1 引言

在全球变暖背景下，气候变化成为科学界的研究热点之一，气候的形成和变化不仅是大气内部状态和过程的反映，也是陆地、海洋、冰雪圈以及生物圈等与大气相互作用的结果（曾庆存等，2003）。王会军（1997）指出，气候异常变化对全球各方面都会产生重要影响，因此，气候预测成为当今人类社会面临的一个重大课题。由于影响气候短期变化的因子众多，且因子间又有复杂的相互作用，我们尚未对其中的这些预测因子的详细物理过程及其影响有清晰的科学认识。对于中国来讲，夏季降水占全年比重较大，在北方地区占50%以上，南方地区占40%左右（图 1），因此，夏季降水预测对我国的国民经济以及现代化建设有着非常重要的作用。但是，由于中国地处东亚季风区，自然条件复杂，剧烈变化的气候影响着东亚季风系统等因素，导致中国夏季降水的短期气候预测业务平均水平一直不高。

图 1

Fig. 1

图 1 1982～2011 年夏季降水量占全年降水的百分率空间分布以及中国160 站分布情况。黄色圆点代表160 站位置 Fig. 1 The percentage pattern of the summer precipitation in annual mean during 1982–2011 and the 160 station locations in China. Yellow dots represent the locations of 160 stations

短期气候预测方法主要分为数值模式方法 和物理统计方法，对于大尺度环流模式（GCM）而言，其对热带地区以及大尺度环流具有较高预测能力，但对东亚地区的降水几乎没有预测能力，那 么，降尺度方法的提出有效利用了GCM的高预测性能对局地变量进行预测。近年来，我国学者已在夏季降水短期气候预测以及降尺度方面取得诸多成果。如提出了年际增量的预测方法并将其应用到我国夏季降水、台风等预测中（范可等，2007；范可等，2008；Fan and Wang, 2009）。Zhu et al.（2008）利用经验正交分解和奇异值分解相结合的方法对亚太地区的夏季风降水做了降尺度预报，提高了本区域夏季风降水的距平相关系数，同时均方根误差显著降低。Wang and Fan（2009）利用模式对热带地区较好的可预测性对东亚地区降水进行降尺度预测，研究证明，这种方法能够提高东亚乃至中国夏季降水的预测能力。Lang and Wang（2010）对中国6个区域进行了研究，将模式输出资料与观测资料相结合，针对不同区域选取影响因子，研究结果显示，新的预测方法对各区域夏季降水距平符号、量值以及年际变化上优于模式本身的预报。 Gu et al.（2011）利用中国气象局国家气候中心的大尺度海—气耦合模式（CGCM-NCC）对中国不同区域夏季降水进行了统计降尺度研究，降尺度结果较模式原始结果提高了中国区域夏季降水的预测技巧。 Chen et al.（2012）和Sun and Chen et al.（2012）分别针对中国站点以及全球的夏季降水从GCM的大尺度环流变量中选取最优预测因子，降尺度模型结果的距平相关系数以及均方根误差均较GCM模式原始结果分别有显著的提高和降低。

美国国家环境预报中心（National Centers for Environmental Prediction, NCEP）的气候预测系统(Climate Forecast System, CFS) 可以为全球提供最新的多时间尺度预测资料（Saha et al., 2006）。此预测系统的第一代从2004年8月开始业务运行，同时，对1981～2004年共24年进行了历史回报。第二代在2011年3月开始进行业务实时预测，并提供了1982～2010年的回报试验结果。已经有许多利用CFS模式资料展开的研究。Yang et al.（2008）对亚洲季风区的气候、主要降水区的年际变化以及大尺度环流系统做了细致分析。陈官军等（2010）也对此模式系统不同初始场资料对东亚夏季的预报效能进行了检验评估。Yuan and Liang（2011）针对美国降水，利用WRF (Weather Research and Forecasting) 模式对CFS模式资料进行了动力降尺度回报。Gao et al.（2011）评估了CFS模式资料对梅雨带的预测能力。然而，现阶段利用CFS模式资料对中国地区站点夏季降水进行统计降尺度预测的研究还很少。因此，我们利用此资料对中国夏季降水进行预测。

2 数据

降水资料来源于中国气象局国家气候中心1982～2011年的160站点月平均数据。大气资料为NCEP/NCAR再分析资料（1982～2011年）中的500 hPa高度场（GH5），水平分辨率为2.5°×2.5° （Kalnay et al., 1996）。海温资料为1981～2011年秋、冬季NOAA的海表面温度 (Sea Surface Temper- ature, SST) 资料，水平分辨率为2°×2°（Smith et al., 2008）。

CFS模式有两个版本（CFSv1和CFSv2），本研究使用CFSv2版本的月平均资料，起始时间为1982年，资料更新至今。其中1982～2010年的结果取自回报试验。各月每隔5天分别从0、6、12 和 18 UTC开始积分，积分时间为9个月，即回报当月数据并对未来1～9个月进行预报。2011和2012年的CFS资料取自实时预测，每天都从上述4个时次开始积分，积分时间同为9个月。在本研究 中，对每个月中所有不同初值的积分进行集合平均，并利用双线性插值方法将集合结果插值到2.5°×2.5°水平网格上。为了保证资料完整性并及时参加国家气象局的汛期会商，我们选取2月份起报的6、7、8月GH5高度场资料。

3 方法

本文使用场信息耦合型方法建立统计降尺度预测模型。此方法的优点在于，能够针对预测因子和预测量空间场的主要信息，通过提取两变量场的最优耦合变化型建立模型。具体步骤为：

首先，在建模的拟合时段t内，利用EOF（Empirical Orthogonal Function）分析，分别对预测因子和预测量变量场进行分解，基于Kaiser’s 标准（Wilks，2006）保留主模态进而将预测因子和预测量回算到原始变量场形式。此步骤能够将变量场中多余的噪音去除，达到滤波目的。Kaiser’s 标准公式为

其次，将滤波之后的预测因子和预测量利用SVD（Singular Value Decomposition）分解，提取两变量场之间的耦合变化型。

最后，利用得到的预测因子和预测量的SVD模态对、对应的时间系数以及预测时间段t＋1预测因子场，利用多元线性回归方法，做出统计降尺度预测（Liu and Fan，2012a，2012b），建模过程如图 2所示。

图 2

Fig. 2

图 2 场信息耦合型统计降尺度方法示意图Y (t＋Dt) 为预报年的降水值，Ri (x) 为降水的SVD空间模态， 为预报年的SVD时间系数。 Fig. 2 The sketch map of the field information coupled patterns statistical downscaling method

4 预测因子选取

500hPa高度场代表着对流层中层的无辐散层，可以很好地体现高空大尺度环流波动（例如，槽脊移动、阻塞系统等）的情况。由于天气系统的斜压性以及上下游效应，从GH5中可以抓住大尺度环流背景场的变化，从高低空系统的配置关系我们就可以推知低空系统的变化，从而对地面天气的未来发展形势做出预测预报。因此，我们选取来自于CFS模式资料的同期因子夏季GH5为预测因子，其关键区为30°S～60°N，70°E～180°E，以下称泛东亚地区。图 3为1982～2011年NCEP再分析资料与CFS资料之间的GH5相关场。可以看到，显著的正相关区集中在低纬度地区，相关系数最大可达到0.6以上，东亚及周围地区上空也存在显著的正相关区。同时，1982～2011年NCEP再分析资料与CFS模式资料中泛东亚地区GH5的空间相关系数能够达到0.97以上。观测与CFS模式资料中GH5的EOF第一模态主成分，都显示出了随时间下降的趋势，两者之间的相关系数可以达到0.46（图略）。因此，CFS模式对1982～2011年夏季500 hPa高度场的回报能力较好，本研究将考虑利用夏季GH5为预测因子，建立统计降尺度模型。

图 3

Fig. 3

图 3 1982～2011年CFS模式与观测的夏季GH5相关场。阴影区颜色由浅到深分别代表90%、95%以及99%的信度检验水平 Fig. 3 The correlation coefficients for summer 500 hPa geopotential height between the reanalysis data (NCEP) and Climate Forecast System output during 1982-2011. The shaded areas (from light to dark) correspond to 90%, 95%, and 99% confidence levels, respectively

中国夏季降水与泛东亚地区GH5的SVD第一模态空间分布以及对应的时间系数由图 4给出。对于观测情形，由图 4c可以看出，GH5场在泛东亚地区中高纬为代表冷空气活动的高度异常场；在日本—中太平洋上空存在着一个异常的PJ（Pacific- Japan）波列（Nitta, 1987；Nitta and Hu, 1996）。PJ遥相关分布型与中国的气候变化有着密切的联系，例如，影响西太平洋副热带高压和中国降水（Huang and Li，1987；Kosaka and Nakamura，2006）。而热带及其以南地区则代表了南半球通过越赤道气 流等系统的作用，对中国降水产生影响。降水场 中，中国的东部地区大体呈现出南北多中间少（南北少中间多）的中国降水典型空间分布特征（图 4e）。相对于观测情形，在CFS中GH5的SVD模态空间分布场中，其热带地区大片带状负值区分裂为两块，而存在于东亚东北部地区的正值中心消失，取而代之的是在偏东的地方出现了一个负值的高值中心（图 4c、d）。而相应的降水场中，CFS回报出了除东北地区的中国东部大部分地区的异常降水型（图 4a、b）。在观测与CFS中SVD第一模态对应的时间系数之间相关都超过了0.8（图 4e、f）。

图 4

Fig. 4

图 4 1982～2011夏季（a，b）中国观测站点降水、（c，d）泛东亚地区GH5的SVD第一模态空间分布型以及（e，f）对应的时间系数。（a、c、e）基于NCEP资料，（b、d、f）基于CFS模式资料 Fig. 4 The first leading SVD modes for the observed rainfall in China and the GH5 over Pan-East Asia, and the corresponding time coefficients during 1982- 2011 summers. (a, c, e) Based on the NCEP dataset; (b, d, f) based on the CFS GCMoutput

ENSO（El Niño-La Niña）存在于热带太平洋，是海气相互作用的重要系统。它是全球天气和气候年际变化的重要原动力之一（Kiladis and Diaz, 1989），影响着全球气候的年际变化（Webster et al., 1998），也是短期气候预测一个重要的基础。虽然ENSO与东亚夏季风之间的关系在长期变化中显示出不稳定特征（Wang, 2002），但它仍然是引起中国降水变化的主要外强迫因子之一。一般来讲，El Niño易于导致弱的夏季风，而La Niña易于导致 强的夏季风（Wang et al., 1999）。当发生El Niño时，纬向Walker环流的上升支东移，西太平洋副热带高压偏强，东亚季风偏弱，容易导致中国南方地区降水偏多，北方偏少；而发生La Niña时，情况相反（Bjerknes，1966，1969；臧恒范和王绍武，1984；任富民等，2012）。许多学者利用ENSO信号对降水进行预测预报（Ropelewski and Halpert, 1987；Jain and Lall, 2001；Maity and Kumar, 2006）。1982～2011年中国夏季降水EOF第一模态的时间系数与1981～2010年秋、冬季SST的EOF第一模态的时间系数的相关系数可以达到0.52（超过99%信度检验水平）。

1982～2011年夏季降水与1981～2010秋冬季SST的SVD第一模态由图 5给出。可以看到，SST的SVD第一模态为ENSO的典型分布型，表现为热带中东太平洋和热带西太平洋呈现相反的变化趋势（图 5b），而对应此ENSO型分布的中国夏季降水为北方大部分地区和华南、长江下游之间相反的降水趋势，且雨带呈现东北—西南走向，而不是经典的准东西走向的“三明治”雨带分布特征。降水与SST的SVD第一模态对应的时间系数之间的相关系数为0.85。同时，可以看到，在2000年前后，时间系数出现了一个转型期。Zhu et al.（2011）指出，中国东部雨带在2000年前后出现了转型，其原因在于：太平洋年代际涛动（Pacific Decadal Oscillation, PDO）在2000年前后同样出现了转型，这就影响了西风急流以及中高纬环流，从而导致中国雨带的变化。

图 5

Fig. 5

图 5 1982～2011 夏季中国观测站点降水（a）与1981～2010 年秋冬 热带太平洋SST（b）的SVD 第一模态空间分布型以及对应的时间系数（c） Fig. 5 The first leading SVD modes of the (a) observed rainfall in China during 1982–2011 summers and (b) 1982–2010 autumn–winter SST over the tropical Pacific, and (c) the corresponding time coefficients

5 统计降尺度预测结果

由于建模和检验的时段为1982～2011年，因此我们采用去掉一年的交叉检验方法来对降尺度模型进行检验。图 6给出了观测与模式结果以及降尺度结果的降水量之间的空间距平相关系数ACC（Anomaly Correlation Coefficient）。降尺度模型将30年平均的ACC从模式原始结果的0.03提高到0.31，且在97%年中降尺度结果的ACC都超过了95%的信度检验水平，在80%的年份中ACC超过了99%的信度检验水平（图 6），最大值可以达到0.6。同时，对于30年的时间距平相关系数TCC的空间场来讲，CFS模式原始结果的TCC只有在内蒙古的部分地区，相关系数通过了显著性检验，其他大部分地区的相关系数均小于0.3（图 7a）。而降尺度结果与观测数据之间在中国的西北、东北大部、黄淮、华南以及西南地区都具有显著的相关系数，最大值可以达到0.6（图 7b）。因此，降尺度模型显著提高了1982～2011年中国夏季降水的时间TCC和空间ACC。

图 6

Fig. 6

图 6 1982～2011 年观测数据与CFS 模式原始数据（黑色）以及降尺 度结果（蓝色）夏季降水空间距平相关系数。AVE 为多年平均值， Cross 代表交叉检验降尺度结果。绿色、黑色和红色虚线分别代表了 90%、95%和99%的信度检验水平。 Fig. 6 The spatial anomaly correlation coefficients of summer precipitation between the observations and the CFS GCM output as well as the downscaling result. AVE and Cross represent the multi-year average and the cross validation results of downscaling. The green, black, and red dashed lines correspond to the 90%, 95%, and 99% confidence levels

图 7

Fig. 7

图 7 观测与CFS模式原始结果（a）以及降尺度结果（b）夏季降水的时间距平相关系数的空间分布。阴影区颜色由浅到深分别代表90%、95%以及99% 的信度检验水平 Fig. 7 The anomaly correlation coefficients of summer precipitation between the observation and (a) the original CFS output, (b) the downscaling result. The shaded areas (from light to dark) correspond to 90%, 95%, and 99% confidence levels, respectively

那么，我们又比较了降尺度结果的均方根误差（RMSE,Root Mean Square Error）与模式原始结果RMSE之间的差异。P_RMSE（RMSE的降低百分率）的表达式为：

其中，E_GCM和E_SD分别代表模式原始结果和降尺度结果的R_MSE，P_RMSE大于零且绝对值越大，说明降尺度结果越接近于观测值。

图 8 为1982～2011年P_RMSE空间分布情况，对于全国的160个站来讲，除个别站点之外，大多数站点的P_RMSE都大于零。降尺度结果的RMSE比模式原始结果的RMSE最多可减小40%以上。因 此，此降尺度模型回报的1982～2011年夏季降水在量级上较CFS模式原始结果更加接近观测数据。

图 8

Fig. 8

图 8 1982～2011年PRMSE Fig. 8 The decreased percentage of RMSE (PRMSE) during 1982-2001

由前面的分析可以看到，此降尺度模型夏季降水预测能力在1982～2011年的总体（平均）水平较高，那么，对具体年份的预测效能如何呢？1982～1983年发生了较强的El Niño事件，而中国地区的长江流域在1983年夏季出现洪涝，华北及华南地区普遍干旱（图 9a）。实际预测业务中，1983年的夏季降水预报评分（PS评分）不到45分。而CFS模式将中国东部大部分地区回报了降水正距平（图 9b），与实际降水型相差较大。经过降尺度之后，此降尺度模型大体回报出了“＋－＋”的降水距平空间分布型（图 9c），PS评分提高到了87分。同样，此模型对于2006年夏季降水的预测较CFS模式原始结果，以及历史实际业务预测都有显著提高。此模型回报出了中国东部地区“－＋－”的降水距平空间分型（图 9d、f），PS评分也从67分提高到85分。1982年（2005年）秋冬季，赤道中东太平洋地区出现了显著的海温异常偏高（偏低）现象，使得亚洲季风环流减弱（增强）（Wang et al.，1999），最终导致雨带的偏南（偏北）。因此，赤道太平洋地区的海温是夏季降水预测的重要因素之一。

图 9

Fig. 9

图 9 （a、b、c）1983年和（d、e、f）2006年夏季降水距平空间分布型：（a、d）观测数据，（b、e）CFS模式原始结果，（c、f）降尺度结果。单位：mm d-1 Fig. 9 The spatial patterns of summer precipitation anomalies in (a, b, c) 1983 and (d, e, f) 2006. (a, d), (b, e), and (c, f) represent observations, CFS output, and the downscaling result, respectively. Units: mm d-1

我们又对2011年夏季的降水距平百分率做了检验，公式为

其中，P代表降水距平百分率，R为某一站点的某年降水量，为某站点降水量的气候平均态，这里为1982～2011年。P大于13%表示降水偏多，P小于－13%表示降水偏少（王绍武等，1999），P介于两者之间表示降水正常。

图 10为2011年夏季降水距平百分率的情况。2011年夏季东北大部分地区降水偏少，同时在西南地区以及华南也出现了较严重的干旱现象，而在长江下游地区的降水偏多，西北地区大部分地区降水偏多（图 10a）。图 10b为回报的2011年汛期降水情况。东北地区的偏旱，以及长江下游地区的降水偏多都较好的回报了出来，然而对于西南地区干旱，预测的结果偏弱，而华南地区的降水偏少没有回报出来，回报结果与观测之间的ACC为0.28。总体来讲，此预测模型回报出了2011年汛期主要的降水区。

图 10

Fig. 10

图 10 2011年夏季降水距平百分率空间分布型：（a）观测数据；（b）降尺度结果 Fig. 10 The patterns of the 2011 summer precipitation anomaly percent from (a) observations and (b) downscaling result

基于前面对此预测模型的回报检验，我们利 用1982～2012年每年2月起报的GH5的CFS模式资料以及1981～2011年秋冬季SST建立预测模型，对2012年夏季降水进行预测（图略）。2012年汛期预测结果显示，在东北地区、内蒙古地区以及长江中游的小部分地区降水偏少，在黄淮、长江下游以及华南地区降水偏多。

6 结论

本文利用同期夏季CFS实时预测模式资料以及前期秋、冬季观测资料，针对中国1982～2011年夏季站点降水建立了以场信息耦合型为建模方法的统计降尺度预测模型。此降尺度模型引入的两个预测因子，分别为泛东亚地区CFS模式资料的GH5和热带太平洋地区观测资料的SST。文中分析了预测因子与预测量之间的SVD第一模态对，结果显示，两预测因子与预测量之间不仅有明晰的物理过程，而且具有显著的统计关系。

此降尺度模型对1982～2011年中国夏季降水的回报效果较CFS模式原始结果显著提高，表现为距平相关系数（ACC）的提高和均方根误差（RMSE）的降低。此模型较好回报出了1983年和2006年中国夏季降水距平的空间分布型，说明ENSO信号是影响中国夏季降水的重要因素之一。同时，该模型较好的回报出了2011年汛期降水的距平百分率的空间分布型，空间距平相关系数可以达到0.28。因此，此降尺度模型有效结合前期因子与同期因子的综合作用，能够获取天气系统更多的同期和滞后效应，从而影响中国夏季降水，为夏季降水的预测提供有价值的信号。