云貴川三省汛期月降水的模式釋用集成預測研究

姚 愚 , 晏紅明

（云南省氣候中心，昆明 650034）

引言

月季時間尺度的旱澇趨勢預測是短期氣候預測業務的重要內容。近年來，氣候動力模式發展迅速，模式預測的準確率和時空分辨率不斷提升[1?5]。氣候動力模式普遍對大尺度大氣環流的模擬和預測能力較高，但在對氣溫和降水等氣象要素作預測時，引入了云輻射、對流性降水等參數化方案作近似描述，使得模式對氣象要素模擬和預測能力較差。由于大氣環流場對區域降水量分布有很好的預測指示意義，充分利用歷史資料和模式產品，采用動力和統計相結合的思路，將氣候模式模擬較準確的環流信息應用于有物理意義的統計模型，可以糾正模式的預報誤差，提高模式預測性能[6?8]。目前這種動力和統計相結合的氣候預測方法已在國家和省級業務單位得到廣泛應用。國家氣候中心（National Climate Center，NCC）基于耦合全球環流模式（Coupled Global Circulation Model，CGCM）以及最優因子訂正和異常因子訂正兩種預測方案，建立了動力和統計集成的中國季節降水預測系統(Forecast System on Dynamical and Analogy Skills，FODAS)，在汛期降水預測中體現了較高的預報技巧[6]。針對不同區域的動力統計相結合的氣候預測研究也取得了很多成果[9?14]，一些研究還嘗試通過改變預報因子和預報對象的描述形式，例如利用增量資料做模式釋用和預測研究[15?18]，以提高氣象要素的預測準確率，取得了很好的預測效果。

多模式集合預測通過對不同來源的模式結果進行集成，有助于減少單一預報結果的不確定性和系統性誤差，多數情形下預測評分優于參與集成的單個預報結果[19?23]。國家氣候中心的多模式降尺度集成預測系統（Multi-model Downscaling Ensemble Prediction System，MODES）采用4種氣候業務季節預測模式輸出場，利用4種統計降尺度方法以及等權平均、經典超級集合等集成方法進行全國月及季節降水和氣溫預測，應用表明該系統對氣溫和降水月平均PS評分分別為76和68，優于模式結果[19]。

中國西南地區的云南、貴州和四川三省受季風氣候影響，境內地形復雜，汛期月降水量年際變率較大，增加了旱澇預測的困難和不確定性。本文利用氣候動力模式產品的歷史資料、大氣環流再分析資料以及氣象站觀測資料等，對云貴川三省汛期月降水開展模式釋用和集成預測研究，其中模式釋用采用原始資料和增量資料分別給出預測結果，對比分析模式結果、釋用結果和集成結果對云貴川三省汛期月降水的預測性能，以增強對氣候模式產品的解釋應用能力，提高云貴川三省月降水的預測準確率和防范旱澇災害的能力。

1 資料和方法

1.1 資料

本文使用的資料有：（1）模式資料來自國家氣候中心MODES多模式數據集第一代產品[19]，包括NCC_CSM11、NCEP_CFS2和ECMWF_SYSTEM4三種數值模式（以下分別簡稱NCC、NCEP和EC）提供的200hPa和500hPa位勢高度場（h200和h500）、200hPa和850hPa的緯向風和經向風（u200、v200、u850和v850）共計6個要素，空間分辨率均為2.5°×2.5°。模式對測站的降水預測由日降水率（presfc）要素(單位為mm/d)插值到站點上得到；（2）美國國家環境預報中心（National Centers for Environmental Prediction，NCEP）提供的上述6個環流要素月平均再分析資料，分辨率為2.5°×2.5°；（3）云南、貴州和四川三省359個觀測站的月降水量，其中云南125個測站、貴州84個測站、四川150個測站。

由于汛期氣候預測會商一般在每年3月底舉行，4月上旬發布夏季氣候趨勢預測，三種模式中EC模式的預測月數最短為7個月，NCC模式回報資料起始年份最短從1991年開始，因此本文采用1991～2019年間三種模式3月起報的資料，對未來7個月（3～9月）逐月降水量開展釋用和集成預測研究，夏季降水由6～8月3個月的降水量累加得到。采用增量資料計算時，以上3類資料均處理為年際增量值，即用當年數值減去前一年數值，得到各類變量的年際增量序列。

1.2 方法

1.2.1 模式釋用方法

模式釋用方法采用搜尋模式“有預測技巧的高影響關鍵區”+逐步回歸的建模方案，對預報對象場EOF主分量作預測，再還原為預報對象場。以利用某種模式A月起報的模式產品對M月降水量做模式釋用為例，具體處理步驟如下：

（1）對M月預報對象場作EOF分解，提取方差貢獻超過90%的前幾個主分量。

（2）計算A月起報的模式對M月6個環流預測場與同期NCEP再分析資料相應環流場的空間相關系數，查找顯著性檢驗超過95%的正相關區，記為R1。

（3）計算M月預報對象場第一主分量與同期NCEP再分析資料6個環流場的空間相關系數，查找顯著性檢驗超過95%的高相關區，記為R2。

（4）挑取R1與R2相重合的區域，該區域即為模式“有預測技巧的高影響關鍵區”[20,24]。該區域環流因子對預報對象的主分量既有高相關，同時又能被模式較好地模擬。計算逐年A月起報的模式預測M月各高影響關鍵區相應環流因子的區域平均值，作為備選因子進入因子庫。

（5）對同一模式6個環流要素進入因子庫的資料，利用逐步回歸和交叉檢驗計算準則，與M月預報對象場第一主分量建立預報關系，得到該模式對M月預報對象場第一主分量的釋用預測結果。交叉檢驗即在建模的樣本時段內，對每一年份均用剩余年份資料建立預報關系，輪流對全部年份做預測，以確保每一年份的預測值都是獨立樣本檢驗，從而使得到的預報技巧與實際使用該方法時相接近[25]。

（6）重復以上3～5步的步驟，得到全部所選的M月預報對象場主分量的釋用預測結果，進而再還原得到A月起報的該模式對M月預報對象場原值的預測結果。

圖1給出了基于增量資料的釋用預測計算步驟框圖。若使用原始資料做釋用預測，則不對模式產品、再分析資料和降水量實況數據處理為年際增量序列，其余步驟完全一致。

圖1 基于增量資料的模式釋用預測計算步驟

1.2.2 集成方案

超級集合平均集成最早由Krishnamurti等[26]提出，不同于等權重的簡單算術平均，超級集合平均可對參與集成的成員根據歷史表現確定不同權重系數。設有m個參與集成的成員，每個成員有n次預測值fij(i=1,···m,j=1,···n)， 對 應的實況值為yj(j=1,···n)。根據多元線性回歸理論，建立回歸方程：

上式中ai(i=1,···m)即為m個參與集成的成員對應權重系數，a0為 一常數項， ^yj(j=1···n)即為采用超級集合平均方法的集成預測結果。對比各成員的集成系數，還可比較各成員的預測性能。限于篇幅，本文使用超級集合平均集成方法，對3～9月各月和夏季3種增量資料的模式釋用結果進行集成，評估集成結果預測性能。

1.2.3 評分檢驗方法

采用距平同號率（PC）、趨勢異常綜合（PS）和距平相關系數（ACC）三種評分方法，具體計算方法與國家氣候中心業務規定一致，可參閱相關文獻[3，20]。三種評分可從不同角度衡量預報產品的預測性能，PC評分反映預報與實況距平符號一致的程度，PS評分反映預報對實況異常量級的把握能力，ACC主要體現預報與實況空間分布型的符合程度。

2 三種模式的預測性能評估

圖2給出1991～2019年3月起報的三種數值模式結果對云貴川三省3～9月逐月及夏季降水的PC、PS和ACC評分，橫線是模式對3～9月各月預測評分的平均值。由圖2a～b可知，各模式PC評分一般在50%～60%，PS評分一般在60%～70%。各月平均NCEP模式的PC和PS評分最高，分別為53.1%和68.4%，其次是EC，最次是NCC。三個模式預報PC和PS評分有一定的月際變化，各模式在起報月3月的PC和PS評分均為最高，評分最低月份則各不相同。對夏季降水EC模式的PC和PS評分最高分別為53.1%和67.8%，其次是NCEP，NCC最低。各模式的ACC在?0.07～0.22，各月ACC平均EC模式最高達0.06，NCEP模式次之為0.05，NCC模式最低為0.04。各模式在起報月3月的ACC最高，其中NCEP模式的ACC最高達0.22，最低月份各不相同。對夏季降水EC模式ACC最高達0.07，NCC次之，NCEP最低。

圖2 模式結果對3～9月逐月及夏季降水的預測評分（a. PC，b. PS，c. ACC）

圖3給出了3月起報的三種模式結果對云貴川三省3～9月降水PC評分月平均值的空間分布。可以看出，三種模式PC評分月平均值基本為40%～60%，不同模式PC評分高低值區分布各不相同。EC模式對四川中部和北部、貴州西部和云南東南部月降水PC評分較低，為40%～50%；對四川西部和南部、云南大部、貴州中東部降水PC評分較高，為50%～60%。NCEP模式在四川北部和東部、云南東北部和貴州西部PC評分較低，為40%～50%；對四川中部和南部、云南大部和貴州大部PC評分較高，為50%～60%。NCC模式PC評分在四川中部和西北部、云南西部和東南部PC評分較低，為40%～50%；對云南中部和南部、貴州大部PC評分較高，為50%～60%。PS和ACC評分的高低值區域分布(圖略)與PC評分相似。

3 模式釋用和集成預測結果性能評估

3.1 原始資料釋用結果的預測性能

圖4給出了1991～2019年3月起報的三種模式的原始資料釋用結果預測評分與模式結果對應評分的差值，橫線是三種模式3～9月各月預測評分差值的平均值。

圖4 原始資料釋用結果與模式結果的預測評分差值（a. PC，b. PS，c. ACC）

由圖4，各模式原始資料釋用結果對PC評分的提升不明顯，各月評分差值正負相間。EC模式PC評分月均提高了0.5%，NCEP模式月均提高了1.7%，NCC模式月均降低了0.2%；對夏季降水，EC模式PC評分降低了2.9%，NCEP和NCC模式分別提高了1.5%和1.4%。釋用結果對PS評分基本為正訂正，EC、NCEP和NCC模式月均分別提高5.9%、5.5%和5.1%，對夏季降水分別提高2.1%、4.7%和4.9%。釋用結果ACC評分較模式結果略有提高，EC、NCEP和NCC模式月均分別提高了0.04、0.08和0.02；對夏季降水，EC模式釋用結果降低了0.01，NCEP和NCC模式分別提高了0.10和0.08。在釋用結果與模式結果預測評分的月平均差值空間分布圖上(圖略)，PC和ACC評分差值呈正負相間分布，各模式釋用結果在模式結果評分較低的地區為正訂正，在模式結果評分較高的地區為負訂正；PS評分則在三省范圍內以正訂正為主。

基于以上分析可知，原始資料的釋用結果對月降水預測的PS和ACC評分較模式結果有所提升，但對PC評分的改進不明顯，這一結論與姚愚等[24]的研究相一致。為改進釋用方法的預測性能，本文計算了基于增量數據的模式釋用結果及預測評分。

3.2 增量資料釋用結果的預測性能

圖5給出了增量資料釋用結果與模式結果對應評分的差值，橫線是3～9月評分差值的平均值。由圖5a可知，PC評分除EC模式對3月降水為負訂正外，其余模式釋用結果均為正訂正。訂正效果最好的是EC模式對4月降水的預測提高了12.9%，其次是EC模式對9月降水的預測提高了9.8%。EC、NCEP和NCC三種模式增量資料釋用結果PC評分月均提高了6.0%、4.5%和6.0%，超過了原始資料釋用結果的提升幅度，表明增量資料釋用結果可明顯改進云貴川三省汛期月降水距平符號的預測能力。對夏季降水，EC、NCEP和NCC模式增量資料釋用結果PC評分月均分別提高2.4%、5.2%和6.1%，提升幅度均超過原始資料釋用結果相應評分。由圖5b～c可知，各月各模式PS評分和ACC評分均為正訂正。EC、NCEP和NCC三種模式增量資料釋用結果PS評分月均分別提高了11.8%、9.5%和12.0%，ACC月均分別提高了0.17、0.19和0.20，各模式提升幅度均超過原始資料釋用結果的相應評分。對夏季降水，EC、NCEP和NCC模式增量資料釋用結果PS評分較模式結果月均分別提高8.0%、9.6%和10.6%，ACC月均分別提高0.10、0.20和0.19，提升幅度均超過原始資料釋用結果的相應評分。以上分析表明，各模式增量資料釋用結果對云貴川三省汛期月降水的PC評分均超過了對應的模式結果，PS和ACC評分也較原始資料釋用結果有進一步提高。

圖5 增量資料釋用結果與模式結果的預測評分差值（a. PC，b. PS，c. ACC）

圖6給出了三種模式增量資料釋用結果與模式結果PC評分月平均差值的空間分布。可以看出，各模式增量資料釋用結果PC評分以正訂正為主，EC模式在模式結果PC評分較低的四川中部可提高10%以上，其余大部地區可提高0～10%。NCEP模式在模式結果PC評分較低的四川北部和東部可提高10%以上，在云南西部和貴州局部有負訂正區域，其余大部地區可提高0～10%。NCC模式在模式結果PC評分較低的四川西部和東部可提高10%以上，貴州局部為負訂正，其余大部地區可提高0～10%。各模式增量資料釋用結果PS和ACC評分與模式結果月平均差值空間分布圖（圖略）也以正訂正為主，在模式結果評分較低區域提升幅度較大。

圖6 增量資料釋用結果與模式結果的月均PC評分差值空間分布（a. EC，b. NCEP，c. NCC）

基于以上分析可知，與模式結果和原始資料釋用結果相比，增量資料釋用結果的預測性能更為優越，特別是在云貴川大部地區，增量資料釋用結果的月平均PC評分超過了模式結果，這與鄭然等[17]和王春學等[18]的結論一致。研究表明，氣象要素和氣候系統變化具有準兩年周期振蕩現象[27?28]，即對流層兩年周期振蕩（Tropospheric biennial oscillation，TBO），且自20世紀80年代以來中國降水的準兩年振蕩呈增強趨勢。用年際增量來描述氣候要素，相當于對其進行高通濾波處理，可在一定程度上去除年代際變化的影響，放大年際環流異常信號對預報對象的作用，突出準兩年振蕩的特征，使所建立的預報關系更加穩定可靠，從而提高釋用結果的預測性能。

3.3 集成結果預測性能

以上分析表明增量資料釋用結果的預測性能較為優越，進一步利用超級集合平均方法，對各月三種模式的增量資料釋用結果進行集成，并對集成結果預測性能進行評估。圖7a～c給出3～9月逐月和夏季集成結果的PC、PS和ACC評分，與當月參與集成的成員評分最高值以及模式結果評分最高值的差值。圖7d給出了3～9月集成結果PC評分月平均值的空間分布。

圖7 集成結果與集成成員和模式結果最高評分的差值（a. PC，b. PS，c. ACC）及集成結果月均PC評分空間分布（d）

由圖7a～c，各月集成結果預測評分與當月參與集成的成員最高評分的差值，除3月PS評分為負外，其余均為正。集成結果的PC、PS和ACC評分較當月參與集成的成員最高評分月均分別提高5.9%、0.5%和0.15，表明集成結果的預測性能較模式釋用結果有進一步改進，體現了模式集成的優勢。與各月模式結果最高評分相比，集成結果對ACC月均評分提高了0.34，PS評分和PC評分均提高了11.2%，各項評分的提高幅度較增量資料釋用結果更為顯著。對夏季降水，集成結果PC、PS和ACC評分較參與集成的成員最高評分分別提高7.6%、2.1%和0.21，較模式結果最高評分分別提高了11.3%、11.3%和0.35。由圖7d可知，集成結果的月均PC評分在云貴川大部地區為60%～70%，僅有零星區域PC評分低于60%。與圖3相比，集成結果的PC評分較模式結果有顯著提高。集成結果的月均PS和ACC評分空間分布（圖略）也較模式結果有明顯提升。

基于以上分析可知，采用超級集合平均集成方法，根據參與集成的的成員預測性能的歷史表現確定權重系數，可突出預測性能較好的成員作用，從而提升集成結果預測性能。集成結果對降水空間分布形態改善最明顯，其次是對降水的距平符號分布，對異常量級降水的預測改進不明顯。

4 結論與討論

本文使用國家氣候中心MODES多模式數據集中的EC、NCEP和NCC三種氣候模式產品，客觀定量地分析比較了三種模式對云南、貴州和四川三省3～9月各月及夏季降水的模式結果、原始資料釋用結果和年際增量資料的釋用結果及集成結果的預測性能。結論如下：

（1）對三種模式結果，各月平均的PC和PS評分均為NCEP模式最高，EC次之，NCC最低；ACC評分EC最高，NCEP次之，NCC最低。對夏季降水，EC模式三種評分均最高。不同模式對月降水預測性能的空間分布各不相同，EC模式對四川中部和北部、貴州西部和云南東南部月降水預測性能較低，對四川西部和南部、云南大部、貴州中東部降水預測性能較高。NCEP模式對四川北部和東部、云南東北部和貴州西部預測性能較低，對四川中部和南部、云南和貴州大部預測性能較高。NCC模式對四川中部和西北部、云南西部和東南部預測性能較差，對云南中部和南部、貴州大部預測性能較高。

（2）三種模式原始資料釋用結果月均PC評分與模式結果相近，PS和ACC評分則有所提高，PS評分月均可提高5%～6%，ACC月均提高0.02～0.08。增量資料釋用結果PC評分較模式結果月均可提高4.5%～6.0%，PS評分月均提高9.5%～12.0%，ACC月均提高0.17～0.20。各模式增量資料釋用結果PC評分與模式結果之差在大部地區均為正，在模式結果評分較低的區域提升幅度較大可達10%以上。增量資料釋用結果的預測性能優于模式結果和原始資料釋用結果。

（3）增量資料的集成結果預測評分在絕大多數情形下超過參與集成的成員評分最高值。集成結果對ACC提升最明顯，表明集成結果對降水預測的空間分布形態改善最明顯，其次是降水的距平符號分布，對異常量級降水的預測改進不明顯。

提高降水預測的準確率是短期氣候預測工作的重要目標，開展客觀定量的氣候模式釋用和集成方法研究是提升預測水平的重要途徑。本文定量比較了3月起報的EC、NCEP和NCC模式對云南、貴州和四川三省3～9月各月和夏季降水的預測性能，限于篇幅未能分析其它月份起報的模式產品的預測性能，這方面工作仍有待開展。本文結論表明將預報對象轉換為年際增量形式，可放大年際環流異常信號對預報對象的作用，顯著提高模式釋用結果預測性能。如何將動力和統計方法更有機地結合，仍值得進一步深入研究。此外MODES數據集第一代產品空間分辨率為2.5°×2.5°，將模式數據插值到測站時由于不夠精細，可能影響模式結果的降水預測評分。目前國家氣候中心已推出MODES二代產品，模式數據分辨率提升至1.0°×1.0°，下一步可應用新的模式數據做分析研究，以提高汛期月度降水的預測水平，增強防御旱澇災害能力。