不同插值方法对精细化预报产品在青岛地区的检验比较

doi:10.11924/j.issn.1000-6850.casb20191000706

摘要/Abstract

摘要：

青岛地区农业产业园位置分散在内陆、沿海和山地等多种地形区域,气温差异大,为提高现代农业精细化服务水平,笔者基于国家气象中心下发的全国区域5 km格点气象要素预报产品,采用最近邻域、双线性插值、反距离权重3种插值方法对气温预报产品在青岛地区的适用性进行对比检验。结果表明:内陆地区双线性插值法准确率最高,且平均绝对误差和均方根误差最小。沿海地区采用最近邻域法和反距离权重法均有较好的效果。对于山地,综合考虑准确率、平均绝对误差和均方根误差,较适用反距离权重插值方法。最高气温预报准确率内陆地区高于沿海和山地地区,且在8—10月为准确率最高时期,3—6月准确率相对较低;最低气温则在沿海地区准确率最高,且夏季的准确率明显高于冬季,其在7月准确率最高而1月准确率最低。研究结果为下一步将预报产品插值生成分辨率更细、准确率更高的精细化气象服务产品奠定基础。

关键词: 青岛地区, 地形, 气温, 气象服务, 最近邻域法, 双线性插值法, 反距离权重法

Abstract:

The agricultural industrial parks in Qingdao are distributed in various terrain areas such as inland, coastal and mountainous areas with large temperature differences. In order to improve the level of refined weather service for modern agriculture, we compared and tested the applicability of temperature prediction products in Qingdao by the methods of the nearest neighbor interpolation, bilinear interpolation and inverse distance weight interpolation, based on the meteorological elements prediction products of 5 km grid in the national region issued by the national meteorological center. The results show that: in inland areas, the bilinear interpolation has the highest accuracy and the minimum mean absolute error and root mean square error; the nearest neighbor interpolation and the inverse distance weighted method are both effective in coastal areas; for mountainous area, the inverse distance weighted interpolation method is more suitable considering the accuracy, mean absolute error and root mean square error; the accuracy of the maximum temperature prediction in inland areas is higher than that in coastal and mountainous areas, and the accuracy is the highest from August to October, while relatively low from March to June; but the accuracy of the minimum temperature prediction is the highest in coastal area, and it is higher in summer than that in winter, with the highest accuracy in July and the lowest accuracy in January. The results can provide a basis for producing refined weather service products with fine resolution and high accuracy.

Key words: Qingdao, terrain, temperature, weather service, nearest neighbor interpolation, bilinear interpolation, inverse distance weighted interpolation

中图分类号:

P457

饶莉娟, 王健林, 张星. 不同插值方法对精细化预报产品在青岛地区的检验比较[J]. 中国农学通报, 2020, 36(32): 100-108.

Rao Lijuan, Wang Jianlin, Zhang Xing. Different Interpolation Methods: Comparison for Refined Forecast Products in Qingdao Area[J]. Chinese Agricultural Science Bulletin, 2020, 36(32): 100-108.

图/表 10

参考文献 26

[1]	盛裴轩, 毛节泰, 李建国, 等. 大气物理学[M]. 北京: 北京大学出版社, 2003: 122-154.
[2]	薛志磊, 张书余. 气温预报方法研究及其应用进展综述[J]. 干旱气象, 2012,30(3):451-458.
[3]	郭建平. 气候变化对中国农业生产的影响研究进展[J]. 应用气象学报, 2015,26(1):1-11.
[4]	韩荣青, 包维虎, 赵明华, 等. 1961—2012年山东省气温变化及对农业热量条件影响[J]. 中国农学通报, 2017(16):118-128.
[5]	周威, 王亚, 方韵, 等. 湘西州1960—2017年气候变化及对农业的影响[J]. 中国农学通报, 2018,34(24):128-134.
[6]	唐湘玲, 刘姣娣, 吕新. 石河子地区近48年来气候变化对棉花产量影响分析[J]. 中国农学通报, 2010,26(20):324-329.
[7]	邓振镛, 王强, 张强, 等. 中国北方气候暖干化对粮食作物的影响及应对措施[J]. 生态学报, 2010,30(22):6278-6288.
[8]	李彤霄, 赵国强, 李有. 河南省气候变化及其对冬小麦越冬期的影响[J]. 中国农业气象, 2009,30(2):143-146.
[9]	陈勇, 廖玉芳, 郭东鑫, 等. 长沙近41年气候变化对双季早稻产量的影响[J]. 中国农学通报, 2012,29(14):167-173.
[10]	廉丽姝, 李为华, 朱平盛. 山东省近40年气候变化特征[J]. 气象科技, 2006,34(1):57-61.
[11]	王海宾, 范旭亮. 基于WebGIS技术的精细化格点预报系统设计与实现[J]. 大气科学研究与应用, 2014(2):112-120.
[12]	罗聪, 曾沁, 高亭亭, 等. 精细化逐时滚动温度预报方法及检验[J]. 热带气象学报, 2012,28(4):552-556.
[13]	彭月, 周盛, 樊志超, 等. 精细化预报产品在长沙的应用和温度检验[J]. 干旱气象, 2015,33(5):867-873.
[14]	刘长成, 孙源, 周显伟. 中央台精细化温度指导预报产品在齐齐哈尔市的检验[J]. 黑龙江气象, 2014(2):18-19.
[15]	王海宾, 杨引明, 范旭亮, 等. 上海精细化格点预报业务进展与思考[J]. 气象科技进展, 2016(4):18-23.
[16]	戴翼, 何娜, 付宗钰, 等. 北京智能网格温度客观预报方法(BJTM)及预报效果检验[J]. 干旱气象, 2019,37(2):160-165.
[17]	金君, 彭思岭, 刘启亮, 等 .中国陆地区域气象要素空间插值方法比较研究[J]. 工程勘察, 2010(11).
[18]	陈峰峰, 王光辉, 沈学顺, 等. Cascade插值方法在GRAPES模式中的应用[J]. 应用气象学报, 2009,20(2):164-170.
[19]	王丽娜. 气象要素空间插值算法的研究及其应用[D]. 重庆:重庆理工大学, 2014.
[20]	黄成荣, 贾丽红, 汤浩, 等. 不同插值算法对GRAPES模式在乌鲁木齐地区的降水分级检验比较[J]. 沙漠与绿洲气象, 2011,5(2):23-27.
[21]	Lu G Y, Wong D W. An adaptive inverse-distance weighting spatial interpolation technique[J]. Computers and Geosciences, 2008,34(9):1044-1055.
[22]	Ashraf M, Loftis J C, Hubbard K G. Application of geostatistics to evaluate partial weather station networks[J]. Agricultural and Forest Meteorology, 1997,84(3/4):255-271.
[23]	李新, 程国栋, 卢玲. 空间内插方法比较[J]. 地球科学进展, 2000,15(3):260-265.
[24]	林忠辉, 莫兴国, 李宏轩, 等. 中国陆地区域气象要素的空间插值[J]. 地理学报, 2002,57(1):47-56.
[25]	陈锋, 董美莹, 冀春晓. 综合分析法在复杂地形气温精细格点化中的应用[J]. 高原气象, 2016(5):1376-1388.
[26]	Bartier P M, Keller C P. Multivariate interpolation to incorporate thematic surface data using inverse distance weighting (IDW)[J]. Computers and Geosciences, 1996,22(7):795-799.

准确率/%	内陆站点个数			沿海站点个数			山地站点个数
准确率/%	NN	BI	IDW	NN	BI	IDW	NN	BI	IDW
≥80	5	13	5	0	0	0	0	0	0
70~80	30	24	31	3	2	3	3	3	4
60~70	20	21	20	5	7	6	1	2	0
<60	8	5	7	3	2	2	3	2	3
合计	63	63	63	11	11	11	7	7	7

准确率/%	内陆站点个数			沿海站点个数			山地站点个数
准确率/%	NN	BI	IDW	NN	BI	IDW	NN	BI	IDW
≥80	5	13	5	0	0	0	0	0	0
70~80	30	24	31	3	2	3	3	3	4
60~70	20	21	20	5	7	6	1	2	0
<60	8	5	7	3	2	2	3	2	3
合计	63	63	63	11	11	11	7	7	7

准确率/%	内陆站点个数			沿海站点个数			山地站点个数
准确率/%	NN	BI	IDW	NN	BI	IDW	NN	BI	IDW
≥80	8	10	9	3	3	4	1	0	2
70~80	28	25	22	6	3	5	1	4	2
60~70	15	17	19	2	3	2	4	1	2
<60	12	11	13	0	2	0	1	2	1
合计	63	63	63	11	11	11	7	7	7

准确率/%	内陆站点个数			沿海站点个数			山地站点个数
准确率/%	NN	BI	IDW	NN	BI	IDW	NN	BI	IDW
≥80	8	10	9	3	3	4	1	0	2
70~80	28	25	22	6	3	5	1	4	2
60~70	15	17	19	2	3	2	4	1	2
<60	12	11	13	0	2	0	1	2	1
合计	63	63	63	11	11	11	7	7	7

站点类型	插值方法	最高气温			最低气温
站点类型	插值方法	24 h	48 h	72 h	24 h	48 h	72 h
内陆站点	最近邻域	1.5194	1.7021	1.9472	1.5286	1.5955	1.6718
	反距离权重	1.5060	1.6907	1.9351	1.5650	1.6185	1.6942
	双线性插值	1.4856	1.6826	1.9183	1.5105	1.5783	1.6556
沿海站点	最近邻域	1.5268	1.6644	1.7727	1.2082	1.2731	1.3802
	反距离权重	1.5278	1.6558	1.7680	1.2176	1.2785	1.3873
	双线性插值	1.5243	1.6541	1.7493	1.3054	1.3504	1.4478
山地站点	最近邻域	1.7255	1.9044	2.0811	1.6052	1.6902	1.7998
	反距离权重	1.6831	1.8502	2.0355	1.6237	1.7078	1.8029
	双线性插值	1.6813	1.8368	2.0365	1.8941	1.9560	2.0182