东亚地区水汽输送强、弱年水汽输送的异同

利用1950-2002年NCAR/NCEP再分析逐日平均资料,计算全球格点整层水汽输送通量,分析东亚地区水汽输送强、弱年候平均水汽输送的异同点.水汽输送强、弱年都存在一条行星尺度水汽输送带,但是又有显著的差异:(1)南半球越赤道、阿拉伯海、孟加拉湾的水汽输出量不同.(2)副热带高压外围水汽的强度和影响范围不同.(3)中纬度向内蒙古中部和东北地区输送水汽的偏西风水汽输送带在水汽输送强年明显、弱年不明显.(4)在水汽输送强年中国云贵高原-长江中游-华北-东北南部有一条明显的水汽输送大值带,中国中、东部均有水汽输送,只是中国东南部和长江中下游地区水汽输送相对较少;在水汽输送弱年仅中同南方、东部沿海和东北地区南部有弱的水汽输送.(5)水汽输送强年的变化较为平缓,而水汽输送弱年则比较迅速.东哑地区偏南风水汽输送在水汽输送强、弱年的相同特征是:特征线南撤的速度非常快,在20°一30°N附近有东南风水汽输送加入,并取代西南风水汽输送;不同之处是,水汽输送强年建立的时间早、能够到达更北的纬度、强盛期长、撤退的时间迟.副热带高压南侧东南风水汽输送在水汽输送强、弱年的共同点是,西界均为95°E,由建立到强盛的速度郁非常快,在强盛期突然就东撤到130°E以东的区域;不同点是,在160°E处东南风水汽输送建证的时间不同,强盛期不同,纠达西界的时间不同,印度季风槽在95°E以西形成的东南风水汽输送持续时间和影响范围不同,西扩和东撤的速度不同.     

我国高分辨率降水融合资料的适用性评估

利用国家气象信息中心研制的全国30000多个地面自动站降水与 CMORPH (Climate Prediction Center Morphing technique)卫星反演降水融合而成的融合降水产品,分析了融合降水平均偏差和均方根误差的时空分布特征,探讨了不同降水量级以及站点稀疏区和密集区的融合效果,结果表明：融合降水的平均偏差和均方根误差量值均较卫星反演降水有显著减小,随时间的变化幅度不大且误差的区域性差异减弱;融合降水不同量级降水日数分布接近于地面观测降水,虽高估了雨强小于等于4 mm/d的降水,低估了大于4 mm/d高值降水,但同一量级下的误差比卫星反演降水大幅减小,且随着降水强度的增加改善效果明显;站点密集区的融合降水值主要是取决于地面观测降水;站点稀疏区在没有站点分布时,融合降水值主要取决于卫星反演降水,但随着站点个数增加,地面观测降水在融合降水中所占比重逐渐增大,且超过了卫星反演降水的作用。可见融合降水充分有效利用了地面观测降水和卫星反演降水各自的优势,融合效果明显。     

春季印度洋SSTA对夏季中国西北东部极端降水事件的影响研究

基于近47年来NCAR/NCEP再分析月平均高度场、风场、地面气压,比湿以及NOAA重构的印度洋海表温度资料和中国西北东部97个气象台站逐日降水资料,首先利用百分位法定义了极端降水事件的阈值,运用SVD及合成分析等方法,研究了前期秋季、冬季、春季及同期夏季印度洋海表温度同夏季中国西北东部极端降水事件的关系,结果表明前期春季印度洋海温异常对预测夏季中国西北东部极端降水事件的变化特征具有较明确的指示意义,关键区位于赤道印度洋地区。如果春季赤道印度洋海温异常偏暖,从同期春季到后期夏季,100～110 °E平均经圈环流在赤道附近表现为异常上升气流,对应30 °N附近在对流层中、上层表现为异常的下沉气流,同时来自印度洋的西南季风异常偏弱,使得后期夏季由于没有异常的水汽输送到我国西北东部地区,从而极端降水事件偏少,而偏冷年份正好相反。另外在春季赤道印度洋海温异常暖年,后期夏季南亚高压偏强,且呈西部型;而在异常冷年,南亚高压偏弱,且呈东部型,这可能是引起夏季中国西北东部极端降水事件变化的另一原因。     

陕西太阳总辐射的计算及分布特征

文章利用了陕西省延安、西安、安康三站逐月太阳总辐射和98站的1971-2005年月日照百分率资料,建立回归分析方程,推算并分析了全省各地逐月的太阳总辐射分布,进而分析了陕西月、季、年太阳总辐射的空间分布特征为陕北5月或6月最大,关中和陕南7月份最大,并指出了省内太阳能资源的富集区,在陕北长城沿线,渭北高原次之;为陕西省太阳能资源的开发利用及太阳辐射对陕西省气候影响的研究提供了科学依据.     

基于拉格朗日方法的中国东部雨季水汽输送垂直特征

利用基于拉格朗日轨迹追踪模式(HYSPLIT),结合区域源汇归属法,追踪1961～2010年中国东部地区雨带推进过程中各雨季后向轨迹,定量确定各雨季不同垂直层上的水汽输送路径与水汽贡献.结果表明在南海夏季风爆发前的华南前汛期,低层最主要水汽通道为太平洋通道,轨迹占比达到52.3％,中高层最主要的水汽通道为印度洋通道,占...     

基于区域气候模式的江苏省风能评估试验

利用2000年1月1日-12月31日NCEP/NCAR的再分析资料,选取区域气候模式RegCM3对江苏省区域的风能进行细网格数值模拟.通过风速模拟场与同期实测场大尺度分布的对比分析表明,模拟场能够较好地反映风场的空间分布形态,而在细网格条件下,模拟场更能真实地反映风场在特殊地形下的分布特征:江苏省地面平均风能密度模拟值在60～100W/m2之间,随高度上升而逐渐增大,200m高度可达320～380W/m2;沿海地区风能大于内陆,苏中南地区大于苏北地区,太湖等水域风能大于周围陆地;低层风能的海陆间梯度变化明显,高层则趋于平缓.通过分析认为,风力发电场的最佳位置可在江苏中南沿海附近.     

全球海气耦合模式对中国区域年代际气候变化预测能力的评估

利用4个海气耦合模式对1960～2005年的多年代际回报结果,评估模式对中国区域年代际气候变化(温度和降水)的预测潜力,并初步给出2005～2015年的气候预测结果。与CMIP3多模式集合1960～2000年结果以及观测实况比较的结果表明:融入观测资料进行同化的年代际气候预测模式,对中国区域温度和降水的模拟能力总体好于CMIP3模式。年代际气候预测模式对温度气候场的模拟仍以"冷偏差"为主,但较之CMIP3模式已有显著改进,中国区域平均的冷偏差减少1.3°C;对降水气候场的模拟仍以"湿偏差"为主,但在华南沿海和西北内陆降水的模拟能力优于CMIP3模式,中国区域平均的湿偏差降低了20%。年代际模式和CMIP3模式都能较好地模拟出中国区域尤其是北方20世纪后期的增暖信号;但CMIP3模式对20世纪后期中国东部降水的旱涝结构演变的模拟与观测相反;而年代际气候预测模式未能再现华北偏旱的变化,但能成功地模拟江淮流域和华南沿海的旱涝演变。2005～2015年的10年预测表明中国区域将继续增暖0.3～0.7°C,且增温幅度北方大于南方,增幅中心位于西北内陆和青藏高原;而降水的变化趋势不显著,黄淮地区、西北内陆和青藏高原的降水略有增加,而西南地区降水将减少。但需要指出的是,这种预测的不确定性是相当大的。     

CMIP5 模式对中国极端气温及其变化趋势的模拟评估

本文基于中国区域逐日气温资料和CMIP5 中30 个全球气候模式资料,计算了平均日最高气温（TXAV)、平均日最低气温（TNAV)、热浪指数（HWDI)、霜冻日数（FD)、和暖夜指数（TNF90）5 个极端气温指数,评估各模式对中国区域极端气温的气候平均场和趋势的模拟能力。研究结果表明,大部分模式能够较好地模拟出极端指数的气候平均场,其中对TNAV、TXAV 和FD 平均场模拟能力较强,大部分模式平均场与观测场的相关系数超过0.90,但对TNF90 和HWDI 的模拟能力相对较低,相关系数均低于0.70,且各模式的模拟能力存在较大的差异。对极端指数的趋势模拟来说,模式模拟的中国区域平均各极端气温指数的线性变化趋势与观测相同,但大多数模式模拟趋势的强度偏弱。相比于气候平均场,模式对极端气温指数趋势空间场模拟较差,除TNAV 有1/3 的模式平均场与观测场的相关系数超过0.60 外,模式模拟其余指数的相关系数均低于0.60。模拟极端气温气候平均场的能力最优的5 个模式为：IPSL-CM5A-MR、CMCC-CM、IPSL-CM5A-LR、MPI-ESM-MR 和MPI-ESM-P。趋势空间场模拟最好的5 个模式为：MPI-ESM-P、CANESM2、ACCESS1-3、BCC-CSM1-1 和NorESM1-M。模式对极端气温指数的时空模拟能力一致性较差,但基于气候平均场或趋势空间场的优选模式,相比于所有集合模式平均,模拟能力均有一定程度的改善。     

近百年中国总辐射场变化的基本特征

本文根据文献[1]重建的中国近百年(1881—1980年)总辐射月总量场资料序列,分析其多年变化特征。结果表明,中国近百年总辐射场主要变化趋势为东部广大地区自本世纪初至四十年代末全年各季均有明显上升趋势,其后至七十年代末期则呈下降趋势,但就整个时段来说,总辐射无明显增大或减少;其余地区(除东南沿海、青藏高原的个别季节与东部不一致外)基本变化趋势都与东部地区一致,但新疆北部和青藏高原夏季变化趋势不明显。在主趋势背景下,中国总辐射场百年序列中还具有明显的三种准周期振动,主要集中于周期为30～48年,10～15年和5～7年三个频段。对比近百年我国气温场变化趋势,从一个侧面佐证“温室效应”。     

基于Bayes准则的时间序列判别预报模式

根据Bayes准则下的多元线性判别分析和时间序列的线性自回归模式,本文提出一种时间序列的判别预报模式。该模式采用两种不同的变量筛选方案,对于气象时间序列的数量记录,由过去的记录判别未来记录的趋势(如正负距平、旱涝等)。在一定的自相关结构下,其判别效果较好。文献[1—4]曾论述用(0,1)两值时间序列建立AR(p)模式,但AR(p)模式有其局限性。将时间序列与多元判别分析结合,建立时间序列基础上的判别模式,用以往各时刻变量作为线性判别因子对未来各时刻的变量取值类型作出判别,既可保留时间序列线性模式的优点,又可利用多元逐步判别筛选因子的计算方法。从气象状况演变的物理机制来看,考虑前期状态演变比单纯考虑前期某一时刻的状态更有意义。