Page 250 - 《高原气象》2026年第2期

高 原 气 象 45 卷
550
2. 2 数据介绍及处理 具有两阶段特征， 在突变点前后风速和辐射变量具
为了揭示雅鲁藏布江流域风光时空分布特征， 有不同的变化特征。具体而言， 对任意给定的风速
本研究基于国家青藏高原数据中心提供的 TPMFD 和辐射时间序列， 其线性拟合函数如式（3）所示。
（第三极地区长时间序列高分辨率地面气象要素驱 分别对数据进行全序列拟合和两阶段拟合， 根据拟
动 数 据 集 ， https： //www. tpdc. ac. cn/zh-hans/data/ 合结果与观测值可计算相关系数［式（4）］。对于两
44a449ce-e660-44c3-bbf2-31ef7d716ec7）， 获 取 了 阶段拟合， 假设序列中突变点为 x ， 分别对位于突
m
1979 -2023年间逐小时气象要素： 10 m风速（单位： 变点前后的时间序列进行线性拟合并计算相关系
-1
-2
m·s ）和下行短波辐射（单位： W·m ）。TPMFD 数 数。记全序列拟合结果与实测值间的相关系数为
2
据空间分辨率为 1/30°， 相比于其他再分析数据集 R 1 ， 两阶段突变点 x 前后拟合结果与实测值间的相
m
（例如 ERA5 空间分辨率为 0. 25°； MERRA2 纬向空 关系数分别为 R 2 2，m 和 R ， 其中两阶段拟合效果
2
3，m
间分辨率为 0. 5°， 经向空间分辨率为 0. 625°）， （R ）为R 2 2，m 和R 2 3，m 的均值。
2
*，m
TPMFD数据集具有更高的空间分辨率。TPMFD数 X = [ x 1 ，x 2 ，⋯，x m ，⋯，x n] （1）
据集中 10 m 风速通过融合 ERA5-Land （空间分辨 T = [t 1 ，t 2 ，⋯，t m ，⋯，t n] （2）
率为 0. 1°）再分析数据、 短期的高分辨率 WRF 模拟
Y = a∙X + b （3）
结果和中国气象局观测数据得到， 并通过青藏高原 ) 2
∑ t
2
野外台站或研究计划的观测数据对数据集质量进 R 1 = 1 - ∑ t( ( Y t - X t ) 2 （4）
-
行 了 评 估 和 验 证 ， 结 果 表 明 ： TPMFD 数 据 集 X t - X t
（RMSE=1. 89 m·s ）相 比 于 ERA5 （RMSE=2. 28 X m1 = [ x 1 ，x 2 ，⋯，x m] （5）
-1
m·s ）和 ERA5-Land （RMSE=2. 43 m·s ）能更好地 T m1 = [t 1 ，t 2 ，⋯，t m] （6）
-1
-1
捕捉到青藏高原地区风速特征。TPMFD 数据集中 Y m1 = a∙X m1 + b （7）
下行短波辐射根据卫星反演数据获得， 地面验证结 ( Y m1 - X m1 ) 2
∑ t
果表明： TPMFD 数据集（RMSE=46. 4 W·m ）相比于 R 2 2，m = 1 - ∑ t( - ----- ) 2 （8）
-2
ERA5 （RMSE=50. 14 W·m ）和 ERA5-Land （RMSE X m1 - X m1
-2
-2
=49. 59 W·m ）具有更高的精度。因此， TPMFD 数 X m2 = [ x m + 1 ，x m + 2 ，⋯，x n] （9）
据集在青藏高原数据稀缺流域中的表现普遍优于 T m2 = [t m + 1 ，t m + 2 ，⋯，t n] （10）
其他再分析产品， 更适合研究区内中尺度风光资源 Y m2 = a∙X m2 + b （11）
评估。此外， 本研究采用 ERA5 数据集中的气压 ( Y m2 - X m2 ) 2
R 2 = 1 - ∑ t （12）
（surface pressure）和总云量（total cloud cover）用于 3，m ∑ t( - ----- ) 2
分析风速和辐射变化的驱动因子（Hersbach et al， X m2 - X m2
= R
2
R *，m ( 2 + R 2 ) 2 （13）
2023）。 2，m 3，m
2. 3 分析方法 式中： X 为观测序列； T 为日期序列； Y 为预测序
雅鲁藏布江流域内 1979 -2023 年间风速和辐 列； 参数 a和 b分别为线性拟合参数； X 和 X 分别
m1
m2
射要素表现为两阶段特征， 因此本研究参考成熟的 为突变点 x 前后的观测序列； Y 和 Y 分别为突变
m1
m2
m
突变检验算法： BFAST 算法（Breaks For Additive 点 x 前后的预测序列。对时间序列进行遍历并计
m
Seasonable and Trend algorithm）（Verbesselt et al， 算相关系数， 选择其中最大值作为两阶段拟合的最
2010）， LandTrendr 算 法（Kennedy et al， 2010）， 佳拟合结果：
2
2
2
CCDC 算 法（the Continuous Change Detection and R * = min ( R ，R ，⋯，R 2 *，n - 1 ) （14）
*，3
*，2
2
2
Classification algorithm）（Zhu and Woodcock， 2014， 若 R 1 ≥ R * ， 则表明该时间序列无突变点， 在研
2
2
Chen et al， 2021）， 通过分段线性拟合最优的方式 究时段内呈现单调线性变化； 若 R 1 < R * ， 则表明该
检测并划分雅鲁藏布江流域逐月风速和辐射年际 时间序列存在突变点， 在研究时段内呈现非单调线
间变化趋势和突变点［式（3）， （4）］： （1）对时间序 性变化， 且突变点为x 。
m
列构建多段线性拟合函数（本研究中至多为 2）； 3 结果与分析
（2）比较不同拟合方案的最优性。若单次线性拟合
效果优于两段线性拟合， 则表明风速和辐射年际间 3. 1 风光资源时空格局
表现为线性趋势； 相反， 则表明风速和辐射年际间 空间上， 流域内风光资源总体上呈现西高东低