好地代表湿度的变化。图5b、d、f 为湿度EOF分解第一、第二、第三模态的时间系数。系数符号决定了模态的方向, 正号表示与模态方向相同, 负号则相反, 时间系数数值绝对值越大, 表明该年分布型式越典型(魏凤英, 1999)。图5a 为第一模态的空间分布图, 贡献率为26.18%, 该模态表征了2003—2020 年东亚及西太平洋地区湿度的最主要的分布特征。可以看出, 在空间分布上, 东亚及西太平洋大部分地区呈负值分布, 极少数地区呈正值, 说明该模态下湿度在大部分地区空间变化趋势具有一致性,即同时上升(下降)。结合图5b 的时间系数来看, 时间系数在2004—2009 年均为正位, 在2010—2020年负位居多, 即在2010 年前后基本存在正负相位,并呈下降趋势, 说明2003—2020 年湿度整体是下降的。

图5 2003—2020 年东亚及西太平洋地区湿度EOF 空间分布图和时间系数图a、c、e 分别为第一、第二、第三模态的空间分布图, 基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)2938 号的标准地图制作; b、d、f 为第一、第二、第三模态的时间系数图Fig. 5 Spatial distribution map and time coefficient map of humidity EOF in east Asia and west Pacific from 2003 to 2020.(a), (c), (e) spatial distribution map; (b), (d), (f) time coefficient diagram

图6a、c、e 表示东亚及西太平洋地区LST 年际变化的EOF 分解第一、第二、第三模态的空间分布,其中模态解释方差贡献率分别为29.58%, 13.35%和10.92%, 累计贡献率达53.85%, 能较好地揭示LST的分布特征。图6b、d、f 表示LST 数据的EOF 分解第一、第二、第三模态的时间系数。图6a 为第一模态的空间分布图, 贡献率为29.58%, 高于其他模态, 所以选取第一模态来分析(韩雪 等, 2014)。在空间分布上, 第一模态以中国昆仑山脉、秦岭为分界线, 把东亚及西太平洋地区划分成两个明显的上下区域, 负值主要分布在35°N 以南, 110°N 以西区域,其余地区大部分为正值, 正值显著区主要在东北地区, 表明该地区LST 变化趋势更为明显。结合图6b时间系数来看, 时间系数在2009—2013 年均为负位,2014—2020 年正位居多, 时间系数呈上升趋势, 说明2003—2020 年LST 整体是上升趋势。图6d 从2013—2018 年均正位, 其余年份正、负相位交替出现, 基本没有连续正(负)位。图6f 和图6d 变化相似。从时间系数来看, LST 在2012 年之前逐渐变高, 总体为正位, 之后就逐渐变低, 总体为负位(图6f)。图6b 中, 2003 年的时间系数为负位, 与模态空间变化方向相反, 此年, 东亚及西太平洋地区的模态空间分布表现为以昆仑山脉与秦岭为分界线的东北区域温度降低, 余下区域温度升高的变化趋势。反之, 时间系数为正, 呈相反的分布模式。

图6 2003—2020 年东亚及西太平洋地区LST 的EOF 空间分布图和时间系数图a、c、e 分别为第一、第二、第三模态的空间分布图, 基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)2938 号的标准地图制作; b、d、f 为第一、第二、第三模态的时间系数图Fig. 6 Spatial distribution map and time coefficient map of EOF in east Asia and west Pacific of LST from 2003 to 2020. (a),(c), (e) spatial distribution map; (b), (d), (f) time coefficient diagram

3 东亚及西太平洋LST 影响因素分析及预测

3.1 LST 影响因素分析

图7 为LST 与湿度趋势变化图, 可见LST 一直呈上升趋势, 这与本文关于东亚及西太平洋地区LST 的M-K 分析结果一致。其次, 湿度是影响LST的关键因素, 而温度可以改变湿度。如图7a, 最高温度为21 ℃, 整体湿度随温度波动, 除2007 年因当年发生的热带风暴温湿度骤变, 其余年份基本符合趋势。图7b 是夜晚的温、湿度, 两者变化情况基本一致。测量LST 和湿度, LST 反演精度约为1.63, 湿度反演精度约为 0.063%, 且温度升高湿度减少。

图7 LST 与湿度趋势变化图a. 白天; b. 夜晚Fig. 7 Trend of surface temperature and humidity. (a) Day; (b) night

选用了2003—2020 年的东亚及西太平洋地区的相关AIRS 温湿度数据, 图8a 的相关性分析结果显示, 各地区的白天温、湿度之间相关性良好, 最佳拟合线的截距为183.409, 回归系数0.403, 相关性到达0.505(陈锦年 等, 2012); 图8b 为温度与湿度的折线图, 可见温、湿度整体波动幅度相似。

图8 LST 与湿度相关性分析(a)及时间序列比较(b)Fig. 8 Correlation analysis and time series comparison between LST and humidity. (a) Correlation analysis diagram between LST and humidity; (b) comparison diagram of LST and humidity time series

3.2 预测

运用SARIMA 进行一阶季节性差分时间序列分析, 推断东亚及西太平洋地区LST 变化趋势和未来预测。

如前文所述, 在图9 原始图中, 2011 年和2012年LST 骤降, 存在异常, 且2012—2020 年LST 为明显上升趋势。经过多方资料查证, 这与当时的厄尔尼诺、火山爆发等事件相关(李刚 等, 2015;Simmons et al, 2017), 也是陆地温度和海表温度共同影响的结果。

图9 原始图Fig. 9 Original drawing

图10 为年平均温度的预测温度值, 假设LST 的时间序列为w(t),v(t)=w(t)–w(t–1),z(t)=v(t)–v(t–12),z(t)=a1*z(t–1)+m(t)+b1*m(t–1)+c1*z(t–12)+d1*m(t–24),其中w是误差项。预测时套用以上公式, 只是先预测z(t), 再预测v(t)和w(t)。根据过去值, 现在值以及预测的函数方程, 预测出未来值。2020 年之后, 东亚及西太平洋地区LST 变化平稳, 若当年或者前后出现重大自然问题, 可能温度有浮动。

图10 预测图Fig. 10 Prediction chart

4 结论

本文利用2003—2020 年卫星观测反演的LST数据, 通过M-K 突变检验、线性回归、EOF 模态分析等方法, 分析东亚及沿海区域的LST 时空模态特征, 并运用SARIMA 模型预测LST 的变化趋势。得出以下结论。

1) 利用LST 年月平均值法, 可知东亚陆地LST变化幅度高于沿海。例如, 蒙古国身处东亚内陆, 年平均最高值超 40 ℃, 最小值低于–10 ℃, 差值达50 ℃; 而东亚其他地区温差不足20℃。

2) 利用M-K 突变检验法分析18 年LST 数据。整体看, 东亚及西太平洋地区LST 于2003—2011年, 2015 年直至以后呈递增趋势, 且2019 年超出临界值, 上升趋势显著; 局部看, 东亚及西太平洋地区LST 在2003—2020 年春季、夏季及秋季波动平稳, 而冬季波动大。这与人类活动及火山爆发等事件相关。

3) 东亚及西太平洋区域LST 季节变化特征明显。除青藏高原常年处于明显低温(主要是青藏高原80%以上的高原地貌, 年均不超过10 ℃), 而夏、冬季LST 恰好呈相反模式, 这是受太阳辐射和季风气候的双重作用。夏季辐射量最高, 冬季最少, 是因为季节变化导致太阳高度角的变化, 进而引起太阳辐射的差异; 海洋比热容大, 陆地比热容小, 所以冬季陆地相对于海洋温度低。秋季与春季变化相似。

4) 利用EOF 分解法对东亚及西太平洋区域18年LST 分析, 第一模态与LST 变化趋势在空间上相符, 以昆仑山脉、秦岭为分界线, 形成东亚内陆与沿海地温走势不同的总态。