引言
我国多源气象数据融合研究起步相对较晚，现阶段业务服务主要依赖于国外一些再分析产品数据集，如美国国家环境预报中心（National Centers for Environmental Prediction，NCEP）、国家大气研究中心（National Center for Atmospheric Research，NCAR）与能源部（Department Of Energy，DOE）联合发布的NCAR（NCEP1）、NCEP/DOE（NCEP2）数据（Kalnary et al.，1996）以及英国东英吉利大学（University of East Anglia）气候研究中心的CRU（闻新宇等，2006）、欧洲中期天气预报中心的ERA-Interim（Dee et al.，2011）、日本气象厅JRA55（Kobayashi and Iwasaki，2016）等再分析数据，这些数据一般具有时间序列较长、适用性较好等特征。大气再分析资料侧重于同化大气参数，用以提高大气参数模拟质量，但随着精细化服务需求的不断提升，这些数据无论在时空分辨率上还是精确度上已无法很好地满足区域分析的需求。
中国气象局2014年启动了国家气象科技创新工程“气象资料质量控制及多源数据融合与再分析”，建成了业务化的亚洲区域中国气象局陆面数据同化系统（CMA Land Data Assimilation System，CLDAS）（师春香等，2019）。相较于再分析资料，CLDAS产品侧重于同化地面观测要素，进而获得较为精确的陆面过程相关变量。由于CLDAS数据时空分辨率较高，推出后得到了全国各地科研和业务工作者的本地化释用。研究表明，CLDAS的数据质量优于数值模式资料，能够较好地反映观测要素的时空分布特征，在我国东部地区的适用性高于西部地区（龚伟伟，2014；孙帅等，2017），且土壤温度、湿度和气温产品优于全球陆面数据同化系统产品（韩帅等，2017；崔园园等，2018；崔园园等，2019；Chen and Yuan，2020；陈艳丽等，2020；刘佩佩等，2021），但是也不可避免地存在一定的误差，尤其高海拔地区误差较大，因此在地形复杂、气象站稀疏区域应用该产品需谨慎（Han et al.，2020）。如CLDAS气温产品在贵州、山西等测站分布稀疏和地形起伏较大地区误差较大（董春卿等，2021；杨富燕等，2023）；CLDAS的10 m风产品在江苏地区误差较大，与业务服务需求有一定差距（俞剑蔚等，2019）。
国务院气象高质量发展纲要（2022—2035年）强调“要提高气象服务经济高质量发展水平”，这对精细化气象服务提出了更高要求，而高精度数据集是提升精细化服务的基础。内蒙古幅员辽阔、地形复杂，既有山丘林地，又有高原草地和戈壁沙漠，气象站点较为稀疏，无法满足精细化服务要求。因此，挖掘适用于内蒙古地区的高分辨率、高精度数据产品对提高内蒙古气象精细化服务水平有重要意义。
1 资料与方法
1.1 资料
内蒙古位于我国北部边疆，地势由东北向西南斜伸，呈狭长形（图1），东西长约2 400 km，南北最大跨度超过1 700 km，总面积118.3万km2，横跨东北、华北、西北地区。内蒙古地貌主要以高原为主，大部分地区海拔在1 000 m以上，东部的大兴安岭，经燕山、阴山与西部的贺兰山蜿蜒相连，呈拉长的“S”型中脊横贯全区，成为分隔南部平原和北部高原的屏障。
图1
图1
内蒙古地形高度和国家级气象观测站分布
Fig.1
The distribution of terrain height and national meteorological stations in Inner Mongolia
所用资料包括：（1）2008—2019年内蒙古119个国家级气象观测站逐日气温和降水数据，站点分布如图1。（2）国家气象信息中心下发的2008—2019年月尺度的CN05.1格点化气温和降水观测数据集。该数据集采用距平逼近法，由气候场和距平场分别插值后叠加得到（吴佳和高学杰，2013），使用了中国境内2 400个台站观测资料，空间分辨率为0.25°×0.25°。（3）2008—2019年逐小时2 m气温和降水格点数据，空间分辨率为0.062 5°×0.062 5°，来源于CLDAS产品数据集。该产品数据集采用数据融合与同化技术，对地面观测数据、卫星遥感观测资料和数值模式产品等多源数据进行融合同化，可以提供逐小时降水、气温等6个要素共计15种网格实况分析产品（孙小龙等，2015；单帅等，2021）。（4）2008—2019年欧洲中期天气预报中心ERA5逐月气温和降水数据集（https://www.ecmwf.int/en/forecasts/datasets/browse-reanalysis-datasets），空间分辨率0.1°×0.1°。ERA5再分析资料是欧洲中期天气预报中心2016年采用新一代四维变分同化技术制作的第五代大气再分析产品，采用实时更新方式提供1950年至今的高分辨率全球大气再分析数据，其时空分辨率和精度相比上一代产品有明显提升（吕润清和李响，2021；张俊兵等，2021）。（5）CRU TS4.05数据集中2008—2019年月尺度气温和降水数据（https://crudata.uea.ac.uk/cru/data/hrg/cru_ts_4.05/），空间分辨率为0.5°×0.5°。CRU TS数据集由英国东英吉利大学气候研究小组制作，是世界公认的质量较高的数据，具有很高的可靠性（闻新宇等，2006；季飞，2015）。
文中地图涉及的内蒙古自治区行政边界基于内蒙古自然资源厅标准地图网站下载的审图号为蒙S（2019）33号的标准地图制作，底图无修改。
1.2 方法
为便于CLDAS、CRU TS和ERA5三种数据集与CN05.1格点观测数据的空间误差比较，采用局部区域平均分别将CLDAS和ERA5数据插值为与CN05.1数据相同的网格（0.25°×0.25°），将CN05.1观测数据插值为与CRU TS数据相同的网格（0.5°×0.5°）。此外，基于内蒙古119站坐标信息，分别提取对应坐标位置CLDAS、CRU TS和ERA5数据产品的气温和降水序列，并与站点观测资料对比，计算平均绝对误差（Mean Absolute Error，MAE）、均方根误差（Root Mean Square Error，RMSE）、相关系数，计算公式参考《气象统计分析与预报方法》（黄嘉佑，2016）。
2 降水和气温产品适用性评估
2.1 空间分布对比
图2是2008—2019年内蒙古地区CN05.1观测数据集与CLDAS、CRU TS和ERA5产品的平均年降水量空间分布及其差值。可以看到，CLDAS、CRU TS和ERA5降水产品数据均表现出内蒙古年降水量从东向西逐渐递减的分布特征[图2（b）、（c）、（d）]。其中，CLDAS数据呼伦贝尔市和兴安盟东部为降水大值区，鄂尔多斯市东部到呼和浩特市南部为次大值区，阿拉善盟为降水低值区。与CN05.1观测数据相比，CLDAS在内蒙古中部和东部地区降水普遍偏少，在内蒙古西部地区总体偏多，而在湖泊等低洼处降水异常偏多[图2（e）]，如呼伦湖和达里诺尔湖；CRU TS降水数据在内蒙古北部地区描述较好，但在中东部及西南地区降水普遍偏少、东南部和西部地区降水普遍偏多[图2（f）]；ERA5降水数据低估了内蒙古地区年降水量，大部地区年降水量偏少超过40 mm[图2（g）]。
图2
图2
2008—2019年内蒙古地区平均年降水量观测值（a）、三种数据集的平均年降水量（b、c、d）及其与观测值的差值（e、f、g）空间分布（单位：mm）
（a）CN05.1，（b、e）CLDAS，（c、f）CRU TS，（d、g）ERA5
Fig.2
The spatial distribution of average annual precipitation from the observation （a） and three datasets （b， c， d）， and difference between them and observation values （e， f， g） in Inner Mongolia during 2008-2019 （Unit： mm）
（a） CN05.1， （b， e） CLDAS， （c， f） CRU TS， （d， g） ERA5
图3是2008—2019年内蒙古地区CN05.1与CLDAS、CRU TS、ERA5的年平均气温空间分布及其差值。CN05.1气温数据[图3（a）]显示，内蒙古地区年平均气温从西南向东北递减，呼伦贝尔市北部为低值区，内蒙古西部为高值区，东南部的赤峰市和通辽市一带年平均气温较高。CLDAS、CRU TS和ERA5气温产品能够较好地刻画这一空间分布特征[图3（b）、（c）、（d）]，但在部分地区仍与CN05.1观测数据有较大差异。CLDAS年平均气温在内蒙古东北部大兴安岭及河套平原北部阴山较低，能够表现出地形起伏对局地气温变化的影响。与CN05.1观测数据相比，CLDAS年平均气温在内蒙古大部地区偏高，尤其在阿拉善盟东部、巴彦淖尔市西部及赤峰市西部偏差较大[图3（e）]；CRU TS年平均气温除了呼伦贝尔市东部和阿拉善盟大部地区偏低外，其余大部地区均偏高，不能完全反映地形变化对气温场的影响，尤其在阴山山脉气温偏高明显[图3（f）]；ERA5年平均气温在内蒙古地区普遍明显偏高，尤其在呼伦贝尔市北部偏差高达2.0 ℃左右，但呼伦贝尔市南部、兴安盟大部、赤峰市北部、乌兰察布市南部以及阿拉善盟东部等地区气温变化与观测数据接近，且在阴山山脉能够表现出地形对局地气温的影响[图3（g）]。
图3
图3
2008—2019年内蒙古地区年平均气温观测值（a）、三种数据集的年平均气温（b、c、d）及其与观测值的差值（e、f、g）空间分布（单位：℃）
（a）CN05.1，（b、e）CLDAS，（c、f）CRU TS，（d、g）ERA5
Fig.3
The spatial distribution of annual mean temperature from the observation （a） and three datasets （b， c， d）， and difference between them and observation values （e， f， g） in Inner Mongolia during 2008-2019 （Unit： ℃）
（a） CN05.1， （b， e） CLDAS， （c， f） CRU TS， （d， g） ERA5
2.2 线性趋势对比
进一步对比2008—2019年内蒙古地区三种数据集降水产品与CN05.1格点观测数据的线性趋势（图4）。CN05.1降水观测数据[图4（a）]显示，内蒙古大部地区年降水量呈增加趋势，呼伦贝尔市东南部、兴安盟至通辽市一带以及鄂尔多斯市中东部和阿拉善盟南部增加速率较高，而呼伦贝尔市北部和巴彦淖尔市北部年降水量呈明显减少趋势，锡林郭勒盟北部降水量有弱的减少趋势。CLDAS降水数据基本能够反映2008—2019年内蒙古年降水量线性趋势[图4（b）]，但在呼伦贝尔市北部、锡林郭勒盟西北部和巴彦淖尔市年降水量减少地区以及阿拉善盟东部年降水量增加区域降水变率偏大，而在赤峰市、通辽市和兴安盟等部分地区年降水量呈减少趋势，与观测数据相反。CRU TS降水数据年变化率[图4（c）]在内蒙古东部地区与CN05.1观测数据相似，但呼伦贝尔市北部年降水量减少速率和呼伦贝尔市东部年降水量增加速率均小于观测，且在内蒙古西部地区年降水变率偏小，尤其在鄂尔多斯市东部和阿拉善盟南部明显低于观测。ERA5降水数据对阿拉善盟东南部及鄂尔多斯市东部到乌兰察布市一带年降水量增加趋势表现较好，而在其他地区年降水变率偏小[图4（d）]。
图4
图4
2008—2019年内蒙古地区CN05.1（a）、CLDAS（b）、CRU TS（c）和ERA5（d）年降水量线性趋势（单位：mm·a-1）
Fig.4
The linear trend of annual precipitation from CN05.1 （a）， CLDAS （b）， CRU TS （c） and ERA5 （d） datasets in Inner Mongolia during 2008-2019 （Unit： mm·a-1）
CN05.1格点观测资料[图5（a）]显示，2008—2019年内蒙古大部地区年平均气温呈升高趋势，增温率为0.03~0.06 ℃·a-1，呼伦贝尔市东北部和鄂尔多斯市北部与巴彦淖尔市交界处增温率较低。CLDAS数据[图5（b）]显示，内蒙古大部地区呈增暖趋势，且大部地区增温率高于观测，尤其阿拉善盟东南部增温率与观测偏差较大，而阿拉善盟中西部、巴彦淖尔市西部、赤峰市西部年平均气温呈明显下降趋势。CRU TS年平均气温线性趋势[图5（c）]表现为全区一致增暖的分布格局，大部地区增温率超过0.07 ℃·a-1，较观测明显偏高。ERA5年平均气温线性趋势分布[图5（d）]与观测较一致，除阿拉善盟西部和呼伦贝尔市东北部地区增温率与观测接近外，其他大部地区增温率高于观测。
图5
图5
2008—2019年内蒙古地区CN05.1（a）、CLDAS（b）、CRU TS（c）和ERA5（d）年平均气温线性趋势（单位：℃·a-1）
Fig.5
The linear trend of annual mean temperature from CN05.1 （a）， CLDAS （b）， CRU TS （c） and ERA5 （d） datasets in Inner Mongolia during 2008-2019 （Unit ：℃·a-1）
3 气温和降水产品误差评估
采用距离最近格点与站点进行匹配，提取内蒙古119个国家站上述三种数据集逐月降水量和平均气温数据，统计其与站点观测数据的相关系数、均方根误差及平均绝对误差（表1）。可以看出，三种数据集的平均气温与站点观测值相关性高，相关系数均超过0.998，CLDAS平均气温的相关系数最高达0.999 5，其MAE仅0.38 ℃，远小于ERA5的0.85 ℃和CRU TS的1.13 ℃。CRU TS和ERA5的降水量与站点观测值的相关系数低于0.9，而CLDAS降水量的相关系数达0.965 7。从误差来看，CLDAS降水量与站点观测值MAE为4.73 mm，而CRU TS和ERA5降水量的MAE则在10.00 mm左右。可见，无论是平均气温还是降水量，CLDAS产品与站点观测资料的相关性最高、误差最小。
表1 三种数据集的月平均气温和降水量与内蒙古119站观测值相关系数和误差统计
Tab.1
| 产品 | 平均气温 | 降水量 | ||||
|---|---|---|---|---|---|---|
| 相关 系数 | RMSE/℃ | MAE/℃ | 相关 系数 | RMSE/mm | MAE/mm | |
| CLDAS | 0.999 5 | 0.48 | 0.38 | 0.965 7 | 8.68 | 4.73 |
| CRU TS | 0.998 3 | 1.32 | 1.13 | 0.866 8 | 18.39 | 10.33 |
| ERA5 | 0.998 4 | 1.09 | 0.85 | 0.874 7 | 18.00 | 9.58 |
进一步对三种数据集的季节平均气温和降水量误差进行统计（表2）。与观测数据相比，CLDAS夏季平均气温偏低，春、秋、冬季平均气温偏高，且冬、秋季MAE稍高，分别为0.45、0.33 ℃，春、夏季MAE略小，在0.30 ℃左右；CRU TS平均气温除冬季偏高外，其他季节均偏低，冬、春、夏季MAE均超过1.01 ℃，秋季误差最小为0.87 ℃；ERA5春、夏季平均气温偏低，秋、冬季平均气温偏高，冬季MAE最大为1.26 ℃，其他季节误差在0.60 ℃左右。可见，内蒙古地区CLDAS各季平均气温误差均小于ERA5和CRU TS，ERA5平均气温数据质量整体优于CRU TS，仅冬季平均气温MAE略高于CRU TS。从四季降水误差看，CLDAS对内蒙古春季和秋季降水量低估、夏季和冬季降水量高估，而CRU TS降水产品夏季高估、其他季节均低估；ERA5普遍低估内蒙古夏季降水，高估春季和冬季降水，对秋季降水也存在低估现象。另外，三种降水产品在内蒙古地区MAE均是夏季最大，秋季次之，冬季最小。
表2 三种数据集的季节平均气温和降水量与内蒙古119站观测值偏差和平均绝对误差统计
Tab.2
| 产品 | 春季 | 夏季 | 秋季 | 冬季 | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 平均气温/℃ | 降水量/mm | 平均气温/℃ | 降水量/mm | 平均气温/℃ | 降水量/mm | 平均气温/℃ | 降水量/mm | |||||||||
| 偏差 | MAE | 偏差 | MAE | 偏差 | MAE | 偏差 | MAE | 偏差 | MAE | 偏差 | MAE | 偏差 | MAE | 偏差 | MAE | |
| CLDAS | 0.13 | 0.31 | -0.62 | 8.77 | -0.12 | 0.30 | 0.83 | 18.64 | 0.02 | 0.33 | -3.21 | 9.94 | 0.23 | 0.45 | 0.59 | 1.40 |
| CRU TS | -0.52 | 1.07 | -0.46 | 13.90 | -0.59 | 1.01 | 6.99 | 49.32 | -0.08 | 0.87 | -4.00 | 18.97 | 0.19 | 1.19 | -2.40 | 3.43 |
| ERA5 | -0.34 | 0.66 | 2.38 | 12.10 | -0.19 | 0.51 | -40.55 | 51.80 | 0.09 | 0.59 | -1.71 | 14.96 | 0.93 | 1.26 | 2.47 | 3.32 |
图6是内蒙古119站季节平均气温和降水量观测值与CLDAS、CRU TS和ERA5产品平均绝对误差箱形图。从误差范围、中位数、上下四分位数来看，CLDAS资料最优。综上可见， CLDAS气温和降水产品在内蒙古地区准确性明显优于CRU TS和ERA5相关产品。
图6
图6
内蒙古119站季节平均气温（a）和降水量（b）与CLDAS、CRU TS和ERA5产品的平均绝对误差分布
Fig.6
The distribution of mean absolute error between seasonal mean temperature （a）， precipitation （b） at 119 stations in Inner Mongolia and CLDAS， CRU TS， ERA5 products
4 CLDAS产品误差空间分布
CLDAS气温和降水产品在内蒙古地区的适用性整体优于CRU TS和ERA5，那么CLDAS气温和降水数据误差在内蒙古分布如何?从CLDAS气温和降水产品与内蒙古119站观测值的相关系数和均方根误差空间分布（图7）看出，整体上CLDAS气温数据精度优于降水数据，CLDAS气温与内蒙古站点观测值的相关系数普遍超过0.999，仅内蒙古中西部和河套地区局部站点相关系数为0.997~0.999，阿拉善左旗站相关系数最小为0.988 6；从气温均方根误差分布看，RMSE超过1.0 ℃的站点主要位于阿拉善盟西部及赤峰市西北部与锡林郭勒盟交界地区。CLDAS降水与内蒙古站点观测值的相关系数大部分在0.95以上，仅4站相关系数低于0.90，其中乌海站相关系数最低为0.77，可见CLDAS降水产品在内蒙古西部尤其是河套地区精度较差；从降水的均方根误差分布看，内蒙古北部地区误差明显小于南部地区。
图7
图7
CLDAS气温（a、b）和降水（c、d）产品与内蒙古119站观测值的相关系数（a、c）和均方根误差（b、d）空间分布
Fig.7
The spatial distribution of correlation coefficient （a， c） and root mean square error （b， d） between CLDAS temperature （a， b）， precipitation （c， d） products and observation values at 119 stations in Inner Mongolia
5 结论与讨论
基于内蒙古119个国家气象站观测资料和国家气象信息中心CN05.1格点观测数据集，对CLDAS产品数据集的2 m平均气温和降水量在内蒙古地区的适用性进行检验评估，同时与CRU TS和ERA5再分析数据集进行对比，得到如下结论：
（1）CLDAS、CRU TS和ERA5数据集均能较好表现内蒙古年降水量和年平均气温空间分布特征。CLDAS产品低估了内蒙古中东部地区年降水量、高估了西部地区年降水量，尤其对呼伦湖、达里诺尔湖等地势低洼地区降水严重高估；CRU TS对内蒙古东部和西南地区年降水量存在低估现象，而对东南部和西部地区年降水量存在高估现象。相较于CLDAS和CRU TS，ERA5严重低估了内蒙古地区年降水量。三种数据集对内蒙古大部地区年平均气温存在高估现象，其中CLDAS对阿拉善盟东部地区平均气温严重高估，CRU TS对内蒙古中西部以及大兴安岭和阴山山脉平均气温严重高估，而ERA5严重高估了呼伦贝尔市北部地区平均气温。
（2）CLDAS和CRU TS降水数据对内蒙古降水变化趋势的表现优于ERA5。内蒙古地区，CRU TS和ERA5资料与CN05.1格点观测资料增暖趋势一致，但增温率明显高于观测，而CLDAS资料还反映出内蒙古局地变冷趋势。
（3）与站点观测的误差评估表明，CLDAS气温和降水产品质量明显优于CRU TS和ERA5数据集。CLDAS平均气温与观测值的相关系数为0.999 5，高于CRU TS和ERA5，平均绝对误差（0.38 ℃）远小于ERA5（0.85 ℃）和CRU TS（1.13 ℃）；CRU TS和ERA5降水量与观测值的相关系数低于0.88，而CLDAS降水产品的相关系数超过0.96，平均绝对误差为4.7 mm，低于CRU TS和ERA5（超过9.5 mm）。季节尺度上，CLDAS气温产品在内蒙古地区夏季偏低，其他季节偏高，而降水产品春季和秋季低估、夏季和冬季高估。
（4）CLDAS气温数据主要在阿拉善盟东部、河套地区误差较大，而降水数据在内蒙古北部地区误差明显小于南部地区，且河套平原气温和降水与站点观测值的相关系数较低。
致谢
感谢国家气象信息中心数据分析科提供的CLDAS中国区域逐小时陆面融合分析产品及技术指导！
参考文献
基于CLDAS数据的甘蔗干旱监测评估标准对比——以2011年广西干旱为例
[J].
基于TIPEX Ⅲ资料对CLDAS-V2.0和GLDAS-NOAH陆面模式产品在青藏高原地区的适用性评估
[J].
CLDAS融合土壤湿度产品在东北地区的适用性评估及订正
[J].
通过计算CLDAS的0-20cm土壤相对湿度融合产品与农业气象观测站逐旬10cm土壤相对湿度观测值的相关性和偏差，综合分析CLDAS在东北地区的适用性。结果表明：CLDAS融合土壤相对湿度能较合理地反映东北地区10cm深度土壤相对湿度的空间分布，但是在对极值的描述上有所欠缺，其中CLDAS对辽宁西部和黑龙江西南部的土壤相对湿度模拟偏高较明显，而在黑龙江的东北部地区对实际土壤相对湿度的模拟偏低；总体上，CLDAS融合土壤相对湿度资料在东北地区的适用性由西南向东北方向递减，在吉林和辽宁省的适用性更好。回归订正和7旬滑动平均订正法对CLDAS产品的误差订正表明，订正结果大大提高了CLDAS产品的精度，其订正后产品可以应用于土壤湿度干旱监测业务。
基于CLDAS的格点温度预报偏差订正方法
[J].利用国家气象信息中心CLDAS格点温度实况、中央气象台SCMOC格点温度预报以及山西省站点观测温度,采用非独立性检验综合评估CLDAS在山西区域的适用性。在此基础上,采用滑动训练期订正方案,基于格点实况开展SCMOC温度预报场的客观订正。结果表明:(1)复杂地形对山西CLDAS格点温度实况的精度有一定影响,但最高气温的分析精度优于最低气温,表明地形对最低气温的偏差影响更显著,高海拔地区CLDAS最低气温一般对应为负偏差,低海拔地区一般对应为正偏差。(2)CLDAS格点温度实况的偏差空间分布具有时间延续性,进行简单的系统偏差订正后,最高、最低气温格点实况的精度分别提升1.1%、9.7%,与站点观测更为吻合。(3)基于改进后的CLDAS格点温度实况,采用滑动偏差订正方案,显著改善了山西省SCMOC温度预报的准确率。2019年,滑动偏差订正后的24 h时效最高、最低气温预报准确率较SCMOC温度预报分别提升2.7%、4.7%,订正后的短期温度预报质量有较大提高,优于预报员主观预报。
CLDAS陆面融合实况数据对天津雾和霾判识的准确性分析
[J].雾和霾是危害人类健康和影响社会经济发展的灾害天气，精细化的实况资料能够在雾和霾的防治中发挥重要作用。利用2017年12月1日至2020年11月30日天津及其周边地区国家气象观测站资料、Himawari-8卫星L1级全圆盘观测数据和L3级气溶胶光学厚度产品，分析了中国气象局陆面数据同化系统（CMA Land Data Assimilation System，CLDAS）能见度和相对湿度融合实况分析产品判识天津地区雾、轻雾和霾的准确性。结果表明：与台站资料相比，CLDAS产品对轻雾、雾和霾的平均检出率分别为90.4%、84.2%和78.8%；CLDAS产品对轻雾的逐月检出率为81.1%~96.4%，雾和霾出现较多的月份，其检出率均在80.0%左右。个例分析表明CLDAS产品判识的雾、轻雾和霾与台站观测结果以及Himawari-8卫星反演检测结果基本一致。CLDAS产品未正确判识雾、轻雾和霾的情况主要表现为雾误判为轻雾（各站为3.8%~21.4%）和霾漏判（各站为8.6%~25.0%）。当台站水平能见度在区间[0，0.75 km）时，CLDAS能见度的误差主要导致雾误判为轻雾；在区间[0.75，7.5 km）时，CLDAS能见度的误差主要导致霾漏判；在区间[7.5，15 km）时，CLDAS能见度的误差主要导致轻雾和霾空报。当台站相对湿度大于40%且小于等于60%时，CLDAS相对湿度的误差主要导致霾误判为轻雾。总体而言，CLDAS产品对天津地区雾、轻雾和霾的判识准确性较好，能够为雾、轻雾和霾的精细化监测提供参考，改善雾和霾监测中能见度观测站点稀少、空间覆盖不足的现状。
内蒙古麦后移栽向日葵精细化气候适宜性区划
[J].基于内蒙古麦后移栽向日葵生育期的分区,利用中国气象局陆面数据同化系统(CLDAS)的降水和气温格点资料以及内蒙古地区119个气象站观测数据,结合灌溉农区空间分布数据,以适宜生长日数和全生育期气候适宜度为区划指标,在ArcGIS环境下开展内蒙古地区麦后移栽向日葵精细化气候适宜性区划研究。结果表明:制约内蒙古麦后移栽向日葵正常生长和产量形成的主要因素是热量不足和干旱,全区可分为生长不适宜区、较适宜区、适宜区和最适宜区,其中河套灌区、土默川、西辽河平原灌溉条件良好,为麦后移栽向日葵生长的最适宜区,而内蒙古中部大部和东部大部地区移栽后热量严重不足,中西部偏北地区降水亏缺严重,麦后移栽向日葵无法完全成熟,为不适宜种植区。基于CLDAS格点资料与气象站观测数据的内蒙古麦后移栽向日葵气候适宜性分布一致性较好,但CLDAS格点数据的区划精细程度优于站点数据。河套灌区是最适宜种植区,与当前麦后移栽向日葵产业布局较为一致,故本文区划结果可为内蒙古地区麦后移栽向日葵生产合理布局提供一定参考。
陇东半干旱区一次特大暴雨事件的降水极端性分析
[J].2022年7月15日地处半干旱区的甘肃陇东出现一次特大暴雨过程，多站日雨量和小时雨量均突破历史极值。利用2022年7月14日20：00至15日20：00（北京时）逐分钟、逐小时降水观测数据，甘肃省庆阳市192个区域气象站建站以来日降水量、小时降水量资料，以及地面-卫星-雷达三源融合降水分析产品（CMA Multi-source Merged Precipitation Analysis System，CMPAS）10 min和1 h降水量数据，分析此次特大暴雨过程的降水特征及极端性。结果表明：这次特大暴雨过程具有累积降水量大、暴雨及以上量级降水落区集中、对流性降水强、降水中心稳定少动、短时强降水持续时间长等特征，其中累积降水量、降水强度和短时强降水持续时间的极端性明显。特大暴雨中心位于庆城县中北部的翟家河站，最大累积雨量达373.2 mm，是该站建站以来观测最大值，接近甘肃省所有国家站日降水量极值的2倍；最大小时雨量达84. 9 mm，位居庆阳市所有测站建站以来小时雨量第3位；短时强降水最长持续时间达6 h，是庆阳市所有测站建站以来最大值。分钟级降水量演变表明，强降水中心的降水强度具有脉动变化特征，降水位置在东、西、南、北方向存在摆动，但摆动幅度较小。
几种再分析地表气温资料在中国区域的适用性评估
[J].应用台站观测资料对ERA\|40、 NCEP/NCAR、 NCEP/DOE和JRA\|25等几种再分析地表（2 m）气温资料在中国不同区域、 不同年代和季节的气候均值、 年际变化和变率特征及其气候趋势等所反映出来的适用性问题进行了系统评估。结果表明， 几种再分析产品在全国大多数地区的气候变化研究中都具有一定的合理性， 特别是1979年以后的资料可靠性更高一些。但相比而言， 它们在冬季的可信度一般要高于夏季， 东部地区的可信度一般要高于西部地区； ERA\|40和JRA\|25再分析产品的适用性要高于NCEP/NCAR和NCEP/DOE再分析产品； 其中， JRA\|25在均值、 年际变化和变率特征的描述上具有更高的可靠性， 而ERA\|40在长期气候变化趋势（44年）的描述上则要明显优于NCEP/NCAR再分析产品。
Evaluation of nine sub-daily soil moisture model products over China using high-resolution in situ observations
[J].
The ERA-Interim reanalysis: configuration and performance of the data assimilation system
[J].
Evaluation of CLDAS and GLDAS datasets for near-surface air temperature over major land areas of China
[J].
The NCEP/NCAR reanalysis 40-year project
[J].
Brewer-Dobson circulation diagnosed from JRA-55
[J].We examine the Brewer‐Dobson circulation (BDC) in the lower stratosphere diagnosed from the Japanese 55 year Reanalysis (JRA‐55) data set and compare it with the BDCs diagnosed from the other reanalyses (i.e., ERA‐Interim and JRA‐25), and JRA‐55‐related data sets (i.e., JRA‐55C, created by assimilating only in situ observations, and JRA‐55AMIP, a simulation by a prediction model). The climatological mean seasonal change of the BDC in JRA‐55 is similar to that in ERA‐Interim but considerably different from that in JRA‐25. Dynamical and thermodynamical consistencies among the variables are greatly improved in the JRA‐55 data set. The interannual variations of the annual mean tropical upwellings in JRA‐55 are almost coincident with those in JRA‐55C. It suggests that the weakly increasing trend of the BDC found in JRA‐55 does not have anything to do with changes in the satellite observing system. The climatological mean tropical upwelling diagnosed from JRA‐55 is stronger than that from JRA‐55AMIP. This difference is presumed to partly link to the model's inability to simulate the quasi‐biennial oscillation (QBO). The JRA‐55AMIP data set, a simple simulation performed without data assimilation, does not simulate the QBO, whereas the JRA‐55 data set represents the QBO with the aid of data assimilation. The climatological mean zonal mean states of JRA‐55AMIP considerably deviate from those of JRA‐55 in the lower stratosphere. The deviation of JRA‐55AMIP is similar to the modulation pattern by the QBO in specific phase regions in which the BDC is rather weak. The simulated QBO might enhance the BDC and reduce the model biases in the tropical lower stratosphere.
Comparison of trends and low-frequency variability in CRU, ERA-40, and NCEP/NCAR analyses of surface air temperature
[J].
