2019, Vol. 62
2. 国家气候中心, 北京 100081;
3. 南京信息工程大学气象灾害预报预警与评估协同创新中心, 南京 210044
2. National Climate Center, Beijing 100081, China;
3. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China
海表温度(Sea Surface Temperature, SST)是描述海洋表层热状况最为重要的参数之一，常被用于监测ENSO(El Niño Southern Oscillation)等海洋异常现象(Klein et al., 1999; Ashok et al., 2003; Chen et al., 2011).此外，它在气候模拟与预报中也有广泛应用(Rayner et al., 2003; Kawai and Wada, 2007; Saha et al., 2006).目前，国际上都在积极发展海表温度格点化气候数据产品.如，美国NOAA(National Oceanic and Atmospheric Administration)、英国哈德莱中心基于ICOADS(International Comprehensive Ocean-Atmosphere Data Set)和GTS(Global Telecommunications System)交换的船舶和浮标等观测资料，研制了ERSST(Extended Reconstructed Sea Surface Temperature)、HadISST(Hadley centre sea Ice and Sea Surface Temperature)和HadSST(Hadley centre Sea Surface Temperature)月平均海表温度数据产品(Huang et al., 2017; Rayner et al., 2003; Kennedy et al., 2011).日本气象厅则基于ICOADS、GTS交换资料、加拿大浮标观测资料和日本收集整理的Kobe资料发展了COBE(Centennial Observation-Based Estimates)海表温度数据产品(Ishii et al., 2005).但我国还未研制出长历史序列的海表温度气候数据产品，我国海洋气候监测业务所使用的相关数据产品主要依赖英美等国家提供.因此，研制一套中国自主研发的长时间序列区域(全球)海表温度格点化气候数据集，可为我国气候业务及科学研究等提供数据支撑.
偏差订正是海表温度气候数据集研制的关键问题.这主要是因为近两百年，海表温度观测先后经历了船舶、浮标等不同手段的演变，每种观测方式的偏差并不相同.如，船舶海温观测最早采用水桶方式，其散热明显，因此存在冷偏差(Folland and Parker, 1995).随后，水桶观测向机舱引水观测转变，受机舱加热环境的影响，其观测值往往呈现暖偏差(Kent and Taylor, 2006; Kent et al., 2010).相对船舶，浮标进行海表温度观测时的精度较高(宝乐尔其木格和任国玉，2013).因此，在研制海表温度气候数据产品时，为保证质量水平的一致性，就需要将不同观测平台间的偏差进行订正，否则将导致海温历史产品表现出明显的非均一性，出现虚假的气候趋势、突变特征(Jones, 2016).如，Karl等(2015)的研究发现，IPCC第五次报告中关于“1998—2012年期间全球气候增暖趋势相对前30~60年的趋势明显降低(即增暖停滞)”这一结论可能有误，其可能与SST数据偏差订正的不连续有关.此外，海表温度偏差的有效订正也有助夯实全球变暖及其大气响应机制研究的基础(Kent et al., 2017).
目前，国际上常用的海表温度偏差订正方法主要是美国的SR02和英国的FP95方法(Smith and Reynolds, 2002; Folland and Parker, 1995).其中，英国发展的FP95方法通过构建感热、潜热的物理模型，来对历史海表温度资料的系统性偏差进行订正.但该方法在实现过程中需要大量的元数据信息，包括船舶的行驶速度、海温观测时的大气环境、水桶的厚度等，然而这些元数据信息的获取存在很大的困难.因而，Kent等(2017)号召全球各国投入更多的人力参与全球海表温度观测元数据信息的收集整理，为未来人们进一步提升海温偏差订正的准确性打下基础.相对而言，美国的SR02方法通过构建稳定的海气相互作用场，来对海表温度进行偏差订正.该方法仅需要洋面上观测的气温资料作为辅助，且目前英国哈德莱中心公布了一套经过严格偏差订正的洋面观测气温数据集——HadNMATv2，为该方法的进一步发展和应用提供了重要的数据支撑(Smith and Reynolds, 2002; Kent et al., 2013).日本在发展COBE全球海温数据产品时，考虑到订正方法的复杂性，通过与英国气象局交换偏差订正数据来对其收集整理的历史海温资料进行订正，但这对数据集研制而言并不是一种最佳的方式(Ishii et al., 2005).
鉴于此，本文将基于国家气象信息中心自主研发的全球海表观测定时值数据集，在美国SR02海表温度偏差订正方法的基础上，进行相关参数的优化改进，从而针对印度洋—太平洋核心海域(即印太海域)研制一套百年序列(1901—2016年)的海表温度偏差订正数据集，为我国后续进一步研制可自主发布的全球海表温度格点化气候数据产品等工作奠定基础.
1 资料与方法 1.1 资料本文所用的资料包括，国家气象信息中心研制的全球海表观测定时值数据集，该数据集不仅收集整合了ICOADS、GTS传输的全球共享的船舶、浮标等资料，还进一步整合了CFSR/GDAS海洋观测数据，以及通过网络下载与合作等方式获取的中国、日本、韩国和俄罗斯等国家或地区的海洋气象观测资料(张冬斌，2017；http://10.1.64.154/idata/web/data/index?dataCode=OCEN_GLB_FTM).该数据集研制时还采用了国家气象信息中心研发的《海表观测资料质量控制方案》进行了严格的质量控制，质控流程包括观测平台基本信息检查、缺测与特征值检查、界限值检查、主要变化范围检查、内部一致性检查、时间一致性检查等.本文仅使用印度洋—中东太平洋海域(印太海域)范围内(图 1，59°E—119°W，29°S—59°N)质控码为正确的数据.此外，本文使用了英国哈德莱中心公布的1901—2010年月平均夜间海洋观测气温资料(HadNMATv2)，该数据集经过严格的质量控制和偏差订正处理，其空间分辨率为5°×5°(Kent et al., 2013).本文还使用了美国ERSSTv4全球海温数据中的偏差订正量(Huang et al., 2015).
|
图 1 印太海域(59°E—119°W，29°S—59°N) Fig. 1 The Indian-Pacific Ocean (59°E—119°W, 29°S—59°N) |
印太海域海表温度偏差订正数据集研制的流程将主要参照美国ERSSTv5数据集的技术步骤(Huang et al., 2015, 2017)，主要包括：(1)将质控码为正确的SST定时值数据，按照船舶和浮标两个观测手段分别在2°×2°网格内，统计出月平均值，格点中心位置与ERSSTv5保持一致.在此基础上，类似ERSSTv5，基于1971—2000年气候平均时段，进一步计算1901—2016年间的海表温度距平场(Sea Surface Temperature Anomaly, SSTA)；(2)基于参数优化改进后的SR02偏差订正方法，对1901—2010年间2°×2°分辨率、月平均的船舶SSTA进行偏差订正；(3)统计1990—2010年浮标SST和船舶SST(基于SR02方法订正后的)之间差值的时空均值，将基于SR02方法订正的船舶SSTA进一步以浮标为参考，再进行订正；由于HadNMATv2数据集仅更新到2010年，因此，2011—2016年的船舶SSTA资料订正时，通过直接计算月平均船舶SSTA与浮标SSTA之间差异值的空间平均值并作为参考，将船舶SSTA订正到浮标SSTA上；(4)将基于浮标订正的船舶SSTA和浮标SSTA格点场进行加权平均，其中权重系数取决于每个网格里船舶和浮标的观测量，以及船舶和浮标观测的随机误差(Huang et al., 2015, 2017).
对于SR02方法，其假设大气和海洋的相互作用在大的时空尺度上保持不变，由于所采用的NMAT(Night Marine Air Temperature)数据经过严格的偏差订正，因而SST和NMAT差值的变化主要由SST的系统偏差引起.它的数理本质为通过计算历史各时期的海-气温差相对其气候值的变化，从而估计由于不同年代海温资料观测仪器平台的系统偏差所带来的误差(Smith and Reynolds, 2002).SR02方法主要包括三个步骤(图 2)：
|
图 2 SR02方法的偏差订正流程 Fig. 2 The bias correction process of SR02 method |
(a) 采用近30年的SST和NMAT数据，计算海-气温差(SST-NMAT)的气候场：
|
(1) |
其中，x表示网格的空间位置，m表示月份，y表示年份.dx, m, y表示y年m月第x个网格的SST-NMAT值，当dx, m, y缺省时，δx, m, y=0，否则，δx, m, y=1.I表示对括号里计算所得的近30年的SST-NMAT的平均值进行OI(Optimal Interpolation)空间插值；Cx, m为计算得到的1—12月份海-气温差的气候场.OI空间插值方法通过求解观测场和背景场的误差统计特征，获取相对背景信息的观测增量的最优权重，并基于最优权重和背景信息插值得到分析值，从而实现对SST-NMAT气候场中缺测的格点进行差补(韩梅和魏亮，2008).
(b) 历史每月的SST-NMAT值可通过Am, yCx, m进行拟合，Am, y为拟合系数.通过最小二乘法，即对公式(2)进行极值求解，可计算得到每月对应的Am, y值：
|
(2) |
|
(3) |
其中，ax对应网格x的面积，E为每个时间点对应的所有网格的拟合值和观测值之间的总误差.研究表明，12个月份对应的Am, y走势基本一致(Smith and Reynolds, 2002).因此，可以直接计算每年的订正系数Ay，从而避免计算系数值时由于样本量过少而引入样本误差：
|
(4) |
在应用订正系数Ay进行海表温度偏差量求解前，需要对Ay进行时间序列平滑，以去除年际震荡所引入的噪声.
(c) 计算各个时间点的SST偏差
|
(5) |
其中，A为近30年去噪后的Ay值的平均值.
此外，在计算海气相互作用场时，还需要对整个历史序列的SST-NMAT异常值进行判定和去除，以消除强天气事件、残留的错误数据等对月统计值的影响，以进一步确保偏差订正量的准确求解(Smith and Reynolds, 2002).在原始的SR02方法中，其通过计算求解得到全球统一的阈值范围，即[-2，4.5]℃，以此界定并去除SST-NMAT异常值.对于本研究所采用的SST历史数据，分析发现，SST-NMAT的值在1901—2010年期间，特别是北半球冬季中高纬东部沿海区域，其中位数大部分均超过了4.5 ℃.因而，若采用原始的SR02方法，其阈值将去除该区域的大部分数据，影响该区域数据的完整性.为解决该问题，本文对SST-NMAT异常值的判定和去除过程进行了如下改进：通过计算每个格点在1901—2010年期间的SST-NMAT的中位数以及标准差，并基于中位数±3倍标准差(3σ)原则，计算得到每个格点的SST-NMAT阈值范围，从而进行异常值的判定和去除.这种改进的阈值参数选取方法出发点是希望能对数据源自身特点有自适应性.
图 3显示了1901—2010年，印太海域月平均SST-NMAT的异常格点去除比例历史演变.不难发现：采用参数改进后的方法判断所得的SST-NMAT异常格点比例与采用原始的SR02方法的结果相比，在观测数据量相对较少的时期，如20世纪初，以及20世纪40年代，它们去除的异常格点比例基本相当.而在观测数据量相对较多的时期，特别是40年代之后，原始SR02方法全球统一的参数去除的异常格点比例在冬季明显偏高.另外，从图 4中2002年12月份印太海域SST-NMAT的空间分布也可以发现，原始SR02方法中的参数会大量剔除西北太平洋日本附近海域的数据，造成该空间范围内数据缺失(图 4b)，但改进后的方法则不存在该问题，它最大可能地保留了该海域的有效数据(图 4c).
|
图 3 1901—2010年，印太海域月尺度SST-NMAT的异常格点去除比例(红色曲线对应原始的SR02方法，蓝色曲线对应参数优化改进后的方法) Fig. 3 The monthly percent of SST-NMAT excluded for being outside the range derived from the original SR02 method (red line) and the optimized and improved method (blue line), over the Indian-Pacific Ocean, from 1901 to 2010 |
|
图 4 2002年12月，印太海域SST-NMAT的空间分布(单位：℃)，其中，(a)未去除异常格点；(b)通过原始SR02方法的参数去除异常格点；(c)通过优化改进后的方法的参数去除异常格点 Fig. 4 The spatial distribution of SST-NMAT (℃) of the Indian-Pacific Ocean in December 2002, with no abnormal grids excluded (a), abnormal grids excluded by the original SR02 method (b), and abnormal grids excluded by the optimized and improved method |
为了分析本文所统计的历史船舶SST偏差的特征，图 5给出了1901—1940年期间，印太海域冬(12—2月份)、春(3—5月份)、夏(6—8月份)、秋(9—11月份)四个季节NMIC(本文计算结果)和美国ERSSTv4的船舶平均偏差订正量的空间分布.结果发现：本文改进的SR02方法得到的偏差订正量在各季节的空间分布特征和ERSSTv4的基本一致.主要体现为：在印太海域以系统冷偏差为主，特别是冬季，北半球中高纬地区系统冷偏差明显偏大.这可能是由于该区域冷空气活动较强，导致在船舶观测过程中，散热现象明显，SST观测值明显低于其真实值；春季，当气温有所回升时，散热现象得到一定的缓解，系统冷偏差随之有所降低，特别是北太平洋中高纬地区的冷偏差下降尤为明显；夏季，当太阳直射北回归线附近后，中高纬地区气温进一步上升，受太阳照射加热等因素的影响，此时船舶观测的海表温度值转而出现一定的暖偏差.相反的，在该季节南半球的中纬度地区由于气温降低，散热现象加剧，系统性冷偏差有所增大；进入秋季，气温回降，系统性冷偏差逐渐恢复.
|
图 5 印太海域1901—1940年间偏差订正量均值的季节性空间分布(单位：℃): (a) NMIC，冬季；(b) NMIC，春季；(c) NMIC，夏季；(d) NMIC，秋季；(e) ERSSTv4，冬季；(f) ERSSTv4，春季；(g) ERSSTv4，夏季；(h) ERSSTv4，秋季 Fig. 5 The spatial distribution of the average SST bias (℃) between 1901 and 1940 in the season of (a) winter, (b) spring, (c) summer and (d) autumn of NMIC, and (e) winter, (f) spring, (g) summer and (h) autumn of ERSSTv4, in the Indian-Pacific Ocean |
此外，也可以发现，基于改进的SR02方法计算所得的订正量与ERSSTv4订正量的空间分布特征也有一定差异，如ERSST订正量的空间结构较为平滑，而优化改进后的SR02方法由于阈值会随样本而变，订正量表现出局地变化的特征.另外，中高纬东亚大陆近海区域，基于改进的SR02方法的订正量随季节变化得更为强烈，特别冬季冷偏差相对ERSST订正量要高，夏季暖偏差值相对ERSST订正量在日本附近海域更大.
图 6显示了印太海域1901—2010年船舶SST观测偏差订正量的时间变化趋势.对比发现：基于改进的SR02方法的偏差订正量的历史演变和ERSSTv4的比较一致.例如，在20世纪40年代初，偏差订正量有明显的突变现象.这可能因为40年代前船舶主要采用水桶观测方式，散热现象明显，故系统性冷偏差较大.而从40年代开始，水桶观测逐渐向机舱引水观测转变，受机舱加热环境的影响，开始出现微弱的系统暖偏差.此外，40年代之前的系统冷偏差程度也存在明显的季节性差异：冬季，冷偏差最强，最大值可超过0.45 ℃.夏季，冷偏差现象最弱，其最大值降低到0.25 ℃左右(ERSSTv4的为0.35 ℃左右，相对ERSSTv4订正量，ERSSTv5又做了订正方法的改进，订正量降低0.077 ℃左右).秋季开始，冷偏差程度又逐渐恢复，偏差订正量随之增大.
|
图 6 1901—2010年，印太海域偏差订正量均值的时间序列变化趋势：(a) NMIC，冬季；(b) NMIC，春季；(c) NMIC，夏季；(d) NMIC，秋季；(e) ERSSTv4，冬季；(f) ERSSTv4，春季；(g) ERSSTv4，夏季；(h) ERSSTv4，秋季 Fig. 6 Time series of the average SST bias of the Indian-Pacific Ocean, from 1901 to 2010, in the season of (a) winter, (b) spring, (c) summer and (d) autumn of NMIC, and (e) winter, (f) spring, (g) summer and (h) autumn of ERSSTv4 |
此外，进一步分析可以发现，基于改进的SR02方法的订正量的趋势变化与ERSSTv4订正量的变化特征存在一定差异.如ERSSTv4订正量在进入20世纪10年代前，有一个明显的极低值点(20世纪00年代中期)，随后订正量逐渐回升，一直到10年代中期达到极大值点.相较而言，改进的SR02方法的订正量其趋势在20世纪00年代相对平稳，在00年代末有一个微弱的拐点，此后订正量逐渐上升至10年代中期的极大值点.另外，相对ERSST订正量逐渐下降的趋势，改进的SR02方法的订正量在40年代初迅速下降.本文订正量的变化可能相对更好地反映了该时期之前，SST观测采用木桶，散热现象明显，随后，改用隔热效果较好的橡胶水桶、双层结构的水桶、机舱引水等手段进行观测的根本性变化(宝乐尔其木格和任国玉，2013).
综上，改进的SR02方法的偏差订正量的变化特征，可以很好反映船舶观测手段的历史演变及其所带来的观测系统性偏差的变化特征.
2.2 偏差订正对海温趋势变化的影响图 7显示了印太海域1901—2016年间，订正前后的年均SSTA变化趋势的差异.为了计算趋势变化的差异，先将1901—2016年长序列分为4个阶段(1901—1930年、1931—1960年、1961—1990年及1991—2016年)，当每个阶段至少有一半以上的观测样本时，则对该网格点的SSTA线性趋势进行计算.结果显示：偏差订正后，SSTA增暖趋势有所减弱.其中，20°N以南的中低纬海域订正后的趋势减缓量基本在0.04 ℃/10年以内，而日本岛附近海域的趋势减缓量相对较大，局部超过0.10 ℃/10年.
|
图 7 1901—2016年，印太海域沿海区域订正前后的年均SSTA增暖趋势的差异(订正后趋势-订正前趋势，单位：℃/10年)，其中，有岔号的格点表示订正前后的趋势差异通过显著性水平检验(p≤0.05) Fig. 7 The difference between warming trends (℃/10 year) derived from the annual bias-corrected and original uncorrected SSTA time series between 1901 and 2016, for the coastal area of the Indian-Pacific Ocean. The grids with cross share the differences passing the significance test (p≤0.05) |
图 8进一步给出了6°N，78°E格点上，订正前后的年均SSTA的变化趋势.可以发现：通过偏差订正，40年代前的SSTA冷偏差有效降低了，使得1901—2016年期间，SSTA的升温趋势有所下降，其在订正前升温趋势为0.130 ℃/10年，而订正后趋势为0.106 ℃/10年，增暖趋势缩减了18.46%，两者差异通过95%显著性水平检验(Paternoster et al., 1998).
|
图 8 1901—2016年，经纬度为6°N, 78°E的格点其订正前后的SSTA年均值序列及其线性趋势的对比(红色线对应订正后的SSTA，蓝色线对应原始未订正的SSTA) Fig. 8 The annual bias-corrected and original uncorrected SSTA time series between 1901 and 2016, and their corresponding trends, for the grid with the center located at 6°N, 78°E. Red lines correspond to the corrected SSTA, blues lines correspond to the original uncorrected SSTA |
从各月变化看(表 1)，1901—2016年期间，6°N，78°E格点偏差订正后的SSTA增暖趋势均比订正前减缓.特别是1—4月份，以及11—12月份，订正后的SSTA增暖幅度相对订正前的幅度降低了超过20%，其中，2—3月份的下降比例甚至超过了30%.此外，1—4月份及11—12月份订正前后趋势差异通过95%显著性水平检验.相对冬季，偏差订正对夏季海表温度增暖趋势的影响较小，其中，8月份的SSTA增暖幅度变化最小，对应变化比例为-3.5%，其次为7月和9月，其变化比例分别为-6.3%和-10.1%.
|
表 1 1901—2016年，经纬度为6°N, 78°E的格点其订正前后的1—12月份SSTA序列线性变化趋势的对比(Z值≥1.96时，趋势差异通过95%显著性检验) Table 1 The monthly difference between warming trends (℃/10 year) derived from the bias-corrected and original uncorrected SST time series between 1901 and 2016, for the grid with the center located at 6°N, 78°E (Z≥1.96 while the difference passes 95% significance test) |
由此可见，SST的系统偏差订正可以有效降低因海温观测手段变化而带来的“虚假增暖”问题.
2.3 偏差订正数据集与国外产品的对比 2.3.1 与ERSSTv5误差的时间演变图 9显示了1901—2016年印太海域平均的订正前后的SSTA与ERSSTv5 SSTA的偏差(图 9a)和均方根误差(图 9b)的历史演变.图 9a表明：订正后的SSTA相对ERSSTv5 SSTA的偏差误差整体平稳，且偏差量较小，基本维持在-0.1~0.05 ℃之间.相反的，未订正的SSTA与ERSSTv5 SSTA的偏差存在大幅度的年代际变化.40年代之前，由于船舶观测系统冷偏差的影响，订正前的SSTA存在较大的负偏差，偏差值基本都在-0.1 ℃以上，最大甚至超过-0.5 ℃，而订正后偏差误差缩小到-0.1~0.05 ℃之间.20世纪40年代之后，订正前SSTA的偏差误差虽然相对40年代之前大幅缩减，但其误差程度依然明显大于订正后.其中，40年代—70年代早期，订正前SSTA的偏差误差在0.1 ℃左右，而订正后的偏差基本下降到0.05 ℃以内；70年代初期至80年代，订正前后SSTA的负偏差误差基本相当，均在-0.1 ℃以内；而90年代以后，订正后的SSTA的偏差程度明显小于订正前.
|
图 9 1901—2016年，印太海域平均的订正前(蓝线)后(红线)SSTA与ERSSTv5 SSTA的偏差误差(a)和均方根误差(b) Fig. 9 The monthly average bias (a) and root-mean-square error (RMSE) (b) of the Indian-Pacific Ocean, between the bias-corrected (red lines) /original uncorrected (blue lines) SSTA time series and ERSSTv5 SSTA from 1901 to 2016 |
对于均方根误差(RMSE)变化，图 9b显示：订正前，40年代之前的SSTA的RMSE在1.0 ℃附近震荡，而订正后，SSTA的RMSE在0.9 ℃附近变化；进入40年代，订正前后的RMSE没有明显差异；但从90年代开始，订正前的RMSE随着时间逐渐增大，其从0.8 ℃左右逐渐增大至近1.2 ℃，并有继续增大的趋势，而订正后的RMSE在0.85 ℃左右维持相对稳定水平.
表 2显示了1—12月份印太海域平均的订正前后的SSTA与ERSSTv5 SSTA的偏差误差在1901—2016年期间的均值及标准差.可以发现：订正后各个月份的偏差误差均值稳定，维持在-0.01~-0.04 ℃区间内，而订正前的偏差明显偏大，并且各个月份的偏差值差异明显(-0.02~-0.11 ℃).此外，订正前各个月份偏差的标准差明显偏大，1—2月份及11—12月份的标准差均大于0.20 ℃，3—4月份及10月份的标准差均超过了0.15 ℃，其余月份的标准差也都在0.1 ℃以上；相较而言，订正后SSTA的偏差基本维持在均值左右，其各个月份的偏差离散度在0.04~0.05 ℃之间.整体上，订正后SSTA的偏差误差相对订正前的偏差误差有了明显的降低，且订正后的偏差维持稳定水平，而订正前的偏差其离散度较大.即，经过偏差订正后，SSTA的系统性偏差误差有了明显改善.
|
|
表 2 印太海域平均的订正前后的SSTA与ERSSTv5 SSTA的偏差误差，包括1901—2016年期间偏差的平均值及标准差 Table 2 The mean and standard deviation of the spatial average bias between the corrected/original uncorrected SSTA time series and ERSSTv5 SSTA, between 1901 and 2016 |
表 3则显示了1—12月份印太海域平均的订正前后的SSTA与ERSSTv5 SSTA的RMSE在1901—2016年期间的均值及标准差.可以发现，订正后的RMSE相对订正前的RMSE的均值和标准差都发生了一定的缩减.其中，1和2月份订正前后的RMSE均值的差异最大，均为0.06 ℃，而6和7月份订正前后的RMSE均值的差异相对偏小，为0.02 ℃.整体上，订正后的均方根误差相比订正前的均方根误差有一定的缩减，但其缩减比例低于偏差误差的缩减比例(表 2).此外，订正后的RMSE的离散度维持在0.07~0.08 ℃，而订正前的RMSE离散度在0.09~0.12 ℃之间.即，通过偏差订正，SSTA的RMSE与偏差误差一样，得到一定的改善.
|
|
表 3 印太海域平均的订正前后的SSTA与ERSSTv5 SSTA的均方根误差(RMSE)，包括1901—2016年期间RMSE的平均值及标准差 Table 3 The mean and standard deviation of the spatial average RMSE between the corrected/original uncorrected SSTA time series and ERSSTv5 SSTA, between 1901 and 2016 |
图 10显示了1901—2016年，印太海域偏差订正后的年均SSTA与国际多个同类产品(ERSSTv5、HadSST3、HadISST1和COBE2)相关性的空间分布.为便于对比，将印太海域偏差订正数据的空间分辨率采样为与各国际同类产品的分辨率一致.可以发现：本文发展的订正SST数据与HadSST3产品的相关系数基本都在0.8以上，与ERSSTv5、HadISST1和COBE2的相关系数也基本都在0.6以上，且相关性均通过95%显著性水平检验.
|
图 10 1901—2016年，印太海域偏差订正数据集与国际同类产品的年均SSTA的相关性的空间分布图：(a)ERSSTv5，(b)HadSST3，(c)HadISST1和(d)COBE2(印太海域偏差订正后的数据的空间分辨率采样为与各国际同类产品一致，图中相关系数均通过显著性水平检验, p≤0.05) Fig. 10 The correlation of the annual SSTA between the bias corrected dataset in this study (NMIC) and each internationally published dataset, including ERSSTv5 (a), HadSST3 (b), HadISST1 (c) and COBE2 (d), from 1901 to 2016. Spatial resolution of NMIC is degraded to the same resolution of each dataset by simple averaging techniques, the correlation values pass the significance test (p≤0.05) |
为了进一步分析差异特征，类似Huang等(2015, 2017)，图 11给出了印太海域偏差订正SSTA与上述国际同类产品SSTA间1901—2016年差异值均值的空间分布.不难发现：本文发展的订正数据集与国际同类产品的差异基本在-0.2~0.2 ℃之间.但也可以发现，在中高纬东亚大陆近海区域的差异较大，本文发展的数据与国际同类产品的SSTA在该区域的差异可达±0.8 ℃左右.对于这一现象，Huang等(2015, 2017)的分析表明，实际上目前国际上的几套海表温度数据产品在西边界流区域的差异是最大的.此外，Yasunaka和Hanaw(2011)也发现，国际上的几套数据产品单就气候值而言在西边界流附近地区的差异即可超过1.0 ℃.
|
图 11 1901—2016年，印太海域偏差订正数据集与国际同类产品的SSTA差值平均值的空间分布图：(a)ERSSTv5，(b)HadSST3，(c)HadISST1和(d)COBE2(印太海域偏差订正后的数据的空间分辨率采样为与各国际同类产品一致) Fig. 11 The average difference between the bias corrected dataset in this study (NMIC) and each internationally published dataset, including ERSSTv5 (a), HadSST3 (b), HadISST1 (c) and COBE2 (d), from 1901 to 2016. Spatial resolution of NMIC is degraded to the same resolution of each dataset by simple averaging techniques |
图 12显示了1901—2016年，印太海域偏差订正数据集与国际同类产品的SSTA的变化趋势对比.可以发现：各数据集的SSTA变化趋势一致，近一个多世纪以来，印太海域的海表温度呈明显上升趋势，且冬、春、夏、秋四个季节的变化趋势相当.其中，20世纪40年代之前，SSTA的上升趋势相对明显，40年代初—70年代初，SSTA的变化趋势相对平缓，此后，SSTA又恢复明显的上升趋势.
|
图 12 1901—2016年，印太海域偏差订正数据集与国际同类产品的SSTA的变化趋势对比：(a)冬季，(b)春季，(c)夏季，(d)秋季 Fig. 12 Time series of averaged SSTA of the Indian-Pacific Ocean, for the bias corrected dataset in this study (NMIC) and the internationally published datasets, including ERSSTv5, HadSST3, HadISST1 and COBE2, from 1901 to 2016. (a) Winter, (b) spring, (c) summer and (d) autumn |
表 4显示了1901—2016/1951—2016年期间，印太海域订正后的SSTA序列与国际上同类数据产品(对应图 12)，包括ERSSTv5、HadSST3、HadISST1及COBE2的SSTA序列的相关性，表中所有相关系数值均通过了显著性水平检验(p≤0.01).通过表 4可以发现：无论是近一个多世纪，还是近半个多世纪，冬、春、夏、秋四个季节，印太海域订正后的SSTA序列与国际同类产品的SSTA序列都存在着强相关性，相关系数值最低为0.97.由于印太海域偏差订正数据集采用的偏差订正方法与ERSSTv5所采用的订正方法相似(均为SR02方法及其改进)，且空间分辨率相同，因而，整体上，这两者之间的相关性最高，四个季节的相关系数值均为0.99.
|
|
表 4 1901—2016/1951—2016年期间，印太海域订正后的SSTA序列与ERSSTv5、HadSST3、HadISST1及COBE2 SSTA序列的相关性 Table 4 The correlation of SSTA time series between the bias corrected dataset in this study and each internationally published dataset, including ERSSTv5, HadSST3, HadISST1 and COBE2, over the Indian-Pacific Ocean during the period between 1901 and 2016/1951 and 2016 |
表 5显示了1901—2016/1951—2016年期间，印太海域订正后的SSTA序列(表中NMIC)与国际上同类数据产品的SSTA序列的趋势对比.可以发现：印太海域订正后的SSTA序列与国际同类产品的SSTA序列的趋势基本相当，尤其类似ERSSTv5.具体而言，近半个多世纪，冬、春、夏、秋四个季节，印太海域订正后的SSTA序列的变化趋势介于各国际同类产品之间；近一个多世纪以来，冬季印太海域订正后的SSTA序列的变化趋势介于国际同类产品之间，但春、夏、秋三个季节的趋势相对国际同类产品略偏高.
|
|
表 5 1901—2016/1951—2016年期间，印太海域订正后的SSTA序列与ERSSTv5、HadSST3、HadISST1及COBE2 SSTA序列的趋势对比(单位：℃/10年) Table 5 The SSTA warming trends (℃/10 year) of the bias corrected dataset in this study (NMIC) and the internationally published datasets, including ERSSTv5, HadSST3, HadISST1 and COBE2, over the Indian-Pacific Ocean during the period between 1901 and 2016/1951 and 2016 |
本文在美国SR02海表温度偏差订正方法的基础上，通过发展格点自适应阈值识别的方法，实现了参数改进，使其适用于国家气象信息中心自主研发的全球海表观测定时值数据集，在此基础上，发展了一套1901—2016年印太海域海表温度偏差订正数据集.分析结果表明：(1)改进的阈值参数选取方法具有对输入数据源以及空间格点的自适应性的优点，其可以在尽量保留有效格点的基础上，去除强天气事件等造成的SST-NMAT异常值；(2)基于改进后的方法所得的SST偏差订正量与ERSSTv4订正量的时空分布及变化规律基本一致.此外，由于优化改进后的方法其阈值计算随空间样本而变，因而其局地变化特征的表现能力更强，且其订正量随观测手段转型的变化更为明显，进而可以有效减低其分析误差；(3)与国际同类产品的对比表明，本文发展的SSTA偏差订正数据集与国际同类产品总体有着类似的质量水平，但是在中高纬东亚近海区域多种产品间的差异较大.
近期，国际上为了进一步推动海表温度偏差订正方法的发展，号召在深入完善海表观测基础数据集的基础上，进一步优化改进国际上已有的偏差订正方法，包括验证模型的假设原理，及发展集合偏差订正模型等(Kent et al., 2017).对于本文目前改进的海表温度观测资料系统性偏差订正方法，未来还可做进一步的优化和改进.如，SR02方法假设海气相互作用量在长历史序列内保持不变，从而对SST进行偏差订正量求解.然而，有研究表明，SST和NMAT的变化趋势有所差异(Christy et al., 2001).因而，在后续的工作中可以利用大气再分析产品中的NMAT资料，分析SST-NMAT的变化趋势，从而校正偏差订正量中SST-NMAT的变化由大气海洋环境中的气候变化(除SST系统偏差)引起的部分.
另外，图 13显示了本文的偏差订正数据集与国际同类产品在印太海域的空间异质性(即SSTA空间上的标准差，单位：℃)的对比，其中，各数据集的空间分辨率均采样为5°×5°，可以发现：相对做过空间重建的数据集，如ERSSTv5、HadISST1和COBE2，本研究中未做过重建的印太海域偏差订正数据集和同样未做重建的HadSST3数据集的空间异质性偏高.因而，在未来的研究中，可以对订正后的数据集进一步开展空间重建，从而发展网格化海温数据产品.
|
图 13 1901—2016年，印太海域偏差订正数据集与国际同类产品的空间异质性的对比：(a)1月份，(b)4月份，(c)7月份，(d)10月份，空间分辨率均采样为5°×5° Fig. 13 The spatial heterogeneity of the bias corrected dataset in this study (NMIC) and the internationally published datasets, including ERSSTv5, HadSST3, HadISST1 and COBE2 over the Indian-Pacific Ocean, from 1901 to 2016, for (a) January, (b) April, (c) July and (d) October. The resolutions of NMIC, ERSSTv5, HadISST1 and COBE2 are degraded to 5°×5° by simple averaging techniques |
另外，海温的偏差订正对ENSO事件也有重要意义.图 14显示了2001—2016年5个月SSTA滑动平均所得的Niño3.4指数的变化趋势，并以±0.5 ℃为阈值界定厄尔尼诺/拉尼娜事件.通过对比分析采用订正前后的SST数据监测所得的2001—2016年的主要ENSO事件的特征，可以发现：进入21世纪，厄尔尼诺/拉尼娜事件频发，其中，订正前2002/03年和2004/05年两次厄尔尼诺事件的强度相当，其明显低于2009/10年和2015/16年两次事件的强度，但又比2006/07年事件的强度偏高.而订正后的数据显示，2004/05年的强度为5次厄尔尼诺事件中最弱，这与已有的研究发现的21世纪初较强厄尔尼诺事件的分析结果相吻合(朱金双和刘宇迪, 2018).不仅如此，订正前后的数据均表明在2007/08年和2010/11年分别发生了两次较强的拉尼娜事件，而订正后的强度比订正前的偏高.此外，订正前的数据在2013/14年间出现了虚假拉尼娜现象，而订正后的数据则会消除海温偏差带来的影响.由此可见，海温资料偏差订正后，有利于消除历史上ENSO事件识别以及强度的不确定性.
|
图 14 订正前后的2001—2016年Niño3.4指数的变化趋势(红线对应订正后的SSTA序列，绿线对应原始未订正的SSTA序列) Fig. 14 The time series of Niño3.4 index between 2001 and 2016, derived from the bias corrected (red line) and original uncorrected (green line) SSTA time series |
Ashok K, Guan Z Y, Yamagata T. 2003. Influence of the Indian Ocean Dipole on the Australian winter rainfall. Geophysical Research Letters, 30(15): 1821. DOI:10.1029/2003GL017926 |
Baoleerqimuge, Ren G Y. 2013. Sea surface temperature observation methods and comparison of commonly used sea surface temperature datasets. Advances in Meteorological Science and Technology (in Chinese), 3(6): 52-57. DOI:10.3969/j.issn.2095-1973.2013.06.007 |
Chen Y, Randerson J T, Morton D C, et al. 2011. Forecasting fire season severity in South America using sea surface temperature anomalies. Science, 334(6057): 787-791. DOI:10.1126/science.1209472 |
Christy J R, Parker D E, Brown S J, et al. 2001. Differential trends in tropical sea surface and atmospheric temperatures since 1979. Geophysical Research Letters, 28(1): 183-186. DOI:10.1029/2000GL011167 |
Folland C K, Parker D E. 1995. Correction of instrumental biases in historical sea surface temperature data. Quarterly Journal of the Royal Meteorological Society, 121(522): 319-367. DOI:10.1002/qj.49712152206 |
Han M, Wei L. 2008. Study on data assimilation of ocean temperature based on the optimum interpolation method. Ocean Technology (in Chinese), 27(4): 90-92. |
Huang B Y, Banzon V F, Freeman E, et al. 2015. Extended reconstructed sea surface temperature version 4 (ERSST.v4). Part Ⅰ:upgrades and intercomparisons. Journal of Climate, 28(3): 911-930. DOI:10.1175/JCLI-D-14-00006.1 |
Huang B Y, Thorne P W, Banzon V F, et al. 2017. Extended reconstructed sea surface temperature, version 5 (ERSSTv5):upgrades, validations, and intercomparisons. Journal of Climate, 30(20): 8179-8205. DOI:10.1175/JCLI-D-16-0836.1 |
Ishii M, Shouji A, Sugimoto S, et al. 2005. Objective analyses of sea-surface temperature and marine meteorological variables for the 20th century using ICOADS and the Kobe Collection. International Journal of Climatology, 25(7): 865-879. DOI:10.1002/joc.1169 |
Jones P. 2016. The reliability of global and hemispheric surface temperature records. Advances in Atmospheric Sciences, 33(3): 269-282. DOI:10.1007/s00376-015-5194-4 |
Karl T R, Arguez A, Huang B Y, et al. 2015. Possible artifacts of data biases in the recent global surface warming hiatus. Science, 348(6242): 1469-1472. DOI:10.1126/science.aaa5632 |
Kawai Y, Wada A. 2007. Diurnal sea surface temperature variation and its impact on the atmosphere and ocean:a review. Journal of Oceanography, 63(5): 721-744. DOI:10.1007/s10872-007-0063-0 |
Kennedy J J, Rayner N A, Smith R O, et al. 2011. Reassessing biases and other uncertainties in sea surface temperature observations measured in situ since 1850:2. Biases and homogenization. Journal of Geophysical Research:Atmospheres, 116: D14104. DOI:10.1029/2010JD015220 |
Kent E C, Taylor P K. 2006. Toward estimating climatic trends in SST. Part Ⅰ:methods of measurement. Journal of Atmospheric and Oceanic Technology, 23(3): 464-475. DOI:10.1175/JTECH1843.1 |
Kent E C, Kennedy J J, Berry D I, et al. 2010. Effects of instrumentation changes on sea surface temperature measured in situ. WIREs Climate Change, 1(5): 718-728. DOI:10.1002/wcc.55 |
Kent E C, Rayner N A, Berry D I, et al. 2013. Global analysis of night marine air temperature and its uncertainty since 1880:The HadNMAT2 data set. Journal of Geophysical Research:Atmospheres, 118(3): 1281-1298. DOI:10.1002/jgrd.50152 |
Kent E C, Kennedy J J, Smith T M, et al. 2017. A call for new approaches to quantifying biases in observations of sea surface temperature. Bulletin of the American Meteorological Society, 98(8): 1601-1616. DOI:10.1175/BAMS-D-15-00251.1 |
Klein S A, Soden B J, Lau N C. 1999. Remote sea surface temperature variations during ENSO:evidence for a tropical atmospheric bridge. Journal of Climate, 12: 917-932. DOI:10.1175/1520-0442(1999)012〈0917:RSSTVD〉2.0.CO;2 |
Paternoster R, Brame R, Mazerolle P, et al. 1998. Using the correct statistical test for the equality of regression coefficients. Criminology, 36(4): 859-866. DOI:10.1111/j.1745-9125.1998.tb01268.x |
Rayner N A, Parker D E, Horton E B, et al. 2003. Global analyses of sea surface temperature, sea ice, and night marine air temperature since the late nineteenth century. Journal of Geophysical Research, 108(D14). DOI:10.1029/2002JD002670 |
Saha S, Nadiga S, Thiaw C, et al. 2006. The NCEP climate forecast system. Journal of Climate, 19: 3483-3517. DOI:10.1175/JCLI3812.1 |
Smith T M, Reynolds R W. 2002. Bias corrections for historical sea surface temperatures based on marine air temperatures. Journal of Climate, 15(1): 73-87. DOI:10.1175/1520-0442(2002)015〈0073:BCFHSS〉2.0.CO;2 |
Yasunaka S, Hanawa K. 2011. Intercomparison of historical sea surface temperature datasets. International Journal of Climatology, 31(7): 1056-1073. DOI:10.1002/joc.2104 |
Zhang D B. 2017. The assessment report of global hourly ocean surface observation dataset (in Chinese). http://10.1.64.154/idata/web/data/index?dataCode=OCEN_GLB_FTM.
|
Zhu J S, Liu Y D. 2018. Statistical characteristics of ITCZ precipitation in the central-eastern Pacific and its correlation with El Niño. Chinese Journal of Geophysics (in Chinese), 61(1): 80-90. DOI:10.6038/cjg2018K0673 |
宝乐尔其木格, 任国玉. 2013. 海温观测方法及常用海温资料数据集比较. 气象科技进展, 3(6): 52-57. DOI:10.3969/j.issn.2095-1973.2013.06.007 |
韩梅, 魏亮. 2008. 最优插值法在海温数据同化中的应用研究. 海洋技术, 27(4): 90-92. DOI:10.3969/j.issn.1003-2029.2008.04.024 |
张冬斌. 2017.全球海表观测定时值数据集评估报告.国家气象信息中心技术报告. http://10.1.64.154/idata/web/data/index?dataCode=OCEN_GLB_FTM.
|
朱金双, 刘宇迪. 2018. 中东太平洋热带辐合带降水统计特征及其与厄尔尼诺的相关性. 地球物理学报, 61(1): 80-90. DOI:10.6038/cjg2018K0673 |