文章快速检索     高级检索
  高原气象  2018, Vol. 37 Issue (2): 382-393  DOI: 10.7522/j.issn.1000-0534.2017.00037
0

引用本文 [复制中英文]

除多, 边巴次仁, 扎珠, 等. 2018. SR-50A超声雪深仪在西藏高原的适用性研究[J]. 高原气象, 37(2): 382-393. DOI: 10.7522/j.issn.1000-0534.2017.00037
[复制中文]
Chu Duo, Bianba Ciren, Zha Zhu, et al. 2018. Applicability Study of SR-50A Ultrasonic Snow Depth Sensor for Snow Measurement in Tibetan Plateau[J]. Plateau Meteorology, 37(2): 382-393. DOI: 10.7522/j.issn.1000-0534.2017.00037.
[复制英文]

资助项目

公益性行业(气象)科研专项(GYHY201206040,GYHY201306054);国家自然科学基金项目(41561017)

作者简介

除多(1969—), 男, 西藏白朗县人, 正研级高工, 主要从事高原卫星遥感应用研究.E-mail:chu_d22@hotmail.com

文章历史

收稿日期: 2017-01-04
定稿日期: 2017-05-16
SR-50A超声雪深仪在西藏高原的适用性研究
除多1,2, 边巴次仁1,2, 扎珠1,2, 德吉央宗1,2     
1. 西藏高原大气环境科学研究所, 西藏 拉萨 850000;
2. 西藏自治区气象局, 西藏 拉萨 850000
摘要: 为满足应急气象服务需求,2013-2014年在西藏自治区强降雪和雪灾易发及重点积雪区域气象站安装了4套SR-50A超声波雪深观测系统,首次实现了西藏高原雪深自动观测和数据实时传输。利用12:30加密和08:00(北京时)常规人工雪深观测数据对4个站SR-50A雪深观测数据进行了评估和对比分析。结果表明:(1)SR-50A与人工观测的平均雪深偏差范围在±2 cm之内。雪深越大,平均均方根误差越小,观测精度越高。SR-50A传感器更为适合雪深较大地区的积雪监测。(2)SR-50A对西藏高原的雪深具有较好的监测能力,与人工观测雪深具有较好的一致性,4个观测点的线性相关系数在0.81~0.97,呈现极为显著的线性关系。(3)大风、局地太阳光照条件、气温和地表特征等因素通过风吹雪和融雪引起观测场内积雪分布不均匀,加之仪器是固定点观测,人工观测是观测场内3个点的雪深平均值,这些是SR-50A与人工观测雪深差异较大的主要原因。
关键词: 西藏高原    积雪深度    SR-50A    人工观测    对比分析    
1 引言

降雪量的大小对工农业生产、公路、铁路及航空运输都有重大的影响, 尤其是强降雪和暴雪还会形成雪灾, 对国家和人民的生命财产都会造成重大损失。因此, 及时了解各地的降雪情况, 就成为政府部门指导抗灾自救的一项重要工作。雪深是表征降雪量和积雪特征的重要参数, 目前主要采用人工观测方法。由于人工观测不仅费时、费力, 观测数据实时性较差, 无法实现对降雪过程和积雪的实时观测和数据的实时传输, 难以适应应急气象服务的需求。

提升自动化水平, 实现各种气象要素的自动化观测, 增强综合观测能力是中国气象局发布的《综合气象观测系统发展规划(2014—2020年)》的重要任务之一。通过多年的雪深自动化观测方法研究已开发了多种自动化观测仪器, 其中超声波法是非接触式测量, 具有测量精度高、稳定性好、价格便宜和安装维护简便等特点, 被广泛应用于雪深的观测。

国际上, 早在20世纪80年代开始研制超声雪深传感器(Goodison et al, 1984), 90年代已应用于美国积雪自动观测网络(SNOTEL)之中(Lea et al, 1998)。Ryan et al (2008)与美国国家天气局(National Weather Service)合作, 通过在美国9个观测地点布设Campbell SR-50和Judd两种超声雪深观测仪器, 结合同步的人工观测评估了两种超声雪深传感器在美国积雪观测中的应用情况。结果表明, 超声传感器观测的雪深较人工观测值平均偏小±1 cm之间, 超声传感器趋于低估传统人工观测的总雪深在2 cm左右, 这主要是由于大风和吹雪等因素引起的雪面不平整造成的。Campbell SR-50比Judd传感器观测的降雪更为精确。超声传感技术对及时获取积雪信息具有良好的应用前景(Ryan et al, 2008)。Brazenec (2005)研究发现, 超声传感器与人工雪深观测具有非常好的相关性, 但两者之间也会产生差异, 尤其是在大风期间。研究表明, 由于吹雪和不平整的雪面导致的雪深差异较为普遍, 影响超声传感器的因素包括雪晶类型、风速、吹雪、雪面不平整、极端低温以及强降雪等。

在国内, 梁延伟等(2012)在佳木斯国家基准气候观测站对人工与超声波传感器测量的雪深数据进行了对比, 并分析了高风速和低温度两种不同天气条件下获得的数据差值变化情况, 结果表明:通过温度补偿方法对雪深进行订正可以提高超声波传感器的测量精度, 两者的差值较小, 且观测资料有较好的可比性; 高风速时, 风速会影响超声波脉冲, 使其偏离传感器的下方, 同时超声波的速度也会受到影响, 从而影响测量结果, 进而两者的差值较大。中国气象局于2010年冬季组织在黑龙江省通河县进行了人工与国产SXH1-1型超声自动测雪仪比对试验, 两者一致性较好, SXH1-1仪器工作稳定可靠, 具有良好的应用和推广前景(王道远等, 2012)。肖瑶等(2013)介绍了超声雪深传感器SR-50在青藏高原唐古拉地区开展的积雪监测, 结果表明SR-50对不同时间尺度的地表积雪过程均有较好的监测能力, 能够获取不同时间尺度地表积雪过程, 实时监测雪深变化, 监测发现该地区地表积雪深度具有夜间相对稳定, 日间迅速融化的特点。姚君等(2015)研究表明, 自动雪深探测仪测距准确, 可以使观测结果客观化、连续化, 减少台站观测人员的工作量, 提高观测质量和观测效率, 但是由于单点观测, 在高寒地区吹雪、融雪等现象造成观测场地雪深高低不均, 与人工观测产生较大差异。

青藏高原积雪不仅是高原及其周边地区重要的水资源(Qin et al, 2006; Yao et al, 2012; Immerzeel et al, 2009; Chu et al, 2014; 周扬等, 2017), 对区域到全球的气候变化具有重要影响(周利敏等, 2016; 徐小玉等, 2016; 郭建平等, 2016; 唐红玉, 2014; 林志强, 2016)。同时, 强降雪和长期积雪导致的雪灾是西藏主要的气象灾害(李吉均等, 1986; 何丽烨等, 2011; 黄鑫等, 2017)。雪深是表征降雪量和积雪特征的重要参数之一, 到目前为止西藏气象站雪深观测方法还是传统的人工观测, 难以适应应急气象服务的需求。为此, 2013—2014年在西藏高原雪灾易发区域气象站安装了4套Campbell SR-50A超声自动雪深观测仪器。

在简要介绍仪器观测原理、安装和运行情况的基础上, 结合同期气象站人工雪深观测结果, 对SR-50A雪深精度进行了评估和对比分析, 旨在为今后的西藏自动雪深观测的业务化运行提供重要参考和借鉴意义。

2 资料与方法 2.1 雪深观测 2.1.1 超声雪深仪工作原理

SR-50A超声雪深探头是Campbell公司在SR-50基础上新研发的利用50 kHz超声波进行测距的传感器, 通过测量超声波脉冲发射和返回的时间差来测量雪深变化。SR-50A传感器架设于距地面1.5 m高度, 探头视角为30°, 探测精度为±1.0 cm或±0.4%, 可在-45~50 ℃环境中工作, 能适应冬季严寒和各种暴雪天气条件, 可连续、自动、准确的监测雪面变化过程(Campbell Scientific, Inc.2007)。

由于超声波受周围环境温度影响较大, 为此各站配备了一个Campbell公司107型空气温度传感器来进行温度修正, 以降低环境温度对声波速度产生的影响, 保证雪深观测精度。环境温度对超声波传播速度影响修正计算公式为:

$ V=331.4{{\left[ \left({{T}_{a}}+273.15 \right)/273.15 \right]}^{~\frac{1}{2}}}, $ (1)

式中: V为超声波在空气中的传播速度; Ta为环境摄氏温度。

SR-50A雪深测量公式如下:

$ SD=H-D, $ (2)
$ D={{D}_{R}}{{\left[ \left({{T}_{a}}+273.15 \right)/273.15 \right]}^{~\frac{1}{2}~}}, $ (3)

式中: SD为实际积雪深度; H为雪深传感器距离地面的初始距离; D为经环境温度修正后雪深传感器到雪面的距离; DR为雪深传感器到雪面的瞬时距离; Ta为107型传感器测得的环境摄氏温度。

2.1.2 仪器安装与雪深观测

根据西藏高原强降雪和历年雪灾发生、发展和持续时间以及积雪时空分布特点, 紧密结合雪深观测业务和应急气象服务需求, 2013年9月至2014年11月西藏雪灾易发和重点积雪区域安装了4套SR-50A雪深观测系统(表 1), 首次实现了西藏高原每半小时1次的雪深自动观测和数据实时传输。

表 1 西藏高原SR-50A超声雪深观测系统 Table 1 SR-50A ultrasonic snow depth observing systems in Tibetan plateau
2.1.3 人工雪深观测

地面观测数据采用了气象站每天08:00(北京时, 下同)观测的雪深数据。根据《地面气象观测规范》, 气象站在符合观测雪深的日子, 每天08:00观测雪深, 每次观测须作三次测量, 并求其平均值(中国气象局, 2003)。此外, 2013年9月至2015年6月在错那、聂拉木、普兰和嘉黎气象站严格按照《地面气象观测规范》在每天12:30开展了加密雪深观测(表 1)。这些加密观测数据也应用到本研究中。地面气象观测规范中, 平均雪深不足0.5 cm为微量, 记0。对微量降雪, 文中雪深一律赋值为0.5 cm。

2.2 方法

SR-50A超声雪深USSD (Ultrasonic Snow Depth)和人工雪深观测MOSD (Manually Observed Snow Depth)值之间的对比与误差分析采用了算数平均(AM)、标准差(STDEV)、平均偏差(ME)、平均绝对偏差(MAE)、均方根误差(RMSE)、平均均方根误差(AVG_RMSE)和相关系数(R)等统计和误差分析方法(董大钧, 2013; 魏凤英, 2007)。其中, 算数平均反应了某一时段观测样本的平均值大小, 标准差用于分析人工或超声波观测雪深与其平均值的离散程度。以人工观测值为“真值”, 计算了平均偏差、平均绝对偏差、均方根误差和平均均方根误差用于描述SR-50A超声与人工观测雪深之间的差异和误差大小。由于西藏高原的雪深差异很大, 高原西南部喜马拉雅山脉南麓平均雪深最大, 如聂拉木气象站平均年最大雪深在50 cm以上, 而雅鲁藏布江谷地平均雪深不足5 cm。均方根误差为1 cm的误差在年均雪深5 cm的地方要显著大于年均雪深50 cm的地方。为了不同区域的SR-50A超声与人工观测雪深差异具有可比性, 引入了平均均方根误差, 为无量纲的值, 该方法消除了不同平均人工观测雪深对两者差异的影响。相关系数(R)则表示两者之间的线性相关程度。

$ MAE=\frac{1}{n}\sum\limits_{i=1}^{n}{\left| USS{{D}_{i}}-MOS{{D}_{i}} \right|}, $ (4)
$ RMSE=\sqrt{\frac{1}{n}\sum\limits_{i=1}^{n}{{{\left(USS{{D}_{i}}-MOS{{D}_{i}} \right)}^{2}}}}, $ (5)
$ AVG\_RMSE=\frac{\sqrt{\frac{1}{n}\sum\limits_{i=1}^{n}{{{\left(USS{{D}_{i}}-MOS{{D}_{i}} \right)}^{2}}}}}{\overline{MOSD} }, $ (6)
$ \begin{align} &R= \\ &\frac{\sum\limits_{i=1}^{n}{\left(USS{{D}_{i}}-\overline{USSD} \right)}\left(MOS{{D}_{i}}-\overline{MOSD} \right)}{\sqrt{\sum\limits_{i=1}^{n}{{{\left(USS{{D}_{i}}-\overline{USSD} \right)}^{2}}}\sum\limits_{i=1}^{n}{{{\left(MOS{{D}_{i}}-\overline{MOSD} \right)}^{2}}}}}, \\ \end{align} $ (7)

式中: USSDi是第i次超声仪器雪深观测值; USSD为平均值; MOSDi为第i次人工雪深观测值; MOSD 为其平均值; i为观测次数序列; n是观测样本总数。

3 对比分析 3.1 错那站雪深变化

通过错那气象站2013年9月20日至2014年5月5日每30 min SR-50A观测的雪深变化(图 1)可以看出, 先后出现了5次大于6 cm的降雪过程。第一次过程是12月19日00:30开始有降雪, 05:00达到此次降雪过程中的最大雪深(6.3 cm), 16:30基本上没有积雪, 积雪过程先后大致持续了16 h。第二次降雪过程是从2月16日17:00开始的, 00:30达到最大值(7.9 cm), 由于气温都在0 ℃以下, 之后的积雪消融过程缓慢。错那气象站2013/2014年雪季最大一次降雪过程出现在3月底至4月初, 其中4月1日00:30雪深出现了最大值(21.2 cm)。第四次是4月16—17日, 17日00:00雪深达到了最高值(10.0 cm)。最后一次是4月25—26日, 25日10:00雪深达到了最大值(15.6 cm)。3月底之后错那地区气温回升较快, 中午气温0 ℃以上, 因此每次降雪过程之后积雪消融速度很快。这些雪深变化特点与08:00和12:30的人工观测值具有较好的一致性(图 1), 且在整个降雪和积雪过程中超声雪深观测没有出现异常的观测数据。

图 1 2013年9月20日至2014年5月5日错那站每半小时SR-50A及08:00和12:30人工观测雪深 Figure 1 Half-hourly snow depth by SR-50A sensor and manual snow depth measured at 08:00 and 12:30 at Cuona Station from 20 September 2013 to 5 May 2014

从这5次降雪和积雪的时间演变过程(图略)可以看出, 错那站2013/2014年雪季秋冬季降雪不大, 最大降雪过程和雪深出现在春季, 存在春季降雪强度大, 积雪消融快, 冬季积雪时间长的特点。由于错那地处喜马拉雅山南坡, 海拔为4 280.3 m, 冬季主要受西风气流的控制, 高原上空大气环流相对稳定, 以高压天气系统为主, 所以降雪过程较少, 积雪深度不大, 但是冬季气温较低, 在0 ℃以下, 所以一旦有降雪, 积雪的持续时间较长。春季处于高原大气环流从冬季型向夏季型转变的过程, 西南暖湿气流活动频繁, 降雪过程多, 强度大, 积雪深度厚, 年内强降雪过程和最大雪深基本出现在这一季节, 但是春季中午时分的气温已在0 ℃以上, 所以积雪的消融速度较快, 一次强降雪过程之后, 积雪持续时间小于5天。

3.2 错那站人工与超声观测雪深对比

2013年9月20日至2014年5月5日08:00和12:30人工观测的雪深数据共有103个, 其中08:00和12:30观测样本分别是67和36个。从SR-50A观测数据中提取对应时间的雪深观测值(图 2), 结果显示超声雪深的平均值为1.9 cm, 人工观测的平均雪深为3.5 cm, 人工观测值大于自动观测值1.6 cm。人工观测的标准差为3.9 cm, 而超声观测的标准差为2.9 cm, 人工值大于仪器观测值1.0 cm。以人工观测值为“真值”, 对两者差异进行了分析(表 2), 平均绝对偏差为1.7 cm, 均方根误差2.7 cm, 平均均方根误差0.77。两者偏差在±1 cm之内的观测次数占总观测次数的53% (图 2), 73%的偏差绝对值小于2 cm, 最小的偏差为0 cm, 共有4次。最大偏差10.6 cm, 出现在2014年2月17日08:00;其次是2014年2月16日08:00, 达8.7 cm; 之后是2月16日12:30和2月17日12:30, 人工观测值均大于超声观测值8 cm。从图 2中可以看出, 2014年2月15—23日积雪过程中两者的差异较大, 且人工观测值均大于仪器观测值, 其主要原因可能是冬季大风等因素导致观测地点积雪分布不均匀引起的。然而两者在总体变化趋势上较为一致, 而且人工观测的最大值为18.0 cm, 出现在4月1日08:00, 此时仪器观测值也最大, 为16.7 cm, 仅相差1.3 cm。需要指出的是, 错那气象站人工雪深观测并不是在超声仪器附近观测, 而是在观测场北面空地上进行的, 而超声雪深仪则架设在观测场南部空地。两者观测地点不严格一致是产生观测结果差异较大的重要因素之一。从图 2中同样可以看出, 2013/2014年积雪季两者的观测值大小和变化趋势具有较好的一致性, 线性相关系数为0.81, 通过了P<0.001的显著性检验, 表明两者之间存在显著的线性关系。

图 2 2013年10月至2014年4月错那站超声与人工观测雪深对比 Figure 2 Snow depth by SR-50A sensor and manual measurement at Cuona Station from October 2013 to April 2014
表 2 西藏高原4个气象站超声与人工观测雪深对比统计结果 Table 2 The summary of comparison analysis between the snow depth from SR-50A sensor and manual observation at 4 stations in Tibetan plateau
3.3 聂拉木站雪深变化

从聂拉木气象站2014年9月1日至2015年5月31日SR-50A观测的原始雪深数据(图 3)中发现, 共出现了5次异常值, 第三个异常值为140 cm, 出现在强降雪之后的积雪过程, 其余都为150 cm, 均出现在降雪过程之中, 其主要原因可能是强降雪过程中吹雪引起超声发射器被冰/雪遮住导致的。如何确定和识别影响传感器性能的因素要从定量和定性方面对观测数据进行检查。Campbell公司的SR-50A超声传感器手册中列出了产生雪深异常的主要原因有几条:传感器与目标物不垂直, 目标物太小而声波反射太弱, 目标物粗糙和不平整, 目标物是弱的声波反射体(如极低密度雪)及超声发射器被冰/雪遮住(Campbell Scientific, Inc.2007)。此外, Goodison et al (1984)研究指出, 中到强降雪过程中因声波脉冲的衰减引起超声传感器的错误。他们报道, 相对于坚实外壳的雪面结构而言, 松散的雪面结构因脉冲信号穿透积雪可引起传感器低估雪深。雪深传感器研发的性能改进过程中, Goodison et al(1988)Varhola et al(2010)同时发现吹雪导致异常的观测值, 但是通过剔除异常值的方法可以非常容易地解决这些问题。

图 3 2014年9月1日至2015年5月31日聂拉木站每半小时原始超声雪深数据 Figure 3 Raw snow depth data by SR-50A sensor at Nielamu Station from 1 September 2014 to 31 May 2015

由剔除5个异常观测数据之后的聂拉木站超声波雪深观测值(图 4)可以看出, 2014/2015年积雪季出现了3次大于40 cm的强降雪过程。第一次是2014年12月13日23:30开始的, 当时雪深只有1.0 cm, 之后降雪逐渐加大, 尤其是14日05:30开始强度加大非常迅速, 15日00:30达到了46.4 cm, 之后经过缓慢的减少, 16日02:30降至38.0 cm, 之后吹雪等因素, 雪深又有增加, 10:00达到了整个过程的最大雪深(47.8 cm), 此后是雪深降低的过程。第二次降雪过程是2015年1月1日14:30开始的, 当时的雪深为23.2 cm, 为前一轮降雪之后产生的积雪, 2日14:30雪深达75.4 cm, 之间经短暂的下降, 积雪深度又有上升, 4日13:00达到了此次强降雪过程的最大雪深(82.8 cm), 直至2月26日12:00雪深降至22.0 cm。第三次强降雪过程是在该积雪的基础上开始的, 2月26日12:00之后开始出现降雪, 27日09:30雪深达49.7 cm, 至3月1日10:30随着降雪的停止, 雪深降至36.7 cm, 之后又有降雪开始, 雪深逐渐加大, 3月2日16:30达到了此次降雪过程的最大雪深(108.8 cm), 此后进入了下降阶段, 于24日14:30下降到40 cm以下, 4月2日19:30基本没有积雪分布。2014/2015年积雪季冬季2014年12月13日至2015年4月2日观测场都有积雪, 先后持续有100多天。三次强降雪过程都出现在冬季至初春, 3月2日16:30雪深更是达到了108.8 cm的最大值。根据历史气象观测资料, 聂拉木是青藏高原的强降雪中心之一, 青藏高原历史雪深最大值就出现在聂拉木气象站, 达230 cm, 出现时间是1989年1月。从雪深的变化趋势上看, 12月至翌年2月中旬强降雪过程之后积雪消融相对缓慢, 而进入春季3月后, 降雪过程之后积雪融化迅速。

图 4 2014年9月1日至2015年5月31日剔除异常观测值之后的聂拉木站每半小时超声雪深变化趋势 Figure 4 Half-hourly snow depth by SR-50A sensor after removing erroneous data points at Nielamu Station from 1 September 2014 to 31 May 2015
3.4 聂拉木站人工与超声观测雪深对比

2014年9月1日至2015年5月31日聂拉木气象站人工观测数据共有240个, 其中08:00观测的数据有122个, 12:30有118个。图 5给出了人工观测与对应时刻SR-50A观测值。整个雪季超声雪深的平均值为47 cm, 而人工雪深的平均值为46 cm, 超声观测值比人工观测值大1 cm。人工和超声观测雪深的标准差分别是21.5 cm和23.0 cm, 仅相差1.5 cm。以人工观测值为“真值”, 对两者的误差做了进一步分析(表 2)。平均绝对偏差为6.6 cm, 均方根误差为7.9 cm, 平均均方根误差0.17。偏差在±10 cm之内的占观测总数的75%, 偏差在±5 cm之内的占39%。最大偏差出现在2015年3月2日12:30, 超声观测值为101.7 cm, 而人工观测值为79.0 cm, 超声雪深比人工雪深大22.7 cm, 其次是3月2日08:00, 超声雪深和人工雪深分别是95.5 cm和77.0 cm, 超声观测值比人工观测值大18.5 cm, 之后是3月20日08:00, 超声雪深为58.2 cm, 而人工观测值达76.0 cm, 前者比后者小17.8 cm。

图 5 2014年10月14日至2015年4月14日聂拉木站超声与人工观测雪深对比 Figure 5 Snow depth by SR-50A sensor and manual measurement at Nielamu Station from 14 October 2014 to 14 April 2015

从聂拉木站超超声与人工观测雪深对比(图 5)可以看出, 两者的变化趋势表现出较好的一致性, 线性相关系数R=0.94, 存在极显著的线性关系。但是在不同的观测时段, 两者的差异存在一定的特征。降雪过程和积雪的初期两者的差异较小, 而在其后的积雪过程中两者差异较大, 第二次强降雪过程之后的积雪过程中超声观测值要大于人工观测值, 而在第三次强降雪过程之后的积雪过程中人工观测值一致略大于超声观测值。主要原因是降雪过程中观测场内的积雪分布均匀, 两者的差异较小, 而在积雪过程中局地太阳光照条件、大风、气温和地表特征等因素的影响引起观测场内积雪分布不均匀, 进而在观测场不同区域的雪深差异较大。此外, 聂拉木气象站的SR-50A观测仪器架设在观测场内东北角, 人工雪深并不是在超声仪器附近测量的, 而是观测场内三个不同地点观测的平均值, 两者观测地点不严格一致, 加上局地光照条件、气流和地表特征的差异以及这些因素随时间的变化是产生两者差异的主要原因。

3.5 普兰站雪深变化

经查普兰气象站2014年11月12日至2015年5月5日每半小时SR-50A雪深原始数据, 先后出现了4个异常数据, 然后通过剔除异常数据之后的时间序列雪深(图 6)可见, 先后出现了4次雪深大于25 cm的降雪过程。第一次是2015年1月2日06:00开始有降雪, 3日11:30达到此次降雪过程中的最大雪深, 为30.8 cm, 之后随着降雪的结束, 进入了积雪深度逐渐减少的阶段。第二次过程是2月3日06:00开始的, 此时的雪深是18.3 cm, 为前一轮降雪过程之后的积雪。之后雪深逐渐增大, 19:00出现了36.8 cm的过程最大雪深, 此后为积雪融化和雪深下降的时段。第三次过程是2月25日19:30开始的, 当时的雪深为20.4 cm, 为前期的积雪, 之后随着降雪的开始, 雪深增大很快, 26日09:00, 雪深为42.8 cm, 此后是短暂的降雪停歇期, 至3月1日10:30雪深降至35.5 cm, 随后是新一轮的降雪过程, 3月3日04:30出现了64.1 cm的此次过程和整个积雪季节的最大雪深。第四次是3月31日10:00出现的27.9 cm的短时积雪深度。

图 6 2014年11月12日至2015年5月5日剔除异常观测值之后的普兰站每半小时超声雪深变化趋势 Figure 6 Half-hourly snow depth by SR-50A sensor after removing erroneous data points at Pulan Station from 12 November 2014 to 5 May 2015
3.6 普兰站人工与超声观测雪深对比

普兰气象站08:00和12:30人工观测雪深记录共有189个, 其中08:00有95个, 12:30有94个, 与同期SR-50A观测的雪深(图 7)对比可见, 两者的变化趋势一致。SR-50A超声雪深的平均值是29.0 cm, 人工观测的平均雪深为29.5 cm, 人工值大于超声雪深0.5 cm。人工雪深的标准差为14.4 cm, 超声雪深的标准差为13.8 cm, 人工观测值标准差略大于自动雪深的标准差。两者的平均绝对偏差为2.6 cm, 均方根误差为3.3 cm, 平均均方根误差为0.23。两者偏差为0 cm的记录共有5个, 偏差在±2 cm之内的占47%, 偏差在±4 cm的占76%。最大偏差达10.8 cm, 出现在2015年4月3日12:30, 其次是10.2 cm, 时间是4月3日08:00, 之后是2015年2月26日08:00观测的雪深, 偏差10.1 cm, 其余偏差绝对值均小于9 cm。两者较大的偏差是观测场内积雪分布不均匀导致的。然而, 两者总体上在降雪过程还是在积雪过程, 雪深观测值基本一致, 特别是在4次强降雪过程和之后的雪深变化趋势都有非常好的一致性, 存在极为显著的线性关系, 相关系数R=0.97。从图 7中同样可以看出, 人工观测存在波动较大而超声观测波动小、均匀和平滑的特点, 两者标准差的差异同样表明这一点, 其可能原因是SR-50A仪器是在固定点观测的, 人工观测并没有设置固定点, 而是观测时随机选择3个点之后的平均测量值, 观测场地积雪分布不均匀引起隔日观测值之间出现较大波动。

图 7 2014年12月17日至2015年4月4日普兰站超声与人工观测雪深变化 Figure 7 Snow depth by SR-50A sensor and manual measurement at Pulan Station from 17 December 2014 to 4 April 2015
3.7 嘉黎站人工与超声观测雪深对比

图 8给出了嘉黎气象站2013年9月22日至2014年5月31日SR-50A超声与人工同期观测的雪深变化。人工观测数据包括气象站每日08:00的常规雪深观测数据以及08:30和12:30人工加密观测数据。人工观测数据共计100个样本, 其中08:00有57个数据, 12:30和08:30加密观测数据共有43个。从图 8可以看出, 两者的变化趋势基本一致, 人工观测的平均雪深为2.9 cm, 而SR-50A平均雪深为2.0 cm, 前者比后者大0.9 cm。两者的标准差分别是2.5 cm和1.9 cm, 人工观测的标准差偏大超声观测0.6 cm, 表明人工观测较仪器观测波动大, 存在连续性较差和随机误差较大的特点。整个积雪季两者的平均绝对偏差为1.1 cm, 其中偏差为0 cm的有12个样本, 59%的观测样本偏差在±1 cm之内, 88%的则在±2 cm之内。最大偏差出现在2013年10月21日08:30, 人工观测值比自动观测值大4.7 cm, 其次是2013年9月30日08:00观测的雪深偏差, 人工值大于超声波观测雪深4.3 cm, 之后是2013年9月30日08:30出现的两者偏差, 人工值为11.7 cm, 超声值为7.6 cm, 前者比后者大4.1 cm, 其余偏差绝对值均在3.6 cm以下。较大的偏差可能是观测场内积雪分布不均匀, 人工观测不是严格在仪器旁边测量的, 加之人工观测的随机误差较大引起的。人工与超声观测雪深的均方根误差为1.4 cm, 平均均方根误差为0.50。

图 8 2013年9月30日至2014年5月7日嘉黎站超声与人工观测雪深 Figure 8 Snow depth by SR-50A sensor and manual measurements at Jiali Station from 30 September 2013 to 7 May 2014

嘉黎地区是西藏高原的降雪中心之一, 这里山脉纵横交错, 地形条件有利于气流辐合上升运动, 导致降雪次数多。2013/2014年积雪季嘉黎地区属于降雪和积雪较少的年份, 积雪深度并不大, 仅出现了4次雪深大于8 cm的降雪过程。最大雪深为12.0 cm, 出现在2013年9月30日08:00, 08:30的雪深为11.7 cm; 其次是10月21日08:00和08:30, 雪深均为9.0 cm; 之后是11月2日08:00和08:30观测到的雪深, 达9.0 cm; 最后是2014年3月13日08:30人工观测的雪深, 也到达了8 cm以上, 为8.3 cm, 之前的08:00雪深为8 cm, 88%的人工观测雪深小于6 cm。可见, 整个积雪季节嘉黎站的雪深不大, 但从图 8可以看出, 与超声波观测的雪深变化趋势较为一致, 存在极为显著的线性关系, 相关系数R=0.90, 通过了p<0.001的显著性检验。

3.8 综合分析

根据4个气象站人工与超声观测雪深对比分析表明, SR-50A对西藏高原的雪深具有很好的监测能力, 能够实时观测降雪过程和之后积雪的雪深变化情况, 并在应急气象服务中得到了初步应用。同时, 分析发现在降雪过程和积雪初期SR-50A与人工雪深差异较小, 而在其后的积雪过程中存在两者差异趋于变大的特点。其主要原因可能是降雪过程中观测场内的积雪分布均匀, 两者的差异较小, 而在之后的积雪过程中受局地太阳光照条件、大风、气温和地表特征等因素的综合影响通过融雪和风吹雪引起观测场内积雪分布不均匀, 不同区域的雪深差异趋于变大。此外, SR-50A传感器是在观测场内固定点观测的, 而人工观测值是观测场内随机三个点上雪深的平均值, 两者观测地点上的不严格一致也是引起雪深偏差的重要因素。从聂拉木和普兰两站的SR-50A雪深变化可以看出, 在强降雪过程中还可能会导致一些极个别的异常观测值, 主要与大风、雪等因素有关。但是, 这些观测值通过对原始数据变化规律的检查、质量检验和控制, 非常容易识别和剔除。

由于常规人工积雪观测次数有限, 强降雪天气过程之中和之后实时掌握积雪变化信息成为气象部门及时开展服务和应对灾害的首要任务。相比人工雪深观测每天一次, SR-50A可以进行逐半小时一次的连续观测, 实现数据自动存贮和实时传输, 这在雪深业务观测和应急气象服务中具有更为突出的优势。此外, 该仪器具有成本低、精度高、安装和维护容易、性能可靠的特点。SR-50A雪深观测仪器还可以布设在人迹罕至、交通不便和观测条件复杂地区获取人工无法获取的雪深观测数据, 这对青藏高原这样高寒艰苦和地形复杂的区域而言应用前景更为广阔。

4 结论

利用错那、聂拉木、普兰和嘉黎气象站每日12:30加密观测和08:00常规人工雪深观测数据, 对这4个站SR-50A超声雪深观测结果进行了评估和对比分析。得出的主要结论如下:

(1) SR-50A对西藏高原的雪深具有很好的监测能力。两者存在极显著的线性关系, 相关系数0.81~0.97, 其中普兰站最大(0.97), 错那站最小(0.81);平均雪深偏差在±2 cm之内, 其中聂拉木站平均人工观测雪深小于超声雪深1.0 cm, 其余3个站平均人工观测雪深偏大0.5~1.6 cm; 雪深越大, 平均均方根误差越小, 表明雪深越大, 超声雪深观测误差越小, 观测精度越高, SR-50A更为适合雪深较大地区的积雪观测。

(2) 大风、太阳光照条件、气温和地表特征等因素通过风吹雪和融雪可引起观测场内积雪分布不均匀, 以及SR-50A是固定点观测, 而人工是观测场内3个采样点的平均雪深, 两者观测地点上的不严格一致, 是SR-50A与人工观测值差异较大的主要原因。

(3) SR-50A超声雪深仪在西藏高原具有测量精度较高、稳定性好、安装维护简便和在各种环境条件下性能可靠的特点。SR-50A可以获取逐半小时连续雪深数据, 相比人工观测极大提高了观测的时效性, 且实现数据自动存贮和实时传输, 在雪深业务观测和应急气象服务中具有更为突出的优势。

参考文献
Brazenec W A, 2005. Evaluation of ultrasonic snow depth sensors for automated surface observing systems (ASOS)[D]. Department of Forest, Rangeland, and Watershed Stewardship. M. S. Thesis, Colorado State University, Fort Collins, CO, 134.
Campbell Scientific, Inc, 2007. Instruction manual of SR-50a sonic ranging sensor[R/OL]. https://www.campbellsci.com/manuals. [2017-01-03].
Chu D, Xie H, Wang P, et al. 2014. Snow cover variation over the Tibetan Plateau from MODIS and comparison with ground observations[J]. J Appl Remote Sens, 8(1): 084690. DOI:10.1117/1.JRS.8.084690
Goodison B E, Metcalfe J R, Wilson R A, et al, 1988. The Canadian automatic snow depth sensor: A performance update[C]//Proceedings of the 56th Annual Western Snow Conference, April. 19-21.
Goodison B E, Wilson B, Wu K, et al, 1984. An inexpensive remote snow-depth gauge: an assessment[C]//Proceedings of the 52nd Annual Western Snow Conference, April. 17-19.
Immerzeel W W, Droogers P, de Jong S M, et al. 2009. Large-scale monitoring of snow cover and runoff simulation in Himalayan river basins using remote sensing[J]. Remote Sens Environ, 113(1): 40–49. DOI:10.1016/j.rse.2008.08.010
Lea J, 1998. Snowpack depth and density changes during rain on snow events at Mount Hood, Oregon[C]//International Conference on Snow Hydrology: The Integration of Physical, Chemical, and Biological Systems. 46.
Qin D H, Liu S Y, Li P J. 2006. Snow cover distribution, variability, and response to climate change in Western China[J]. J Climate, 19: 1820–1833. DOI:10.1175/JCLI3694.1
Ryan W A, Doesken N J, Fassnacht S R. 2008. Evaluation of ultrasonic snow depth sensors for U.S. snow measurements[J]. J Atmos Ocean Technol, 25(5): 667–684. DOI:10.1175/2007JTECHA947.1
Varhola A, Wawerla J, Weiler M, et al. 2010. A new low-cost, stand-alone sensor system for snow monitoring[J]. J Atmos Ocean Technol, 27: 1973–1978. DOI:10.1175/2010JTECHA1508.1
Yao T D, Thompson L, Yang W, et al. 2012. Different glacier status with atmospheric circulations in Tibetan Plateau and surroundings[J]. Nature Climate Change, 2(9): 663–667. DOI:10.1038/nclimate1580
董大钧. 2013. 误差分析与数据处理[M]. 北京: 清华大学出版社. Dong D J. 2013. Error analysis and data processing[M]. Beijing: Tsinghua University Press.
郭建平, 刘欢, 安林昌, 等. 2016. 2001-2012年青藏高原积雪覆盖率变化及地形影响[J]. 高原气象, 35(1): 24–33. Guo J P, Liu H, An L C, et al. 2016. Study on variation of snow cover and its orographic impact over Qinghai-Xizang Plateau during 2001-2012[J]. Plateau Meteor, 35(1): 24–33. DOI:10.7522/j.issn.1000-0534.2014.00140
何丽烨, 李栋梁. 2011. 中国西部积雪日数类型划分及与卫星遥感结果的比较[J]. 冰川冻土, 33(2): 237–245. He L Y, Li D L. 2011. Classification of snow cover days and comparing with satellite remote sensing data in west China[J]. Journal of Glaciology and Geocryology, 33(2): 237–245.
黄鑫, 布和朝鲁, 林大伟, 等. 2017. 春季蒙古气旋活动与冬季北大西洋海温异常和欧亚大陆积雪异常的联系[J]. 高原气象, 36(3): 750–762. Huang X, Buhe C L, Lin D W, et al. 2017. Relationship between spring Mongolian cyclones, the North Atlantic Sea Surface Temperature in winter and the snow depth in Eurasia[J]. Plateau Meteor, 36(3): 750–762. DOI:10.7522/j.issn.1000-0534.2016.00050
李吉均, 郑本兴, 杨锡金, 等. 1986. 西藏冰川[M]. 北京: 科学出版社, 140-148. Li J J, Zheng B X, Yang X J, et al. 1986. Glaciers in Tibet[M]. Beijing: Science Press, 140-148.
梁延伟, 梁海河, 王柏林. 2012. 超声波传感器雪深测量与人工观测对比试验分析[J]. 气象科技, 40(2): 198–202. Liang Y W, Liang H H, Wang B L. 2012. Comparison and analysis of snow depth records obtained by manual observation and ultrasonic sensor in different weather conditions[J]. Meteor Sci Technol, 40(2): 198–202.
林志强. 2016. 南支槽对西南高原地区冬半年日降水的影响[J]. 高原气象, 35(6): 1456–1463. Lin Z Q. 2016. Influence of the Southern Branch Trough on plateau of southwestern China daily precipitation in wintertime[J]. Plateau Meteor, 35(6): 1456–1463. DOI:10.7522/j.issn.1000-0534.2015.00091
唐红玉, 李锡福, 李栋梁. 2014. 青藏高原春季积雪多、少年中低层环流对比分析[J]. 高原气象, 33(5): 1190–1196. Tang H Y, Li X F, Li D L. 2014. Contrast of circulation pattern related to more and less spring snow cover over Qinghai-Xizang Plateau[J]. Plateau Meteor, 33(5): 1190–1196. DOI:10.7522/j.issn.1000-0534.2013.00125
王道远, 陈方兴. 2012. SXH1-1型超声雪深测量仪在冬季测雪中的应用[J]. 黑龙江科技信息(18): 73. Wang D Y, Chen F X. 2012. Application of SXH1-1 ultrasonic snow depth sensors in winter snow measurement[J]. Heilongjiang Science and Technology Information(18): 73.
魏凤英. 2007. 现代气候统计诊断与预测技术[M]. 北京: 气象出版社. Wei F Y. 2007. Modern climatic statistical diagnosis and prediction technology[M]. Beijing: China Meteorological Press.
肖瑶, 赵林, 李韧, 等. 2013. 唐古拉地区超声雪深传感器SR-50监测研究[J]. 应用气象学报, 24(3): 342–348. Xiao Y, Zhao L, Li R, et al. 2013. The evaluation of SR-50 for snow depth measurements at Tanggula Area[J]. J Appl Meteor Sci, 24(3): 342–348.
徐小玉, 王亚非. 2016. ENSO对青藏高原雪深的影响及持续性分析[J]. 高原气象, 35(1): 1–12. Xu X Y, Wang Y F. 2016. Analysis of the influence of ENSO on snow depth over Qinghai-Xizang Plateau and its continuity[J]. Plateau Meteor, 35(1): 1–12. DOI:10.7522/j.issn.1000-0534.2014.00128
姚君, 马超. 2015. 人工雪深和自动雪深观测数据差异的原因分析[J]. 黑龙江气象, 32(2): 44. Yao J, Ma C. 2015. Analysis on causes of the difference of snow depth observation data from manual and automatic approaches[J]. Helongjiang Meteorology, 32(2): 44.
中国气象局. 2003. 地面气象观测规范[M]. 北京: 气象出版社, 61-63. China Meteorological Administration. 2003. Specification of surface air observation[M]. Beijing: China Meteorological Press, 61-63.
周利敏, 陈海山, 彭丽霞, 等. 2016. 青藏高原冬春雪深年代际变化与南亚高压可能联系[J]. 高原气象, 35(1): 13–23. Zhou L M, Chen H S, Peng L X, et al. 2016. Possible connection between interdecadal variations of snow depth in winter and spring over Qinghai-Xizang Plateau and South Asia High in summer[J]. Plateau Meteor, 35(1): 13–23. DOI:10.7522/j.issn.1000-0534.2014.00152
周扬, 徐维新, 白爱娟, 等. 2017. 青藏高原沱沱河地区动态融雪过程及其与气温关系分析[J]. 高原气象, 36(1): 24–32. Zhou Y, Xu W X, Bai A J, et al. 2017. Dynamic snow-melting process and its relationship with air temperature in Tuotuohe, Qinghai-Xizang Plateau[J]. Plateau Meteor, 36(1): 24–32. DOI:10.7522/j.issn.1000-0534.2016.00013
Applicability Study of SR-50A Ultrasonic Snow Depth Sensor for Snow Measurement in Tibetan Plateau
CHU Duo1,2 , BIANBA Ciren1,2 , ZHA Zhu1,2 , DEJI Yangzong1,2     
1. Tibet Institute of Plateau Atmospheric and Environmental Sciences, Lhasa 850000, Tibet, China;
2. Tibet Meteorological Bureau, Lhasa 850000, Tibet, China
Abstract: Snow depth is one of main surface meteorological observation elements and currently is mainly measured by manual observation. Due to poor real-time performance, it is difficult to meet requirements of emergency meteorological service and response. Previous study indicated that ultrasonic technology has excellent potential for snow depth measurement. Therefore, the SR-50A ultrasonic snow depth sensors developed by Campbell Scientific Company were installed from September 2013 to November 2014 at 4 meteorological stations where have often heavy snow and are prone to snow disaster and key regions of snow accumulation in Tibetan Plateau. In this study, the applicability evaluation of SR-50A snow depth in these stations was made using daily 12:30 intensive and 08:00 (Beijing Time) manually observed snow depth as ground truth data. The following are results. (1) Mean biases between SR-50A and manual snow depth are within ±2 cm. SR-50A sensors are more suitable for the measurement of higher snow depth since the larger the depth of snow, the smaller the mean root-mean-square error and the higher the observation precision. (2) SR-50A shows a good performance for monitoring snow depth in Tibetan Plateau. There is a very good agreement and highly significant linear correlation between manual and SR-50A sensor observation for snow depth. The correlation coefficients at 4 stations range from 0.81 to 0.97. (3) Wind scour, local solar radiation condition, environmental temperature and surface feature will cause spatial variability of snow cover at observation sites through wind blowing and snow melting, and manual observation in the study is not taken just adjacent to sensor installation, which are main factors resulting in these biases.
Key Words: Tibetan Plateau    snow depth    SR-50A    manual observation    comparison analysis