基于多種統(tǒng)計(jì)降尺度方法的未來(lái)降水預(yù)估研究

http：//www.renminzhujiang.cn

DOI：10.3969/j.issn.1001-9235.2024.03.002

董前進(jìn)，袁鑫.基于多種統(tǒng)計(jì)降尺度方法的未來(lái)降水預(yù)估研究：以青藏高原為例［J］.人民珠江，2024，45（3）：10-17.

摘"要：雖然第六次耦合模式比較計(jì)劃（Coupled Model Intercomparison Project 6，CMIP6）能很好地預(yù)測(cè)大尺度氣候要素，但是其在預(yù)測(cè)流域尺度方面的效果與實(shí)測(cè)數(shù)據(jù)仍有差別，尤其是在青藏高原這種高海拔、地形復(fù)雜地區(qū)，氣候模式所產(chǎn)生的誤差更大。基于最新一代高分辨率CMIP6模式歷史情景和SSP126、SSP245、SSP370、SSP585等多種未來(lái)氣候排放情景，研究使用包括偏差校正、KNN、SDSM等多種統(tǒng)計(jì)降尺度方法進(jìn)行降尺度分析，并對(duì)各自的預(yù)測(cè)性能進(jìn)行了評(píng)估，在此基礎(chǔ)上使用性能最佳的統(tǒng)計(jì)降尺度方式預(yù)估青藏高原地區(qū)的未來(lái)降水，對(duì)最終得到的預(yù)估降水的時(shí)空演變特征進(jìn)行了詳細(xì)的分析，并與青藏高原的歷史降水情況進(jìn)行了對(duì)比。結(jié)果表明，3種統(tǒng)計(jì)降尺度在青藏高原的適用性差異較大，線性回歸降尺度方法的性能最佳，其次為偏差校正方法，最差為KNN類比方法。從未來(lái)降水預(yù)估情況分析，青藏高原未來(lái)80 a平均降水、降水極值等總體呈上升趨勢(shì)但上升幅度較小，且空間分布情況變化不大。研究結(jié)果可為青藏高原水資源評(píng)價(jià)及規(guī)劃與管理提供科學(xué)依據(jù)。

關(guān)鍵詞：統(tǒng)計(jì)降尺度；降水預(yù)估；機(jī)器學(xué)習(xí)；CMIP6；青藏高原

中圖分類號(hào)：TV21""文獻(xiàn)標(biāo)識(shí)碼：A""文章編號(hào)：1001-9235（2024）03-0010-08

Future Precipitation Projection Based on Multiple Statistical Downscaling Methods

— A Case Study of Tibetan Plateau

DONG Qianjin，YUAN Xin

（State Key Laboratory of Water Resources Engineering and Management，Wuhan University，Wuhan 430072，China）

Abstract：Although the Coupled Model Intercomparison Project 6 （CMIP6） can well predict large-scale climatic factors，its effect on projecting watershed scales is still different from the measured data.The error of climate models is even bigger over the Tibetan Plateau，which is a high-altitude region with complicated terrain.Based on the historical scenario of the latest generation of high-resolution CMIP6 model and a variety of future climate emission scenarios such as SSP126，SSP245，SSP370，and SSP585，this paper conducts downscaling analysis and evaluates the projection performance of various statistical downscaling methods such as bias correction，KNN，and SDSM.On this basis，the best statistical downscaling method is used to project future precipitation over the Tibetan Plateau， and the spatial-temporal evolution characteristics of the projected precipitation are analyzed and compared with the historical precipitation over the Tibetan Plateau.The results reveal that the applicability amongst the three statistical downscaling methods in the Tibetan Plateau is large，with the linear regression downscaling method performing the best，followed by the bias correction method and the KNN analogy method.According to the analysis of future precipitation projections，the average precipitation and extreme precipitation over the Tibetan Plateau in the next 80 years will exhibit an overall upward trend，although the rise will be slight，and the spatial distribution will not change much.The results can provide a scientific foundation for the evaluation，planning，and management of water resources on the Tibetan Plateau.

Keywords：statistical downscaling;precipitation projection;machine learning;CMIP6;Tibetan Plateau

第六次耦合模式比較計(jì)劃（Coupled Model Intercomparison Project 6，CMIP6）是一個(gè)由全球多個(gè)機(jī)構(gòu)合作組成的項(xiàng)目，旨在評(píng)估全球氣候模式（Global Climate Model，GCM）的性能，并提供預(yù)測(cè)未來(lái)氣候變化的基礎(chǔ)。CMIP6涵蓋了一系列的模式實(shí)驗(yàn)，包括歷史模擬、預(yù)測(cè)未來(lái)以及不同社會(huì)經(jīng)濟(jì)情景下的變化等等。這些實(shí)驗(yàn)旨在模擬全球氣候系統(tǒng)的不同方面，以便更好地理解氣候變化的機(jī)理和影響。

GCM可以很好地模擬未來(lái)的氣候變化情景，但GCM輸出的空間分辨率較低，無(wú)法體現(xiàn)流域尺度下區(qū)域氣候差異的準(zhǔn)確特征^［1-2］。在區(qū)域降水的未來(lái)預(yù)測(cè)研究中，特別是在使用分布式水文模型進(jìn)行模擬時(shí)，需要更高分辨率的降水和其他變量信息來(lái)估算蒸散發(fā)，但GCM的輸出無(wú)法很好地滿足這個(gè)需求。根據(jù)Liu等^［3］對(duì)于GCM預(yù)測(cè)結(jié)果的研究，目前有3種方法可以有效解決這個(gè)困難：發(fā)展更高分辨率的GCM或天氣預(yù)報(bào)模型、使用區(qū)域氣候模型和發(fā)展統(tǒng)計(jì)降尺度技術(shù)。由于GCM和天氣預(yù)報(bào)模型計(jì)算量較大，改善分辨率的能力較為有限。動(dòng)力降尺度方法使用區(qū)域模型，可以嵌入全球模型或使用全球模型輸出作為邊界條件單獨(dú)運(yùn)行，具有較為清晰的物理意義，不受觀測(cè)數(shù)據(jù)的影響，并覆蓋區(qū)域內(nèi)所有網(wǎng)格點(diǎn)，但它依然具有計(jì)算量大的問(wèn)題，難以模擬和配置。相比之下，統(tǒng)計(jì)降尺度是將全球氣候模式（GCM）輸出的大尺度低分辨率數(shù)據(jù)轉(zhuǎn)換為流域尺度高分辨率數(shù)據(jù)的重要方法，雖然缺少一定的物理機(jī)制，受訓(xùn)練模型的觀測(cè)數(shù)據(jù)影響更大，在區(qū)域內(nèi)通常很難獲得空間連續(xù)的結(jié)果，但其具有計(jì)算量較小、模型構(gòu)建相對(duì)容易，同時(shí)還有多種靈活的方法可供選用^［4］，為此本文主要研究統(tǒng)計(jì)降尺度方法在青藏高原未來(lái)降水預(yù)估的應(yīng)用。

青藏高原位于中亞地區(qū)，平均海拔超過(guò)4 000 m，面積約250萬(wàn)km²。它是世界上最高的高原，被稱為地球的“第三極”，同時(shí)也是亞洲“水塔”，許多亞洲河流，如長(zhǎng)江、黃河、雅魯藏布江、印度河、瀾滄江、湄公河和恒河，都發(fā)源于青藏高原，影響著超過(guò)14億人口的生活^［5-6］。降水作為當(dāng)?shù)厣鷳B(tài)景觀和生態(tài)系統(tǒng)的重要影響因素之一，對(duì)于青藏高原這一脆弱的生態(tài)區(qū)域至關(guān)重要^［7-8］。同時(shí)，降水也是高原能量和水循環(huán)最重要的組成部分之一，有助于調(diào)節(jié)氣候系統(tǒng)，直接決定高原表面的干濕程度和積雪條件，并可影響高原熱狀態(tài)甚至亞洲季風(fēng)^［9-10］。

本研究選取青藏高原衛(wèi)星觀測(cè)降水?dāng)?shù)據(jù)集作為歷史降水?dāng)?shù)據(jù)，采用最新全球氣候模式CMIP6的預(yù)測(cè)降水?dāng)?shù)據(jù)，在評(píng)估多種統(tǒng)計(jì)降尺度方法性能的基礎(chǔ)上對(duì)青藏高原地區(qū)的未來(lái)降水進(jìn)行預(yù)估。

1"數(shù)據(jù)來(lái)源與方法介紹

基于當(dāng)前統(tǒng)計(jì)降尺度方法的研究現(xiàn)狀，本文使用最近鄰算法（K-Nearest Neighbor，KNN）類比法、Statistical Downscaling Model（SDSM）線性回歸法等2種理想預(yù)報(bào)（Perfect Prognosis，PP）方法和1種模型輸出統(tǒng)計(jì)法（偏差校正），其中線性回歸法含線性回歸、嶺回歸、Lasso回歸等3種常用的線性回歸方式。

1.1"研究方法

1.1.1"KNN類比法

最近鄰算法是以所給的長(zhǎng)時(shí)間序列歷史資料為訓(xùn)練樣本，根據(jù)與所需預(yù)測(cè)數(shù)據(jù)有關(guān)的相關(guān)因子，從訓(xùn)練集合中篩選出與其最相似的K個(gè)訓(xùn)練樣本（又稱K個(gè)最近鄰居），并基于此信息進(jìn)行預(yù)測(cè)^［11］。使用KNN算法進(jìn)行降尺度計(jì)算時(shí)，具體步驟如下。

a）準(zhǔn)備樣本變量數(shù)據(jù)并對(duì)其進(jìn)行預(yù)處理。本研究中，選擇露點(diǎn)溫度、相對(duì)濕度、長(zhǎng)波輻射等大氣環(huán)流因子作為樣本屬性變量。預(yù)處理過(guò)程包括對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和PCA主成分分析。選擇Z-Score標(biāo)準(zhǔn)化的方式對(duì)所收集的大氣環(huán)流因子數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，隨后對(duì)其進(jìn)行PCA主成分分析，選擇方差累計(jì)貢獻(xiàn)率達(dá)到90%的主成分，以此降低屬性變量數(shù)組維數(shù)，從而除去可能存在相關(guān)性的變量屬性^［12］。

b）收集并選擇訓(xùn)練樣本。從歷史時(shí)期的數(shù)據(jù)集中選擇用于進(jìn)行KNN計(jì)算的訓(xùn)練樣本。研究中采用14 d的滑動(dòng)窗口以選擇訓(xùn)練樣本。

c）計(jì)算測(cè)試樣本與訓(xùn)練樣本的相似性。研究中采用歐式距離法來(lái)計(jì)算各樣本之間的相似性。假設(shè)訓(xùn)練樣本x_i的屬性變量為a₁（x_i），a₂（x_i），…，a_n（x_i），測(cè)試樣本y的屬性變量為a₁（y），a₂（y），…，a_n（y），則訓(xùn)練樣本x_i與測(cè)試樣本y的歐氏距離（或相似度）為式（1）：

d）選擇與測(cè)試樣本相似度最高的K個(gè)訓(xùn)練樣本（即K個(gè)最近鄰居），并根據(jù)其與訓(xùn)練樣本之間的相似度進(jìn)行相應(yīng)權(quán)重的計(jì)算。權(quán)重計(jì)算見(jiàn)式（2）：

e）從上述步驟中得出的K個(gè)最近鄰居中選擇一個(gè)樣本作為測(cè)試樣本的最鄰近樣本。首先隨機(jī)輸出均勻分布隨機(jī)數(shù)u～U［0，1］，并對(duì)比u與K個(gè)最近鄰居的權(quán)重。若u≤w₁ ，則選擇距離d₁ 所對(duì)應(yīng)的訓(xùn)練樣本作為最鄰近樣本；若u≥w_k，則選擇距離d_k所對(duì)應(yīng)的訓(xùn)練樣本作為最鄰近樣本；若w₁lt;ult;w_k，則選擇u最接近的w_i所對(duì)應(yīng)的訓(xùn)練樣本作為最鄰近樣本。最后以最鄰近樣本的降水量作為測(cè)試樣本的預(yù)測(cè)值。

1.1.2"SDSM線性回歸法

SDSM模型是目前最常用的線性回歸降尺度方法^［13］。線性回歸降尺度方法的原理，實(shí)際上就是通過(guò)尋找大氣環(huán)流因子與歷史局地氣候變量資料的線性回歸關(guān)系來(lái)推測(cè)未來(lái)情境下該區(qū)域氣候變量的預(yù)測(cè)值，從而達(dá)到統(tǒng)計(jì)降尺度的效果。在對(duì)SDSM模型的研究中，將使用PCA方法對(duì)大氣環(huán)流因子進(jìn)行篩選。在對(duì)降水量進(jìn)行降尺度時(shí)，SDSM模型首先采用線性回歸方程根據(jù)大氣環(huán)流因子來(lái)模擬局部降水，計(jì)算見(jiàn)式（3）：

式中"Φ_i——第i天發(fā)生降水的概率；Φ_i-1——前1 d發(fā)生降水的概率；α_k——采用最小二乘法計(jì)算得到的降水概率第k個(gè)大氣環(huán)流因子的回歸系數(shù)；μ_i，k——第i天標(biāo)準(zhǔn)化后的第k個(gè)大氣環(huán)流因子。

在確定該天是否發(fā)生降水時(shí)，同樣通過(guò)產(chǎn)生均勻分布的隨機(jī)數(shù)r_i（0≤r_i≤1）與Φ_i進(jìn)行比較，若Φ_i≥r_i，則該天將會(huì)發(fā)生降水。在有降水發(fā)生的前提下，該天的降水量計(jì)算見(jiàn)式（4）：

式中"P_i——第i天的預(yù)測(cè)降水量；β_k——采用最小二乘法計(jì)算得到的第k個(gè)大氣環(huán)流因子的回歸系數(shù)；ε_i——服從偏態(tài)分布的隨機(jī)誤差項(xiàng)。

由于在式（4）中的指數(shù)變換中產(chǎn)生了新的誤差項(xiàng)，同時(shí)為了彌補(bǔ)線性回歸模型對(duì)降水變率的低估，SDSM模型使用了偏差校正以及方差放大因子來(lái)分別校正預(yù)測(cè)降水的均值和方差，計(jì)算見(jiàn)式（5）：

式中"Ω——方差放大因子，用于調(diào)整模擬降水序列的方差；C_R——偏差校正因子，用于調(diào)整模擬降水序列的均值。

1.1.3"模型輸出統(tǒng)計(jì)

模型輸出統(tǒng)計(jì)（Model Output Statistic，MOS）包含變換因子法和偏差校正方法，其中變換因子法（Change Factor）是將全球氣候模式在歷史與未來(lái)2個(gè)不同時(shí)段的降水?dāng)?shù)據(jù)之間的差異定義為氣候變化信號(hào)，然后將該信號(hào)疊加到局地觀測(cè)氣象數(shù)據(jù)上；而偏差校正方法（Bias Correction）是將全球氣候模式歷史時(shí)段和未來(lái)時(shí)段的降水?dāng)?shù)據(jù)之間的差異定義為模型偏差，然后采用一定的方式校正全球氣候模式輸出數(shù)據(jù)所存在的偏差^［14］。與此同時(shí)，變換因子法和偏差校正方法均可分為基于均值的方法和基于方差的方法。這里將主要研究基于均值的偏差校正方法。

LOCI（Local Intensity Scaling）是一種同時(shí)校正全球氣候模式的降水頻率和降水均值的降尺度方法。在校正降水時(shí)，對(duì)于某一月份，LOCI方法首先設(shè)定一定的降水閾值，若全球氣候模式預(yù)測(cè)降水小于設(shè)定的降水閾值則認(rèn)為當(dāng)日不產(chǎn)生降水，從而使模擬降水超過(guò)降水閾值的頻率等于局地觀測(cè)數(shù)據(jù)的降水頻率。隨后設(shè)定縮放因子，使該月的模擬月平均降水量等于該月的實(shí)測(cè)月平均降水量，并使用訓(xùn)練期所得到的降水閾值和縮放因子校正未來(lái)時(shí)期的預(yù)測(cè)降水?dāng)?shù)據(jù)。

1.2"數(shù)據(jù)資料

本研究使用的數(shù)據(jù)主要為再分析數(shù)據(jù)以及全球氣候模式數(shù)據(jù)。其中，再分析數(shù)據(jù)來(lái)自于歐洲中期天氣預(yù)報(bào)中心（ECMWF）的ERA5再分析數(shù)據(jù)，包括1950—2014年的大氣環(huán)流因子數(shù)據(jù)和青藏高原地區(qū)降水?dāng)?shù)據(jù)。ERA5是ECMWF第五代全球氣候和天氣再分析數(shù)據(jù)集，數(shù)據(jù)集空間分辨率為0.25°×0.25°，這里作為歷史資料在統(tǒng)計(jì)降尺度方法中使用^［15］。MSWEP是一種多源全球降水產(chǎn)品，具有每3 h 0.1°分辨率。該產(chǎn)品獨(dú)特之處在于它合并了測(cè)量、衛(wèi)星和再分析數(shù)據(jù)，以獲得每個(gè)位置最高質(zhì)量的降水估計(jì)。本研究以MSWEP降水?dāng)?shù)據(jù)集作為統(tǒng)計(jì)降尺度方法評(píng)估階段的對(duì)比數(shù)據(jù)集。全球氣候模式數(shù)據(jù)CMIP6中共4種HighResMIP模式數(shù)據(jù)，包括1950—2014年的歷史時(shí)段模擬數(shù)據(jù)和2015—2050年的未來(lái)時(shí)段預(yù)測(cè)數(shù)據(jù)。其中模型訓(xùn)練期為1950—2014年，驗(yàn)證期為2015—2020年。

未來(lái)預(yù)測(cè)模式數(shù)據(jù)，包括SSP126、SSP245、SSP370、SSP585等共4種未來(lái)排放情景。SSP是在CMIP6新的氣候模式中開(kāi)發(fā)的一套由不同社會(huì)經(jīng)濟(jì)模式驅(qū)動(dòng)的新排放情景——共享經(jīng)濟(jì)路徑（SSPs），代替了CMIP5中4個(gè)代表性濃度路徑（RCPs），是CMIP6情景中一個(gè)重要的提升。CMIP6不僅將RCP2.6、RCP4.5、RCP6.0和RCP8.5升級(jí)為SSP1-2.6（SSP126）、SSP2-4.5（SSP245）、SSP4-6.0（SSP460）和SSP5-8.5（SSP585），同時(shí)新的排放模式還包括SSP1-1.9、SSP4-3.4、SSP5-3.4OS以及SSP3-7.0。在CMIP5中只有RCP8.5可以代表“無(wú)政策干預(yù)”的基線情形，它在某種程度上是一種最壞的預(yù)期，使預(yù)測(cè)過(guò)于絕對(duì)，無(wú)法對(duì)“無(wú)政策干預(yù)”的趨勢(shì)進(jìn)行細(xì)化。為此，在CMIP6情景模式中增添了SSP3-7.0（SSP370），用于表示能源系統(tǒng)模型產(chǎn)生的中等程度的基線結(jié)果，與SSP585（最壞情形）、SSP460（較為樂(lè)觀的情形）一起來(lái)模擬無(wú)氣候政策干預(yù)下的全球變暖趨勢(shì)。

本文所采用CMIP6模式信息、再分析數(shù)據(jù)集和待篩選的大氣環(huán)流因子相關(guān)信息見(jiàn)表1—3。

2"結(jié)果分析

2.1"統(tǒng)計(jì)降尺度方法性能評(píng)估

對(duì)于統(tǒng)計(jì)降尺度方法的應(yīng)用，首要的是選擇合適的大氣環(huán)流因子。本文共選取了包含相對(duì)濕度、風(fēng)速、潛在蒸散發(fā)等在內(nèi)的8種大氣環(huán)流因子（表3），并使用PCA主成分分析方法對(duì)大氣環(huán)流因子進(jìn)行篩選，篩選出3個(gè)相關(guān)性最強(qiáng)的大氣環(huán)流因子，即長(zhǎng)波輻射（Outgoing Long-wave Radiation，OLR）、露點(diǎn)溫度（Dew Point Temperature）、潛在蒸散發(fā)，下面將以這3種大氣環(huán)流因子進(jìn)行統(tǒng)計(jì)降尺度方法研究。

由于高緯度、高海拔特殊的地形地貌和地理位置，青藏高原當(dāng)?shù)貏?dòng)力和熱力作用頻繁，發(fā)生的對(duì)流活動(dòng)非常活躍。OLR與下墊面和云頂溫度相關(guān)，常作為熱帶和低緯度地區(qū)反映對(duì)流活動(dòng)強(qiáng)弱及降水情況的重要指標(biāo)^［16-17］。康善福等^［18］分析了高原地區(qū)的OLR特征，指出雨季高原地區(qū)OLR明顯偏低。柳苗等^［19］指出在高原雨季OLR的大小與降水為負(fù)相關(guān)關(guān)系。PRASAD等^［20］分析了熱帶亞洲上空的OLR與印度夏季季風(fēng)降水的關(guān)系。

露點(diǎn)溫度是在固定氣壓之下，空氣中所含的氣態(tài)水達(dá)到飽和而凝結(jié)成液態(tài)水所需要降至的溫度。有研究表明，大氣可降水量與表征地面濕度的水汽壓、露點(diǎn)之間相關(guān)性顯著^［21］。

蒸散發(fā)作為下墊面潛熱釋放的主要方式之一，也是表征陸面生態(tài)系統(tǒng)生產(chǎn)能力的重要指標(biāo)，其變化與氣候變化及地表覆蓋變化密切相關(guān)^［22］。在響應(yīng)氣候變化的同時(shí)，青藏高原可通過(guò)感熱加熱和潛熱釋放改變大氣環(huán)流形勢(shì)，進(jìn)而對(duì)中國(guó)、亞洲乃至全球氣候演變產(chǎn)生重要影響^［23］。

在對(duì)多種統(tǒng)計(jì)降尺度方法進(jìn)行性能評(píng)估時(shí)，選擇2015—2020年為測(cè)試期，通過(guò)多年平均降水、降水頻率、標(biāo)準(zhǔn)差、降水極值等降水指標(biāo)對(duì)比各統(tǒng)計(jì)降尺度方法的模擬效果，并最終計(jì)算各種統(tǒng)計(jì)降尺度方法于不同降水指標(biāo)下的均方誤差、絕對(duì)平均誤差、決定系數(shù)等參數(shù)，從而得到統(tǒng)計(jì)降尺度方法性能的量化結(jié)果。

在性能評(píng)估環(huán)節(jié)，統(tǒng)一采用SSP126排放情景進(jìn)行模擬預(yù)測(cè)。圖1為MSWEP校正數(shù)據(jù)集、KNN、線性回歸（Reg）、嶺回歸（Ridge）、Lasso回歸、偏差校正法等模擬的2015—2020年期間多年平均降水、降水頻率、標(biāo)準(zhǔn)差、降水極值分布情況，3種線性回歸方法回歸系數(shù)見(jiàn)表4。

通常使用均方誤差（Root Mean Square Error，RMSE）、平均絕對(duì)誤差（Mean Absolute Error，MAE）等統(tǒng)計(jì)指標(biāo)來(lái)表示預(yù)測(cè)值和觀測(cè)值之間差異在青藏高原地區(qū)的分布情況^［24］。圖2分別展示了5種降尺度方法模擬2015—2020年期間多年平均降水與MSWEP數(shù)據(jù)集的偏差分布情況，表5為各降尺度方法的均方誤差及平均絕對(duì)誤差值。

從均方誤差角度來(lái)看，3種線性回歸降尺度方法性能差別不大，其中以Reg線性回歸方法性能最佳，誤差最小，且Lasso回歸方法預(yù)測(cè)結(jié)果的決定系數(shù)顯著降低，與校正數(shù)據(jù)偏差較大。在3種主要的降尺度方法中，線性回歸降尺度效果最佳，其次為基于均值的偏差校正方法，KNN類比法性能最差，偏差最大。

從多年平均降水偏差分布來(lái)看，對(duì)于KNN降尺度方法來(lái)說(shuō)，偏差主要集中在青藏高原南部地區(qū)降雨量較大區(qū)域，其余部分模擬效果較好；3個(gè)線性回歸降尺度方法偏差分布大致相同，均為降水量較小地區(qū)預(yù)估偏高，而降水量較大地區(qū)預(yù)估偏低；偏差校正方法與KNN降尺度方法偏差分布情況類似，均為青藏高原南部地區(qū)降雨量較大區(qū)域偏差較大。

由上述結(jié)果可以看出，雖然KNN類比方法、偏差校正方法等降水分布情況與校正數(shù)據(jù)集結(jié)果較為一致，但其均方誤差、平均絕對(duì)誤差等指標(biāo)均高于線性回歸方法。究其原因，可能是KNN類比方法與偏差校正方法的模擬數(shù)據(jù)中，誤差較大部分正好集中于降水量較大的區(qū)域，從而導(dǎo)致KNN類比法以及偏差校正法的均方誤差偏大。

2.2"未來(lái)降水預(yù)估

根據(jù)上述結(jié)果，下面將采用Reg線性回歸降尺度方法，選取SSP126、SSP245、SSP370、SSP585等4種未來(lái)排放情景對(duì)青藏高原地區(qū)2020—2100年的降水情況進(jìn)行預(yù)估，并分析預(yù)測(cè)結(jié)果的多年平均降水、降水極值等的時(shí)空演變特征。

研究中取每10 a為一個(gè)研究時(shí)段，共8個(gè)研究時(shí)段。以8個(gè)研究時(shí)段的多年平均降水、降水極值等變量隨時(shí)空的變化情況作為青藏高原地區(qū)未來(lái)降水的時(shí)間演變特征，見(jiàn)圖3。

從趨勢(shì)變化上，4種氣候排放情景下，青藏高原平均降水量總體呈上升趨勢(shì)，且SSP585排放情景下降水量最高，而降水極值并無(wú)顯著的變化趨勢(shì)。

圖4為青藏高原未來(lái)2020—2100年降水極值的空間分布變化情況，青藏高原降水空間分布基本遵循東北部地區(qū)降水量少，而西南部降水量較多，且隨時(shí)間變化，空間分布變化幅度較小，主要的降水量變化多分布于青藏高原降水量相對(duì)較小的東北地區(qū)，降水量相對(duì)較大的南部地區(qū)變化不明顯。

由青藏高原歷史資料來(lái)看，過(guò)去半個(gè)世紀(jì)，青藏高原總體上變得更加溫暖潮濕^［25］。在1950—2014年的歷史時(shí)期，該地區(qū)的降水量逐年略有增加，但增加幅度不如溫度明顯。降水在空間分布上的變化情況相對(duì)較為復(fù)雜，其年降水量沒(méi)有表現(xiàn)出一致的增減變化趨勢(shì)^［26-27］。自1960年初期以來(lái)，青藏高原西北部的年平均降水量每10 a增加3.90～16.84 mm。如1979—2001年青藏高原西北部年平均降水量每10 a增加3.99 mm，東南部年平均降水量每10 a增加16.84 mm^［28］。年平均降水變化的空間分布情況主要表現(xiàn)為西南部至中部地區(qū)增加速率相對(duì)較快，而在東西兩側(cè)地區(qū)增加速率相對(duì)較慢；另外，在統(tǒng)計(jì)意義上降水量增加顯著的中西部部分地區(qū)，它們大體上與上述年均降水增加大值區(qū)相匹配^［29］。與1950—2010年降水逐年穩(wěn)定增加的情況相比，2020—2100年的降水量變化往往有小幅的波動(dòng)，但整體趨勢(shì)依然表現(xiàn)為較為緩慢的上升^［28］。

需要指出的是，雖然本文使用了最新的CMIP6模式并選擇了HighResMIP高分辨率氣候模式，但是這些模式在模擬氣候方面仍存在較多不足，比如在地表氣溫模擬方面偏低，而在降水模擬方面偏高^［30］。不僅如此，由于仍不確定基于人類社會(huì)未來(lái)最有可能的生活和發(fā)展方式所提供的新一代典型濃度路徑情景的代表性有多大，且青藏高原地區(qū)觀測(cè)數(shù)據(jù)的缺乏也限制了對(duì)于更長(zhǎng)時(shí)間尺度氣候變化的研究。因此，上述預(yù)測(cè)結(jié)果存在一定的不確定性，需要進(jìn)行進(jìn)一步的深入研究。

3"結(jié)論

本文采用3種統(tǒng)計(jì)降尺度方法對(duì)青藏高原降水量模擬結(jié)果進(jìn)行評(píng)估，選擇其中最優(yōu)的統(tǒng)計(jì)降尺度方法對(duì)該地區(qū)未來(lái)80 a的降水情況進(jìn)行了預(yù)估，并對(duì)預(yù)估結(jié)果的時(shí)空演變特征進(jìn)行了分析，取得的主要結(jié)論如下。

a）在所選擇的3種統(tǒng)計(jì)降尺度方法性能評(píng)估中，線性回歸降尺度方法的性能最佳，其次為偏差校正方法，最差為KNN類比方法。而在3種線性回歸降尺度方法中，以Reg回歸擬合與預(yù)測(cè)效果均為最佳，Lasso回歸擬合與預(yù)測(cè)效果最差。

b）對(duì)于青藏高原未來(lái)80 a的降水情況，平均降水、降水極值等總體呈上升趨勢(shì)但上升幅度較小，且空間分布情況變化不大。相對(duì)該地區(qū)歷史降水而言，降水變化呈小幅波動(dòng)上升，但兩者總體變化趨勢(shì)相同。

參考文獻(xiàn)：

［1］肖雨佳，李建，李妮娜.CMIP6 HighResMIP高分辨率氣候模式對(duì)青藏高原降水模擬的評(píng)估［J］.暴雨災(zāi)害，2022，41（2）：215-223.

［2］張歆然，陳昊明.CMIP6模式對(duì)青藏高原東坡暖季降水的模擬評(píng)估［J］.氣候變化研究進(jìn)展，2022，18 （2）：129-141.

［3］劉永和，郭維棟，馮錦明，等.氣象資料的統(tǒng)計(jì)降尺度方法綜述［J］.地球科學(xué)進(jìn)展，2011，26（8）：837-847.

［4］范麗軍，符淙斌，陳德亮.統(tǒng)計(jì)降尺度法對(duì)未來(lái)區(qū)域氣候變化情景預(yù)估的研究進(jìn)展［J］.地球科學(xué)進(jìn)展，2005，20 （3）：320-329.

［5］IMMERZEEL W W，VAN B L，BIERKENS M.Climate change will affect the Asian water towers［J］.Science，2010，328：1382-1385.

［6］羅華.青藏高原對(duì)氣候變化的影響［J］.青海科技，2015（3）：46-48.

［7］董凌霄，張艷敏，蔣佩東，等.近48年青藏高原水熱資源時(shí)空演變與匹配特征［J］.人民珠江，2021，42（3）：24-29.

［8］CHEN H，ZHU Q A，PENG C，et al.The impacts of climate change and human activities on biogeochemical cycles on the Qinghai-Tibetan Plateau［J］.Global Change Biology，2013，19（10）：2940-2955.

［9］劉果鎳，梁媛媛，邱月，等.2000—2018年青藏高原旱災(zāi)風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估［J］.人民珠江，2022，43（4）：63-74.

［10］WU T W，QIAN Z A.The relation between the Tibetan winter snow and the Asian summer monsoon and rainfall：an observational investigation［J］.Journal of Climate，2003，16：2038-2051.

［11］湯靜，王春林，譚浩波，等.利用PCA-kNN方法改進(jìn)廣州市空氣質(zhì)量模式PM2.5預(yù)報(bào)［J］.熱帶氣象學(xué)報(bào)，2019，35（1）：125-134.

［12］高紅霞，湯劍平.華東地區(qū)月平均氣溫統(tǒng)計(jì)降尺度方法比較［J］.氣象科學(xué)，2015，35 （6）：760-768.

［13］WILBY R L，DAWSON C W .The statistical downscaling model：Insights from one decade of application［J］.International Journal of Climatology：A Journal of the Royal Meteorological Society，2013，33（7）：1707-1719.

［14］田霖，孟凡浩，劉鐵，等.干旱典型山區(qū)CFSR降水?dāng)?shù)據(jù)的偏差校正方法研究：以新疆開(kāi)孔河流域?yàn)槔跩］.干旱氣象，2017，35（2）：313-320.

［15］WANG X J，PANG G J，YANG M X，et al.Evaluation of climate on the Tibetan Plateau using ERA-Interim reanalysis and gridded observations during the period 1979—2012［J］.Quaternary International，2017，444：76-86.

［16］康瀠文，鞏遠(yuǎn)發(fā).基于高分辨率OLR資料的青藏高原和南亞地區(qū)夏季對(duì)流日變化特征［J］.高原氣象，2021（3）：472-485.

［17］蔣尚城，溫士頓.長(zhǎng)江流域旱澇的OLR特征［J］.氣象學(xué)報(bào)，1989（4）：479-483.

［18］康善福，吳俊明.青藏高原OLR場(chǎng)的氣候特征［J］.高原氣象，1990（1）：98-103.

［19］柳苗，李棟梁.青藏高原東部雨季OLR與降水變化特征及相關(guān)分析［J］.高原氣象，2007（2）：249-256.

［20］PRASAD K D，BANSOD S D.Interannual variations of outgoing longwave radiation and Indian summer monsoon rainfall［J］.International Journal of Climatology，2000，20：1955-1964.

［21］楊景梅，邱金桓.用地面濕度參量計(jì)算我國(guó)整層大氣可降水量及有效水汽含量方法的研究［J］.大氣科學(xué)，2002（1）：9-22.

［22］姚天次，盧宏瑋，于慶，等.近50年來(lái)青藏高原及其周邊地區(qū)潛在蒸散發(fā)變化特征及其突變檢驗(yàn)［J］.地球科學(xué)進(jìn)展，2020，35（5）：534-546.

［23］吳國(guó)雄，卓海峰，王子謙，等.夏季亞洲大地形雙加熱及近對(duì)流層頂位渦強(qiáng)迫的激發(fā)（Ⅰ）：青藏高原主體加熱［J］.中國(guó)科學(xué)：地球科學(xué)，2016，46（9）：1209-1222.

［24］JRG S，F(xiàn)REI C，VIDALE P L.Downscaling from GC precipitation：A benchmark for dynamical and statistical downscaling methods［J］.International Journal of Climatology：A Journal of the Royal Meteorological Society，2006，26（5）：679-689.

［25］林厚博，游慶龍，焦洋，等.基于高分辨率格點(diǎn)觀測(cè)數(shù)據(jù)的青藏高原降水時(shí)空變化特征［J］.自然資源學(xué)報(bào)，2015（2）：271-281.

［26］KUANG X X，JIAO J J .Review on climate change on the Tibetan Plateau during the last half century［J］.Journal of Geophysical Research，2016，121（8）：3979-4007.

［27］WANG X J，PANG G J，YANG M X.Precipitation over the Tibetan Plateau during Recent Decades：A Review Based on Observations and Simulations［J］.International Journal of Climatology，2018，38 （3）：1116-1131.

［28］李曉英，姚正毅，肖建華，等.1961—2010年青藏高原降水時(shí)空變化特征分析［J］.冰川凍土，2016，38（5）：1233-1240.

［29］胡芩，姜大膀，范廣洲.青藏高原未來(lái)氣候變化預(yù)估：CMIP5模式結(jié)果［J］.大氣科學(xué)，2015（2）：260-270.

［30］SU F G，DUAN X L，CHEN D L，et al.Evaluation of the Global Climate Models in the CMIP5 over the Tibetan Plateau［J］.Journal of Climate，2013，26（10）：3187-3208.

（責(zé)任編輯：李澤華）

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（52279024、51979198）

收稿日期：2023-09-17

作者簡(jiǎn)介：董前進(jìn)（1979—），男，博士，副教授，主要從事水文氣象、水資源規(guī)劃與管理等工作。E-mail：dqjin@whu.edu.cn