2.
A high-resolution grid dataset of air temperature and precipitation for Qinling-Daba Mountains in central China and its implications for regional climate
LU Fuzhi1, LU Huayu,1,21. 2.
通讯作者:
收稿日期:2018-01-17修回日期:2019-01-22网络出版日期:2019-05-25
基金资助: |
Received:2018-01-17Revised:2019-01-22Online:2019-05-25
Fund supported: |
作者简介 About authors
陆福志(1993-),男,云南富宁人,博士生,主要从事地表过程和古气候研究E-mail:
摘要
关键词:
Abstract
Keywords:
PDF (6694KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
陆福志, 鹿化煜. 秦岭—大巴山高分辨率气温和降水格点数据集的建立及其对区域气候的指示. 地理学报[J], 2019, 74(5): 875-888 doi:10.11821/dlxb201905003
LU Fuzhi.
1 引言
格点化的气候数据具有多方面的用途,包括农林、水文水资源、气候变化、生态环境保护等[1,2,3]。不同研究需要不同空间分辨率的气候格点数据,取决于研究的目的和数据的可获取性[1]。通常来说,山区等气候梯度大的地方需要高分辨率(≤ 1 km2)的气候格点数据[1,2]。为了获得格点化的气候数据,通常需要进行空间插值。气候空间插值就是根据已知的离散气候数据,按照某种逻辑关系推导出未知区域气候数据的数学过程。常见的空间插值方法有反距离加权法、自然临近法、样条函数法、克里金法、趋势面法等。一般的气候空间插值,在地理信息系统软件(如ArcGIS)中即可实现;专业的气候空间插值,则需要使用专业的气候空间插值软件。在过去十几年里,国内外****对空间插值方法进行了不少探索,也建立了一些气候格点数据集。例如,英国东英吉利大学气候研究中心发布的最高分辨率达0.5°×0.5°的CRU TS全球气候格点数据集[4],加利福尼亚大学脊椎动物学博物馆提供的最高分辨率达0.0083°×0.0083°的WorldClim全球气候格点数据集[2],中国气象局气候研究开放实验室建立的中国区域0.25°×0.25°分辨率的气候格点数据集[5],兰州大学西部环境教育部重点实验室建立的中国大陆区域0.025°×0.025°分辨率的气候格点数据集[6]。秦岭位于东亚大陆中部,呈东西走向,是中国南北重要的地理界线:北亚热带常绿落叶阔叶混交林与暖温带落叶阔叶林的分界线,湿润季风气候与半湿润季风气候的分界线,长江流域与黄河流域的分水岭[7,8]。大巴山位于秦岭之南,呈西北—东南走向,是四川盆地与汉中盆地的地理界线,中亚热带常绿阔叶林与北亚热带常绿落叶阔叶混交林的分界线,嘉陵江与汉江的分水岭[7,8]。秦岭和大巴山海拔梯度大,秦岭的主峰太白山海拔为3771.2 m,大巴山的主峰神农架海拔为3105.4 m,植被分布具有明显的垂直地带性[7,8]。由于特殊的地理位置,秦岭—大巴山的生态环境对气候变化十分敏感。高分辨率的气候格点数据,有助于全球变化背景下秦岭—大巴山的自然资源管理和生态环境保护。然而,目前并没有专门针对秦岭和大巴山的高分辨率气候格点数据集。虽然前述气候格点数据集覆盖了秦岭和大巴山,但是使用的气象站数量较少。国外已有的气候格点数据集,通常只使用了约200个中国气象站,且地理信息相对欠缺,导致在中国部分地区误差较大[9]。国内已有的气候格点数据集,大部分只使用了700余个气象站,且空间分辨率较低[6]。尽管它们能刻画中国整体的气候分布,却无法满足特定区域(特别是山区)的研究需要。因此,本文的主要目的是建立秦岭—大巴山高分辨率的气候格点数据集。
前人在秦岭—大巴山部分地区开展过一些气候空间插值的探索。例如,卓静等[10]研究了秦岭主脊区年降水空间插值的最优方法,孙伟红等[11]探讨了西秦岭降水量空间插值方法,莫申国等[12]使用基于数字高程模型(DEM)的辅助插值方法模拟了秦岭的温度场,白红英等[13]使用克里金插值方法研究了秦岭山地1月气温和0 ℃等温线变化。然而,这些研究使用的是较旧的空间插值方法,较少使用国际最新的气象空间插值方法,也较少建立和共享高分辨率的气候格点数据集。ANUSPLIN是专业的气候数据空间插值软件,其内置的薄盘光滑样条函数是较为先进的空间插值方法,对气温和降水的空间分布具有较好的预测能力[14]。因此,本文基于专业的气候数据空间插值软件ANUSPLIN,采用具有明显优势的空间插值方法,建立了秦岭—大巴山地区高分辨率的气温和降水格点数据集。
2 研究数据和方法
2.1 数据来源
为提高插值精度和避免边缘效应,本文使用秦岭—大巴山及其周边地区(29.5°N~36°N、103.5°E~114°E)共310个气象站的地理信息和气候数据(图1),数据来源于中国气象局国家气象科学数据共享服务平台(http://data.cma.cn)。气象站基本地理信息包括区站号、站名、经度、纬度、海拔等,观测数据为经过整理、编辑、统计获得的累年逐月气温和降水数据,分别用T1~T12和P1~P12表示。通过逐月气温和降水,计算获得春夏秋冬气温和降水、以及年均温和年降水,分别用Tspr、Tsum、Taut、Twin、Tann和Pspr、Psum、Paut、Pwin、Pann表示。本文选取的气象观测时间段为1981-2010年,因为这段时间拥有更为密集的气象观测网。为了充分考虑地形对气温和降水空间分布的影响,本文引入海拔作为气候空间插值模型自变量,数字高程模型(DEM)采用ASTER GDEM V2版本[15],数据来源于中国科学院计算机网络信息中心地理空间数据云平台(http://www.gscloud.cn)。ASTER GDEM V2在秦岭—大巴山地区的空间分辨率约为29 m×29 m,满足了高分辨率气候空间插值的要求,这也是目前能够免费获取到的分辨率最高的DEM数据。为了探讨秦岭—大巴山气温和降水空间分布与大尺度大气环流的关系,本文分析了该地区不同季节的风场特征,风场数据来自美国国家海洋和大气管理局地球系统研究实验室提供的NCEP-DOE R2再分析资料(https://www.esrl.noaa.gov)[16]。图1
新窗口打开|下载原图ZIP|生成PPT图1秦岭—大巴山29 m×29 m分辨率DEM和气象站点空间分布
Fig. 1Digital elevation model for Qinling-Daba Mountains and the spatial distribution of meteorological stations
2.2 空间插值方法
空间插值方法采用ANUSPLIN软件[17]内置的薄盘光滑样条函数[18]。薄盘光滑样条函数已经被广泛应用于气温和降水空间插值的实践中[1,2,3],并且已经被证明它的表现优于Kriging等其他插值方法[19,20,21]。插值软件ANUSPLIN提供了一套详细的统计分析、数据诊断及空间分布标准误差计算等功能,并允许对多个表面同时插值,因此具有计算效率高和容易操作等优点[17]。ANUSPLIN也支持局部薄盘光滑样条函数,允许引入参数化的线性子模型,例如气温随海拔高度的变化,且模型的复杂程度可通过最小化交叉检验预测误差来自动确定[17]。局部薄盘光滑样条函数插值的理论模型可表达为:式中:zi是位于插值空间内第i点的因变量;xi为关于样条独立变量的d维向量;f为关于xi的未知光滑函数;yi为关于独立协变量的p维向量;b为关于yi系数的p维向量;ei为期望值为0方差为wiσ2的自变量随机误差项;wi为已知的相对误差方差;σ2为误差方差,在所有数据点上恒定,但通常未知[22]。当p = 0时,模型简化为普通的薄盘光滑样条函数;当缺少f (xi)项时,模型变为简单的多元线性回归,但是目前ANUSPLIN不允许这种情况发生。函数f和系数矢量b可通过最小化下式来确定,即最小二乘估计:
式中:Jm (f )为衡量函数f (xi)复杂程度的函数,也称为粗糙测度函数,被定义为函数f的m阶偏导数的积分;ρ为光滑参数,取正值。当ρ无限逼近于0时,拟合的函数逼近于精确的插值;当ρ逼近于无穷大时,拟合的函数逼近于最小二乘多项式,多项式的次数取决于粗糙测度函数的阶数m。光滑参数ρ的值,通常由通过广义交叉检验确定的拟合曲面的预测误差最小化来确定,也可以由基于贝叶斯公式的广义最大似然来确定[17]。ANUSPLIN同时提供了这两种确定平滑参数的判别标准。本文选取的气温和降水最优空间插值模型均为以经度、纬度和海拔为独立变量的三元样条函数。
2.3 误差分析方法
为确定最佳气候空间插值模型,使用ANUSPLIN软件的广义交叉验证方法(表1)。为比较本文气候格点数据集(命名为QB-2018)与目前国际上流行的WorldClim 2.0气候格点数据集的精度,把310个气象站随机分成20组,每次使用其中的19组建立插值模型,用剩下的1组作为验证数据。如此循环20次,获得每个气象站的交叉检验拟合值。值得注意的是,该方法在某种程度上低估了气候格点数据的精度,因为只使用了一部分气象站建立插值模型[23]。对于WorldClim 2.0气候格点数据集,直接提取310个气象站所处格点的气候插值数据,然后分别计算气候观测值与交叉检验拟合值的统计参数(表2)。气温空间插值交叉检验考虑的主要统计参数有:相关系数(R)、平均绝对误差(MAE)和均方根误差(RMSE)。降水空间插值交叉检验考虑的主要统计参数有相关系数(R)、平均绝对误差(MAE)、均方根误差(RMSE)和平均相对误差(MRE)。这些统计参数通常被用来评估气候插值模型的精度[24,25]。各个统计参数的数学表达式为:相关系数:
平均绝对误差:
均方根误差:
平均相对误差:
式中:x(i)代表第i个气象站的气候观测值;y(i)代表交叉检验获得的第i个气象站的气候拟合值;n为总的气象站个数。
Tab. 1
表1
表1空间插值模型广义交叉验证结果
Tab. 1
气候参数 | 平均值 | 标准差 | GCV | MSR | MSE | VAR | MRE(%) | 单位 |
---|---|---|---|---|---|---|---|---|
T1 | 1.31 | 3.93 | 0.53 | 0.21 | 0.26 | 0.33 | NA | ℃ |
T2 | 4.12 | 3.47 | 0.49 | 0.23 | 0.25 | 0.34 | NA | ℃ |
T3 | 8.73 | 3.02 | 0.51 | 0.29 | 0.25 | 0.38 | NA | ℃ |
T4 | 14.84 | 2.74 | 0.47 | 0.28 | 0.23 | 0.36 | NA | ℃ |
T5 | 19.65 | 2.73 | 0.44 | 0.29 | 0.21 | 0.36 | NA | ℃ |
T6 | 23.36 | 2.77 | 0.40 | 0.07 | 0.15 | 0.17 | NA | ℃ |
T7 | 25.36 | 2.71 | 0.38 | 0.20 | 0.19 | 0.27 | NA | ℃ |
T8 | 24.37 | 2.89 | 0.40 | 0.22 | 0.20 | 0.30 | NA | ℃ |
T9 | 20.02 | 3.04 | 0.41 | 0.23 | 0.20 | 0.31 | NA | ℃ |
T10 | 14.47 | 3.23 | 0.42 | 0.24 | 0.21 | 0.32 | NA | ℃ |
T11 | 8.39 | 3.73 | 0.51 | 0.26 | 0.26 | 0.36 | NA | ℃ |
T12 | 2.89 | 3.91 | 0.56 | 0.25 | 0.28 | 0.37 | NA | ℃ |
Tspr | 14.41 | 2.79 | 0.46 | 0.28 | 0.22 | 0.36 | NA | ℃ |
Tsum | 24.36 | 2.76 | 0.38 | 0.20 | 0.19 | 0.27 | NA | ℃ |
Taut | 14.29 | 3.29 | 0.42 | 0.22 | 0.21 | 0.30 | NA | ℃ |
Twin | 2.77 | 3.76 | 0.51 | 0.21 | 0.25 | 0.32 | NA | ℃ |
Tann | 13.96 | 3.05 | 0.41 | 0.20 | 0.21 | 0.29 | NA | ℃ |
P1 | 11.7 | 10.0 | 1.8 | 1.0 | 0.9 | 1.3 | 7.7 | mm |
P2 | 16.8 | 13.5 | 2.3 | 1.5 | 1.1 | 1.8 | 6.4 | mm |
P3 | 31.9 | 17.4 | 3.6 | 2.2 | 1.7 | 2.8 | 5.4 | mm |
P4 | 54.0 | 31.0 | 4.5 | 3.0 | 2.2 | 3.7 | 4.0 | mm |
P5 | 86.9 | 39.4 | 6.3 | 4.1 | 3.0 | 5.1 | 3.4 | mm |
P6 | 106.7 | 46.5 | 8.4 | 5.2 | 4.1 | 6.6 | 3.8 | mm |
P7 | 156.6 | 52.8 | 16.6 | 9.2 | 8.3 | 12.4 | 5.3 | mm |
P8 | 133.9 | 35.0 | 13.3 | 8.8 | 6.3 | 10.8 | 4.7 | mm |
P9 | 97.2 | 29.4 | 9.3 | 5.3 | 4.6 | 7.1 | 4.7 | mm |
P10 | 59.8 | 22.1 | 5.0 | 3.6 | 2.3 | 4.2 | 3.8 | mm |
P11 | 26.6 | 15.7 | 2.8 | 1.9 | 1.3 | 2.3 | 4.8 | mm |
P12 | 10.8 | 7.8 | 1.4 | 0.8 | 0.7 | 1.1 | 6.6 | mm |
Pspr | 172.9 | 84.9 | 12.2 | 7.8 | 5.8 | 9.7 | 3.4 | mm |
Psum | 397.0 | 123.4 | 32.9 | 18.4 | 16.3 | 24.6 | 4.1 | mm |
Paut | 183.7 | 56.8 | 14.3 | 8.6 | 7.0 | 11.1 | 3.8 | mm |
Pwin | 39.3 | 30.7 | 5.0 | 2.8 | 2.5 | 3.8 | 6.4 | mm |
Pann | 792.8 | 270.4 | 53.7 | 31.1 | 26.5 | 40.9 | 3.3 | mm |
新窗口打开|下载CSV
Tab. 2
表2
表2本文交叉验证结果及其与WorldClim 2.0数据集的比较
Tab. 2
气候参数 | QB-2018 | WorldClim 2.0 | 单位 | |||||||
---|---|---|---|---|---|---|---|---|---|---|
R | MAE | RMSE | MRE(%) | R | MAE | RMSE | MRE(%) | |||
T1 | 0.985 | 0.46 | 0.68 | NA | 0.951 | 0.65 | 1.22 | NA | ℃ | |
T2 | 0.981 | 0.44 | 0.67 | NA | 0.930 | 0.74 | 1.38 | NA | ℃ | |
T3 | 0.976 | 0.45 | 0.66 | NA | 0.905 | 0.78 | 1.41 | NA | ℃ | |
T4 | 0.978 | 0.40 | 0.56 | NA | 0.892 | 0.73 | 1.35 | NA | ℃ | |
T5 | 0.981 | 0.37 | 0.53 | NA | 0.893 | 0.74 | 1.39 | NA | ℃ | |
T6 | 0.985 | 0.32 | 0.48 | NA | 0.888 | 0.78 | 1.46 | NA | ℃ | |
T7 | 0.986 | 0.32 | 0.45 | NA | 0.887 | 0.73 | 1.43 | NA | ℃ | |
T8 | 0.987 | 0.34 | 0.46 | NA | 0.899 | 0.86 | 1.43 | NA | ℃ | |
T9 | 0.987 | 0.34 | 0.48 | NA | 0.915 | 0.68 | 1.35 | NA | ℃ | |
T10 | 0.987 | 0.35 | 0.51 | NA | 0.930 | 0.65 | 1.25 | NA | ℃ | |
T11 | 0.986 | 0.43 | 0.63 | NA | 0.949 | 0.63 | 1.19 | NA | ℃ | |
T12 | 0.985 | 0.46 | 0.66 | NA | 0.957 | 0.66 | 1.15 | NA | ℃ | |
Tspr | 0.979 | 0.39 | 0.57 | NA | 0.897 | 0.73 | 1.36 | NA | ℃ | |
Tsum | 0.986 | 0.31 | 0.45 | NA | 0.892 | 0.75 | 1.42 | NA | ℃ | |
Taut | 0.988 | 0.35 | 0.52 | NA | 0.933 | 0.63 | 1.24 | NA | ℃ | |
Twin | 0.985 | 0.44 | 0.65 | NA | 0.948 | 0.63 | 1.22 | NA | ℃ | |
Tann | 0.985 | 0.35 | 0.52 | NA | 0.921 | 0.63 | 1.28 | NA | ℃ | |
P1 | 0.976 | 1.5 | 2.2 | 12.6 | 0.928 | 2.7 | 4.1 | 23.0 | mm | |
P2 | 0.983 | 1.7 | 2.5 | 10.1 | 0.959 | 2.9 | 4.3 | 17.1 | mm | |
P3 | 0.975 | 2.7 | 3.8 | 8.6 | 0.954 | 4.4 | 6.0 | 13.9 | mm | |
P4 | 0.987 | 3.5 | 5.1 | 6.5 | 0.951 | 12.2 | 14.1 | 22.6 | mm | |
P5 | 0.983 | 5.2 | 7.2 | 6.0 | 0.953 | 10.3 | 12.7 | 11.9 | mm | |
P6 | 0.976 | 7.0 | 10.1 | 6.6 | 0.958 | 9.8 | 13.6 | 9.2 | mm | |
P7 | 0.925 | 13.2 | 20.1 | 8.4 | 0.808 | 24.1 | 31.6 | 15.4 | mm | |
P8 | 0.887 | 10.8 | 16.2 | 8.1 | 0.802 | 16.8 | 24.0 | 12.6 | mm | |
P9 | 0.921 | 7.5 | 11.5 | 7.7 | 0.835 | 21.0 | 26.2 | 21.6 | mm | |
P10 | 0.969 | 4.0 | 5.4 | 6.6 | 0.923 | 7.6 | 9.9 | 12.8 | mm | |
P11 | 0.982 | 2.1 | 3.0 | 7.8 | 0.950 | 5.1 | 6.3 | 19.2 | mm | |
P12 | 0.976 | 1.2 | 1.7 | 10.8 | 0.939 | 2.0 | 2.8 | 18.8 | mm | |
Pspr | 0.987 | 9.5 | 13.7 | 5.5 | 0.965 | 22.2 | 27.9 | 12.8 | mm | |
Psum | 0.945 | 26.0 | 40.2 | 6.6 | 0.878 | 42.8 | 60.1 | 10.8 | mm | |
Paut | 0.954 | 11.8 | 16.9 | 6.4 | 0.899 | 31.6 | 38.8 | 17.2 | mm | |
Pwin | 0.981 | 4.1 | 6.0 | 10.4 | 0.956 | 6.8 | 9.6 | 17.3 | mm | |
Pann | 0.971 | 43.0 | 64.3 | 5.4 | 0.936 | 78.5 | 104.5 | 9.9 | mm |
新窗口打开|下载CSV
3 结果与讨论
3.1 气候插值模型的表现和气温直减率
3.1.1 模型表现 广义交叉验证结果表明,秦岭—大巴山气候空间插值具有较高的精度(表1)。气温插值广义交叉验证值(GCV)均在0.6 ℃以下,大部分小于0.5 ℃。其中,7月最小,12月最大;夏季最小,冬季最大。气温插值均方根残差(MSR)均在0.3 ℃以下,大部分小于0.25 ℃。其中,3月和5月最大,6月最小;春季最大,夏季最小。气温插值期望真实误差(MSE)在0.3 ℃以下,大部分小于0.25 ℃。其中,6月最小,12月最大;夏季最小,冬季最大。气温方差估计(VAR)在0.4 ℃以下,大部分小于0.35 ℃。其中,3月最大,6月最小;春季最大,夏季最小。这些差异表明,夏季气温的空间插值误差相对较小,冬季气温的空间插值误差相对较大,这可能与冷季较多的寒潮扰动有关。一般认为,期望真实误差小于0.5 ℃表明气温空间插值结果可靠[17]。逐月降水的广义交叉验证值GCV变化区间为1~17 mm,与降水量有着明显的正相关关系,7月最大,12月最小。逐月降水空间插值的均方根残差MSR小于10 mm,期望真实误差MSE小于9 mm,方差估计VAR小于13 mm,且都是7月最大,12月最小。从季节尺度来看,夏季最大,冬季最小。逐月降水插值的平均相对误差MRE小于8%,大部分小于6%,总体呈“W”型分布,5月和10月位于“W”型底部。从季节尺度来看,冬季最大,春季最小。年降水平均相对误差为3.3%,小于各个月份和季节的平均相对误差,表明年降水空间插值最精确。因为降水数据分布不对称,所以更适合用平均相对误差来评估其插值精度[17]。一般认为,平均相对误差小于10%表明降水空间插值结果可靠[17]。
3.1.2 气温直减率 通过建立以海拔为线性子模型的局部薄盘光滑样条函数,获得秦岭—大巴山的气温垂直递减率(图2)。1-12月的气温直减率依次为:0.41 ℃/100 m、0.49 ℃/100 m、0.53 ℃/100 m、0.53 ℃/100 m、0.56 ℃/100 m、0.61 ℃/100 m、0.59 ℃/100 m、0.57 ℃/100 m、0.54 ℃/100 m、0.50 ℃/100 m、0.41 ℃/100 m和0.38 ℃/100 m。春、夏、秋、冬四个季节的气温直减率分别为:0.54 ℃/100 m、0.59 ℃/100 m、0.48 ℃/100 m和0.42 ℃/100 m。年均气温直减率为0.51 ℃/100 m。由此可见,秦岭—大巴山的逐月气温直减率最大值出现在6月,最小值出现在12月,夏季气温直减率大于冬季。本文揭示的气温直减率变化及其季节差异,得到了前人研究的支持[26,27]。
图2
新窗口打开|下载原图ZIP|生成PPT图2秦岭—大巴山逐月气温直减率及其标准误差
Fig. 2Monthly temperature lapse rate and its standard error in the Qinling-Daba Mountains
3.2 与WorldClim 2.0格点数据集的对比
表2为两个气候格点数据集的交叉检验结果统计。本文获得的QB-2018气温格点数据集,其观测值与拟合值的相关系数R在0.97以上,平均绝对误差MAE在0.5 ℃以下,均方根误差RMSE在0.7 ℃以下。相反,WorldClim 2.0气温格点数据集的相关系数全部低于0.96,有的甚至低于0.90,平均绝对误差在0.6 ℃以上,均方根误差在1.1 ℃以上。降水空间插值的交叉检验结果也表明:QB-2018数据集的表现优于WorldClim 2.0数据集。在QB-2018数据集中,除了7-9月的相关系数较低之外,其他月份的降水观测值与拟合值的相关系数均在0.96以上。与此相反,WorldClim 2.0格点数据集逐月降水观测值与拟合值的相关系数均低于0.96。此外,QB-2018的降水空间插值平均绝对误差、均方根误差、平均相对误差均低于WorldClim 2.0数据集。通过绘制年均温和年降水观测值与交叉检验拟合值的二维散点图(图3),可以直观地看到QB-2018数据集的散点更为收敛。综上所述,本文获得的气候空间插值结果,比目前的WorldClim 2.0数据集更精确和可靠,主要原因是本文使用了更为密集的气象站,以及更高分辨率的DEM数据。图3
新窗口打开|下载原图ZIP|生成PPT图3秦岭—大巴山年均温(a, b)和年降水(c, d)观测值与交叉检验拟合值的散点图(实线为线性拟合)
Fig. 3Scatter plots of observed annual mean temperature (a, b) and annual precipitation (c, d) against their fitted values in cross validations in the Qinling-Daba Mountains (The solid red line represents a linear fit)
3.3 秦岭—大巴山气温和降水空间分布特征
3.3.1 年均温和年降水空间分布 图4a显示,秦岭—大巴山年均温在12 ℃以下,四川盆地、渭河盆地、汉江谷地、南阳盆地、江汉平原年均温在12 ℃以上。总体上,这和WorldClim 2.0数据集的年均温(图4b)空间分布相一致。但是明显可以看出,本文的年均温空间分布分辨率更高,细节更为突出。图4c显示,秦岭是年降水量800 mm分界线,大巴山是年降水量1000 mm分界线,大巴山西南坡是年降水相对集中的区域,年降水量在1200 mm以上。大巴山的走向与1000 mm等雨量线几乎完全吻合,但是秦岭的走向与800 mm等雨量线并不完全吻合。秦岭东部地区的年降水量低于800 mm,南阳盆地的年降水量也低于800 mm。图4d显示,WorldClim 2.0数据集也能划分出年降水量800 mm和1000 mm分界线。但是,WorldClim 2.0格点数据集的降水分界线均为东西走向,与本文结果不一致。此外,WorldClim 2.0格点数据集没有能够刻画出大巴山西南坡的强降水中心,也没有能够刻画出南阳盆地的降水低值中心。图4
新窗口打开|下载原图ZIP|生成PPT图4秦岭—大巴山年均温(a, b)和年降水(c, d)空间分布(a、c来自QB-2018数据集(本文),b、d来自WorldClim 2.0数据集[2])
Fig. 4Spatial distribution of annual mean temperature (a, b) and annual precipitation (c, d) in the Qinling-Daba Mountains, where (a) and (c) are from QB-2018 dataset (this study) while (b) and (d) are from WorldClim 2.0 dataset[2]
3.3.2 典型月份气温空间分布 图5a显示,秦岭—大巴山最冷月(1月)气温具有明显的空间分异。秦岭南麓为1月气温的0 ℃分界线:此界线往北1月气温低于0 ℃,此界线往南1月气温高于0 ℃。这与白红英等[13]基于ArcGIS空间插值获得的秦岭山地0 ℃等温线位置基本一致。但是,秦岭以北的渭河盆地局部地区存在着一些1月气温高于0 ℃的“热岛”,可能与城市化有关[28]。此外,秦岭以南的大巴山高海拔地区1月气温也低于0 ℃。周边的四川盆地是1月气温最高的地方。图5b显示,秦岭和大巴山4月气温低于13 ℃,周边最高气温出现在四川盆地。图5c显示,秦岭和大巴山7月气温低于23 ℃,周边气温最高的地方是江汉平原。图5d显示,10月的气温空间分布与4月的基本一致,秦岭和大巴山气温低于13 ℃。但是,10月的最高气温出现在江汉平原,不同于4月。原因可能是,江汉平原4月气温受到春季冷空气南下的影响,而四川盆地由于受到秦岭和大巴山的保护,冷空气影响较小。
图5
新窗口打开|下载原图ZIP|生成PPT图5秦岭—大巴山1月(a)、4月(b)、7月(c)和10月(d)气温空间分布
Fig. 5Spatial distribution of January (a), April (b), July (c) and October (d) air temperature in the Qinling-Daba Mountains
3.3.3 春夏秋冬降水空间分布 图6显示,在整个研究区范围内,夏季降水最多,为216~700 mm;冬季降水最少,为14~99 mm。图6a显示,春季降水从南向北递减,秦岭是春季降水量150 mm分界线,大巴山是春季降水量200 mm分界线,大巴山南坡春季降水量在250 mm以上。图6b显示,夏季降水从西南向东北递减,秦岭是夏季降水量400 mm分界线,大巴山是夏季降水量500 mm分界线。大巴山西南坡夏季降水量在600 mm以上,是一个明显的夏季强降水中心。南阳盆地夏季降水量在400 mm以下,是一个夏季降水低值中心。值得注意的是,秦岭主脊与夏季降水量400 mm分界线并不完全吻合,秦岭东部的夏季降水量明显少于400 mm。图6c显示,秋季降水也是从西南向东北递减,秦岭是秋季降水量200 mm分界线,大巴山是秋季降水量250 mm分界线。大巴山西南坡秋季降水量在300 mm以上,是明显的秋季强降水中心。总体上,夏季降水和秋季降水从西南向东北递减的等值线分布与大巴山“西北—东南”的走向基本平行,但是和秦岭“东—西”的走向并不平行,表明大巴山对降水量空间分布的影响比秦岭要强。图6d显示,冬季降水从东南向西北递减,江汉平原冬季降水最多,大巴山次之,秦岭和渭河盆地最少,冬季等雨量线和秦岭—大巴山走向没有明显的平行关系。
图6
新窗口打开|下载原图ZIP|生成PPT图6秦岭—大巴山春季(a)、夏季(b)、秋季(c)和冬季(d)降水空间分布
Fig. 6Spatial distribution of spring (a), summer (b), autumn (c) and winter (d) precipitation in the Qinling-Daba Mountains
3.4 与大尺度大气环流(东亚季风)的对比
图7显示,秦岭—大巴山夏季盛行西南风(图7b),冬季盛行西北风(图7d),即所谓的东亚夏季风和东亚冬季风。总体上,春季和秋季盛行西南风,但是风向在空间上发生较大变化,由西南风转换为西北风(图7a、7c)。通过与图4、图5和图6对比,可以直观地看出,秦岭—大巴山的气温和降水空间分布与大尺度大气环流存在着密切的联系。从西南向东北递减的夏季和秋季降水空间分布,与暖湿的夏季风风向基本一致。大巴山西南坡是夏季风的迎风坡,也是夏季降水和秋季降水最为丰富的区域,而位于背风坡方向的渭河盆地和南阳盆地,夏季降水、秋季降水和年降水都相对较少。由此可见,是秦岭和大巴山阻挡了夏季风水汽,引起降水空间变化。但是,降水梯度主要平行于大巴山的走向分布,并且强降水中心出现在大巴山西南坡,因此大巴山的阻挡作用更强。如果秦岭作用更强,那么降水梯度应该平行于秦岭的走向分布,然而并非如此。原因主要是大巴山位于夏季风前沿,而秦岭位于后方。数值模拟证实了秦岭—大巴山地形对夏季风暖湿气流的动力强迫抬升和辐合作用,并支持大巴山是影响降水的主要地形因子[29]。此外,从东南向西北递减的冬季气温和冬季降水空间分布,与干冷的冬季风风向基本相反。最冷月0 ℃等温线沿着秦岭的南麓分布(图5a),表明秦岭是阻挡冬季风南下的主力军。因此,本文进一步明确了秦岭和大巴山的气候意义,大巴山主要影响降水空间分布,而秦岭主要影响冬季气温空间分布。图7
新窗口打开|下载原图ZIP|生成PPT图7秦岭—大巴山春季(a)、夏季(b)、秋季(c)和冬季(d)700 hPa风场流线图(黄色阴影表示海拔大于800 m的区域)
Fig. 7Mean 700 hPa streamlines of spring (a), summer (b), autumn (c) and winter (d) in the Qinling-Daba Mountains (Areas above 800 m are shaded in yellow)
4 结论与展望
4.1 结论
(1)本文建立了秦岭—大巴山高分辨率(~29 m×29 m)的气候格点数据集。考虑的气候要素包括:逐月气温和降水,四季气温和降水,年均温和年降水,共34个气候变量。气候空间插值方法采用国际上较为先进的薄盘光滑样条函数,以经度、纬度和海拔为独立变量,由专用气象插值软件ANUSPLIN实现。(2)本文插值结果与流行的WorldClim 2.0气候格点数据集,在刻画秦岭—大巴山的气温和降水空间分布上具有一致性,但比后者精度更高、结果更可靠、细节更突出,因为使用了更为密集的气象观测网,以及更高分辨率的DEM数据。
(3)本文插值结果揭示:秦岭—大巴山年均温低于12 ℃,7月气温低于23 ℃,4月和10月气温低于13 ℃,秦岭南麓是最冷月(1月)气温的0 ℃分界线。秦岭—大巴山气温具有明显的垂直地带性,夏季最强,冬季最弱。6月气温直减率最大,为0.61 ℃/100 m;12月气温直减率最小,为0.38 ℃/100 m;年均气温直减率为0.51 ℃/100 m。
(4)秦岭—大巴山年降水、夏季降水和秋季降水从西南向东北递减。大巴山西南坡降水最丰富,年降水大于1200 mm,夏季降水大于600 mm,秋季降水大于300 mm。秦岭—大巴山冬季降水从东南向西北递减。秦岭是年降水800 mm、春季降水150 mm、夏季降水400 mm、秋季降水200 mm的分界线。大巴山是年降水1000 mm、春季降水200 mm、夏季降水500 mm、秋季降水250 mm的分界线。
(5)与大尺度大气环流对比揭示:秦岭—大巴山的气温和降水空间分布主要受到东亚季风的控制,同时受到地形的影响。本文进一步明确了秦岭和大巴山的气候意义,大巴山对夏季风暖湿气流北上的阻挡作用比秦岭要强,是影响降水空间分布的主要地形因子,而秦岭主要阻挡冬季风干冷气流南下,决定冬季气温空间分布。
4.2 展望
国内较少建立和共享高分辨率的气候格点数据集,而国外提供下载的气候格点数据通常无法满足特定区域(特别是山区)的研究需要。本文建立的高分辨率气温和降水格点数据集,为以后的研究提供了可靠的基础数据,并加深了对秦岭—大巴山现代气候的认识。结合地表花粉数据,有望建立花粉—气候定量关系模型,从而定量重建过去的气候变化。但是,本文的数据集只覆盖了秦岭—大巴山及其周边地区,未来需要在全国范围进行高分辨率的气候空间插值,为东亚花粉数据库提供可靠的气候数据。此外,本文只是建立了1981-2010年气候平均的格点数据集,未来需要建立长时间序列的高分辨率气候格点数据集。参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
,
DOI:10.1002/(ISSN)1097-0088URL [本文引用: 4]
,
DOI:10.1002/joc.2017.37.issue-12URL [本文引用: 6]
,
DOI:10.3354/cr021001URL [本文引用: 2]
,
DOI:10.1002/joc.3711URL [本文引用: 1]
DOI:10.6038/cjg20130406Magsci [本文引用: 1]
<p>为高分辨率气候模式检验等的需要,基于2400余个中国地面气象台站的观测资料,通过插值建立了一套0.25°×0.25°经纬度分辨率的格点化数据集(CN05.1).CN05.1包括日平均和最高、最低气温,以及降水4个变量.插值通过常用的"距平逼近"方法实现,首先将计算得到的气候平均场使用薄板样条方法进行插值,随后使用"角距权重法"对距平场进行插值,然后将两者叠加,得到最终的数据集.将CN05.1与CN05、EA05和APHRO三种日气温和降水资料(四种资料的分析时段统一为1961—2005年)进行对比,分析了它们对气候平均态和极端事件描述上的不同,结果表明几者总体来说在中国东部观测台站密集的地方差别较小,而在台站稀疏的西部差别较大,相差最大的是青藏高原北部至昆仑山西段等地形起伏较大而很少或没有观测台站的地方,反映了格点化数据在这些地区的不确定性,在使用中应予以注意.</p>
,
DOI:10.6038/cjg20130406Magsci [本文引用: 1]
<p>为高分辨率气候模式检验等的需要,基于2400余个中国地面气象台站的观测资料,通过插值建立了一套0.25°×0.25°经纬度分辨率的格点化数据集(CN05.1).CN05.1包括日平均和最高、最低气温,以及降水4个变量.插值通过常用的"距平逼近"方法实现,首先将计算得到的气候平均场使用薄板样条方法进行插值,随后使用"角距权重法"对距平场进行插值,然后将两者叠加,得到最终的数据集.将CN05.1与CN05、EA05和APHRO三种日气温和降水资料(四种资料的分析时段统一为1961—2005年)进行对比,分析了它们对气候平均态和极端事件描述上的不同,结果表明几者总体来说在中国东部观测台站密集的地方差别较小,而在台站稀疏的西部差别较大,相差最大的是青藏高原北部至昆仑山西段等地形起伏较大而很少或没有观测台站的地方,反映了格点化数据在这些地区的不确定性,在使用中应予以注意.</p>
[本文引用: 2]
,
[本文引用: 2]
[本文引用: 3]
[本文引用: 3]
[本文引用: 3]
[本文引用: 3]
[本文引用: 1]
,
[本文引用: 1]
[本文引用: 1]
,
[本文引用: 1]
[本文引用: 1]
,
[本文引用: 1]
DOI:10.3969/j.issn.1008-2786.2007.04.004URL [本文引用: 1]
考虑到秦岭地形对温度场的影响因素,以主分水岭为界分为南北两部分,在普通插值的基础上,采用一种基于DEM的辅助插值方法,同时考虑秦岭南北坡坡向的差异,对秦岭的温度场进行了模拟。采用气象观测站点数据和格网精度为100 m的DEM数据,利用GIS空间分析方法,模拟了秦岭的温度场,并对模拟结果进行了交叉验证分析。实验表明,基于DEM的秦岭温度场模拟,结果较精确地反映秦岭山地的温度场分布特征,同时验证了秦岭对南北气温具有明显的分异作用和气候效应。
,
DOI:10.3969/j.issn.1008-2786.2007.04.004URL [本文引用: 1]
考虑到秦岭地形对温度场的影响因素,以主分水岭为界分为南北两部分,在普通插值的基础上,采用一种基于DEM的辅助插值方法,同时考虑秦岭南北坡坡向的差异,对秦岭的温度场进行了模拟。采用气象观测站点数据和格网精度为100 m的DEM数据,利用GIS空间分析方法,模拟了秦岭的温度场,并对模拟结果进行了交叉验证分析。实验表明,基于DEM的秦岭温度场模拟,结果较精确地反映秦岭山地的温度场分布特征,同时验证了秦岭对南北气温具有明显的分异作用和气候效应。
[本文引用: 2]
,
[本文引用: 2]
[本文引用: 1]
,
[本文引用: 1]
,
[本文引用: 1]
,
DOI:10.1175/BAMS-83-11-1631URL [本文引用: 1]
,
[本文引用: 7]
,
DOI:10.1080/02693799508902045URL [本文引用: 1]
DOI:10.7522/j.issn.1000-0534.2015.00037Magsci [本文引用: 1]
<p>选取地形起伏度巨大的青藏高原东南缘为研究区,利用该研究区96个气象站点,结合高程数据,分别采用Cokriging和Anusplin空间插值方法,获取2010年250 m分辨率的年均温度和年累计降水插值曲面。并采用交叉验证方法对比Anusplin与Cokriging插值精度,分析了误差的空间分布特征,重点对比两种插值曲面差异较大的区域精度优劣,评价两种方法在复杂地区的适用性。结果表明,Anusplin在复杂地表的插值表现优于Cokriging,其中Anusplin气温插值的均方差仅为0.82℃,而Cokriging的均方差为1.45℃;两者的降水插值精度基本一致,但Anusplin在气象要素空间异质性大的区域优于Cokriging。因此,与Cokriging相比,Anusplin更适合青藏高原东南缘复杂地表气象要素空间插值。</p>
,
DOI:10.7522/j.issn.1000-0534.2015.00037Magsci [本文引用: 1]
<p>选取地形起伏度巨大的青藏高原东南缘为研究区,利用该研究区96个气象站点,结合高程数据,分别采用Cokriging和Anusplin空间插值方法,获取2010年250 m分辨率的年均温度和年累计降水插值曲面。并采用交叉验证方法对比Anusplin与Cokriging插值精度,分析了误差的空间分布特征,重点对比两种插值曲面差异较大的区域精度优劣,评价两种方法在复杂地区的适用性。结果表明,Anusplin在复杂地表的插值表现优于Cokriging,其中Anusplin气温插值的均方差仅为0.82℃,而Cokriging的均方差为1.45℃;两者的降水插值精度基本一致,但Anusplin在气象要素空间异质性大的区域优于Cokriging。因此,与Cokriging相比,Anusplin更适合青藏高原东南缘复杂地表气象要素空间插值。</p>
[本文引用: 1]
,
[本文引用: 1]
Magsci [本文引用: 1]
气象要素是资源、环境、灾害以及全球变化等领域研究的数据基础,格点化数据在未来研究应用中显得日益重要。本文基于中国境内667个基本和基准地面气象观测站点的基本气象资料,使用ANUSPLIN专用气候插值软件对1961-2006年逐日气温、降水进行插值,并利用未参与插值的全国1667个加密站点对插值结果的准确性进行检验,同时与反向距离权重法和普通克吕格法等插值方法的结果进行对比。结果表明,利用667个站点使用ANUSPLIN软件进行逐日平均气温插值有92.0%的误差在2.0℃以内,75.0%的误差在1.0℃以内,0.9%的误差在5.0℃以上,平均绝对误差为0.8℃;对逐日降水进行插值,75.0%的误差小于5.0mm,85%的误差小于10.0mm,平均绝对误差为6.4mm,误差大小与降水量呈现出正相关性,对局地强降水的插值效果不好,这可能与参与局部拟合插值的样本数太少有关;同时,夏季的温度插值误差小于冬季,而冬季的降水误差小于夏季。将ANUSPLIN的局部薄盘样条插值结果分别与反向距离权重法和普通克吕格法的插值结果进行对比,显示ANUSPLIN软件的插值误差最小。结果同样表明,适当增加站点数量和提高DEM精度可进一步提高ANUSPLIN软件的插值精度。
,
Magsci [本文引用: 1]
气象要素是资源、环境、灾害以及全球变化等领域研究的数据基础,格点化数据在未来研究应用中显得日益重要。本文基于中国境内667个基本和基准地面气象观测站点的基本气象资料,使用ANUSPLIN专用气候插值软件对1961-2006年逐日气温、降水进行插值,并利用未参与插值的全国1667个加密站点对插值结果的准确性进行检验,同时与反向距离权重法和普通克吕格法等插值方法的结果进行对比。结果表明,利用667个站点使用ANUSPLIN软件进行逐日平均气温插值有92.0%的误差在2.0℃以内,75.0%的误差在1.0℃以内,0.9%的误差在5.0℃以上,平均绝对误差为0.8℃;对逐日降水进行插值,75.0%的误差小于5.0mm,85%的误差小于10.0mm,平均绝对误差为6.4mm,误差大小与降水量呈现出正相关性,对局地强降水的插值效果不好,这可能与参与局部拟合插值的样本数太少有关;同时,夏季的温度插值误差小于冬季,而冬季的降水误差小于夏季。将ANUSPLIN的局部薄盘样条插值结果分别与反向距离权重法和普通克吕格法的插值结果进行对比,显示ANUSPLIN软件的插值误差最小。结果同样表明,适当增加站点数量和提高DEM精度可进一步提高ANUSPLIN软件的插值精度。
,
[本文引用: 1]
,
DOI:10.22499/2.00000URL [本文引用: 1]
Magsci [本文引用: 1]
利用2006-2008年2 403个国家气象观测站地面雨量计的逐日降水量资料, 采用与网格点最近的观测站有\, 无降水确定该网格点有\, 无降水和Barnes插值方案确定网格点降水大小的混合插值方案, 得到全国空间分辨率为0.1°×0.1°(约10 km×10 km)的逐日降水量格点数据, 在此基础上通过交叉检验方法统计格点数据的误差, 从相关系数、 平均偏差、 平均绝对误差、 平均相对误差、 均方根误差、 复合相对误差、 观测均方根、 插值均方根、 相对方差比率和降水概率密度函数分布等方面研究了在该混合插值方案下得到的我国逐日降水格点数据的误差分布, 分析了误差统计量的时空变化特征。交叉检验的统计结果表明: (1)观测站逐日降水量的估计序列(即在不使用该观测站实际观测情况下由周围观测站插值得到网格数据, 再由网格数据反插观测站估计值)与实际观测序列比较, 两者的相关系数为0.81, 平均偏差为-0.02 mm·d-1, 平均绝对误差为1.3 mm·d-1, 平均相对误差为58.67%, 均方根误差为4.5 mm·d-1, 复合相对误差为41.17%, 相对方差比率为93.12%, 即格点化的降水资料具有较高的精度。(2)观测站逐日降水量的估计序列与实际观测序列的概率密度分布比较接近, 插值误差基本符合正态分布。(3)逐日降水格点误差的空间分布规律是: 平均绝对误差和均方根误差从我国西北向东南逐步增大; 而平均相对误差的分布特点是东部特别是东部平原小\, 西部相对大; 相关系数的分布特点是东部高\, 西部相对低。(4)误差统计量的逐月变化规律是: 绝对误差和均方根误差明显表现为随月降水总量的增减而相应增减, 一般是7月达最大, 12月为全年最小值; 而相关系数的大小与降水性质有关, 一般大尺度系统性降水多时(11月)相关系数偏高, 局地对流性降水偏多时(8月)相关系数偏低。
,
Magsci [本文引用: 1]
利用2006-2008年2 403个国家气象观测站地面雨量计的逐日降水量资料, 采用与网格点最近的观测站有\, 无降水确定该网格点有\, 无降水和Barnes插值方案确定网格点降水大小的混合插值方案, 得到全国空间分辨率为0.1°×0.1°(约10 km×10 km)的逐日降水量格点数据, 在此基础上通过交叉检验方法统计格点数据的误差, 从相关系数、 平均偏差、 平均绝对误差、 平均相对误差、 均方根误差、 复合相对误差、 观测均方根、 插值均方根、 相对方差比率和降水概率密度函数分布等方面研究了在该混合插值方案下得到的我国逐日降水格点数据的误差分布, 分析了误差统计量的时空变化特征。交叉检验的统计结果表明: (1)观测站逐日降水量的估计序列(即在不使用该观测站实际观测情况下由周围观测站插值得到网格数据, 再由网格数据反插观测站估计值)与实际观测序列比较, 两者的相关系数为0.81, 平均偏差为-0.02 mm·d-1, 平均绝对误差为1.3 mm·d-1, 平均相对误差为58.67%, 均方根误差为4.5 mm·d-1, 复合相对误差为41.17%, 相对方差比率为93.12%, 即格点化的降水资料具有较高的精度。(2)观测站逐日降水量的估计序列与实际观测序列的概率密度分布比较接近, 插值误差基本符合正态分布。(3)逐日降水格点误差的空间分布规律是: 平均绝对误差和均方根误差从我国西北向东南逐步增大; 而平均相对误差的分布特点是东部特别是东部平原小\, 西部相对大; 相关系数的分布特点是东部高\, 西部相对低。(4)误差统计量的逐月变化规律是: 绝对误差和均方根误差明显表现为随月降水总量的增减而相应增减, 一般是7月达最大, 12月为全年最小值; 而相关系数的大小与降水性质有关, 一般大尺度系统性降水多时(11月)相关系数偏高, 局地对流性降水偏多时(8月)相关系数偏低。
[本文引用: 1]
,
[本文引用: 1]
[本文引用: 1]
,
[本文引用: 1]
[本文引用: 1]
,
[本文引用: 1]
[本文引用: 1]
,
[本文引用: 1]
[本文引用: 1]
,
[本文引用: 1]