华东地区月平均气温统计降尺度方法比较

用中国地面气象观测站的逐日气温观测资料和NCEP/NCAR再分析资料,分别使用基于多元线性回归(MLR)和3种主成分分析(PCA)的统计降尺度方法,对1959-2008年的华东地区的月平均气温分两个时段进行统计降尺度分析并加以检验,比较了不同降尺度方法的结果。结果表明:对于华东地区气温的统计降尺度预报,基于MLR的统计降尺度方法相对于3种PCA方法而言,对单站年际变化模拟方面有一定优势。PCA方法应用于统计降尺度时,预报因子的区域选择是影响统计降尺度结果的重要因素之一。对于温度进行统计降尺度分析时,预报因子中包含温度因子是非常必要的;所试验的4种降尺度方法,对各站点多年平均情况的模拟要好于对区域平均的年际变化的模拟。     

统计降尺度方法在北京月尺度预测中的应用

利用SDSM(statistical downscaling method)方法对北京47年(1961-2007年)的最低、最高气温和降水变化情况进行模拟评估,在此基础上对2008年北京奥运期间和2009年国庆期间天气变化进行实际预测应用。结果表明,SDSM方法具备模拟气温和降水等要素的能力。从年际变化模拟的情况上看,SDSM模型对气温模拟的效果好于降水,其中对于月平均最低(最高)气温模拟的效果好于最低(最高)气温极值的模拟。模型模拟的逐年极端最高(最低)气温结果在整体上偏低于实况气温,体现出气温极值模拟能力的不足。SDSM模型模拟的降水量整体上小于实测值,对降水极大值模拟能力更弱。对奥运会和国庆期间北京天气预测结果表明,模型对日最高、最低气温和降水的数值预测能力较差,预测值偏低于实际值,但升温和降温过程发生的时段能够准确的预测。     

我国地面降水的分级回归统计降尺度预报研究

利用TIGGE资料中欧洲中期天气预报中心(ECMWF,the European Centre for Medium-Range Weather Forecasts)、日本气象厅(JMA,the Japan Meteorological Agency)、美国国家环境预报中心(NCEP,the National Centers for Environmental Prediction)以及英国气象局(UKMO,the UK Met Office)4个中心1~7 d预报的日降水量集合预报资料,并以中国降水融合产品作为"观测值",对我国地面降水量预报进行统计降尺度处理。采用空间滑动窗口增加中雨和大雨雨量样本,建立分级雨量的回归方程,并与未分级雨量的统计降尺度预报进行对比。结果表明,对于不同模式、不同预报时效以及不同降水量级,统计降尺度的预报技巧改进程度不尽相同。统计降尺度的预报技巧依赖于模式本身的预报效果。相比雨量未分级回归,雨量分级回归的统计降尺度预报与观测值的距平相关系数更高,均方根误差更小,不同量级降水的ETS评分明显提高。对雨量分级回归统计降尺度预报结果进行二次订正,可大大减少小雨的空报。     

用复数自回归模式预报月平均气温

在复数域最小二乘法的基础上, 建立了复数自回归模式。数学推导和实例应用表明:这一复数自回归模式不同于将复数序列中的实部和虚部分开来计算的结果, 将实部和虚部分开来计算的方法不是真正意义的最小二乘法。应用包括一个任意给定的复数序列和全国160个基本气象台站上历年7月月平均气温。采用距平相关系数和均方根误差两种检验标准, 对独立预报结果进行检验, 并与其他3种常用统计模型作比较。结果显示:该复数自回归模式确实具有较好的预报效果。     

基于TIGGE多模式降水量预报的统计降尺度研究

利用TIGGE资料中欧洲中期天气预报中心、美国国家环境预报中心、英国气象局以及日本气象厅4个中心,1~7 d预报时效的降水量预报资料,以TRMM/3B42RT降水量作为"观测值",对东亚地区降水量进行统计降尺度处理。首先利用逻辑回归方法将天气分为有雨和无雨,再对有雨的情况,利用线性回归方法对插值后的预报结果进行降尺度订正,最后将4个中心的预报值进行消除偏差集合平均,得到多模式集成的降水量预报场。结果表明:逻辑回归能够有效地改善预报中小雨的空报情况,统计降尺度订正后的预报结果比直接插值更加准确,多模式集成的预报效果优于单模式结果,其改进效果随预报时效的延长逐渐减小。     

我国东部夏季降水量统计降尺度的可预测性研究

利用1951—2007年逐月的北半球500 hPa高度场资料,使用降尺度技术和偏最小二乘回归方法,对我国东部夏季6—8月降水量作可预测性研究。用全球大气与热带太平洋相耦合的数值模式(CGCM)输出的500 hPa高度场作为因子场,利用建立的预报模型作预报试验。试验结果表明,以北半球东亚40°E~180°地区的500 hPa高度场是较佳的降尺度因子场。预报模型的建立与使用的提取主分量个数和资料时期有关,提取主分量数在4~7、样本容量取32~43时有较好的预测效果。试验结果还表明,以CGCM模式输出的500 hPa高度场作为因子场进行预测,有一定的预测能力。     

统计降尺度法对华北地区未来区域气温变化情景的预估

迄今为止,大部分海气耦合气候模式（AOGCM）的空间分辨率还较低,很难对区域尺度的气候变化情景做合理的预测。降尺度法已广泛用于弥补AOGCM在这方面的不足。作者采用统计降尺度方法对1月和7月华北地区49个气象观测站的未来月平均温度变化情景进行预估。采用的统计降尺度方法是主分量分析与逐步回归分析相结合的多元线性回归模型。首先,采用1961～2000年的 NCEP再分析资料和49个台站的观测资料建立月平均温度的统计降尺度模型,然后把建立的统计降尺度模型应用于HadCM3 SRES A2 和 B2 两种排放情景, 从而生成各个台站1950～2099年1月份和7月份温度变化情景。结果表明:在当前气候条件下,无论1月还是7月,统计降尺度方法模拟的温度与观测的温度有很好的一致性,而且在大多数台站,统计降尺度模拟气温与观测值相比略微偏低。对于未来气候情景的预估方面,无论1月还是7月,也无论是HadCM3 SRES A2 还是B2排放情景驱动统计模型,结果表明大多数的站点都存在温度的明显上升趋势,同时7月的上升趋势与1月相比偏低。     

赴波兰参加统计降尺度培训总结

1 概况 2007年6月18-22日，本人得到STATME（Stability of the Atmos-phere over Europe）项目的资助，赴波兰罗兹大学参加“Summer School on Statistical Downscaling”培训。     

渭河流域秋雨统计降尺度预估的试验研究

在比较不同大尺度预报因子联合场、空间范围和数据预处理方法对统计降尺度模型预测能力影响的基础上,基于HadCM3和CCSM3两种分辨率大气环流模式(GCM)输出资料,采用主成分分析和多元线性回归相结合的降尺度方法,建立了渭河流域秋雨的统计降尺度模型,并根据分析两种GCM基准期内降尺度预测效果,对未来不同情景进行预估。结果表明,对降水量的3次方根正态化处理并不能改善模型的预测性能,而去趋势处理可提高模型对于9月的预测能力。850 hPa经向风和相对湿度组合是渭河流域秋雨的最佳预测因子。低分辨率的HadCM3模式降尺度预测效果优于高分辨率的CCSM3模式,具体表现在前者对整个流域的预测能力较高,后者只对中下游流域附近的预测效果较好。以基准期内可预报性较好的站点对渭河流域秋雨进行预测,两种模式的不同情景预估结果均表明,渭河流域2000—2099年9月降水量呈增加趋势,10月降水量呈下降趋势,降尺度模型成功预测了21世纪前10年的秋雨增加趋势。      

基于时空统计降尺度的淮河流域夏季分月降水概率预测

针对淮河流域水资源短缺、洪涝、干旱并存的问题,基于国家气候中心第二代季节气候模式的集合回报数据集(1991—2014年),建立时空相结合的统计降尺度模型,提前1—3个月预测该流域夏季分月降水,应用ROC(relative operating characteristics)评分评估比较了不同集合预测方案的预测技巧。交叉检验结果表明,样本数取18、20、22、28时,集合预测方案对3、4、5月三个起报时次预测的夏季各月降水技巧预测均高于模式预测技巧。2015—2017年的独立样本检验进一步表明该统计降尺度模型能够明显降低3月、5月起报的6月和8月的降水预测偏差。认为可尝试将该降尺度方法应用于淮河流域夏季降水预测及进一步的流域水文预测。     

统计降尺度方法在青海省冬季最低温度预测中的应用

利用2003-2007年国家气象中心T213L31全球中期数值预报模式逐日输出产品与青海地区25个气象站的观测数据作为试验资料, 利用相关系数和逐步回归进行因子选择, 并以单隐层神经网络和多元回归作为降尺度方法进行对比研究, 用2003-2006年间的11月1日～次年3月1日的资料作为训练样本, 以数值预报产品和前一日观测的最低温度作为因子, 建立青海省25个气候站的冬季最低温度的24, 48, 72 h预报模型, 并且以2006年12月和2007年的1、 2月作为24, 48, 72 h逐日最低温度预报试验时段。试验表明, 对于青海地区来说, 青海北部地区的预报命中率总体好于南部高原地区; 在4种对比方案中, 以选择数值预报资料结合前一日地面观测的最低温度作为主要因子的方法相对较优, 随着预报时效的延长, 24 h历史实况的作用逐渐减弱; 对于所有台站来说, 这4种方案各有优缺点, 没有一种方案可以完全代替其他所有方案; 在实际业务运行中, 对不同的台站应采用不同的预报方案进行实际业务预报。     

Predictor Selection for CNN-based Statistical Downscaling of Monthly Precipitation

Convolutional neural networks(CNNs) have been widely studied and found to obtain favorable results in statistical downscaling to derive high-resolution climate variables from large-scale coarse general circulation models(GCMs).However, there is a lack of research exploring the predictor selection for CNN modeling. This paper presents an effective and efficient greedy elimination algorithm to address this problem. The algorithm has three main steps: predictor importance attribution, predictor rem...     

降尺度方法对中国未来两种情景下降水变化预估

利用1951-2000年中国160个气象站的降水资料和美国GFDL-CM2.1模式输出的500 hPa位势高度资料,建立了一个统计降尺度模型,并利用该模型对中国2011-2100年的降水进行了降尺度预估,分析了CO2浓度变化对中国未来降水变化的可能影响.结果表明,在未来A1B和A2情景下,中国各气候区各季节的降水都发生了变化,两种情景下的降水变化格局和变化幅度非常相似,但由于A2情景下的2011-2100年平均CO2浓度比A1B情景高,故其降水变化的幅度更为剧烈.CO2浓度的增加是中国未来降水变化的主要贡献因子,但它不会从根本上改变中国未来降水的分布格局,只会增强降水本身的自然变化幅度,是降水自然变率的放大器,且放大的幅度远远大于自然变率本身.CO2浓度变化引起的降水变化一般比CO2浓度变化滞后20～30年.CO2浓度增加引起的气温升高会导致中国大部分地区500 hPa等压面的抬升和环流形势的改变,从而对未来降水产生影响.     

黄河源区未来地面气温变化的统计降尺度分析

大气环流模式(GCMs)模拟预测的气候变化情景,必须经过降尺度处理后才能得出次网格尺度上未来气候变化的时空分布细节,才能满足评估气候变化对资源、环境和社会经济等影响的需要.本文在简单介绍了目前降尺度模型的研究现状后,重点分析了统计降尺度方法的优缺点及适用性,并应用黄河源区7个站点1961-1990年的实测地区最高气温和最低气温资料,对统计降尺度模型(SDSM)的应用进行了分析和验证.首先利用SDSM建立大尺度气候要素和地面气温变量间的统计转换关系,确定模型应用的预报因子变量,然后用独立的观测资料验证模型的可靠性,最后把建立好的统计关系应用于英国Hadley中心海气耦合模式(HadCM3 SERS B2)的输出,分别生成了黄河源区7个站点未来3个时段2020s,2050s和2080s的气温变化情景.在此基础上,应用Arc/GIS的Kriging插值方法获得整个区域的气温变化情景进行分析.结果表明,日最高气温模拟值随时间推移增幅很快,3个时段(2020s,2050s和2080s)的平均气温变化情景分别为1.34,2.60和3.90℃,而日最低气温变化相对不明显,3个时段的平均气温变化情景分别为0.87,1.49和2.27℃.表现在每个季节和每个月的变化情景又各不相同,日最高气温以春季和秋季变化最显著,而日最低气温则以夏季和秋季的变化最为明显.     

基于CFS模式的中国站点夏季降水统计降尺度预测

本研究针对中国夏季站点降水,研制建立了基于Climate Forecast System(CFS)实时预测数值产品及观测资料的统计降尺度预测系统。此预测系统选取了CFS模式中当年夏季500 hPa高度场和观测资料中前一年秋、冬季海表面温度场作为预测因子,两因子的关键区分别为泛东亚地区和热带太平洋地区。统计降尺度模型对1982~2011年中国夏季降水的回报效果较CFS模式原始结果显著提高,空间距平相关系数由0.03提高到0.31,时间相关系数在中国大部分地区显著提高,最大可达0.6。均方根误差较CFS模式原始结果明显降低,同时,此降尺度模型较好的回报出2011年汛期降水的距平百分率的空间分布型。     

Long-Term Trend of Temperature Derived by Statistical Downscaling Based on EOF Analysis

This study analyzes the ability of statistical downscaling models in simulating the long-term trend of temperature and associated causes at 48 stations in northern China in January and July 1961–2006. The statistical downscaling models are established through multiple stepwise regressions of predictor principal components (PCs). The predictors in this study include temperature at 850 hPa (T850), and the combination of geopotential height and temperature at 850 hPa (H850+T850). For the combined predictors, Empirical Orthogonal Function (EOF) analysis of the two combined fields is conducted. The modeling results from HadCM3 and ECHAM5 under 20C3M and SERS A1B scenarios are applied to the statistical downscaling models to construct local present and future climate change scenarios for each station, during which the projected EOF analysis and the common EOF analysis are utilized to derive EOFs and PCs from the two general circulation models (GCMs). The results show that (1) the trend of temperature in July is associated with the first EOF pattern of the two combined fields, not with the EOF pattern of the regional warming; (2) although HadCM3 and ECHAM5 have simulated a false long-term trend of temperature, the statistical downscaling method is able to well reproduce a correct long-term trend of temperature in northern China due to the successful simulation of the trend of main PCs of the GCM predictors; (3) when the two-field combination and the projected EOF analysis are used, temperature change scenarios have a similar seasonal variation to the observed one; and (4) compared with the results of the common EOF analysis, those of the projected EOF analysis have been much more strongly determined by the observed large-scale atmospheric circulation patterns.     

Statistical Downscaling of Pattern Projection Using Multi-Model Output Variables as Predictors

A pattern projection downscaling method is employed to predict monthly station precipitation. The predictand is the monthly precipitation at 1 station in China, 60 stations in Korea, and 8 stations in Thailand. The predictors are multiple variables from the output of operational dynamical models. The hindcast datasets span a period of 21 yr from 1983 to 2003. A downscaled prediction is made for each model separately within a leave-one-out cross-validation framework. The pattern projection method uses a moving window, which scans globally, in order to seek the most optimal predictor for each station. The final forecast is the average of the model downscaled precipitation forecasts using the best predictors and is referred to as DMME. It is found that DMME significantly improves the prediction skill by correcting the erroneous signs of the rainfall anomalies in coarse resolution predictions of general circulation models. The correlation coefficient between the prediction of DMME and the observation in Beijing of China reaches 0.71; the skill is improved to 0.75 for Korea and 0.61 for Thailand. The improvement of the prediction skills for the first two cases is attributed to three steps: coupled pattern selection, optimal predictor selection, and multi-model downscaled precipitation ensemble. For Thailand, we use the single-predictor prediction, which results in a lower prediction skill than the other two cases. This study indicates that the large-scale circulation variables, which are predicted by the current operational dynamical models, if selected well, can be used to make skillful predictions of local precipitation by means of appropriate statistical downscaling.