该文档属于类型a，报告了一项原创性研究。以下是基于文档内容的学术报告：

主要作者及研究机构
本文的主要作者为Shi Feng、Yang Bao（通讯作者，邮箱：yangbao@lzb.ac.cn）和Lucien von Gunten。研究由中国科学院寒区旱区环境与工程研究所、中国科学院大气物理研究所、瑞士伯尔尼大学等机构合作完成。研究发表于《Science China Earth Sciences》期刊，2012年12月出版，卷55，期12，页码2058-2067。

学术背景
本研究属于古气候学领域，旨在重建中国过去一千年的地表气温场。过去的研究在全球范围内已经实现了对过去几个世纪气候模式的重建，但在中国，由于缺乏足够的代理数据，重建工作受到限制。此前的研究仅使用了少量代理数据，且结果依赖于中国境外的数据插值。因此，本研究的目标是通过改进的重建方法，利用415个分布广泛且精确的代理数据系列，生成中国过去一千年的年度气温网格化重建，并分析其时空变化和不确定性。

研究流程
本研究的主要流程包括以下几个步骤：

1. 数据准备

   • 使用CRUTEM3v 5°×5°网格化地表气温数据集（1850-2006年）作为仪器数据。
     
   • 收集了415个已发表的代理数据系列，这些数据均用于重建温度，且时间分辨率优于30年。
     
   • 对数据进行筛选，仅保留与1951-1996年校准期间地表气温显著相关的代理数据。

2. 重建方法

   • 采用改进的“逐点回归”（point-by-point regression, PPR）方法，结合“复合加尺度”（composite plus scale, CPS）和“正则化误差变量”（regularized errors-in-variables, EIV）算法。
     
   • 限制搜索半径为一个网格大小，以确保每个网格点的重建仅使用与该点气候区域相关的代理数据。
     
   • 将代理数据分为高频和低频带，仅使用低频带进行温度重建。

3. 数据重建

   • 使用CPS和EIV方法在PPR框架下重建过去的气温。
     
   • 通过方差匹配方法确定传递函数，并使用回归算法计算回归系数和模型误差。
     
   • 对重建结果进行验证，采用分时段方法，在1951-1996年校准模型，并在1921-1950年验证模型。

4. 结果分析

   • 计算了过去一千年中国各网格点的气温异常，并分析了其空间和时间变化。
     
   • 将结果与其他研究进行比较，验证了重建的准确性。

主要结果
1. 重建精度
- 重建的精度在不同网格点间差异较大，CPS方法的相关系数平方（R²）最大为0.84，中位数为0.26。
- EIV方法的R²最大为0.95，中位数为0.33。

1. 气温变化

   • 过去一千年的中国气温记录在空间上表现出异质性，不同网格点之间的相关性随时间变化较大。
     
   • 20世纪末的变暖可能超过了过去一千年的任何时期，但在中世纪气候异常期（Medieval Climate Anomaly, MCA），中国东部部分网格点的气温异常比现代变暖期更高。
     
   • 中国东部和西部地区的气候变化在过去一千年中并不同步，可能是由于青藏高原的影响。

2. 空间模式

   • 11世纪中国大部分地区的气温异常为正，最高值出现在中部和东部地区。
     
   • 12至13世纪的变暖主要集中在中部和东部地区，而新疆和青藏高原西北部地区相对较冷。
     
   • 17世纪中国大部分地区相对较冷，18世纪气温再次上升，19世纪气温继续上升，20世纪气温在全国范围内显著上升，东部和南部地区的变化更为明显。

结论
本研究首次利用415个古气候代理数据，通过改进的PPR框架结合CPS和EIV方法，生成了中国过去一千年的网格化气温场重建。研究结果表明，20世纪末的变暖可能超过了过去一千年的任何时期，且中国过去的气温记录在空间上表现出显著的异质性。重建结果为测试过去一千年气温变化的模拟结果提供了参考，并有助于精细分析过去气温变化的空间特征和驱动机制。然而，部分网格点的重建精度较低，表明当前的代理数据集尚不足以在所有区域准确重建中国的异质气候，特别是青藏高原地区需要更高分辨率的温度代理数据。

研究亮点
1. 创新性方法：本研究采用了改进的PPR方法，结合CPS和EIV算法，首次实现了中国过去一千年的网格化气温场重建。
2. 数据规模：研究使用了415个代理数据系列，是迄今为止中国地区最大规模的代理数据集。
3. 重要发现：研究揭示了20世纪末的变暖可能超过了过去一千年的任何时期，并首次系统分析了中国东部和西部地区气候变化的不同步现象。

其他有价值内容
研究还指出，未来的重建工作应进一步增加高质量和长周期的古气候代理数据，特别是在青藏高原等数据稀缺地区。此外，研究强调了在代理数据回归过程中，不仅要考虑代理数据与仪器数据的相关性，还要考虑代理数据与网格点的地理邻近性，以确保重建结果更准确地反映过去的气温模式。