统计降尺度方法及水文应用（精）

作者简介

内容简介

第1章 绪论
　　全球气候变化已经成为当今国际社会广泛关注的热点问题之一。世界气象组织（World Meteorological Organization， WMO）2019年发布的《2015～2019年全球气候报告》指出，刚刚过去的2015～2019年成为有记录以来最热的五年，平均气温比2011～2015年上升了0.2℃相较于工业革命前，全球平均气温上升了1.1V。联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）第五次评估报告指出（IPCC，2013），受全球变暖的影响，海洋在变暖，冰雪量在减少，海平面在上升，地球系统可能已经达到甚至突破了重要的临界点，导致不可逆转的变化。鉴于当前温室气体的浓度及排放水平，在未来的一段时间内全球平均气温仍将持续升高。耦合模式比较计划第五阶段（coupled model intercomparison project phase 5， CMIP 5）的全球气候模式（global climate models， GCMs）预估的结果表明，相较于1986～2005年，2016～2035年全球地表平均温度将升高0.3～0.7 V，2081～2100年将升高0.3～4.8°C（秦大河和Stocker，2014）。以全球升温为主要特征的全球气候变化对全球水循环、水资源时空分布及人类社会的可持续发展造成了巨大的影响（邓丽姣，2017）。探究全球气候变化对水文水资源的影响及相应的适应性对策已成为当前科学界研究的热点问题。
　　GCMs是研究气候变化对水文水资源及其他环境影响的重要工具，其采用微分方程组所构成的系统来描述地球物理、物质运动和化学等基本定律，是目前用于模拟全球气候系统对温室气体浓度增加反应的最先进的工具。为了构建GCMs，科学家将地球划分成许多三维网格，应用这些基本的微分方程，在每个网格里计算风、热传输等物理过程，并建立相邻网格间各要素的相互关系。现阶段的GCMs可以较好地模拟大尺度区域环流特征和平均气候变化趋势。然而，由于目前人类对全球气候系统和一些物理化学过程认识的局限（Stevens and Bony，2013；Teutschbein and Seibert，2012），以及计算能力的限制，GCMs输出变量存在空间分辨率低、在区域或局地尺度偏差较大等问题（陈晓晨等，2014；胡尊等，2014；Mishra and Herath，2014；Mueller and Seneviratne，2014），一般不直接用于驱动水文模型以开展流域尺度气候变化影响评估（Chen etal.，2018a，2011a；Hagemann et al.，2013；Subhrendu et al.，2013）。在驱动水文模型开展水文响应评估之前，需要通过一定的技术手段将大网格尺度的气象变量转化为局地或站点尺度的气候变化预估。为了解决这一问题，降尺度方法得以发展（陈杰等，2016；赵传燕等，2008；范丽军等，2005；Xu，1999）。降尺度是将大尺度（低时空分辨率）的GCMs输出结果通过动力学或统计学方法转化到小尺度（高时空分辨率）局地气候变化预估的过程（刘昌明等，2012；Chen etal.，2011a，2011b）。通过时空降尺度产生所期望尺度上高精度的气候变化预估是准确评估气候变化影响的重要环节。本章首先综述统计降尺度方法的研究进展，重点总结理想预报（perfect prognosis， PP）方法、模型输出统计（model output statistics， MOS）方法及随机天气发生器（stochastic weather generator， SWG）方法三类主要的统计降尺度方法，分析各方法的优点与不足，然后阐述统计降尺度方法发展所面临的挑战，为后续章节针对统计降尺度方法的研究提供理论支撑。
　　1.1 统计降尺度方法的研究进展
　　常用的降尺度方法可以分为三大类：动力降尺度方法、统计降尺度方法及动力和统计相结合的降尺度方法。动力降尺度方法，即区域气候模式（regional climate models， RCMs），是建立在一套大气动力学方程基础之上，基于GCMs提供的初始和侧边界条件，通过动力学方程之间的关系，推导高分辨率的气候变化预估的降尺度方法（Yangetal.，2010；Giorgi，1990；Dickinson etal.，1989）。动力降尺度方法具有物理意义明确、不受观测资料影响等特点，可应用于不同的空间分辨率（一般为15～50km），能反映影响区域气候的地面特征量及未来气候本身的波动规律，因此得到了广泛的应用。然而由于对气候系统理解的不足和模型本身的局限性，与区域观测气象变量相比，RCMs输出变量仍然具有较大的偏差，如髙估了降水的发生频率、低估了降水极值等（Chenetal.，2013a；Fowler etal.，2007；Murphy，1999）。同时，由于RCMs的运行基于GCMs所提供的侧边界条件，其输出变量在一定程度上遗传了 GCMs的偏差。因此，虽然RCMs的空间分辨率已经得到了很大的提高，但是它仍然不能满足中小流域，特别是站点尺度气候变化影响评估的精度需求（Ehret et al.，2012；Teutschbein and Seibert，2012）。同时，由于 RCMs计算量庞大，只能在部分区域产生有限的气候变化预估，难以满足研究气候变化影响不确定性的需要。
　　统计降尺度方法是一种建立GCMs输出的历史时段网格气象变量与局地尺度观测的气象要素之间的统计关系，并将这种关系应用于气候模式输出的未来时段网格数据，从而获得局地尺度未来气候变化预估的方法（成爱芳等，2015；刘永和等，2011；Chuet al.，2010；刘兆飞和徐宗学，2009；范丽军等，2005；Wilby et al.，2002a；陈喜和陈勇勤，2001）。相较于动力降尺度方法，统计降尺度方法具有使用简单、计算量较小和精度较高等优点，因此得到了广泛的应用。动力和统计相结合的降尺度方法首先基于GCMs 所提供的侧边界条件，通过动力学方程之间的关系，产生区域尺度的气象变量，然后在此基础上使用统计降尺度方法产生局地尺度气候变化预估，用于气候变化影响评估。该方法在一定程度上兼顾了动力降尺度方法和统计降尺度方法的优点，但实质上仍只是两种方法的简单拼接。
　　较早的研究（Zhang，2005；Xu，1999）将统计降尺度方法划分为转换函数法（侯雨坤等，2014；Goyal andOjha，2011；Chuetal.，2010；陈华等，2008；Wilbyetal.，2002a）、环流分型法（Chenetal.，2012a；Schoof and Pryor，2001）和 SWG方法（Wilks，2010；Qianetal.，2010；Kilsbyetal.，2007；Zhang，2005）。随着统计降尺度方法的发展，Maraun等（2010a）提出将统计降尺度方法分为PP方法、MOS方法和SWG方法三种类型。其中，PP方法包括传统的转换函数法和环流分型法两类方法；SWG方法与传统方法一致；MOS方法是短中期气象预报中常用的后处理方法，现广泛用于对气候模式输出结果进行后处理。以下将基于Maraun等（2010a）的分类方法介绍三种统计降尺度方法的研究进展。
　　1.1.1 PP方法
　　PP方法是应用最为广泛的统计降尺度方法，其原理是在历史时段建立网格尺度多个大气环流因子（预报因子，如相对湿度和风速等）和局地观测气象要素（预报变量，如降水和气温）之间的线性或非线性关系，然后将这种关系应用于未来时段的网格尺度大气环流因子，从而获得局地未来气候变化预估。PP方法一般基于以下三个假设：①GCMs 能够很好地模拟网格尺度的大气环流因子；②大气环流因子与局地尺度气象要素之间具有显著的统计关系；③基于历史时期数据建立的统计关系在未来时期仍然适用。预报因子的选择对PP方法的表现具有决定性的作用，一般要求这些预报因子具有较好的预报能力，常常通过预报因子与预报变量之间的相关性予以确定。Wilby和Wigley （2000）归纳了常用于降水降尺度的预报因子，包括不同气压（如1000 hPa、850hPa和500 hPa）的位势高度、相对湿度、绝对湿度、径向风速、纬向风速、涡度等。
　　依据预报因子与预报变量之间所建立的函数关系，PP方法可进一步分为线性方法与非线性方法，线性方法即建立预报因子与预报变量间的线性关系。常用的线性方法包括多元线性回归（Chenetal.，2014a）、典型相关分析（Busuioc etal.，2008）、主成分分析（Wilks，2011）、经验正交函数（Vimont et al.，2010）、奇异值分解（Chuetal.，2008）、广义线性模型（Maraun et al.，2010b）等（刘昌明等，2012），其中以多元线性回归应用最为广泛，该方法又包括前进法、后退法、逐步回归和直接回归等（Goyal and Ojha，2010）。最常用的统计降尺度模型（statistical downscaling model，SDSM）（Wilbyetal.，2002a）的核心是，它是一种基于多元线性回归的模型。多元线性回归使用简单，然而由于预报因子与预报变量之间时常相关性较弱，该方法往往低估了模拟变量（特别是降水）的方差，也不能准确模拟降水序列的干湿频率（Chenetal.，2014a，2012a）。
　　由于局地气候变率并不完全取决于大尺度的大气环流因子，使用线性方法很可能会低估站点或区域尺度气候的变异性，往往需要建立大气环流因子与观测气象要素间的非线性关系。常用的非线性方法包括分类法（Wilks，2011）、人工神经网络（artificial neural network， ANN）（Wilbyetal.，1998）、平滑支持向量机（Chenetal.，2010）等。Xu （1999）在分类中提及的环流分型法属于分类法，是指首先对与区域气候变化有关的大尺度大气环流因子进行分类，即应用已有的大尺度大气环流因子和局地气象变量的观测资料，对与局地气象变量相关的大气环流因子进行分型；然后计算各环流型频率分布在各气候类型发生的情况下对局地气象变量的权重；最后通过把未来环流型的相对频率加权到局地气候状态，得到未来区域气象变量值（Schoof and Pryor，2001）。该方法假定未来气候类型不随气候的变化而改变。由于区域气候类型不一致或不明显，与线性方法相比，该方法并不能有效提高降尺度的精度（Chenetal.，2012a）。ANN是应用最为广泛的非线性降尺度方法，而平滑支持向量机是一种与ANN相似的方法。诸多研究表明，与线性方法相比，非线性方法并不具有明显的优势（Chenetal.，2012a；Wilbyetal.，1998）。除线性方法和非线性方法外，类比法（Wilks，1995）也是一种重要的PP方法，该方法首先基于一定的评估指标（如欧氏距离），在历史阶段识别、模拟和观测大尺度气象数据中相似天气状况所对应的局部观测记录，然后在未来天气状况中寻找相似天气状况下所对应的局部天气，该方法只能产生历史阶段已经发生的气象事件，不能产生新的事件。
　　基于回归的PP方法的表现依赖于大气环流因子与局地气象要素之间的相关关系。研究表明，局地尺度气温与大尺度环流因子间通常具有较高的相关性，因此回归方法能较好地对气温降尺度。然而局地降水与大气环流因子间相关性较弱，因此对降水降尺度的效果往往较差。在特定的模型方面，SDSM是统计降尺度模型的代表，在全球不同国家和地区得到了广泛的应用。该模型通过计算大气环流因子与站点降水或气温间的偏相关系数选择合适的预报因子。对气温进行降尺度时，预报因子的方差解释率高达80%，而对降水进行降尺度时，方差解释率却低于40%（Wilbyetal.