全 文 ：基于序贯高斯模拟的日最低气温空间不确定性评估*
张国峰1**摇 瞿明凯2 摇 成兆金3 摇 陈汇林1
( 1海南省气象科学研究所 /南海气象防灾减灾重点实验室, 海口 570203; 2中国科学院南京土壤研究所 /土壤环境与污染修复
重点实验室, 南京 210008; 3日照市气象局, 山东日照 276826)
摘摇 要摇 明确日最低气温对于评估低温对作物的危害、指导人们及时采取补救措施、保障粮
食安全具有重要意义.克里格是近地面温度场插值的主流方法,但其平滑效应会导致低值区
域被过高估计而高值区域被过低估计.对 2011 年 12 月 12 日冷空气影响下的海南岛日最低
气温,采用交叉验证法评估了普通克里格和带漂移的克里格两种插值法的预测精度;并对克
里格插值法和序贯高斯模拟法产生的当日海南岛最低气温的空间分布进行对比分析.结果表
明:带漂移克里格法的预测精度(r=0. 86)并不显著优于普通克里格法(r=0. 86);序贯高斯模
拟能产生多个等概率的符合数据整体分布和方差函数的模拟结果,模拟结果克服了克里格插
值的平滑效应,能够比克里格插值更加真实地反映当日最低气温的空间分布;在低温区域,气
温变化小,序贯高斯模拟结果的条件方差小于普通克里格方差;潜在寒害区的空间不确定性
能够通过多个序贯高斯模拟实现并加以量化.序贯高斯模拟在低温导致农业气象灾害的评估
中具有较高的应用价值.
关键词摇 日最低气温摇 寒害摇 序贯高斯模拟摇 普通克里格摇 空间不确定性
*公益性行业(气象)科研专项(GYHY201206019)资助.
**通讯作者. E鄄mail: zhangwei200405@ 163. com
2013鄄04鄄02 收稿,2013鄄10鄄21 接受.
文章编号摇 1001-9332(2014)01-0117-08摇 中图分类号摇 P628. 2摇 文献标识码摇 A
Assessment for spatial uncertainty of daily minimum temperature by using sequential Gaussi鄄
an simulation. ZHANG Guo鄄feng1, QU Ming鄄kai2, CHENG Zhao鄄jin3, CHEN Hui鄄lin1 ( 1Key La鄄
boratory for South China Sea Meteorology and Disaster Mitigation, Hainan Institute of Meteorological
Sciences, Haikou 570203, China; 2Key Laboratory of Soil Environment and Pollution Remediation,
Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China; 3Rizhao Meteoro鄄
logical Bureau, Rizhao 276826, Shandong, China) . 鄄Chin. J. Appl. Ecol. , 2014, 25(1): 117 -
124.
Abstract: Understanding daily minimum temperature is of great importance for assessing low tem鄄
perature damages to crops and guiding people to take timely remedial measures to ensure food secur鄄
ity. Kriging is a widely used technology for mapping the spatial distribution of the near鄄surface tem鄄
perature. However, the smoothing effect, commonly found in the Kriging maps, leads to low values
to be overestimated and high values to be underestimated. For daily minimum temperature on Hai鄄
nan Island which was affected by cold air on December 12, 2011, cross鄄validation was adopted to
evaluate the prediction accuracy of ordinary Kriging (OK) and Kriging with external drift (KED).
The spatial distribution maps of daily minimum temperature on Hainan Island on December 12,
2011 produced by OK and sequential Gaussian simulation (SGS) were compared. Results showed
that the prediction accuracy of KED ( r = 0. 86) was not superior to OK ( r = 0. 86) significantly.
SGS could generate multiple equiprobable simulation realizations, and the distribution and variance
function of the original data could be reproduced in the realizations. The simulation realizations gen鄄
erated by SGS overcame the smoothing effect of Kriging and could more truly reflect the spatial dis鄄
tribution of minimum temperature on the day on Hainan Island. In the region where daily minimum
temperature was low, and the temperature change was small, the conditional variance of the SGS re鄄
sults was less than the ordinary Kriging variance. Spatial uncertainty of a potential chilling damage
area could be quantified by multiple simulation realizations generated by SGS. SGS was a valuable
应 用 生 态 学 报摇 2014 年 1 月摇 第 25 卷摇 第 1 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Jan. 2014, 25(1): 117-124
tool for assessing agro鄄meteorological disasters caused by low temperature.
Key words: daily minimum temperature; chilling damage; sequential Gaussian simulation; ordina鄄
ry Kriging; spatial uncertainty.
摇 摇 近地面气温及其变化影响着地表的几乎一切生
命活动.农业上,在作物的生命过程中,有 3 个基点
温度,即最低温度、最适温度、最高温度.在最适温度
下,作物生长发育最快;在最低或最高温度条件下,
作物停止生长发育,如果温度继续下降或升高,作物
就会受到危害甚至死亡. 不同作物的三基点温度不
同,同一作物在不同发育期的三基点温度也不
同[1] .如小麦生长的下限温度为 3 ~ 4. 5 益;玉米生
长的下限温度为 8 ~ 10 益;水稻生长的下限温度为
10 ~ 12 益;香蕉生长的临界温度在 10 益左右;橡胶
生长的临界温度为 18 益,15 益以下将严重影响幼
树的新陈代谢,光合作用停止,5 益以下割面和树茎
枝接合处会有爆皮流胶现象[2];莲雾在花期若遇
7 益以下的低温,花芽和叶芽均会受到损害. 近年
来,由于人类活动的影响引起全球变暖,导致各种极
端天气频繁出现.低温灾害在我国的天气气候和种
植制度下较多出现,是我国主要农业气象灾害之
一[1] .当低温灾害发生时,掌握近地面日最低气温
信息,对于评估低温对作物的危害、指导人们及时采
取补救措施、保障粮食安全具有重要意义.
各国(或地区)政府在人类活动频繁的区域都
建立了高空间分辨率的气象监测网络,这些网络可
为人们提供高时空分辨率的气温监测信息,从而为
认识近地面气温及其变化提供了可能.然而,由于设
备本身及保障这些设备正常运行所需的费用是有限
的,因此气象监测网络的空间分辨率不可能无限制
的提高.此外,由于近地面大气状态的复杂性,近地
面某个小区域或地块在某个时间段(年、月、日、时
甚至分钟)的平均气温具有一定的随机性.因而,观
测站以外某点的气温必须利用插值算法进行估计才
能获知.通常各种插值算法对气温的估计存在误差,
且确定性插值算法(如 Voronoi 多边形、反距离法、
样条函数等)对未观测点只能给出一个估计值,不
能对误差方差进行估计. 以区域化变量理论为基础
的克里格插值法不仅能给出待估计点的一个最优无
偏估计,而且能给出估计的误差方差[3-4],因而,克
里格插值法(尤其是考虑辅助变量的克里格法)逐
渐成为近地面温度场插值的主流方法[5-11] .然而,克
里格法具有平滑效应,该效应会导致低值区域被过
高估计、而高值区域被过低估计[12],且克里格法不
能重现其半变异函数等特征. 空间随机模拟(如序
贯高斯模拟、序贯指示模拟等)可以克服克里格插
值的缺点.与克里格插值相比,空间随机模拟将数据
作为一个整体来复原其空间结构,而不追求特定点
位某个属性的局部最优估计值;空间随机模拟可以
提供多个可能的模拟实现;模拟实现之间的波动性
为预测结果的不确定性提供了一个定量化的途
径[13] .因此,空间随机模拟更加适合于一些关注全
局统计甚于局部精度的应用[14-18] .
本文以冬季易受寒害影响的海南岛为研究区
域[19],以 2011 年 12 月 12 日冷空气影响下的海南
岛日最低气温为研究对象,采用交叉验证法评估了
普通克里格和带漂移的克里格两种插值法的预测精
度,然后对普通克里格插值和序贯高斯模拟生成的
当日海南岛最低气温的空间分布进行对比分析,探
讨了克里格插值和序贯高斯模拟在日最低气温评估
方面的优劣.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
海 南 岛 ( 18毅 10忆—20毅 10忆 N, 108毅 37忆—
111毅03忆 E)是我国第二大岛,属大陆岛,全岛面积
3郾 43伊104 km2 .海南岛的地势由中部高山向四周逐
渐递降,最高峰五指山海拔 1867 m. 海南岛地处热
带,属热带季风气候,年均气温 23. 8 益,1 月平均气
温17郾 2 益,7 月平均气温 27. 4 益 .海南岛动植物资
源丰富,有各类植物 4200 多种,其中,海南特有种
600 余种,药用植物 2500 多种;有陆生脊椎动物 500
多种,其中,黑冠长臂猿是世界四大类人猿之一. 海
南岛是我国最大的橡胶生产基地,面积和产量都占
全国的 70%以上;是我国最大的椰子、腰果、胡椒、
咖啡生产基地,面积和产量分别占全国的 60%和
95% ;是我国最大的热带、亚热带水果,特别是反季
节瓜菜生产基地;还是我国南繁育种基地.
1郾 2摇 数据来源
本文所用区域自动站的日最低气温数据、每个
站的经度、纬度、海拔及海南岛数字高程模型均来自
海南省气象局.每个站所在位置的坡度、坡向从海南
岛数字高程模型提取得到. 日最低气温数据的观测
精度约0. 1 益 . 294个区域自动站几乎均匀覆盖整
811 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
图 1摇 自动气象站的分布
Fig. 1摇 Distribution of automatic weather stations.
个海南岛,它们之间的平均距离约 10 km(图 1).在
进行地统计分析之前,所有空间数据均经横轴墨卡
托投影变换到平面坐标系中.
1郾 3摇 地统计学方法
1郾 3郾 1 普通克里格 摇 普通克里格( ordinary Kriging,
OK)是一种对待估位置的区域化变量进行最优、线
性、无偏估计的方法[20-21],是最稳健、最常用的地统
计学方法.它将待估位置 x0 处的气温表达为 x0 邻
域内(半径为半方差函数的变程)若干观测站的线
性加权平均函数:
z^(x0) =移
n
i = 1
姿 iz(xi)
移
n
i =1
姿i酌(xj - xi)+ 滋 = 酌(xj - x0)摇 (j = 1,…,n)
移
n
i =1
姿i =
ì
î
í
ïï
ïï 1
式中:z^(x0)为位置 x0 处的估值;z( xi)为位置 xi 的
观测值;姿 i为普通克里格决定的相应观测值的权重;
n为邻域内观测站个数;酌(·)为半变异函数;滋 为
拉格朗日乘子.
1郾 3郾 2 带漂移的克里格 摇 当辅助变量 y( x) (如海
拔)与目标变量 z(x)线性相关时,普通克里格可以
被扩展成下面带漂移的克里格系统(Kriging with ex鄄
ternal drift,KED) [22] .
移
n
i =1
姿i酌(xj - xi)+ 滋1 + 滋2y(xj)= 酌(xj - x0)摇 (j = 1,…,n)
移
n
i =1
姿i = 1
移
n
i =1
姿iy(xi) = y(x0
ì
î
í
ï
ï
ï
ï
ïï )
式中:滋1 和 滋2 均为拉格朗日乘子;y(x j)为辅助变量
在位置 x j 处的值;y( x0)为辅助变量在待估位置 x0
处的值.
1郾 3郾 3 序贯高斯模拟 摇 序贯高斯模拟 ( sequential
Gaussian simulation,SGS)是最常用的连续变量序贯
模拟算法.关于序贯高斯模拟的详细论述可参见文
献[23-24]. 本文对覆盖整个研究区域的 1 km 伊
1 km规则网格的日最低气温进行序贯高斯模拟的
基本步骤如下[25]:1)将日最低气温观测数据用正态
分数变换法转换成标准正态分布. 2)计算和拟合转
换后数据的半变异函数. 3)确定一条访问每个网格
节点一次的随机路径. 4)对每个网格节点:a)使用
转换后数据的半变异函数和简单克里格来估计当前
节点日最低气温的高斯条件累计分布函数(ccdf)的
参数(平均值和方差);b)从估计的 ccdf中随机抽取
一个模拟的正态分数值,然后加入到条件数据集中,
用于其他网格节点的模拟;c)沿事先确定的随机模
拟路径进行下一个网格节点的模拟,不断重复步骤
a和 b,直到所有网格节点均被模拟. 5)将模拟的正
态分数值转换到日最低气温样本观测数据的原始数
据空间.
上述步骤只是模拟了第一个实现,仅是日最低
气温空间分布的一个模拟模型.为了产生 500 个模
拟实现,步骤 3 ~ 5 应该采用不同的随机路径来
模拟.
1郾 4摇 模型评价
研究采用交叉验证法并选用 Pearson 相关系数
( r)和均方根误差(root mean square error,RMSE)来
评估 OK和 KED两种插值法的预测精度. r 值越大、
RMSE值越小,代表相应方法的预测精度越高.
RMSE =
移
n
i = 1
[ z^(xi) - z(xi)] 2
n
式中:n为验证点个数;z^(xi)和 z(xi)分别为预测值
和观测值.
1郾 5摇 不确定性评估
1郾 5郾 1 局部不确定性 摇 具体空间位置 xm 处日最低
气温的不确定性(即局部不确定性),可定义为在位
置 xm 处的日最低气温低于给定的阈值 c的概率.该
概率值可用下式计算:
p[ z(xm)n(xm)
500
式中:500 为模拟次数;n(xm)为位置 xm 上所产生模
拟值低于给定的阈值 c的个数.
9111 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 张国峰等: 基于序贯高斯模拟的日最低气温空间不确定性评估摇 摇 摇 摇 摇 摇
1郾 5郾 2 空间不确定性摇 空间不确定性指同时在多个
空间位置预测日最低气温时的不确定性,可用来评
估由局部不确定性定义的日最低气温低值区域的可
靠性.设区域 A中有 j个空间位置(x1,x2,…,x j),这
j个位置的日最低气温同时低于阈值 c 的概率可由
下式得到:
p[ z(x1)n(x1,x2,…,x j)
500
式中:500 为所产生模拟实现的个数;n( x1,x2,…,
x j)为所模拟的日最低气温在上述定义的 j个位置同
时低于对应阈值 c的模拟实现个数.
1郾 6摇 数据处理
本研究常规统计由 SPSS 16. 0 完成,半变异函
数的拟合、普通克里格插值和序贯高斯模拟由
SGeMS 软件 ( Stanford Geostatistical Modeling Soft鄄
ware) [24]完成,正态分数变换和逆变换及普通克里
格和带漂移克里格的交叉验证由 GSLIB(Geostatisti鄄
cal Software Library) [26]完成,空间分布图的制作由
ArcGIS 9. 3 完成.
2摇 结果与分析
2郾 1摇 日最低气温的描述性统计
经非参数检验,294 个日最低气温观测数据近
似符合正态分布(图 2). 日最低气温的最大值为
16. 6 益,日最低气温的平均值为 10. 1 益(表 1).在
农业上,当气温低于 15 益时,结果类瓜菜的生长缓
慢,影响花粉受精,结果率低,易落花落果[19] .因此,
当寒害发生时,科学地识别出寒害发生的区域并指
导农民采取相应措施,是一个具有重要现实意义的
问题.
2郾 2摇 日最低气温的逐步回归分析
由表 2 可以看出,当日的日最低气温与经纬度、
海陆距离、海拔、坡度、坡向的相关系数相当低,且只
有纬度(Y)、海陆距离(D)、海拔(H)通过了显著性
水平为 0. 01 的检验.本研究假设海南岛当日日最低
气温与 Y、D、H有下面的多元回归关系[11]:
表 1摇 研究区日最低气温统计特征值
Table 1摇 Summary statistics of daily minimum temperature
in the study area
样本数
Sample
number
最小值
Minimum
(益)
最大值
Maximum
(益)
平均值
Mean
(益)
标准差
SD
(益)
偏度
Skewness
峰度
Kurtosis
294 4. 90 16. 60 10. 10 2. 27 -0. 46 0. 45
图 2摇 日最低气温观测数据(a)和对应正态分数变换数据
(b)的直方图
Fig. 2 摇 Histograms of the original data ( a) and the normal
score transformed data (b) for daily minimum temperature.
摇 摇 Tmin = c0+c1Y+c2D+c3H+着
式中:c0 ~ c3 为回归系数;着为误差项.
摇 摇 逐步回归分析的结果如下:
T^min =50郾 733-2郾 031Y-0郾 053D-0郾 005H
上述回归方程的方差为 2. 60,回归分析的判定
系数 R2为 0. 50,说明当日海南岛的日最低气温与上
述因子的相关性较低. 通过上述多元回归模型可以
估计每个站当日的最低气温,该估计值将作为辅助
变量参与带漂移克里格法的交叉验证[27] .
2郾 3摇 半变异函数分析
半变异函数提供了一个描述空间变量自相关结
构的工具,利用该工具可以探测影响该变量空间分
布的原因或过程[28] .由日最低气温观测数据及其正
态分数变换数据的各向同性半变异函数以及拟合的
模型和参数可以看出,原始日最低气温观测数据
表 2摇 日最低气温与经纬度、海陆距离、海拔、坡度、坡向的
相关系数
Table 2 摇 Pearson coefficients of correlation between daily
minimum temperature and longitude, latitude, closest dis鄄
tance to the seaside, altitude, slope, aspect
经度
Longitude
纬度
Latitude
海陆距离
Distance
海拔
Altitude
坡度
Slope
坡向
Aspect
0. 084 -0. 392** -0. 559** -0. 377** -0. 076 0. 01
**P<0. 01.
021 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
(用于 OK 和 KED)及其正态分数变换数据(用于
SGS)的实验方差函数均能够用球状模型较好地拟
合(图 3). 块金值与基台值之间的比值[C0 / (C0 +
C)]常被用于定义空间变量自相关性的强弱:该值
低于 25%和高于 75%分别对应于强的空间依赖和
弱的空间依赖;该值在 25% ~ 75%之间代表中等的
空间依赖关系[29] .本文中日最低气温原始观测数据
的半变异函数的 C0 / (C0+C)为 0. 16,表明当日海南
岛日最低气温的空间分布有很强的空间依赖性. 这
可能与当日整个海南岛被冷空气控制有关.
2郾 4摇 普通克里格与带漂移克里格预测精度比较
普通克里格法交叉验证结果的 r = 0. 86、
RMSE=1. 17.带漂移克里格法交叉验证结果的 r =
0. 86、RMSE=1. 16.可见,带漂移克里格法的预测精
度并不显著优于普通克里格法,原因可能是海南岛
区域自动站密度比较高,当日日最低气温与纬度、海
陆距离、海拔的相关性较小. 因此,本文对普通克里
格法和序贯高斯模拟法而不是带漂移克里格法和带
漂移序贯高斯模拟法生成的当日海南岛日最低气温
的空间分布进行比较研究.
图 3摇 日最低气温观测数据(a)及其正态分数变换数据(b)
的实验方差函数、拟合模型及参数
Fig. 3 摇 Experimental variograms of the original data ( a) and
the normal score transformed data (b) for daily minimum tem鄄
perature, with fitted models and parameters.
图 4摇 SGS产生的第 100 个实现(a)、第 300 个实现(b)、OK最佳估计(c)和 SGS模拟实现的 E鄄type(期望)估计(d)
Fig. 4摇 The 100 th realization (a) and 300 th realization (b) by SGS, OK estimate (c) and SGS E鄄type estimate (d).
1211 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 张国峰等: 基于序贯高斯模拟的日最低气温空间不确定性评估摇 摇 摇 摇 摇 摇
2郾 5摇 日最低气温的空间分布预测
普通克里格插值和序贯高斯模拟均在覆盖整个
海南岛的 1 km伊1 km规则网格上进行.本研究用序
贯高斯模拟生成 500 个日最低气温空间分布的模拟
实现.序贯高斯模拟生成的每个模拟实现代表了一
种可能且没有平滑效应的日最低气温空间分布. 随
着模拟实现次数的不断增加,所有模拟实现的逐点
平均值向普通克里格的最佳预测值无限收敛[30] .因
此,SGS的最佳预测图与普通克里格的插值图很相
似. SGS的最佳预测图和普通克里格的插值图明显
平滑于 SGS的第 100 和 300 个实现(图 4). 普通克
里格插值图的最小值明显大于 294 个观测值的最小
值,而普通克里格插值图的最大值明显小于 294 个
观测值的最大值.平滑效应是克里格插值的一个显
著特性,这会引起低值区域被过高估计,而高值区域
被过低估计.由几种日最低气温空间分布图的半变
异函数的比较可以看出,SGS 的第 100 和 300 个实
现的半变异函数非常接近理论半变异函数,而普通
克里格插值图的半变异函数与理论半变异函数相差
较大(图 5).普通克里格插值图半变异函数的块金
值为零也再次证明了普通克里格插值的平滑效应.
摇 摇 通常情况下,预测方差越小,预测结果的不确定
性越小.日最低气温的普通克里格方差图显示,其预
测方差仅与观测站的分布有关,与观测值无关:在观
测站稀疏的区域,预测方差相对较大,在观测站稠密
的区域,预测方差相对较小. SGS 条件方差图显示,
SGS条件方差不仅与观测站的空间分布有关,而且
与邻域内观测站的观测值有关(图 6). 在日最低气
温的低值区域,SGS条件预测方差小于普通克里格
图 5摇 日最低气温半变异函数的比较
Fig. 5 摇 Comparison of semivariograms for daily minimum tem鄄
perature.
方差.
2郾 6摇 日最低气温的局部与空间不确定性
不同作物的生物学零度不同,相同作物在不同
发育期的生物学零度也不同.本文以 10 和 7 益为阈
值研究日最低气温的局部与空间不确定性. 生物学
零度分别高于这两个阈值的作物(如水稻、玉米和
莲雾),如果处于相应的低温区就可能出现寒害.在
以阈值概率 0. 6 划定的日最低气温低于 10 和 7 益
的潜在寒害区域,分别包含 18919 和 136 个栅格(图
7). 500 次模拟中,上述 18919 个栅格同时低于
10 益的概率为 0.该概率为 0 并不代表上述情形不
会出现,只是说明出现的概率很小,在有限次的模拟
中没有出现. 500 次模拟中,上述 136 个栅格同时低
于 7 益的概率为 0郾 032.可见,以点位概率 0. 6 划定
的上述两个潜在寒害区仍然具有很大的空间不确
定性.
图 6摇 日最低气温的 OK方差图(a)和 SGS条件方差图(b)
Fig. 6摇 OK variance map (a) and SGS conditional variance map (b) for daily minimum temperature.
221 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
图 7摇 日最低气温低于 10 益(a)和低于 7 益 (b)的概率图及阈值概率高于 0. 6 划定的低于 10 益(c)和低于 7 益(d)的区域
Fig. 7摇 Probability map of daily minimum temperature being lower than 10 益 (a) and 7 益 (b), and areas delineated based on
p[ z(x)<10]>0郾 6 (c) and p[ z(x)<7]>0郾 6 (d).
3摇 讨摇 摇 论
本文以冬季易受寒害影响的海南岛为研究区
域,以 2011 年 12 月 12 日冷空气影响下的海南岛日
最低气温为研究对象,首先采用交叉验证法评估了
普通克里格和带漂移的克里格两种插值法的预测精
度.可能由于海南岛区域自动站密度较高及当天日
最低气温与纬度、海陆距离、海拔的相关性较小,带
漂移克里格法的预测精度( r = 0. 86,RMSE = 1. 16)
并不显著优于普通克里格( r = 0. 86,RMSE = 1. 17).
对普通克里格插值法和序贯高斯模拟法产生的当日
海南岛最低气温的空间分布进行对比分析的结果表
明:序贯高斯模拟能产生多个等概率的符合数据整
体分布和方差函数的模拟结果;模拟结果之间的差
别代表当日最低气温的空间不确定性;模拟结果克
服了克里格插值的平滑效应,能够比克里格插值更
加真实地反映当日最低气温的空间分布;在低温区
域,气温变化小,模拟结果的条件方差小于普通克里
格方差;空间不确定性评价能够量化划为潜在寒害
区的空间不确定性(如 500 次模拟中,以阈值概率
大于 0. 6 划定的 136 个栅格同时低于 7 益的概率为
0郾 032),而这是克里格所不能完成的. 因此,序贯高
斯模拟在低温导致农业气象灾害的评估中具有较高
的应用价值.
与克里格插值一样,序贯高斯模拟也需要准确、
稳定的半变异函数,这就要求研究区域内的观测站
数目至少要达到 50 ~ 150 个.目前,我国已有 5. 2 万
个自动气象观测站,未来 6 年,国家将再建 4 万个左
右的自动气象观测站,这将为序贯高斯模拟应用于
低温灾害的评估铺平道路.如果日最低气温与海拔、
海陆距离、经纬度等因子的相关性较高,可能还需考
虑使用带漂移的序贯高斯模拟.此外,低温灾害评估
关键在于准确、快速,因此未来应将基于序贯高斯模
拟的日最低气温空间不确定性评估技术集成到相关
业务系统中并尽可能实现自动化.
参考文献
[1]摇 Hu Y (胡摇 毅). Applied Meteorology. Beijing: China
Meteorological Press, 1994 (in Chinese)
[2]摇 Chen H鄄Z (陈汉洲). Rubber Tree Cultivation Techno鄄
logy. Haikou: Hainan Publishing House, 1998 (in Chi鄄
3211 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 张国峰等: 基于序贯高斯模拟的日最低气温空间不确定性评估摇 摇 摇 摇 摇 摇
nese)
[3]摇 Wang Z鄄Q (王政权). Geostatistics and its Application
in Ecology. Beijing: Science Press, 1998 (in Chinese)
[4]摇 Wang W (王摇 玮), Wu J鄄G (邬建国), Han X鄄G (韩
兴国). Estimation of soil carbon sequestration potential
in typical steppe of Inner Mongolia and associated uncer鄄
tainty. Chinese Journal of Applied Ecology (应用生态学
报), 2012, 23(1): 29-37 (in Chinese)
[5]摇 Guan BT, Hsu HW, Wey TH, et al. Modeling monthly
mean temperatures for the mountain regions of Taiwan by
generalized additive models. Agricultural and Forest Me鄄
teorology, 2009, 149: 281-290
[6]摇 Spadavecchia L, Williams M. Can spatio鄄temporal
geostatistical methods improve high resolution regional鄄
isation of meteorological variables? Agricultural and For鄄
est Meteorology, 2009, 149: 1105-1117
[7] 摇 Jiang X鄄J (姜晓剑), Liu X鄄J (刘小军), Huang F
(黄 摇 芬), et al. Comparison of spatial interpolation
methods for daily meteorological elements. Chinese Jour鄄
nal of Applied Ecology (应用生态学报), 2010, 21
(3): 624-630 (in Chinese)
[8]摇 Chen D鄄H (陈冬花), Zou C (邹 摇 陈), Wang S鄄Y
(王苏颖), et al. Study on spatial interpolation of the
average temperature in the Yili River Valley based on
DEM. Spectroscopy and Spectral Analysis (光谱学与光
谱分析), 2011, 31(7): 1925-1929 (in Chinese)
[9]摇 Peng B (彭摇 彬), Zhou Y鄄L (周艳莲), Gao P (高摇
苹), et al. Suitability assessment of different interpola鄄
tion methods in the gridding process of station collected
air temperature: A case study in Jiangsu Province, Chi鄄
na. Journal of Geo鄄information Science (地球信息科学
学报), 2011, 13(4): 539-548 (in Chinese)
[10]摇 Wang Z (王 摇 智), Shi Q鄄D (师庆东), Chang S鄄L
(常顺利), et al. Study on spatial interpolation method
of mean air temperature in Xinjiang. Plateau Meteorolo鄄
gy (高原气象), 2012, 31 (1): 201 - 208 ( in Chi鄄
nese)
[11]摇 Xu M (许摇 民), Wang Y (王摇 雁), Zhou Z鄄Y (周
兆叶), et al. Discussion of methods of spatial interpola鄄
tion for monthly temperature data in the Yangtze River
Basin. Resources and Environment in Yangtze River Ba鄄
sin (长江流域资源与环境), 2012, 21(3): 327-334
(in Chinese)
[12]摇 Lark RM, Webster R. Geostatistical mapping of geomor鄄
phic variables in the presence of trend. Earth Surface
Processes and Landforms, 2006, 31: 862-874
[13] 摇 Qu M鄄K (瞿明凯). Application and Study of Several
Geostatistical Methods in Soil Spatial Information Pro鄄
cessing at County Scale. PhD Thesis. Wuhan: Hua鄄
zhong Agricultural University, 2012 (in Chinese)
[14]摇 Shi Z (史摇 舟), Li Y (李摇 艳), Cheng J鄄L (程街
亮). Stochastic simulation of spatial distribution and
uncertainty assessment of heavy metal in paddy soil. En鄄
vironmental Science (环境科学), 2007, 28(1): 209-
214 (in Chinese)
[15]摇 Yang Q鄄Y (杨奇勇), Yang J鄄S (杨劲松). Sequential
gaussian simulation of farmland soil cation exchange ca鄄
pacity based on GIS and GS+ . Scientia Agricultura Sini鄄
ca (中国农业科学), 2010, 43(18): 3759-3766 ( in
Chinese)
[16]摇 Li X鄄H (李晓晖), Yuan F (袁 摇 峰), Jia C (贾 摇
蔡), et al. Comparison of geostatistical interpolation
methods for local singularity exponent calculation. Scien鄄
tia Geographica Sinica (地理科学), 2012, 32 (2):
136-142 (in Chinese)
[17]摇 Zhang B鄄E (张贝尔), Huang B (黄摇 标), Zhao Y鄄C
(赵永存), et al. Identification of areas low in soil fer鄄
tility and analysis of their limiting factors in the region
typical of the North China Plain. Acta Pedologica Sinica
(土壤学报), 2012, 49(5): 841-849 (in Chinese)
[18]摇 Qu MK, Li WD, Zhang CR. Assessing the spatial un鄄
certainty in soil nitrogen mapping through stochastic sim鄄
ulations with categorical land use information. Ecological
Informatics, 2013, 16: 99-105
[19]摇 Chen M (陈摇 敏), Chen H (陈摇 晖). Climatic char鄄
acteristics analyses on the chilling damage in Hainan
Island. Meteorological Monthly (气象), 1999, 25(3):
38-43 (in Chinese)
[20]摇 Webster R, Oliver MA. Statistical Methods in Soil and
Land Resource Survey. Oxford: Oxford University
Press, 1990
[21]摇 Saito H, Mckenna SA, Zimmerman D, et al. Geostatis鄄
tical interpolation of object counts collected from multi鄄
ple strip transects: Ordinary Kriging versus finite domain
Kriging. Stochastic Environmental Research and Risk As鄄
sessment, 2005, 19: 71-85
[22]摇 Ahmed S, De Marsily G. Comparison of geostatistical
methods for estimating transmissivity using data on trans鄄
missivity and specific capacity. Water Resources Re鄄
search, 1987, 23: 1717-1737
[23]摇 Goovaerts, Pierre. Geostatistics for Natural Resources
Evaluation. Oxford: Oxford University Press, 1997
[24]摇 Remy N, Boucher A, Wu J. Applied Geostatistics with
SGeMS: A User爷 s Guide. Cambridge: Cambridge Uni鄄
versity Press, 2009
[25]摇 Qu MK, Li WD, Zhang CR. Assessing the risk costs in
delineating soil nickel contamination using sequential
Gaussian simulation and transfer functions. Ecological
Informatics, 2013, 13: 99-105
[26]摇 Deutsch CV, Journel AG. Geostatistical Software
Library and User爷 s Guide. Oxford: Oxford University
Press, 1998
[27]摇 Herbst M, Prolingheuer N, Graf A, et al. Multivariate
conditional stochastic simulation of soil heterotrophic
respiration at plot scale. Geoderma, 2010, 160: 74-82
[28]摇 PazGonzalez A, Taboada Castro MT, Vieira SR.
Geostatistical analysis of heavy metals in a one鄄hectare
plot under natural vegetation in a serpentine area. Cana鄄
dian Journal of Soil Science, 2001, 81: 469-479
[29]摇 Cambardella C, Moorman T, Parkin T, et al. Field鄄
scale variability of soil properties in central Iowa soils.
Soil Science Society of America Journal, 1994, 58:
1501-1511
[30]摇 Chiles JP, Delfiner P. Geostatistics: Modeling Spatial
Uncertainty. New York: Wiley, 1999
作者简介摇 张国峰,男,1983 年生,硕士.主要从事 GIS 及地
统计学应用研究. E鄄mail: zhangwei200405@ 163. com
责任编辑摇 杨摇 弘
421 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷