随着气候学的发展，各国学者普遍认识到全球气候变化不仅仅是由大气内部过程决定的，同时也受与大气圈发生相互作用的水圈、冰雪圈、岩石圈和生物圈的影响(何杰，2010)。在这其中，陆气的相互作用是当前研究的一个热点，国际上大量的敏感性试验表明陆面状况的变化对气候有重要影响(刘金婷，2010)，尤其土壤湿度能够通过改变地表能量中的感热和潜热通量，从而影响陆面和大气的能量平衡(贾炳浩等，2010；Tian et al.,2010；师春香等，2011)。使用陆面模式对地表的水文、生态等过程进行模拟是当前陆面过程研究的一个重要手段，并由此产生了对陆面模式大气驱动场的需求(李新等，2007；何杰，2010)。而且许多有关大气驱动数据的研究表明：精确的、含有更多观测信息的大气驱动数据对于提高陆面模式的模拟很重要(Maurer et al.,2002; Berg et al.,2003；Fekete et al.,2004；Sheffield et al.,2004)。目前已有的可用于大气驱动场的数据有很多，其中使用最普遍的是美国的NCEP/NCAR、NCEP/DOE再分析资料(Kalnay et al.,1996；Kanamitsu et al.,2002)，欧洲的ERA-15、ERA-40、ERA-Interim再分析资料(Uppala et al.,2005)、以及日本的JRA-25再分析资料(Onogi et al.,2007)。除此以外，还有专门用于驱动陆面模式的Princeton驱动数据(Sheffield et al.,2006)，以及Qian et al.(2006)等建立的大气驱动数据等。这些数据除了可以用作驱动数据，还可以应用于更广泛的科研领域，如用其研究陆气之间的水和能量循环(Roads and Betts，2000；Maurer et al.,2001；Wang and Zeng，2012)，以及评估观测稀缺地区的气候资源分布，还可用于数据集之间的对比验证(何杰，2010)等。许多研究者对这些资料在中国区域的适用性进了评估，赵天保等(2004)、赵天保和符淙斌(2006，2009)、赵天保和华丽娟(2009)对ERA-40、JRA-25、NCEP/NCAR、NCEP/ DOE等几种再分析地表气温、地表气压在中国区域的适用性进行了评估，研究发现，几种再分析产品虽然能在一定程度上反映出观测资料所具有的时空分布特征，但它们之间的差异却具有明显的区域和季节变化特征。此外，施晓晖等(2006)使用多种客观分析方法对NCEP/NCAR再分析风速、表面气温距平在中国区域的可信度进行了研究，发现风速距平的误差随着高度的增加而减小，说明地形对NCEP再分析资料的可信度具有较大影响。徐影等(2001)对美国NCEP/NCAR近50年的再分析资料在中国气候变化研究中的可信度进行了初步分析，结果表明NCEP资料在对气候变化长期趋势变化的研究中，不确定性较大，1979年以后的NCEP资料的可信度高于前期。由此可以发现，这些再分析数据虽然在中国存在一定的适用性，但是由于同化系统的缺陷以及观测资料的不均匀分布，使得这些数据出现区域性的系统偏差，因此有必要制作一套面向中国区域真实的地面气象要素数据集。师春香等(2011)制备了一套具有较高时空分辨率的地面气象要素数据集，对降水和辐射数据进行很大改进，但是地面气温、相对湿度、地面气压、近地面风速等要素是在NCEP再分析资料的基础上采用空间和时间插值得到，需要进一步改进。

本文利用中国气象局国家级自动站(2421个站)的逐小时观测资料分别对ECMWF(欧洲中期数值预报中心)和JMA(日本气象厅)以及GFS(美国国家海洋大气局的全球预测系统)资料的地面气温、地面相对湿度和地面风速在中国的适用性进行比较研究。为数值模式资料与观测资料的融合奠定基础，并对数值模式算法的改进具有指导意义。

本文所用的数值模式资料为2010年7月1日至2013年6月30日ECMWF确定性预报模式的地面气温、露点温度、风速资料以及JMA和GFS的地面气温、相对湿度及风速资料。这3种数值模式资料的详细介绍见表 1。由于李佰平和智协飞(2012)等对ECWMF确定性预报模式地面气温预报结果进行研究表明：对于短期预报，考虑最近的预报结果要优于考虑多个预报结果的多元集成预报订正方法，故本文预报场资料选用最近预报结果。

表 1(Table 1)

表 1 数值模式资料说明 Table 1 Information of numerical model data 资料来源 空间分辨率 空间范围 时间分 辨率 起报时次 ECMWF 0.25°×0.25° (10°S～60°N，60°E～150°E) 3 h 00:00(协调世界时，下同)、12:00 JMA 0.25°×0.25° (5°S～90°N，60°E～150°E) 3 h 00:00、12:00 GFS 1°×1° (10°N～60°N，60°E～150°E) 3 h 00:00、06:00、12:00、18:00

表 1 数值模式资料说明 Table 1 Information of numerical model data

本研究所用的台站资料是中国气象局国家级自动站(2421个站)2010年7月1日至2013年6月30日逐小时地面气温、相对湿度和风速资料，且经过了包括气候学界限值、区域界限值、时间一致性及空间一致性检查等在内的严格质量控制，可用率达98.9%(任芝花和熊安元，2007)。图 1为台站的空间分布图，可发现台站分布较密集，尤其在中国东南部地区，但在青藏高原和新疆地区分布较为稀疏。

图 1

Fig. 1

图 1 中国气象局国家级自动站(2421个站)的分布 Fig. 1 Distribution of automatic observation stations(2421 stations)in China

因为所获取的ECMWF资料没有地面相对湿度信息，所以本文采用马格拉斯公式(1)计算实际水汽压，采用戈夫—格雷奇公式(2)计算饱和水气压，最后可以根据公式(3)计算得到地面相对湿度(盛裴轩等，2005)：

为了分析数值模式资料与台站观测资料的具体差异，本文采用双线性插值法将数值模式格点资料插值到观测站点，将模式与观测同一时刻数据形成的匹配样本数据进行分析。对于地面气温在插值过程中由于地形的差异引起的误差进行了订正，即

其中，T为订正后的地表气温，t为内插后的温度，γ(取－6.5 K km⁻¹)为气温直减率，ΔZ为实际地形高度与数值模式资料插值后的高度之差。该订正方法可以消除地表气温资料在插值过程中地形差异所引起的误差，特别是地形复杂地区订正效果显著(Zhao et al.,2008)。

本研究以地面观测为基准，评估数值模式地面气温的空间分布情况，3种数值模式资料基本都能反映地面气温所具有的空间分布特征，图 2给出了数值模式资料与观测地面气温的均方根误差在中国区域的空间分布特征。可以看出，它们基本呈现西部地区均方根误差大的差异，东部地区均方根误差小，具有很明显的区域分布特征，ECMWF地面气温与观测的均方根误差较JMA和GFS资料小。从ECMWF与观测地面气温均方根误差的空间分布(图 2a)可以看出，中国东部大部分地区的均方根误差在1.0～2.5 K之间，其中江淮流域均方根误差最小，在1.0～1.5 K之间；西部地区均方根误差稍大，尤其在青藏高原，误差大于3.0 K。相比较而言，JMA资料与观测地面气温的均方根误差较大(图 2b)，东部大部分区域的均方根误差比ECMWF偏高0.5 K，达到1.5～3.0 K，其中误差较小的江淮流域均方根误差在1.5～2.0 K之间；东北区域的北部，均方根误差大于5.0 K，与ECMWF的均方根误差相比，误差偏高1.5 K以上；在新疆大部分地区，ECMWF的均方根误差在1.5～3.0 K之间，而JMA资料与观测的均方根误差在3.5 K以上。GFS与观测地面气温的均方根误差空间分布(图 2c)与JMA资料资料相近，除了在东北区域，GFS资料比JMA资料均方根误差偏低1 K左右；在华南的东南沿海地带，GFS资料比JMA资料均方根误差偏高1.0 K左右。

图 2

Fig. 2

图 2 数值模式资料与观测地面气温均方根误差的空间分布 Fig. 2 Spatial distribution of RMSE of surface air temperature between numerical model data and observations

同理也计算了数值模式与观测地面气温的偏差，图 3是其在中国区域的空间分布特征。可以看到，其偏差亦具有明显的区域分布特征，西部地区偏差大于东部地区，ECMWF地面气温与观测的偏差比JMA和GFS资料小。从ECMWF与观测地面气温偏差的空间分布(图 3a)可以看出，中国东部大部分区域的偏差在－0.5～0.5 K之间，与赵天保和符淙斌(2006)的研究ERA-40比观测值在东部大部分地区平均偏低0.5 K的结果较一致；西部地区偏差稍大，在青藏高原主要成负偏差，其结果在－3.0～－0.5 K之间，而新疆等地偏差为正，在0.5～3.0 K之间。相比较而言，JMA资料与观测地面气温的偏差稍大(图 3b)，东部大部分地区偏差比ECWMF偏高0.5 K左右，而在河北和河南比ECMWF偏高1.0 K。GFS资料与观测地面气温的偏差(图 3c)比JMA资料和ECMWF都大，GFS在云南省主要成负偏差，而ECMWF和JMA资料偏差均为正，在四川的东部地区偏差比ECMWF和JMA资料大1.0 K左右，而在新疆GFS资料比ECMWF和JMA资料大2.0 K左右。

图 3

Fig. 3

图 3 同图 2，但为气温偏差的空间分布 Fig. 3 Same as Fig. 2，but for the bias of surface air temperature

为了能进一步比较3种数值模式与地面观测气温的差异，给出了其日变化时间序列图(如图 4所示)，可以看出ECMWF地面气温与观测的差异比JMA资料和GFS资料小。从图 4a可以发现，ECMWF与观测地面气温差异在冬季上午最大，比实际观测大1.0～1.5 K。在春季上午和冬季夜晚，JMA资料与实际观测地面气温差异最大，其中在春季上午JMA资料比实际小1.5 K左右，在冬季夜晚JMA资料比实际观测大1.5 K左右(图 4b)。GFS在晚上比观测地面气温小，尤其在夏季晚上比实际观测小1.5 K左右，而GFS地面气温在白天比实际观测偏大(图 4c)。

图 4

Fig. 4

图 4 地面气温日变化时间序列：(a)ECMWF与观测之差；(b)JMA资料与观测之差；(c)GFS资料与观测之差 Fig. 4 Time series of diurnal cycle of surface air temperature:(a)Differences between ECMWF and observations;(b)differences between JMA model data and observations;(c)differences between GFS model data and observations

分析数值模式与观测地面气温的均方根误差、偏差和相关系数在不同时次的统计值(表 2)，发现ECMWF与观测地面气温的均方根误差在大部分时次均小于JMA和GFS资料，JMA资料的误差在所有时次都小于GFS资料，对于ECMWF和JMA资料，00:00和12:00的均方根误差最小，因为00:00和12:00所用的数值模式资料是分析场数据，说明这两种数值模式资料地面气温的分析场数据优于预报场数据。而GFS资料地面气 温的分析场数据质量也优于预报场。从偏差来看，ECMWF在所有时次的偏差均比实际观测小，JMA资料在00:00、03:00以及06:00成负偏差，其它时次成正偏差，而GFS资料的结果则与JMA资料相反。3种数值模式资料与观测地面气温的相关系数都较高(大于0.9)，这说明3种数据模式资料与观测地面气温的变化趋势较一致。

表 2(Table 2)

表 2 数值模式资料与观测地面气温在8个时次的统计值 Table 2 Statistical analysis of hourly surface air temperature between numerical model data and observations 均方根误差/K 偏差/K 相关系数 时次 ECMWF JMA GFS ECMWF JMA GFS ECMWF JMA GFS 00:00 2.024 2.474 2.778 －0.166 －0.109 1.032 0.964 0.954 0.955 03:00 2.448 2.552 2.779 －0.351 －0.832 1.066 0.959 0.960 0.957 06:00 2.952 2.597 2.790 －0.757 －0.316 0.648 0.947 0.954 0.949 09:00 3.153 2.573 2.887 －1.084 0.147 －0.135 0.949 0.955 0.949 12:00 2.261 2.494 2.936 －0.344 0.829 －1.164 0.955 0.951 0.948 15:00 2.667 2.677 2.762 －1.142 0.808 －0.523 0.961 0.957 0.956 18:00 2.651 2.735 2.751 －1.052 0.629 －0.251 0.952 0.947 0.943 21:00 2.655 2.773 2.786 －0.957 0.454 －0.073 0.950 0.944 0.940

表 2 数值模式资料与观测地面气温在8个时次的统计值 Table 2 Statistical analysis of hourly surface air temperature between numerical model data and observations

ECMWF资料没有地面相对湿度信息，需根据地面露点温度将其转换为地面相对湿度，再与其它两种数值模式资料进行比较。具体计算见文章第2节的资料处理部分。从图 5可以看出，它们的差异亦呈现出西部地区均方根误差大于东部地区，ECMWF地面相对湿度与观测的均方根误差比JMA资料和GFS资料小。ECMWF与观测地面相对湿度均方根误差的空间分布如图 5a所示，研究发现，在江淮流域和华南大部分地区的均方根误差小于12%；华北、东北区域的均方根误差稍大，但小于16%。相比较而言，JMA资料与观测地面相对湿度的均方根误差比ECMWF大(图 5b)，尤其在西北和青藏高原地区均方根误差大于20%，比ECMWF资料大5%左右；在华北区域JMA资料的地面相对湿度均方根误差大于16%，而ECMWF小于16%；JMA资料的地面相对湿度均方根误差在西南区域大于14%，而ECMWF小于14%。GFS地面相对湿度在东部大部分地区和西北东部区域的均方根误差比JMA资料大4%左右；在华北北部和西部地区，GFS的均方根误差比JMA资料小2%左右，其它地区GFS与观测地面相对湿度的均方根误差空间分布与JMA资料相近(图 5c)。

图 5

Fig. 5

图 5 同图 2，但为相对湿度均方根误差的空间分布 Fig. 5 Same as Fig. 2，but for RMSE of surface relative humidity

图 6是数值模式与观测地面相对湿度的偏差在中国区域的空间分布特征。研究发现，它们的差异区域分布特征明显，ECMWF地面相对湿度与观测的偏差比JMA资料和GFS小。从ECMWF与观测地面相对湿度偏差的空间分布(图 6a)可以看出，东部大部分地区偏差在－6%～6%之间；西北区域偏差较大，主要成负偏差，小于－6%；青藏高原偏差大于10%。相比较而言，JMA资料与观测地面相对湿度 偏差大于ECMWF(图 6b)，尤其在华北北部JMA资料偏差大于10%，而ECMWF的偏差在0～6%之间；在江淮流正偏差，大于6%，而JMA资料成负偏差在－6%～0之间；在西北东部GFS的偏差小于－10%，而JMA资料的偏差在－6%～0之间；在华北北部GFS偏差在－2 %～0之间，而JMA资料的偏差大于8%。

图 6

Fig. 6

图 6 同图 5，但为相对湿度偏差的空间分布 Fig. 6 Same as Fig. 5，but for the bias of surface relative humidity

从日变化时间序列角度进一步比较3种数值模式资料的地面相对湿度与观测的差异，研究发现ECMWF地面相对湿度与观测的差异较JMA资料和GFS资料小(图 7)。从图 7a可以看出，00:00和12:00 ECMWF与观测的差异最小，在±2%之间，在夏季和秋季下午ECMWF比观测的地面相对湿度偏大2%～6%，在秋季夜晚和冬季上午ECMWF与观测的地面相对湿度的差异最大，比实际观测小6%～8%。JMA资料在秋季比实际观测的相对湿度偏小，尤其在夜晚差异最大，小于－8%，而其他季节JMA资料比实际观测偏大，在冬季中午差异最大，偏差大于8%。GFS在下午和夜晚比观测的地面相对湿度偏大，尤其在冬季的20:00，差异最大，大于6%，然而GFS在上午比实际观测偏小，而且在秋季和夏季的08:00差异最大，小于－8%。

图 7

Fig. 7

图 7 同图 4，但为地面相对湿度 Fig. 7 Same as Fig. 4，but for surface relative humidity

从数值模式资料与观测地面相对湿度的均方根误差、偏差和相关系数在不同时次的统计(表 3)可以看出ECMWF与观测地面相对湿度的均方根误差在所有时次都小于JMA和GFS资料，06:00之前JMA资料的均方根误差误差小于GFS资料，06:00后则相反；对于ECMWF地面相对湿度，00:00和12:00的均方根误差最小，JMA资料在00:00和12:00的偏差最小，说明ECMWF和JMA资料地面相对湿度的分析场数据好于预报场。3种数值模式资料与观测资料地面相对湿度的相关系数均较高，除了JMA资料在15:00、18:00、21:00的相关系数小于0.6。

表 3(Table 3)

表 3 数值模式资料与观测资料地面相对湿度在8个时次的统计值 Table 3 Statistical analysis of hourly surface relative humidity between numerical model data and observations 均方根误差/K 偏差/K 相关系数 时次 ECMWF JMA GFS ECMWF JMA GFS ECMWF JMA GFS 00:00 10.683% 15.821% 17.439% －1.489% －1.335% －6.234% 0.818 0.607 0.650 03:00 11.676% 15.054% 15.904% －2.440% 2.169% －4.296% 0.834 0.711 0.730 06:00 12.016% 15.226% 15.170% 0.242% 2.988% －0.851% 0.832 0.740 0.751 09:00 13.097% 15.967% 16.022% 2.067% 2.155% 2.565% 0.821 0.734 0.752 12:00 10.966% 17.419% 16.598% 0.067% －0.589% 3.174% 0.848 0.648 0.727 15:00 12.788% 18.513% 16.351% －0.979% －1.116% －0.361% 0.801 0.565 0.709 18:00 13.131% 18.288% 16.434% －2.019% －1.376% －2.001% 0.776 0.531 0.669 21:00 13.456% 17.864% 16.496% －2.874% －1.592% －3.053% 0.761 0.515 0.648

表 3 数值模式资料与观测资料地面相对湿度在8个时次的统计值 Table 3 Statistical analysis of hourly surface relative humidity between numerical model data and observations

本研究将所有资料的纬向风速和经向风速处理成全风速进行比较分析，3种数值模式资料均能反映地面风速所具有的空间分布特征，从图 8可以看到，西部地区均方根误差大，东部地区均方根误差小。ECMWF数值模式与观测地面风速均方根误差的空间分布图(图 8a)可以看出：江淮流域和华南大部分地区的均方根误差小于1.5 m/s；西部、北部区域的均方根误差稍大，但也小于2.0 m/s。相比较而言，在江淮流域和华南大部分区域JMA资料与观测地面风速的均方根误差比ECMWF要小，均方根误差小于1.0 m/s；但是在西部、北部区域，JMA资料均方根误差大于ECMWF资料，其结果大于2.5 m/s(图 8b)。GFS资料地面风速均方根误差的空间分布与ECMWF数值模式资料相近，除了在东北、华南和西南区域，GFS的地面风速均方根误差比ECMWF小0.5 m/s(图 8c)。因此，对于地面风速的描述，在江淮流域和华南等东南部地区，JMA资料最优，在中国的北部和西部区域，ECMWF资料最好。

图 8

Fig. 8

图 8 同图 2，但为风速均方根误差的空间分布 Fig. 8 Same as Fig. 2，but for the RMSE of surface wind speed

图 9是数值模式资料与观测地面风速的偏差在中国区域的空间分布特征，它们的差异同样具有非常明显的区域分布特征。从ECMWF与观测地面风速偏差的空间分布图(图 8a)可以看出：华南区域偏差在－0.5～1.0 m/s之间；江淮流域偏差稍大，在0～1.5 m/s之间；华北和东北区域偏差更大，在0～2.0 m/s之间；西部大部分区域偏差较小，在 －1.0～1.0 m/s之间，除了西北局部地区偏差大于2.0 m/s。相比较而言，JMA资料的地面风速在华南和江淮流域等地偏差比ECMWF小0.5 m/s，在 －0.5～0.5 m/s之间；在东北和西南区域JMA资料成负偏差，在－1.0～0 m/s之间，而ECMWF成正偏差，在0～2.0 m/s之间；华北和西部大部分区域JMA资料的偏差比ECMWF大1.0 m/s(图 8b)。GFS地面风速偏差空间分布与ECMWF相近，除了在东北、华南和西南区域，GFS的地面风速偏差比ECMWF小1.0 m/s左右(图 8c)。

图 9

Fig. 9

图 9 同图 2，但为风速偏差的空间分布 Fig. 9 Same as Fig. 2，but for the bias of surface wind speed

为了能进一步比较3种数值模式资料的地面风速与观测的差异，图 10给出了数值模式资料地面风速与观测差异的日变化时间序列图，可以看出JMA资料的地面风速与实际观测差别最小，GFS次之，ECMWF与实际观测差别最大。从图 10a可以看出，2011年的地面风速比实际观测大1.0 m/s，与其它几种资料相比差异最大，所以2011年的ECMWF的风速资料需慎用。JMA资料在中午和下午比实际观测小，在其它时次比实际观测大，尤其在冬季和春季夜晚JMA资料与实际风速差别最大，偏大0.5～1.0 m/s(图 10b)。GFS与观测的差异夜晚比白天大0.5 m/s，秋末初冬与观测的差异最大(图 10c)。

图 10

Fig. 10

图 10 同图 2，但为风速日变化时间序列 Fig. 10 Same as Fig. 4，but for the surface wind speed

本文利用中国气象局国家级自动站(2421个)的观测资料分别对2010年7月1日至2013年6月30日的ECMWF、JMA以及GFS资料的地面气象要素在中国的适用性进行了比较研究，得到如下主要结论：

(1)3种数值模式资料都能在一定程度上反映观测资料所具有的时间和空间分布特征，东部地区的适用性要高于西部地区，可能是在西部地区，模式地形与实际地形相差较大，而在东部地区，模式地形与实际地形相差较小。

(2)对于地面气温的描述，从空间分布来看，东部地区比西部地区更接近实际观测，ECMWF在东部大部分区域的偏差在±0.5 K之间，与赵天保和符淙斌(2006)的研究ERA-40比观测值在东部大部分地区平均偏低0.5 K的结果较一致，ECWMF资料优于JMA和GFS资料，东北区域GFS比JMA资料好，华南区域的东南沿海地带，JMA比GFS资料好；从日变化时间序列看，ECWMF资料优于 JMA和GFS资料，对于ECMWF和JMA资料，00:00和12:00的结果最优，说明ECMWF和JMA地面气温的分析场数据质量要好于预报场数据。ECMWF和JMA地面气温都在冬季与观测的差异最大，而GFS资料在夏季与观测的差异最大。

(3)对于地面相对湿度，3种数值模式资料都在东部地区的适用性高于西部地区，从全国来看ECWMF资料优于JMA和GFS资料，华北北部区域GFS比JMA资料好，而西北东部区域JMA比GFS资料好；从日变化时间序列看，ECWMF资料结果最好，ECWMF和JMA资料在00:00和12:00的结果最优，说明这两种资料的地面相对湿度的分析场数据质量优于预报场数据。3种数值模式资料的地面相对湿度在秋季和冬季与观测的差异最大。

(4)对于地面风速，3种数值模式资料均在东部地区比西部地区更接近实际观测，在江淮流域和华南等东南部区域，JMA资料最优，在北部和西部区域，ECMWF资料最好。从日变化时间序列看，JMA的地面风速与实际观测差别最小，GFS次之，2011年ECMWF的风速资料比实际观测大1 m/s，这导致ECMWF整体结果最差。JMA和GFS地面风速均在冬季与实际观测差异最大。

通过本文的分析研究，可以发现数值模式资料在一定程度上能够反映观测资料所具有的时空分布特征，在中国区域具有一定的适用性，但在具体数值上与观测资料存在差异，其原因可能是数值模式的模拟能力有限，进而可能造成对气象要素描述的误差；此外由于观测资料分布是离散的，在中国东西部分布不均匀，因此有必要综合利用这些种数据将数值模式资料与观测资料进行融合，取长补短，从而提供较真实的地面气象要素数据。