災害風險評價中天氣生成器的應用研究綜述*

周源濤，高 原，劉峰貴，王靜愛,3

(1.青海師范大學 地理科學學院，青海 西寧 810008 ；2. 北京師范大學 地理科學學部，北京 100875；3.高原科學與可持續發展研究院，青海 西寧 810008)

在全球變暖的背景下，極端天氣和氣候事件的強度和頻率顯著增加[1]，引發頻繁的自然災害，造成了巨大的人員傷亡和財產損失[2]。故對自然災害風險評價的研究也就愈益重要而迫切。對各種自然災害事件時空模式的分析和預測，通常需要高分辨率且連續的氣象數據，然而在許多地方，數據的缺乏阻礙了評估工作。對氣象資料不連續或缺測地區，或對未來可能發生的自然災害研究，則需要科學的代用資料。天氣生成器(Weather Generator，WG)，國內也常譯為天氣發生器，是采用隨機過程論并結合概率論的方法生成氣象數據的一種模型，可在每日或月時間步長的實測數據基礎上產生高分辨率的代用氣象資料，包括降水、溫度、太陽輻射和風速等。理想情況下，模擬數據具有與觀測數據[3]相同的統計特征。

盡管天氣生成器最初是為土壤侵蝕模型[4]或水文氣象模型[5-7]的應用而開發，且多作為模型中的天氣數據發生模塊[8-9], 但近年來，它們已在各區域、流域或局地氣候的變化、農作物估產方面和自然災害研究領域提供了有力幫助[10-12]。本文首先梳理了5種主流天氣生成器的產生發展，進而結合天氣生成器在致災因子危險性和災害損失評估方面的研究，綜述了目前天氣生成器在災害評估中的應用的情況，以期為天氣生成器更好的應用于相關研究提供思路。

1 天氣生成器的簡介

天氣生成器是一種以統計學方法生成氣象數據的一種數學模型，最初它的產生主要有兩個原因：一是生成具有統計學特性的氣象數據時間序列，以符合水文評估或農業應用中要求的時間分辨率；二是將已有氣象數據時間序列的模擬擴展到未觀測或者缺測的地點。現天氣生成器已廣泛應用于氣象數據模擬、土壤與農作物模型和災害風險評價等相關研究中，為大量的工作提供了連續、高分辨率的氣象代用數據。

1.1 天氣生成器的產生與發展

天氣生成器的產生與發展大致情況如圖1所示。最早的相關研究可追溯到以色列科學家使用馬爾可夫鏈進行的干濕日預測[13]。1972年，JONES[14]在此基礎上，生成了日降水量，并基于氣溫、蒸發與降水天氣的高相關性，嘗試對日平均氣溫和蒸發量進行模擬。1980年，BRUHN[15]增加了對日最高、最低氣溫，相對濕度和太陽輻射的模擬。RICHARDSON等[16]于 1984 年將這一方法系統總結，并命名為WGEN(Weather Generator)天氣生成器。1990年，SHARPLEY等[17]將天氣生成器引入SWAT(Soil & Water Assessment Tool)模型，并命名為WXGEN(Weather Generator)；但WXGEN天氣生成器沒有單獨的交互界面，調用比較困難[18]，BAFFAULT[4]開發了具有視窗程序的天氣生成器CLIGEN(Climate Generator)。MODAWEC(Monthly to Daily Weather Converter)隨后也結合EPIC(Environmental Policy Integrated Climate)模型提出，以解決WXGEN不能直接被EPIC使用的問題[19]。

CLIGEN等[5]使用低階馬爾可夫鏈，在模擬極端降水時往往精度不高，因此擬合效果更好的高階馬爾可夫鏈被嘗試引用在WeaGETS(Weather Generator)天氣生成器中[20]。基于馬爾可夫鏈的天氣生成器發展的同時，半經驗模型也被嘗試引入。LARS-WG(Long Ashton Research Station Weather Generator)是對天氣生成器基本數理方法的新探索，專為氣候變化與影響的相關研究設計[21]，它基于半經驗分布模型，有助于解決基于馬爾可夫鏈的天氣生成器對極端降水模擬準確度不高的問題[22-23]。目前，天氣生成器種類日漸多樣，多位學者為解決自己領域的相關問題，在基于經典理論基礎上，開創了多種以研究問題為導向的新方法。天氣生成器正在朝向多種分布模型結合、多種數理方法探索、多用于針對性研究問題解決的方向發展。

1.2 典型天氣生成器的定義與原理

經歷60多年的發展，天氣生成器現已廣泛應用于河流水文學[24-26]、氣候變化[27-29]、農業估產[30-32]和災害風險評估[55-57]等領域。本文選取五種常用的天氣生成器(表1)，重點介紹它們的定義與原理。

天氣生成器中，較早的WXGEN(1990)和CLIGEN(1995)都內建于其他模型中。WXGEN內建于SWAT模型，用于補白缺測地區的數據以全面分析流域土壤侵蝕情況[33]；CLIGEN是為WEPP(Water Erosion Prediction Project)模型而開發的隨機天氣生成器[4]；LARS-WG參考氣象站實測的干濕交替序列的長度，進而根據半經驗模型生成降水量和其他氣象數據[34]；MODAWEC(Monthly to Daily Weather Converter)為WXGEN在EPIC模型中的改進[19]；WeaGETS(Weather Generators)天氣生成器產生較晚，模型中綜合了多種數學模型和分布可供選擇，以達到產生更精確的降水量的目的[35]。

圖1 天氣生成器的發展時間軸

表1 五種主流天氣生成器的對比

1.3 天氣生成器的應用領域

本文選擇56篇代表文獻，構建了“研究區—類型—研究領域”的多維圖(圖2)，以展示天氣生成器的應用情況。包括了2大類文獻，5種天氣生成器，8個研究區和4個研究領域。由圖2可知，天氣生成器研究的熱點區集中在東亞、南亞和北美，領域涉及氣象氣候的應用，如在氣候變化情景下對氣溫降水的模擬和變化評價[36]，氣象數據降尺度[37-38]，補白缺測數據[39]；農業的應用，如糧食產量的預估[40]或生產潛力的評價[12]；水文的應用，如氣候變化對徑流量的影響[41]；以及災害學的研究，如暴雨、干旱等氣象致災因子導致的農作物產量損失風險評估[42]，或者未來氣候變化情景下農作物的估產研究等[43]。

可以看到：①天氣生成器類型增多，應用日益廣泛。1975—1995年是天氣生成器的產生階段，研究集中于對降水概率模型的探討，并形成了WXGEN和CLIGEN，但應用較少。1995年以來，特別是在2005年以后，天氣生成器的相關研究與使用進入高潮，新的模型被開發并廣泛運用，舊模型使用減少甚至被淘汰。②應用區域漸向全球擴張。天氣生成器多數起源于北美，1975—2005年間的模型測試和運用基本在美國進行。后多國學者，特別是我國學者積極引入模型，并做了適用性評價，研究重點區域逐漸向農業發達的東亞和南亞轉移。③應用呈現多樣化、多學科交叉的趨勢。天氣生成器誕生之初僅作為模型當中的功能模塊，產生模型所需的氣象數據，后逐漸發展出現結合未來氣候變化情景的農作物估產研究。至今，天氣生成器在氣候變化預估，大流域多站點河流徑流量的模擬和氣候變化情景下農作物災損評估和估產等領域都有廣泛的應用。從一開始多用于農業[44]氣象氣候[45]領域發展至水文氣象的結合[46]或水文、氣象、農業與災害的多領域結合研究[47-48]，天氣生成器的研究的面更寬，研究問題更深入，應用范圍更廣。

2 天氣生成器在災害評估中的應用

災害評估是研究災害學的重要內容和步驟，一般可概括為災害風險評估、損失評估等[72]。災害風險評估主要包括對致災因子的危險性和承災體脆弱性的評估[49]，涉及的氣候致災因子主要包括干旱、暴雨等，承災體主要包括人口、經濟、基礎設施和農作物等。災害損失評估一般是指建立適當的評估模型, 對災害的破壞程度和造成的各種損失進行評估[72]。在未來全球變化面對諸多不確定性和人類生存環境面臨自然災害巨大威脅的情況下，高分辨率的連續氣象數據在研究中尤為關鍵，天氣生成器由于可產生連續的高分辨率代用數據，因此可用于解決災害評估環節中的數據問題。天氣生成器在災害評估中的應用流程如圖3所示，它的直接使用，或結合其他模型與未來氣候情景的綜合研究，對準確評價自然災害風險具有巨大的意義。

圖2 天氣生成器應用情況三維圖注：ASIA-E東亞; ASIA-S南亞; ASIA-C中亞; NA北美; AFRICA-N撒哈拉以北的非洲; AFRICA-S撒哈拉以南的非洲; EU歐洲; AU澳洲; CLI氣象氣候學; HYD水文學; AGR農學; DIS災害學

圖3 天氣生成器在災害評估中的應用流程

2.1 致災因子危險性評估

致災因子危險性是對致災因子的強度及其發生的可能性的刻畫[50]。對于致災因子危險性的評估是天氣生成器的主要應用之一，其功能是生成所需的時長、分辨率的氣象數據后，對干旱、暴雨等氣象災害事件可能發生的強度或概率進行的評估。

干旱方面應用，一般是通過模擬降水量的多寡和有效降水日數來體現的。比如，LIU[51]等使用MODAWEC天氣生成器，根據月數據補白撒哈拉以南的非洲的缺測氣象數據，重點關注了干旱可能發生的概率與對農作物的致災情況；肖涵[52]結合全球氣候模式未來時期氣象數據，運用SDSM模型，將新安江流域的低分辨率氣象數據進行降尺度，模擬了新安江流域未來降水和蒸發的變化情況，預測了流域內可能發生干旱的強度；石小平[53]對比了天氣生成器中常用的四種降水概率分布模型，結合中國不同地區實際氣候情況，提出了中國不同氣候區適用的最優模型，并對模擬不同地區的干旱概率與強度進行了研究。天氣生成器所評價的干旱多數指的是氣象干旱，但也有研究和干旱模型結合，從而作為氣象代用資料生產模型，對農業干旱進行科學的評估和預測。

天氣生成器可以借助馬爾可夫鏈較好的預測降水發生情況與降水量，因此在暴雨作為致災因子的暴雨洪水災害評估上也有很廣泛的應用。暴雨洪水方面，張徐杰[11]等根據HadCM3大氣環流模式，使用LARS-WG天氣生成器，對21世紀中葉錢塘江流域的暴雨造成的洪水情況進行了模擬、計算與分析；李志[54]等使用CLIGEN天氣生成器，將3種GCMs月模式數據降尺度到逐日，預測了2010—2039年黃土塬區暴雨發生的情況；田燁[55]引入IPCC第四次報告中的氣候情景，使用LARS-WG天氣生成器，預測了浙江省未來梅雨季、臺風季降水量以及此期間洪水發生的可能性與情況。天氣生成器可產生具體的日降水量和降水日數，因此可以直接用于對暴雨事件的評估，但在洪水方面，一般會被集合到水文模型中，從而達成對洪水事件的評估與預測。

基于氣溫和降水事件的強相關性，天氣生成器也可根據不同的模型，產生溫度數據，進而對極端氣溫事件發生情況進行評估。在極端溫度方面，強慧婷[56]使用BCC/RCG-WG，模擬了江蘇省未來50年的逐日氣溫情況，預測了未來氣候變化下高溫熱害可能造成的水稻的減產狀況；郎許峰[57]使用BCC/RCG-WG，將氣象資料降尺度到逐日，預測了未來全國超過35℃與38℃的高溫事件的分布，制作了全國范圍內高溫天數的分布圖；高淑新[58]等使用CLIGEN，模擬了東北三省內15個氣象站點的逐日平均最高溫度、最低溫度，評估了極端溫度的日數且嘗試在空間上進行插值，對其在東北三省進行了適用性評價。天氣生成器可以直接模擬逐日乃至更高分辨率的溫度數據，對于極端溫度的評估，一般需要根據不同的承災體厘定致災極端溫度的閾值，再進行評價。

天氣生成器在致災因子危險性方面的評估也不僅僅是對單個致災因子的模擬，也有學者同時模擬多個致災因子，分析了一個地區多個獨立氣象要素的致災情況，以期對致災因子危險性進行更全面的評估。BREINL[59]等使用MulGETS對美國西部日降水和氣溫進行模擬，評價了天氣生成器對歷史時期極端氣溫、降水事件的還原情況，并預測了這里未來可能發生的各種水文與氣象災害。KIM[42]等使用WXGEN天氣生成器，結合氣候變化情景，模擬了漢江流域2001—2090年的逐日氣溫降水數據，預測了未來漢江流域可能發生的高溫以及暴雨事件，進而對干旱和洪澇災害等進行評估。

利用天氣生成器，可以在致災因子危險性評估領域模擬連續的、高分辨率的氣象數據，進而用于對多種不同的致災因子導致的災害事件的模擬，又可以直接模擬致災因子的強度和發生頻率，結合致災標準對災害事件進行評估，也可以作為水文或農業干旱模型的內置天氣數據來源，為模型評估致災因子的危險性提供數據基礎。但由于模型多產生于北美，參數經過本地化修正，模型的使用具有區域性，對致災因子特別是極端氣象事件的還原程度具有一定的局限性，所以在區域上進一步推廣受到限制，因此在不同地區使用前一般需要進行適用性評價。

2.2 災害損失評估

天氣生成器在災害損失評估方面的應用，主要是對承災體遭受氣象致災因子打擊時的損失評價。此時天氣生成器在致災-損失評價環節中主要功能是生成高分辨率氣象數據，結合承災體的致災閾值，從而對承災體在某種災害事件下產生的損失進行評價。如根據氣候變化模式數據，使用天氣生成器模擬出未來時期的高分辨率氣象數據，結合農業模型，預估不同排放情景下的產量與損失，從而對風險進行進一步分析與評價；亦或模擬災害事件并預測其對經濟的打擊，從而評估災害損失。

基于不同的承災體展開的災害損失評估，最常運用于對農作物在某種情景下的風險損失評估。廖要明[60]等利用天氣生成器NCC/RCG-WG，模擬了研究區200年的逐日降水數據，并使用氣候統計學的方法，對棉花和小麥生長期內的年內各月風險進行了分析研究；STEINSCHNEIDER[61]等基于全球尺度氣候特征的區域大氣流動模式和天氣生成器，模擬了美國西部逐日的天氣情況，并建立了基于氣候變化假設的水系統影響評價模型，進而對美國西部水系統的氣候脆弱性進行了評估；滕雅琦[62]等使用WGEN生成水稻生育期內逐日氣象數據，結合氣象致災因子評價了致災因子危險性后，使用廣義線性模型評估水稻的脆弱性，進而評估了黑龍江農墾區水稻的種植風險；并基于此制作出黑龍江全省水稻種植風險區劃[63]。農作物作為承災體時，天氣生成器一般作為中間工具，進而對損失進行評估，既可以補白缺測數據，對觀測缺失地區農作物遭受災害打擊后的損失與風險進行評估，也可以根據氣候變化情景生產不同排放濃度下的模式數據，作為輸入導入估產模型中，產出未來不同情景下農作物的產量，對未來可能的災害損失與風險進行評價與預測。

也有學者選擇經濟作為承災體，從災害事件可能造成的經濟損失出發，進行城市災害風險評估。張小瑩[64]使用WXGEN天氣生成器，生成了我國672個氣象站點的逐日模擬數據，并結合Pearson-Ⅲ型模型計算日最大降水的重現期，進而對我國各大城市及其經濟發展在極端降水發生時的脆弱性進行了評價；潘潤澤[65]使用NCC/GU-WG天氣生成器對莊河地區100年天氣數據進行補充與預測，結合水文模型對研究區內城市雨水系統排水能力進行模擬，評估了城市內澇可能造成的經濟損失和風險；郭樹銀[66]使用LARS-WG天氣生成器，生成未來北京的氣溫序列，建立能源需求量與溫度、GDP間的關系，對北京未來的能源風險進行預測。天氣生成器在對于災害對經濟的打擊與風險的評估中，一般是作為災害事件的模擬器，對最終的打擊損失或災害風險的評估，還需結合其他方法。

天氣生成器生成的高分辨率數據，既可以被廣泛應用于農作物估產模型，產生研究要求的氣象參數，作為損失評估和脆弱性構建的基礎，又能被應用于對未來高精度氣候數據的預測，作為氣候變化情景下的災害事件模擬器。故天氣生成器成為了當今災害研究的熱點，與不同的模型結合后，天氣生成器將在對致災因子危險性、承災體脆弱性評估和災害損失評估方面，發揮重要的作用。

3 天氣生成器應用的問題

一些學者指出：低階馬爾可夫鏈在生成自相關結構和統計尺度的日降水量時往往效果不佳[19]，可能會產生并不切實際的日降水量[67]，同時也存在產生的月降水量和溫度普遍低于觀測數據[68]的問題，因此在使用低階馬爾可夫鏈的天氣生成器精確地模擬日降水量數據，并預測這種降水量的影響(如洪澇災害)時，應當謹慎。同時，天氣生成器也會低估月度和年際的天氣變化，一些較新的研究正在嘗試使用頻譜校正的方法來校正對這種低估的情況[69]。

基于半經驗模型的天氣生成器比如LARS-WG最初的開發意圖是為了克服其他天氣生成器在生成降水時使用的馬爾可夫鏈的局限性[22]。經驗證，模型產生的天氣數據與觀測值相比有較強的信度，特別是對極端氣溫降水的還原明顯優于其他模型[23]，但對于實測日最高氣溫呈現偏態分布的站點，模擬效果卻不佳[70]。所以本模型在模擬日最高氣溫時需要考慮站點的實際情況。據研究，高階馬爾可夫鏈(二階和三階)對極端降水事件的模擬會更好[24]，因此在災害風險評價中使用基于高階馬爾可夫鏈的天氣生成器會更合理。

天氣生成器因開發的地區不同，參數的選擇和調整也具有一定的地域特色，適宜區的不同也成為模型使用的一大問題，因此對于天氣生成器的適用性評價也是熱點研究方向之一。如在我國黃河流域的適應性評價中，張光輝[71]等人認為：CLIGEN 模型模擬結果的標準差基本上趨于偏低。同時作者也指出，天氣資料因為具有一定的統計特征相似性，可以選擇參證站對生成數據進行驗證，以期產生較為理想的未來隨機天氣序列。

4 結論與展望

4.1 結論

(1)天氣生成器是使用馬爾可夫鏈或半經驗分布等模型生成降水事件發生的序列，再據此生成日所需氣象數據的模型，可以用于氣象數據降尺度與補白研究。作為直接、有效、低成本的模型，歷經60年發展，已經廣泛使用在氣象資料的構建，流域河流徑流量的模擬和災害評估等領域。隨著農業估產、土壤侵蝕、災害評價研究的發展和全球尺度氣候研究的興盛，越來越多的研究中使用到天氣生成器，天氣生成器有向著獨立化，集成化，智能化，與主流數學軟件計算機語言結合而深入發展的趨勢。

(2)天氣生成器的發展研究，是一個基于單一統計學模型而不斷地向多模型、多方法發展的過程。基于低階馬爾可夫鏈的天氣生成器出現最早，數理模型最簡單，應用也為最廣泛。半經驗模型是對天氣生成器底層機理的創新，針對解決了馬爾可夫鏈存在的問題。綜合多種降水量分布模型的高階馬爾可夫鏈是天氣生成器的前沿。

(3)天氣生成器在災害評估領域的研究，首先可以用于對致災因子危險性方面的評價，模擬致災因子的強度和發生頻率，結合致災的標準對災害事件進行評估；也可以作為水文或農業干旱模型的內置天氣數據來源，為模型評估致災因子的危險性提供數據基礎。其次，天氣生成器可以運用于災害損失評估，包括基于生成的高分辨率氣象數據，產生中間參數，應用于農作物估產模型，作為損失評估和脆弱性構建的基礎；又可應用于對未來高精度氣候數據的預測，作為氣候變化情景下的災害事件模擬器。

4.2 災害風險評價中天氣生成器的應用展望

目前，天氣生成器在災害評估中的使用已經積累了不少的經驗，也有很多學者因地制宜嘗試對天氣生成器進行本土化，但研究中仍存在一些問題。比如單純使用馬爾可夫鏈的模型往往不能產生符合實際的降水序列，結合實際降水的半經驗模型在極端值的模擬上又顯得不完美，這些缺點在災害風險評價中往往是致命的。建議在天氣生成器的使用過程中，應考慮針對不同的研究需求選擇不同類型的天氣生成器。針對災害風險評價的發展，天氣生成器也迫切的需要從兩個方面進行改進。首先是對于高階馬爾可夫鏈的進一步使用、驗證與探索，改進模型以產生更準確的極端氣象數據。氣象數據缺測區比如青藏高原、非洲等漸漸成為災害評價關注的焦點，使用天氣生成器補白數據的特點將會使天氣生成器在災害風險評價中發揮更大的作用；其次，天氣生成器未來的發展也可以考慮結合區域氣候的相似性構建自己的數據庫，計算每一種氣候的統計學特征，更準確的還原缺測數據；同時也可以結合多種氣候情景構建未來不同地區的氣象數據序列，發生高分辨率的數據。天氣生成器也可以結合大數據深度學習的思想，基于不同區域的實測數據訓練模型，調整經驗公式與關鍵系數，以生成更符合這一地區的氣象數據。在此基礎上，天氣生成器產生的高分辨率數據就可以作為橋梁，更好的為全球不同地區的災害風險評價服務。

致謝：本文寫作的過程中，得到了北京師范大學江耀、青海師范大學馬偉東、賈偉、蘇鵬等人的幫助，在此一并表示感謝！