气象观测站网是各类气象要素实测值的首要来源, 站网密度、布局问题都直接影响着基本观测资料的获取能力, 优化站网布局、获取有效观测资料是提高天气预报水平、深入气候与气候变化分析的重要基础。作为台站观测的基本要求之一, 台站的代表性问题成为影响站网布局的重要因素。台站代表性是指台站观测的气象要素应能代表一定区域内平均天气气候状况, 而由于各气象要素时空分布的不均匀、不一致性, 不同气象要素在不同站点所能代表的区域范围存在较大差异。准确描述观测站网中每个站点的代表性区域是定量评估站网整体监测能力、设计高效益站网布局的基础依据。

作为一项基础性工作, 台站代表性分析至关重要, 国外学者 (Ballester and Moré, 2007; Peterson et al, 1997) 对代表性分析已有一定的研究。一方面有学者通过代表性研究对整体站网的布局质量进行评估, 并对优化站网布局提供基础, 例如Ballester and Moré(2007)在利用概率统计的方法验证降水预报问题时发现站网分布质量对预报结果具有重要影响, 而站网质量受到站点数目及站点空间分布的影响, Peterson et al (1997)利用确定站点间最小距离R为搜索半径以及根据对站点排名确定了全球气候观测系统 (GCOS) 的陆地表面站网 (GSN), 为确定基准气候站 (RCSs) 提供便利。另一方面有学者确定影响台站代表性的因素, 利用不同算法来评估不同区域代表性, Jacobs (1989)选取温度、降水、雪深等气象要素, 通过比较站点之间的相关性将其作为衡量站点空间代表性的一个指标, 评价台站数据的代表性, Milewska and Hogg (2001)根据季节性条件差异将加拿大以60°N为界分为南北两部分, 利用空间相关函数计算不同插值方法下不同时间尺度降水的插值误差, 进一步确定加拿大的南北两侧站网空间代表性, Raddatz (1987)也利用指数相关函数和变异系数分析一个相对稠密的中尺度站网下温尼伯单站降水的代表性, 发现单站月平均降水的代表性比日平均降水代表性好。而中国相关的研究分析工作开展较少, 王园园等 (2011)利用解释方差这一统计量作为度量衡量了我国142个基准气候站的环境代表性, 同时还评估基准气候站所属气候区的代表性, 发现气候特征复杂的西南地区和新疆部分地区代表性较差。与研究台站代表性问题相似, 有学者利用气象要素的相关性来进行加密观测站点的选取及布局分析 (彭骏和马振峰, 2004; Vose and Menne, 2004; 段旭等, 2013), 同时段玮等 (2015)还从水汽输送的角度出发讨论了高原东南侧探空站的布局情况。

台站的代表性在不同地区有所不同, 中国西南地区, 特别是高原地区的地形条件复杂, 该地区的台站代表性具有其特殊性。大量科学研究关注高原地区的天气气候, 梁潇云等 (2005)指出青藏高原及附近地区是引发各类天气系统的主要地区, 这些系统的发生发展及移动对当地及其下游地区的天气存在重要影响 (叶笃正和高由禧, 1979; 赵勇和钱永普, 2007; 朱玉祥等, 2007; 赵玉春和王叶红, 2010; Wang et al, 2011; 黄荣辉等, 2012; 施晓晖等, 2015; 王颖等, 2015), 青藏高原与周边多尺度圈层的相互作用对亚洲季风的形成与维持也存在明显影响 (Ueda and Yasunari, 1998; Wu and Zhang, 1998; Hsu and Liu, 2003; Wu and Qian, 2003; 巩远发等, 2004; 洪芳玲等, 2012; Chen et al, 2013; 刘晓东, 2013)。作为我国天气系统的关键区, 青藏高原的气象观测资料对我国天气预报与理论研究具有举足轻重的作用, 如果该地区观测资料充足且它能很好代表整个高原地区, 这将会大幅提高天气预报水平。然而, 该地区地形条件复杂、观测环境与条件恶劣, 观测基础薄弱; 同时高原气象观测站点稀疏, 一些地区的站网监测能力非常弱, 甚至存在大范围台站观测不到的空白区域, 严重阻碍对该地区气象状况的深入认识。因此, 以研究该地区的台站代表性作为基础, 通过对每个站点所能监测的降水范围 (即台站代表性区域) 进行统计分析来进一步考察该区域站网监测能力, 可深入认识当前站网布局, 为今后优化站网布局方案、获得更具有代表性的观测资料提供可能, 从而提高高原天气气候研究的水平。

本文首先以位于青藏高原东南延伸区的大理国家气候观象台为例考察单站的降水年际变率的区域代表性, 在此基础上对整个西南地区观测站网的监测能力进行研究。鉴于文中研究台站的代表性及站网的监测能力都是基于降水的年际变率开展的, 因而文章最后利用卫星资料研究西南地区的降水变率的空间差异, 结合站网的监测能力进行分析以期为优化站网布局提供参考。

本文采用中国气象局国家气象信息中心整理发布的中国国家级地面气象站基本气象要素日值数据集V3.0。该数据集经过气候界限值或允许值检查; 台站极值检查; 定时值、日平均值与日极值间内部一致性检查; 时间一致性、空间一致性检查; 人工核查与更正等步骤的质量控制, 使得数据质量良好, 数据能够较好展现天气气候系统分布, 同时质控过程并未根据地形等因素对数据进行订正处理, 因而该数据集能够较好反映台站的代表性问题。文中选取该数据集1961-2007年的逐日降水数据。图 1为本文所研究的西南地区 (21.25°N-41.5°N, 74°E-108°E) 地形及438个台站的分布情况。

图 1(Figure 1)

图 1 中国西南地区的地形及438个气象台站分布彩色区表示海拔 (单位: m), 黑点为站点位置, 矩形框为研究区域 Figure 1 The topography and the distribution of 438 rain gauge stations over southwestern China.The color shading denotes surface elevation (unit: m), the locations of rain gauge stations are marked by black dots and the rectangle marks the region of research

除此之外, 本文还选取另外两套数据:

(1) 日本APHRODITE (Asian Precipitation-Highly Resolved Observational Data Integration Towards Evaluation of Water Resources) 计划建立的一套高分辨率的逐日亚洲陆地降水数据集 (简称APHRO)(Yatagai et al, 2009)。APHRO资料在中国地区主要采用的是中国气象局提供的台站资料, 以及世界气象组织整编的GTS数据 (Yatagai et al, 2012)。该数据集利用优化的反距离加权法插值产生, 权重函数的计算不仅考虑了水平距离, 还考虑了海拔、山脉坡度等地形要素及气候要素的影响 (Yatagai et al, 2009)。APHRO资料是目前唯一覆盖整个亚洲地区的高分辨率长时间序列的陆地降水格点资料, 韩振宇和周天军 (2012)对其在中国大陆地区的适用性做了研究。本文利用的是亚洲季风区APHRO_MA_V1101R2数据集, 空间分辨率为0.25°×0.25°, 空间范围为60.0°E-150.0°E, 15.0°S-55.0°N, 时间范围为1961-2007年 (Yatagai et al, 2012)。

(2) CMORPH (CPC Morphing Technique) 降水资料是由NOAA (National Oceanic and Atmospheric Administration) 提供的卫星综合降水资料。CMORPH降水数据融合多种低轨道卫星传感器的微波观测估计, 最终通过插值处理得到。数据空间范围为180°W-180°E, 60°N-60°S, 时间范围为1998-2013年 (Joyce et al, 2004; 江志红和唐振飞, 2011)。选取空间分辨率为0.25°×0.25°的逐日降水资料。

大理国家气候观象台位于青藏高原东南延伸区。从地理位置来看, 该站点距西南孟加拉湾不足1000 km、东南距南海也仅1000 km左右, 属于南亚季风和东亚季风的交汇区, 同时受到西北青藏高原大地形的显著影响, 天气气候复杂多变 (秦剑等, 1997; 董谢琼和段旭, 1998)。从局地环境来看, 大理国家气候观象台位于横断山脉中段, 周边多高山谷地, 观测场西部9 km左右为海拔4122 km的点苍山, 以东8 km左右为南北长42 km, 东西宽4~9 km, 占地252.91 km²的高原湖泊洱海, 复杂的局地地形地貌使得大理站周边气象要素极不均匀。综上所述, 大理站是复杂地形区的一个典型性站点, 同时其周边台站分布较密, 更有利于分析其代表性区域, 所以选取大理国家气候观象台作为单站研究对象。

图 2给出大理站与其周边156个站点1980-2007年的年平均降水相关分布情况, 用来表示大理站年平均降水的代表性区域。这些站中在28年间超过10年没有观测记录的站点仅两个, 因而可以利用相关分析进行代表性区域的研究。从大理站与周边站点年平均降水相关系数分布来看, 相关系数以大理站为中心呈现高值分布, 整个周边地区相关系数都较高。紧邻大理站, 西侧相关系数的梯度比东侧大, 且其西侧有一小范围低值区, 相关系数0.5左右。低值区西侧的相关又有所增加, 东侧相关分布较西侧均匀。图中最小相关出现在横断山脉西侧, 最小值达到-0.22。研究区域中, 除去与自身站的相关, 通过99%显著性检验的站点有21个, 其中通过99.5%的有9个站, 相关系数最大值为0.734(28年平均降水相关系数99%、99.5%的显著性检验临界值分别是0.471、0.507)。

图 2(Figure 2)

图 2 1980-2007年大理站与周边站点年平均降水的相关系数分布 ×表示大理站, 黑圈、黑点分别表示与大理站相关通过99%、99.5%显著性检验的站点 Figure 2 The spatial distribution of correlation coefficients of the annual mean precipitation amounts between Dali and other stations around it during 1980-2007.The cross is the location of Dali station, and the black circles (dots) denote the stations with correlation coefficient exceeding 99% (99.5%) confidence level

西南地区降水由于在不同季节有不同的影响系统, 降水性质也有不同, 因而降水具有显著的季节变化。基于这种情况, 为了能更清楚地了解大理站与周边地区降水年际变化的相关性是否具有季节变化, 本文以大理站为中心, 取150 km作为搜索半径, 计算搜索半径内逐月降水的区域平均值, 最终得到大理站与周边地区降水年际变化相关系数的季节变化情况。如图 3蓝线所示, 5月的相关系数达到一个极大值0.968, 随后相关开始减小, 于7月达到最小值0.706, 又在11月时增加至最大值0.969。此处取150 km作为搜索半径可以保证半径内站点属于同一气候区而且保留了较多的站点, 另外扩大 (缩小) 搜索半径至200 km (100 km) 时, 所得到的大理站降水年际变化相关系数的季节演变与150 km半径得到的结果类似, 在5月及11月出现高值而7、8月达到最小值 (图略)。整体而言, 一定范围内大理站降水年际变化相关系数有明显的季节差异, 春秋季较好而夏季相关弱, 西南地区的降水主要集中在夏季, 而夏季的相关较低可能与该季节内降水系统的复杂性有关。

图 3(Figure 3)

图 3 1980-2007年大理站与150 km区域内站点平均、APHRO格点平均下降水相关系数的季节变化 Figure 3 The seasonal variations of the correlation coefficients of precipitation amounts between Dali and stations mean, grids mean of APHRO within 150 kilometers during 1980-2007

从图 3中看出大理站与周边站点平均的相关系数随季节变化存在很大差异, 因而进一步给出四个季节大理站与周边站点相关分布的空间型态 (图 4)。春季站点相关分布 (图 4a) 以大理站为中心, 相关系数在周边地区都较高且分布均匀。大理站南侧相关系数均>0.4, 呈现高值分布; 大理站北侧相关分布存在明显差异。相关系数以大理站向西北方向迅速减小, 梯度大, 在横断山脉西侧出现相关系数低值区; 大理站向东北方向的相关系数梯度较小。相关系数超过99%显著性水平的站点达到53个, 其中有35个站点超过99.9%的显著性水平, 结合图 3可知, 大理站与周边站点春季相关较好, 代表性区域大。大理站夏季降水与周边地区降水的年际变化相关性较差, 代表区域减小, 相关系数高值区整体呈现为带状分布, 在大理站西侧大约0.2个经度处存在一小范围相关低值区, 相关系数低至0.31, 横断山脉西侧的低值区范围增大, 相关系数降低。相关超过99%显著性水平的站点为22个, 其中仅4个站点达到99.9%的显著性水平, 最高相关也仅为0.712, 大理站东侧超过显著性的站点多于西侧。秋季大理站降水与周边站点降水的年际变化相关性区域较夏季又显著增大, 最大相关系数增至0.855。大理站四周相关分布均匀, 西侧小范围低值区相关性较夏季有所增加。相关系数超过99%显著性水平的站点有27个, 站点较春季位置偏北, 云南南部开始出现相关系数的低值区, 且横断山脉西侧相关系数低值区减弱至消失。冬季整体呈现为均匀的东西向高值分布, 仅在紧邻大理站东北侧出现一小范围低值区, 相关系数0.5左右。超过99.9%显著性水平的站点有16个, 与秋季超过显著性水平的15个站点数量相当, 但分布形态存在较大差别, 站点分布较秋季集中。结合四季的相关分布情况发现, 大理站降水年际变化代表性区域有明显的季节变化, 其高值 (>0.9) 区域均存在明显的南北向带状分布。

图 4(Figure 4)

图 4 1980-2007年大理站与周边站点四季降水相关系数分布 (a) 春季, (b) 夏季, (c) 秋季, (d) 冬季×表示大理站, 黑圈、黑点分别表示与大理站相关超过99%、99.5%显著性水平的站点 Figure 4 The spatial distribution of correlation coefficients of seasonal mean precipitation amounts between Dali and other stations around it during 1980-2007.(a) spring, (b) summer, (c) autumn, (d) winter.The cross is the location of Dali station, and the black circles (dots) denote the stations with correlation coefficient exceeding 99% (99.5%) confidence level

从图 4看出大理站与其周边站点的相关系数在不同季节有所不同, 因此针对每个站点挑选四季中的最小相关系数得到大理站的综合代表性区域 (图 5a), 从图中可以看出大理站的代表性区域以其为中心, 相关系数>0.7的网格数达到13个 (0.2°×0.2°), 大致为5000 km²的南-北向带状区域。大理站西侧相关系数梯度大于东侧, 临近大理站西侧的漾濞站处, 存在一个相关系数低于0.5的低值区。根据图 5b给出的大理站及其西侧漾濞站的位置与地形分布情况可以看出, 大理站东侧是高原湖泊洱海, 西侧是海拔4000 m以上的点苍山, 而漾濞站则位于南北走向的点苍山的西侧。从综合代表性区域图中可以了解到大理站与漾濞站的降水年际变率有显著的不同, 认为大理站的降水受到局地地形的影响使得年际变率与漾濞站存在较大差异。

图 5(Figure 5)

图 5 大理站与周边站点四季最小相关系数 (a) 及海拔情况 (b, 单位: m) 分布 ×表示大理站, 黑点表示漾濞站, 蓝色阴影表示洱海, 图a矩形标示图b所画区域 Figure 5 The spatial distribution of the lowest correlation coefficient in four seasons (a) and the surface elevation (b, unit: m) of Dali and surrounding regions.The cross is the location of Dali, the black dot shows Yangbi station, the blue shading represents Erhai and the rectangle marked in Fig. 5a shows the region of Fig. 5b

而对于不同地区, 不同台站而言, 降水的代表性区域也有所不同, 在此将首先利用一套高分辨率的格点降水数据作为背景场, 针对我国西南复杂地形区的每个台站与该区域所有格点做相关进行代表性区域分析, 并进一步统计对于每个背景场格点而图言, 能被多少个站点代表, 将可代表该格点的站点数定义为该格点的台站覆盖度, 台站覆盖度高的地区站网的监测能力较好, 而覆盖度低的地区则站网监测能力较差。也就是利用台站覆盖度可以对站网监测能力进行定量研究。APHRO资料作为一套高分辨率时间序列长的格点降水数据, 弥补了我国西部台站稀疏而无法直接判断站网监测能力的问题, 其质量得到了验证且已被广泛应用 (范彬彬等, 2013; 王婉昭等, 2013; 吴佳和高学杰, 2013)。图 3中红线是以大理站为中心, 其150 km内所有APHRO格点平均的降水年际变化与大理站降水年际变化相关系数的季节演变, 对比图 3红蓝线可以看出APHRO资料与台站资料在夏季存在一定的差异但整体而言具有很好的一致性, 因而在讨论台站覆盖度时选取APHRO资料作为背景场进行研究。

由于我国西南地区的降水主要集中在暖季, 图 6给出基于APHRO资料1961-2007年5-10月降水的台站覆盖度分布情况。为了减小边界误差, 在计算时将研究区域向外扩大5个经纬度, 计算16.25°N-46.5°N, 69°E-113°E区域内742个站点每个站点相关>0.7的核心代表区域 (挑选与本站相关系数高于0.7的所有区域, 将该站点所在的连图续区域设为主要区, 将其他与主要区外围距离超过50 km的相关系数高于0.7的区域剔除, 即认为相关系数满足条件但是与主要区的不连续性超过50 km的区域不属于核心代表区域), 进一步统计每一个APHRO格点可以被多少个站点所代表, 最终得到了西南地区的台站覆盖度分布情况。通过统计分析得到, 数据在研究时段内较为完整, 742个台站中在研究时段内缺测的日数超过825天的站点仅有10个。从图中可以看出32°N-36°N, 105°E-108°E是台站覆盖的高值区, 覆盖能力可达40个站点以上, 即站网在该区域监测能力较好。在高原北侧新疆盆地地区覆盖度相较其周边地区呈现高值, 青藏高原的东南侧及其延伸区覆盖度可达10个站点以上, 高原主体西侧的覆盖能力最多达2个站点。覆盖度为零的格点达到1168个, 占我国西南地区总格点的15.90%, 这种台站监测的空白区主要分布在高原主体的北部及西南部。结合图 1的地形分布情况发现, 在台站绝对密度高及地形平坦的地区, 覆盖度较高, 该地区站网监测能力较好; 对于地形条件复杂、台站绝对密度低的地区, 覆盖度较低, 有些地区甚至成为观测的空白区。

图 6(Figure 6)

图 6 基于APHRO资料1961-2007年5-10月降水的台站监测覆盖度 黑点为站点位置, 填色为每一个APHRO格点被周围多少个站点代表 Figure 6 The coverage of station monitoring of precipitation based on APHRO data from May to October during 1961-2007. The black dots denote the location of stations, and the color shading denotes the number of representative stations for each APHRO grid

基于台站覆盖度的研究发现站网观测存在的问题, 针对该问题, 考虑到降水变率是影响台站代表性的重要因子, 对降水变率的空间差异进行研究, 意在为优化当前站网提供一种参考。由于高原腹地及中西部地区的气象观测站的稀疏, 卫星观测成为一种获取高密度空间资料的必要手段。CMORPH多卫星综合反演降水资料没有经过与台站降水订正处理, 对于不同地区而言资料具有公平性, 因而本文选取CMORPH降水资料对西南地区降水年际变率的空间差异进行研究。

图 7a给出我国西南地区降水变率的空间差异。CMORPH资料5-10月降水在1998-2013年间均无缺测年份, 因而可以用作分析。它是利用之前方法得到CMORPH资料在1998-2013年5-10月的代表性区域, 鉴于CMORPH资料时间较短, 计算相关系数时自由度较小, 因而对相关系数>0.8的核心代表性区域进行统计, 得到每个格点可以被周围多少个格点所代表而形成的, 该格点可以被周围格点代表的多, 则表明该格点降水与周边降水空间差异小, 反之, 则空间差异大。从图中可以看出, 降水变率空间差异相对较小的区域主要分布在盆地地区, 高原东部地区, 高原河谷地区及高原东南延伸区, 这些地区可以被周边100以上的格点代表。而在高原主体的西侧, 北侧与新疆盆地的过渡地区及横断山脉东侧与四川盆地过渡地区的降水变率的空间差异大, 仅能被5个左右的格点代表。影响降水变率的空间差异的因素很多, 除了降水系统自身的尺度外, 地形也是影响这种空间差异的一个关键因素。图 7b给出该地区的地形起伏情况, 是通过计算每个格点8 km半径内地形最大最小值的差作为地形的起伏程度得到的。从图中可以看出, 新疆盆地、横断山脉东侧的四川盆地的地形起伏都较小, 起伏程度在100~200 m左右, 与之对应的降水变率空间差异也较小。对于新疆盆地与高原之间的过渡区、横断山脉地区的地形起伏达到了2200 m以上, 地形条件复杂, 而这些地区的降水空间差异又较大。这种对应关系在有些地区并不是非常好, 可能也与影响降水变率的其他因素有关。结合降水变率的空间差异及台站的覆盖度问题可以知道在台站空白区且降水变率空间差异大的地区 (如高原主体北侧35°N-37.5°N, 87°E-90°E、高原主体西南侧30.5°N-31.5°N, 84°E-86°E等) 有必要设立观测站点。

图 7(Figure 7)

图 7 1998-2013年5-10月西南地区降水变率空间差异（a）及该地区对应地形起伏（b, 单位; m）分布 图 7a中填色为每一个CMORPH格点被周围多少个格点代表 Figure 7 The distribution of spatial differences of precipitation variability over southwestern China from May to October during 1998-2013 (a) and the topographic relief over this region (b, unit: m).The color shading in Fig. 7a denotes the number of representative grids for each CMORPH grid

综合之前的分析可知, 在高原上存在台站监测的空白区域及一些监测能力较差的区域 (仅1个站点覆盖), 针对当前站网, 图 8用红斜线标示出其中降水变率差异较大 (被10个以下的格点代表) 的空白区域, 建议在这些降水复杂的观测空白区建立新的站点。另外, 对于降水同样复杂的低覆盖区域 (图 8紫点), 建议加密观测。上述结果是基于国家级地面气象站的观测资料给出的, 在实际应用中, 应该充分利用区域自动站的观测结果, 同时这些结果仅是基于降水年际变率的相关给出的一些建议, 对于应用于实际站点的架设问题中时, 需要考虑其他变量 (如温度、气压等)、其他尺度变率 (如季节变率) 等多方因素。

图 8(Figure 8)

图 8 同图 6红斜线标示降水变率差异大的空白区域、紫点标示降水变率差异大的低覆盖区 Figure 8 The same as Fig. 6.The red diagonal lines denote the region of no station monitoring with large difference of precipitation variability and the purple dots denote the region of low coverage with large difference of precipitation variability

通过对单站降水代表性分析、台站覆盖度及降水变率空间差异进行分析, 本文主要结论列举如下:

(1) 大理站处于局地复杂地形区, 它的代表性区域主要集中在以其为中心南-北走向的带状区域, 面积大致5000 km²。该站降水变率与其东西两侧有所差别且西侧差异较大, 这种降水变率的差异主要来源于局地山脉、水体等因素的影响。

(2) 基于APHRO资料给出的我国西南复杂地形区降水的站网覆盖度在青藏高原东部为高值, 站网监测能力较好, 而青藏高原主体覆盖度为低值, 台站覆盖度为零的地区占我国西南地区的15.90%, 主要分布在主体北部及西部, 是监测的空白区。

(3) 降水变率的空间差异是影响台站代表性的因素之一, 降水在盆地和高原河谷地区空间差异小而在高原北部及南侧的复杂地形区的空间差异较大, 针对降水变率空间差异大的监测空白区可适当建立更多的站点。

由于高原地区可用资料较少, 文中所研究的时间序列较短。受限于资料自身的问题, 本文研究的代表性区域是基于年际变化的代表性区域, 但是研究不同时间尺度变率下的代表性区域应该会有所差异。随着高原地区可用资料的丰富, 我们可以进一步关注降水季节变化, 日变化等更小尺度的代表性问题, 同时, 需要注意的是这种变率的代表性区域与气候态代表性区域也有所不同。本文仅选取降水这一要素进行研究, 但对于不同气象要素, 台站的代表性区域有所不同。研究站点代表性及台站覆盖度问题, 在今后工作中对观测资料的使用有参考意义。一方面, 在分析站点布局, 特别是区域站时, 要综合考虑不同气象要素, 不同类别地形, 不同时间尺度变率带来的影响, 得到合适的代表性区域; 另一方面, 将站点的代表性因素考虑进气象资料分析, 例如进行区域平均研究时给区域内站点不同权重, 或者将代表性因素用于气象数据插值处理中, 会使研究更加合理精确。对降水变率的空间差异进行研究对以后站网设计及优化具有较好的指示作用。