周凌峰，孟耀斌**，逯 超，伍甘霖，張東妮，宋昊政，吳 丹

?

天氣發(fā)生器MulGETS和k-NN對(duì)區(qū)域歷史氣象場特征重現(xiàn)能力的比較*

周凌峰1，孟耀斌1**，逯 超1，伍甘霖1，張東妮1，宋昊政1，吳 丹2

（1．北京師范大學(xué)環(huán)境演變與自然災(zāi)害教育部重點(diǎn)實(shí)驗(yàn)室/北京師范大學(xué)應(yīng)急管理部/教育部減災(zāi)與應(yīng)急管理研究院/北京師范大學(xué)地理科學(xué)學(xué)部，北京 100875；2．湖南瀏陽市水文水資源局，瀏陽 410300）

傳統(tǒng)單站點(diǎn)天氣發(fā)生器未考慮不同站點(diǎn)氣象變量間的空間相關(guān)性，導(dǎo)致其在區(qū)域影響評(píng)價(jià)中的應(yīng)用受到限制，而多站點(diǎn)天氣發(fā)生器可以克服單站點(diǎn)天氣發(fā)生器的缺點(diǎn)，近年來得到迅速發(fā)展。評(píng)估和驗(yàn)證多站點(diǎn)天氣發(fā)生器對(duì)區(qū)域歷史氣象場特征的重現(xiàn)能力是開展影響評(píng)價(jià)的前提和基礎(chǔ)。為此，本研究選取MulGETS（參數(shù)型）和k-NN（非參數(shù)型）發(fā)生器為代表模型，利用湘江流域12個(gè)氣象站點(diǎn)1981?2010年日序列降水量、最高氣溫、最低氣溫資料，通過均值、標(biāo)準(zhǔn)差、偏度、極值、空間相關(guān)系數(shù)、空間連接度和自相關(guān)系數(shù)等指標(biāo)的對(duì)比，評(píng)估了MulGETS和k-NN模型的優(yōu)缺點(diǎn)及適用性。結(jié)果表明：MulGETS和k-NN模型均較好地再現(xiàn)了原氣象場的均值、標(biāo)準(zhǔn)差和偏度，k-NN表現(xiàn)稍好于MulGETS。同時(shí)k-NN相比MulGETS在保持氣象要素空間相關(guān)性上具有優(yōu)勢，特別是降水量的空間間歇性。由于算法本身的限制，k-NN無法模擬出超出歷史數(shù)據(jù)范圍的極值，而MulGETS具備一定的極值模擬能力。此外，MulGETS和k-NN在重現(xiàn)原始日尺度降水量的自相關(guān)性上均存在不足。總體來看，兩個(gè)模型各具優(yōu)勢和不足，MulGETS更適于極端氣象事件模擬，而k-NN可以更好地體現(xiàn)原始?xì)庀髨龅目臻g差異，實(shí)際使用時(shí)應(yīng)根據(jù)不同的研究目的選擇合適的模型。

多站點(diǎn)；天氣發(fā)生器；模型比較；湘江流域

天氣發(fā)生器（Weather Generators），又稱隨機(jī)天氣發(fā)生器（Stochastic Weather Generators），可用于研究某個(gè)地區(qū)天氣或氣候的一般特征，并根據(jù)這些統(tǒng)計(jì)特征隨機(jī)模擬該地區(qū)可能天氣序列。天氣發(fā)生器可用于隨機(jī)生成降水、最高氣溫、最低氣溫和輻射等多種氣象要素，已廣泛應(yīng)用于水文循環(huán)、土壤侵蝕和作物生長等過程對(duì)氣候或氣象情景的響應(yīng)評(píng)價(jià)[1]。

天氣發(fā)生器研究歷史悠久，幾十年來得到持續(xù)不斷的發(fā)展。以往使用比較廣泛的模型主要有WGEN[2]、LARS-WG[3]和CLIGEN[4]等，在國內(nèi)也得到了廣泛應(yīng)用[5?7]。但是，這些模型都屬于單站點(diǎn)模型，未考慮氣象要素的空間相關(guān)性，很難運(yùn)用在區(qū)域影響評(píng)價(jià)中。將天氣發(fā)生器從單站點(diǎn)擴(kuò)展到多站點(diǎn)是近年研究熱點(diǎn)和難點(diǎn)[8?9]，Chen等[10]利用Wilks[11]提出的空間相關(guān)時(shí)間獨(dú)立隨機(jī)數(shù)方法保持降水量的空間相關(guān)性，開發(fā)了多站點(diǎn)天氣發(fā)生器MulGETS，擴(kuò)展了傳統(tǒng)的WGEN型天氣發(fā)生器的應(yīng)用范圍。Lall等[12?13]提出k近鄰（k-nearest neighbors，k-NN）重采樣方法，根據(jù)當(dāng)前天氣狀況與歷史數(shù)據(jù)的相似性，從歷史相似數(shù)據(jù)中進(jìn)行抽樣，實(shí)現(xiàn)了多站點(diǎn)隨機(jī)模擬，并保持了氣象要素的空間相關(guān)性。MulGETS和k-NN模型同屬于多站點(diǎn)天氣發(fā)生器，但建模原理差別較大，可分類為參數(shù)型方法和非參數(shù)型方法。MulGETS屬于傳統(tǒng)的參數(shù)型天氣發(fā)生器，降水是否發(fā)生由一階或二階馬爾可夫鏈模型來模擬，而降水量需要由假設(shè)的某種概率分布生成。k-NN屬于非參數(shù)型天氣發(fā)生器，不需假設(shè)分布，根據(jù)歷史數(shù)據(jù)與當(dāng)前數(shù)據(jù)的相似性從歷史數(shù)據(jù)中重抽樣，以刻畫變量間的非線性特征見長。

目前國內(nèi)的天氣發(fā)生器研究主要集中在單站點(diǎn)天氣發(fā)生器[5?7]，多站點(diǎn)天氣發(fā)生器的應(yīng)用、效能評(píng)估和模型比較仍是空白，因此有必要對(duì)不同多站點(diǎn)天氣發(fā)生器的特點(diǎn)、優(yōu)勢和劣勢進(jìn)行比較，并對(duì)其在中國的適用性進(jìn)行驗(yàn)證?；诖?，本研究以湖南湘江流域?yàn)檠芯繀^(qū)，以均值、標(biāo)準(zhǔn)差、偏度、極值、空間相關(guān)系數(shù)、空間連接度和自相關(guān)系數(shù)為指標(biāo)，對(duì)比兩類天氣發(fā)生器MulGETS模型（參數(shù)型）與k-NN模型（非參數(shù)型）的模擬結(jié)果，評(píng)估兩個(gè)模型的優(yōu)缺點(diǎn)及適用性，以期為合理使用現(xiàn)有多站點(diǎn)模型提供參考。

1 資料與方法

1.1 研究區(qū)域和數(shù)據(jù)

湘江是長江的重要支流，同時(shí)也是匯入洞庭湖流域的最大河流。湘江流域位于中國中南部，流域面積約9.46萬km2（圖1）。屬亞熱帶季風(fēng)性氣候，雨量充沛，年平均降水量1200～1700mm，雨季在4?6月，夏季炎熱潮濕，冬季溫暖濕潤，多年平均氣溫在16～18℃。從中國國家氣象局（http://data.cma. cn/）收集、整理湘江流域1981?2010年共30a的逐日降水量、最高氣溫和最低氣溫資料，包括馬坡嶺、株洲、雙峰、南岳、衡陽、攸縣、永州、常寧、道縣、嘉禾、郴州和桂東共12個(gè)站點(diǎn)（表1）。各站30a數(shù)據(jù)累積缺測時(shí)間最多不超過11d，少數(shù)缺測1～2a的站點(diǎn)數(shù)據(jù)由附近站點(diǎn)的平均值補(bǔ)充。

圖1 研究區(qū)域（湖南湘江流域）12個(gè)氣象站點(diǎn)的分布

表1 研究區(qū)各氣象站點(diǎn)基本信息

Table 1 Basic information of the meteorological stations in study area

1.2 模型原理介紹

1.2.1 MulGETS模型

多站點(diǎn)多變量天氣發(fā)生器MulGETS模型首先模擬降水量，采用一階二狀態(tài)馬爾科夫鏈確定某一天是干日還是濕日，假設(shè)某日是否降水僅取決于前一天的狀態(tài)。如果為濕日，則還要進(jìn)行日降水量模擬。與單站點(diǎn)參數(shù)型降水量模擬方法不同的是，MulGETS采用了Wilks[11]提出的時(shí)間獨(dú)立空間相關(guān)的隨機(jī)數(shù)構(gòu)造方法，該方法可以較好地保持不同站點(diǎn)降水量的空間相關(guān)性。同時(shí)，MulGETS還將降水發(fā)生指數(shù)KS與Gamma分布的均值m和標(biāo)準(zhǔn)差s建立關(guān)系。其中，某天第S站的降水量發(fā)生指標(biāo)KS定義為

式中，O為S站點(diǎn)的周邊11個(gè)站點(diǎn)某天是否發(fā)生降水的行向量，如[1，0，1，1，1，0，1，1，0，0，0]，1代表有降水，0代表無降水。U為全1行向量，即[1，1，1，1，1，1，1，1，1，1，1，1]，CT為S站點(diǎn)實(shí)測的0?1序列（是否降水）與周邊11個(gè)站點(diǎn)對(duì)應(yīng)序列的相關(guān)系數(shù)列向量，如本研究中馬嶺坡站與周邊站點(diǎn)的相關(guān)系數(shù)為[0.78，0.71，0.64，0.63，0.62，0.62，0.56，0.57，0.46，0.42，0.45，0.41]T。

可以看到，計(jì)算得到的KS數(shù)值在[0，1]之間，且包含了周邊站點(diǎn)是否降水的信息。MulGETS按照KS的數(shù)值大小分成不同的區(qū)間，每個(gè)區(qū)間內(nèi)的降水量都服從Gamma分布，即整體服從多元Gamma分布。為了保證每個(gè)區(qū)間有足夠的數(shù)據(jù)參與擬合，MulGETS假設(shè)季節(jié)內(nèi)KS與Gamma分布均值m和標(biāo)準(zhǔn)差s的關(guān)系保持不變，所以最終可以得到不同站點(diǎn)不同季節(jié)的KS與m和s的關(guān)系。根據(jù)模擬的降水量發(fā)生指數(shù)KS來生成降水量可以一定程度上解決降水量的空間間歇性問題。

最高/最低氣溫采用傳統(tǒng)的多變量一階自回歸模型模擬，為了考慮氣溫的空間相關(guān)性，同樣采用上述時(shí)間獨(dú)立空間相關(guān)隨機(jī)數(shù)方法，具體方法見文獻(xiàn)[10]。

1.2.2 k-NN模型

Lall等[12]最早引入k-NN方法并將其運(yùn)用在月徑流時(shí)間序列的隨機(jī)模擬中，Rajagopalan等[13]隨后利用k-NN方法模擬包含降水量、氣溫和輻射等的多變量時(shí)間序列，Buishand等[14?15]又將其擴(kuò)充為多站點(diǎn)模擬方法。多站點(diǎn)多變量天氣發(fā)生器k-NN模型的具體算法分為以下步驟：

（2）從歷史數(shù)據(jù)N年的1月1日中隨機(jī)選擇1日作為模擬第1天的天氣值。

（3）選擇窗口期為w天，則可以確定共L天的相鄰天，其中

假設(shè)當(dāng)前模擬到第t天，以t =1為例，即1月1日。w設(shè)為14d，所以30a中每年的12月25日至第二年的1月8日共449d（不包括當(dāng)天）為相鄰天。

（4）計(jì)算當(dāng)天天氣與備選L天的天氣狀態(tài)的相似程度，以馬氏距離（Mahalanobis distances）di為指標(biāo)，St為協(xié)方差矩陣。

（6）建立累計(jì)概率密度函數(shù)cpj，用于從k個(gè)最近相鄰天中抽樣，距離di越近越容易被選中。

（7）產(chǎn)出0～1均勻分布隨機(jī)數(shù)，從備選的k天潛在最近相鄰天中隨機(jī)抽一天作為當(dāng)前天的最近相鄰天，將該最近相鄰天的后一天作為第t+1天的模擬天氣值。

（8）重復(fù)步驟4?步驟7，直至達(dá)到模擬天數(shù)要求。

1.3 模擬效果評(píng)估

基于12個(gè)站點(diǎn)1981?2010年3個(gè)變量（降水量、最高氣溫和最低氣溫）組成的歷史氣象場，運(yùn)行MulGETS和k-NN模型各生成20個(gè)30a的模擬氣象場，針對(duì)每個(gè)情景分別計(jì)算各氣象要素的均值、標(biāo)準(zhǔn)差、偏度、極值、自相關(guān)系數(shù)、空間相關(guān)系數(shù)和空間連接度指標(biāo)，并與歷史氣象場對(duì)應(yīng)指標(biāo)進(jìn)行比較，評(píng)估兩個(gè)模型重現(xiàn)歷史氣象場統(tǒng)計(jì)特征的能力?；窘y(tǒng)計(jì)量（均值、標(biāo)準(zhǔn)差和偏度）和極值分別考察模型重現(xiàn)氣象場平均態(tài)和極端狀態(tài)的能力?？臻g相關(guān)系數(shù)和空間連接度用于評(píng)估模型重現(xiàn)氣象場空間結(jié)構(gòu)特征能力。氣象場時(shí)間結(jié)構(gòu)特征則由自相關(guān)性系數(shù)來表征。

由于MulGETS對(duì)降水的模擬是在季節(jié)尺度上建立的，為了達(dá)到綜合和公平評(píng)價(jià)的目標(biāo)，按4個(gè)季節(jié)分別統(tǒng)計(jì)日均值、日標(biāo)準(zhǔn)差和日偏度，并采用平均相對(duì)誤差絕對(duì)值（mean absolute relative error，MARE）作為指標(biāo)，MARE定義為

式中，Oi,j代表第i站（共12站）第j個(gè)季節(jié)（共4季）的觀測數(shù)據(jù)的統(tǒng)計(jì)指標(biāo)（均值、標(biāo)準(zhǔn)差和偏度），Si,j,k代表對(duì)應(yīng)的第i站（共12站）第j個(gè)季節(jié)（共4季）第k次（共20次）的模擬數(shù)據(jù)的統(tǒng)計(jì)指標(biāo)（均值、標(biāo)準(zhǔn)差和偏度）。

氣象變量的空間相關(guān)系數(shù)（Spatial correlation，簡稱SC）指某氣象變量兩兩站點(diǎn)間的線性相關(guān)系數(shù)，可表示為

式中，x表示某氣象變量（降水量、最低最高氣溫），i和j代表不同的站點(diǎn)。

由于降水在空間和時(shí)間上存在高度的不連續(xù)性[11]，是各氣象變量模擬中最難也是最重要的部分。為了衡量天氣發(fā)生器對(duì)降水場空間間歇性的模擬好壞，Wilks[11]定義了空間連接度指標(biāo)（Continuity Ratio，簡稱CR）。

式中，x指降水量，i和j代表不同站點(diǎn)?？臻g連接度指標(biāo)是一個(gè)比值，式（8）中分子表示j站點(diǎn)不下雨且i站點(diǎn)下雨時(shí)i站點(diǎn)雨量的均值，分母為j站點(diǎn)和i站點(diǎn)均下雨時(shí)i站點(diǎn)雨量的均值，比值大表示站點(diǎn)間是/否降水的相關(guān)性小，比值小表示站點(diǎn)間是/否降水具有一致性。

自相關(guān)性是降水時(shí)間序列的基本屬性，但在以往天氣發(fā)生器評(píng)價(jià)研究中考察較少。為了衡量天氣發(fā)生器對(duì)降水序列時(shí)間結(jié)構(gòu)特征的重現(xiàn)能力，定義降水量序列的樣本自相關(guān)系數(shù)（Autocorrelation，簡稱AC）為

式中，xt表示某氣象變量的時(shí)間序列，xt?l表示該氣象變量滯后l個(gè)步長的時(shí)間序列，l表示延遲的步長數(shù)。

2 結(jié)果與分析

2.1 兩模型對(duì)歷史氣象場平均態(tài)重現(xiàn)能力的評(píng)估

圖2和圖3展現(xiàn)了MulGETS模型和k-NN模型對(duì)各站點(diǎn)日降水量、最高和最低氣溫均值、標(biāo)準(zhǔn)差和偏度的模擬值與實(shí)測值的對(duì)比，其中最高/最低氣溫的偏度很小所以不作對(duì)比?？傮w來看（表2），k-NN相比于MulGETS能較好地再現(xiàn)日值降水量的統(tǒng)計(jì)特征。k-NN最大偏差出現(xiàn)在降水的偏度上（MARE=8.4%），MulGETS對(duì)應(yīng)的降水偏度MARE為12.6%且一定程度上低估了降水偏度較大的站點(diǎn)（圖2c）。從模擬的氣象變量來看，氣溫場的MARE在0.6%～13.3%，而降水量場的MARE在4.9%～12.6%，可見兩個(gè)模型對(duì)氣溫場的模擬效果均好于降水量場。

圖2 MulGETS和k-NN對(duì)日降水量均值、標(biāo)準(zhǔn)差和偏度的模擬值與實(shí)測值的對(duì)比

圖3 MulGETS和k-NN對(duì)日最高/最低氣溫均值和標(biāo)準(zhǔn)差的模擬值與實(shí)測值的對(duì)比

表2 MulGETS和k-NN模型對(duì)氣象變量均值、標(biāo)準(zhǔn)差和偏度的平均相對(duì)誤差絕對(duì)值（MARE）（%）

Table 2 The MARE value of observed and model (MulGETS and k-NN) simulated mean, standard deviation(Std) and skewness of precipitation, maximum and minimum temperature(%)

2.2 兩模型對(duì)歷史氣象場極端狀態(tài)重現(xiàn)能力的評(píng)估

極端天氣狀態(tài)模擬是考核天氣發(fā)生器的重要指標(biāo)。兩模型對(duì)各站點(diǎn)30a降水量、最高氣溫和最低氣溫的極值模擬與實(shí)測對(duì)比表明（表3），k-NN模型整體低估了各氣象要素的極值，這是k-NN模型重采樣方法本身的問題。若不討論模擬極值范圍的合理性，MulGETS模型具備一定的極值模擬能力。對(duì)于溫度，各站點(diǎn)MulGETS模擬得到的結(jié)果均超過歷史觀測數(shù)據(jù)范圍。但對(duì)于降水量，MulGETS模擬的各站點(diǎn)極端降水量可以超過低值站點(diǎn)（如S2、S8），無法超過高值站點(diǎn)（S1、S4），總體上有平均化的趨勢。

表3 MulGETS和k-NN模型對(duì)氣溫和降水量極值的模擬值與實(shí)測值的對(duì)比

Table 3 Comparison of observed value and simulated value by MulGETS and k-NN of maximum precipitation(Pcp), maximum and minimum temperature

注：O代表觀測值，M代表MulGETS模擬值，K代表k-NN模擬值，S1?S12為站點(diǎn)。

Note: O is the observation value, M and K refer to the simulation value of MulGETS and k-NN model, respectively. S1?S12 are stations.

2.3 兩模型對(duì)歷史氣象場空間結(jié)構(gòu)特征重現(xiàn)能力的評(píng)估

2.3.1 氣象要素的空間相關(guān)性

空間相關(guān)性是評(píng)價(jià)多站點(diǎn)天氣發(fā)生器的主要指標(biāo)，氣象要素不同站點(diǎn)相關(guān)性模擬結(jié)果的好壞直接決定了后續(xù)影響評(píng)價(jià)模型的可信度。從MulGETS模型和k-NN模型空間相關(guān)系數(shù)的模擬值與實(shí)測值的對(duì)比可以看到（圖4），雖然站點(diǎn)間降水量的空間相關(guān)性系數(shù)差異很大，從0.21到0.74不等，但MulGETS和k-NN的模擬結(jié)果均較好地保持了原始降水量觀測場的空間相關(guān)性系數(shù)。同樣地，兩個(gè)模型對(duì)于溫度場的空間相關(guān)性也模擬較好，但k-NN要優(yōu)于MulGETS。

2.3.2 降水量的空間間歇性

降水量與溫度相比具有較強(qiáng)的空間間歇性，保持原始降水量場的空間間歇性是多站點(diǎn)降水量模擬的重要需求。從降水量場空間連接度指標(biāo)CR的模擬與實(shí)測可見（圖5）。CR模擬值與實(shí)測值的相關(guān)系數(shù)由MulGETS的0.27顯著提高到了k-NN的0.97，可以看出，k-NN相比于MulGETS更好地把握住了降水量場的空間間歇性。盡管在空間相關(guān)性系數(shù)指標(biāo)上表現(xiàn)較好，但MulGETS模擬的空間連接度指標(biāo)在低值區(qū)有所高估，在高值區(qū)又有所低估，總體上有平均化空間間歇性的趨勢?？赡茉蚴窃跀M合降水發(fā)生指數(shù)KS與均值m和標(biāo)準(zhǔn)差s的關(guān)系式時(shí)，仍存在一定的誤差。圖6以南岳站為例，其夏季的標(biāo)準(zhǔn)差和秋季均值仍存在一些偏離較大的散點(diǎn)，這些偏差會(huì)導(dǎo)致模擬降水量場的空間連接度指標(biāo)偏離實(shí)測值。

圖4 MulGETS和k-NN模型對(duì)氣象要素的空間相關(guān)性系數(shù)模擬值與實(shí)測值的對(duì)比

圖5 MulGETS和k-NN模型對(duì)日降水量的空間連接度指標(biāo)模擬值與實(shí)測值的對(duì)比

2.4 兩模型對(duì)歷史氣象場時(shí)間結(jié)構(gòu)特征重現(xiàn)能力的評(píng)估

自相關(guān)性是降水時(shí)間序列的基本屬性，但在以往天氣發(fā)生器評(píng)價(jià)研究中考察較少。為了衡量天氣發(fā)生器對(duì)降水場時(shí)間結(jié)構(gòu)特征的重現(xiàn)能力，以永州站（S8）第10次（共20次）降水量模擬為例，評(píng)估MulGETS模型和k-NN模型重現(xiàn)不同尺度（日、月、季）降水量自相關(guān)性的能力。如圖7所示，在0.05的顯著性水平下，觀測的日尺度、月尺度和季尺度降水量，均存在不同的落后時(shí)間自相關(guān)系數(shù)超出的臨界值情況，日值的最大自相關(guān)系數(shù)（AC）為0.20，出現(xiàn)在滯后1d時(shí)（圖7a）；月值的最大自相關(guān)系數(shù)（AC）為0.33，出現(xiàn)在滯后60個(gè)月（5a）時(shí)（圖7d）。季值的最大自相關(guān)系數(shù)（AC）為0.47，出現(xiàn)在滯后20季（5a）時(shí)（圖7g），由此可見，永州站降水量序列存在一個(gè)顯著的5a周期。以永州站自相關(guān)系數(shù)模擬結(jié)果為例，MulGETS在日、月和季尺度的模擬值與實(shí)測值的相關(guān)系數(shù)分別為0.30、0.82和0.88，k-NN在日、月和季尺度分別為0.34、0.81和0.83?？傮w來看，MulGETS和k-NN在月尺度和季尺度的模擬效果較好，在日尺度自相關(guān)模擬上還有不足，特別是低估了降水量在滯后1d時(shí)的最強(qiáng)自相關(guān)性。此外，從圖7b和圖7c可以發(fā)現(xiàn)，觀測中部分顯著的自相關(guān)系數(shù)被低估，在MulGETS和k-NN模擬中都接近于0。

圖6 MulGETS模型在南岳站對(duì)四季降水發(fā)生指數(shù)與降水量均值（1）和標(biāo)準(zhǔn)差（2）的擬合

圖7 MulGETS和k-NN對(duì)永州站日尺度（a）、月尺度（b）和季尺度（c）降水量自相關(guān)系數(shù)的模擬值與實(shí)測值的對(duì)比

3 結(jié)論與討論

MulGETS和k-NN兩個(gè)模型對(duì)氣溫場的模擬效果均好于降水量場，降水量場隨機(jī)模擬仍然是現(xiàn)有天氣發(fā)生器需要克服的難點(diǎn)。MulGETS和k-NN模型均較好地再現(xiàn)了原氣象場的均值、標(biāo)準(zhǔn)差和偏度，且k-NN表現(xiàn)稍好于MulGETS。MulGETS在重現(xiàn)降水量的空間間歇性方面存在不足，但具備一定的極值模擬的能力。k-NN在保持氣象要素空間相關(guān)性上也具有優(yōu)勢，特別是降水量場的空間間歇性。但由于k-NN重采樣算法上的限制，k-NN無法模擬出歷史數(shù)據(jù)范圍外的極值。此外，MulGETS和k-NN模型在重現(xiàn)原始?xì)庀髨鲎韵嚓P(guān)性上均存在不足，特別是日尺度降水量，今后應(yīng)加強(qiáng)這方面研究。

MulGETS和k-NN模型不同的算法決定了模擬得到的氣象序列的不同統(tǒng)計(jì)特性，兩個(gè)模型各有優(yōu)勢和不足，MulGETS更適合用于極端氣象事件模擬，而K-NN可以更好地體現(xiàn)原始?xì)庀髨龅目臻g差異，應(yīng)根據(jù)不同的研究目的選擇合適的模型。

[1] Wilks D S,Wilby R L.The weather generation game:a review of stochastic weather models[J].Progress in Physical Geography, 1999,23(3):329-357.

[2] Richardson C W.Stochastic simulation of daily precipitation, temperature,and solar radiation[J].Water Resources Research, 1981,17(1):182-190.

[3] Semenov M,Brooks R,Barrow E,et al.Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates[J].Climate Research,1998,10(2):95-107.

[4] Nicks A D,Lane L J,Gander G A.In USDA-water erosion prediction project:hillslope profile and watershed model documentation[R].USDA-ARS National Soil Erosion Research Laboratory,West Lafayette,USA,1995:2.1-2.22.

[5] 王幼奇,樊軍,邵明安.LARS-WG天氣發(fā)生器在黃土高原的適應(yīng)性研究[J].中國水土保持科學(xué),2007,5(3):24-27.

Wang Y Q,Fan J,Shao M A.Adaptability of climate generator of LARS-WG on the Loess Plateau[J].Science of Soil & Water Conservation,2007,5(3):24-27.(in Chinese)

[6] 李明財(cái),郭軍.CLIGEN在華北地區(qū)生成降水的效能評(píng)估[J].中國農(nóng)業(yè)氣象,2010,31(2):183-187.

Li M C,Guo J.Efficiency evaluation of precipitation generated by CLIGEN in North China[J].Chinese Journal of Agrometeorology, 2010,31(2):183-187.(in Chinese)

[7] 廖要明,劉綠柳,陳德亮,等.中國天氣發(fā)生器模擬非降水變量的效果評(píng)估[J].氣象學(xué)報(bào),2011,69(2):310-319.

Liao Y M,Liu L L,Chen D L,et al.An evaluation of the BCC/RCG-WG’s performance in simulating daily non- precipitation variables in China[J].Acta Meteorologica Sinica, 2011,69(2):310-319.(in Chinese)

[8] Vallam P,Qin X S.Multi-site rainfall simulation at tropical regions:a comparison of three types of generators[J]. Meteorological Applications,2016,23(3):425-437.

[9] Steinschneider S,Brown C.A semiparametric multivariate, multisite weather generator with low-frequency variability for use in climate risk assessments[J].Water Resources Research, 2013,49(11):7205-7220.

[10] Chen J,Brissette F P,Zhang X J.A multi-site stochastic weather generator for daily precipitation and temperature[J]. Transactions of the ASABE,2014,57(5):1375-1391.

[11] Wilks D S.Multisite generalization of a daily stochastic precipitation generation model[J].Journal of Hydrology,1998, 210(1):178-191.

[12] Lall U,Sharma A.A nearest neighbor bootstrap for resampling hydrologic time series[J].Water Resources Research,1996, 32(3):679-693.

[13] Rajagopalan B,Lall U,Tarboton D G,et al.Multivariate nonparametric resampling scheme for generation of daily weather variables[J].Stochastic Hydrology and Hydraulics, 1997,11(1):65-93.

[14] Buishand T A,Brandsma T.Multisite simulation of daily precipitation and temperature in the Rhine basin by neares-neighbor resampling[J].Water Resources Research, 2001,37(11):2761-2776.

[15] Yates D,Gangopadhyay S,Rajagopalan B,et al.A technique for generating regional climate scenarios using a nearest- neighbor algorithm[J].Water Resources Research,2003,39(7): 1199-1213.

Reproducibility Evaluation of Multi-Site Stochastic Weather Generators: a Comparison between a Typical Parametric Model and a Non-Parametric Model

ZHOU Ling-feng1, MENG Yao-bin1, LU Chao1, WU Gan-lin1, ZHANG Dong-ni1, SONG Hao-zheng1, WU Dan2

(1. Key Laboratory of Environmental Change and Natural Disaster of Ministry of Education/Academy of Disaster Reduction and Emergency Management/Ministry of Emergency Management & Ministry of Education/Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China; 2. Hunan Liuyang Hydrology and Water Resources Bureau, Liuyang 410300)

Many impact models (e.g., hydrological and agricultural models) require simulations of weather variables reflecting the spatial and temporal dependence of observed meteorological fields. New techniques are recently available to generate weather variables simultaneously at multiple locations. This paper presents a comparison of two types of multi-site stochastic weather generators (MulGETS model and k-NN model) for simulation of precipitation and temperature at a network of 12 stations in Xiang River Basin, China. These two models were evaluated for their ability to reproduce the statistical features of the historical meteorological field. The results showed that both MulGETS and k-NN model were successful in reproducing the mean, standard deviation, and skewness of the weather variables, while the performance of k-NN was generally superior to that of MulGETS. The k-NN model was found to perform satisfactorily in preserving the spatial structure of the weather variable, especially the spatial intermittence. Only MulGETS model could generate extreme values out of the historical range. New technology is needed because both MulGETS and k-NN model have the limitation in representing temporal dependence of weather sequence, especially the autocorrelation of daily precipitation.

Multi-site；Weather generator；Model comparison；Xiang River Basin

10.3969/j.issn.1000-6362.2019.06.001

收稿日期：2018?12?11

通訊作者。E-mail：yaobin-meng@bnu.edu.cn

北京師范大學(xué)地表過程與資源生態(tài)國家重點(diǎn)實(shí)驗(yàn)室方向性項(xiàng)目（2017-FX-07）

周凌峰（1992?），博士生，主要從事氣象水文學(xué)研究。E-mail：zhoulf@mail.bnu.edu.cn

周凌峰,孟耀斌,逯超,等.天氣發(fā)生器MulGETS和k-NN對(duì)區(qū)域歷史氣象場特征重現(xiàn)能力的比較[J].中國農(nóng)業(yè)氣象,2019,40(6):341-349