地面站点观测数据代表性评价方法研究进展

在遥感产品真实性检验中,地面站点网络的连续观测数据是进行算法及产品验证的重要数据来源。通常站点观测的空间范围有限,测量数据直接与产品像元值比较会存在尺度误差。因此,分析与评价站点观测在多大尺度上具有代表性,对有效利用观测数据进行算法与产品精度评价具有重要意义。目前全球地面观测站点类型繁多,虽有一定的代表性评价方法,但各类方法的优缺点及适用参数、适用条件各异。因此,为使站点观测代表性评价方法广泛的应用于地面站点观测,进而开展更加有效的遥感产品真实性检验,有必要对当前站点代表性评价方法进行系统的综述及梳理。本文首先阐述遥感产品真实性检验对站点连续观测数据的需求以及站点观测代表性评价的必要性。其次,分析站点观测代表性的评价指标特征,包含点面特征比较以及空间异质性两种评价指标。基于不同评价指标,综述了各种研究方法在站点观测数据代表性评价中的应用,即对点面特征比较评价的物理模型法、站点与区域分布图统计评价法和多站点多时相联合评价法,以及对空间异质性进行评价的一阶统计法和半方差函数法,总结不同代表性评价方法的原理及优缺点。然后,介绍了目前站点数据及代表性评价方法在蒸散、反照率和地表温度等遥感产品真实性检验中的应用,并且以黑河中游农田区观测LAI为例,分析了基于不同评价指标的不同评价方法的特点。最后,针对当前观测代表性评价方法面临的问题提出了下一步的研究方向。     

中国区域大气本底站近地面臭氧来源贡献及区域代表性

回顾了关于长距离输送对中国区域本底大气臭氧的影响,以及中国区域大气本底站臭氧变化及其区域代表性两方面的研究进展。来自不同污染源区O₃的长距离输送对中国区域O₃影响的研究结果分歧较大,贡献最显著的源区和受体地区也存在争议;同时,鲜有研究考虑到平流层对对流层的O₃贡献,而这部分贡献在前体物排放很少的本底地区非常重要。中国区域各大气本底观测站分别与其周围一定范围内的区域具有相同的对流层O₃柱浓度最大值月份分布,而对与人体健康密切相关的近地面O₃区域特征的分析尚未深入开展;鉴于研究方法的局限性,也尚未深入揭示形成O₃变化区域特征的复杂成因。基于现有研究进展和不足之处,如何利用全球大气化学-环流模式的示踪模拟结果,定量评估来自全球不同地区的O₃对中国本底大气O₃的影响,并进一步评估中国区域6个大气本底站近地面O₃季节变化的区域代表性,是亟待解决的科学问题。     

含金地质样品的均匀性及代表性研究

近年来对金矿石的制样研究认为，金测定精密度和准确度较低的主要原因是样品加工中存在的问题。因此，研究不同类型的金矿石制样，改进加工流程，是保证金分析质量的前提．通过对甘肃李子园、小沟里、三洋坝等秦岭山脉区的粗颗粒性金矿石的制样研究，制定出了比较合理的制样流程。     

NUMERICAL INVESTIGATION ON SETTING UP THE OBSERVATIONAL STATION IN HEIFE(SUMMER)

Using a modified numerical model with higher resolution both horizontal and vertical directions,the surface fluxesof the sensible and latent heat in the HEIFE(Heihe Field Experiment)region were diagnosed.Based on statistical analy-sis for the diagnostic fluxes,the representativeness and location of observational stations in the HEIFE region were inves-tigated,a concrete scheme for setting up the observational stations in the HEIFE region with different underlying sur-faces are obtained and the general principle of choosing the locations of observational stations with betterrepresentativeness is proposed.     

复杂地形下地面观测资料同化Ⅱ.模式地形与观测站地形高度差异代表性误差

第Ⅰ部分研究结果 (徐枝芳等, 2007) 表明模式与实际观测站地形高度差异对地面观测资料同化效果有较大影响.此文在MM5_3DVAR同化系统中利用近地层相似理论将地面观测资料进行直接三维变分同化分析, 考虑模式与实际观测站地形高度差异对同化效果的影响, 提出在地面观测误差中增加地形代表性误差来解决这个问题.研究结果表明: 地面资料同化分析时, 在其观测误差中加入一项新的误差--地形代表性误差, 能较好地解决地面资料同化分析中模式与观测站地形高度差异问题; 地面资料参与同化分析, 在观测误差中加入与模式和实际观测站地形高度差异大小相关的地形代表性误差时, 地面观测值对分析值的影响随着地形高度差异代表性误差的加入而减小, 同时又部分地将地面观测信息通过变分分析融进分析场, 使得低层分析更接近真实场, 且地面资料利用率更高, 24小时降水数值预报 (模拟) 的效果较好.     

利用遥感估算区域气温评价站点代表性——以藏东南林芝站点为例

遥感地表温度(Land Surface Temperature,LST)产品时序数据可用于分析基准气候站点的环境代表性,但LST空间变异性明显高于气温,容易低估站点代表性,因此提出首先建立面上气温的遥感估算模型,再用模型估算气温(和LST产品具有相同时空分辨率)评估站点代表性的方案。以藏东南林芝国家基准气候站点为例,首先提取气象站点2000-2011年8 d平均日最高气温(T-air)和MODIS地表温度产品(MOD11A2,8 d合成,1 km空间分辨率),分析LST与T-air之间的相关性以及其他因素对相关性的影响;而后利用Cubist回归树算法,建立了基于LST、日序、晴空日数的T-air估算模型(RMSE=1.4718℃,r~2=0.95);最终将模型用于林芝站周围附近区域计算T-air,并对林芝站点代表性加以评估,结果表明,新方案得到的结果更加可信,林芝站点代表范围为15 km×15 km,而基于LST计算得到的林芝站代表范围仅为3 km×3 km。     

A representativeness-directed approach to mitigate spatial bias in VGI for the predictive mapping of geographic phenomena

Volunteered geographic information (VGI) contains valuable field observations that represent the spatial distribution of geographic phenomena. As such, it has the potential to provide regularly updated low-cost field samples for predictively mapping the spatial variations of geographic phenomena. The predictive mapping of geographic phenomena often requires representative samples for high mapping accuracy, but samples consisting of VGI observations are often not representative as they concentrate on specific geographic areas (i.e. spatial bias) due to the opportunistic nature of voluntary observation efforts. In this article, we propose a representativeness-directed approach to mitigate spatial bias in VGI for predictive mapping. The proposed approach defines and quantifies sample representativeness by comparing the probability distributions of sample locations and the mapping area in the environmental covariate space. Spatial bias is mitigated by weighting the sample locations to maximize their representativeness. The approach is evaluated using species habit suitability mapping as a case study. The results show that the accuracy of predictive mapping using weighted sample locations is higher than using unweighted sample locations. A positive relationship between sample representativeness and mapping accuracy is also observed, suggesting that sample representativeness is a valid indicator of predictive mapping accuracy. This approach mitigates spatial bias in VGI to improve predictive mapping accuracy.