评估再分析数据集作为气象输入，用于估算非洲和西南亚地区的参考蒸散量

《Hydrological Sciences Journal》：Evaluating reanalysis datasets as meteorological input for estimating reference evapotranspiration in Africa and Southwest Asia

参考蒸散发（ETo）的气象输入数据在非洲和西南亚地区存在较大不确定性，研究对比了GEOS5、ERA5和AgERA5三个再分析数据集的时空差异及与实地观测的匹配度，发现GEOS5在温度、风速、汽压等参数上误差显著，且存在时间不一致性问题。通过蒙特卡洛和泰勒展开法评估误差传播，揭示热带地区和萨赫勒地区的ETo不确定性最高，且泰勒方法在多数场景下能准确估计不确定性。建议在数据稀缺地区采用多方法验证以提升决策可靠性。

　　
本研究旨在评估三个再分析数据集（GEOS5、ERA5和AgERA5）在非洲和西南亚地区作为气象输入数据计算参考蒸散发（ET_o）的准确性，并分析误差传播对ET_o的影响。研究通过对比分析、实地站点验证和误差传播模型，揭示了不同数据集的优缺点及其适用场景。

### 研究背景与意义
非洲和西南亚地区水资源短缺问题日益严峻，气候变化加剧了农业用水压力。传统方法依赖地面气象站数据，但该区域站点稀少且分布不均，难以支撑大范围监测。再分析数据通过整合历史观测与数值天气预报模型，成为替代方案，但其准确性仍需验证。本研究聚焦于再分析数据在ET_o计算中的不确定性，为农业水资源管理提供科学依据。

### 研究方法
1. **数据来源与处理**
研究选取2018-2022年非洲和西南亚区域的三组再分析数据：
- **GEOS5**：美国国家航空航天局（NASA）开发的全球大气模型再分析数据，分辨率为0.25°×0.25°。
- **ERA5**：欧洲中期天气预报中心（ECMWF）的再分析数据，分辨率0.1°×0.1°，包含误差范围估计。
- **AgERA5**：基于ERA5的地形修正版本，优化了山区和沿海地区的数据精度，但未提供误差量化指标。

数据预处理包括统一分辨率（0.1°×0.1°）、时间序列整合（小时级数据日均值化）及单位转换（如气压单位统一为千帕）。

2. **评估方法**
- **对比分析**：通过空间-时间配对比较（如散点图、Hovm?ller图）评估数据集间差异。
- **站点验证**：利用174个TAHMO气象站点的实测数据，计算决定系数（r2）、均方根误差（RMSE）、偏差（BIAS）和相对偏差（PBIAS）。
- **误差传播**：采用蒙特卡洛（MC）和泰勒展开（Taylor）两种方法，量化输入变量误差对ET_o的影响。

### 主要研究结果
1. **数据集间差异**
- **温度与气压**：ERA5和AgERA5的气温、气压与实测数据高度一致（r2>0.95），但GEOS5在赤道附近温度偏低，中纬度偏高。
- **风速与太阳辐射**：三组数据均高估风速（平均误差达14%），低估蒸气压（平均PBIAS为-5%至-10%）。GEOS5在热带草原和雨林地区的风速误差尤为显著（偏差达3 m/s）。
- **时间一致性**：GEOS5在2020年4月模型升级后出现数据漂移，表现为气温、风速与蒸气压的系统性偏差，可能与数据同化算法改进相关。

2. **站点验证表现**
- **最佳区域**：撒哈拉以南非洲（如南非、博茨瓦纳）数据集表现最佳，r2>0.85，RMSE<5%。
- **问题区域**：西非沿海（如塞内加尔）、东非高原（如乞力马扎罗山周边）和伊朗高原的复杂地形导致数据偏差显著（PBIAS范围-200%至+100%）。
- **关键变量误差**：所有数据集均高估太阳辐射（平均偏差>15%），低估蒸气压（平均PBIAS=-8%），风速估算误差最大（平均偏差+14%）。

3. **误差传播分析**
- **方法适用性**：泰勒展开法与蒙特卡洛法在撒哈拉和中非雨林区域误差估计吻合度达95%，但在极端干旱区（如纳米比亚）泰勒法高估20%。
- **不确定性分布**：热带地区（尤其是刚果盆地）ET_o标准差达10-15 mm/d，主导因素为太阳辐射和风速的误差传播。
- **季节性影响**：6-10月北非和西南亚的太阳辐射误差贡献度最高（占ET_o总误差的40%），而11月至次年2月气温误差成为主要来源。

### 关键结论与建议
1. **数据集适用性排序**
- **最优选择**：ERA5和AgERA5在温度、气压等基础参数上表现更优，尤其适合农业区精细化管理。
- **谨慎使用**：GEOS5在热带地区风速和辐射估算存在系统性偏差，不建议用于高精度灌溉决策。
- **替代方案**：AgERA5通过地形修正提升局部精度，但需注意其未提供误差量化指标，可能低估不确定性。

2. **误差控制策略**
- **多数据融合**：结合不同数据集的优势区域（如ERA5的欧洲验证经验、AgERA5的山地修正），采用权重融合算法降低单一数据源偏差。
- **动态阈值调整**：针对撒哈拉（年ET_o误差约15%）和热带雨林（年误差约20%），建议将误差阈值从±5%提高至±15%。
- **模型校准**：对FAO56方程中的地表反照率、 Psychrometric常数（γ）等参数进行区域化修正，可减少约30%的ET_o误差。

3. **研究局限性**
- **地形修正的局限性**：AgERA5虽优化了山地和沿海数据，但未考虑植被覆盖动态变化，导致雨林地区蒸气压估算偏差达12%。
- **模型同化偏差**：GEOS5未公开误差范围，其系统性偏差可能源于NWP模型中云微物理过程参数化不足。
- **方程简化影响**：FAO56未考虑地表蒸腾和气孔导度的空间异质性，在干旱区可能导致ET_o低估达25%。

### 应用前景
本研究为非洲和西南亚的水资源管理提供了量化工具：
- **监测网络优化**：建议在ET_o不确定性＞15%的区域（如西非海岸、刚果盆地）增设自动气象站，形成“再分析数据+局部观测”的混合监测网络。
- **灌溉决策支持**：在撒哈拉地区，采用ERA5或AgERA5数据可减少灌溉用水规划误差达18%；而在热带雨林，需结合实地调研修正ET_o估算。
- **研究延伸方向**：开发基于机器学习的再分析数据校准模型，可提升复杂地形区的精度（如东非高原）。

### 数据应用建议
1. **短期应用（0-3天）**：推荐使用GEOS5的快速更新产品（24小时重放率），但需配合实测数据校准。
2. **中期规划（周-月）**：采用ERA5和AgERA5，重点关注6-10月北非干旱区及5-8月中东地区的风能资源评估。
3. **长期趋势分析（年际）**：优先选择ERA5，因其误差传播模式与IPCC气候情景模拟更匹配。

该研究为全球气候变化下脆弱地区的农业水资源管理提供了重要的不确定性量化框架，建议后续研究结合机器学习模型与实时观测反馈，持续优化再分析数据在ET_o计算中的应用。