一个高分辨率的数据集，揭示了中国相对湿度的动态变化

《Journal of Hydrology》：A high-resolution dataset revealing the dynamical variations of the relative humidity in China

本研究基于1951-2020年中国地面观测数据，运用随机森林空间插值构建1km×1km分辨率相对湿度栅格数据集，揭示农业分区时空演变规律，发现年均湿度以-0.26%/十年速率下降，东部下降显著，分界线位于120°E、45°N-95°E、30°N附近。

　　

周鸿武|宁珊|杨瑞哲|苏莱蒙·纳兹罗佐达|胡增云

南京大学地理与海洋科学学院，南京210023，中国

摘要

大气湿度的变化会影响植物的光合作用和蒸腾过程，从而改变植被生长条件和作物产量。因此，在研究气候变化对农业生产的影响时，高空间和时间分辨率的大气相对湿度数据尤为重要。本研究基于1951年至2020年中国地面观测站的日相对湿度数据，采用随机森林（RF）空间插值框架构建了一个1公里×1公里空间分辨率的日相对湿度栅格数据集，覆盖了1951–2020年期间。该框架纳入了经度、纬度、海拔以及空间自相关变量（空间邻近值和距离）作为协变量，有效捕捉了非线性关系和空间依赖性。交叉验证表明，在1956年观测站密集布设后，插值数据与观测站数据之间的均方误差（DISO）稳定在0.5左右，显示出较高的整体一致性。利用构建的数据集，我们从农业空间分区的角度分析了中国相对湿度的多尺度时空变化特征，采用了线性趋势估计、Mann-Kendall突变检验和小波分析方法。1956年至2020年间，中国年平均相对湿度呈现显著的下降趋势，下降速率为每十年-0.26%，其中PHMYRR地区的下降最为明显。大多数农业区的相对湿度在20世纪90年代或21世纪初发生了突变，表现出大约7年和37年的周期性变化。中国的相对湿度区域差异以东经120度、北纬45度至95度为分界线：该线以东相对湿度下降幅度较大，而以西下降幅度相对较小。本研究结果为中国长期气候变化序列提供了重要数据支持，并为理解气候波动过程以及农业区的工业和农业生产活动提供了科学结论和理论指导。

引言

大气水汽作为大气的重要组成部分，在生态系统、环境和农业中起着至关重要的作用（Lin等人，2020年）。特定湿度和相对湿度被广泛用于反映大气中的水汽含量（Chen等人，2020年）。相对湿度是一个表征空气中水汽饱和程度的参数，表示为实际水汽压与相同温度下饱和水汽压的百分比（You等人，2015年）。相对湿度的变化会直接影响大气能见度、自然生态系统、植物生长以及当地人类的舒适度（Li等人，2021年；Sherwood等人，2010年）。因此，相对湿度更适合用于分析气候变化的反馈（Held和Shell，2012年）。研究区域相对湿度的时空变化特征有助于深入理解当地气候变化规律，并为生态系统、人类农业生产与生活、灾害预测等提供科学参考。

近年来，国外许多研究探讨了大气相对湿度的变化趋势及其空间和时间差异（Baltaci，2021年；Csépl?等人，2022年；Fatichi等人，2015年；Isaac和Van Wijngaarden，2012年；Noshadi和Ahani，2015年；Raziei和Pereira，2013年；Shin等人，2021年；Vicente-Serrano等人，2013年；Vincent等人，2007年）。不同地区的相对湿度存在显著的空间和时间变异性。全球范围内，相对湿度最高值出现在赤道地区，而最低值主要分布在北纬和南纬30度附近的干燥亚热带地区。在中国，许多学者从全国范围（Guo和Chen，2022年；Li等人，2020年；Niu等人，2020年；Song等人，2012年；Wang和Gaffen，2001年）和区域范围（Bian等人，2020年；Chen等人，2020年；Li等人，2021年；Lin等人，2020年；Liu等人，2011年；Liu等人，2020年；Xu等人，2009年；You等人，2015年）分析了相对湿度的变化特征。这些研究表明，中国的相对湿度有所下降，东部地区的下降趋势更为明显。大多数关于相对湿度的研究都使用了长期序列数据，最短的研究时间为29年（Wang和Gaffen，2001年）。在时间尺度分析方面，大多数研究主要关注年平均值和季节变化，而关于月平均值的研究较少（Bian等人，2020年；Chen等人，2020年；Liu等人，2020年；Niu等人，2020年）。在空间尺度分析方面，大多数研究从两个角度分析了相对湿度的气候变化趋势：行政区域（Guo和Chen，2022年；Li等人，2020年；Wang和Gaffen，2001年）和气候区（Niu等人，2020年；Song等人，2012年）。尽管这些研究结果有助于增进对中国相对湿度气候变化的理解，但分析视角还不够全面，无法准确反映不同地区的局部差异。

近年来，出现了许多关于相对湿度再分析产品（如MERRA、HadCRUH、ERA5）、气候模型产品（如CMIP6）和卫星产品（Zhang等人，2023年）。研究发现，在研究相对湿度的长期趋势时，前三种数据产品的不确定性较大，与观测数据产品相比仍存在较大偏差，且能够准确捕捉这一演变过程的产品较少（Li等人，2023b）。高分辨率的气候要素观测网格数据集已成为气候学研究的重要组成部分，通过适当的空间插值方法将离散的气象观测站数据转换为规则网格数据，其在精细农业、流域水文学和生态系统研究中具有广泛应用前景（Razafimaharo等人，2020年）。Willett等人（2008年）开发了首个全球同化的相对湿度网格数据集。空间网格数据的准确性不仅取决于插值方法，还取决于观测站密度。目前，关于中国高密度观测站的网格化相对湿度同化研究较少（Li等人，2014年）。因此，迫切需要建立一个覆盖整个中国大陆的基于地面的网格化相对湿度数据集，具有更完整的时间序列和更高的准确性。

与温度和降水相比，相对湿度的空间插值方法应用较少，需要进一步研究。与传统插值方法（如克里金法、逆距离加权法、局部薄盘样条插值和样条函数插值等）相比，基于机器学习方法的资源元素空间插值具有两个显著优势：首先，它具有处理非线性数据的强大能力；其次，它不依赖于数据分布和假设（Appelhans等人，2015年）。常用的机器学习方法包括多层感知器神经网络、支持向量机、多元线性回归、决策树和随机森林（RF）等。许多研究发现，与其他机器学习方法相比，RF方法在捕捉空间结构和预测资源元素方面表现出较高效率（Chen等人，2023年；He等人，2024年；Kawichai等人，2025年；Kmoch等人，2025年；Rahman等人，2024年；Zhang等人，2025年；Zhao等人，2018年）。Wang等人（2025年）提出了一种新模型PSORF，结合ERA5、RF和粒子群优化（PSO）算法来插值和填充全球导航卫星系统（GNSS）-可降水量（PWV）时间序列数据中的缺失值。这些研究成果为短期湿度预测和气候变化研究提供了关键技术支持和数据保障。湿度等资源元素通常与地理位置和地形因素密切相关，具有明显的空间分布规律（Zhang等人，2023年）。因此，在使用RF空间插值方法插值湿度时，应考虑空间自相关和变量间相关性，并引入相关的地理环境因素来辅助插值。

相对湿度数据的可用性在农业领域的政策制定、服务提供和规划中起着关键作用（Lara-Estrada等人，2018年）。此外，作为影响植物生长和农业产量的重要因素，相对湿度的变化特征对农林经济具有重要的参考意义（Geng等人，2023年）。中国的相对湿度变化具有明显的区域特征（Song等人，2012年），而关于农业分区下相对湿度的空间和时间分布的研究较少。因此，在本研究中，我们利用RF空间插值方法基于近70年的观测数据生成了一组相对湿度栅格数据集，并利用该数据集详细分析了全球变暖背景下中国各农业区的相对湿度变化。研究目标有两个：（1）提供一组长期序列、高时间和空间分辨率的相对湿度栅格数据集；（2）揭示中国及十个农业区的相对湿度动态变化。

研究区域

中国位于东亚，面积约为960万平方公里（Zhang等人，2022年）。中国的地形复杂多样，西部地势较高，东部地势较低。由于气象变化受纬度位置、气象因素、地貌特征和地表因素的影响，中国的气候复杂多变（Song等人，2012年）。同时，降水量类型多样，在空间上分布不均

数据

本研究收集了1951年至2020年中国地面观测站的日相对湿度数据。数据来源于中国气象科学数据中心（https://data.cma.cn/），地面观测站数量在156到2425个之间。本研究使用的数字高程模型（DEM）数据来自美国航天飞机奋进号的Shuttle Radar Topography Mission（SRTM）数据，空间分辨率为

使用RF、OK和IDW插值的相对湿度比较

我们使用RF空间插值方法以及常用的IDW和OK方法对相对湿度数据进行了插值。DISO系统用于在日尺度上评估这三种模型。结果如图3所示。在DISO定义的三维评估系统中，MAE和RMSE经过了标准化处理。坐标轴包括三个统计指标：X轴代表CC，Y轴代表NMAE，Z轴代表NRMSE。

讨论

通过模型准确性验证，我们发现自1958年以来，观测站数量始终超过1360个，随着观测站数量的增加，模型准确性基本没有变化（图4，图7）。此外，通过气候趋势分析，我们还发现1951–1953年的相对湿度值与其他年份有显著差异，这可能是因为这三年间的地面观测站数量较少，少于300个

结论

• （1）
  插值数据与观测站数据之间的均方误差（DISO）稳定在0.5左右。随机森林（RF）空间插值预测模型显示出稳定性，生成的相对湿度网格数据集具有相对稳定和可靠的插值精度。
• （2）
  1956年至2020年间，中国年平均相对湿度呈现下降趋势，下降速率为每十年-0.26%。其中PHMYRR地区的下降趋势最为明显。

CRediT作者贡献声明

周鸿武：撰写 – 原稿撰写、数据整理、概念构思。宁珊：方法论、调查、正式分析。杨瑞哲：验证、软件开发。苏莱蒙·纳兹罗佐达：资源获取。胡增云：撰写 – 审稿与编辑、项目管理、资金申请。

资助

本研究得到了国家重点研发计划（项目编号：2025YFE0104200）和江苏省海洋科技创新专项（项目编号：JSZRHYKJ202206）的支持。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：胡增云的报告由上海交通大学提供。

致谢

我们感谢编辑团队和匿名审稿人对本手稿的辛勤工作。