基于准对称混合滑动训练法对CLDAS气温的订正检验

doi:10.11755/j.issn.1006-7639(2024)-02-0305

基于准对称混合滑动训练法对CLDAS气温的订正检验

李奇临^,¹, 刘超^,², 朱君¹, 刘昉¹, 旷兰³

1.中国气象局气候资源经济转化重点开放实验室，重庆市气象信息与技术保障中心，重庆 401147

2.重庆市气象台，重庆 401147

3.重庆市綦江区气象局，重庆綦江 401420

Correction and evaluation of CLDAS air temperature products based on quasi-symmetric hybrid sliding training method

LI Qilin^,¹, LIU Chao^,², ZHU Jun¹, LIU Fang¹, KUANG Lan³

1. CMA Key Open Laboratory of Transforming Climate Resources to Economy， Chongqing Meteorological Information and Technical Support Center， Chongqing 401147， China

2. Chongqing Meteorological Observatory， Chongqing 401147， China

3. Qijiang Meteorological Bureau， Qijiang 401420， Chongqing， China

通讯作者: 刘超（1989—），女，高级工程师，研究方向为智能预报算法客观订正。E-mail：ajuchao@qq.com。

责任编辑: 王涓力；校对：黄小燕

收稿日期: 2022-07-20 修回日期: 2023-05-4

基金资助:

重庆市气象部门业务技术攻关项目“重庆气温网格实况产品的偏差订正与评估”(YWJSGG-202110)
“降水融合实况分析产品在重庆地区的订正”(YWJSGG-202307)

Received: 2022-07-20 Revised: 2023-05-4

作者简介 About authors

李奇临（1987—），女，高级工程师，研究方向为气象观测数据质量控制与网格实况产品评估。E-mail：342455539@qq.com。

摘要

基于准对称混合滑动训练期方法，对近两年来中国气象局陆面同化分析系统（CMA Land Data Assimilation System，CLDAS）输出的日最高气温、日最低气温网格实况分析产品进行订正，以期提高该产品在重庆地区的适用性。结果表明：订正前，2021年CLDAS日最高气温产品的平均误差为0.63 ℃，平均绝对误差为1.14 ℃，订正后平均误差减小至-0.03 ℃，平均绝对误差减小至0.64 ℃，误差小于或等于1 ℃的准确率由约64%提高到约90%，明显改善了该产品在重庆西部和东南部地区的适用性；订正前，2021年CLDAS日最低气温的平均误差为-0.22 ℃，平均绝对误差为0.75 ℃，订正后平均误差减小至-0.03 ℃，平均绝对误差减小至0.55 ℃，误差小于或等于1 ℃的准确率由约91%提高到约93%，改善了该产品在重庆中部地区的适用性。

关键词： 偏差订正; 准对称混合滑动训练; CLDAS; 评估

Abstract

Based on the quasi-symmetric mixed sliding training period method, the grid analysis products of daily maximum temperature and daily minimum temperature from Land Data Assimilation System of China Meteorological Administration (CLDAS) in recent two years are revised, in order to improve the applicability of the products in Chongqing. The results show that before revision, the average error of daily maximum temperature products in 2021 was 0.63 ℃, and the average absolute error was 1.14 ℃. After revision, the average error decreased to -0.03 ℃, the average absolute error decreased to 0.64 ℃, the accuracy of error less than or equal to 1 ℃ was improved from about 64% to 90%, which obviously improved the applicability of products in western and northeastern Chongqing. Before revision, the average error of daily minimum temperature products in 2021 was -0.22 ℃, and the average absolute error was 0.75 ℃. After revision, the average error was reduced to -0.03 ℃, the average absolute error was reduced to 0.55 ℃, and the accuracy of error less than or equal to 1 ℃ was improved from about 91% to 93%, which improved the applicability of products in central Chongqing.

Keywords： deviation correction; quasi-symmetric hybrid sliding training; CLDAS; evaluation

PDF (25006KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

李奇临, 刘超, 朱君, 刘昉, 旷兰. 基于准对称混合滑动训练法对CLDAS气温的订正检验[J]. 干旱气象, 2024, 42(2): 305-314 DOI:10.11755/j.issn.1006-7639(2024)-02-0305

LI Qilin, LIU Chao, ZHU Jun, LIU Fang, KUANG Lan. Correction and evaluation of CLDAS air temperature products based on quasi-symmetric hybrid sliding training method[J]. Arid Meteorology, 2024, 42(2): 305-314 DOI:10.11755/j.issn.1006-7639(2024)-02-0305

引言

陆面数据是地球系统的重要组成部分，是影响天气预报、气候变化、干旱洪涝灾害风险评估等的重要因子，可靠的地面气象资料是各种时空尺度水文和生态研究的最基本要求（孙帅等，2017）。多源融合气温格点产品可以实现网格数据的连续覆盖，能有效弥补站点观测时空分布不均的缺陷（Bengtsson and Shukla，1988；李庆祥和李伟，2007；金荣花等，2019）。随着气象观测系统的迅猛发展，利用地面自动气象站、雷达、卫星等获取的观测数据越来越多，各行业对格点化的时、空连续的气象数据产品要求越来越高。因此，对多源融合气温产品进行偏差订正，有利于提高监测和模式预报的准确性。

目前国际上普遍认可的再分析产品有美国国家大气研究中心（National Centers for Environmental Prediction/National Center for Atmospheric Research，NCEP/NCAR）研发的产品、欧洲中期天气预报中心（the European Centre for Medium-Range Weather Forecasts，ECMWF）发布的第五代全球气候再分析数据集ERA5、日本气象厅和中央电力研究所的JRA-55数据集以及美国国家航空航天局（National Aeronautics and Space Administration，NASA）与日本宇宙航空研究开发机构（Japan Aerospace Exploration Agency，JAXA）联合发布的遥感降水产品（Tropical Rainfall Measuring Mission，TRMM）。大气再分析资料有着时间尺度长、空间覆盖全面、包含动力和物理意义以及时空分辨率高等优越性，它的出现使得气候变化研究得到迅速发展。但也有研究指出，再分析产品未经区域性矫正和处理其系统误差较大（赵天保和符淙斌，2009；谢潇等，2011）。近年来，ECMWF研发的陆地再分析产品ERA5-Land与ERA-interim、ERA5数据集相比，ERA5-Land分辨率更高，该数据集对于各种地表类型适用性均较好，但相较全球尺度，中国大部分区域的应用评估表明，ERA5-Land产品有数值偏高的特征（朱丽等，2023；杨扬等，2023；董祝雷等，2023）。当前，国内再分析数据产品的研发处于起步阶段，中国气象局（China Meteorological Administration，CMA）发布的第一代全球陆面再分析40 a产品（CMA-RA/Land），包括大气驱动融合产品和陆面产品（时、空分辨率分别为3 h、25 km）；2008年中国科学院研发了中国区域高时空分辨率地表气象驱动数据集（China Meteorological Forcing Dataset，CMFD）（He et al.，2020），该产品时、空分辨率达3 h、10 km，包括近地面气温、比湿等7个变量，比NASA发布的全球陆面数据同化气象数据集（GLDAS Land Data Assimilation System，GLDAS）具有更高精度，目前仍在继续研发后续版本。中国气象局近年来研发了多源融合实况分析产品（CMA Land Data Assimilation System，CLDAS），其时、空分辨率为1 h、5 km，包含亚洲区域范围的降水、气温、风等气象要素（孙小龙等，2015；李显风等，2017；师春香等，2019），优于之前研发的再分析资料（俞剑蔚等，2019；龙柯吉等，2019；刘莹等，2021），其中气温要素提供了3种产品：小时气温、日最高气温和日最低气温。之后中国气象局在CLDAS基础上升级为高分辨率陆面数据同化系统产品（HDCLDAS），该产品空间分辨率达1 km，但仅提高了小时气温产品的准确性，对气温日产品没有升级处理（韩帅等，2018），因而迫切需要寻找到气温日产品的最优订正方案。

目前，数值预报中的站点温度客观订正方案常见的有完全预报法（PP）、模式输出统计（MOS）、线性回归、卡尔曼滤波、KNN回归算法等（吴君等，2007；Klein and Lewis，2010；马旭林等，2015；王丹等，2016；李超等，2022），现有研究表明MOS法的预报精度高于PP法，而线性回归法适用于气温变化的特性。此外，也有较多基于站点气温数据对模式产品进行订正的研究，比如双权重平均法、滑动平均法等得到广泛的试验与应用（李佰平和智协飞，2012；Guan et al.，2015；尹姗等，2020；董春卿等，2021）。吴启树等（2016）将传统滑动训练期方法改进为准对称混合滑动训练期方法，并对ECMWF细网格气温产品进行订正，订正后该产品质量有较大提高，有较好的应用参考价值。

多源融合产品的质量高低不仅与数据来源、产品分辨率、同化技术等密切相关，可能还与研究区域和要素密切相关。重庆地区地形地貌复杂，盛夏期间高温天气过程频繁。2019年起，CLDAS产品在重庆各部门投入业务化运行，经初步评估，CLDAS日最高气温准确率约60%，日最低气温准确率约85%。本文基于准对称混合滑动训练期方法，对近2 a的CLDAS日最高气温、最低气温产品进行订正，以期提高该产品在重庆地区的适用性。

1 资料和方法

1.1 资料

地面观测气温资料来自中国气象局气象信息中心提供的重庆市地面自动气象站日最高气温、最低气温数据。数据经过气象资料业务系统（MDOS）3级质量控制流程质控（王海军和刘莹，2012；任芝花等，2015），质控后国家级自动气象站资料可用率达99%，区域自动站可用率达98%。本文根据数据可用率、设备可用性等综合指标，筛选出2019年1月1日至2021年12月31日1 983个观测站点日最高气温、最低气温作为检验标准数据。重庆市气象站点空间分布如图1所示。CLDAS日最高气温、最低气温网格实况分析产品由中国气象局信息中心提供，时间段为2019年1月1日至2021年12月31日，空间分辨率为0.05°×0.05°。CLDAS产品利用数值预报数据、地面观测数据、卫星遥感数据等多源信息，采用变分融合分析技术研制而成，融合产品包括气温、相对湿度、风速、能见度等要素，研究表明，基于质量控制后的2 380个国家气象观测站以及8 174个考核区域自动站气象要素观测资料对该产品进行评估，温度产品在全国范围均表现为偏暖状态，重庆地区小时气温产品平均偏高0.2 ℃（孙靖等，2021）。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 重庆市气象观测站分布

Fig.1 Spatial distribution of meteorological observation stations in Chongqing

1.2 方法

（1）订正方法

采用准对称混合滑动训练期方法（吴启树等，2016），利用CLDAS日最高气温和最低气温产品，建立一元线性回归方程，设计训练期样本为需要订正的某一日气温之前N天和前一年该日期之后的相同日数资料的混合，滑动取样。在训练期内建立气温因子X_i和订正量Y_i的一元线性回归方程：

（1）Y_i=a+bX_i

式中：a为常数项；b为回归系数（采用最小二乘法求解）。通过比较一系列训练期方程计算出的Y_i值，最接近真值X_i所对应的训练期为最优训练期，最优训练期对应的方程，即为订正气温产品需要的订正方程。

（2）检验方法

将经过质量控制的站点观测资料作为“真值”，采用非独立样本检验方法（中国气象局预报与网络司，2019），基于双线性插值法，将CLDAS日气温产品数据插值到重庆地区站点，再计算插值结果与站点观测值的偏差，通过各项误差指标序列，以及空间分布反演特征和误差分布特征来检验订正前、后产品的质量。平均误差（Mean Error，ME）、平均绝对误差（Mean Absolute Error，MAE）、均方根误差（Root Mean Square Error，RMSE）、相关系数（Correlation，COR）及准确率（Precision，P_i）计算公式如下：

（2）

M E = \frac{1}{N} \sum_{i = 1}^{N} (G_{i} - O_{i})

（3）

M A E = \frac{1}{N} |G_{i} - O_{i}|

（4）

R M S E = \sqrt[]{\frac{1}{N} \sum_{i = 1}^{N} {(G_{i} - O_{i})}^{2}}

（5）

C O R = \frac{\sum_{i = 1}^{N} (G_{i} - \bar{G}) (O_{i} - \bar{O})}{\sqrt[]{\sum_{i = 1}^{N} {(G_{i} - \bar{G})}^{2}} \sqrt[]{\sum_{i = 1}^{N} {(O_{i} - \bar{O})}^{2}}}

（6）

P_{i} = \frac{1}{N} \sum_{i = 1}^{N} (|G_{i} - O_{i}|)

式中：O_i为站点观测值；G_i为实况产品插值到检验站点值； $\bar{O} 和 \bar{G}$ 分别为站点观测与网格点插值到站点后的平均值；N为参与检验的总样本数（站数）；P_i为准确率，本文指 $|G_{i} - O_{i}|$ ≤1 ℃和 $|G_{i} - O_{i}|$ ≤2 ℃的准确率。

2 结果分析

2.1 整体对比检验分析

表1列出2020、2021年日最高、日最低气温产品订正前后的各误差指标与准确率的对比，为方便表述，本文将订正后产品命名为CLDAS_IM。

表1 2020和2021年日最高、日最低气温产品订正前后各误差指标与准确率对比

Tab.1 Comparison of error indexes and accuracy rates of daily maximum and minimum temperatures in 2020 and 2021 before and after revision

对比指标	年份	产品	ME/℃	MAE/℃	RMSE/℃	COR	≤1 ℃准确率/%	≤2 ℃准确率/%
日最高气温	2020	CLDAS	0.66	1.33	1.82	0.98	62.60	82.96
	2020	CLDAS_IM	-0.07	0.83	1.17	0.99	86.70	96.44
	2021	CLDAS	0.63	1.14	1.52	0.99	64.32	86.25
	2021	CLDAS_IM	-0.03	0.64	0.90	0.99	90.22	97.77
日最低气温	2020	CLDAS	-0.14	0.97	1.42	0.98	86.33	94.22
	2020	CLDAS_IM	0.06	0.74	1.06	0.99	87.16	96.88
	2021	CLDAS	-0.22	0.75	1.08	0.99	91.51	97.35
	2021	CLDAS_IM	-0.03	0.55	0.82	0.99	93.24	98.18

新窗口打开| 下载CSV

2020年日最高气温产品ME由偏大0.66 ℃订正为略偏小0.07 ℃，MAE由1.33 ℃减小至0.83 ℃，RMSE由1.82 ℃减小至1.17 ℃，相关性由0.98提高到0.99；≤1 ℃的准确率由62.60%提高到86.70%，≤2 ℃的准确率由82.96%提高到96.44%。2021年订正后的日最高气温产品ME由0.63 ℃减小至-0.03 ℃，MAE由1.14 ℃减小至0.64 ℃，RMSE由1.52 ℃减小至0.90 ℃，相关性变化不大；≤1 ℃的准确率由64.32%提高到90.22%，≤2 ℃的准确率由86.25%提高到97.77%。

2020年日最低气温产品ME由偏小0.14 ℃订正为略偏大0.06 ℃，MAE由0.97 ℃减小至0.74 ℃，RMSE由1.42 ℃减小至1.06 ℃，相关性由0.98提高到0.99；≤1 ℃的准确率由86.33%提高到87.16%，≤2 ℃的准确率由94.22%提高到96.88%。2021年日最低气温产品ME由偏小0.22 ℃订正为略偏小0.03 ℃，MAE由0.75 ℃减小至0.55 ℃，RMSE由1.08 ℃减小至0.82 ℃，相关性变化不大；≤1 ℃的准确率由91.51%提高到93.24%，2 ℃内的准确率由97.35%提高到98.18%。

由此可见，CLDAS_IM在重庆地区的适用性明显优于CLDAS，且日最高气温产品的订正效果优于日最低气温产品。

图2为2020、2021年CLDAS和CLDAS_IM与站点观测日最高、最低气温的空间分布，站点观测值插值到网格，能清晰反映CLDAS和CLDAS_IM的空间分布再现能力。可以看出，CLDAS和CLDAS_IM空间分布结构与站点观测都具有较高相似度，而CLDAS_IM温度数值和高温中心位置具有更高相似度。2020年重庆中部、东北部站点观测的平均最高气温与CLDAS和CLDAS_IM产品的空间分布结构都具有较高相似度，对于西部、东南部，CLDAS日最高气温偏低1~2 ℃；2021年CLDAS_IM比CLDAS在西部和东南部更接近站点观测值。2020年的CLDAS和CLDAS_IM日最低气温产品空间分布结构、温度数值与站点观测值都非常接近，CLDAS在中部部分区域数值偏高1~2 ℃；2021年CLDAS在中部地区也存在日最低气温偏高的特征。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 2020、2021年站点观测日平均最高、最低气温与CLDAS和CLDAS_IM相应产品的空间分布对比

Fig.2 Comparison of spatial distribution between mean daily maximum temperature， daily minimum temperature from station observations and CLDAS， CLDAS_IM corresponding products in 2020 and 2021

2.2 逐月对比检验分析

2020、2021年的CLDAS和CLDAS_IM产品对比检验结果类似，订正值的置信水平为95%，本小节以2020年日最高气温和日最低气温产品订正为例进行分析。图3为CLDAS和CLDAS_IM日最高气温产品的四项误差指标对比，可以看出，CLDAS的ME分布在0.29~0.98 ℃，CLDAS_IM的ME为-0.36~0.11 ℃[图3（a）]；CLDAS的MAE分布在0.92~1.74 ℃，CLDAS_IM的MAE分布在0.67~0.99 ℃，3月和8月两者MAE均较大[图3（b）]；RMSE与MAE的趋势一致，CLDAS的RMSE分布在1.29~2.34 ℃，CLDAS_IM的RMSE分布在0.97~1.38 ℃[图3（c）]；CLDAS的COR分布在0.81~0.98，CLDAS_IM的COR分布在0.93~0.99[图3（d）]。由此可见，对于日最高气温而言，订正后的产品明显具有更好的适用性。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 2020年月平均日最高气温订正前后ME（a）、MAE（b）、RMSE（c）、COR（d）对比

Fig.3 Comparison of ME （a）， MAE （b）， RMSE （c）， COR （d） before and after correction of monthly average daily maximum temperature in 2020

图4为CLDAS和CLDAS_IM日最低气温产品的四项误差指标对比。可见，相对站点温度，CLDAS的温度数值普遍偏低，CLDAS的ME分布在-0.25~0.02 ℃，CLDAS_IM的ME分布在-0.07~0.41 ℃，夏季数值上高于订正前，订正后的产品温度普遍偏低的特点有所改变[图4（a）]；CLDAS的MAE分布在0.66~1.32 ℃，CLDAS_IM的MAE为0.48~0.94 ℃，订正后的平均绝对误差在各月均低于订正前[图4（b）]；RMSE与MAE趋势一致，CLDAS的RMSE分布在0.94~1.84 ℃，CLDAS_IM的RMSE分布在0.72~1.29 ℃，订正后各月均方根误差均小于订正前[图4（c）]；CLDAS的COR分布在0.84~0.95，CLDAS_IM的COR分布在0.92~0.97，订正后各月的相关系数均比订正前更接近1.00，与站点温度的相关性提高[图4（d）]。从四项误差指标对比来看，订正后温度格点产品更接近站点产品，在重庆更具有适用性。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 2020年月平均日最低气温订正前后ME（a）、MAE（b）、RMSE（c）、COR（d）对比

Fig.4 Comparison of ME （a），MAE （b）， RMSE （c）， COR （d） before and after correction of monthly average daily minimum temperature in 2020

图5分别为订正前后日最高气温和日最低气温产品准确率的对比，整体来看，CLDAS_IM逐月平均日最高气温的准确率均比CLDAS高。就日最高气温产品而言，CLDAS和CLDAS_IM产品在≤2 ℃的温度准确率逐月变化趋势一致，且CLDAS_IM各月均高于CLDAS，由于3月重庆地区温度变化剧烈，两者3月准确率均最低，分别为73%、93%，重庆地区秋冬季节温度变化幅度小，12月CLDAS准确率最高达93%，而CLDAS_IM在10月最高为99%[图5（a）]；CLDAS_IM产品≤1 ℃的准确率逐月值均高于CLDAS，CLDAS_IM可达79%以上，CLDAS则为50%以上[图5（b）]。就日最低气温产品而言，订正前后≤1 ℃准确率和≤2 ℃准确率差异较小，订正后的日最低气温准确率改进效果没有日最高气温明显，但也有一定程度的提高。CLDAS在≤2 ℃的准确率最低值出现在3月（90%），最高值（98%）出现在6月，而订正后的温度准确率还是有所提升，CLDAS_IM准确率最低值（94%）出现在8月，最高值（99%）出现在10月[图5（c）]；≤1 ℃的准确率改进效果欠佳，7—10月CLDAS准确率大于CLDAS_IM，但其他月份订正后的准确率高于订正前，有一定的订正效果[图5（d）]。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 2020年逐月平均日最高气温（a、b）与日最低气温（c、d）订正前后≤2 ℃（a、c）与≤1 ℃（b、d）准确率对比

Fig.5 Comparison of ≤2 ℃ （a， c） and ≤1 ℃ （b， d） accuracy of monthly average daily maximum temperature （a， b） and daily minimum temperature （c， d） before and after correction in 2020

2.3 误差指标的空间分布对比

图6为CLDAS和CLDAS_IM日最高气温的误差空间分布对比。可见，大部分站点CLDAS的ME小于0，相较于站点，具有普遍偏低的特点，部分站点ME为1.5~3.0 ℃；CLDAS_IM的ME基本处于（-0.5， 0.5]℃区间，对CLDAS产品日最高气温产品普遍偏低的特点有所改善，日最高气温偏高和偏低站点分散在各个区域。CLDAS的MAE各站点差别较大，MAE达到2.0 ℃的站较多，部分站点可达3.0 ℃；CLDAS_IM的MAE在空间分布上有明显改善，尤其在西部和东北部，各站点MAE基本小于1.0 ℃。CLDAS_IM的RMSE仍然小于CLDAS，西部和东北部地区RMSE有明显降低，订正效果明显，大部分地区RMSE处于1.5 ℃以内。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 2020年 CLDAS和CLDAS_IM日最高气温的ME、MAE、RMSE空间分布对比

Fig.6 Comparison of spatial distribution of ME， MAE， RMSE of daily maximum temperature between CLDAS and CLDAS_IM products in 2020

图7为CLDAS和CLDAS_IM日最低气温的误差指标空间分布对比。可见，在东北部和长江流域附近CLDAS产品ME小于0 ℃的站点较多，渝西ME处于（0，1.0]℃区间的站点较多，CLDAS_IM的ME基本处于（-0.5，0.5]℃区间；东北部和中部地区，由于地形复杂，在该区域CLDAS的MAE大于等于2.0 ℃的站点较多，而CLDAS_IM产品的MAE绝大部分地区在0.5 ℃以内；CLDAS_IM在东北部RMSE有明显降低，订正效果明显，大部分地区RMSE在1.5 ℃以内。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 2020年 CLDAS和CLDAS_IM日最低气温的ME、MAE、RMSE空间分布对比

Fig.7 Comparison of spatial distribution of ME， MAE， RMSE of daily minimum temperature between CLDAS and CLDAS_IM products in 2020

3 结论

本文基于准对称混合滑动训练期方法，对CLDAS日最高气温、日最低气温产品进行订正，对订正后产品进行评估后得出如下结论。

（1）2021年CLDAS订正后日最高气温产品平均绝对误差为0.64 ℃，平均误差为-0.03 ℃，均方根误差为0.90 ℃，相关性达0.99，1 ℃内和2 ℃内准确率分别约达90%和98%；订正后日最低气温产品平均绝对误差为0.55 ℃，平均误差为-0.03 ℃，均方根误差为0.82 ℃，相关性达0.99，1 ℃内和2 ℃内准确率分别约达93%和98%。

（2）CLDAS日最高气温产品订正前后在重庆中部和东北部相差不大，西部和东南部订正后明显更优，而且订正后改善了CLDAS产品在重庆地区普遍偏低的特点；日最低气温产品订正前后重庆西部、东南部和东北部、中部地区则订正后更优。

（3）CLDAS日最高气温订正后各区域平均误差处于（-0.5，0.5]℃区间，平均绝对误差基本小于1.0 ℃，订正后产品均方根误差在重庆东北部、中部偏东南地区明显降低，均方根误差整体在1.5 ℃以内；日最低气温的平均绝对误差处于（-0.5，0.5]℃区间，绝大部分站点平均绝对误差小于等于0.5 ℃，且东北部和中部地区平均绝对误差和均方根误差降低明显。

CLDAS还输出小时气温网格实况产品，经尝试基于准对称混合滑动训练期方法对此产品订正并不太适用，下一步将研究CLDAS小时气温网格实况分析产品的订正方法，并与国家级1 km的网格实况分析产品做对比分析。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

董春卿, 郭媛媛, 张磊, 等,

2021.

基于CLDAS的格点温度预报偏差订正方法

[J]. 干旱气象, 39(5): 847-856.

DOI [本文引用: 1]

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。

[2]

董祝雷, 赵艳丽, 冯晓晶, 等,

2023.

CLDAS气温和降水产品在内蒙古地区适用性分析

[J]. 干旱气象, 41(5): 811-819.

DOI [本文引用: 1]

中国气象局陆面数据同化系统（CMA Land Data Assimilation System，CLDAS）提供了高时空分辨率的陆面融合数据集，为精细化气象服务提供了重要的数据支撑，而数据的适用性评估是开展数据应用的重要基础。基于国家气象信息中心CN05.1格点观测数据和内蒙古119个国家级气象站观测资料，对CLDAS的2 m平均气温和降水产品在内蒙古地区的适用性进行检验评估，并与欧洲中期天气预报中心的ERA5（The Fifth Generation European Centre for Medium-range Weather Forecasts Re-Analysis）和英国的CRU TS（Climatic Research Unit gridded Time Series）再分析资料进行对比分析。结果表明：三种数据集均能很好地反映内蒙古年降水量和年平均气温空间分布特征，但对内蒙古大部地区降水量存在低估、平均气温存在高估现象，且CLDAS数据集还能够反映地形变化对气温和降水的影响。CLDAS和CRU TS的降水变率空间分布优于ERA5；CRU TS和ERA5的气温线性趋势与CN05.1观测结果相似，但增温率高于观测，而CLDAS气温产品还能反映局地降温趋势。无论是月尺度还是季节尺度，CLDAS数据集与站点观测值的相关系数均高于CRU TS和ERA5，平均绝对误差小于CRU TS和ERA5，CLDAS气温和降水产品误差最大的区域在河套地区。

[3]

韩帅, 师春香, 姜志伟, 等,

2018.

CMA高分辨率陆面数据同化系统(HRCLDAS-V1.0)研发及进展

[J]. 气象科技进展, 8(1): 102-108.