基于大氣環(huán)流和海溫場(chǎng)的降水組合預(yù)報(bào)模型

吳旭樹(shù) ，王兆禮，陳柯兵，錢(qián)姝妮,王 俊,陳曉宏

(1.華南理工大學(xué)土木與交通學(xué)院, 廣東 廣州 510640; 2.長(zhǎng)江水利委員會(huì)水文局, 湖北 武漢 430010;3.武漢大學(xué)水資源與水電工程科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室, 湖北 武漢 430072;4.中山大學(xué)土木工程學(xué)院, 廣東 珠海 519000)

長(zhǎng)期降水預(yù)報(bào)對(duì)水庫(kù)防洪興利綜合調(diào)度具有重要的理論價(jià)值和現(xiàn)實(shí)意義。但降水受眾多因素的影響，不確定性很大，預(yù)報(bào)難度通常較大。在現(xiàn)有的預(yù)報(bào)產(chǎn)品和方法中，長(zhǎng)期降水的預(yù)測(cè)效果仍然不盡人意，難以在生產(chǎn)實(shí)踐中提供有效指導(dǎo)。因此，探索長(zhǎng)期降水預(yù)報(bào)新方法、新技術(shù)仍然是一項(xiàng)艱巨且必要的任務(wù)。

自然界的降水過(guò)程牽涉到大氣-海洋-陸面熱動(dòng)力學(xué)的交互耦合，不可避免地受大氣環(huán)流和海洋表面溫度場(chǎng)(sea surface temperature, SST)的影響[1]，其中SST是影響地區(qū)降水的重要因素，甚至是第一強(qiáng)信號(hào)[2]。國(guó)內(nèi)外學(xué)者通過(guò)建立大氣環(huán)流因子和SST與降水的統(tǒng)計(jì)關(guān)系推測(cè)未來(lái)降水，取得了相對(duì)豐碩的研究成果。例如，趙俊虎等[3]利用前冬太平洋/北美型遙相關(guān)和歐亞型遙相關(guān)指數(shù)，構(gòu)建中國(guó)東部夏季3類雨型預(yù)測(cè)概念模型，得到較為理想的擬合效果；Guo等[4]以前冬北太平洋SST波動(dòng)、東亞海平面氣壓等為預(yù)報(bào)因子，建立滑動(dòng)更新的統(tǒng)計(jì)預(yù)報(bào)模型，較有效地預(yù)測(cè)了長(zhǎng)江中下游夏季降雨；Baker等[5]通過(guò)海平面氣壓指數(shù)構(gòu)建逐步回歸預(yù)測(cè)模型，提高了英國(guó)部分地區(qū)的季節(jié)性降雨預(yù)報(bào)精度。長(zhǎng)期降水預(yù)報(bào)方法一般可分為動(dòng)力數(shù)值模擬方法和數(shù)理統(tǒng)計(jì)方法兩種(動(dòng)力統(tǒng)計(jì)相結(jié)合方法亦建立在此兩類方法基礎(chǔ)上)。動(dòng)力數(shù)值模型具有明確的物理機(jī)制，但模型結(jié)構(gòu)復(fù)雜，計(jì)算量大，耗時(shí)長(zhǎng)，且對(duì)實(shí)際中錯(cuò)綜復(fù)雜的物理機(jī)制反映不足。相比于動(dòng)力數(shù)值模型，數(shù)理統(tǒng)計(jì)模型雖然不具備物理機(jī)制，但模型結(jié)構(gòu)簡(jiǎn)單，在缺乏動(dòng)力機(jī)理認(rèn)識(shí)的復(fù)雜氣象要素和天氣預(yù)報(bào)中得到廣泛應(yīng)用[6-8]。數(shù)理統(tǒng)計(jì)模型按預(yù)報(bào)因子個(gè)數(shù)又可分為單因子模型和多因子模型。單因子模型的主要原理是從眾多影響因子中搜尋一個(gè)與降水最密切相關(guān)的因子建立預(yù)報(bào)模型，其優(yōu)點(diǎn)是模型簡(jiǎn)單，可操作性強(qiáng)，缺點(diǎn)是僅考慮單個(gè)預(yù)報(bào)因子，模型輸入信號(hào)過(guò)于單一，難免遺漏對(duì)降水預(yù)報(bào)有用的其他信號(hào)[9-10]。多因子模型考慮多個(gè)影響因子，但由于預(yù)報(bào)值是由各個(gè)因子的預(yù)報(bào)意見(jiàn)綜合得到，難以捕捉極大值或極小值[11-13]，且當(dāng)不同因子之間意見(jiàn)沖突時(shí)模型預(yù)報(bào)結(jié)果往往偏差較大[14]。因此，如何權(quán)衡并綜合利用單因子和多因子模型，取長(zhǎng)補(bǔ)短，是實(shí)踐中面臨的一個(gè)重要問(wèn)題。

本文以大氣環(huán)流和SST為影響因素，提出時(shí)變海溫多極(multiple time-varying sea-temperature，MTS)指數(shù)和因子預(yù)報(bào)意見(jiàn)指數(shù)(forecast opinion index，F(xiàn)OI)，構(gòu)建基于MTS指數(shù)的單因子回歸預(yù)報(bào)模型和基于大氣環(huán)流及MTS指數(shù)的多因子回歸預(yù)報(bào)模型，通過(guò)FOI對(duì)單因子和多因子回歸預(yù)報(bào)模型進(jìn)行結(jié)合形成組合降水預(yù)報(bào)模型。以三峽水庫(kù)流域?yàn)槔A(yù)報(bào)汛期5—10月的月降水量，論證模型的適用性和優(yōu)勢(shì)，以期為三峽防洪和興利綜合調(diào)度提供參考。

1 研究方法

1.1 時(shí)變海溫多極指數(shù)

研究表明，SST通常具有單極、偶極和多極特征，并且不同海溫極子之間存在空間關(guān)聯(lián)性[15-16]。SST的這些特征能有效指示降水變化，甚至比傳統(tǒng)的厄爾尼諾(ENSO)等SST基本指標(biāo)更具有指示意義。以海溫偶極為例，海溫偶極傳統(tǒng)上定義為兩處不同海域的海溫差[15]，Chen等[16]將海溫偶極概念擴(kuò)展為兩處不同海域的海溫疊加值或差值。本文一個(gè)海溫極子表示與降水顯著相關(guān)的、空間上連續(xù)的一簇海溫格點(diǎn)，海溫極子MSST定義[17]為

(1)

式中：Ki為第i個(gè)海溫極子的SST；ψi為聯(lián)合系數(shù)。聯(lián)合系數(shù)ψi由海溫極子與降水的相關(guān)性決定：顯著正相關(guān)取1(不同海溫極子疊加)，顯著負(fù)相關(guān)取-1(不同海溫極子溫差)，其余情況聯(lián)合系數(shù)為0[17]，另外，為避免計(jì)算過(guò)于繁瑣，當(dāng)n≥15時(shí)，建議取n=12。

海溫多極指數(shù)計(jì)算中的海溫極子空間上一般不隨時(shí)間變化而變化，換言之，海溫多極并未考慮影響降水的海溫極子的時(shí)變性。實(shí)際上，在氣候變化的背景下，影響某一地區(qū)降水的海溫場(chǎng)(極子)空間上存在遷移變化的可能[18]。為考慮這一因素，將海溫多極分為關(guān)鍵海溫多極和MTS兩類，用滑動(dòng)窗方法考查海溫極子與降水的關(guān)系。給定顯著性水平，若不同時(shí)間窗口下與降水顯著相關(guān)的海溫極子空間位置不變，則為關(guān)鍵海溫多極，若空間位置發(fā)生變化則為MTS(圖1)。由此可計(jì)算MTS指數(shù)：

MTS=αMSSTe+βMSSTf

(2)

其中

α+β=1

式中：MTS為MTS指數(shù)值；MSSTe、MSSTf分別為關(guān)鍵海溫極子和時(shí)變海溫極子；α、β為對(duì)應(yīng)的海溫多極貢獻(xiàn)度，用于衡量關(guān)鍵海溫極子和時(shí)變海溫極子對(duì)MTS指數(shù)的貢獻(xiàn)權(quán)重，其值可根據(jù)MSSTe和MSSTf(作為自變量)與MTS(作為因變量)的調(diào)整相關(guān)系數(shù)平方和Rα、Rβ進(jìn)行初步估算，即α∶β=Rα∶Rβ。

圖1 關(guān)鍵海溫多極和MTS示意圖Fig.1 Sketch map of key multipole SST and MTS

1.2 關(guān)鍵影響因子甄選

采用Gerrity Skill Score評(píng)分方法篩選與降水有明顯相關(guān)關(guān)系的環(huán)流因子，該方法是國(guó)際氣象組織推薦的一種預(yù)報(bào)效能評(píng)價(jià)方法，廣泛應(yīng)用于預(yù)報(bào)對(duì)象和預(yù)報(bào)因子相關(guān)關(guān)系的甄別問(wèn)題[19-20]。評(píng)分值GSS的計(jì)算公式為

GSS=PS

(3)

式中：P為預(yù)報(bào)因子與預(yù)報(bào)對(duì)象的聯(lián)合概率矩陣，其元素為預(yù)報(bào)因子和預(yù)報(bào)對(duì)象序列的聯(lián)合分布及對(duì)序列量值的等級(jí)劃分情況(偏低、正常、偏高3個(gè)等級(jí))；S為評(píng)價(jià)系數(shù)矩陣，其元素由下式計(jì)算[26]：

(4)

式中：J為事件等級(jí)數(shù)；pr為預(yù)報(bào)對(duì)象r的頻率分布；Di為優(yōu)勢(shì)比，即比值比。GSS取值范圍為[-1,1]，其值越大，預(yù)報(bào)對(duì)象與預(yù)報(bào)因子之間的相關(guān)性越好；當(dāng)數(shù)據(jù)長(zhǎng)度為30時(shí)，GSS>0.25時(shí)預(yù)報(bào)對(duì)象與預(yù)報(bào)因子具有相關(guān)性[16]。

1.3 因子預(yù)報(bào)意見(jiàn)指數(shù)

在多因子預(yù)報(bào)模型中，當(dāng)不同因子之間意見(jiàn)出現(xiàn)沖突時(shí)，模型難以準(zhǔn)確預(yù)測(cè)未來(lái)降水情況。另有研究指出，多因子預(yù)報(bào)模型應(yīng)當(dāng)注意個(gè)別因子的極端值對(duì)預(yù)報(bào)結(jié)果的影響[14]。因此，提出FOI用于反映不同預(yù)報(bào)因子的綜合預(yù)報(bào)意見(jiàn)。設(shè)預(yù)報(bào)因子與預(yù)報(bào)對(duì)象成正(負(fù))相關(guān)關(guān)系，對(duì)因子中觀測(cè)值x，小于(大于)或等于該值的累積頻率為Pcum，定義歸檔值Np為

(5)

由式(5)可知，Np為-1、0、1分別代表正(負(fù))相關(guān)預(yù)報(bào)因子的低(高)值、中值和高(低)值部分。考慮到不同預(yù)報(bào)因子取值的差異問(wèn)題，對(duì)數(shù)值隨時(shí)間變化很小、不適宜按頻率分布劃分歸檔的預(yù)報(bào)因子，按數(shù)值從大到小(若與降水呈負(fù)相關(guān)關(guān)系則為從小到大)排序，排位前1/3的數(shù)值歸檔為1，后1/3的歸檔為-1，其余歸檔為0。通過(guò)歸檔值Np可以判斷某一時(shí)間的數(shù)據(jù)相對(duì)歷史觀測(cè)序列而言是否偏高或偏低(檔位1為偏高，-1為偏低)。將不同預(yù)報(bào)因子的歸檔值求代數(shù)和，即得到FOI值。FOI值越大，處于檔位1的預(yù)報(bào)因子個(gè)數(shù)越多；反之，F(xiàn)OI值越小表示處于檔位-1的多。故當(dāng)FOI絕對(duì)值較大時(shí)，說(shuō)明多數(shù)因子的檔位值相同，也即預(yù)報(bào)意見(jiàn)較為一致。因此，該指數(shù)一定程度上可表征不同因子之間預(yù)報(bào)意見(jiàn)的一致性程度。

1.4 組合預(yù)報(bào)模型

利用MTS指數(shù)構(gòu)建單因子回歸模型，即P-MTS模型：

P=asMTS+bs

(6)

式中：P為降水量：as、bs分別為回歸模型斜率和截距。

再用MTS指數(shù)和篩選出的大氣環(huán)流因子構(gòu)建多因子回歸模型：

(7)

式中：xi為大氣環(huán)流因子；k為環(huán)流因子個(gè)數(shù)；am、bi分別為MTS指數(shù)和環(huán)流因子的回歸系數(shù)；bm為回歸模型常數(shù)項(xiàng)。

將P-MTS模型和多因子模型進(jìn)行組合，其原則為：當(dāng)因子之間預(yù)報(bào)意見(jiàn)較為一致時(shí)，采用式(7)的多因子模型，否則采用式(6)的P-MTS模型。對(duì)此，設(shè)定當(dāng)FOI的絕對(duì)值大于或等于總的預(yù)報(bào)因子(包括MTS指數(shù))個(gè)數(shù)的50%時(shí)，認(rèn)為因子之間預(yù)報(bào)意見(jiàn)較為一致，得到組合預(yù)報(bào)模型及適用條件：

(8)

式中F為FOI值。由于模型構(gòu)建包括率定和檢驗(yàn)過(guò)程，而F的計(jì)算是建立在預(yù)報(bào)對(duì)象與預(yù)報(bào)因子相關(guān)性分析的基礎(chǔ)上，故F主要在模型檢驗(yàn)期應(yīng)用。

1.5 精度評(píng)價(jià)

選用相關(guān)系數(shù)R、平均絕對(duì)誤差MAE和平均相對(duì)誤差MRE評(píng)價(jià)模型預(yù)報(bào)精度，這3個(gè)指標(biāo)在氣象、水文等領(lǐng)域的模型精度評(píng)價(jià)上廣泛應(yīng)用[6, 16-17]，效果較好。

2 實(shí)例驗(yàn)證

以三峽水庫(kù)流域?yàn)檠芯繀^(qū)，對(duì)1961—2020年汛期5—10月的月降水量進(jìn)行預(yù)報(bào)。組合預(yù)報(bào)模型預(yù)見(jiàn)期為1～3月，采用滑動(dòng)窗檢驗(yàn)方法率定和校驗(yàn)，滑動(dòng)窗長(zhǎng)度取30 a。

2.1 研究區(qū)概況與數(shù)據(jù)來(lái)源

三峽水庫(kù)流域面積約為100萬(wàn)km2，流域內(nèi)長(zhǎng)江干流長(zhǎng)度約4 500 km。流域除源頭外，大部分地區(qū)屬于亞熱帶季風(fēng)氣候區(qū)，干濕季分明，80%以上的年降水量集中在汛期5—10月，且汛期各月降水差異明顯，對(duì)三峽水庫(kù)有顯著影響。發(fā)布準(zhǔn)確的降水預(yù)報(bào)，對(duì)三峽水庫(kù)調(diào)度具有重要的現(xiàn)實(shí)意義。

研究采用的降水?dāng)?shù)據(jù)為中國(guó)氣象局發(fā)布的0.5°×0.5°逐日格點(diǎn)數(shù)據(jù)(http://www.cma.gov.cn/)；SST數(shù)據(jù)為美國(guó)大氣與海洋管理局發(fā)布的5°×5°逐月格點(diǎn)數(shù)據(jù)(https://www.esrl.noaa.gov/ psd/data/gridded/tables/temperature.html)；大氣環(huán)流數(shù)據(jù)為國(guó)家氣候中心發(fā)布的逐月大氣環(huán)流數(shù)據(jù)集，大氣環(huán)流因子共88項(xiàng)(https://cmdp.ncc-cma.net/cn/download.htm)，數(shù)據(jù)時(shí)間跨度均為1961—2020年。

2.2 結(jié)果與分析

表1為預(yù)見(jiàn)期1～3月情況下P-MTS模型采用的海溫極子數(shù)、關(guān)鍵海溫多極和MTS的權(quán)重范圍。由表1可知，不同月份的海溫極子數(shù)差別較大，說(shuō)明對(duì)研究區(qū)降水和SST關(guān)系的影響隨月份變化而變化。具體而言，5月和6月海溫極子多數(shù)和降水呈正相關(guān)，7—10月則相反，但預(yù)見(jiàn)期1月情形下7月和 8月降水與海溫極子主要為正相關(guān)。另外，預(yù)見(jiàn)期1月情形下5月降水預(yù)報(bào)、預(yù)見(jiàn)期3月情形下7月 和9月降水預(yù)報(bào)中模型采用的海溫極子數(shù)較多。從權(quán)重來(lái)看，9月關(guān)鍵海溫多極占主導(dǎo)，貢獻(xiàn)較大，說(shuō)明影響降水的海溫場(chǎng)空間上具有相對(duì)穩(wěn)定性，而5月和10月則相反，故影響降水的海溫場(chǎng)位置并不固定。主汛期6—8月的關(guān)鍵海溫多極和MTS貢獻(xiàn)度差別不大，基本上對(duì)MTS指數(shù)的貢獻(xiàn)各占50%。

表1 預(yù)見(jiàn)期1～3月情況下P-MTS模型參數(shù)和權(quán)重范圍Table 1 P-MTS model parameters and weight range in forecast period of 1 to 3 months

表2 預(yù)見(jiàn)期1～3月情況下組合預(yù)報(bào)模型在率定期和檢驗(yàn)期的預(yù)報(bào)精度Table 2 Prediction accuracy of combined forecasting model in calibration and validation periods in forecast period of 1 to 3 months

對(duì)于海溫極子空間分布(限于篇幅未展示)，影響5月降水的海溫極子主要分布于赤道東太平洋(ENSO區(qū))、澳大利亞西南海域；影響主汛期6—8月降水的極子分布在南太平洋、北大西洋、南海等海域；影響9月降水的極子主要在印度洋東部和ENSO區(qū)；影響10月降水的極子則主要分布于北太平洋、東印度洋、北太平洋等區(qū)域。Yuan等[21]發(fā)現(xiàn)印度洋偶極子與長(zhǎng)江上游降水密切相關(guān)；周波濤[22]研究發(fā)現(xiàn)澳大利亞?wèn)|側(cè)冬季海溫與我國(guó)長(zhǎng)江流域夏季降水之間具有同位相變化關(guān)系；Wei等[23]指出前冬ENSO活動(dòng)對(duì)次年春夏長(zhǎng)江上游降水的影響與中下游降水影響相反。這些研究結(jié)果與本研究中識(shí)別的海溫極子空間分布規(guī)律基本一致，說(shuō)明模型采用的海溫極子具有一定的物理意義。

表2為組合預(yù)報(bào)模型在率定期與檢驗(yàn)期的預(yù)報(bào)精度。其中，組合預(yù)報(bào)模型采用的環(huán)流因子共30個(gè)，主要包括北半球極渦面積指數(shù)、北半球極渦強(qiáng)度指數(shù)、登錄臺(tái)風(fēng)、大西洋副高面積指數(shù)等。率定期不同月份的預(yù)報(bào)降水與觀測(cè)值的相關(guān)系數(shù)R基本在0.6～0.8之間，MAE在17 mm以下，MRE為5%～14%，說(shuō)明模型擬合精度較高。檢驗(yàn)期，不同預(yù)見(jiàn)期下6月、7月和9月精度較高，相關(guān)系數(shù)R基本在0.70以上，其中9月R超過(guò)了0.8，為所有月份中預(yù)報(bào)精度最高；8月和10月精度次之，R多數(shù)在0.6左右，預(yù)見(jiàn)期3月情形下R低于0.6，精度相對(duì)較低；5月預(yù)報(bào)精度較差，預(yù)見(jiàn)期1月情況下R可達(dá)0.6，但預(yù)見(jiàn)期2月和3月的R低于0.4。7月和8月MAE基本在18～22 mm之間，總體上7月預(yù)報(bào)精度高于8月，其余月份MAE在10 mm以下，其中10月MAE最小。結(jié)合MRE可知，6月和9月預(yù)報(bào)精度最高，大部分MRE在10%以下；8月MRE較其他月份高，但低于19%；盡管5月R不高，但不同預(yù)見(jiàn)期的MRE均在14%以下。此外，模型預(yù)報(bào)精度大體上隨預(yù)見(jiàn)期延長(zhǎng)而有所下降。圖2為組合預(yù)報(bào)模型在檢驗(yàn)期1991—2020年的預(yù)報(bào)結(jié)果，可知多數(shù)年份的預(yù)報(bào)結(jié)果與實(shí)際相符，模型總體上能反映月降水量的年際波動(dòng)，在個(gè)別極端年份偏差較大，如1998年的8月、2012年7月和2015年7月。盡管如此，模型仍能較為準(zhǔn)確地捕捉2020年主汛期6—8月的強(qiáng)降雨情況。綜上，可認(rèn)為模型能有效預(yù)報(bào)三峽水庫(kù)流域汛期的月降水量。

(a) 5月

表3 各模型1991—2010年汛期月降水預(yù)報(bào)精度對(duì)比Table 3 Comparison of monthly precipitation forecast accuracy of different models in flooding seasons from 1991 to 2010

2.3 模型對(duì)比

為進(jìn)一步驗(yàn)證組合預(yù)報(bào)模型在長(zhǎng)期降水預(yù)報(bào)中的可行性和優(yōu)勢(shì)，采用多元線性回歸(MLR)[24]和隨機(jī)森林(RF)[25]兩種傳統(tǒng)方法對(duì)三峽水庫(kù)流域汛期5—10月的降水進(jìn)行預(yù)報(bào)。預(yù)報(bào)因子同樣分為海溫和大氣環(huán)流兩大類。根據(jù)組合預(yù)報(bào)模型的構(gòu)建原理，組合模型與傳統(tǒng)模型的主要區(qū)別為海溫信號(hào)的提取與利用，因此傳統(tǒng)方法采用不同的海溫因子和相同的大氣環(huán)流因子。傳統(tǒng)方法的海溫因子采用Nino3.4指數(shù)、北大西洋海溫三極子(NAT)、副熱帶南印度洋偶極子(SIOD)和北太平洋年代際濤動(dòng)指數(shù)(PDO)，數(shù)據(jù)時(shí)間跨度均為1961—2020年，來(lái)源于國(guó)家氣候中心(http://cmdp.ncc-cma.net/)。MLR和RF模型的預(yù)報(bào)因子與預(yù)報(bào)對(duì)象滯時(shí)為1～3月，采用滑動(dòng)窗檢驗(yàn)方法率定和檢驗(yàn)?zāi)Ｐ汀４送猓瑥拿绹?guó)國(guó)家環(huán)境預(yù)報(bào)中心(NCEP)CFSv2動(dòng)力數(shù)值模型、歐洲中期天氣預(yù)報(bào)中心(ECMWF)季節(jié)性預(yù)報(bào)系統(tǒng)System 4(SYS4)發(fā)布的1982—2010年歷史降水回報(bào)產(chǎn)品中，挑選1991—2010年預(yù)見(jiàn)期1～3月的月降水預(yù)報(bào)結(jié)果加以對(duì)比。選取每種模型1991—2010年汛期月降水預(yù)報(bào)的最佳預(yù)報(bào)結(jié)果，比較MAE和MRE兩個(gè)指標(biāo)，結(jié)果見(jiàn)表3。可見(jiàn)，對(duì)于主汛期 6—8月的預(yù)報(bào)，組合預(yù)報(bào)模型相比MLR和RF模型的MAE降低6～10 mm，MRE減少約4%～8%；而相比于動(dòng)力數(shù)值模型CFSv2和SYS4，MAE和MRE降低明顯，其中6月CFSv2和SYS4模型的MAE為組合預(yù)報(bào)模型的5～6倍，MRE為5～7倍，說(shuō)明組合預(yù)報(bào)模型在預(yù)報(bào)6月降水量方面表現(xiàn)更為優(yōu)異。初汛期5月，組合預(yù)報(bào)模型精度與RF模型相當(dāng)，相比MLR模型則有較大的提高，而MAE和MRE比CFSv2和SYS4模型分別降低約10 mm和17%，提高效果顯著。對(duì)于后汛期9月和10月，5個(gè)模型中組合預(yù)報(bào)模型精度同樣最高，其MAE和MRE分別在10 mm和10%以下；MLR和RF模型精度次之，兩者M(jìn)RE均在12%以上；CFSv2和SYS4模型表現(xiàn)較差，MAE在20 mm以上，MRE大于17%，誤差約為組合預(yù)報(bào)模型的2倍。綜上，組合預(yù)報(bào)模型總體上比其他模型精度高，在不同月份的降水預(yù)報(bào)上表現(xiàn)也較為穩(wěn)健；相比于NCEP和ECMWF機(jī)構(gòu)的動(dòng)力數(shù)值模型CFSv2和SYS4，組合預(yù)報(bào)模型具有顯著的優(yōu)勢(shì)。

3 結(jié) 論

a.組合預(yù)報(bào)模型是基于海溫場(chǎng)的單因子降水預(yù)報(bào)模型和基于大氣環(huán)流、海溫場(chǎng)的多因子降水預(yù)報(bào)模型的結(jié)合，以FOI為判定條件，理論上可降低單純采用單因子或多因子模型而導(dǎo)致預(yù)報(bào)精度下降的風(fēng)險(xiǎn)。

b.組合預(yù)報(bào)模型能有效預(yù)報(bào)三峽水庫(kù)流域1961—2020年汛期的月降水量，其中6月和9月預(yù)報(bào)精度最高，主汛期7月和8月的預(yù)報(bào)效果不如其他月份，且模型精度隨預(yù)見(jiàn)期延長(zhǎng)而有所下降。

c.組合預(yù)報(bào)模型的月降水預(yù)報(bào)精度高于傳統(tǒng)的MLR模型、RF模型以及NCEP的CFSv2動(dòng)力數(shù)值模型和ECMWF的季節(jié)性預(yù)報(bào)系統(tǒng)SYS4，具有較好的應(yīng)用價(jià)值和推廣前景。