1901–2014年黃土高原1 km分辨率月均氣溫和月降水量數據集
1901–2014年黃土高原1 km分辨率月均氣溫和月降水量數據集 作者:稅軍峰 任婧宇 彭守璋 展小雲 2019年12月30日 |
![]() |
摘要&關鍵詞
[編輯]摘要:本數據集覆蓋了整個黃土高原地區,空間分辨率為1 km,時間跨度從1901年1月至2014年12月。它是由英國東英格利亞大學氣候研究中心(Climatic Research Unit,CRU)發布的全球0.5°氣候數據集以及國家生態系統觀測研究網絡(CNERN)發布的中國區高分辨率氣候數據集,通過Delta空間降尺度方法在黃土高原地區降尺度生成的。經地面觀測數據驗證表明,雙線性插值法是4種插值方法中最適合黃土高原地區降尺度過程,Delta降尺度的氣溫和降水數據具有較高的精度。本數據集可為黃土高原地區生態環境、水文水資源的科學研究提供氣候數據支撐。
關鍵詞:黃土高原;氣溫;降水量;Delta降尺度
Abstract & Keywords
[編輯]Abstract: With a spatial resolution of 1 km, this dataset covers a period from January 1901 to December 2014. It was produced by downscaling the global 0.5° climate dataset published by the Climate Research Unit (CRU) of the University of East Anglia and the China high-resolution climate dataset published by National Ecosystem Research Network of China (CNERN). Ground observation-based validation has showed that the bilinear interpolation approach is the most suitable method for the Delta downscaling process, and the results are reliable given the relatively high accuracy. The datasets will provide much-needed climate data for the sustainable management of water resources and hydro-ecological environment in the Loess Plateau.
Keywords: Loess Plateau; temperature; precipitation; Delta spatial downscaling
數據庫(集)基本信息簡介
[編輯]Dataset Profile
[編輯]Title | A dataset of 1 km-spatial-resolution monthly mean temperature and monthly precipitation in the Loess Plateau from 1901 to 2014 |
Data author | Peng Shouzhang, Ren Jingyu, Shui Junfeng |
Data corresponding author | Peng Shouzhang (szp@nwafu.edu.cn) |
Time period | 1901-2014 |
Geographical scope | Loess Plateau, 33°43′–41°16′ N, 100°54′–114°33′ E |
spatial resolution | 1 km |
Data volume | 9.67 GB |
Data format | NetCDF fromat |
Data service system | 1 Dataset collection: http://www.sciencedb.cn/dataSet/handle/771'2 Data subsets:'2.1 Datasets of monthly mean temperature: Dataset of 1 km-spatial-resolution monthly temperature in the Loess Plateau (1901–1910) (http://loess.geodata.cn/data/datadetails.html?dataguid=258812590912857&docid=11), Dataset of 1 km-spatial-resolution monthly temperature in the Loess Plateau (1911–1920) (http://loess.geodata.cn/data/datadetails.html?dataguid=122473149615286&docid=20), Dataset of 1 km-spatial-resolution monthly temperature in the Loess Plateau (1921–1930) (http://loess.geodata.cn/data/datadetails.html?dataguid=263210639601106&docid=12), Dataset of 1 km-spatial-resolution monthly temperature in the Loess Plateau (1931–1940) (http://loess.geodata.cn/data/datadetails.html?dataguid=107079988832034&docid=19), Dataset of 1 km-spatial-resolution monthly temperature in the Loess Plateau (1941–1950) (http://loess.geodata.cn/data/datadetails.html?dataguid=10322965929894&docid=18), Dataset of 1 km-spatial-resolution monthly temperature in the Loess Plateau (1951–1960) (http://loess.geodata.cn/data/datadetails.html?dataguid=133468268456821&docid=17), Dataset of 1 km-spatial-resolution monthly temperature in the Loess Plateau (1961–1970) (http://loess.geodata.cn/data/datadetails.html?dataguid=217031174594160&docId=16), Dataset of 1 km-spatial-resolution monthly temperature in the Loess Plateau (1971–1980) (http://loess.geodata.cn/data/datadetails.html?dataguid=223628243619544&docId=15), Dataset of 1 km-spatial-resolution monthly temperature in the Loess Plateau (1981–1990) (http://loess.geodata.cn/data/datadetails.html?dataguid=60900524128120&docid=14), Dataset of 1 km-spatial-resolution monthly temperature in the Loess Plateau (1991–2000) (http://loess.geodata.cn/data/datadetails.html?dataguid=168652664229563&docid=13), Dataset of 1 km-spatial-resolution monthly temperature in the Loess Plateau (2001–2014) (http://loess.geodata.cn/data/datadetails.html?dataguid=192841920706821&docid=21)2.2 Datasets of monthly precipitation: Dataset of 1 km-spatial-resolution monthly precipitation in the Loess Plateau (1901–1910) (http://loess.geodata.cn/data/datadetails.html?dataguid=25715695449135&docId=8) Dataset of 1 km-spatial-resolution monthly precipitation in the Loess Plateau (1911–1920) (http://loess.geodata.cn/data/datadetails.html?dataguid=197239524604282&docid=7) Dataset of 1 km-spatial-resolution monthly precipitation in the Loess Plateau (1921–1930) (http://loess.geodata.cn/data/datadetails.html?dataguid=199438548722013&docid=6) Dataset of 1 km-spatial-resolution monthly precipitation in the Loess Plateau (1931–1940) (http://loess.geodata.cn/data/datadetails.html?dataguid=162055153883534&docid=9) Dataset of 1 km-spatial-resolution monthly precipitation in the Loess Plateau (1941–1950) (http://loess.geodata.cn/data/datadetails.html?dataguid=199438549570654&docid=10) Dataset of 1 km-spatial-resolution monthly precipitation in the Loess Plateau (1951–1960) (http://loess.geodata.cn/data/datadetails.html?dataguid=223627805662546&docid=5) Dataset of 1 km-spatial-resolution monthly precipitation in the Loess Plateau (1961–1970) (http://loess.geodata.cn/data/datadetails.html?dataguid=201637573548856&docid=4) Dataset of 1 km-spatial-resolution monthly precipitation in the Loess Plateau (1971–1980) (http://loess.geodata.cn/data/datadetails.html?dataguid=245618038888186&docid=3) Dataset of 1 km-spatial-resolution monthly precipitation in the Loess Plateau (1981–1990) (http://loess.geodata.cn/data/datadetails.html?dataguid=225826829777352&docid=0) Dataset of 1 km-spatial-resolution monthly precipitation in the Loess Plateau (1991–2000) (http://loess.geodata.cn/data/datadetails.html?dataguid=247817062612442&docid=2) Dataset of 1 km-spatial-resolution monthly precipitation in the Loess Plateau (2001–2014) (http://loess.geodata.cn/data/datadetails.html?dataguid=120273714050935&docid=1) |
Sources of funding | National Science & Technology Infrastructure of China (2005DKA32300), Plan of Chinese Academy of Sciences (XXH13505-07) of the 13th Five-year Informatization, National Natural Science Foundation of China (41601058). |
Dataset composition | The dataset contains a total of 22 documents sorted out from 1901 to 2014. One document is composed of the data accumulated in 10 years. The dataset of monthly mean temperature and monthly precipitation consists of 11 documents respectively: from 1901 to 1910, from 1911 to 1920...from 2001 to 2014. |
引 言
[編輯]氣候變化已成為全球科學研究的熱點,顯著影響着人類的生存和發展。黃土高原地區(33°43′–41°16′N,100°54′–114°33′E)橫貫黃河中上游,年降水量從西北部的200 mm到東南部750 mm[1],年平均氣溫從西北部3.6 ℃到東南部14.3 ℃,被公認為對氣候變化敏感的半乾旱到半濕潤的過渡區[2]。作為世界上最大的黃土地區,黃土高原面積約為67.8萬平方公里,在生態環境和社會經濟等方面對中國的發展有着重要作用。在過去的幾十年間,針對黃土高原地區的氣候變化學界開展了諸多研究,這些研究均揭示了其年降水量減少、氣溫升高的趨勢[3][4][5]。
多個氣候研究組織先後發布了全球到次大陸尺度的多種長期氣候網格數據集,其具有時序長、氣候要素豐富等特點,但大多空間分辨率偏低,在描繪區域小尺度氣候信息時存在較大的偏差[6],阻礙了其在小地理尺度上的應用。例如英國東英格利亞大學氣候研究中心(Climatic Research Unit,CRU)[7]數據,其空間分辨率為0.5°,在小地理尺度上表達複雜地形、地表特徵及氣候系統中其他過程的能力有限[8]。因此,為了提高這些數據集在中小尺度地理研究中的應用能力,將其與地面高空間分辨率的參考氣候數據集(包含氣象站記錄(校準)和觀測記錄的地形效應)相結合以實現空間降尺度,一方面可以減少原始數據的不確定性,另一方面可以實現空間分辨率的提高[9][8]。
氣候數據空間降尺度方法主要有統計降尺度和動力降尺度兩類。與統計降尺度相比,動力降尺度需要大量參數和較多計算資源驅動[10],而且有時不能真實地反映小尺度上的氣候變化特徵[11][12],因此,統計降尺度往往應用更加廣泛。常用的統計降尺度法有Delta法和線性回歸法。線性回歸法是在歷史時期建立網格數據與站點觀測數據之間的線性關係,並將這種關係應用到未來時期的網格數據[13],以生成多種未來氣候數據集,但其一般仍應用在站點尺度。Delta法使用低空間分辨率的月氣候數據和高空間分辨率的參考氣候數據作為輸入數據,與直接插值不同,該方法可引入地形地貌對氣候的影響[9]。因此,使用Delta法對網格氣候數據進行降尺度可得到小地理尺度上精準的氣候數據。
本數據集採用CRU發布的全球0.5°氣候數據集和國家生態系統觀測研究網絡(CNERN)發布的中國區高分辨率氣候數據集,通過Delta空間降尺度方案在黃土高原地區降尺度生成,可應用於中小地理尺度的環境科學研究,為研究黃土高原地區生態環境、水文水資源提供氣候數據支撐。
1 數據採集和處理方法
[編輯]1.1 數據源
[編輯]Delta降尺度所需數據包括長時間序列、低空間分辨率的氣候數據集和高空間分辨率的參考氣候數據集(包含地形、地貌等因素)。前者來自英國東英吉利大學氣候研究中心提供的月氣溫和月降水量數據集(CRU TS3.23,https://crudata.uea.ac.uk/cru/data/hrg/);该数据集的空间覆盖范围是全球所有陆地(不含南极),空间分辨率为0.5°,时间长度是1901–2014年。后者来源于国家生态系统观测研究网络(CNERN,http://www.cnern.org.cn);该数据资料是利用全国740个气象站点数据,使用空间插值和地理信息系统生成的气象要素栅格数据;数据为1961–2000年各月的均值,空间分辨率是1 km。
同時本研究使用研究區內及周邊113個氣象站點觀測數據對降尺度後的氣候數據集進行評估、篩選。該站點數據來源於中國氣象數據網(http://data.cma.cn),时间跨度为1954–2014年,本研究从中选取连续性较好、缺测值较少的2001–2014年数据作为评价数据。
1.2 數據處理
[編輯]Delta法是統計降尺度法中的一種,其主要計算流程及公式如下[14][15][16]。
對降水進行降尺度:
(a)\(\mathrm{ }\frac{{X}_{m_n}}{\stackrel{-}{{X}_{a_n}}}={E}_{m_n}\) (b)\({E}_{m_n}\to {{E}^{\text{'}}}_{m_n}\) (c)\(\mathrm{ }{{E}^{\text{'}}}_{m_n}×\stackrel{-}{{Z}_{a_n}}={Y}_{m_n}\) (1)
對溫度進行降尺度:
(a)\(\mathrm{ }{X}_{m_n}-\stackrel{-}{{X}_{a_n}}={E}_{m_n}\) (b)\(\mathrm{ }{E}_{m_n}\to {{E}^{\text{'}}}_{m_n}\) (c)\(\mathrm{ }{{E}^{\text{'}}}_{m_n}+\stackrel{-}{{Z}_{a_n}}={Y}_{m_n}\) (2)
公式(1)、(2)中,\({X}_{m_n}\)為長時間序列低空間分辨率的氣候數據,\(\mathrm{ }{E}_{m_n}\)為低空間分辨率的殘差值,\({{E}^{\text{'}}}_{m_n}\)為高空間分辨率的殘差值,\(\stackrel{-}{{Z}_{a_n}}\)為長時間序列、高空間分辨率的參考氣候數據,\(\mathrm{ }{Y}_{m_n}\)為生成的降尺度數據;其中,m為年時間尺度序列值,n為月時間尺度序列值,a為選取的參考氣候年時間尺度序列值。本研究中,m常數取值為1901,1902,…,2014;n常數取值為1–12,a常數取值為1961–2000。
為了更直觀地說明Delta降尺度的計算流程,結合降水降尺度公式(1),以本研究2014年8月黃土高原降水的降尺度結果為例進行說明(圖1)。首先由圖1(a)數據(\({X}_{2014_8}\))除以圖1(b)數據(\(\stackrel{-}{{X}_{a_8}}\))得到圖1(c)中0.5 °分辨率的殘差值(\({E}_{2014_8}\));再利用插值法將此殘差值圖層內插到空間分辨率為1 km的網格上,得到圖1(d)中高空間分辨率的殘差值(即\({{E}^{\text{'}}}_{2014_8}\));最後,將圖1(d)中的殘差值(\({{E}^{\text{'}}}_{2014_8}\))乘以圖1(e)數據(\(\overline{{Z}_{a_8}}\)),即可得到圖1(f)中2014年8月1 km分辨率的降水降尺度結果(\({Y}_{2014_8}\))。
圖1 Delta降尺度法處理流程
2 數據樣本描述
[編輯]黃土高原1 km分辨率氣溫和降水數據集共包含1901–2014年,月均氣溫和月降水量數據集共包含22個數據文件,命名方式為:xxxyyyy-yyyy.nc,xxx為氣候類型,包括月降水量pre,月均氣溫tmp,yyyy-yyyy為數據起止年份。圖2為2001年1月和7月月均氣溫變化,圖3為2001年1月和7月月降水量變化。
圖片(a)
圖片(b)
圖2 2001年1月和7月月均氣溫變化(a)2001年1月;(b) 2001年7月
圖片(a)
圖片(b)
圖3 2001年1月和7月月降水量變化(a) 2001年1月;(b) 2001年7月
3 數據質量控制和評估
[編輯]為驗證Delta降尺度結果的可靠性,使用黃土高原地區內部及外部113個氣象觀測點2001年1月至2014年12月的觀測數據中的月均氣溫和月降水量來驗證CRU數據的縮減結果。
採用平均絕對誤差(MAE)來量化平均模型性能誤差,MAE是比均方根誤差(RMSE)更自然的平均誤差度量指標[17][18]。由於離差被絕對值化,不會出現正負相抵消的情況,因而MAE能更好地反映模擬值誤差的實際情況。精度估算公式為:
\(\mathrm{M}\mathrm{A}\mathrm{E}=\frac{1}{n}\sum _{i=1}^{n}|{P}_{i}-{O}_{i}|\) (3)
其中Pi 是降尺度或原始值,Oi 是觀測值,n是所有驗證站的記錄數。
在用Delta法進行降尺度的過程中,插值方法的使用會影響所獲得降尺度數據的精確性,本研究探討了雙三次插值法、雙線性插值法、最近鄰點插值法和三次樣條插值法等4種插值方法,並將降尺度結果與站點觀測數據進行比較,選出其中最適合黃土高原區域的插值法。
從表1中可以看出,雙線性插值法的MAE是4種插值方法中最小的,月均氣溫和月降水量分別為0.8 ℃和14.2 mm。因此,降尺度過程中使用雙線性插值法對月均氣溫和月降水量進行處理的結果相比其他3種方法具有更高的精度。
表1 4種插值法的降尺度結果比較
插值方法 | 雙三次插值法 | 雙線性插值法 | 最近鄰點插值法 | 三次樣條插值法 | ||||
月均氣溫(℃) | 月降水量(mm) | 月均氣溫(℃) | 月降水量(mm) | 月均氣溫(℃) | 月降水量(mm) | 月均氣溫(℃) | 月降水量(mm) | |
MAE | 0.8 | 14.3 | 0.8 | 14.2 | 0.8 | 14.3 | 0.8 | 14.3 |
採用回歸分析顯示,雙線性插值法的降尺度值與觀測值具有較好的線性關係,月降水量和月均氣溫的決定係數分別為0.72和0.99(圖4)。
圖4 降尺度值和觀測值回歸關係圖(a)月降水量;(b)月均氣溫
綜上所述,採用雙線性插值法進行Delta降尺度處理,以獲取研究區1901–2014年1 km空間分辨率的月均氣溫和月降水量數據集。並經觀測數據驗證表明,雙線性插值法是最適合黃土高原地區降尺度過程,Delta降尺度的月均氣溫和月降水量具有較高的精度,結果可信。
4 數據使用方法和建議
[編輯]本數據已於2018年在國家地球系統科學數據共享服務平台–黃土高原科學數據中心(http://loess.geodata.cn)發布並提供共享服務。在網站下載本數據解壓後可使用ArcMap或Matlab軟件打開、顯示、編輯、查看、統計分析等。為了便於存儲,數據均為int 16型存於NetCDF文件中,降水單位為0.1 mm,氣溫單位為0.1 ℃。
Matlab 2010版之後,發布了讀入與存儲nc文件的函數,讀取函數為ncread,切換到nc文件存儲文件夾,語句表達為:ncread (『XXX.nc』, 『var』, [i j t],[leni lenj lent])。其中,XXX.nc為文件名,為字符串類型;var是從XXX.nc中讀取的變量名,為字符串類型;i、j、t分別為讀取數據的起始行、列、時間,leni、lenj、lent分別為在行、列、時間維度上讀取的長度。研究區內任何地區、任何時間段均可用此函數讀取。
NetCDF格式數據可用高版本ArcMap(Multidimension Tools)讀取生成柵格數據或MATLAB直接讀寫。以1951–1960年逐月降水量數據為例,一共有120個圖層,如果用ArcMap打開,在Dimension選項value處選擇所需月份圖層,如圖5所示。
圖5 ArcMap讀取NetCDF數據示例
本數據集是通過降尺度方法獲取的獨立數據集,跟其他基於觀測數據插補的數據可能存在一定的差異,這種差異主要是由方法的不同所引起的。
致 謝
[編輯]感謝國家地球系統科學數據共享服務平台–黃土高原科學數據中心(http://loess.geodata.cn)提供數據和技術支撐。
參考文獻
[編輯]- ↑ Li Z, Zheng F l, Liu W Z, et al. Spatially downscaling GCMs outputs to project changes in extreme precipitation and temperature events on the Loess Plateau of China during the 21st Century[J]. Global and Planetary Change, 2012, 82: 65–73.
- ↑ Liu W, Sang T. Potential productivity of the Miscanthus energy crop in the Loess Plateau of China under climate change[J]. Environmental Research Letters, 2013, 8: 044003.
- ↑ Sun Q H, Miao C Y, Duan Q Y, et al. Temperature and precipitation changes over the Loess Plateau between 1961 and 2011, based on high-density gauge observations[J]. Global and Planetary Change, 2015, 132: 1–10.
- ↑ Wang Q X, Fan X H, Qin Z D, et al. Change trends of temperature and precipitation in the Loess Plateau region of China, 1961–2010[J]. Global and Planetary Change, 2012, 92: 138–147.
- ↑ Bi H X, Liu B, Jie W, et al. Effects of precipitation and landuse on runoff during the past 50 years in a typical watershed in Loess Plateau, China[J]. International Journal of Sediment Research, 2009, 24: 352–364.
- ↑ IPCC. In Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change[M]. Cambridge University Press: Cambridge, United Kingdom and New York, NY, USA: 1585.
- ↑ Harris I, Jones P D, Osborn T J, et al. Updated high-resolution grids of monthly climatic observations-the CRU TS3.10 dataset[J]. International Journal of Climatology, 2014, 34: 623–642.
- ^ 8.0 8.1 Xu J w, Gao Y h, Chen D l, et al. Evaluation of global climate models for downscaling applications centred over the Tibetan Plateau[J]. International Journal of Climatology, 2017, 37: 657–671.
- ^ 9.0 9.1 Mosier T M, Hill D F, Sharp K V. 30-Arcsecond monthly climate surfaces with global land coverage[J]. International Journal of Climatology, 2014, 34(7): 2175–2188.
- ↑ 陳麗娟, 李維京, 張培群, 等. 降尺度技術在月降水預報中的應用[J]. 應用氣象學報, 2003, 14(6): 648-655.
- ↑ XU J W, GAO Y H, CHEN D L, et al. Evaluation of global climate models for downscaling applications centred over the Tibetan Plateau[J]. International Journal of Climatology, 2016, 37(2): 657-671.
- ↑ DOSIO A, PANITZ H J, SCHUBERT-FRISIUS M, et al. Dynamical downscaling of CMIP5 global circulation models over CORDEX-Africa with COSMO-CLM: Evaluation over the present climate and analysis of the added value[J]. Climate Dynamics, 2014, 44(9/10): 2637-2661.
- ↑ TIMM O E, GIAMBELLUCA T W, DIAZ H F. Statistical downscaling of rainfall changes in Hawaii based on the CMIP5 global model projections[J]. Journal of Geophysical Research: Atmospheres, 2014, 120(1): 92-112.
- ↑ WOOD A W, MAURER E P, KUMAR A, et al. Long-range experimental hydrologic forecasting for the eastern United States[J]. Journal of Geophysical Research: Atmospheres, 2002, 107(D20): 4429.
- ↑ LIANG N, BRADLEY R S. Snow occurrence changes over the central and eastern United States under future warming scenarios[J]. Scientific Reports, 2015, 5: 17073.
- ↑ MAURER E P, WOOD A W, ADAM J C, et al. A long-term hydrologically based dataset of land surface fluxes and states for the conterminous United States[J]. Journal of Climate, 2002, 15(22): 3237-3251.
- ↑ Wang H J, Chen H P, Liu J P. Arctic sea ice decline intensified haze pollution in eastern China[J]. Atmospheric and Oceanic Science Letters, 2015, 8: 1–9.
- ↑ Willmott C J, Matsuura K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance[J]. Climate Research, 2005, 30: 79–82.
數據引用格式
[編輯]彭守璋, 任婧宇, 稅軍峰. 黃土高原1 km分辨率氣溫和降水數據集[DB/OL]. 黃土高原科學數據中心, 2018. http://loess.geodata.cn.彭守璋, 任婧宇, 稅軍峰. 1901–2014年黃土高原1 km分辨率月均溫和月降水數據集[DB/OL]. Science Data Bank, 2019. (2019-06-06). DOI: 10.11922/sciencedb.771.