Spatial interpolation alters heat-wave detection despite small temperature errors in data-sparse regions
本研究表明，尽管反距离权重法等空间插值方法在数据稀疏区域可能达到可接受的预测精度，但它们会系统性地降低温度变率，并显著改变热浪事件的检测与持续时间，这表明传统的误差指标不足以评估其在气候风险评估中的适用性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
气候科学在很大程度上依赖于显示景观内温度变化的地图，通过填补气象站之间的空白，来构建一幅连续的大气图景。这些地图对于理解热浪等风险至关重要，热浪是指威胁人类健康、使电网承受压力并扰乱日常生活的危险高温时期。为了构建这些地图，科学家使用数学技术，根据附近观测站的读数，来估算没有温度计的地方的温度。几十年来，研究人员一直假设，如果一种方法在温度估算中产生的平均误差很小，那么它对于包括追踪极端事件在内的所有用途都是可靠的。然而，这一假设忽略了一个关键细节：一种方法平滑数据的方式可能会掩盖其本应揭示的极端情况。
一项在巴西圣保罗州进行的最新研究挑战了这一长期以来的观点，该研究表明，即使温度数值看起来几乎正确，数学方法的选择也会从根本上改变热浪的检测结果。研究人员将目光聚焦于一个地形复杂（从海平面到高山脉）且气象站分布不均的地区。他们提取了2021年至2025年的逐小时温度记录，并测试了两种常见的填补空白的方法：一种是简单的办法，即直接选取最近观测站的读数；另一种是更复杂的方法，即对附近的观测站进行加权平均，并给距离最近的站点赋予更高的权重。虽然这种复杂的办法在生成平均温度方面略显精确，但它系统性地平滑了数据，降低了温度波动的剧烈程度。
当团队寻找热浪（在本研究中定义为最高温度连续几天超过35°C的情况）时，这种平滑效应带来的后果变得异常清晰。这种复杂的办法通常因其整体准确性而受到青睐，但它识别出的热浪数量和持续时间却始终少于简单的方法。在某些城市，五年期间热浪总天数的差异高达199天。这是因为复杂的办法略微降低了最热天的峰值温度，其幅度足以打破被归类为热浪事件所需的连续天数链条。这项研究证明，一种方法在数学上可能更“擅长”预测平均温度，但同时却无法捕捉到对公共安全和气候规划最重要的极端事件。
研究人员发现，这种效应并非随机发生，而是遵循与地形和气象站密度相关的特定模式。在地形复杂或数据稀疏的地区，平滑效应更为显著，尤其是在最低温度方面，该方法往往会抹除最冷的极端情况。这表明，仅仅依靠标准误差指标（即衡量估算值与观测值之间平均接近程度的指标）对于气候风险评估是不充分的。一种在纸面上看起来表现良好的方法，仍可能扭曲极端天气的现实，导致低估危险热事件的持续时间和频率。
最终，研究得出结论：空间插值并非准备气候数据过程中的一个中性步骤，而是一种重塑信号的主动转换。研究结果意味着，科学家和决策者在利用插值数据评估风险时必须保持谨慎，因为方法的选择会改变数据所讲述的故事。对于涉及热浪和其他极端天气的情况，目标不应仅仅是最小化平均误差，而应该是保留温度峰值的变异性和持续性。这项研究强调，在一个极端天气风险日益增加的变暖世界中，用于绘制气候图谱的工具，其选择应当着眼于保留那些它们旨在测量的极端现象本身。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。