基于BCC_CPSv2模式的淮河流域月参考作物蒸散概率订正预报

曹 雯，段春锋，徐 祥，程 智，汪栩加

·农业水土工程·

基于BCC_CPSv2模式的淮河流域月参考作物蒸散概率订正预报

曹 雯1,3，段春锋2※，徐 祥1,3，程 智2，汪栩加2

（1. 安徽省农业气象中心/安徽省农业生态大数据工程实验室，合肥 230031；2. 安徽省气候中心，合肥 230031；3. 安徽省气象科学研究所，安徽省大气科学与卫星遥感重点实验室，合肥 230031）

参考作物蒸散（Reference Crop Evapotranspiration，ET0）预报在农业水资源配置、区域干湿演变评估方面有着重要作用。该研究基于国家气候中心第二代气候预测系统（Beijing Climate Center Second-Generation Climate Prediction System，BCC_CPSv2）模式预报数据和1991－2020年淮河流域地面气象观测数据，利用分位数映射法对模式预报的气象要素进行概率订正，采用Penman-Monteith公式计算ET0，并评估了订正前后BCC_CPSv2模式对淮河流域月ET0和气象要素的预报性能。结果表明：1）模式对平均气温、净辐射和相对湿度的预报值较观测值偏小，风速预报值在3－6月偏小，其他月份偏大，4个气象要素预报的均方根误差（Root Mean Square Error，RMSE）分别为1.84 ℃、1.70 MJ/m2d、15.79%和1.39 m/s；气象要素预报偏差导致2－6月ET0预报值较计算值偏小，1月和7－12月偏大，区域平均RMSE为0.59 mm/d，绝对百分比误差（Mean Absolute Percentage Error，MAPE）为21.9%。2）概率订正有效降低了气象要素和ET0的预报误差。气温、净辐射、相对湿度和风速预报订正值的RMSE均小于订正前；80%月份ET0预报订正值的RMSE小于订正前，区域平均RMSE减小了0.23 mm/d，MAPE减小了11.2%。3）夏半年和冬半年ET0预报误差的首要来源分别是净辐射和相对湿度，主要是由于模式对这2个要素的预报精度较低且ET0对其敏感，误差容易传递。可见，基于模式概率订正的月尺度ET0预报方法精度较高，可以为水资源优化管理、灌溉制度制定和农业中长期需水决策提供参考。

蒸散；气候；模式；预报；概率订正；淮河流域

0 引 言

参考作物蒸散量（Reference Crop Evapotranspiration，ET0）是估算作物需水量的基础，也是区域干湿状况评估、灌溉预报和水资源管理计划制定的关键参数[1-2]。准确预报参考作物蒸散可以有效提高灌溉预报和干湿状况预评估的可靠性，提升水分利用效率。

近年来，为了改善用水管理，实时做出灌溉决策，国内外学者提出利用天气预报开展日尺度ET0预报。一种思路是将气温、风速等气象要素的数值天气预报结果直接代入ET0计算式，如利用Penman-Monteith公式和数值天气预报提前1～6 d预报ET0[3]，基于气温预报和Hargreaves-Samani公式的ET0预报模型[4]。另一种思路是将天气预报、统计学方法和人工智能融合，如徐俊增等[5]结合日尺度天气预报和神经网络模型对ET0进行预报；张展羽等[6]利用最小二乘支持向量机方法，建立了基于逐日天气预报的ET0预报模型。

随着气候模式和降尺度技术的发展，未来气候情景下参考作物蒸散预估成为农业、气象和水资源等领域的研究热点，为未来农田水利规划设计、水土资源优化配置和种植结构调整提供参考。未来ET0预估主要有2种思路：1）在历史ET0的基础上，通过降尺度方法直接预估ET0，如牛纪苹等[7-8]在石羊河流域、川中丘陵区采用Penman-Monteith公式计算ET0，并基于气候模式输出结果，利用统计降尺度模型预估ET0；2）先采用降尺度方法将气候模式输出的气象因子降为站点尺度，再采用公式估算ET0，如唐晓培等[9-11]在黄淮海地区、渭河流域和京津冀地区，将气候模式输出结果降尺度到站点，生成未来气象要素序列，并通过率定的Hargreaves公式或Penman-Monteith公式预估ET0。

从时间尺度来看，已有的ET0预报研究主要集中在短期天气预报和未来情景预估方面，而月、季预报研究涉及较少。国外Tian等[12]利用美国国家环境预测中心第二代气候预测系统（National Center for Environment Prediction-Climate Forecast System version 2，NECP_CFSv2）模式数据对美国月、季ET0预报做了探索，认为借助气候模式预测产品，月、季ET0具有一定的可预报性。但国内目前未见文献报道月、季ET0预报的相关研究。延长ET0的预报时效到月、季尺度，对于作物需水量估算、区域干湿状况评估和干旱影响预估等有着重要作用。

国家气候中心第二代气候预测系统（Beijing Climate Center Second-Generation Climate Prediction System，BCC_CPSv2）是中国新一代气候预测业务模式系统，目前已经投入业务运行，对东亚气候有一定预报能力[13-18]。模式能够直接输出ET0计算所依赖的气温、辐射、风速、湿度等气象要素，为月、季ET0预报提供了可能性。然而气候模式在模拟气象要素方面存在系统误差，需要利用误差订正或降尺度来弥补这一不足。池艳珍等[19-20]研究表明线性回归、空间分解和去趋势偏差订正等方法能够有效提高BCC_CPSv2模式对降水和气温的预报性能。分位数映射法是一种典型的基于概率分布的模式误差订正方法，由于在非独立误差订正方面的优势，已经成为气温、降水模式预报误差订正的主流方法[21-22]。因此，本研究利用国家气候中心第二代气候预测系统模式开展月尺度参考作物蒸散的预报性能评估及其订正，旨在探讨2个问题：1）气候模式对月尺度ET0的预报性能；2）概率订正方法改进模式对ET0的预报性能，以期为参考作物蒸散月预报提供科学依据。

1 数据与方法

1.1 数据来源

预测使用模式：预测使用模式资料来源于BCC_CPSv2。BCC_CPSv2基于气候系统模式BCC_CSM1.1 m建立，其中大气分量模式为BCC_AGCM2.2，水平分辨率为T106，垂直方向有26层；陆面分量模式为BCC_AVIM1.0，水平分辨率为T106；海洋分量模式为MOM_L40，水平分辨率为(1/3)°～1°，垂直方向有40层；海冰分量模式为美国地球物理流体力学实验室发展的海冰模拟器SIS；各分量模式通过耦合器（CPL5.1）直接耦合在一起[23-24]。基于张弛逼近方法初始化，使用滞后平均预报和奇异向量扰动相结合的集合预测方案[19]。模式预报从1991年至今，每月1日起报，有24个集合成员，输出未来13个月的月平均地表气象要素和大气环流要素，分辨率为1°×1°。

预测使用数据：选取1991－2020年共30 a的模式资料进行参考作物蒸散的预报评估和订正研究。模式数据取24个成员集合平均的月平均预测结果，使用的要素包括平均气温、净长波辐射、净短波辐射、纬向风、经向风和比湿。模式的相对湿度由比湿与气温根据比湿定义和气体状态方程计算获得[25]；净辐射为净短波辐射与净长波辐射之差，单位统一换算为MJ/(m2·d)；地面风速由纬向风和经向风计算获得[25]。为了使模式数据和气象站点观测数据的分辨率保持一致，利用双线性插值方法将模式格点值插值到淮河流域172个气象站点（图1）。

图1 淮河流域气象站点分布

实测数据：地面气象观测资料来源于安徽省气象信息中心，包括淮河流域172个气象站点1991－2020年逐月气温、风速、日照时数和相对湿度数据，已经过质量检测、质量控制、人工核查和数据更正。气温、风速、日照时数和相对湿度数据的缺测率分别为1.1%、1.2%、1.5%和1.6%，数据缺测的月份不参与计算。

1.2 研究方法

1.2.1 基于Penman-Monteith公式计算ET0

ET0根据联合国粮农组织（Food and Agriculture Organization of the United Nations，FAO）在1998年推荐的Penman-Monteith公式[26]计算获得。Penman-Monteith公式（式（1））以能量平衡和水汽扩散理论为基础，较全面考虑了作物的生理特征和空气动力学参数的变化[26]，在湿润和干旱等各种气候条件地区均得到广泛运用。

=0.14(t−t-1)（2）

式中ET0是参考作物蒸散量，mm/d；Δ是温度随饱和水汽压变化的斜率，kPa/℃；n是净辐射，MJ/(m2·d)，根据FAO56推荐的模型[26]计算获得；是土壤热通量密度，MJ/(m2·d)；是干湿表常数，kPa/℃；是平均气温，℃；2是2 m高处风速，m/s；s是饱和水汽压，kPa；a是实际水汽压，kPa；t和t-1分别为某月和其前一月的月平均气温，℃。

1.2.2 概率订正方法

利用分位数映射法对模式的预报结果进行概率订正。该方法的原理是基于模式集合平均给出的确定性预报，结合模式回算数据计算得到的模式概率密度分布，给出确定性预报在模式概率密度分布中的百分位值，并将百分位值投影到观测资料的概率密度分布中，得到模式确定性预报的概率订正值[27-29]。具体计算可以利用式（3）获得。

式中表示某个变量，本文中指平均气温、净辐射、相对湿度和风速；x和x是预报期（）模式数据（用下标表示）变量的预报值以及预报值的订正结果；F是历史校准期间（用下标表示）模式数据变量预报值的经验累积概率分布函数；F和F-1是校准期间观测数据（由下标表示）变量观测值的经验累积概率分布函数和逆经验累积概率分布函数。该方法的优点在于将模式确定性预报转化为基于模式预报分布的百分位值，因此预报结果包含了相对模式气候平均值的偏移和极端性两方面的信息[12]。订正预报仅参考了模式预报的百分位信息，可以有效避免模式相对观测的系统性偏差。

采用交叉检验的方式对模式输出的气象要素预报值进行概率订正和检验评估。从1991年开始，每次轮流留出一年作为预报年，余下的所有年作为历史校准期，利用分位数映射法对预报年模式的气象要素预报值进行订正。这样依次进行，直到全部年份都作为留出的预报年订正完毕，获得1991－2020年每年的预报订正值。利用检验评估指标，统计逐月的30 a预报订正值与观测值的平均误差情况，来评估分位数映射法的订正效果。

1.2.3 评估方法

预报性能的检验评估指标包括相关系数（）、平均偏差（Mean Bias Error，MBE）、均方根误差（Root Mean Square Error，RMSE）和平均绝对百分比误差（Mean Absolute Percentage Error，MAPE），其计算式见文献[30]。其中，表示预报与观测之间相关关系密切程度；MBE的正负表示预报相较于观测总体上是否存在高估或低估；RMSE是衡量预报误差大小的关键指标；MAPE是预报与观测之间相对误差绝对值的平均。

2 结果与分析

2.1 气象要素预报性能评估

参考作物蒸散ET0明确了作物类型、作物生长状况和土壤水分状况，只受到气温、风速和太阳辐射等气象要素的影响[26]。因此，ET0的准确预报依赖于气象要素的预报准确性。首先通过对比模式预报的淮河流域172个站点气象要素值（称为预报值）与对应的观测值，检验评估模式对计算ET0的关键气象要素的预报能力，并基于观测数据，利用分位数映射法对模式预报结果进行订正（称为预报订正值）和检验，结果见表1和图2。

平均气温（）用于计算ET0中的饱和水汽压和土壤热通量。与其他3个气象要素相比，模式对平均气温的预报精度较高，除冬季外，其他各月的平均绝对百分比误差MAPE均低于10.0%。订正前，平均气温预报值较观测值总体偏小（图2a），尤其是冬季（12—2月，下同）。各月的RMSE在1.32～2.51 ℃之间，平均值为1.84 ℃，其中冬季RMSE最大。订正值与观测值之间的差异明显减小（图2a），各月RMSE在1.04～1.67 ℃之间，平均值为1.32 ℃，对冬季的气温预报改进效果最明显。

表1 气象要素模式预报值和预报订正值的平均偏差、均方根误差和平均绝对百分比误差

净辐射（n）是ET0中的能量来源项。模式预报的n较观测值呈系统性偏小（图2b）。各月RMSE在1.34～2.04 MJ/(m2·d)之间，平均值为1.70 MJ/(m2·d)，冬、夏（6－8月，下同）两季RMSE较大。订正后，与观测值的差异显著减小（图2b），各月RMSE在0.11～1.45 MJ/(m2·d)之间，平均值为0.74 MJ/(m2·d)，冬季净辐射预报改进效果最好。

相对湿度（Relative Humidity，RH）用于计算ET0中的水汽压差。RH预报值总体较观测值偏小（图2c），各月RMSE在9.11%～23.89%之间，平均值约15.79%，秋（9－11月，下同）、冬两季较大。订正后，各月RMSE在5.08%～9.77%之间，平均值约7.38%，秋季相对湿度预报改进效果最好。

风速（2）是ET0的重要动力项。订正前，风速预报值与观测值的相关系数较低，有11个月未超过0.3，其中11月呈负相关。预报值在3－6月偏小，其他月份偏大（图2d）。各月的RMSE在0.80～3.04 m/s之间，平均值为1.39 m/s；冬季尤其是12月最大。订正后，相关系数普遍超过0.5，且都呈正相关；各月RMSE在0.48～0.59 m/s之间，均值为0.53 m/s，与观测值的偏离程度明显减小（图2d），冬季风速预报改进效果最好。

图2 1991－2020年气象要素模式预报值和预报订正值与观测值的偏差

综上，4个计算ET0的关键气象要素中，模式对于气温的预报最好，多数月份的MAPE均低于10.0%；风速最差，各月的MAPE基本都超过50.0%。分位数映射概率订正对模式预报有较好的订正效果，提高了预报与观测的相关性，明显减小了预报与观测之间的差异，尤其是风速和净辐射的MAPE分别降低了40.8百分点和19.5百分点。这表明模式订正对于提高气象要素预报准确率非常必要，有助于提高ET0的预报水平。

2.2 ET0预报性能评估

将利用Penman-Monteith公式和气象要素观测值计算的ET0称作ET0计算值；利用模式预报的气象要素计算的ET0记为ET0预报值；基于模式预报概率订正后的气象要素计算获得的ET0记为ET0预报订正值。

订正前，ET0预报值与计算值的相关系数较低，仅有2月、3月、11月和12月超过0.4（<0.05），9月呈负相关；各月两者之间的差异范围为−1.42～1.64 mm/d，呈现一谷两峰的年内特征；MAPE为21.9%。预报值在多数年份的2－6月偏小，其中4月偏小最明显，平均偏差MBE为−0.57 mm/d，其他月份均偏大（图3）。ET0计算值的峰值多出现在6月，而ET0预报值的峰值推迟至7月，因此7月预报值明显偏大，MBE为0.45 mm/d；此外，ET0次小值的11月和12月偏差也较大，MBE分别为0.53和0.46 mm/d。空间上，ET0预报值在1月和7月呈经向分布，1月由东部沿海向西部内陆递减，7月由西南部山区向东部递减；4月和10月呈纬向分布，4月由南向北递增，10月由南向北递减（图4）。但由于模式的空间分辨率（1°×1°）较低，与计算值相比，在各月都未能反映精细化ET0空间分布特征。

图3 1991－2020年参考作物蒸散模式预报值和预报订正值与计算值的偏差

订正后，ET0订正值与计算值的年内、年际变化规律基本一致，峰值都大多出现在6月。两者在各月均呈正相关，除7－9月外，相关系数都大于0.4（<0.05），其中3月和12月超过0.7（<0.05）。两者之间的偏离程度明显减小，各月偏差范围为−1.20～1.16 mm/d（图3），平均偏差MBE绝对值小于0.02 mm/d；平均绝对百分比误差MAPE为10.7%，较订正前减小了11.2%。尤其是在订正前偏差明显的4月、5月、7月、11月和12月的ET0的预报改进效果最好。空间上，各月ET0分布均与计算值基本一致（图4）。这表明分位数映射概率订正对ET0模式预报结果的改进有效可行。

2.3 ET0预报误差及其来源

图5是1991－2020年逐年各月ET0预报值、订正值与计算值之间的均方根误差RMSE以及两者之间的差异。各月RMSE在2000年之后多数都有所增大，尤其是在夏季（6－8月）。订正前、后的RMSE范围分别是0.11～1.70和0.05～1.22 mm/d，区域均值为0.59和0.36 mm/d，夏季大于其他季节。2003年6－8月、2014年6－8月等月份由于时段内淮河流域气候异常，发生了干旱和连阴雨等灾害性天气，造成模式订正前预报效果较差，RMSE超过1.5 mm/d。订正后，80%月份RMSE减小，区域平均RMSE减小了0.23 mm/d。特别是2002－2015年7－8月，降低0.2～0.7 mm/d，精度明显提高；20%月份RMSE没有减小，预报效果未有改进，如1997－1999年3－5月和7－9月、2014－2017年的4－7月。

图4 淮河流域ET0计算值、模式预报值和预报订正值的空间分布

图5 1991－2020年ET0模式预报值与预报订正值的均方根误差对比

图6是1月、4月、7月和10月ET0预报值、订正值与计算值之间RMSE的空间分布。订正前，1月RMSE最小，高值区在东部沿海，超过0.5 mm/d，其他地区RMSE为0.2～0.5 mm/d；10月其次，RMSE高值区位于沿海和西南部山区，为0.6～1.0 mm/d，其他地区RMSE在0.3～0.6 mm/d之间；说明模式对秋、冬季沿海预报精度较低。4月、7月与1月、10月不同，沿海地区的RMSE值较小，分别不超过0.5 mm/d和0.7 mm/d；西南部山区由于地形复杂，气候变率大，预报难度较高，RMSE较大，4月和7月的RMSE分别为0.7～1.0 mm/d和0.9～1.2 mm/d。模式的空间分辨率（1°×1°）较低，无法准确反映下垫面状况的差异，是ET0预报误差的重要来源。

订正后，各月RMSE均大幅减小，且1月，4月和10月的RMSE空间分布也相对均匀。这3个月份的RMSE分别为0.1～0.3、0.3～0.6和0.2～0.4 mm/d。7月RMSE呈纬向分布，南部为0.6～0.9 mm/d，明显大于北部的0.4～0.6 mm/d。模式的预报性能在误差越大的地方改善越明显，如1月的东部沿海地区，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月改进明显，RMSE减少的幅度普遍超过0.3 mm/d。

图6 淮河流域ET0模式预报值和预报订正值的RMSE空间分布

利用控制变量法，每次有一个气象要素使用预报值或者预报订正值，控制其他3个气象要素使用观测值，来评估气象要素预报对ET0预报精度的影响。可以发现（图7a）：订正前，平均气温导致的ET0预报值的RMSE和MAPE在各月均最小，风速引起的RMSE值在各月（除了12月外）次之；在3月和5－8月，净辐射造成的RMSE值最大；而1－2月、4月和9－11月，相对湿度造成的RMSE值最大。订正后，气象要素造成的ET0订正值RMSE和MAPE都明显减小，各月主导因子特征更显著。冬半年，即1－4月和10－12月，相对湿度造成的RMSE值最大，风速或净辐射次之；夏半年，即5－9月，净辐射造成的RMSE值最大，相对湿度次之（图7b）。可见，订正前、后，净辐射和相对湿度分别是夏半年和冬半年造成ET0预报误差的首要因子。

图7 气象要素对ET0模式预报的影响

3 讨 论

本文利用分位数映射法对模式预报进行订正后，模式对月尺度ET0预报的平均绝对百分比误差为10.7%，均方根误差为0.36 mm/d；而已有研究利用天气预报信息预报的逐日ET0平均百分比误差为11.2%[5]，均方根误差在1.0 mm/d左右[4,31-32]，表明基于气候模式的月尺度ET0预报误差小于基于天气预报的日尺度ET0预报误差。通常认为随着预报时效延长，预报误差增大。然而本研究的误差更小，一方面与利用天气预报信息预报逐日ET0时，风力等级和天气类型转换成平均风速和日照时数的准确度较低有关[32]；另一方面是由于部分学者预报ET0时，仅利用了单一气象要素气温，未完整考虑影响ET0的其他要素。本研究使用模式预报气象要素的概率订正值，避免了信息转换和概化带来的误差，也避免了模式的系统性偏差和极端性预报误差，并且全面考虑了影响ET0的动力因子和热力因子。

本研究采用的方法基于数值模式，与统计方法[4-6]相比，具有一定的物理基础。Tian等[12]从可预报性的角度评估了美国国家环境预测中心第二代气候预测系统NCEP-CFSv2模式不同起报时间的月、季ET0预报能力，而本文从预报精度的角度评估了国家气候中心第二代气候预测系统BCC-CPSv2模式对月ET0的预报性能。虽然2个研究在气候模式、检验评估指标和研究区域均存在差异，但从不同方面说明了利用气候模式开展月、季ET0预报具有一定的可行性，并且模式订正可以有效改进月、季ET0预报效果。因此，基于模式订正的淮河流域月尺度ET0预报方法可以扩展到其他地区，ET0预报性能的评估为需要使用月ET0预报产品的相关领域提供科学参考。订正后的月ET0预报产品可用于驱动水文模型、城市供水需求模型和作物模型，指导水资源规划、灌溉计划和评估气候风险，从而提高决策的可靠性，提升农业、水资源等领域的管理效率。

ET0预报方法的准确率依赖于气候模式水平和概率订正方法。本文中ET0预报误差在夏半年主要来源于净辐射，冬半年主要来源于相对湿度。一方面模式对这2个要素的预报误差较大，另一方面ET0对这2个要素更加敏感，误差容易传递；因此需要进一步改进模式对这2个要素的预报性能，从而提高模式对ET0的预报精度。模式订正可以有效改善气象要素和ET0的预报效果。分位数映射法由于在非独立误差订正方面的优势，已经成为气温、降水模式预报误差订正的主流方法。本研究表明该方法对气温、相对湿度、风速和净辐射预报具有良好的订正效果，其中风速和净辐射预报的订正效果明显，主要由于模式对这2个要素的预报系统偏差和极端值误差相对较大。今后的研究中，需要进一步降低气候模式误差和订正方法不确定性的影响。未来可以把订正方法嵌入到气候预测系统中，将有助于提高预报准确度。

4 结 论

本文基于国家气候中心第二代气候预测系统（Beijing Climate Center Second-Generation Climate Prediction System，BCC_CPSv2）的模式预报资料和1991—2020年淮河流域地面气象观测资料，利用Penman-Monteith公式和分位数映射概率订正法开展了月尺度参考作物蒸散预报研究，主要结论如下：

1）模式订正前，预报的淮河流域平均气温、净辐射和相对湿度在各月均较观测值偏小，风速在3－6月偏小，在其他月份偏大。模式对气象要素的预报误差导致预报的ET0较计算值在2－6月偏小，在1月、7－12月偏大；各月的均方根误差（Root Mean Square Error，RMSE）范围是0.11～1.70 mm/d，其中夏季最大；由于模式的空间分辨率较低，无法准确反映下垫面状况的差异，1月和10月东部沿海地区RMSE较大，超过0.5 mm/d，4月和7月西南部山区RMSE较大，超过0.7 mm/d。

2）利用分位数映射法订正后，4个气象要素模式订正值的RMSE和平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）均明显降低；其中风速和净辐射订正效果最好，MAPE分别减小了40.8个百分点和19.5个百分点。ET0订正值与计算值的年内、年际变化规律和空间分布特征基本一致，有80%月份的RMSE减小，特别是2002－2015年7－8月，降低0.2～0.7 mm/d；模式的预报性能在1月的东部沿海地区和4月、7月、10月的西南部山区改进明显，RMSE减少幅度超过0.3 mm/d。

[1] 曹雯，段春锋，申双和. 1971－2010年中国大陆潜在蒸散变化的年代际转折及其成因[J]. 生态学报，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，邱让建，刘春伟. 基于气温估算参考作物蒸散量方法的对比与改进[J]. 农业工程学报，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] 罗玉峰，李思，彭世彰，等. 基于气温预报和HS公式的参考作物腾发量预报[J]. 排灌机械工程学报，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，张瑞美，等. 基于气象预报的参考作物蒸发蒸腾量的神经网络预测模型[J]. 水利学报，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] 张展羽，王声锋，段爱旺，等. 基于天气预报的参考作物腾发量LS_SVM预测模型[J]. 水科学进展，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] 牛纪苹，栗晓玲. 石羊河流域参考作物蒸发蒸腾量对气候变化的响应模拟及预测[J]. 水利学报，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] 冯禹，崔宁博，龚道枝，等. 用统计降尺度模型预测川中丘陵区参考作物蒸散量[J]. 农业工程学报，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] 唐晓培，宋妮，陈智芳，等. 未来主要气候情景下黄淮海地区参考作物蒸散量时空分布[J]. 农业工程学报，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] 左德鹏，徐宗学，李景玉，等. 气候变化情景下渭河流域潜在蒸散量时空变化特征[J]. 水科学进展，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] 毕彦杰，赵晶，吴迪，等. GFDL-ESM2M 气候模式下京津冀地区未来潜在蒸散量时空变化[J]. 农业工程学报，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，高辉，朱月佳，等. BCC第二代气候系统模式对东亚夏季气候预测能力的评估[J]. 气象，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，张耀存，孙凤华. BCC第二代气候预测模式系统对2015年一次寒潮过程的预报能力评估[J]. 气象科学，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] 张丹琦，孙凤华，张耀存. 基于BCC第二代短期气候预测模式系统的中国夏季降水季节预测评估[J]. 高原气象，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] 顾伯辉，郑志海，封国林，等. 季节预测模式对东亚夏季环流的预测能力及其对热带海洋的响应分析[J]. 大气科学，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，刘向文，吴统文，等. 基于BCC_CSM 模式的中国东部夏季降水预测检验及订正[J]. 大气科学，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] 池艳珍，梁潇云，何芬，等. BCC_CSM1.1m模式对福建前汛期降水预测的误差订正[J]. 气候变化研究进展，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] 雷华锦，马佳培，李弘毅，等. 基于分位数映射法的黑河上游气候模式降水误差订正[J]. 高原气象，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] 韩振宇，童尧，高学杰，等. 分位数映射法在RegCM4中国气温模拟订正中的应用[J]. 气候变化研究进展，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] 吴统文，宋连春，刘向文，等. 国家气候中心短期气候预测模式系统业务化进展[J]. 应用气象学报，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] 吴捷，任宏利，张帅，等. BCC二代气候系统模式的季节预测评估和可预报性分析[J]. 大气科学，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] 盛裴轩，毛节泰，李建国，等. 大气物理学[M]. 北京：北京大学出版社，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，陈丽娟. 基于DERF2.0 的月平均温度概率订正预报[J]. 大气科学，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] 张倩，段爱旺，王广帅，等. 基于天气预报的参照作物腾发量中短期预报模型研究[J]. 农业机械学报，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] 赵琪，罗玉峰，彭世彰，等. 基于天气预报和Penman-Monteith公式的短期逐日参考作物腾发量预报[J]. 节水灌溉，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，段春锋，徐祥，等. 基于BCC_CPSv2模式的淮河流域月参考作物蒸散概率订正预报[J]. 农业工程学报，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

国家自然科学基金项目（41405111、41605068）；中国气象局创新发展专项（CXFZ2021Z011）；安徽省气象局研究型业务科技攻关项目（YJG202005）

曹雯，博士，高级工程师，研究方向为蒸散模型优化。Email：sgfxxy_0@163.com

段春锋，博士，正高级工程师，研究方向为气候预测、气候与气候变化。Email：dcf118@126.com