许多人应该都遇到过被审稿人质疑所使用的气象数据分辨率太低的情况，今天就讲一下如何解决这个问题，这也是在一些论文里面看到的，后面给出了参考文献。如果有不对的地方还请大家多多交流指正。 对于小范围的研究，可以使用气象站点监测数据进行空间插值出较为合适分辨率的数据，气象站点数据下载可参考：【数据下载】在哪下载气象站点监测数据？而对于较大范围的研究，使用气象站点监测数据插值就不太可行，主要问题在于站点数据获取方面。最常用的气象数据集，也就是ERA5数据集，ERA5是ECMWF（欧洲中期天气预报中心）对1950年1月至今全球气候的第五代大气再分析数据集。ERA5提供了大量大气、陆地和海洋气候变量的每小时估计值，其空间分辨率为0.1°×0.1°。这个数据集提供了各类气象数据，并且可以在GEE、AI Earth平台直接调用。其他也有空间分辨率为1km 的气象数据如温度、降水、蒸散发等，下载方式可查询：【数据下载】遥感、GIS、测绘常用数据的下载、【数据下载】测绘、GIS、遥感常用数据的下载尽管1km分辨率的气象数据已经能够满足大部门的研究需要，但对于一些对数据要求较高的研究，如城市相关内容的研究，数据的精度往往就会成为被质疑和攻击的点。
在一些文献中看到的解决方法，主要是通过对已有的气象栅格数据进行插值，以达到所需的数据精度。具体而言，就是将已有的1km或者10km的栅格数据转为点，然后使用空间插值（通常使用普通克里金插值）的方法进行插值为自己所需精度的数据。
使用ArcGIS进行克里金空间插值的步骤如下： 1. 右键ArcGIS工具条，勾选Geostatistical Analyst模块，这里以温度数据为例
2. 先判断数据是否呈正态分布，如果不是，对数据进行变换使其尽可能呈现正态分布。可以根据正态QQ图和直方图来判断数据是否呈正态分布，比如直方图，选择【Geostatistical Analyst】—【探索数据】—【直方图】。在直方图提供的汇总统计数据中，如果数据服从正态分布，则平均值与中值类似，偏度应接近零，并且峰度应接近 3。如果偏度和峰度离正态的值偏差很大，则可以对数据进行变换，使其尽可能呈现正态分布。
3. 接着对数据进行【趋势面分析】。选择【Geostatistical Analyst】—【探索数据】—【趋势分析】，可以看到在x和y方向存在明显的二阶趋势，注意在做克里金分析的时候剔除，如果原始数据在这是平的，并没有像示例数据这样的曲线，在后面的操作当中就不需要进行剔除二阶趋势。
4. 接着进行克里金插值，选择【Geostatistical Analyst】—【地统计向导】
5. 接着点击下一步，如果在步骤2中对数据进行了变化，这里就要选择【变换类型】，如果没有则选无，【趋势的移除阶数】，因为步骤3中发现趋势面存在二阶趋势，因此这里选择去除。
6. 接着下一步，这里要注意【核函数】的选择，常用的主要有指数函数和高斯函数，可根据数据情况和结果精度来选择。
7. 下一步，这里注意【各向异性】，可选为True，参考各向异性的解释，在插值时考虑各向异性通常会使得结果更加准确。现在仍有很多学者在空间插值方法上考虑各向异性不断改进插值方法以提高其精度。在进行空间插值时，可根据实际数据情况进行调整插值方法和具体参数。有研究表明，不同数据所最适应的插值方法也不同，比如反距离加权插值(IDW)在一些场景中会比克里金插值表现的更好。
8. 下一步默认，然后就是插值的误差结果。可以看一下各项指标，评估一下插值的精度是否满足要求，这里的插值验证是采用交叉验证的方法进行的。
9. 点击确定，完成。
如果觉得只是想进行空间插值，不想查看中间的过程，可以直接在工具箱的【3D Analyst】--【栅格插值】工具中进行空间插值，如下图：
如果有时候插值结果不能完全覆盖研究范围，可以在【环境...】中选择【处理范围】，然后选择研究区范围即可。
在ArcGIS pro中也是同样的操作：
使用python进行空间插值的代码可参考：Nature子刊方法！优雅地做克里金插值并评估 【注】：在插值过程中，参数设置一般如上面的，大部分保持默认就行。空间插值多是基于地理学第一定律，即空间位置越近，属性越相似，这就涉及到了邻域搜索和计算。一般分为固定距离和固定样本数法，固定距离即选择在待插值点固定范围内的所有样本点，对待插值点进行拟合预测；固定样本数即选择与待插值点距离最近的固定个数的样本点来拟合预测待插值点的值，如下图。
当然，也有学者研究了可变距离和可变样本数的邻域搜索策略，以及其他的邻域搜索和插值方法。之前做过一段时间的邻域搜索策略的研究，这也是一个很好的研究方向，感兴趣的可以深入研究一下。 1. Yan, Y., Liu, X., Wang, F., Li, X., Ou, J., Wen, Y., et al., 2018. Assessing the impacts of6 D* E& n P: n7 E2 R: ]$ k
urban sprawl on net primary productivity using fusion of Landsat and MODIS data.
9 E4 Z, y4 h7 y2 b$ WSci. Total Environ. 613–614, 1417–1429. https://doi.org/10.1016/j.scitotenv.2017.09.1392. Wen, Y., Yang, J., Liao, W., et ai. 2023. Refined assessment of space-time changes, influencing factors and( Q! a4 r0 X1 [: T3 d7 \
socio-economic impacts of the terrestrial ecosystem quality: A case study of: i! d9 x3 w; ?6 `3 H
the GBA
# w2 \+ Z3 v7 F3 T# q. Journal of environmental management. https://doi.org/10.1016/j.jenvman.2023.1188693. Wang, H., Zang, F., Zhao, C., et al. 2022. A GWR downscaling method to reconstruct high-resolution precipitation dataset based on GSMaP-Gauge data: A case study in the Qilian Mountains, Northwest China. Sci. Total Environ. https://doi.org/10.1016/j.scitotenv.2021.1520664. Chen, J., Shao, Z., Huang, X., et al. Multi-source data-driven estimation of urban net primary productivity: A
3 {7 z+ Z+ I4 ]; O+ I) x8 Pcase study of Wuhan. International Journal of Applied Earth) Z5 H- W9 B- F( ?8 ~
Observation and Geoinformation. https://doi.org/10.1016/j.jag.2023.103638
如果有好的内容或者最新的研究成果或者想要进行学术和技术交流的欢迎点击公众号底部【与我联系】添加微信，添加时请备注 学校/机构_研究方向_姓名，方便交流沟通！
| 
