白　慧，段　瑩，王興菊，陳貞宏

(1.貴州省氣候中心,貴州　貴陽　550002;2.貴州省山地氣候與資源重點實驗室,貴州　貴陽　550002;3.貴州省安順市氣象局,貴州　安順　561000)

?

基于DERF2.0模式產(chǎn)品對單站旬、月極端降水日數(shù)的預(yù)測

白慧1,2，段瑩1，王興菊3，陳貞宏3

(1.貴州省氣候中心,貴州貴陽550002;2.貴州省山地氣候與資源重點實驗室,貴州貴陽550002;3.貴州省安順市氣象局,貴州安順561000)

該文利用1951—2013年貴陽站逐日降水量觀測資料分析其極端降水日數(shù)的氣候特征，結(jié)合DERF2.0月動力延伸預(yù)測模式輸出的500 hPa高度場格點資料，將高度距平場與該站極端降水日數(shù)距平值利用線性回歸及逐步回歸的方法建立5月26日起報1～40 d的預(yù)測模型，并對預(yù)測效果進行檢驗。結(jié)果表明：貴陽站20世紀80年代中期至90年代中期是極端降水日數(shù)偏多的時段，其余時段呈現(xiàn)偏少特征，在21世紀10年代之后極端降水日數(shù)呈增加趨勢；影響貴陽站各旬極端降水日數(shù)的天氣系統(tǒng)在月內(nèi)具有階段性的調(diào)整和變動，相比月尺度大氣環(huán)流信號的穩(wěn)定性較弱；對比固定時段建模和滑動時段建模下極端降水日數(shù)的預(yù)測結(jié)果，發(fā)現(xiàn)固定時段建模的預(yù)測結(jié)果與實況較為一致，尤其是月尺度預(yù)測值與實況值的相關(guān)系數(shù)較穩(wěn)定，旬尺度預(yù)測值與實況值的穩(wěn)定性較弱。

DERF2.0；極端降水日數(shù)；預(yù)測模型

1　引言

20世紀80年代以來，受全球氣候變化和人類活動的共同影響，全球范圍內(nèi)的極端天氣氣候事件呈現(xiàn)出強度大、頻次高、影響范圍廣等特點[1]。貴州地處我國西南的云貴高原東麓、副熱帶東亞大陸的季風(fēng)區(qū)內(nèi)，屬亞熱帶濕潤季風(fēng)氣候區(qū)。一方面，強降水是對貴州省危害最嚴重的災(zāi)害性天氣之一，暴雨帶來的災(zāi)害對貴州的工農(nóng)業(yè)生產(chǎn)及人民生命財產(chǎn)造成了嚴重的危害[2]，尤其是強降水多發(fā)的夏天，暴雨、大暴雨出現(xiàn)頻繁，是導(dǎo)致沖毀農(nóng)田、倒塌房屋，甚至引發(fā)泥石流、山體滑坡等災(zāi)害的主要誘發(fā)因素[3]。另一方面，近年來頻發(fā)的高溫干旱事件給社會經(jīng)濟和人民的生命財產(chǎn)造成巨大影響，干旱災(zāi)害的致災(zāi)因子主要取決于一個地區(qū)的降水、氣溫和蒸發(fā)等，其中降水是干旱的主要物質(zhì)基礎(chǔ)，強降水又是重要的水資源的補充，區(qū)域性強降水過程往往是解除農(nóng)業(yè)干旱的主要途徑之一[4]。因此，對降水的短期氣候預(yù)測顯得越來越重要，但提高氣候預(yù)測準確率一直是短期氣候預(yù)測工作的重點和難點。近年來，動力氣候預(yù)測模式已成為氣象工作者的重要工具，其中月動力延伸期預(yù)測產(chǎn)品(DERF)在氣候預(yù)測業(yè)務(wù)中得到廣泛應(yīng)用[5]，動力氣候模式對大尺度環(huán)流的特征模擬較好，但對空間尺度較小的降水、氣溫等地表氣候要素的預(yù)測技巧較低[6]，因而如何利用氣候模式輸出的具有較高預(yù)測技巧的大尺度模式信息用于中小尺度的降水預(yù)測顯得十分重要。

國家氣候中心業(yè)務(wù)化的月動力預(yù)測氣候模式(DERF)在短期氣候預(yù)測特別是月尺度氣候預(yù)測中發(fā)揮著重要作用，許多研究表明[7]，現(xiàn)在的大氣環(huán)流模式對大氣環(huán)流特征模擬較好，但對于氣溫、降水等局地氣候要素的模擬技巧很低，同時該模式水平分辨率較粗，導(dǎo)致區(qū)域尺度預(yù)測準確率偏低。因此，如何利用模式預(yù)測技巧較高的大尺度信息通過降尺度方法來預(yù)測降水、氣溫等區(qū)域尺度信息顯得很重要[8]。

隨著我國動力氣候模式預(yù)測系統(tǒng)的不斷完善，其月平均環(huán)流場已經(jīng)具備良好的預(yù)測能力，從而為利用動力氣候模式產(chǎn)品間接預(yù)測氣溫、降水的解釋應(yīng)用提供了必要條件。本文對國家氣候中心滾動下發(fā)的DERF2.0月動力延伸集合預(yù)測產(chǎn)品(預(yù)測時段為1～40 d)數(shù)據(jù)進行解報，選取貴陽站夏季降水量最多、暴雨頻率最高的6月極端降水日作為預(yù)測對象，將DERF2.0輸出的500 hPa位勢高度場作為預(yù)測因子，利用線性回歸和逐步回歸的統(tǒng)計方法建立預(yù)測模型，篩選出含有高信息量的預(yù)測因子，建立氣候場與各氣候因子場的聯(lián)系，進而將指定時刻DERF2.0輸出的500 hPa環(huán)流產(chǎn)品的顯著影響因子帶入預(yù)測模型，實現(xiàn)對貴陽站6月延伸期旬、月極端降水日數(shù)的預(yù)測，以期探索一種有效的、可行的業(yè)務(wù)預(yù)測途徑。

2　資料和方法

2.1資料

本文所用資料為氣象觀測站點資料和DERF2.0輸出的500 hPa高度場格點資料，包括：①1951—2013年貴陽站逐日降水量(20—20時)觀測資料；②格點資料空間分辨率1.0°×1.0°，范圍為90°S～90°N、0°～360°E，時間范圍為1983—2013年5月26日起報1～40 d。

旬月極端降水日數(shù)預(yù)測模型：1983—2013年站點數(shù)據(jù)和格點數(shù)據(jù)的氣候平均。

2.2方法

本文在建立統(tǒng)計降尺度預(yù)測模型過程中主要采用了下列方法：

①選取貴陽站為貴州區(qū)域代表站，確定代表站相對極端降水量日數(shù)閾值，統(tǒng)計該站逐旬、月極端降水量日數(shù)，作為預(yù)測對象y。

旬、月極端降水量日數(shù)閾值確定方法：根據(jù)WMO氣候委員會(CCI)/全球氣候研究計劃(WCRP)氣候變化與可預(yù)測性計劃(CLIVAR)氣候變化檢測、監(jiān)測和指標專家組(ETCCDMI)有關(guān)定義和計算方法，將極端降水日數(shù)定義為時段內(nèi)日降水量大于第90個百分位值的天數(shù)。每個站點逐月計算第90個百分位數(shù)，即對1983—2013年每個月內(nèi)超過1 mm的降水量從小到大進行排序，計算第90個百分位對應(yīng)值，作為極端降水量閥值。

②將y與同期全球(90°S～90°N、0°～360°E)DERF2.0模式輸出的500 hPa高度場格點資料進行回歸系數(shù)計算和顯著性檢驗，從中挑選出過α=0.05顯著性水平的格點作為逐步回歸待選因子(x1，x2，x3，…，xi)參加逐步回歸，通過設(shè)定顯著性水平可有效控制獲得所需參加逐步回歸的因子數(shù)量。

③建立預(yù)測模型(0.1信度檢驗)，得出預(yù)測對象y與預(yù)測因子x1，x2，x3，…，xi的多元預(yù)測方程：

(1)

式(1)中b0為常數(shù)，bi為回歸系數(shù)，xi為預(yù)測因子，對貴州省汛期時段延伸期旬、月(1～10 d、11～20 d、21～30 d、31～40 d和11～40 d)時段內(nèi)極端降水日數(shù)和DERF2.0集合預(yù)測產(chǎn)品間建立預(yù)測模型。

④對DERF2.0集合預(yù)測產(chǎn)品的預(yù)測結(jié)果進行獨立樣本檢驗。

3　貴陽站極端降水日數(shù)氣候特征

貴陽站1983—2013年氣候平均逐日降水量呈單峰型分布(圖1)，雨水集中期在4—10月，占全年總降水量的87%，其中盛夏6—8月占全年總降水量49%(6月占19%、7月占17%和8月占13%)。

圖1　貴陽站1983—2013年逐日降水量(單位：mm)Fig.1　 Daily precipitation during 1983—2013 at Guiyang station (unit: mm)

考慮到降水的區(qū)域性和季節(jié)性差異，極端降水日數(shù)采用相對指標來定義。圖2為貴陽站1951—2013年逐年5月26日起算未來1～10 d、11～20 d、21～30 d、30～40 d各時段內(nèi)的極端降水日數(shù)?？傮w上看，5月26日起算未來1～40 d的極端降水總?cè)諗?shù)平均為1.3 d，20世紀80年代中期至90年代中期是極端降水日數(shù)偏多的時段，其余時段呈現(xiàn)偏少特征，但21世紀10年代之后極端降水日數(shù)呈增加趨勢。

由上述分析可見貴州夏季降水量最多、暴雨頻率最高的降水出現(xiàn)在6月，本文以雨水最為充沛的6月作為預(yù)測對象，對5月26日起報未來1～40 d內(nèi)旬(1～10 d、11～20 d、21～30 d和31～40 d)、月(1～30 d和11～40 d)極端降水日數(shù)的預(yù)測模型的建立及其預(yù)報能力進行討論，有效地將DERF2.0業(yè)務(wù)產(chǎn)品中提供的具有較高預(yù)測技巧的大尺度預(yù)測信息(500 hPa高度場)統(tǒng)計降尺度到觀測站點。

圖2　貴陽站1951—2013年逐年5月26日起算未來1～40 d內(nèi)不同時段的極端降水日數(shù)Fig.2　Number of extreme precipitation days for future 1～40 days starting on May 26 during 1951—2013 at Guiyang station

4　貴陽站極端降水日數(shù)預(yù)測模型的建立

利用DERF2.0業(yè)務(wù)產(chǎn)品在1983—2003年5月26日起報未來1～10 d、11～20 d、21～30 d、31～40 d、1～30 d和11～40 d各時段的500 hPa高度場(90°S～90°N,0°～360°E)資料，與同期各時段內(nèi)貴陽站極端降水日數(shù)實況值做回歸分析，其回歸系數(shù)空間分布如圖3所示，圖中陰影區(qū)域為回歸系數(shù)通過0.05信度檢驗的區(qū)域。由圖可見，1～10 d、11～20 d、21～30 d及31～40 d的關(guān)鍵區(qū)位置均存在較大差異，說明在旬尺度下影響貴陽站各時段極端降水日數(shù)的副熱帶和中高緯度大氣環(huán)流具有不穩(wěn)定性，而1～30 d和11～40 d兩個時段內(nèi)的關(guān)鍵區(qū)位置則較為相似，即月尺度大氣環(huán)流信號相對穩(wěn)定。由上述分析可見，天氣系統(tǒng)在月內(nèi)具有階段性的調(diào)整和變動，旬尺度的大氣環(huán)流信號相比月尺度穩(wěn)定性較弱。

基于貴陽站5月26日起算未來1～10 d、11～20 d、21～30 d、30～40 d、1～30 d和11～40 d各時段內(nèi)的極端降水日數(shù)距平與同期關(guān)鍵區(qū)高度距平場(HGTa)建立預(yù)測模型，以1983—2003年為訓(xùn)練階段，利用逐步回歸方法篩選預(yù)測因子，對2004—2013年逐年的各時段內(nèi)的極端降水日數(shù)距平y(tǒng)進行獨立預(yù)測，考察各關(guān)鍵區(qū)HGTa(x1，x2，x3，…，xi)的貢獻率及預(yù)測模型的準確率式(1)，將2004—2013年逐年同期各時段內(nèi)關(guān)鍵區(qū)HGTa代入所建模型，得到極端降水日數(shù)距平預(yù)測值。圖4為2004—2013年5月26日起報未來各時段貴陽站極端降水日數(shù)距平的實況值與固定時段預(yù)測模型計算所得的預(yù)測值對比。由圖可見1～10 d、11～20 d、21～30 d、30～40 d、1～30 d和11～40 d各時段內(nèi)極端降水日數(shù)距平預(yù)測的同號率分別為4/10、3/10、9/10、5/10、9/10和8/10，其中21～30 d、1～30 d和11～40 d時段內(nèi)的預(yù)測與實況趨勢較為一致，表明固定時段建模對極端降水日數(shù)異常具有較好的預(yù)測能力。

為了檢驗預(yù)測因子的穩(wěn)定性，進一步討論500 hPa高度場異常年際信號對貴陽站極端降水日數(shù)異常的預(yù)測能力，對相應(yīng)時段的預(yù)測模型進行滑動建模(圖5)，即利用1983—2003年、1984—2004年……1992—2012年時段建立逐步回歸預(yù)測模型，分別對2004—2013年逐年的貴陽站極端降水日數(shù)距平進行預(yù)測，結(jié)果表明2004—2013年10 a間預(yù)測同號率分別為5/10、5/10、5/10、5/10、6/10和6/10，其預(yù)測值和實況值的一致性較固定時段建模有所降低，表明建模時段的選取對年際信號的提取具有一定的影響。

圖3　1983—2013年全球(90°S～90°N,0°～360°E)500 hPa高度場與貴陽站1～10 d、11～20 d、21～30 d、31～40 d、1～30 d和11～40 d各時段內(nèi)極端降水日數(shù)的回歸系數(shù)空間分布(陰影區(qū)：回歸系數(shù)通過α=0.05信度檢驗)Fig.3　The space distribution of regression coefficient between 500 hPa height(90°S～90°N,0°～360°E) and number of extreme precipitation days for 1～10 days, 11～20 days, 21～30 days, 31～40 days, 1～30 days and 11～40 days during 1983—2012 at Guiyang station (shaded: α=0.05)

圖4　2004—2013年貴陽站極端降水日數(shù)距平的實況值與預(yù)測值(固定時段預(yù)測模型)Fig.4　Prediction values and observation values of number of extreme precipitation days during 2004—2013 (Prediction model is built by regular time)

圖5　2004—2013年貴陽站極端降水日數(shù)距平的實況值與預(yù)測值(滑動時段預(yù)測模型)Fig.5　Prediction values and observation values of number of extreme precipitation days during 2004—2013 (Prediction model is built by moving time)

5　預(yù)測檢驗結(jié)果

對比分析固定時段(1983—2003年)建模和滑動時段(1983—2003年至1992—2012年)建模分別對逐年2004—2013年各時段內(nèi)極端降水日數(shù)的預(yù)測結(jié)果(表1)。從同號率來看，固定時段建模的預(yù)測結(jié)果與實況較為一致，尤其21～30 d、1～30 d和11～40 d時段(分別為9/10、9/10和8/10)；結(jié)合相關(guān)系數(shù)，固定時段建模的1～30 d時段內(nèi)的月尺度預(yù)測值與實況值的相關(guān)性一致、且較高(0.45)，通過0.05信度檢驗，11～40 d時段內(nèi)的月尺度預(yù)測值與實況值的相關(guān)性次之，其余旬內(nèi)的預(yù)測值與實況值的相關(guān)性較低或相反。注意到各時段的統(tǒng)計值中同號率越高，其相關(guān)系數(shù)并不一定為正、且越高，這與相關(guān)系數(shù)的算法有關(guān)，它與同號率一樣反映預(yù)測值與實況值之間的趨勢一致性，但同時它還反映二者間趨勢異常的振幅一致性，樣本數(shù)過少對相關(guān)系數(shù)能反映的真實性具有很大影響，因此，在樣本較少的預(yù)測檢驗業(yè)務(wù)中主要以同號率為參考依據(jù)。

表1　各時段內(nèi)極端降水日數(shù)距平的固定時段建模和滑動時段建模的預(yù)測檢驗統(tǒng)計

6　小結(jié)與討論

①總體上看，1951—2013年貴陽站5月26日起算未來1～40 d的極端降水總?cè)諗?shù)平均為1.3 d，其中20世紀80年代中期至90年代中期是極端降水日數(shù)偏多的時段，其余時段則呈偏少特征，在21世紀10年代之后極端降水日數(shù)呈增加趨勢。

②貴陽站5月26日起算未來1～10 d、11～20 d、21～30 d及31～40 d的關(guān)鍵區(qū)位置均存在較大差異，說明影響貴陽站各旬極端降水日數(shù)的副熱帶和中高緯度大氣環(huán)流具有不穩(wěn)定性，而1～30 d和11～40 d兩個時段內(nèi)的關(guān)鍵區(qū)位置則較為相似，天氣系統(tǒng)在月內(nèi)具有階段性的調(diào)整和變動，相比月尺度大氣環(huán)流信號的穩(wěn)定性較弱。

③對比貴陽站在固定時段建模和滑動時段建模分別對逐年2004—2013年各時段內(nèi)極端降水日數(shù)的預(yù)測結(jié)果，顯示固定時段建模的預(yù)測結(jié)果與實況較為一致，尤其是起報日未來1～30 d和11～40 d時段內(nèi)的月尺度預(yù)測值與實況值的相關(guān)系數(shù)較穩(wěn)定，其余旬內(nèi)的預(yù)測值與實況值的穩(wěn)定性較弱。

本文研究利用DERF2.0模式輸出的業(yè)務(wù)產(chǎn)品(500 hPa位勢高度場)進行旬、月內(nèi)的極端降水日數(shù)統(tǒng)計降尺度應(yīng)用，對旬內(nèi)預(yù)測效果穩(wěn)定性較弱，而對月內(nèi)預(yù)測效果較穩(wěn)定?？紤]到DERF2.0用于統(tǒng)計降尺度中建模及獨立預(yù)測樣本都比較少，需有待選取更多的樣本進行檢驗，同時考慮到解釋應(yīng)用技巧本質(zhì)上依賴于模式預(yù)測能力和解釋應(yīng)用方法，因而需要更多的模式產(chǎn)品樣本來進一步研究，以期來提高氣候預(yù)測的準確性。

[1] 劉綠柳, 孫林海, 廖要明, 等. 基于月動力模式的降水和極端強降水日數(shù)統(tǒng)計降尺度預(yù)測方案比較. 中國氣象局國家氣候中心暨氣候研究開放實驗室2009年度學(xué)術(shù)年會論文集, 2010:40-43.

[2] 張艷梅, 江志紅, 王冀, 等. 貴州夏季暴雨的氣候特征[J]. 氣候變化研究進展, 2008, 4(3): 182-186.

[3] 白慧, 陳貞紅, 李長波, 等. 貴州省主汛期暴雨的氣候特征分析[J]. 貴州氣象, 2012,36(3): 1-6.

[4] 彭貴芬, 劉瑜, 張一平. 云南干旱的氣候特征及變化趨勢研究[J]. 災(zāi)害學(xué), 2009, 24(4): 40-44

[5] 池俊成,史印山.EOF迭代模型的月動力延伸預(yù)報產(chǎn)品釋用技術(shù)[J]. 應(yīng)用氣象學(xué)報, 2009, 20(1): 124-128.

[6] 張培群, 李清泉, 王蘭寧, 等. 我國動力氣候模式預(yù)測系統(tǒng)的研制及應(yīng)用[J]. 科技導(dǎo)報, 2004, (7): 17-21.

[7] 李維京, 張培群, 李清泉, 等. 動力氣候模式預(yù)測系統(tǒng)業(yè)務(wù)化及其應(yīng)用[J]. 應(yīng)用氣象學(xué)報, 2005, 16(增刊): 1-11.

[8] F. Frey-Buness, D. Heimann, R. Sausen. A statistical-dynamical downscaling procedure for global climate simulations[J]. Theoretical and Applied Climatology, 1995, 50: 171-131.

Prediction of Number of Extreme Precipitation Days Every Ten Days and Month for a Single Station Based on the Monthly Dynamical Climate Model

BAI Hui1,2,DUAN Ying2，WANG Xingju3，CHEN Zhenhong3

(1.Guizhou Climate Center, Guiyang 550002, China; 2.Guizhou Key Laboratory of Mountainous Climate and Resource，Guiyang 550002, China; 3.Anshun Meteorological Bureau, Anshun 561000, China)

The climate features of number of extreme precipitation days were analyzed by making use of daily precipitation data during 1951—2013 at Guiyang station, and in combination with 500 hPa height monthly dynamical climate model productions(DERF2.0), the prediction model was built and tested. The prediction model forecasts the 1～40 days starting on May 26 by means of linear regression method and stepwise regression method. The results show that the period of number of extreme precipitation days is more during the mid-80’s to the mid-90’s of the 20th century, the other period is less, and the trend is increasing from the late 10’s of 21th century. Weather systems have the different stages of adjustments and changes in a month, whose circulation signals are weaker than monthly scale. The contrast of prediction models at regular time and moving time, finding the prediction results at regular time are the same to observation, especially the monthly scale is more stable.

DERF2.0; number of extreme precipitation days; prediction model

1003-6598(2016)01-0001-06

2015-08-05

白慧(1984—), 女, 工程師, 主要從事氣候診斷和短期氣候預(yù)測相關(guān)工作, E-mail: baihui926@aliyun.com。

貴州省氣象局青年基金項目(黔氣科合QN[2014]05號); 貴州省氣象局氣象科技開放研究基金(黔氣科合KF[2016]06號)。

P457

A