2020, Vol. 36
2. 浙江省气象台，浙江 杭州 310017;
3. 杭州市气象局，浙江 杭州 310051
2. Zhejiang Meteorological Observatory, Hangzhou 310017, China;
3. Hangzhou Meteorological Bureau, Hangzhou 310051, China
大气再分析资料是融合多源观测数据和数值模拟结果、基于资料同化技术建立的一套网格化长序列气象数据集，它有效弥补了站点观测时空分布不均的缺陷，是气候诊断分析的重要基石[1]。目前，全球大气再分析资料自1990年代中期以来已历经三代的发展[2]。第一代产品主要有美国国家环境预测中心（National Center of Environment Prediction，NCEP）和美国国家大气科学研究中心（National Center of Atmospheric Research，NCAR）研发的NCEP-NCAR Reanalysis Ⅰ（以下简称R1）[3-4]和NCEP-DOE Reanalysis Ⅱ（以下简称R2）[5]；第二代产品主要有欧洲中期天气预报中心（European Center for Medium - Range Weather Forecasts，ECMWF）研发的ERA-40[6]和日本气象厅（Japan Meteorological Agency，JMA）研发的JRA - 25[7]；第三代产品主要有NCEP研发的CFSR[8]、ECMWF研发的ERA-Interim[9]、JMA研发的JRA - 55[10]以及美国航空航天局（National Aeronautics and Space Administration, NASA）研发的MERRA[11]。再分析资料的质量受到观测数据来源、数值预报模式和同化方法的影响，因此对再分析资料进行可信度评估尤为重要[12]。
R1自1990年诞生以来，历经近30年的发展已成为目前国际上使用最广泛的再分析资料。它的优势是时间跨度最长（1948年1月至今）、使用群体庞大从而成为许多研究的参照基准。然而R1存在不可忽视的人为误差，且在南半球的可信度较差，因此对R1进行优化改进十分必要。R2则修正了R1中的人为误差，进一步改进了模式并同化了更多的观测资料，使得R2在土壤湿度、冬季降水、地面温度和高纬度地面通量等方面较R1得到较大改善[5]。CFSR作为第三代全球再分析资料，其优势包括全面改进了模式框架和同化技术，对大气、陆地、海洋、海冰采用完全耦合方案，直接同化了卫星观测的原始数据，分辨率在R1、R2基础上显著提升（由水平方向2.5 °×2.5 °、竖直方向28层提升为水平方向0.5 °×0.5 °、竖直方向64层）等[8]。然而，目前对CFSR进行可信度评估的研究相对较少，特别是目前对其气象要素的刻画能力所知有限。
目前国际上广泛开展的对再分析资料的评估表明，第三代再分析资料的性能较前两代有明显改进，特别是在较大的空间尺度上（如全球和中国尺度），第三代再分析资料能够给出更多的细节特征，同化结果与观测更加接近[13-21]。然而，另一些评估结果却指出，第三代再分析资料在某些方面弱于第一、二代产品。Wang等[13]总结了CFSR存在的问题，包括高估了西太平洋暖池区域的短波辐射通量、全球大部分地区的潜热通量偏大、1998—2001年期间许多变量发生了跳跃性突变等。He等[22]利用中国2425个常规气象站数据对R2和CFSR给出的日平均气温进行了评估，结果表明R2的日平均气温在中国中部和东部的大部分地区以及西北地区中东部优于CFSR，CFSR的气温日较差在中国大部分地区可信度较低。Zhao等[23]基于中国2419个气象站气温资料对比评估了季节尺度上R2和CFSR的表现，发现虽然CFSR在所有季节的日平均气温比R2更加接近观测，但R2在所有季节的日最高/最低气温比CFSR可信度更高。
综上所述，尽管第三代再分析资料在观测数据来源、数值模式分辨率、参数化方案以及同化技术等方面做出了重要改进，其表现是否一定优于较早产品可能还与研究的区域和对象密切相关。需要指出的是，相较于全球尺度和中国尺度，在区域尺度上开展再分析资料性能评估的研究较少，而这一工作对于在区域尺度上应用再分析资料开展诊断分析有重要意义。有研究针对辽宁省海岸带[24]、天山西部[25]、环渤海区域[26]、黄渤海区域[27]再分析资料的适用性进行了评估，但大多基于CFSR、ERA-interim、JRA-55等第三代产品，而非不同年代际的再分析资料进行对比。较新的高分辨率资料在区域尺度上是否一定优于较早的低分辨率资料并无定论，因此是一个值得探索的科学问题。
浙江省地处我国江南地区东部，下垫面复杂多变，次网格过程参数化难度较大，是检验再分析资料对区域气候刻画能力的试金石。日平均气温（以下简称气温）作为描述基本气候特征的核心要素之一，其可信度是评估再分析资料性能的重要参考依据。本研究基于浙江省66个国家基本气象站和R1、R2、CFSR三套同源于NCEP的再分析资料的气温数据，利用多种统计方法对近地面2 m气温场进行可信度评估，以了解高、低分辨率资料对浙江省气温刻画能力的差别，并进一步探讨如何基于站点观测提升再分析资料对区域气温的再现能力。
2 资料和方法 2.1 观测资料本文采用的观测资料为浙江省66个国家基本气象站1979—2010年的逐日气温数据。该66站为浙江省“一类观测站”，观测质量和数据可信度较高。站点分布和相关信息见图 1和表 1。经检查，该66站在研究时段内的气温共有16个缺测值。考虑到气温在水平方向上大致呈线性变化，利用缺测当天非缺测站点的气温、采用基于径向基函数的Multiquadric插值方法[28]对缺测站点进行水平插补。
|
图 1 浙江省66个国家基本站分布 |
|
表 1 浙江省66个国家基本站信息 |
本文选取R1、R2、CFSR三套再分析资料1979年1月—2010年12月2 m高度月平均气温数据开展分析。R1、R2的水平分辨率为2.5 °× 2.5 °，CFSR的水平分辨率为0.5 °×0.5 °。三套再分析资料均来自NOAA网站（www.ncdc.noaa.gov）。为了对比再分析资料和站点观测数据的差异，首先将格点尺度的再分析气温资料插值到66个常规观测站上，所用插值方法为三次样条插值[29]
2.3 主要分析方法 2.3.1 时间相关系数时间相关系数r能够反映观测资料和再分析资料在时间上的相关性，对于两列长度相同的观测和再分析数据而言，其时间相关系数r表征如下：
| $ r = \frac{{\mathop \sum \limits_{i = 1}^N \left( {{X_i} - \overline X } \right)\left( {{Y_i} - \overline Y } \right)}}{{\sqrt {\sum _{i = 1}^N{{\left( {{X_i} - \overline X } \right)}^2}} \sqrt {\sum _{i = 1}^N{{\left( {{Y_i} - \overline Y } \right)}^2}} }} $ | (1) |
式中，N为数据样本个数，Xi、Yi分别为气温的观测数据和再分析数据样本，X、Y分别为气温观测数据和再分析数据序列的时间平均值。
2.3.2 时间相关系数将时间相关系数r应用到空间上，则可以得到空间相关系数（Spatial Correlation Coefficient, SCC）。空间相关系数能够反映观测资料和再分析资料空间场之间的相关性。对于两个站点数目相同的观测资料场和再分析资料场而言，其空间相关系数SCC表征如下：
| $ SCC = \frac{{\mathop \sum \limits_{i = 1}^N \left( {{X_i} - \overline {{X_s}} } \right)\left( {{Y_i} - \overline {{Y_s}} } \right)}}{{\sqrt {\sum _{i = 1}^N{{\left( {{X_i} - \overline {{X_s}} } \right)}^2}} \sqrt {\sum _{i = 1}^N{{\left( {{Y_i} - \overline {{Y_s}} } \right)}^2}} }} $ | (2) |
式中，N为空间站点个数，Xi、Yi分别为气温的观测数据和再分析数据样本，Xs、Ys分别为气温观测数据场和再分析数据场的空间平均值。
2.3.3 均方根误差均方根误差（Root-Mean-Square Error，RMSE）能够反映两列数据偏离的程度，本文中用于定量计算再分析资料相对于观测资料的偏差，具体公式表征如下：
| $ RMSE = \sqrt {\frac{1}{N}\mathop \sum \limits_{i = 1}^N {{\left( {{Y_i} - {X_i}} \right)}^2}} $ | (3) |
离差平方和（Sum of Squared Deviations, SSD）能够反映两列数据之间的累积误差，用其刻画再分析资料相对于观测资料的累积偏差，具体公式表征如下：
| $ SSD = \mathop \sum \limits_{i = 1}^N {\left( {{Y_i} - {X_i}} \right)^2} $ | (4) |
经验正交函数（Empirical Orthogonal Function，EOF）分解是一种在气候诊断分析中广泛应用的方法，其主要思想是将复杂的气象变量场分解为一系列相互正交的空间分布型和时间序列，通过计算累积方差贡献提取前几个空间模态和时间系数用以反映变量场主要的时空变化特征，从而达到降维的目的[30]。EOF分解的计算方法详见文献[30]。
3 结果与分析 3.1 气候平均态从1979—2010年32年的观测及三套再分析资料中气温的时空分布特征可以看出（图 2），观测气温的空间分布大致遵循纬度地带性规律变化[31]，即由北向南气温逐渐升高（图 2a）。高值中心主要位于浙中、浙南地区，最高值18.6℃出现在丽水青田站；低值中心主要位于浙北北部及衢州地区，最低值16.0℃出现在湖州安吉站。R1、R2的气温空间分布也呈现出阶梯变化的特点，但并未刻画出纬向分布的特征，而是表现为自西北向东南气温逐渐升高的分布形态，与观测存在一定差异；此外，R1、R2的气温系统性偏低（图 2b、2c）。与西北-东南型分布特征相一致，R1、R2的气温高值区位于东南沿海地区，低值区主要分布在浙西北地区。与站点观测和R1、R2均不同，CFSR刻画的气温不仅明显偏低，而且除沿海地区外并不具备阶梯分布特征，在浙西北地区、浙西南地区和浙东南地区出现了三个显著的低值中心（图 2d）。
|
图 2 1979—2010年32年平均气温的空间分布和年平均气温时间序列与站点观测对比 a.站点观测；b、e. R1；c、f. R2；d、g. CFSR。 |
就气候态而言，尽管三套再分析资料与站点观测的空间分布形态均存在一定差异，但R1、R2的气温分布特征与观测更为接近；虽然CFSR由于具有较高分辨率而刻画了更多的细节，却与观测资料反映的南暖北冷的特征差异很大。考虑到浙江地形以小型山地和丘陵为主，观测站大部分建在平原或低海拔处，因此CFSR拥有更显著冷偏差的原因可能包括其部分网格点海拔较高，而将网格点气温插值到观测站经纬度时，仅考虑了水平方向插值，未考虑竖直方向上因海拔差异造成的气温差异，这可能导致插值到站点上的气温偏低（当观测站点的海拔低于周围网格点时）。相较而言，R1、R2反而由于网格点间距更大，不能捕捉到浙江的地形起伏，从而规避了插值时与观测站点海拔差异问题。
从全省平均气温来看（图 2e~2g），三套再分析资料的逐年变化趋势与观测非常一致，R1、R2、CFSR与站点观测时间序列的相关系数分别达到0.97、0.95、0.97。为排除气温线性趋势对相关系数的影响，去除了四套资料中的线性趋势。R1、R2、CFSR与观测时间序列的相关系数分别下降至0.92、0.92、0.93，但仍呈高相关关系（通过了0.01显著性水平检验）。然而，如前所述，三套再分析资料均表现出气温系统性偏低的特征。R1、R2、CFSR较观测资料平均偏低1.2 ℃、1.1 ℃、1.7 ℃。R1、R2的偏低幅度相对较小，CFSR偏低幅度较大，与三套资料的空间分布特征相符。
3.2 资料偏差时空分布特征 3.2.1 基本特征RMSE是反映资料偏差的良好指标。由图 3可见，R1、R2的RMSE空间分布型态基本一致，均表现出西部大于东部的特征。浙北西南部、浙西南大部分地区是RMSE的相对大值区，最大值出现在衢州常山（2.7 ℃，R1）和金华兰溪（2.5 ℃，R2）；东部沿海地区是RMSE的相对小值区；但总体而言全省范围内RMSE的差别并不大，各地RMSE多小于2 ℃。与R1、R2相比，CFSR的RMSE显著增长，浙南地区RMSE普遍在3 ℃以上，最大达4.2 ℃，远大于R1、R2的最大误差；次大值中心位于浙西北地区，与R1、R2的分布型有相似之处。整体而言CFSR浙北地区的RMSE较小，多分布在2 ℃以下，但仍明显大于R1、R2。比较三套再分析资料，可知CFSR的RMSE远大于R1和R2，特别是在浙南地区。
RMSE的年际变化具有相对稳定性。从全省RMSE的时间序列来看（图 3d），1979—2010年R1、R2的RMSE年际变化相近，主要分布在1.2~1.8℃之间；CFSR的RMSE明显大于R1和R2，主要分布在1.9~2.2℃之间，平均值达到2.1℃，而R1和R2的平均值仅为1.5℃和1.4℃。由此可知，与R1和R2相比，CFSR的RMSE偏大并非少数年份出现的个例现象，而是在32年中稳定存在，这一系统性偏差的存在极大地影响了CFSR气温资料在浙江地区的适用性。
|
图 3 R1（a）、R2（b）、CFSR（c）1979—2010年32年平均气温RMSE的空间分布及逐年气温RMSE时间序列（d） |
为了进一步探究CFSR误差的空间分布特征，选取1979—2010年RMSE大于2.8℃的9个站点（图 4a中黄点，以下简称浙南9站），考察浙南地区误差对浙江全省误差的贡献。经计算可知，浙南9站的逐年RMSE分布在3.3~3.9℃之间，远大于其它地区的RMSE（图 4a）；进一步计算浙南9站SSD与全省SSD之比，发现这一地区的站点数目虽然仅占全省的14%，却贡献了全省SSD的39%~45%（图 4b），再次说明浙南误差是全省误差的重要来源，南部RMSE明显偏大是全省RMSE整体较高的重要原因。进一步考察浙江地形分布发现，偏差较大的区域恰好位于海拔较高地带。这在一定程度上证实了前述猜想，即CFSR冷偏差较大可能由于在将网格点气温值插值到站点时，未对因两地海拔差异造成的气温差异进行修正。此外，前人研究指出，模式地形偏差可能是造成再分析资料误差的重要原因[33-34]，因此可能CFSR在这些区域本身的模式地形偏高，从而产生了较大的系统性冷偏差。
|
图 4 浙江南部气温RMSE>2.8℃的站点位置（a，黄点）；1979—2010年浙南9站气温RMSE及SSD全省占比时间序列（b） |
为进一步了解三套再分析资料在月季尺度上的表现，分别计算了三者在春季（3—5月）、夏季（6—8月）、秋季（9—11月）、冬季（12月—次年1月）以及各月的RMSE。可以看出，R1、R2的四季RMSE演变特征相似：秋冬季节RMSE较小、春夏季节RMSE较大，RMSE在夏季和冬季分别达到最大值和最小值。R1秋冬季节的RMSE在1℃左右，R2则介于1~1.5℃之间，R1较R2偏差更小；春季R1的RMSE介于1.5~2℃之间，R2则在1.5℃附近，R2的偏差更小；夏季二者的差异更加明显，R1的RMSE分布在2~3℃之间，R2则分布在1.5~2.5℃之间。总体而言虽然R1和R2的RMSE均表现出一定的季节性，但R1的季节差异更为明显。与R1和R2相比，CFSR的RMSE季节变化相对较弱，四季RMSE均基本在1.5~2.5℃之间；冬季最小，春季次之，夏季与秋季相当且最大。需要指出的是，CFSR在冬季、春季、秋季的偏差均大于R1和R2，但其夏季的偏差与R1相当、略高于R2，说明与其它两套再分析资料相较，CFSR的劣势主要在于冬、春、秋三季。尽管三套再分析资料误差的季节变化存在一定差异，其共同特点是冬季误差较小、夏季误差较大。施晓晖等[32]在研究R1在中国区域的可信度时指出其在冬季的可信度最好，而在夏季可信度较差，这与本文研究结果相一致。
三套再分析资料RMSE的分月变化表现出和季节变化相似的特征。在所有月份中，误差较小的月份为12月、1月和2月，其中1月误差最小。CFSR的月际起伏明显小于R1和R2。R1、R2的高值月份出现在7月和8月，CFSR则出现在9月，这也是R1和R2夏季误差最大而CFSR秋季误差最大的原因。从逐月误差的上下限（即所有站点当月RMSE的最大值和最小值）来看，三套资料各月误差的下限相近，但CFSR的上限明显高于R1和R2，且各月变化较小，R1上限的起伏较R2更明显，二者均表现出7—8月上限较高、其它月份上限相对较低的特点，说明夏季7—8月R1和R2中各站RMSE的差异较大。
综上所述，三套资料均表现出冬季偏差最小而夏季偏差较大（特别是7—8月）的特征；CFSR在冬、春、秋三个季节中RMSE均大于R1和R2，而在夏季与R1和R2相当，说明CFSR的偏差主要来源于于冬、春、秋三季。
|
图 5 1979—2010年R1（a、d）、R2（b、e）、CFSR（c、f）春季、夏季、秋季、冬季气温RMSE时间序列（a、b、c）（d、e、f）和32年平均1—12月气温RMSE（黑色实线）及其上下限分布（灰色误差线） |
再分析资料与站点观测资料在空间分布上的相似程度也是资料偏差的重要方面。由三套资料与站点观测的逐年SCC可知，R1、R2与站点观测之间存在较好的相关，SCC始终保持在0.25以上（通过了0.05显著性水平检验），且多数年份达到0.3以上（通过了0.02的显著性水平检验）。二者的SCC时间序列较为接近，平均值分别为0.42和0.44；1979年、1995年、2005年为三个低值年份，1991年、1999年、2001年为三个高值年份。SCC表现出较明显的阶段性变化：1980年代—1990年代前期SCC相对较高，1990年代中后期相对较低，1990年代末—20世纪初相对较高，之后转为相对较低。与R1和R2相比，CFSR和站点观测在空间上几乎不相关，SCC在0值上下波动，最大值仅有0.16，2003年之后甚至SCC进一步下降，说明CFSR不仅RMSE远高于R1和R2，在SCC上也不及R1和R2。2003年之后，三套再分析资料的SCC无一例外出现下降，其中的原因值得进一步深入研究。
|
图 6 1979—2010年逐年R1、R2、CFSR的年平均气温与站点观测值之间的SCC时间序列 |
为探究三套再分析资料对浙江主要气候变率模态和其随时间演变的刻画能力，对观测资料和三套再分析资料的年平均气温距平进行EOF分解（图 7）。为避免全球变暖信号的干扰，在EOF分解之前去除了气温序列的线性趋势。
|
图 7 去除线性趋势之后站点观测与三套再分析资料气温距平EOF分解前三模态的空间型及时间系数 a~f.站点观测；g~l. R1；m~r. R2；s~x. CFSR。 |
观测中的第一模态为“全省一致型”，大值区位于浙北东南部，方差贡献高达86.7%（图 7a），说明全省各站同位相变化是浙江气温变化的主要方式。对应的时间系数表现出显著的年代际变化特征：1980年代为负位相，1990年代—2000年代中后期为正位相，之后重新转为负位相（图 7d）。R1、R2和CFSR的第一模态均表现为与观测一致的全省同位相变化（图 7g、7m、7s），且三者均较好地刻画了大值区的位置，其中CFSR刻画的浙西南地区的小值区也与观测一致。R1、R2、CFSR第一模态的方差贡献分别达到96.9%、95.9%和90.0%；与观测相比，R1、R2的方差贡献过大，CFSR的方差贡献与观测相近。就时间系数而言，三套再分析资料均较好地再现了观测中的年代际变化特征，三者的PC1与观测PC1的相关系数分别达到0.92、0.92、0.93（表 2）
|
|
表 2 R1、R2、CFSR与站点观测EOF分解前三模态时间系数之间的相关系数 |
观测中的第二模态为“南北反相型”，约以杭州南部-绍兴南部为界呈现南北反位相变化的特征，方差贡献为4.3%（图 7b），其时间系数表现出显著的年代际转折特征：1980年代前期—1990年代中后期主要为负位相，之后转为正位相（图 7e）。三套再分析资料同样抓住了南北反位相的空间分布特征，但总体而言，CFSR与观测更为接近且方差贡献相当（5.4%）（图 7h、7n、7t）。从时间系数来看，R1、R2均未能再现观测中的年代际转折特征、更多地表现为年际振荡（图 7k、7q），CFSR给出的时间系数与观测相近（图 7w）。从时间系数的相关来看，R1、R2、CFSR的PC2与观测PC2之间的相关系数分别为0.57、0.78、0.86，比较而言CFSR优于R1和R2（表 2）
观测中的第三模态主要表现为“沿海-内陆反相型”，即沿海地区和内陆地区呈现反位相变化的特征，方差贡献为2.7%（图 7c）。R1、R2和CFSR均刻画出了沿海-内陆反相变化的特征，但CFSR与观测相比零线过于靠近海岸线，R1和R2的空间分布型态与观测更为接近（图 7i、7o、7u）。从时间系数来看，观测中1999年之前下降、1999年之后上升的年代际转折特征在三套再分析资料中均能得到体现（图 7l、7r、7x），R1、R2、CFSR的PC3与观测PC3之间的相关系数分别为0.43、0.49、0.42（表 2）；然而叠加在年代际背景之上较强的年际振荡仅在CFSR中得到体现（图 7f、7l、7r、7x）。
综合EOF分析结果可知，CFSR对浙江省气温的主要空间模态和时间系数的刻画优于R1和R2且与观测接近；CFSR能够展现更多的空间分布细节特征，且其前三模态的时间系数均与观测吻合较好。总体来看，尽管CFSR存在显著的系统性冷偏差，但其刻画的气温变率比R1、R2更接近观测。这提示我们，不同分辨率的再分析资料可能在不同方面各具优势。在较小的区域尺度上使用再分析资料时，应当针对不同的问题选取不同的资料
3.4 系统误差订正效果评估根据前述分析，三套再分析资料和站点观测之间存在系统性误差，故对系统误差进行订正并分析改善效果。订正方法如下：计算每个站点上再分析资料和观测资料1979—2010年32年的气候态偏差，再将这一偏差叠加到再分析资料上。订正系统误差后，三套再分析资料的多年平均RMSE均得到明显改善（图 8），全省大部分区域的RMSE下降至0.1~0.3℃、仅R2中东部沿海地区存在0.5℃左右的偏差，其中CFSR的改善较R1和R2更为明显，其RMSE最大值、平均值分别由4.2℃、1.8℃减小至0.36℃、0.21℃，南部原先偏差较大的区域也得到显著改善。更重要的是，订正后CFSR的RMSE已与R1和R2相当甚至更小。从时间演变来看，订正后CFSR的年平均RMSE在1996年之前略高于R1和R2，但1996年之后低于R1和R2，特别是2004年之后明显低于R1和R2。此外，再分析资料与观测之间的相关性也得到了显著改善。从SCC逐年演变时间序列可以看出，订正之后R1、R2和CFSR的逐年SCC均达到0.9以上。1980年代—1990年代中期三者SCC相当，1994年CFSR明显偏低，此后直至2004年三者再次相当，之后CFSR高于R1和R2。整体而言订正后CFSR的误差水平已与R1和R2相当甚至更低，特别是2004年之后CFSR已明显优于R1和R2。
|
图 8 修正系统误差后R1（a）、R2（b）、CFSR（c）1979—2010年32年平均气温RMSE的空间分布；R1、R2、CFSR 1979—2010年逐年气温RMSE时间序列（d）；R1、R2、CFSR 1979—2010年逐年年平均气温与站点观测值之间的SCC时间序列（e） |
对大气再分析资料开展性能评估是科学应用再分析产品开展气候研究的重要基石和先决条件，这些研究主要集中在全球和中国等较大尺度地区上，而在区域尺度上缺乏了解，且高分辨率资料是否全面优于低分辨率资料需深入研究。本文系统评估了R1、R2、CFSR三套同源于NCEP的再分析资料对浙江省气温的刻画能力，以期揭示不同分辨率再分析资料在区域尺度上可信度差异，主要结论如下。
（1）从1979—2010年32年气候平均态来看，R1和R2能够刻画出观测中气温阶梯分布的特征，但两套资料中气温由西北向东南逐渐递增，与观测中气温由北至南递增存在一定差异；CFSR则未能表现出气温阶梯分布特征，与观测存在较大差别。三套资料给出的全省平均气温逐年变化特征均与观测一致（相关系数超过0.95），但均存在系统性冷偏差，其中CFSR的冷偏差最大。
（2）R1和R2的多年平均RMSE分布在0~2℃之间、表现出西部大于东部的特点；CFSR的RMSE显著高于R1和R2，浙南地区是RMSE的大值区（超过3℃），浙南9站是RMSE的重要来源。三套资料的RMSE均在1979—2010年期间稳定存在。
（3）从月、季变化来看，R1、R2表现出秋冬季节RMSE较小、春夏季节RMSE较大的特征，R1的季节差异较R2更为明显；CFSR的RMSE季节变化相对较弱，表现出冬季最小、春季次之、夏季与秋季较大的特征。CFSR在冬季、春季、秋季的偏差均大于R1和R2，但在夏季的偏差与二者基本相当。在所有月份中，三套资料的RMSE均在1月达到最小，R1和R2的RMSE最大值出现在7—8月，CFSR则出现在9月。
（4）R1、R2与站点观测之间存在较好的空间相关性，SCC多数年份达到0.3以上；CFSR则几乎与站点观测在空间上不相关，SCC在0值上下波动，2003年之后甚至SCC进一步下降，说明CFSR在SCC上的表现也弱于R1和R2。
（5）EOF分析结果表明，三套再分析资料均能较好地反映浙江气温变率的主要空间模态，但R1和R2的时间系数与观测存在一定差异；CFSR的空间模态和时间系数均与观测更加接近，说明CFSR对气温时空变率的刻画能力优于R1和R2。
（6）系统偏差订正对三套再分析资料均起到明显的改善作用，订正之后三套资料的误差水平基本相当，说明系统性误差是三套资料偏差的重要来源。R1、R2、CFSR的逐年RMSE分别减小至0.5℃以下、0.4℃以下、0.3℃以下，SCC均提升至0.9以上，2004年之后CFSR的表现显著优于R1和R2。比较而言误差订正对CFSR的改善效果最显著。
在全球尺度上，CFSR由于在观测资料来源、模式框架、参数化方案和同化方式等方面取得了显著进步，其对气象要素的刻画能力全面优于较早的R1和R2；然而在较小的区域尺度上，由于小尺度地形对气候环境的影响不可忽视且模式对小尺度地形的描述可能失真从而产生虚假地形效应，高分辨率资料是否仍然优于低分辨率资料是一个需要深入研究的问题。此外，CFSR虽然存在更大的系统性冷偏差，但刻画气温变率的表现优于R1、R2，这提示我们在研究不同问题时，应根据不同资料各自的优势选择性使用再分析资料[35]。
| [1] |
王传辉, 姚叶青, 时刚. 江淮地区ERA-Interim再分析与观测温度资料对比分析[J]. 气象, 2018, 44(9): 1220-1228. |
| [2] |
赵天保, 符淙斌, 柯宗建. 全球大气再分析资料的研究现状与进展[J]. 地球科学进展, 2010, 25(3): 242-254. |
| [3] |
KISTLER R, KALNAY E, COLLINS W. The NCEP-NCAR 50-Year reanalysis: Monthly means CD-ROM and documentation[J]. Bull Amer Meteor Soc, 2001, 82(2): 247-268. |
| [4] |
KALNAY E, KANAMITSU M, KISTLER R. The NCEP/NCAR 40-Year Reanalysis Project[J]. Bull Amer Meteor Soc, 1996, 77(3): 437-471. |
| [5] |
KANAMITSU M, EBISUZAKI W, WOOLLEN J. NCEP-DOE AMIP-Ⅱ Reanalysis (R-2)[J]. Bull Amer Meteor Soc, 2002, 83(11): 1631-1644. |
| [6] |
UPPALA S M, K LLBERG P W, Simmons A J. The ERA-40 reanalysis[J]. Quart J Roy Meteor Soc, 2010, 131(612): 2961-3012. |
| [7] |
ONOGI K, TSUTSUI J, KOIDE H. The JRA-25 Reanalysis[J]. J Meteor Soc Japan, 2007, 85(3): 369-432. |
| [8] |
SAHA S, MOORTHI S, PAN H. The NCEP Climate Forecast System Reanalysis[J]. Bull Amer Meteor Soc, 2010, 91(8): 1015-1058. |
| [9] |
DEE D P, UPPALA S M, SIMMONS A J. The ERA-Interim reanalysis: Configuration and performance of the data assimilation system[J]. Quart J Roy Meteor Soc, 2011, 137(656): 553-597. |
| [10] |
KOBAYASHI S, OTA Y, HARADA Y. The JRA-55 Reanalysis: General specifications and basic characteristics[J]. J Meteor Soc Japan, 2015, 93(1): 5-48. |
| [11] |
RIENECKER M M, SUAREZ M J, GELARO R. MERRA: NASA's modern-era retrospective analysis for research and applications[J]. J Climate, 2011, 24(14): 3624-3648. |
| [12] |
贾蓓西, 徐海明, 安月改. 中国区域再分析湿度资料与均一化探空湿度资料的对比分析[J]. 气象, 2014, 40(9): 1123-1131. |
| [13] |
WANG W, XIE P, YOO S. An assessment of the surface climate in the NCEP climate forecast system reanalysis[J]. Climate Dyn, 2011, 37(7-8): 1601-1620. |
| [14] |
XUE Y, HUANG B, HU Z. An assessment of oceanic variability in the NCEP climate forecast system reanalysis[J]. Climate Dyn, 2011, 37(11-12): 2511-2539. |
| [15] |
CHAUDHARI H S, POKHREL S, SAHA S K. Improved depiction of Indian summer monsoon in latest high resolution NCEP climate forecast system reanalysis[J]. Int J Climatol, 2015, 35(10): 3102-3119. |
| [16] |
LINDSAY R, WENSNAHAN M, SCHWEIGER A. Evaluation of seven different atmospheric reanalysis products in the Arctic[J]. J Climate, 2014, 27(7): 2588-2606. |
| [17] |
GUO Y, ZHANG S, YAN J. A comparison of atmospheric temperature over China between radiosonde observations and multiple reanalysis datasets[J]. J Meteor Res, 2016, 30(2): 242-257. |
| [18] |
ZHOU C, WANG K. Contrasting daytime and nighttime precipitation variability between observations and eight Rreanalysis products from 1979 to 2014 in China[J]. J Climate, 2017, 30(16): 6443-6464. |
| [19] |
ZHANG W, LOU Y, HUANG J. Multiscale variations of precipitable water over China based on 1999—2015 ground-based GPS observations and evaluations of reanalysis products[J]. J Climate, 2018, 31(3): 945-962. |
| [20] |
WANG A, ZENG X. Evaluation of multireanalysis products with in situ observations over the Tibetan Plateau[J]. J Geophy Res, 2012, 117D05102, dov: 10.1029/2011JD016553.
|
| [21] |
BAO X, ZHANG F. Evaluation of NCEP-CFSR, NCEP-NCAR, ERA-Interim, and ERA-40 reanalysis datasets against independent sounding observations over the Tibetan Plateau[J]. J Climate, 2013, 26(1): 206-214. |
| [22] |
HE W, ZHAO S. Assessment of the quality of NCEP-2 and CFSR reanalysis daily temperature in China based on long-range correlation[J]. Climate Dyn, 2018, 50(1-2): 493-505. |
| [23] |
ZHAO S, HE W, JIANG Y. Evaluation of NCEP‐2 and CFSR reanalysis seasonal temperature data in China using detrended fluctuation analysis[J]. Int J Climatol, 2018, 38(1): 252-263. |
| [24] |
敖雪, 翟晴飞, 崔妍. 三种风场再分析资料在辽宁省海岸带的比较与评估[J]. 高原气象, 2018, 37(1): 275-285. |
| [25] |
高瑞, 穆振侠, 彭亮. 不同订正方法下CFSR再分析数据在天山西部山区径流模拟中的应用[J]. 中国农业气象, 2017, 38(6): 342-352. |
| [26] |
陈艳春, 王娜, 顾伟宗. 环渤海区域再分析资料地面风速场的适用性对比分析[J]. 海洋气象学报, 2017, 37(1): 67-72. |
| [27] |
范苏丹, 盛春岩, 曲巧娜. 利用春季黄渤海沿海大风观测资料评估CFSR风场再分析数据[J]. 气象科技, 2017, 45(5): 917-924. |
| [28] |
何斌, 黄渊, 陈亮. Multiquadric方法在中尺度气象资料客观分析中的应用[J]. 高原气象, 2014, 33(1): 171-178. |
| [29] |
朱业玉, 宋丽莉, 姬兴杰. 基于分段三次样条函数逐时气象资料模拟方法研究[J]. 气象与环境学报, 2017, 33(2): 44-52. |
| [30] |
吴洪宝, 吴蕾. 气候变率诊断和预测方法[M]. 北京: 气象出版社, 2010: 400.
|
| [31] |
何冬燕, 田红, 邓伟涛. 三种再分析地表温度资料在青藏高原区域的适用性分析[J]. 大气科学学报, 2013, 36(4): 458-465. |
| [32] |
施晓晖, 徐祥德, 谢立安. NCEP/NCAR再分析风速、表面气温距平在中国区域气候变化研究中的可信度分析[J]. 气象学报, 2006, 64(6): 709-722. |
| [33] |
谢潇, 何金海, 祁莉. 4种再分析资料在中国区域的适用性研究进展[J]. 气象与环境学报, 2011, 27(5): 58-65. |
| [34] |
程新宇杰, 高路. ECMWF再分析气温资料在天山山区的可信度检验[J]. 北京师范大学学报(自然科学版), 2018, 54(5): 635-644. |
| [35] |
田伟红, 万晓敏, 冯建碧. 探空温度观测与ERA-interim再分析资料的对比分析[J]. 热带气象学报, 2019, 35(1): 89-98. |