基于统计降尺度方法的夏季降水精细化预报-南京信息工程大学学报.pdfVIP

文章编号：１６７４⁃７０７０（２０１４）０５⁃０４４９⁃１０ 黄惠镕 　 郭品文１ １ 基于统计降尺度方法的夏季降水精细化预报 摘要 ０　 引言 利用 １９９９—２００９ 年安徽省淮河以 南地区６０ 个县市站夏季逐日降水资料 　 　 由于目前大尺度数值模式输出的空间分辨率较低，缺少区域信 和安庆市探空站逐日资料，研究了中低 息，很难对区域气象要素做精确的预测．有２种方法可以弥补这一不 层不同风向配置下局地降水与大尺度降 水场之间的关系，以３ 种不同预报对象 足，一是发展更高分辨率的全球气候模式（ＧＣＭ）或天气预报模式，二 及相应的预报因子分别采用神经网络和 是利用模式预报技巧较高的大尺度信息给出降水、温度等小尺度预 线性回归方法设计６种预报模型对观测 报即借助降尺度方法，而ＧＣＭ及天气预报模式计算量较大，对分辨率 资料进行逼近和优化，从而实现空间降 ［１］ 尺度．分析对比６种预报模型４６站逐日 提高潜力有限，因此降尺度方法更为有效 ．目前国内外主要有２种 降水量的拟合和预报效果，结果表明：采 降尺度方法：动力降尺度法和统计降尺度法．使用动力降尺度方法，可 取相同的预报对象及预报因子的ＢＰ 神 以内嵌入全球模式，或者利用全球模式的输出作为边界条件单独运 经网络模型在拟合和预报效果上均好于 线性回归模型，可见夏季降水场之间以 行．动力降尺度具有物理意义明确、不受观测资料影响和面向覆盖区 非线性相关为主；神经网络模型预报结 域的所有格点等很多优点，但它计算量大，模拟和配置不便．统计降尺 果同常用的Ｃｒｅｓｓｍａｎ插值预报相比，能 度方法的基本原理在于采用统计经验的方法建立大尺度气象变量与 很好地反映出降水的基本分布及局地特 ［２］ 征；预报对象为单站降水序列的神经网 区域气象变量之间线性或非线性联系 ，其优点在于它和现有模式 络模型在以平原、河流为主要地形的区 产品相配合，能较好地解决现有动力降尺度法的不足，是提高气象要 域预报效果较好，预报对象为ＲＥＯＦ 主 素的精细化预报水平相对直接有效的手段，在季节尺度的气候预测 成分的神经网络模型则在山地和丘陵地 ［３⁃８］ 形区域预报效果较好． 上也得到了广泛应用 ，而在短期气象要素预报领域的研究和应用 关键词 较少． 统计降尺度；日降水；ＢＰ 神经网络； 常用于降尺度的气象要素有降水、气温、气压、湿度、风速、蒸散 旋转主成分分析（ＲＥＯＦ） 发量等，其中降水在时间与空间上高度不连续，是最难模拟的变量， 中图分类号 Ｐ４５６８ 同时它也是对洪涝模拟最为敏感的驱动参数，因而成为降尺度研究 文献标志码 Ａ 的主要气象要素，同时也是天气预报业务中重要的预报对象．我国气 象要素预报目前为精细到县站级别的站点预报，在实践中雨量观测 站点的布设受到地形、人力、财力等因素的限制，直接观测数据无法 精确表达降水量的时空分布，通常需要采用空间插值方法对站点观 测数据进行插值，以获取整个区域内降水量的总体分布数据，从而实 ［９］ 收稿日期 ２０１２⁃０３⁃１９ 现降水资料的空间降尺度．前人