用于气象数据插值的自动化自适应框架

《Journal of Hydrology》：An automated adaptative framework for weather data interpolation

　　

• •
  基于误差指标，构建了一个低用户工作量的工具，用于选择空间插值方法。
• •
  通过真实案例和合成案例验证了该方法的稳健性。
• •
  没有单一插值方法对所有测试变量都是普遍最优的。
• •
  在稀疏数据条件下保持了有效性，性能匹配或优于单一方法。

引言

联合国粮食及农业组织（FAO）认识到需要开发一种通用且准确的方法来估算参考蒸散发（ET₀），该方法应适用于多种气候类型或在数据有限的情形下。经过一系列对比研究后，FAO推荐采用修正的Penman-Monteith方法（Allen和Pereira，1998）。多种敏感性分析和区域研究证实了该方法在各类环境中的适用性（Pereira等，2015）。ET₀ 是一个复杂且非线性的变量，因为它取决于多个气象变量之间的相互作用（温度、湿度、风速和辐射）（Hodam等，2017）。它描述了水从液相到气相在表面的相变，以及随后向大气中的传输过程。ET₀ 由三个组成部分构成：土壤或水体的蒸发、植被的蒸腾以及被植被表面截留降水后的蒸发（Yang等，2023）。它是水循环中最基本的组成部分之一（Kumar等，2013；Ning等，2016；Hodam等，2017）。因此，它在农业、水文学和更广泛的环境科学研究中发挥着基础性作用（Ning等，2016）。因此，准确的参考蒸散发估算（与降雨量一起）对于水资源管理和规划（R. Kumar等，2013；Hodam等，2017）以及灌溉管理（Maruyama，2007；Verstraeten等，2008；?ab?dzki等，2014；Ning等，2016）至关重要。

由于可靠的气象变量测量（包括ET₀和降雨量）的重要性，气象站网络得到了相当大的发展。然而，尽管网络密度增加，不确定性仍然阻碍着合理的水资源管理。事实上，气象站可能未实现标准化（即可能测量不同的气象参数），并且随着时间演变，站点会新增或减少。并非每个气象站都具备计算ET₀所需的全部气象变量，而缺失数据进一步阻碍了ET₀的估算。FAO的第56号灌溉与排水论文建议估算缺失数据，而非修改基本方法本身（Allen和Pereira，1998）；因为FAO的目标是采用一种单一、基于物理的方法（Pereira等，2015）。研究重点关注了数据集不完整问题的解决方案，例如估算缺失变量的替代指标（如Allen和Pereira，1998）或基于机器学习算法开发替代方程（如Alizamir等，2020，El-Shafie等，2013）。然而，使用替代指标可能引入时间不连续性或空间不确定性，而经验方法在时间和空间上的可迁移性可能较差，因为无法替代基本物理原理。

另一种方法是使用空间插值方法（SIMs）（Li和Heap，2014，Mardikis等，2005）。SIMs可分为：地统计方法、非地统计方法或组合方法（Li和Heap，2014）。SIMs已被广泛研究用于生成连续气象变量图（如Hofstra等，2008，Luo等，2008，Ly等，2011，Rosillon等，2024）。然而，SIMs通常具有数据特异性和变量特异性，许多因素会影响预测性能。此外，即使是同一气象变量，最合适的SIM也可能每日变化。例如，在丘陵和山区，地形对空间降水格局的影响取决于相关的气象模式（Gottardi等，2012）。这些特殊性阻碍了选择最适方法。在这方面，许多作者针对特定区域研究最优SIM，发现最合适的SIM会根据研究特定条件而变化（如Antal等，2021，de Borges等，2016，Delbari等，2013，Pellicone等，2018，Workneh等，2024）。

一种潜在的突破是方法选择的自动化。尽管SIMs已被广泛比较，但据我们所知，很少有研究尝试实施自动化以优化SIMs参数，而自动化选择SIM的研究则更少。例如，Betzek等（2019）自动化了变异函数拟合中最佳参数的选择，适用于克里金技术和反距离加权法（IDW）的幂因子。Hiemstra等（2009）使用迭代加权最小二乘法开发了一种自动变异函数拟合程序，用于实时辐射监测数据的制图。

为了选择最合适的SIM，适当性能指标的选择至关重要。常用的误差指标包括偏差（也称为平均误差，ME）、平均绝对误差（MAE）和均方根误差（RMSE）。MAE和RMSE均被认为是最可靠的模型性能度量之一（Li和Heap，2011）。由于MAE和RMSE均估算平均误差（Li和Heap，2011），但RMSE对极端误差给予更大的惩罚，因此保留RMSE作为主要指标。一些作者采用了复合指标，将多个指标组合为单一得分，用于模型评估。例如，Vogt等（2018）提出了四个等权重统计指数的总和，而Ahmed等（2019）和Chen等（2011）使用了基于排名的指标。

因此，本文假设可以自动化SIM选择程序，以生成构成ET₀和降雨量的气象变量的日地图，依赖于能够有效应对气象网络密度和位置变化的性能指标。由于本文旨在提出一种简单的方法，确保不同插值方法的直接解释和有效比较，因此必须同时考虑随机误差和系统误差，以防止随时间累积的不准确性。本文期望在评估过程中将偏差与RMSE结合使用可以增强插值选择的可信度。本研究开发了一种新的方法论，用于在环境和水文背景下插值气象变量。该方法旨在通过复合性能指标自动选择最佳SIM，并根据目标时间步长进行调整，以适应多种气象变量和网络配置。该方法论的性能和稳健性在一个实际案例研究和合成案例中进行了评估。

章节摘要

研究区域

研究区域对应卢森堡大公国；这是一个内陆国家，面积2,586平方公里，毗邻比利时、德国和法国。该国分为两个自然区域：北部的奥斯林地区，这是一个丘陵地区，属于阿登-埃菲尔地盾的一部分；以及古特兰地区，地形相对简单且海拔较低。该国属于温带海洋性气候，平均温度约10°C，年降水量830毫米，分布均匀。

方法

在计算ET₀时，可以识别出两种策略：(1) 先插值气象因子，然后计算ET₀（先插值后计算 ? IC）；(2) 先为每个站点计算ET₀，然后再进行插值（先计算后插值 ? CI）（Ning等，2016）。IC方法考虑到ET₀是一个复合变量，每个气象变量都有不同的地理驱动因素。相比之下，CI策略可以防止插值导致的误差累积。

生成的地图

由于所开发的方法与时间步长无关，它能够实现时间步长地图和累积地图的计算。首先，为每个气象变量（TMAX、TMIN、RS、RH、WS和P）生成插值地图（在本研究中为日地图）。随后，使用Penman-Monteith方程为每个格点计算ET₀（图5(a)和(b)）。对于分析的具体日期，ET₀似乎与海拔相关，在整个国家范围内呈现出1毫米的空间对比度。

时间步长地图可以

结论

区域格点数据集对环境应用至关重要，但并不总是可获得。本研究表明，使用所提出的JW框架可以准确地插值气象数据。这种新颖的方法通过关注随机误差和系统误差，实现了对不同插值方法的直接解释和有效比较。它有效地管理了不同变量和变化的网络结构与密度，同时依赖于

CRediT作者贡献声明

Cédric Magain：撰写–原稿，方法论，数据整理，概念化。Guillaume Renard：撰写–原稿，方法论，数据整理，概念化。Philippe Orban：撰写–审阅与编辑，资金获取。Aurore Degré：撰写–审阅与编辑，方法论。Jeroen Meersmans：撰写–审阅与编辑，方法论。Caroline De Clerck：撰写–审阅与编辑。Serge Brouyère：撰写–审阅与编辑。Joost Wellens：撰写–审阅与编辑，

生成式AI和AI辅助技术在写作过程中的使用声明

在准备本作品过程中，作者使用了ChatGPT 5.0（OpenAI，美国）以进行语法检查、改写和翻译。在使用该工具后，作者对内容进行了必要的审阅和编辑，并对出版物的全部内容承担全部责任。

资金支持

本项目由fond de la gestion de l'eau（水资源管理局，AGE）资助。

利益冲突声明

作者声明不存在已知的竞争性财务利益或个人关系，这些关系可能影响本文报告的工作。

致谢

作者感谢"农业技术管理局"和"水资源管理局"的气象服务部门分享数据。同时，作者感谢CRA-W、法国气象局和德国气象局分享气象数据。

Cédric Magain|Guillaume Renard|Philippe Orban|Aurore Degré|Jeroen Meersmans|Caroline De Clerck|Serge Brouyère|Joost Wellens