基于站点资料、再分析数据和动力气候模式回报数据,利用经验正交函数分解(EOF,Empirical Orthogonal Function)迭代和年际增量方法,探讨了长江流域年尺度降水异常的动力-统计降尺度预测方法及其应用效果。结果表明,基于再分析数据的年尺度环流场,建立的长江流域年尺度降水异常增量的统计降尺度预测方案,其26 a回报检验的距平相关系数(ACC)平均达0.6,证明该方案具有较高的可预报性。进一步利用模式预测的年尺度环流场,建立了年降水异常增量的动力统计降尺度预测方案,其ACC平均为0.42,显示了较高的回报技巧,远优于模式直接输出的年降水动力预报结果。通过分析调制年降水预报技巧高低的因素发现,赤道中东太平洋年平均海温距平为负值时,预报技巧更高,ACC平均达0.5以上。在拉尼娜发展年或拉尼娜持续年的冷水背景下,利用EOF迭代选取的特征向量偏多时,多尺度的大气环流信息被纳入预测模型中作为预测信号,预测技巧得到了提高。
AbstractBased on the station data,reanalysis data and dynamic climate model hindcast data,a dynamic-statistical downscaling prediction method of annual precipitation anomaly in the Yangtze River Basin and its application skill are discussed by using the empirical orthogonal decomposition (EOF) iteration and interannual increment method.Results show that based on the annual scale circulation field of reanalysis data,a statistical downscaling prediction scheme for annual scale precipitation anomaly increment over the Yangtze River Basin is established.The average anomaly correlation coefficient (ACC) of 26-year hindcast test can reach 0.6,which proves that the scheme has high predictability.A dynamic-statistical downscaling prediction scheme of annual precipitation anomaly increment is furth erestablished by using the annual scale circulation predicted by the model.The average ACC is 0.42,showing a high hindcast skill.The skill is much better than that of the directly output precipitation of the model.By analyzing the factors affecting the skill of annual precipitation prediction,it shows that when the annual average SST anomaly in equatorial central and eastern Pacific is negative,the prediction skill is higher,and the average ACC is more than 0.5.Under the cold water background of La Niña development year or La Niña duration year,more eigenvectors are selected by EOF iteration,which are incorporated into the multi-scale atmospheric circulation information as the prediction signal,and the prediction skill of annual precipitation anomalyis improved.
关键词年降水；EOF迭代；年际增量；动力-统计降尺度方法
Keywordsannual precipitation；EOF iteration；interannual increment；dynamic-statistical downscaling method
长江作为亚洲和中国第一大河,流经区域地形复杂,天气气候复杂多变,且是中国最主要的人口居住区和经济产业发达区,旱涝灾害对生产生活的影响很大(Dou et al.,2020;Zhou et al.,2020),因此做好不同时间尺度的天气气候预测对流域防灾减灾和生产规划具有重要意义。在短期气候预测业务中,延伸期、月、季节尺度的降水预测和服务相对比较成熟,年尺度的降水预测一直是空白,而可靠的年降水预测可以为粮食安全、水资源管理和政府决策提供有价值的参考信息(Graham et al.,2011;Chen et al.,2016;Kushnir et al.,2019)。此外,年尺度预测弥补了季节-次季节尺度和年代际尺度预测之间的缝隙(Kushnir et al.,2019),也是国际上“near-term climate prediction”的起始时间尺度,年尺度预测能力的提高有助于建立无缝隙短期气候预测服务,提升气候适应和减缓能力。
年预测是一个比较复杂的过渡尺度,一方面受到海洋、陆面等年际变率的影响,另一方面也受到气候变暖的作用,从而更具有挑战性。在研究工具方面,主要借助于气候系统模式。涉及年尺度预测(Mochizuki et al.,2010;Kim et al.,2012;Chikamoto et al.,2013;Borchert et al.,2018;Liu et al.,2019)的研究,多集中在地表气温和海平面气温的分析。结果显示动力气候模式对气温的预测技巧相对较高,而对降水的预测性能较低(Lin,2007;Stephens et al.,2010)。尽管有研究发现模式对萨赫勒地区降水在年际和多年尺度上具有较好的预报技巧(Bellucci et al.,2015;Sheen et al.,2017;Dunstone et al.,2020;Ward and Conway,2020),但是世界气象组织年际至年代际气候预测中心(WMO Lead Centre for Annual-to-Decadal Climate Prediction)发布的2021—2025年预测中(https://hadleyserver.metoffice.gov.uk/wmolc/),其基于CMIP5的多模式初始化的回报评估显示我国长江流域降水的预测性能不能令人满意。大量学者在长江流域的旱涝特征、影响系统、预测模型方面进行了尝试(周波涛,2011;王黎娟等,2014;张璟等,2014;朱连华等,2015;江志红等,2017;Li et al.,2017;宋进波等,2018;詹明月等,2020),取得一系列成果。多数研究以相对于气候态的年际变率作为研究对象,Wang et al.(2000)提出年际增量思想,即将预报对象由相对于气候态的偏差转变为年际变化信息,从而放大了年际异常信号而过滤掉其他更长时间尺度信息的干扰。范可等(2007)首先将此方法应用于长江流域中下游夏季降水预测,在东亚夏季风(Fan et al.,2012)、冬季北大西洋涛动(Fan et al.,2016)、北方春季沙尘频数(Ji and Fan,2019)、长江流域夏季极端降水频率(Tian and Fan,2019)、中国冬季地面气温(Dai and Fan,2020)等方面均取得了较好的预测效果。
水文和工程部门一般采用统计方法和机器学习方法进行年降水量的预测,包括经验模态分解(Empirical Mode Decomposition)、小波变换(Wavelet Transform)、神经元网络(Neural Network)等以及在其基础之上发展的算法(Qin et al.,2017;Iliopoulou et al.,2018;Song and Chen,2021)。这些方法将预报对象的历史观测序列进行分解,得到不同时间尺度的变化趋势,建立回归方程,对未来降水量进行预测。其在区域平均降水的量级预测上有一定的预报技巧,但缺乏降水异常分布的预测信息。
降尺度方法是气象学中常用的预测方法,有统计降尺度、动力降尺度、动力-统计相结合的降尺度(陈丽娟等,2003;Chen et al.,2006;顾伟宗等,2012)。统计降尺度方法一般是利用大尺度预报因子(环流、海温等)与历史观测的气象要素(预报对象)之间建立统计关系,利用该统计关系进行气象要素的预报(Maraun and Widmann,2017)。早期多用前期再分析资料的环流或海温等作为预报因子,随着气候模式的发展,模式预报性能大幅提高,尤其是环流和海温预测技巧远高于降水(Goddard et al.,2001;Zhu et al.,2008;Zhang and Zhou,2015),利用模式预测的环流和海温作为预报因子的研究工作越来越多,发展成动力-统计相结合的预测方法(Lang and Wang2010;Chen et al.,2012;Fang et al.,2017)。常规的统计降尺度方法有经验正交函数分解迭代(Empirical Orthogonal Function,简称EOF)(Zhang et al.,1993)、奇异值分解(Singular Value Decomposition,简称SVD)(Widmann et al.,2003;Zhu et al.,2008;Liu and Li,2014)、多元线性回归(multiple linear regression-MLR)(Guo et al.,2014)、支持向量机(support vector machine-SVM)(Goly et al.,2014)等,这些研究多用于月、季尺度预测,可有效提高预报技巧。Cheng et al.(2021)利用美国国家海洋和大气管理局扩展重建的地表海温资料(NOAA Extended Reconstructed SSTv5),选取厄尔尼诺-南方涛动指数(El Niño-Southern Oscillation circulation,简称ENSO)和太平洋年代际涛动指数(Pacific Decadal Oscillation,简称PDO)建立多元线性回归模型,开展对加利福尼亚的年降水预测研究。Choudhury et al.(2019)利用CMIP5的多模式初始化预报的海温作为预报因子,将季节降水预测的统计降尺度方法应用于澳大利亚的年降水预测,显示出动力信息和统计降尺度方法相结合较模式直接预测降水有了较大改进。已有研究表明利用降尺度方法研究年降水预测具有可行性。
基于上述已有研究和长江流域气候的复杂性,