统计降尺度法在我国未来区域气温变化预测中应用研究.docVIP

统计降尺度法在我国未来区域气温变化预测中应用研究 　　摘 要：利用1961～2000年NCEP再分析资料与中国562个气象台站的历史气温观测资料，并利用主分量分析与逐步回归相结合的统计降尺度方法，建立大尺度气候预报因子与中国各气象站点1月和7月气温的统计降尺度模式；将主分量分析和逐步回归相结合的统计降尺度模型应用于全球气候模式 HadCM3模拟的两种排放情景的预报因子，估计中国562台站的当前和未来气温变化情景，并与区域气候模式PRECIS的模拟结果进行比较。 　　关键词：统计降尺度法；气温；变化预测；应用 　　 　　1 建立大尺度气候与中国各区域气温之间的统计联系 　　 　　(1)使用数据。 　　笔者采用了1961～2000年1月和7月的NCEP全球月平均再分析资料作为观测的大尺度气候资料，空间分辨率为 2.5×2.5o，共有 144×73个经纬网格；并使用了全国562个台站的1961～2000年共40年1月和7月的气温观测资料。 　　(2)采用的统计降尺度方法。 　　采用主分量分析（PCA）与逐步线性回归相结合的统计降尺度方法，并采用历史观测资料，建立大尺度气候预报因子与地面月平均温度的统计模式。 　　 　　筛选得到的通过显著性检验的PC主分量，再建立多元线性模型。用?PC?obs?同样代表筛选后的j个PC主分量组成的矩阵，其中j对于不同的站点n值不同，且jk。 　　对于多元线性回归系数Lpc的估计可以由以下方程得到： 　　 　　对于两个预报因子的联合，采用两个场相联合的PCA分析方法（CPCA），也就是首先把两个变量场在空间上联合，再对联合场进行主分量分析，它的优点是可以更好的揭示两个场之间的物理联系，具体如下： 　　假设一个预报因子为 A，另外一个预报因子为B，ai，t和bj，t分别为两个预报因子场在第i，j个空间点的时间序列，假设 n1，n2分别为两个场的空间点数，那么两个场的联合为： 　　 　　其中两个预报因子的联合场AB就共有n1+n2个空间点了，然后按照与单独的预报因子相同的方法进行PCA分析，建立多元线性回归模型，从而分析两个场对区域气候的共同影响。 　　2 利用统计降尺度法预估中国未来区域气温变化情景 　　2.1 数据及方法介绍 　　本文地面观测资料采用的是1961～2000年1月和7月全国562个观测站点的月平均气温资料；观测的大尺度气候资料为NCEP/NCAR再分析资料；笔者采用GCM 模式为Hadley中心的HadCM3 IPCC SRES A2和B2排放情景，其中HadCM3模式的水平分辨率为3.7×2.5°。对于预报因子和预报量都进行标准化处理。 　　假设某月的标准化后的GCM模拟的大尺度预报因子投影到NCEP再分析资料的主分量矩阵表示为?PC?gcm?m?，标准化后的GCM模拟的大尺度预报因子可写为： 　　 　　2．2 统计降尺度法预估中国未来区域气温变化情景 　　（1）统计降尺度对当前气候条件下气温的模拟结果 　　笔者给出了SLP+T850作为预报因子的统计降尺度模式的情况，其中大尺度预报因子区域选择的是各区域各月份分别对应于SLP+T850的最优预报因子区域。 　　1月份除了东北，华南，华北五台山地区以及青海西部，统计降尺度估计值略微偏高以外，但大部分偏差不高于0.2℃，全国大部分地区统计降尺度估计值与观测值相比偏低，尤其在南疆地区偏低较明显，偏低大约1℃左右，与HadCM3结果相比，东北，西南地区都有了很大的改善。7月份我国北部地区包括西北，华北，东北大部分地区统计降尺度估计值略大于观测值，但大部分地区偏差不高于0.4℃；我国南部地区，主要是华中、华东、华南以及西南东部大部分地区，统计降尺度估计值比观测值偏低。但是无论是1月份还是7月份统计降尺度估计值与 HadCM3 相比更接近现实的气温分布，统计降尺度估计值与HadCM3相比更接近观测值，偏差均小于1℃，而且我国西部地区统计降尺度模拟结果比HadCM3也有了很大的改善。 　　因此可以得出这样的结论：把统计降尺度应用于低分辨率的全球气候模式，能够改善对我国区域气温的模拟能力，尤其能够改善复杂地形条件下的区域气候的模拟能力，这是因为 HadCM3无法解决由地形引起的地面逆温等当地气候特征，而统计降尺度方法通过利用标准化距平进行统计降尺度，并在统计降尺度结果加上观测值的平均气温，而除去了这种偏差。 　　（2）统计降尺度模式对我国未来温度变化情景的预估 　　 SLP+T850 统计降尺度模式应用于HadCM3IPCC SRESA2和B2两种排放情景的大尺度预报因子，生成在两种HadCM3 IPCC SRES A2和B2排放情景下的各站点未来温度变化情景。我们选择两个未来时间段：2021