基于CFS预报产品的广东省季节降水统计降尺度预测

美国国家环境预报中心（NCEP）开发的气候预报系统（CFS）预报数据资料有1981—2008年共28年历史预报数据,有实时的预报产品（含有未来9个月的预报值）。与NCEP资料相比,CFS能较好模拟季风环流的季节变化,能超前几个月模拟出ENSO发展和衰减时期的海温异常发展,可以用于广东季节降水预测。采用CFS预报产品开发基于最优子集回归和多元均生函数的广东季节降水的两种统计降尺度预报方法。经过分析检验,分别选取海平面气压场、风场和位势高度场显著影响区域作为同期预报因子,从多年（2001—2008年）的历史回报检验来看,虽然两种预测模型对于个别季节存在年内预报效果不稳定性,但综合而言,大部分季节降水的气候预测评分总体平均在64分以上。2009/2010年的实时预报检验表明,两种预测模型均达到较好的预测水平,降水预测结果与实况较接近。与基于NCEP观测资料的传统统计方法比较,CFS预报产品具有实时性、更新快等优点。基于CFS预报产品的降尺度统计方法可以超前三个季预报广东降水,丰富了传统统计方法,但预报的稳定性还需进一步改进。      

流域城市化对湿地生态系统的影响研究进展

城市化是人类社会发展的必然趋势和现代化的必经阶段,同时城市化也对区域湿地生态系统产生重要影响。从城市化的水文效应、城市化对水环境的影响和城市化产生的气候变化对湿地生态系统影响3方面综述了城市化对湿地生态系统结构和功能影响的研究进展。城市化引起流域内人口增加,通常伴随商业和工业活动的增加,这些活动需要更多的城市土地,从而导致流域内不透性增加,这给流域内湿地生态系统造成了重要的影响,表现为:①城市化所及地区的产汇流过程发生显著变化,导致湿地径流的调节作用和维持生态系统生产力的作用发生退化;②城市地表径流中含有大量的污染物质,致使对湿地水环境、水生生物、野生动物栖息地都产生了重要的影响,并污染城市饮用水水源,危及人类健康;③城市化导致流域气候变化,影响湿地水文、生物地球化学过程、植物群落及湿地生态功能等。最后,指出了国内外城市化对湿地生态系统影响研究的不足之处,对国内外的研究趋势进行展望,并对国内的研究提出了几点建议。     

2008年南海夏季风活动概述

由NCEP再分析资料、向外长波辐射(OLR)和GPCP卫星导出(IR)GPI的日降水分析得到：2008年南海夏季风于5月2候在南海爆发,时间较常年(5月4候)偏早,10月第2候结束,时间较常年(9月6候)偏晚。南海夏季风爆发后,由于受强冷空气影响,南海夏季风北推影响到华南地区的时间较常年偏晚。尽管2008年南海夏季风强度较常年偏弱,其仍存在明显的季节内振荡过程,主要周期为30～60天。由于南海地区和我国华南地区的水汽辐合增强以及南海夏季风活动北界在35 °N附近维持时间较长(大约7候),华南、长江中下游和淮河流域的夏季降水异常增多。     

黄河流域径流变化

The driving factors of runoff changes can be divided into precipitation factor and non-precipitation factor, and they can also be divided into natural factor and human activity factor. In this paper, the ways and methods of these driving factors impacting on runoff changes are analyzed at first, and then according to the relationship between precipitation and runoff, the analytical method about impacts of precipitation and non-precipitation factors on basin's natural runoff is derived. The amount and contribution rates of the two factors impacting on natural runoff between every two adjacent decades during 1956-1998 are calculated in the Yellow River Basin (YRB). The results show that the amount and contribution rate of the two factors impacting on natural runoff are different in different periods and regions. For the YRB, the non-precipitation impact is preponderant for natural runoff reduction after the 1970s. Finally, by choosing main factors impacting on the natural runoff, one error back-propagation (BP) artificial neural network (ANN) model has been set up, and the impact of human activities on natural runoff reduction in the YRB is simulated. The result shows that the human background of 1956-1979.     

气候变化对黄河流域水资源系统影响研究进展

1　目前的研究现状气候变化对黄河流域水资源系统的影响研究 ,主要是通过研究气候变化引起的流域气温、降水、蒸发等变化来预测径流可能的增减趋势及对其流域供水影响。主要研究方法有 :①假定气候情景法。此法直接假定气候变化的某些情景组合 ,结合水文模型推算在这些情景下的径流变化 ,如假定未来降水变幅为 0 ,± 2 5 %,± 5 0 %,± 75 %和± 10 0 %;未来气温变幅为 0 ,± 1℃ ,± 2℃ ,两两组合成未来气候变化的 45种气候情景 ,先后结合黄河月水文模型和基于ＧＩＳ技术的黄河流域分布式水文模型 ,分析流域水资源对气候变化的敏感性 (王…     

CHARACTERISTICS OF FREQUENCY SPECTRUM VARIATION OF INTRASEASONAL OSCILLATION OF CONVECTION DURING SOUTH CHINA SEA SUMMER MONSOON

1 INTRODUCTIONSituated in the region of East Asian Monsoon(EAM), weather and climate in China are deeplyinfluenced by the activities of EAM. Especially inflood seasons, distribution of precipitation, movementof rain-bands and occurrence of droughts and fl…     

华南前汛期的锋面降水和夏季风降水Ⅰ. 划分日期的确定

前汛期暴雨常常引发华南地区的洪涝, 但是前汛期降水的预报能力却相当低.降水的预报在很大程度上依赖于对降水性质的理解, 而华南前汛期降水通常被认为只是锋面性质的降水.事实上, 南海夏季风在6月(甚至5月)就可以影响到华南地区并产生季风对流降水.因此, 华南前汛期包含了两种不同性质的降水, 即锋面降水和夏季风降水, 如何区分它们是非常重要的.为了区分它们, 利用NCEP/NCAR再分析资料、 CMAP资料和中国730站降水资料, 分析气候平均(1971～2000年)状态下锋面降水和季风降水期间大气性质和特征的差异, 得到华南前汛期夏季风降水开始的基本判据: 100 hPa纬向风由西风转为东风并维持5天以上.利用该判据得出气候平均条件下的华南夏季风降水开始于5月24日, 并得到1951～2004年逐年华南前汛期锋面降水和季风降水的划分日期.合成分析的结果表明, 得到的划分日期是基本合理的, 因为它将锋面降水和季风降水期间大气特点的显著差别区分开来.     

青藏高原热力作用对南海及周边区域夏季气候的影响研究进展

针对青藏高原热力强迫作用对东亚夏季风强度、南海夏季风爆发早晚、南海周边区域旱涝的影响,以及在全球变暖背景下其对降水格局的影响等科学研究进行了总结回顾,并就青藏高原热力作用对南海周边区域夏季气候的影响科学问题进行了探讨。研究表明,高原冬春积雪异常通过影响雪盖反照率、改变辐射平衡和通过积雪-水文效应改变土壤湿度两个途径来影响东亚夏季风;通过改变大陆-海洋经向热力对比影响南海季风爆发早晚;通过改变西太平洋副高位置和季风环流变化来影响华南和长江流域夏季降水的分布。在全球变暖背景下,青藏高原感热加热的减弱可能对降水年代际“南涝北旱”格局的形成具有重要贡献。随着全球变暖减缓,青藏高原中部和东部的感热呈现出复苏态势,“南涝北旱”的降水格局分布在将来有可能被打破。      

Impacts of Sea Surface Temperature on the Interannual Variability of Winter Haze Days in Guangdong Province

The impact of sea surface temperature (SST) on winter haze in Guangdong province (WHDGD) was analyzed on the interannual scale. It was pointed out that the northern Indian Ocean and the northwest Pacific SST play a leading role in the variation of WHDGD. Cold (warm) SST anomalies over the northern Indian Ocean and the Northwest Pacific stimulate the eastward propagation of cold (warm) Kelvin waves through the Gill forced response, causing Ekman convergence (divergence) in the western Pacific, inducing abnormal cyclonic (anticyclonic) circulation. It excites the positive (negative) Western Pacific teleconnection pattern (WP), which results in the temperature and the precipitation decrease (increase) in Guangdong and forms the meteorological variables conditions that are conducive (not conducive) to the formation of haze. ENSO has an asymmetric influence on WHDGD. In El Ni?o (La Ni?a) winters, there are strong (weak) coordinated variations between the northern Indian Ocean, the northwest Pacific, and the eastern Pacific, which stimulate the negative (positive) phase of WP teleconnection. In El Ni?o winters, the enhanced moisture is attributed to the joint effects of the horizontal advection from the surrounding ocean, vertical advection from the moisture convergence, and the increased atmospheric apparent moisture sink (Q2) from soil evaporation. The weakening of the atmospheric apparent heat source (Q1) in the upper layer is not conducive to the formation of inversion stratification. In contrast, in La Ni?a winters, the reduced moisture is attributed to the reduced upward water vapor transport and Q2 loss. Due to the Q1 increase in the upper layer, the temperature inversion forms and suppresses the diffusion of haze.     

广东省降水的多尺度时空投影预测方法

采用多尺度时空投影(MSTP)预测思路建立广东月降水和季节降水预测方法。通过EOF分解、小波分析和Lanczos滤波方法进行周期分解, 采用MSTP方法进行预测。借鉴年际增量法, 对预报结果用最小二乘法进行误差订正, 得到降水预测结果。PS预测评分和均方根误差10年独立样本检验(2006—2015年)结果显示:订正后, PS预测评分起伏较小, 68.8%的月降水和季节降水PS预测评分明显提高的年份超过6年, 且有87.5%的月降水和季节降水PS预测平均分达到70以上; 在±0.5个标准差范围内, 订正后均方根误差在40%以上的概率分布明显高于订正前, 订正后的月和季节降水占81.3%, 订正前占31.3%;在±1个标准差范围内, 概率分布在70%以上的月季降水订正前后相差不多, 订正后占56.3%, 订正前占50%。