1. 引言
在大数据技术快速发展的背景下，离散点的观测通过模式融合，能够快速生成网格化的观测大数据资料，在天气系统监测、跟踪、结构分析中发挥重要作用 [1] - [7]。气象部门将这样的网格化大数据资料称为实况分析场资料，可以作为观测资料应用，对预报进行检验 [8] - [16]。由于实况分析场是网格化的，覆盖了全国，因此，在资料比较稀少的地区，实况分析场是非常重要的观测替代资料。
机场的观测通常没有被融合进实况分析场中，因此，利用机场的观测可以对实况分析场资料进行独立性检验，独立性检验相对非独立检验具有更高的可信度 [17] [18]。本文利用北京首都国际机场的地面观测资料，对实况分析场资料进行检验，对资料的使用具有一定的参考意义。
2. 资料来源
本文的实况分析场数据来自中国气象局气象探测中心实时观测分析系统(RTOAS)的2021年1~11月的格点资料，RTOAS融合了全国6万余地面自动站的观测数据，以及120个探空站、200余部天气雷达、100余部风廓线以及卫星观测资料，实况分析场的空间分辨率3 km，时间分辨率15分钟，覆盖全国。
检验对比数据来自北京首都国际机场观测场6个观测点的观测资料。
3. 分析方法
将RTOAS实况分析场插值到首都国际机场6个观测点点位上，形成实况分析场时间序列G，与6个观测点的观测序列O进行比较。本文主要采用标准差、相关性、以及序列偏差来进行检验分析。
标准差通常反映二者之间的离散程度，利用以下公式计算RTOAS实况分析场序列与首都机场观测序列的标准差，其中Gi，Oi分别表示序列中第i个实况分析场和观测样本。
(1)
本文主要分析气压、温度、湿度、风速观测要素。
4. 结果分析
4.1. 实况分析场与机场地面观测的均方根误差
图1显示了2021年1~11月首都机场6个站点气压观测与实况分析气压的24小时滚动均方根误差，由图可见，6个点与实况分析场的均方根误差相差较大，其中01点的均方根误差最小，小于1.75 hPa，最大的均方根误差为2.75~3 hPa之间，由于实况分析场在较小的范围内差异不大，因此，这种差异主要是由于6个点之间因高度不同而观测结果相差较大导致的。
Figure 1. Time series of root mean square error of air pressure at 6 points in Capital Airport
图1. 首都机场6个观测点实况分析场气压均方根误差时序图
1~11月各站的气压均方根误差比较稳定，变化不大，可以看出，RTOAS实况分析场的质量较好，比较稳定。
图2显示了2021年1~11月首都机场6个站点相对湿度观测与实况分析序列的24小时滚动均方根误差，由图可见，6个点与实况分析场的均方根误差比较一致，1~8月相对湿度误差水平主体基本在2.5%~5%之间，9月后误差水平有所增大，基本在5%~7.5%之间。
图3显示了2021年1~11月首都机场6个站点气温观测与实况分析序列的24小时滚动均方根误差，由图可见，1~2月6个点之间的均方根误差相差较大，最小的点是18 L，约为0.75℃~1.0℃，01点的均方根误差最大，约为2.5℃~3.0℃。3月之后，各点的均方根误差比较一致，其中3月最小，约为0.25℃，10~11月均方根误差逐渐增大到1.5℃。
Figure 2. Time series of root mean square error of relative humidity at 6 points in Capital Airport
图2. 首都机场6个观测点实况分析场相对湿度均方根误差时序图
Figure 3. Time series of root mean square error of air temperature at 6 points in Capital Airport
图3. 首都机场6个观测点实况分析场气温均方根误差时序图
4.2. 实况分析场与机场地面观测的相关分析
图4是2021年1~11月机场2 m气温观测与实况分析场气温序列的相关图，相关系数0.99，可见实况分析场的2 m气温分析与独立的机场观测有较高的一致性，说明气温的分析场质量非常高。
Figure 4. The correlation diagram of 2 m air temperature between RTOAS analysis and 6 points observation at Capital Airport
图4. 首都机场6个观测点2 m气温观测与实况分析场气温相关图
图5是2021年1~11月机场2 m相对湿度观测与实况分析场相对湿度序列的相关图，相关系数1.03，可见实况分析场的2 m相对湿度与独立的机场观测也有较高的一致性，但其离散程度要比气温高。
Figure 5. The correlation diagram of relative humidity between RTOAS analysis and 6 points observation at Capital Airport
图5. 首都机场6个观测点相对湿度观测与实况分析场相对湿度相关图
图6是2021年1~11月机场6个点观测的10米风速与实况分析场U、V分量合成的10米风速序列的相关图，相关系数0.59，可见实况分析场的10米风速与观测的一致性相对较差，这也与风速易受局地影响有关。从图中可见实况分析场的10米风速分析相较于观测偏低。
Figure 6. The correlation diagram of 10 m wind speed between RTOAS analysis and 6 points observation in Capital Airport
图6. 首都机场6个观测点10 m风速与实况分析场10 m风速序列相关图
4.3. 实况分析场与机场地面观测的偏差分析
4.3.1. 偏差的概率分布
图7是首都机场6个观测点的平均气压与RTOAS实况分析场6个点平均气压的偏差分布图(观测–分析)，由图可见，6个观测点的平均气压比实况分析场的平均气压普遍偏低，50%以上的样本偏低在2 hPa以内，48%以上样本偏低2~3 hPa。
Figure 7. Probability distribution of the deviation between the mean atmospheric pressure of 6 points by RTOAS analysis and observation at Capital Airport
图7. 首都机场6个观测点平均气压与实况分析场平均气压偏差概率分布图
图8是首都机场6个观测点的平均气温与RTOAS实况分析场的平均气温偏差分布图(观测–分析)，由图可见，6个观测点平均的气温与实况分析场平均气温偏差在0.5℃内的占比90%以上，观测偏低的概率略高于偏高的概率，说明实况分析场分析的气温略偏高。
Figure 8. Probability distribution of the deviation between the mean atmospheric temperature of 6 points by RTOAS analysis and observation at Capital Airport
图8. 首都机场6个观测点平均气温与实况分析场平均气温的偏差概率分布图
图9是首都机场6个观测点平均的相对湿度观测与RTOAS实况分析场的平均相对湿度偏差分布图(观测–分析)，由图可见，6个观测点平均的相对湿度与实况分析场平均相对湿度偏差在2%以内的占到90%以上，偏差最大在8%以内，负偏差多于正偏差，说明实况分析的相对湿度略偏高。
Figure 9. Probability distribution of the deviation between the mean atmospheric relative humidity of 6 points by RTOAS analysis and observation at Capital Airport
图9. 首都机场6个观测点平均相对湿度与实况分析场相对湿度偏差概率分布图
图10是将首都机场6个观测点平均的10 m风速分解到东西向风(U)和南北向风(V)，并与RTOAS实况分析场的平均U、V风偏差概率分布图(观测–分析)，由图可见，U、V风的偏差最大概率分布均在0.5 m/s以内，占比接近50%，偏差在1 m/s以内的占比80%。U、V的偏差分布基本呈现正态分布。
Figure 10. Probability distribution of the deviation between the mean wind speed of 6 points by RTOAS analysis and observation at Capital Airport
图10. 首都机场6个观测点平均风速与实况分析场平均风速偏差概率分布图
4.3.2. 偏差的时间序列
图11是首都机场6个观测点平均的序列与RTOAS相应序列的日平均偏差时序图(观测–分析)。由图可见，RTOAS地面气压对比机场观测存在略微的系统性偏高，平均约2 mb左右。如上文所述，地面气温两者偏差很小，大部分日平均偏差在0.5℃以内。地面相对湿度日平均偏差有一点季节性特征，RTOAS相比机场观测在冬春(0~100天)湿度结果偏低，而夏秋(200~300天)偏高。地面风场日平均偏差分布在0值上下震荡，总体偏差在0.5 m/s以内，U、V分量较大偏差主要出现在4~5月之间(100~150天)。
Figure 11. Time series of daily average deviation between the mean series of 6 points by RTOAS analysis and observation at Capital Airport
图11. 首都机场6个观测点平均序列与实况分析场相应序列日平均偏差时序图
4.4. 结论与讨论
本文采用首都机场6个观测点2021年1~11月的观测资料，对RTOAS实况分析场进行了独立性检验，结论如下：
1) RTOAS气温序列的准确性较高，对首都机场具有较好的代表性，相关系数0.99，90%样本偏差小于0.5℃，24小时滚动均方根误差大部分小于1℃。
2) RTOAS气压序列的准确性次于气温，24小时滚动均方根误差在不同点之间差异较大，最小在1.5~1.75 hPa之间，最大在2.75~3 hPa之间，主要是由不同点之间观测的差异造成的。1~11月各站的气压均方根误差比较稳定，变化不大，说明实况分析场的质量比较稳定
3) RTOAS相对湿度的准确性较好，相关系数1.03，24小时滚动均方根误差主要处于2.5%~5%之间，6个点平均偏差2%以内的样本占到90%以上，偏差最大在8%以内，负偏差多于正偏差，说明实况分析的相对湿度略偏高。
4) RTOAS风速的准确性相对小一些，相关系数0.59，实况分析场的风速偏小。6个点平均的U、V风的偏差分布基本呈现正态分布，最大概率分布均在0.5 m/s以内，占比接近50%，偏差在1 m/s以内的占比80%。
5) 由于机场的观测点受局地环境的影响出现一定的差异，而实况分析场格点具有网格代表性，因此用6个点的平均值进行独立检验的效果优于单个点的检验。
本文的独立性检验分析结果显示，RTOAS实况分析场具有较好的稳定性和准确性，在资料缺乏地区能够作为实况观测的替代资料使用，使用中，需注意风的观测受局地影响较大，资料的代表性有限。
基金项目
本文由国家重点研发计划课题“超大城市综合观测试验数据融合、评估与应用示范”(2017YFC1501704)资助。
NOTES
*通讯作者。