溫華洋，陳鳳嬌，邱康俊，朱華亮

1.安徽省氣象信息中心，合肥 230031

2.南京氣象科技創(chuàng)新研究院，南京 210019

引 言

安徽省位于東亞季風區(qū)，同時因皖南及皖西山區(qū)地形地質(zhì)條件復(fù)雜，局地強降水容易引發(fā)泥石流、山體滑坡等地質(zhì)災(zāi)害[1-6]。獲取高精度、高時空分辨率且長時間連續(xù)的降水觀測資料是我們?nèi)嬲J知不同氣候區(qū)內(nèi)降水變化趨勢的重要手段。而目前常規(guī)氣象觀測雨量站進行單點觀測，站點布設(shè)具有空間不均勻性，使得高空間分辨率的降水資料匱乏，無法滿足氣象服務(wù)的需要。因此，迫切需要我們研制高精度且高空間分辨率的精細化的降水資料。常規(guī)空間插值算法包括多元回歸法、反距離權(quán)重法（Inverse Distance Weight，簡稱IDW）、Kringing插值和薄盤光滑樣條函數(shù)法（Thin Plate Smoothing Spline，簡稱TPS）[7]。近年來，學(xué)者們研究發(fā)現(xiàn)，TPS插值算法在對不同時間尺度、不同區(qū)域的氣候數(shù)據(jù)插值的精度較高，在氣象數(shù)據(jù)科學(xué)領(lǐng)域具有較高的應(yīng)用價值，但由于不同氣象要素、不同區(qū)域的TPS插值算法的最優(yōu)模型略有差異，往往需要提前進行模型優(yōu)選已生成高精度的氣象數(shù)據(jù)產(chǎn)品。[8-13]。因此，本研究基于2008-2018年安徽省及周邊省氣象站觀測的小時降水資料、以及地理信息資料，利用薄盤樣條插值算法，經(jīng)過模型優(yōu)選、精度評估，研制了安徽省11年的1 km分辨率的小時降水網(wǎng)格產(chǎn)品。

1 數(shù)據(jù)采集和處理方法

1.1 數(shù)據(jù)來源

本研究使用源數(shù)據(jù)來自安徽省氣象信息中心。數(shù)據(jù)包括空間范圍在 29°23′24′′-34°39′N，114°52′12′′-119°38′24′′E 內(nèi)的氣象觀測站小時降水觀測數(shù)據(jù)和對應(yīng)站點地理信息。該區(qū)域主要包括安徽省境內(nèi)為主的2400多個區(qū)域氣象站和81個國家氣象站。由于使用薄盤樣條插值算法插值時，需考慮到地理高程信息，還使用了相應(yīng)區(qū)域的5 km分辨率的地理高程信息。

1.2 數(shù)據(jù)處理方法

基于薄盤樣條插值算法的安徽省1 km分辨率的小時降水柵格產(chǎn)品的實現(xiàn)主要包括數(shù)據(jù)獲取、轉(zhuǎn)換、預(yù)處理、插值算法調(diào)用、最優(yōu)模型篩選及評估、長序列數(shù)據(jù)產(chǎn)品研制等步驟。技術(shù)路線如圖1所示，具體如下：

圖1 安徽省1 km分辨率降水產(chǎn)品研制技術(shù)流程Figure 1 Data processing flow of the gridded hourly precipitation at 1-km resolution over Anhui Province

（1）數(shù)據(jù)源?；谌珖C合氣象信息共享平臺（China Integrated Meteorological Information Service System, 簡稱CIMISS）獲取小時降水資料，剔除其中標注為錯誤、可疑類型的數(shù)據(jù)，形成規(guī)定格式的數(shù)據(jù)文件。

（2）數(shù)據(jù)預(yù)處理。配置多個模型參數(shù)文件、高程基礎(chǔ)信息數(shù)據(jù)和實時數(shù)據(jù)文件，為插值算法做準備。

（3）插值算法。本數(shù)據(jù)集使用的插值算法為薄盤樣條插值算法[10,14]。

（4）最優(yōu)模型篩選。薄盤樣條插值算法中高程參數(shù)設(shè)置為1000，節(jié)點數(shù)目設(shè)置為1/3。再將獨立變量（可選參數(shù)2或3）、協(xié)變量（可選參數(shù)1或0）和樣條次數(shù)（可選參數(shù)2或3或4），這三個參數(shù)的多種排列組合，設(shè)置為多個模型。利用氣象觀測站觀測資料開展模型試驗，用交叉檢驗和獨立樣本檢驗等方法，通過偏差、均方根誤差、相關(guān)系數(shù)、平均誤差等方法比較評估各模型參數(shù)的精度。最終，篩選出當獨立變量參數(shù)為2，協(xié)變量為1，樣條次數(shù)為4時，高分辨率降水產(chǎn)品的精度最高，將該參數(shù)設(shè)置的模型定義為最優(yōu)模型。

（5）數(shù)據(jù)產(chǎn)品研制。利用最優(yōu)模型、實時數(shù)據(jù)文件、高程文件，采用薄盤樣條插值算法生成格點化降水數(shù)據(jù)產(chǎn)品。

2 數(shù)據(jù)樣本描述

數(shù)據(jù)集為基于薄盤樣條插值的安徽省1km分辨率的小時降水柵格數(shù)據(jù)。時間段為2008年1月至 2018年 12月，共 132個月。數(shù)據(jù)集壓縮后文件共計 5.8 GB。文件命名方式為：Model02_Z_SURF_MUL_AHFC_YYYYMMDDHHmmss_PRE_HOR_GRD.grd。文件名含義見表1。

表1 文件名含義Table 1 The meaning of the variables in the file name

數(shù)據(jù)文件的內(nèi)容由文件頭和數(shù)據(jù)項組成。圖2為grd文件的示例。其中，第1-6行為頭文件，分別代表列、行、起始經(jīng)度、起始緯度、空間分辨率和數(shù)據(jù)缺省值，如表2。從第七行開始為數(shù)據(jù)項，代表小時降水量，單位為毫米每小時。值得說明的是，數(shù)據(jù)塊每隔48行，代表一個緯度帶。數(shù)據(jù)塊一共10列，代表隨著起始經(jīng)度開始，以0.01度為間隔增加（見表3）。圖3給出了2018年6月的1次降水過程的降水強度空間分布圖。

圖2 安徽省1 km分辨率格式降水產(chǎn)品數(shù)據(jù)樣例Figure 2 A case of the gridded hourly precipitation dataset at 1 km resolution

表2 文件頭文件格式說明Table 2 The illustration of the format of the head in the dataset

表3 數(shù)據(jù)段格式說明Table 3 The illustration of the format of the data segment in the dataset

圖3 2018年6月8日16點安徽省1 km分辨率的小時降水產(chǎn)品空間分布圖Figure 3 The spatial pattern of the gridded hourly precipitation at 1 km resolution over Anhui Province at 16:00 on June 8th, 2018

3 數(shù)據(jù)質(zhì)量控制和評估

3.1 質(zhì)量控制

氣象觀測數(shù)據(jù)采集、傳輸、質(zhì)控、歸檔由省級氣象信息中心負責，嚴格遵循氣象觀測質(zhì)量管理體系的要求。質(zhì)量控制步驟包括：數(shù)據(jù)采集后通過通信系統(tǒng)傳輸，由氣象資料業(yè)務(wù)系統(tǒng)（Meteorological Data Operational System，簡稱MDOS）進行實時質(zhì)量控制，主要包括降水天氣現(xiàn)象觀測與“雨量值”是否匹配、小時雨量和分鐘合計雨量是否匹配檢查，再由 CIMISS提供實時數(shù)據(jù)服務(wù)；次月形成歸檔數(shù)據(jù)文件，再次進行人機交互軟件質(zhì)量控制（如地面自動站觀測資料三級質(zhì)量控制軟件，Climate data quality control，簡稱CDQC），主要進行“降水閾值檢查”。利用質(zhì)量控制后的數(shù)據(jù)更新CIMISS的數(shù)據(jù)，供氣候變化、預(yù)報檢驗等業(yè)務(wù)科研使用，并用于歸檔。本研究采用歸檔數(shù)據(jù)中質(zhì)控標識位正確的數(shù)據(jù)。整體質(zhì)控過程嚴格，數(shù)據(jù)可靠性高。

對插值后生成的數(shù)據(jù)產(chǎn)品同樣進行了質(zhì)量控制，剔除了其中異常數(shù)據(jù)，使用的質(zhì)量控制方法主要是界限值檢查法（為基于安徽區(qū)域降水氣候極值范圍）。

3.2 質(zhì)量評估

逐小時的氣象觀測資料作為實況，按照臨近站法，逐小時1 km格點化產(chǎn)品結(jié)果與氣象觀測站觀測值進行統(tǒng)計比較，引入偏差(Bias,記為BIAS)、均方根誤差（Root Mean Square Error, 簡稱RMSE）和相關(guān)系數(shù)（Correlation coefficient, 簡稱COR）等統(tǒng)計指標進行精度評估。相關(guān)計算公式如下：

偏差(BIAS)：

均方根誤差(RMSE)：

相關(guān)系數(shù)(COR):

其中，Oi為站點觀測值，站點觀測值總樣本的平均值，Gi為實況分析產(chǎn)品插值到檢驗站點得到的數(shù)值，實況分析產(chǎn)品總樣本的平均值，N為參與檢驗的總樣本數(shù)（站次數(shù)）。

視觀測值為“真值”，對網(wǎng)格產(chǎn)品進行評估，針對2016年的安徽省高分辨率的1km小時降水數(shù)據(jù)的評估結(jié)果表明：數(shù)據(jù)集和觀測值之間數(shù)據(jù)整體偏差為1.05，均方根誤差為0.67 mm/h，相關(guān)系數(shù)為0.80?？傮w偏差較小，且偏差相對穩(wěn)定，兩者相關(guān)系數(shù)高，總體準確性較高。針對2016年汛期網(wǎng)格產(chǎn)品的精度評估可參考文獻[15]。

4 數(shù)據(jù)價值

降水是全球水循環(huán)的重要一環(huán)，對安徽省降水的精細化監(jiān)測和預(yù)報一直是人民生產(chǎn)生活的關(guān)鍵所在。本研究提供的數(shù)據(jù)集具有時空分辨率高、精度高、序列長等特點，安徽省1km分辨率的小時降水產(chǎn)品可有效地反映地面降水實況，同時長時間序列的柵格產(chǎn)品未來可廣泛應(yīng)用于氣候變化、災(zāi)害風險評估、數(shù)值預(yù)報精度評估等領(lǐng)域。未來可進一步利用傳統(tǒng)質(zhì)控算法或人工智能方法對高分辨率降水產(chǎn)品進行數(shù)據(jù)質(zhì)控，進一步提高數(shù)據(jù)產(chǎn)品精度。