降尺度技術的應用研究進展

陳超君王欽

（1 中國氣象局武漢暴雨研究所 暴雨監測預警湖北省重點實驗室，武漢 430074；2 中國民航飛行學院廣漢分院氣象臺，德陽 618307）

降尺度技術的應用研究進展

陳超君1王欽2

（1 中國氣象局武漢暴雨研究所 暴雨監測預警湖北省重點實驗室，武漢 430074；2 中國民航飛行學院廣漢分院氣象臺，德陽 618307）

大量數值預報產品的應用表明，盡管許多數值預報產品的參考價值很高，但預報的結果總存在一些誤差，數值模式精細化預報準確性和可靠性至今仍存在不少問題。基于現有條件，對數值預報產品進行降尺度將成為精細化預報方法研究的一個熱點。降尺度技術作為一種新的精細化預報途徑，已成為一個重要的研究領域。為此，本文對降尺度技術的概念、該技術中各個方法的優缺點進行了概述，歸納了該技術在國內外的研究進展，為降尺度技術在數值模式中的應用研究提供參考。

精細化預報，數值模式，降尺度

1 引言

隨著經濟的發展和人民生活水平的不斷提高,人們對氣象預報的種類和精度要求越來越高[1]。中國氣象局因此提出了氣象預報要向精細化方向發展的戰略思想。所謂精細化,其“精”是指預報質量,預報要精確,準確率要高,要出精品。其“細”,是指天氣預報內容的細化程度,即提高預報產品的時間、空間、量級的分辨率。制作“定時、定點、定量”的客觀精細化預報將成為天氣預報發展的必然。

數值預報由于其明確的物理機制,被認為是精細化天氣預報的發展方向。隨著觀測手段的日益豐富和計算機水平的飛速提高,數值模式在天氣預報業務中得到了越來越廣泛的應用[2]。但大量數值預報產品的應用表明,盡管許多數值預報產品的參考價值很高,但由于數值預報結果受模式初始場、邊界條件、物理過程、地形、植被及模式本身的設計等諸多方面的影響,預報模式描述的畢竟是模式大氣,而非真實大氣,還有模式的可預報性問題等,所以數值模式發展還存在一定的不足,模式許多方面還不夠完善,因此數值模式輸出產品不可避免地會存在一定的誤差[2]。如何有效消除模式產品誤差是提高模式預報水平的一個重要方面,對數值預報產品的釋用起到重要的決策作用。

目前氣候模式(GCM)對大尺度環流場的預報還是不錯的,但是GCM的空間精度仍然比較粗糙[3],

很難捕捉到區域或是局地上的大氣物理過程,因而目前還不適合用于區域或是局地天氣預報。由于模式都是通過參數化方案對云等進行預報的,這種預報對局地地形有很大的依賴性,加上大部分模式都是日本、歐洲或是美洲等國家研發的,對其他地區的參數化方案,考慮得可能不是很精確,從而使得這些模式在其他國家地區的預報效果并不那么理想[4]。現在主要有兩種方法可以彌補數值模式預報的不足,一是發展更高分辨率的數值模式；一是降尺度法。但要想通過增加模式時空分辨率,改進動力模式本身的各個環節,改善模式的物理過程和參數化方案來提高預報準確率是很難的,為了彌補這種缺陷,降尺度將是目前更為可選的方法,它能在現有模式的基礎上改善預報結果,提高預報技巧,減少改進模式成本。

在目前的天氣預報基礎上,如何利用數值預報產品的精度,在時間尺度、空間尺度和量級上做進一步的細化,且細化后的氣象要素預報產品的準確率要達到可以對外發布的水平,這是基層臺站精細化預報面臨的主要問題,數值預報產品的統計降尺度釋用課題也由此應運而生。而我國對于降尺度技術的應用介紹較少[1,5],尤其是該方法在短期天氣預報中的應用有限。本文就降尺度技術的應用研究情況及其價值進行簡述。

2 降尺度技術簡介

現有應用的降尺度法有動力降尺度法、統計降尺度法、統計與動力相結合的降尺度法[6,7]。動力降尺度方法多用于氣候預測[8],即利用與氣候模式耦合的區域氣候模式(RCM)來預估區域未來氣候變化情景。目前動力降尺度方法還應用于區域風能資源評價[9,10]研究方面。該方法基于物理定律的初值,具有物理意義明確,可不受觀測資料的影響,能應用于很多地方,也可應用于不同分辨率的優點；其缺點是計算量大、費機時,沒有利用或沒有充分利用已有的實況歷史資料。目前來看,動力降尺度[11-13]主要有兩個發展方向:一種是提高GCM的水平分辨率,這無疑會大大增加計算量；另一個方向是在低分辨率GCM中嵌套高分辨率有限區域模式(LAM),這是一個有生命力的發展方向。但是LAM的邊值條件的確定,與GCM的嵌套技術以及局地模式系統性誤差的減少都是難點,此外該方法的計算量也較大,相比之下,統計降尺度計算量小而易于操作。

統計降尺度也稱經驗降尺度[14],是由大尺度氣候信息獲取小尺度氣候信息的有力工具,它可視作是與動力降尺度平行的降尺度方法,或者可被看做是動力降尺度的補充。它能由模式輸出資料與氣象要素之間的統計關系,建立要素預報模型,做出對要素的定量預報。該方法的基本原理在于采用統計經驗的方法,利用觀測資料建立預報因子與預報要素之間的線性或非線性統計關系,建立要素預報模型,做出對要素的定量預報,并用獨立的觀測資料檢驗這種關系,最后再把這種關系應用于模式輸出資料來對變量進行預報。文獻[6]系統介紹了統計降尺度的原理與建模等相關問題。統計降尺度方法利用了大量的實況資料,有計算效率高、能輸出較高分辨率或站點尺度的氣象要素等優點,所以能彌補動力降尺度的一些不足,卻沒有利用或沒有充分利用已掌握的物理知識。目前來看,統計與動力相結合的降尺度法在實際業務中更為適用。

目前對數值預報產品的統計降尺度釋用方法主要有模式輸出統計(Model Output Statistical,MOS)法、完全預報法(Perfect Prognostic Method, PP)、卡爾曼濾波(Kalman Filter)和人工神經網絡等方法。MOS的優點是在建立在統計學多元線性回歸模型的基礎上,預報方程中自動考慮了數值預報的系統誤差和局地氣候,同時大量引用了其他方法難以引用的物理量場作為預報因子[15](如垂直速度、假相當位溫,渦度等物理意義明確、預報信息量較大的因子)。但常規MOS方法中大多采用統計回歸方法和確定的建模途徑,這些方法對樣本充分、變化較為平穩的預報目標的釋用效果較好,同時建立MOS預報模型需要大量的數值預報產品的歷史資料,因而MOS預報模型受到歷史資料樣本的限制；數值模式產品的變化,使得MOS預報模型的統計學基礎也隨之改變,使常規的MOS預報無法適應數值預報模式的變化。PP法[16]要求模式預報是完全正確的,即預報的精度完全依賴模式預報的質量。卡爾曼濾波最早由卡爾曼于1960年提出[15],該方法通過處理一系列帶有誤差的實際測量數據而得到所需要的物理參數的最佳估算值。根據這一基本思想,用以處理一系列帶有誤差的預報值而得到預報值的最佳估算值,這對提高預報精度具有重要現實意義。該方法具有適應性強、受數值預報模式更新的影響較小、所需樣本資料少等優點,得到氣象工作者的重視。但該方法一般只適用于線性系統,而大部分系統都是非線性的,同時還要選擇物理意義清楚,相關系數高的因子。人工神經網絡法則缺乏可信的物理過程。所以針對降尺度的適用性問題,發展獨立于模式和歷史樣本資料的降尺度技術,將成為降尺度技術更好地應用于數值預報的一種有效方法。

3 降尺度研究現狀與進展

截至目前,學者們已將多種統計方法和人工智能技術應用于氣象要素的降尺度研究。統計降尺度工作始于20世紀90年代[4],在近十幾年的發展過程中,降尺度取得了一系列成就,在氣候和水文方面已發展成相當完善的領域。Wilby等[17-19]對降尺度方法的應用做了較為詳細的介紹。回顧了目前氣候上的降尺度技術,主要有4種方法:回歸的方法,基于天氣(環流)的方法,隨機天氣發生器和有限區域氣候模式。對幾個降水模式應用降尺度方法試驗,對比表明基于環流的降尺度方法對目前的觀測和降水的預報性能最好。Fowler等[20]也回顧了水文模型中降尺度技術近來的方法,分別介紹了降尺度的概念、新方法,對比了不同的研究方法對水文模式效果的影響。一直以來,歐洲和北美國家對降尺度研究與應用較多,得出的結論大多是某種統計降尺度在某地區適用,不具有普遍性,為了尋找更好、更普遍的降尺度方法,學者們也對不同降尺度方法進行了較詳細的對比研究[21-26],如Murphy[23]分別評估了統計降尺度和動力降尺度對局地氣候的預報技巧。盡管統計方法對夏季溫度的預報比較好,動力方法對冬季降水估計稍微好些,但總的來說,動力和統計方法對局地溫度和降水預報性能相當。文中認為通過提高代表性的物理過程和增加模式分辨率有助于提高動力降尺度的預報效果,而提高統計降尺度預報效果則需要有更長時間序列的可靠觀測資料和更多有預報意義的變量。Schoof等[25]對比了神經網絡和回歸方法對溫度和降水的降尺度預報效果。Ramirez等[26]基于線性和非線性的降尺度方法,使用人工神經網絡和多元線性回歸建立了巴西東南部的觀測降水和天氣尺度環流的診斷方程,并將建立的診斷方程應用于Eta模式的輸出,對降水進行預報,并對人工神經網絡和多元線性回歸方法的預報性能進行了評估。除對溫度和降水的降尺度研究外,目前降尺度方法已開始應用于更多的氣象要素預報中。如Salameh等[27]對法國南部近地面風進行了統計降尺度研究,該研究通過統計的方法,對大尺度的高層大氣和近地面大氣場進行調整,從而將近地面風的預報降尺度應用到法國南部各個氣象站點的預報中,結果表明這種方法對風速預報有一定的改進作用。

降尺度方法作為一種新的精細化預報途徑,國內近幾年也開始了該方面的研究。2001年起中央氣象臺就發展建立了以模式直接輸出(DMO)、模式輸出統計(MOS)、神經元網絡和綜合集成等統計釋用技術為基礎的客觀要素預報方法,通過業務預報的實踐檢驗發現,統計釋用的方法對現在的業務數值預報結果有明顯改進能力。劉永和等[28]對氣象中的統計降尺度方法做了詳細的綜述,同時認為統計降尺度是解決由低分辨率氣象模式輸出到流域尺度轉換的手段之一,是未來提高天氣預報準備率的主要發展趨勢。朱宏偉等[14]同時結合區域氣候中統計降尺度方法的應用進展、研究熱點和發展趨勢對降尺度方法概念、原理和應用研究做了詳細綜述。針對降尺度的優點及適用性,學者們也做了許多研究工作,主要是關于對未來降水和溫度預報方面的研究[29-31]。范麗軍等[6]將降尺度模擬的中國區域1和7月氣溫及月降水量結果與區域氣候模式模擬結果進行比較發現,將統計降尺度方法應用于我國氣溫預測是可行的。趙芳芳等[32]的研究中對這方面做了重點分析,同時還應用降尺度模型SDSM(Statistical Downscaling Model)對氣溫做了詳細預報。前面研究都主要是針對未來區域氣候或未來溫度、降水方面的應用,對于降尺度方法在中尺度短期天氣預報中的應用較少,主要就李江萍等[5]在系統論述統計降尺度法的基本原理、一般步驟的基礎上,初步探討了統計降尺度法在中期天氣預報方面的應用。吳建秋等[1]利用1?×1?再分析資料以及自動站的氣溫觀測資料,采用線性回歸和卡爾曼濾波相結合的方法,對南京地區進行溫度預報,預報結果表明:用該統計降尺度方法對南京地區溫度進行預報的方法是可行的,可得到精度較高且穩定的預報結果,其預報結果具有較好的使用價值和參考價值。王輝贊等[33]利用卡爾曼濾波的降尺度方法,對T106數值預報產品進行了預報優化。通過T106數值預報資料建立預報模型,其后通過獨立樣本對副高面積指數和脊線指數進行預報。結果表明,卡爾曼濾波方法能對預報對象提供更為準確、有效的跟蹤和描述,較其他統計預報方法的自適應能力更強。

4 總結與展望

(1)精細化、定量化是未來天氣預報技術發展的主要方向,預報的時間分辨率由現在的以天為單位到小時為單位,空間分辨率由現在的以縣行政區域為單位的幾十、上百千米區域到以鎮為單位的幾千米區域。而實現這種預報業務的精細化,主要依賴于高分辨率的數值模式:要提高精細化預報質量,就必須大力發展數值預報產品的降尺度釋用技術。

(2)對數值模式預報產品進行降尺度釋用,得到本地區天氣要素的預報已是國際上通行的做法,其技術方法主要有:MOS、PP和卡爾曼濾波等。這些降尺度技術,能夠根據模式輸出資料與氣象要素之間的

統計關系,建立要素預報模型,做出對要素的定量預報。但這些方法對模式及歷史資料的依賴性較強,所以發展獨立于模式和歷史樣本資料的降尺度技術,使其具有更廣的普遍性,對提供定時、定點、定量的預報是非常必要的。

(3)基于具有明確物理意義和可靠觀測資料模型的降尺度技術將會有更好的發展前景。它能在現有模式的基礎上改善模式預報結果,減少改進模式的成本,提高預報技巧,不失為一條提高預報能力的捷徑。這與正面發展模式并不矛盾,通常數值模式預報結果越精確,降尺度后的效果越理想。

(4)精細化預報作為氣象服務的一個重要組成部分,如何將氣象預報精細化到鄉鎮,對鄉鎮進行及時準確的天氣預報是擺在氣象學家面前的一個更為迫切的任務。它的準確性和可靠性都對國民經濟和社會各部門趨利避害,對人們的日常生活各個方面有著非常重要的意義。因此,采用有效的降尺度技術,改進和發展適合自身的模式后處理技術,對完善數值模式預報系統和提高模式預報準確率是非常必要的研究工作。

目前, 在數值預報業務中,天氣學、統計學和動力學等預報方法都扮演著重要角色。如何將這些方法相互結合、發揮各自優勢形成新的預報技術, 是非常值得探討的重要科學問題。近年來國內外數值模式后處理的發展已經取得了豐碩的成果,但很多問題還有待解決,這些方面的研究都有待進一步加強。

[1]吳建秋, 郭品文. 基于統計降尺度技術的精細化溫度預報. 中國科技信息, 2009, 12: 44-48.

[2]陳敏, 王迎春, 仲躋芹, 等. 北京地區中尺度數值業務預報的客觀檢驗. 應用氣象學報, 2003, 14(5): 522-532.

[3]Coulibaly P, Dibike Y B, Anctil F. Downscaling precipitation and temperature with temporal neural networks. Journal of Hydrometeorology, 2005, 6(4): 483-496.

[4]任麗娜, 翟宇梅, 王力維. 多模式集合在統計降尺度應用上的研究進展. 科學技術與工程, 2011, 11(29): 7185-7194.

[5]李江萍, 王式功. 統計降尺度法在數值預報產品釋用中的應用. 氣象, 2008, 34(6): 41-45.

[6]范麗軍, 符淙斌, 陳德亮. 統計降尺度法對未來區域氣候變化情景預估的研究進展. 地球科學進展, 2005, 20(3): 320-329.

[7]殷志遠, 賴安偉, 公穎, 等. 氣象水文耦合中的降尺度方法研究進展. 暴雨災害, 2010, 29(1): 89-95.

[8]陳麗娟, 李維京, 張培群, 等. 降尺度技術在月降水預報中的應用.應用氣象學報, 2003, 14(6): 648-655.

[9]吳瓊, 賀志明, 聶秋生, 等. 動力降尺度法對鄱陽湖區風能資源模擬效果分析. 資源科學, 2012, 34(12): 2337-2346.

[10]李艷, 湯劍平, 王元, 等. 區域風能資源評價分析的動力降尺度研究. 氣候與環境研究, 2009, 14(2): 192-200.

[11]Rebora N, Ferraris L, von Hardenberg J, et al. RainFARM: Rainfall downscaling by a fi ltered autoregressive model. Journal of Hydrometeorology, 2006, 7(4): 724-738.

[12]Wu P L, Lin P L, Juang H M H. Local mean bias correction in a regional model downscaling: A case study of the South China Sea summer monsoon of 1998. Monthly Weather Review, 2009, 137(9): 2869-2892.

[13] Brankovi? ?, Matja?i? B, Ivatek-?ahdan S, et al. Downscaling of ECMWF ensemble forecasts for cases of severe weather: Ensemble statistics and cluster analysis. Monthly Weather Review, 2008, 136(9): 3323-3342.

[14] 朱宏偉, 楊森, 趙旭喆, 等. 區域氣候變化統計降尺度研究進展.生態學報, 2011, 31(9): 2602-2609.

[15]薛志磊, 張書余. 氣溫預報方法研究及其應用進展綜述. 干旱氣象, 2012, 30(3): 451-458.

[16]Klein W H, Lewis F. Computer forecasts of maximum and minimum temperatures. Journal of Applied Meteorology, 1970, 9(3): 350-359.

[17]Wilby R L, Dawson C W, Barrow E M. SDSM-A decision support tool for the assessment of regional climate change impacts. Environmental Modelling and Software with Environment Data News, 2002, 17(2): 145-157.

[18]Wilby R L, Hay L E, Gutowski W J, et al. Hydrological responses to dynamically and statistically downscaled climate model output. Geophysical Research Letters, 2000, 27(8): 1199-1202.

[19]Wilby R L, Wigley T M L. Downscaling general circulation model output: A review of methods and limitations. Progress in Physical Geography, 1997, 21(4): 530-548.

[20]Fowler H J, Blenkinsop S, Tebaldi C. Linking climate change modelling to impacts studies: Recent advances in downscaling techniques for hydrological modelling. International Journal of Climatology, 2007, 27(12): 1547-1578.

[21]Zorita E, von Storch H. The Analog method as a simple statistical downscaling technique: Comparison with more complicated methods. Journal of Climate, 1999, 12(8): 2474-2489.

[22]Gutmann E D, Rasmussen R M, Liu C, et al. A Comparison of statistical and dynamical downscaling of winter precipitation over complex terrain. Journal of Climate, 2011, 25(1): 262-281.

[23]Murphy J. An evaluation of statistical and dynamical techniques for downscaling local climate. Journal of Climate, 1999, 12(8): 2256-2284.

[24]Wood A W, Leung L R, Sridhar V, et al. Hydrologic implications of dynamical and statistical approaches to downscaling climate model outputs. Climatic Change, 2004, 62(1-3): 189-216.

[25]Schoof J T, Pryor S C. Downscaling temperature and precipitation: A comparison of regression-based methods and artificial neural networks. International Journal of Climatology, 2001, 21(7): 773-790.

[26]Ramírez M C, Ferreira N J, Velho H F C. Linear and nonlinear statistical downscaling for rainfall forecasting over southeastern Brazil. Weather and Forecasting, 2006, 21(6): 969-989.

[27]Salameh T, Drobinski P, Vrac M, et al. Statistical downscaling of near-surface wind over complex terrain in southern France. Meteorology and Atmospheric Physics, 2008, 103(1-4): 253-265.

[28]劉永和, 郭維棟, 馮錦明, 等. 氣象資料的統計降尺度方法綜述.地球科學進展, 2011, 26(8): 837-847.

[29]范麗軍. 統計降尺度方法集合預估華東氣溫的初步研究. 高原氣象, 2010, 29(2): 392-402.

[30]魏鳳英, 黃嘉佑. 我國東部夏季降水量統計降尺度的可預測性研究. 熱帶氣象學報, 2010, 26(4): 483-488.

[31]高紅霞, 湯劍平. 黃河源區未來地面氣溫變化的統計降尺度分析. 南京大學學報（自然科學）, 2010, 46(6): 631-641.

[32]趙芳芳, 徐宗學. 黃河源區未來地面氣溫變化的統計降尺度分析. 高原氣象, 2008, 27(1): 153-161.

[33]王輝贊, 張韌, 王彥磊, 等. 基于 Kalman 濾波的副熱帶高壓數值預報誤差修正. 熱帶氣象學報, 2006, 22(6): 661-666.

Recent Advances on the Application for the Downscaling Technology

Chen Chaojun1, Wang Qin2
(1 Hubei Key Laboratory for Heavy Rain Monitoring and Warning Research, Institute of Heavy Rain, China Meteorological Administration, Wuhan 430074 2 Civil Aviation Flight University of China, Deyang 618307)

A great number of applications of NWP (Numerical Weather Prediction) products show that, although many NWP products have a high reference value, the prediction results always have some deviations. Moreover, problems about the accuracy and predictability of the fine forecasting by numerical models still exist so far. Conducting the downscaling interpretation to the NWP product will be a hot spot in the fine forecasting research. Downscaling techniques, as a new way to fine forecasting, have become an important field for study. In this paper, the concept for downscaling techniques, the technology advantages and disadvantages of each method are outlined. Technology in the domestic and foreign research progress in the application of numerical models is summed up for reference.

fine forecast, numerical model, downscaling

10.3969/j.issn.2095-1973.2014.02.008

2013年9月30日；

2013年12月27日

陳超君（1985—），Email：lvcha-52314@163.com

資助信息：國家自然科學基金（41275107）；湖北省氣象局科技發展基金（2014Q04）；水利部公益性行業科研專項（201201063）