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?？梢园l(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性強等特點，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，需要對其進行一定的后處理，而目前在中國區(qū)域尚未進行系統(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誤差，將所有成員進行集合平均，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S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)測能力進行綜合評價。因此該部分使用了層次聚類分析方法作進一步分析。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??；模式預(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；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。