劉瑩 師春香 王海軍 韓帥

摘要 以中國48 708個地面氣象自動站逐小時氣溫數據為基礎，采用平均偏差（Bias）、相關系數、均方根誤差（RMSE）、平均絕對誤差（MAE）等評估指標，對比分析2017年10月、2018年1月、4月、7月CLDAS-V2.0氣溫（分辨率為0.062 5°），探討中國8個分區(qū)春、夏、秋、冬4個季節(jié)CLDAS與站點氣溫的相關性及偏差分布特征。結果表明：1）CLDAS氣溫較好地反映了中國氣溫的年際變化，非獨立性檢驗、獨立性檢驗與站點氣溫的平均相關系數分別為0.995、0.991，東北地區(qū)相關性最高，西南地區(qū)相關性最低。2）CLDAS與站點氣溫的Bias為-0.011 ℃，非獨立性檢驗的RMSE、MAE分別為1.275、1.645 ℃，獨立性檢驗的RMSE、MAE分別為0.867、1.089 ℃，總體上CLDAS氣溫誤差小，可信度較高。3）春、秋季的偏差小于夏、冬季;東北、華北、江淮、華南地區(qū)的偏差小于西北、西南地區(qū);84.6%站的冷偏差或暖偏差在1 ℃內，冷暖偏差空間分布均勻。4）CLDAS的最高氣溫存在冷偏差，最低氣溫存在暖偏差，夏季最高氣溫的最大誤差為-0.59 ℃。5）CLDAS平均偏差的日變化為-0.23～0.07 ℃，白天呈冷偏差，夜間呈暖偏差，夏季平均偏差的日變化較顯著，偏差的日較差為0.26 ℃;全國8個分區(qū)夏季平均偏差日變化最大為1.06 ℃，秋、冬、春季變幅相似，西南地區(qū)平均偏差日變化最大而江淮地區(qū)最小。

關鍵詞 CLDAS; 氣溫; 相關系數; 偏差; 日變化

陸面作為地球系統(tǒng)中重要的組成部分，與大氣進行著物質和能量交換，陸面狀況的變化對大氣和氣候有重要影響（成璐等，2014;高路和郝璐，2014;高志剛等，2015;孫帥等，2017）。在20世紀90年代，越來越多人重視陸面同化的研究（麻巨慧等，2011;閔錦忠等，2016），比較成熟的陸面數據同化系統(tǒng)主要有美國的全球陸面數據同化系統(tǒng)（GLDAS）、北美陸面數據同化系統(tǒng)（NLDAS）、歐洲陸面數據同化系統(tǒng)（ELDAS）、美國高分辨率陸面數據同化系統(tǒng)（HRLDAS）、韓國陸面數據同化系統(tǒng)（KLDAS）、中國西部陸面數據同化系統(tǒng)、中國氣象局陸面數據同化系統(tǒng)（CLDAS）等。CLDAS是我國陸面數據同化系統(tǒng)領域唯一實時運行的業(yè)務系統(tǒng)，利用融合與同化技術，對地面觀測、衛(wèi)星觀測、數值模式產品等多種來源數據進行融合，輸出包括氣溫、氣壓、比濕、風速、降水、太陽短波輻射、土壤濕度等高時空分辨率的陸面驅動產品，應用于農業(yè)干旱監(jiān)測、山洪地質災害氣象服務、氣候系統(tǒng)模式評估、空間細網格實況數據服務等業(yè)務。為CLDAS陸面驅動產品應用提供參考，許多學者做了有關評估分析與研究（朱智和師春香，2014;孫小龍等，2015;崔園園等，2018;劉歡歡等，2018）。例如李顯風等（2017）建立了CLDAS數據質量在線評估系統(tǒng)，采用相關系數、均方根誤差、相對偏差和平均偏差等統(tǒng)計指標，實現了對任意站點及省份、任意時段范圍、不同土壤層次的土壤濕度的評估分析。師春香等（2018）通過CLDAS土壤濕度與自動土壤水分觀測站的逐小時觀測值進行對比，分析中國區(qū)域的平均土壤濕度時間變化特點，發(fā)現模擬值與觀測值非常接近，能很好地模擬各研究區(qū)土壤濕度的時間變化，但對于凍土融化時東北地區(qū)的土壤濕度存在輕微的低估。韓帥等（2017）通過自動土壤水分觀測站實況數據、青藏高原試驗觀測數據及國際同類產品對CLDAS土壤濕度模擬結果進行評估，發(fā)現CLDAS模擬結果更優(yōu)。劉志雄等（2017）以湖北為研究區(qū)域，在對CLDAS的土壤濕度數據進行評估的基礎上，研究CLDAS的油菜漬害監(jiān)測方法，與油菜觀測站點產量資料進行相關分析，建立了基于CLDAS油菜漬害監(jiān)測方法。但CLDAS氣溫數據在中國區(qū)域適用性評估案例尚且不多。氣溫（韓翠華等，2013;蔣帥等，2017;任晨辰等，2017;趙濱和張博，2018）是氣候變化關注的焦點，與人類衣食住行、工業(yè)生產、農業(yè)及生態(tài)系統(tǒng)等關系密切，所以本文利用2017年10月、2018年1、4、7月中國48 708個地面氣象自動站逐小時氣溫數據，對比CLDAS氣溫數據，分析兩類數據的相關性和偏差，評估了CLDAS氣溫的可信性和適用性。該研究可為CLDAS氣溫數據在中國區(qū)域的應用提供參考。

1 資料

本文研究采用“CLDAS大氣驅動場產品V2.0”2 m氣溫數據、地面氣象自動站觀測數據，下文分別簡稱為“CLDAS氣溫”、“站點氣溫”。數據來源于國家氣象信息中心。

CLDAS氣溫數據，覆蓋亞洲區(qū)域（60°～160°E，0°～65°N），空間分辨率為0.062 5°×0.062 5°，時間分辨率為1 h。該數據集是以ECMWF數值分析/預報產品為背景場，中國區(qū)域內采用地形調整、多重網格變分技術（STMAS）融合地面自動站觀測數據（考核站），并插值到分析格點而形成。文中使用的是CLDAS氣溫近實時產品，更新滯后2 d。

站點氣溫數據，中國范圍內48 708個地面氣象自動站逐小時氣溫數據，該數據經過了氣候界限值檢查、要素允許范圍值檢查、時間一致性檢查、空間一致性檢查和質控綜合判斷等質量控制。觀測站點主要分布在中東部地區(qū)，青藏高原西部和新疆南部地區(qū)觀測站點稀少（圖1）。為排除缺測站點對評估結果的影響，只將有觀測值且數據完整性高的站點（或時次）與CLDAS數據進行對比檢驗。

由于氣溫要素受季節(jié)變化和區(qū)域差異影響顯著，為了在研究中與不同季節(jié)、區(qū)域的兩類數據進行對比，選取了中國區(qū)域內2017年10月、2018年1、4、7月（分別代表秋季、冬季、春季、夏季）共4個月的CLDAS氣溫數據、站點氣溫數據作為研究對象。參考文獻（韓翠華等，2013）根據地形和氣候特征將我國劃分為8個區(qū)域，區(qū)域1～8分別為西北、西藏、云南、四川、華南、江淮、東北、華北（圖1），分析各區(qū)域內CLDAS和站點氣溫的相關性和偏差。

2 方法

將CLDAS氣溫數據插值為與站點相同經緯度位置上的數據，并將站點氣溫數據作為真值來評估檢驗。為充分檢驗評估CLDAS氣溫數據，科學評價站點氣溫數據對CLDAS融合結果的影響（李顯風等，2020），分別選取全國地面自動站觀測32 552個考核站和12 043個非考核站作為檢驗站點，因非考核站不參與CLDAS融合分析，非考核站的檢驗方式為獨立性檢驗，而考核站的檢驗方式為非獨立性檢驗。

通過計算站點上站點氣溫與CLDAS氣溫在各月時間序列下的平均偏差（Bias）、相關系數（R）、均方根誤差（RMSE）、平均絕對誤差（MAE）等評估指標，非獨立性檢驗、獨立性檢驗分析評估CLDAS氣溫數據在中國區(qū)域的適用性。

2.1 插值方法

采用雙線性插值法將CLDAS氣溫數據插值到觀測站點。該方法是先緯向后經向，或先經向后緯向上進行一元一次線性插值。插值公式如下：

首先在緯向x進行線性插值，得到

f（T1）≈x2-xx2-x1f（Q11）+x-x1x2-x1f（Q21）;

f（T2）≈x2-xx2-x1f（Q12）+x-x1x2-x1f（Q22）。

然后在經向y進行線性插值，得到

f（T）≈y2-yy2-y1f（T1）+y-y1y2-y1f（T2）。

這樣就得到所要的結果

f（x，y）≈f（Q11）（x2-x1）（y2-y1）（x2-x）（y2-y）+ f（Q21）（x2-x1）（y2-y1）（x-x1）（y2-y）+ f（Q12）（x2-x1）（y2-y1）（x2-x）（y-y1）+ f（Q22）（x2-x1）（y2-y1）（x-x1）（y-y1）。

式中：Q11=（x1，y1），Q12=（x1，y2），Q21=（x2，y1），Q22=（x2，y2）分別為相鄰的4個網格點;f（Q11）、f（Q12）、f（Q21）、f（Q22）分別為對應網格點的變量值;f（T1）、f（T2）分別是T1=（x，y1）緯度、T2=（x，y2）經度上的一次線性插值結果，f（x，y）是插值所得的站點變量值。

2.2 評估指標

采用評估指標包括平均偏差（Bias）、相關系數（R）、均方根誤差（RMSE）、平均絕對誤差（MAE），計算公式如下：

Bias=1n∑ni=1（xi-yi）;

R=∑ni=1（xi-）（yi-）∑ni=1（xi-）2∑ni=1（yi-）2;

ERMS=∑ni=1（xi-yi）2n;

EMA=1n∑ni=1|xi-yi|。

式中：n為匹配樣本總數;xi為被檢驗數據值;yi為檢驗源數據值;和分別為被檢驗數據和檢驗源數據的平均值。

3 結果分析

3.1 相關性

CLDAS與站點氣溫數據相關性高，非獨立性檢驗、獨立性檢驗平均相關系數分別為0.995、0.991。圖2a為CLDAS與站點氣溫數據相關性的站點數統(tǒng)計，48 708個站點中相關系數高于0.99的站點有41 936個，占總站數的86.1%;相關系數低于0.98的站點有1 174個，僅占總站數的2.4%。說明CLDAS能很好地反映大多數站點的氣溫變化。

圖2b、2c分別展示了我國不同季節(jié)和區(qū)域CLDAS與站點氣溫數據的相關性。春季（2018年4月）相關性最高，非獨立性檢驗、獨立性檢驗平均相關系數分別為0.987、0.978;秋季（2017年10月）次之，分別為0.984、0.975;冬季（2018年1月）分別為0.98、0.968;夏季（2018年7月）分別為0.971、0.963。中國范圍8個區(qū)域CLDAS與站點氣溫數據，非獨立性檢驗相關系數達到0.960～0.989，獨立性檢驗相關系數達到0.922～0.982;區(qū)域5～區(qū)域8相關性高于區(qū)域1～4，非獨立性檢驗中，東北地區(qū)（區(qū)域7）相關性最高為0.989，云南地區(qū)（區(qū)域3）相關性最低為0.960;獨立性檢驗區(qū)域7相關性最高為0.982，區(qū)域2相關性最低為0.922。

3.2 偏差

圖3、圖4分別統(tǒng)計了不同季節(jié)和區(qū)域CLADS與站點氣溫數據Bias、RMSE和MAE。CLDAS與站點氣溫數據平均偏差（Bias）為-0.011 ℃，秋季、冬季、春季Bias均為正值，分別為0.018、0.002、0.005 ℃，夏季偏差最大為-0.068 ℃。區(qū)域1、區(qū)域2、區(qū)域4、區(qū)域6的Bias均為負值，而其他區(qū)域Bias均為正值，說明西北、西南、江淮地區(qū)平均氣溫低于站點觀測值，東北、華北、華南地區(qū)平均氣溫高于站點觀測值;東北、華北、江淮、華南地區(qū)（區(qū)域5～8）Bias分別為0.025、-0.001、0.01、0.027 ℃，偏差小于西北、西南地區(qū)（區(qū)域1～4）。

通過非獨立性檢驗均方根誤差（RMSE）和平均絕對誤差（MAE）分別1.275、1.645 ℃，獨立性檢驗RMSE、MAE分別為0.867、1.089 ℃，區(qū)域1～4的RMSE和MAE均高于其平均值。非獨立性檢驗中，秋季的RMSE、MAE均為最小，分別為1.131、0.789 ℃;春季次之，分別為1.227、0.861 ℃;冬季分別為1.255、0.869 ℃;夏季最大，分別為1.458、0.949 ℃;區(qū)域7的RMSE、MAE均為最小，分別為1.031、0.713 ℃;區(qū)域2的RMSE最大為2.246 ℃，區(qū)域1的MAE最大為1.412 ℃。獨立性檢驗中，秋季的RMSE、MAE均為最小，分別為1.562、1.050 ℃;春季次之，分別為1.647、1.112 ℃;夏季分別為1.635、1.051 ℃;冬季最大，分別為1.728、1.142 ℃;區(qū)域5的RMSE最小為1.564 ℃;區(qū)域6的MAE最小為0.771 ℃;區(qū)域2的RMSE、MAE均為最大，分別為4.413、3.160 ℃?？梢钥闯?，春季、秋季的偏差小于夏季、冬季，東北、華北、江淮、華南地區(qū)偏差小于西北、西南地區(qū)。

圖5為CLDAS與站點氣溫數據偏差的站點統(tǒng)計，總體偏差范圍在-6～6 ℃。偏差為負值表示CLDAS低于站點觀測值，即CLDAS出現了冷偏差;反之，偏差為正值表示CLDAS出現了暖偏差。48 708個站點中出現冷偏差、暖偏差的站點分別為23 983個、24 725個，各占總站點數的一半;41 202個站點的冷偏差或暖偏差在1 ℃內，占總站點數的84.6%，其可信度高;219個站點的冷偏差或暖偏差大于5 ℃，占總站點數的0.4%，其可信度低。圖6a、6b分別為CLDAS與站點氣溫數據冷偏差、暖偏差的空間分布，可見冷偏差和暖偏差空間分布均勻且一致性好。

3.3 極值誤差

最高、最低氣溫反映了氣候冷暖變化程度，是判斷極端氣候事件強度的重要指標。在氣候極值變化研究中多采用閾值進行分析，超過閾值的值被認為是極值（王海軍等，2008;盧冰等，2017）。利用2017年10月、2018年1、4、7月CLDAS與站點氣溫數據，分別計算各月氣溫1～99.9分位數的差值，分析氣溫極值的誤差特征。從圖7看出，各月CLDAS與站點氣溫分位數差值分布均呈現同一變化趨勢，偏差由中位分別向低位和高位逐漸增大，越接近第1百分位數趨于正值，接近第99.9百分位數趨于負值;夏季百分位數差值在高位上增幅較為顯著，秋季、冬季、春季變幅基本一致平緩。結果表明，CLDAS對最高氣溫冷偏差，最大偏差達到-0.20～-0.59 ℃，最低氣溫暖偏差，最大偏差達到0.11～0.15 ℃;夏季最高氣溫誤差最大為-0.59 ℃。

3.4 偏差日變化特征

圖8展示了各季節(jié)CLDAS與站點氣溫平均偏差的日變化特征。由圖可見，CLDAS與站點氣溫平均偏差日變化在-0.23～0.07 ℃，白天呈冷偏差，日出后隨時間推移偏差逐漸增大，秋季、冬季、春季、夏季分別在北京時（下同）12時、10時30分、10時30分、15時冷偏差達到最大，隨后偏差逐漸減小，直到日落后偏差開始為正值且逐漸增大，整個夜間呈現暖偏差，秋季、冬季、春季、夏季分別在19時、19時、20時、21時暖偏差達到最大，隨后偏差又逐漸減小直到日出?？傮w上，夏季平均偏差日變化較為顯著，偏差日較差為0.26 ℃，其次春季偏差日較差為0.14 ℃，秋季、冬季偏差日較差分別為0.08、0.07 ℃。

從圖9各季節(jié)8個區(qū)域CLDAS與站點氣溫平均偏差的日變化曲線中看到，各區(qū)域基本呈現了相似的偏差日變化規(guī)律，大部分區(qū)域出現了一個峰值或一個谷值，隨著日出、日落時間推移偏差按照一定規(guī)律逐漸增大或減小。秋季平均偏差日變化范圍在-0.05～0.40 ℃，區(qū)域2變幅最大為0.20 ℃，區(qū)域3次之變幅為0.18 ℃，變幅最小出現在區(qū)域6為0.02 ℃;冬季平均偏差日變化在-0.06～0.36 ℃，區(qū)域3變幅最大為0.31 ℃，區(qū)域6變幅最小為0.02 ℃;春季平均偏差日變化在-0.12～0.36 ℃，區(qū)域3變幅最大為0.27 ℃，區(qū)域7變幅最小為0.06 ℃;夏季平均偏差日變化在-0.55～0.51 ℃，區(qū)域4變幅最大為0.46 ℃，區(qū)域6變幅最小為0.18 ℃。全國8個區(qū)域夏季平均偏差日變化最大為1.06 ℃，秋季、冬季、春季變幅相似，分別為0.45、0.42、0.48 ℃;云南（區(qū)域3）、西藏（區(qū)域2）地區(qū)平均偏差日變化最大，江淮地區(qū)（區(qū)域6）日變化最小。

4 結論

利用我國48 708個地面氣象自動站逐小時氣溫數據，采用不同的評估指標和方法，對比分析了2017年10月、2018年1月、2018年4月、2018年7月近實時CLDAS氣溫數據在我國8個區(qū)域的表現，評估結果如下：

1）CLDAS氣溫數據較好地反映了我國氣溫年際變化，非獨立性檢驗、獨立性檢驗與站點氣溫平均相關系數分別為0.995、0.991，41 936個站點（86.1%）的相關性超過了0.99;秋季相關性最高，非獨立性檢驗、獨立性檢驗相關系數分別為0.987、0.978，夏季相關性最低，相關系數分別為0.971、0.963;全國8個區(qū)域氣溫數據，非獨立性檢驗相關系數達到0.960～0.989，獨立性檢驗相關系數達到0.922～0.982，東北地區(qū)相關性最高，云南地區(qū)相關性最低。

2）CLDAS與站點氣溫數據Bias為-0.011 ℃，非獨立性檢驗RMSE和MAE分別1.275 ℃、1.645 ℃，獨立性檢驗RMSE、MAE分別為0.867 ℃、1.089 ℃;春季、秋季的偏差小于夏季、冬季，東北、華北、江淮、華南地區(qū)偏差小于西北、西南地區(qū)。CLDAS氣溫總體偏差范圍在-6～6 ℃，41 202個站點（84.6%）的冷偏差或暖偏差在1 ℃內，總體上CLDAS氣溫誤差小，可信度較高。冷偏差和暖偏差空間分布均勻且一致性好。

3）CLDAS對最高氣溫冷偏差，最大偏差達到-0.20～-0.59 ℃，最低氣溫暖偏差，最大偏差達到0.11～0.15 ℃;夏季最高氣溫誤差最大為-0.59 ℃。

4）CLDAS平均偏差日變化在-0.23～0.07 ℃，白天呈冷偏差，日出后隨時間推移偏差逐漸增大，秋季、冬季、春季、夏季分別在12時、10時30分、10時30分、15時冷偏差達到最大，隨后偏差逐漸減小，直到日落后偏差開始為正值且逐漸增大，整個夜間呈現暖偏差，秋季、冬季、春季、夏季分別在19時、19時、20時、21時暖偏差達到最大，隨后偏差又逐漸減小直到日出。全國8個區(qū)域夏季平均偏差日變化最大為1.06 ℃，秋季、冬季、春季變幅相似，分別為0.45 ℃、0.42 ℃、0.48 ℃;云南、西藏地區(qū)平均偏差日變化最大，江淮地區(qū)日變化最小。

CLDAS氣溫數據在中國區(qū)域整體上具有較高的可信度，春季、秋季的偏差小于夏季、冬季，東北、華北、江淮、華南地區(qū)偏差小于西北、西南地區(qū)，存在高溫偏低、低溫偏高的現象，極端氣候事件發(fā)生強度的刻畫與站點觀測存在一定差異。夏季局地強對流天氣、冬季冷空氣活動事件發(fā)生時氣溫空間差異較大，CLDAS氣溫數據刻畫該類事件還不夠精細;西北、西南地區(qū)地形復雜、海拔高，CLDAS融合分析采用了地形調整，可考慮坡度、坡向對氣溫的影響。

參考文獻（References）

成璐，沈潤平，師春香，等，2014.CMORPH和TRMM 3B42降水估計產品的評估檢驗[J].氣象，40（11）：1372-1379. Cheng L，Shen R P，Shi C X，et al.，2014.Evaluation and verification of CMORPH and TRMM 3B42 Precipitation estimation products[J].Meteor Mon，40（11）：1372-1379.（in Chinese）.

崔園園，覃軍，敬文琪，等，2018.GLDAS和CLDAS融合土壤水分產品在青藏高原地區(qū)的適用性評估[J].高原氣象，37（1）：123-136. Cui Y Y，Qin J，Jing W Q，et al.，2018.Applicability evaluation of merged soil moisture in GLDAS and CLDAS products over Qinghai-Tibetan Plateau[J].Plateau Meteor，37（1）：123-136.doi：10.7522/j.issn.1000-0534.2017.00035.（in Chinese）.

高路，郝璐，2014.ERA-Interim氣溫數據在中國區(qū)域的適用性評估[J].亞熱帶資源與環(huán)境學報，9（2）：75-81. Gao L，Hao L，2014.Verification of ERA-interim reanalysis data over China[J].J Subtrop Resour Environ，9（2）：75-81.doi：10.19687/j.cnki.1673-7105.2014.02.011.（in Chinese）.

高志剛，駱敬新，劉克修，等，2015.ERA-Interim再分析數據在中國沿海的質量評估[J].海洋科學，39（5）：92-105. Gao Z G，Luo J X，Liu K X，et al.，2015.Evaluation of ERA-Interim reanalysis data along Coast of China[J].Mar Sci，39（5）：92-105.（in Chinese）.

韓翠華，郝志新，鄭景云，2013.1951—2010年中國氣溫變化分區(qū)及其區(qū)域特征[J].地理科學進展，32（6）：887-896. Han C H，Hao Z X，Zheng J Y，2013.Regionalization of temperature changes in China and characteristics of temperature in different regions during 1951—2010[J].Prog Geogr，32（6）：887-896.（in Chinese）.

韓帥，師春香，姜立鵬，等，2017.CLDAS土壤濕度模擬結果及評估[J].應用氣象學報，28（3）：369-378. Han S，Shi C X，Jiang L P，et al.，2017.The simulation and evaluation of soil moisture based on CLDAS[J].J Appl Meteor Sci，28（3）：369-378.（in Chinese）.

蔣帥，江志紅，李偉，等，2017.CMIP5模式對中國極端氣溫及其變化趨勢的模擬評估[J].氣候變化研究進展，13（1）：11-24. Jiang S，Jiang Z H，Li W，et al.，2017.Evaluation of the extreme temperature and its trend in China simulated by CMIP5 models[J].Clim Chang Res，13（1）：11-24.（in Chinese）.

李顯風，師春香，胡佳軍，等，2017.CLDAS數據質量在線評估系統(tǒng)的設計與實現[J].氣象科技，45（6）：1116-1124. Li X F，Shi C X，Hu J J，et al.，2017.Design and implementation of an online CLDAS data quality assessment system[J].Meteor Sci Technol，45（6）：1116-1124.doi：10.19517/j.1671-6345.20160647.（in Chinese）.

李顯風，張瑋，黃少平，等，2020.江西省氣象-水文-雷達小時雨量信息融合試驗結果分析[J].暴雨災害，39（3）：276-284. Li X F，Zhang W，Huang S P，et al.，2020.Analysis of fusion test results on hourly precipitation from meteorological and hydrological stations and radar[J].Torrential Rain Disasters，39（3）：276-284.（in Chinese）.

劉歡歡，王飛，張廷龍，2018.CLDAS和GLDAS土壤濕度資料在黃土高原的適用性評估[J].干旱地區(qū)農業(yè)研究，36（5）：270-276，294. Liu H H，Wang F，Zhang T L，2018.Evaluation applicability of CLDAS and GLDAS soil moisture for the Loess Plateau[J].Agric Res Arid Areas，36（5）：270-276，294.（in Chinese）.

劉志雄，劉凱文，蘇榮瑞，等，2017.CLDAS資料在湖北省油菜濕漬害監(jiān)測中的應用[C]//第34屆中國氣象學會年會.鄭州. Liu Z X，Liu K W，Su R R，et al.，2017.The application of CLDAS in the monitoring of wet stains in rapeseed in Hubei[C]//The 34th Annual Meeting of the China Meteorological Society.Zhengzhou.（in Chinese）.

盧冰，孫繼松，仲躋芹，等，2017.區(qū)域數值預報系統(tǒng)在北京地區(qū)的降水日變化預報偏差特征及成因分析[J].氣象學報，75（2）：248-259. Lu B，Sun J S，Zhong J Q，et al.，2017.Analysis of characteristic bias in diurnal precipitation variation forecasts and possible reasons in a regional forecast system mover Beijing area[J].Acta Meteorol Sin，75（2）：248-259.doi：10.11676/qxxb2017.021.（in Chinese）.

麻巨慧，朱躍建，王盤興，等，2011.NCEP、ECMWF及CMC全球集合預報業(yè)務系統(tǒng)發(fā)展綜述[J].大氣科學學報，34（3）：370-380. Ma J H，Zhu Y J，Wang P X，et al.，2011.A review on the developments of NCEP，ECMWF and CMC global ensemble forecast system[J].Trans Atmos Sci，34（3）：370-380.doi：10.13878/j.cnki.dqkxxb.2011.03.015.（in Chinese）.

閔錦忠，車淥，郭亞凱，2016.基于自動站資料的WRF-EnSRF陸面同化系統(tǒng)的效果檢驗及應用[J].大氣科學學報，39（3）：289-299. Min J Z，Che L，Guo Y K，2016.Testing and application of a land data assimilation system using automatic weather station data[J].Trans Atmos Sci，39（3）：289-299.doi：10.13878/j.cnki.dqkxxb.20140404001.（in Chinese）.

任晨辰，段明鏗，智協(xié)飛，2017.不同氣候背景下我國冬夏兩季極端氣溫特征分析[J].大氣科學學報，40（6）：803-813. Ren C C，Duan M K，Zhi X F，2017.Characteristics of extreme surface air temperature in winter and summer over China under different climate back-grounds[J].Trans Atmos Sci，40（6）：803-813.（in Chinese）.

師春香，姜立鵬，朱智，等，2018.基于CLDAS2.0驅動數據的中國區(qū)域土壤濕度模擬與評估[J].江蘇農業(yè)科學，46（4）：231-236. Shi C X，Jiang L P，Zhu Z，et al.，2018.Simulation and evaluation of soil moisture based on CLDAS2.0 in China[J].Jiangsu Agric Sci，46（4）：231-236.doi：10.15889/j.issn.1002-1302.2018.04.059.（in Chinese）.

孫帥，師春香，梁曉，等，2017.不同陸面模式對我國地表溫度模擬的適用性評估[J].應用氣象學報，28（6）：737-749. Sun S，Shi C X，Liang X，et al.，2017.Assessment of ground temperature simulation in China by different land surface models based on station observations[J].J Appl Meteor Sci，28（6）：737-749.（in Chinese）.

孫小龍，宋海清，李平，等，2015.基于CLDAS資料的內蒙古干旱監(jiān)測分析[J].氣象，41（10）：1245-1252. Sun X L，Song H Q，Li P，et al.，2015.Analysis of drought monitoring in Inner Mongolia based on CLDAS data[J].Meteor Mon，41（10）：1245-1252.（in Chinese）.

王海軍，涂詩玉，陳正洪，2008.日氣溫數據缺測的插補方法試驗與誤差分析[J].氣象，34（7）：83-91. Wang H J，Tu S Y，Chen Z H，2008.Interpolating method for missing data of daily air temperature and its error analysis[J].Meteor Mon，34（7）：83-91.（in Chinese）.

趙濱，張博，2018.一種2 m溫度誤差訂正方法再復雜地形區(qū)數值預報中的應用[J].大氣科學學報，41（5）：657-667. Zhao B，Zhang B，2018.Application of a bias correction scheme for 2-meter temperature levels over complex terrain[J].Trans Atmos Sci，41（5）：657-667.（in Chinese）.

朱智，師春香，2014.中國氣象局陸面同化系統(tǒng)和全球陸面同化系統(tǒng)對中國區(qū)域土壤濕度的模擬與評估[J].科學技術與工程，14（32）：138-144.Zhu Z，Shi C X，2014.Simulation and evaluation of CLDAS and GLDAS soil moisture data in China[J].Sci Technol Eng，14（32）：138-144.（in Chinese）.

Applicability assessment of CLDAS temperature data in China

LIU Ying1，SHI Chunxiang2，WANG Haijun1，HAN Shuai2

1Hubei Meteorological Information and Technological Support Center，Wuhan 430074，China;

2National Meteorological Information Center，Beijing 100081，China

Based on the hourly temperature data derived from 48 708 surface automatic weather stations in China，the CLDAS-V2.0 temperature data in October 2017，January 2018，April 2018 and July 2018 （resolution：0.062 5°） were analyzed by using the evaluation indexes such as mean deviation （Bias），correlation coefficient，root mean square error （RMSE） and mean absolute error （MAE）.This paper studied the correlation and deviation distribution characteristics between CLDAS and station temperature in spring，summer，autumn and winter in eight zones of China.Results show that：（1）CLDAS temperature reflects the interannual variation of temperature in China，and the average correlation coefficients of non-independence test，independence test and station temperature are 0.995 and 0.991 respectively.The correlation coefficient is the highest in Northeast China and the lowest in Southwest China.（2） The Bias of CLDAS and station temperature is -0.011 ℃，RMSE and MAE of non-independence test are 1.275 ℃ and 1.645 ℃，and RMSE and MAE of independence test are 0.867 ℃ and 1.089 ℃，respectively.In general，CLDAS has small temperature error and high reliability.（3） The deviation in spring and autumn is less than that in summer and winter.The deviation in Northeast，North China，Jianghuai and South China is smaller than that in Northwest and Southwest China.In 84.6% stations，the cold deviation or warm deviation is within 1 ℃，and the spatial distribution of cold and warm deviation is uniform.（4） The maximum temperature of CLDAS has cold deviation，the minimum temperature has warm deviation，and the maximum deviation of maximum temperature in summer is -0.59 ℃.（5） The diurnal variation of mean deviation of CLDAS is -0.23—0.07 ℃，colder in the daytime and warmer in the night.The diurnal variation of mean deviation of CLDAS is significant in summer，and the diurnal range of deviation is 0.26 ℃.The maximum diurnal variation of summer mean deviation in the eight zones of China is 1.06 ℃，and the variation ranges in autumn，winter and spring are similar.The diurnal variation of mean deviation is the largest in Southwest China and the smallest in Jianghuai.

CLDAS;temperature;correlation coefficient;deviation;diurnal variation

doi：10.13878/j.cnki.dqkxxb.20200819001

（責任編輯：張福穎）