《Atmosphere》:A Validation of Temporal Downscaling Models of Estimating Hourly Temperatures Under South African Conditions
编辑推荐:
高时空分辨率气象数据是果树生产、建筑科学及其他数学模拟研究的重要输入。1980年以前的历史气象数据多为日值,自动气象站(aws)的引入使得逐时、逐分乃至逐秒间隔的气象数据得以获取,但开展气候变化分析及制作气候标准值(Climate Normal)至少需要30年
高时空分辨率气象数据是果树生产、建筑科学及其他数学模拟研究的重要输入。1980年以前的历史气象数据多为日值,自动气象站(aws)的引入使得逐时、逐分乃至逐秒间隔的气象数据得以获取,但开展气候变化分析及制作气候标准值(Climate Normal)至少需要30年连续资料,南非多数具有长序列资料的站点其标准气候期为1961—1990年及1981—2010年。对于需逐时气温(如计算果树的需冷量Chill Units或需冷时数Chilling Hours)的研究而言,仅靠日气温难以满足分析需求,因此需借助数学模型或随机生成模型推导高时间分辨率温度数据。本研究采用时间降尺度模型(Temporal Downscaling Model, TDM)重建1981—2010年逐时气温记录,验证基于该基准期内有观测值的全部冬季日期进行。结果表明,以日最低温(Tmin)、日最高温(Tmax)及年积日(Day of Year)为输入参数的正弦曲线(Sine Curve)模型较为适用,其余测试模型结果相近。所有模型在正常天气条件下表现良好,但均无法模拟冷锋或风暴活动导致的气温骤变。仅有天气预报类模型可预测突发变化,而历史模拟器因仅以日最高、最低温为输入且无逐时观测记录可供参考,故失效。
论文解读:《A Validation of Temporal Downscaling Models of Estimating Hourly Temperatures Under South African Conditions》发表于《Atmosphere》
一、研究背景与意义
农业系统、特别是落叶果树(如桃、甜樱桃、苹果、葡萄藤)的需冷量(Chill Units/Chilling Hours)计算、热量积累(Heat Units)、作物物候模型及建筑能耗模拟均依赖逐时气温(Hourly Temperature)数据。然而南非及全球多地1960—1980年代历史气象观测多为人工定时记录,仅存日最高气温(Tmax)与日最低气温(Tmin),缺乏连续逐时记录,无法满足至少30年气候标准期(如1981—2010年)的高分辨率分析需求。现有时间降尺度(Temporal Downscaling)方法多采用正弦或余弦函数连接日极值以重构日变化曲线,但其于南半球不同气候区(如自由州省Bethlehem半干旱凉爽区、北开普省Upington干旱炎热区)的适用性尚未系统验证。此外此类仅依赖两极值输入的确定性模型能否应对冷锋过境等天气扰动亦存疑。为此研究人员以南非两个典型站点为例,利用1981—2010年实测逐时气温验证多种时间降尺度算法(正弦Sinusoidal法、抛物线Parabolic法、温度波Wave Model等),评估其在正常及异常天气下的重建精度,为农业与气候研究提供本地化适用依据。
二、主要关键技术方法
研究人员选取南非气象局(South African Weather Service, SAWS)提供的Bethlehem站(自1980年起有逐时记录,1969年起有人工定时记录)与Upington站(1980年起有自动站逐时记录)1981—2010年日值与逐时值资料。缺失月份(Upington站1989年8月、1992年6月)予以剔除。验证聚焦冬季全时段有观测的日期。采用的时间降尺度模型(TDM)包括:正弦—正弦(Sine–Sine)形式的日间增温与夜间冷却波模型(Wave Model,源自Linvill及Reicosky等),日间升温段以Tmin、Tmax及昼长(Day Length, DL)按公式T(t)=Tavg?AMP·cos[π(t+Δ)/(DL+Δ)]模拟,夜间降温段采用日落温(Ts)向次晨Tmin按余弦衰减描述;同时对比线性、抛物线及其他修正形式。昼长按Stuff & Dale (1973)算法由纬度φ(南半球取负)、月、日换算。模型唯一输入为当日Tmin、Tmax及年中日序,假定Tmin出现于日出前后约06:00,Tmax出现于14:00(WMO建议)。精度评价采用平均绝对误差(Mean Absolute Error, MAE)、均方根误差(Root Mean Square Error, RMSE)、决定系数(Coefficient of Determination, R2)及模型效率(Model Efficiency, ME=1?∑(x?y)2/∑(x?x?)2),辅以散点图、累积温度对比及平均日变化廓线分析。
三、研究结果
3. Validation of the Temporal Downscaling Model(时间降尺度模型的验证)
整体拟合优度显示两站R2分别达0.95与0.94,MAE介于1.18—1.22 ℃,RMSE介于1.61—1.63 ℃,ME接近1,表明正弦类TDM能较好再现平稳天气下逐时温度变化趋势。个别冷锋过境日(如1996年8月27日Bethlehem午后冷锋南下致气温骤降约数摄氏度)模型无法捕捉突变,模拟值持续沿理想日变化曲线运行至夜间才与观测收敛,造成局部残差增大、R2降低、RMSE最小降至1.24 ℃(冷锋日仍高于常态误差)。短时段(少数几天)模拟可见明显偏离与离群点,大样本长期平均则因平滑效应掩盖模型缺陷。冬季多云低日较差条件下波模型(Wave Model)对傍晚温度的低估略大于清晨,与已有文献一致。所有仅以Tmin、Tmax为输入的确定性降尺度模型(正弦、抛物线、波模型)均无法预报或模拟锋面天气造成的日间异常降温,因其不含云量、气压场或水平平流信息。
四、讨论与结论翻译
简单基于三角函数并以日最高、最低温及年中日序为输入的时间降尺度模型(TDM)经南非两气候区验证,在稳态天气下可高精度重建逐时气温(R2>0.94,RMSE≈1.6 ℃),所得逐时数据可作为作物生长模型、需冷量计算及建筑热工模拟的有效输入。其中融入日均值参与振幅计算的Sinusoidal方法略优于仅用Tmax、Tmin的算法。日极值发生时刻设定极为关键——本研究确认06:00(近日出)对应Tmin、14:00对应Tmax(符合WMO建议)最为适宜。Wave Model于夏季干热半干旱区表现较优,Sinusoidal TDM于春秋季多数站点更优。线性偏差校正(Bias Correction via Linear Regression)可有效降低各季节各站点系统误差。需注意此类模型不适用于冷锋、雷暴等突发天气剧变时段之短时模拟;可通过结合7—14天预报输出的日极值扩展应用。该研究证明由日极值生成历史逐时气温数据集之可行性,弥补南非及类似地区长序列小时资料缺失,对农业、水文及气候相关研究具重要实用价值。