Ensemble simulation of land evapotranspiration in China based on a multi-forcing and multi-model approach

In order to reduce the uncertainty of offline land surface model(LSM) simulations of land evapotranspiration(ET), we used ensemble simulations based on three meteorological forcing datasets [Princeton, ITPCAS(Institute of Tibetan Plateau Research, Chinese Academy of Sciences), Qian] and four LSMs(BATS, VIC, CLM3.0 and CLM3.5), to explore the trends and spatiotemporal characteristics of ET, as well as the spatiotemporal pattern of ET in response to climate factors over mainland China during 1982–2007. The results showed that various simulations of each member and their arithmetic mean(Ens Mean) could capture the spatial distribution and seasonal pattern of ET sufficiently well, where they exhibited more significant spatial and seasonal variation in the ET compared with observation-based ET estimates(Obs MTE). For the mean annual ET, we found that the BATS forced by Princeton forcing overestimated the annual mean ET compared with Obs MTE for most of the basins in China, whereas the VIC forced by Princeton forcing showed underestimations. By contrast, the Ens Mean was closer to Obs MTE, although the results were underestimated over Southeast China. Furthermore, both the Obs MTE and Ens Mean exhibited a significant increasing trend during 1982–98; whereas after 1998, when the last big EI Ni ?no event occurred, the Ens Mean tended to decrease significantly between 1999 and 2007, although the change was not significant for Obs MTE. Changes in air temperature and shortwave radiation played key roles in the long-term variation in ET over the humid area of China, but precipitation mainly controlled the long-term variation in ET in arid and semi-arid areas of China.     

低温雨雪过程的粒子群-神经网络预报模型

利用逐日气温和降水量数据、NCEP/NCAR再分析资料以及预报场资料,通过分析提取我国南方区域持续性低温雨雪过程及其预报因子,使用粒子群-神经网络方法建立非线性的统计集合预报模型 (PSONN-EPM),对我国南方区域持续性低温雨雪过程进行预报试验。结果表明:以过程的冷湿程度及影响范围为标准,将低温雨雪过程分为一般过程和严重过程,并建立不同的预报模型效果较好。通过10 d独立样本预报试验看,基于粒子群-神经网络方法建立的集合预报模型比基于逐步回归方法建立的预报模型的预报平均相对误差小,对严重过程预报能力高于对一般过程预报,且这种非线性统计集合建模方法在建模过程中不需要调整神经网络参数,在实际预报业务中值得尝试。     

重庆风暴尺度集合预报系统降水预报性能分析

基于在重庆市气象局业务运行的对流可分辨尺度（3 km）集合预报系统,在已有初值扰动、模式物理过程扰动和侧边界扰动的基础上,对不同集合成员采用不同地形插值方案和地形平滑方案实现对模式静态地形高度的扰动,体现数值模式中地形转换过程的不确定性,开展集合预报批量平行试验。结果表明：（1）实现对模式静态地形高度的扰动后,各集合成员地形高度的离散度与实际地形的起伏程度对应关系较好,两者空间分布特征非常相似,地形较平坦的平原地区离散度较小,而地形较复杂的高原地区或山区离散度较大;（2）加入模式地形扰动方案后,集合扰动能量总体上有所增大,且低层比中、高层更明显,能量增幅在较短预报时效（12 h）内最显著,随着预报时效延长呈逐渐减小趋势,且能量增幅大值中心主要出现在地形较复杂、集合成员地形高度离散度较大地区;（3）模式地形扰动方案一定程度上能提高降水概率预报技巧及改进集合平均降水预报,在对高空要素和2 m温度、10 m风场等近地面要素的集合平均均方根误差和集合离散度无负面影响的前提下,能一定程度上优化集合分布。

     

基于CMIP5模式的中国气候变化敏感性预估与分析

以CMIP5提供的26个全球气候系统模式的温度和降水数据为基础,采用区域气候变化指数(Regional Climate Change Index,RCCI)分析中国的不同区域对21世纪气候变化响应的敏感性。结果表明,三种排放情景(RCP 2.6、RCP 4.5、RCP 8.5)下,21世纪全期,气候变化最敏感的区域分布在西藏地区,其次为我国西北地区以及东北地区,气候变化敏感性最低的区域分布在我国内蒙古中东部、华北地区以及长江中下游一带,且高排放情景对应更高的气候变化敏感性。对RCCI指数贡献因子分析结果表明,对中国气候变化敏感性贡献的大小依次为Δσ_TΔσ_pΔRRWAF。冬夏两季温度变化的大值区与RCCI指数的大致区分布一致,RCCI大小的分布很大程度上由温度变化的敏感性决定。而夏季降水变化的大值区主要出现在西藏地区、华南地区和东北地区,冬季降水变化的大值区则主要出现在黄河以南长江以北的中原地区以及东北地区。     

全球温升1.5℃和2.0℃情景下中国降雨诱发地质灾害危险性和人口暴露度评估研究

气候变化情景下极端降水事件的频次和强度预估呈增加趋势,这会导致全球部分地区极端降雨诱发地质灾害风险的增加。本文基于中国降雨诱发地质灾害易发性模型和不同地貌分区的累积事件降雨量-降雨历时阈值曲线,采用最新的CMIP6全球气候模式多模式集合结果,基于全球温升目标情景的视角,从地质灾害空间易发性和发生频次两方面,探讨温升情景下中国地质灾害危险性的可能变化及其对暴露人口的潜在影响。结果表明,CMIP6多模式集合预估的多年平均降水在温升1.5℃和2.0℃情景下相比基准时期可能增加5.4%～9.5%,导致中等至极高地质灾害易发区范围预估增加0.33%～0.74%,由于预估的极端降水事件增加,地质灾害发生频次预估增加7.0%～11.2%,进一步综合未来人口空间分布,潜在地质灾害暴露人口可能增加6.20亿人次（18.90%）和4.26亿人次（12.97%）。各地貌分区未来情景下地质灾害危险性预估增加且存在显著的空间异质性,温升2.0℃情景下中等至极高易发性范围相比基准时期增加0.71%～1.28%,地质灾害发生频次预估增加1.2%～15.6%,其中,青藏高原区地质灾害危险性增加最明显。综合考虑未来人口...     

以用户为导向的交互式预报系统及应用研究

基于近年来涌现的有关新一代气象预报系统发展的认识,本文提出用户导向的交互式预报系统的概念模型。新系统强调在用户信息分析的基础上,发展从用户出发再回到用户不断自我改善的预报流程。系统组成的关键模块包括：用户端风险决策动态需求分析模块、物理预测模块、用户目标量的降尺度模块,用户端专业耦合模块及用户风险决策模块。文中阐述了系统中各模块间的联系、用户端信息在系统中的反馈作用以及具体的“交互式”方式。以临沂地区水文用户为例,以引发洪涝的降水事件为预报对象,利用TIGGE全球超集合预报,初步构建了一个临沂水文用户导向的可能致洪降水交互式预报系统。这个具备迭代式自我完善功能的新型预报系统包含了汛期随时变化的用户决策信息、由前期影响雨量和当前水文条件决定的可变致洪降水阈值以及一个动态的用户端预报水平和不确定性评估模块。初步结果表明,结合用户端信息的预报优于未考虑用户信息的预报结果,从而更直接地帮助用户进行防汛决策。个例研究也为发展更完整的用户导向预报系统提供了参考。     

2013 年汛期ECMWF集合统计量产品的降水预报检验与分析

2013年汛期ECMWF集合预报在江南、四川盆地和华北地区强降水过程中的表现如下：对江南和四川盆地强降水,概率匹配、融合产品、最大值、75%和90%分位数在大雨和暴雨预报中较确定性预报有明显正技巧,融合产品和90%分位数的技巧评分最稳定;对华北地区强降水,仅90%分位数在大雨预报中有一致的正技巧;上述统计量产品的中期预报技巧评分总体要高于短期预报,对四川盆地（华北地区）暖区强降水预报技巧评分总体要高（低）于对该区域锋面强降水预报技巧评分。根据概率匹配和融合产品各自特点,综合二者原理,设计出概率匹配-融合和融合-概率匹配两种新方案。结果显示,在暴雨和大暴雨降水预报中,融合-概率匹配的评分较融合产品有一定提高。     

利用综合评分方法评估CMIP5模式对北极海冰的模拟能力

北极海冰冰盖自20世纪以来经历了前所未有的缩减,这使得北极海冰异常对大气环流的反馈作用日益显现。尽管目前的气候模式模拟北极海冰均为减少的趋势,但各模式间仍然存在较大的分散性。为了评估模式对于北极海冰变化及其气候效应的模拟能力,我们将海冰线性趋势和年际异常两者结合起来构造了一种合理的衡量指标。我们还强调巴伦支与卡拉海的重要性,因为前人研究证明此区域海冰异常是近年来影响大尺度大气环流变异的关键因子。根据我们设定的标准,CMIP5模式对海冰的模拟可被归为三种类型。这三组多模式集合平均之间存在巨大的差异,验证了这种分组方法的合理性。此外,我们还进一步探讨了造成模式海冰模拟能力差别的潜在物理因子。结果表明模式所采用的臭氧资料集对海冰模拟能力有显著的影响。     

基于海洋气候数据集的区域海平面变化非线性预测

本文基于中国首套长时间序列、高精度、高时空一致性的全球海洋气候数据集产品, 利用1993年1月至2015年12月的山东半岛近海海平面异常数据, 构建了基于集合经验模式分解(EEMD)和长短期记忆神经网络(LSTM)的海平面非线性变化组合预测模型。EEMD可以得到海平面异常的各周期项、线性趋势及残差部分, LSTM模型可对其进行逐个预测并重构得到最终的海平面异常预测结果。EEMD-LSTM组合模型海平面异常预测的均方根误差仅为25.87 mm, 取得了令人满意的效果。基于该组合模型预测2016-2025年山东半岛近海海平面上升速率将达到3.54 mm·a^-1。     

基于深度学习的滑坡灾害易发性分析

滑坡灾害成因机理复杂、影响因素众多,深度学习作为当前人工智能领域的热点,能够更好地模拟滑坡灾害的形成并准确预测潜在的斜坡。为了挖掘深度学习在滑坡易发性的应用潜能,本文构建了一维、二维和三维的滑坡数据表达形式,并提出3种基于卷积神经网络模型（Convolutional Neural Networks, CNN）的滑坡易发性分析处理框架：基于CNN分类器、基于CNN与逻辑回归的融合和基于CNN集成,最后以江西省铅山县为研究对象进行验证,结果表明：所有基于CNN的易发性模型都能够获得准确且可靠的滑坡易发性分析结果。其中,基于二维数据的CNN模型在所有单分类器中预测精度最高,为78.95%。此外,二维CNN特征提取能够显著提升逻辑回归的预测精度,其准确率提升7.9%。最后,异质集成策略能够大幅度提升基于CNN分类器的滑坡预测精度,其准确率提升4.35%~8.78%。