云与气溶胶已经被认为是影响地表太阳辐射变化的主要因素。而目前的地表太阳辐射再分析数据集中，云参数和气溶胶误差对地表太阳辐射误差的影响，特别是其对地表太阳辐射空间分布以及长期趋势的影响仍需进一步研究。

地表过程与资源生态国家重点实验室研究生冯飞、王开存教授等将中国区域地面观测、卫星数据以及再分析数据，整理成1°×1°的网格数据，首先分析了中国地区的地表太阳辐射（R_s）、云量以及晴空地表太阳辐射（R_c）的多年平均态，而后评估了再分析数据中这些数据的偏差。R_s、云量以及R_c的长期趋势使用最小二乘法计算线性趋势。为了确定再分析数据与观测值之间云量对R_s偏差的影响，计算了云量偏差与R_s偏差之间的相关系数（R）。因此，引入一个多项式回归模型来描述R_s对云量和R_c中偏差的敏感性。如图显示的中国区域日照时数反演的地表太阳辐射观测站点（图1）。

图 1本章使用的2400个日照时数反演的地表太阳辐射（R_s）气象台站。底图为SRTM30数据集的高程数据绘制的山体阴影底图。

研究结果：图2显示了2000到2014年再分析数据中R_s、云量和R_c多年平均的值及其偏差。观测结果显示西藏和中国西部的R_s较高，约为180~300W/m²，而在中国东部以及南部，R_s的平均值范围约为120~180W/m²。相反的，观测的云量的多年平均的空间分布与R_s多年平均的空间分布相反，高值大多分布在在中国南部（0.6-1），而低值则分布在中国北部（0.4-0.6）。对于R_c，青藏高原地区的晴空太阳辐射高于中国其他地区，约为180到260W/m²（图2）。

图3显示了云量年距平的偏差和R_s年距平的偏差的相关性。以地面观测为参考，再分析显示出云量年距平偏差与R_s年距平偏差有负相关，并且其全国平均的决定系数在0.36到0.43之间。图3也显示再分析在使用CERES EBAF数据为参考的情景下，云量年距平偏差与R_s年距平偏差的负相关性更强。这是因为地面观测中云与R_s是独立进行观测的，而卫星中R_s数据的计算与云量有密切关系。从空间分布来看，云量年距平偏差与R_s年距平偏差在中国南方负相关性更强（-0.50~-1.00），而在中国北方较弱（-0.40~0.00）。同样，以卫星CERES EBAF数据为参考的结果也显示出同样的空间分布。

图2. 多年平均地表太阳辐射、云量和晴空地表太阳辐射的空间分布

注：地表太阳辐射为Rs、云量CF、晴空地表太阳辐射Rc。时间跨度为2000到2014年。（a，h，o）显示了2000年至2014年观测到的多年平均Rs、CF和CERES EBAF（CERES）得出的Rc；其余行显示了再分析数据与观测或减去CERES相比的Rs、CF和Rc多年偏差。

图3. 云量年距平的偏差与地表太阳辐射年距平的偏差的相关系数图

注：云量为CF）年距平的偏差与地表太阳辐射（Rs）在左列（a，d，g，j，m），以观测到的CF和观测到的Rs为参考的相关。中间一列（b、e、h、k、n）中，CERES CF和CERES Rs代表CF参考数据，Rs参考数据由CERESEBAF数据计算。在右列（c，f，i，l，o），CERES-CF中， CF参考数据是来自CERES EBAF数据，Rs参考数据是从日照时数推算得到的Rs数据。时间为2000至2014年。

再分析数据中R_s的偏差与云、气溶胶模拟能力之间关系研究较少， 因此再分析R_s据在中国地区评估对于气候模型和再分析数据中云，气溶胶以及辐射的相关参数化方案的了解和完善不仅有帮助，也对区域尺度上降低未来预测气候变化的偏差以及生态水文模型等的应用有所帮助。

（供稿人：冯飞）