China-LSAT China-MST C-LAPT C-LSAT_HR SSR 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 （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。
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AR6，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China-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，共产生了252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。
目前更新至2023年的数据采取了新的观测约束算法，具有更好的区域代表性，因此与以往的数据会有细微差别，敬请注意。
China-LSAT2.0/C-LSAT2.0（重建）：
• China-LSAT2.0_tavg.nc （1850-2023）
• China-LSAT2.0_tmax.nc（1900-2020）
• China-LSAT2.0_tmin.nc （1900-2020）
China-LSAT 2.0温度距平（相对于1961-1900年气候平均值）时间序列
China-LSAT2.0/C-LSAT2.0-Nrec（未重建）：
• China-LSAT2.0_tavg-Nrec.nc （1850-2023）
• China-LSAT2.0_tmax-Nrec.nc（1900-2020）
• China-LSAT2.0_tmin-Nrec.nc （1900-2020）
如果对利用其它参数重建出来的集合数据感兴趣，详情见China-LSAT2.0大样本集合数据下载。
如果想要了解更多关于数据的信息，可以阅读以下文章:
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)。
China-MST 2.0(5°×5°)是China-MST目前的最新版本，包含三种不同版本：China-MST2.0-Nrec（无重建）、China-MST2.0-Imax 和 China-MST2.0-Imin（根据其重建的北极地区海冰表面空气温度区域的范围大小区分），供专业用户根据其研究需要选用，公众用户建议采用 China-MST2.0-Imax。目前更新至2023年的陆地气温数据采取了新的观测约束算法，具有更好的区域代表性，因此与以往的数据会有细微差别，敬请注意。
（1）China-MST2.0-Imax中用气温代表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。
下载：China-MST2.0-Imax.nc (1850-2023)
China-MST-Imax温度距平（相对于1961-1990年气候平均值）时间序列
（2）China-MST2.0-Imin中用气温代表北极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。
下载：China-MST2.0-Imin.nc (1850-2023)
（3）China-MST2.0-Nrec是基于观测数据的均一化网格数据集。它是通过合并未重建的C-LSAT2.0和ERSSTv5而创建的。
下载：China-MST2.0-Nrec.nc (1850-2023)
在China-MST 2.0中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。
China-MST-Interim是将未对北极气温进行重建的China-LSAT2.0与ERSSTv5合并而成的重建全球数据集(Sun et al., 2021)。IPCC第6次评估报告中使用了China-MST-Interim。目前已停止更新。
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] Li Z., Sun W., Liang C., Xing X., Li Q*. Arctic warming trends and their uncertainties based on surface temperature reconstruction under different sea ice extent scenarios. Adv. Clim. Change Res.2023，14: 335-346. https://doi.org/10.1016/j.accre.2023.06.003.
[3] Li Z, Li Q*, Chen T.,2023，Record breaking high temperature outlook for 2023：An assessment from CMST, Adv. Atmos. Sci., 2024, 41:369-376, doi: 10.1007/s00376-023-3200-9[4]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
[5] 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
[6] 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
[7] 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
[8] 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
[9] 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
[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。
下载：C-LSAT_HR
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
全球均一化太阳表面辐射数据集包括均一化的SSR数据集（SSRIHgird）和AI重建的SSR数据集（SSRIH20CR）。
SSRIHgird.nc是分辨率为5°×5°的均一化全球逐月SSR数据集。
SSRIH20CR.nc是基于20CRv3人工智能模型得出的5°×2.5°分辨率的逐月陆地（除南极洲）SSR数据集。
[1] Jiao, B., Su, Y., Li, Q*., Manara, V., and Wild, M.: 2023，An integrated and homogenized global surface solar radiation dataset and its reconstruction based on a convolutional neural network approach, Earth Syst. Sci. Data, 15, 4519–4535, https://doi.org/10.5194/essd-15-4519-2023.
全球陆地（南极洲除外）重建前/后的SSR年平均距平（相对于1971-2000年）。黑色实线代表SSRIHgrid的年平均距平。蓝色实线代表SSRIH20CR的年平均距平。直方图表示1955-1991年、1991-2018年和1955-2018年SSRIHgrid/SSRIH20CR的十年趋势（单位：W/m2/十年）及其95%的不确定性范围
重建前/后的区域陆地（南极洲除外）SSR年平均距平（相对于1971-2000年）。黑色实线代表SSRIHgrid的年平均距平。蓝色实线代表SSRIH20CR的年平均距平。绿色填充图表示网格盒覆盖率的变化（重建前）
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.
|
|