The application of three interpolation methods to temperature in southwestern China

doi:10.11755/j.issn.1006-7639(2023)-05-0792

Abstract

Abstract:

The interpolation of meteorological observation data is an important technique to improve data integrity and recover authenticity of missing values. The applicability analysis of three interpolation methods namely standardized series, spatial regression and random forest to daily mean temperature series in five major climatic divisions and monthly mean temperature series at two centennial stations in Qianwei and Beibei is carried out in order to improve the accuracy of temperature interpolation in southwestern China, and four test indicators including mean absolute error, root mean square error and the proportion of samples (P_0.8 and P_0.5) with the bias between the interpolation value and the observation within ±0.8 ℃ and ±0.5 ℃ are used to evaluate. The results show that three interpolation methods are better in interpolating daily mean temperature in five climatic zones and monthly mean temperature at two centennial stations in southwestern China, among them the spatial regression method has the highest accuracy and the best applicability, and its interpolation accuracy is higher than those of other two methods in five climatic zones. The P_0.8 test indicator of daily mean temperature interpolated by the spatial regression method reaches about 0.90 in Sichuan Basin with a relatively flat topography, and it reaches more than 0.60 in mountainous area in southwestern Sichuan and northern Yunnan with a most rugged topography, which indicates that the terrain has obvious influence on the accuracy of temperature interpolation. The optimal numbers of reference stations can effectively reduce interpolation errors, and the interpolation errors of more than 95% samples at centennial stations can be controlled within ±0.5 ℃.

Key words: standardized series, spatial regression, random forest, temperature data interpolation, southwestern China, centennial station

摘要：

观测数据的插补是提升气象数据完整性、恢复缺失数据真实性的重要手段。本文采用标准序列、空间回归和随机森林3种插补方法，对中国西南地区5个主要气候区地面气象观测站日平均气温序列数据以及犍为和北碚2个百年站月平均气温序列数据进行插补试验，并选用平均绝对误差、均方根误差以及插补值与观测值偏差分别在±0.8 ℃和±0.5 ℃区间的样本占比（P_0.8、P_0.5）等4项指标对插补结果进行评估。结果表明：3种方法对中国西南地区5个气候区站点气温日均值与2个百年站气温月均值插补效果较好，且空间回归方法的插补精度高、适用性最好，在5个气候区的插补精度都高于其他两种方法，在地形较为平坦的四川盆地P_0.8约0.90，在地形最为崎岖的川西南滇北山地P_0.8也在0.60以上，地形对气温插补精度影响明显。选取最优参考站数可有效降低插补误差，2个百年站95%以上的月平均气温样本插补误差可控制在±0.5 ℃以内。

关键词: 标准序列, 空间回归, 随机森林, 气温数据插补, 中国西南地区, 百年站

CLC Number:

P468

GAI Changsong, CAO Lijuan, YANG Yuanyan. The application of three interpolation methods to temperature in southwestern China[J]. Journal of Arid Meteorology, 2023, 41(5): 792-801.

盖长松, 曹丽娟, 阳园燕. 三种气温插补方法在中国西南地区的应用分析[J]. 干旱气象, 2023, 41(5): 792-801.

Figures/Tables 11

Fig.1 The climatic divisions （Zheng et al.， 2010） and distribution of meteorological observation stations in southwestern China

Tab.1 The numbers of target and reference stations in five climatic divisions

气候区	目标站数量	参考站数量
气候区	目标站数量	最大值	最小值	中位数
川西南滇北山地	21	9	2	4
滇西山地滇中高原	55	15	2	7
贵州高原山地	56	16	2	10
四川盆地	104	28	4	16
湘鄂西山地	27	16	3	7

Fig.2 The flowchart of random forest interpolation scheme

Fig.3 The relation between the accuracy of daily mean temperature interpolated by three methods and numbers of reference stations in five climatic divisions in southwestern China from 1970 to 2020 （a） western Yunnan mountains and central Yunnan plateau，（b） mountainous region of Guizhou plateau，（c） Sichuan Basin，（d） mountainous region of western Hunan and western Hubei，（e） mountainous region of southwestern Sichuan and northern Yunnan

Tab.2

气候区	MAE			RMSE
气候区	空间回归法	标准序列法	随机森林法	空间回归法	标准序列法	随机森林法
川西南滇北山地	0.75	0.93	0.26	1.08	1.26	0.62
滇西山地滇中高原	0.63	0.65	0.21	0.82	0.85	0.50
贵州高原山地	0.48	0.60	0.17	0.73	0.77	0.42
四川盆地	0.37	0.41	0.15	0.49	0.53	0.35
湘鄂西山地	0.52	0.60	0.18	0.69	0.77	0.43

Tab.3 The station and regional average relief in five climatic divisions in southwestern China

气候区	站点平均地形起伏度	区域平均地形起伏度
川西南滇北山地	2.20	3.13
滇西山地滇中高原	1.88	3.02
贵州高原山地	1.06	1.33
四川盆地	0.59	0.90
湘鄂西山地	0.70	1.43

Fig.4 The proportion of regional （a） and station （b） average slope grades in five climatic divisions in southwestern China

Fig.5 The proportion of regional （a） and station （b） land cover types in five climatic divisions in southwestern China

Fig.6 The relation between P0.5， P0.8 test indexes of monthly mean temperature with two interpolation methods and numbers of reference station at Qianwei （a） and Beibei （b） stations

Fig.7 The variation of difference between monthly mean temperature interpolated by random forest method and observation with sample numbers at Qianwei and Beibei stations （a） the first test，（b） the second test，（c） the third test，（d） the forth test

Fig.8 The proportion of extreme temperature samples in extreme value months to all samples of extreme value in four interpolation tests with random forest method

References 37

[1]	陈鹏翔, 江远安, 刘精, 2014. 新疆区域逐月缺测气温序列的插补及重建[J]. 冰川冻土, 36(5): 1 237-1 244.
[2]	邓国富, 李明启, 2021. 树轮密度对气候的响应及重建研究进展[J]. 地理科学进展, 40(2): 343-356. DOI
[3]	丁玲玲, 葛全胜, 郑景云, 等, 2013. 1736-2009年华南地区冬季年平均气温序列重建[J]. 第四纪研究, 33(6): 1 191-1 198.
[4]	杜泽玉, 曹富强, 杨荣, 2021. 基于CRU资料的山西百年气温时空演变特征[J]. 高原气象, 40(1): 123-132.
[5]	冯蜀青, 王海娥, 柳艳香, 等, 2019. 西北地区未来10 a气候变化趋势模拟预测研究[J]. 干旱气象, 37(4): 557-564.
[6]	黄嘉佑, 2004. 气象统计分析与预报方法[M]. 3版. 北京: 气象出版社.
[7]	黄蓉, 胡泽勇, 关婷, 等, 2014. 藏北高原气温资料插补及其变化的初步分析[J]. 高原气象, 33(3): 637-646. DOI
[8]	金红梅, 颜鹏程, 柏庆顺, 等, 2019. 近70 a来中亚极端高温事件时空分布[J]. 干旱气象, 37(4): 550-556.
[9]	李庆祥, 黄嘉佑, 鞠晓慧, 2008. 上海地区最高气温资料的恢复试验[J]. 热带气象学报, 24(4): 349-353.
[10]	廖捷, 周自江, 2018. 全球常规气象观测资料质量控制研究进展与展望[J]. 气象科技进展, 8(1): 56-63.
[11]	刘炳涛, 张健, 满志敏, 2018. 1724—2016年上海地区冬季平均气温重建与特征分析[J]. 中国历史地理论丛, 33(4): 70-77.
[12]	刘蕾, 李鸾, 张丽, 等, 2022. 1880—2020年安徽芜湖气温长序列构建及年代际特征[J]. 干旱气象, 40(5): 831-839. DOI
[13]	马士彬, 安裕伦, 2012. 基于ASTER GDEM数据喀斯特区域地貌类型划分与分析[J]. 地理科学, 32(3): 368-373. DOI
[14]	孟欣宁, 焦瑞莉, 刘念, 等, 2020. 基于随机森林插值的中亚夏季极端高温变化特征[J]. 干旱区研究, 37(4): 966-973.
[15]	彭嘉栋, 廖玉芳, 刘珺婷, 等, 2014. 洞庭湖区近百年气温序列构建及其变化特征[J]. 气象与环境学报, 30(5): 62-68.
[16]	司鹏, 郭军, 赵煜飞, 等, 2022. 北京1841年以来均一化最高和最低气温日值序列的构建[J]. 气象学报, 80(1): 136-152.
[17]	司鹏, 郝立生, 罗传军, 等, 2017. 河北保定气象站长序列气温资料缺测记录插补和非均一性订正[J]. 气候变化研究进展, 13(1): 41-51.
[18]	唐懿, 蔡雯悦, 翟建青, 等, 2022. 2021年夏季中国气候异常特征及主要气象灾害[J]. 干旱气象, 40(2): 179-186. DOI
[19]	王海军, 涂诗玉, 陈正洪, 2008. 日气温数据缺测的插补方法试验与误差分析[J]. 气象, 34(7): 83-91.
[20]	吴国雄, 林海, 邹晓蕾, 等, 2014. 全球气候变化研究与科学数据[J]. 地球科学进展, 29(1): 15-22.
[21]	伍清, 蒋兴文, 谢洁, 2018. 基于CMIP5资料的西南地区2020—2050年气温多模式集合预估[J]. 干旱气象, 36(6): 971-978.
[22]	肖晶晶, 马浩, 张育慧, 等, 2021. 1905—2018年浙江地温序列构建及其变化特征[J]. 干旱气象, 39(3): 386-393.
[23]	闫丽莉, 温少妍, 高文晶, 等, 2019. 整点气温缺测的插补方法研究及其初步应用[J]. 震灾防御技术, 14(2): 446-455.
[24]	严中伟, 丁一汇, 翟盘茂, 等, 2020. 近百年中国气候变暖趋势之再评估[J]. 气象学报, 78(3): 370-378.
[25]	杨青, 刘新春, 霍文, 等, 2009. 塔克拉玛干沙漠腹地1961—1998年逐月平均气温序列的重建[J]. 气候变化研究进展, 5(2): 85-89.
[26]	余君, 李庆祥, 张同文, 等, 2018. 基于贝叶斯模型的器测、古气候重建与气候模拟数据的融合试验[J]. 气象学报, 76(2): 304-314.
[27]	余予, 李俊, 任芝花, 等, 2012. 标准序列法在日平均气温缺测数据插补中的应用[J]. 气象, 38(9): 1 135-1 139.
[28]	曾剑, 徐晴晗, 张宇, 等, 2022. 中国西南地区百年气温的时空演变特征[J]. 成都信息工程大学学报, 37(4): 412-421.
[29]	张永领, 丁裕国, 高全洲, 等, 2006. 一种基于SVD的迭代方法及其用于气候资料场的插补试验[J]. 大气科学, 30(3): 526-532.
[30]	郑景云, 葛全胜, 郝志新, 等, 2014. 历史文献中的气象记录与气候变化定量重建方法[J]. 第四纪研究, 34(6):1186-1 196.
[31]	郑景云, 刘洋, 葛全胜, 等, 2015. 华中地区历史物候记录与1850-2008年的气温变化重建[J]. 地理学报, 70(5): 696-704. DOI
[32]	郑景云, 尹云鹤, 李炳元, 2010. 中国气候区划新方案[J]. 地理学报, 65(1): 3-12.
[33]	郑欣彤, 边婷婷, 张德强, 等, 2022. 基于深度学习的温度观测数据长时间缺失值插补方法[J]. 计算机系统应用, 31(4): 221-228.
[34]	CAO L J, YAN Z W, ZHAO P, et al, 2017. Climatic warming in China during 1901-2015 based on an extended dataset of instrumental temperature records[J]. Environmental Research Letters, 12(6), 064005. DOI: 10.1088/1748-9326/aa68e8
[35]	CAO L J, ZHU Y N, TANG G L, et al, 2016. Climatic warming in China according to a homogenized dataset from 2419 stations[J]. International Journal of Climatology, 36(13): 4 384-4 392.
[36]	DEGAETANO A T, EGGLESTON K L, KNAPP W W, 1995. A method to estimate missing daily maximum and minimum temperature observations[J]. Journal of Applied Meteorology, 34(2): 371-380. DOI URL
[37]	HUBBARD K G, GUTTMAN N B, YOU J S, 2007. An improved QC process for temperature in the daily cooperative weather observations[J]. Journal of Atmospheric and Oceanic Technology, 24(2): 206-213. DOI URL