中國海表面風統計降尺度模型研究

李正泉，肖晶晶，馬　浩，馮　濤（浙江省氣候中心，浙江杭州310017）

中國海表面風統計降尺度模型研究

李正泉，肖晶晶，馬浩，馮濤
（浙江省氣候中心，浙江杭州310017）

基于CCMP衛星風場數據和NECP-DOE再分析數據兩者典型空間模態近20 a的長期統計關系，構建了中國海域海表面風的統計降尺度模型。降尺度模型交叉驗證結果表明：模擬與觀測兩者風速在空間分布和變化趨勢上均具有很好的吻合性，風速空間分布的相關性（R）可達到0.98以上，風速變化趨勢的相關性（R）可達0.89以上。模型預測風速的均方根誤差（RMSE）和絕對誤差（AE），在絕大多數海區均低于0.25 m/s和0.30 m/s，相對誤差（RE）＜-5%或＞5%的海區面積僅約占全海域面積的5%左右。從空間上而言，降尺度模型的模擬誤差大值區多發生在陸域附近的近海區，主要原因是近海區影響風場的中小尺度天氣因子眾多。

海表面風；統計降尺度；經驗正交函數；CCMP風場；NCEP-DOE

1　引言

大尺度粗網格的氣候數據因空間分辨率太低，較難適用于局部區域的氣候分析和氣候變化研究。降尺度是將大尺度低分辨的空間信息轉化為小尺度高分辨率，以使得局部空間信息更加豐富和清晰可辨［1-2］。通常應用的降尺度方法有3種，即動力降尺度、統計降尺度和統計與動力相結合的降尺度［3］。統計降尺度是通過建立大尺度信息變量與小尺度信息變量兩者之間的統計關系，將大尺度低分辨率的空間變量帶入統計模型，來獲取局地變量高分辨率的空間信息［4-5］。由于統計降尺度方法計算量小且簡便易行，因此在國內外區域氣候的模擬和預估研究中被廣泛使用。

利用多元回歸構建統計降尺度模型，Sailor等分析了美國局部地區的氣溫變化［6］，Murphy模擬了歐洲地區的月氣溫和月降水［7］。采用ANN技術構建統計降尺度模型，Mpelasoka等分析了新西蘭的月氣溫和降水［8］，Bardossy等以模糊規則分類法為基礎建立統計降尺度模型，研究了德國和希臘的氣溫與降水［9］。Goodess等評估了20余種統計降尺度方法在不同氣候區不同季節對溫度與降水指數的模擬能力［10］。在國內亦有許多研究者利用統計降尺度方法開展區域氣候的模擬與預估，如范麗軍對華東區氣溫變化的集合預估［11］、崔妍等對江淮流域極端降水的預估［12］、薛春芳等對渭河流域秋雨的模擬分析［13］、郭彥等我國北方地區降水的季節預測［14］以及阮成卿等對我國西南地區后冬降水的降尺度模擬［15］，等等。從文獻調研來看，統計降尺度技術在我國區域氣候研究中已有較多應用，但研究對象多針對于氣溫或降水，而有關風場的統計降尺度分析尚不多見。湯建平等曾利用591個氣象站的風能參數與大尺度環流場的統計關系，開展我國風能變化的降尺度模擬預估［16］，但其研究范圍僅限于陸域，并未涉及至我國海域，且其研究方法在海域范圍內較難實現，原因是海上測風站點稀少，長年代測風數據缺乏，尤其是在遠海區域。

本文以衛星觀測CCMP（Cross-Calibrated，Multi-Platform）風場為基礎，以衛星格點觀測代替站點觀測，建立高分辨率CCMP風場與大尺度NCEP-DOE變量場兩者EOF（Empirical Orthogonal Function）典型模態的多元統計關系，進而構建適合于我國海表面風的統計降尺度模型，意旨為海表面風區域降尺度的模擬預估研究提供一種較為可行的研究方法。

2　資料與方法

2.1使用資料

統計降尺度模型構建和模型驗證所使用的資料為1988—2011年CCMP衛星風場數據和NCEP-DOE再分析數據，數據來源于共享網站http: //rda.ucar.edu/datasets/ds744.9/index.html和http: //www.esrl.noaa.gov/psd/data/gridded/data.ncep.reanalysis2.html。CCMP風場是2010年美國國家航空航天局（NASA）發布的交叉定標多平臺衛星探測海表面風場資料，它是可覆蓋全球范圍時空分辨率最為精細的長年代風場數據之一，其空間分辨率為0.25°×0.25°、時間分辨率為6 h（數據時次為00時、06時、12時、18時）。由于CCMP風場融合了多系列數十顆衛星觀測資料，因此其風場數據較其它衛星風場在精度上有著很大提高，在諸多海洋大氣環境研究中被廣泛應用［17］。NCEP-DOE再分析數據是美國國家環境預報中心（National Centers for Environmental Prediction，NCEP）和美國能源部（Department of Energy，DOE）合作研制的全球大氣再分析資料（也被稱作為NCEP-R2），它相對于NCEP/NCAR再分析數據（NCEP-R1），在較多細節上作出了改進，是NCEP/NCAR再分析數據的更新和訂正版本［18］。本文中使用的NCEP-DOE再分析數據是海表面風速（U，V）、海平面氣壓（Sea Level Pressure，SLP）和海表面溫度（Sea Surface Temperature，SST），數據的空間分辨率為2.5°×2.5°、時間分辨率為6 h（數據時次為00時、06時、12時、18時）。

2.2技術方法

根據1988—2011年逐日4個時次的CCMP風場數據和NCEP-DOE再分析數據，計算統計逐年各月的氣候要素值。月平均風速（W）的計算過程為：先依據CCMP（U，V）和NCEP-DOE（U，V）的經向緯向風矢量，計算各時次的風速值，再按逐年逐月對

式中：W為風速（m/s），u和v分別為經向和緯向風矢量網格值（m/s），δu和δv分別為經向和緯向風矢量網格值的附加值（Add Offset），ku和kv分別為經向和緯向風矢量網格值的換算因子（Scale Factor）。

以CCMP（W）作為降尺度模型構建的目標變量（空間分辨率為0.25°），NCEP-DOE（W，SLP，SST）作為預測因子變量（空間分辨率為2.5°）。使用經驗正交函數（EOF）［19-20］對CCMP（W）矩陣和NCEP-DOE（W，SLP，SST）矩陣進行空間模態分解，基于多元線性回歸技術建立CCMP（W）主模態與NCEP-DOE（W，SLP，SST）主模態之間的統計關系，以此構建我國海表面風的統計降尺度模型。

具體步驟是：對給定的CCMP（W）矩陣和NCEPDOE（W，SLP，SST）矩陣，分別移除各自的氣候平均態后進行EOF分解，提取各自的空間EOF模態主成分PC，之后按照式（2）的方式，建立CCMP風速與NCEP-DOE變量之間的統計關系。風速值進行統計。各時次風速（W）的計算公式如下：

確定出CCMP風速與NCEP-DOE變量之間的統計關系后，按式（3）和式（4）即可將大尺度粗分辨率的氣候變量“投影”轉化成高空間分辨率的海表面風速。

對于統計降尺度模型的效果檢驗，本文使用了方差貢獻（EV）、標準差（SD）、殘差標準差（SE）、相關系數（R）、均方根誤差（RMSE）、相對誤差（RE）和絕對誤差（AE）等統計參數，它們的定義及公式較為常見，在此不再累述，具體請參見文獻［19］。

3　結果分析

3.1統計降尺度模型構建

我國海表面風統計降尺度模型的構建基于1988—2007年共20 a的長期數據，模型預測的目標變量矩陣為1988—2007年間的CCMP月平均風速（W），預測因子矩陣為1988—2007年間NCEP-DOE的月平均海表面風速、氣壓和溫度（W，SLP，SST）。選用NCEP-DOE（W，SLP，SST）前20個主模態（PC總方差貢獻EV約為97.3%）與CCMP（W）前15個主模態（PC總方差貢獻EV約為95.6%），按式（2）的形式，進行構建統計降尺度模型。

表1給出了CCMP（W）和NCEP-DOE（W，SLP，SST）前10個主模態的方差貢獻（EV）以及回歸模型的標準差（SD）和殘差標準差（SE）等統計參數。可以看出，目標變量前10個主模態的PC總方差貢獻可達到93.5%，預測因子前10個主模態的PC總方差貢獻可達到92.5%。目標變量與預測因子回歸模型的SE占SD的比重很小，前6個PC的SE占其SD的比重均不足5%。雖然PC10的SE占其SD的比重約為20%，但PC10的方差貢獻較小（僅約1.6%），其在統計降尺度模型構建中的實際貢獻很少。

3.2模型回算檢驗

使用1988—2007年NCEP-DOE（W，SLP，SST）數據，按照式（3）和式（4），對海表面風降尺度模型進行回算模擬。比較模型回算風速與CCMP觀測風速兩者之間的相關性及其模擬誤差，對構建的統計降尺度模型進行驗證。如圖1所示（中國海域范圍及海區劃分請參見文獻［21］），1988—2007年模型回算風速與CCMP觀測風速（20 a平均值）的空間分布形態基本完全一致，僅是在東海南部的局部區域上有些細微差別，兩者風速分布的空間相關系數（R）達到0.998。各年份模型回算風速與CCMP觀測風速的空間相關性，見表2。

在空間各個格點上，模型回算與CCMP觀測兩者風速年際變化的相關性（1988—2007年期間）和模型回算風速的均方根誤差（RMSE）空間分布（見圖2）。回算風速與觀測風速年際變化的相關系數（R），全海域的格點平均值約為0.93，兩者風速的年際變化在格點位相上表現出了非常好的符合。從空間分布來看：遠離陸域的遠海存在相關系數的高值區（黃海中部除外），尤其是渤海、黃海北部、東海南部、巴士海峽、南海東北部等，該些海域的R值大多均超過0.95，R值最大可達到0.98（見圖2a）。

由于遠海區影響海表面風場的動力學因素較為簡單，缺乏地形等影響，因此相關系數在遠海區存在高值；而在陸域近海區，影響風場的因子眾多，中小尺度天氣過程活躍，風場降尺度模型的誤差相對較大，如山東、浙江和廣州等近海以及臺灣島附近海區等，這些區域是相關系數低值區，其R值多在0.75以下，但R值低于0.65的海區面積較少（僅約總海域的3%）。從風速均方根誤差（RMSE）空間分布看：回算與觀測兩者風速的RMSE值多在0.25 m/s以下，僅是在臺灣島附近和廣州近海岸等一些局部區，RMSE值高于0.40 m/s（見圖2b）。

表1　目標變量與預測因子前10個主模態的統計參數

表2　模型回算風速與CCMP觀測風速的空間相關性統計

圖1　CCMP觀測風速與模型回算風速空間分布（虛框內為兩者重點差異區）

由圖1和圖2可知，無論是風速空間分布形態，還是風速變化趨勢及風速誤差，統計降尺度模型的回算值與CCMP的觀測值均表現出了非常好的吻合性，這充分表明了統計降尺度模型的構建合理性。為了進一步驗證所構建的降尺度模型其外推預測的可靠性，利用2008—2011年數據再次對降尺度模型進行檢驗。

3.3模型外推預測檢驗

基于已構建的海表面風降尺度模型統計關系（采用1988—2007年數據建立），利用2008—2011年的NCEP-DOE變量資料（未參與建模數據），按式（3）和式（4）對海表面風進行降尺度模擬預測。從圖3分析，2008—2011年模型預測風速與CCMP觀測風速（5 a平均值），兩者的空間分布形態十分相似（這與模型回算檢驗類同），僅是在黃海中部和東海北部的局部區域上有些差別，兩者風速空間分布的相關系數性（R）達到0.988，各年份的R值也都在0.980以上（見表3）。

模型預測與CCMP觀測兩者風速的年際變化，在空間各格點上的相關性R值多在0.90以上，全海域的R平均值約為0.89，這表明模型預測與CCMP觀測兩者格點上的風速變化趨勢具有良好吻合性（見圖4a）。總體來說，遠離陸域的遠海R值較高，近海岸區R值較低，但R值低于0.65的海區面積不足全海域面積的4%，這種R值的空間分布型態與降尺度模型回算的結果大體相似（見圖2a），僅是R值大小略有差異，模型回算的R值略高于模型預測。

表3　模型預測風速與CCMP觀測風速的空間相關性統計

模型預測誤差分析顯示，全海域風速預測的RMSE平均值約為0.12 m/s，絕大多數區域的RMSE值均＜0.25 m/s，僅是在臺灣島附近和南海中東部的一些零星區域，其RMSE值＞0.30 m/s（見圖4b）。風速預測的絕對誤差（AE）在空間各格點上均＜0.50 m/s，全海域平均的AE值約為0.13 m/s，大部分海域的AE值均在0.30 m/s以下，但在渤海、黃海北部、臺灣島附近以及陸域近海岸等一些局部區，風速預測的AE值較高些，約在0.35 m/s以上（見圖4c）。從風速預測的相對誤差（RE）來看，在我國北部海域（渤海與黃海）、臺灣海峽、北部灣及海南島附近區域等，降尺度模型的模擬預測風速較CCMP觀測風速偏低，兩者風速的RE值多在-2.0%左右，局部區域可達到-4%以下；在東海大部、南海大部、巴士海峽、臺灣島附近及其以東洋面海域，降尺度模型的模擬預測相比CCMP觀測的風速值較高，尤其是在廣東、臺灣及其它一些陸域的近海區，兩者風速的RE值可達到8.0%左右（見圖4d），但整體而言，全海域內風速預測的RE值較小，RE＜-5%或RE＞5%的空間格點占有量很少，不足海域總面積的5%。

圖3　CCMP觀測風速與模型預測風速空間分布（虛框內為兩者重點差異區）

圖4　2008—2011年預測與觀測風速比較

3.4模型誤差原因淺析

降尺度模型回算和模型外推的檢驗結果均顯示，模型模擬風速與CCMP觀測風速兩者在陸域近海區（尤其是沿海岸區）的差異，相比于遠海區要相對大一些。如：近海區風速年際變化的相關性系數（R）值多低于遠海區，且風速模擬的RMSE、AE和RE的高值區也多發生在陸域近海。這種誤差分布的空間形態是由諸多因素引起的，其中近海與遠海風場的動力學因子差異是其主要原因。由于遠海區缺乏地形等影響，海表面風形成的動力學因素較為簡單，而陸域近海影響風場的因子眾多，中小尺度天氣過程活躍，CCMP空間分辨率精細對這種中小尺度的天氣過程具有很強的捕捉能力，但NCEP-DOE的空間分辨率太粗，中小尺度過程的捕捉能力太弱［19］。

在模型模擬與CCMP觀測兩者風速年變化相關分析中，值得一提的是盡管黃海中部區并非靠近陸域，但其模擬與觀測的風速相關性卻是相對較低，R值多在0.80以下，低于其周圍海域（見圖2a和圖4a）。探尋該區R值偏低的原因，海霧影響可作為一種合理解釋。黃海是我國海域中海霧最頻發的區域，而黃海中部更是黃海海霧的重發區［22］。CCMP風場源于衛星探測，云、霧、降水等天氣現象對遙感信號的發送與接受均會造成干擾影響［23］。盡管在風場反演過程中，衛星資料已經過數據除噪處理，但仍無法確保該些干擾區風場反演的準確性。更有甚者當干擾信號過強時就會造成觀測缺失，而缺失部分只能由周圍的正常觀測值插補形成。NCEP-DOE資料主源于地表面（海面）站點觀測，基本不受天氣條件影響。在海霧頻發重發的黃海中部區，CCMP與NCEP-DOE兩者觀測資料受海霧的影響程度不一，這就可能會引起兩者風速的不對應變化。

另一方面，從模型外推的預測檢驗結果中，可發現在東海中部至臺灣以東的遠海區分布著一條風速絕對誤差（AE）相對較大的帶狀區域，AE值多在0.25 m/s以上，比其它遠海區的AE值都要大些（見圖4c），且帶狀區內的風速相對誤差（RE）也相對較高，局部區的RE值可在4%—6%之間（見圖4d）。這種有別于其它遠海的誤差分布，其原因可能歸結于該區臺風活動影響。影響我國海域的臺風多生成于菲律賓以東洋面，按臺風路徑主要分為西進型、登陸型和轉向型3類［24］。西進型臺風主要影響我國南海海域，登陸型和轉向型臺風多影響我國浙江至廣東一帶的東部海域（包括臺灣兩側海域）。西進型臺風在移動路徑中因受菲律賓陸域阻擋，至我國南海時風力多會有所減弱；而登陸型和轉向型臺風移至浙江至廣東一帶的東部遠海（含臺灣兩側海域）時，一路無地形遮擋，風力十分強大，且隨臺風逐漸向大陸靠近或受臺灣島阻擋時，風力又會有所減弱。Hoffman等研究指出［25］，在風速低于16 m/s的情況下，CCMP資料的風速誤差值較為穩定，但隨風速進一步增強，CCMP的風速誤差值會明顯擴大。由此推斷，臺風活動頻繁且風力強度大，可能是引起東海中部至臺灣以東一帶遠海區模型模擬誤差偏大的一個重要原因。

4　結論

本文基于1988—2007年CCMP衛星風場數據和NECP-DOE再分析數據兩者典型空間模態的長期統計關系，構建了我國海域海表面風的統計降尺度模型，并利用2008—2011年的觀測數據對降尺度模型進行了預報檢驗。獲得以下幾點認知：

（1）CCMP風場風速（W）的前15個空間模態和NCEP-DOE（W，SLP，SST）變量的前20個空間模態，分別占各自總方差貢獻的95.6%和97.3%，基本涵蓋了CCMP風場風速及NCEP-DOE海表面風速、氣壓、溫度等變量的絕大部分信息；

（2）利用CCMP（W）與NECP-DOE（W，SLP，SST）兩者典型空間模態的長期統計關系，能夠較為合理地構建出適合于我國海域的海表面風統計降尺度模型。模型交叉驗證結果證實：模擬與觀測兩者風速空間分布的相關性R值可達0.98以上，風速變化趨勢的相關性R值可達0.89（預測模擬）和0.93（回算模擬）；

（3）在陸域沿岸的近海區，統計降尺度模型的模擬能力相對較弱，預測風速的RMSE、AE及RE的大值區多發生在陸域近海，但模型的總體預測誤差相對較小，絕大多數海域的RMSE值和AE值均低于0.25 m/s和0.30 m/s，RE＜-5%或RE＞5%的海區面積僅約占全海域的5%左右。

本文僅以NCEP-DOE（W，SLP，SST）作為預測因子，以CCMP（W）作目標變量，構建了我國海域海表面風的統計降尺度模型，意在能為區域海表面風的降尺度研究提供一些相關參考。如果用全球環流模式（GCM）預估數據替代NCEP-DOE數據，以其作為統計降尺度模型的預測因子，那么便可開展我國海表風未來情景變化的降尺度分析，這方面研究將是我們下一步需開展的工作。

［1］范澤孟，岳天祥，陳傳法，等.中國降水未來情景的降尺度模擬［J］.地理研究，2012，31（12）:2283-2291.

［2］陳威霖，江志紅，黃強.基于統計降尺度模型的江淮流域極端氣候的模擬與預估［J］.大氣科學學報，2012，35（5）:578-590.

［3］成愛芳，馮起，張健愷，等.未來氣候情景下氣候變化響應過程研究綜述［J］.地理科學，2015，35（1）:84-90.

［4］朱宏偉，楊森，趙旭喆，等.區域氣候變化統計降尺度研究進展［J］.生態學報，2011，31（9）:2602-2609.

［5］陳華，郭家力，郭生練，等.統計降尺度方法及其評價指標比較研究［J］.水利學報，2012，43（8）:891-897.

［6］Sailor D J，Li X S.A semiempirical downscaling approach for predicting regional temperature impacts associated with climatic change［J］.Journal of Climate，1999，12（1）:103-114.

［7］Murphy J.Predictions of climate change over Europe using statistical and dynamical downscaling techniques［J］.International Journal of Climatology，2000，20（5）:489-501.

［8］Mpelasoka F S，Mullan A B，Heerdegen R G.New Zealand climate change information derived by multivariate statistical and artificial neuralnetworksapproaches［J］.InternationalJournalof Climatology，2001，21（11）:1415-1433.

［9］Bárdossy A，Stehlík J，Caspary H J.Automated objective classificationofdailycirculationpatternsforprecipitationand temperature downscaling based on optimized fuzzy rules［J］. Climate Research，2002，23:11-22.

［10］Goodess C M，Hall J，Best M，et al.Climate scenarios and decision making under uncertainty［J］.Built Environment，2007， 33（1）:10-30.

［11］范麗軍.統計降尺度方法集合預估華東氣溫的初步研究［J］.高原氣象，2010，29（2）:392-402.

［12］崔妍，江志紅，陳威霖.典型相關分析方法對21世紀江淮流域極端降水的預估試驗［J］.氣候變化研究進展，2010，6（6）:405-410.

［13］薛春芳，董文杰，毛明策，等.渭河流域秋雨統計降尺度預估的試驗研究［J］.熱帶氣象學報，2013，29（5）:849-856.

［14］Guo Y，Li J P，Li Y.Seasonal forecasting of North China summer rainfall using a statistical downscaling model［J］.Journal of Applied Meteorology and Climatology，2014，53（6）:1739-1749.

［15］阮成卿，李建平，馮娟.中國西南地區后冬降水的統計降尺度模型［J］.中國科學:地球科學，2015，45（7）:1020-1033.

［16］湯劍平，高紅霞，李艷，等.IPCC-A2情景下我國21世紀風能變化的統計降尺度方法研究［J］.太陽能學報，2009，30（5）: 655-666.

［17］Atlas R，Hoffman R N，Ardizzone J，et al.A cross-calibrated，multiplatformoceansurfacewindvelocityproductfor meteorological and oceanographic applications［J］.Bulletin of the American Meteorological Society，2011，92（2）:157-174.

［18］趙天保，符淙斌，柯宗建，等.全球大氣再分析資料的研究現狀與進展［J］.地球科學進展，2010，25（3）:242-254.

［19］姚志剛.全球氣候變化對美國東海岸區域氣候變化和風暴潮活動影響的研究［D］.青島:中國海洋大學，2012:13-24.

［20］孫龍，于華明，王朋，等.東中國海及毗鄰海域海面風場季節及年際變化特征分析［J］.海洋預報，2010，27（2）:30-37.

［21］王慧，隋偉輝.基于CCMP風場的中國近海18個海區海面大風季節變化特征分析［J］.氣象科技，2013，41（4）:720-725.

［22］Fu G，Zhang S P，Gao S H，et al.Understanding of sea fog over the China seas［M］.Beijing:China Meteorological Press，2011: 91-127.

［23］齊義泉，施平，王靜.衛星遙感海面風場的進展［J］.遙感技術與應用，1998，13（1）:56-61.

［24］袁俊鵬，江靜.西北太平洋熱帶氣旋路徑及其與海溫的關系［J］.熱帶氣象學報，2009，25（S1）:69-78.

［25］Hoffman R N，Ardizzone J V，Leidner S M，et al.Error estimates for ocean surface winds:applying desroziers diagnostics to the cross-calibrated，multi-platform analysis of wind speed［J］.Journal of Atmospheric and Oceanic Technology，2013，30（11）:2596-2603.

Studies of statistical downscaling model of sea surface wind over China seas

LI Zheng-quan，XIAO Jing-jing，MAHao，FENG Tao
（Zhejiang Climate Center，Hangzhou 310017 China）

Based on long-term statistical relationship of typical spatial modes derived from CCMP wind data and NCEP-DOE reanalysis data，a statistical downscaling model of sea surface wind over China seas is constructed. The results of cross-validation indicate that the simulated wind speed agrees well with the wind speed from CCMP observation，both in spatial pattern and in annual variation.The correlation coefficient（R）of model simulating and CCMP observation is above 0.98 for wind speed spatial pattern，and higher than 0.89 for wind speed annual variation.Moreover，simulating errors of the statistical downscaling model are very low.In most of sea areas，RMSE of wind speed is lower than 0.25 m/s and AE is lower than 0.30 m/s.Only in about 5%sea areas，its RE is higher than 5%or lower than-5%.The errors spatial patterns show that large errors often occur in some offshore areas，because the offshore winds are affected by many factors that come from active local weather systems in meso-scale and small-scale.

sea surface wind；statistic downscaling；empirical orthogonal function；CCMP wind field；NCEPDOE

P732

A

1003-0239（2016）04-0071-09

10.11737/j.issn.1003-0239.2016.04.009

2015-10-16

中國氣象局氣候變化專項（CCSF201427）；浙江省氣象科技計劃重點項目（2014ZD05）；公益性行業（氣象）科研專項（GYHY201306050）。

李正泉（1978-），男，高級工程師，博士，主要從事氣候變化與生態研究。E-mail∶lzq110119@163.com