降水的统计降尺度预报及其空间相关性和时间连续性重建

降水的统计降尺度预报及其空间相关性和时间连续性重建王姝苏;智协飞;俞剑蔚;陈超辉;周红梅;朱寿鹏;赵欢
【摘要】利用欧洲中期天气预报中心(ECMWF)、日本气象厅(JMA)、美国国家环境预报中心(NCEP)以及英国气象局(UKMO)四个中心1-7d日累计降水量集合预报资料,以中国降水融合产品作为“观测值”,对我国地面降水量进行统计降尺度预报,并对预报降水的空间相关性和时间连续性进行重建.对降水量进行分级后,建立各个量级的回归方程进行统计降尺度预报.此外,还利用Schaake Shuffle方法重建丢失的空间相关性和时间连续性.结果表明,分级回归比未分级回归后的预报结果相关系数更高,预报误差更小,更接近观测值.Schaake Shuffle方法可以有效地改进降水预报的空间相关性和时间连续性,使之更接近实况观测,集合成员间的相关性也更好.%Based on the ensemble forecasts of 1-7 day daily accumulated precipitation from the European Centre for Medium-Range Weather Forecasts (ECMWF),Japan Meteorological Agency (JMA),National Centers for Environmental Prediction(NCEP) and UK Met Office(UKMO),with the hourly merged precipitation product over China as the observed data,the forecast of daily precipitation in China by means of statistical downscaling and the reconstruction of spatial and temporal correlation of the precipitation forecast were conducted.The statistical downscaling based on different categories of the rainfall was applied to improve the precipitation forecast.The Schaake Shuffle was used to reconstruct the spatial correlation and temporal persistence of the precipitation forecast.The results show that the forecasts after the regression based on the different categories of the rainfall are more accurate than the ones after the
regression.Classifying the rainfall into different categories was not considered,due to the fact that the anomaly correlation coefficient becomes larger and the root-mean-square error becomes smaller.The spatial and temporal correlations after the reconstruction are quite close to the observed ones.
【期刊名称】《大气科学学报》
【年(卷),期】2018(041)001
【总页数】10页(P36-45)
【关键词】降水量预报;统计降尺度;Schaake Shuffle方法;相关性重建
【作者】王姝苏;智协飞;俞剑蔚;陈超辉;周红梅;朱寿鹏;赵欢
【作者单位】南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室,江苏南京210044;江苏省盐城市大丰区气象局,江苏盐城224100;南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室,江苏南京210044;南京大气科学联合研究中心,江苏南京210008;江苏省气象台,江苏南京210008;国防科技大学气象海洋学院,江苏南京211101;南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室,江苏南京210044;南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室,江苏南京210044;武汉中心气象台,湖北武汉430074
【正文语种】中文
近年来,数值预报模式在迅速地发展,但其有限的空间分辨率仍然不能满足人们生产
生活的需要,精细化预报正在逐渐发展成为天气预报的主要方向,降尺度是精细化预
报的一种主要手段(黄刚等,2012;陈晓龙和智协飞,2014)。

降尺度分为动力降尺度
和统计降尺度两种,由于动力降尺度需要较大的计算成本,统计降尺度以其简单易行、方法灵活多变的优点更多地被应用(范丽军等,2005)。

统计降尺度通过建立低分辨
率的模式结果和高分辨率的预报变量之间的函数关系式,从而获得精细化的预报结
果(范丽军等,2007)。

降水具有不连续性、非正态分布等特点,因此需要建立符合日
降水量特征的降尺度模型(王海霞和智协飞,2015)。

常用于日降水量的统计降尺度
方法是线性回归方法(Chandler and Wheater,2002;Fealy and Sweeney,2007;杨赤等,2009;刘永和等,2010;王亚男和智协飞,2012;徐振亚等,2012;曹经福等,2013;
智协飞等,2016)。

统计降尺度通常是针对各个单独的空间点分别建立各自的回归方程,会导致降水预
报场相邻空间点的相关性丢失和连续时效时间连续性的丢失(Clark et al.,2004)。

维持降水场的空间相关性和时间连续性在水文应用中是至关重要的(徐静等,2014)。

例如,本身两个相邻空间点有很高的相关性,由于统计方法的使用,导致空间相关性丢失,如果其中一个空间点出现大值降水,其相邻空间点的降水会被削弱,就增大了预报误差;如果降水时间连续性丢失,也会导致相似的问题。

美国国家气象局水文发展处(National Weather Service Office of Hydrologic Development,NWS/OHD)的Schaake在2002年10月提出了一种将集合成员重新排序从而重建预报量的空间相关性和时间连续性的方法,后被称为Schaake Shuffle方法(Clark and
Hay,2004;Schaake et al.,2006)。

本文在前人研究的基础上,将TIGGE资料(智协飞和陈雯,2010)ECMWF、JMA、NCEP、UKMO四个中心1～7 d预报时效的日降水量集合预报结果根据降水量分
级进行统计降尺度订正,并将降尺度后的结果进行空间相关性和时间连续性的重建,以期得到更加准确的精细化预报产品。

1 资料和方法
1.1 资料
1.1.1 TIGGE资料
所用的降水预报资料包括ECMWF(50个成员)、JMA(50个成员)、NCEP(20个成员)、UKMO(23个成员)四个中心全球集合预报模式的24 h累计降水量预报资料,起报时间为12时(UTC),预报时段取2012年6月1日—8月31日,空间范围为(70.15～139.95°E,15.15～58.95°N),空间分辨率为1°×1°,预报时效为24～168 h,预报间隔24 h。

1.1.2 中国降水融合产品资料
所用的中国降水融合产品资料(沈艳等,2013;张蒙蒙和江志红,2013)是逐小时累计降水量,预报时段取2012年6月1日01时—9月7日00时,空间范围为(70.15～139.95°E,15.15～58.95°N),空间分辨率为0.1°×0.1°。

将中国降水融合产品资料合成为与TIGGE资料一致的12时(UTC)起报的24 h累计降水量,作为高分辨率的降水量观测值,用于预报效果的检验。

1.2 方法
1.2.1 统计降尺度模型
本文的统计降尺度模型采用的是一元线性回归,即选取一定长度的训练期,建立模式预报值与“观测值”间的统计关系式
yi=axi+b。

其中：a、b为回归系数；xi为模式预报结果；yi为降尺度订正结果。

对于每个格点，在训练期确定系数a、b之后，通过该关系式，对预报期的模式预报值进行回归订正。

根据日累计降水量进行分级，分为小于10 mm(小雨)、10～25 mm(中
雨)和大于25 mm(大雨)三个量级，挑出各个量级的降水样本，分别建立各自的回归方程。

由于样本数量的限制，本文采取交叉检验的方法进行统计降尺度回归。

1.2.2 Schaake Shuffle方法
对于某一格点某一预报日期的集合预报结果,将多个集合成员的预报结果进行排序,
其顺序与这个格点历史观测值的顺序相匹配,排序之后的集合成员具有与该格点历
史观测值的原始顺序相联系的秩序,通过该方法,预报结果相邻格点之间的空间相关
性得到了重建。

对于某一预报日期某一时效的集合预报结果,也是通过类似方法,格
点预报结果的时间连续性得到了重建。

例如，对于某一预报日期，集合预报的初始预报场为三维矩阵Xi,j,k(i表示集合成员，j表示站点，k表示变量)，与之对应，建立一个三维矩阵Yi,j,k表示站点的历
史观测值(i表示历史时间序列中的日期，j表示站点，k表示变量)，历史观测值的
日期选择预报期往前和集合成员数目相等的天数，对于各个站点要选择相同日期的历史观测值。

对于一个给定的站点和给定的变量，该方法如下所示：
X=(x1,x2,…,xn)；
∝=(x(1),x(2),…,x(n)),x(1)≤x(2)≤…≤x(n)；
Y=(y1,y2,…,yn)；
γ=(y(1),y(2),…,y(n)),y(1)≤y(2)≤…≤y(n)。

其中：X是n个集合成员的预报结果；∝是n个集合成员升序排列后的结果；Y是选择的n个历史观测值；γ是n个历史观测值升序排列后的结果。

建立向量B=(n1,n2,…nn)用来记录排序之后的历史观测值在原时间序列中的位置，即n1,n2,…nn表示y(1),y(2),…,y(n)在向量Y中的序号。

以一个给定站点和日期降水预报为例，10个集合成员的预报结果、集合成员排序
后的预报结果、相应的历史观测值和排序后的历史观测值分别用X、∝、Y和γ来
表示。

X=(15.3，11.2，8.8，11.9，7.5，9.7，8.3，12.5，
10.3，10.1)；
∝=(7.5，8.3，8.8，9.7，10.1，10.3，11.2，11.9，12.5，15.3)；
Y=(10.7，9.3，6.8，11.3，12.2，13.6，8.9，9.9，
11.8，12.9)；
γ=(6.8，8.9，9.3，9.9，10.7，11.3，11.8，12.2，12.9，
13.6)；
则B=(3，7，2，8，1，4，9，5，10，6)。

最后建立集合预报成员重新排序后的预报结果，设为其中；将∝中的数字按照B
中的元素进行排列即得最终的Xss。

因此这个例子中最终的Xss=(10.1，8.8，7.5，10.3，11.9，15.3，8.3，9.7，11.2，12.5)。

该方法可以保持站点间的Spearman秩相关系数。

如果两个相邻站点的观测值是
相似的，即具有很高的相关性，那么这两个站点随机给定的一天观测值在整个历史观测值中也具有相似的秩序。

如果将这两个站点某一集合成员的预报值按照该天观测值在历史观测值中的秩序进行排列，那么这两个站点该集合成员的预报值相对于所有的集合成员也具有了相似的秩序，同理将所有的集合成员按照历史观测值进行排序，那么这两个站点的集合成员都具有了与观测序列相似的秩序，站点之间的空间相关性由此得到了重建。

同样，该方法也可以保持站点的时间连续性。

高的时间连续性意味着连续天数的历史观测值有相似的秩序，将连续预报时效的集合成员按照历史观测值进行排序，该站点的时间连续性得到了重建。

1.2.3 检验方法
1.2.3.1 ETS评分
其中：a是预报准确的；b是漏报的；c是空报的；d是实况和预报均没有出现降水的情形。

ETS评分可针对某个量级以上的降水进行评分。

IETS>0时为有技巧预报，IETS≤0时为无技巧预报，IETS=1时为最佳预报。

1.2.3.2 Spearman秩相关系数
Spearman秩相关系数是一个非参数性质的秩统计参数，由Spearman在1904年提出，用来度量两个变量之间联系的强弱，可以用来描述不服从正态分布的资料间的关联程度(龚凤乾，1987)。

对有n个样本的变量xi和yi按从大到小的顺序进行排列，记为原始数据xi，yi在排序后所在的位置，则称为变量xi，yi的秩次，秩次差秩相关系数为
其值介于-1与1之间，ρs<0表示负相关，ρs>0表示正相关。

2 统计降尺度对各模式预报结果的订正
根据日降水量等级,将样本划分为小于10 mm(小雨)、10～25mm(中雨)和大于25mm(大雨)三个等级,挑出各个等级内的降水样本,分别建立各自的回归方程,将分级后的回归降尺度与双线性插值和未分级回归降尺度的结果进行对比。

图1是ECMWF、JMA、NCEP、UKMO四个中心分别计算1～7 d预报时效的2012年6月1日至8月31日92 d平均的双线性插值与一元回归及分级回归的距平相关系数(Anomaly Correlation Coefficient,ACC)。

四个中心经过直接的回归订正后,与观测值的相关系数相比双线性插值在各个预报时效都有了略微提高,但分级回归后提高的幅度更加明显;随着预报时效的延长,直接的回归订正相比双线性插值相关系数增大的幅度并无明显变化,而分级回归后ACC明显增大,但三种方法总体的ACC都随着预报时效的延长在减小,在第7天预报时效,双线性插值和未分级回归的ACC都减小到了0.35左右,而分级回归后的ACC仍然维持在0.6左右。

降尺度回
归订正可以提高模式预报值和观测值之间的相关性,分级回归提高的幅度更大。

此外,还计算了研究区域内四个中心格点平均的预报的均方根误差(Root Mean Square Error,RMSE)。

图2是1—7 d预报时效的92 d平均的双线性插值与一元回归及分级回归的结果。

四个中心三种方法的RMSE随着预报时效的延长都在增大。

相比双线性插值,ECMWF和JMA未分级回归后的预报误差略有减小,分级回归后的预报误差明显减小。

NCEP和UKMO未分级回归后的预报误差相比ECMWF和JMA减小得更加明显,分级回归后的预报误差明显减小。

由此,统计降尺度对各个模式预报的改进效果与模式自身的预报技巧有关,且相关性改进最好不一定意味着均方根误差改进也最好,因为RMSE还与降雨量的大小有关。

图1 四个中心1～7 d预报时效日累计降水量双线性插值(黑线)、未分级回归(蓝线)与分级回归(红线)的ACCa.ECMWF;b.JMA;c.NCEP;MOFig.1 The ACC of daily accumulative precipitation from four centers for 1—7 day forecast leading time of bilinear(black line),direct(blue line) and categorized regression(red line) a.ECMWF;b.JMA;c.NCEP;MO
图2 四个中心1～7 d预报时效日累计降水量双线性插值(黑线)、未分级回归(蓝线)与分级回归(红线)的RMSEa.ECMWF;b.JMA;c.NCEP;MOFig.2 The RMSE of daily accumulative precipitation from four centers for 1—7 day forecast leading time of bilinear(black line),direct(blue line) and categorized regression(red line) a.ECMWF;b.JMA;c.NCEP;MO
图3是四个中心24 h预报不同等级降水量的92 d平均的ETS评分。

从中可以看出,ECMWF和JMA未分级回归后各个量级的ETS评分相比双线性插值都有所提高,只是随着降水量级的增大,提高的幅度在减小。

NCEP和UKMO未分级回归后在中雨以上级别的ETS评分反而不如双线性插值。

分级回归后的ETS评分相比双线性插值和未分级回归都有显著提高,尤其10 mm以上降水等级四个中心的ETS
评分改进最为明显,都达到0.6左右,可能是因为92 d降水样本中,小雨级别的样本最多,因此分级回归建立的方程最稳定,回归订正后的预报误差最小。

图3 四个中心24 h预报时效日累计降水量双线性插值(黑线)、未分级回归(蓝线)与分级回归(红线)的不同雨量等级以上的ETS评分
a.ECMWF;
b.JMA;
c.NCEP;
MOFig.3 The ETS score over different threshold values of daily accumulative precipitation from four centers for 24 h forecast leading time of bilinear(black line),direct(blue line) and categorized regression(red line) a.ECMWF;b.JMA;c.NCEP;MO
为了更直观地看出分级回归对降水预报的改进程度,任意选取研究区域内的一个格点,给出ECMWF 24 h预报92 d的日累计降水量预报结果和实况,如图4所示。

模式预报值存在一定的空报现象,但对于无雨日分级回归比未分级回归的降水预报值更小。

如何有效减少小雨空报现象,可以参看智协飞等(2016)的研究结果。

对于几次降水较大值,未分级回归由于平滑作用都削弱了较大的降水值,而分级回归由于建立单独的大雨回归方程,其预报值更加接近实况值。

尽管统计降尺度对于降水预报有一定的订正效果,但最终的预报效果和模式本身的预报效果密切相关。

图4 ECMWF 24 h预报时效日累计降水量实况(黑线)、未分级回归(蓝线)与分级回归(红线)92 d的预报结果Fig.4 The forecast precipitation on 92 days of daily accumulative precipitation from ECMWF for 24 h forecast leading time of observed data(black line),direct(blue line) and categorized regression(red line)
以上分析可以看出,与双线性插值相比,统计降尺度预报可以减小模式的预报误差,提高模式预报值和观测值之间的相关系数,分级回归效果更为显著。

对于不同模式不同预报时效以及不同降水量级,统计降尺度订正后的预报改进程度各不相同。

总体来看,分级回归后的预报场更加接近实况场。

因此,将低分辨率的模式预报插值到更
高分辨率的细网格上,再经过线性回归订正,可以得到准确率更高的精细化预报产品。

图5 四个中心相邻格点Schaake Shuffle前后1～7 d预报时效集合成员的Spearman秩相关系数盒须图 a.Schaake Shuffle前ECMWF;b.Schaake Shuffle 后ECMWF;c.Schaake Shuffle前JMA;d.Schaake Shuffle后JMA;e.Schaake Shuffle前NCEP;f.Schaake Shuffle后NCEP;g.Schaake Shuffle前
UKMO;h.Schaake Shuffle后UKMOFig.5 The box-plot of Spearman rank correlation coefficient of ensembles from four centers between neighboring grids for 1—7 day forecast leading time compared before and after Schaake Shuffle a.ECMWF before Schaake Shuffle;b.ECMWF after Schaake Shuffle;c.JMA before Schaake Shuffle;d.JMA after Schaake Shuffle;e.NCEP before Schaake Shuffle;f.NCEP after Schaake
Shuffle;MO before Schaake Shuffle;MO after Schaake Shuffle
3 降水预报空间相关性和时间连续性的重建
利用Schaake Shuffle方法对各中心集合预报结果按照历史观测值进行排序,从而
对各中心的预报结果进行空间相关性的重建。

任选两个相邻格点,计算四个中心排
序前后的集合成员间的Spearman秩相关系数。

图5是ECMWF、JMA、NCEP、UKMO四个中心日累计降水量Schaake Shuffle前后1～7 d预报时效集合成员
的Spearman秩相关系数盒须图,其中水平直线代表这两个格点历史观测值的相关系数,盒须图表示各个集合成员的相关系数按从小到大的顺序排列之后分别取最小值、第25百分位、中位数、第75百分位以及最大值的结果。

ECMWF Schaake Shuffle排序前各时效几乎所有的成员的相关系数都未达到观测值的相关系数,经Schaake Shuffle排序后各时效所有成员相比排序前都更加接近观测值,有部分预
报成员已经达到了观测值的相关系数,且预报成员间的差异都在减小。

JMA Schaake Shuffle排序前的预报效果稍好于ECMWF,但也只有极少数成员在个别
预报时效达到了观测值的相关系数,经Schaake Shuffle排序后除了第7天预报时
效最小值的相关系数和排序前相当,其余较排序前都有所提高,更加接近或已达到观
测值的相关系数,且预报成员间的差异也在减小。

NCEP Schaake Shuffle排序前效果较差,不少成员预报相关系数为负值,且成员间的偏差也较大,经过Schaake Shuffle排序后虽然有些时效的成员预报结果的相关系数与观测值仍有差距,但相关系数负值明显减少,各成员相关系数的偏差在减小,相比排序前也更加接近观测值。

UKMO Schaake Shuffle排序前尽管多数时效相关系数大值成员已经接近观测值,
但也有个别成员的相关系数为负值,且成员间相互的偏差也很大,经过Schaake Shuffle排序后改进效果是四个中心里最明显的,第3—5天成员的相关系数都在观测值附近,各时效成员间的相关系数更加集中,且都更接近观测值。

总体来
说,Schaake Shuffle方法可以重建预报结果的空间相关性,重建的效果与模式本身
的预报效果有关。

为了了解降水预报空间相关性重建的效果,任选两个相邻格点,分别计算四个中心这
两个格点间集合成员经Schaake Shuffle排序前后预报结果的秩相关系数,用散点
图表示。

图6是四个中心24 h预报时效Schaake Shuffle排序前后集合成员的Spearman秩相关系数。

ECMWF排序前各集合成员间偏差不大,但都偏离观测值
相关系数较多,排序后,大部分集合成员的相关系数有了提高,更加接近了观测值。

JMA排序前的相关系数比ECMWF大些,除了个别成员相关系数太小,其他成员间
的差异也不大,经排序后,成员的相关系数基本都有提高,成员相互间的偏差也减小了。

NCEP和UKMO排序前成员间的偏差较大,排序后,成员间的偏差明显减小,且更加
接近观测值。

图6 四个中心相邻格点24 h预报时效Schaake Shuffle排序前(菱形)后(方形)集
合成员的Spearman秩相关系数a.ECMWF;b.JMA;c.NCEP;MOFig.6 The Spearman rank correlation coefficient of ensembles from four centers
between neighboring grids for 24 h forecast leading time compared before(rhombus) and after(square) Schaake Shuffle
a.ECMWF;
b.JMA;
c.NCEP;
MO
将连续预报时效的集合成员预报结果按照连续天数的历史观测资料进行排序,可以
进行时间连续性的重建。

任选一个格点,对连续预报时效的集合成员预报结果进行Schaake Shuffle排序,第一天的成员预报结果与第二天的求相关,第二天的成员预
报结果与第三天的求相关,以此类推,进行时间连续性的重建。

图7是ECMWF、JMA、NCEP、UKMO四个中心日累计降水量连续预报时效Schaake Shuffle前
后集合成员的Spearman秩相关系数盒须图,其中水平直线代表这个格点历史连续天数观测值的相关系数,盒须图表示各个集合成员的相关系数按从小到大的顺序排
列之后分别取最小值、第25百分位、中位数、第75百分位以及最大值的结果。

ECMWF排序前,后三个预报时效的少数成员能达到观测值的相关系数,但每个时效
成员间的偏差都较大,排序后,后两个时效有更多的成员都已经达到观测值的相关系数,前几个预报时效的成员相关系数也更加接近观测值,且成员间的偏差在明显减小。

JMA排序前,各个时效相关系数最大的成员都接近观测值,但成员间的偏差较大,经
排序后,成员间的偏差明显减小,且整体的相关性都更接近实际情况。

NCEP排序前
有少数成员的相关性为负数,并且成员间的偏差也较大,经排序后,虽然效果不如ECMWF和JMA好,但也有了较大的改善,相关系数不再有负值,且相关性更接近实况。

UKMO排序前各成员间的偏差较大,也有少数成员的相关系数为负值,经排序后,多数成员的相关系数都在观测值的附近,且成员间的偏差也明显减小,改进效果也是
四个中心最明显的。

为了进一步了解降水预报时间连续性重建的效果,任选一个格点,分别计算四个中心
该格点集合成员连续预报时效经Schaake Shuffle排序前后预报结果的秩相关系数,用散点图表示。

图8是四个中心Schaake Shuffle排序前后预报成员的24 h与
48 h预报时效间的Spearman秩相关系数。

ECMWF和JMA排序前的相关系数本身就较大,尤其JMA排序前的预报效果更好,两个中心排序后相关系数都有提高,尤其大的相关系数都已经接近了观测值的相关系数,ECMWF排序后改进效果更明显,但JMA排序前较大的相关系数略被削弱。

NCEP排序前预报成员间的偏差较大,排序后成员间的偏差有所减小,但排序前较大的相关系数也略被削弱。

UKMO排序前已有部分成员达到观测值的相关系数,但预报成员间的偏差较大,排序后有更多成员的相关系数达到观测值,成员间的偏差也有所减小。

降水间歇性的特点可能会导致经过Schaake Shuffle排序后集合成员的相关系数被低估。

图7 四个中心连续预报时效Schaake Shuffle前后集合成员的Spearman秩相关系数盒须图 a.Schaake Shuffle前ECMWF;b.Schaake Shuffle后
ECMWF;c.Schaake Shuffle前JMA;d.Schaake Shuffle后JMA;e.Schaake Shuffle前NCEP;f.Schaake Shuffle后NCEP;g.Schaake Shuffle前
UKMO;h.Schaake Shuffle后UKMOFig.7 The box-plot of Spearman rank correlation coefficient of ensembles from four centers for persistent forecast leading time compared before and after Schaake Shuffle
a.ECMWF before Schaake Shuffle;
b.ECMWF after Schaake Shuffle;
c.JMA before Schaake Shuffle;
d.JMA after Schaake Shuffle;
e.NCEP before Schaake Shuffle;
f.NCEP after Schaake Shuffle;
MO before Schaake
Shuffle;MO after Schaake Shuffle
图8 四个中心Schaake Shuffle排序前(菱形)后(方形)集合成员的24 h与48 h预报时效间的Spearman秩相关系数 a.ECMWF;b.JMA;c.NCEP;MOFig.8 The Spearman rank correlation coefficient of ensembles from four centers between 24 and 48 h forecast leading time compared before(rhombus) and after(square) Schaake Shuffle a.ECMWF;b.JMA;c.NCEP;MO
以上研究表明,Schaake Shuffle方法通过对集合预报成员重新排序,使之与历史观测值的顺序相匹配,从而重建格点的空间相关性和时间连续性,排序后集合成员的相关系数更接近实况,成员间相关系数的偏差在减小,相关性更集中。

4 结论
本文利用TIGGE资料中ECMWF、JMA、NCEP、UKMO四个中心日累计降水量的集合成员预报值和中国降水融合产品资料,进行统计降尺度处理,并对降水预报空间相关性和时间连续性的重建,得到以下几点结论:
1)由于降尺度加入了观测资料进行订正,相比双线性插值,降尺度订正可以减小模式的预报误差,提高模式预报值和观测值之间的相关系数,分级回归由于对不同降水样本分别建立回归方程,订正效果更显著。

对于不同模式不同预报时效以及不同降水量级,降尺度订正后改进程度各不相同。

总体来看,分级回归后的预报场更加接近实况场。

2)由于统计降尺度方法应用在单个格点,针对不同预报时效也做单独处理,导致预报结果的空间相关性和时间连续性丢失。

利用Schaake Shuffle方法将集合成员预报结果按照历史观测值的顺序进行排列,可以使预报结果的空间相关性和时间连续性得到重建,相关系数更接近实况,集合成员间的相关性也更集中。

参考文献(
References)
曹经福,江志红,任福民,等,2013.广义线性统计降尺度方法模拟日降水量的应用研究[J].气象学报,71(1):167-175. Cao J F,Jiang Z H,Ren F M,et al.,2013.An application of the generalized linear statistical downscaling method to simulating daily precipitation[J].Acta Meteorologica sinica,71(1):167-175.(in Chinese).
Chandler R E,Wheater H S,2002.Analysis of rainfall variability using
generalized linear models:A case study from the west of Ireland[J].Water Resour Res,38(10):1192.
陈晓龙,智协飞,2014.基于TIGGE资料的北半球地面气温预报的统计降尺度研究[J].大气科学学报,37(3):268-275. Chen X L,Zhi X F,2014.A statistical downscaling study on the surface temperature forecast in the Northern Hemisphere using the TIGGE data[J].Trans Atmos Sci,37(3):268-275.(in Chinese).
Clark M,Hay L,e of medium-range numerical weather prediction model output to produce forecasts of stream flow[J].Hydrometeor,5(1):15-32.
Clark M,Gangopadhy S,Hay L,et al.,2004.The Schaake shuffle:A method for reconstructing space-time variability in forecasted precipitation and temperature fields[J].Journal of hydrometeorology,5(1):243-262.
范丽军,符淙斌,陈德亮,2005.统计降尺度法对未来区域气候变化情景预估的研究进展[J].地球科学进展,20(3):320-329. Fan L J,Fu C B,Chen D L,2005.Review on creating future climate change scenarios by statistical downscaling techniques[J].Advances In Earth Science,20(3):320-329.(in Chinese).
范丽军,符淙斌,陈德亮,2007.统计降尺度法对华北地区未来区域气温变化情景的预估[J].大气科学,31(5):887-897. Fan L J,Fu C B,Chen D L,2007.Estimation of local temperature change scenarios in North China using statistical downscaling method[J].Chin J Atmos Sci,31(5):887-897.(in Chinese). Fealy R,Sweeney J,2007.Statistical downscaling of precipitation for a selection of sites in Ireland employing a generalized linear modeling approach[J].Int J Climatol,27(15):2083-2094.
龚凤乾,1987.等级相关系数公式的证明应用及统计显著性检验[J].现代财经(1):33-。