ERA5-Land、MERRA2氣溫、降水數據在呼倫貝爾地區的適用性研究

曲學斌，林 聰，辛孝飛，敖孟奇，烏尼爾，王彥平

（1.呼倫貝爾市氣象局，內蒙古 呼倫貝爾 021008；2.呼倫貝爾市農牧局，內蒙古 呼倫貝爾 021008）

天氣和氣候分析離不開大量的氣象數據支持，因此有效獲取高質量、長序列、高分辨率的氣候資料數據一直是大氣科學研究和發展的重要基礎和根本保障[1]，然而傳統氣象監測站網布設受人口、地形、交通等因素影響，分布極不均勻[2]。尤其在新疆、西藏、內蒙古、青海等人口稀少地區，氣象監測站網稀疏，單一氣象站的監測數據難以代表整個區域的氣候特征[3]。20世紀80年代后期，隨著氣象資料同化技術在數值預報中應用的不斷成熟，科學家們提出了利用數值天氣預報中的資料同化技術來恢復長期歷史氣候記錄，即所謂的大氣資料“再分析”[4]。90年代中期至今，美國、歐盟和日本等國家先后組織研發大氣再分析數據產品[5]，例如美國國家環境預報中心（NCEP）和美國國家大氣研究中心（NCAR）的聯合項目NCEP/NCAR和第2版本NCEP/DOE再分析數據[6]；美國國家航空航天局（NASA）全球模擬與數據同化辦公室發布的MERRA及其第2版本MERRA2再分析數據[7]；日本氣象廳（JMA）與日本電子能源工業中央研究所（CRIEPI）聯合開發的JRA-25及其后發布的JRA-55[8]；歐洲中期天氣預報中心（ECMWF）依次研發的FGGE、ERA-15、ERA-40、ERA-Intrim、ERA5的5代再分析數據[9]。

隨著高性能計算能力的飛速發展，再分析數據的時空分辨率不斷提升，為解決觀測資料缺乏、時空分布不均等問題提供了新的途徑和方法，必將在未來區域氣候變化分析和研究中得到廣泛應用[10]，但受同化方案等因素的影響，不同再分析數據的可信度需要進一步驗證[11]。近年來，我國學者針對再分析數據的本地適用性研究逐漸增多。除多等[12]、秦艷慧等[13]分別對MERRA和ERA-Interim再分析地面溫度在青藏高原地區的適用性進行分析，證明兩者有很高的數據代用價值。白磊等[14]對比兩類再分析氣溫、氣壓在天山山區的適用性，發現ERA-Interim數據的整體可信度高于NCEP/NCAR。朱景等[15]對比分析ERA-Interim和ERA5再分析陸面溫度在浙江省的適用性，得出兩套數據在浙江省均具有較好適用性且相比之下ERA5更加優秀。宋海清等[16]對比多種土壤濕度資料在內蒙古的適用性，發現ERA5的模擬能力最優，且再分析土壤濕度普遍好于基于衛星融合的SMOPS土壤濕度。

呼倫貝爾地處我國東北部邊疆，擁有大興安嶺森林、呼倫貝爾草原、松嫩平原邊緣農業種植區等多種生態系統，是我國北方重要的生態屏障之一[17]。呼倫貝爾地區屬半濕潤與半干旱、中溫帶與寒溫帶氣候的過渡區，加之地形地貌多樣，氣候環境較為復雜[18]。而該地區僅有16個國家級氣象站，可用于氣候變化分析和研究的地面實測數據較為缺乏，對長時序、高時空分辨率的再分析數據需求旺盛。開展再分析數據在呼倫貝爾地區的適用性分析，可為其在呼倫貝爾的應用提供科學參考，有效彌補氣象臺站稀疏、氣候數據缺乏等問題。

1 資料與方法

1.1 研究區概況

呼倫貝爾地區位于內蒙古自治區東北部（115°31＇～126°04＇E，47°05＇～53°20＇N），總面積2.53×105km2（圖1）。大興安嶺以東北—西南走向橫貫全市，來自海洋的濕潤氣流受其阻擋，嶺東為半濕潤氣候，嶺西為半干旱氣候。大興安嶺北部屬年平均氣溫＜0℃的寒溫帶，其余地區屬中溫帶。總體氣候呈現冬季寒冷漫長、夏季溫涼短促、春季干燥風大、秋季氣溫驟降的特點[19]。

圖1 呼倫貝爾市植被覆蓋及氣象站分布

1.2 數據資料

ERA5再分析數據是歐洲中期天氣預報中心（ECMWF）研發的第5代再分析數據，與前一代ERA-Interim相比，ERA5采用4DVar數據同化方法，集成預報系統模式由Cy31r2升級到Cy41r2，快速輻射傳輸模式升級到RTTOV-v11，數據質量提升明顯[20]。ERA5-Land是通過ERA5再分析模型生產的再分析數據集，該模型通過物理法則將來自世界各地的觀測數據結合到一個全球完整且一致的數據集中[21]。目前ERA5-Land已發布1981年至今的逐小時及逐月全球數據，其空間分辨率高達0.1°×0.1°（約9 km），可從C3S氣候資料庫（https：//cds.climate.copernicus.eu/）免費獲取[22]。

MERRA2是美國國家航空航天局（NASA）的再分析數據。劉鵬飛等[23]對CFSR、MERRA、NCEP三種再分析降水資料在我國東北的適用性分析表明，MERRA與觀測降水的相關系數最高，平均絕對偏差最小，數據質量明顯優于CFSR和NCEP。MERRA2作為MERRA再分析數據的第二代產品，增加了對高光譜輻射、微波數據和GPS掩星等數據的同化處理，是目前應用廣泛的再分析數據之一[24]。

真實氣象數據使用呼倫貝爾市氣象局提供的16個國家氣象站月氣溫、降水觀測數據。

1.3 分析方法

利用ArcGIS軟件繪制地面觀測與再分析數據的空間分布圖，并使用SPSS和Excel軟件進行數據分析，其中地面觀測的氣溫、降水分布采用16個氣象站觀測數據與經度、緯度、海拔高度建立的小網格插值方法進行繪制，插值方程為：

式中，T和P分別為基于小網格插值計算出的氣溫和降水，Lon為經度、Lat為緯度、H為海拔高度，r為小網格插值方程的相關系數，其值越接近1，方程的質量越高。

利用線性相關系數R、平均偏差Me、均方根誤差Rmse，結合散點斜率法，分析再分析數據與觀測數據的一致性和偏離程度[25]。某一氣象要素觀測值與再分析數據的相關系數計算公式為：

平均偏差：

均方根誤差：

式中，n為樣本數；x和y分別為再分析數據和氣象站觀測數據，x、y分別是變量x和y的均值。R是變量x和y的相關系數，取值范圍在-1~1，其絕對值越接近1，表示變量x和y變化的線性相關性越好；Mbe是平均偏差、Rmse是均方根誤差，兩者可用來衡量觀測值與真值之間誤差的偏移方向、偏移程度和離散情況。

2 結果與分析

2.1 空間分布

1981—2019年呼倫貝爾市地面氣象站、氣象站所在位置的ERA5-Land、MERRA2年平均氣溫分別為-0.1、0.4、0.2℃，年平均降水分別為411.8、397.8、435.9 mm，其空間分布見圖2。地面氣象站觀測的小網格插值結果、ERA5-Land、MERRA2的氣溫大體均呈現由大興安嶺北部向南部及兩麓遞增分布，降水大體均呈現自東向西依次遞減分布。三者氣溫、降水數據的空間分布基本一致，其中氣象站小網格插值實況的空間分辨率最高，但此方法反演的氣象要素質量與其是否由地形及經緯度決定有關，并非適用于所有區域，ERA5-Land與MERRA2兩種再分析數據相比，ERA5-Land的空間分辨率更高，有利于反映更多氣象要素分布細節，而MERRA2的空間分辨率較低，不適合小區域分析和制圖。

圖2 1981—2019年呼倫貝爾市地面觀測、氣象站所在位置ERA5-Land、MERRA2的年平均氣溫與降水量分布

2.2 氣溫誤差分析

1981—2019年共468個月的呼倫貝爾地區ERA5-Land、MERRA2與地面觀測月平均氣溫相關性及偏差分析如表1。ERA5-Land、MERRA2與地面觀測月平均氣溫的相關系數均在0.995以上，其中87.5%的臺站ERA5-Land與地面觀測數據的相關系數高于MERRA2，再分析數據與實況數據的相關性較高。兩種再分析數據與地面觀測月平均氣溫的均方根誤差最大值僅2.6℃，平均偏差在±2℃以內，其中ERA5-Land與地面觀測月平均氣溫的均方根誤差、平均偏差小于MERRA2的臺站數分別占75%和43.8%，分臺站統計來看，ERA5-Land平均誤差為負的區域主要集中在大興安嶺以東的阿榮旗、博客圖、鄂倫春旗、莫旗和扎蘭屯市，而MERRA2誤差為負的區域相對離散。綜上，ERA5-Land、MERRA2再分析數據與地面觀測月平均氣溫數據非常接近，在呼倫貝爾地區均具有很高的適用性，且ERA5-Land的總體適用性略優于MERRA2。

表1 1981—2019年呼倫貝爾市地面觀測月平均氣溫與ERA5-Land、MERRA2的相關性及誤差分析

1981—2019年呼倫貝爾市地面觀測、ERA5-Land和MERRA2在氣象觀測站所在地平均的年、月氣溫變化見圖3a、3b。兩種再分析數據的年平均氣溫普遍高于地面觀測數據，其中ERA5-Land的各年平均氣溫均高于地面觀測數據，且僅有5 a的ERA5-Land年平均氣溫低于MERRA2，MERRA2的年平均氣溫常介于地面觀測和ERA5-Land數據之間。分臺站統計年氣溫變化可知，表1中再分析數據與觀測數據間整體平均誤差為正的臺站，出現正誤差的年份也多于負誤差年份，反之亦然。因此從單站來看，再分析數據與實測數據間可能存在一定的系統性偏差，在使用時可分臺站進行誤差訂正。月平均氣溫中，兩種再分析數據與地面觀測月平均氣溫均在暖季呈負偏差，冷季呈正偏差。其中，ERA5-Land在每年11月—次年3月與地面觀測的偏差＞1℃，最大偏差出現在2月（偏高1.77℃）；MERRA2在每年12月—次年2月與地面觀測的偏差＞1℃，最大偏差出現在12月（偏高1.72℃）。11月—次年3月，兩種再分析數據月偏暖＞3℃的臺站均為額爾古納市和圖里河，月偏暖平均＞2℃的臺站也大多位于大興安嶺北部山區及嶺西牧區等冬季易出現極寒天氣的寒冷地區，而再分析數據反映的極寒程度不及觀測數據。ERA5-Land和MERRA2與觀測月平均氣溫的散點圖如圖3c、3d，ERA5-Land和MERRA2的趨勢線相關系數分別為0.995 6、0.993 1，趨勢線與1∶1線的交點分別在9.63、5.33℃，兩種再分析月平均氣溫大體呈現出在低于交點氣溫時高于觀測數據，在高于交點氣溫時低于觀測數據的分布方式。

圖3 1981—2019年呼倫貝爾市地面觀測、ERA5-Land、MERRA2的年平均氣溫（a）、月平均氣溫（b）和ERA5-Land（c）、MERRA2（d）與地面觀測的月平均氣溫散點

2.3 降水誤差分析

1981—2019年各臺站ERA5-Land、MERRA2再分析數據與地面觀測月降水量的相關性及偏差分析如表2。兩種再分析數據與地面觀測月降水量的相關系數最低值均出現在新左旗，分別為0.897 8、0.899 6，其余臺站的相關系數均＞0.9，明顯低于氣溫的相關系數，且ERA5-Land與地面觀測數據的相關系數高于MERRA2的臺站僅占25%。ERA5-Land、MERRA2再分析數據與地面觀測月降水量的最大均方根誤差分別為27.1、25.9 mm，所有臺站ERA5-Land的均方根誤差均高于MERRA2；ERA5-Land、MERRA2的最大平均偏差分別為-4.6、6.0 mm，其中ERA5-Land有75%臺站的平均偏差為負，而MERRA2平均偏差為負的臺站僅占18.8%且均位于大興安嶺東南麓的農業種植區。綜上可知，ERA5-Land月降水量的適用性整體差于MERRA2，且存在ERA5-Land月降水量數值偏低的問題。

表2 1981—2019年呼倫貝爾市地面觀測月降水量與ERA5-Land、MERRA2的相關性及誤差分析

1981—2019年呼倫貝爾市地面觀測、氣象觀測站所在地ERA5-Land和MERRA2的年平均、月平均降水量變化如圖4。ERA5-Land和MERRA2年降水量的平均偏差分別為32.9、33.5 mm。MERRA2與地面觀測年降水量在74.4%的年份中為正偏差，ERA5-Land僅在35.9%的年份中為正偏差，且從2005年開始，氣象觀測站所在地的ERA5-Land年平均降水量始終小于地面觀測值，分臺站統計可知，除鄂溫克旗與博克圖外ERA5-Land年降水量小于觀測值的年份占比也均＞50%，存在一定的系統偏差。從氣象觀測站所在地平均的月降水量分析，ERA5-Land和MERRA2月降水量高于地面觀測值的月份分別為9月—次年5月和9月—次年6月，再分析數據偏低的月份集中在夏季主汛期，且ERA5-Land較MERRA2偏低更加明顯。分臺站統計中可見，ERA5-Land主汛期降水偏低而其他時期降水偏高的現象在所有臺站均存在，而MERRA2降水的各月偏差在鄂溫克旗、海拉爾區和圖里河均為正值，其他臺站主汛期為負。從ERA5-Land、MERRA2與觀測月降水量的散點圖（圖5）可知，雖然ERA5-Land和MERRA2趨勢線的線性相關系數均＞0.98，趨勢線與1∶1線的交點分別在28.7、60.5 mm，但ERA5-Land的趨勢線斜率僅為0.794 4，同樣說明兩種再分析月平均降水量也存在低于交點降水量時高于觀測數據，在高于交點降水量時低于觀測數據的現象，且ERA5-Land在大量級降水月份的數據低估更加明顯。

圖4 和ERA5-Land（a）、MERRA2（b）與地面觀測的月平均降水量散點

圖4 1981—2019年呼倫貝爾市地面觀測、ERA5-Land、MERRA2的年平均降水量（a）、月平均降水量（b）

3 討論

由于ERA5-Land、MERRA2等再分析數據的具體算法并不公開，因此難以為誤差的產生原因給出確定性結論，但從本次適用性分析能夠得到一些誤差產生的線索，后期可根據這些線索對再分析數據進行訂正。

（1）對于單個臺站來說，大部分年份的再分析數據與實測數據的偏差方向與多年平均偏差方向一致，存在一定的系統性偏差，每個臺站可根據本站偏差情況進行系統誤差訂正，但對于不同臺站來說，系統偏差的大小和方向并不相同。

（2）在對兩種再分析月氣溫數據分析時發現，最大偏差出現在冷季的大興安嶺北部山區。由于再分析數據計算時使用的高程數據分辨率有限，且山地高程的空間差異大，臺站的實際高程與再分析中使用的高程可能存在偏差。山地臺站使用再分析氣溫時，可根據再分析計算所使用的高程與臺站實際高程的差值，結合溫度直減率進行地形訂正。

（3）兩種再分析月數據普遍存在低觀測值時的高估和高觀測值時的低估現象，這可能與再分析數據對極端降水或氣溫存在程度上的低估有關，下一步需利用再分析小時數據等時間分辨率更高的數據進行分析和驗證。

4 結論

（1）ERA5-Land、MERRA2再分析月氣溫、降水數據與觀測數據對比，整體相關性較高、均方根誤差和平均偏差較低，在呼倫貝爾地區的適用性較高。其中ERA5-Land的空間分辨率更高，能反映出更多氣象要素分布細節，可更好地填補呼倫貝爾等臺站稀少地區的歷史氣象實況數據空白，在區域氣候變化分析等方面的研究和業務應用潛力更大。

（2）呼倫貝爾各臺站ERA5-Land的月氣溫數據與觀測數據的平均相關系數為0.998 5，平均均方根誤差為1.5℃，均優于MERRA2。ERA5-Land月降水數據的平均相關系數為0.919 3，平均均方根誤差為19.9 mm，均差于MERRA2。兩種再分析數據均存在低觀測值時的高估和高觀測值時的低估現象，再分析數據對極端天氣氣候的反映程度不及臺站實測數據。

（3）ERA5-Land的月降水量與觀測值相比以低估為主，且ERA5-Land偏低主要出現在6—8月，其中7月平均偏差最大，為-20.7 mm。ERA5-Land的月降水量以高估為主，最大平均偏差出現在4月，僅為5.9 mm。同時從降水量的年變化上看，ERA5-Land的降水量在2005年之后存在明顯的低估。