亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        多氣候模式的全國月降水預(yù)測能力評價及偏差校正

        2023-07-04 00:37:26林廣洪朱碧瑩邱元霖劉建華
        中國農(nóng)村水利水電 2023年6期
        關(guān)鍵詞:柵格校正氣候

        林廣洪,朱碧瑩,陳 杰,邱元霖,劉建華,陳 華

        (1. 天生橋一級水電開發(fā)有限責(zé)任公司水力發(fā)電廠,貴州 興義 562400;2. 水資源工程與調(diào)度全國重點實驗室(武漢大學(xué)),湖北 武漢 430072)

        0 前 言

        短期氣候預(yù)測(曾命名為長期天氣預(yù)報)主要是指預(yù)見期超過一個月、但不超過一年的氣候預(yù)測[1]。傳統(tǒng)的氣候預(yù)測方法主要是結(jié)合影響降水和氣溫的各種氣象和地理因素,根據(jù)往年數(shù)據(jù)以及過往經(jīng)驗使用統(tǒng)計方法或者主觀預(yù)估月尺度降水和氣溫。20 世紀(jì)80 年代短期氣候預(yù)測隨著一些大陸尺度的中長期水文氣象預(yù)報系統(tǒng)的出現(xiàn)而迅速發(fā)展,如中國氣象局國家氣象中心逐步建立了全球中期天氣預(yù)報模式[2-5],并于2001 年自主研發(fā)了我國新一代全球與區(qū)域一體化數(shù)值天氣預(yù)報系統(tǒng)[6]。在國外被廣泛應(yīng)用的有美國國家環(huán)境中心發(fā)布的基于大氣、海洋和陸地同化資料的海氣耦合模式CFSv1 和其二代系統(tǒng)CFSv2[7],日本氣象局(Japan Meteorological Agency,JMA)的日本全球模式大氣環(huán)流模式TL159、亞洲區(qū)域模式,歐洲中期預(yù)報中心(European Center for Medium-Range Weather Forecasts,ECMWF)發(fā)布的基于海溫異常強(qiáng)迫的月尺度氣候預(yù)測系統(tǒng)T159L40等[8-10]。

        氣候模式是目前短期氣候預(yù)測的常用方法,即利用氣候模式模擬氣象物理演變過程,進(jìn)而預(yù)測氣象變量。近年來,用于短期氣候預(yù)測的氣候模式主要利用基于海洋、陸地和大氣數(shù)據(jù)的全球氣候模式,例如美國國家基金會啟動的北美多模式集合(North American Multi-Model Ensemble, NMME)中包含的模式CFSv2,CanCM3,CanCM4 和GFDL 等[11-13]。國內(nèi)外研究人員使用氣候模式在多個區(qū)域評估了氣候模式預(yù)測性能并比較了不同模式的表現(xiàn)優(yōu)劣。如: Slater 等人[14]比較了CCSM3,CCSM4,CanCM3,CanCM4,GFDL,GEOS5和CFSv2模式在美國地區(qū)的氣候預(yù)測能力。可以發(fā)現(xiàn),盡管單個模式能夠很好地預(yù)測特定事件(例如,CFSv2 預(yù)測1988 年的干旱事件和CanCM3 預(yù)測2012年的干旱事件),但沒有一個模式能夠始終優(yōu)于其他模式,均隨著空間和時間的改變有不同的表現(xiàn)。Ma等[15]將11個NMME模式應(yīng)用于中國多個流域評估其降水預(yù)測能力。研究發(fā)現(xiàn)預(yù)測能力有明顯季節(jié)和地區(qū)差異,秋季和春季預(yù)測效果明顯優(yōu)于夏季。除東南季風(fēng)地區(qū)以外的大多數(shù)地區(qū)都具有較高的預(yù)測能力,在所有NMME模式中CFSv2模式表現(xiàn)出最好的預(yù)測性能。

        盡管氣候模式較為準(zhǔn)確的預(yù)測大規(guī)模的月降水和氣溫,但其存在著分辨率過低和系統(tǒng)偏差大等問題,在局地預(yù)測性能較差,尤其是對降水的預(yù)測[16]。因此,在應(yīng)用氣候模式對其輸出結(jié)果進(jìn)行偏差校正顯得尤為重要。常用的偏差校正方法包括基于均值的校正方法和基于分布的分位數(shù)映射法。這兩類方法主要的區(qū)別是前者只校正均值,而后者同時校正預(yù)測變量的概率分布。以往研究表明,線性縮放方法和基于伽瑪分布的分位數(shù)映射方法在校正夏季總降水量方面有較好的表現(xiàn)[17],而非參數(shù)分位數(shù)映射法在校正月降水和氣溫方面表現(xiàn)較好[18]。

        短期氣候預(yù)測由于時間跨度長和隨機(jī)性強(qiáng)等特點,導(dǎo)致預(yù)測難度增大,尤其是降水,且隨著預(yù)見期延長不確定性逐漸增大,預(yù)測精度下降明顯[19,20]。目前所使用的氣候模式降水預(yù)測雖然有最長11 個月的預(yù)見期,但其預(yù)測的精度有限,局地預(yù)測效果較差,需要對其進(jìn)行一定的后處理,而目前在中國區(qū)域尚未進(jìn)行系統(tǒng)的研究。因此,本文的主要目標(biāo)為:①評價9種氣候模式在中國大陸區(qū)域?qū)嵤┰陆邓A(yù)測的時空表現(xiàn);②采用聚類分析方法,對夏季月降水預(yù)測能力隨預(yù)見期的變化規(guī)律進(jìn)行分析,明確氣候模式預(yù)測能力的變化規(guī)律;③采用兩種偏差校正方法對9 種氣候模式進(jìn)行偏差校正,比較不同方法對校正降水預(yù)測結(jié)果的表現(xiàn)。

        1 數(shù)據(jù)與方法

        1.1 研究數(shù)據(jù)

        以中國大陸為研究區(qū)域,采用的數(shù)據(jù)包括全國逐月實測降水柵格數(shù)據(jù)和9種氣候模式發(fā)布的月預(yù)測追算降水?dāng)?shù)據(jù)。逐月實測降水柵格數(shù)據(jù)(1981-2014 年)來源于中國地面降水0.5°×0.5°格點數(shù)據(jù)集(V2.0),由中國氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn/)提供。該數(shù)據(jù)已經(jīng)多次被學(xué)者證實其可靠性,如趙煜飛等[21]分析了不同空間,不同季節(jié)柵格數(shù)據(jù)與站點數(shù)據(jù)的差距,表明柵格數(shù)據(jù)準(zhǔn)確描述了降水的分布特征。

        共選取了6個氣象預(yù)報發(fā)布機(jī)構(gòu)發(fā)布的用于全球氣象預(yù)報的9 個氣候模式(表1),所有模式的分辨率為1°×1°,除SEAS5模式外其他模式均屬于北美多模式集合預(yù)測實驗。由于9個氣候模式柵格經(jīng)緯度與實測柵格數(shù)據(jù)存在差異,所以采用雙線性插值法將追算數(shù)據(jù)與實測數(shù)據(jù)的柵格統(tǒng)一。每個模式均由多個集合成員組成,為了消除集合成員的隨機(jī)誤差,將所有成員進(jìn)行集合平均,即將所有成員預(yù)報結(jié)果的平均值作為該模式的預(yù)報結(jié)果。預(yù)見期代表氣候模式的預(yù)測能力,預(yù)見期為0 個月代表由本月初發(fā)起本月預(yù)測,預(yù)見期為1 個月代表由本月初發(fā)起對下個月的預(yù)測。

        表1 9種氣候模式的主要信息Tab.1 Information of the nine global climate models

        1.2 研究方法

        本研究首先采用相關(guān)系數(shù)(R)、平均絕對相對誤差(MAPE)和平均方差技巧評分(MSSS)作為評估指標(biāo),評價各氣候模式在不同預(yù)見期對全國降水的總體預(yù)測能力,之后采用聚類分析的方法探究各氣候模式預(yù)測能力隨預(yù)見期的變化特征,最后采用兩種偏差校正方法對各氣候模式的預(yù)測降水?dāng)?shù)據(jù)進(jìn)行偏差校正,并評估各偏差校正方法的效果。

        1.2.1 聚類分析

        聚類分析(Clustering Analysis,CA),是一個將一組對象按照某特征進(jìn)行分類的統(tǒng)計分析方法,在水文氣象領(lǐng)域中常被用來識別具有相似特征的子區(qū)域[22-25]。在進(jìn)行聚類分析之前需要確定需要聚類的變量。選取中國逐個網(wǎng)格單元預(yù)見期為1-6月的預(yù)測數(shù)據(jù)與實測的夏季降水?dāng)?shù)據(jù)的斯皮爾曼等級相關(guān)系數(shù)作為聚類變量。斯皮爾曼等級相關(guān)系數(shù)采用的是降水等級數(shù)據(jù)(降水?dāng)?shù)據(jù)由大到小排列,依次確定等級),其值越接近于1代表預(yù)測數(shù)據(jù)的精度越高:

        在評估不同預(yù)見期氣候模式預(yù)測能力時,使用層次等級聚類方法對不同網(wǎng)格單元預(yù)測與實測的斯皮爾曼等級相關(guān)向量進(jìn)行分組[26]。首先,將每個向量視為一個獨立的簇,然后計算不同對象之間的距離,而后將簇合并為小集群,小集群合并為大集群,最后創(chuàng)建集群的層次結(jié)構(gòu)[27,28]。本文計算不同格點i和j距離時采用歐幾里得距離法,其計算公式如下:

        式中:i和j代表不同的格點;m代表月份;rm,i和rm,j分別為i格點和j在m月預(yù)見期的斯皮爾曼等級相關(guān)系數(shù)。

        在創(chuàng)建集群的層次結(jié)構(gòu)后,使用經(jīng)典的Silhouette分?jǐn)?shù)[29]評估最佳聚類方式,計算公式如下:

        式中:a(i)為向量簇中i向量到向量簇中其他向量的平均距離;b(i)表示i向量到非i所屬向量簇的最短平均距離。單個向量的Silhouette得分平均值代表了不同簇數(shù)量的聚類方案的效果,即平均Silhouette得分越高,聚類方法效果越好[26]。在本文中,聚類方案所選簇的數(shù)量從2逐漸增加到10。

        1.2.2 偏差校正方法

        選取線性縮放方法(Lineer Scaling method, LS)和分位數(shù)映射法(Quantile Mapping method, QM),對氣候模式預(yù)測的降水進(jìn)行后處理,選擇1981-2007 年作為率定期,2008-2014 年作為驗證期。

        (1)線性縮放方法。線性縮放方法是在假設(shè)預(yù)測數(shù)據(jù)和觀測數(shù)據(jù)的月偏差在率定期和驗證期具有一致性的前提下,將氣候模式回算的各預(yù)見期降水均值和觀測均值之間的比例作為校正因子,用于校正氣候模式在各預(yù)見期降水預(yù)測結(jié)果[30-32],即LS方法首先計算各月份的校正因子,再將該因子應(yīng)用于同一月份的預(yù)測數(shù)據(jù)。其公式如下:

        (2)分位數(shù)映射法(QM)。分位數(shù)映射法是根據(jù)觀測值的累積概率分布去校正預(yù)測值的累積概率分布[33-35]。本文采用的是基于經(jīng)驗分布的分位數(shù)映射法,即計算歷史期各追算月降水預(yù)測數(shù)據(jù)相對于觀測數(shù)據(jù)在經(jīng)驗分布(以百分位數(shù)代表)上的偏差,公式如下:

        1.2.3 評價指標(biāo)

        本文使用相關(guān)系數(shù)(R)、平均絕對相對誤差(MAPE)和平均方差技巧評分(MSSS)指標(biāo)評估降水預(yù)測能力,計算公式如下:

        (1)相關(guān)系數(shù)(R)。

        (2)平均絕對相對誤差(MAPE)。

        (3)平均方差技巧評分(MSSS)。

        式中:j為某一預(yù)測格點;g為全國范圍內(nèi)總格點數(shù);i為時間序列;n為時間序列長度;fij為這一格點的降水預(yù)測值;xij為格點實測值;MSE為格點預(yù)測值的均方誤差;MSEcj為氣候預(yù)測的均方誤差;θj為某一格點的緯度(單位為弧度)。需要注意的是,在計算單個格點的MSSS評分需要使用公式(11),全國范圍MSSS評分時采用公式(12)。

        2 研究結(jié)果

        2.1 降水預(yù)測能力評估

        圖1 展示了采用R、MARE和MSSS三個指標(biāo)評價0~11 個月預(yù)見期下全國柵格尺度預(yù)測降水的效果。圖中不同顏色折線代表未進(jìn)行后處理的九個氣候模式的原始預(yù)測結(jié)果。各指標(biāo)評估結(jié)果均顯示SEAS5模式在0~5個月預(yù)見期下的降水預(yù)測表現(xiàn)最優(yōu)。采用MARE和MSSS指標(biāo)評估時,CCSM4 模式表現(xiàn)最差,但采用R指標(biāo)時GFDL 模式表現(xiàn)最差,CCSM4 模式表現(xiàn)適中。原因可能是CCSM4模式與實測數(shù)據(jù)相關(guān)性較好,但整體偏差較大。另外,SEAS5、GEMNEMO 和CanSips 三個模式的表現(xiàn)明顯優(yōu)于其他模式。除CCSM4、GFDL 和CanCM3 模式在預(yù)見期0~1 個月時表現(xiàn)明顯差于其他預(yù)見期外,單個模式在不同預(yù)見期下表現(xiàn)相對穩(wěn)定。原因可能是全國各柵格點指標(biāo)平均帶來的坦化,需要結(jié)合不同預(yù)見期和空間分布作進(jìn)一步分析。

        圖1 全國0~11月預(yù)見期下9個氣候模式(CFSv2, SEAS5, CanSips, GEMNEMO, CCSM4, GFDL, CanCM3, CanCM4, GEOSS2S)中格點預(yù)測降水的相關(guān)系數(shù)(R)、平均絕對相對誤差(MARE)和平均方差技巧評分(MSSS)平均Fig.1 The national average of the grid-scale R, MARE, and MSSS of nine climate model for predicted precipitation in 0~11 month forecasting periods

        圖2 展示了9 個模式1 個月預(yù)見期降水預(yù)測的MAPE值的空間分布。結(jié)果表明SEAS5 相比其他模式在中國西南部和東北部的降水預(yù)測中有明顯的優(yōu)勢。CanSips 和GEMNEMO 相比其他模式在中國南部地區(qū)表現(xiàn)更優(yōu)。CCSM4,GFDL,CanCM3和CanCM4在西北內(nèi)陸河流域和黃河流域表現(xiàn)明顯較差,MARE大于100%,部分原因是由于該區(qū)域月降水量較小,即使降水量的絕對偏差較大,也可以產(chǎn)生較大的相對偏差。

        圖2 9個氣候模式預(yù)見期1個月時預(yù)測降水MAPE的空間分布Fig.2 The MAPE spatial distribution of predicted precipitation in one month forecasting period of nine climate models

        圖3 使用MAPE指標(biāo)針對不同月份和不同預(yù)見期(0~11 個月)分析了模式預(yù)測降水的能力,結(jié)果顯示SEAS5 模式在所有月份和所有預(yù)見期的表現(xiàn)均為最優(yōu),部分模式(CFSv2,CCSM4,GFDL)在不同月份有不同表現(xiàn)。具體來說,CFSv2 模式在9-12月的預(yù)測能力僅次于SEAS5,但在其他月份表現(xiàn)差于半數(shù)模式。CCSM4 和GFDL 模式僅在夏季(6-8 月)的表現(xiàn)與其他模式相近,其他季節(jié)尤其是冬季(12-次年2 月)和春季(3-5 月)MAPE明顯高于其他模式。此外,除了CCSM4 和GFDL 模式在冬季的預(yù)測能力隨預(yù)見期增加而明顯減少,預(yù)見期超過5 個月后預(yù)測能力變化不大,其他模式在不同月份和不同預(yù)見期表現(xiàn)基本沒有差異。

        圖3 9個氣候模式在0~11個月預(yù)見期下的預(yù)測降水在不同月份的MAPE集合平均Fig.3 The ensemble averaged MAPE of nine model predicted precipitations in different months in 0~11 month forecasting periods

        2.2 降水預(yù)測能力隨預(yù)見期的變化分析

        以上研究表明SEAS5 模式對降水的預(yù)測能力最優(yōu),為了進(jìn)一步分析固定的預(yù)測發(fā)起時間下,氣候模式在不同預(yù)見期預(yù)測中國降水的能力,以SEAS5模式預(yù)測的夏季降水為例,圖4展示了預(yù)見期0~5 個月下1981-2014 年夏季降水與實際觀測降水的斯皮爾曼等級相關(guān)系數(shù)(r)。這里的實際觀測夏季降水指的是6-8 月的降水量之和,降水發(fā)生時間默認(rèn)為7 月。圖中,每個網(wǎng)格單元的顏色表示相關(guān)值,紅色代表正相關(guān),藍(lán)色代表負(fù)相關(guān)。紅色越深證明相關(guān)性越好,而藍(lán)色越深則證明相關(guān)性越差。圖4 中顯示在預(yù)見期0 個月(月初發(fā)起預(yù)測)時預(yù)測降水與實際降水的相關(guān)性最高。在0~5 個月預(yù)見期下,SEAS5 模式預(yù)測降水與觀測降水的相關(guān)性具有明顯的空間差異,如預(yù)見期為1 和2個月時在北方地區(qū)預(yù)測降水與觀測降水絕大多數(shù)柵格呈現(xiàn)負(fù)相關(guān),但預(yù)見期為5 個月時呈正相關(guān)格點數(shù)明顯多于負(fù)相關(guān)格點數(shù)??偠灾?,隨著預(yù)見期延長,降水預(yù)測能力的變化具有明顯的區(qū)域差異。

        圖4 SEAS5氣候模式在不同預(yù)見期條件下預(yù)測降水與夏季觀測降水的斯皮爾曼等級相關(guān)性(r)Fig.4 The r between SEAS5 predicted and observed summer precipitation in different forecasting periods

        由于每個柵格的r隨預(yù)見期變化較大,預(yù)測能力波動且未呈現(xiàn)明顯的變化規(guī)律。同時2.1 節(jié)僅研究了不同預(yù)見期氣候模式預(yù)測表現(xiàn)在柵格尺度上平均后的結(jié)果,沒有結(jié)合不同預(yù)見期,不同經(jīng)緯度對氣候模式預(yù)測能力進(jìn)行綜合評價。因此該部分使用了層次聚類分析方法作進(jìn)一步分析。首先將已計算得到的1981-2014 年夏季降水的r按照對應(yīng)預(yù)見期由短至長的先后順序組成一個向量,并將不同格點的向量合并為不同類作為聚類分析對象。Silhouette分?jǐn)?shù)用于選擇最優(yōu)聚類數(shù)方案,Silhouette分?jǐn)?shù)越高代表不同類別的差距越大,分類效果越好。圖5 展示了9 個氣候模式對應(yīng)不同聚類數(shù)方案的Silhouette分?jǐn)?shù),所有模式在聚類數(shù)為2時聚類表現(xiàn)最優(yōu),隨著聚類數(shù)量的增大聚類表現(xiàn)逐漸變差,部分氣候模式的聚類表現(xiàn)在聚類數(shù)大于6時有小幅度提升(如CCSM4)。

        圖5 9個氣候模式在不同聚類數(shù)條件下的Silhouette分?jǐn)?shù)Fig.5 The silhouette scores of different number of clusters for nine climate models

        因此基于Silhouette分?jǐn)?shù),將r隨預(yù)見期的變化趨勢分為兩類最佳,分別命名為集群a和集群b,每個集群均為r隨預(yù)見期的變化趨勢最為相似的格點的集合。以SEAS5 模式為例,圖6展示了屬于集群a和集群b的各柵格的r隨預(yù)見期的變化情況,紅色線代表所有該集群內(nèi)所有柵格r的集合平均值。可以看出,在集群a中不同預(yù)見期的r均大于0,且隨預(yù)見期的延長,r整體呈現(xiàn)先快速減少至0.1 左右而后在0.1 上下小幅度波動的趨勢。而在集群b中,當(dāng)預(yù)見期由0個月延長至1個月時,r明顯下降至0,而在預(yù)見期大于等于1 個月時,r在0 上下小幅度波動。該結(jié)果表明,集群a的表現(xiàn)明顯優(yōu)于集群b,且后者在預(yù)見期超過1 個月時幾乎沒有預(yù)測能力,也沒有改善趨勢。預(yù)見期為0個月時預(yù)測能力明顯優(yōu)于其他預(yù)見期。也再次證明聚類分析有效地過濾了噪聲并展示了降水的等級相關(guān)性隨預(yù)見期的變化趨勢。

        圖6 SEAS5模式在聚類數(shù)為2時集群a和b所有格點在不同月份的斯皮爾曼等級相關(guān)系數(shù)(r)表現(xiàn)Fig.6 The grid-scale r of SEAS5 predicted and observed precipitation of cluster a and b (two clusters) in different forecasting periods

        圖7展示了9個氣候模式各柵格r所屬集群的空間分布,藍(lán)色柵格代表集群a,紅色柵格代表集群b。結(jié)果表明,不同模式集群a和b的柵格分布不同,其中集群a柵格數(shù)量占比最高的模式是SEAS5,即綜合不同預(yù)見期結(jié)果預(yù)測能力表現(xiàn)最好的模式。這個結(jié)論與3.1節(jié)的結(jié)論一致,集群a的柵格主要分布在西北、青藏高原部分地區(qū)以及中國的中部地區(qū)(長江、黃河和淮河的部分區(qū)域)。表現(xiàn)最差的模式是CanCM3 模式,其集群a的柵格零散地分布于西北和南方部分地區(qū)。其余模式與最優(yōu)模式之間集群a的柵格占比相差不超過25%。

        圖7 9個氣候模式柵格的斯皮爾曼等級相關(guān)系數(shù)(r)所屬集群的空間分布(藍(lán)色為集群a,紅色為集群b)Fig.7 The spatial distribution of the clusters calculated by r of nine climate models. The blue shade indicates the cluster a,and the red shade indicates the cluster b

        2.3 降水預(yù)測偏差校正效果評估

        采用R、MAPE和MSSS三個評價指標(biāo)在驗證期評估了兩種偏差校正方法(LS 和QM)對降水預(yù)測的校正效果,結(jié)果如圖8所示??傮w而言,兩種偏差校正方法表現(xiàn)相近,對驗證期數(shù)據(jù)的MAPE和MSSS指標(biāo)的校正效果較明顯,但對R校正效果不明顯。經(jīng)兩種方法校正后的氣候模式在不同預(yù)見期的表現(xiàn)相近,評價指標(biāo)相差較?。荒J筋A(yù)測的最大MAPE由140%減少至46%,最小MSSS由-3 提升至0.5。兩種方法對GEMNEMO 的校正效果差異最大,從R和MAPE指標(biāo)來看,LS方法的校正效果略優(yōu)于QM 方法,就MSSS指標(biāo)而言,在預(yù)見期5~6個月時QM 的校正效果略優(yōu)于LS。

        圖8 9個氣候模式兩種偏差校正方法降水偏差校正前后驗證期的相關(guān)系數(shù)(R)、平均絕對相對誤差(MAPE)和平均方差技巧評分(MSSS)Fig.8 The R, MAPE and MSSS before and after the two bias corrections in validation period of nine climate model for predicted precipitation

        圖9和圖10使用MAPE指標(biāo)分別評估了驗證期LS和QM方法校正1 個月預(yù)見期全國降水預(yù)測的能力。具體來說,LS 和QM 方法對青藏高原部分地區(qū)和長江流域上游降水預(yù)測有最明顯的提升效果,最大MAPE由原來的100%將至40%以下。兩種校正方法效果的差異主要體現(xiàn)在西北地區(qū),對于GEMNEMO模式而言,QM校正后的MAPE大于60%的柵格數(shù)更多,但LS校正后的MAPE大于80%的柵格數(shù)更多。經(jīng)校正后不同模式MAPE的分布相似,呈現(xiàn)西南地區(qū)和長江流域上游表現(xiàn)較好,MAPE在20%~40%范圍內(nèi),西北和東部部分地區(qū)表現(xiàn)較差,MAPE在50%~70%范圍內(nèi),少部分區(qū)域的MAPE在80%~90%范圍。兩種偏差校正方法校正后均呈現(xiàn)SEAS5 模式表現(xiàn)最好,GEOSS2S模式表現(xiàn)最差。

        圖9 LS校正的預(yù)見期為1個月的預(yù)測降水的驗證期平均絕對相對誤差(MAPE)的空間分布圖Fig.9 The MAPE spatial distribution after the LS bias correction in validation period of nine climate model for predicted precipitation in 1 month forecasting period

        圖10 QM校正的預(yù)見期為1個月預(yù)測降水的驗證期平均絕對相對誤差(MAPE)的空間分布圖Fig.10 The MAPE spatial distribution after the QM bias correction in validation period of nine climate model for predicted precipitation in 1 month forecasting period

        3 結(jié) 論

        使用R, MAPE和MSSS三個指標(biāo)評價了9 個氣候模式預(yù)見期為0~11個月對中國大陸地區(qū)降水的預(yù)測能力,分析了不同預(yù)見期下降水預(yù)測能力的變化規(guī)律,并采用LS 和QM 偏差校正方法對預(yù)測結(jié)果進(jìn)行后處理,比較了不同方法的校正效果,得到了如下主要結(jié)論。

        (1)在預(yù)見期0~5個月時,SEAS5模式對降水的預(yù)測表現(xiàn)最好,在預(yù)見期6~11 個月時,GEMNEMO 模式的預(yù)測表現(xiàn)最好。SEAS5 模式針對中國西南部和東北部地區(qū)的降水預(yù)測有明顯優(yōu)勢,GEMNEMO模式在中國南部地區(qū)表現(xiàn)最優(yōu)。

        (2)不同模式預(yù)測夏季降水的能力隨預(yù)見期和預(yù)測區(qū)域的不同而變化,將所有模式柵格在不同預(yù)見期預(yù)測能力進(jìn)行聚類,在分類數(shù)為2 時聚類效果最好。綜合多個經(jīng)緯度和多個預(yù)見期的表現(xiàn),SEAS5 模式的表現(xiàn)最好,其中超過50%的柵格預(yù)測夏季降水的能力強(qiáng);并整體呈現(xiàn)隨預(yù)見期延長,預(yù)測能力先下降后趨于穩(wěn)定不變的趨勢。所有模式中CanCM3 模式表現(xiàn)最差。

        (3)LS 和QM 校正方法對所有氣候模式的降水預(yù)測均有明顯的提升效果。就不同校正方法而言,除對GEMNEMO 模式的校正外,兩種方法校正效果相似,但對于GEMNEMO 模式,LS校正方法對西北地區(qū)降水預(yù)測的提升效果更好??傮w而言,經(jīng)校正后降水預(yù)測表現(xiàn)最優(yōu)的仍為SEAS5模式。

        猜你喜歡
        柵格校正氣候
        基于鄰域柵格篩選的點云邊緣點提取方法*
        劉光第《南旋記》校正
        國學(xué)(2020年1期)2020-06-29 15:15:30
        瞧,氣候大不同
        氣候變暖會怎樣?
        一類具有校正隔離率隨機(jī)SIQS模型的絕滅性與分布
        機(jī)內(nèi)校正
        不同剖面形狀的柵格壁對柵格翼氣動特性的影響
        立冬
        基于CVT排布的非周期柵格密度加權(quán)陣設(shè)計
        一種基于eNode B的主動式頻偏校正算法
        免费人妻精品一区二区三区| 人妻无码一区二区三区免费| 人人妻人人澡人人爽精品欧美| 午夜丰满少妇性开放视频| 免费一级特黄欧美大片久久网 | 亚洲av成人片色在线观看高潮| 亚洲avav天堂av在线网爱情| 亚洲有码转帖| 国产在线成人精品| 无码人妻丝袜在线视频| 亚洲av粉嫩性色av| 亚洲av一区二区三区色多多| 玩弄丰满奶水的女邻居| 日韩成人极品在线内射3p蜜臀| 欧美老熟妇又粗又大| 日韩精品极品在线观看视频| 亚洲熟女熟妇另类中文| 欧美成人www在线观看| 精品国产午夜理论片不卡| 国产精品自产拍在线18禁| 成在线人免费无码高潮喷水| 高清少妇二区三区视频在线观看| 无码人妻一区二区三区兔费 | 国产精品女同久久久久久| 精品国产av一区二区三四区| 国产精品美女久久久网站三级| 久久久受www免费人成| 内射交换多p国产| 99JK无码免费| 中文字幕视频二区三区| 蜜桃18禁成人午夜免费网站| 少妇做爰免费视频网站| 色丁香在线观看| 亚洲av毛片一区二区久久| 中文字幕乱码在线人妻| 亚洲国产成人精品无码一区二区| 国产成人av综合亚洲色欲| 久久精品国产亚洲av夜夜| 天堂中文а√在线| 亚洲精品无码久久毛片| 亚洲av免费高清不卡|