王孟本,王麒翔,范曉輝

(1.山西大學 黃土高原研究所,山西 太原 030006;2.山西大學 環(huán)境與資源學院,山西 太原 030006)

基于HOMER的五臺山站及其相鄰站氣溫序列均一化研究

王孟本1,王麒翔2,范曉輝1

(1.山西大學 黃土高原研究所,山西 太原 030006;2.山西大學 環(huán)境與資源學院,山西 太原 030006)

采用HOMER方法可以明顯改善氣溫序列的均一性。與原始序列相比,HOMER和RHtests均一化序列的時間和空間一致性均明顯提高。從站點均一化序列的相關性及其長期趨勢的空間一致性來看,HOMER方法的均一化效果優(yōu)于RHtests方法。由于五臺山站的站址遷移時間為1998年,自那時以來全球氣溫明顯持續(xù)升高,導致近20年來五臺山站的自然升溫信號與遷址產生的升溫噪聲疊加在一起,難免使HOMER或RHtests方法出現校正量過大問題。針對這一特殊問題,本研究提出了新的氣溫直減率訂正法。由此得到的五臺山站1961～2015年年均氣溫、年均最高氣溫和年均最低氣溫升幅分別為0.479℃/10 a、0.334℃/10 a和0.686℃/10 a,為相鄰站點各氣溫要素平均升幅的2.98倍、1.30倍和2.52倍,表明五臺山站具有非常明顯的海拔依賴性升溫特征。

氣溫;均一化;HOMER方法;RHtests方法;氣溫直減率方法;海拔依賴性升溫

0 引言

地面氣候觀測資料是進行氣候變化研究的重要基礎。然而,由于觀測站點遷移、觀測儀器更新、觀測規(guī)則以及資料處理方法變化等因素,長序列氣候數據記錄經常存在非均一性。為了準確揭示氣候變化特征和規(guī)律,必須對氣溫序列的非均一性進行校正,即均一化處理[1-3]。近30 a(15 a)來,國際(國內)研究者積極開展氣候資料均一化技術和方法研究,在不同氣候要素序列均一化研究方面做了大量工作[4-6]。較常用的方法包括較早研發(fā)的標準正態(tài)均一性檢驗(SNHT)方法[7]、序列均一性多元分析(MASH)方法[8]、PRODIGE方法[9]和RHtests(Relative Homogeneity tests)方法[10]等,以及最新推出的HOMER (HOMogenization SoftwarE in R)方法[11]。HOMER方法一經推出,很快便在國際上得到了廣泛應用[12-17],但未見到在國內應用的報道。

五臺山位于山西省東北部,北緯38°25’30”～39°26’57”、東經112°43’57”～114°28’28”,跨五臺、繁峙、代縣、原平、定襄和靈丘6縣(市)。北臺名葉斗峰,海拔3 061.1 m,為五臺山主峰,素有“華北屋脊”之稱[18]。五臺山氣象站是國家基本站和國家指標站,該站始建于1955年10月,原址在中臺頂上(海拔高度2 895.8m),1998 年1 月遷至南臺木魚山(海拔高度2 208.3m),海拔高度下降約700 m,水平南移距離接近10 km。近年來有學者采用SNHT方法對五臺山站1957-2005年氣候資料的均一性進行了分析[19];同時,有學者采用滑動T檢驗和回歸訂正法對五臺山站1957-2013年氣候資料的均一性進行了檢驗及氣候變化趨勢分析[20-21]。但是,由于回歸訂正法[20-21]的局限性,所得結果很難準確反映該站氣候變化的真實情形。與此同時,對五臺山站與其相鄰站氣溫變化趨勢進行比較研究,對揭示高海拔地區(qū)是否存在海拔依賴性升溫(Elevation-dependent warming,EDW)特征[22]亦具有重要科學意義。

本研究采用HOMER 2.6對五臺山站及其相鄰5個站1961-2015年的年平均氣溫(TM)、年平均最高氣溫(TX)和年平均最低氣溫(TN)序列進行均一化檢驗和訂正。對訂正前、后序列及其長期趨勢的一致性進行分析。同時根據國家已發(fā)布的均一化數據(即以RHtests V3 研制的均一化數據),對HOMER和RHtests方法的均一化效果進行比較評價。此外,針對研究過程中發(fā)現的五臺山站氣溫序列訂正的特殊問題,提出并運用新的氣溫直減率(Temperature Lapse Rate,TLR)訂正法對該站的氣溫序列進行了訂正,對該高山站與其相鄰站點的氣溫長期趨勢進行了對比分析。本研究結果不僅可為我國氣候資料均一化技術的應用提供借鑒,同時有助于深入認識高海拔區(qū)的氣候變暖特征,并可為地區(qū)植被生態(tài)和旅游生態(tài)等研究提供參考。

1 資料和方法

1.1 資料來源

1.1.1 原始數據及其元數據

本研究包括五臺山站、五臺縣豆村站,以及繁峙、代縣、原平和定襄4縣(市)氣象站共6個臺站(表1)。采用的原始數據來自國家氣象信息中心收集整理的“中國地面氣象要素月值數據集”,包括歷年地面逐月平均氣溫、平均最高氣溫和平均最低氣溫數據。根據提供的臺站信息可知,五臺山站、繁峙站和原平站曾經各遷址一次,五臺縣豆村站和代縣站無遷址記錄,定襄站海拔高度略有變化。供試站點之間的水平距離如表2(右上角)所列。

表1 五臺山站及其相鄰站1961-2015年的遷址情況

表2 供試站之間的水平距離及其年均氣溫原始數據序列之間的Spearman相關系數

1.1.2 采用RHtests方法研制的均一化數據

該數據來自“中國國家級地面氣象站均一化氣溫月值數據集 (CHHTD 1.0)”,包括歷年逐月平均氣溫、平均最高氣溫和平均最低氣溫均一化數據。CHHTD 1.0系采用RHtests v3(PMT/PMFT)方法研制而成[23]。

1.2 研究方法

1.2.1 HOMER方法

HOMER方法(亦稱HOMER系統(tǒng))主要是以PRODIGE系統(tǒng)為基礎發(fā)展而來。HOMER系統(tǒng)的主要特征是:(1)嵌入了Climatol系統(tǒng)的“站網分析(network analysis)”功能;(2)沿用了PRODIGE系統(tǒng)的“數據質量控制”功能;(3)繼承了PRODIGE系統(tǒng)的成對檢測(pairwise-detection)法,同時嵌入了聯合檢測(joint-detection)法和ACMANT系統(tǒng)的雙變量檢測(bivariate detection)法;(4)沿襲了PRODIGE系統(tǒng)的ANOVA訂正法[11]。

該系統(tǒng)主要采用“成對比較”法進行均一性檢驗。其基本原理是“由斷點(break-ponit)分開的片斷序列是可靠的”,“這些亞序列可以用來作為參考序列”。該方法以一個區(qū)域內的所有氣候序列互為參考序列,以確定所有序列中可能存在的非均一性。系統(tǒng)可按使用者的選項,根據站點之間的地理距離或站點一階差分序列(first difference series)之間的相關性從供試站網中為每個待檢序列自動選取若干個參考序列。通常情況下,在全部(或絕大多數)差值序列(difference series)中同時出現的斷點便認為是待檢序列中的斷點。HOMER系統(tǒng)可使用元數據提供的斷點時間,也可不用元數據。使用該系統(tǒng)可對月、季和年尺度的氣溫序列進行均一性檢驗和訂正。

HOMER的基本功能分兩大塊:“快速質量控制”與“均一化”。質量控制針對的是非系統(tǒng)誤差,比如最高、最低溫度在制表時的錯位等。而均一化旨在檢測和訂正系統(tǒng)誤差,比如因為儀器變化或氣象站遷址而導致的誤差。前者包括“快速站網檢查”、“快速質量控制”、“離群值(outlier)文本創(chuàng)建”和“離群值剔除”等。后者主要包括(1)成對檢測+聯合檢測、斷點初步判斷、 (2)初步訂正、ACMANT檢測、訂正、(3)對訂正數據的成對檢測+聯合檢測、斷點進一步判斷、訂正、(4)ACMANT檢測、斷點月份評定、最終訂正及訂正結果圖示(即訂正和對訂正序列的成對檢測)等。HOMER屬于半自動交互方法,但是在大多數情況下應當采用“交互”模式[24]。

本研究采用“全部序列”模式來確定參考序列,即當某一站點序列為待檢序列時,其余5個站點序列全部為參考序列。并選擇“年+季”模式對數據序列進行均一性檢驗。具體操作過程按以上所述步驟進行。重點是根據整個站網檢驗結果,結合元數據信息,以及氣候背景知識等,進行仔細比對分析,形成可靠的“斷點表”。具體做法是:

(1)根據成對檢測結果,將有5個或4個差值序列在同一時間點檢測到的斷點歸入“臨時斷點表”;

(2)根據聯合檢測結果及其自動產生的“斷點表”,以及先前的“臨時斷點表”,將檢測結果進行統(tǒng)一比對分析,整合編輯成供系統(tǒng)進行初次訂正的“斷點表”,并進行初次訂正;

(3)根據ACMANT檢測、成對檢測和聯合檢測的多次檢測結果,對“斷點表”進行多輪分析和修訂,以獲得可靠的“斷點表”;

(4)在系統(tǒng)評定斷點出現時間點(年/月)之后,進行最終訂正。

以五臺山站TM序列檢測為例(圖1),根據第一種方法的檢測結果(圖1a),可將1985年和1997年列入臨時斷點表。根據第二種方法的結果(圖1b)及其自動形成的“斷點表”可知該序列的斷點分別在1986年和1997年,檢測結果與第一種方法基本一致,可將這兩個斷點列入對待檢序列進行初次訂正的“斷點表”。第三種方法的結果(圖1c)與第一(二)種方法的相同(基本相同)。因此可將1986年和1997年這兩個斷點列入對待檢站序列進行再次訂正的“斷點表”。在對訂正序列進行再次訂正、檢測、斷點進一步判定、ACMANT檢測,以及序列斷點時間點確定為1986年10月和1997年12月之后,便可對待檢站序列進行最后訂正。因為HOMER的每一工作流程都是針對整個站網序列而進行的,所以要對每個待檢序列進行斷點檢測和確認(認定或否定),以形成完整、可靠的“斷點表”,在系統(tǒng)評定所有非均一序列的斷點準確出現時間(年/月)之后,即可進行最后訂正。HOMER系統(tǒng)通過內插和外推方式填充缺值,以產生完整的均一化時間序列。

Fig.1 Results of break-points detection over the raw annual mean temperature (TM) series of the Wutaishan station(a) Plot produced by pairwise-detection,showing pairwise comparison of the raw series between the Wutaishan station and its neighboring stations. δT represents temperature difference.+is a single year difference.Blue horizontal line is the mean level of the sub-period. Bold vertical lines denote the year of probably break points.The order of the panels is produced by the increasing values of the standard deviation of the noise (σ).(b) Plot produced by joint-detection,with joint-detected breakpoints (circled plus). (c) Plot produced by ACMANT detection,with ACMANT-detected breakpoints as dashed vertical black lines,and breakpoints corrected in previous procedures as light blue vertical lines圖1 五臺山站平均氣溫(TM)原始序列的均一性檢驗結果。(a)五臺山站與其相鄰站序列的成對檢測結果;δT為差值序列值,+表示年度差值,藍色水平線表示階段平均氣溫,粗黑垂直實線表示檢測到的斷點;各分圖以標準差(σ)自小至大為序。(b)聯合檢測結果,?表示檢測到的斷點。(c)為ACMANT檢測結果,粗黑垂直虛線為檢測到的斷點,淡藍色垂直線表示已訂正斷點。在后兩個檢測結果中同時出現的黑、紅、藍三角形分別為成對檢測檢出的年、夏季和冬季斷點

1.2.2 均一化效果的分析和比較

采用標準差、變異系數(CV)和Spearman相關系數等參數[25],對訂正前后數據序列和氣溫變化趨勢的一致性進行分析,并對HOMER與RHtests均一化數據和氣溫變化趨勢的一致性進行比較。同時采用“兩樣本斜率比較”法對線性趨勢是否具有統(tǒng)計學差異進行檢驗(檢驗自由度df=n1+n2-4,當|t|>tdf，0.05(雙側)時,差異顯著,否則為不顯著)。

2 結果與分析

2.1 HOMER方法的均一化效果

五臺山站、繁峙站和原平站的TM、TX和TN序列分別檢出了1個或2個斷點(表3)。1997年的這個斷點出現在五臺山站的3個氣溫序列之中,而1976年的這個斷點出現在繁峙站的3個氣溫序列之中,斷點出現時間與這兩個站的遷址時間完全對應。不同的是,遷址對五臺山站最高氣溫影響最大,對繁峙站最低氣溫影響最大。但是從另一方面看,原平站的斷點出現時間卻并不與遷址時間吻合。除此之外,五臺山站的TM和TX序列均在1986年檢出了1個斷點,定襄站的TN序列在1985年檢出了1個斷點。

表3 五臺山站及其3個相鄰站原始序列斷點的出現時間與變化幅度

圖2a1-c1和 a2-c2所示分別為五臺山站TM、TX和TN原始時間序列與HOMER均一化時間序列。由此可見,HOMER均一化序列隨時間的變異程度遠小于原始序列。總體來看,供試6個站點TM、TX和TN均一化序列的平均變異程度(12.9%,6.4%和42.7%)遠小于原始序列的平均變異程度(33.3%,27.7%和50.9%)。與此同時,從供試站點TM原始序列的Spearman相關系數(SCC)矩陣(表2左下角)與均一化序列的SCC矩陣(表4右上角)可以看出,TM均一化序列之間的相關性普遍較高。與此相似,供試站點TX(或TN)均一化序列之間的相關性同樣普遍高于其原始序列的相關性(SCC矩陣省略)。這些結果說明HOMER方法對氣溫序列的均一化效果非常明顯。

Fig.2 Time series of annual mean (a),annual mean maximum (b) and annual mean minimum temperature (c) for the Wutaishan station over the period 1961～2015. Raw data on the left,HOMER homogenized data in the middle and RHtests homogenized data on the right. CV is coefficient of variability圖2 五臺山站的年均氣溫(a)、年均最高氣溫(b)和年均最低氣溫(c)時間序列。左、中、右圖分別為原始序列、HOMER均一化序列和RHtests均一化序列。CV為變異系數

站名五臺山五臺縣豆村代縣繁峙原平定襄五臺山0.878*0.897*0.880*0.897*0.897*五臺縣豆村0.800*0.886*0.890*0.928*0.924*代縣0.812*0.916*0.980*0.962*0.964*繁峙0.822*0.893*0.982*0.952*0.957*原平0.816*0.746*0.905*0.917*0.962*定襄0.749*0.950*0.953*0.934*0.800*右上角和左下角分別為HOMER和Rhtests均一化序列之間的Spearman相關系數。*表示相關性極顯著(P<0.01)。

圖3所示為五臺山站及其相鄰站1961-2015年TM、TX和TN線性趨勢的空間分布格局。由此可見,原始數據序列長期趨勢的空間變異很大。而HOMER均一化序列長期趨勢的空間變異則明顯減小。這進一步說明HOMER方法的均一化效果非常明顯。

2.2 與RHtests均一化數據的比較

根據CHHTD 1.0的均一化數據,可知供試站點TM、TX和TN均一化序列隨時間的變異程度(圖2a3-c3)略小于HOMER的(圖2a2-c2)。總體來看,供試6個站點TM、TX和TN均一化序列的平均變異程度(12.4%,5.7%和34.3%)遠小于原始序列的平均變異程度;同時略低于HOMER均一化時間序列的平均變異程度(參見上節(jié)所述)。

從TM均一化序列的SCC矩陣(表4左下角)可以看出,RHtests均一化序列之間的相關性普遍高于原始序列(表2左下角)。但是與HOMER相比,RHtests的多數SCC值較小(表4)。因此,其TM均一化序列的SCC平均值(0.866)小于HOMER的SCC平均值(0.924)。類似結果同樣發(fā)現于站點TX或TN均一化序列之間的SCC矩陣(略)。如圖3所示,與原始序列相比,HOMER和RHtests均一化序列長期趨勢的變異幅度均明顯減小。但是與HOMER的相比,RHtests均一化序列長期趨勢的變異幅度則較大。這些結果說明,HOMER方法的均一化效果總體上更為明顯。

Fig.3 Spatial distribution of the linear trends of annual mean (a),annual mean maximum (b) and annual mean minimum temperature (c) for the Wutaishan station and its neighboring stations over the period 1961-2015.Raw data trends on the left,HOMER homogenized data trends in the middle and RHtests homogenized data trends on the right.The triangle size indicates the magnitude of trend from the largest (1.645 ℃/10 a)to the smallest (0.077℃/10 a). CV is coefficient of variability.圖3 五臺山站及其相鄰站1961-2015年平均氣溫(a)、年平均最高(b)和最低氣溫(c)線性趨勢的空間分布左、中、右圖分別為原始序列、HOMER均一化序列和RHtests均一化序列的氣溫趨勢三角形表示升溫幅度,從最大的1.645 ℃/10 a到最小的0.077℃/10 a。CV為變異系數

3 討論

3.1 HOMER的檢驗和訂正結果

已有研究[19]表明,五臺山站遷址對TM、TX和TN序列均一性的影響非常明顯,對TX序列的影響最為突出。采用HOMER方法得到的結論與此一致。不同之處是采用HOMER方法檢測到的TM、TX和TN序列的斷點出現時間均為1997年12月,不僅在年尺度是這樣,在春夏秋冬四季也是這樣(表3未列出)。與此同時,采用HOMER方法還檢測到五臺山站的TM和TX序列在1986年有1個較小的斷點(表3)。由于HOMER系統(tǒng)的多參考序列、多方法集成分析優(yōu)勢,給辨別是否存在斷點提供了更為可靠和可利用信息,使1986年這樣的較小斷點得以發(fā)現和訂正。然而需要指出的是,這一斷點到底屬于人為因素所致抑或自然現象仍然是一個值得探討的問題。由于五臺山站是高山站,與其鄰近站點相比,該站點對全球氣候變化的反應可能要敏感的多,將這一非連續(xù)點看作是自然現象或許更為合理。

3.2 回歸訂正法的局限性

表5 基于回歸訂正法的五臺山站1961-2015年的氣溫變化趨勢

從表面上看,采用回歸訂正法對五臺山站氣溫序列進行訂正是一種簡便可行的方法,但是通過仔細分析不難發(fā)現,該方法存在不容忽視的缺陷。就方法本身而言,不僅需要對待檢站(五臺山站)氣候資料進行均一性檢驗,也要對參考站(如原平站)氣候資料進行均一性檢驗,以確認后者的氣候資料是均一的,而之前研究[20-21]并沒有對參考站(原平站)氣候資料進行均一性檢驗。更為重要的是,待檢站訂正序列的數值(y)不僅與回歸方程的擬合度密切相關,同時與參考站的氣溫(x)是線性關系,x值越大,y值越大。在相關顯著性相同時,待檢站訂正序列的氣溫便決定于參考站序列的氣溫。如表5所示,以代縣站為參考站時得到的五臺山站的氣溫升幅均較高,不僅與回歸方程(1)至(3)的相關系數較大有關,同時與代縣站氣溫趨勢較大密切相關。從代縣站和五臺縣豆村站的氣溫趨勢大小(圖3中這兩個站的原始序列長期趨勢)可以很清楚地看出這一點。因此,采用回歸訂正法獲得的結果[20,21]不可能反映五臺山站的真實氣候變化情形。

3.3 五臺山站的氣溫趨勢

采用HOMER和RHtests方法均可改善氣溫序列的均一性,但是值得注意的是,根據這兩種方法得到的五臺山站氣溫趨勢卻明顯偏小。以HOMER的結果為例,其TM均一化序列的長期趨勢(0.166℃/10 a)小于山西高原的平均趨勢(0.240℃/10 a)[26],更小于黃土高原的平均趨勢(0.382℃/10 a)[27]。這意味著采用這兩種方法對五臺山站氣溫序列進行均一化處理很可能存在校正值過大問題。究其原因,主要是由于該站的遷址時間發(fā)生在1998年。該年份是自1850年開始,當時全球最暖的一年[28];加之,自1998年至今,全球氣溫基本呈持續(xù)走高態(tài)勢[28],導致五臺山站的自然升溫信號與站址遷移導致的升溫噪聲疊加在一起。而現有的均一化方法均不能在剔除噪聲的同時又保留信號。因此,無論是HOMER或RHtests方法均難免出現訂正值偏大問題。

為了解決這一特殊問題,本研究嘗試提出了新的氣溫直減率(Temperature Lapse Rate,TLR)訂正法?；静僮鬟^程分三步:

(1)計算遷址之前目標站(五臺山站)與參考站之間的海拔距離、氣溫差值,以獲得氣溫直減率;

(2)將氣溫直減率與目標站遷址時的海拔下降距離相乘,以獲得氣溫訂正值;

(3)根據氣溫訂正值對目標站遷址前的原始序列進行訂正以獲得訂正序列,連同遷址后的原始序列形成訂正后的完整序列。

具體操作過程為:首先以相鄰站(即代縣、原平、定襄和五臺縣豆村4個站)為參考站,以目標站遷站之前的海拔高度和參考站海拔高度為準,計算目標站與各參考站之間的海拔距離(km)[注釋:因為原平站有遷址記錄,不同時段的海拔距離是不同的]。然后計算目標站和每個參考站在目標站遷址前(1961-1997年)每年的氣溫差值(℃);將各參考站每年的氣溫差值除以對應的海拔距離以獲得氣溫直減率(℃/km)序列。隨之根據各氣溫直減率序列,求出其平均氣溫直減率序列。再根據平均氣溫直減率序列以及目標站遷址時的海拔下降距離(0.687 5 km),以獲得某個氣溫要素自1961-1997年的訂正值。最后根據訂正值序列對原始序列進行訂正以獲得訂正序列,連同1998-2015年原始序列形成校訂后的完整序列。

圖4所示為根據TLR訂正法得到的五臺山站TM、TX和TN的長期變化趨勢。由此可見,五臺山站1961～2015年的TM、TX和TN上升幅度大于5個相鄰站的HOMER均一化序列趨勢的平均升幅(0.161℃/10a、0.256℃/10a和0.272℃/10a),分別為后者的2.98倍、1.30倍和2.52倍。

Fig.4 Linear trends of annual mean,annual mean maximum and minimum temperatures (TM,TX and TN,respectively) for the Wutaishan station over the period 1961-2015 based on the temperature lapse rate (TLR) method.The y-axis presents the anomalies relative to the mean of the period 1961-1990.Dark cyan bar represents an anomaly. Significant trend at 0.05 level is shown in bold圖4 根據氣溫直減率(TLR)方法得到的五臺山站1961-2015年的年均氣溫(TM)、年均最高(TX)和最低氣溫(TN)線性趨勢?？v坐標顯示相對于1961-1990年的氣溫距平。暗青色柱為距平值。暗紅色斜線為1961-2015年的趨勢線。粗黑體數字表示氣溫上升趨勢極顯著(P<0.01)

以平均氣溫直減率為基礎來確定氣溫訂正值,主要是因為參考站點之間的氣溫直減率變化較大,以單個參考站氣溫直減率為基礎得到的五臺山站氣溫線性趨勢變異程度較大,TM、TX和TN長期趨勢的變異系數分別為1.8%,7.7%和8.2%。而以多個參考站平均氣溫直減率為基礎的五臺山站氣溫線性趨勢為這些參考站結果的算術平均值,具有較好的代表性和可靠性。

但是需要說明的是,采用TLR方法得到的五臺山站氣溫趨勢可能略微偏大。因為隨著站址變化,氣溫不僅隨海拔下降而升高,同時隨站點南遷而升高。本研究將南遷影響忽略不計,主要是由于站點南遷距離較小,同時是由于借助小范圍內少數站點不可能獲得可靠的緯向氣溫直減率。以年平均氣溫為例,若采用我們先前得到的黃土高原年平均氣溫的緯向氣溫直減率(0.004 5℃/km)[29],將其與南遷距離(9.3 km)相乘,即可得到緯向訂正值為0.04℃。對五臺山站1961-1997年的已訂正序列再進行緯向訂正,得到的整個研究期的氣溫趨勢為0.479(±0.054)[趨勢值±標準誤]℃/10 a。“兩樣本斜率比較”表明,此趨勢與未進行緯向訂正的趨勢[0.485(±0.055)[趨勢值±標準誤]℃/10 a]沒有顯著差異[|t|=0.076,t106,0.05(雙側)=2.0,|t|

4 結論

采用最近推出的HOMER方法對五臺山站及其5個相鄰站共6個站在1961-2015年的年均氣溫、年均最高和最低氣溫序列進行了均一化檢驗和訂正。根據變異系數和Spearman相關系數等統(tǒng)計參數,對訂正前后序列及其長期趨勢的一致性進行了分析。

使用根據RHtests方法研制的均一化數據序列以及由此得出的站點長期趨勢數據,對HOMER與RHtests方法的均一化效果進行了比較研究,并且針對五臺山站的特殊情況,設計并采用氣溫直減率(TLR)訂正法對其氣溫序列進行了均一化訂正和趨勢分析。結果表明,采用HOMER方法可以非常有效地改善氣溫序列的均一性。與原始序列相比,HOMER與RHtests方法均可明顯改善站點序列和長期趨勢的時空一致性。從均一化序列的時間一致性和相關性及其長期趨勢的空間一致性來看,HOMER方法的均一化效果總體上優(yōu)于RHtests方法。

采用TLR訂正法得到的五臺山站年均氣溫、年均最高和年均最低氣溫的長期趨勢分別為0.479℃/10 a、0.334℃/10 a和0.686℃/10 a,為5個相鄰站各氣溫要素平均水平的2.98倍、1.30倍和2.52倍,表明五臺山站具有非常明顯的海拔依賴性升溫特征。

[1] 李慶祥,劉小寧,張洪政,等.定點觀測氣候序列的均一性研究[J].氣象科技,2003,31(1):3-10.

[2] 曹麗娟,嚴中偉.地面氣候資料均一性研究進展[J].氣候變化研究進展,2011,7:129-135.

[3] 嚴中偉,李真,夏江江.氣候序列的均一化——定量評估氣候變化的基礎[J].中國科學:地球科學,2014,44(10):2101-2111.

[4] 李慶祥.氣候資料均一性研究導論[M].北京：氣象出版社,2011.

[5] 熊安元,等.中國地面和高空氣候變化數據產品研發(fā)技術[M].北京：氣象出版社,2015.

[6] Ribeiro S,Caineta J,Costa A C.Review and Discussion of Homogenisation Methods for Climate Data[J].PhysChemEarth,2016,94:167-179.DOI.org/10.1016/j.pce.2015.08.007.

[7] Alexandersson H.A Homogeneity Test Applied to Precipitation Data[J].JClimatol,1986,6:661-675.

[8] Szentimrey T.Multiple Analysis of Series for Homogenization (MASH)[C]∥Proceedings of the Second Seminar for Homogenization of Surface Climatological Data,Budapest,Hungary;1999,WMO,WCDMP-No. 41,WMO-TD1962：27-46.

[9] Caussinus H,Mestre O.Detection and Correction of Artificial Shifts in Climate Series[J].JRStatSocC-Appl,2004,53(3):405-425.

[10] Wang X L.Accounting for Auto Correlation in Detecting Mean-shifts in Climate Data Series Using the Penalized Maximal t or F Test[J].JApplMeteorClimatol,2008,47：2423-2444.DOI.org/10.1175/2008JAMC1741.1.

[11] Mestre O,Domonkos P,Picard F,etal.HOMER:HOMogenisation Software in R-methods and Applications[J].Id?jrs,2013,117：47-67.

[13] Mamara A,Argiriou A A,Anadranistakis M.Detection and Correction of Inhomogeneities in Greek Climate Temperature Series[J].IntJClimatol,2014,34(10):3024-3043.DOI:10.1002/joc.3888.

[14] Nordli ?,Hestmark G,Benestad R E,etal.The Oslo Temperature Series 1837-2012:Homogeneity Testing and Temperature Analysis[J].IntJClimatol,2015,35(12):3486-3504.DOI:10.1002/joc.4223.

[15] Vertacˇnik G,Dolinar M,Bertalanicˇ R,etal.Ensemble Homogenization of Slovenian Monthly Air Temperature Series[J].IntJClimatol,2015,35(13):4015-4026.DOI:10.1002/joc.4265.

[16] López-Moreno J I,Morán-Tejeda E,Vicente-Serrano S M,etal.Recent Temperature Variability and Change in the Altiplano of Bolivia and Peru[J].IntJClimatol,2016,36(4):1773-1796.DOI:10.1002/joc.4459.

[17] Morán-Tejeda E,Bazo J,López-Moreno J I,etal.Climate Trends and Variability in Ecuador (1966-2011)[J].IntJClimatol,2016,36(11):3839-3855.DOI:10.1002/joc.4597.

[18] 崔本義,朱世忠,曳紅玉,等.五臺山植物資源[M].太原：山西科學技術出版社,2011,III,1.

[19] 高曉容,李慶祥,董文杰.五臺山站歷史氣候資料的均一性分析[J].氣象科技,2008,36(1):112-118.

[20] 張卉,程永明,楊梅紅,等.五臺山站氣溫、降水量資料均一性處理及變化趨勢分析[J].山西氣象,2015,3:29-32,48.

[21] 張卉,程永明,楊梅紅.五臺山站氣候資料均一性檢驗及氣候變化趨勢分析[J].中國農學通報,2016,32(7):168-173.

[22] Mountain Research Initiative EDW Working Group.Elevation-dependent Warming in Mountain Regions of the World[J].NatureClimChange,2015,5:424-430.DOI:10.1038/NCLIMATE2563.

[23] Cao L,Zhu Y,Tang G,etal.Climatic Warming in China According to a Homogenized Data Set from 2419 Stations[J].IntJClimatol,2016,36:4384-4392.DOI:10.1002/joc.4639.

[24] Venema V K C,Mestre O,Aguilar E,etal.Benchmarking Homogenization Algorithms for Monthly Data[J].ClimatePast,2012,8:89-115.

[25] Freitas L,Pereira M G,Mendes M,etal.Homogeneity of Monthly Air Temperature in Portugal with HOMER and MASH[J].Id?jrs,2013,117(1):69-90.

[26] Fan X,Wang M.Change Trends of Air Temperature and Precipitation Over Shanxi Province,China[J].TheorApplClimatol,2011,103:519-513.DOI:10.1007/s00704-010-0319-2.

[27] Wang Q X,Fan X H,Qin Z D,etal.Change Trends of Temperature and Precipitation in the Loess Plateau Region of China,1961-2010[J].GlobPlanetChange,2012,92-93(4):138-147.DOI:10.1016/j.gloplacha.2012.05.010.

[28] IPCC.Climate Change 2013:The Physical Science Basis.Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change[R].Cambridge,UK and New York,NY,USA,Cambridge University Press,2013：1-1535.

[29] Fan X,Wang Q,Wang M,etal.Warming Amplification of Minimum and Maximum Temperatures over High-Elevation Regions Across the Globe[J].PLoSONE,2015，10(10):e0140213.DOI:10.1371/journal.pone.0140213.

Homogenization of Surface Air Temperature Series of the Wutaishan Station and Its Neighboring Stations with HOMER

WANG Mengben1,WANG Qixiang2,FAN Xiaohui1

(1.Institute of Loess Plateau,Shanxi University,Taiyuan 030006,China;2.College of Environmental and Resource Sciences,Shanxi University,Taiyuan 030006,China)

The homogenized time series of surface air temperature with HOMER exhibit great improvement of consistency. Compared with the raw time series,the homogenized datasets with both HOMER and RHtests methods show a much higher temporal and spatial consistency. HOMER has high performance in terms of the improvement of network series consistency measured by using Spearman rank correlation coefficient between pairs of the homogenized series,and coefficient of variability within the linear trends of surface air temperature for all the stations tested in this study. However,the raw series of Wutaishan station are overcorrected by either HOMER or RHtests,because the relocation of this station occurred in 1998,the climate has been successively warmer globally since then,and the natural warming signal along with the global trend and the warming noise caused by the altitude decrease of the station were mixed together at this station during the sub-period 1998-2015,and the signal is not preserved when the detected breakpoint is corrected by either method. Therefore the temperature lapse rate (TLR) method has been developed in this study. Based on this new method,the linear trends of 0.479℃/10 a、0.334℃/10 a and 0.686℃/10 a are found in the mean,maximum and minimum annual mean air temperatures at Wutaishan station (at 2 208.3 m above sea level) over the period 1961-2015. The magnitudes of the trends are 2.98,1.30 and 2.52 times those of the averaged trends of all its 5 neighboring stations (at an average elevation of 902.7 m above sea level). This suggests that there is a clear signal of elevation-dependent warming at the Wutaishan station.

temperature;homogenization;HOMER;RHtests;temperature lapse rate method;elevation-dependent warming

10.13451/j.cnki.shanxi.univ(nat.sci.).2017.03.031

2017-05-15；

2017-06-20

山西省科技重大專項(20121101009)

王孟本(1954-),男,博士,教授,主要從事生態(tài)學研究。E-mail:mbwang@sxu.edu.cn

P467

A

0253-2395(2017)03-0628-11