基于多源资料的地基微波辐射计温度廓线数据质量评估

Quality Assessment of Ground-Based Microwave Radiometer Temperature Profiles Based on Multi-Source Data

摘要: 本文基于探空资料和ERA5再分析资料等多源数据，选取四个代表站点(北京站、新疆阿克苏站、吉林长春站和广东清远站)，对地基微波辐射计(MWR)温度廓线的数据质量进行了对比评估。与探空资料(RS)对比结果表明，北京站的MWR平均温度误差最小，基本维持在1℃以内；阿克苏站在2 km以上高度差异最大，最大偏差约为5℃；吉林长春站MWR资料偏差稳定性存在较大波动；广东清远站的MWR资料整体质量较好。与再分析资料对比表明，在所选时空范围内，基于ERA5再分析数据评估上述站点的MWR数据质量，与探空数据结果保持一致。因此在探空资料缺乏的情况下，ERA5再分析资料可在一定程度上，用于定量评估微波辐射计温度廓线数据质量。此外，在利用平均偏差(Bias)和均方根误差(RMSE)量化不同资料间差异的同时，本文还设计了相对加权欧式距离(RED)这一统计指标，以检验不同高度处气候态特征对温度相对偏差结果的影响。本研究提出的MWR温度廓线数据质量评估方法，既有效利用探空资料的精准性，又充分利用ERA5再分析数据的时空一致性和连续性，可推广至更多MWR观测站点，具有一定的普适性。

Abstract: This study evaluates the data quality of ground-based microwave radiometer (MWR) temperature profiles at four representative sites in China using radiosonde data (RS) and ERA5 reanalysis data. Comparisons with radiosonde observations show that the MWR data in Qingyuan generally has the best quality, with Beijing showing the smallest bias (mostly within 1˚C). The largest bias is found above 2 km in Aksu, reaching up to 5˚C, while Changchun shows significant errors below 2 km with notable fluctuations in data stability. Comparisons with ERA5 reanalysis data yield similar results, suggesting that ERA5 can be used for MWR evaluation in the absence of radiosonde data. Additionally, while using the mean bias and root mean square error (RMSE) to quantify the differences between different data, a new metric, Relative Euclidean Distance (RED), is introduced to test the influence of altitude-based climatological characteristics on temperature deviation results. The proposed MWR data quality evaluation method leverages both the accuracy of radiosonde data and the spatial-temporal continuity of ERA5, showing general applicability to other MWR observation sites.

1. 引言

温度是大气中动力过程、化学过程和辐射过程的关键参数[1]。同时，温度也是对人类影响最重要的气候参数之一[2]。目前，对不同垂直高度处气温的观测和校准是气象领域的重要工作之一。

常规探空观测是大气垂直温度廓线要素观测的主要手段之一。探空资料因为其可靠性和较多的垂直层数，在许多气象研究中都起着十分重要的作用[3]-[5]。刘艳杰等结合探空资料的温湿廓线，对河北廊坊的冰雹天气进行了特征分析[6]。黄景等基于L波段雷达逐日探空资料，分析了台州地区边界层逆温的发生频率和空间分布等特征[7]。吕静等结合逐日地面降雪观测和L波段雷达探空观测资料，建立降雪天气预报指标，并在威宁县通过个例检验[8]。尽管高空探测是目前结果最接近真实大气状态的观测手段，但也存在时间和空间分辨率有限等不足[9]。此外，高层探空资料可能因为水平漂移距离较大的原因，影响资料对比评估结果的准确性[10]，已有研究表明探空气球漂移的范围还会受季节影响[11]。

然而，近年来基于地基微波辐射计(MWR)对大气垂直温度廓线观测手段的广泛应用，可以在一定程度上，弥补上述探空资料的不足[12]-[18]。地基微波辐射计可以在几乎所有天气条件下、以长期无人值守的方式进行连续观测[13]-[15]，能够获得较高时间分辨率的大气温度廓线数据[12]。这些优势使得地基微波辐射计反演温度廓线数据在参与数值天气预报模式资料同化时，成为无线电探空等资料的有效补充[16]。地基微波辐射计由于其较高的时空分辨率，被广泛应用于大气边界层高度计算、特殊天气过程分析等科研业务工作中[17] [18]。例如，杨世昆等利用北京南郊站微波辐射计、激光气溶胶雷达、风廓线雷达等观测资料联合反演，计算了全天候大气边界层高度，其与探空资料以及ERA5再分析资料的结果有较好的一致性[18]。

尽管地基微波辐射资料在强天气监测预警等越来越多的业务科研中发挥重要作用，但是，由于本身观测原理或反演算法容易受外界环境影响等原因[19]-[24]，其获得的温度廓线数据质量(或数据精准度)与探空资料及再分析资料相比，仍然存在较大不确定性，严重制约着该类资料的应用水平。例如，韩珏靖等利用苏州站MP-3000A型微波辐射计，分析了2011年苏州几个降水和大雾过程的大气对流情况，同时指出该站微波辐射计探测性能仍有待提高[21]；刘晓璐等分析了MWP967KV型地基微波辐射计在四川南部地区的廓线精度，发现其低层大气廓线与探空资料的相关系数明显更高，并指出微波辐射计测量精度会受到云层以及逆温层的影响[22]；徐进等对比了徐州Airda-HTG4型地基微波辐射计和同址探空站的温度参数，结果显示该站辐射计在5 km以下高度与探空有较高的相关性和较小的误差，但5 km以上高度微波辐射计的反演效果较差[23]；黄明明等对比了同址L波段探空数据、自动气象站以及MP-3000A型地基微波辐射计反演结果，表明辐射计温度数据与探空、自动站的相关性会随高度增加逐渐减少[24]。然而，上述已有研究工作，大多基于某一观测站点位置微波辐射计观测与同址探空的对比，这导致相关数据质量评估结果，极容易受到当地气候天气背景、同址探空观测温度廓线质量、探空观测空间覆盖范围有限等因素的影响。由此可见，亟需发展一种普适的方法，或者说找到数据质量水平时空一致性较好的连续场，来弥补同址探空那些离散观测点的不足，作为一种参考，以开展对不同位置处MWR反演温度廓线产品数据质量的定量评估[9] [20]。同时，值得一提的是，最新的数值模式资料同化系统(例如，变分方案)需要准确表示数值模式(背景)和观测值之间的差异，然后对其各自的误差进行加权，以提供对真实大气状态的最佳分析。因此，除了跟同址探空比较，另一种如何评估微波辐射计温度廓线数据偏差的信息有效来源，以获得MWR观测值与背景观测值之间差异(O-B)的统计。已有研究结果表明，利用数值模式资料(如ERA5再分析)，监测O-B统计数据对于检测和消除来自测量、观测算子和NWP模型的系统误差至关重要[16]。ERA5再分析资料[25]是由欧洲中期气象预报中心(ECMWF)提供的第五代全球气候再分析产品，具有持续时间长、时空分辨率高等优势[26]，同时还具有时空一致性特征[27]。前人已有研究工作将ERA5应用于微波辐射计数据反演及质量对比评估[9] [28] [29]：例如，吴梦莹等结合探空以及ERA5再分析资料，对2021年3~8月北京大兴站的微波辐射计温度廓线进行检验和订正工作[9]；柳靖等利用多通道微波辐射计的温度廓线数据结合ERA5再分析资料，对青藏高原东坡的大气边界层高度变化特征进行了研究，并对比了两种资料计算结果的差异性[28]；雷连发指出ERA5再分析资料对无历史探空资料区域的微波辐射计数据反演具有重要意义[29]等。

综上，鉴于已有地基微波辐射计温度廓线数据质量评估工作，多是基于单站同址探空资料的对比分析，缺乏对不同站点位置处MWR反演温度廓线开展数据质量定量评估的有效普适方法，本文提出利用探空资料和ERA5再分析资料等多源数据，选取4个代表性站点(北京站、新疆阿克苏站、吉林长春站和广东清远站)，通过获得MWR观测值与背景观测值(ERA5再分析资料)之间差异(O-B)的相关统计信息，如平均偏差(Bias)和均方根误差(RMSE)等指标，来定量分析不同站点MWR反演温度廓线数据质量水平。本文还设计了相对加权欧式距离(RED)这一统计指标，以检验不同高度处气候态特征对温度相对偏差结果的影响。本文的研究方法既有效利用探空资料的精准性，又充分利用ERA5再分析数据的时空一致性和连续性，可推广至其他MWR观测站点，具有一定的普适性。

2. 资料和方法

2.1. 研究资料

本文使用的数据时间段为2024年1~7月北京时间08时和20时共426个时次。

地基微波辐射计(MWR)资料来自国家气象信息中心气象大数据云平台中的微波辐射计二级反演数据产品，该数据产品提供了24小时连续每2分钟的观测，涵盖从地面至10 km高度的大气信息，包括观测时间、地面温度、地面气压、地面湿度、红外温度、降水指示符、云底高度、水汽总量、液水总量、温度廓线、相对湿度廓线、水汽密度廓线、液水密度等要素，以及各要素的质量控制信息。从中择取了四个站点。其中，新疆阿克苏站(台站号：51628，80.38˚E，41.12˚N，海拔高度1108.3 m)的微波辐射计型号为ZP型，本文统计时间段共有421个时次的数据。吉林长春站(台站号：54161，125.2317˚E，43.8914˚N，海拔高度238.0 m)的微波辐射计型号为TQ967型，在统计时段共有333个时次的数据。北京站(台站号：54511，116.47˚E，38.81˚N，海拔高度34 m)的型号为TQ967型，共有157个时次数据。广东清远站(台站号：59280，113.08˚E，23.71˚N，海拔高度80.4 m)的型号为YKW2型，统计时段内的数据共有401个时次。四个站点的MWR在垂直方向上均有83层数据，0.5 km高度以下的垂直分辨率为25 m，0.5至2 km高度的垂直分辨率为50 m，2至10 km高度为逐250 m。

探空数据(RS)与MWR同期同址观测，数据来源于气象大数据云平台。新疆阿克苏站、吉林长春站和北京站探空系统为L波段雷达探空系统，其中，吉林长春站统计时段共计425个时次，另外两个站点在统计期间均有426个时次的数据；广东清远站使用北斗探空系统，统计时段内存在3个时次的数据缺测。探空气球从地面释放后逐渐上升，传回所在位置处大气温度、气压、相对湿度等大气参数。值得一提的是，在四个探空站点中，不同于国际交换站吉林长春站(54161)、北京站(54511)和广东清远站(59280)，新疆阿克苏站(51628)探空资料未参与国际交换。

为了进一步对比分析，本文使用欧洲中期天气预报中心(ECMWF)的ERA5再分析资料。该数据水平分辨率为0.25˚ × 0.25˚、垂直分辨率为37层。本文将ERA5再分析资料中的大气温度和地表气压值插值到各站点，以做进一步分析。

2.2. 研究方法

2.2.1. 时空匹配方法

探空放球时间为北京时间每日07时15分和19时15分，而MWR反演温度廓线数据的时间分辨率为每2分钟，ERA5再分析数据的时间分辨率为每小时。为了最大程度保持三套数据的时间匹配，同时考虑到近地面温度变化速度快于高空温度，MWR选择了每日07时16分和19时16分的观测数据，而探空和ERA5再分析数据则选用08时和20时的数据。

此外，为了便于资料对比，所有观测时次的温度廓线均需进行插值计算到相同的高度层[25]。在已知位势高度的情况下，可以利用下式计算各层的几何高度[24]：

$g_{\phi 0}=9.80620\left[1-0.0026442\cos \left(2\phi \right)+0.0000058{\left(\cos \left(2\phi \right)\right)}^2\right]$ (1)

$Z=\left[HR/\left(g_{\phi 0}/g\times R-H\right)\right]/1000$ (2)

已知位势高度H，可结合公式(1)与公式(2)计算出对应的几何高度。其中，φ表示地理纬度，R为地球半径(这里取6371 km)，g取9.80665 m/s²。得到对应层的几何高度场后，通过线性插值方法，将各层的大气温度插值至与MWR温度廓线相同的83个高度层，以便在相同高度下对不同资料进行对比分析。由于ERA5再分析资料缺少大气低层的数据，插值时考虑使用2 m气温资料作为地面气温，并将资料在站点周围的格点通过加权平均的方式，在水平方向上插值到对应气象台站的经纬度位置。

2.2.2. 质量控制方法

对原始MWR的温度廓线数据开展允许值检查、主要变化范围检查、垂直一致性检查等多个环节质量控制，对未经过质控的异常廓线进行标记，不参与后续统计分析。其中，各层大气温度的主要变化范围设置随高度变化，高度分层为[0, 250 m]、[300, 2500 m]、[2750, 6000 m]、[6250, 8500 m]、[8750, 10000 m]，对应的温度变化范围分别为[−60℃, 60℃]、[−80℃, 40℃]、[−90℃, 40℃]、[−100℃, 30℃]、[−120℃, 30℃]。当MWR温度廓线中任意一层超过给定的阈值时，该廓线即被标记为异常。随后进行了大气温度垂直一致性检查，参考已有文章结果[31]，对垂直变化率的标准差超过1.2℃/m的廓线标记为异常。

由于MWR在降水和云的影响下会导致反演精度降低[23]，故在使用该资料前，还需进行异常天气检查，并将检验出的异常数据在后续统计中进行标记。其中，云层的形成主要由相对湿度接近饱和决定，因此判断云层结构时，主要参考探空观测的相对湿度廓线[30]。同时，我们对所有降水时次的廓线进行了标记。这些被标记的廓线将被区分，并用于后续对比分析。

2.2.3. 偏差统计指标

为了量化资料间的差异性，本文通过计算不同资料间温度数据的平均偏差、均方根误差[23]、偏差分布的标准差以及欧式距离进行资料的对比：

$\text{Bias }={\displaystyle \sum {}_{i=1}^N}\frac{X_i-Y_i}{N}$ (3)

$\text{Sta}=\sqrt{\frac{1}{N}{\displaystyle \sum {}_{i=1}^N}{\left({\text{Bias}}_i-\overline{\text{Bias}}\right)}^2}$ (4)

$\text{RMSE}=\sqrt{\frac{1}{N}{\displaystyle \sum {}_{i=1}^N}{\left(X_i-Y_i\right)}^2}$ (5)

$\text{ED}=\sqrt{{\displaystyle \sum {}_{i=1}^L\left(\frac{{\text{RMSE}}_i}{{\displaystyle \sum {}_{j=1}^L{\text{RMSE}}_j}}{\left(X_i-Y_i\right)}^2\right)}}$ (6)

$\text{RED}=\frac{\text{ED}}{\left|T_m\right|L}$ (7)

其中X和Y分别表示各时次不同资料在每一层大气的温度数据，N表示样本量大小，即参与对比的观测时次数量。利用(3)式和(4)式，可以计算出不同资料之间各层的平均偏差(Bias)以及标准差(Sta)，从而直观地反映资料间的差异性。(5)式中的RMSE表示不同资料间的均方根误差，反映温度偏差的变异性。(6)式中ED (Euclidean Distance)表示以标准差为权重，得到的不同资料间各层大气温度数据的加权欧氏距离，其中L表示纳入计算的大气廓线总层数。(7)式中RED (Relative Euclidean Distance)表示相对加权欧式距离，即不同资料间大气温度数据的加权欧氏距离ED/L与气候态$\left|T_m\right|$ 的比值，其中$T_m$ 表示统计时段内站点对应高度层的气候态温度。

3. 研究结果

3.1. 不同资料的平均大气温度廓线特征

如图1所示，展示了2024年1月1日至2024年7月31日MWR (蓝线)、无线电探空RS (红线)、ERA5再分析资料(绿线)的地面至高空10 km的平均大气温度廓线。从图1中可以看出，三套资料的平均温度廓线呈现不同的大气温度垂直变化特征。其中，新疆阿克苏站、吉林长春站和北京站的资料平均温度廓线的0℃层基本都在3 km以下(图1(a)~(c))。图1(d)中，清远站的大气平均温度较高，直至4 km高度后，大气平均温度才逐渐降至零下。这些资料较好地反映了对流层大气温度随纬度的变化特征。

同时，不同站点的资料间差异性存在明显区别。图1(a)中，新疆阿克苏站点MWR的温度廓线相较于探空等资料，在2 km以上高度有很明显的偏高。如图1(b)所示，吉林长春站点MWR的平均温度廓线在多数高度层都存在一定的偏高。图1(c)是北京站三套资料的平均温度廓线，在1~9 km高度范围内，北京站MWR的平均温度相对偏低，其余高度则基本一致。广东清远站点在3~9 km高度范围内，MWR的平均温度相较于探空等资料略有偏高(图1(d))。总体来看，新疆阿克苏站三套资料的平均温度廓线差异最大；吉林长春站在中层存在显著偏差；而北京站和广东清远站的资料一致性相对较好，平均温度廓线的差异较小。

3.2. 不同资料间偏差的垂直分布特征

图2显示了2024年1月至7月期间，四个站点MWR与探空资料的平均温度廓线平均偏差 Bias 及其标准差Sta (图中标注的误差棒)的垂直分布特征。其中，除吉林长春站外，其余三个站点在2 km以下高度的MWR与探空资料的Bias较小，但在较高层次则普遍存在一定的差异。如图2(a)所示，新疆阿克苏站在2 km以上高度的资料差异显著，MWR相较于探空资料呈现出明显的偏暖，最大处的偏暖约为5℃。图2(b)中，吉林长春站在整个大气层中均存在一定的Bias，且多层的Sta较大，这表明该站MWR资料不仅偏差较大而且随时空变化不稳定。图2(c)中，北京站高层的Bias绝对值很小，基本在1℃以内，但资料间的Sta差异非常显著。如图2(d)所示，广东清远站在高层的MWR数据相较于探空略有偏暖，但各层Sta相对偏低。可见，MWR在高空温度观测中可能存在较大的误差和不确定性[20]-[24]。这里也表明，由于不同站点因为地理位置、气候条件的差异以及MWR反演算法的不同，与探空资料的对比结果存在显著差异。

随后，将ERA5再分析资料加入对比，分析其与另外两套资料的差异。图3展示了2024年1月至7月期间，四个站点MWR与ERA5再分析资料(红线)及探空资料与ERA5再分析资料(绿线)之间的Bias及其Sta (误差棒)的垂直分布特征。总体来看，四个站点的探空资料与ERA5再分析资料基本一致，仅在0.5 km以下高度略有偏差。相比之下，MWR温度数据与ERA5再分析资料之间则存在明显的差异。如图3(a)所示，在3至10 km高度范围内，阿克苏站的MWR平均温度廓线与ERA5再分析资料的Bias约为3至5℃。图3(b)中，吉林长春站在0.3 km以上均有一定的Bias和较大的Sta。图3(c)中，北京站的Bias相对最小，但在3至10 km高度范围内存在较大的Sta。而在图3(d)中，广东清远站的Bias和Sta均比较小。尤其是在2公里以上的高度，各站点的Bias及Sta显著增大，这与图2中MWR与探空资料的对比结果一致。上述分析也体现了ERA5再分析资料的时空一致性特征[27]，以及在数据评估等工作中所具有的重要意义[9] [28] [29]。

3.3. 不同资料间偏差随时间的变化特征

鉴于上述图2和图3中资料在2 km以上高度的误差更为显著，本文分别计算了2~10 km以及0~2 km高度的偏差时间序列，以分析它们在不同高度下的时间变化特征。

图4是2024年1~7月在2~10 km高度范围内资料间平均偏差(Bias)随时间的变化特征，选取了资料时次相对较多的三个站点进行对比。图4(a)、图4(c)、图4(e)为各站点MWR与探空资料的Bias时间序列，其中蓝线表示未剔除异常天气时次(noQC)的时间序列，红线表示剔除异常天气后(QC)的时间序列。周冰雪等[31]指出，MWR的上层温度数据与探空资料在云天条件下的均方根误差可能略大于晴空时的情况。这里通过对比质控异常天气时次前后的曲线，可以看出，大部分时次质控后MWR与探空资料的温度差异有所降低。图4(b)、图4(d)、图4(f)为微波辐射计与ERA5再分析资料的Bias时间序列，其中黑线表示未考虑异常天气影响，黄线表示经过检验并剔除了异常天气时次后的结果。可见，当利用ERA5进行对比时，所表现出的MWR质控前后结果特征与探空资料结果基本保持一致。

图4(a)是2 km及以上高度新疆阿克苏站MWR与探空资料Bias时间序列，大部分时次均为较大的正值。尽管阿克苏站不是探空国际交换站，ERA5中未同化该站的探空资料，但MWR温度数据与探空资料及ERA5再分析资料的Bias时间序列仍表现出较高的一致性(图4(a)、图4(b))，这进一步说明，利用ERA5再分析资料的时空一致性特征，可以对无探空观测站的MWR资料进行有效评估。图4(c)和图4(d)中，吉林长春站的Bias并未表现出长期一致的偏高或偏低，而是随时间变化存在明显的波动，这与图2中Sta较大结果相吻合。如图4(e)、图4(f)所示，广东清远站MWR的温度数据长期来看仅略有偏高，没有较大的波动，这表明该站MWR数据质量较稳定。

更进一步，图5给出低层(0~2 km)的Bias时间序列特征，发现异常天气质控效果对该高度层的MWR数据质量影响较弱，这与MWR资料在低层质量较高有关。如图5(a)所示，新疆阿克苏站与广东清远站的MWR温度数据在2 km以下高度与探空资料表现出较高的一致性，Bias的绝对值基本在2℃以内。图5(c)中，吉林长春站的MWR温度数据在5月份之前明显偏高，且有较长时间的数据缺测。如图5(b)、图5(d)、图5(f)所示，在0~2 km高度，使用ERA5再分析温度数据进行资料对比，也可以得到相同的结论。上述结论，同样表明使用ERA5再分析数据进行MWR资料定量评估工作的可行性。

3.4. 基于相对加权欧氏距离的偏差随时空变化特征

由上述结果(对比图4和图5)可以看出，单纯比较温度的绝对偏差，MWR资料在高层的偏差远远大于低层。但是，若对于相对温度偏差而言，却并非如此。例如，在高层气候态平均温度−50℃下的2.5℃绝对偏差，与低层气候态平均温度10℃下的1℃绝对偏差相比，我们很难说低层1℃温度偏差较小，因为高层的相对温度偏差为5%，而后者相对偏差达到10%。即当实际大气温度的绝对值偏小时，观测仪器出现的较小偏差，相对于气候态其仍有可能是一个较大的相对误差。因此，本小结通过引入公式(7)中相对加权欧氏距离(RED)这一统计指标，以检验上述情况的影响。

图6展示了2024年1月~7月，各站点的MWR与探空资料、MWR与ERA5再分析资料的RED随时间的变化情况。图6(a)显示，新疆阿克苏站和吉林长春站在2~10 km高度范围内，MWR测量值与探空资料的RED较小，基本维持在0.7%以下。而广东清远站在5月之前的计算结果明显偏大，部分时刻达到了1.5%，这与该站在2 km以上高度的平均温度绝对值较低(图1(d))有关。图6(c)表明，在2 km以下高度，广东清远站MWR与探空资料的RED基本维持在0.3%以下。新疆阿克苏站资料在该高度层的RED也较小，基本低于0.4%。而吉林长春站则明显偏大，尤其在5月之前，最大值接近3%，并且该值随时间下降明显。结合图1(b)与图5(c)，可以发现，吉林长春站下层温度的气候态绝对值在几个站点中相对较小，且绝对误差偏大。这里表明，不同站点的气候态特征对同址微波辐射计的相对误差评估有很大的影响。在图6(b)、图6(d)中，使用ERA5再分析资料进行对比时，同样能够发现上述分析中的特征。

4. 结论与讨论

本文使用了新疆阿克苏站(51628)、吉林长春站(54161)、北京站(54511)、广东清远站(59280)四个站点2024年1月至7月08时和20时的MWR、探空资料以及ERA5再分析资料的温度廓线数据。通过将不同资料线性插值到相同的几何高度下，并结合多种统计指标进行对比，得到了如下结论：

(1) 统计时间段内，各站点的三套资料从地面至10公里高度范围内的平均温度廓线均较好地反映了大气温度的垂直变化特征，同时各站点资料间差异性也有明显的区别。

(2) 从各站点温度廓线的平均差异来看：新疆阿克苏站资料间的Bias显著偏大，在3~10 km高度下大约维持在3~5℃；吉林长春站在整层都存在一定的误差，同时其与北京站在部分高度下都有明显偏大的Sta，表明数据误差的波动性较强；相比之下，广东清远站的Bias在大气上层虽略高于北京站，但其数据的Sta较小。在使用ERA5再分析数据进行评估时，可以得到一致的结论，特别是在新疆阿克苏这一非国际交换探空站点的对比，这体现了ERA5再分析资料的时空一致性特征[27]，同时表明其在数据评估等工作中具有普适性。

(3) 考虑到不同站点的资料间差异特征明显不同，本文选择了时次较多的三个站点进行了时间序列分析。结果显示，经过异常天气检查后，MWR的误差一定程度上有所降低。阿克苏站在2~10 km高度，MWR的温度观测值普遍偏高。吉林长春站的高层温度稳定性较差。广东清远站大多数时次2~10 km高度的Bias绝对值较低。在0~2 km高度下，新疆阿克苏站和广东清远的MWR误差绝对值均较低；而吉林长春站在五月份之前的Bias绝对值明显偏高。本文还表明，不同站点的气候态特征对同址微波辐射计的RED评估有很大的影响。进一步对比发现，ERA5再分析资料的温度数据与探空资料高度一致，其也许可以在缺乏探空资料的站点中替代探空进行数据对比分析。

本文的研究方法充分利用了探空资料的精确性和ERA5再分析资料的时空一致性与连续性，充分分析了MWR资料的偏差特征，具有一定的普适性。目前针对MWR反演温度廓线数据的对比评估仅基于四个站点部分时次的同址探空资料及ERA5再分析资料。未来需要进一步扩展数据的时空范围，并对数据的质量开展更进一步的控制工作[32] [33]，以提升MWR数据在数值预报、资料同化等领域的应用水平。

Figure 1. The vertical distribution of the average atmospheric temperature profile from three sources. a) Aksu Station in Xinjiang; b) Changchun Station in Jilin; c) Beijing Station; d) Qingyuan Station in Guangdong

图1. 三种来源的平均大气温度廓线垂直分布图。a) 新疆阿克苏站；b) 吉林长春站；c) 北京站；d) 广东清远站

Figure 2. The station distribution of Aksu Station (51628) in Xinjiang, Changchun Station (54161) in Jilin, Beijing Station (54511), and Qingyuan Station (59280) in Guangdong

图2. 新疆阿克苏站(51628)、吉林长春站(54161)、北京站(54511)、广东清远站(59280)的站点分布图

Figure 3. The vertical distribution of the bias and standard deviation of the average atmospheric temperature profile between multi-source data. a) Aksu Station in Xinjiang; b) Changchun Station in Jilin; c) Beijing Station; d) Qingyuan Station in Guangdong

图3. 多源资料间平均大气温度廓线的偏差(Bias)及其标准差的垂直分布图。a) 新疆阿克苏站；b) 吉林长春站；c) 北京站；d) 广东清远站

Figure 4. The time series plot of the bias of the 2 km to 10 km layer-averaged atmospheric temperature profile from different sources. a) Aksu Station in Xinjiang (compared with radiosonde data); b) Aksu Station in Xinjiang (compared with ERA5); c) Changchun Station in Jilin (compared with radiosonde data); d) Changchun Station in Jilin (compared with ERA5); e) Qingyuan Station in Guangdong (compared with radiosonde data); f) Qingyuan Station in Guangdong (compared with ERA5)

图4. 不同来源的2 km~10 km整层平均大气温度廓线的偏差(Bias)时间序列图。a) 新疆阿克苏站(与探空比较)；b) 新疆阿克苏站(与ERA5比较)；c) 吉林长春站(与探空比较)；d) 吉林长春站(与ERA5比较)；e) 广东清远站(与探空比较)；f) 广东清远站(与ERA5比较)

Figure 5. The time series plot of the bias of the 0 km to 2 km layer-averaged atmospheric temperature profile from different sources. a) Aksu Station in Xinjiang (compared with radiosonde data); b) Aksu Station in Xinjiang (compared with ERA5); c) Changchun Station in Jilin (compared with radiosonde data); d) Changchun Station in Jilin (compared with ERA5); e) Qingyuan Station in Guangdong (compared with radiosonde data); f) Qingyuan Station in Guangdong (compared with ERA5)

图5. 不同来源的0 km~2 km整层平均大气温度廓线的偏差(Bias)时间序列图。a) 新疆阿克苏站(与探空比较)；b) 新疆阿克苏站(与ERA5比较)；c) 吉林长春站(与探空比较)；d) 吉林长春站(与ERA5比较)；e) 广东清远站(与探空比较)；f) 广东清远站(与ERA5比较)

Figure 6. The time series plot of the relative weighted Euclidean distance (RED) of the atmospheric temperature profile from different sources. a) 2 km to 10 km layer-averaged (compared with radiosonde data); b) 2 km to 10 km layer-averaged (compared with ERA5); c) Ground to 0 km layer-averaged (compared with radiosonde data); d) Ground to 0 km layer-averaged (compared with ERA5)

图6. 不同来源的大气温度廓线的相对加权欧式距离(RED)时间序列图。a) 2 km~10 km整层平均(跟探空比较)；b) 2 km~10 km整层平均(跟ERA5比较)；c) 地面到0 km整层平均(跟探空比较)；d) 地面到0 km整层平均(跟ERA5比较)

基金项目

国家自然科学基金项目(42205029)；山东省自然科学基金项目(ZR2022QD095, 2023HWYQ-058)；新型资料质量控制与产品研发团队项目(NMIC-2024-QN02)；新疆气象局科技创新发展基金重点项目(ZD202304)。

NOTES

^*通讯作者。