EN中文

地理学报 >

2019 , Vol. 74 >Issue 5: 875 - 888

DOI: https://doi.org/10.11821/dlxb201905003

气候变化与地表过程

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

  • 陆福志 1 ,
  • 鹿化煜 , 1, 2
展开
  • 1. 南京大学地理与海洋科学学院,南京 210023
  • 2. 江苏省气候变化协同创新中心,南京 210023
鹿化煜(1968-), 男, 教授, 主要从事地貌过程、古气候和全球变化研究。E-mail:

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:

收稿日期: 2018-01-17

  要求修回日期: 2019-01-22

  网络出版日期: 2019-05-24

基金资助

国家重点研发计划(2016YFA0600503)

国家重点研发计划(2016YFE0109500)

国家自然科学基金项目(41690111)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

A high-resolution grid dataset of air temperature and precipitation for Qinling-Daba Mountains in central China and its implications for regional climate

  • LU Fuzhi 1 ,
  • LU Huayu , 1, 2
Expand
  • 1. School of Geography and Ocean Science, Nanjing University, Nanjing 210023, China
  • 2. Jiangsu Collaborative Innovation Center for Climate Change, Nanjing 210023, China

Received date: 2018-01-17

  Request revised date: 2019-01-22

  Online published: 2019-05-24

Supported by

National Key R&D Program of China(2016YFA0600503)

National Key R&D Program of China(2016YFE0109500)

National Natural Science Foundation of China(41690111)

Copyright

Copyright reserved © 2019
Fold

摘要

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,包括逐月气温和降水、年均温和年降水、春夏秋冬气温和降水。空间插值方法采用国际上较为先进的ANUSPLIN软件内置的薄盘光滑样条函数,以经度、纬度和海拔为独立变量。空间插值结果与流行的WorldClim 2.0气候格点数据集具有一致性,但是比后者更精确、分辨率更高、细节更突出。本文揭示和证实：秦岭南麓是最冷月气温的0 ℃分界线。秦岭—大巴山气温具有明显的垂直地带性。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。夏季和秋季降水从西南向东北递减,强降水中心出现在大巴山西南坡。冬季降水从东南向西北递减。大巴山是年降水1000 mm分界线,夏季降水500 mm分界线;秦岭是年降水800 mm分界线,夏季降水400 mm分界线。与大尺度大气环流对比揭示：秦岭—大巴山气温和降水空间分布主要受到东亚季风和地形因子的控制。本文进一步明确了秦岭和大巴山的气候意义：大巴山主要阻挡夏季风北上,影响降水空间分布;秦岭主要阻挡冬季风南下,影响冬季气温空间分布。本文建立的高分辨率气候格点数据集,加深了对区域气候的认识,并将有多方面的用途。

关键词： 秦岭; 大巴山; 气温; 降水; 格点数据; 空间插值; ANUSPLIN; 东亚季风

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[J]. 地理学报, 2019 , 74(5) : 875 -888 . DOI: 10.11821/dlxb201905003

Abstract

In this study, we developed a high-resolution grid dataset of air temperature and precipitation for the Qinling-Daba Mountains in central China, which includes monthly precipitation and temperature, seasonal precipitation and temperature, annual precipitation and temperature. Spatial interpolation was performed using thin-plate smoothing spline in the software ANUSPLIN, with latitude, longitude and elevation as independent variables. Our dataset is consistent with the widely-used WorldClim 2.0 dataset, but has more accuracy, because it is based on a larger number of meteorological stations and higher-resolution elevation data. Our results show that the southern foot of Qinling Mountains is the 0 ℃ isothermal line in the coldest month (January). The Qinling-Daba Mountains has obvious vertical temperature zones. The maximum temperature lapse rate occurs in June, which is 0.61 ℃ per 100 m, while the minimum temperature lapse rate is 0.38 ℃ per 100 m, occurring in December. The annual mean temperature lapse rate is 0.51 ℃ per 100 m. Both summer and autumn precipitations decrease from southwest to northeast, with heavy rainfall center located on the southwestern slope of the Daba Mountains, while winter precipitation decreases from southeast to northwest. The Daba Mountains is the 1000 mm isohyetal line of annual precipitation and 500 mm isohyetal line of summer precipitation, while the Qinling Mountains is the 800 mm isohyetal line of annual precipitation and 400 mm isohyetal line of summer precipitation. Comparison with large-scale atmospheric circulation indicates that the spatial distributions of air temperature and precipitation in the Qinling-Daba Mountains are mainly controlled by the East Asian monsoon and topography. In summer, the Daba Mountains prevents the northward penetration of East Asian summer monsoon and therefore influences the spatial distribution of precipitation. In winter, the Qinling Mountains prevents the southward penetration of East Asian winter monsoon and therefore influences the spatial distribution of air temperature. In summary, our high-resolution grid dataset contributes to a better understanding of regional climate and will have many applications in future researches.

Key words： Qinling Mountains; Daba Mountains; air temperature; precipitation; grid dataset; interpolation; ANUSPLIN; East Asian monsoon

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,国内外学者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 秦岭—大巴山29 m×29 m分辨率DEM和气象站点空间分布

Fig. 1 Digital 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：
z i = f ( x i ) + b T y i + e i , i = 1,2 … , N
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：
∑ i = 1 N z i - f x i - b T y i w i 2 + ρ J m f
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：
R = ∑ i = 1 n x i - x ̅ y i - y ̅ ∑ i = 1 n x i - x ̅ 2 ∑ i = 1 n y i - y ̅ 2
平均绝对误差：
MAE = 1 n ∑ i = 1 n x i - y i
均方根误差：
RMSE = 1 n ∑ i = 1 n [ x i - y ( i ) ] 2
平均相对误差：
MRE = ∑ i = 1 n | x ( i ) - y ( i ) | ∑ i = 1 n | x ( i ) | × 100 %
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。
表1 空间插值模型广义交叉验证结果

Tab. 1 Generalized cross-validation results of the spatial interpolation model

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
表2 本文交叉验证结果及其与WorldClim 2.0数据集的比较

Tab. 2 Cross-validation results in this study and comparison with WorldClim 2.0 dataset

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

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 秦岭—大巴山逐月气温直减率及其标准误差

Fig. 2 Monthly 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 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. 3 Scatter 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 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. 4 Spatial 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 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. 5 Spatial 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 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. 6 Spatial 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 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. 7 Mean 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。

The authors have declared that no competing interests exist.

作者已声明无竞争性利益关系。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Hijmans R, Cameron S, Parra J , et al. Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology, 2005,25(15):1965-1978.

DOI

[2]
Fick S, Hijmans R . WorldClim 2: New 1‐km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 2017,37(12):4302-4315.

DOI

[3]
New M, Lister D, Hulme M , et al. A high-resolution data set of surface climate over global land areas. Climate research, 2002,21(1):1-25.

DOI

[4]
Harris I, Jones P, Osborn T , et al. Updated high‐resolution grids of monthly climatic observations: The CRU TS3.10 Dataset. International Journal of Climatology, 2014,34(3):623-642.

DOI

[5]
Wu Jia, Gao Xuejie . A gridded daily observation dataset over China region and comparison with the other datasets. Chinese Journal of Geophysics, 2013,56(4):1102-1111.

[ 吴佳, 高学杰 . 一套格点化的中国区域逐日观测资料及与其它资料的对比. 地球物理学报, 2013,56(4):1102-1111.]

DOI

[6]
Wu Xian, Huang Wei, Chen Fahu . Construction and application of monthly air temperature and precipitation gridded datasets with high resolution (0.025° × 0.025°) over China during 1951-2012. Journal of Lanzhou University (Natural Sciences), 2014,50(2):213-220.

[ 吴娴, 黄伟, 陈发虎 . 1951-2012年中国大陆0.025°×0.025°高分辨率月气温和降水量格点数据集的建立及其初步应用. 兰州大学学报(自然科学版), 2014,50(2):213-220.]

[7]
Chen Mingrong, Tang Haibin, Tian Lianshu , et al. Geography of Shaanxi Province. Xi'an: Shaanxi People's Publishing House, 1996.

[ 陈明荣, 唐海彬, 田连恕 , 等. 陕西省地理. 西安: 陕西人民出版社, 1996.]

[8]
Feng Shengwu, Xu Defu, Lei Xinyan. Physical Geography of China. Beijing: Higher Education Press, 1989.

[ 冯绳武, 徐德馥, 雷新彦 . 中国自然地理. 北京: 高等教育出版社, 1989.]

[9]
Zhang Qiang, Ruan Xin, Xiong Anyuan . Establishment and assessment of the grid air temperature data sets in China for the past 57 years. Journal of Applied Meteorological Science, 2009,20(4):385-393.

[ 张强, 阮新, 熊安元 . 近57年我国气温格点数据集的建立和质量评估. 应用气象学报, 2009,20(4):385-393.]

[10]
Zhuo Jing, Zhu Yannian . Spatial interpolation methods of annual average precipitation on Qinling Mountains. Arid Land Geography, 2017,40(3):555-563.

[ 卓静, 朱延年 . 秦岭主脊区年降水量空间插值最优方法研究. 干旱区地理, 2017,40(3):555-563.]

[11]
Sun Weihong, Chang Zhiyang . Discussion on spatial interpolation method of precipitation in West Qinling Mountains based on GIS. Soil and Water Conservation in China, 2017,38(6):54-56.

[ 孙伟红, 常直杨 . 基于GIS的西秦岭地区降水量空间插值方法探讨. 中国水土保持, 2017,38(6):54-56.]

[12]
Mo Shenguo, Zhang Baiping . Simulation of temperature fields based on DEM in Qinling Mts. Mountain Research, 2007,25(4):406-411.

[ 莫申国, 张百平 . 基于DEM的秦岭温度场模拟. 山地学报, 2007,25(4):406-411.]

DOI

[13]
Bai Hongying, Ma Xinping, Gao Xiang , et al. Variations in January temperature and 0 ℃ isothermal curve in Qinling Mountains based on DEM. Acta Geographica Sinica, 2012,67(11):1443-1450.

[ 白红英, 马新萍, 高翔 , 等. 基于DEM的秦岭山地1月气温及0 ℃等温线变化. 地理学报, 2012,67(11):1443-1450.]

[14]
Liu Zhihong, Li Lingtao, Tim R , et al. Introduction of the professional interpolation software for meteorology data: ANUSPLIN. Meteorological Monthly, 2008,34(2):92-100.

[ 刘志红 , Li Lingtao, Tim R, 等. 专用气候数据空间插值软件ANUSPLIN及其应用. 气象, 2008,34(2):92-100.]

[15]
Tachikawa T, Kaku M, Iwasaki A , et al. ASTER global digital elevation model version 2: Summary of validation results. NASA Land Processes Distributed Active Archive Center and the Joint Japan-US ASTER Science Team, 2011: 1-26.

[16]
Kanamitsu M, Ebisuzaki W, Woollen J , et al. NCEP-DOE AMIP-II Reanalysis (R-2). Bulletin of the American Meteorological Society, 2002,83(11):1631-1643.

DOI

[17]
Hutchinson M, Xu Tingbao . Anusplin version 4.4 user guide. Canberra: Fenner School of Environment and Society, Australian National University, 2013: 1-52.

[18]
Hutchinson M . Interpolating mean rainfall using thin plate smoothing splines. International Journal of Geographical Information Systems, 1995,9(4):385-403.

DOI

[19]
Tan Jianbo, Li Ainong, Lei Guangbin . Contrast on Anusplin and Cokriging meteorological spatial interpolation in southeastern margin of Qinghai-Xizang Plateau. Plateau Meteorology, 2016,35(4):875-886.

[ 谭剑波, 李爱农, 雷光斌 . 青藏高原东南缘气象要素Anusplin和Cokriging空间插值对比分析. 高原气象, 2016,35(4):875-886.]

DOI

[20]
Liao Rongwei, Cao Lijuan, Zhang Dongbin , et al. Validation of gridded precipitation and temperature data over China. Meteorological Science and Technology, 2017,45(2):364-374.

[ 廖荣伟, 曹丽娟, 张冬斌 , 等. 中国地面气温和降水网格化数据精度比较. 气象科技, 2017,45(2):364-374.]

[21]
Qian Yonglan, Lv Houquan, Zhang Yanhong . Application and assessment of spatial interpolation method on daily meteorological elements based on ANUSPLIN software. Journal of Meteorology and Environment, 2010,26(2):7-15.

[ 钱永兰, 吕厚荃, 张艳红 . 基于ANUSPLIN软件的逐日气象要素插值方法应用与评估. 气象与环境学报, 2010,26(2):7-15.]

[22]
Hutchinson M . The application of thin plate smoothing splines to continent-wide data assimilation//Jasper J (Ed.) Data Assimilation Systems: BMRC Research Report No.27. Melbourne: Bureau of Meteorology, 1991: 104-113.

[23]
Jones D, Wang W, Fawcett R . High-quality spatial climate data-sets for Australia. Australian Meteorological and Oceanographic Journal, 2009,58(4):233-248.

DOI

[24]
Xiong Qiufen, Huang Mei, Xiong Minquan , et al. Cross-validation error analysis of daily gridded precipitation based on China meteorological observation. Plateau Meteorology, 2011,30(6):1615-1625.

[ 熊秋芬, 黄玫, 熊敏诠 , 等. 基于国家气象观测站逐日降水格点数据的交叉检验误差分析. 高原气象, 2011,30(6):1615-1625.]

[25]
Liu Zhengjia, Yu Xingxiu, Wang Sisi , et al. Comparative analysis of three covariates methods in thin plate smoothing splines for interpolating precipitation. Progress in Geography, 2012,31(1):56-62.

[ 刘正佳, 于兴修, 王丝丝 , 等. 薄盘光滑样条插值中三种协变量方法的降水量插值精度比较. 地理科学进展, 2012,31(1):56-62.]

[26]
Ma Xinping, Bai Hongying, Guo Shuai , et al. Verification of temperature vertical lapse rate and mountain climate characteristics of Taibai Mountains in Qinling Mountains. Journal of Arid Land Resources and Environment, 2017,31(7):139-144.

[ 马新萍, 白红英, 郭帅 , 等. 秦岭太白山气温垂直递减率研究. 干旱区资源与环境, 2017,31(7):139-144.]

[27]
Zhai Danping, Bai Hongying, Qin Jin , et al. Temporal and spatial variability of air temperature lapse rates in Mt. Taibai, Central Qinling Mountains. Acta Geographica Sinica, 2016,71(9):1587-1595.

[ 翟丹平, 白红英, 秦进 , 等. 秦岭太白山气温直减率时空差异性研究. 地理学报, 2016,71(9):1587-1595.]

[28]
Li Shuangshuang, Lu Jiayu, Yan Junping , et al. Spatiotemporal variability of temperature in northern and southern Qinling Mountains and its influence on climatic boundary. Acta Geographica Sinica, 2018,73(1):13-24.

[ 李双双, 芦佳玉, 延军平 , 等. 1970-2015年秦岭南北气温时空变化及其气候分界意义. 地理学报, 2018,73(1):13-24.]

[29]
Bi Baogui . The influence of mesoscale topography on torrential rain in southern Shaanxi Province. Nanjing: Nanjing Institute of Meteorology, 2004.

[ 毕宝贵 . 中尺度地形对陕南暴雨的影响研究. 南京: 南京气象学院, 2004.]

Options
文章导航

/

〈 〉