CN114019579A - 高时空分辨率近地表空气温度重构方法、系统、设备 - Google Patents
高时空分辨率近地表空气温度重构方法、系统、设备 Download PDFInfo
- Publication number
- CN114019579A CN114019579A CN202110972688.XA CN202110972688A CN114019579A CN 114019579 A CN114019579 A CN 114019579A CN 202110972688 A CN202110972688 A CN 202110972688A CN 114019579 A CN114019579 A CN 114019579A
- Authority
- CN
- China
- Prior art keywords
- temperature
- air temperature
- data
- daily
- day
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000012937 correction Methods 0.000 claims abstract description 75
- 238000012417 linear regression Methods 0.000 claims abstract description 41
- 238000012950 reanalysis Methods 0.000 claims abstract description 37
- 238000012935 Averaging Methods 0.000 claims abstract description 10
- 230000002354 daily effect Effects 0.000 claims description 374
- 230000008859 change Effects 0.000 claims description 112
- 238000011160 research Methods 0.000 claims description 49
- 238000012795 verification Methods 0.000 claims description 41
- 238000004458 analytical method Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 33
- 238000001556 precipitation Methods 0.000 claims description 20
- 238000013499 data model Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 19
- 230000003203 everyday effect Effects 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000011161 development Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000003908 quality control method Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 6
- 238000012353 t test Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 241000218631 Coniferophyta Species 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000000692 Student's t-test Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 230000018109 developmental process Effects 0.000 description 11
- 230000007547 defect Effects 0.000 description 6
- 238000010792 warming Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
- G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
- G01K13/024—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow of moving gases
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明属于温度估计技术领域，公开了一种高时空分辨率近地表空气温度重构方法、系统、设备，所述高时空分辨率近地表空气温度模型的构建方法包括：首先将1979‑2018年各日天气划分为晴天条件下和非晴天条件下，通过现有的再分析数据集，利用气象台站数据，结合中国地表气象要素驱动气象站的小时温度数据和MODIS每日Ts，建立不同天气状态下日最高和最低气温模型估算最高和最低气温值，并通过加和平均得到日平均气温数据集，在线性回归校正后最终输出1979‑2018年中国日值近地表气温数据集，空间分辨率为0.1°。本发明构建得到的数据集可以较好的估算每日最高气温，最低气温和平均气温，便于进一步分析中国区域气温的季节性和周期性变化情况。
Description
技术领域
本发明属于温度估计技术领域，尤其涉及一种高时空分辨率近地表空气温度重构方法、系统、设备。
背景技术
目前，温度是反映冷热程度及气候变化的重要物理量，了解温度的实时变化对全球变暖趋势、城市热岛效应、生态环境变化、植被物候发展、作物产量波动以及能源动态平衡的研究至关重要。每日最高气温，最低气温和平均气温可以反应每日气温的波动范围，是作物模型的重要输入变量，它们的变化与人类的生产生活，植被的生长，生态环境的变化与发展，生物圈，地球化学和水循环息息相关。已有研究表明，随着全球变暖态势的发展，每日气温趋于升高，极端寒冷的昼夜逐渐缩短，但极端天气事件的强度和持续时间并未减少，许多年份持续的恶劣天气造成的气象灾害事件频繁发生。2003年夏天，欧洲大陆遭受了大规模创纪录的热浪袭击，英国的温度达到了130年来的最高记录，由于极端高温导致全世界超过70000人死亡；2008年，中国发生了大规模的极端低温，雨雪灾害，超过1亿人受到影响，人类的生产和生活停滞不前，生态环境受到严重破坏。因此，建立一个具有长时间序列，高分辨率和高精度的每日最高，最低和平均气温数据集将有助于气候，水文，生态学的发展，为中国区域人类的生产生活，农作物的选种提供借鉴，便于气候水文模型的趋势预测和模拟研究。
由于每日气温的变化受多重因素的影响，目前主要通过以下三种方法收集和估算每日最高温度和最低温度数据：气象站的常规每日温度观测数据、基于卫星遥感影像的相关因子推算每日空气温度数据，结合多种可获取的资料得到大范围长时间序列的再分析同化数据。以上三种方法各有优越性和缺陷，传统的通过气象站点进行观测，可以获得具有较高时间分辨率的每日最低温度和最高温度数据，地面的气象站点数据还可以在很大程度上避免云雨天气的影响，具有良好的数据完整性，连续性和准确性。但利用气象站点进行监测也存在一些棘手的问题：由于中国的气象站分布较为稀疏且极不均匀，西部地区的气象站数据不到东部地区的五分之一，大多数气象站都位于远离城市的人烟稀少的地区，因此无法准确监测由热岛效应引起的城市温度变化。单个气象站以点的形式分布，覆盖范围很小，无法满足大规模区域研究的需要，无法反应气温的空间化差异。气象站设备易老化，仪器出现异常损耗，需要大量的人力物力对气象站的设备进行维护和管理。此外目前尽管有许多可用的插值方法，如Kriging插值，三次样条差法插值，反距离权重插值(IDW)等，但仍需要进一步发展以提高插值精度。
一些研究人员已经转向遥感手段来估计每日的最高和最低温度，并且已经取得了一些成果。目前，主要有两种常用的方法：一种是使用统计手段和能量平衡方法来建立温度和各种影响因素之间的回归模型以估计温度。常用的影响因素包括海拔，纬度和经度，太阳相位角，日长，NDVI和EVI等，或通过使用正弦曲线模型从正弦曲线的角度模拟每日气温波动，并给出了日气温的最小和最大变化值。第二种方法是 TVX方法，基于表面温度与植被指数之间存在显着负相关的证据，TVX方法通常用于估算气温，即随着植被覆盖率的增加，地表温度逐渐接近气温。近年来，一些研究使用TVX方法估算温度，但仍然存在一些需要注意的问题，不同的卫星传感器和研究领域在NDVI的价值上有很大的差异，表面温度和NDVI_max 之间的关系可能会受到其他因素的干扰。利用遥感卫星数据获得的地表温度来推断温度，不能消除由于云雨的影响和遥感卫星过境时间不同而引起的数据偏差，TVX方法面临由不同传感器监视的NDVI值估计的差异之类的问题。
近些年世界各国的研究人员一直在努力开发近地表的大规模，长时间序列和高时空分辨率的地面驱动要素格网再分析数据集，再分析数据集通过融合常规观测数据、气候预报模式，同化数据包括卫星遥感资料等各种来源的资料得到。国际上使用最广泛的是由国家环境预报中心和国家大气研究中心开发的 NCEP/NCAR再分析数据集，由国家环境预报中心和能源部开发的NCEP/DOE再分析数据集，欧洲中期天气预报中心(简称ECMWF)发布的ERA-Interim，ERA5数据，由日本气象厅(Japan Meteorological Agency， JMA)与日本电能工业中央研究所(Central Research Institute ofElectric Power Industry，CRIEPI)推出的 JRA-55数据产品，由普林斯顿大学开发的Princeton地表模型驱动的数据集。国内有三种不同类型的正在研究和已经发布的地面气象要素驱动数据集，分别是中国区域地面气象要素驱动数据集(China meteorological forcing dataset，以下简称CMFD)、中国气象局研制的“多源卫星遥感资料的开发与数据集的建立”项目、北京师范大学研制的“中国区域陆面模型强迫场生成方法研究及其数据集建设”项目。已完成的再分析数据中时间分辨率最高的为ECMWF发布的ERA5数据(取代了于2019年8月31日停止更新的ERA-Interim数据)，时间分辨率为1h。空间分辨率最高的为CMFD数据集，空间分辨率为0.1°。自再分析数据集上线以来，许多专家学者就已有的再分析数据与站点实测数据进行了区域验证和研究并作为建立其他要素数据集的输入因子，取得了良好的效果。但仍存在现有的再分析数据多关注的是每日温度值或地面其他驱动因素，而较少研究每日最高和最低温度值，再分析数据空间分辨率较低等问题。
近地面气温是表示气候变化的重要物理量，了解每日近地面气温(最高，最低和平均)对研究大气循环转换，气候变化以及极端天气事件的强度和频率具有重要意义。目前对近地面气温的估算多是通过气象站点数据插值或遥感地表温度数据推算，仍受到站点分布稀疏且数量较少，云雨天气降低遥感影像精度的影响。因此迫切需要建立一个大区域，高时空分辨率的日值气温数据集。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有利用气象站点进行监测的方法中，由于中国的气象站分布较为稀疏且极不均匀，西部地区的气象站数据不到东部地区的五分之一，大多数气象站都位于远离城市的人烟稀少的地区，因此无法准确监测由热岛效应引起的城市温度变化。
(2)单个气象站以点的形式分布，覆盖范围很小，无法满足大规模区域研究的需要，无法反应气温的空间化差异。
(3)气象站设备易老化，仪器出现异常损耗，需要大量的人力物力对气象站的设备进行维护和管理。
(4)现有的插值方法，如Kriging插值，三次样条差法插值，反距离权重插值(IDW)等，仍需要进一步发展以提高插值精度。
(5)现有使用TVX方法估算温度的方法中，不同的卫星传感器和研究领域在NDVI的价值上有很大的差异，表面温度和NDVI_max之间的关系可能会受到其他因素的干扰。
(6)利用遥感卫星数据获得的地表温度来推断温度，不能消除由于云雨的影响和遥感卫星过境时间不同而引起的数据偏差，TVX方法面临由不同传感器监视的NDVI值估计的差异之类的问题。
(7)现有的再分析数据多关注的是每日温度值或地面其他驱动因素，而较少研究每日最高和最低温度值，且再分析数据空间分辨率较低。
(8)目前对近地面气温的估算多通过气象站点数据插值或遥感地表温度数据推算，仍受到站点分布稀疏且数量较少，云雨天气降低遥感影像精度的影响。
为了克服地面气象站点在空间上不具备连续性和遥感反演数据在时间上不具备连续性的缺陷，因此我们充分利用不同数据各自的优势，构建空气温度重构模型，重建缺失或质量不高的数据值。从而为高温和低温灾害监测以及气候变化模型提供可靠数据源，减少气象和农业灾害。
发明内容
针对现有技术存在的问题，本发明提供了一种高时空分辨率近地表空气温度模型构建方法、系统、设备，尤其涉及一种高时空分辨率的近地表空气最高温与最低温修复和生产方法。
本发明是这样实现的，一种高时空分辨率近地表空气温度模型的构建方法，所述高时空分辨率近地表空气温度模型的构建方法包括：
首先将1979-2018年各日天气划分为晴天条件下和非晴天条件下，通过现有的再分析数据集，利用气象台站数据，结合中国地表气象要素驱动气象站的小时温度数据和MODIS每日Ts，建立不同天气状态下日最高和最低气温模型，并通过加和平均得到日平均气温数据集，在线性回归校正后最终输出1979-2018 年中国日值近地表气温数据集，空间分辨率为0.1°。
进一步，所述高时空分辨率近地表空气温度模型的构建方法包括以下步骤：
步骤一，为了提高重构模型的精度，根据自然地理环境和气候条件将中国划分为六个区域；
步骤二，将每日天气状态划分为晴天和非晴天状态，并进行气温估计；
步骤三，针对不同天气状态，分别进行气温数据模型的构建；
步骤四，分别进行气温数据模型的线性回归校正处理。
进一步，步骤一中，所述根据自然地理环境和气候条件将中国划分的六个区域，包括(I)温带季风气候区的东北地区，(II)温带季风气候区的南部，(III)亚热带季风气候区，(IV)热带季风气候区，(V) 温带大陆性季风气候区，(VI)高原山区气候区。
其中，(I)温带季风气候的东北部主要是中国东北，位于大兴安岭以东。年降水量400-1000mm，由东向西逐渐减少；年累积温度在2500-4000℃之间，冬季严寒而漫长，夏季炎热多雨；该地区是中国重要的商品粮基地；庄稼对气候变化更加敏感，并且极易受到极端天气事件的影响。(II)在季风温带气候区的南部，年积温在3000-4500℃之间，夏季炎热多雨，冬季寒冷干燥；受季风影响，极端天气灾害更有可能发生。(III)亚热带季风气候在秦岭淮河以南，热带季风气候区以北，横断山脉以东；年积温在4500-8000℃之间，降水量大多在800-1600mm之间；夏天炎热，冬天温暖。(IV)热带季风气候通常位于北回归线以南；年积温大于800℃，年最低温度不低于0℃，常年无霜冻，年降水量大多在1500-2000mm。(V)温带大陆性气候主要分布在中国北纬40度以上的内陆地区，位于大兴安岭-银山-横断山线的西北；远离海岸，难以输送水蒸气；年降水量在300-500mm之间；日温差和年温差都很大，包括温带沙漠气候，温带草原气候和亚寒温带针叶林气候。(VI)高原山区气候主要分布在青藏高原；年积温低于2000℃，日温差大，年温差小，太阳辐射强，日照丰富，降水少；与其他气候类型不同，生物多样性受纬度和海拔高度的影响，高原山区的气候主要受海拔高度的影响。
进一步，步骤二中，所述将每日天气状态划分为晴天和非晴天状态，包括：
首先对每日天气现象进行判别以针对不同的天气条件确定日值气温的计算方法。受冷锋，气旋环流，高低压和雷暴等复杂天气系统的影响，每日最高气温和最低气温出现的时间具有非周期性和不确定性，由此可以根据日最值气温出现时间异常判别天气状况的异常，进而将研究期间每日天气现象划分为晴天状态和非晴天状态。
使用统计方法采用两种策略得到每个像元每日最高温和最低温出现的时间，其中第一种策略是对站点分布较为密集的地区，即相邻站点之间的距离小于30km的地区进行日最值气温输入参数的确定，用到四种方法：1)当站点实测数据完整且无异常值时，采用逐小时站点数据确定日最高气温和最低气温出现的时间； 2)当站点实测数据有缺值但不连续缺值时，在空间范围相同的情况下，采用同一站点前后两定时温度进行填补和修复以确定日最值气温出现的时间；3)当站点观测数据连续缺测时，在时间范围相同的情况下，根据相邻站点出现日最值的时间进行填补以确定该点日最值气温出现的时间，该方法基于站点间距离越近，气温变化的空间一致性和相关性越强的原则；4)当站点数据连续缺测且相邻站点数据也无法填补时，在同一时间和空间范围内，利用其他相关数据进行修复。根据每日地表温度与气温变化的近似一致性趋势，采用同一站点的逐小时地表温度进行日最值气温的确定，此方法适用于缺失值太多，气象站30km附近没有临近的站以及前后两定时数据不完整的站点使用。
第二种策略是对站点分布较为稀疏且相邻两站点之间欧氏距离大于30km的地区进行日最值气温出现时间的确定。利用ERA5数据在CMFD数据和MODIS数据的辅助下进行空间降尺度从而确定日最高气温和最低气温发生时间。ERA5数据空间分辨率为30km，CMFD数据空间分辨率为0.1°，MODIS数据的空间分辨率为1km。首先将ERA5的30km网格降尺度到0.1°网格上，然后对降尺度后的ERA5数据逐像元逐日遍历得到日最高和最低气温出现的时间，最后输出各区域日最值气温发生时间。通过引入CMFD数据以保证本发明输入的日最值时间数据的有效性和完整性，引入MODIS数据以提高空间分辨率和细化精度值。
计算步骤如下：由于MODIS自2002年起一日可得到四次1km的LST观测结果，将时间序列分为 1979-2001和2002-2018两个阶段。将研究时段内每日ERA5数据与CMFD数据按照时间和相同的中心经度，中心纬度进行排列，根据临近时间将逐小时ERA5数据与逐三小时CMFD数据进行分配；将ERA5各像元分割成与CMFD相同的像元大小并且把CMFD对应ERA5单个像元的各个像元视为一个整体；通过ERA5分割后逐像元与CMFD数据建立空间相关关系，采用CMFD各像元占ERA5对应像元的比例将ERA5逐小时数据降尺度到0.1°范围内。
在2002年后根据气温与LST日变化的相关性，同时采用CMFD数据和MODIS数据对ERA5数据进行空间降尺度，并对所得结果进行准确性检验。由于CMFD数据是逐三小时一次，通过ERA5获得日最高气温和日最低气温出现对应的时间，并采用临时时间对应的CMFD各像元温度进行空间降尺度。
其中，所述计算方法和公式因子表示如下：
其中，TE表示ERA5数据，TC表示CMFD数据，TM表示MODIS数据；TE(xo，yo)为ERA5数据处于 (xo，yo)像元位置降尺度后的气温数据，TC(xo，yo)为CMFD位于(xo，yo)像元位置的气温数据，
为CMFD对应于ERA5像元的区域各像元位置的气温值的总和，TE(xm，yn)为ERA5原空间分辨率影像对应的气温。
进一步，步骤二中，所述气温估计，包括：
(1)晴天状态下气温估计
首先通过统计方法确定每日最低温度和最高温度出现的大致时间，将推导得到的分段正弦函数以及每天最低温度和最高温度的发生时间作为参数输入到函数模型中；其次基于最小二乘拟合方法对CMFD再分析数据集的每三小时温度进行参数化，以获得每日的最高和最低温度变化曲线，最后输出每日的最高和最低气温，作为初步结果，以供后续校正和分析。
将得到的日最高气温和日最低气温出现的时间作为参数输出分段正弦函数中，根据每日温度变化的近似周期性和最高、最低气温出现时间的不对称性，推导出日最高气温和日最低气温出现时间附近的分段正弦函数曲线；采用最小二乘法将CMFD再分析数据与每日最大和最小温度出现时间代入方程中，得到参数 A和B的值以构建分段正弦函数，再次将每日最高最低气温发生的时间代入推导公式以输出每日最高和最低温度。
其中，所述日最低温度变化函数为：
所述日最高温度变化函数为：
其中，Hmin是每天最低温度发生的时间，Hmax是每天最高温度发生的时间。由于温度发生的周期性，故将第二天的每日最低温度的发生时间设置为Hmin+24；根据正弦函数的周期性，推导出日最低温度和日最高温度的正弦公式，At和Bt是未知参数。
(2)非晴天状态下气温估计
采用对应气象站点实测的每日最高气温，最低气温和平均气温进行填补，实测数据都经过严格的质量控制和评估，并经过地形校正消除了海拔对气温的影响。当像元位置无对应的气象站点时，采用ERA5逐小时温度借助CMFD逐三小时数据进行空间降尺度。对于非晴天状态下的降尺度过程，将无像元位置的地区所对应的ERA5降尺度后逐小时气温数据进行遍历，找出其中最高气温和最低气温该像元日最高和最低气温值。
(3)日平均气温估计
将校正后输出的每日最高和最低气温数据集与CMFD每日八个气温值进行加和平均，得到每日平均气温值并与气象站点数据进行初步精度验证，进而根据气象站点数据对每日平均气温输出值进行多元线性回归校正以提高精度，最终输出每日平均气温数据集。。
进一步，步骤四中，所述进行气温数据模型的线性回归校正处理，包括：
(1)气温数据修正方案
由于温度对海拔高度变化敏感且易受周围环境的影响，使用的各种气象站的数据均已通过平均大气温度的垂直衰减率进行了高度校正；将观测数据统一到海平面高度上；通过与海平面相对应的温度完成数据校正或插值过程，再校正到其海拔高度；使用统一的标准，即海拔每升高100米，大气温度垂直下降0.65℃，反之亦然；其中，所述修正后的方程式如下：
TSL＝TS+0.0065H；
其中，TSL是海平面温度，TS是气象站温度，H是海平面高度，单位统一为m。
基于折刀法将全国699个气象观测站按照20％和80％的比例分为140个验证站和559个拟合校正点，以建立多元线性回归方程。从气温变化模型的初步精度结果中可以看出，虽然总体的精度较高但仍存在日气温变化波动剧烈导致的模型输出数据温度值异常的问题，还需进行进一步的校正以降低偏差的大小，提升数据集的精度，对于异常温度值本发明对像元位置有气象站点的像元进行气象站点实测数据替换，对于像元位置没有气象站点的进行相邻像元温度校正。将最终输出的数据进行多元线性回归，多元线性回归插值法通过建立站点实测值与对应像元拟合值之间的逐步回归关系，根据回归方程计算回归气温预测值，并将实测值与回归预测值进行计算以得到温度残差。将残差插值到全图并根据各像元的空间分布，将两者进行加运算以获得回归方程的校正值，公式为：
其中，x和y是像元的行数和列数，V(x，y)是回归方程式的校正值，
是气温的回归预测值，并且
是残差；y是实测值，yo是回归预测值。
(2)精度验证方法
选择三个指标来衡量变量的准确性，即R2，MAE和RMSE；R2是确定系数或拟合优度；MAE是平均绝对误差，是绝对误差的平均值，用于反映预测值误差的实际情况；RMSE是均方根误差，是观测值与真实值的平方和偏差的总和。
首先将输出的气温数据集与站点实测数据进行精度验证和校正后精度验证，其次选取晴空状态下，地表类型均一且地形平坦的区域作为对比研究区，将日值数据集与已有的再分析数据集进行精度对比；其中日最高气温和日最低气温数据集ERA5再分析数据集分别与气象站点实测数据进行对比；由于ERA5再分析数据集是逐小时气温格网数据集，选取ERA5每日24个温度值中的最高温度作为日最高气温，选取其中的最低气温作为日最低气温进行精度验证。由于ERA5数据集空间分辨率为30km，将日最高和最低气温数据集通过重采样方法得到与ERA5数据相同的分辨率进行精度评价；最后对日平均气温精度验证，将日平均气温数据集，CMFD日气温再分析数据集，ERA5再分析数据集与站点实测数据进行对比分析得到各数据集的精度验证结果。ERA5逐小时气温进行加和平均得到ERA5日平均气温数据集，CMFD在发布之时提供中国区域每日平均气温数据集并将三类数据集通过重采样方法调整到相同的空间分辨率以进行验证，以上选用的精度对比数据集全部经过重采样到与ERA5再分析数据集同样的空间分辨率下，最终验证结果在5.2节中给出，并进一步分析本数据集精度效果及平均气温的时空变化趋势。
(3)时空变化趋势
使用最终数据集获得的每日最高，最低温度和平均温度分析中国各区域气温的变化情况，并进一步检验数据集的效果和区域适用性。气候变化检测和指数专家组ETCCDI在气候变化监测会议上提出了一套极端气候指数，二十七项指标被视为其核心指标，其中包括十六项温度指标和十一项降水指标。选择了其中的四项，即最高气温、最低气温、暖昼日数和冷夜日数并进行一定的调整以对各年份极端气温的变化趋势进行全面分析，最高温度和/或最低温度是将每年各月最高气温和/或最低气温相加减去研究期内40年各月最高气温和/或最低温度总和的平均值得到年总最高气温和/或最低距平温度值，并对最高气温和/或最低气温进行线性回归计算其年际变化趋势。暖昼日数是通过对40年研究期内各月日最高和/或最低气温按照温度升序排序，并取其中超过90％低于10％的部分对应各年份所占的天数来分析各年气候波动导致的暖昼和冷夜发生的天数。
采用线性回归的方法和相关系数计算每日平均气温的年际变化速率和相关性，公式如下：
使用双尾t检验进行显著性检验量化气温与时间序列变化的显著性：
其中，n表示时间序列长度的总年数，i表示年份，Ti表示第i年的年平均气温；K＞0表示在时间序列范围内气温呈升高的趋势，K＜0表示在时间序列范围内气温呈下降的趋势；R表示气温与时间序列的相关关系，R＞0表示气温与时间序列正相关，R＜0表示气温与时间序列负相关，R值介于-1～1之间；根据相关系数R进行t检验证明其显著性，置信值选取α＝0.05和α＝0.01，通过查阅t分布表服从自由度γ＝n-2的t分布，得到气温与时间序列发展相关性显著的地区及通过范围。
本发明的另一目的在于提供一种应用所述的高时空分辨率近地表空气温度模型的构建方法的高时空分辨率近地表空气温度模型的构建系统，所述高时空分辨率近地表空气温度模型的构建系统包括：
区域划分模块，用于根据自然地理环境和气候条件将中国划分为六个区域；
天气状态划分模块，用于将每日天气状态划分为晴天和非晴天状态；
气温估计模块，用于分别进行晴天状态下气温估计、非晴天状态下气温估计以及日平均气温估计；
气温数据模型构建模块，用于分别进行不同天气状态气温数据模型的构建；
线性回归校正模块，用于分别进行气温数据模型的线性回归校正处理。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
首先将1979-2018年各日天气划分为晴天条件下和非晴天条件下，通过现有的再分析数据集，利用气象台站数据，结合中国地表气象要素驱动气象站的小时温度数据和MODIS每日Ts，建立不同天气状态下日最高和最低气温模型，并通过加和平均得到日平均气温数据集，在线性回归校正后最终输出1979-2018 年中国日值近地表气温数据集，空间分辨率为0.1°。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
首先将1979-2018年各日天气划分为晴天条件下和非晴天条件下，通过现有的再分析数据集，利用气象台站数据，结合中国地表气象要素驱动气象站的小时温度数据和MODIS每日Ts，建立不同天气状态下日最高和最低气温模型，并通过加和平均得到日平均气温数据集，在线性回归校正后最终输出1979-2018 年中国日值近地表气温数据集，空间分辨率为0.1°。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的高时空分辨率近地表空气温度模型的构建系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的高时空分辨率近地表空气温度模型构建方法、系统、设备，利用气象台站数据与再分析数据，建立不同天气状态下日最高和最低气温模型，并通过加和平均得到日平均气温数据集，最终输出1979-2018年中国日值近地表气温数据集(最高，最低和平均)，空间分辨率为0.1°；经过与已有再分析数据集及气象站点实测数据验证后表明本数据集精度有明显的改善，对各区域的适用性较高；平均精度范围为：日最高气温的R2为0.98，MAE为1.00， RMSE为1.37；日最低气温的R2为0.97，MAE为1.17，RMSE为1.59，日平均气温的R2为0.99，MAE 为0.53，RMSE为0.77；利用极端气候指数对每日最高气温和最低气温随时间序列的变化趋势进行研究发现，中国各地区气温皆呈升温态势，最高气温距平值每年平均升温0.42°，最低气温距平值每年平均升温 0.47°，每日平均气温也在逐渐升高，这与全球气候变暖趋势相一致。综上所述，本发明的数据集可以较好的估算每日最高气温，最低气温和平均气温，便于进一步分析中国区域气温的季节性和周期性变化情况。
本发明提出了一套新的网格化高分辨率中国1979-2018年每日最高，最低和平均气温数据集，基于不同地区地理气候变化的特殊性，研究了其多年温度波动趋势和变化范围。新建的数据集提供了高分辨率的区域化数据集。对各个区域的每日最高和最低温度进行空间分析。根据气象站的观测数据，该数据集的准确性较高，模型建立方法更为有效。精度范围：每日最高温度的平均R2为0.98，平均MAE为0.98℃，平均RMSE 为1.32℃，每日最低温度的平均R2为0.97，平均MAE为0.63℃，并且平均RMSE为1.62℃。中国最稳定的每日最高和最低温度是中国的热带季风气候区。热带季风气候区终年高温，日温度范围相对稳定，非常强劲。中国的高原和山区气候位于中国的第一步。从今天开始，海拔高，空气稀薄，温度变化大，剧烈的波动是其精度低的主要原因。
通过在27个极端气候中采用四个最高温度(TXx)，温暖天数(TX90p)，最低温度(TNn)和寒冷夜晚天数(TN10p)来趋势中国的每日最低温度和最高温度国际上常用的索引分析。近年来，每个研究区域的冷夜和暖天数都在波动，但总体而言，冷夜的天数逐渐减少，暖天的数逐渐增加，最高和最低温度逐渐增长，这与全球变暖相吻合。情况是一样的。由于每日最高温度和最低温度具有很大的波动性，因此该数据集需要进一步改进。因此，在随后的研究中，可以通过添加模型输入参数来满足用户需求来执行更准确的处理和分析。数据需要在许多方面进行更高精度的分析。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的高时空分辨率近地表空气温度模型的构建方法流程图。
图2是本发明实施例提供的高时空分辨率近地表空气温度模型的构建系统结构框图；
图中：1、区域划分模块；2、天气状态划分模块；3、气温估计模块；4、气温数据模型构建模块；5、 线性回归校正模块。
图3是本发明实施例提供的数据集构建总结流程图。
图4是本发明实施例提供的确定日最高和最低气温发生时间方法图。
图5是本发明实施例提供的空间降尺度图。
图6是本发明实施例提供的每日温度变化趋势(标准化后)的模拟曲线示意图。
图7是本发明实施例提供的数据集模型校正流程图。
图8是本发明实施例提供的六个子研究区域(I，II，III，IV，V，VI)的气象站监测数据和模型输出 的每日最高温度数据的散点图，图中显示了相应子研究区域的各评价指标度量值(线性方程，R2,MAE, RMSE)。
图9是本发明实施例提供的六个子研究区域(I，II，III，IV，V，VI)的气象站监测数据的散点图和 该模型输出的每日最低温度数据，图中显示了相应子研究区域的各评价指标度量值(线性方程，R2,MAE, RMSE)。
图10是本发明实施例提供的六个子研究区域(I，II，III，IV，V，VI)的气象站监测数据的散点图和 该模型输出的每日平均温度数据，图中显示了相应子研究区域的各评价指标度量值(线性方程，R2,MAE, RMSE)。
图11是本发明实施例提供的六个子研究区域(I，II，III，IV，V，VI)的每日最高温度和气象站的实 际测量数据精度，图中紫色表示最大温度数据点范围和校准后的各种误差值。
图12是本发明实施例提供的六个子研究区域(I，II，III，IV，V，VI)的每日最低温度和气象站的实 际测量数据精度，图中色表示校准后的最小温度数据点范围和各种误差值。
图13是本发明实施例提供的六个子研究区域(I，II，III，IV，V，VI)的每日平均温度和气象站的实 际测量数据精度，图中紫色表示校准后的最小温度数据点范围和各种误差值。
图14是本发明实施例提供的每个研究区域的最高温度和温暖天数的趋势示意图。
图15是本发明实施例提供的每个研究区域的最低温度和寒冷夜晚的数量趋势示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种高时空分辨率近地表空气温度模型构建方法、系统、设备，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的高时空分辨率近地表空气温度模型的构建方法包括以下步骤：
S101，根据自然地理环境和气候条件将中国划分为六个区域；
S102，将每日天气状态划分为晴天和非晴天状态，并进行气温估计；
S103，针对不同天气状态，分别进行气温数据模型的构建；
S104，分别进行气温数据模型的线性回归校正处理。
如图2所示，本发明实施例提供的高时空分辨率近地表空气温度模型的构建系统包括：
区域划分模块1，用于根据自然地理环境和气候条件将中国划分为六个区域；
天气状态划分模块2，用于将每日天气状态划分为晴天和非晴天状态；
气温估计模块3，用于分别进行晴天状态下气温估计、非晴天状态下气温估计以及日平均气温估计；
气温数据模型构建模块4，用于分别进行不同天气状态气温数据模型的构建；
线性回归校正模块5，用于分别进行气温数据模型的线性回归校正处理。
下面结合实施例对本发明的技术方案作进一步描述。
1、本发明利用气象台站数据与再分析数据，建立不同天气状态下日最高和最低气温模型，并通过加和平均得到日平均气温数据集，最终输出1979-2018年中国日值近地表气温数据集(最高，最低和平均)，空间分辨率为0.1°。经过与已有再分析数据集及气象站点实测数据验证后表明本数据集精度有明显的改善，对各区域的适用性较高。平均精度范围为：日最高气温的R2为0.98，MAE为1.00，RMSE为1.37。日最低气温的R2为0.97，MAE为1.17，RMSE为1.59，日平均气温的R2为0.99，MAE为0.53，RMSE 为0.77。利用极端气候指数对每日最高气温和最低气温随时间序列的变化趋势进行研究发现，中国各地区气温皆呈升温态势，最高气温距平值每年平均升温0.42°，最低气温距平值每年平均升温0.47°，每日平均气温也在逐渐升高，这与全球气候变暖趋势相一致。综上所述，本数据集可以较好的估算每日最高气温，最低气温和平均气温，便于进一步分析中国区域气温的季节性和周期性变化情况。
本发明创造性地提出了一种方法，将现有的再分析数据与气象站的观测数据相结合，通过不同的天气状态根据日温度变化的周期性建立分段正弦函数拟合日最高和最低温度方程或根据已有的再分析数据集降尺度得到日值气温数据集，并进一步扩展得到每日平均气温数据集。由于中国幅员辽阔，每个地区的日常温度变化都有其区域特征，根据自然地理区域的划分，将中国分为六个子研究区域。下面将详细描述如何在不同天气状态下进行日值气温数据集的计算以及如何在每个研究区域进行数据校正，最终得到了1979 年至2018年中国每日最高，最低和平均气温空间分辨率为0.1°的网格数据集。本发明的内容如下：第二节将介绍中国六个子研究区域的划分依据以及每个区域的特征，第三节将介绍此数据集所使用到的数据源，第四节将具体描述方法论，如不同天气状态下气温模型的构建和精度控制方法，模型修正方法及气温时空变化趋势分析方法，第五节给出了模型建立及修正后的精度范围与其他再分析数据的精度验证结果以及时空变化分析，第六节对本发明进行总结。
2、中国地域辽阔，气候类型丰富，生态环境复杂。从南到北，从热带到冷温带，涵盖六个气候带。海拔范围在-154.31-8848.86米之间，地势高度从西向东逐渐减小，降水逐渐增加，显示出湿度从干旱到湿润，从荒漠到草原的变化。考虑到每个地区的地理位置，海拔，气候特征和农业种植方式的差异，本发明根据自然地理环境和气候条件将中国分为六个地区。该地区与中国季风气候区的边界大致相同，符合每个地区的独特气候特征。通过分析区域的特定类型来构建每日最高和最低温度模型，以便进一步研究大连续区域中温度的时空趋势。六个子研究区为(I)温带季风气候区的东北地区，(II)温带季风气候区的南部，(III)亚热带季风气候区。(IV)热带季风气候区，(V)温带大陆性季风气候区，(VI)高原山区气候区。(I)温带季风气候的东北部主要是中国东北，位于大兴安岭以东。年降水量400-1000mm，由东向西逐渐减少。年累积温度在2500-4000℃之间，冬季严寒而漫长，夏季炎热多雨。该地区是中国重要的商品粮基地。庄稼对气候变化更加敏感，并且极易受到极端天气事件的影响。(II)在季风温带气候区的南部，年积温在3000-4500℃之间，夏季炎热多雨，冬季寒冷干燥。受季风影响，极端天气灾害更有可能发生。 (III)亚热带季风气候在秦岭淮河以南，热带季风气候区以北，横断山脉以东。年积温在4500-8000℃之间，降水量大多在800-1600mm之间。夏天炎热，冬天温暖。(IV)热带季风气候通常位于北回归线以南。年积温大于800℃，年最低温度不低于0℃，常年无霜冻，年降水量大多在1500-2000mm。(V)温带大陆性气候主要分布在中国北纬40度以上的内陆地区，位于大兴安岭-银山-横断山线的西北。它远离海岸，难以输送水蒸气。年降水量在300-500mm之间。日温差和年温差都很大，包括温带沙漠气候，温带草原气候和亚寒温带针叶林气候。(VI)高原山区气候主要分布在青藏高原。年积温低于2000℃，日温差大，年温差小，太阳辐射强，日照丰富，降水少。与其他气候类型不同，生物多样性受纬度和海拔高度的影响。高原山区的气候主要受海拔高度的影响。
3、数据
3.1再分析数据
再分析数据是在同化了大量遥感数据、已有再分析数据和气象站点数据的基础上形成的，可以对大范围区域进行气象和气候变化研究，数据集时间序列长，空间分辨率高，本发明主要使用的是CMFD数据集和ERA5再分析数据集。
CMFD数据是由中国科学院青藏高原研究所开发的一组地面气象要素驱动数据。它主要基于国际上现有的普林斯顿再分析数据GEWEX-SRB。通过中国气象局获得的观测数据，辐射数据和TRMM降水数据被用于纠正中国全球再分析数据中的系统误差，并被用于研究中国地面要素的驱动过程。CMFD数据集包含七个变量，分别是近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射、地面降水率。时间范围为1979.1至2018.12，时间分辨率最高为1小时，空间分辨率为0.1°。它是目前中国区域时间序列最长，空间分辨率最高的综合再分析数据集，本发明中用到了CMFD逐三小时数据和每日气温数据。国内外许多的专家学者对CMFD数据集进行了趋势分析和研究。Yin在2019年使用中国高空时空分辨率地面气象因子驱动数据集(ITPCAS)分析了该数据集对三大河源地气候因子的适用性以及整个温度和降水的时空趋势，通过与气象站观测数据的比较，表明该数据集可以很好地展现三大河源地不同季节和地区的气候变化，具有较好的准确性和一致性，数据精度高。Zhang在2019年分析气象要素驱动的数据集在黄河源区的年和月尺度上具有很强的适用性，可以在很大程度上反映区域气候变化规律。王在2017年对中国长江流域区域地面气象要素数据集进行了适用性评估，重新分析后的数据与现场实测数据相符。Zhang于2021年使用全球土地数据同化系统(GLDAS)和MODIS热红外遥感数据重建1km全天候地表温度，经过验证地表温度的均方根误差为2.03～3.98K，决定系数介于0.82和0.93之间。经过于现有的 LST数据集进行对比发现此数据集具有高精度、可靠性和空间完整性，有望为今后大范围中高分辨率研究提供参考。
ERA5数据是由欧洲中期天气预报中心(ECMWF)推出大气再分析全球气候数据的第五代产品，取代了已于2019年8月31日停产的ERA-Interim再分析数据。ERA5提供了大气、陆地和海洋气候变量的逐小时数据，通过31km网格覆盖全球，利用由地表到大气80km的137层来解析大气。ERA5提供了许多气象要素，其中包括2m气温、2m相对湿度、海平面气压等，有四个主要子集：每小时和每月的产品，包括地面要素和高空要素。自ERA5再分析数据发布以来，众多学者对其适用性和精度效果进行了检验，结果表明ERA5 数据相关性和偏差明显小于ERA-Interim数据，且较高的空间分辨率有利于精细的描述区域大气变化情况。 ERA5数据集可在https://cds.climate.copernicus.eu/cdsapp#！/search？type＝dataset&text＝ERA5上下载得到。
3.2气象站数据及辅助数据
本发明使用了中国气象局发布的气象站观测数据，并进行了严格的质量控制和评估，包括逐小时气温数据，逐小时地表温度数据和气象站点每日监测数据(包括每日最高，最低和平均温度数据)。本发明利用中国1979-2018年699个地面气象站发布的每小时气温数据和2399个地面观测站发布的每小时地表温度数据根据统计的方法确定逐日最高气温和最低气温出现时间。采用地表温度数据是基于地表温度日变化趋势与空气温度的一致性原则，一定程度上弥补逐小时气温观测站数据的失测误测问题，以构建每日温度变化模型。将中国699个基本和参考地面气象站的日最高和最低温度数据用作验证数据集，为了校准和验证日最低温度的准确性，本发明气象站点数据随机分为两部分，一部分用于校准初始模型的输出温度值，该值占总站数的80％(559个站)。另一部分用于建立多元线性回归方程以校正数据集，该值占站点总数的20％ (140个站点)。为了提高天气观测数据的鲁棒性和均匀性，本发明首先对每个气象站的监测数据进行统一的时空一致性测试，以消除极端离群值和缺失值，保证数据的可用性。其次，由于其他不可预测的状况导致数据值异常或丢失(例如仪器老化，故障，工作站重定位等)，本发明会手动检查原始监测数据，处理可能存在异常值的温度数据并保留未迁移站点的数据。将随时间推移，站点迁站导致地理位置变化大的站点进行剔除，对日气温值进行检验，剔除日平均气温大于日最高气温或小于日最低气温，日最高气温小于最低气温，日最高气温高于60℃或小于-40℃和日最低气温高于40℃或小于-60℃的天数。近年来，许多研究人员大大扩展了可用的数据插补方法。在空间上，可以使用地理加权回归方法基于不同的权重比率来估计缺失值。在时间方面，对同一时间点之前和之后的两个相邻或一日温度值执行温度插值，以提高数据完整性和准确性。本发明使用两种策略保障日最高气温和最低气温出现时间统计的完整性和准确性，将在后文4.1.2中详细介绍。
本发明中对ERA5数据进行了空间降尺度，用到了MODIS中的MOD11A1和MYD11A1产品，MOD11A1 和MYD11A1提供了包含每日全球逐像元地表温度数据。MODIS是搭载在Terra和Aqua两颗卫星上的中分辨率成像光谱仪，Terra卫星自1999年2月18日起服务，Terra是上午轨道卫星，从北向南于地方时10：30左右通过赤道，Aqua为下午轨道卫星，从南向北于地方时13：30左右通过赤道。自Aqua卫星2002开始服务起，MODIS每日可以以地方时1:30，10:30接收四次地面过境轨道地表温度资料。MOD11A1/MYD1IA1时间分辨率为每日，空间分辨率为1km，本发明中为了了解MODIS受气溶胶和云层的影响像元中出现的低质量值和缺失值的位置，MODIS为其每种产品都提供了质量控制(QC：Quality Control)或质量保证(QA：QualityAssurance)字段，质量控制文件多以二进制形式进行编码，并且将数据图层的质量控制参数编写在HDF文件的一个数据集中。MODIS数据可从LAADS DAAC网站下载。 (https://ladsweb.modaps.eosdis.nasa.gov/search/order)。
这项研究使用来自美国航天飞机奋进号雷达地形图的SRTM数据的90m分辨率DEM图像高程对温度数据进行地形校正，以减少地形波动对气温的影响。SRTM高程数据主要用于环境分析，可以通过USGS网络获得。(http://srtm.csi.cgiar.org/)。
4、发明方法
已有的研究充分利用了现有的气象站点来进行每日温度插值或通过遥感的地表温度数据来估算每日最高和最低气温。但是由于气象站点数量的有限性和分布的离散性，不同天气状况下无法保证遥感影像质量，地表温度估算气温的误差难以进一步缩小等种种限制，都在一定程度上阻碍了日值气温数据集的精细发展。因此，有必要通过可靠和稳健的方法建立每日最高和最低温度模型，进一步提高数据集的准确性，并探索与大范围气候变化更相符的每日温度数据，以便该产品可以更广泛地用于气候变化趋势和极端气候事件的研究中。由于每日气温变化受多因子共同作用，对不同天气状况敏感，故本发明根据不同天气状态进行日最高气温和最低气温的计算。首先将1979-2018年各日天气划分为晴天条件下和非晴天条件下，此外通过现有的再分析数据集，结合中国地表气象要素驱动气象站的小时温度数据和MODIS每日T3，在晴天条件下根据日气温变化符合正弦曲线这一已有研究理论建立模型，在非晴天条件下采用多步骤进行日值气温数据集的确定，在线性回归校正后得到最终日值气温数据集。简而言之，本发明每日气温数据集的建立主要分为三个步骤：每日天气状态判定，针对不同天气状态下模型的建立阶段(4.1.2节为晴天状态下的模型建立方法，4.1.3节为非晴天天气状态下的数据建立方法)和模型校正方法。为了更直观地显示每日最高和最低温度数据集的生产过程，详细的数据处理方法如4图3所示。
4.1气温数据模型
4.1.1天气状态确定
本发明首先对每日天气现象进行判别以针对不同的天气条件确定日值气温的计算方法。受冷锋，气旋环流，高低压和雷暴等复杂天气系统的影响，每日最高气温和最低气温出现的时间具有非周期性和不确定性，由此可以根据日最值气温出现时间异常判别天气状况的异常，进而将研究期间每日天气现象划分为晴天状态和非晴天状态，便于进一步的计算。
本发明主要使用统计方法采用两种策略得到每个像元每日最高温和最低温出现的时间，其中两种策略的具体实现步骤由图4中展示。第一种策略是对站点分布较为密集的地区(相邻站点之间的距离小于30km) 进行日最值气温输入参数的确定，主要用到四种方法：1)当站点实测数据完整且无异常值时，采用逐小时站点数据确定日最高气温和最低气温出现的时间；2)当站点实测数据有缺值但不连续缺值时，在空间范围相同的情况下，本发明采用同一站点前后两定时温度进行填补和修复以确定日最值气温出现的时间；3)当站点观测数据连续缺测时，在时间范围相同的情况下，本发明根据相邻站点出现日最值的时间进行填补以确定该点日最值气温出现的时间。这种方法主要是基于站点间距离越近，气温变化的空间一致性和相关性越强的原则；4)当站点数据连续缺测且相邻站点数据也无法填补时，在同一时间和空间范围内，利用其他相关数据进行修复。本发明中本发明根据每日地表温度与气温变化的近似一致性趋势，采用同一站点的逐小时地表温度进行日最值气温的确定，此方法适用于缺失值太多，气象站30km附近没有临近的站以及前后两定时数据不完整的站点使用。许多学者研究了气温和地表温度的日变化趋势，发现地温和气温的日变化趋势具有很强的一致性，遥感卫星反演的地表温度目前被广泛用于日最低温度和最高温度的估算中，取得了很多成果其精度也大大提高，证实了通过地表温度推算气温研究的可靠性。
第二种策略是对站点分布较为稀疏且相邻两站点之间欧氏距离大于30km的地区进行日最值气温出现时间的确定。由于ERA5数据与本发明的数据集空间分辨率存在一定的差异，较难满足本发明对获取较高精度气温数据集的需求。本发明中本发明利用ERA5数据在CMFD数据和MODIS数据的辅助下进行空间降尺度从而确定日最高气温和最低气温发生时间。ERA5数据空间分辨率为30km，CMFD数据空间分辨率为 0.1°，MODIS数据的空间分辨率为1km。大致流程是首先将ERA5的30km网格降尺度到0.1°网格上，然后对降尺度后的ERA5数据逐像元逐日遍历得到日最高和最低气温出现的时间，最后输出各区域日最值气温发生时间。通过引入CMFD数据以保证本发明输入的日最值时间数据的有效性和完整性，引入MODIS数据以提高空间分辨率和细化精度值。具体计算步骤如下：由于MODIS自2002年起一日可得到四次1km的LST 观测结果，本发明将时间序列分为1979-2001和2002-2018两个阶段。首先将研究时段内每日ERA5数据与 CMFD数据按照时间和相同的中心经度，中心纬度进行排列，本发明根据临近时间将逐小时ERA5数据与逐三小时CMFD数据进行分配。其次将ERA5各像元分割成与CMFD相同的像元大小并且把CMFD对应ERA5 单个像元的各个像元视为一个整体。然后通过ERA5分割后逐像元与CMFD数据建立空间相关关系，采用 CMFD各像元占ERA5对应像元的比例将ERA5逐小时数据降尺度到0.1°范围内。在2002年后根据气温与 LST日变化的相关性，同时采用CMFD数据和MODIS数据对ERA5数据进行空间降尺度，并对所得结果进行准确性检验。具体计算方法和公式因子表示可见公式(1)。其中TE表示ERA5数据，TC表示CMFD数据， TM表示MODIs数据。TE(xo，yo)为ERA5数据处于(xo，yo)像元位置降尺度后的气温数据，TC(xo，yo)为 CMFD位于(xo，yo)像元位置的气温数据，
为CMFD对应于ERA5像元的区域各像元位置的气温值的总和，TE(xm，yn)为ERA5原空间分辨率影像对应的气温。由于CMFD数据是逐三小时一次，本发明通过ERA5获得日最高气温和日最低气温出现对应的时间，然后采用临时时间对应的CMFD各像元温度进行空间降尺度。
4.1.2晴天状态下气温估计
现有研究使用构造函数的方法来模拟每日温度变化以获得每日最高和最低气温，该方法基于以下假设：除了在异常天数由于特定天气现象造成的温度大波动之外，每日温度变化趋势近似于正弦曲线波动，并具有周期性和不对称性。国内外许多研究都对这种变化进行了解释和分析，并证明了建立这种变化趋势的可靠性。日温度变化曲线通常分为两种：正弦函数曲线和分段线性曲线。Zhu使用Leuning提到的温度正弦公式输入最高每日温度(T_max)，最低每日温度(T_min)，每日长度(t_dl)以及从正午到最高每日温度的间隔(t_mt)模拟日温度曲线。1977年，John将Walter模型与正弦模型进行了比较，发现正弦模型在模拟白天的温度变化方面更为准确，模型输入参数有日照时数，日出时数，每日最高气温和每日最低气温。在模拟太阳的正弦热输入并模拟温度冷却过程的线性热损失后，弗洛伊德采用最小二乘法模拟了1984年每小时平均温度的日变化。结果表明该模型是有效的，均方根小(RMSE)并且聚类值更稳定。Cesaraccio在 2001年提出了一个新模型，该模型可用于估算平均每小时温度变化。通过拟合分段函数模型，将一天分为三个阶段以估计日温度的变化趋势：假设最低温度发生在日出时，日最低温度和最高温度变化过程由正弦函数曲线表示，从一天中最高温度出现到日落发生时之间的时间由另一个正弦函数表示，平方根函数用于模拟从日落时间到第二天日出的时间，经过站点观测数据比较和验证表明，该分段模型在不同的时间范围内可以获得较好的结果，并且温度值的精度更高，表1罗列了已有研究人员根据气温日变化趋势进行日温度模拟的方法和参数说明，上述研究表明，在晴天状态下建立分段正弦函数估算每日最高和最低温度模型是可行的。
表1基于正弦曲线方程估算每日最高气温和最低气温公式表
与以往的研究大多将每日温度值作为参数输入到模拟温度变化模型中不同的是，本发明将从另一个角度出发。首先，通过统计方法确定每日最低温度和最高温度出现的大致时间，将推导得到的分段正弦函数以及每天最低温度和最高温度的发生时间作为参数输入到函数模型中。其次基于最小二乘拟合方法对 CMFD再分析数据集的每三小时温度进行参数化，以获得每日的最高和最低温度变化曲线，最后输出每日的最高和最低气温，作为初步结果，以供后续校正和分析。每日最高气温和最低气温出现时间的具体统计推导过程已在上文4.1.1中讲述，本发明将得到的日最高气温和日最低气温出现的时间作为参数输出分段正弦函数中，根据每日温度变化的近似周期性和最高、最低气温出现时间的不对称性，本发明可以推导出日最高气温和日最低气温出现时间附近的分段正弦函数曲线，如公式(2)和(3)所示。其中，公式(2) 是日最低温度变化函数，公式(3)是日最高温度变化函数。采用最小二乘法将CMFD再分析数据与每日最大和最小温度出现时间代入方程中，得到参数A和B的值以构建分段正弦函数，再次将每日最高最低气温发生的时间代入推导公式以输出每日最高和最低温度。最小二乘法是一种数学优化技术，它使用残差的最小平方和作为最佳匹配函数的估计标准。该算法通常在统计模型中使用，是迄今为止最适用和使用最广泛的参数估计方法。为了更直观，更清晰地显示日最高和最低温度出现时间与正弦曲线的关系建立过程，以特定时间的标准化局部区域的日气温变化趋势为例，粗略地绘制了日温度变化曲线，如图6所示。图6中蓝色部分表示本发明构建的正弦方程涵盖的日最低气温变化区域，橙色部分表示正弦方程涵盖的日最高气温变化区域，将再分析数据中每日对应的八个时间点相对应的温度值输入到变化图中，并显示最高气温和最低气温出现的大概位置。在实际操作中，每日温度变化波动剧烈，因此有必要分析时间和空间的特殊性以满足区域差异的特征。
其中Hmin是每天最低温度发生的时间，Hmax是每天最高温度发生的时间。由于温度发生的周期性，因此将第二天的每日最低温度的发生时间设置为Hmin+24。根据正弦函数的周期性，推导出日最低温度和日最高温度的正弦公式。At和Bt是未知参数。图5为每日温度变化趋势(标准化后)的模拟曲线示意图，其中图中×图形表示CMFD每三小时数据集分布范围，点表示ERA5逐小时再分析数据集分布范围。
4.1.3非晴天状态下气温估计
在非晴天状态下的每日气温波动较为剧烈，本发明对每日最高和最低气温的计算主要是通过两种方法，一种是当像元位置有气象站点对应，另一种是当像元位置没有气象站点对应。当像元位置有气象站点对应时，本发明采用对应气象站点实测的每日最高气温，最低气温和平均气温进行填补，实测数据都经过了严格的质量控制和评估，并经过地形校正消除了海拔对气温的影响，地形校正方法将在下文4.2中介绍。当像元位置无对应的气象站点时，本发明采用ERA5逐小时温度借助CMFD逐三小时数据进行空间降尺度，降尺度过程本发明在4.1.1中进行了介绍。对于非晴天状态下的降尺度过程，本发明将无像元位置的地区所对应的ERA5降尺度后逐小时气温数据进行遍历，找出其中最高气温和最低气温该像元日最高和最低气温值。
4.1.4日平均气温估计
将校正后输出的每日最高和最低气温数据集与CMFD每日八个气温值进行加和平均，得到每日平均气温值并与气象站点数据进行初步精度验证(精度验证结果如后文5.1中的图11所示)，进而根据气象站点数据对每日平均气温输出值进行多元线性回归校正以提高精度，最终输出每日平均气温数据集(最终精度验证结果如后文5.2中的图14所示)。在校正前将气象站点实测的每日平均气温进行质量控制和地形校正部分同上文中的3.2，线性校正方法同下文4.2所述。
4.2气温数据修正方案
由于温度对海拔高度变化敏感且易受周围环境的影响，因此本发明中使用的各种气象站的数据均已通过平均大气温度的垂直衰减率进行了高度校正。首先，将观测数据统一到海平面高度上，然后通过与海平面相对应的温度完成数据校正或插值过程，然后再校正到其海拔高度。该方法可以减少海拔高度对温度的影响，并在一定程度上提高数据集的准确性。在本发明中，本发明使用统一的标准，即海拔每升高100米，大气温度垂直下降0.65℃，反之亦然。修正后的方程式在公式(4)中显示。其中，TSL是海平面温度，TS是气象站温度，H是海平面高度，单位统一为m。
TSL＝TS+0.0065H (4)
基于折刀法将全国699个气象观测站按照20％和80％的比例分为140个验证站和559个拟合校正点，以建立多元线性回归方程。从5.1中气温变化模型的初步精度结果中可以看出，虽然总体的精度较高但仍存在日气温变化波动剧烈导致的模型输出数据温度值异常的问题，还需进行进一步的校正以降低偏差的大小，提升数据集的精度，数据的校正过程在图7中给出，对于异常温度值本发明对像元位置有气象站点的像元进行气象站点实测数据替换，对于像元位置没有气象站点的进行相邻像元温度校正。将最终输出的数据进行多元线性回归，多元线性回归插值法通过建立站点实测值与对应像元拟合值之间的逐步回归关系，根据回归方程计算回归气温预测值，并将实测值与回归预测值进行计算以得到温度残差。将残差插值到全图并根据各像元的空间分布，将两者进行加运算以获得回归方程的校正值。公式为：
在方程式(5)，(6)中，x和y是像元的行数和列数，V(x，y)是回归方程式的校正值，
是气温的回归预测值，并且
是残差。y是实测值，yo是回归预测值。
4.3精度验证方法
为了评估数据集的准确性，本发明选择了三个指标来衡量变量的准确性，即R2，MAE和RMSE。R2 是确定系数或拟合优度；MAE是平均绝对误差，是绝对误差的平均值，可以反映预测值误差的实际情况； RMSE是均方根误差，它是观测值与真实值的平方和偏差的总和。
为了验证本数据集取得的精度效果，本发明首先将本发明中输出的气温数据集与站点实测数据进行精度验证和校正后精度验证，其次本发明选取晴空状态下，地表类型均一且地形平坦的区域作为对比研究区，将本发明的日值数据集与已有的再分析数据集进行精度对比。其中日最高气温和日最低气温数据集ERA5 再分析数据集分别与气象站点实测数据进行对比，值得一提的是，由于ERA5再分析数据集是逐小时气温格网数据集，本发明选取ERA5每日24个温度值中的最高温度作为日最高气温，选取其中的最低气温作为日最低气温进行精度验证。由于ERA5数据集空间分辨率为30km，将本发明的日最高和最低气温数据集通过重采样方法得到与ERA5数据相同的分辨率进行精度评价。最后本发明对日平均气温精度验证，将本发明的日平均气温数据集，CMFD日气温再分析数据集，ERA5再分析数据集与站点实测数据进行对比分析得到各数据集的精度验证结果。ERA5逐小时气温进行加和平均得到ERA5日平均气温数据集，CMFD在发布之时提供了中国区域每日平均气温数据集并将三类数据集通过重采样方法调整到相同的空间分辨率以进行验证，以上选用的精度对比数据集全部经过重采样到与ERA5再分析数据集同样的空间分辨率下，最终验证结果在5.2节中给出，并进一步分析本数据集精度效果及平均气温的时空变化趋势。
4.4时空变化趋势
本发明使用最终数据集获得的每日最高，最低温度和平均温度分析中国各区域气温的变化情况，并进一步检验数据集的效果和区域适用性。气候变化检测和指数专家组(ETCCDI)在气候变化监测会议上提出了一套极端气候指数，二十七项指标被视为其核心指标，其中包括十六项温度指标和十一项降水指标。本发明选择了其中的四项(最高气温、最低气温、暖昼日数和冷夜日数)并进行了一定的调整以对各年份极端气温的变化趋势进行全面分析，最高温度(最低温度)是将每年各月最高气温(最低气温)相加减去研究期内(40年)各月最高气温(最低温度)总和的平均值得到年总最高气温(最低)距平温度值，并对最高气温(最低气温)进行线性回归计算其年际变化趋势。暖昼(冷夜)日数是通过对40年研究期内各月日最高(最低)气温按照温度升序排序，并取其中超过90％(低于10％)的部分对应各年份所占的天数来分析各年气候波动导致的暖昼和冷夜发生的天数。本发明从各研究区的角度观察每日最高温度和每日最低温度的变化情况，这有助于理解气温变化在区域间的差异。
为了研究平均气温的时空变化趋势，本发明采用线性回归的方法和相关系数计算每日平均气温的年际变化速率和相关性，公式由Eq.7和Eq.8给出。本发明使用双尾t检验进行显著性检验量化气温与时间序列变化的显著性(Eq.9)。
式中n表示时间序列长度的总年数，i表示年份，Ti表示第i年的年平均气温。K＞0表示在时间序列范围内气温呈升高的趋势，K＜0表示在时间序列范围内气温呈下降的趋势。R表示气温与时间序列的相关关系， R＞0表示气温与时间序列正相关，R＜0表示气温与时间序列负相关，R值介于-1～1之间。根据相关系数(R) 进行t检验证明其显著性，本发明置信值选取a＝0.05和α＝0.01，通过查阅t分布表服从自由度γ＝n-2的t分布，得到气温与时间序列发展相关性显著的地区及通过范围。
5、结果与验证
5.1校正前精度验证
每日最低和最高温度值是通过拟合的每日最高和最低温度模型获得的，每日平均气温是根据日气温相加平均得到的。根据六个自然地理区域划分的子研究区域，分别对每日最高、最低和平均气温与气象站点实测数据进行对比分析。图8显示了每日最高温度的原始输出与气象站的测得温度之间的相关系数的散点图。决定系数(R2)在0.91至0.99之间波动，平均确定系数为0.96；平均绝对误差(MAE)在1.69和2.71之间，平均MAE为2.05；均方根误差(RMSE)在2.15至3.20之间波动，平均均方根误差(RMSE)为2.55。图9显示了每日最低温度和测得温度的原始输出结果的散点图。决定系数(R2)在0.93至0.97之间波动，平均确定系数为0.95；平均绝对误差(MAE)在1.34和2.17之间，平均MAE为1.85；均方根误差(RMSE)在1.68到2.79之间波动，平均RMSE为2.41。图10显示了每日平均气温的原始输出与气象站的测得温度之间的相关系数的散点图，验证的准确性是确定系数(R2)在0.97至0.99之间波动，平均确定系数为0.99；平均绝对误差(MAE)在0.58和0.96之间，平均MAE为0.78；均方根误差(RMSE)在0.86至1.60之间波动，平均均方根误差(RMSE)为1.15。
从图中可以看出，估算的每日最高气温、最低气温和平均气温与气象站点实测气温的决定系数均大于 0.91，表示可以较好地反应日气温值的变化特征。但由于异常天气现象出现的影响导致某些天数点的分布更加离散，尤其是V和VI研究区，需要进一步校正以降低误差，提高数据集的准确性。
5.2修正后精度验证
基于4.2节中提到的线性校正方法对原始输出温度值与气象站点实测值进行回归校正，确定回归系数，减少离群值。校正后数据精度结果如下图所示，从图中可以看出修正后的数据具有更高的一致性，离群值有了很大的减少，温度值呈现线性分布效果逐渐接近回归线。图11显示了各区域校正前后的每日最高温度误差范围。灰色点图表示校正前的值分布范围，橙色点表示校正后温度值的误差范围，决策系数(R2)在 0.96和0.99之间波动，平均决定系数为0.98，平均绝对误差(MAE)在0.63和1.40之间，平均绝对误差为1.00，均方根误差(RMSE)在0.86至1.78之间波动，平均均方根误差为1.37。图12显示了各子研究区校正前后的每日最低温度散点图。蓝色点表示校正后温度值的分布范围，决策系数(R2)在0.95至0.99之间波动，平均决策系数为0.97，平均绝对误差(MAE)在0.58至1.61之间，平均绝对误差为1.17，均方根误差(RMSE) 在之间波动0.78和2.09之间，平均均方根误差为1.59。图13显示了各子研究区校正前后的每日平均气温散点图，绿色点表示校正后温度值的分布范围，决策系数(R2)在0.99至1.00之间波动，平均决策系数为0.99，平均绝对误差(MAE)在0.27至0.68之间，平均绝对误差为0.52，均方根误差(RMSE)在之间波动0.35和1.00之间，平均均方根误差为0.75。
从日最高、最低和平均气温图中都可以看出，校正后的六个区域数值点的分布更密集。从中本发明也可以看到IV研究区精度误差(MAE，RMSE)最小，VI研究区误差值(MAE，RMSE)最高。这是由于IV 研究区位于中国的热带季风气候区，受纬度和地形的影响全年温度较高且位于中国东部地区，气象站点分布较为密集，可以很好的提高数据与站点实测数据的吻合度。精度较低的VI和V研究区，大致位于中国西南部青藏高原地区和西北部的新疆地区。该地区地形复杂，日气温变化大且气象站点稀疏，导致校正后精度略有提高，但仍然存在一些离群值。从图中可以看到，在不同的子研究区域中，修正后气温的精度变化是不同的。对于每日最高气温来说精度变化最大的区域是V研究区，该地区位于中国西北部的新疆地区。校正后的MAE下降了1.13，RMSE减少了1.31，温度值更加集中并且离群值大大减少。最日最低气温和每日平均气温修正前后误差评价指标变化最大的是I研究区，主要位于中国东北部地区，这可能是由于东北地区纬度较高，每日气温波动较大，出现日最高气温和最低气温的时间不稳定导致。因此，正弦模型输出的日最低气温温度值和通过加和平均得到的每日平均气温不能满足对温度变化频繁的天气状况的准确估算，鉴于该地区有密集的气象站，通过回归方程校正可以更符合其变化特征并且大大提高了数据的准确性和鲁棒性。校正后误差值度量指标变化最小的地区分别是IV和VI研究区。与上文所述一致的是IV和VI地区深受地理位置，日气温波动变化，天气状况和所在区域气象站点分布程度的影响，这可能是由于两个原因。一方面，高原和山区的太阳辐射较大。尽管海拔较高，但每日最低温度的变化更平稳，并且每日最低温度的时间相对稳定。此外，由于该地区气象站分布稀疏，气象站数量少，可能导致线性回归中使用的气象站数量不足，导致校正后精度略有变化。本发明通过表2进一步分析了不同区域的最高和最低温度的准确性验证结果，本发明可以看到最高和最低温度是一致的。MAE和RMSE误差最小的区域均为热带季风气候区 (IV)，误差最大的区域为高原山地研究区(VI)。
与此同时，为了进一步论证本数据集的数据精度范围及适用性，本发明将已有的CMFD再分析数据和 ERA5再分析数据与本数据集进行交叉验证，同样使用了R2、MAE和RMSE这三个精度评价指标。首先，本发明将每日最高气温与最低气温数据集与ERA5逐小时再分析数据进行精度评价。获取ERA5数据一天中最高及最低气温值，作为日最高气温和日最低气温进行对比。其次本发明对ERA5逐小时数据进行相加平均得到日平均气温数据集与CMFD再分析数据提供的日平均气温数据集进行精度对比和评估。具体的评价指标大小于表2中所示，AVG表示各研究区域平均精度均值(MeanAverage Precision)，可以看出各数据集各评价指标的平均验证精度结果，对于每日最高和最低气温来说，本数据集与ERA5数据具有一致性，尤其是在中国青藏高原地区，数据的精度较低。这可能是因为ERA5再分析数据集同样受到气象站点分布较少，地形复杂日气温变化频繁的影响。为了更直观的表明三种数据的度量指标范围，本发明每日平均气温的交叉验证结果绘制成了柱状图于图14表示，从中可以看出本发明的每日平均气温与CMFD和ERA5数据具有较高的一致性，从图和表中本发明也可以清晰的看出，本数据集对各区域均有较好的估算效果，数据集的准确性较高。
表2校正后的数据集中每个研究区域的最高温度和最低温度与气象站测得的温度之间的精度差
5.3时空变化趋势分析
本发明使用最终数据集获得的每日最高，最低温度和平均温度分析中国各区域气温的变化情况，并进 一步检验数据集的效果和区域适用性。对每个子研究区域进行日最高气温和最低气温的波动趋势分析，其 变化发展如图14和图15所示。由图中可以看出，最高气温距平与最低气温距平在区域变化趋势上具有一致 性，在研究期内年距平虽有波动但逐渐由负距平转为正距平，气温距平经过线性回归后升温最为强烈的都 是IV研究区，位于中国热带季风气候区，最高气温距平值上升0.53°/y，最低气温年距平升温0.61°/y。其余研究区的最高气温距平都在0.30°/y以上平均升温呈线性升温趋势，变化趋势分别为：(I)区域升温0.40°/y， (II)区域升温0.38°/y，(III)区域升温0.41°/y，(V)区域升温0.46°/y，(VI)区域升温0.33°/y。最低气温 距平都在0.25°/y以上，变化趋势分别为：(I)区域升温0.28°/y，(II)区域升温0.59°/y，(III)区域升温0.45 °/y，(V)区域升温0.50°/y，(VI)区域升温0.37°/y。VI研究区升温快主要受其所处的纬度和地理位置影响， 热带季风气候区位于我国热带地区，全年气温较高，靠近海洋，受季风的影响大。与之相对应的是各区域 的暖昼日数也有增加的态势，这与全球变暖气候环境密切相关。通过将各月日最高气温(日最低气温)升 序排列并取>90％(<10％)的天数进行汇总，得到各年暖昼和冷夜日数，对各月进行分别排序汇总避免了 对年排序可能导致的仅对气温高(低)月份进行统计的缺陷。从图14和图15中可以看出暖昼日数和冷夜日 数也具有趋势一致性，暖昼较多的年份多出现冷夜较少的年份，暖昼较多的年份是1998，1999，2005，2006， 2007，2010，2015，2016，2017和2018年，冷夜日数较少的年份是1979，1980，1982，1983，1984，1985 和1987年。冷夜天数的减少和同年温暖天数的增加可以显示出一定的趋势，例如在2015年和2017年，数十 年来一次出现高温天气，这与现有气象研究的结果一致，证明此数据集对气候变化趋势分析的准确性。
进一步分析每日平均气温在研究期间的变化速率和区域差异，本发明对中国区域气温的多年变化率，时间与空间的相关系数和相关系数变化的显著性进行检验，中国绝大部分地区日平均气温为弱正向升温趋势占总体的92.13％，呈降温趋势的仅为7.87％并且K等于0.03℃/y。中国的西部有两处较为明显的升温趋势，主要位于吐鲁番盆地的南侧，冈底斯山脉的中段，主要体现在塔里木盆地具有微弱的降温趋势，K大于-0.20 ℃/y，这可能是由所处地区的地貌形态和太阳辐射变化导致的。昆仑山脉的西端也有降温趋势，可能是由于海拔较高导致的气温较低。通过相关系数进行分析，可以看出有48.77％的地区相关系数超过了0.6，有 84.06％的地区相关系数超过了0.3从中本发明可以得到气温变化与时间序列的发展具有较高的相关性。通过对相关系数进行显著性检验本发明发现，有83.17％的地区通过了95％显著性检验，有75.23％的地区通过了 99％显著性检验。
6、结果
【气温的重要性】政府间气候变化专门委员会(IPCC)在2019年发布了《气候变化与土地特别报告》，指出在工业化之前，地表温度的升高约为全球平均水平的两倍。研究表明，气候变暖导致世界上超过80％的观测区域的超高温事件增加，极端气候事件的频率和强度也增加了。有必要在具有较高时空分辨率的大区域内，根据每日最低温度和每日最高温度的数据进行系统的研究和分析，以了解极端气候发生和发展的趋势和程度，并预先设置的工程设施，农业耕作周期安排以及人类的生产和生活。预警提供了科学依据。
本发明提出了一套新的网格化高分辨率中国1979-2018年每日最高，最低和平均气温数据集，基于不同地区地理气候变化的特殊性，研究了其多年温度波动趋势和变化范围。新建的数据集提供了高分辨率的区域化数据集。对各个区域的每日最高和最低温度进行空间分析。根据气象站的观测数据，该数据集的准确性较高，模型建立方法更为有效。精度范围：每日最高温度的平均R2为0.98，平均MAE为0.98℃，平均RMSE 为1.32℃，每日最低温度的平均R2为0.97，平均MAE为0.63℃，并且平均RMSE为1.62℃。中国最稳定的每日最高和最低温度是中国的热带季风气候区。热带季风气候区终年高温，日温度范围相对稳定，非常强劲。中国的高原和山区气候位于中国的第一步。从今天开始，海拔高，空气稀薄，温度变化大，剧烈的波动是其精度低的主要原因。
通过在27个极端气候中采用四个最高温度(TXx)，温暖天数(TX90p)，最低温度(TNn)和寒冷夜晚天数(TN10p)来趋势中国的每日最低温度和最高温度国际上常用的索引分析。近年来，每个研究区域的冷夜和暖天数都在波动，但总体而言，冷夜的天数逐渐减少，暖天的数逐渐增加，最高和最低温度逐渐增长，这与全球变暖相吻合。情况是一样的。由于每日最高温度和最低温度具有很大的波动性，因此该数据集需要进一步改进。因此，在随后的研究中，可以通过添加模型输入参数来满足用户需求来执行更准确的处理和分析。数据需要在许多方面进行更高精度的分析。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线 (例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种高时空分辨率近地表空气温度重构方法，其特征在于，所述高时空分辨率近地表空气温度模型的重构方法包括：首先将各日天气划分为晴天条件下和非晴天条件下，通再分析数据集，利用气象台站数据，结合中国地表气象要素驱动气象站的小时温度数据和MODIS每日Ts，建立不同天气状态下日最高和最低气温模型估算最高和最低气温值；通过加和平均得到日平均气温数据集，在线性回归校正后最终输出日值近地表气温数据集，空间分辨率为0.1°。
2.如权利要求1所述的高时空分辨率近地表空气温度模型的构建方法，其特征在于，所述高时空分辨率近地表空气温度模型的构建方法包括以下步骤：
步骤一，根据自然地理环境和气候条件将中国划分为六个区域；
步骤二，将每日天气状态划分为晴天和非晴天状态，并进行气温估计；
步骤三，针对不同天气状态，分别进行气温数据模型的构建；
步骤四，分别进行气温数据模型的线性回归校正处理。
3.如权利要求2所述的高时空分辨率近地表空气温度模型的构建方法，其特征在于，步骤一中，所述根据自然地理环境和气候条件将中国划分的六个区域，包括(I)温带季风气候区的东北地区，(II)温带季风气候区的南部，(III)亚热带季风气候区，(IV)热带季风气候区，(V)温带大陆性季风气候区，(VI)高原山区气候区；
其中，(I)温带季风气候的东北部主要是中国东北，位于大兴安岭以东；年降水量400-1000mm，由东向西逐渐减少；年累积温度在2500-4000℃之间，冬季严寒而漫长，夏季炎热多雨；该地区是中国重要的商品粮基地；庄稼对气候变化更加敏感，并且极易受到极端天气事件的影响；(II)在季风温带气候区的南部，年积温在3000-4500℃之间，夏季炎热多雨，冬季寒冷干燥；受季风影响，极端天气灾害更有可能发生；(III)亚热带季风气候在秦岭淮河以南，热带季风气候区以北，横断山脉以东；年积温在4500-8000℃之间，降水量大多在800-1600mm之间；夏天炎热，冬天温暖；(IV)热带季风气候通常位于北回归线以南；年积温大于800℃，年最低温度不低于0℃，常年无霜冻，年降水量大多在1500-2000mm；(V)温带大陆性气候主要分布在中国北纬40度以上的内陆地区，位于大兴安岭-银山-横断山线的西北；远离海岸，难以输送水蒸气；年降水量在300-500mm之间；日温差和年温差都很大，包括温带沙漠气候，温带草原气候和亚寒温带针叶林气候；(VI)高原山区气候主要分布在青藏高原；年积温低于2000℃，日温差大，年温差小，太阳辐射强，日照丰富，降水少；与其他气候类型不同，生物多样性受纬度和海拔高度的影响，高原山区的气候主要受海拔高度的影响。
4.如权利要求2所述的高时空分辨率近地表空气温度模型的构建方法，其特征在于，步骤二中，所述将每日天气状态划分为晴天和非晴天状态，包括：
首先对每日天气现象进行判别以针对不同的天气条件确定日值气温的计算方法；受冷锋，气旋环流，高低压和雷暴等复杂天气系统的影响，每日最高气温和最低气温出现的时间具有非周期性和不确定性，由此可以根据日最值气温出现时间异常判别天气状况的异常，进而将研究期间每日天气现象划分为晴天状态和非晴天状态；
使用统计方法采用两种策略得到每个像元每日最高温和最低温出现的时间，其中第一种策略是对站点分布较为密集的地区，即相邻站点之间的距离小于30km的地区进行日最值气温输入参数的确定，用到四种方法：1)当站点实测数据完整且无异常值时，采用逐小时站点数据确定日最高气温和最低气温出现的时间；2)当站点实测数据有缺值但不连续缺值时，在空间范围相同的情况下，采用同一站点前后两定时温度进行填补和修复以确定日最值气温出现的时间；3)当站点观测数据连续缺测时，在时间范围相同的情况下，根据相邻站点出现日最值的时间进行填补以确定该点日最值气温出现的时间，该方法基于站点间距离越近，气温变化的空间一致性和相关性越强的原则；4)当站点数据连续缺测且相邻站点数据也无法填补时，在同一时间和空间范围内，利用其他相关数据进行修复；根据每日地表温度与气温变化的近似一致性趋势，采用同一站点的逐小时地表温度进行日最值气温的确定，此方法适用于缺失值太多，气象站30km 附近没有临近的站以及前后两定时数据不完整的站点使用；
第二种策略是对站点分布较为稀疏且相邻两站点之间欧氏距离大于30km的地区进行日最值气温出现时间的确定；利用ERA5数据在CMFD数据和MODIS数据的辅助下进行空间降尺度从而确定日最高气温和最低气温发生时间；ERA5数据空间分辨率为30km，CMFD数据空间分辨率为0.1°，MODIS数据的空间分辨率为1km；首先将ERA5的30km网格降尺度到0.1°网格上，然后对降尺度后的ERA5数据逐像元逐日遍历得到日最高和最低气温出现的时间，最后输出各区域日最值气温发生时间；通过引入CMFD数据以保证本发明输入的日最值时间数据的有效性和完整性，引入MODIS数据以提高空间分辨率和细化精度值；
计算步骤如下：由于MODIS自2002年起一日可得到四次1km的LST观测结果，将时间序列分为1979-2001和2002-2018两个阶段；将研究时段内每日ERA5数据与CMFD数据按照时间和相同的中心经度，中心纬度进行排列，根据临近时间将逐小时ERA5数据与逐三小时CMFD数据进行分配；将ERA5各像元分割成与CMFD相同的像元大小并且把CMFD对应ERA5单个像元的各个像元视为一个整体；通过ERA5分割后逐像元与CMFD数据建立空间相关关系，采用CMFD各像元占ERA5对应像元的比例将ERA5逐小时数据降尺度到0.1°范围内；
在2002年后根据气温与LST日变化的相关性，同时采用CMFD数据和MODIS数据对ERA5数据进行空间降尺度，并对所得结果进行准确性检验；由于CMFD数据是逐三小时一次，通过ERA5获得日最高气温和日最低气温出现对应的时间，并采用临时时间对应的CMFD各像元温度进行空间降尺度；
其中，所述计算方法和公式因子表示如下：
其中，TE表示ERA5数据，TC表示CMFD数据，TM表示MODIS数据；TE(xo，yo)为ERA5数据处于(xo，yo)像元位置降尺度后的气温数据，TC(xo，yo)为CMFD位于(xo，yo)像元位置的气温数据，
为CMFD对应于ERA5像元的区域各像元位置的气温值的总和，TE(xm，yn)为ERA5原空间分辨率影像对应的气温。
5.如权利要求2所述的高时空分辨率近地表空气温度模型的构建方法，其特征在于，步骤二中，所述气温估计，包括：
(1)晴天状态下气温估计
首先通过统计方法确定每日最低温度和最高温度出现的大致时间，将推导得到的分段正弦函数以及每天最低温度和最高温度的发生时间作为参数输入到函数模型中；其次基于最小二乘拟合方法对CMFD再分析数据集的每三小时温度进行参数化，以获得每日的最高和最低温度变化曲线，最后输出每日的最高和最低气温，作为初步结果，以供后续校正和分析；
将得到的日最高气温和日最低气温出现的时间作为参数输出分段正弦函数中，根据每日温度变化的近似周期性和最高、最低气温出现时间的不对称性，推导出日最高气温和日最低气温出现时间附近的分段正弦函数曲线；采用最小二乘法将CMFD再分析数据与每日最大和最小温度出现时间代入方程中，得到参数A和B的值以构建分段正弦函数，再次将每日最高最低气温发生的时间代入推导公式以输出每日最高和最低温度；
其中，所述日最低温度变化函数为：
所述日最高温度变化函数为：
其中，Hmin是每天最低温度发生的时间，Hmax是每天最高温度发生的时间；由于温度发生的周期性，故将第二天的每日最低温度的发生时间设置为Hmin+24；根据正弦函数的周期性，推导出日最低温度和日最高温度的正弦公式，At和Bt是未知参数；
(2)非晴天状态下气温估计
采用对应气象站点实测的每日最高气温，最低气温和平均气温进行填补，实测数据都经过严格的质量控制和评估，并经过地形校正消除了海拔对气温的影响；当像元位置无对应的气象站点时，采用ERA5逐小时温度借助CMFD逐三小时数据进行空间降尺度；对于非晴天状态下的降尺度过程，将无像元位置的地区所对应的ERA5降尺度后逐小时气温数据进行遍历，找出其中最高气温和最低气温该像元日最高和最低气温值；
(3)日平均气温估计
将校正后输出的每日最高和最低气温数据集与CMFD每日八个气温值进行加和平均，得到每日平均气温值并与气象站点数据进行初步精度验证，进而根据气象站点数据对每日平均气温输出值进行多元线性回归校正以提高精度，最终输出每日平均气温数据集。
6.如权利要求2所述的高时空分辨率近地表空气温度模型的构建方法，其特征在于，步骤四中，所述进行气温数据模型的线性回归校正处理，包括：
(1)气温数据修正方案
由于温度对海拔高度变化敏感且易受周围环境的影响，使用的各种气象站的数据均已通过平均大气温度的垂直衰减率进行了高度校正；将观测数据统一到海平面高度上；通过与海平面相对应的温度完成数据校正或插值过程，再校正到其海拔高度；使用统一的标准，即海拔每升高100米，大气温度垂直下降0.65℃，反之亦然；其中，所述修正后的方程式如下：
TSL＝TS+0.0065H；
其中，TSL是海平面温度，TS是气象站温度，H是海平面高度，单位统一为m；
基于折刀法将全国699个气象观测站按照20％和80％的比例分为140个验证站和559个拟合校正点，以建立多元线性回归方程；从气温变化模型的初步精度结果中可以看出，虽然总体的精度较高但仍存在日气温变化波动剧烈导致的模型输出数据温度值异常的问题，还需进行进一步的校正以降低偏差的大小，提升数据集的精度，对于异常温度值本发明对像元位置有气象站点的像元进行气象站点实测数据替换，对于像元位置没有气象站点的进行相邻像元温度校正；将最终输出的数据进行多元线性回归，多元线性回归插值法通过建立站点实测值与对应像元拟合值之间的逐步回归关系，根据回归方程计算回归气温预测值，并将实测值与回归预测值进行计算以得到温度残差；将残差插值到全图并根据各像元的空间分布，将两者进行加运算以获得回归方程的校正值，公式为：
其中，x和y是像元的行数和列数，V(x，y)是回归方程式的校正值，
是气温的回归预测值，并且
是残差；y是实测值，yo是回归预测值；
(2)精度验证方法
选择三个指标来衡量变量的准确性，即R2，MAE和RMSE；R2是确定系数或拟合优度；MAE是平均绝对误差，是绝对误差的平均值，用于反映预测值误差的实际情况；RMSE是均方根误差，是观测值与真实值的平方和偏差的总和；
首先将输出的气温数据集与站点实测数据进行精度验证和校正后精度验证，其次选取晴空状态下，地表类型均一且地形平坦的区域作为对比研究区，将日值数据集与已有的再分析数据集进行精度对比；其中日最高气温和日最低气温数据集ERA5再分析数据集分别与气象站点实测数据进行对比；由于ERA5再分析数据集是逐小时气温格网数据集，选取ERA5每日24个温度值中的最高温度作为日最高气温，选取其中的最低气温作为日最低气温进行精度验证；由于ERA5数据集空间分辨率为30km，将日最高和最低气温数据集通过重采样方法得到与ERA5数据相同的分辨率进行精度评价；最后对日平均气温精度验证，将日平均气温数据集，CMFD日气温再分析数据集，ERA5再分析数据集与站点实测数据进行对比分析得到各数据集的精度验证结果；ERA5逐小时气温进行加和平均得到ERA5日平均气温数据集，CMFD在发布之时提供中国区域每日平均气温数据集并将三类数据集通过重采样方法调整到相同的空间分辨率以进行验证，以上选用的精度对比数据集全部经过重采样到与ERA5再分析数据集同样的空间分辨率下，并进一步分析本数据集精度效果及平均气温的时空变化趋势；
(3)时空变化趋势
使用最终数据集获得的每日最高，最低温度和平均温度分析中国各区域气温的变化情况，并进一步检验数据集的效果和区域适用性；气候变化检测和指数专家组ETCCDI在气候变化监测会议上提出了一套极端气候指数，二十七项指标被视为其核心指标，其中包括十六项温度指标和十一项降水指标；选择最高气温、最低气温、暖昼日数和冷夜日数并进行一定的调整以对各年份极端气温的变化趋势进行全面分析，最高温度和/或最低温度是将每年各月最高气温和/或最低气温相加减去研究期内40年各月最高气温和/或最低温度总和的平均值得到年总最高气温和/或最低距平温度值，并对最高气温和/或最低气温进行线性回归计算其年际变化趋势；暖昼日数是通过对40年研究期内各月日最高和/或最低气温按照温度升序排序，并取其中超过90％低于10％的部分对应各年份所占的天数来分析各年气候波动导致的暖昼和冷夜发生的天数；
采用线性回归的方法和相关系数计算每日平均气温的年际变化速率和相关性，公式如下：
使用双尾t检验进行显著性检验量化气温与时间序列变化的显著性：
其中，n表示时间序列长度的总年数，i表示年份，Ti表示第i年的年平均气温；K>0表示在时间序列范围内气温呈升高的趋势，K<0表示在时间序列范围内气温呈下降的趋势；R表示气温与时间序列的相关关系，R>0表示气温与时间序列正相关，R<0表示气温与时间序列负相关，R值介于-1～1之间；根据相关系数R进行t检验证明其显著性，置信值选取α＝0.05和α＝0.01，通过查阅t分布表服从自由度γ＝n-2的t分布，得到气温与时间序列发展相关性显著的地区及通过范围。
7.一种实施权利要求1～6任意一项所述的高时空分辨率近地表空气温度模型的构建方法的高时空分辨率近地表空气温度模型的构建系统，其特征在于，所述高时空分辨率近地表空气温度模型的构建系统包括：
区域划分模块，用于根据自然地理环境和气候条件将中国划分为六个区域；
天气状态划分模块，用于将每日天气状态划分为晴天和非晴天状态；
气温估计模块，用于分别进行晴天状态下气温估计、非晴天状态下气温估计以及日平均气温估计；
气温数据模型构建模块，用于分别进行不同天气状态气温数据模型的构建；
线性回归校正模块，用于分别进行气温数据模型的线性回归校正处理。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
首先将各日天气划分为晴天条件下和非晴天条件下，通再分析数据集，利用气象台站数据，结合中国地表气象要素驱动气象站的小时温度数据和MODIS每日Ts，建立不同天气状态下日最高和最低气温模型；通过加和平均得到日平均气温数据集，在线性回归校正后最终输出日值近地表气温数据集，空间分辨率为0.1°。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
首先将各日天气划分为晴天条件下和非晴天条件下，通再分析数据集，利用气象台站数据，结合中国地表气象要素驱动气象站的小时温度数据和MODIS每日Ts，建立不同天气状态下日最高和最低气温模型；通过加和平均得到日平均气温数据集，在线性回归校正后最终输出日值近地表气温数据集，空间分辨率为0.1°。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述的高时空分辨率近地表空气温度模型的构建系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110972688.XA CN114019579B (zh) | 2021-08-24 | 2021-08-24 | 高时空分辨率近地表空气温度重构方法、系统、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110972688.XA CN114019579B (zh) | 2021-08-24 | 2021-08-24 | 高时空分辨率近地表空气温度重构方法、系统、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114019579A true CN114019579A (zh) | 2022-02-08 |
| CN114019579B CN114019579B (zh) | 2023-11-24 |
Family
ID=80054330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110972688.XA Active CN114019579B (zh) | 2021-08-24 | 2021-08-24 | 高时空分辨率近地表空气温度重构方法、系统、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114019579B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114723166A (zh) * | 2022-04-27 | 2022-07-08 | 中国科学院地理科学与资源研究所 | 一种基于XGBoost模型的地表温度重建方法 |
| CN114970222A (zh) * | 2022-08-02 | 2022-08-30 | 中国科学院地理科学与资源研究所 | 基于hasm的区域气候模式日平均气温偏差订正方法和系统 |
| CN116595806A (zh) * | 2023-07-14 | 2023-08-15 | 江西师范大学 | 一种自适应温度数据补全方法 |
| CN116680658A (zh) * | 2023-05-31 | 2023-09-01 | 华南理工大学 | 一种基于风险评价的热浪监测站选址方法及系统 |
| CN117272182A (zh) * | 2023-08-16 | 2023-12-22 | 南京信息工程大学 | 一种逐日气温的预测方法、装置、介质及设备 |
| CN117892064A (zh) * | 2024-03-13 | 2024-04-16 | 南京信息工程大学 | 一种全球气候模型日平均气温降尺度方法、装置及存储器 |
| CN118245770A (zh) * | 2024-05-21 | 2024-06-25 | 北京弘象科技有限公司 | 多气象要素分布特征的生成方法、装置、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2092495A1 (en) * | 1992-03-26 | 1993-09-27 | Mitsuaki Oshima | Communication system |
| KR20020060542A (ko) * | 2001-01-10 | 2002-07-18 | 김재이 | 사이버팜 |
| US20100280756A1 (en) * | 2009-04-29 | 2010-11-04 | California Institute Of Technology | High resolution wind measurements for offshore wind energy development |
| KR101895231B1 (ko) * | 2018-03-29 | 2018-09-12 | 대한민국 | 인공위성을 이용한 일 최고기온 산출 방법 |
| AU2020101048A4 (en) * | 2019-07-08 | 2020-07-23 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Method for reconstructing true land surface temperature of cloudy pixel |
| CN112016052A (zh) * | 2020-08-20 | 2020-12-01 | 广东省气象探测数据中心 | 基于多源数据的近地表日最高气温估算方法、系统及终端 |
| CN113158570A (zh) * | 2021-04-26 | 2021-07-23 | 电子科技大学 | 一种融合多源卫星遥感的全天候地表温度近实时反演方法 |
| CN113255148A (zh) * | 2021-06-04 | 2021-08-13 | 中国科学院地理科学与资源研究所 | 基于modis产品数据估算全天气气温及其时空分布方法 |
| CN113283155A (zh) * | 2021-03-22 | 2021-08-20 | 中国农业科学院农业资源与农业区划研究所 | 一种近地表气温估算方法、系统、存储介质及设备 |
-
2021
- 2021-08-24 CN CN202110972688.XA patent/CN114019579B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2092495A1 (en) * | 1992-03-26 | 1993-09-27 | Mitsuaki Oshima | Communication system |
| KR20020060542A (ko) * | 2001-01-10 | 2002-07-18 | 김재이 | 사이버팜 |
| US20100280756A1 (en) * | 2009-04-29 | 2010-11-04 | California Institute Of Technology | High resolution wind measurements for offshore wind energy development |
| KR101895231B1 (ko) * | 2018-03-29 | 2018-09-12 | 대한민국 | 인공위성을 이용한 일 최고기온 산출 방법 |
| AU2020101048A4 (en) * | 2019-07-08 | 2020-07-23 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Method for reconstructing true land surface temperature of cloudy pixel |
| CN112016052A (zh) * | 2020-08-20 | 2020-12-01 | 广东省气象探测数据中心 | 基于多源数据的近地表日最高气温估算方法、系统及终端 |
| CN113283155A (zh) * | 2021-03-22 | 2021-08-20 | 中国农业科学院农业资源与农业区划研究所 | 一种近地表气温估算方法、系统、存储介质及设备 |
| CN113158570A (zh) * | 2021-04-26 | 2021-07-23 | 电子科技大学 | 一种融合多源卫星遥感的全天候地表温度近实时反演方法 |
| CN113255148A (zh) * | 2021-06-04 | 2021-08-13 | 中国科学院地理科学与资源研究所 | 基于modis产品数据估算全天气气温及其时空分布方法 |
Non-Patent Citations (4)
| Title |
|---|
| WENBIN ZHU等: "Retrievals of all-weather daytime air temperature from MODIS products", 《REMOTE SENSING OF ENVIRONMENT》, vol. 189, no. 2017, pages 152, XP029858940, DOI: 10.1016/j.rse.2016.11.011 * |
| 柯灵红;王正兴;宋春桥;卢振权;: "青藏高原东北部MODIS地表温度重建及其与气温对比分析", 高原气象, no. 02 * |
| 毛克彪等: "中国地表温度时空演变规律研究", 《国土资源遥感》, vol. 32, no. 2, pages 233 * |
| 韩秀珍;李三妹;窦芳丽;: "气象卫星遥感地表温度推算近地表气温方法研究", 气象学报, no. 05 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114723166A (zh) * | 2022-04-27 | 2022-07-08 | 中国科学院地理科学与资源研究所 | 一种基于XGBoost模型的地表温度重建方法 |
| CN114970222A (zh) * | 2022-08-02 | 2022-08-30 | 中国科学院地理科学与资源研究所 | 基于hasm的区域气候模式日平均气温偏差订正方法和系统 |
| CN114970222B (zh) * | 2022-08-02 | 2022-11-11 | 中国科学院地理科学与资源研究所 | 基于hasm的区域气候模式日平均气温偏差订正方法和系统 |
| CN116680658B (zh) * | 2023-05-31 | 2024-02-20 | 华南理工大学 | 一种基于风险评价的热浪监测站选址方法及系统 |
| CN116680658A (zh) * | 2023-05-31 | 2023-09-01 | 华南理工大学 | 一种基于风险评价的热浪监测站选址方法及系统 |
| CN116595806A (zh) * | 2023-07-14 | 2023-08-15 | 江西师范大学 | 一种自适应温度数据补全方法 |
| CN116595806B (zh) * | 2023-07-14 | 2023-10-10 | 江西师范大学 | 一种自适应温度数据补全方法 |
| CN117272182A (zh) * | 2023-08-16 | 2023-12-22 | 南京信息工程大学 | 一种逐日气温的预测方法、装置、介质及设备 |
| CN117272182B (zh) * | 2023-08-16 | 2024-03-15 | 南京信息工程大学 | 一种逐日气温的预测方法、装置、介质及设备 |
| CN117892064A (zh) * | 2024-03-13 | 2024-04-16 | 南京信息工程大学 | 一种全球气候模型日平均气温降尺度方法、装置及存储器 |
| CN117892064B (zh) * | 2024-03-13 | 2024-05-14 | 南京信息工程大学 | 一种全球气候模型日平均气温降尺度方法、装置及存储器 |
| CN118245770A (zh) * | 2024-05-21 | 2024-06-25 | 北京弘象科技有限公司 | 多气象要素分布特征的生成方法、装置、设备及介质 |
| CN118245770B (zh) * | 2024-05-21 | 2024-07-23 | 北京弘象科技有限公司 | 多气象要素分布特征的生成方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114019579B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114019579B (zh) | 高时空分辨率近地表空气温度重构方法、系统、设备 | |
| Zhang et al. | Feedbacks between vegetation restoration and local precipitation over the Loess Plateau in China | |
| CN110750904B (zh) | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 | |
| Gueymard et al. | Assessment of spatial and temporal variability in the US solar resource from radiometric measurements and predictions from models using ground-based or satellite data | |
| Fenner et al. | CrowdQC+—a quality-control for crowdsourced air-temperature observations enabling world-wide urban climate applications | |
| Tooke et al. | Tree structure influences on rooftop-received solar radiation | |
| Feng et al. | Does the modern‐era retrospective analysis for research and applications‐2 aerosol reanalysis introduce an improvement in the simulation of surface solar radiation over China? | |
| CN113158570A (zh) | 一种融合多源卫星遥感的全天候地表温度近实时反演方法 | |
| CN110427594A (zh) | 适合小型实验室的气象要素数据获取系统 | |
| Han et al. | Development and evaluation of hourly and kilometer resolution retrospective and real-time surface meteorological blended forcing dataset (SMBFD) in China | |
| CN104636608A (zh) | 一种modis卫星数据的直接同化方法 | |
| Zhou et al. | Evaluation of regional climate simulations over the CORDEX-EA-II domain using the COSMO-CLM model | |
| Alonzo et al. | Modelling the variability of the wind energy resource on monthly and seasonal timescales | |
| Rincón et al. | Bias correction of global irradiance modelled with weather and research forecasting model over Paraguay | |
| Marie-Joseph et al. | On the applicability of the Heliosat-2 method to assess surface solar irradiance in the Intertropical Convergence Zone, French Guiana | |
| Yin et al. | On statistical nowcasting of road surface temperature | |
| Rupp et al. | Mapping an observation-based global solar irradiance climatology across the conterminous United States | |
| Sawadogo et al. | Hourly global horizontal irradiance over West Africa: A case study of one-year satellite-and reanalysis-derived estimates vs. in situ measurements | |
| Lin et al. | Performance of the WRF Model at the Convection‐Permitting Scale in Simulating Snowfall and Lake‐Effect Snow Over the Tibetan Plateau | |
| AU2021105536A4 (en) | A High Spatial-Temporal Resolution Method for Near-Surface Air Temperature Reconstruction | |
| CN109948175B (zh) | 基于气象数据的卫星遥感反照率缺失值反演方法 | |
| AU2021105817A4 (en) | Method for Reconstructing global Surface Temperature | |
| Rincón et al. | Assessment of short-term irradiance forecasting based on post-processing tools applied on WRF meteorological simulations | |
| Rhoads et al. | Validation of land surface models using satellite‐derived surface temperature | |
| Zhu et al. | A remote sensing model to estimate sunshine duration in the Ningxia Hui Autonomous Region, China |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |