PREP：一款用于评估和可视化气候替代指标的季节性和空间代表性的软件

《Environmental Modelling & Software》：PREP: A software for assessing and visualizing seasonal and spatial representativeness of climate proxies

历史温度重建主要依赖树龄等气候代用数据，其差异引发广泛争议。本文开发了PREP软件，通过"时钟布局"可视化展示代理数据的季节和空间代表性，并优化算法使计算效率提升50倍以上。

　　本研究关注的是通过气候代理数据重建历史气温变化的问题，特别是在科学传播和公众理解方面面临的挑战。传统的气温重建方法主要依赖于气候代理数据，例如树木年轮、冰芯、珊瑚、洞穴沉积物和海洋沉积物等，这些数据能够提供过去气候条件的间接证据。然而，不同重建结果之间存在显著差异，这些差异常常成为公众讨论的焦点，并引发对气候重建可靠性的质疑。因此，开发一种能够有效传达代理数据代表性的可视化工具，对于提升公众对历史气候重建的理解具有重要意义。

气候代理数据的代表性包括两个关键方面：季节性和空间性。季节性代表性，也称为季节窗口，指的是代理数据对特定季节气温变化的敏感程度。例如，北欧地区的树木年轮数据对5月至8月的平均气温变化最为敏感，这表明该代理数据在这一季节窗口内具有较强的温度指示能力。空间性代表性则涉及代理数据在地理范围内的适用性，即该代理数据能够反映的温度变化范围。例如，苏格兰中部的树木年轮数据不仅在本地与6月至8月的平均气温高度相关，而且还能在英国乃至西欧范围内反映出类似的温度变化模式。

在当前的气候重建研究中，重建曲线通常是科学平台展示历史气候变化的主要方式。这些曲线虽然能够直观地反映气温变化趋势，但缺乏有效传达代理数据代表性的方法。因此，许多研究者和公众在解读这些曲线时，往往忽略了代理数据本身的季节性和空间性，这可能导致对重建结果的误解。为了克服这一问题，本研究提出了一种新的可视化框架和软件工具，名为“代理代表性评估包”（PREP）。该工具采用了一种创新的“时钟布局”方法，将时钟面分为十二个30度的扇形区域，每个扇形对应一个月，从而直观地展示季节性变化。同时，通过填充颜色来编码代理数据与仪器记录之间的相关性，使用户能够快速识别出最具代表性的季节窗口。

此外，本研究还优化了绘制代表性地图的算法，使得计算效率提高了超过50倍。这一改进不仅提高了数据处理的速度，还增强了可视化结果的清晰度和可读性。通过PREP工具，用户可以同时分析和展示多个代理数据的季节性和空间性代表性，这对于构建高分辨率、大范围的历史气候重建具有重要意义。例如，在重建中国东部冬季和冷季气温变化时，通过分析不同代理数据的代表性，可以更准确地选择最适合的季节窗口和地理范围，从而提高重建结果的可靠性。

目前，许多现有的气候代理数据评估工具仅能处理单一维度的分析，例如仅关注季节性或空间性。然而，随着气候重建研究的深入发展，越来越多的研究开始关注区域、大陆乃至全球尺度的气候场重建，如温度和降水的变化。因此，开发一种能够同时评估季节性和空间性代表性的方法，成为当前研究的重要方向。通过PREP工具，研究者可以更全面地理解不同代理数据在时间序列和空间分布上的特性，从而更有效地应用于气候重建研究。

本研究还探讨了如何通过二维地图展示多个代理数据的代表性。传统的二维地图工具通常只能有效传达两个元素，例如颜色和标记，这限制了对季节窗口和相关性的全面展示。因此，许多研究者在分析季节窗口时，倾向于固定季节窗口的长度，以减少可视化元素的数量。然而，这种做法可能会忽略不同代理数据在季节窗口长度上的差异。例如，某些代理数据的季节窗口可能仅覆盖一个月，而另一些则可能覆盖十二个月。因此，开发一种能够有效展示这些差异的可视化方法，对于全面理解代理数据的代表性具有重要意义。

在实际应用中，PREP工具通过案例研究展示了其在分析气候代理数据代表性的能力。这些案例研究基于中国、日本和欧洲的历史文献中提取的常用代理指标，如植物物候数据和海冰日期数据。通过这些案例，研究者能够直观地看到不同代理数据在季节窗口和相关性上的差异，从而更好地应用于气候重建研究。此外，PREP工具还支持对多个代理数据进行综合分析，使得研究者能够在更广泛的地理范围内评估气候代理数据的代表性。

综上所述，气候代理数据的代表性是解读历史气温重建结果的关键因素。然而，目前缺乏一种能够同时展示季节窗口和相关性的简洁方法。本研究提出了一种创新的“时钟布局”可视化方法，能够有效传达这些信息。此外，通过优化算法，提高了计算效率，使得该工具在实际应用中更加高效和实用。通过PREP工具，研究者可以更全面地理解不同代理数据的季节性和空间性，从而更有效地应用于气候重建研究。这不仅有助于提升公众对历史气候重建的理解，还能够促进跨学科的合作，使得计算机科学等领域的研究者能够更好地参与到气候重建研究中。