China-LSAT China-MST C-LAPT C-LSAT_HR CMST-AI |
China global Land Surface Air Temperature (China-LSAT/C-LSAT) 是一个综合均一化逐月地表气温数据集（站点和网格化）。
该数据集共收集整合了14个数据源，包括3个全球数据源(CRUTEM4、GHCM和BEST)、3个区域数据源和8个国家数据源。该数据集最重大的进展是改善了亚洲大多数国家，特别是中国及其周边地区的台站覆盖率。C-LSAT 是基于2018年完成发表的 CMA-LSAT1.0 （1900-2015）（Xu et al，2018）；因中途被停止维护更新，2019年升级为 C-LSAT1.3 （1900-）并在中山大学得以定期维护；2021年数据延长到1850年1月，并升级为C-LSAT2.0 （Li et al，2021）。
2019年，C-LSAT1.3 与美国大气海洋局（NOAA）下属的国家环境信息中心（NCEI）专家合作，融合了其研发的ERSSTv5，形成了China global Merged Surface Temperature， version 1.0（CMST/China-MST 1.0）(Yun et al., 2019)。
2021年最新版本为 China-LSAT /C-LSAT2.0 。它包括：China-LSAT2.0/C-LSAT2.0 optional和China-LSAT2.0/C-LSAT2.0 ensemble （Sun et al，2021）。该数据集被2021年8月份发布的政府间气候变化委员会（IPCC）第六次科学评估报告（AR6）认为“完全满足IPCC的要求”，并被该报告收录、使用。
China-LSAT2.0/C-LSAT2.0 optional:
• CLSAT2.0_tavg.nc （1850-2022）
• CLSAT2.0_tmax.nc（1850-2020）
• CLSAT2.0_tmin.nc （1850-2020）
China-LSAT2.0温度距平（相对于1961-1990年气候平均值）时间序列
在China-LSAT/C-LSAT的基础上，我们采用高低频分量重构和观测约束掩蔽的方法，重建了覆盖范围更广的China-LSAT2.0 ensemble(Sun et al.，2021)。在高低频分量重构方法中，我们首先解决了相对容易的低频重构。然后参照目前最先进的实践方法，利用ERA5再分析数据训练全球温度经验正交遥相关模式(EOT)，采用不同的参数对全球温度数据进行集合重建。根据对AR6的评估，重建的C-LSAT2.0集合完全满足AR6的标准，已纳入报告的表2.3和表2.4。
在重建C-LSAT2.0时，采用不同的参数会产生不同的不确定性。在重建过程中，我们使用了不同的参数设置（Table 1），共产生了756个数据结果。其中，the operational options 使用了各种参数的中间值（即所谓的“最佳”参数）。根据这个最佳参数重建得到的数据成为我们日常评估与科学应用的数据基础。
Reconstructed-CLSAT2.0:
• reconstructed_CLSAT2.0_tavg.nc （1850-2022）
• reconstructed_CLSAT2.0_tmax.nc（1850-2020）
• reconstructed_CLSAT2.0_tmin.nc （1850-2020）
Reconstructed_CLSAT2.0 温度距平（相对于1961-1990年气候平均值）时间序列
如果你对利用其它参数重建出来的数据感兴趣，你可以下载下面的文件压缩包。由于该数据过大，我们将其分成几部分上传，请把他们全部下载，并且一起解压。
reconstructed_CLSAT2.0_tavg_ice 是考虑了最大冰面面积的陆地平均温度重建数据：
• reconstructed_CLSAT2.0_tavg_ice.part01.rar
• reconstructed_CLSAT2.0_tavg_ice.part02.rar
• reconstructed_CLSAT2.0_tavg_ice.part03.rar
• reconstructed_CLSAT2.0_tavg_ice.part04.rar
• reconstructed_CLSAT2.0_tavg_ice.part05.rar
• reconstructed_CLSAT2.0_tavg_ice.part06.rar
• reconstructed_CLSAT2.0_tavg_ice.part07.rar
• reconstructed_CLSAT2.0_tavg_ice.part08.rar
• reconstructed_CLSAT2.0_tavg_ice.part09.rar
• reconstructed_CLSAT2.0_tavg_ice.part10.rar
• reconstructed_CLSAT2.0_tavg_ice.part11.rar
• reconstructed_CLSAT2.0_tavg_ice.part12.rar
• reconstructed_CLSAT2.0_tavg_ice.part13.rar
• reconstructed_CLSAT2.0_tavg_ice.part14.rar
reconstructed_CLSAT2.0_tavg 是只考虑陆地温度的平均温度重建数据：
• reconstructed_CLSAT2.0_tavg.part01.rar
• reconstructed_CLSAT2.0_tavg.part02.rar
• reconstructed_CLSAT2.0_tavg.part03.rar
reconstructed_CLSAT2.0_tmax和reconstructed_CLSAT2.0_tmin 是只考虑陆地温度的日最高温和日最低温的重建数据：
• reconstructed_CLSAT2.0_tmax.part01.rar
• reconstructed_CLSAT2.0_tmax.part02.rar
• reconstructed_CLSAT2.0_tmax.part03.rar
• reconstructed_CLSAT2.0_tmin.part01.rar
• reconstructed_CLSAT2.0_tmin.part02.rar
• reconstructed_CLSAT2.0_tmin.part03.rar
当你解压上述提到的压缩包时，你会发现：
a)一组数据中共有七个文件夹，代表了七种EOTs训练周期和空间尺度。
b)文件夹中NetCDF文件的命名方式为：
masked_reSAT_αyr_βminyrfilter_γcrit.nc
c)当你读取这些NetCDF文件时，将会发现里面有三组数据：masked_reSAT, masked_reSAT2 和 masked_reSAT3
它们的具体意义请见下表：
Parameter | Operational options | Alternative options | |
masked_reSAT masked_reSAT2 masked_reSAT3 | Minimum number of months annual average | 2 months | 1, 2, 3 months |
α | LF filter periods | 15 years | 10, 15, 20 years |
β | Min number of years for LF filter | 2 years | 1, 2, 3 years |
γ | EOTs acceptance criterion | 0.2 | 0.10, 0.15, 0.20, 0.25 |
1979-2018_modes_option1 1979-2018_modes_option2 1979-2018_modes_operational 1979-2008_modes_option 1989-2018_modes_option evenyear_modes_option oddyear_modes_option | EOTs training periods and spatial scales | 1979-2018, Lx=4000, 3000, 2500, Ly=2500 | 1979-2018： Lx=3000,2000,1500, Ly=1500; 1979-2018： Lx=5000,4000,3500, Ly=3500; 1979-2018： Lx=4000,3000,2500, Ly=2500; 1979-2008： Lx=4000,3000,2500, Ly=2500; 1989-2018： Lx=4000,3000,2500, Ly=2500; even year： Lx=4000,3000,2500, Ly=2500; odd year： Lx=4000,3000,2500, Ly=2500 |
Table1 Parameter settings used for reconstruction scenarios and the operational option
如果想要了解更多关于数据的信息，可以阅读以下文章:
邮箱：liqingx5@mail.sysu.edu.cn
（2）用气温代表北极80°N-90°N区域的温度，以代表2012年时北极最小海冰覆盖时的温度，得到China-MST2.0-Imin。
China-MST2.0-Imin 温度距平（相对于1961-1990年气候平均值）时间序列
在China-MST 2.0中，我们另外设计了两个实验:
（1）用气温代表65°N-90°N区域的温度，模拟1983年时北极最大海冰覆盖时的温度，得到China-MST2.0-Imax;
China-MST2.0-Imax 温度距平（相对于1961-1990年气候平均值）时间序列
China global Merged Surface Temperature (China- MST /CMST） 是第五个全球基准表面温度数据集。
该数据集是基于中国陆地地表温度(C-LSAT)的地表气温数据和由美国国家海洋和大气管理局/国家环境信息中心(NOAA/NCEI)于2017年发布的扩展重建海表温度(ERSSTv5)合并而成(Huang et al., 2017)。对比分析表明，自1880年以来，China-MST反映的全球变暖趋势与其他类似数据集的一致性有所增强(Li et al.，2020)。特别是在1998-2012年备受争议的“变暖停滞”期间，China-MST估算的变暖趋势与北半球高纬度地区的卫星数据、浮标观测数据和再分析数据计算的变暖趋势基本一致(Li et al., 2021)。
由于地表温度数据的分辨率较低(5°×5°)，早期使用薄板样条法(Hutchinson, 1991)将数据插值到分辨率为0.5°×0.5°。对比评估表明，该插值方法在较高分辨率下能较好地反映出温度变化的趋势特征(Cheng et al.，2020)。China-MST 2.0是China-MST目前的最新版本。
China-MST2.0-Nrec是基于观测数据的同质网格数据集。它是通过合并C-LSAT2.0和ERSSTv5而创建的。
China-MST-Nrec 温度距平（相对于1961-1990年气候平均值）时间序列
China-MST-Interim温度距平（相对于1961-1990年气候平均值）时间序列
利用外延差值和高低频重建相结合的方法，重建了极地的气温，以评估高纬度地区和全球的变暖幅度和不确定性，以及极地放大效应对全球变暖的影响。在此基础上，我们进一步提高了数据的准确性，为进一步准确估计和评估全球变暖程度的不确定性做出了更大的贡献。
如果想要了解更多关于数据的信息，可以阅读以下文章:
[1] Sun, W., Yang, Y., Chao, L., Dong, W., Huang, B., Jones, P., and Li, Q.*, 2022, Description of the China global Merged Surface Temperature version 2.0, Earth Syst. Sci. Data ., 14, 1677-1693, https://doi.org/10.5194/essd-14-1677-2022
[2]Xu, W., Li, Q.*, Jones, P., Wang, X. L., Trewin, B., Yang, S., Zhu, C., Zhai, P., Wang, J., Vincent, L., Dai, A., Gao, Y. and Ding, Y.: A new integrated and homogenized global monthly land surface air temperature dataset for the period since 1900, Climate Dynamics, 50, 2513-2536, doi: 10.1007/s00382-017-3755-1, 2018
[3] Yun, X., Huang, B., Cheng, J., Xu, W., Qiao, S. and Li, Q.*: A new merge of global surface temperature datasets since the start of the 20th century, Earth System Science Data, 11, 1629-1643
, doi: 10.5194/essd-11-1629-2019, 2019
[4] Li Q, Sun W, Huang B, Dong W, Wang X, Zhai P and Phil Jones, Consistency of global warming trends strengthened since 1880s, Science Bulletin, https://doi.org/10.1016/j.scib.2020.06.009, 2020
[5] Cheng J, Li Q*, Chao L, Suman M, Huang B, Jones P, 2020, Development of a high-resolution and homogenized gridded land surface air temperature data: a case study over pan East Asia, Frontiers in Environmental Science, DOI: 10.3389/fenvs.2020.588570
[6] Sun, W., Li, Q.*, Huang, B., Cheng, J., Song, Z., Li, H., Dong, W., Zhai, P. and Jones, P.: The Assessment of Global Surface Temperature Change from 1850s: The C-LSAT2.0 Ensemble and the CMST-Interim Datasets, Advances in Atmospheric Sciences, 38, 875-888, doi: 10.1007/s00376-021-1012-3, 2021
[7] Li Q, Sun W, Yun X, Huang B, Dong W, Wang X, Zhai P and Phil Jones, An updated evaluation of the global mean Land Surface Air Temperature and Surface Temperature trends based on CLSAT and CMST, Climate Dynamics, 56:635-650, DOI: 10.1007/s00382-020-05502-0, 2021
联系：
邮箱：liqingx5@mail.sysu.edu.cn
C-LAPT全球陆地网格化近地面体感温度数据集 (Huang et al., 2021) 由C-LSAT 2.0的近地面空气温度 (Sun et al., 2021)和20CRv3的近地面相对湿度和近地面风速 (Slivinski et al., 2021) 计算得到。该数据集时间覆盖为1850-2015，空间分辨率为5°x 5°。
C-LAPT温度距平（相对于1961-1990年气候平均值）时间序列
[1]Huang, J., Li, Q., and Song, Z., 2021. Historical global land surface air apparent temperature and its future changes based on CMIP6 projections. Sci. Total Environ. 151656. https://doi.org/10.1016/j.scitotenv.2021.151656.
[2]Slivinski, L.C., Compo, G.P., Sardeshmukh, P.D., Whitaker, J.S., McColl, C., Allan, R.J., Brohan, P., Yin, X., Smith, C.A., Spencer, L.J., Vose, R.S., Rohrer, M., Conroy, R.P., Schuster, D.C., Kennedy, J.J., Ashcroft, L., Brönnimann, S., Brunet, M., Camuffo, D., Cornes, R., Cram, T.A., Domínguez-Castro, F., Freeman, J.E., Gergis, J., Hawkins, E., Jones, P.D., Kubota, H., Lee, T.C., Lorrey, A.M., Luterbacher, J., Mock, C.J., Przybylak, R.K., Pudmenzky, C., Slonosky, V.C., Tinz, B., Trewin, B., Wang, X.L., Wilkinson, C., Wood, K., and Wyszyński, P., 2021. An Evaluation of the Performance of the Twentieth Century Reanalysis Version 3. J. Clim. 34 (4), 1417-1438. https://doi.org/10.1175/jcli-d-20-0505.1.
[3]Sun, W., Li, Q., Huang, B., Cheng, J., Song, Z., Li, H., Dong, W., Zhai, P., and Jones, P., 2021. The Assessment of Global Surface Temperature Change from 1850s: The C-LSAT2.0 Ensemble and the CMST-Interim Datasets. Adv. Atmos. Sci. https://doi.org/10.1007/s00376-021-1012-3.
C-LSAT_HR（High-Resolution China-Land Surface Air Temperature）是全球陆地表面气温数据集C-LSAT2.0的高分辨率版本，该数据集的时间跨度为1901年1月至2018年12月，数据范围为179.75°W-179.75°E (720)，89.75°S-89.75°N (360)，空间分辨率为0.5°×0.5°，气候场取自1961-1990年的30年气候平均。该气候场数据集的研发基于C-LSAT站点数据的气候场和GMTED2010高程数据，运用局部薄盘样条插值而成；距平数据采用改进的反距离加权插值方法；二者之和即可得到高分辨的全球陆地气温数据集。
全球年平均陆地表面气温（相对于1961-1990年气候平均值）在不同时期趋势变化的空间分布与每5度的纬向平均趋势（℃/10a）
[1] Cheng J, Li Q*, Chao L, Suman M, Huang B, Jones P, 2020, Development of a high-resolution and homogenized gridded land surface air temperature data: a case study over pan East Asia, Frontiers in Environmental Science, DOI: 10.3389/fenvs.2020.588570
[2] Li Q, Sun W, Yun X, Huang B, Dong W, Wang X, Zhai P and Phil Jones, An updated evaluation of the global mean Land Surface Air Temperature and Surface Temperature trends based on CLSAT and CMST, Climate Dynamics, 56:635-650, DOI: 10.1007/s00382-020-05502-0, 2021
[3] Xu, W., Li, Q.*, Jones, P., Wang, X. L., Trewin, B., Yang, S., Zhu, C., Zhai, P., Wang, J., Vincent, L., Dai, A., Gao, Y. and Ding, Y.: A new integrated and homogenized global monthly land surface air temperature dataset for the period since 1900, Climate Dynamics, 50, 2513-2536, doi: 10.1007/s00382-017-3755-1, 2018
CMST-AI 数据集基于最新研发的CMST 2.0-Nrec数据集，采用部分卷积的深度学习方法，重建了1850年至2020年全球表面温度逐月距平数据集中的观测数据缺失信息，得到一个无缺测值的重建数据集。
re_nrec_10_1000000.nc 将10成员的20CR再分析数据集的第一个成员作为验证集，其余的9个成员作为训练集。
re_nrec_80_1000000.nc 将80成员的CERA再分析数据集的第一个成员作为验证集，其余的79个成员作为训练集。
几个典型时间(1881年1月，1921年1月，1961年1月和2001年1月)10成员20CR数据集重建的全球温度距平值分布（相对于1961-1990年气候平均值）
几个典型时间(1881年1月，1921年1月，1961年1月和2001年1月)80成员CERA数据集重建的全球温度距平值分布（相对于1961-1990年气候平均值）
基于不同数据集的1850-2020年全球表面温度序列（相对于1961-1990年气候平均值）
[1] Sun, W., Yang, Y., Chao, L., Dong, W., Huang, B., Jones, P., and Li, Q.*, 2022, Description of the China global Merged Surface Temperature version 2.0, Earth Syst. Sci. Data ., 14, 1677-1693, https://doi.org/10.5194/essd-14-1677-2022
[2] Cao, Y., Jiao, B., Lan, X., Tan, J., Yang, Y., Sun, W., Li, Z., Luo, J.and Li, Q.*, 2022. Reconstruction of global surface temperature based on an artificial intelligence approach. Submitted to Environmental Research Letters.
CMST-AI数据集基于最新研发的CMST 2.0-Nrec数据集，采用部分卷积的深度学习方法，将10（80）成员的20CR（CERA）再分析数据集的第一个成员作为验证集，其余的9（79）个成员作为训练集，重建了1850年至2020年全球表面温度逐月距平数据集中的观测数据缺失信息，得到一个无缺测值的重建数据集。
|
|