再分析溫度資料與觀測資料在低溫研究中的對比分析

余嘉怡,艾 珊,王文韜,張秀紅

（1.黑河市氣象局，黑龍江 黑河 164300；2.呼蘭區氣象局，黑龍江 呼蘭 150025）

1 引言

隨著氣候變暖，極端氣候事件頻發，對于氣候變化的影響研究有了更高的要求， 以前的研究僅依賴于現有的觀測資料，有較大的局限性，資料的缺乏、研究需求的不斷增加， 這兩點構成的矛盾使研究者對高質量、 高分辨率的再分析資料的需求也在不斷增加[1-2]，為更好的進行氣候變化的研究，美國、歐盟、日本等國家進行一系列對再分析資料的研究， 為進行全球及區域氣候變化的特點、 趨勢等的研究提供了更大的幫助， 使其在氣象業務工作領域中也得到廣泛應用。 再分析資料可以補充氣候變化的歷史記錄，彌補觀測資料的不足，為氣象研究提供非常重要的數據支撐[3]。

再分析資料種類在增加,有些再分析產品也在更新換代,不同的再分析產品對于同一研究區域的適用性不同,同一種再分析產品對于不同的研究區域適用性也不盡相同,研究人員需要選出更適用于中國區域的再分析資料來進行研究。 NCEP/NCAR 再分析資料是最早發展的、 時間尺度也最長, 但是隨著NCEP/NCAR 再分析資料的使用， 它的不足也不斷呈現出來,美國NCEP/DOE 再分析計劃對NCEP/NCAR 再分析資料進行了改進，使其具有更好的可靠性[4-5]；被看做是第二代全球大氣再分析資料的ERA-interim 資料，有更高的分辨率，在同化系統、物理過程等一些方面優于NCEP 再分析資料[6];在再分析資料中JRA-55 是最新的一代， 對亞洲地區的氣候研究更有針對性,是第一套在亞洲地區完成的長期再分析資料。

極端低溫事件的發生頻率和強度變高對社會、生活、環境等的影響也更為嚴重，國內外學者對低溫事件越來越重視,部分學者采用極端氣候指數研究極端氣候事件的變化[7-10]，但多用于國外，而國內較少，已有學者對中國北方地區的溫度極端事件的變化情況和中國冬季極端低溫的年代際演變特征做了相關研究[11]，研究結果表明，氣溫極端冷指數整體呈下降趨勢，北方地區極端氣溫指數變化最大，學者們對低溫事件的關注讓大家對低溫帶來的影響更加重視，也能夠更好的做好防御低溫災害的準備。

本文使用ERA-interim、JRA-55、NCEP/NCAR、NCEP/DOE 四種再分析資料， 以下簡稱ERA、JRA、NCEP-1、NCEP-2 再分析資料，通過將幾種再分析資料與觀測資料進行對比， 分析幾種再分析資料在低溫研究中的適用性。

2 資料及處理

本文采用了五種資料作為研究對象,分別為日最低溫度觀測資料和ERA-interim、JRA-55、NCEP/NCAR、NCEP/DOE 四種再分析低溫資料：

（1）觀測資料（0B）

由中國氣象局氣象科學數據共享服務網提供的逐日最低溫度資料, 該資料時間長度是從1979 年1月-2021 年12 月，共192 個站點，本文將數據插值為2.5°×2.5°的格點資料。

（2）四種再分析資料（ERA-interim、JRA-55、NCEP/NCAR、NCEP/DOE）

ERA-interim 再分析資料：歐洲中期天氣預報中心ECMWF 發起的ERA-interim 再分析計劃，在數值模式的分辨率和物理過程上要優于NCEP/NCAR，并在觀測系統上也有改進， 本文選取1979 年1 月-2021 年12 月，我國（70°-140°E，15°-55°N，下同）的數據，并將數據處理為分辨率為2.5°×2.5°的資料。

JRA-55 再分析資料：JRA-55 是日本氣象廳JMA 和CRIEPI 合作完成的最新一代全球大氣再分析資料，對亞洲地區的氣候研究更有針對性，是第一套在亞洲地區完成的長期再分析資料， 本文選取1979 年1 月-2021 年12 月我國（70°-140°E，15°-55°N）的數據，并將數據處理為分辨率為2.5°×2.5°的資料。

NCEP/NCAR 再分析資料：美國國家環境預報中心（NCEP）和國家大氣研究中心（NCAR）合作研究推出的NCEP/NCAR 逐日低溫資料， 本文選取1979 年1 月-2021 年12 月我國的數據， 并將數據處理為分辨率為2.5°×2.5°的資料。

NCEP/DOE 再分析資料：美國國家環境預報中心（NCEP）和美國能源部（DOE）共同研究推出的NCEP/DOE 逐日低溫資料，本文選取1979 年1 月-2021 年12 月我國的數據, 并將數據轉換為分辨率為2.5°×2.5°的資料。

根據百分位方法, 定義第5 百分位值為低溫閾值。 對以上各逐日最低溫度資料進行統計，得到每個測站（格點）每年的低溫閾值，并根據閾值統計各站的低溫日數。 本文的分析將基于閾值和低溫日數進行分析。 其中，冬季定義為12 月和次年1 月和2 月。

3 結果與分析

3.1 觀測資料與再分析資料低溫閾值平均場的差異

閾值明顯低于觀測資料。

單獨比較四種再分析資料， 在低溫閾值的分布上，四種再分析資料相近，從數值上看，ERA 和JRA的低溫閾值比較接近，NCEP-1（圖1d）與NCEP-2(圖1e)的低溫閾值比較接近。 在東北地區，NCEP-2 的低溫閾值比另外三種再分析資料要低， 在西北地區，ERA 和JRA 兩種資料相近且比NCEP-1 和NCEP-2的低溫閾值高，對于中部地區來說ERA、JRA、NCEP-2 三種再分析資料更為接近，NCEP-1 的低溫閾值低于另三種資料。 在對低溫閾值平均場的分析中可以了解到，在中國的不同區域，同一種再分析資料的適用性不同，在同一區域，四種再分析資料適用性也不盡相同。

圖1 1979-2021 年低溫閾值平均場(a.OB、b.ERA、c.JRA、d.NCEP-1、e.NCEP-2 單位：℃）

3.2 觀測資料與再分析資料閾值相關

圖2 給出了1979-2021 年觀測資料年低溫閾值與四種再分析資料43 a 低溫閾值的相關系數分布，可以看出， 中國東部地區及西北地區均通過α=0.01顯著性檢驗，青藏高原地區相關性較差，四種再分析資料與觀測資料的相關一般,在中國東部地區都比較顯著， 西部地區相關性比東部地區偏低， 總體上來說， 四種再分析資料與觀測資料的低溫閾值的相關系數在空間場上的分布較為相似。

圖2 1979-2021 年觀測低溫閾值相關系數的分布(圖中陰影區通過α=0.01 顯著性水平)（a)ERA、(b)JRA、(c)NCEP-1、(d)NCEP-2

ERA 與觀測資料的低溫閾值相關系數（圖2a）在東北地區、長江流域及新疆北部地區都比較高，最大值在東北地區達到0.9，JRA 與觀測資料的低溫閾值相關系數（圖2b）在東北地區、長江流域及新疆地區北部較高，達到0.8，NCEP-1 與觀測資料的低溫閾值相關系數（圖2c）在遼寧北部、華北地區以及中南地區、新疆北部地區比較高，最高達到0.8，NCEP-2 與觀測資料低溫閾值的相關系數（圖2d）在遼寧北部、江南流域最高達到0.8。

從以上分析可知，在東北地區、長江流域ERA、JRA、NCEP-1 與觀測資料的相關系數較高， 則說明相比于其他地區, 這三種再分析資料在東北地區、長江流域的低溫閾值的再現能力更好，另外，對新疆北部地區ERA 與觀測資料的相關系數最高，則在這一地區ERA 的再現能力優于其它三種。

從整個中國區域來看， 四種再分析資料中ERA與觀測資料的低溫閾值相關系數最高達到0.9，JRA、NCEP-1 和NCEP-2 與觀測資料的低溫閾值相關系數最高達到0.8； 從這一對比中可以看出，ERA 與觀測資料的低溫閾值相關性更高，與觀測資料最接近，在分析低溫閾值時，ERA 的適用性要好于JRA、NCEP-1 與NCEP-2 三種資料的。

3.3 觀測資料與再分析資料低溫日數的平均場

圖3 給出了1979-2021 年里43 a 的冬季12 月、1 月、2 月這三個月里每一天的最低溫度低于閾值的累加日數的多年平均分布情況。 從觀測資料的低溫日數的平均圖（圖3a）上可以看出低溫日數比較高的地方主要集中在東北地區、 西北地區、 青藏高原以東、 西北地區東南部， 其中青藏高原東部地區與西北地區相比于其它地區的低溫日數更多， 分別達到28 d、26 d， 低溫日數較低的區域主要分布在華南地區以及青藏高原中部，平均低溫日數都在16 d 左右。

圖3 1979-2021 年的（a)OB、(b)ERA、(c)JRA、(d)NCEP-1、(e)NCEP-2 低溫日數平均場

ERA 再分析資料的平均低溫日數（圖3b）在分布上與觀測資料相似， 低溫日數較多的地區主要分布在東北地區、西北地區、內蒙古地區、江南地區，其中內蒙和東北地區的低溫日數最多，在數值上，ERA平均低溫日數相比于觀測資料的普遍偏低，ERA 平均低溫日數最高達到18 d。

JRA 再分析資料的平均低溫日數（圖3c）在分布上與觀測資料也較為相似， 低溫日數較多的地區主要分布在東北地區、西北地區、內蒙古地區，從數值上看，JRA 的平均低溫日數與觀測資料相比仍普遍偏低，JRA 的平均低溫日數最多達到16 d，同樣明顯偏低于觀測資料。

NCEP-1 再分析資料的平均低溫日數（圖3d）的分布與觀測資料相似， 低溫日數較多的地區主要分布在東北地區、西北地區、內蒙古地區，從數值上看，NCEP-1 再分析資料的平均低溫日數普遍偏低于觀測資料，NCEP-1 平均低溫日數最多達到16 d， 相比于觀測資料仍明顯偏低，NCEP-2 的平均低溫日數（圖3e）在分布上相對于另三種再分析資料來說與觀測資料相似處要少些，NCEP-2 的平均低溫日數較多的地區主要分布在東北地區、青藏高原地區、西南地區、西北地區南部， 從數值上來看， NCEP-2 的平均低溫日數明顯比觀測資料的偏多， 最多的日數達到33 d，而對于觀測資料來說日數最多達到26 d。

從四種再分析資料與觀測資料的低溫日數在空間上的分布來看，在東北地區、西北地區四種再分析資料都有一定的再現能力， 在其它地區， 相比于NCEP-2 來說，ERA、JRA、NCEP-1 三種資料的再現能力更好一些；從數值上看，四種再分析資料的低溫日數與觀測資料的都有較大的差異，ERA、JRA、NCEP-1 三種資料的平均低溫日數都比觀測資料的偏少， 而NCEP-2 的平均低溫日數明顯大于觀測資料， 相對于其它三種再分析資料來說NCEP-2 的再現能力較弱。 將四種再分析資料綜合比較來看，對于平均低溫日數來說，ERA、JRA、NCEP-1 三種再分析資料的適用性比NCEP-2 的適用性更好一些。

4 結論

本文分別從低溫閾值平均態、相關性、低溫日數的平均態、 標準差幾個方面對ERA、JRA、NCEP-1、NCEP-2 四種再分析資料與觀測資料的共同點和差異進行比較分析，得到以下主要結論：

（1）低溫閾值平均場：從中國的不同區域來看，對于東北地區NCEP-2 對觀測資料的再現能力更好、數值上也最為相近，對中部地區來說，四種再分析資料大體上與觀測資料都比較接近， 但ERA 和JRA 比兩種NCEP 資料與觀測資料更為類似，對觀測資料的再現能力更好。

（2）低溫閾值相關：ERA 和JRA 與觀測資料的低溫閾值相關性更高， 這兩種再分析資料的低溫閾值與觀測資料最為接近，在分析低溫閾值時，從分布和數值上看ERA 和JRA 的適用性都要好于NCEP-1與NCEP-2 兩種資料。

（3）低溫日數平均場：主要在東北地區、西北地區四種再分析資料都有一定的再現能力， 在其它地區，ERA、JRA、NCEP-1 三種再分析資料的表現更好一些，從數值上看，ERA、JRA、NCEP-1 的平均低溫日數均比觀測資料的偏少， 而NCEP-2 的平均低溫日數比觀測資料的偏多。 將四種再分析資料綜合比較來看，ERA、JRA、NCEP-1 的適用性優于比NCEP-2。