高温估算方法与中国高温时空变化分析
每日最高气温（Daily maximum air temperature, Tmax）是气候变化、灾害预警以及资源环境分析的关键变量，同时也是全球和区域高温分析的关键参数。因此，准确获取Tmax空间信息对于掌握全球变暖背景下，中国不同气候区高温变化规律，预测极端天气、干旱监测和粮食生产具有十分重要的现实意义。
近日，中国农业科学院毛克彪团队分别针对晴空和非晴空条件构建最高气温估算模型和方法，生产了长时间序列的中国区域每日最高气温数据集，与已有气温数据集进行交叉验证，为进一步提高精度，分区进行了校验，最后对中国每日最高气温时空变化进行了分析。研究成果发表于《Geoscientific Model Development》。
论文引用：
Ping Wang, Kebiao Mao, Fei Meng, Zhihao Qin, Shu Fang, Sayed M. Bateni, A daily highest air temperature estimation method and spatial–temporal changes analysis of high temperature in China from 1979 to 2018, Geosci. Model Dev., 2022, 15, 6059–6083. https://doi.org/10.5194/gmd-15-6059-2022
数据下载与引用：
Ping Wang, Kebiao Mao, Fei Meng, Zhihao Qin, Shu Fang, Sayed M. Bateni, & Mansour Almazroui. (2021). A Daily Highest Air Temperature dataset in China from 1979 to 2018 [Data set]. Zenodo. https://doi.org/10.5281/zenodo.6322881.
研究背景
高温时空变化分析是气候变化领域研究的重要内容，许多专家把高温天气与农作物生产、城市植被的变化、电力需求和能源消耗增加等现象联系起来，得到了很多有价值的结论。中国位于亚欧大陆东部和太平洋西部，加之青藏高原独特地形的影响，使得我国的气候系统非常复杂，极易受到全球变暖的影响。与世界上其他地区一样，中国近几十年来的温度经历了显著变化。近 50 年来，中国温度的平均上升速度为 0.27℃/10a，明显高于全球（0.20℃/10a）以及北半球（0.24℃/10a）的平均升温速度。中国极端温度变化与全球趋势基本一致，但由于地形复杂多样，季风环流背景复杂多变，各区域极端温度事件呈现出独特的分布格局和演变趋势。例如，长江流域、青藏高原、黄土高原和内蒙古地区与中国整体平均趋势不同，表明中国不同地区极端温度对全球变暖响应存在差异。
高质量的每日最高气温（Daily maximum air temperature, Tmax）数据对于开展区域尺度高温事件的研究极为关键，它对臭氧浓度以及植物生长季开始时间具有很大影响。Tmax不仅是高温灾害风险评价的重要因子，还是气候模型、农作物生长模型和碳排放模型的关键输入参数，Tmax的异常会导致高温热害的发生，对农作物生长带来不利影响。通常，Tmax是在观测场中离地面1.5米高的百叶箱中的温度表上测得的，这种方法测量的Tmax准确性较高但不具有空间连续性，因此，一些学者通过克里金插值以及样条函数插值等方法将站点Tmax空间化。然而气象站点的数量是有限的，偏远地区以及地形复杂地区的站点更是稀疏，这就使得插值得到的Tmax的精度难以满足中国区域尺度研究的要求。随着卫星遥感技术的不断发展，利用遥感手段获取的地表温度和Tmax的强相关性估算Tmax成为一种新思路。利用遥感手段估算的Tmax具有较好的空间连续性，弥补了传统方法的不足，为区域尺度高温时空分析研究提供了有力的数据支撑。然而，遥感卫星容易受到云雨天气的影响，无法估算非晴空条件下的Tmax。
因此如何克服云雨天气的影响，准确获取Tmax的时空分布，研究高温时空变化规律对掌握中国不同气候区对全球气候变化的响应具有较强的参考意义。此外，基于Tmax数据制作高温气象灾害风险图谱，不仅可以为国家决策与公共服务的气象灾害动态风险评估与防范系统提供数据支撑，还可以对实现气象灾害关键风险快速评估及决策支持，保障我国粮食安全具有十分重要的现实意义。
创新点
本研究提出一种获取高精度Tmax的估计框架。首先，基于多源数据建立了近地表气温（Air temperature，Ta）日变化模型，估算了1979-2018年中国区域的Tmax。然后为了进一步提高估算精度，根据气候条件和地形将中国划分为6个区域，并建立了不同区域的校正模型。分析表明，该数据集的平均绝对误差（mean absolute error, MAE）约为1.07℃，均方根误差（Root mean square error，RMSE）约为1.52℃，将传统方法的精度提高了近1℃。本文基于构建的Tmax数据集分析了我国Tmax以及极端温度指数近40年的时空变化特征，并结合海洋气候模态指数深入探究了海洋对我国温度变化的影响。利用广义极值（Generalized Extreme Value，GEV）分布计算了十年一遇、二十年一遇、五十年一遇和百年一遇极端高温重现水平值，并生成了中国区域的高温风险图谱。
研究内容
标题：
A daily highest air temperature estimation method and spatial–temporal changes analysis of high temperature in China from 1979 to 2018
重要结论：
在全球变暖的背景下，极端天气事件持续增加，研究区域高温变化具有重要意义。为了获取高温时空变化分析的关键参数，本研究提出了基于已有的3h近地面Ta网格数据和Ta日变化模型的Tmax估计框架，构建了1979-2018年中国区域Tmax数据集。本文应用GEV分布理论结合Tmax数据集制作了中国区域十年、二十年、五十年和百年一遇的高温风险图谱，研究了中国地区Tmax以及极端温度指数的时空变化特征，并探讨了海洋气候模态指数对Tmax和极端温度指数的影响。主要结论如下：
（1）六个自然区域的Tmax估算数据的精度验证结果表明，各区域RMSE介于2.38-2.94℃之间，MAE介于1.88-2.45℃之间，R2介于0.95-0.99之间。用回归模型对估算的Tmax进行校正后精度得到明显提升，与校正前Tmax相比，校正后Tmax的RMSE降低到1.14-1.81℃，MAE降低到0.84-1.38℃，R²提高到0.97-0.99，数据精度较高，可用于区域尺度高温时空变化研究。
（2）1979-2018年中国各区域Tmax总体呈上升趋势，区域V的上升幅度最大，区域I的上升幅度最小。在全球变暖停滞期，中国各区域Tmax均呈下降趋势，这表明中国对全球气候变化比较敏感。2007-2008年冬季，受拉尼娜影响，中国各区域Tmax均呈下降趋势。从Tmax变化的空间分布上看，Tmax上升速度最快的区域在云南西部，Tmax显著升高的区域远多于显著下降的区域。春季，中国Tmax显著上升的区域最多，整个区域III均表现出上升趋势。冬季，中国Tmax显著上升的区域最少，Tmax显著下降的区域主要集中在新疆地区。
（3）中国极端高温重现水平值的空间分布具有明显的季节特征，冬季区域I的极端高温重现水平值最低，春、夏、秋季则是区域VI最低。1-3月以及10-12月极端高温重现水平值总体呈由北向南递增的变化规律。1-4月十年一遇和二十年一遇极端高温重现水平最大值位于云南南部。除6月外，其余月份区域IV五十年一遇和百年一遇极端高温重现水平值均在6个区域中最高。
（4）各区域SU、TX90p和TXx均呈上升趋势，除区域II外，其余区域的TXn也呈上升趋势，各区域ID和TX10p均呈下降趋势。这表明中国高温事件的发生频率呈上升趋势，符合全球变化的预期结果。各极端温度指数在1979-2018年间均发生了突变，且突变年份多为厄尔尼诺年或拉尼娜年。极端温度指数空间变化分析的结果表明，SU、TX90p和TXx上升幅度最大的区域以及TX10p下降幅度最大的区域均位于云南西部。
（5）Tmax和极端温度指数与海洋气候模态指数的相关性分析表明，印度洋的增温现象通常会引起Tmax和暖指数（SU、TX90p、TXn和TXx）的上升以及冷指数（ID和TX10p）的下降，其中，区域V受印度洋增温的正影响最显著。NAO通常会对Tmax和极端温度指数的变化产生负影响。中国大部分区域的Tmax、SU、TX90p、TXn与NINO.3.4负相关，TXx、ID、TX10p与NINO.3.4正相关。
五十年一遇的极端高温空间分布
中国极端温度指数与IOBW指数的相关分析（阴影区域表示通过了0.05的显著性检验）
论文链接：https://doi.org/10.5194/gmd-15-6059-2022
论文引用：
Fang, S., Mao, K., Xia, X., Wang, P., Shi, J., Bateni, S. M., Xu, T., Cao, M., Heggy, E., and Qin, Z.: Dataset of daily near-surface air temperature in China from 1979 to 2018, Earth Syst. Sci. Data, 14, 1413–1432, https://doi.org/10.5194/essd-14-1413-2022, 2022.（IF=11.8）
数据引用：
Fang Shu, Mao Kebiao, Xia Xueqi, Wang Ping, Shi Jiancheng, M. Bateni,Sayed, Xu Tongren, Cao,Mengmeng, & Heggy,Essam (2021). A Daily near-surface Air Temperature Dataset for China from 1979-2018 (Version 1.0) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.5502275 . (已下载超过63600次)
作者简介
并列第1作者兼通讯作者简介：
毛克彪，博导，研究员/教授，全国神农英才，贺兰山特聘学者，中国农业科学院优秀青年一级人才，全国优秀科技工作者，发表论文 150 余篇（第一作者 80 余篇），SCI/EI80余篇，个人专著 2 部，获得发明专利授权 20 余项，软件专利 20余 项。主持和参与完成的国家级课题近 20 项，以第一完成人或参与获得中国农业科学院建院 60 周年卓越奉献奖和中国地理信息产业特等奖等奖项10余项。主要从事农业大数据、农业灾害、粮食安全，地表温度和土壤湿度等农业气象关键参数反演研究。通过灾害时空变化分析和预测，提出的新时期“藏粮于民与粮食节约行动”建议被中央和地方采纳，并进一步融合“藏粮于技和藏粮于地”提出了“三藏战略”得到社会各界人士高度认可。为应对极端事件和保障我国粮食安全，长期致力于推动“三藏战略（藏粮于民、藏粮于地和藏粮于技）”。
第一作者简介：
王平，山东人，硕士研究生，山东建筑大学和中国农业科学院农业资源与农业区划研究所联合培养研究生，主要从事空气温度和地表温度的反演研究，以第一作者发表论文2篇。
团队部分论文介绍
4套数据集（气温数据集，陆面温度数据集，海温数据集和土壤水分数据集）
1. Fang, S., Mao, K., Xia, X., Wang, P., Shi, J., Bateni, S. M., Xu, T., Cao, M., Heggy, E., Qin, Z., Dataset of daily near-surface air temperature in China from 1979 to 2018, Earth Syst. Sci. Data. 14, 1413–1432, https://doi.org/10.5194/essd-14-1413-2022, 2022. (Version 1.0) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.5502275. 【中国气温数据集】
2. Zhao, B., Mao, K., Cai, Y., Shi, J., Li, Z., Qin, Z., Meng, X., A combined Terra and Aqua MODIS land surface temperature and meteorological station data product for China from 2003 – 2017, Earth Syst. Sci. Data, 2020, 12, 2555–2577. https://doi.org/10.5194/essd-12-2555-2020 [Data set]. Zenodo. https://doi.org/10.5281/zenodo.3528024. 【中国地表温度数据集】
4. Meng, X., Mao, K., Meng, F., Shi, J., Zeng, J., Shen, X., Cui, Y., Jiang, L., Guo, Z., A fine-resolution soil moisture dataset for China in 2002–2018, Earth Syst. Sci. Data, 2021, 13, 3239–3261. https://doi.org/10.5194/essd-13-3239-2021. [Data set]. Zenodo. https://doi.org/10.5281/zenodo.4738556. 【中国土壤水分数据集】
部分地表温度和土壤水分反演相关论文：
1. Ping Wang, Kebiao Mao, Fei Meng, Zhihao Qin, Shu Fang, Sayed M. Bateni, A daily highest air temperature estimation method and spatial–temporal changes analysis of high temperature in China from 1979 to 2018, Geosci. Model Dev., 2022, 15, 6059–6083. https://doi.org/10.5194/gmd-15-6059-2022
2. Fang, S., Mao, K., Xia, X., Wang, P., Shi, J., Bateni, S. M., Xu, T., Cao, M., Heggy, E., and Qin, Z.: Dataset of daily near-surface air temperature in China from 1979 to 2018, Earth Syst. Sci. Data, 2022, 14, 1413–1432, https://doi.org/10.5194/essd-14-1413-2022.
3. Wang, H, Mao, K., Yuan, Z., Shi, J, Cao, M., Qin, Z., Duan, S., Tang, B., A method for land surface temperature retrieval based on model-data-knowledge-driven and deep learning, Remote Sensing of Environment, 2021, 265, 1-19. https://doi.org/10.1016/j.rse.2021.112665
4. Mao, K., Shi, J., Li, Z., Tang, H., An RM-NN algorithm for retrieving land surface temperature and emissivity from EOS/MODIS data, Journal of Geophysical Research-atmosphere, 2007, 112, D21102, 1-17. https://doi.org/10.1029/2007JD008428
5. Wang, H., Mao, K., Mu, F., Shi, J., Yang, J., Li, Z., Qin, Z., A Split Window Algorithm for Retrieving Land Surface Temperature from FY-3D MERSI-2 data, Remote Sensing, 2019, 11, 20183, 1-25.https://doi.org/10.3390/rs11182083
6. Mao, K., Qin Z., Shi J., Gong P., A Practical Split-Window Algorithm for Retrieving Land Surface Temperature from MODIS Data, International Journal of Remote Sensing, 2005,26:3181-3204.https://doi.org/10.1080/01431160500044713
7. Mao, K., Shi, J., Tang, H., Li, Z., Wang, X., Chen, K., A Neural Network Technique for Separating Land Surface Emissivity and Temperature from ASTER Imagery, IEEE Trans. Geosci. Remote Sensing, 2008, 46(1), 200-208.10.1109/TGRS.2007.907333
8. Mao, K., Li, S., Wang, D., Zhang, L., Tang, H., Wang, X., Li, Z., Retrieval of Land Surface Temperature and Emissivity from ASTER1B data Using Dynamic Learning Neural Network, international journal of remote sensing, 2011, 32(19), 5413-5423.https://doi.org/10.1080/01431161.2010.501043
9. Mao, K., Ma, Y., Shen, X., et al., Estimation of Broadband Emissivity (8-12um) from ASTER Data by Using RM-NN, Optics Express, 2012, 20(18), 20096-20101.https://doi.org/10.1364/OE.20.020096
10. Xia, L., Mao, K., Ma, Y., Zhao, F., Jiang, L.P., Shen, X.Y., Qin, Z.H., An algorithm for retrieving land surface temperature using VIIRS data in combination with multi-sensors, Sensors, 2014, 14, 21385-21408.https://doi.org/10.3390/s141121385
11. Mao, K., Shi, J., Li, Z., Qin, Z., Li, M., Xu, B., A physics-based statistical algorithm for retrieving land surface temperature from AMSR-E passive microwave data, Science in China (Series D), 2007, 7, 1115-1120.doi: 10.1007/s11430-007-2053-x
12.Tan, J., Nusseiba, N., Mao, K., Shi, J., Li, Z., Xu, T., Yuan, Z., Deep Learning Convolutional Neural Network for the Retrieval of Land Surface Temperature from AMSR2 Data in China, Sensors, 2019, 19, 2987:1-20. https://doi.org/10.3390/s19132987 .
13. Mao, K., Zuo, Z., Shen, X., Xu, T., Gao, C., Liu, G., Retrieval of Land-surface Temperature from AMSR2 Data Using a Deep Dynamic Learning Neural Network, Chinese Geographical Science. 2018, 28,1, 1–11.doi: 10.1007/s11769-018-0930-1
14. Mao, K., Tang, H., Wang, X., Zhou, Q., Wang, D., Near-Surface Air Temperature Estimation from ASTER Data Using Neural Network, International Journal of Remote Sensing,2008, 29(20), 6021-6028.https://doi.org/10.1080/01431160802192160
15. Yan, Y., Mao, K., Shen, X., Cao, M., Xu, T., Guo, Z., Bao, Q., Evaluation of the influence of ENSO on tropical vegetation in long time series using a new indicator, Ecological Indicators, 2021,129,1-22. https://doi.org/10.1016/j.ecolind.2021.107872 .
16. Yan, Y., Mao, K., Shi, J., Piao, S. L., Shen, X.Y., Dozier, J., Liu, Y., Ren, H.L, Bao, Q., Driving forces of land surface temperature anomalous changes in North America in 2002–2018, Scientific Reports, 2020, 6931(10), 1-13. https://doi.org/10.1038/s41598-020-63701-5 .
17. Han, J., Mao, K.,Xu, T., Guo, J., Zuo, Z., Gao, C., A soil moisture estimation framework based on the CART algorithm and its application in China, Journal of Hydrology, 2018, 561, 65-75.https://doi.org/10.1016/j.jhydrol.2018.05.051
18. Xia, L., Zhao, F., Chen, L., Zhang, R., Mao, K., Kylling, A., Ma, Y., Performance comparison of the MODIS and the VIIRS 1.38 μm cirrus cloud channels using libRadtran and CALIOP data, Remote Sensing of Environment,2018,206,363–374. https://doi.org/10.1016/j.rse.2017.12.040
20. Lang Xia, Fen Zhao, Kebiao Mao*, Zijin Yuan, Zhiyuan Zuo,Tongren Xu, SPI-Based Analyses of Drought Changes over the Past 60 Years in China’s Major Crop-Growing Areas, Remote Sens. 2018, 171(10),1-15.https://doi.org/10.3390/rs10020171
21. Mao, K., Tang H. J., Zhang L. X., Li M. C., Guo Y., Zhao D. Z., A Method for Retrieving Soil Moisture in Tibet Region By Utilizing Microwave Index from TRMM/TMI Data, International Journal of Remote Sensing, 2008, 29(10), 2905-2925.https://doi.org/10.1080/01431160701442104
22. Kebiao Mao, H. T. Li, D. Y. Hu, J. Wang, J. X. Huang, Z. L. Li, Q. B. Zhou, and H. J. Tang, Estimation of water vapor content in near-infrared bands around 1 μm from MODIS data by using RM–NN, Optics Express, 2010, 18(9), 9542–9554.
部分全球变化论文：
1. Guo, J., Mao, K., Yuan, Z., Qin, Z., Xu, T., Bateni, S.M., Zhao, Y., Ye, C., Global Food Security Assessment during 1961–2019.Sustainability 2021, 132, 1-18. https://doi.org/10.3390/su132414005
2. Mao, K., Ma, Y., Tan, X., Shen, X., Liu, G., Li, Z., Chen, J., Xia, L., Global surface temperature change analysis based on MODIS data in recent twelve years, Advance Space Research, 2017,59,503-512.https://doi.org/10.1016/j.asr.2016.11.007 .
3. Mao, K., Ma, Y., Xia, L., Chen, W.Y., Shen, X. Y., He, T.J., Global aerosol change in the last decade: An analysis based on MODIS data, Atmospheric Environment, 2014, 94, 680-686.https://doi.org/10.1016/j.atmosenv.2014.04.053
4. Mao, K., Li, Z., Chen, J., Ma, Y., Liu, G., Tan, X., Yang, K., Global vegetation change analysis based on MODIS data in recent twelve years, High Technology Letters, 2016, 22(4), 343-349. Doi:10.3773/j.issn.1006-6748.2016.04.001
5. Mao, K., Chen, J., Li, Z., Ma, Y., Song, Y., Tan, X., Yang, K., Global water vapor content decreases from 2003 to 2012: an analysis based on MODIS Data, Chinese Geographical Science, 2017, 27(1), 1-7.https://doi.org/10.1007/s11769-017-0841-6
6. Mao, K., Yuan, Z., Zuo, Z., Xu, T., Shen, X., Gao, C., Changes in Global Cloud Cover Based on Remote Sensing Data from 2003 to 2012, Chinese Geographical Science, 2019,29,2, 306–315.https://doi.org/10.1007/s11769-019-1030-6
大家一起宣传藏粮于民+粮食节约：
荐读
《慧天地》敬告
《慧天地》公众号聚焦国内外时空信息科技前沿、行业发展动态、跨界融合趋势，发现企业核心竞争力，传播测绘地理信息文化，为时空信息类相关专业学子提供日常学习、考研就业一站式服务，打造政产学研金服用精准对接的平台。
《慧天地》借鉴《读者》办刊理念，把时空信息领域的精华内容汇聚到平台上。我们高度重视版权，对于精选的每一篇推文，都会在文章开头显著注明出处，以表达对作者和推文引用平台版权的充分尊重和感谢；对于来源于网络作者不明的优质作品，转载时如出现侵权，请后台留言，我们会及时删除。感谢大家一直以来对《慧天地》的关注和支持！
——《慧天地》运营团队
投稿、转载、商务等合作请联系
微信号：huitiandi321
邮箱：geomaticshtd@163.com