文章信息
- 邬宏, 张称意, 王立新, 池亚飞
- Wu Hong, Zhang Chengyi, Wang Lixin, Chi Yafei
- 近50年中国东部林区最高气温序列
- Maximum Temperature Series in Eastern Forest Region of China in Recent 50 Years
- 林业科学, 2013, 49(8): 1-9
- Scientia Silvae Sinicae, 2013, 49(8): 1-9.
- DOI: 10.11707/j.1001-7488.20130801
-
文章历史
- 收稿日期:2013-1-27
- 修回日期:2013-6-28
-
作者相关文章
2. 国家气候中心 北京 100081
2. National Climate Center Beijing 100081
东部林区是我国重要的经济用材林和水土涵养林基地,气候变化可能会对林区的树木种植、林木抚育、病虫害防治、林火控制等产生影响(方修琦等,2002; Nemani et al., 2003),但目前东部林区的气候变化事实尚无报道。摸清该区域的气候变化事实,探讨其可能的演变趋势,极有利于该区域林业生产的气候变化应对。
长时间序列、连续且均一性较好的历史气象数据集是气候研究的基础。均一性时间序列被定义为只包含天气和气候变化的序列(Conrad et al., 1950)。但是,大多数长时间序列却受到很多非气候因素的影响,以至于不能反映气候因素的真实变化。这些影响均一性的非气候因素主要有站点迁移、仪器及观测技术的变更、观测时间及计算均温方法的改变和站点周围环境的改变(Mitchell,1953)。这些因素可能会导致虚假的、不连续的变化趋势,以至于得出模糊甚至是歪曲的气候变化事实(Jones et al., 1986)。因此,有必要进行非均一性检验和均一性订正,去除由非气候因素引起的虚假气候变化信号,使非气候因素对资料均一性的影响减少到最低,以达到揭示温度真实变化的目的。
针对温度资料的均一化问题,国外许多学者提出过不少解决方案: Alex and ersson(1986)提了标准正态均一化检验方法,目前被广泛应用; Solow(1987)提出了二位相回归检验法,通过在双位相回归中确定变点来检验时间序列的变化趋势; 匈牙利气象局开发了序列均一性的多元分析(MASH)。国内也有很多学者开展了均一性研究工作: Li 等(2009a)应用综合方法(结合元数据)建立了中国东南部均一化历史气温资料数据库; Li 等(2009b)应用MASH 方法对中国549 个站点气温数据进行了均一化订正,对比分析了订正前后1960—2008 年温度变化趋势。
Wang(2003)对二位相回归检验法进行系列改进之后,提出了惩罚最大F 检验方法(PMFT),该方法能够有效避免非均一的参考序列带来的检验误差,提高了检验的准确性。本研究选取RHtest 方法进行均一性检验和订正。该方法是基于惩罚最大t检验(PMT)(Wang et al., 2007)和惩罚最大F 检验(Wang,2008a)的均一化方法,充分考虑了自相关、误报警率和检测能力的非均匀分布问题(Wang,2008b)。通过应用经验的惩罚函数,可降低误报警率和改善长时间数据序列的检测能力。
本研究在年和季节尺度上分析我国东部林区最高气温变化趋势,针对观测序列中存在少量缺测记录,应用线性回归模型对缺测日最高气温进行插补,得到记录齐全的完整逐日最高气温序列。在此基础上应用RHtest 方法对月平均高温序列进行均一性检验和订正,最终建立了完整且均一的最高气温数据集。旨在揭示我国东部林区的气候变化事实,进而为东部林区的气候变化应对提供气候学背景依据。
1 研究区概况东部林区共包含19 个省(市、自治区),分别为内蒙古、陕西、山西、河北、北京、天津、山东、江苏、安徽、河南、湖北、湖南、江西、上海、浙江、福建、广东、广西和海南。其中内蒙古、陕西、山西、河北、北京及广西仅为部分地区(池亚飞等,2013)。东部林区是研究时段内我国气象站点最为密集的区域。
2 研究方法 2.1 气象数据来源1961—2010 年逐日最高气温资料来源于国家气象信息中心资料室,并已经过初步质量控制。本研究剔除了月值缺测的站点; 为了减少城市热岛效应的影响,同时剔除了东部林区中省会城市内的站点以及位于北京、上海、天津市市区内的站点。最终选定了区域内853 个气象观测站点。
2.2 缺测日值插补通过缺测站点和周围参考站点的气温序列建立一元线性回归模型来插补缺测的日最高气温。具体步骤为:1)将缺测站点定为A 站点,参考站点定为B 站点,缺测日期计为a 时间,a 时间上下各7 天共14 天计为b 天,此a + b 天计为c 时间,该c 天邻近4 年相同时间段的每年c 天,共4c 天记为d 时间,将该d + b 时间记为e 时间;2)以缺测站点为圆心、半径50 km 范围内的站点均作为候补参考站点;3)若B 站点相应的c 时间无缺测,则将B 站点定为准参考站点,否则将其剔除出候补参考站点依次检查所有的B 站点,确定所有的准参考站点;4)将所有的准参考站点的e 时间序列取平均得到参考站点序列;5)A 站点的e 时间序列和对应的参考站点序列通过最小二乘法建立一元线性回归方程;6)代入所有准参考站点a 时间平均得到的日平均最高气温,求得插补日最高气温。
选用交叉验证法对日最高气温缺测记录的插补结果进行检验(Allen et al., 2001)。即假设某个站某天记录缺测,利用插补模型法插补出所缺测的日最高气温,然后对插补值与实际观测值进行对比分析。用平均误差(mean error,ME)和平均绝对误差(mean absolute error,MAE)来检验插补精度:
RHtest 方法是基于PMT(Wang et al., 2007)和PFMT(Wang,2008a)的均一化方法。它经验性地考虑了时间序列的lag-1 自相关,并嵌入递归检验算法(Wang,2008b)。基于RHtest 的RHtestV2 软件,能够用于检验、订正包含一阶自回归误差的数据序列的多个突变点(平均突变)。
对于存在线性趋势的时间序列{ Xt},如果有一间断点且出现在序列k 处(1≤k≤n),则最可能的间断点服从以下分布:
通过回归检验算法来检验出突变点,并将突变点按照统计值PFmax由大到小排列,形成列表。根据列表中的PFmax值及其相应的95% 不确定区间判断最小的突变点是否显著。若PFmax统计值大于相应的95%不确定区间上限,则可以确定为显著,若小于下限则不显著。然而,如果PFmax统计值位于95%不确定性区间,就只能主观确定这个突变点是否显著,这是由估计序列未知的lag-1 自相关内在的不确定性引起的。确定为不显著时剔除该突变点,调用函数再次评估剩余突变点的显著性水平。重复整个评估过程进行再评估,直到检测出的每个突变点都被确定为显著。如果至此没有统计显著的突变点,检验的时间序列被认为是均一的,不再需要进行该序列的订正。
订正时,待订正序列与参考序列(均一性序列)的差值序列被用来识别突变点的位置和显著性,最后用一个有普遍趋势的多相回归模式来拟合差值序列的距平(相对于平均年循环),获得突变值的最终估计,依据这个由差值序列估计的突变大小Δ,将突变点前的差值序列订正到突变点后的差值序列上,即为订正差值序列,所以订正差值序列加上参考序列即为订正序列。本研究依据此原理开展853 个站点日最高温度序列的订正。
2.4 气候倾向率采用气候倾向率对年和季节尺度的最高气温进行分析。该方法把最高气温表示为时间的线性函数,即$\hat y = {\alpha _0} + {\alpha _1}t$,运用最小二乘法得到回归系数a1,a1×10 为气温变化速率,也称为气温变化趋势或气候倾向率。采用0.05和0.01 的t 检验法对最高气温变化趋势进行显著性检验,即当相关系数的绝对值分别≥0.280和≥0.362 时,表示相关显著和极显著,认为气温变化不是随机振动而是明显的气候趋势。
采用非参数检验Mann-Kendall 法(魏凤英,1999)对东部林区近50 年平均最高气温序列进行突变检验。
最高气温变化趋势空间分布图采用地理信息系统(ArcGIS)的反距离插值(IDW)法进行空间插值。
2.5 四季的划分分别将3—5,6—8,9—11和12 月至翌年2 月划定为春、夏、秋、冬四季。
3 结果与分析 3.1 插补结果与检验本研究随机选取位于本区域内偏南、中间、偏北部位的3 个站点进行插补验证。3 个站点共随机选取了371 个最高气温日值,人为将其去除,视为“缺测”,用插补模型进行插补,得到插补值。然后用观测值减去插补值,得到插补误差。其直方图如图 1所示,插补误差集中在0 ℃ 附近,误差范围为-1.5 ~1.7 ℃,插补误差平均值即ME 为0.01 ℃,标准正态曲线围绕在平均值0.01 ℃周围。统计得到MAE 为0.38 ℃。可见,插补误差较小。
为了验证插补是否会对东部林区年平均最高气温序列产生影响,计算林区插补差值序列(图 2)。林区插补后,1961—2010 年最高温度序列减去原始序列即为插补差值序列。插补差值范围为-0.0003 ~0.0001 ℃,其绝对平均值为0.00007℃。因而,插补对东部林区的最高温度序列无明显影响。需要指出的是,经过插补,补全了研究时段内缺测的记录,建立了东部林区853 站1961—2010 年完整的逐日最高气温数据集。
东部林区1961—2010 年均一化前后平均最高气温增温速率分别为每10 年0.179和0.171 ℃,订正后较订正前降低了0.008 ℃。东部林区订正差值序列见图 3,即订正后各年的最高温度减去订正前的对应值所得序列。1965—1999 年及2010 年订正值为正值,其余年份为负值;1979 年订正差值最大(0.065 ℃),2007 年最小(-0.017 ℃); 订正差值绝对平均值为0.035 ℃。东部林区订正后的年平均最高温度变化趋势与订正前差值很小(表 1),表明订正对整个林区最高温的年增温速率影响不明显。
2010 年东部林区年平均最高气温呈显著的增暖趋势。50 年间,最高温度呈波动式上升。20 世纪60—80 年代,东部林区平均最高气温呈波动式下降,1984 年温度达最低,为19.8 ℃; 之后呈波动上升,2007 年最高,为21.9 ℃。
3.2.2 单站点最高温度非均一性大小和订正对其年变化趋势的影响表 2 列出了订正前后年及4 季平均最高气温变化趋势的站点个数。订正后,整个林区在年尺度上均呈现出增温态势,而订正前甚至有部分站点(8 个)呈降温趋势。订正后,年尺度上极显著增温(0.01 显著水平)的站点数量较订正前明显多; 但在季节尺度上,春、秋季极显著增温的站点较订正前多,夏、冬季则减少,夏季显著和极显著降温的站点数量订正后均比订正前少,但降温的站点数有所增加。
本研究从趋势差值和平均绝对偏差2 个方面衡量了非均一性大小和订正对气候趋势的影响(图 4)。趋势差值是指订正后站点气候倾向率和订正前的气候倾向率的差值。平均绝对偏差是指平均绝对非均一性,定义为1961—2010 年间所有的非零日偏差(订正日值与非订正日值的差)的算术平均绝对值。如图 4 所示,东部林区单站的趋势差值为每10 年±0.3 ℃。趋势差值超过每10 年-0.4 ℃的有2 个站,分别是五台山站点(趋势差值最小,为每10 年-1.28 ℃)和五峰站点(每10 年-0.63 ℃)(表 1)。平均绝对偏差为0 的站点有367 个(占总数853 的43%),0 ~1 ℃ 的站点有472 个(占55%),超过1 ℃的站点有14 个(2%)。平均绝对偏差超过2.0 的站点仅3 个,依次为五台山(5.5 ℃)、三亚(4.9 ℃)和五峰(2.3 ℃)。因此,本研究收集了这3 个站点的元数据,分析订正对这3个特例站点的影响。
RHtest 均一性检验发现五台山站点月最高气温序列突变点为1997 年12 月。该站点在1998 年1月1 日进行了迁站,使得台站海拔下降了700 m,水平距离达到20 km(高晓容等,2008)。迁站导致该站点突变点后最高温度突然抬升,整体比迁站前的高(图 5)。由此可见迁址对最高温度序列产生了非常大的影响。订正不仅辨识出了迁站的突变点,而且订正后该站点最高气温的增温速率有明显下降(图 5)。
三亚站在均一化后最高气温增温速率明显增大(图 5)。元数据表明:2009 年1 月1 日该站从原海南岛崖县三亚镇榕根坡搬迁到六道岭山顶,海拔由原来的6 m 提高到现在的418 m,新旧站址间的直线距离达10000 m。经RHtest 检验,突变点为2008 年12 月。由于台站迁移的影响,该站气温序列非常不均一,迁站后2009 年最高温度显著降低(图 5)。
五峰站在订正后增温速率明显下降(图 5)。该站RHtest 检验的突变点为1993 年12 月。1994 年1月1 日该站从海拔为908 m 的山上搬迁到附近海拔620 m 处,海拔降低290 m(Li et al., 2009a;2009b)。此站的迁址使得高温序列在迁站后明显抬升(图 5)。
订正后,五台山、三亚及五峰这3 个站点均与周围站点的增温趋势一致。这3 个特例站点的订正结果表明: RHtest 均一化的数据资料能够降低台站迁移等造成的非均一性。主要的非均一性能够通过RHtest 检验出来并加以订正,而且检测出的突变点时间与迁站时间一致。所以,可以将RHtest 方法在没有元数据支持的情况下用于均一性检验和订正,使非气候因素对资料的均一性影响降到最低。
这样,经过均一化检验和订正,建立了1961—2010 年东部林区853 个站点均一化的最高气温序列。
3.2.3 林区最高气温年变化的突变与空间变化采用Mann-Kendall 法对全区域年平均最高气温序列的突变检验显示,近50 年东部林区年平均最高气温在20 世纪80 年代中期开始呈上升趋势,2003 年开始气候显著变暖。在Mann-Kendall 统计量上表现为UF 曲线呈明显上升趋势,超过了0.01 的显著水平。UF 曲线和UB 曲线相交于1997 年左右,出现明显突变(图 6)。
从订正后东部林区年平均最高气温增暖趋势的空间格局(图 7)来看,整个林区均呈现增温趋势。显著增温的站点主要集中在林区西北部、长江流域、东南沿海及海南省,林区西北部和浙江省东部沿海有不少站点的增温速率甚至大于每10 年0.40 ℃。不显著增温站点集中在长江流域以北的区域和林区南部部分区域,增温速率为每10 年0.00 ~0.19 ℃。其中,长江以北的不显著增温区域包括河南省、河北省南部和山东省东部,林区南部的部分区域为广西、广东、福建与以北的湖南、江西的交界区域。
东部林区近50年订正后平均最高气温四季(春、夏、秋、冬)变化特征分别为增温、降温、增温和增温(图 8)。春、秋、冬3 季平均最高气温都显著增加,都对年平均最高气温的上升贡献大,其中冬季贡献最大,春季次之。而夏季呈微弱的降温趋势。
东部林区是我国气象观测站点最为密集的区域,本研究利用这一有利条件,采用线性插补模型,对该林区1961—2010 年无月值缺测记录的853 站点缺测日资料进行了插补。插补检验得出平均误差ME 为0.01 ℃,平均绝对误差MAE 为0.38 ℃。王海军等(2008)应用线性回归模型对缺测的日气温数据进行插补试验,得出逐日最高气温的平均绝对误差为0.32 ℃,因此,本研究插补具有较小的插补误差。通过对缺测值的补插,最终建立了该时段日最高气温的完整日值数据集。
运用RHtest 方法对1961—2010 年东部林区最高气温进行均一性检验和订正。结果表明: 均一性订正对整个林区的最高气温变化趋势影响很小,但对个别站点的影响却非常大,这与Li 等(2009b)的研究结果一致。Li 等(2009b)得出均一化后最高气温增速较订正前每10 年降低了0.009 ℃,本研究得出最高气温增速订正后较订正前每10 年降低了0.008 ℃。特例站点的订正结果显示: RHtest 方法能够准确检出非气候因素的突变点时间,且检验的突变点时间与迁站时间一致; RHtest 方法能够用于均一性订正。曹丽娟等(2011)在回顾近年来国内外地面气候资料均一性研究进展、研究技术及发展趋势的基础上,总结出目前国内广泛应用的2 种较为成熟的均一化方法为Rhtest和MASH 方法。曹丽娟等(2010)利用PMFT 方法结合台站元数据信息对我国701 个气象观测台站年平均风速资料进行均一性检验,结果表明该检验方法在对风速资料进行均一性检验时能够检出非均一的突变点。尽管气候序列的非均一性很难彻底移除,但均一性订正无疑能使非气候因素对资料的影响大大减少。对东部林区最高温序列进行均一性订正,最终形成了均一化的最高气温数据集。
订正后年及4 季(春、夏、秋、冬)平均最高气温增温速率分别为每10 年0.171,0.233,-0.002,0.201和0.263 ℃。Li 等(2009b)研究得出,我国1960—2008 均一化年及4 季最高气温增温速率分别为每10 年0.193,0.209,0.092,0.229和0.244℃。对比LLi 等(2009b)的研究结果,在年尺度,东部林区平均最高气温增温速率小于我国平均水平。陈隆勋等(1998)对中国近45 年来气候变化的研究表明:1985 年以前,我国最高气温略有变冷,最低气温变暖,但最低气温变暖趋势大于最高气温变冷趋势。这一点与全球气温变化特征一致,亦即最高气温变化不大而最低气温增暖明显。但自1985 年以来,最高最低气温都是变暖的,即1985 年以后中国变暖并不是完全以最低气温变暖为主的,最高气温的升高也对中国气候变暖做出了贡献。四季中,春、秋、冬3 季升温显著,冬季升温最大,其次是春季。Li 等(2009b)研究表明夏季最高气温降温主要是由于8月份降温引起的,这可能与该区域8 月份雨季中期的云量大有关。然而在全球气候变暖、水循环增强的大背景下,该区域云量的变化特征与演变趋势,需要进一步探索。
李庆祥等(2006)对我国约731 个基准、基本站气温资料进行了均一性检验与订正,于2006 年发布了中国第一版均一化历史气温数据(1951—2004)。之后Li 等(2009b)应用MASH 方法对我国549 个基准、基本站1960—2008 年逐日平均、最高和最低温度序列进行了检验与订正。近几年,我国观测系统发生了一些诸如自动化仪器的引入,城市发展下的台站迁址,业务调整等新的变化,使得资料序列出现了一些新的影响其均一性的因素。在此背景下,本研究对东部林区内853 个观测站的最高气温日缺测值进行插补,随之进行了均一化订正,首次建立了该林区均一化的完整最高温数据集。无疑,气候变化对森林产生着影响; 森林的可持续经营与管理,需要适应气候变化(朱建华等,2007)。本研究所建立的均一化完整数据集,必将为进一步探讨该区域气候变化对森林的影响奠定基础。
[1] | 曹丽娟, 鞠晓慧, 刘小宁. 2010. PMFT方法对我国年平均风速的均一性检验. 气象, 36(10): 52-56.(1) |
[2] | 曹丽娟, 严中伟. 2011. 地面气候资料均一性研究进展. 气候变化研究进展, 7(2): 129-135.(1) |
[3] | 陈隆勋, 朱文琴, 王 文, 等. 1998. 中国近45年来气候变化的研究. 气象学报, 56(3): 2-16.(1) |
[4] | 池亚飞, 张称意, 梁存柱, 等. 2013. 1961—2010 年中国东部林区降水的完整日值序列建立与变化特征. 应用生态学报, 24(4): 1047-1054.(1) |
[5] | 方修琦, 余卫红. 2002. 物候对全球变暖响应的研究综述. 地球科学进展, 17(5): 714-719.(1) |
[6] | 高晓容, 李庆祥, 董文杰. 2008. 五台山站历史气候资料的均一性分析. 气象科技, 36(1): 112-118.(1) |
[7] | 李庆祥, 张洪政, 刘小宁, 等. 2006. 中国均一化历史气温数据集(1951—2004): 1.0 版.北京: 国家气象信息中心气象资料室.(1) |
[8] | 王海军, 涂诗玉, 陈正洪. 2008. 日气温数据缺测的插补方法试验与误差分析. 气象, 34 (7): 83-91.(1) |
[9] | 魏凤英. 1999. 现代气候统计诊断与预测技术. 北京: 气象出版社, 63-66.(1) |
[10] | 朱建华, 侯振宏, 张治军, 等. 2007. 气候变化与森林生态系统: 影响、脆弱性与适应性. 林业科学, 43(11): 138-145.(1) |
[11] | Alexandersson H. 1986. A homogeneity test applied to precipitation data. Journal of Climatology, 6 (6): 661-675.(1) |
[12] | Allen R J, Gaetano A T. 2001. Estimating missing daily temperature extremes using an optimized regression approach. Int J Climatol, 21(11): 1305-1319.(1) |
[13] | Conrad V, Pollak L W. 1950. Methods in climatology. Cambridge MA: Harvard University Press, 459.(1) |
[14] | Jones P D, Raper S C B, Bradley R S, et al. 1986. Northern Hemisphere surface air temperature variations: 1851—1984. J Climate Appl Meteor, 25(2): 161-179.(1) |
[15] | Li Q X, Dong W J. 2009a. Detection and adjustment of undocumented discontinuities in Chinese temperature series using a composite approach. Advances in Atmospheric Sciences, 26 (1): 143-153.(2) |
[16] | Li Z, Yan Z W. 2009b. Homogenized daily mean/maximum/minimum temperature series for China from 1960—2008. Atmospheric and Oceanic Science Letters, 2(4): 237-243.(5) |
[17] | Mitchell J M. 1953. On the causes of instrumentally observed secular temperature trends. J Meteor, 10(4): 244-261.(1) |
[18] | Nemani R R, Keeling C D, Hashimoto H, et al. 2003. Climate-driven increases in global terrestrial net primary production from 1982 to 1999. Science, 300(5625): 1560-1563.(1) |
[19] | Solow A R. 1987. Testing for climate change: an application of the two-phase regression model. Journal of Climate and Applied Meteorology, 26(10): 1401-1405.(1) |
[20] | Wang X L. 2003. Comments on "detection of undocumented changepoints: a revision of the two-phase regression model". Journal of Climate. 16(20): 3383-3385.(1) |
[21] | Wang X L, Wen Q H, Wu Y. 2007. Penalized maximal t test for detecting undocumented mean change in climate data series. Journal of Applied Meteorology and Climatology, 46(6): 916-931.(2) |
[22] | Wang X L. 2008a. Penalized maximal F test for detecting undocumented mean shift without trend change. Journal of Atmospheric and Oceanic Technology, 25(3): 368-384.(3) |
[23] | Wang X L. 2008b. Accounting for autocorrelation in detecting mean shifts in climate data series using the penalized maximal t or F test. Journal of Applied Meteorology and Climatology, 47(9): 2423-2444.(2) |