《Remote Sensing》:Aerosol Optical and Microphysical Characteristics Related to Vertical Distribution over Korea Using Aerosol Scale Height
编辑推荐:
摘要专业翻译
高分辨率多时间尺度标准化降水蒸散指数(SPEI)数据对于干旱监测和气候影响研究至关重要,但长期高分辨率数据集在大范围区域内仍然有限。本研究开发并技术验证了一套站点监督的中国大陆月尺度多时间尺度SPEI数据集,时间覆盖1979至2018年,空间分辨
摘要专业翻译
高分辨率多时间尺度标准化降水蒸散指数(SPEI)数据对于干旱监测和气候影响研究至关重要,但长期高分辨率数据集在大范围区域内仍然有限。本研究开发并技术验证了一套站点监督的中国大陆月尺度多时间尺度SPEI数据集,时间覆盖1979至2018年,空间分辨率为1千米网格,包含SPEI-1、SPEI-3、SPEI-6、SPEI-12和SPEI-24五个累积时间尺度。研究人员采用精确的源日历月末规则,从427个气象站的日记录中提取月标签。研究人员使用NaN感知双线性采样器将月尺度0.1°中国气象强迫数据集(CMFD)预测因子映射至站点和1千米像元中心,并与完整窗口时间特征及NASADEM地形协变量相结合。五个时间尺度专属的LightGBM模型生成了2359幅全国月度栅格。随机五折交叉验证得到平均R2值为0.8807–0.9122;采用100千米排除缓冲区的200千米空间分块验证得到R2值为0.7857–0.8739;前向分段时间验证得到R2值为0.7577–0.8337。全时段产品对比中,SPEI-3与Zhang-SPEI的Pearson相关系数r = 0.9295,而与HSPEI在五个时间尺度上的对比得到r = 0.7772–0.3267。空间缓冲干旱条件验证在中度及以上干旱条件下产生F1分数为0.7021–0.7838,而极端干旱的召回率(Recall)为0.2397–0.3869。该数据集为中国大陆的干旱监测和气候影响研究提供了长期、多时间尺度的数据资源,验证结果刻画了其在区域、时段和干旱严重程度层面的性能特征。
论文解读文章
一、研究背景与科学问题
干旱是全球变化背景下最为广泛且持续的自然灾害之一,其发生与演变对区域水安全、农业生产、生态系统稳定性和社会经济活动均产生深远影响。与洪水等突发性灾害不同,干旱具有缓慢发展、持续时间长、空间范围广和累积效应显著等特征,因此多时间尺度、高空间分辨率的干旱监测与表征具有重要意义。标准化降水蒸散指数(Standardized Precipitation Evapotranspiration Index,SPEI)同时考虑降水供给和大气蒸发需求,能够在统一框架内刻画不同时间尺度的干旱过程,已成为气象、农业和水文干旱研究中应用最广泛的指数之一。
尽管已有研究相继发布了中国区域的多套SPEI产品,包括基于427个气象站的日尺度站点SPEI数据集(Wang-SPEI)、0.1°分辨率的Zhang-SPEI栅格产品以及1千米分辨率的GPR-SPEI和HSPEI数据集,但长期高分辨率、以站点观测直接监督的独立重建产品仍然有限。现有数据集在监督来源和重建设计上存在差异,补充基于替代监督源和重建策略的高分辨率SPEI产品,有助于拓宽可用数据资源,支持跨产品对比和空间精细的干旱分析。此外,SPEI具有显著的多时间尺度特性,不同时间尺度对应不同的水文气候累积和记忆过程,因此高分辨率SPEI数据集的构建不仅需要考虑同期气象信号,还需纳入累积背景条件和时间尺度依赖的时序记忆特征。中国气象强迫数据集(China Meteorological Forcing Dataset,CMFD)自1979年起提供覆盖全国、0.1°分辨率的月尺度气象强迫数据,为区域尺度动态气象条件的一致表征提供了基础。
基于上述背景,本研究旨在开发和验证一套站点监督的中国大陆1千米网格月尺度多时间尺度SPEI数据集,具体目标包括:从日尺度站点观测构建月尺度站点SPEI标签;整合月尺度气象强迫、时间记忆特征和地形因子进行机器学习重建;生成五个累积时间尺度的全国月尺度SPEI场;通过样本级、空间、时间、产品一致性、干旱条件和预测因子贡献等多维分析评估数据集性能。
二、研究内容与主要结论
研究人员利用427个气象站的日尺度多时间尺度SPEI观测作为监督源,采用精确源日历月末规则提取月标签,结合0.1°月尺度CMFD气象强迫数据、时间尺度依赖的滞后与滚动统计特征以及NASADEM地形协变量,为每个累积时间尺度分别训练独立的LightGBM回归模型,最终在中国大陆1千米目标网格上生成1979–2018年月尺度SPEI-1、SPEI-3、SPEI-6、SPEI-12和SPEI-24五个时间尺度的全国栅格产品,共2359幅GeoTIFF文件。该数据集已存储于Science Data Bank,DOI为
https://doi.org/10.57760/sciencedb.34500 。
三、关键技术方法
研究人员主要采用了以下几项关键技术方法:其一,基于427个气象站(覆盖中国大陆,空间分布见图1)的日尺度SPEI观测,采用精确源日历月末规则(固定365天无闰年日历中每月最后一天的值,2月固定为2月28日)构建月尺度监督标签,每个时间尺度在1979–2018年间获得约20万个有效样本;其二,使用NaN感知双线性采样器将0.1°月尺度CMFD七项气象变量(长波辐射、降水、气压、比湿、短波辐射、气温、风速)一致地映射到站点位置和1千米像元中心;其三,构建时间尺度依赖的预测因子体系,包括月尺度滞后变量(SPEI-3至SPEI-24分别使用1–2至1–23个月滞后)、完整窗口滚动均值/累积值、月气候态与距平、年与月的正弦余弦编码,以及NASADEM高程、地形起伏度和高程标准差三个1千米地形协变量;其四,采用LightGBM回归模型,为五个时间尺度分别训练独立模型,固定参数包括800棵树、学习率0.03、叶子数63等,模型预测因子数量从SPEI-1的54个递增至SPEI-24的215个。
四、研究结果
4.1 数据集概况
数据集命名为中国1千米月尺度多时间尺度SPEI数据集(中国大陆,1979–2018),版本2。提供SPEI-1、SPEI-3、SPEI-6、SPEI-12和SPEI-24五个累积时间尺度的月尺度SPEI栅格。SPEI为标准化无量纲指数,负值表示偏干,正值表示偏湿。产品起始月份因累积窗口完整性而异:SPEI-1始于1979年1月,SPEI-3始于1979年3月,SPEI-6始于1979年6月,SPEI-12始于1979年12月,SPEI-24始于1980年12月。
4.2 数据格式与文件组织
数据集以六个压缩文件形式存储于Science Data Bank,附SHA-256校验文本文件。五个归档文件分别对应五个时间尺度,共含2359幅月尺度GeoTIFF栅格。文件命名规则为spei_XXmo_YYYY-MM.tif。所有栅格共享相同网格几何:ESRI:54052投影,5251列×3869行,1000米像元大小,单波段float32,NoData = ?9999,LZW压缩。
4.3 技术验证
4.3.1 站点级重建精度与空间泛化能力
随机五折交叉验证中,五个时间尺度平均R2 为0.8807–0.9122,平均RMSE为0.2941–0.3436,Bias接近零。SPEI-24取得最高平均R2 (0.9122)和最低RMSE(0.2941)。在更严格的200千米空间分块加100千米排除缓冲区验证中,平均R2 从SPEI-1的0.8739下降至SPEI-24的0.7857,平均RMSE从0.3563增至0.4592,平均Bias介于?0.0019至0.0009之间,表明长记忆SPEI在跨空间区域迁移时难度更大。
4.3.2 空间特征与区域特定不确定性
区域特定不确定性按省份、高程带、长期降水带和站点支撑等级分层量化。SPEI-24在新疆R2 为0.5053、青海为0.6044,海拔≥3000米区域为0.6053,年降水<200毫米区域为0.5836。R2 从密集支撑等级的0.8042下降至稀疏支撑等级的0.7683(平均最近站距116.8千米)。空间不确定性在西部干旱、高海拔和稀疏观测区域更大,尤其在长累积时间尺度。
4.3.3 与现有SPEI数据集的产品级一致性
与Zhang-SPEI在SPEI-3上表现出强一致性(r = 0.9295,RMSE = 0.3708,MAE = 0.2711,Bias = 0.0042),与GPR-SPEI呈中等一致性(r = 0.7350)。与HSPEI对比中,Pearson r从SPEI-1的0.7772降至SPEI-24的0.3267,RMSE从0.6111增至0.9254,表明长累积窗口下产品间对强迫数据、标准化基线和重建方法的差异更加敏感。
4.3.4 前向时间迁移与区域时间序列验证
四个扩展窗口阻断测试(训练期分别为1979–1998、1979–2003、1979–2008、1979–2013,对应五年测试期)中,四折平均R2 为0.8337、0.8119、0.7971、0.7900和0.7577,平均RMSE为0.4118–0.5017。专门实验中模型仅用1979–1990训练、在完全保留的1991–2000时段评估,SPEI-3合并性能为R2 = 0.8484,RMSE = 0.3937。
4.3.5 干旱条件检测验证
基于空间分块验证的池化样本外预测,中度及以上干旱(SPEI ≤ ?1.0)的F1为0.7021–0.7838,CSI为0.5410–0.6444;重度及以上干旱(SPEI ≤ ?1.5)的召回率为0.4927–0.6210;极端干旱(SPEI ≤ ?2.0)的精确率保持0.6569–0.7401,但召回率降至0.2397–0.3869,表明对罕见极端事件存在回归均值收缩效应。
4.3.6 特征贡献分析
SHAP分析显示,SPEI-1模型中降水距平贡献最大,其次为短波辐射距平和气温距平,表明短时间尺度重建主要依赖同期气象异常;SPEI-12模型中12个月降水距平、12个月平均降水距平、12个月平均短波辐射距平和12个月平均气温距平排名前列,表明长时间尺度重建更依赖累积水文气候记忆特征。
五、讨论与结论
讨论部分指出,该数据集的主要优势在于站点监督、多源重建策略,将时间连续的0.1° CMFD气象强迫与月尺度站点SPEI监督、时间尺度依赖的记忆特征和细网格NASADEM地形协变量相结合。双线性映射改善了粗网格边界处的连续性,但CMFD中已存在的梯度或不连续可能在重建场中保留。未来可通过纳入更密集站点观测、新高分辨率动态环境变量以及灌溉和用水等人为因素进一步丰富数据集。在应用方面,SPEI-1和SPEI-3更适合短期干湿波动分析和气象干旱监测,SPEI-6、SPEI-12和SPEI-24更适合季节至长期干旱累积、水文干旱演变和持续水分亏缺分析。1千米网格使其适用于区域尺度干旱影响评估和基于遥感的环境分析,可与植被指数、地表温度、蒸散发、土壤水分、总初级生产力和日光诱导叶绿素荧光等遥感指标结合。
研究结论为:本研究开发了1979–2018年中国大陆1千米网格月尺度多时间尺度SPEI数据集。随机五折验证平均R2 为0.8807–0.9122;200千米空间分块加100千米排除缓冲区验证下平均R2 为0.7857–0.8739;前向分段时间验证为0.7577–0.8337。产品级一致性在SPEI-3上与Zhang-SPEI高度一致,但与HSPEI在长时间尺度上一致性下降。区域特定误差在西部干旱、高海拔和稀疏观测区域较大。干旱条件验证显示中度干旱检测能力良好,但SPEI ≤ ?2.0时召回率显著降低。SHAP分析确认了从SPEI-1的当月异常到SPEI-12的长窗口记忆特征的转变。总体而言,该数据集结合了1千米输出网格、40年月度覆盖、五个累积时间尺度、站点监督和多层级验证,为整个中国大陆的干旱监测和水文气候、生态、农业、遥感及气候影响分析提供了开放数据资源。