朱文剛 ，李昌義，車軍輝

(1.山東省氣象防災減災重點實驗室，山東 濟南 250031；2.山東省氣象科學研究所，山東 濟南 250031；3.山東省氣象服務中心，山東 濟南 250031)

引言

近年來隨著我國氣象觀測網(wǎng)建設的快速發(fā)展，自動氣象站觀測數(shù)據(jù)時空密度大大提高，并且在大力發(fā)展氣象無縫隙精細化智能網(wǎng)格預報技術背景下和人類生產(chǎn)活動對基于位置的氣象服務要求下，將高時空分辨率不規(guī)則、離散站點實況資料快速、準確生成規(guī)則的格點資料具有重要的社會服務和業(yè)務應用價值。

將站點資料利用數(shù)據(jù)融合分析技術生成格點資料主要有遙感反演、資料同化、客觀分析和統(tǒng)計插值等方法，由于受衛(wèi)星空間分辨率、反演算法和復雜下墊面的制約，遙感反演的精度還有待提高[1-3]，而后三種方法在氣象領域應用較廣泛，如美國NOAA/ESRL(National Oceanic and Atmospheric Administration/Earth System Research Laboratory)開發(fā)的局地分析與預報系統(tǒng)LAPS(Local Analysis and Prediction System)，后來升級為時空多尺度分析系統(tǒng)STMAS(Space-Time Multiscale Analysis System)，方法也從Barnes客觀分析轉(zhuǎn)變?yōu)檫B續(xù)變分資料同化，通過對不同尺度的觀測信息進行分析能夠消除長波信息與短波信息之間的干擾，得到更精確、細致的格點分析場[4-6]。張濤等[7]通過對比分析LAPS和STMAS地面2 m氣溫融合效果，結果表明在東部觀測密集區(qū)LAPS和STMAS都有不錯的表現(xiàn)，在資料稀疏地區(qū)STMAS的優(yōu)勢更為明顯。李超等[8]以LAPS系統(tǒng)本地化為基礎研發(fā)了一套地面、高空多要素客觀分析產(chǎn)品，結果顯示氣溫的融合效果最好。師春香等[9-10]基于LAPS/STMAS系統(tǒng)研制完成的中國氣象局陸面數(shù)據(jù)同化系統(tǒng)CLDAS陸面要素融合分析產(chǎn)品，與中、外同類產(chǎn)品比較在中國區(qū)域的時、空分辨率和質(zhì)量更高[11-13]，在CLDAS-V2.0基礎上，高分辨率中國氣象局陸面數(shù)據(jù)同化系統(tǒng)(HRCLDAS-V1.0)也已經(jīng)投入試運行，產(chǎn)品分辨率提高至1 km[14]，產(chǎn)品質(zhì)量有了進一步提高。但是，地形高度調(diào)整的不合理性對LAPS、STMAS在山區(qū)的融合效果有所影響，而且STMAS方法中將背景誤差協(xié)方差和觀測誤差協(xié)方差的比值簡單定義為常數(shù)，較為簡單。張璐等[15]將多重網(wǎng)格策略引入非線性最小二乘三維變分同化方法NLS-3DVar(Non-linear Least Squares-based on Three-dimensional Variational Data Assimilation)，并應用于2 m氣溫數(shù)據(jù)融合，NLS-3DVar 產(chǎn)品相比于STMAS和Cressman 插值產(chǎn)品來說，其具有更高的精度。何斌等[16]利用Multiquadric和Cressman插值法對浙江省自動氣象站的2 m氣溫資料進行客觀分析，結果表明當站點較密集時兩種方法分析結果差異非常小。鄺建新等[17]對廣東省自動氣象站的2 m氣溫、壓強、風場、雨量進行質(zhì)量控制后，采用Barnes方法進行客觀分析，建立一套自動氣象站資料客觀分析的業(yè)務運行系統(tǒng)。何險峰等[18]提出KNN、Barnes重采樣技術為主線，梯度提升樹(GBT)回歸最優(yōu)化的客觀分析方法，實現(xiàn)了對傳統(tǒng)氣象Barnes客觀分析、k最鄰近法、Spark機器學習框架的改進與融合，生成1 km高分辨全要素格點場客觀分析產(chǎn)品。馬諾等[19]利用協(xié)同克里金、統(tǒng)一高度普通克里金、多元線性回歸3 種空間插值方法對天山區(qū)域的氣溫進行插值，統(tǒng)一高度普通克里金方法雖然考慮了地形偏差的影響，但是認為氣溫垂直遞減率是一常數(shù)(6.5 ℃·km-1)。以上研究表明在資料密集的平原地區(qū)不同客觀分析方法得到的產(chǎn)品質(zhì)量相差不大，接近站點觀測值。但是在站點稀疏和地形復雜區(qū)域，由于不同客觀分析方法使用的背景場和地形處理方案不同，產(chǎn)品質(zhì)量存在明顯的差異。

而Cressman方法作為氣象領域應用廣泛且比較成熟的客觀分析方法，是將站點視為同一平面上分布的離散點，其忽略了地形高度等影響因素，在降水客觀分析方面取得較為理想的分析結果，但是對于2 m氣溫這種受地形高度偏差影響比較大的氣象要素，Cressman方法較難獲得高精度的估算結果。因此本文基于山東省自動氣象站分布較密集結合地形特征，采用統(tǒng)一高度Cressman客觀分析方法、地形訂正等關鍵技術，對山東省2 m氣溫進行客觀分析生成逐1 h、0.01°×0.01°高分辨率格點產(chǎn)品，供全省業(yè)務應用和社會服務。

1 資料和質(zhì)量控制

1.1 資料介紹

本文使用的資料主要有2020年5—12月山東省及周邊省自動氣象站(國家級氣象觀測站、區(qū)域氣象觀測站、海島觀測站、浮標觀測站等，以下統(tǒng)稱“自動站”)觀測資料，包含逐小時地面2 m氣溫、逐1 h累計降水量和逐小時地面氣壓；歐洲中期天氣預報中心(European Centre for Medium-Range Weather Forecasts， ECMWF)預報的海上2 m氣溫和海平面氣壓，水平分辨率為0.125°×0.125°；1970—2019年50 a間山東省123個國家級氣象觀測站2 m月最高溫和月最低溫資料；山東省中尺度數(shù)值預報系統(tǒng)(WRF-RUC)預報的垂直位溫遞減率和地面氣壓，水平分辨率為3 km；分辨率為90 m的地形高程數(shù)據(jù)SRTM(shuttle radar topography mission)。

Cressman客觀分析時由于邊界觀測資料較少會引起較大分析誤差，因此Cressman客觀分析所用的離散站點區(qū)域要大于生成格點產(chǎn)品的區(qū)域范圍，圖1中白色d01框(34.0°～39.0°N，114.0°～123.0°E)為不規(guī)則離散站點分布，紅色d02框(34.25°～38.55°N，114.65°～122.80°E)為Cressman客觀分析生成的格點場，陸地上藍色離散點是自動站位置，約有3 500個站，海洋上白色點是ECMWF預報的格點位置，約有900個格點，魯中山區(qū)和半島地區(qū)自動站密度分布稀疏，平原地區(qū)自動站密度分布較密集。由于海上自動站資料較匱乏，根據(jù)多模式的檢驗結果，ECMWF預報的地面2 m氣溫平均誤差和均方根誤差最小，因此使用ECMWF預報的2 m氣溫作為補充，和自動站2 m氣溫組成Cressman客觀分析所用的離散站點，約有4 400個站。離散的站點經(jīng)過Cressman客觀分析后輸出一個緯度方向431個格點，經(jīng)度方向816個格點，分辨率為0.01°×0.01°的等經(jīng)緯度格點產(chǎn)品。

圖1 不規(guī)則離散站點分布(白色d01框)和Cressman客觀分析生成的格點場(紅色d02框；陸地上藍色點是自動站位置，海洋上白色點是 ECMWF預報的格點位置)Fig.1 Distribution of irregular discrete stations (white box d01) and grid field generated by the Cressman objective analysis (red box d02) (blue point on the land for location of ground automatic weather station, white point on the ocean for grid position predicted by ECMWF)

1.2 質(zhì)量控制

自動站觀測資料易受到站點周邊環(huán)境、人工維護、數(shù)據(jù)傳輸、儀器設備等多種因素的影響導致自動站觀測數(shù)據(jù)出現(xiàn)缺失或異常等現(xiàn)象，嚴重影響了氣象觀測數(shù)據(jù)的質(zhì)量和應用。因此Cressman客觀分析前需要對觀測資料進行質(zhì)量控制。本文對自動站觀測資料主要使用極值檢查、背景場檢查、時間一致性檢查、區(qū)域一致性檢查常規(guī)的質(zhì)量控制方法來剔除異常和可疑的數(shù)據(jù)[20-24]。

1.2.1 極值檢查

極值檢查主要用來剔除明顯異常的氣溫數(shù)據(jù)，利用1970—2019年50 a間山東省123個國家級自動站觀測的月最高溫和月最低溫作為極值檢查的閾值指標(表1)，為了避免極端天氣發(fā)生時的實況資料丟失，極值檢查的閾值范圍比統(tǒng)計閾值范圍略大，當觀測的自動站2 m氣溫高于或低于這個閾值指標時剔除。

表1 1970—2019年山東省123個國家級氣象觀測站月極端氣溫值

1.2.2 時間一致性檢查

時間一致性檢查主要是檢查地面2 m氣溫隨時間的變化是否為一個連續(xù)變化的過程，通過檢查觀測數(shù)據(jù)時間變化率，剔除不真實的跳躍或無變化值。根據(jù)山東省地面2 m氣溫1 h變溫的統(tǒng)計結果，本文時間一致性檢查分為：當自動站有降水天氣現(xiàn)象發(fā)生時，前1 h溫差絕對值大于12.0 ℃時剔除該自動站觀測資料；當自動站沒有降水發(fā)生時，前1 h溫差絕對值大于8.0 ℃時剔除該自動站觀測資料。

1.2.3 區(qū)域一致性檢查

自動站空間分布距離相近的站點的特征值比距離較遠的站點相關性要大，因此利用單站資料對該站進行質(zhì)量控制的基礎上再結合鄰近臺站的觀測資料進行質(zhì)量控制能夠進一步提高觀測資料的準確率，區(qū)域一致性檢查就是充分利用同時刻鄰近的多個臺站觀測資料，對該站觀測資料進行質(zhì)量控制的方法[24]?？紤]氣象要素隨海拔高度的垂直變化、氣象要素距離相關性的衰減等原因，本文在地形訂正后再進行區(qū)域一致性檢查，首先將地面2 m氣溫利用地形訂正方法訂正到海平面高度并轉(zhuǎn)換為位溫，然后采用箱線圖異常值的方法進行區(qū)域一致性檢查，影響半徑取10 km，若訂正后的位溫大于上限(Q3+1.5×IQR)或小于下限(Q1-1.5×IQR)，均視為異常值，其中，Q3為75%分位數(shù)，Q1為25%分位數(shù)，IQR=Q3-Q1。

1.2.4 背景場檢查

數(shù)值預報產(chǎn)品能夠反映三維大氣的時空變化演變特征，利用數(shù)值預報產(chǎn)品對觀測資料進行質(zhì)量控制，能有效剔除不符合氣候態(tài)的觀測資料。將山東省中尺度數(shù)值預報系統(tǒng)(WRF-RUC)預報的地面2 m氣溫作為背景場(B)，利用反距離權重方法插值到自動站，和自動站觀測的2 m氣溫(O)計算觀測余差(O-B)，當自動站觀測的降水這一天氣現(xiàn)象和數(shù)值預報相同，且|O-B|大于8.0 ℃時剔除該自動站觀測資料，當自動站降水這一天氣現(xiàn)象和數(shù)值預報不一致時，即數(shù)值模式降水出現(xiàn)空報和漏報時，|O-B|大于12.0 ℃時剔除該自動站觀測資料。

2 方法

2.1 地形訂正方法

統(tǒng)計表明地面2 m氣溫和地形高度呈負相關并具有統(tǒng)計學上的依賴關系，地形每升高100 m溫度降低0.65 ℃左右[25]，但當有地面逆溫、焚風效應等發(fā)生時，溫度梯度不再是常數(shù)。因此本文利用山東省中尺度數(shù)值模式預報的位溫遞減率，借鑒WRFDA變分同化系統(tǒng)中地面2 m氣溫地形矯正方法進行地形訂正，公式如下：

(1)

(2)

(3)

θr=θr′+Δθ

(4)

2.2 Cressman方法

Cressman 客觀分析方法由CRESSMAN[26]于1959年首先提出，至今依然用于各種氣象資料的空間插值。Cressman客觀分析方法采用逐步訂正方法將離散點(站點)插值到規(guī)則格點上。先假定格點上初猜場的值，本文使用掃描半徑R范圍內(nèi)的區(qū)域平均值作為初猜場，然后用掃描半徑內(nèi)的觀測資料與初猜場的分析增量(ΔGij)訂正初猜場，得到新的初猜場，逐步迭代直到訂正的初猜場逼近觀測資料為止。通常，一次客觀分析過程需要設置多個掃描半徑R進行多次Cressman分析才能取得較好的分析結果，公式如下：

(5)

(6)

(7)

(8)

2.3 統(tǒng)一高度Cressman方法

山東省自動站觀測網(wǎng)分布較密集，但山區(qū)和地形復雜區(qū)域尤其是山頂觀測資料仍然較少且分布不均勻，如魯中山區(qū)和山東半島區(qū)域(圖1)，這些區(qū)域站點的時空代表性較差，因此需要對這些區(qū)域進行地形訂正減少地形對氣象要素插值引起的誤差。另外，由于常規(guī)Cressman方法客觀分析時沒有考慮地形對地面2 m氣溫的影響，造成氣溫等值線和地形不匹配這顯然是不合理的，因此本文采用統(tǒng)一高度Cressman方法對山東省地面2 m氣溫進行客觀分析。步驟(圖2紅色框)如下：首先利用反距離權重插值方法將WRF-RUC預報的垂直位溫遞減率插值到離散站點位置，然后利用基于位溫遞減率的地形訂正方法將地面2 m氣溫轉(zhuǎn)換為海平面高度上的位溫，接著對位溫進行Cressman客觀分析生成0.01°×0.01°海平面高度位溫格點分析場，最后再利用基于位溫遞減率地形訂正方法將海平面位溫訂正到真實地形高度(SRTM)生成地面2 m氣溫格點分析場。

圖2 統(tǒng)一高度Cressman客觀分析方法流程圖Fig.2 Flow chart of the Cressman objective analysis method with elevation correction

2.4 檢驗辦法

本文檢驗使用了平均誤差、平均絕對誤差、均方根誤差、預報準確率檢驗指標，公式如下：

(9)

(10)

(11)

(12)

其中，Oi為第i站(次)實況溫度，F(xiàn)i為第i站(次)客觀分析溫度，NA為|Fi-Oi|≤2 ℃或|Fi-Oi|≤1 ℃的站(次)數(shù)，NB為客觀分析或?qū)崨r的總站(次)數(shù)。PC溫度預報準確率指溫度客觀分析絕對誤差≤2 ℃或1 ℃的百分比。

3 結果分析

3.1 地形訂正影響

兩種客觀分析方法的主要區(qū)別是統(tǒng)一高度Cressman方法考慮了地形偏差對2 m氣溫的影響。圖3為2020年5月14日14時山東省魯中山區(qū)2 m氣溫格點產(chǎn)品等值線圖，圖3a為常規(guī)Cressman方法客觀分析結果，圖3b為統(tǒng)一高度Cressman方法客觀分析結果，檢驗時兩種產(chǎn)品都沒有進行臨近站點替換。通過對比，利用統(tǒng)一高度Cressman方法客觀分析后，地面2 m氣溫等值線和地形結構走向一致，氣溫隨高度上升溫度降低，地形梯度越大的地方溫度梯度也越大。而常規(guī)Cressman客觀分析的地面2 m氣溫等值線在魯中山區(qū)較平滑。如徂徠山(圖3a、b紅色圓圈)海拔高度為1 028 m，兩種Cressman方法客觀分析時都沒有使用該站觀測資料，顯然統(tǒng)一高度Cressman方法客觀分析結果更合理。

圖3 2020年5月14日14時山東省魯中山區(qū)2 m氣溫格點產(chǎn)品等值線圖(a.常規(guī)Cressman方法，b.統(tǒng)一高度Cressman方法)Fig.3 Contour map of gridded products of 2-m air temperature in mountainous area of central Shandong at 14:00 BST 14 May 2020 (a. the conventional Cressman method, b. the Cressman method with elevation correction)

表2為2020年5月山東省2 m氣溫Cressman客觀分析格點產(chǎn)品檢驗結果，Test1為常規(guī)Cressman方法，Test2為統(tǒng)一高度Cressman方法。Test2、Test1的平均誤差分別為-0.008 6 ℃、-0.162 9 ℃，降低了0.154 3 ℃，平均絕對誤差分別為0.159 7 ℃、0.417 2 ℃，降低了0.257 5 ℃，均方根誤差分別為0.353 7 ℃、0.614 7 ℃，降低了0.261 0 ℃，2 ℃以內(nèi)準確率分別為99.60%、98.14%，提高了1.46%，1 ℃以內(nèi)準確率分別為98.09%、96.51%，提高了1.58%。結果表明統(tǒng)一高度Cressman方法相比常規(guī)Cressman方法提高了客觀分析產(chǎn)品的質(zhì)量，尤其在沒有資料和地形復雜區(qū)域，客觀分析產(chǎn)品的結果也更加合理。

表2 2020年5月山東省2 m氣溫客觀分析格點產(chǎn)品檢驗結果

3.2 檢驗與分析

利用中國氣象局陸面數(shù)據(jù)同化系統(tǒng)CLDAS和HRCLDAS地面2 m氣溫格點實況產(chǎn)品，和統(tǒng)一高度Cressman客觀分析格點產(chǎn)品(沒有進行臨近站點替換)進行對比，HRCLDAS產(chǎn)品2020年7月底業(yè)務試運行。HRCLDAS和統(tǒng)一高度Cressman產(chǎn)品水平分辨率為1 km，自動站和格點距離較近，因此取臨近格點和自動站實況資料進行匹配，CLDAS產(chǎn)品水平分辨率為5 km，自動站和格點距離較遠，因此利用雙線性插值到山東省1 635個自動站上和實況資料進行匹配。通過分析2020年5—12月CLDAS、HRCLDAS和統(tǒng)一高度Cressman格點產(chǎn)品地面2 m氣溫的檢驗結果(表3)，三種產(chǎn)品平均誤差分別為-0.025 6 ℃、-0.020 0 ℃和-0.003 9 ℃，均為負偏差，這主要是由于插值對極值平滑而引起的，平均絕對誤差分別為0.516 0 ℃、0.174 0 ℃和0.146 9 ℃，均方根誤差分別為0.872 3 ℃、0.407 7 ℃和0.359 7 ℃，2 ℃以內(nèi)準確率分別為97.24%、99.62%和99.64%，1 ℃以內(nèi)準確率分別為86.40%、97.43%和98.24%?？傮w上CLDAS產(chǎn)品不如HRCLDAS和統(tǒng)一高度Cressman產(chǎn)品，這主要是因為CLDAS產(chǎn)品分辨率較低，CLDAS產(chǎn)品臨近站點的格點和自動站距離較遠，而HRCLDAS和統(tǒng)一高度Cressman產(chǎn)品臨近站點的格點和自動站點距離較近甚至重合；HRCLDAS產(chǎn)品8月誤差較大，各項檢驗指標均不如統(tǒng)一高度Cressman產(chǎn)品，9月統(tǒng)一高度Cressman產(chǎn)品質(zhì)量略優(yōu)于HRCLDAS產(chǎn)品，10、11和12月HRCLDAS產(chǎn)品質(zhì)量除了平均誤差外其他各項檢驗指標均略優(yōu)于統(tǒng)一高度Cressman產(chǎn)品，以上分析結果表明了通過統(tǒng)一高度Cressman方法客觀分析得到的產(chǎn)品質(zhì)量接近HRCLDAS產(chǎn)品質(zhì)量。

表3 2020年5—12月CLDAS、HRCLDAS和統(tǒng)一高度Cressman地面2 m氣溫格點產(chǎn)品檢驗結果

圖4為2020年5—12月統(tǒng)一高度Cressman方法客觀分析的山東省地面2 m氣溫月平均誤差空間分布，通過對每個月的對比分析，月平均誤差基本在±1 ℃以內(nèi)，魯西北、魯西南、魯東南、山東半島等平原地區(qū)月平均誤差較小，多數(shù)在±0.5 ℃以內(nèi)。魯中山區(qū)地形高度較高的站月平均誤差較大，多數(shù)在±0.5～±1.0 ℃之間，泰山、嶗山月平均誤差最大，主要是由于在地形復雜區(qū)域，自動站空間分布不均勻，站點高度不一致，溫度梯度較大引起的。氣溫偏低的10、11、12月溫度準確率均略低于5、6、7、8、9月，這可能是由于冬季空氣的相對濕度偏低，熱容量小，湍流交換較弱，大氣層結較穩(wěn)定，溫度受局地輻射和地形的影響使冬季溫度局地性相比夏季偏強引起的，因此統(tǒng)一高度Cressman影響半徑和影響權重系數(shù)應根據(jù)不同的季節(jié)優(yōu)化不同的參數(shù)。

圖4 2020年5—12月統(tǒng)一高度Cressman方法客觀分析的山東省地面2 m氣溫月平均誤差分布(a. 5月，b. 6月，c. 7月，d. 8月，e. 9月，f. 10月，g. 11月，h. 12月；色階，單位：℃)Fig.4 Distribution of monthly mean error of 2-m surface air temperature in Shandong from May to December 2020 by the Cressman objective analysis with elevation correction(a. May, b. June, c. July, d. August, e. September, f. October, g. November, h. December; color scale，units: ℃)

4 業(yè)務應用

利用統(tǒng)一高度Cressman方法生成的地面2 m氣溫格點分析產(chǎn)品，臨近自動站的格點和自動站較近甚至重合，如果自動站實況和臨近格點的偏差較大，說明客觀分析在此格點可能不合理，例如從地面2 m氣溫月平均誤差分布(圖4)來看，仍然存在誤差較大格點，因此利用經(jīng)過質(zhì)量控制后的自動站2 m氣溫臨近替換格點可以矯正分析不合理的格點，最終生成臨近替換后的山東省逐1 h、0.01°×0.01°高時空分辨率地面2 m氣溫格點產(chǎn)品并業(yè)務應用。圖5為2020年5月20日14時經(jīng)過臨近替換后的客觀分析格點產(chǎn)品在Micaps軟件上的顯示效果，格點產(chǎn)品在山東省不同區(qū)域，如魯中山區(qū)、海岸線、海島、平原地區(qū)，地面2 m氣溫等值線和地形匹配合理，并且和自動站觀測無偏差。圖6為稀疏化后格點圖像產(chǎn)品，該產(chǎn)品在山東省災害性預警平臺業(yè)務應用，自業(yè)務試運行以來，系統(tǒng)運行穩(wěn)定、產(chǎn)品無缺測，系統(tǒng)收到實況資料后在2 min內(nèi)運算完成并生成格點圖像和數(shù)據(jù)產(chǎn)品。

圖5 2020年5月20日14時山東省2 m氣溫客觀分析格點產(chǎn)品(等值線)和自動站觀測填圖(a.山東省區(qū)域，b.泰山山脈，c.山東半島，d.魯西北平原；單位：℃)Fig.5 Gridded product of objective analysis(contour) and automatic weather station observation (scattered number) of 2-m air temperature in Shandong at 14:00 BST 20 May 2020 (a. Shandong Province, b. Mount Tai, c. Shandong Peninsula, d. plains in the northwest of Shandong; units: ℃)

圖6 稀疏化后的山東省2 m氣溫客觀分析格點圖像產(chǎn)品(色階，單位：℃)Fig.6 Sparse gridded products of 2-m air temperature using objective analysis in Shandong(color scale,units: ℃)

5 結論與討論

本文將地形訂正方法和常規(guī)Cressman方法相結合形成了統(tǒng)一高度Cressman客觀分析方法，這種處理方式解決了常規(guī)Cressman方法在地形復雜區(qū)域客觀分析的格點產(chǎn)品和地形不匹配問題。將統(tǒng)一高度Cressman方法應用到山東省地面2 m氣溫客觀分析中，生成了逐1 h、0.01°×0.01°高分辨率地面2 m氣溫格點產(chǎn)品。經(jīng)檢驗統(tǒng)一高度Cressman客觀分析格點產(chǎn)品質(zhì)量接近HRCLDAS格點實況產(chǎn)品，取得了較理想的分析結果。

1)利用山東省中尺度數(shù)值模式預報的位溫遞減率，借鑒WRFDA變分同化系統(tǒng)中地面2 m氣溫地形矯正方法進行地形訂正，通過和常規(guī)Cressman方法進行對比分析，表明統(tǒng)一高度Cressman方法相比常規(guī)Cressman方法提高了客觀分析產(chǎn)品的質(zhì)量，并且在沒有資料和地形復雜區(qū)域，客觀分析產(chǎn)品的結果更加合理。

2)將改進后的統(tǒng)一高度Cressman方法應用到山東省地面2 m氣溫客觀分析中，進行多級尺度Cressman客觀分析，該方案經(jīng)多次試驗后，確定了較佳的Cressman客觀分析影響半徑和權重系數(shù)，獲得較為合理的溫度梯度分布并使臨近格點逼近自動站觀測值。

3)評估了自2020年5月業(yè)務試運行以來統(tǒng)一高度Cressman客觀分析格點產(chǎn)品的質(zhì)量，全省平均誤差基本在±1 ℃以內(nèi)，平均誤差分布魯中山區(qū)地形高度較高的區(qū)域略大于魯西北、魯西南、魯東南、山東半島等平原地區(qū)。5—12月1 ℃以內(nèi)準確率為98.24%，溫度偏低的10、11、12月溫度準確率均低于5、6、7、8、9月。