统计降尺度的方法预测长江中下游气温初步的研究.docVIP

统计降尺度的方法预测长江中下游气温初步的研究 　　摘 要：文章利用经验正交函数（EOF）和逐步线性回归相结合的统计降尺度方法建立大尺度信息与长江中下游地区25个气象站1月及7月，月平均气温之间的统计关系共计36个统计降尺度模型，其中联合预报因子变量场采用空间联合的经验正交函数分解法。结果表明：（1）长江中下游地区25个站点建立的模型通过独立检验，均取得了较好的Pc得分。（2）对于1月的模拟性能都高于7月，这可能与当地处于亚热带季风区，夏季较冬季多雨气温变化较大有关。（3）分析得分较高方案发现海拔较高站点模拟效果优势明显且采用联合预报因子变量场的效果更好。 　　关键词：统计降尺度；联合EOF分解；长江中下游；短期气温预测 　　引言 　　虽然随着数值预报的发展，天气预报对气温已有很好的预报，肖明静等[1]对2010年6月至2011年5月WRF-RUC和T639模式预报的24h2m温度预报产品进行分析与订正， 阈值2度的预报准确率均达到80%以上，但是短期气候预测效果依然不尽如人意。例如08年发生南方冰冻雨雪灾害，虽然天气预报当时已经可以很好的预报出未来几天的天气变化，但是却没能提供良好的短期气候预测，依旧造成非常大的影响和损失。目前，常用的短期气候预测方法有天气气候学、统计气候学和动力气候学方法。天气气候学和统计气候学方法难以从根本上解释气候形成的物理机制，虽历史拟合率可能较好，但预报准确率有限且不稳定，同样大气环流模式（GCMs）是进行气候预测最行之有效的方法之一[2-4]，然而由于它的空间分辨率一般是上百公里，虽然对大尺度信息的模拟与预测是不错的，却不能达到局地或区域气候预测空间尺度的精度[5]。可以弥补大气环流模式的这种不足目前有两种方法[6]，一是发展更高精度的气候模式，另外一种即是采用降尺度方法。第一种方法计算代价巨大耗时，结果却未必理想，“性价比”不高。相形之下，降尺度可以在已有模式的基础上通过动力或者统计的方法来提高局地气候预测的精度，是更可性的方法。 　　从90年代初变开始了统计降尺度的研究，这是一门较新的科学，经历初期集中在欧洲等地的研究和应用后，近年来国内也开始对统计降尺度展开研究。无论是线性方法、非线性方法以及动力-统计降尺度[7-9]，很多学者都将落脚点放在降尺度方法本身，而对预报因子变量、预报区域选取和对不同区域的适用性问题关注较少。本文采用PCA与逐步回归相结合的统计降尺度方法，通过改变初始输入的预报因子变量区域、预报因子变量场和输入回归方程中主成分的个数，建立了不同模型，再通过对长江中下游各台站气温多个统计降尺度模拟结果进行研究比对，选择最优预报方程，从而提高该地区气温预测精度。值得注意的是由于统计降尺度多种不确定性，未来方向[10]将是不断提高气候模式的预测能力，将模式良好的输出信息作为预报因子才能提高区域降尺度的发展，同时用不同的气候模式驱动不同的降尺度模型即超级集合以期得到更好的关于未来短期或长期等的气候预测，同时将降尺度的方法应用在各种复杂多样的区域气候下，尤其气候累计观测资料较少的地区，可以用不同统计降尺度方法进行对比试验，来提高资料稀少地区的区域气候预测能力。 　　1 资料选取 　　对统计降尺度的研究可知[11-13]，在建立统计降尺度模型时，需要观测的预报因子变量及观测的预报量两种数据进行建模，前者代表大尺度信息，后者代表区域尺度。中国地域辽阔，不同教材对各区域有不同的划分，为了便于统计降尺度方法的研究与应用，Liu Y等[14]对中国南方地区进行重新划分，本文在此基础上，选取了长江中下游地区共计25个站点1961-2010年1月和7月的月平均温度资料。图1为长江中下游地区25个测站分布图，图中长江中下游地区包括湖南、湖北、江苏、浙江、安徽五省，由图1可以看出25个站点分布较均匀。由表1可知，站点地形海拔较为均匀，除个别站点外，海拔都低于100m。 　　预报因子来自于同时期NCEP/NCAR分辨率为2.5°*2.5°的月平均资料，包括17个等压面（1000，925，850，700，600，500，400，300， 　　250，150，200，100，70，50，30，20，10（hPa））上的温度（t），位势高度（hPa），全风速，u分量风速，v分量风速，以及垂直风速（w）等共计102个预报因子。首先对预报因子做距平化处理，然后对预报因子进行初选，即102个因子分别与25个站点做全球相关场分析，选出温度场中相关性最好的850hPa温度场、高度场中相关性最好500hPa位势高度场（1月是1000hPa）和海平面气压场，选取了站点与区域为（110°～125°E；20°～40°N）的T850温度场平均相关系数进行说明（图2）。一些研究中表明[15]，在使用统计降尺度方法对地