基于監測指數的貴州省4 月氣溫預測模型及檢驗

李忠燕 ,譚 文 ,段 瑩 ,王 爍 ,嚴小冬

（1.貴州省氣候中心，貴陽 550002；2.貴州省山地氣候與資源重點實驗室，貴陽 550002；3.貴州省生態氣象和衛星遙感中心，貴陽 550002）

引言

氣候異常往往與大氣環流、海溫異常有關[1?7]，因此在氣候統計預報業務中通常會基于大氣環流特征指數和海溫指數建立統計預測模型[8?12]，甚至利用這些特征指數開展農業年景預測[13]或病蟲害預測[14?15]。4 月是冬季風向夏季風的過渡時期，同時也是貴州省夏收作物和部分水果的關鍵生育期、春播作物移栽期、春茶采摘期等，若出現低溫天氣過程將會對農業生產造成嚴重的危害[16?18]。2020 年4 月貴州省發生了3 次降溫天氣過程，其中4 月18 日～4 月25 日的降溫幅度最大，4 月23 日全省平均氣溫甚至降至9.8℃。此次低溫過程造成部分水稻、高粱幼苗出現葉片枯黃或死苗，辣椒、烤煙幼苗生長受阻，春茶減產30%，對全省春季農業生產帶來了嚴重影響，因此提高該時段氣溫的預測準確率對農業生產尤為重要。由于大氣海洋等因子對氣候預測對象有一定的指標意義且有線性關系，因此利用監測指數建立預測模型成為常見的預測方法。在貴州短期氣候預測中雖也常用該方法，但對于不同統計預測模型間的對比分析及回算檢驗開展的工作較少，因此本文基于中國氣象局國家氣候中心的130 項大氣、海溫監測指數與同期貴州省4 月平均氣溫的相關分析建立不同的統計預測模型，并利用趨勢異常綜合評分（Ps）評估方法對預測模型回報結果進行檢驗，以探究氣候預測業務中采用怎樣的異常等級預測能夠提高預測技巧，同時研究傳統統計方法預測模型能否把握住4 月貴州省平均氣溫趨勢，提高貴州省4 月氣溫的預測準確率。通過某月的統計預測模型構建不斷完善月氣候預測系統的功能模塊，進而提高月預測準確率，為地方經濟建設提供高質量氣候預測服務。

1 資料與方法

研究資料包括：（1）1981～2020 年4 月貴州省各縣站氣溫資料；（2）同期中國氣象局國家氣候中心的130 項監測指數（包括88 項大氣環流指數、26 項海溫指數以及16 項其它監測指數）。根據1981～2019 年氣溫與監測指數的相關系數分布及顯著性檢驗建立貴州省4 月氣溫的固定監測指數、最優監測指數、逐步回歸的統計預測模型，并利用國家氣候中心趨勢異常綜合評分（Ps）對1981～2020 年預測模型回報結果進行檢驗。

在短期氣候預測質量評估常規業務中，采用趨勢異常綜合評分（Ps）對預測質量進行評估，該方法主要用于評定預測異常等級與實況的接近程度。首先將氣溫距平的等級劃分為6 級（表1），按照公式1 分別對預測的氣候趨勢（N0 ）、一級異常（N1）、二級異常（N2 ）以及漏報的超異常（M）（氣溫距平的絕對值≥3℃）的站數進行統計并計算Ps評 分。式中N為總站數，a、b、c為三類趨勢異常的權重系數，分別為2、2、4。

表1 氣溫距平異常等級劃分標準

在短期氣候趨勢預測業務工作中，為探究采用何種異常等級能取得更高評分，將異常等級設定為正常級（±0.8℃）、一級異常（±1.1℃）以及二級異常（±2.1℃）進行預測并計算其Ps評分。具體作法是計算1981～2019 年各站4 月平均氣溫與同期130 項監測指數的相關系數，按每站監測指數與4 月氣溫相關性最好的監測指數對1981～2019 年各站氣溫趨勢進行三種等級的預測并計算其Ps評分。統計逐年4 月各站平均Ps評分（圖1）可知，三種等級的預測變化趨勢相差不大，但從近39 年平均值來看，一級異常（74.8 分）評分最高，二級異常（74.4 分）次之，而正常級（72.3 分）最低，一級異常相對正常級提高2.5 分。因此在短期氣候趨勢預測業務工作中，應按照一級異常進行預測。因此，后文中的不同統計預測模型均采用一級異常進行預測回報檢驗。

圖1 1981～2019 年三種不同等級趨勢預測評分

2 結果與分析

2.1 固定監測指數預測模型對比分析

根據1981～2019 年貴州省各縣站4 月平均氣溫與同期130 項監測指數的相關系數絕對值大小進行排序，統計出在所有站點中前9 位出現次數最多的9 個監測指數（圖2），這9 個監測指數即為影響貴州省4月平均氣溫的關鍵因子。按照1、3、5、7、9 個固定監測指數建立趨勢預測模型（表2），即當相同的趨勢預測的監測指數大于1、2、3、4、5 時按該趨勢進行預測。統計不同方案的預測評分結果（表3）可知，5個固定監測指數預測模型方案的預測穩定性較差，均出現了預測Ps評分為0 的情況；其中方案一和方案二的預測結果相同，是5 個方案中預測質量最好的方案，其Ps評分等于100 和大于等于90 的年份最多，其中Ps評 分等于100 的年份共計出現7 年，而Ps評分等于0 和小于60 的年份最少，且近39a 的預測Ps評分平均分最高；方案四的預測質量最差，其Ps評分等于0、小于60 的年份最多，Ps評分大于90 的年份最少，且近39a 和2011 年以后的近9a 的預測Ps評分平均分最低。如圖3 所示，5 個方案中除方案四外，近9a 的預測Ps評分均明顯高于省級預報產品（85.3 分）和國家級指導預報產品（73.9 分）；2016～2019 年，省級和國家級指導產品預測質量較好，評分均穩定在90 以上。5 個方案的回報結果與之相比，5 個方案的4 年平均Ps評分高于省級指導產品，5 個方案中除方案一外，均略低于國家級指導產品（圖略）。

表2 固定監測指數的預測模型

表3 不同預測模型方案的Ps 評分結果

圖2 貴州省各縣站4 月平均氣溫與9 個監測指數的相關系數分布（a.東大西洋遙相關型指數，b.北美區極渦面積指數，c.亞洲緯向環流指數，d.印度副高面積指數，e.全球綜合角動量指數，f.黑潮區海溫指數，g.斯堪的納維亞遙相關型指數，h.北非副高強度指數，i.印度副高北界位置指數）

2.2 最優監測指數預測模型對比分析

同樣根據2.1 節中計算的相關系數絕對值排序，統計出各站與氣溫的相關系數值最優的前9 個監測指數。按照1、3、5、7、9 個最優監測指數建立趨勢預測，即當相同的趨勢預測的監測指數大于1、2、3、4、5 時按該趨勢進行預測。統計不同方案的預測評分結果（表4）可以看出，最優監測指數預測模型的預測穩定性明顯好于固定監測指數預測模型，5 個方案在近39a 的回報結果中均沒有出現Ps評分為0 的情況，近39a 的預測Ps評分平均分均在74 以上，明顯高于固定監測指數預測模型；其中方案三、方案四是5個方案中預測質量相對較好的方案，兩個方案Ps評分不低于70 的年份最多，均達28 年；方案三Ps評分低于60 的年份最少（6 年），方案四近39a 的預測Ps評分均值最高（78.6 分）。而方案一效果最差，其Ps評分低于60 的年份最多，Ps評分不低于70 的年份最少，近39a 和1981～2010 年的預測Ps評分相對最低。如圖3所示，5 個方案中2011～2019 年的預測Ps評分均值均高于同期省級預報產品均值和2013～2019 年國家氣候中心指導預報產品均值。與省級和國家級指導產品最穩定的4 年（2016～2019 年）相比，5 個方案的4 年平均Ps評分均高于省級指導產品，5 個方案中除方案二外，均高于國家級指導產品（圖略）。

表4 最優監測指數預測模型方案的Ps 評分結果

2.3 逐步回歸預測模型對比分析

鑒于最優指數預測模型的預測穩定性和預測質量均優于相對固定監測指數預測模型，且5 和7 個最優指數的預測效果最好，因此利用貴州省各站前5 個和7 個最優指數建立逐步回歸預測模型。統計其預測評分結果（表5）可以看出，逐步回歸預測模型的預測穩定較最優監測指數預測模型更好，2 個方案近39a 的回報結果中Ps評分低于60 的年份明顯偏少，且最小值均在57 以上；其中5 個最優指數的逐步回歸方案預測效果最好，該方案Ps評分不低于70 的年份最多，且近39a 的預測Ps評分平均值（83.4 分）、1981～2010 年平均值（80.7 分）以及2011～2019 年平均值（93.4 分）均大于方案二。如圖3 所示，方案一中2011～2019 年預測評分平均值均高于同期省級預報產品均值和2013～2019 年國家氣候中心指導預報產品均值；方案二的預測評分略低于省級預報產品，但高于國家氣候中心指導預報產品。與省級和國家級指導產品最穩定的4 年（2016～2019 年）相比，逐步回歸方案一的4 年平均Ps評分高于省級和國家級指導產品，逐步回歸方案二的評分略低于省級和國家級指導產品（圖略）。

表5 逐步回歸預測模型方案的Ps 評分結果

圖3 2011～2019 年4 月省級預測與國家級指導預測Ps 評分（粉色虛線表示省級9 年平均值；綠色虛線表示國家級7 年平均值；注：2011～2012 年國家級指導產品缺測）

2.4 2020 年4 月氣溫預測檢驗

2020 年4 月貴州省平均氣溫14.6℃，較常年同期偏低1.7℃（圖4a），是1981 年以來歷史同期第四低值，這一低溫陰雨寡照天氣過程給春季農業生產帶來了明顯影響。從各地的氣溫距平分布（圖4b）來看，省內各地區偏低0.7（松桃）～3.8℃（盤州），其中除遵義市和銅仁市部分地區偏低0.7～1.0℃外，其余大部地區偏低1.0℃以上，西部和南部部分地區偏低2℃以上。2020 年3 月底，基于國內外各家模式產品和客觀統計方法的預測結果指出，中高緯度以緯向環流為主，我國大部分地區受正高度距平控制，東亞槽偏弱，西太平洋副熱帶高壓偏大偏強，貴州省除東北部和西南局部地區氣溫略偏低0.1～1.1℃外（圖4c），其余大部地區偏高0.1～1.1℃。

圖4 1981～2020 年貴州省4 月氣溫距平時間序列（a）、2020 年4 月貴州省氣溫距平空間分布（b）以及2020 年4 月趨勢預測（c）

利用固定監測指數、最優監測指數以及逐步回歸統計預測模型對2020 年4 月貴州省氣溫進行回報（表6），結果表明：固定監測指數中的5 個方案Ps評分均為0，該模型完全沒有把握住2020 年4 月全省平均氣溫的一致偏低；最優監測指數預測模型對氣溫一致偏低把握較差，5 個方案中1 個最優指數模型Ps評分最高，但也只為33.3 分；逐步回歸預測模型預測結果最好，其中以7 個最優指數建立的回歸模型Ps評分最高，為66.7 分，較省級預報Ps評分提高14.1 分，相對國家指導預報提高66.7 分。

表6 不同預測模型對2020 年4 月氣溫回報的Ps 評分

3 結論

基于1981～2019 年4 月貴州省氣溫與同期130 項監測指數的相關分析建立了固定監測指數、最優監測指數、逐步回歸的統計預測模型，并對1981～2020年預測模型回報結果進行檢驗，得到以下結論：

（1）在短期氣候趨勢預測業務工作中，按照一級或二級異常進行預測可較正常級平均提高2.5 分或2.1 分。

（2）固定監測指數、最優監測指數、逐步回歸這三種統計預測模型中逐步回歸的預測效果最好，其次是最優監測指數，而固定監測指數效果最差。其中5個最優指數的逐步回歸方案預測效果最好，近39a 的Ps評分均值達83.4，2011～2019 年評分均值達93.4，與省級和國家級預測產品相比，統計預測模型在近9a的回報效果也表現出一定的優勢。

（3）利用三種統計預測模型對2020 年4 月全省一致偏低的氣溫進行回報檢驗，結果表明逐步回歸預測模型的預測效果最好，其中以7 個最優指數建立的回歸模型Ps評 分最高，為66.7 分，較省級預報Ps評分提高14.1 分，相對國家指導預報提高66.7 分。