1.本发明涉及气象观测技术领域，具体为一种基于气温日极小值的观测环境影响判别与评估方法。
背景技术：2.在人口稠密地区维持气象观测环境稳定十分困难，长序列气温数据中混杂着大量由探测环境条件变化引起的误差，影响了观测数据的应用价值，探索在数据采集和使用环节消减这类误差的方法十分必要。
3.气温观测序列的时间跨度越长，越有利于分析与描述气候变化，然而，尽管气温测量是在规范条件下进行的，长时间气温测量序列仍然频繁受到观测站附近土地利用与植被变化、道路建筑与生产活动等因素的巨大影响，使用数据时不得不进行必要的修正。在数据应用和数据质量控制环节，传统的和先进的数理方法都被尝试用于疑误数据的修正，但依据精细溯源分析开展误差判别与评估的方法还不够丰富，这不利于尽早在管理环节防止更多误差产生。因此，设计一种用于发现观测环境引起的系统性误差并精确评估误差具体量值的可靠方法，对于观测数据应用以及观测系统的高质量管理维护，都具有现实的科学意义和实用价值。
4.气温观测序列中误差时段的识别可以依靠参考序列实现，可以采用类似于常规实时质控空间一致性检查的方法，计算因子也可采用多个站点形成的差值参考序列及其影响权重等。但是，实际情况下参考序列也可能会广泛存在多种系统性误差，因此，可靠的误差识别算法需要严格建立在客观依据之上，要提供具体的量化结论，并且要提供适应复杂环境变化过程的实事求是的分析手段。
技术实现要素：5.针对上述问题，本发明的目的在于提供一种基于气温日极小值的观测环境影响判别与评估方法，立足于观测站实际情况，介绍从最低气温数据中提取出环境误差信息的方法，进而对环境误差量进行评估。技术方案如下：
6.一种基于气温日极小值的观测环境影响判别与评估方法有“误差信号提取”、“误差信号有效性检查”、“误差时段识别”和“误差量计算评估”四个环节，包括以下步骤：
7.步骤1：用目标站气温日极小值t
min
的季序列结合周边n个参考站算出n组日最低气温差序列δt
min
，并计算所述日最低气温差序列δt
min
相对其长时间序列的距平变动率，对所述变动率进行加权组合，形成用于判断环境影响的误差分析指标量序列{ηj}；
8.步骤2：选用目标站观测环境稳定时期的样本，在该样本数据中的一个连续时段中植入模拟误差量，再次计算对应的误差分析指标量序列，通过观察误差分析指标量序列{ηj}对这段误差量的响应，提取出反映有效性的相关参数，包括加权距平变动率波动幅度观察阈值η
max
；
9.步骤3：在误差分析指标量序列中观察到的偏移量超过加权距平变动率波动幅度
观察阈值η
max
的误差信息中，能够与观测环境变化事件准确对应的信息特征，在误差判断环节定义为用于确定产生误差的时间节点的误差信号；
10.步骤4：根据误差信号溯源确定存在误差的时段后，对误差时段引入不同的订正值或订正函数进行测试，通过试错，观察误差分析指标量序列的标准差stdev({ηj})的极小值stdev({ηj})
min
，由stdev({ηj})
min
对应的订正值得到准确的误差量。
11.进一步的，所述步骤1具体包括为：
12.步骤1.1：计算目标站与参考站日最低气温的温差序列δt
min
，求其季平均值mo及季平均值mo的时间长序列均值
13.步骤1.2：计算季平均值mo的距平变动率η"：
[0014][0015]
步骤1.3：重复步骤1.1-1.2，计算出目标站与多方位参考站之间的距平变动率η"i；i＝1...n,n为参考站数；
[0016]
步骤1.4：计算距平变动率的和η'：
[0017][0018]
步骤1.5：计算距平变动率的和η'的权q：
[0019]
q＝|m(η”≥0)-m(η”＜0)|
ꢀꢀꢀ
(3)
[0020]
其中，m为符合括号内列示条件的η"的数量；
[0021]
步骤1.6：计算目标站该季的加权距平变动率η：
[0022][0023]
步骤1.7：由目标站j年同季加权距平变动率η序列形成的集合{ηj}构成误差分析指标量序列。
[0024]
更进一步的，所述步骤2具体包括为：
[0025]
步骤2.1：在目标站点t
min
的季序列中的一连续时段植入ω℃的模拟误差量，ω℃∈{0.2℃,0.3℃,0.4℃,0.5℃}；
[0026]
步骤2.2：求t
min
时间序列中，植入模拟误差量ω℃的时段发生的距平量的变化率c1；
[0027]
步骤2.3：求植入模拟误差量ω℃后，误差分析指标量序列{ηj}中，植入模拟误差量ω℃的时段发生的距平量的变化率c2；
[0028]
步骤2.4：检查经过误差分析指标量序列{ηj}的计算加工后，得到的误差信号的运算增益：g＝c2/c1；
[0029]
步骤2.5：逐级加大模拟误差量ω℃的量值，直到植入误差时段的加权距平变动率η全部为正值，即η
ω
》0，再提取误差植入时段出现的加权距平变动率η的最大值η
wmax
，将该最大值的1/2做为加权距平变动率η波动幅度的观察阈值，即η
max
＝
±
0.5η
wmax
。
[0030]
更进一步的，所述误差信号包括：迁站事件产生的迁站误差信号、城市化及城市化
关联的误差信号和观测场被植物遮蔽产生的误差信号；
[0031]
所述迁站事件产生的迁站误差信号表现为：迁址后的第一个季度开始，加权距平变动率η持续向负值偏移，频繁出现η≦(-η
max
)的季值样本，或表现为立即退出迁站前η》》(+η
max
)的状态；
[0032]
所述城市化及城市化关联的误差信号表现为：误差分析指标量序列{ηj}中η值逐年增强，直至呈现η》》(+η
max
)，并且同季不再出现η≦0的状态；
[0033]
所述观测场被植物遮蔽产生的误差信号表现为：排除城市化影响的情况下，阶段性频繁出现η≦(-η
max
)的季值样本，但与迁站事件无关；
[0034]
确认所述误差时段的步骤为：
[0035]
先计算被测站点的误差分析指标量序列{ηj}；再按照先检查η》》(+η
max
)，再检查排除迁站事件对应的η≦(-η
max
)的情况，最后检查剩余的η≦(-η
max
)时段的溯源顺序，确认误差信号与误差时段。
[0036]
更进一步的，所述步骤4中误差时段平均化误差量直接通过步进订正值试错提取，具体包括：
[0037]
步骤4.1：导入被检查站点的误差分析指标量序列{ηj}；
[0038]
步骤4.2：核实误差信号与误差时段；
[0039]
步骤4.3：生成含有误差时段为time1到time2的气温日极小值t
min
的试错序列t
min
e(x)；
[0040]
若误差段为η》》(+η
max
)
[0041][0042]
若误差段为η≦(-η
max
)
[0043][0044]
步骤4.4：由t
min
e(x)生成误差分析指标量序列{ηj}的试错序列{{ηj}
x
}，x∈0.1～1；
[0045]
步骤4.5：求取修正值δc，δc为对应的x。
[0046]
本发明的有益效果是：
[0047]
(1)本发明提供了一种可靠的、基于实际观测数据的气象观测环境稳定性量化评估方法。由于方法的运算较简洁，误差信号直观并可以提供量化的评估结论，因而可以作为观测环境管理的有效工具。在成都市气象局《数据误差智能化标识》等实际应用中，这种方法的使用效果显著(图3为其中部分分析内容)，充分反映了台站观测环境变动影响的复杂性，反映了加强对这种误差的认识的必要性。另一方面，作为一种方便的检查手段，这种方法也适用于“最高气温”和“平均气温”序列的检查，可用作气温数据序列在使用前的通用检查手段，提高数据的应用可靠性和使用效率。
[0048]
(2)本发明能对局地气象环境进行有效监测评估。规模化的工业、水利、交通及城建等工程会对局地气象环境造成影响，本误差评估方法为实现对这类气象环境变化的监测
与评估提供了完整的技术线路，可以推进管理职能的实践。以图6所示工程为例，本发明的误差评估方法可以精确提供人工湖建设工程对当地的气象环境造成的具体影响数据，以及对当地小气候的长期潜在影响，使观测数据可实质应用于当地的规划发展。
[0049]
(3)本发明可提高气候分析准确性。本方法在气候分析中主要有两方面应用，一方面，对存在环境误差的时段的精确识别，可以剔除存在严重环境误差的站点或误差数据段，从而提升气候分析结论的可靠性。另一方面，本方法提供了较为精细的数据修复手段，只要误差时段还存在一定量的观测环境背景仍然正常的有效参考序列，这段误差数据就可以订正，这种修复能力可以提高现有资料的使用效率。
[0050]
(4)本发明的误差时段识别和误差量值评估两个环节相对独立，识别误差时段的运算过程无需兼顾误差量值计算的精确度，从而可以独立提供较高的检测灵敏度；误差量值评估计算的针对性强，不会对正常的数据时段形成干扰，可以最大限度保证订正后数据序列的真实性。
附图说明
[0051]
图1为彭州站2008年至2017年植入+0.3℃误差数据后η序列与原始值η序列的对比。
[0052]
图2为简阳站2008年至2017年植入+0.3℃误差数据后η序列与原始值η序列的对比。
[0053]
图3为迁站信号及图形特点。
[0054]
图4为彭州站观测场周边历史卫星影像图；(a)2002年9月；(b)2010年11月；(c)2014年5月；(d)2015年2月。
[0055]
图5为彭州站城市化误差信号时段。
[0056]
图6为双流站观测场周边历史卫星影像图；(a)2002年；(b)2007年6月；(c)2008年7月；(d)2010年3月。
[0057]
图7为双流站环境误差信号。
[0058]
图8为误差时段平均化误差量计算流程。
[0059]
图9为彭州样本不同修正量下{ηj}的标准差。
具体实施方式
[0060]
下面结合附图和具体实施例对本发明做进一步详细说明。
[0061]
本发明基于气温日极小值的观测环境影响判别方法原理分析如下：
[0062]
气温日极小值t
min
的成因包括外部气团移入和本地日周期作用下大气能量交换的余留能量e
in
的表达。与日照作用下气温日极大值t
max
对应的强烈空气对流运动不同，日周期的余留能量e
in
表达的t
min
对应的空气运动较弱，更具有局地性。在影响t
min
的局地因素中，具有保温效应的因素起决定性作用，如云量，下垫面特征(农田、水网、硬化路面等)，空气含水量(如季节性因素、水汽的相变因素等)等。在封闭盆地和风速较低的情形下，影响t
min
的局地性因素中地貌和构筑物的作用也十分显著，尤其是气温观测场地附近的建筑物，不仅会阻碍空气流动，还会通过水平方向的热辐射影响局地气温，因此，t
min
包含了观测环境变化的信息，可以从中提取观测环境异常变化的信号。
[0063]
相邻站点的t
min
变化具有空间一致性，这种一致性可以从两个站点t
min
的空间差值中反映，表现为相邻站点的t
min
差值的值域范围有限，时间较长的t
min
差值序列平均值更为稳定。观测环境的变化是持续性的，当一个站点出现环境误差量时，这个误差量会持续作用于这个站点对所有参考站点的差值中，通过适当的运算，将这个站点与所有参考站点的差值中的误差量汇聚，增强为容易识别的误差信号，从而可以更精准地确定出误差时段。在确定了t
min
序列中存在环境误差的时间段后，可以进一步利用站点间的空间一致性关联，尝试在该t
min
序列的误差时段插入适当的修正值，若插入修正值后误差信号消失，并且经修正的t
min
序列的总体趋势与参考站点严格一致，就可以初步认为插入的修正值与误差量相当。
[0064]
具体实现过程如下：
[0065]
1、误差信息的运算提取步骤
[0066]
用目标站气温日极小值的季序列结合周边n个参考站可计算出n组δt
min
(空间差)序列，计算这些δt
min
序列相对其长时间序列的距平(平均值或中位值)变动率，对这些变动率进行加权组合，即形成用于判断环境影响的指标量。具体计算步骤如下。
[0067]
(1)计算目标站与参考站日最低气温的温差序列δt
min
、求其季平均值mo及季平均值mo的时间长序列均值
[0068]
(2)按公式(1)计算mo的距平变动率η"：
[0069][0070]
(3)重复步骤(1)-(2)，计算出目标站与多方位(最少4方位)参考站之间的距平变动率η"i(i＝1...n,n为参考站数)；
[0071]
(4)按公式(2)计算距平变动率的和η'：
[0072][0073]
(5)按式(3)计算η'的权q：
[0074]
q＝|m(η”≥0)-m(η”＜0)|
ꢀꢀꢀ
(3)
[0075]
其中，m满足相应条件的η"的数量。
[0076]
(6)按式(4)计算目标站该季的加权距平变动率η：
[0077][0078]
(7)由目标站j年同季η序列形成的集合{ηj}构成用于分析该站误差变化趋势的指标量序列。
[0079]
运算步骤的注释：用步骤(2)实现两个站间的气温差值序列的时间一致性信息提取，并实现这两个站关联度的权重加载，反映为两个站越接近于“0”，参考权重越大。步骤(4)实现误差量的叠加，其机理为目标站出现的误差量对所有参考站都是标量。步骤(5)是对目标站出现的误差量的各向同性特征的再次加权，以纯化误差信息。
[0080]
2、误差分析方法的有效性检查
[0081]
这种误差信息运算提取方法深度依赖于目标站与参考站点之间的空间关联，如果
目标站与参考站点间的关联比较弱，会导致对误差的识别灵敏度不足，因此在具体使用这种误差分析方法时，需要配套检查这种方法应用于具体的站点组合后，是否能有效提供需要的检测灵敏度，这种有效性检查的原理为：选用目标站的一段观测环境稳定时期的样本(》30a)，在这段样本数据中的一个连续时段(4a至10a)中植入模拟误差量，观察误差分析指标量序列{ηj}对这段误差量的响应，进而提取出反映“有效性”的相关参数。具体步骤如下：
[0082]
(1)在目标站点t
min
的季值序列(》30a)中的一连续时段(4a至10a)植入ω℃的固定误差值，ω∈{0.2℃,0.3℃,0.4℃,0.5℃}。
[0083]
(2)求t
min
时间序列中，植入了ω℃模拟误差量的时段发生的距平量的变化率c1.
[0084]
(3)再求植入ω℃的固定误差值后，误差分析指标量序列{ηj}中，对应植入ω℃误差时段发生的距平量的变化率c2.
[0085]
(4)检查经过{ηj}的计算加工后，得到的对误差信号的运算增益：g＝c2/c1。如果是人工分析目测判断误差时段，为保障有效性，推荐增益值取g≧10.
[0086]
(5)逐级加大ω的量值，直至植入误差时段的η值全部为正值，即η
ω
》0，此时植入的误差量引起的η值的变化量已覆盖了η值的自然波动范围，这时对应的ω值就是有效的误差检测灵敏度，这时再提取误差插入时段出现的η的最大值η
wmax
，用这个值的1/2做为η值波动幅度过大的观察阈值，即η
max
＝
±
0.5η
wmax
。
[0087]
示例2.1：
[0088]
使用彭州站第一季度的t
min
序列，向2008年至2017年10a的t
min
季数据加入+0.3℃的误差量。常规统计方法从加入+0.3℃误差量后的数据段得到+4.5％的距平增量信号，c1＝+4.5％；同时，彭州站以成都地区其他13个站点为参考组合运算的η序列，在该误差数据段提取到+49％的增量信号，c2＝+49％，所以，g＝10.9，即相比于直接用t
min
季序列误差数据段的距平变化量做为误差信号，使用η序列分析可以将这段误差信号强度提升11倍，使得+0.3℃误差的时段变化显著，更容易识别，见图1中e段，表明彭州站以成都地区其它13个站点为参考站点组合，可以有效使用η序列进行误差分析；加入+0.3℃误差量的时段，加入误差量后η值全部大于“0”，说明误差检测的灵敏度可以有效达到0.3℃，见图1，其中η
wmax
＝100，η
max
＝
±
50。
[0089]
示例2.2：
[0090]
使用简阳站第一季度的t
min
序列，向2008年至2017年10a的t
min
季数据加入+0.3℃的误差量，常规统计方法从加入+0.3℃误差量后的数据段得到+3.5％的距平增量信号，c1＝+3.5％；简阳站以成都地区其它13个站点为参考组合计算的η序列，在该误差数据段提取到+15％的增量信号c2＝+15％，所以，g＝4.3，即相比于直接用t
min
季序列误差数据段的距平变化量作为误差信号，使用η序列分析可以将这段误差信号强度提升4.3倍，从图2-a可见，这个误差信号增益水平，还不足以使+0.3℃误差引起的信号幅度变化，在目测条件下显著区分于自然存在的波动量，所以成都地区其它13个站点并不是简阳站的很有效的参考站，这主要是因为简阳站与成都地区其它13个站点气温差值原本就比较大(》1℃)，存在的误差容易被掩盖。但这种误差量会被自然波动量掩盖的样本，正好提供了{ηj}在正常状态下的波动特征：η的自然波动不会持续出现幅度过大的单边偏移，η的波动范围有限(图2-b)。
[0091]
3、误差信号与解析
[0092]
在{ηj}中观察到的偏移量超过η
max
的误差信息中，那些可以与观测环境变化事件准确对应的信息特征，在误差判断环节定义为误差信号。误差信号用于确定发生误差的时间节点。
[0093]
(1)迁站事件产生的迁站误差信号
[0094]
观测站址搬迁往往会伴随观测环境的剧烈变化。通常情况下，迁址后的第一个季度开始η值会持续向负值偏移，频繁出现η≦(-η
max
)的季值样本，或表现为立即退出迁站前η》》(+η
max
)的状态。
[0095]
迁站误差信号的解析：多数情况下，台站因观测环境已受到城市建设的影响而搬迁，城市化会导致最低气温测量值渐进走高，当迁至开阔的农田保护区新址后，最低气温会比之前受城市化影响的区域降低，所以η会出现负跳变。严谨的迁站操作可以保证新址观测环境与历史数据序列的采集环境相近，这种情况下，迁站后η负跳变实际是回归历史序列环境背景的体现。另一方面，迁站会导致与其它站点的相对关系改变，由于近阶段城市急速扩张较普遍，观测环境受影响造成最低气温逐渐上扬的情况也普遍存在，此时观测站点迁移回归到农耕环境，其最低气温会比其它仍然受城市化影响的站点偏低，计算η值时会增加这个已迁站点的“负”偏量。
[0096]
迁站误差信号可以指示出误差产生和结束的时段，即需要结合稳定的历史观测数据进行误差订正的时间段，同时也可指示出旧址在迁址前期可能存在的正向误差风险极大的时段。
[0097]
迁站信号示例：
[0098]
图3为成都地区发生过迁址的8个站点第一季度的{ηj}，以及其中的迁站信号(a1至a8)。
[0099]
表1为迁站信号对应的站点历史沿革信息。
[0100]
表1迁站信号(a1至a8)对应的历史沿革信息
[0101][0102]
注释：表1列出的8个迁站样本中，信号a1至a6符合对迁站信号的解析，a7、a8不符合解析结论，属于迁站前后地形变化很大的一种反例。迁站后迁站信号不出现负跳特征的观测数据序列，观测站地形环境可能更复杂。
[0103]
(2)城市化及城市化关联的误差信号
[0104]
城市化误差信号的共性特征为{ηj}中连续的频繁出现η》》(+η
max
)的情况。连续指至少两个相邻“季”显著存在η》》(+η
max
)的情况，且跨年同期会重复出现或有重复趋势。与城市化有关联的观测环境遭受破坏的误差信号也具有上述特征，这是最常见的误差类型。
[0105]
城市化误差信号的解析：
[0106]
城市化会导致t
min
偏高，这种影响逐步增强，反映在{ηj}中为η值逐年增大，直至呈现η》》(+η
max
)，并且同季不再出现η≦0的状态，这时{ηj}中的自然波动特征已被覆盖，是显著的误差时段。这类误差信号有季节差异，在成都地区的样本中，表现为夏秋阴雨季节的误差信号减弱，冬春季加强，即阴雨时段下垫面差异对t
min
观测的影响减弱。
[0107]
这里与城市化有关联的观测环境遭受破坏的情况，特指观测场临边位置存在工棚、机动车停车场等非自然热源干扰的情形，也会呈现t
min
偏高导致η》》(+η
max
)的信号，与普遍的城市化误差信号不同的是，观测环境遭到破坏形成的误差信号随季节变化的规律受人为干扰，与普通的城市化误差信号具有的季节性变化特征往往存在一些差异。
[0108]
示例3.1：彭州站城市化影响的观察
[0109]
彭州站城市化误差信号时段如图5所示，彭州站未曾迁址，2010年起二、三季度的{ηj}中城市化信号已显著并逐渐增强，信号过程与图4-(b)-(c)-(d)呈现的历史卫星影像图的演化同步。
[0110]
示例3.2：双流城市公园建设对应的误差信号
[0111]
双流站环境误差信号如图7所示，双流站2002年迁站，2008年起观测场周边由农田演变为城市公园，新增水面6万平米。误差信号中b1时段为迁站前观测环境遭破坏的痕迹；b2段为迁站后对应的负偏信号；b3段为城市化及水体引起的误差信号。误差信号时段与图6的历史卫星影像图的演化同步。
[0112]
(3)观测场被植物遮蔽产生的误差信号
[0113]
极个别样本中，观测场临边区域的乔木或竹林遮蔽了部分日照造成误差，这类信号也表现为阶段性频繁出现η≦(-η
max
)的季值样本(砍伐后消失)，但与迁站事件无关。另一方面，在城市化影响产生了η》》(+η
max
)特征误差信号同时，也会因运算方式而对应关联出许多η≦(-η
max
)的季值样本，这很容易与遮蔽对应的误差信号混淆，所以，识别遮蔽产生的误差信号时，必须先排除城市化影响，在检视{ηj}中的误差信息时，η》》(+η
max
)的情况需要优先溯源查证。
[0114]
误差信号与解析的步骤顺序：
[0115]
步骤3.1：计算被测站点的，{ηj}
[0116]
步骤3.2：按照先查η》》(+η
max
)，再检查排除历史沿革记录中迁站时刻对应的η≦(-η
max
)的情况，最后查剩余的η≦(-η
max
)时段的背景缘由，以此误差信息的溯源顺序，确认误差信号与误差时段；
[0117]
4、误差量的计算
[0118]
(1)计算原理与步骤
[0119]
在t
min
植入误差时，植入的误差量越大，{ηj}的波动量越大，反之，对一个已知误差时段进行修正时，订正量越准确{ηj}的标准差stdev({ηj})越小，这对应正确的订正使t
min
序列的时间和空间一致性增强。因此，根据误差信号溯源确定存在的误差时段后，可以对误差时段引入不同的订正值或订正函数进行测试，由于订正值的修正趋势正确时stdev({ηj})
减小，而一旦修正过量时stdev({ηj})又会增大，由此可以通过“试错”观察stdev({ηj})的极小值stdev({ηj})
min
，从而由stdev({ηj})
min
对应的订正值得到准确的误差量。
[0120]
误差时段平均化误差量可以直接通过步进订正值试错提取，实现步骤：
[0121]
步骤4.1：导入被测站点的，{ηj}
[0122]
步骤4.2：核实误差信号与误差时段。
[0123]
步骤4.3：生成含有误差时段为time1到time2的t
min
的试错序列t
min
e(x)。
[0124]
若误差段为η》》(+η
max
)
[0125][0126]
若误差段为η≦(-η
max
)
[0127][0128]
步骤4.4：由t
min
e(x)生成{ηj}的试错序列{{ηj}x}，(x∈0.1～1℃)
[0129]
步骤4.5：求取修正值δc，δc为min
0.1≤x≤1
stdev{{ηj}x}对应的x。
[0130]
(2)计算示例—-彭州站观测环境误差量评估
[0131]
样本取自彭州站1970年至2017年48a t
min
序列，其中显著误差时段起始时间为2008年，第三季度的误差信号最强，见图5。使用上述误差试错步骤评估误差时段2008年至2017年10a间该站t
min
季值的平均误差量：以第三季度误差数据段为例，自-0.1℃起，向误差时段t
min
季值步进加入修正量，η序列的标准差随即逐步减小，直至达到最小值后反转，表2为这一过程的数据表，图9为步进修正量时{ηj}对应的标准差的变化方式的图示。
[0132]
表2彭州站第三季度最低气温误差量评估过程数据表
[0133][0134]
由于被t
min
序列的时间和空间一致性增强时其{ηj}的标准差趋小，因此从图9和表2中都可以方便提取到最合适的修正量为-0.3℃，所以该段误差的评估值为+0.3℃。
[0135]
以此类推，求取2008年至2017年10a彭州t
min
序列的其它季度值发生的平均化误差量和对t
min
年均值的误差影响量，见表3。
[0136]
表3彭州站2008年至2017年时段最低气温数据中的测量环境影响平均量(评估值)
[0137][0138]
(3)误差量值的定性
[0139]
借助{ηj}计算出的误差量的属性与参考序列的环境背景关联，属于相对意义上的误差量，反映被测序列对应众多参考序列的共性差异。针对不同应用目的，需要合理选用不同类型参考序列。
[0140]
以上述彭州站的误差评估值为例，计算{ηj}使用了本地的全部站点为参考站，但是在评估误差的2008年至2017年时段，这些参考数据序列多数处于城市化影响之中，以这
些数据序列为参考时，彭州站的城市化影响量会受到一定程度掩盖，因此，上节计算得到的彭州站的误差评估值中，主要成份不是普遍意义上的城市化影响量，而是观测场临边存在的彩钢工棚、机动车停车场等特殊因素(见图4-b)引起的测量误差。事实上，彭州站发生的上述误差的季节性波动特点，也与本地普遍意义上的“城市化”影响具有的“冬春季强”的特点不一致。
技术特征：1.一种基于气温日极小值的观测环境影响判别与评估方法，其特征在于，包括以下步骤：步骤1：用目标站气温日极小值t
min
的季序列结合周边n个参考站算出n组日最低气温差序列δt
min
，并计算所述日最低气温差序列δt
min
相对其长时间序列的距平变动率，对所述变动率进行加权组合，形成用于判断环境影响的误差分析指标量序列{η
j
}；步骤2：选用目标站观测环境稳定时期的样本，在该样本数据中的一个连续时段中植入模拟误差量，再次计算对应的误差分析指标量序列，通过观察误差分析指标量序列{η
j
}对这段误差量的响应，提取出反映有效性的相关参数，包括加权距平变动率波动幅度观察阈值η
max
；步骤3：在误差分析指标量序列中观察到的偏移量超过加权距平变动率波动幅度观察阈值η
max
的误差信息中，能够与观测环境变化事件准确对应的信息特征，在误差判断环节定义为用于确定产生误差的时间节点的误差信号；步骤4：根据误差信号溯源确定存在误差的时段后，对误差时段引入不同的订正值或订正函数进行测试，通过试错，观察误差分析指标量序列的标准差stdev({η
j
})的极小值stdev({η
j
})
min
，由stdev({η
j
})
min
对应的订正值得到准确的误差量。2.根据权利要求1所述的基于气温日极小值的观测环境影响判别与评估方法，其特征在于，所述步骤1具体包括为：步骤1.1：计算目标站与参考站日最低气温的温差序列δt
min
，求其季平均值mo及季平均值mo的长时间序列均值步骤1.2：计算季平均值mo的距平变动率η"：步骤1.3：重复步骤1.1-1.2，计算出目标站与多方位参考站之间的距平变动率η"
i
，i＝1...n,n为参考站数；步骤1.4：计算距平变动率的和η'：步骤1.5：计算距平变动率的和η'的权q：q＝|m(η”≥0)-m(η”＜0)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，m为满足括号内列示条件的η”的数量；步骤1.6：计算目标站该季的加权距平变动率η：步骤1.7：由目标站j年同季加权距平变动率η序列形成的集合{η
j
}构成误差分析指标量序列。3.根据权利要求1所述的基于气温日极小值的观测环境影响判别与评估方法，其特征在于，所述步骤2具体包括为：
步骤2.1：在目标站点的t
min
季序列的一连续时段植入ω℃的模拟误差量，ω℃∈{0.2℃,0.3℃,0.4℃,0.5℃}；步骤2.2：求t
min
序列植入模拟误差量ω℃的时段发生的距平量的变化率c1；步骤2.3：求植入模拟误差量ω℃后，误差分析指标量序列{η
j
}中植入模拟误差量ω℃的时段发生的距平量的变化率c2；步骤2.4：检查经过计算误差分析指标量序列{η
j
}的加工后，得到的误差信号的运算增益：g＝c2/c1；步骤2.5：逐渐加大模拟误差量ω℃，直至植入误差的时段的加权距平变动率η全部为正值，即η
ω
>0，再提取误差植入时段的加权距平变动率η的最大值η
wmax
，将该最大值的1/2作为加权距平变动率η波动幅度的观察阈值，即η
max
＝
±
0.5η
wmax
。4.根据权利要求1所述的基于气温日极小值的观测环境影响判别与评估方法，其特征在于，所述误差信号包括：迁站事件产生的迁站误差信号、城市化及城市化关联的误差信号和观测场被植物遮蔽产生的误差信号；所述迁站事件产生的迁站误差信号表现为：迁址后的第一个季度开始，加权距平变动率η持续向负值偏移，频繁出现η≦(-η
max
)的季值样本，或表现为立即退出迁站前η>>(+η
max
)的状态；所述城市化及城市化关联的误差信号表现为：误差分析指标量序列{η
j
}中η值逐年增强，直至呈现η>>(+η
max
)，并且同季不再出现η≦0的状态；所述观测场被植物遮蔽产生的误差信号表现为：排除城市化影响的情况下，阶段性频繁出现η≦(-η
max
)的季值样本，但与迁站事件无关；确认所述误差时段的步骤为：先计算被测站点的误差分析指标量序列{η
j
}；再按照先检查η>>(+η
max
)，再检查排除迁站事件对应的η≦(-η
max
)的情况，最后检查剩余的η≦(-η
max
)时段的溯源顺序，确认误差信号与误差时段。5.根据权利要求1所述的基于气温日极小值的观测环境影响判别与评估方法，其特征在于，所述步骤4中误差时段平均化误差量直接通过步进订正值试错提取，具体包括：步骤4.1：导入被检查站点的误差分析指标量序列{η
j
}；步骤4.2：核实误差信号与误差时段；步骤4.3：按以下规则生成含有误差时段为time1到time2的气温日极小值t
min
的试错序列t
min
e(x)；若误差段为η>>(+η
max
)，若误差段为η≦(-η
max
)，步骤4.4：由t
min
e(x)生成误差分析指标量序列{η
j
}的试错序列{{η
j
}
x
}，x∈0.1～1；步骤4.5：求修正值δc，δc为min
0.1≤x≤1
stdev{{η
j
}
x
}对应的x。
技术总结本发明公开了一种基于气温日极小值的观测环境影响判别与评估方法，利用目标站相对周边参考站的日最低气温序列空间差，结合其长时间序列的距平变动率，通过加权组合，形成用于误差分析的指标量序列，并通过误差仿真确定参考站序列的有效性和可达到的识别灵敏度；指标量序列的特征可确定误差性质及误差生消的时间节点；通过误差信号溯源，最终确定存在误差的时段后，利用不同的订正值或订正函数对误差时段进行试错检验，指标量序列的标准差的极小值对应的订正值或订正函数的值即为准确的误差量。本发明运算较简洁，误差信号直观，可以直接提供量化的评估结论，可以直接转换为观测环境评估、数据质量控制与订正工具。数据质量控制与订正工具。数据质量控制与订正工具。
技术研发人员：贺南 赵兴炳 杨东 夏昕 陈乐
受保护的技术使用者：成都市气象局
技术研发日：2022.02.18
技术公布日：2022/7/5
