月平均溫度

月平均溫度是指收集每天的平均氣溫數據，進行加和，再除以該月的天數。

基本介紹

• 中文名：月平均溫度
• 外文名：Monthly average temperature
• 描述：逐日溫度之平均值
• 套用：天氣預報
• 學科：氣象學

概念

月平均溫度是一個月內逐日溫度之平均值。是氣候和農業氣候區域的一種指標溫度。因溫度是一切生物生長的必要外部條件之一，植物生長發育有一個適宜的溫度區間。

月平均氣溫集成預測方法研究

研究背景

隨著科學技術的發展，短期氣候預測方法越來越多，但各種預測方法對同一預測對象進行預測時經常得到不同的結果，根據各種預測方法的歷史表現，進行客觀集成，已經成為當今氣候預測領域的關鍵技術之一，越來越被人們所重視比。集成預測技術是氣候模式預測發展的方向之一，為了消除動力氣候模式預測的不確定性，更加注重多模式的超級集合方法。多數集成預測方法中的成員在集成預測中的權重主要依賴於歷史樣本統計得出，是靜態的、固定的，一般不考慮各成員預測能力在不同季節、不同地域和不同時期的差異，對某一成員採取統一的權重係數，勢必影響預測效果，可能導致集成預測性能的不穩定。

研究利用3種預測方法和國家氣候中心業務產品共11年的月平均氣溫(距平)預測結果和評分結果，對陝西3個不同氣候區域、不同年份和不同月份，動態地確定各成員在集成預測中的權重，對比分析各種集成預測方法的效果，尋找適合氣候預測業務現狀的動態客觀集成預測方法。

資料與方法

（1）資料處理

選取榆林(陝北)、西安(關中)、漢中(陝南)3個氣候區域作為研究對象，各氣候區域包含的代表氣象站:榆林(神木、榆林、橫山)，西安(臨漳、西安、戶縣)，漢中(勉縣、漢中、洋縣)。使用資料：1999年7月至2010年6月3個氣候區域逐月平均氣溫及多年平均值；各種預測方法、國家氣候中心和陝西業務產品1999年7月至2010年6月逐月平均氣溫(距平)預測結果。

表1 氣溫趨勢預測六級檢驗評分制單站評分表

評分使用2010年實施的用於國家級和省級短期氣候預測質量檢驗的《短期氣候預測質量分級檢驗辦法》中的PS評分方法(見表1)。2010年前後評分用語及各等級劃分標準有所不同(見表2)，由表2可知，2010年之前預測月平均氣溫偏高0.5~1.0℃和2010年之後預測1.0~2.0℃對應的評分用語和等級是一致的，為保證評分的客觀性和連續性，對國家氣候中心和陝西氣候預測業務產品分別作如下處理。

表2 氣溫趨勢預測六級評分制用語及等級劃分標準

國家氣候中心業務產品：(1)附有月平均氣溫距平預報圖的業務產品，一律按照圖中陝西3個氣候區域所在位置的顏色和圖例讀取預測值，並規定氣溫距平。-1℃取值0.4℃，1.0~2.0℃取值1.4oC，2.0~3.0℃取值2.4C，-1.0~0℃取值-0.4℃，-2.0~-1.0℃取值-1.4℃，-3.0~-2.0℃取值-2.4℃。(2)2005年及其以前沒有附月平均氣溫距平預報圖的業務產品，根據產品中文字描述，嚴格按照《中國氣象地理區劃手冊》中一級、二級氣象地理區劃及其說明給出陝西3個氣候區域的預測結果，並規定氣溫偏高取值0.4℃，偏高1℃左右取值1.1℃，偏高1℃以上取值1.4℃；氣溫偏低取值-0.4℃，偏低1℃左右取值-1.1℃，偏低1℃以上取值-1.4’C。

陝西業務產品：規定2010年之前業務產品所附氣溫距平預測值，正距平(包括距平為0)統一加0.5℃，負距平一律減0.5℃。2010年及其以後業務產品所附氣溫距平預測值不變。

（2）預測方法介紹

多元回歸預測(X₁)：利用500和100hPa高度場以及500—100hPa厚度場與預測對象之間的高相關區建立多元回歸預測模型進行預測，是陝西氣候預測業務使用時間最長的方法之一。

月際持續性預測(X2)：將預測月前一個月的實況距平作為本月的預測值。

年際持續性預測(X₃)：將預測月前一年當月的實況距平作為本月的預測值。

基於EOF的Downsealing方法(X₄)：用全球大氣與熱帶太平洋相禍合的數值模式(couple globe climate model，CGCM)輸出的500hPa高度場作為因子場，利用建立的預測模型進行預測。

（3）集成預測方法介紹

集成預測方法共兩類6種。第一類，根據預測年之前每種預測方法評分平均值占各種預測方法總分值的比值確定權重，建立集成預測方程，包括使用預測年前10年、前5年和前3年評分平均值確定權重係數3種方法。集成預測方程是動態的，隨預測對象、年份、月份的變化而變化。參加集成的成員有11年歷史預測結果。

第二類，計算預測年之前各種預測方法評分平均值，只選取60.0及其以上的預測方法作為集成成員，根據人選各成員評分平均值占人選各成員總分值的比值確定權重，建立集成預測方程，同樣包含使用預測年前10年、前5年和前3年評分平均值確定權重係數3種方法。集成預測方程也是動態的，評估數據情況說明同第一類。如果各種預測方法預測年之前評分平均值都小於60.0，則按照第一類中相應的集成預測方法進行集成。

（4）評分方法介紹

評分使用2010年實施的《短期氣候預測質量分級檢驗辦法》中的PS評分方法，表1和表2分別為該方法使用的評分表和評分用語、各等級劃分標準。評分使用的月平均氣溫多年平均值2003年6月以前為1961一1990年數據，2003年6月起為1971一2000年數據。

研究結論

研究選擇3個氣候區域作為研究對象，優點是各種預測方法歷史預測結果和評估結果時間序列較長，可以進行多種動態集成預測方案的對比研究。缺點是可供集成預測研究選擇的成員有限，即有較長歷史預測結果的客觀預測方法較少。

主要研究結論：(1)對3種預測方法和國家氣候中心業務產品預測結果進行集成預測的結果表明，各種集成預測方法多年評分平均值都高於參加集成的任何一個成員，表現出集成的優勢。說明廣泛套用於氣候模式預測的集成思想和集成預測方法，套用到傳統的統計預測方法中，同樣能夠提高氣候預測的技巧。

(2)第二類集成預測方法總體效果優於第一類。其中前5年預測效果好、對各種預測方法歷史評分時間要求較低，推薦首先選擇使用。從區域分布看，榆林集成預測的效果最好。

(3)國家氣候中心業務產品對陝西3個氣候區域的預側技巧較高，將其預測結果進行客觀化的處理，同X₁，X₂和X₃一起參加集成預測，和將X₁，X₂和X₃作為成員進行集成預測相比，集成預測技巧明顯提高，說明集成預測方法確定後，參加集成各成員的預測能力最終決定集成預測的技巧。

一般認為持續性預測屬於無技巧預測方法，本文將其作為參加集成的成員，一是因為其近十多年表現出較高預測技巧，二是它可以提供較長時間歷史預測評分結果，讓其參加集成，可以對多種集成預測方法效果進行對比分析，驗證客觀集成預測的效果和重要性。

(4)動態客觀集成預測效果高於陝西同期發布的業務產品，說明在現有條件下陝西月平均氣溫(距平)趨勢預測水平仍有較大的提升空間。跟蹤評估各種預測方法和業務指導產品預測能力，挑選能力較強的方法和產品進行客觀集成是一種簡單易行的方法。

2007年，中國氣象局指定陝西8個氣象站為全國氣候預測質量業務考核站。與3個氣候區域相比，針對考核氣象站的預測方法更多，客觀集成可供選擇的範圍更大，根據研究結論，已經實際套用於8個考核氣象站的氣候預測業務，有待接受進一步檢驗。

複雜地形下黃河流域月平均氣溫分散式模擬

氣溫是表征地區熱量特徵的重要指標之一。氣溫的高低直接影響到自然界各種植物、動物的生長發育進程及其地域分布；在眾多自然科學研究領域建立的模擬模式中，氣溫也是重要驅動因子。因此，有關氣溫時空分布特徵的研究一直是地理、氣象、水文、農業、林業、生態等研究和套用領域廣泛關注的熱點問題之一。

當前，對氣溫時空分布特徵研究的熱點是藉助遙感、地理信息系統等技術，利用有限的地面測站資料，建立柵格化(空間化)的氣溫資料庫。自20世紀80年代起，美國、加拿大、日本、歐洲、澳大利亞等國家和地區相繼建立了不同空間解析度的空間氣象數據信息系統近年來，我國部分學者也對氣象數據柵格化進行了研究。

現有的氣溫數據柵格化方法主要有兩大類：一是利用地統計學空間內插技術直接對氣溫進行內插；二是建立多元地理統計模型進行趨勢面擬合併外推。常用的氣溫空間內插方法有逆距離權重法(IDW)、克立格法(Kriging)、樣條函式法(Spline)等，大量研究表明，不同內插方法得到的氣溫空間分布結果存在較大差異，不同研究者認為的最適氣溫空間內插方法存在明顯的不一致。有研究認為，不存在絕對最優的氣溫空間插值方法。多元地理統計模型中，常用的統計因子包括：緯度、海拔高度、經度等地理參數，在部分研究中還試圖引用坡度、坡向、遮蔽度、開闊度等局地地形因子，其中最典型的是美國Oregon州立大學空間氣候研究中心建立的PRISM模型(parameter elevation regressions on independent slopes model)，這類模型一般可以取得較好的擬合精度。

大多數研究認為，對山地氣溫分布而言，海拔高度的影響是重要的，考慮海拔高度的影響可以明顯改善氣溫的模擬效果；局地地形的訂正是必要的，然而，在大多數的研究中局地地形因子的引入是困難的，只有在少數使用短期野外考察資料的研究中，引入了個別局地因子。針對這種情況，有的研究引入坡地太陽直接輻射項進行地形因子訂正。

對地形起伏、下墊面性質多樣等地表非均勻因素對氣溫分布影響的複雜機理認識不足和山地實測資料缺乏是氣溫柵格化研究中的主要困難。因此，對複雜地形下氣溫形成機理的認識和對常規地面氣象站氣溫觀測資料的理解是實現氣溫柵格化模擬的基礎。氣象觀測站一般設定在水平開闊地段，其氣溫觀測資料代表了開闊水平面上氣溫的巨觀分布特徵，不代表實際複雜地形條件下局地氣溫的分布特徵。因此，在不加入其他因素的前提下，不管採用哪種方法直接對氣溫進行插值，只能得到氣溫的巨觀分布特徵；在缺乏大量野外考察資料的情況下，採用地理、地形因子的多元地理統計模型方法，儘管可以達到較高的擬合精度，但難以揭示複雜地形下氣溫形成的機理，所繪製的柵格化氣溫分布圖也很難準確反映出局地氣溫的空間分布規律。

研究在深入分析月平均氣溫影響因素的基礎上，建立了月平均氣溫物理經驗統計模型，立足常規地面氣象站觀測資料，結合複雜地形下太陽總輻射分散式模擬結果，提出了實現複雜地形下月平均氣溫分散式模擬的方法。以黃河流域為例，實現了1km×1km解析度的月平均氣溫、月平均最高氣溫、月平均最低氣溫的分散式模擬，為複雜地形條件下氣溫柵格化提供了一種切實可行的技術方法。

資料及處理

模型建立過程中，所用氣象資料主要包括:黃河流域及周邊148個氣象站(簡稱148個站，以下同)1961~2000年月平均氣溫、月平均最高(最低)氣溫、月平均日照百分率、月平均相對濕度資料和35個氣象站太陽輻射量資料(包括:總輻射、直接輻射和散射輻射)，輻射資料均為月總量值。加密站驗證分析過程中，採用了黃河流域內陝西省38個加密站1961~2000年月平均氣溫、月平均最高(最低)氣溫資料。個例年驗證分析過程中，利用了148個站2005年月平均氣溫、月平均最高(最低)氣溫、月平均日照百分率和相對濕度資料。在資料套用之前，對所有資料進行了嚴格的質量檢測和篩選，並將月總量輻射資料轉換為月平均日總量資料(即：在建模時採用月平均日總量輻射資料)。1km×1km解析度的DEM數據為國家基礎地理數據。

月平均氣溫物理經驗統計模型的建立

構建有物理意義的月平均氣溫計算模型，建立在對氣溫形成機理和對常規地面氣象站氣溫觀測資料認識的基礎上。氣象站對氣溫的觀測包括每日02:00，08:00，14:00，20:004個時次的定時觀測和每日最高、最低氣溫的觀測，絕大多數情況下，日最高氣溫在白天，日最低氣溫在夜晚。每日4次定時觀測的算術平均為日平均氣溫，各日平均氣溫的算術平均即為月平均氣溫，各日最高(最低)氣溫的算術平均即為月平均最高(最低)氣溫。

（1）平均氣溫的組成

從氣象站氣溫觀測資料的整理過程不難看出，平均氣溫(包括日平均氣溫、月平均氣溫)是一項派生數據，由白天氣溫和夜晚氣溫兩部分組成。有的研究中，也採用最高氣溫和最低氣溫的算術平均或加權平均作為平均氣溫。

（2）海拔高度對氣溫的影響

圖1是148個站的7月氣候平均氣溫與海拔高度的相關關係圖。可以看出，兩者呈顯著的負相關。進一步分析表明，這種負相關關係在月平均最高(最低)氣溫中均有穩定的體現，但夏季的相關性比冬季顯著。表明儘管氣象站一般設在水平開闊地段，但利用各氣象台站之間的海拔高度差異，分析氣溫隨高度的遞減率是可行的，這要比直接採用自由大氣中的氣溫直減率推算山區氣溫更加符合實際

圖1 148個站7月氣候平均氣溫與海拔高度相關關係(1961~2000年)

（3）太陽總輻射對氣溫的影響

氣溫與太陽輻射的關係非常密切，在氣溫的日變化和年變化中均有明顯的體現。通過天文因子(太陽常數、日地相對距離、太陽赤緯等)與巨觀地理因子(緯度等)的綜合作用，各地水平面接收到的太陽總輻射表現出良好的季節變化規律和地帶性分布規律，與氣溫的季節變化規律和緯向分布特徵一致。這也是多元地理統計模型中地理緯度因子成為穩定的氣溫推算因子的根本原因。圖2給出了蘭州站1961~2000年曆年逐月平均氣溫與太陽總輻射之間的關係。就全年情況看，氣溫隨太陽總輻射的增加而上升，呈明顯的正相關關係，體現了氣溫的季節變化規律;其中，以月平均最高氣溫與太陽總輻射的關係最為顯著，其次為月平均氣溫，再次為月平均最低氣溫，表明太陽總輻射對白天氣溫的影響強於對夜晚氣溫的影響。

圖2 1961~2000年蘭州站逐月平均最高、最低、氣溫與總輻射關係

（4）長波有效輻射對氣溫的影響

長波有效輻射由地面長波輻射和大氣逆輻射兩部分組成，是影響地表和近地層溫度的重要因素之一。在地面氣象觀測中，有效輻射實測資料往往通過對輻射平衡方程中其他要素的觀測而間接獲得，資料非常有限。圖3(a)給出了格爾木、蘭州兩站1993~2001年1月平均最低氣溫與月平均日長波有效輻射的相關關係，圖中月平均最低氣溫與長波有效輻射之間明顯的負相關關係表明了長波有效輻射在夜晚地表降溫過程中的重要作用；長波有效輻射對近地層氣溫的影響在氣溫日較差方面表現得更為顯著，圖3(b)給出了格爾木、蘭州兩站1993~2001年冬季(12，1，2月)月平均氣溫日較差與月平均日長波有效輻射的相關關係，兩者間呈明顯的正相關。進一步分析表明，長波有效輻射與月平均最低氣溫、月平均氣溫日較差的這種相關關係在黃河流域全年各月均有表現，以冬季最為顯著;此外，長波有效輻射與月平均氣溫、月平均最高氣溫也存在不同程度的相關關係，但其相關顯著程度不如月平均最低氣溫。由此可見，長波有效輻射的強度是決定氣溫日較差和最低氣溫的重要因素。

圖 3 長波有效輻射及相關要素與氣溫諸要素相關關係圖

針對長波有效輻射觀測資料有限這一現實，採用對長波有效輻射有重要影響的常規氣象觀測資料日照百分率和相對濕度替代長波有效輻射，分析其與月平均氣溫的相互關係。圖3(c)是148個站1月氣候平均最低氣溫與日照百分率的相關關係圖。從圖3(c)可見，兩者呈顯著的負相關。進一步分析表明，這種負相關關係在冬季的月平均氣溫、月平均最高氣溫中均有體現，但以月平均最低氣溫與日照百分率的負相關關係最為穩定和顯著，表明冬季晴空夜晚強烈的長波有效輻射對最低氣溫具有主導性的作用。圖3(d)是148個站7月氣候平均氣溫日較差與相對濕度的相關關係圖，可以看出，兩者呈顯著的負相關，深入分析表明這種負相關關係在全年各月均有不同程度的體現，以夏季最為明顯。通過上述分析，提出在缺乏長波有效輻射資料的情況下，在月時間尺度上，可以利用日照百分率和相對濕度作為長波有效輻射強度的指標，分析長波有效輻射對氣溫的影響。

研究結論

氣溫的形成機理相當複雜，影響因素眾多。本文通過建立的月平均氣溫計算模型，實現了複雜地形下黃河流域月平均氣溫的空間製圖。通過本項研究，得出以下幾點結論：

(1)建立的月平均氣溫物理經驗統計模型具有明確的物理意義。在深入認識氣象站觀測氣溫含義和詳細分析影響氣溫物理因子的基礎上，建立的以海拔高度、太陽總輻射、長波有效輻射及其他因素綜合作用為因子的月平均氣溫計算模型，儘管也為統計模型，但模型因子的物理意義明確，相對於前人採用的內插法和多元地理統計模型方法而言，模型的物理意義有明顯改進。

(2)分散式模擬結果能較好地反映出黃河流域月平均氣溫的巨觀分布趨勢和局地分布特徵。模擬的月平均氣溫空間分布能很好地反映出月平均氣溫隨地勢高差和巨觀氣候特徵的分布規律，符合黃河流域月平均氣溫的巨觀分布趨勢；對模擬結果的局地分布規律分析表明，月平均氣溫隨坡向、坡度等局地地形因素的分布規律能得到較好地表達。

(3)誤差分析結果表明，提出的月平均氣溫分散式模型具有很好的可靠性和穩定性。由於氣象站位置誤差以及DEM數據結構特點等原因，氣象站對應柵格的氣溫模擬值與實測氣溫值的物理含義不同，之間存在一定偏差。對誤差成因的分析發現，當柵格的地理地形參數與氣象站實際地理地形參數趨近時，氣溫模擬值迅速趨近於實測氣溫值，表明研究提出月平均氣溫分散式模型具有很好的可靠性；交叉驗證結果顯示，模型對月平均氣溫，月平均最高、最低氣溫的的模擬誤差平均為0.19~0.35℃，表明模型具有很好的穩定性；加密站和個例年驗證分析表明，模型具有良好的空間維和時間維模擬能力。

(4)研究提出的月平均氣溫分散式模型立足於常規地面氣象觀測資料，可以方便地在廣大地區推廣套用。山區氣象觀測資料短缺是各地普遍存在的問題，如果有山區野外考察資料的支持，模型依然適用，計算精度將得到有效改善。