云贵川三省汛期月降水的模式释用集成预测研究

姚 愚 , 晏红明

（云南省气候中心，昆明 650034）

引言

月季时间尺度的旱涝趋势预测是短期气候预测业务的重要内容。近年来，气候动力模式发展迅速，模式预测的准确率和时空分辨率不断提升[1−5]。气候动力模式普遍对大尺度大气环流的模拟和预测能力较高，但在对气温和降水等气象要素作预测时，引入了云辐射、对流性降水等参数化方案作近似描述，使得模式对气象要素模拟和预测能力较差。由于大气环流场对区域降水量分布有很好的预测指示意义，充分利用历史资料和模式产品，采用动力和统计相结合的思路，将气候模式模拟较准确的环流信息应用于有物理意义的统计模型，可以纠正模式的预报误差，提高模式预测性能[6−8]。目前这种动力和统计相结合的气候预测方法已在国家和省级业务单位得到广泛应用。国家气候中心（National Climate Center，NCC）基于耦合全球环流模式（Coupled Global Circulation Model，CGCM）以及最优因子订正和异常因子订正两种预测方案，建立了动力和统计集成的中国季节降水预测系统(Forecast System on Dynamical and Analogy Skills，FODAS)，在汛期降水预测中体现了较高的预报技巧[6]。针对不同区域的动力统计相结合的气候预测研究也取得了很多成果[9−14]，一些研究还尝试通过改变预报因子和预报对象的描述形式，例如利用增量资料做模式释用和预测研究[15−18]，以提高气象要素的预测准确率，取得了很好的预测效果。

多模式集合预测通过对不同来源的模式结果进行集成，有助于减少单一预报结果的不确定性和系统性误差，多数情形下预测评分优于参与集成的单个预报结果[19−23]。国家气候中心的多模式降尺度集成预测系统（Multi-model Downscaling Ensemble Prediction System，MODES）采用4种气候业务季节预测模式输出场，利用4种统计降尺度方法以及等权平均、经典超级集合等集成方法进行全国月及季节降水和气温预测，应用表明该系统对气温和降水月平均PS评分分别为76和68，优于模式结果[19]。

中国西南地区的云南、贵州和四川三省受季风气候影响，境内地形复杂，汛期月降水量年际变率较大，增加了旱涝预测的困难和不确定性。本文利用气候动力模式产品的历史资料、大气环流再分析资料以及气象站观测资料等，对云贵川三省汛期月降水开展模式释用和集成预测研究，其中模式释用采用原始资料和增量资料分别给出预测结果，对比分析模式结果、释用结果和集成结果对云贵川三省汛期月降水的预测性能，以增强对气候模式产品的解释应用能力，提高云贵川三省月降水的预测准确率和防范旱涝灾害的能力。

1 资料和方法

1.1 资料

本文使用的资料有：（1）模式资料来自国家气候中心MODES多模式数据集第一代产品[19]，包括NCC_CSM11、NCEP_CFS2和ECMWF_SYSTEM4三种数值模式（以下分别简称NCC、NCEP和EC）提供的200hPa和500hPa位势高度场（h200和h500）、200hPa和850hPa的纬向风和经向风（u200、v200、u850和v850）共计6个要素，空间分辨率均为2.5°×2.5°。模式对测站的降水预测由日降水率（presfc）要素(单位为mm/d)插值到站点上得到；（2）美国国家环境预报中心（National Centers for Environmental Prediction，NCEP）提供的上述6个环流要素月平均再分析资料，分辨率为2.5°×2.5°；（3）云南、贵州和四川三省359个观测站的月降水量，其中云南125个测站、贵州84个测站、四川150个测站。

由于汛期气候预测会商一般在每年3月底举行，4月上旬发布夏季气候趋势预测，三种模式中EC模式的预测月数最短为7个月，NCC模式回报资料起始年份最短从1991年开始，因此本文采用1991～2019年间三种模式3月起报的资料，对未来7个月（3～9月）逐月降水量开展释用和集成预测研究，夏季降水由6～8月3个月的降水量累加得到。采用增量资料计算时，以上3类资料均处理为年际增量值，即用当年数值减去前一年数值，得到各类变量的年际增量序列。

1.2 方法

1.2.1 模式释用方法

模式释用方法采用搜寻模式“有预测技巧的高影响关键区”+逐步回归的建模方案，对预报对象场EOF主分量作预测，再还原为预报对象场。以利用某种模式A月起报的模式产品对M月降水量做模式释用为例，具体处理步骤如下：

（1）对M月预报对象场作EOF分解，提取方差贡献超过90%的前几个主分量。

（2）计算A月起报的模式对M月6个环流预测场与同期NCEP再分析资料相应环流场的空间相关系数，查找显著性检验超过95%的正相关区，记为R1。

（3）计算M月预报对象场第一主分量与同期NCEP再分析资料6个环流场的空间相关系数，查找显著性检验超过95%的高相关区，记为R2。

（4）挑取R1与R2相重合的区域，该区域即为模式“有预测技巧的高影响关键区”[20,24]。该区域环流因子对预报对象的主分量既有高相关，同时又能被模式较好地模拟。计算逐年A月起报的模式预测M月各高影响关键区相应环流因子的区域平均值，作为备选因子进入因子库。

（5）对同一模式6个环流要素进入因子库的资料，利用逐步回归和交叉检验计算准则，与M月预报对象场第一主分量建立预报关系，得到该模式对M月预报对象场第一主分量的释用预测结果。交叉检验即在建模的样本时段内，对每一年份均用剩余年份资料建立预报关系，轮流对全部年份做预测，以确保每一年份的预测值都是独立样本检验，从而使得到的预报技巧与实际使用该方法时相接近[25]。

（6）重复以上3～5步的步骤，得到全部所选的M月预报对象场主分量的释用预测结果，进而再还原得到A月起报的该模式对M月预报对象场原值的预测结果。

图1给出了基于增量资料的释用预测计算步骤框图。若使用原始资料做释用预测，则不对模式产品、再分析资料和降水量实况数据处理为年际增量序列，其余步骤完全一致。

图1 基于增量资料的模式释用预测计算步骤

1.2.2 集成方案

超级集合平均集成最早由Krishnamurti等[26]提出，不同于等权重的简单算术平均，超级集合平均可对参与集成的成员根据历史表现确定不同权重系数。设有m个参与集成的成员，每个成员有n次预测值fij(i=1,···m,j=1,···n)， 对 应的实况值为yj(j=1,···n)。根据多元线性回归理论，建立回归方程：

上式中ai(i=1,···m)即为m个参与集成的成员对应权重系数，a0为 一常数项， ^yj(j=1···n)即为采用超级集合平均方法的集成预测结果。对比各成员的集成系数，还可比较各成员的预测性能。限于篇幅，本文使用超级集合平均集成方法，对3～9月各月和夏季3种增量资料的模式释用结果进行集成，评估集成结果预测性能。

1.2.3 评分检验方法

采用距平同号率（PC）、趋势异常综合（PS）和距平相关系数（ACC）三种评分方法，具体计算方法与国家气候中心业务规定一致，可参阅相关文献[3，20]。三种评分可从不同角度衡量预报产品的预测性能，PC评分反映预报与实况距平符号一致的程度，PS评分反映预报对实况异常量级的把握能力，ACC主要体现预报与实况空间分布型的符合程度。

2 三种模式的预测性能评估

图2给出1991～2019年3月起报的三种数值模式结果对云贵川三省3～9月逐月及夏季降水的PC、PS和ACC评分，横线是模式对3～9月各月预测评分的平均值。由图2a～b可知，各模式PC评分一般在50%～60%，PS评分一般在60%～70%。各月平均NCEP模式的PC和PS评分最高，分别为53.1%和68.4%，其次是EC，最次是NCC。三个模式预报PC和PS评分有一定的月际变化，各模式在起报月3月的PC和PS评分均为最高，评分最低月份则各不相同。对夏季降水EC模式的PC和PS评分最高分别为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模式最高达0.06，NCEP模式次之为0.05，NCC模式最低为0.04。各模式在起报月3月的ACC最高，其中NCEP模式的ACC最高达0.22，最低月份各不相同。对夏季降水EC模式ACC最高达0.07，NCC次之，NCEP最低。

图2 模式结果对3～9月逐月及夏季降水的预测评分（a. PC，b. PS，c. ACC）

图3给出了3月起报的三种模式结果对云贵川三省3～9月降水PC评分月平均值的空间分布。可以看出，三种模式PC评分月平均值基本为40%～60%，不同模式PC评分高低值区分布各不相同。EC模式对四川中部和北部、贵州西部和云南东南部月降水PC评分较低，为40%～50%；对四川西部和南部、云南大部、贵州中东部降水PC评分较高，为50%～60%。NCEP模式在四川北部和东部、云南东北部和贵州西部PC评分较低，为40%～50%；对四川中部和南部、云南大部和贵州大部PC评分较高，为50%～60%。NCC模式PC评分在四川中部和西北部、云南西部和东南部PC评分较低，为40%～50%；对云南中部和南部、贵州大部PC评分较高，为50%～60%。PS和ACC评分的高低值区域分布(图略)与PC评分相似。

3 模式释用和集成预测结果性能评估

3.1 原始资料释用结果的预测性能

图4给出了1991～2019年3月起报的三种模式的原始资料释用结果预测评分与模式结果对应评分的差值，横线是三种模式3～9月各月预测评分差值的平均值。

图4 原始资料释用结果与模式结果的预测评分差值（a. PC，b. PS，c. ACC）

由图4，各模式原始资料释用结果对PC评分的提升不明显，各月评分差值正负相间。EC模式PC评分月均提高了0.5%，NCEP模式月均提高了1.7%，NCC模式月均降低了0.2%；对夏季降水，EC模式PC评分降低了2.9%，NCEP和NCC模式分别提高了1.5%和1.4%。释用结果对PS评分基本为正订正，EC、NCEP和NCC模式月均分别提高5.9%、5.5%和5.1%，对夏季降水分别提高2.1%、4.7%和4.9%。释用结果ACC评分较模式结果略有提高，EC、NCEP和NCC模式月均分别提高了0.04、0.08和0.02；对夏季降水，EC模式释用结果降低了0.01，NCEP和NCC模式分别提高了0.10和0.08。在释用结果与模式结果预测评分的月平均差值空间分布图上(图略)，PC和ACC评分差值呈正负相间分布，各模式释用结果在模式结果评分较低的地区为正订正，在模式结果评分较高的地区为负订正；PS评分则在三省范围内以正订正为主。

基于以上分析可知，原始资料的释用结果对月降水预测的PS和ACC评分较模式结果有所提升，但对PC评分的改进不明显，这一结论与姚愚等[24]的研究相一致。为改进释用方法的预测性能，本文计算了基于增量数据的模式释用结果及预测评分。

3.2 增量资料释用结果的预测性能

图5给出了增量资料释用结果与模式结果对应评分的差值，横线是3～9月评分差值的平均值。由图5a可知，PC评分除EC模式对3月降水为负订正外，其余模式释用结果均为正订正。订正效果最好的是EC模式对4月降水的预测提高了12.9%，其次是EC模式对9月降水的预测提高了9.8%。EC、NCEP和NCC三种模式增量资料释用结果PC评分月均提高了6.0%、4.5%和6.0%，超过了原始资料释用结果的提升幅度，表明增量资料释用结果可明显改进云贵川三省汛期月降水距平符号的预测能力。对夏季降水，EC、NCEP和NCC模式增量资料释用结果PC评分月均分别提高2.4%、5.2%和6.1%，提升幅度均超过原始资料释用结果相应评分。由图5b～c可知，各月各模式PS评分和ACC评分均为正订正。EC、NCEP和NCC三种模式增量资料释用结果PS评分月均分别提高了11.8%、9.5%和12.0%，ACC月均分别提高了0.17、0.19和0.20，各模式提升幅度均超过原始资料释用结果的相应评分。对夏季降水，EC、NCEP和NCC模式增量资料释用结果PS评分较模式结果月均分别提高8.0%、9.6%和10.6%，ACC月均分别提高0.10、0.20和0.19，提升幅度均超过原始资料释用结果的相应评分。以上分析表明，各模式增量资料释用结果对云贵川三省汛期月降水的PC评分均超过了对应的模式结果，PS和ACC评分也较原始资料释用结果有进一步提高。

图5 增量资料释用结果与模式结果的预测评分差值（a. PC，b. PS，c. ACC）

图6给出了三种模式增量资料释用结果与模式结果PC评分月平均差值的空间分布。可以看出，各模式增量资料释用结果PC评分以正订正为主，EC模式在模式结果PC评分较低的四川中部可提高10%以上，其余大部地区可提高0～10%。NCEP模式在模式结果PC评分较低的四川北部和东部可提高10%以上，在云南西部和贵州局部有负订正区域，其余大部地区可提高0～10%。NCC模式在模式结果PC评分较低的四川西部和东部可提高10%以上，贵州局部为负订正，其余大部地区可提高0～10%。各模式增量资料释用结果PS和ACC评分与模式结果月平均差值空间分布图（图略）也以正订正为主，在模式结果评分较低区域提升幅度较大。

图6 增量资料释用结果与模式结果的月均PC评分差值空间分布（a. EC，b. NCEP，c. NCC）

基于以上分析可知，与模式结果和原始资料释用结果相比，增量资料释用结果的预测性能更为优越，特别是在云贵川大部地区，增量资料释用结果的月平均PC评分超过了模式结果，这与郑然等[17]和王春学等[18]的结论一致。研究表明，气象要素和气候系统变化具有准两年周期振荡现象[27−28]，即对流层两年周期振荡（Tropospheric biennial oscillation，TBO），且自20世纪80年代以来中国降水的准两年振荡呈增强趋势。用年际增量来描述气候要素，相当于对其进行高通滤波处理，可在一定程度上去除年代际变化的影响，放大年际环流异常信号对预报对象的作用，突出准两年振荡的特征，使所建立的预报关系更加稳定可靠，从而提高释用结果的预测性能。

3.3 集成结果预测性能

以上分析表明增量资料释用结果的预测性能较为优越，进一步利用超级集合平均方法，对各月三种模式的增量资料释用结果进行集成，并对集成结果预测性能进行评估。图7a～c给出3～9月逐月和夏季集成结果的PC、PS和ACC评分，与当月参与集成的成员评分最高值以及模式结果评分最高值的差值。图7d给出了3～9月集成结果PC评分月平均值的空间分布。

图7 集成结果与集成成员和模式结果最高评分的差值（a. PC，b. PS，c. ACC）及集成结果月均PC评分空间分布（d）

由图7a～c，各月集成结果预测评分与当月参与集成的成员最高评分的差值，除3月PS评分为负外，其余均为正。集成结果的PC、PS和ACC评分较当月参与集成的成员最高评分月均分别提高5.9%、0.5%和0.15，表明集成结果的预测性能较模式释用结果有进一步改进，体现了模式集成的优势。与各月模式结果最高评分相比，集成结果对ACC月均评分提高了0.34，PS评分和PC评分均提高了11.2%，各项评分的提高幅度较增量资料释用结果更为显著。对夏季降水，集成结果PC、PS和ACC评分较参与集成的成员最高评分分别提高7.6%、2.1%和0.21，较模式结果最高评分分别提高了11.3%、11.3%和0.35。由图7d可知，集成结果的月均PC评分在云贵川大部地区为60%～70%，仅有零星区域PC评分低于60%。与图3相比，集成结果的PC评分较模式结果有显著提高。集成结果的月均PS和ACC评分空间分布（图略）也较模式结果有明显提升。

基于以上分析可知，采用超级集合平均集成方法，根据参与集成的的成员预测性能的历史表现确定权重系数，可突出预测性能较好的成员作用，从而提升集成结果预测性能。集成结果对降水空间分布形态改善最明显，其次是对降水的距平符号分布，对异常量级降水的预测改进不明显。

4 结论与讨论

本文使用国家气候中心MODES多模式数据集中的EC、NCEP和NCC三种气候模式产品，客观定量地分析比较了三种模式对云南、贵州和四川三省3～9月各月及夏季降水的模式结果、原始资料释用结果和年际增量资料的释用结果及集成结果的预测性能。结论如下：

（1）对三种模式结果，各月平均的PC和PS评分均为NCEP模式最高，EC次之，NCC最低；ACC评分EC最高，NCEP次之，NCC最低。对夏季降水，EC模式三种评分均最高。不同模式对月降水预测性能的空间分布各不相同，EC模式对四川中部和北部、贵州西部和云南东南部月降水预测性能较低，对四川西部和南部、云南大部、贵州中东部降水预测性能较高。NCEP模式对四川北部和东部、云南东北部和贵州西部预测性能较低，对四川中部和南部、云南和贵州大部预测性能较高。NCC模式对四川中部和西北部、云南西部和东南部预测性能较差，对云南中部和南部、贵州大部预测性能较高。

（2）三种模式原始资料释用结果月均PC评分与模式结果相近，PS和ACC评分则有所提高，PS评分月均可提高5%～6%，ACC月均提高0.02～0.08。增量资料释用结果PC评分较模式结果月均可提高4.5%～6.0%，PS评分月均提高9.5%～12.0%，ACC月均提高0.17～0.20。各模式增量资料释用结果PC评分与模式结果之差在大部地区均为正，在模式结果评分较低的区域提升幅度较大可达10%以上。增量资料释用结果的预测性能优于模式结果和原始资料释用结果。

（3）增量资料的集成结果预测评分在绝大多数情形下超过参与集成的成员评分最高值。集成结果对ACC提升最明显，表明集成结果对降水预测的空间分布形态改善最明显，其次是降水的距平符号分布，对异常量级降水的预测改进不明显。

提高降水预测的准确率是短期气候预测工作的重要目标，开展客观定量的气候模式释用和集成方法研究是提升预测水平的重要途径。本文定量比较了3月起报的EC、NCEP和NCC模式对云南、贵州和四川三省3～9月各月和夏季降水的预测性能，限于篇幅未能分析其它月份起报的模式产品的预测性能，这方面工作仍有待开展。本文结论表明将预报对象转换为年际增量形式，可放大年际环流异常信号对预报对象的作用，显著提高模式释用结果预测性能。如何将动力和统计方法更有机地结合，仍值得进一步深入研究。此外MODES数据集第一代产品空间分辨率为2.5°×2.5°，将模式数据插值到测站时由于不够精细，可能影响模式结果的降水预测评分。目前国家气候中心已推出MODES二代产品，模式数据分辨率提升至1.0°×1.0°，下一步可应用新的模式数据做分析研究，以提高汛期月度降水的预测水平，增强防御旱涝灾害能力。