呼倫貝爾自動氣象站氣溫短序列訂正
——以莫旗為例

劉凌峰 別致宜

(1.博克圖國家基準站，內蒙古 呼倫貝爾 022181；2.烏海市氣象局，內蒙古 烏海 016000)

呼倫貝爾地區關于氣溫、氣候等的研究較多，但是主要是以人工觀測站的數據為基礎[1-2]。由于現在自動氣象站的氣溫數據時間序列較短，且不連續，不具有代表性。但是根據郝清華[3]等人的研究可知，通過一元線性回歸等方法可以對自動氣象站數據進行訂正和延長，通過短序列訂正可以有效地利用自動站的數據。故本文選取呼倫貝爾市自動氣象站(區域站、無人站、和山洪站)的數據，主要以莫旗為例，對莫旗市域內的除國家一般觀測站外的所有自動氣象站數據進行氣溫的短序列訂正。

本研究由于莫旗自動氣象站的資料較少，為滿足訂正精度要求，采用多元回歸訂正法、差值訂正法分別對區域內自動氣象站的氣溫進行訂正，并對比分析其結果。利用以上方法對區域站數據進行處理和應用可以更好地應用于氣象為農、牧、林業服務中去。

1 資料與方法

1.1 研究區概況

本文選用呼倫貝爾市莫旗為主要研究區域，莫旗位于內蒙古自治區呼倫貝爾市東部，屬于呼倫貝爾市重要的農業種植區，屬于溫帶內陸氣候，其旗域內共有15個自動氣象站

1.2 資料來源與處理

本研究數據資料主要是以莫旗自動氣象站2011-2014年的日最高氣溫、日最低氣溫和日平均氣溫的數據為研究數據。并選擇與莫旗、阿榮旗、鄂倫春、扎蘭屯、小二溝5個國家級自動站(與訂正站水平距離不超過350 km，海拔高度差不超過200 m)的日最高氣溫、日最低氣溫和日平均氣溫的數據為基準數據，用于對自動站數據進行訂正。

1.3 研究方法

1.3.1 多元回歸訂正法[5]

設xi(i=1，2，…5)為基準氣象站，具有長且連續的氣象觀測資料，觀測數據序列長度為N年；設y為待訂正自動氣象站，具有短且間斷序列氣象觀測資料，觀測數據序列長度為i年。多元線性回歸是依據訂正站與基本氣候資料序列之間存在著較密切的線性關系而建立的[5]。其回歸方程為：

＾y=b0+b1x1+……+bixi+μ

其中，b0與bi(i=1，2……5)分別為偏差值和相關系數，μ為多元線性回歸估計參數。

1.3.2 差值訂正法[6]

設xi為基準氣象站，觀測數據長度為n年；設y為待訂正自動氣象站；要求基準氣象站數據長度要比訂正自動氣象站數據要長，其差值訂正法的訂正公式為：

2 結果分析與應用

2.1 不同訂正方法的比較分析

本研究建立訂正站與5個國家級自動站之間的多元回歸方程(表1)，并分析兩組數據的相關關系(表2)。通過分析可知，訂正站與基本站之間的相關系數都較高，除巴彥齊最高氣溫相關系數為0.553，可以通過置信度95.0%的信度檢驗外，其它臺站相關系數均在0.70以上，均可通過99.9%的信度檢驗，相關結果為極顯著。通過多元線性回歸方程可以看出，訂正站與莫旗國家級自動站的相關性更高，其多元回歸法方程系數更大，但是對于北部地區的訂正站，例如紅彥、哈達陽齊、巴彥齊、奎勒河齊、額爾和齊等，其與小二溝國家級自動站的相關性也較高。

表2-1 訂正站與國家級自動站多元回歸方程參數表

表2 訂正站與基本站氣溫多元回歸關系表(具體參數參見表3)

根據屠其璞[7]對差值訂正法的分析，當訂正站有3a以上5a以下的觀測資料時，差值訂正法可求得到較為滿意的訂正結果。但是本研究中大部分訂正臺站有4a觀測資料，但是由于安裝、調試等期間造成初期觀測資料大量丟失或缺測，同時在冬季設備運行不穩定，觀測數據資料也有缺測的現象，數據連續性較差，實際數據長度要小于3a，故差值訂正法并不能得到較好的效果。多元回歸訂正法的相關性較差值訂正法的相關性好，在水平距離小于200 km的小區域的短序列訂正過程中，多元回歸訂正法采用多個國家級自動站數據，其訂正效果要好于差值訂正法，同時多元回歸訂正法采用多個國家級觀測站數據，其數據擬合效果更好，更具有代表性。故本研究對于數據連續性較差、數據長度較短的自動氣象站氣溫數據，建議使用多元線性回歸法。但是本研究未對一元線性回歸訂正法與多元線性回歸訂正法進行對比，需進行進一步研究。

3 結論

本研究以莫旗、阿榮旗、鄂倫春、扎蘭屯、小二溝為基準站，莫旗域內15個自動氣象站為訂正站，分別利用多元線性回歸訂正法和差值訂正法建立基本站與訂正站之間關于平均氣溫、最低氣溫和最高氣溫的多元線性方程，得出以下結論。

(1)多元線性回歸法與周邊5個基準站數據進行擬合，其訂正后數據與基準站數據的極顯著相關。差值訂正法對待訂正數據站進行訂正，對訂正后誤差進行分析可知，訂正后的數據絕對誤差值較大，其中平均誤差值要好于最高、最低氣溫，其中最高氣溫的訂正效果好于最低氣溫，但是其誤差值還是在1.0 ℃左右。

(2)雖然待訂正數據值的時間長度達4a，但是由于其數據連續性較差，實際數據長度要小于3a，所以差值訂正法的訂正效果較差。所以多元訂正法擬合了周邊5個氣象站的數據，其訂正效果要好于差值訂正法。故本研究建議，對于氣溫數據序列連續性較差且數據長度較短時，還是建議選用多元線性回歸法進行訂正。

本研究僅僅對比了多元線性回歸法與差值訂正法兩種訂正方法，對于一元線性訂正法的訂正方法并未涉及，需做進一步研究。