CWRF模式在中国夏季极端降水模拟的误差订正

利用1980—2015年6—8月我国逐日降水观测数据评估CWRF模式（Climate-Weather Research and Forecasting model）多种参数化方案对我国夏季日降水的模拟能力,并考察累积概率变换偏差订正法（CDFt）的订正效果。通过将广义帕累托分布（GPD）引入到偏差订正模型中,提出针对极端降水的累积概率变换偏差订正法（XCDFt）,检验和评估其对极端降水订正的适用性。结果显示:CWRF模式微物理过程选用Morrison-aerosol参数化方案组合对我国降水场的模拟较好,CDFt订正效果良好;XCDFt偏差订正模型能够较好地提取模式建模与验证时期变化信号,订正后相比订正前与观测极端降水的概率分布更为接近;经过XCDFt订正后华南、华中和华北地区20年一遇的极端降水重现水平较模拟值更接近观测值,可为CWRF模式提高极端降水的业务预测水平提供参考。     

气候模拟日降水量的统计误差订正分析——以上海为例

对区域气候模式系统PRECIS在SRES A1B情景下模拟的上海日降水输出按季节进行了统计误差订正。该方法首先对降水日数进行比率订正,以消除模式产生的微小值降水。然后利用Γ分布拟合日降水量的累计概率分布,采用整体和分段拟合两种方法构建传递函数TF（Transfer Function）进行订正。选取1962年12月—1992年11月作为控制时段,构建TF并将其应用于验证时段（1992年12月—2002年11月）。该订正方案消除了模式产生的微小值降水,解决了模拟的小降水值偏多的问题,频率误差保持在1%以下,分段拟合订正相比整体拟合订正具有更强的对极端降水的订正能力;对冬、春季的订正效果比夏、秋季更显著。该方案不仅有效消除了平均值的漂移,而且显著订正了变率,同时提高了极端降水事件的再现能力,是一种相对完善的订正方案。      

CWRF模式极端降水模拟误差订正

基于1980—2015年6—8月CWRF模式(Climate-Weather Research and Forecasting model)14种方案的模拟结果和全国逐日降水观测资料,对比了Q-lin,Q-tri,RQ-lin,RQ-tri,SSP-lin和CDFt 6种误差订正方法对CWRF模式控制化方案(C1)模拟中国东部夏季日极端降水的订正效果,以CWRF模式14种方案日极端降水的模拟效果排名为基础,对比了模拟效果较好的4种方案集合、模拟较差的4种方案集合以及14种方案集合的订正效果,选出相对较好的订正方案进一步评估其成员集合后订正和成员分别订正后再集合的订正效果,结果表明:采用6种误差订正方法均可明显减少日极端降水模拟误差,其中RQ-lin方法订正效果最佳。CWRF模式对中国东部的极端降水指数均表现出较好的模拟能力,不同参数化集合方案得到14种方案成员先订正再集合与观测日极端降水平均值最为接近,研究结果对于改进模拟结果、提高其预测能力有重要应用价值。     

基于RegCM4模式的中国区域日尺度降水模拟误差订正

气候模式模拟得到的各气候变量与观测相比,总会存在一定的偏差,所得到的气候变化预估结果难以在影响评估模型中直接应用。本文尝试对一个区域气候模式（RegCM4.4）所模拟的中国区域逐日降水,基于概率分布（分位数映射）方法进行统计误差订正。在订正过程中,以模拟时段1991~2010年中的前半段（1991~2000年）作为参照时段,建立传递函数,对后一时段（2001~2010年）进行订正并检验其效果。首先对使用参数和非参数所建立的6种不同传递函数方法进行对比,发现6种方法均可明显减少降水模拟的误差,其中利用非参数转换建立传递函数的RQUANT方法效果更好。随后进一步分析了采用该方法对模式模拟降水所做订正的效果,结果表明,该方法可以明显改善对平均降水,以及降水年际变率和极端事件的模拟结果。     

TRMM月降水量产品在新疆地区的订正

利用1998-2013年TRMM月降水量产品与新疆同期的105个气象站地面观测降水量,运用逐步回归与BP神经网络方法,选取1998-2010年数据建立新疆地区的降水订正模型,并利用2011-2013年月降水量进行检验。结果表明:加入地形因子对TRMM月降水量产品订正效果明显,整体上两种模型对TRMM月降水量产品订正的相关系数从最初的0.66分别提高到0.75和0.80,相对误差由10.75%分别降低为4.88%和3.19%;月尺度上,TRMM月降水量产品相对误差为-5.68%~54.44%,经逐步回归模型订正后为-4.26%~32.57%,而BP神经网络模型订正后为-5.33%~24.48%,表明BP神经网络模型订正效果更好;从综合时间技巧评分S_T看,订正后TRMM月降水量产品在各月的效果均有不同程度提高,逐步回归模型订正后提高0.01~0.49,BP神经网络模型订正后提高0.03~0.70。因此,基于逐步回归模型与BP神经网络模型订正的TRMM降水量产品均能够准确、定量地再现降水分布,为TRMM降水量产品质量改进提供一种较实用的参考方法。     

分位数调整法在北京动力降尺度模拟订正中的适用性评估

基于分位数调整法对变网格模式LMDZ4在中国区域进行动力降尺度模拟的北京日平均气温和降水结果进行了统计误差订正。订正后的日平均气温在年循环、平均值和频率等方面均十分接近观测值,全年平均气温偏差由-1.2℃降至-0.4℃。降水的订正过程较气温更加复杂,首先对降水日数进行订正,以消除模式产生的虚假微量降水,订正后降水日数误差由61.5%降至3.7%。此外,分位数调整法可有效订正中小型与极端降水的频率和强度,订正后全年降水误差由0.28 mm/d降至0.07 mm/d。订正后最大降水月为7月,与观测一致,消除了冬季的虚假极端降水。分位数调整法无论是对气温还是降水,其订正效果都存在明显的季节性差异。日平均气温的订正在冬、夏季要优于春、秋季,对极端高、低气温的订正更加显著。该统计误差订正方法不仅有效消除了气候平均值的漂移,同时对极值也有一定改善,是一种相对完善的订正方案。分位数调整法也存在一定的不确定性,订正效果受观测资料和模式模拟能力影响较大。     

正交化筛选在降水量资料序列订正中的适用性

采用在均生函数基础上的正交化筛选方法建模,对分布于全国各区域３４个台站的降水量资料序列进行了序列订正的试验与分析。结果表明,年序列的订正效果最好,季降水量序列次之,最差的是月序列的订正。一般说来相对拟合误差随序列的相对标准差的增减而增减。对于年降水量序列而言,除西北９站中的６个站平均相对拟合误差达０．０９以上外,其余各均在０．０８以下,相对拟合误差还随样本年数增加而减少,样本数为１５年以上时,比较     

基于概率匹配的西南区域模式定量降水订正试验

利用2014—2015年5—10月地面观测降水资料和同时段的西南区域模式降水预报资料,基于概率匹配方法,采取分区及点对点匹配两种方案对2016年6—8月降水集中时段逐12h累积降水进行订正试验。结果表明:(1)订正后的模式预报相比订正前而言,平均(绝对)误差有所减小,降水落区的范围和平均强度与实况更加接近;(2)量级偏差越大,运用该方法的订正效果越好,夜间降水订正效果优于白天;(3)分区统计方案对模式系统性偏差的订正效果优于点对点方案,合理的区域划分增加统计样本量可以提高订正效果。     

不同数学模型在降水量资料序列订正中适用性探讨

采用逐步多元线性回归模型、一元线性回归模型、综合法模型和比值法模型对分布于全国31个台站的降水量资料进行了模型订正效果的试验与分析。结果表明：（1）逐步多元线性回归模型对年降水量序列的订正效果较好,其相对拟合误差总平均在0.08以下,而其它3种模型与月降水量序列的订正效果较差,相对拟合误差总平均在0.11以上;（2）若将年降水量序列相对拟合误差控制在0.10以内,则要求确定订正方程式的平行资料年数为10年或以上,要求订正站与基本站序列的相关系数在0.85以上;（3）较湿润地区拟合误差较小,反之较大。     

最优TS评分方法在逐时降水订正中的初步应用及评估

使用2020年3—9月逐时更新的CMA广东短临3 km数值模式(CMA-GD(R3)模式)1～12 h逐小时降水量资料,利用最优TS评分订正方法(OTS)对逐小时降水量进行分级订正,并分别从整体和分类型降水过程预报订正效果进行了检验和对比评估。结果表明：从整体预报订正性能来看,通过OTS方法对CMA-GD(R3)模式订正后,对于≥1 mm/h及以上量级的降水,OTS均有较好的订正能力,并且随着雨强的增加,其TS评分的改善比率越大;同时,OTS可有效减少各个预报时效的漏报率和空报率,其中漏报率减小更加明显,表现出明显的湿偏差(空报偏多)。从三类暴雨过程逐时降水预报订正效果来看,通过OTS订正之后,对于≥1 mm/h的降水,OTS对三类暴雨类型均有正的订正能力。其中在0.1 mm、1 mm、10 mm、20 mm、35 mm、50 mm 6个量级上,季风型的逐时降水预报表现最好,6个量级的TS评分值分别为0.403、0.232、0.053、0.023、0.009和0.004;在5 mm量级上锋面型的逐时降水预报表现最优,其TS值为0.102。从改善效果来看,经过OTS订正后,在1 mm量级...     

The Extreme Summer Precipitation over East China during 1982–2007 Simulated by the LASG/IAP Regional Climate Model

The extreme summer precipitation over East China during 1982-2007 was simulated using the LASG/IAP regional climate model CREM(the Climate version of a Regional Eta-coordinate Model).The results show that the probability density functions(PDFs) of precipitation intensities are reasonably simulated,except that the PDFs of light and moderate rain are underestimated and that the PDFs of heavy rain are overestimated.The extreme precipitation amount(R95p) and the percent contribution of extreme precipitation to the total precipitation(R95pt) are also reasonably reproduced by the CREM.However,the R95p and R95pt over most of East China are generally overestimated,while the R95p along the coastal area of South China(SC) is underestimated.The bias of R95pt is consistent with the bias of precipitation intensity on wet days(SDII).The interannual variation for R95p anomalies(PC1) is well simulated,but that of R95pt anomalies(PC2) is poorly simulated.The skill of the model in simulating PC1(PC2) increases(decreases) from north to south.The bias of water vapor transport associated with the 95th percentile of summer daily precipitation(WVTr95) explains well the bias of the simulated extreme precipitation.     

区域气候模式REMO对中国气温和降水模拟能力的评估

采用泰勒图和偏差分析等统计方法,评估分析了德国区域气候模式（REMO）对中国1989-2008年气温和降水的模拟能力。结果表明：REMO气温模拟值与观测值空间相关系数为0.94,降水空间相关系数较低（0.42）,气温模拟结果明显优于降水;从空间偏差上看,在中国大部分地区,REMO模拟的气温高于观测值,偏差在±4℃以内,青藏高原整体有明显的-4～-2℃的冷偏差;模拟的降水值则高于观测值,空间偏差分布较均匀,中国大部分地区偏差在±300 mm之内;除青藏高原、华南和西南地区外,REMO能较准确地反映出中国气温和降水的空间分布特征,其中华北和东北地区模拟效果最好;REMO对夏季气温和冬季降水的模拟能力相对较好;REMO在地形起伏较大地区的模拟能力有待提高。     

基于SVD与机器学习的华南降水预报订正方法

降水是在多种天气系统和复杂物理过程共同影响下形成的,因此降水预报难度较大。由于数值预报模式的局限性,使得模式预报产品存在一定误差。为探讨更加有效的模式预报产品误差订正方法,基于奇异值分解（SVD）与机器学习（多元线性回归、套索回归、岭回归）构建订正模型,对2007—2019年4月1日—6月30日华南前汛期欧洲中期天气预报中心（EC）模式降水预报产品进行误差订正试验。结果表明：基于SVD与机器学习相结合的订正模型能有效降低EC模式降水预报产品在华南的预报误差,均方根误差最大优化率达4.2%,累计超过69%的站点得到不同程度的优化;SVD与机器学习相结合的订正模型能很好地处理因子间共线性问题,具有更好的鲁棒性;而对多个订正模型加权集成,均方根误差优化率达5.7%,累计超过77%的站点得到优化,显然加权集成方法订正效果不仅优于EC模式预报产品,也优于参与集成的任一订正模型。     

基于卷积神经网络的逐时降水预报订正方法研究

应用2017—2018年5—9月福建省观测资料对华南区域中尺度模式(GTRAMS-3 km-RUC)预报进行站点检验,建立和训练基于卷积神经网络的逐时降水分级订正模型,并与频率匹配法进行2017—2018年测试集的对比试验和2019年数据集的模拟业务检验,探讨了试验过程中遇到的样本不均衡、特征变量选取以及模型过拟合问题。结果表明:模式对于15 mm·h^-1以上降水的预报能力弱,各订正方法对原始预报均有不同程度的改进作用。从评估指标来看,基于卷积神经网络的订正方法比频率匹配法表现出优势,其中相关系数判别方案下的网络模型对强降水预报的订正效果显著优于其他方法;在输入特征变量选取方面,应用主成分分析方案的模型训练收敛速度比相关系数判别方案更快,最佳训练期有所提前,但也更早进入严重的过拟合状态,而相关系数判别方案能够使网络模型的训练拥有更长的提升期以达到更具"潜力"的状态;基于卷积神经网络的订正方法对减少分类降水预报的漏报率、晴雨和弱降水预报的空报率具有显著作用,其优化程度明显超过频率匹配法。     

基于DERF的SD方法预测月降水和极端降水日数

针对动力气候模式对区域或更小空间尺度内的日降水预测技巧偏低的问题,应用最优子集回归 (OSR) 方法对国家气候中心业务化的月动力气候模式 (DERF) 输出的高度场、风场和海平面气压场进行降尺度处理用于降水预测,旨在提高预测准确率。1982—2006年交叉检验结果表明：OSR方法能显著提高降水预测技巧,其中11~40 d改善效果最为显著。在此基础上,应用一步法和两步法两种统计降尺度方法预测极端降水日数,交叉检验结果表明:两种方法均优于随机预测,冬季两步法预测技巧略高于一步法,夏季一步法略优于两步法。综合认为OSR,OSR结合随机天气发生器 (WG) 两种统计降尺度方法对月尺度降水或极端降水日数的预测均具有较高的技巧,可作为短期气候预测的重要参考信息。     

基于分位数映射法的黑河上游气候模式降水误差订正

区域气候模式降水弥补了高寒山区气象站点稀少的缺陷,是水文模拟的重要驱动变量。然而,高寒山区模式输出降水的总量和频率都存在较大不确定性。因此,改进了用于降水频率纠正的分位数映射法(Quantile Mapping,QM),对中尺度数值预报模式(Weather Research and Forecasting model,WRF)模拟的黑河上游日降水输出数据进行误差订正。选取第95分位和第98分位降水量为阈值,选择2004-2009年为建模时段,2010-2013年为验证时段,使用分段拟合的方法建立传递函数,侧重于对极端降水进行单独订正。研究结果表明:该方法不仅对降水空间分布有明显的改善,对极端降水也有很好的订正效果。订正前模式模拟日降水与台站之间的均方根误差为3.41 mm·d^-1,绝对偏差为115.67 mm·y^-1,订正后均方根误差减少为3.11 mm·d^-1,绝对偏差有明显改善,为60.3 mm·y^-1。订正后流域内年降水空间分布更加合理,年降水量也更接近于观测降水插值结果,其空间相关系数由0.74改善为0.94。春、夏季订正效果优于秋、冬季,其中夏季订正效果较为明显,订正前降水偏差百分比在-0.1~0.1以内的区域面积仅占流域总面积的28%,而订正后占比增加至66%。同时,该方法对极端降水有较好的订正效果,减小了日降水强度(SDII)和极强降水量(R99p)的模拟偏差,订正后的第95分位模拟降水与观测降水插值的相关系数由0.15提高到0.48。本研究为站点稀少的黑河上游提供了一种更有效的误差订正方案,有利于为寒区水文研究获取更精确的降水数据。     

Changes in Canada's Climate: Trends in Indices Based on Daily Temperature and Precipitation Data

ABSTRACT

Trends in indices based on daily temperature and precipitation are examined for two periods: 1948–2016 for all stations in Canada and 1900–2016 for stations in the south of Canada. These indices, a number of which reflect extreme events, are considered to be impact relevant. The results show changes consistent with warming, with larger trends associated with cold temperatures. The number of summer days (when daily maximum temperature >25°C) has increased at most locations south of 65°N, and the number of hot days (daily maximum temperature >30°C) and hot nights (daily minimum temperature >22°C) have increased at a few stations in the most southerly regions. Very warm temperatures in both summer and winter (represented by the 95th percentile of their daily maximum and minimum temperatures, respectively) have increased across the country, with stronger trends in winter. Warming is more pronounced for cold temperatures. The frost-free season has become longer with fewer frost days, consecutive frost days, and ice days. Very cold temperatures in both winter and summer (represented by the 5th percentile of their daily maximum and minimum temperatures, respectively) have increased substantially across the country, again with stronger trends in the winter. Changes in other temperature indices are consistent with warming. The growing season is now longer, and the number of growing degree-days has increased. The number of heating degree-days has decreased across the country, while the number of cooling degree-days has increased at many stations south of 55°N. The frequency of annual and spring freeze–thaw days shows an increase in the interior provinces and a decrease in the remainder of the country. Changes in precipitation indices are less spatially coherent. An increase in the number of days with rainfall and heavy rainfall is found at several locations in the south. A decrease in the number of days with snowfall and heavy snowfall is observed in the western provinces, while an increase is found in the north. There is no evidence of significant changes in the annual highest 1-day rainfall and 1-day snowfall. The maximum number of consecutive dry days has decreased, mainly in the south.