云南夏季降水异常的影响因子及物理统计预测方法

云南夏季降水年际变化较大,影响因子众多,夏季降水的预测较为困难。使用1965—2017年云南省122个气象观测站的逐日降水资料和NCEP大气环流资料,采用年际增量的方法来预测云南夏季降水。文中基于云南夏季降水年际增量变化规律和影响夏季降水的环流形势及物理过程,选取了6个具有物理意义的预测因子,包括:前期2月南太平洋海温异常、前期2月东亚北部海平面气压异常、前期4月北美500hPa位势高度异常、前期5月太平洋北部海平面气压异常、前期1月印度半岛北部500hPa位势高度异常及前期2月澳洲以南地区200hPa高度场偶极子异常,来建立云南夏季降水预测模型。并对预测模型进行逐年交叉检验和1998—2017年逐年独立样本检验。交叉检验中夏季降水年际增量预测值和观测值的相关系数为0.85,相对均方根误差为8.0%。回报检验中夏季降水年际增量的相对均方根误差为9.1%,63.0%的异常年份预测值能够准确地预报出夏季降水异常。该预测模型有较好的预测能力。     

第二松花江流域夏季降水年际增量预测模型研究

利用1980—2016年第二松花江流域（SSR）夏季（6—8月）平均降水量资料、NCEP/NCAR再分析月平均环流场资料、NOAA的月平均海温场资料，采用年际增量预测方法，通过分析与SSR夏季降水年际增量相关的环流及海温，确定了超前12个月内的6个预测因子，包括：11月东亚200hPa纬向风、12月西藏高原-2指数、12月赤道中东太平洋200hPa纬向风、2月印度洋海温、10月西太平洋暖池海温、4月东亚100hPa经向风。在此基础上利用这 6个预测因子，利用1980—2010资料建立SSR夏季降水年际增量的统计预测模型，最后根据年际增量给出SSR夏季降水的预测结果。经检验，1981—2010年，SSR夏季降水年际增量的预测拟合系数是0.83，SSR夏季降水预测结果拟合系数为0.67，SSR夏季降水预测结果相对均方根误差为15%，均通过了显著性检验；对2011—2016年进行试报实验，该模型也很好的预测出降水的年际增量变化趋势，除2014年以外，SSR夏季降水预测结果相对均方根误差绝对值都控制在23%以内，2016年仅为-9.9%。因此，通过预测降水的年际增量，进而再预测降水的方法，具有一定的预测技巧，可作为有效方法投入实际业务应用。     

中国夏季月际—季节平均降水动力和统计结合实时预测模型

中国夏季降水大幅度月际尺度变化往往造成极端旱涝事件交替或转折,但其月际异常会被季节平均掩盖,影响季节尺度气候预测准确度,因此亟需考虑月际气候预测,提升月际—季节尺度气候预测准确度。本文首先采用年际增量和场信息耦合型预测方法研制中国夏季6～8月月际尺度降水动力和统计结合气候预测模型,之后根据月际尺度降水预测,开展季节平均降水预测。首先,基于前期观测信息和美国第二代气候预测系统（CFSv2）预测结果,选取前期12月观测的南太平洋中高纬关键区海温、1月北极关键区海冰密集度以及CFSv2预测系统2月起报的夏季同期关键区海温作为月际尺度降水预测因子,分别研制以上具有物理意义的单预测因子预测模型,并采用奇异值分解（SVD）误差订正方法对其改进;之后,利用多因子择优集合方案,研制预测效能较高且稳定的中国160站夏季月际尺度降水动力和统计结合预测模型,进而基于月际尺度预测开展夏季季节平均气候预测。1983～2022年夏季（6～8月）中国160站逐月降水预测模型的交叉检验结果表明：逐月回报与观测降水距平百分率的时间相关系数通过90%置信水平的站点占比分别为90%,88%,82%,多年平均的空间相关系数分...     

贵州地区夏季降水特征及其预测方法

利用贵州地区52个测站1961～2000年夏季(6～8月)降水资料,采用突变分析、小波分析等方法,对贵州夏季降水的时间变化特征进行了诊断分析,并运用均生函数对贵州夏季降水建立预测模型,进行试报和预报检验。结果表明：贵州地区近40a来夏季降水呈上升趋势,具有明显的年际变化特征;夏季降水比较明显的突变点出现在1971年和1994年(没有通过显著水平a=0．05的信度检验),其1971年后到1994年前降水为减少趋势,1994年后降水开始增多;夏季降水在年际尺度上主要存在显著的准2a、准4a和4～6a、8～10a周期振荡;均生函数对夏季降水预测效果较好,尤其对极值的预测,效果更加明显。     

西南地区雨季降水的时空分布及预报试验

利用西南三省一市1980—2017年逐日降水资料,采用主成分及旋转主成分分析,对西南雨季降水的空间异常特征进行了研究,并在分区的基础上,探讨了各区降水的时间演变特征,最后运用均生函数建立预测模型,进行预报试验。结果表明:西南地区雨季降水空间差异大,具体可分为6区;各区雨季降水量的时间演变均具有显著年际、年代际变化特征,且近年来西南大部分地区雨季降水量减少、降水异常偏少年出现的频次增多;预报模型对于雨季降水的拟合和预测效果均较好。     

降尺度方法在中国不同区域夏季降水预测中的应用

在中国降水气候分区的基础上,利用降尺度方法进行区域夏季降水预测(RSPP),预测模型建立的基础是寻找影响区域气候的关键因子。降尺度预测模型中使用的资料有国家气候中心海-气耦合模式(CGCM/NCC)回报资料、NCEP/NCAR再分析资料和台站观测资料。为了避免年代际变化特征对季节尺度降水预测的影响,首先对CGCM/NCC模式输出资料、NCEP/NCAR再分析资料、区域平均降水资料去除年代际线性变化趋势,即去除所有预报因子场和预报对象场的长期变化趋势。然后分别计算预报对象和模式资料的预报因子场以及再分析资料的预报因子场的相关系数,把相关系数值同时达到0.05显著性检验水平的区域平均环流特征作为预测因子,保证挑选出的预测因子既能反映实际大气中预测因子与预报对象的关系,同时又是海-气耦合模式预测的高技巧信息。利用最优子集回归作为转换函数的降尺度方法建立区域夏季降水预测模型。交叉检验和独立样本检验结果表明,文中设计的区域夏季降水预测模型对中国大部分地区的夏季降水趋势预测的准确率较高且比较稳定,其预测效果远高于CGCM/NCC直接输出降水结果。进一步对具有较高预测技巧的代表性区域的可预报性来源分析发现,物理意义明确且独立性强的预测因子有助于提高预测准确率。     

两种机器学习方法在重庆夏季旱涝预测中的应用北大核心

利用1961—2010年重庆34个气象观测站夏季降水资料及国家气候中心130项环流指数,采用机器学习的决策树和随机森林方法建立重庆夏季旱涝预测模型,通过2011—2018年预测效果检验发现,夏季同期环流指数决策树模型和前冬海温指数决策树模型预测的8 a降水异常趋势均正确,比考虑单一指数的PC评分分别提高37.5%和12.5%。此外,用随机森林模型预测重庆2014—2018年的夏季降水,5 a平均PS、CC和PC评分分别是84.6、0.27和67.1,相比于业务发布预报质量均有明显提高,且随机森林的预测质量较为稳定。     

基于年际增量法的华西秋雨预测模型建立及检验

利用1962—2018年华西地区301个气象台站秋季降水量资料和国家气候中心整理的130项气候系统指数，采用年际增量法建立了华西秋雨预测模型。首先通过相关分析挑选了4个与华西秋雨年际增量前3主模态密切相关的影响因子，进而采用多元线性回归方法进行建模，拟合时段和后报时段分别选为1962—1991年和1992—2018年。华西秋雨年际增量前3主模态累积值的预测模型通过了α=0.01的显著性水平检验，表明该模型具有较高的拟合预测能力。然后用相同的预测因子分别建立华西地区301个气象站点的华西秋雨年际增量预测模型，大部分模型都通过了显著性检验。用PS评分指标对预测效果进行检验，结果显示后报期年平均PS评分达74.5分。从空间分布来看后报期大部分站点的PS评分都超过60分，其中四川盆地南部、贵州东部和湖南西部等地超过80分。与华西各省和国家气候中心发布的近6年秋季降水预测PS评分进行比较，发现模型后报结果有显著优势。总体来看，用年际增量法建立的华西秋雨预测模型具有较高的预测技巧和实际应用价值。     

基于年际增量法的广西6月月降水量预测

利用广西87个气象站6月月平均降水量及NCEP/NCAR再分析资料,通过普查1960—2021年广西6月月降水量年际增量与前期500 hPa位势高度场的相关性,选取影响广西6月降水异常相关性较高的前期预测因子,研究其主要影响机制,并采用模糊神经网络与熵度量相结合的方法构建月降水年际增量的集合预报模型,对预测模型进行1960—2013年的拟合检验和2014—2021年的独立样本预报检验。结果发现,该模型的预测准确率较高,独立样本的回报年份同号率为87.5%,拟合平均绝对误差为26.64 mm,拟合平均相对误差为9.06%,预报效果优于利用逐步回归方法构建的预测模型,而且模型性能比较稳定,具有较好的业务应用前景。     

多因子和多尺度合成中国夏季降水预测模型及预报试验

根据青藏高原60个站平均的月积雪深度、热带太平洋Nino 3区月海温和中国160个站月降水量等资料,用小波变换和相关分析,分析了1958～1998年秋冬季青藏高原异常雪盖与El Nino-南方涛动(ENSO)的关系、多时间尺度变化的特征及其与中国夏季降水的相关型式.并取青藏高原积雪和Nino 3区海温的年际变化、年代际变化和线性趋势三种不同时间尺度的小波分量作为预报因子,对我国夏季降水距平作线性回归,建立了相应的预测模型.最后,利用1999～2002年的独立资料进行了预报试验,并在2003年和2004年应用于实际预报.研究表明,青藏高原雪盖与ENSO这两个物理因子彼此具有一定的独立性.它们都是多时间尺度现象,并与中国夏季降水有较好的关系.在不同时间尺度上不仅有不同的相关型式,而且相对贡献也有变化.回归预测模型的拟合情况和预报试验表明,综合考虑前期秋冬季青藏高原雪盖和ENSO这两个物理因子的年际变化、年代际变化和线性趋势作为预报因子建立的预测我国夏季降水距平分布的模型,有一定的预报能力.     

西南夏季降水多因子降维客观预测方法研究

本文改进了现有的多模态时间稳定性判别标准,提出一种筛选稳定高相关预测信号的思路,对1981～2016年西南夏季降水距平百分率多模态的时间稳定性、时空特征和可预测模态关键信号等进行了分析研究,在此基础上构建了多因子降维预测模型.结果 表明,前9个模态在预测时效为3年和近10年内稳定,累计方差贡献率占70％,是西南夏季降水...     

华北及周边地区夏季分区客观降水预报

在降水客观分区的基础上,对华北及周边地区进行夏季降水预报。利用2006—2008年的6—8月T213资料和相应时段的实况资料,通过概率回归降水等级方案建模,对2009年和2010年6—8月进行了试报。结果表明:分区建模的降水预报与单站建模预报相比,TS评分在不同时效、不同量级上均有提高,并且在空报和漏报上有较大改善,特别是大量级降水预报改善明显。从因子分析上看,分区建模较单站建模所选因子更丰富,利用了模式产品的有用信息,因此做出了更好的预报。分区建模与模式降水预报的对比分析表明:分区建模的降水预报效果好于模式直接降水预报,空报现象改善明显。     

西北偏湿背景下青海省夏季降水的统计降尺度方法研究

本文研制建立了一个预测青海省夏季降水的动力—统计相结合的组合降尺度预测方法（Hybrid Statistical Downscaling Prediction，HSDP），该方法综合利用了气候模式Climate Forecast System 2.0版本（CFSv2）实时预测的高可预报性环流信息及前期观测的与青海夏季降水具有高相关性的气候因子，采用年际增量方法，基于气候变量的年际增量规律建立统计模型，从而实现对青海夏季降水进行动力—统计相结合的气候预测。根据全球气候因子的年际增量与青海省夏季降水年际增量的相关系数，以及CFSv2预测产品对实况模拟能力的评估，选取以下关键区气候变量的年际增量作为预测因子：（1） CFSv2模式预测当年夏季包含贝加尔湖脊、乌拉尔山脊和新疆脊区域的500 hPa高度场；（2） CFSv2模式预测青藏高原以西200 hPa纬向风场；（3）观测资料中前1 a秋、冬季热带太平洋地区海表面温度场；（4）观测资料中前1 a秋、冬季西伯利亚地区的海平面气压场，对青海省夏季降水进行统计降尺度预测。统计降尺度模型利用1983—2011年进行建模，回报2012—2018年夏季青海省降水的空间分布和时间变化，并对该模型对1983—2011年的夏季青海省降水的回报能力进行了交叉检验。回报结果表明该统计降尺度模型对CFSv2的青海省夏季降水预测能力有显著的提高，能够很好地再现青海省夏季降水西北部的高原地区偏少，而在东南部偏多的特点。该模型预测所得2012—2018年夏季青海省降水的时间变化也与实况有着较高的相关系数（0.76），对于降水显著偏少的年份（如2015年）和显著偏多的年份（如2012、2018年）的降水预测都有很好的表现。对于建模时段的交叉检验结果（相关系数为0.46，比模型回报结果与实况的相关系数0.48略低）表明，该模型具有较高的稳定性和可靠性。     

PREDICTION OF FLOOD SEASON PRECIPITATION IN SOUTHWEST CHINA BASED ON IMPROVED PSO-PLS

In order to achieve the best predictive effect of the Partial Least Squares (PLS) regression model, Particle Swarm Optimization (PSO) algorithm is applied to automatically filter the optimal subset of a set of candidate factors of PLS regression model in this study. An improved version of the Particle Swarm Optimization-Partial Least Squares (PSO-PLS) regression model is applied to the station data of precipitation in Southwest China during flood season. Using the PSO-PLS regression method, the prediction of flood season precipitation in Southwest China has been studied. By introducing the precipitation period series of the mean generating function (MGF) extension as an alternative factor, the MGF improved PSO-PLS regression model was also build up to improve the prediction results. Randomly selected 10%, 20%, 30% of the modeling samples were used as a test trial; random cross validation was conducted on the MGF improved PSO-PLS regression model. The results show that the accuracy of PSO-PLS regression model and the MGF improved PSO-PLS regression model are better than that of the traditional PLS regression model. The training results of the three prediction models with regard to the regional and single station precipitation are considerable, whereas the forecast results indicate that the PSO-PLS regression method and the MGF improved PSO-PLS regression method are much better than the traditional PLS regression method. The MGF improved PSO-PLS regression model has the best forecast performance on precipitation anomaly during the flood season in the southwest of China among three models. The average precipitation (PS score) of 36 stations is 74.7. With the increase of the number of modeling samples, the PS score remained stable. This shows that the PSO algorithm is objective and stable. The MGF improved PSO-PLS regression prediction model is also showed to have good prediction stability and ability.     

Improve the prediction of summer precipitation in the Southeastern China by a hybrid statistical downscaling model

We attempt to apply year-to-year increment prediction to develop an effective statistical downscaling scheme for summer (JJA, June–July–August) rainfall prediction at the station-to-station scale in Southeastern China (SEC). The year-to-year increment in a variable was defined as the difference between the current year and the previous year. This difference is related to the quasi-biennial oscillation in interannual variations in precipitation. Three predictors from observations and six from three general circulation models (GCMs) outputs of the development of a European multi-model ensemble system for seasonal to interannual prediction (DEMETER) project were used to establish this downscaling model. The independent sample test and the cross-validation test show that the downscaling scheme yields better predicted skill for summer precipitation at most stations over SEC than the original DEMETER GCM outputs, with greater temporal correlation coefficients and spatial anomaly correlation coefficients, as well as lower root-mean-square errors.     

基于年际增量方法的云南省普洱雨季开始期气候预测

基于普洱雨季开始期年际增量变化规律和影响雨季开始期的环流形势及物理过程,采用年际增量方法和多元线性回归分析方法,选取5个具有物理意义的预测因子(包括前期1月南半球绕极环流、前期2月南太平洋高压、前期4月孟加拉湾至南海海平面气压、前期冬季加拿大北部海冰和前期冬季伊朗高原积雪深度),建立了普洱雨季开始期的预测模型,并对预测模型进行1967—2017年的交叉检验和1998—2017年的逐年独立样本检验。交叉检验中,雨季开始期预测值和观测值年际增量的相关系数为0.84,相对均方根误差为24%;独立样本检验中,雨季开始期年际增量的相对均方根误差为15%,模型对雨季开始期异常年份的预测误差小于7 d,表明该预测模型能很好再现1967—2017年雨季开始期的变化趋势。     

基于青藏高原春季感热异常信号的中国东部夏季降水统计预测模型

使用1980-2014年由青藏高原中东部的地面气象观测台站观测资料计算得到的地表感热通量以及中国东部高分辨率的降水格点资料,在年代际变化和年际变率两个时间尺度上,使用最大协方差分析方法研究了青藏高原春季感热与中国东部夏季6、7和8月降水的关系,基于最大协方差关联因子的时间尺度分解回归分析方法建立了一个降水统计预测模型。青藏高原春季感热的各个关联预报因子与中国东部夏季各月降水的相关分析表明,在年代际成分中,6、7和8月在中国东部绝大部分地区均存在显著相关,方差贡献分别为75.6%、99.9%和79.7%;在年际成分中,相关区域在6月是华南地区、华北沿海地区和江淮流域,7月是华南地区西南部、长江流域、东北地区东南部和黄河中下游地区,8月是东北地区和华南地区西部,方差贡献分别为42.7%、43.4%和32.0%。预测模型的解释方差分析和后报试验检验表明,7月对整个中国东部地区预测效果最好,6月主要在长江以南地区,而8月主要在东北地区和华南地区西部预测效果较好。该预测模型能很好描述青藏高原春季感热与中国东部夏季各月降水的关联性,并对局地降水实现较好的定量预测,具有在短期气候预测业务应用的价值。      

Dynamic downscaling of summer precipitation prediction over China in 1998 using WRF and CCSM4

To study the prediction of the anomalous precipitation and general circulation for the summer(June–July–August) of1998, the Community Climate System Model Version 4.0(CCSM4.0) integrations were used to drive version 3.2 of the Weather Research and Forecasting(WRF3.2) regional climate model to produce hindcasts at 60 km resolution. The results showed that the WRF model produced improved summer precipitation simulations. The systematic errors in the east of the Tibetan Plateau were removed, while in North China and Northeast China the systematic errors still existed. The improvements in summer precipitation interannual increment prediction also had regional characteristics. There was a marked improvement over the south of the Yangtze River basin and South China, but no obvious improvement over North China and Northeast China. Further analysis showed that the improvement was present not only for the seasonal mean precipitation, but also on a sub-seasonal timescale. The two occurrences of the Mei-yu rainfall agreed better with the observations in the WRF model,but were not resolved in CCSM. These improvements resulted from both the higher resolution and better topography of the WRF model.     

夏季亚洲对流层中上层温度年际变率的预测水平评估及其在我国东部降水预测中的应用

夏季亚洲对流层温度异常与中国东部夏季降水紧密相关并可能作为降水的有效预报因子。基于欧盟ENSEMBLES计划的季节预测试验耦合模式每年5月1日开始的回报试验，分析了其对1960～2005年夏季亚洲对流层中上层温度（以200～500 hPa厚度替代，简称对流层温度）年际变率的预测结果，发现模式集合平均对夏季亚洲对流层温度年际变率具有较高的预报技巧，可以合理回报其前两个EOF（Empirical Orthogonal Function）主导模态（EOF1、EOF2），只是未能回报出EOF2高纬度的温度异常，模式集合平均预测的第一模态主成分（PC1）和第二模态主成分（PC2）与再分析资料的时间相关系数分别达到0.63和0.77。再分析资料中前两个EOF模态分别由ENSO（El Ni?o–Southern Oscillation）发展年印度夏季降水异常所激发的丝绸之路遥相关波列和ENSO衰减年西北太平洋夏季降水异常对应的太平洋—日本遥相关波列导致。ENSEMBLES计划可以合理预测出相应的海温异常及遥相关波列，进而合理预测出前两个EOF模态。对流层温度PC1和PC2分别表征了欧亚大陆与周围海洋之间的纬向和经向热力对比异常，模式对由PC1的预报技巧远高于前人定义的纬向热力对比的东亚夏季风指数，对前人定义的经向热力对比指数的预测技巧与PC2相当。将PC1和前人定义的经向热力对比指数作为预报因子，建立了中国夏季降水的动力—统计降尺度预测模型，交叉检验的结果表明该预报模型显著提高了东北和长江流域上游夏季降水的预报技巧。本文提出的亚洲对流层温度年际变率的EOF1及PC1，既能较好表征纬向热力对比与中国东部夏季降水显著相关，又能被模式合理预测，可以作为我国中高纬度地区，特别是东北地区降水的重要预测因子之一。