1970_2008年安徽省气温时空格局变化_查良松介绍

图 1 安徽省气象台站的空间分布 Fig1 1 Spatial dist ributio n of meteorological
statio ns in Anhui Province
SIE 可以反映利用样本点数据的估计值灵敏度和极值效应 。假设在 n 个气象站点 x1 , …, xn 上实测的年平均气温或日极端最高气温 、日极端最低气温为 p ( x1 ) , p ( x2 ) , …, p
1 引言
安徽省位于我国东部地区 , 长江 、淮河自西向东横贯境内 , 全省地势西南高 、东北 低 。地貌类型复杂多样 , 山地 、丘陵与平原南北相间排列 , 各约占全省面积 30 % , 湖泊 洼地在 10 %以下 。气候上属温带向亚热带过渡的地带 , 冬季寒冷 , 盛行偏北风 ; 夏季闷 热 , 盛行偏南风 , 天气变化剧烈 , 自然灾害频繁发生 。在全国 11 个一级气象地理区域中 安徽跨三个区 , 即黄淮地区 、江淮地区和江南地区[1] 。 许多学者对我国区域性气温特点研究做了大量工作[2 ,3] , 取得了一些成果 , 但是研究 多个气象地理区域在一省内的空间变化较少 。平均气温的变化与最高气温 、最低气温的变 化是紧密相关的[4] 。事实上 , 日极端最高气温 、日极端最低气温变化不但与平均气温的变 化紧密相关[5] , 而且它的变化对人们的社会生活和生态环境影响更为敏感[6 ,7] 。因此 , 研 究近 40 年来安徽省平均气温和日极端最高气温 、日极端最低气温的时空格局变化特征 , 对了解气温变化区域影响的差异 、提出应对策略均具有重要意义 。 由于气温受很多因素影响 、气象观测站点有限性和分布不均匀 , 对区域内有限的观测 站点的气温数据进行插值 , 才能获取整个区域的气温空间格局 。Willmott 等提出气候辅
(11 安徽师范大学国土资源与旅游学院 , 芜湖 241003 ; 21 安徽省气象台 , 合肥 230031 ; 3. 合肥工业大学资源与环境工程学院 , 合肥 230009)
摘要 : 采用协同克里格 (Co2kriging) 指数模型对安徽省 1970～2008 年平均气温 、日极端最 高 、低气温进行空间插值 。结果表明 : 全省平均日极端最高气温的分布与平均气温分布基本 相反 , 平均日极端最低气温的分布与平均气温分布基本一致 , 前者反映日极端最高气温时空 格局是不稳定的 , 后者反映日极端最低气温时空格局是稳定的 。20 世纪全省日极端最低气温 具有 1970 年代低 、80 年代高 、90 年代低 、21 世纪头 10 年高的年代际变化周期 ; 全省年平均 气温和日极端最高气温是 70 年代升高 、80 年代下降 、90 年代和 21 世纪头 10 年继续升高 , 但值得注意的是 21 世纪头 10 年代年平均气温增长量比 90 年代小 01 1 ℃。芜湖 、安庆 、马鞍 山等沿江城市对气温升高贡献率突出 , 90 年代年平均气温和日极端最高气温分别比 80 年代 增加 01 7 ℃和 01 25 ℃, 21 世纪头 10 年年平均气温和日极端最高气温分别比 90 年代增加 01 8 ℃ 和 11 13 ℃, 已超过大别山区相应的增长量一倍以上 。 关 键 词 : 协同克里格法 ; 时空格局 ; 年平均气温 ; 日极端气温 ; 年代际变化 ; 安徽 文章编号 : 100020585 (2010) 0420640215
(2)
i =1
n
∑ RM S I E =
[ p’ ( x i ) - p ( x i ) ]2 / n
(3)
i =1
21 21 2 检验数据分布 经统计分析年平均气温 、日极端最高气温和日极端最低气温样本
数据集已呈正态分布 , 为使 Kriging 插值法对正态数据的预测精度更高 , 再将原始样本数
642
地 理 研 究
29 卷
21 21 1 交叉验证法 应用气象站点数
据进行气温插值时 , 采用 交叉 验证 法
(cro ss2validatio n) 验证协同克里格法插
值方法的效果 。交叉验证的过程是 : 首
先假定某一个气象站点的气温未知 , 用
其他所有气象站点的值 , 通过空间插值
值和变程[18] 。块金值表示在一个无穷小的观测距离上 , 由于存在观测误差和分析误差造
成的空间变量的空间自相关变化特征 ; 基台值是当采样点的距离增大时 , 半变异函数从初
始的块金值达到一个相对稳定的常数时 , 将该常数称为基台值 ; 偏基台值为基台值与块金
值之差 ; 当半变异函数的取值由初始的块金值达到基台值时 , 采样点的间隔距离称为变
2 资料来源与研究方法
21 1 资料 为考虑安徽省气温数据内插结果的完整性 , 选用了安徽省境内 75 个气象站点及周边 的兖州 、高邮 、溧阳 、宿迁 、徐州 、淮阳 、常州 、南京 、衢州 、杭州 、盱吁 、淳安 、南 昌 、景德镇 、九江 、鄱阳 、英山 、麻城 、驻马店 、商丘 、固始等 21 个站点作为研究基点 (图 1) 。为了便于比较 , 考虑到部分站点个别年份资料的缺失和分析问题的一致性 , 统一 采用 1970～2008 年 (包括 20 世纪 70 年代 、80 年代 、90 年代和 21 世纪头 10 年年代际 , 其中 21 世纪头 10 年为 2000 年～2008 年 , 缺 2009 年) 的年平均气温 、日极端最高气温 和日极端最低气温 (指每一气象站点每年某日有一极端最高气温值或最低气温值) 资料 。 21 2 主要方法 因事先采用了反距离平方法 、普通克里格法 ( Ordinary Kriging) 、协同克里格法 (Co —kriging) [18] 等对安徽省气象数据进行空间插值并进行检验比较 , 协同克里格方法是 最优方法 。协同克里格方法把普通克里格的单个区域化变量向多个区域化变量拓展 , 把区 域化变量理论的最佳估值方法从单一属性发展到二个以上的协同区域化属性 。当某一属性 由于各种原因无法充分采样时 , 协同克里格法可以利用它与另一个采样点的变量之间的空 间相关性 , 有效地进行一定精度的估值 。计算工作在 Arcgis 软件中进行 。
据进行 BO X - COX 变换[18] , 利用 Arcgis 提供的正态 QQ 图制作呈近似直线分布 , 如所
选的年平均气温变换后的正态 QQ 图 (图 2) , 日极端最高气温和日极端最低气温的年代
际数据集同样具有图 2 特征 , 表明所有样本数据从整体上都趋近于正态分布 。
21 21 3 半变异模型的确定 半变异函数模型有 4 个重要参数 : 块金值 、基台值 、偏基台
第 29 卷 第 4 期 2010 年 4 月
地 理 研 究 GEO GRA P H ICAL R ESEA RC H
Vol1 29 , No1 4 Ap r1 , 2010
1970～2008 年安徽省气温时空格局变化
查良松1 , 陈晓红2 , 吉中会1 , 赵 萍3 , 彭 洋1 , 王莹莹1
收稿日期 : 2009206215 ; 修订日期 : 2009212216 基金项目 : 国家自然科学基金 (40771207) 。 作者简介 : 查良松 (19532) , 男 , 安徽铜陵人 , 教授 。主要从主气候环境变化和模型设计与 GIS 应用研究 。
E2mail : chaliangs @sina1 co m
4 期
查良松 等 : 1970～2008 年安徽省气温时空格局变化
641
助的年平均温度反距离权重插值方法 (CA I) , 并利用高分辨率气候站点 (17986 个站点) 多年平均数据生成全球 01 5°×01 5°年平均温度数据集 , 同时在考虑海拔高度和插值搜索半 径对温度影响的基础上 , 提出了年平均温度的智能插值方法[8] 。Nalder 等考虑温度随经 度 、纬度和海拔高度的梯度变化 , 提出了梯度距离平方反比法[9] 。Hutchinso n 针对气候 要素插值与经度 、纬度和海拔高度的关系 , 提出了薄板局部光滑样条插值方法 , 并发展了 相应的空间插值软件 A nusplin[10] 。Koike 等应用多层神经网络的 Kriging 方法 , 分析了气 温分布的空间内插精度[11] 。林忠辉等利用 1951 ～ 1980 年旬平均温度 , 用 Nalder 等的 GIDS 方法 、反距离平方法和克里格方法对中国大陆进行了比较实验研究 , 得出 GIDS 方 法精度远远高于其他两种方法的结论[12] 。范泽孟等运用 YU E2HA SM 方法分别对江西省 20 世纪 60 、70 、80 和 90 年代平均气温和平均降水的时空变化趋势进行数字模拟分析 , 验证了用 YU E2HA SM 方法较普通 Kriging 方法模拟精度高[13] 。刘宇等利用空间卷积算 法 , 采用结合中国大陆气象站点位置的截断高斯滤波算子作为距离权重方程 , 给出一种适 合中国陆地区域的地面气温插值方法 , 结果表明该插值方法比其他插值方法所得误差 小[14] 。关于区域气候及区域气候要素推算方法 , 国内外学者相继提出了很多的计算方 法[15 ,16] , 众多的研究都是根据已知气象数据对未知点进行插值预测 , 然而在同一区域选 用不同的插值方法或同一方法用于不同区域 , 其结果都有很大差别 。因已知样点的数据构 形 、待估计块段或样本点分布的几何特征 、变异函数的理论模型等都是影响 Kriging 空间 局部估算的基础[17] , 也是影响其他插值方法产生误差原因之一 。然而 , 在不同的区域 、 不同的时空尺度 , 采取不同的插值方法 , 只能得出各自认可的结果 。 本文根据实际资料的分析 , 着重考虑样本点的空间位置 , 影响气温的海拔高度 、纬度 和经度三个因子 , 采用协同克里格法进行空间插值 , 以提高空间插值精度 , 更好地反映安 徽省年平均气温 、年平均日极端最高和日极端最低气温的空间分布 , 并对其复杂的空间分 布和年代际变化进行探讨 。
方法来进 , 以此来评判
估值方法的优劣 。产生误差有两方面原
因 , 一是插值算法的准确性 , 二是参与
插值气象站点的疏密程度[19] 。对不同的
插值方法 , 交叉验证可以准确验证不同
插值方法之间的相对精度 。这里采用平
均误差 ( mean erro r , M E) 、平均绝对
误差 ( mean absolute error , MA E) 、均
方 根 误 差 ( root mean squared
interpolatio n error , RMSIE) , 作 为 评 估几 种 插 值 方 法 的 插 值 效 果 的 标 准 。 ME 反映总体估计误差的大小 , MAE 可以估量估计值可能的误差范围 , RM2
4 期
查良松 等 : 1970～2008 年安徽省气温时空格局变化
643
图 2 年平均气温变换后的正态 QQ 图 Fig1 2 The no rmal QQ map of annual average temperat ure t ransformed
程 。当半变异函数值超过基台值时 , 函数值不随采样点间隔距离而改变 , 即函数值为一常 数 。因此变程表示了在某种观测尺度下 , 空间相关性的作用范围 , 其大小受观测尺度的限 定 。在变程范围内 , 样本点的距离越小 , 其空间相关性越大 , 在变程范围外 , 其空间相关 性不存在 , 这时所对应的观测站数据不能用于内插或外推 。因此 , 空间相关性的强弱可由 偏基台值/ 基台值来反映 , 该值越大 , 空间相关性越强 。块金值/ 基台值称为基底效应 , 表 示样本间的变异特征 , 该值越大 , 表示样本间的变异更多是由随机因素引起的 。 在协同克里格插值方法下 , 计算的年平均气温 、日极端最高气温和日极端最低气温半 变异函数模型参数分别见表 1 、表 3 、表 5 , 在年平均气温和日极端最低气温协同克里格 三种模型中 , 块金值均为零 , 偏基台值等于基台值 , 偏基台值/ 基台值 = 1 , 块金值/ 基台 值 = 0 , 表明这两种气温值空间相关性最强 , 样本间受随机因素影响小 , 同时变程和偏基 台值都是指数模型 > 球状模型 > 圆形模型 , 因此相对选用指数模型进行年平均气温和日极 端最低气温空间插值 ; 日极端最高气温半变异函数模型参数也表明 : 空间相关 (偏基台值 / 基台值) 是指数模型 (01 4532) > 球状模型 (01 3194) > 圆形模型 (01 3160) , 基底效应 (块金值/ 基台值) 是指数模型 (01 5468) < 球状模型 (01 6806) < 圆形模型 (01 6840) , 同样 , 也选用指数模型进行日极端最高气温空间插值 。对于年代际年平均气温 、日极端最 高气温和日极端最低气温半变异函数模型也验证为协同克里格指数插值模型 1 为了检验半变异函数模型对气温空间插值精度 , 将指数模型 、球状模型和圆形模型进 行了插值比较 , 决定其空间插值的精度 。最好的半变异函数模型应该是 : 标准平均值最接 近 0 , 均方根预测误差最小 , 平均标准误差最接近于均方根预测误差 , 标准均方根预测误 差最接近于 1[20] 。从表 2 、4 、6 中可看出 , 用三种模型计算的年平均气温 、日极端最高气 温和日极端最低气温 , 其模型之间预测的标准平均值 、均方根预测误差和平均标准误差数 据都很接近 , 表明选用任何模型都是可行的 , 说明样本点 (气象站点) 的实测值的空间分 辨率可以忽略不计 , 实验误差和人为误差基本上都很小 。但对于标准均方根预测误差而 言 , 都是指数模型最接近于 1 。对于空间插值方法的选择 , 经过多次拟合计算和综合对 比 , 认可统一用协同克里格插值指数模型相对较好 。
( xn ) , 而进行空间插值后的气温值为 p’ ( x1 ) , p’ ( x2 ) , …, p’ (xn ) 。 M E、MA E、RMSIE 表达式 :
n
∑ M E = [ p’ ( xi ) - p ( xi ) ]/ n
(1)
i =1
n
∑ MA E = | p’ ( xi ) - p ( xi ) | / n