基于BCC_CPSv2模式的淮河流域月參考作物蒸散概率訂正預報

曹 雯，段春鋒，徐 祥，程 智，汪栩加

·農業水土工程·

基于BCC_CPSv2模式的淮河流域月參考作物蒸散概率訂正預報

曹 雯1,3，段春鋒2※，徐 祥1,3，程 智2，汪栩加2

（1. 安徽省農業氣象中心/安徽省農業生態大數據工程實驗室，合肥 230031；2. 安徽省氣候中心，合肥 230031；3. 安徽省氣象科學研究所，安徽省大氣科學與衛星遙感重點實驗室，合肥 230031）

參考作物蒸散（Reference Crop Evapotranspiration，ET0）預報在農業水資源配置、區域干濕演變評估方面有著重要作用。該研究基于國家氣候中心第二代氣候預測系統（Beijing Climate Center Second-Generation Climate Prediction System，BCC_CPSv2）模式預報數據和1991－2020年淮河流域地面氣象觀測數據，利用分位數映射法對模式預報的氣象要素進行概率訂正，采用Penman-Monteith公式計算ET0，并評估了訂正前后BCC_CPSv2模式對淮河流域月ET0和氣象要素的預報性能。結果表明：1）模式對平均氣溫、凈輻射和相對濕度的預報值較觀測值偏小，風速預報值在3－6月偏小，其他月份偏大，4個氣象要素預報的均方根誤差（Root Mean Square Error，RMSE）分別為1.84 ℃、1.70 MJ/m2d、15.79%和1.39 m/s；氣象要素預報偏差導致2－6月ET0預報值較計算值偏小，1月和7－12月偏大，區域平均RMSE為0.59 mm/d，絕對百分比誤差（Mean Absolute Percentage Error，MAPE）為21.9%。2）概率訂正有效降低了氣象要素和ET0的預報誤差。氣溫、凈輻射、相對濕度和風速預報訂正值的RMSE均小于訂正前；80%月份ET0預報訂正值的RMSE小于訂正前，區域平均RMSE減小了0.23 mm/d，MAPE減小了11.2%。3）夏半年和冬半年ET0預報誤差的首要來源分別是凈輻射和相對濕度，主要是由于模式對這2個要素的預報精度較低且ET0對其敏感，誤差容易傳遞。可見，基于模式概率訂正的月尺度ET0預報方法精度較高，可以為水資源優化管理、灌溉制度制定和農業中長期需水決策提供參考。

蒸散；氣候；模式；預報；概率訂正；淮河流域

0 引 言

參考作物蒸散量（Reference Crop Evapotranspiration，ET0）是估算作物需水量的基礎，也是區域干濕狀況評估、灌溉預報和水資源管理計劃制定的關鍵參數[1-2]。準確預報參考作物蒸散可以有效提高灌溉預報和干濕狀況預評估的可靠性，提升水分利用效率。

近年來，為了改善用水管理，實時做出灌溉決策，國內外學者提出利用天氣預報開展日尺度ET0預報。一種思路是將氣溫、風速等氣象要素的數值天氣預報結果直接代入ET0計算式，如利用Penman-Monteith公式和數值天氣預報提前1～6 d預報ET0[3]，基于氣溫預報和Hargreaves-Samani公式的ET0預報模型[4]。另一種思路是將天氣預報、統計學方法和人工智能融合，如徐俊增等[5]結合日尺度天氣預報和神經網絡模型對ET0進行預報；張展羽等[6]利用最小二乘支持向量機方法，建立了基于逐日天氣預報的ET0預報模型。

隨著氣候模式和降尺度技術的發展，未來氣候情景下參考作物蒸散預估成為農業、氣象和水資源等領域的研究熱點，為未來農田水利規劃設計、水土資源優化配置和種植結構調整提供參考。未來ET0預估主要有2種思路：1）在歷史ET0的基礎上，通過降尺度方法直接預估ET0，如牛紀蘋等[7-8]在石羊河流域、川中丘陵區采用Penman-Monteith公式計算ET0，并基于氣候模式輸出結果，利用統計降尺度模型預估ET0；2）先采用降尺度方法將氣候模式輸出的氣象因子降為站點尺度，再采用公式估算ET0，如唐曉培等[9-11]在黃淮海地區、渭河流域和京津冀地區，將氣候模式輸出結果降尺度到站點，生成未來氣象要素序列，并通過率定的Hargreaves公式或Penman-Monteith公式預估ET0。

從時間尺度來看，已有的ET0預報研究主要集中在短期天氣預報和未來情景預估方面，而月、季預報研究涉及較少。國外Tian等[12]利用美國國家環境預測中心第二代氣候預測系統（National Center for Environment Prediction-Climate Forecast System version 2，NECP_CFSv2）模式數據對美國月、季ET0預報做了探索，認為借助氣候模式預測產品，月、季ET0具有一定的可預報性。但國內目前未見文獻報道月、季ET0預報的相關研究。延長ET0的預報時效到月、季尺度，對于作物需水量估算、區域干濕狀況評估和干旱影響預估等有著重要作用。

國家氣候中心第二代氣候預測系統（Beijing Climate Center Second-Generation Climate Prediction System，BCC_CPSv2）是中國新一代氣候預測業務模式系統，目前已經投入業務運行，對東亞氣候有一定預報能力[13-18]。模式能夠直接輸出ET0計算所依賴的氣溫、輻射、風速、濕度等氣象要素，為月、季ET0預報提供了可能性。然而氣候模式在模擬氣象要素方面存在系統誤差，需要利用誤差訂正或降尺度來彌補這一不足。池艷珍等[19-20]研究表明線性回歸、空間分解和去趨勢偏差訂正等方法能夠有效提高BCC_CPSv2模式對降水和氣溫的預報性能。分位數映射法是一種典型的基于概率分布的模式誤差訂正方法，由于在非獨立誤差訂正方面的優勢，已經成為氣溫、降水模式預報誤差訂正的主流方法[21-22]。因此，本研究利用國家氣候中心第二代氣候預測系統模式開展月尺度參考作物蒸散的預報性能評估及其訂正，旨在探討2個問題：1）氣候模式對月尺度ET0的預報性能；2）概率訂正方法改進模式對ET0的預報性能，以期為參考作物蒸散月預報提供科學依據。

1 數據與方法

1.1 數據來源

預測使用模式：預測使用模式資料來源于BCC_CPSv2。BCC_CPSv2基于氣候系統模式BCC_CSM1.1 m建立，其中大氣分量模式為BCC_AGCM2.2，水平分辨率為T106，垂直方向有26層；陸面分量模式為BCC_AVIM1.0，水平分辨率為T106；海洋分量模式為MOM_L40，水平分辨率為(1/3)°～1°，垂直方向有40層；海冰分量模式為美國地球物理流體力學實驗室發展的海冰模擬器SIS；各分量模式通過耦合器（CPL5.1）直接耦合在一起[23-24]。基于張弛逼近方法初始化，使用滯后平均預報和奇異向量擾動相結合的集合預測方案[19]。模式預報從1991年至今，每月1日起報，有24個集合成員，輸出未來13個月的月平均地表氣象要素和大氣環流要素，分辨率為1°×1°。

預測使用數據：選取1991－2020年共30 a的模式資料進行參考作物蒸散的預報評估和訂正研究。模式數據取24個成員集合平均的月平均預測結果，使用的要素包括平均氣溫、凈長波輻射、凈短波輻射、緯向風、經向風和比濕。模式的相對濕度由比濕與氣溫根據比濕定義和氣體狀態方程計算獲得[25]；凈輻射為凈短波輻射與凈長波輻射之差，單位統一換算為MJ/(m2·d)；地面風速由緯向風和經向風計算獲得[25]。為了使模式數據和氣象站點觀測數據的分辨率保持一致，利用雙線性插值方法將模式格點值插值到淮河流域172個氣象站點（圖1）。

圖1 淮河流域氣象站點分布

實測數據：地面氣象觀測資料來源于安徽省氣象信息中心，包括淮河流域172個氣象站點1991－2020年逐月氣溫、風速、日照時數和相對濕度數據，已經過質量檢測、質量控制、人工核查和數據更正。氣溫、風速、日照時數和相對濕度數據的缺測率分別為1.1%、1.2%、1.5%和1.6%，數據缺測的月份不參與計算。

1.2 研究方法

1.2.1 基于Penman-Monteith公式計算ET0

ET0根據聯合國糧農組織（Food and Agriculture Organization of the United Nations，FAO）在1998年推薦的Penman-Monteith公式[26]計算獲得。Penman-Monteith公式（式（1））以能量平衡和水汽擴散理論為基礎，較全面考慮了作物的生理特征和空氣動力學參數的變化[26]，在濕潤和干旱等各種氣候條件地區均得到廣泛運用。

=0.14(t?t-1)（2）

式中ET0是參考作物蒸散量，mm/d；Δ是溫度隨飽和水汽壓變化的斜率，kPa/℃；n是凈輻射，MJ/(m2·d)，根據FAO56推薦的模型[26]計算獲得；是土壤熱通量密度，MJ/(m2·d)；是干濕表常數，kPa/℃；是平均氣溫，℃；2是2 m高處風速，m/s；s是飽和水汽壓，kPa；a是實際水汽壓，kPa；t和t-1分別為某月和其前一月的月平均氣溫，℃。

1.2.2 概率訂正方法

利用分位數映射法對模式的預報結果進行概率訂正。該方法的原理是基于模式集合平均給出的確定性預報，結合模式回算數據計算得到的模式概率密度分布，給出確定性預報在模式概率密度分布中的百分位值，并將百分位值投影到觀測資料的概率密度分布中，得到模式確定性預報的概率訂正值[27-29]。具體計算可以利用式（3）獲得。

式中表示某個變量，本文中指平均氣溫、凈輻射、相對濕度和風速；x和x是預報期（）模式數據（用下標表示）變量的預報值以及預報值的訂正結果；F是歷史校準期間（用下標表示）模式數據變量預報值的經驗累積概率分布函數；F和F-1是校準期間觀測數據（由下標表示）變量觀測值的經驗累積概率分布函數和逆經驗累積概率分布函數。該方法的優點在于將模式確定性預報轉化為基于模式預報分布的百分位值，因此預報結果包含了相對模式氣候平均值的偏移和極端性兩方面的信息[12]。訂正預報僅參考了模式預報的百分位信息，可以有效避免模式相對觀測的系統性偏差。

采用交叉檢驗的方式對模式輸出的氣象要素預報值進行概率訂正和檢驗評估。從1991年開始，每次輪流留出一年作為預報年，余下的所有年作為歷史校準期，利用分位數映射法對預報年模式的氣象要素預報值進行訂正。這樣依次進行，直到全部年份都作為留出的預報年訂正完畢，獲得1991－2020年每年的預報訂正值。利用檢驗評估指標，統計逐月的30 a預報訂正值與觀測值的平均誤差情況，來評估分位數映射法的訂正效果。

1.2.3 評估方法

預報性能的檢驗評估指標包括相關系數（）、平均偏差（Mean Bias Error，MBE）、均方根誤差（Root Mean Square Error，RMSE）和平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE），其計算式見文獻[30]。其中，表示預報與觀測之間相關關系密切程度；MBE的正負表示預報相較于觀測總體上是否存在高估或低估；RMSE是衡量預報誤差大小的關鍵指標；MAPE是預報與觀測之間相對誤差絕對值的平均。

2 結果與分析

2.1 氣象要素預報性能評估

參考作物蒸散ET0明確了作物類型、作物生長狀況和土壤水分狀況，只受到氣溫、風速和太陽輻射等氣象要素的影響[26]。因此，ET0的準確預報依賴于氣象要素的預報準確性。首先通過對比模式預報的淮河流域172個站點氣象要素值（稱為預報值）與對應的觀測值，檢驗評估模式對計算ET0的關鍵氣象要素的預報能力，并基于觀測數據，利用分位數映射法對模式預報結果進行訂正（稱為預報訂正值）和檢驗，結果見表1和圖2。

平均氣溫（）用于計算ET0中的飽和水汽壓和土壤熱通量。與其他3個氣象要素相比，模式對平均氣溫的預報精度較高，除冬季外，其他各月的平均絕對百分比誤差MAPE均低于10.0%。訂正前，平均氣溫預報值較觀測值總體偏小（圖2a），尤其是冬季（12—2月，下同）。各月的RMSE在1.32～2.51 ℃之間，平均值為1.84 ℃，其中冬季RMSE最大。訂正值與觀測值之間的差異明顯減小（圖2a），各月RMSE在1.04～1.67 ℃之間，平均值為1.32 ℃，對冬季的氣溫預報改進效果最明顯。

表1 氣象要素模式預報值和預報訂正值的平均偏差、均方根誤差和平均絕對百分比誤差

凈輻射（n）是ET0中的能量來源項。模式預報的n較觀測值呈系統性偏小（圖2b）。各月RMSE在1.34～2.04 MJ/(m2·d)之間，平均值為1.70 MJ/(m2·d)，冬、夏（6－8月，下同）兩季RMSE較大。訂正后，與觀測值的差異顯著減小（圖2b），各月RMSE在0.11～1.45 MJ/(m2·d)之間，平均值為0.74 MJ/(m2·d)，冬季凈輻射預報改進效果最好。

相對濕度（Relative Humidity，RH）用于計算ET0中的水汽壓差。RH預報值總體較觀測值偏小（圖2c），各月RMSE在9.11%～23.89%之間，平均值約15.79%，秋（9－11月，下同）、冬兩季較大。訂正后，各月RMSE在5.08%～9.77%之間，平均值約7.38%，秋季相對濕度預報改進效果最好。

風速（2）是ET0的重要動力項。訂正前，風速預報值與觀測值的相關系數較低，有11個月未超過0.3，其中11月呈負相關。預報值在3－6月偏小，其他月份偏大（圖2d）。各月的RMSE在0.80～3.04 m/s之間，平均值為1.39 m/s；冬季尤其是12月最大。訂正后，相關系數普遍超過0.5，且都呈正相關；各月RMSE在0.48～0.59 m/s之間，均值為0.53 m/s，與觀測值的偏離程度明顯減小（圖2d），冬季風速預報改進效果最好。

圖2 1991－2020年氣象要素模式預報值和預報訂正值與觀測值的偏差

綜上，4個計算ET0的關鍵氣象要素中，模式對于氣溫的預報最好，多數月份的MAPE均低于10.0%；風速最差，各月的MAPE基本都超過50.0%。分位數映射概率訂正對模式預報有較好的訂正效果，提高了預報與觀測的相關性，明顯減小了預報與觀測之間的差異，尤其是風速和凈輻射的MAPE分別降低了40.8百分點和19.5百分點。這表明模式訂正對于提高氣象要素預報準確率非常必要，有助于提高ET0的預報水平。

2.2 ET0預報性能評估

將利用Penman-Monteith公式和氣象要素觀測值計算的ET0稱作ET0計算值；利用模式預報的氣象要素計算的ET0記為ET0預報值；基于模式預報概率訂正后的氣象要素計算獲得的ET0記為ET0預報訂正值。

訂正前，ET0預報值與計算值的相關系數較低，僅有2月、3月、11月和12月超過0.4（<0.05），9月呈負相關；各月兩者之間的差異范圍為?1.42～1.64 mm/d，呈現一谷兩峰的年內特征；MAPE為21.9%。預報值在多數年份的2－6月偏小，其中4月偏小最明顯，平均偏差MBE為?0.57 mm/d，其他月份均偏大（圖3）。ET0計算值的峰值多出現在6月，而ET0預報值的峰值推遲至7月，因此7月預報值明顯偏大，MBE為0.45 mm/d；此外，ET0次小值的11月和12月偏差也較大，MBE分別為0.53和0.46 mm/d。空間上，ET0預報值在1月和7月呈經向分布，1月由東部沿海向西部內陸遞減，7月由西南部山區向東部遞減；4月和10月呈緯向分布，4月由南向北遞增，10月由南向北遞減（圖4）。但由于模式的空間分辨率（1°×1°）較低，與計算值相比，在各月都未能反映精細化ET0空間分布特征。

圖3 1991－2020年參考作物蒸散模式預報值和預報訂正值與計算值的偏差

訂正后，ET0訂正值與計算值的年內、年際變化規律基本一致，峰值都大多出現在6月。兩者在各月均呈正相關，除7－9月外，相關系數都大于0.4（<0.05），其中3月和12月超過0.7（<0.05）。兩者之間的偏離程度明顯減小，各月偏差范圍為?1.20～1.16 mm/d（圖3），平均偏差MBE絕對值小于0.02 mm/d；平均絕對百分比誤差MAPE為10.7%，較訂正前減小了11.2%。尤其是在訂正前偏差明顯的4月、5月、7月、11月和12月的ET0的預報改進效果最好。空間上，各月ET0分布均與計算值基本一致（圖4）。這表明分位數映射概率訂正對ET0模式預報結果的改進有效可行。

2.3 ET0預報誤差及其來源

圖5是1991－2020年逐年各月ET0預報值、訂正值與計算值之間的均方根誤差RMSE以及兩者之間的差異。各月RMSE在2000年之后多數都有所增大，尤其是在夏季（6－8月）。訂正前、后的RMSE范圍分別是0.11～1.70和0.05～1.22 mm/d，區域均值為0.59和0.36 mm/d，夏季大于其他季節。2003年6－8月、2014年6－8月等月份由于時段內淮河流域氣候異常，發生了干旱和連陰雨等災害性天氣，造成模式訂正前預報效果較差，RMSE超過1.5 mm/d。訂正后，80%月份RMSE減小，區域平均RMSE減小了0.23 mm/d。特別是2002－2015年7－8月，降低0.2～0.7 mm/d，精度明顯提高；20%月份RMSE沒有減小，預報效果未有改進，如1997－1999年3－5月和7－9月、2014－2017年的4－7月。

圖4 淮河流域ET0計算值、模式預報值和預報訂正值的空間分布

圖5 1991－2020年ET0模式預報值與預報訂正值的均方根誤差對比

圖6是1月、4月、7月和10月ET0預報值、訂正值與計算值之間RMSE的空間分布。訂正前，1月RMSE最小，高值區在東部沿海，超過0.5 mm/d，其他地區RMSE為0.2～0.5 mm/d；10月其次，RMSE高值區位于沿海和西南部山區，為0.6～1.0 mm/d，其他地區RMSE在0.3～0.6 mm/d之間；說明模式對秋、冬季沿海預報精度較低。4月、7月與1月、10月不同，沿海地區的RMSE值較小，分別不超過0.5 mm/d和0.7 mm/d；西南部山區由于地形復雜，氣候變率大，預報難度較高，RMSE較大，4月和7月的RMSE分別為0.7～1.0 mm/d和0.9～1.2 mm/d。模式的空間分辨率（1°×1°）較低，無法準確反映下墊面狀況的差異，是ET0預報誤差的重要來源。

訂正后，各月RMSE均大幅減小，且1月，4月和10月的RMSE空間分布也相對均勻。這3個月份的RMSE分別為0.1～0.3、0.3～0.6和0.2～0.4 mm/d。7月RMSE呈緯向分布，南部為0.6～0.9 mm/d，明顯大于北部的0.4～0.6 mm/d。模式的預報性能在誤差越大的地方改善越明顯，如1月的東部沿海地區，RMSE由0.5 mm/d降低到0.1 mm/d；淮河流域西南部在4月、7月和10月改進明顯，RMSE減少的幅度普遍超過0.3 mm/d。

圖6 淮河流域ET0模式預報值和預報訂正值的RMSE空間分布

利用控制變量法，每次有一個氣象要素使用預報值或者預報訂正值，控制其他3個氣象要素使用觀測值，來評估氣象要素預報對ET0預報精度的影響。可以發現（圖7a）：訂正前，平均氣溫導致的ET0預報值的RMSE和MAPE在各月均最小，風速引起的RMSE值在各月（除了12月外）次之；在3月和5－8月，凈輻射造成的RMSE值最大；而1－2月、4月和9－11月，相對濕度造成的RMSE值最大。訂正后，氣象要素造成的ET0訂正值RMSE和MAPE都明顯減小，各月主導因子特征更顯著。冬半年，即1－4月和10－12月，相對濕度造成的RMSE值最大，風速或凈輻射次之；夏半年，即5－9月，凈輻射造成的RMSE值最大，相對濕度次之（圖7b）。可見，訂正前、后，凈輻射和相對濕度分別是夏半年和冬半年造成ET0預報誤差的首要因子。

圖7 氣象要素對ET0模式預報的影響

3 討 論

本文利用分位數映射法對模式預報進行訂正后，模式對月尺度ET0預報的平均絕對百分比誤差為10.7%，均方根誤差為0.36 mm/d；而已有研究利用天氣預報信息預報的逐日ET0平均百分比誤差為11.2%[5]，均方根誤差在1.0 mm/d左右[4,31-32]，表明基于氣候模式的月尺度ET0預報誤差小于基于天氣預報的日尺度ET0預報誤差。通常認為隨著預報時效延長，預報誤差增大。然而本研究的誤差更小，一方面與利用天氣預報信息預報逐日ET0時，風力等級和天氣類型轉換成平均風速和日照時數的準確度較低有關[32]；另一方面是由于部分學者預報ET0時，僅利用了單一氣象要素氣溫，未完整考慮影響ET0的其他要素。本研究使用模式預報氣象要素的概率訂正值，避免了信息轉換和概化帶來的誤差，也避免了模式的系統性偏差和極端性預報誤差，并且全面考慮了影響ET0的動力因子和熱力因子。

本研究采用的方法基于數值模式，與統計方法[4-6]相比，具有一定的物理基礎。Tian等[12]從可預報性的角度評估了美國國家環境預測中心第二代氣候預測系統NCEP-CFSv2模式不同起報時間的月、季ET0預報能力，而本文從預報精度的角度評估了國家氣候中心第二代氣候預測系統BCC-CPSv2模式對月ET0的預報性能。雖然2個研究在氣候模式、檢驗評估指標和研究區域均存在差異，但從不同方面說明了利用氣候模式開展月、季ET0預報具有一定的可行性，并且模式訂正可以有效改進月、季ET0預報效果。因此，基于模式訂正的淮河流域月尺度ET0預報方法可以擴展到其他地區，ET0預報性能的評估為需要使用月ET0預報產品的相關領域提供科學參考。訂正后的月ET0預報產品可用于驅動水文模型、城市供水需求模型和作物模型，指導水資源規劃、灌溉計劃和評估氣候風險，從而提高決策的可靠性，提升農業、水資源等領域的管理效率。

ET0預報方法的準確率依賴于氣候模式水平和概率訂正方法。本文中ET0預報誤差在夏半年主要來源于凈輻射，冬半年主要來源于相對濕度。一方面模式對這2個要素的預報誤差較大，另一方面ET0對這2個要素更加敏感，誤差容易傳遞；因此需要進一步改進模式對這2個要素的預報性能，從而提高模式對ET0的預報精度。模式訂正可以有效改善氣象要素和ET0的預報效果。分位數映射法由于在非獨立誤差訂正方面的優勢，已經成為氣溫、降水模式預報誤差訂正的主流方法。本研究表明該方法對氣溫、相對濕度、風速和凈輻射預報具有良好的訂正效果，其中風速和凈輻射預報的訂正效果明顯，主要由于模式對這2個要素的預報系統偏差和極端值誤差相對較大。今后的研究中，需要進一步降低氣候模式誤差和訂正方法不確定性的影響。未來可以把訂正方法嵌入到氣候預測系統中，將有助于提高預報準確度。

4 結 論

本文基于國家氣候中心第二代氣候預測系統（Beijing Climate Center Second-Generation Climate Prediction System，BCC_CPSv2）的模式預報資料和1991—2020年淮河流域地面氣象觀測資料，利用Penman-Monteith公式和分位數映射概率訂正法開展了月尺度參考作物蒸散預報研究，主要結論如下：

1）模式訂正前，預報的淮河流域平均氣溫、凈輻射和相對濕度在各月均較觀測值偏小，風速在3－6月偏小，在其他月份偏大。模式對氣象要素的預報誤差導致預報的ET0較計算值在2－6月偏小，在1月、7－12月偏大；各月的均方根誤差（Root Mean Square Error，RMSE）范圍是0.11～1.70 mm/d，其中夏季最大；由于模式的空間分辨率較低，無法準確反映下墊面狀況的差異，1月和10月東部沿海地區RMSE較大，超過0.5 mm/d，4月和7月西南部山區RMSE較大，超過0.7 mm/d。

2）利用分位數映射法訂正后，4個氣象要素模式訂正值的RMSE和平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）均明顯降低；其中風速和凈輻射訂正效果最好，MAPE分別減小了40.8個百分點和19.5個百分點。ET0訂正值與計算值的年內、年際變化規律和空間分布特征基本一致，有80%月份的RMSE減小，特別是2002－2015年7－8月，降低0.2～0.7 mm/d；模式的預報性能在1月的東部沿海地區和4月、7月、10月的西南部山區改進明顯，RMSE減少幅度超過0.3 mm/d。

[1] 曹雯，段春鋒，申雙和. 1971－2010年中國大陸潛在蒸散變化的年代際轉折及其成因[J]. 生態學報，2015，35(15)：5085-5094.

Cao Wen, Duan Chunfeng, Shen Shuanghe. Inter-decadal breakpoint in potential evapotranspiration trends and the main causes in China during the period 1971－2010[J]. Acta Ecologica Sinica, 2015, 35(15): 5085-5094. (in Chinese with English abstract)

[2] 李隆安，邱讓建，劉春偉. 基于氣溫估算參考作物蒸散量方法的對比與改進[J]. 農業工程學報，2021，37(24)：123-130.

Li Long’an, Qiu Rangjian, Liu Chunwei. Comparison and improvement of estimation models for the reference evapotranspiration using temperature data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(24): 123-130. (in Chinese with English abstract)

[3] Kushan C P, Andrew W W, Bandara N, et al. Forecasting daily reference evapotranspiration for Australia using numerical weather prediction outputs[J]. Agricultural and Forest Meteorology, 2014, 194: 50-63.

[4] 羅玉峰，李思，彭世彰，等. 基于氣溫預報和HS公式的參考作物騰發量預報[J]. 排灌機械工程學報，2013，31(11)：987-992.

Luo Yufeng, Li Si, Peng Shizhang, et al. Forecasting reference crop evapotranspiration based on temperature forecast and Hargreaves-samani equation[J]. Journal of Drainage and Irrigation Machinery Engineering, 2013, 31(11): 987-992. (in Chinese with English abstract)

[5] 徐俊增，彭世彰，張瑞美，等. 基于氣象預報的參考作物蒸發蒸騰量的神經網絡預測模型[J]. 水利學報，2006，37(3)：376-379.

Xu Junzeng, Peng Shizhang, Zhang Ruimei, et al. Neural network model for reference crop evapotranspiration prediction based on weather forecast[J]. Journal of Hydraulic Engineering, 2006, 37(3): 376-379. (in Chinese with English abstract)

[6] 張展羽，王聲鋒，段愛旺，等. 基于天氣預報的參考作物騰發量LS_SVM預測模型[J]. 水科學進展，2010，21(1)：63-68.

Zhang Zhanyu, Wang Shengfeng, Duan Aiwang, et al. Least squares support vector machines model for predicting reference evapotranspiration based on weather forecasts[J]. Advances in Water Science, 2010, 21(1): 63-68. (in Chinese with English abstract)

[7] 牛紀蘋，栗曉玲. 石羊河流域參考作物蒸發蒸騰量對氣候變化的響應模擬及預測[J]. 水利學報，2014，45(3)：286-295.

Niu Jiping, Su Xiaoling. Simulation and estimation of reference evapotranspiration responsing to climate change in Shiyang River basin[J]. Journal of Hydraulic Engineering, 2014, 45(3): 286-295. (in Chinese with English abstract)

[8] 馮禹，崔寧博，龔道枝，等. 用統計降尺度模型預測川中丘陵區參考作物蒸散量[J]. 農業工程學報，2016，32(增刊1)：71-79.

Feng Yu, Cui Ningbo, Gong Daozhi, et al. Projection of reference evapotranspiration in hilly area of central Sichuan using statistical downscaling model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(Supp.1): 71-79. (in Chinese with English abstract)

[9] 唐曉培，宋妮，陳智芳，等. 未來主要氣候情景下黃淮海地區參考作物蒸散量時空分布[J]. 農業工程學報，2016，32(14)：168-176.

Tang Xiaopei, Song Ni, Chen Zhifang, et al. Spatial and temporal distribution of ET0under main climate scenarios in future across Huang-Huai-Hai Plain[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(14): 168-176. (in Chinese with English abstract)

[10] 左德鵬，徐宗學，李景玉，等. 氣候變化情景下渭河流域潛在蒸散量時空變化特征[J]. 水科學進展，2011，22(4)：455-461.

Zuo Depeng, Xu Zongxue, Li Jingyu, et al. Spatiotemporal characteristics of potential evapotranspiration in the Weihe River basin under future climate change [J]. Advances in Water Science, 2011, 22(4): 455-461. (in Chinese with English abstract)

[11] 畢彥杰，趙晶，吳迪，等. GFDL-ESM2M 氣候模式下京津冀地區未來潛在蒸散量時空變化[J]. 農業工程學報，2020，36(16)：141-149.

Bi Yanjie, Zhao Jing, Wu Di, et al. Spatiotemporal variations of future potential evapotranspiration in the Beijing-Tianjin-Hebei region under GFDL-ESM2M climate model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(16): 141-149. (in Chinese with English abstract)

[12] Tian D, Christopher J M. Seasonal prediction of regional reference evapotranspiration based on Climate Forecast System version 2[J]. Journal of Hydrometeorology, 2014, 15: 1166-1188.

[13] 程智，高輝，朱月佳，等. BCC第二代氣候系統模式對東亞夏季氣候預測能力的評估[J]. 氣象，2020，46(11)：1508-1519.

Cheng Zhi, Gao Hui, Zhu Yuejia, et al. Evaluation on the performance of BCC second generation climate system model for East Asian summer climate prediction[J]. Meteor Mon, 2020, 46(11): 1508-1519. (in Chinese with English abstract)

[14] 陶潘虹，張耀存，孫鳳華. BCC第二代氣候預測模式系統對2015年一次寒潮過程的預報能力評估[J]. 氣象科學，2020，40(2)：191-199.

Tao Panhong, Zhang Yaocun, Sun Fenghua. Evaluation of predicting a cold wave event in 2015 based on BCC_CSM2 model[J]. Journal of the Meteorological Sciences, 2020, 40(2): 191-199. (in Chinese with English abstract)

[15] 張丹琦，孫鳳華，張耀存. 基于BCC第二代短期氣候預測模式系統的中國夏季降水季節預測評估[J]. 高原氣象，2019，38(6)：1229-1240.

Zhang Danqi, Sun Fenghua, Zhang Yaocun. Evaluation of seasonal prediction for summer rainfall in China based on BCC secondgeneration short-range climate forecast system[J]. Plateau Meteorology, 2019, 38(6): 1229-1240. (in Chinese with English abstract)

[16] Liu X W, Wu T W, Yang S, et al. Performance of the seasonal forecasting of the Asian summer monsoon by BCC_CSM1.1 (m)[J]. Advances in Atmospheric Sciences, 2015, 32(8): 1156-1172.

[17] 顧伯輝，鄭志海，封國林，等. 季節預測模式對東亞夏季環流的預測能力及其對熱帶海洋的響應分析[J]. 大氣科學，2017，41(1)：91-105.

Gu Bohui, Zheng Zhihai, Feng Guolin, et al. The capacity of seasonal forecast models for the forecast of the East Asian summer circulation and its response to tropical SST anomaly[J]. Chinese Journal of Atmospheric Sciences, 2017, 41(1): 91-105. (in Chinese with English abstract)

[18] 郭渠，劉向文，吳統文，等. 基于BCC_CSM 模式的中國東部夏季降水預測檢驗及訂正[J]. 大氣科學，2017，41(1)：71-90.

Guo Qu, Liu Xiangwen, Wu Tongwen, et al. Verification and correction of East China summer rainfall prediction based on BCC_CSM[J]. Chinese Journal of Atmospheric Sciences, 2017, 41(1): 71-90. (in Chinese with English abstract)

[19] 池艷珍，梁瀟云，何芬，等. BCC_CSM1.1m模式對福建前汛期降水預測的誤差訂正[J]. 氣候變化研究進展，2020，16(6)：714-724.

Chi Yanzhen, Liang Xiaoyun, He Fen, et al. Verification and preliminary correction of the precipitation prediction in the pre-flood season over Fujian province by BCC_CSM1.1m climate model[J]. Climate Change Research, 2020, 16(6): 714-724. (in Chinese with English abstract)

[20] Duan C F, Wang P L, Cao W, et al. Improving the spring air temperature forecast skills of BCC_CSM1.1(m) by spatial disaggregation and bias correction: importance of trend correction[J]. Atmosphere, 2021, 12(9): 1143. https://doi.org/10.3390/atmos12091143.

[21] 雷華錦，馬佳培，李弘毅，等. 基于分位數映射法的黑河上游氣候模式降水誤差訂正[J]. 高原氣象，2020，39(2)：266-279.

Lei Huajin, Ma Jiapei, Li Hongyi, et al. Bias correction of climate model precipitation in the upper Heihe River basin based on quantile mapping method[J]. Plateau Meteorology, 2020, 39(2): 266-279. (in Chinese with English abstract)

[22] 韓振宇，童堯，高學杰，等. 分位數映射法在RegCM4中國氣溫模擬訂正中的應用[J]. 氣候變化研究進展，2018，14(4)：331-340.

Han Zhenyu, Tong Yao, Gao Xuejie, et al. Correction based on quantile mapping for temperature simulated by the RegCM4 [J]. Climate Change Research, 2018, 14(4): 331-340. (in Chinese with English abstract)

[23] 吳統文，宋連春，劉向文，等. 國家氣候中心短期氣候預測模式系統業務化進展[J]. 應用氣象學報，2013，24(5)：533-543.

Wu Tongwen, Song Lianchun, Liu Xiangwen, et al. Progress in developing the short-range operational climate prediction system of China National Climate Center[J]. Journal of Applied Meteorological Science, 2013, 24(5): 533-543. (in Chinese with English abstract)

[24] 吳捷，任宏利，張帥，等. BCC二代氣候系統模式的季節預測評估和可預報性分析[J]. 大氣科學，2017，41(6)：1300-1315.

Wu Jie, Ren Hongli, Zhang Shuai, et al. Evaluation and predictability analysis of seasonal prediction by BCC second-generation climate system model[J]. Chinese Journal of Atmospheric Sciences, 2017, 41(6): 1300-1315. (in Chinese with English abstract)

[25] 盛裴軒，毛節泰，李建國，等. 大氣物理學[M]. 北京：北京大學出版社，2013.

[26] Allen R G, Pereira L S, Raes D, et al. Crop evapotranspiration: Guideline for computing crop water requirements[R]. FAO Irrigation and Drainage Paper 56. Rome: FAO, 1998: 15-64.

[27] Panofsky H A, Brier G W. Some Applications of Statistics to Meteorology[M]. University Park, PA: The Pennsylvania State University Press, 1968: 224-225.

[28] Glahn H R, Lowry D A. The use of Model Output Statistics (MOS) in objective weather forecasting[J]. Journal of Applied Meteorology, 1972, 11(8): 1203-1211.

[29] 章大全，陳麗娟. 基于DERF2.0 的月平均溫度概率訂正預報[J]. 大氣科學，2016，40(5)：1022-1032.

Zhang Daquan, Chen Lijuan. Bias correction in monthly means of temperature predictions of the dynamic extended range forecast model[J]. Chinese Journal of Atmospheric Sciences, 2016, 40(5): 1022-1032. (in Chinese with English abstract)

[30] Despotovic M, Nedic V, Despotovic D, et al. Review and statistical analysis of different global solar radiation sunshine models[J]. Renewable and Sustainable Energy Reviews, 2015, 52: 1869-1880.

[31] 張倩，段愛旺，王廣帥，等. 基于天氣預報的參照作物騰發量中短期預報模型研究[J]. 農業機械學報，2015，46(5)：107-114.

Zhang Qian, Duan Aiwang, Wang Guangshuai, et al. Middle and short term forecasting models for reference evapotranspiration based on daily weather forecast[J]. Transactions of The Chinese Society for Agricultural Machinery, 2015, 46(5): 107-114. (in Chinese with English abstract)

[32] 趙琪，羅玉峰，彭世彰，等. 基于天氣預報和Penman-Monteith公式的短期逐日參考作物騰發量預報[J]. 節水灌溉，2014(1)：1-4.

Zhao Qi, Luo Yufeng, Peng Shizhang, et al. Short-term daily reference crop evapotranspiration forecast based on weather forecast and Penman-Monteith equation[J]. Water Saving Irrigation, 2014(1): 1-4. (in Chinese with English abstract)

Probability correction in monthly reference crop evapotranspiration prediction in Huaihe River Basin using BCC_CPSv2 model

Cao Wen1,3, Duan Chunfeng2※, Xu Xiang1,3, Cheng Zhi2, Wang Xujia2

(1./,230031,; 2.,230031,; 3.,,230031,)

Reference crop evapotranspiration(ET0) is one of the most important hydroclimatic variables for the hydrologic and crop models, as well as the actual evapotranspiration in the irrigation schedule. The ET0prediction a few months in advance can be beneficial to the decision-making on the long-term planning in the water management and irrigation communities. In this research, the monthly predictions of ET0were realized over the Huaihe River basin using the model data of Beijing Climate Center Second-Generation Climate Prediction System (BCC_CPSv2), and the surface meteorological observations at 172 stations during 1991 to 2020. The bilinear interpolation and quantile mapping were also selected to downscale and then correct the mean air temperature, net radiation, relative humidity, and wind speed of BCC_CPSv2. The obtained four variables were used to calculate the ET0predictions using the Penman-Monteith equation. The correlation coefficient (), Mean Bias Error (MBE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE) were employed to evaluate the ET0prediction performances of the model, and the four climatic variables before and after correction. Results showed that the mean air temperature, net radiation, and relative humidity from the model were significantly smaller than those from the observations before correction in each month with the RMSE of 1.84℃, 1.70 MJ/(m2·d), and 15.79%, respectively. The wind speed was also smaller during March to June, but larger in other months, with the RMSE of 1.39 m/s. Errors in the climatic variables led to the lower ET0during February to June, and the larger ET0in January, as well as in July to December, compared with the calculations. The RMSE of ET0before correction was ranged from 0.11 to 1.70 mm/d for each month, among which was the highest in summer. The larger RMSE exceeding 0.50 mm/d occurred in eastern coastal areas in January and October, while the southwestern mountainous areas presented the higher RMSE exceeding 0.70 mm/d in April and July. The model skills on predicting climatic variables and ET0were improved effectively by the quantile mapping. The RMSE of air temperature, net radiation, relative humidity, and wind speed decreased to 1.32℃, 0.74 MJ/(m2·d), 7.38%, and 0.53 m/s, respectively. Especially, the MAPE of wind speed and net radiation was decreased by more than 19%. The RMSE of ET0after correction was ranged between 0.05 and 1.22 mm/d for each month, indicating the decrease in 80% of the months.The performances of the model were improved significantly for the eastern coastal areas in January, and the southwest mountainous areas in April, July and October, where the RMSE decreased by more than 0.30 mm/d. Before and after the correction, the net radiation and relative humidity were the primary factors for the ET0prediction errors in summer half year and winter half year, respectively, due to the larger errors of the model and the higher sensitivity of ET0to them. A better performance was achieved in the monthly ET0prediction after the model correction with the error about 10.7%. The finding can provide a strong reference for the water resources management, irrigation schedule planning, and agricultural water demand decision-making.

evapotranspiration; climate; models; prediction; probability correction; Huaihe River Basin

10.11975/j.issn.1002-6819.2022.23.007

S165

A

1002-6819(2022)-23-0061-09

曹雯，段春鋒，徐祥，等. 基于BCC_CPSv2模式的淮河流域月參考作物蒸散概率訂正預報[J]. 農業工程學報，2022，38(23)：61-69.doi：10.11975/j.issn.1002-6819.2022.23.007 http://www.tcsae.org

Cao Wen, Duan Chunfeng, Xu Xiang, et al. Probability correction in monthly reference crop evapotranspiration prediction in Huaihe River Basin using BCC_CPSv2 model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(23): 61-69. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.23.007 http://www.tcsae.org

2022-08-11

2022-11-10

國家自然科學基金項目（41405111、41605068）；中國氣象局創新發展專項（CXFZ2021Z011）；安徽省氣象局研究型業務科技攻關項目（YJG202005）

曹雯，博士，高級工程師，研究方向為蒸散模型優化。Email：sgfxxy_0@163.com

段春鋒，博士，正高級工程師，研究方向為氣候預測、氣候與氣候變化。Email：dcf118@126.com