夏 昕, 王冬萌, 賀 南

(1.成都市氣象局,四川 成都 611130;2.成都信息工程大學通信工程學院,四川 成都 610225;3.成都溫江國家觀象臺,四川 成都 610225)

0 引言

為提供精細化氣象服務,提升氣象減災防災能力,中國陸續(xù)建設了大量區(qū)域氣象自動站,其中成都地區(qū)自動氣象站的總量已超過500 個。為滿足社會對氣象服務工作提出的更高要求,氣象監(jiān)測網(wǎng)格將進一步加密,臺站數(shù)量還將繼續(xù)增長,臺站管理和數(shù)據(jù)應用面臨全新壓力:盡管區(qū)域站連續(xù)監(jiān)測的雨量、風速等實時數(shù)據(jù)已在防災減災等氣象服務工作中發(fā)揮了重要作用,但由于氣溫測量數(shù)據(jù)受局部環(huán)境條件的影響很大[1-2],同時數(shù)量巨大的區(qū)域自動站并不適宜沿用國家級站點(大監(jiān)站)的建設和維護標準,區(qū)域自動站監(jiān)測數(shù)據(jù)的可比性、代表性和數(shù)據(jù)序列的連續(xù)性受到不同程度局限,使區(qū)域自動站的數(shù)據(jù)在精細化預報與服務等領域的應用價值未能充分體現(xiàn)；尤其設置在市區(qū)內(nèi)的站點受場地限制,因道路、公園水體等外部環(huán)境受到的影響顯著[3-10],自動站測量值的精細化應用更需要準確匹配站點的背景環(huán)境條件,但這對環(huán)境變動頻繁的區(qū)域站而言有一定難度。

在站點數(shù)量迅速增長和城市建設發(fā)展的背景下,如何從大量建成站點中快速篩選出觀測環(huán)境已發(fā)生較大變化、觀測數(shù)據(jù)質量下降的站點,為站點遷址、優(yōu)化布局、數(shù)據(jù)精細化管理等提供參考依據(jù)方面進行了研究。通過氣象大數(shù)據(jù)的聚類分析有益于實現(xiàn)站點自動化分型[11-12],但氣象數(shù)據(jù)的聚類還需注重物理機理[13]以便于應用解析。賀南等[14]在對成都地區(qū)氣溫極小值的站間空間差值序列的頻數(shù)分析中注意到,較高的頻率與兩個站觀測條件的一致性有關聯(lián),并同陰晴等天氣條件也有關聯(lián)[15-19],頻率與站間距離等客觀因素也聯(lián)系密切,因此可考慮使用分析溫差的頻率特點這種技術線路,實現(xiàn)區(qū)域站點依照觀測環(huán)境條件聚類分型,以解決區(qū)域自動站數(shù)據(jù)應用中的實際環(huán)境背景的主動識別問題[20]。

1 區(qū)域氣象站自動分型方法

1.1 資料

數(shù)據(jù)資料來源于成都地區(qū)14 個國家氣象站近10年逐日歷史資料和252 個建站時間較長區(qū)域自動站近5年逐小時資料,區(qū)域站小時數(shù)據(jù)剔除異常值后計算得到逐日最低氣溫。氣象站自動分型方法中采用聚類方法對分型量化因子做進一步處理,從而實現(xiàn)聚類分型。

1.2 數(shù)據(jù)處理

分型運算使用的數(shù)據(jù)為通過兩個站點日最低氣溫的差值生成的溫差位/頻率序列{Xi,fi},整理時將站A 的日氣溫極小值與站B 的日氣溫極小值一一對應求差,該差值記為ΔTmin,此時ΔTmin∈{…、-0.2 ℃、-0.1 ℃、0 ℃、 +0.1 ℃、 +0.2 ℃、…}。通常ΔTmin＜5 ℃且ΔTmin＞-5 ℃,在這個值域內(nèi),用0.1 ℃為步長,按照溫差值的高低,順序排列溫差,溫差的檔位值記為“Xi”,令Xi=0.1i℃,i=…,-4,-3,-2,-1,0,+1,+2,+3,+4,…。單個由兩個站點生成的ΔTmin會對位某個檔位的Xi值一次,即ΔTmin=Xi時,計數(shù)Pi=1；取一個時段共M天,將可以用M個ΔTmin構成ΔTmin的時間序列{ΔTminj},(j=1,2,3,…,M),在這個序列中,統(tǒng)計出各檔Xi溫差值上ΔTmin出現(xiàn)的頻數(shù)f(xi):

即可以得到反映某個溫差位Xi擁有多少樣本量的頻次分析序列{Xi,f(xi)}。觀察不同長度的時間序列時,需將頻次量轉化為歸一化的頻率值F,數(shù)據(jù)處理流程見圖1。

圖1 F 值計算流程

1.3 客觀基礎

分析所選用的特征頻率反映一段時間內(nèi)兩個站點日氣溫極小值的差值的分布特征,差值集中時特征頻率較高,差值分散時特征頻率較低,由于以往對這類頻次/溫差位數(shù)據(jù)序列進行系統(tǒng)分析的理論文獻夠不豐富,因此對于分型方法的客觀依據(jù)的闡述,以常識性規(guī)律的歸納為主,包括:

(1)如果一個站點環(huán)境干燥,另一個站點環(huán)境濕潤,它們之間的氣溫差值分布相較于兩個濕潤的站點間的氣溫差值分布要分散一些；兩個荒漠環(huán)境下干燥站點間的氣溫差值分布比兩個臨海環(huán)境下濕潤的站點間的氣溫差值分布分散,這說明地面觀測站點的環(huán)境條件,與兩個站點的氣溫空間差值的分散程度存在關聯(lián),進而也就與特征頻率有關聯(lián)。

(2)即使下墊面條件相近,相對干燥的冬春季,與水汽充分的夏秋季相比較,站點之間產(chǎn)生的氣溫差值也會相對分散,再次說明觀測環(huán)境中的含水量等因素與特征頻率有關聯(lián)。

(3)受地形等地理條件影響,對天氣系統(tǒng)能同步響應的站點之間產(chǎn)生的溫差值會相對集中一些,說明兩個站點的地形系數(shù)差異對特征頻率會有影響。

(4)在眾多無風的安靜夜晚,空氣團的熱交換形式主要是長波輻射散熱,日氣溫極小值形成的機理較單一,便于更穩(wěn)定地提取下墊面的特征信息,同時,日氣溫極小值對環(huán)境敏感,如通常城市中測得的日氣溫極小值會高于郊外,因此氣溫極小值為基礎的數(shù)據(jù)序列中隱含有可以用于提取分析觀測環(huán)境的信息。

(5)天氣背景條件為陰天時,站間的日最低氣溫差值更為集中。使用陰天較多的成都地區(qū)國家站30 a的74710 組有日照背景的站間最低氣溫差值樣本,同45828 組兩站均無日照條件的站間最低氣溫差值樣本相比較,后者的溫差值分布更集中(參考頻次中位數(shù)對應的溫差位的絕對離差值小30%),這顯示出站間日最低氣溫差值的分布方式,以及特征頻率還會附帶有天氣背景條件的波動量。但特征頻率中的環(huán)境影響量卻是比較穩(wěn)定的值,因而可以通過對較長時間序列的觀察削弱天氣背景影響,突出特征頻率中的環(huán)境影響量。

(6)間距小的站點間,溫差值的分布要集中很多,距離對特征頻率的影響強勢并且恒定,因此,要突出觀測環(huán)境量的影響必須消除距離影響因素,這是方法的運算基礎。

1.4 實驗設計

成都地區(qū)氣候平和,有很多無風和寡照的天氣,有較多日最低氣溫是在絕熱環(huán)境下的晝夜日周期背景下形成[15],站間的氣溫差值分布集中并且比較穩(wěn)定,有利于提取下墊面的差異信息。當使用一定時間長度序列,平均化天氣條件對特征頻率F的影響使其穩(wěn)定,再設置量化因子Kf,量化距離影響因素Kf=?F/?D(式中F指特征頻率,D指站間距離),進而下墊面一致性的影響就可以用Kf體現(xiàn)。通過選用觀測條件一致的站點組合的Kf值作為判斷兩個站下墊面一致性的參照指標,再對本地國家站、區(qū)域站間的大量溫差數(shù)據(jù)組合的排序計算,就可以實現(xiàn)區(qū)域自動站以足夠的一致性指標Kf值聚類分型。

通過統(tǒng)計成都地區(qū)站點間組合的距離D與特征頻率F,可以粗略得到F隨D的漸變關系F=K×D+11.3,如圖2 所示。

圖2 成都地區(qū)國家站呈現(xiàn)的頻率與距離的關系

圖2 中,如果F值在距離增加時急速衰減,說明兩個站點不容易重疊出現(xiàn)固定氣溫差異值,聯(lián)系不穩(wěn)定,即關系式中K對一致性有所反映。但斜率k不方便觀察,Kf將斜率k的變動量轉化為便于比對的指標化倍率值,整理成都本地樣本的實際數(shù)據(jù)可以得到K2f=((K×D)2+23×K×D+128)×D。由此這些樣本的Kf提取式為

指標值Kf中和了距離權重后,不再隨距離變化,圖3為成都地區(qū)國家站間形成的Kf值。

圖3 國家站之間呈現(xiàn)的Kf 指標與距離的關系

Kf指標量不隨距離變化的特點,為觀察特征頻率中的其他影響因素提供了基礎,圖4 中的A,B,C 3 個站點,A,B 站點為環(huán)境理想的站點(國家站),C 為觀測環(huán)境遭受干擾的站點(國家站),在同一時段,A,B站點間的Kf值達到45,但A,C 之間Kf值為35,B,C之間Kf值只有32,這組樣本中,C 站的觀測環(huán)境異樣對Kf的影響很明顯。

圖4 3 個樣本站的環(huán)境影像(1 ∶2256)

圖5 分型計算流程

Kf指標整合了F值與站間距離的關系,同一間距上F越高兩個站點的環(huán)境相似度會越高；不同間距則Kf越大,兩個站點的環(huán)境相似度會越高, 因此Kf可用于設置站點間的比對閥值[21]。成都地區(qū)國家站間的Kf值主要在30 ～48,區(qū)域站與國家站間Kf值分布在8 ～48。以國家站間的下限值30 為參考閥值,聚類分型的實現(xiàn)的方法流程如圖4。主要流程步驟包括:基礎數(shù)據(jù)導入與{Xi,fi}序列生成；站點地理信息導入與Kf計算；Kf排序；Kf值聚類分型及后續(xù)分型特征解析。

2 結論與討論

使用成都地區(qū)14 個大監(jiān)站(國家站)和252 個區(qū)域站的大樣本驗證,用大監(jiān)站間的Kf為參考標準,經(jīng)運算分型,站點被自動分為3 個大群。第一大群(A群)包含全部大監(jiān)站和125 個區(qū)域站,該群觀測環(huán)境條件的主要特點是鄉(xiāng)村站點,農(nóng)田下墊面為主,市區(qū)內(nèi)沒有站點入群,地理位置分布見圖6(a)；第二大群(B群)包含79 個區(qū)域站,該群觀測環(huán)境條件的主要特點是較大面積的公園綠地、山區(qū)森林等,自然下墊面為主,地理位置分布見圖6(b)；第三大群(C 群)包含48個區(qū)域站點并形成6 個子群,其中站點數(shù)量最多的是32 個城鎮(zhèn)站點,地理位置分布見圖6(c)、圖6(d)。

圖6 分群站點位置分布

從圖6(a)、圖6(c)對比看出,通過聚類分型,城鎮(zhèn)型站點與鄉(xiāng)村型站點在地理分布上被清晰地自動區(qū)分,同時這兩類站點在觀測數(shù)據(jù)上也有顯著差異:圖7對比了所有站點在2008年2-4月的平均相對濕度和平均最低溫度,可見A 群相對濕度明顯高于C 群,A群最低氣溫明顯低于C 群。

圖7 分群站點平均相對濕度與最低溫度對比

表1 ～4 對A 群和C 群數(shù)據(jù)進行了抽樣檢查。

表1 2008年2-4月階段平均值數(shù)據(jù)對比

表1 中的數(shù)據(jù)反映本地樣本在季均值方面,C 群(城鎮(zhèn)站)的最高氣溫略高于A 群(鄉(xiāng)村站)點,最低氣溫明顯高于A 群；C 群的相對濕度明顯低于A 群,同時日較差也低于A 群。說明分型算法區(qū)分出的這兩類站點,在氣溫、濕度數(shù)據(jù)上有明顯的整體差異。

統(tǒng)計在表2 中的數(shù)據(jù)反映本地樣本最高氣溫時段的相對濕度逐日對比結果,城市站點多數(shù)低于鄉(xiāng)村站點。說明分型算法區(qū)分出的鄉(xiāng)村站點的濕度明顯整體高于城市站點,分型運算有效。

表2 樣本90 d 數(shù)據(jù)里日氣溫極大值時段城市站點與鄉(xiāng)村站點相對濕度的統(tǒng)計比較

統(tǒng)計在表3 中的數(shù)據(jù)反映,本地樣本最低氣溫時段的相對濕度逐日對比結果,城市站點絕大多數(shù)情況下低于鄉(xiāng)村站點。再次說明分型算法區(qū)分出的鄉(xiāng)村站點的濕度,在最低氣溫發(fā)生時段顯著整體高于城市站點,鄉(xiāng)村站點會有更多的霜、霧、露,分型運算符合客觀存在。

表3 樣本90 d 數(shù)據(jù)里日氣溫極小值時段城市站點與鄉(xiāng)村站點相對濕度的統(tǒng)計比較

表4 的數(shù)據(jù)反映出,絕大多數(shù)情況下,分型歸類為城市站點(C)的樣本站點的日氣溫極小值要高于歸類為鄉(xiāng)村型的站點,這種結果符合常識,再次說明分型算法準確有效。

表4 樣本90 d 數(shù)據(jù)里日氣溫極小值(Tmin)城市站點與鄉(xiāng)村站點的統(tǒng)計比較

特別說明的是,在這組隨機抽取的6 個數(shù)據(jù)樣本站點中,3 個城市型站點間距10 ～15 km；3 個鄉(xiāng)村型站點中,S1018 距3 個城市型站點間距20 ～30 km,距另外兩個鄉(xiāng)村型站點間距為55 km和65 km。

3 結束語

提出一種區(qū)域氣象站自動分型的方法,分型算法能夠綜合反映站點下墊面差異,算法輸出的結果在氣象觀測臺站管理應用、結論的物理機制解析以及相關理論的建立完善等方面都有實質意義。方法采用的觀測數(shù)據(jù)為一個空間區(qū)域內(nèi)的氣溫差異量,是很重要的熱動力基礎值,但這個量的演化規(guī)律在以往臺站管理中很少被發(fā)掘應用,根據(jù)算法輸出結論的精細程度,利用這種方法可以解決的問題包括:對大量區(qū)域自動站的觀測環(huán)境異常變動的自動化在線識別；對站點的布局進行客觀研判和優(yōu)化；與測量數(shù)據(jù)配套的精細化地形系數(shù)的自動生成；分布式觀測系統(tǒng)的構建；以高精度監(jiān)控閥值改善數(shù)據(jù)質量等。其中分布式觀測系統(tǒng)架構下站點的互補替代與數(shù)據(jù)的平行應用較為常見,如解決成都站數(shù)據(jù)的替代與延續(xù)需求。