我国地处东亚季风区，多因子的共同作用导致夏季降水年际变化复杂、预测难度较大。国家气候中心多年业务预报显示出一定技巧，但年际起伏大、总体上预报能力较低 (钱维宏和陆波，2010)。例如1998年的世纪大洪水，无论是动力模式还是统计模型均对其做出较成功预测 (王会军，2000；2001)，很大程度上得益于对厄尔尼诺—南方涛动 (ENSO) 现象发展演变的准确把握 (黄荣辉等，1998；陶诗言等，1998；Guo et al., 2002)。然而，对于2014年发生在我国南方的洪涝和北方的干旱状况，基于模式、统计和经验的绝大多数预测模型在三月份全国会商未能给出合理预测 (如图 1)。这客观上反映出必须要在预报认知和方法论上进行深入探索。

图 1 2014夏季我国降水异常观测和3月份全国汛期会商各参加单位预测的距平百分率空间分布。M1~M10表示会商单位的预测结果 Figure 1 Spatial patterns of precipitation anomaly percentages for the summer of 2014 from observations and real-time predictions by various institutions in China

目前针对我国夏季降水的影响因子和预测方法已有大量的研究成果。一方面，在影响中国夏季降水的众多信号中，ENSO一直是最为重要的预测参考，然而自2000年以来其信号减弱是不争的事实，尤其是2014年春夏季ENSO的变化不定可能是汛期降水预测不利的主要因素。相比之下，青藏高原冬春积雪是我国夏季降水预测另一个重要前期因子，它反映了高原的热状况，其异常可以通过积雪本身的持续性、土壤湿度异常影响后期大气环流、亚洲季风及夏季降水等 (郭其蕴和王继琴，1986；陈兴芳和宋文玲，2000；吴国雄等，2004)。进一步研究表明，高原冬春积雪与我国夏季降水尤其是长江流域降水有显著的相关关系 (韦志刚等，1998；Wu and Qian, 2003)。虽然高原积雪信息已经在经验预测、统计模型预测以及业务预测中得到应用，但由于资料时效性等原因高原积雪至今未能有效运用到汛期降水的统计降尺度客观定量实时预测中，亟待加强以其为基础的预报方法研究。

另一方面，现阶段气候模式对东亚季风区降水的模拟和预测效果仍不理想，短时期内实现模式大幅改进难度较大。为此，统计方法与动力模式相结合已成为一种有效改进预报的方法 (Ren and Chou 2007; 郑志海等，2009；Lang, 2011; Fan et al., 2012; Wang et al., 2015)。这其中，基于模式的统计降尺度方法能够从模式预报效果较好的大尺度环流场中提取信息推算出降水，较模式直接预测降水更加准确，我国学者近年来在这方面取得了较多研究进展 (贾小龙等，2010；Sun and Chen, 2012；Liu and Fan, 2012a; 刘颖等，2013)。为此，本文将基于已有研究，提出将高原积雪前期信号引入到气候模式统计降尺度预报框架中，发展一个动力—统计相结合的降尺度季节预测新方法，以期显著改善我国特别是南方地区夏季降水预测效果。

观测数据为中国气象局国家气候中心整编的全国160台站月平均降水资料；NCEP/NCAR再分析资料中的海平面气压场 (SLP)，水平分辨率为2.5°×2.5°(Kalnay et al., 1996)；青海、西藏52个基本气象台站逐日积雪深度观测数据，该数据已经过剔除缺测较多的站点，并处理成月平均资料。

模式数据为国家气候中心第二代季节预测模式系统BCC-CSM1.1m模式 (以下简称BCC模式) 中1991~2014年的SLP场、降水场的月平均资料，水平分辨率为1°×1°。该模式每月初进行对未来1~13个月的预测，包含24个集合样本，文中使用24个样本的集合平均数据。由于全国汛期会商预测结果在3月下旬发布，本文选取3月初起报的6、7、8月SLP以及降水资料。

BCC模式已经能够合理模拟出全球基本气候态、年平均降水以及热带降水年循环模态等大尺度气候要素的基本特征 (张莉等2013; Wu et al., 2013)，但由于模式自身不完善以及初始场等因素影响，BCC模式针对中国夏季降水的直接预测结果还不够理想，对2014年夏季预测结果与实测相差较大 (如图 1)。统计降尺度方法能够提取BCC模式最优预报信息、剔除系统性预报偏差，提高对我国夏季降水的预测能力。本文所要提出的方法主要是基于场信息耦合型技术的统计降尺度预测方法，其优点在于能够针对预测因子和预测量空间场的主要信息，通过提取两变量场之间的最优耦合变化型建立统计降尺度模型，详见 (Liu and Fan, 2012b, 2013；Liu and Ren, 2015)。在此基础上，我们提出将高原积雪前期信号引入到这一模式统计降尺度预报框架中，同样按照场信息耦合型技术形成新的预报因子，从而发展出一个组合统计降尺度预测新方法 (HSDP)。

由于东亚地区天气气候条件复杂，模式参数化方案估计降水的误差通常较大，导致气候模式对于东亚大陆夏季降水预报技巧总体偏低。另一方面，气候模式对于大尺度环流变量预测能力相对较好，例如，SLP场能够很好地反映大气质量随着东亚夏季风环流的变化特征，可直接影响降水等气候要素变化。因此，充分利用耦合气候模式输出的具有较高可预报性的大尺度环流变量对较低可预报性的夏季降水进行统计降尺度预测，有望显著改善后者的预报性能。因此，本文选取BCC模式的SLP变量 (区域为5°N~55°N，60°E~160°E) 作为夏季降水统计降尺度模型中的预测因子。图 2a为1991~2014年夏季BCC模式与NCEP/NCAR再分析资料SLP的相关系数空间分布场。可以看到，我国大部分地区均为正相关，但高相关区集中在30°N以南，覆盖中国长江流域及以南地区。而且模式与再分析资料的SLP距平空间相关系数的多年平均为0.17，24年中超过83%的年份相关系数为正。由此可见，BCC模式对东亚特别是我国长江流域以南地区的夏季SLP具有较好的预测能力。因此，本文选取东亚区域SLP场作为统计降尺度模型中预测因子。

我国长江流域及以南地区位于青藏高原下游，高原大地形的热力和动力作用对该地区的气候异常具有重要而直接的作用，前期冬季积雪与长江中下游夏季降水有着显著的正相关关系 (如图 2b)。值得注意的是，春季高原积雪也是影响我国夏季降水异常的因素之一，但春季积雪一般是冬季积雪的延续且积雪异常持续时间较短，3月以后积雪迅速减少 (郑益群等，2000)，同时考虑到实际降水预测的应用实效性，本文选取冬季高原积雪作为夏季降水预测因子。众多模式和统计模型均未准确预测出2014年我国夏季降水的空间分布，尤其没有抓住长江及以南地区的降水大值区，很可能是未能有效刻画高原积雪的影响作用。HSDP方法将前期冬季高原积雪影响引入到模式统计降尺度预测中，以期改进预测效果。

图 2 (a) 夏季BCC模式与NCEP/NCAR再分析资料SLP的相关；(b) 冬季高原积雪指数与夏季中国降水量相关。阴影区颜色由浅到深为正/负相关系数通过90%、95%和99%显著性检验的区域 Figure 2 (a) The anomaly correlation coefficient of SLP between BCC-CSM1.1m model and NCEP/NCAR reanalysis data; (b) the correlation coefficient between wintertime Tibetan Plateau snow index and observed summer precipitation. The shaded areas (from light to dark) are for values significant at the 90%, 95%, and 99% confidence levels, respectively

首先，基于HSDP模型对1991~2013年中国夏季降水进行了回报试验，回报采取逐次去掉一年的交叉检验方法。图 3为我国南方地区 (31°N以南，100°E以东) 空间距平相关系数的逐年变化曲线。可以看到，BCC模式的多年距平相关系数平均值为-0.006，而本文发展的HSDP方法距平相关系数的平均值提高到0.24，其数值在大多数年份都大于BCC模式的值，所有年份的距平相关系数都在零以上，最高接近0.4。为了进一步考察两个因子在HSDP模型中的各自贡献，我们也分别单独利用东亚地区BCC模式SLP和前冬高原积雪信息进行统计降尺度预测。交叉检验结果显示，南方地区夏季降水的多年平均距平相关系数分别达到0.19(图 3中SD-SLP) 和0.21(图 3中SD-SNOW)，均显著高于模式直接预报结果。这充分表明统计降尺度模型无论基于模式环流信息还是前期高原积雪信息均能有效提升预报性能，而综合运用两因子共同作用的HSDP模型更能发挥二者长处，进一步提高预报技巧。

图 3 BCC模式原始结果 (黑色)、HSDP结果 (红色)、高原积雪预测结果 (蓝色) 和SLP降尺度预测结果 (绿色) 与观测之间的我国南方地区夏季降水空间距平相关系数 Figure 3 The spatial anomaly correlation coefficients of summer precipitation observations and precidtions of the BCC-CSM1.1m model (black), HSDP (Hybrid Statistical Downscaling Prediction, red), SD-SNOW (Statistical Downscaling only using Tibetan Plateau Snow, blue), and SD-SLP (Statistical Downscaling only using Sea Level Pressure, green). Multi-year average anomaly correlation coefficients of different model predictions and obervations were given in corrsponding brackets

我们也看到，统计降尺度模型在1997年和2006年夏季的回报技巧低于BCC模式结果，原因在于，这两年前期冬季青藏高原积雪偏多，而在接下来的实际夏季降水中长江流域均偏少，不符合两者之间存在的正相关统计规律，因此，青藏高原的作用在降尺度模型中效果不明显，导致空间距平相关不高。可以注意到，HSDP统计降尺度模型对于南方地区夏季降水的距平相关系数表现比较平稳且略有上升，BCC模式的距平相关系数预报技巧出现明显下降趋势，且年际变化较大，表现不稳定。

综合以上结果可以看到，经过1991~2013年的交叉检验，相对于BCC模式原始结果，HSDP模型能够有效显著提高我国长江及以南地区预测技巧。由于青藏高原前期冬春积雪通过影响感热、垂直运动和环流场等，影响夏季风的强度，进而影响中国长江流域夏季降水 (张顺利和陶诗言，2001)，因此，高原前期积雪在HSDP模型中起到了至关重要的作用。

根据1991~~2013年交叉检验结果可以看到，HSDP模型确实较BCC模式结果具有较高的预测能力。那么，该模型是否能够提高2014年夏季中国降水的预测结果？图 4给出BCC模式和HSDP模型对2014年夏季中国降水距平的预测结果。对比前面图 1的OBS结果，2014年夏季实测降水大值区主要集中在长江以南的江南地区，北方地区普遍降水偏少。BCC模式预测的正降水大值区出现在西南地区，长江以南地区均预测成了降水负值区 (图 4a)。相比来讲，HSDP模型回报出了发生在江南地区的降水、黄淮地区的干旱 (图 4b)。BCC模式对2014年夏季中国降水的距平相关系数为-0.05，经过HSDP之后提高到0.35，而均方根误差则从1.65 mm d^-1下降到1.51 mm d^-1。同时，长江及以南的南方地区的49个站点的距平相关系数可以达到0.43。

图 4 预测的2014年夏季中国降水距平百分率空间分布型：(a) BCC模式结果；(b) HSDP结果 Figure 4 Spatial patterns of precipitation anomaly percentages for the sumemr of 2014: (a) BCC-CSM1.1mmodel; (b) HSDP

如果单纯利用气候模式因子SLP建立预测模型，其回报的2014年降水大值区集中在华南地区、华北以及东北地区，长江流域及以南大部分地区为少雨区，与观测结果有一定差距 (南方地区距平相关系数为0.12)；而单纯利用青藏高原积雪建立预测模型，其2014年夏季回报结果为：长江及以南地区、东北北部多雨，华南、江淮、华北以及东北大部分地区为少雨区，与观测结果更加接近 (南方地区距平相关系数为0.4)(图略)。2013/2014年冬季青藏高原积雪面积总体为正距平，累积积雪深度在大部分地区也为正距平。对于2014年夏季中国降水跨季节预测有效利用了前期青藏高原积雪的信号与长江及江南地区降水的密切关系，调整了前期预测方案进而得到与观测事实更加接近的预测结果。值得注意的是，通常ENSO是影响中国夏季降水的重要年际信号，但在其信号不显著的年份 (如2013~2014年冬春季)，通过考虑与ENSO相对独立的高原积雪信号 (陶亦为等，2011)，仍有望取得良好预测效果。

青藏高原冬春积雪是影响中国夏季降水的重要外强迫因子之一，通过影响感热、大气环流以及东亚夏季风，进而影响到中国夏季降水。大部分模型对2014年夏季降水预测失效，尤其没有抓住南方地区的降水大值区，因此，本文提出了将前期青藏高原积雪引入到统计降尺度模型当中，发展了一个针对我国夏季降水异常的组合统计降尺度预报新方法 (HSDP)。该HSDP模型充分利用BCC模式对SLP变量在我国南方地区的高预报技巧以及青藏高原冬季积雪与我国南方降水之间的显著关系，对夏季降水进行了1991~2013年交叉检验，并对2014年夏季降水进行了预测试验。交叉检验结果显示，南方地区距平相关系数的平均值提高到0.24，相关系数值在大多数年份均大于BCC，最高可达0.4。2014年预测结果表明，该模型能够较好地将长江以南的降水大值区很好地预测出来，南方区域距平相关系数达到0.43，可能原因是充分利用了青藏高原前期冬季积雪与长江及以南的夏季降水具有显著的正相关关系，而观测到的2013/2014年冬季的青藏高原积雪面积与深度都是正距平值。

值得关注的是，2008/2009年冬季高原积雪显著偏少，HSDP模型较为准确的回报出了2009年夏季长江以南地区降水负值区以及华北、黄淮地区降水正值区，距平相关系数超过0.3，而BCC模式直接预报效果不佳 (图略)。可能是由于模式对青藏高原热动力作用的模拟不够理想，因而未能将高原冬季积雪对夏季降水的影响有效表达出来，这需要进一步加以考察归因。当然，文中HSDP方法是交叉检验的结果，模型可靠性还需要更多实践检验。值得注意的是，由于我国南方和北方夏季降水异常分布的复杂性和非一致性 (Wu et al., 2009, 2013)，本文方法只针对有限个例中江南地区夏季降水预测效果改进明显，结论仍存在一定局限性。由于台站观测的积雪面积和深度数据一般要滞后3个月以上才能业务使用，因此如何使用时效性更好的卫星遥感替代资料将是关系到本文HSDP方法能否在春季会商及时做出预测的关键。另外，其他显著影响因子及高效预测方法，如：影响我国南方降水异常的影响因素——欧亚大陆积雪 (许立言和武炳义, 2012a, 2012b)，以及年际增量预测方法 (范可等，2007；2008) 的使用，也需要在下一步工作中重点加以考虑。