降尺度方法在月预报中的应用研究

《气象资料的统计降尺度方法综述》篇一一、引言随着全球气候变化日益显著，气象资料的重要性愈发凸显。

统计降尺度方法作为气象学领域的一种重要技术手段，在气候模式模拟、气象预报、灾害预警等方面具有广泛的应用。

本文旨在综述气象资料的统计降尺度方法，为相关研究提供参考。

二、统计降尺度方法概述统计降尺度方法是一种基于大尺度气象资料与小尺度气象要素之间统计关系的技术手段，通过分析大尺度气象场与小尺度气象要素之间的关联性，实现从大尺度资料到小尺度气象要素的预测和推算。

该方法主要包括以下几种类型：1. 回归分析方法：利用历史气象数据，建立大尺度气象场与小尺度气象要素之间的回归模型，实现降尺度预测。

2. 插值方法：根据已知的观测点数据，采用空间插值方法推算未知区域的气象要素值。

常见的插值方法包括克里金插值法、反距离加权法等。

3. 模式模拟与降尺度相结合的方法：通过将大尺度的气候模式输出与局部尺度的地理、生态等信息相结合，建立更精确的降尺度模型。

三、各类统计降尺度方法的比较分析各类统计降尺度方法在应用中各有优劣。

回归分析方法适用于具有明显线性关系的变量之间，但需要大量的历史数据支持；插值方法简单易行，但需要考虑空间异质性和地形因素的影响；模式模拟与降尺度相结合的方法可以更好地考虑多种影响因素，但模型构建相对复杂。

在实际应用中，应根据具体需求和资料条件选择合适的降尺度方法。

四、统计降尺度方法的应用领域统计降尺度方法在气象学领域的应用十分广泛，主要包括以下几个方面：1. 气候模式模拟：通过建立大尺度的气候模式与小尺度的地理、生态等信息之间的联系，实现气候模式的精细化和区域化。

2. 气象预报和灾害预警：利用统计降尺度方法对大尺度的气象信息进行预测和推算，为气象预报和灾害预警提供支持。

3. 农业、林业等领域的决策支持：通过分析气象要素与农作物、森林等的关系，为农业、林业等领域的决策提供科学依据。

五、未来发展趋势及展望随着大数据、人工智能等技术的发展，未来的统计降尺度方法将更加精细化和智能化。

降尺度方法在广西月降水量预测中的应用研究的开题报告一、研究背景与意义降尺度方法是将大尺度气候模式输出的数据转化为小尺度气象现象的方法。

广西位于中国南部，地理位置靠近赤道，自然环境复杂多样，而且受影响因素也很多，包括气候变化、自然灾害等。

作为一个农业大省，广西农业生产的发展也受到了这些因素的影响，因此需要进行有效的气候预测和应对工作。

月降水量是影响农作物生长和气候变化的一个重要指标，而降尺度方法可以将大尺度气象预测转化为准确的月降水量预测，是有效应对气候灾害和优化农业生产的重要手段。

因此，本研究旨在探究降尺度方法在广西月降水量预测中的应用，为广西的气候预测与农业生产提供科学依据。

二、研究内容与目的本研究将以广西地区为基础，结合大尺度气候模式的输出数据，采用降尺度方法，预测广西月降水量情况。

主要包括以下研究内容：1. 收集并分析广西地区的气象数据。

2. 研究降尺度方法的理论及其应用范围。

3. 利用降尺度方法，将大尺度气候模式输出数据转换为广西地区的月降水量预测数据。

4. 对预测结果进行分析和验证，并与实际气象数据进行对比分析。

通过对广西地区月降水量预测的研究，可以为广西的农业生产、气象监测及防灾减灾提供科学参考，提高广西地区的生产效益和社会发展水平。

三、拟采用的研究方法本研究将主要采用以下研究方法：1. 文献调研法：通过查阅相关文献资料，了解降尺度方法在气象预测中的应用情况，以及国内外关于月降水量预测的研究现状。

2. 数据收集法：收集广西地区的气象数据及大尺度气候模式的输出数据，为降尺度方法的应用提供数据基础。

3. 统计分析法：运用统计学方法，对降尺度方法预测得到的月降水量数据进行分析，计算出预测结果的精度、误差等指标，并与实际气象数据进行对比分析。

四、研究预期成果本研究将在以下几个方面取得预期成果：1. 探究降尺度方法在广西月降水量预测中的应用，为广西的气象预测和农业生产提供科学依据。

2. 基于大量的气象数据和降尺度方法的应用，提高广西地区月降水量的预测精确度和准确性。

气象资料的统计降尺度方法综述一、本文概述随着全球气候变化研究的不断深入，气象数据的获取和精度要求也在逐步提高。

降尺度方法作为将大尺度气候模型输出转化为小尺度高分辨率气象数据的重要工具，其研究和应用越来越受到重视。

本文旨在对气象资料的统计降尺度方法进行全面的综述，探讨其基本原理、方法分类、应用实例以及存在的挑战和未来的发展趋势。

本文将介绍降尺度方法的基本概念和原理，阐述其在气候变化研究、区域气象预测和气象事件模拟等领域的应用价值。

接着，文章将按照统计降尺度方法的分类，详细介绍各种方法的原理、优缺点以及适用范围。

这些方法包括但不限于线性回归、主成分分析、神经网络、随机森林等。

随后，本文将通过具体的应用实例，展示统计降尺度方法在气象数据降尺度处理中的实际效果，并分析其在实际应用中的优缺点。

文章还将讨论当前统计降尺度方法面临的挑战，如模型泛化能力、计算效率、数据同化等问题，并对未来的研究方向和发展趋势进行展望。

通过本文的综述，读者可以对气象资料的统计降尺度方法有更加深入和全面的了解，为其在气象学、环境科学、气候变化研究等领域的进一步应用提供理论支持和实践指导。

二、气象降尺度方法概述气象降尺度方法是一种将大尺度气候模型输出转化为更小尺度、更高分辨率的气候数据的技术。

这种方法在气候变化研究、区域气候模拟、气象事件预测以及环境影响评估等领域具有广泛的应用。

降尺度方法主要基于大气、海洋、陆地表面等复杂系统的物理过程和相互作用，通过数学和统计模型，将大尺度气候模型的结果转化为更小尺度的气候信息。

降尺度方法主要分为动力降尺度（Dynamic Downscaling）和统计降尺度（Statistical Downscaling）两种类型。

动力降尺度通过构建高分辨率的区域气候模型，直接模拟小尺度气候系统的动态过程。

这种方法能够更准确地模拟小尺度气候系统的复杂性和不确定性，但计算量大，需要高性能计算机资源。

统计降尺度则主要利用大尺度气候模型输出与小尺度气候观测数据之间的统计关系，建立统计模型进行降尺度处理。

《气象资料的统计降尺度方法综述》篇一一、引言随着全球气候变化的影响日益显著，气象资料的准确性和精细度对于气象预测、气候变化研究、农业、水资源管理等领域的重要性愈发凸显。

统计降尺度方法作为将大尺度气象资料降尺度至更小空间尺度的技术手段，得到了广泛的关注和深入研究。

本文将对气象资料的统计降尺度方法进行综述，分析其研究进展和应用前景。

二、统计降尺度方法概述统计降尺度方法是一种基于统计学原理的气象资料处理方法，其核心思想是通过建立大尺度气象变量与小尺度气象变量之间的统计关系，将大尺度的气象资料转换为小尺度的气象资料。

具体方法包括基于插值的方法、基于多元回归分析的方法和基于机器学习的方法等。

三、插值方法插值方法是利用已知点的气象数据预测未知点的方法，主要包括空间插值和时间插值。

空间插值常用于将大尺度的气象数据插值到更小的空间尺度上，如利用三维空间插值法、克里金插值法等。

时间插值则是将某一时刻的气象数据根据气候统计特征推算出其他时刻的数据，如使用二次曲线法或拉格朗日插值法等。

四、多元回归分析方法多元回归分析方法通过分析大尺度气象变量与小尺度气象变量之间的关系，建立数学模型，将大尺度的气象资料通过模型转换得到小尺度的气象资料。

该方法主要涉及变量的选择和模型的建立。

选择适当的变量对降尺度效果至关重要，模型建立的准确度直接影响着降尺度的精度。

常用的多元回归分析方法包括逐步回归分析、主成分回归分析等。

五、机器学习方法随着人工智能技术的快速发展，机器学习方法在气象资料的统计降尺度中得到了广泛应用。

该方法通过构建大量的模型参数，学习大尺度气象变量与小尺度气象变量之间的复杂关系，从而实现更准确的降尺度。

常见的机器学习方法包括神经网络、支持向量机等。

其中，神经网络因其强大的学习能力和较高的预测精度，在气象资料降尺度领域具有广阔的应用前景。

六、应用领域与展望统计降尺度方法在气象预测、气候变化研究、农业、水资源管理等领域具有广泛的应用价值。

doi:10.11676/qxxb2023.20220208气象学报动态垂直变率降尺度方法在气温智能网格预报中的应用*赵瑞霞1 代 刊1 王 勇2 曹 勇1 朱跃建3 王宝利4ZHAO Ruixia1 DAI Kan1 WANG Yong2 CAO Yong1 ZHU Yuejian3 WANG Baoli41. 国家气象中心，北京，1000812. 南京信息工程大学，南京，2100443. 美国国家环境预报中心/环境模式中心，马里兰，207404. 北京文泽智远信息技术有限公司，北京，1000811. National Meteorological Centre，Beijing 100081，China2. Nanjing University of Information Science and Technology，Nanjing 210044，China3. NOAA/NWS/NCEP/Environmental Modeling Center，Maryland 20740，USA4. Beijing Wenzezhiyuan Information Technology Co.，Ltd，Beijing 100081，China2022-12-29收稿，2023-05-01改回.赵瑞霞，代刊，王勇，曹勇，朱跃建，王宝利. 2023. 动态垂直变率降尺度方法在气温智能网格预报中的应用. 气象学报，81（5）：788-800Zhao Ruixia， Dai Kan， Wang Yong， Cao Yong， Zhu Yuejian， Wang Baoli. 2023. Application of a dynamic vertical change rate downscaling method in gridded temperature forecast. Acta Meteorologica Sinica， 81（5）:788-800Abstract To improve spatially fine characteristics and accuracy of objective gridded temperature forecast, a dynamic vertical change rate downscaling method (DRD) considering elevation is proposed. Real-time vertical changes of surface air temperature with elevation (VCE) are calculated using the relationship between surface air temperature forecast and elevation at different grid points in the numerical model, and the results are applied to downscaling forecasts at target grids and stations to generate a more accurate initial background forecast field. Based on ECMWF model forecasts, 5 km resolution gridded elevation information, observations collected at 10154 stations and their geographic information in China, forecast experiments for spring, summer, autumn and winter are carried out. Spatial and temporal distribution characteristics of VCE, the accuracy of DRD temperature forecast and its ability to depict spatially fine characteristics are analyzed. The results show obvious diurnal, seasonal and spatial variations of VCE over China corresponding to diurnal and seasonal variations of surface long wave radiation, thermal properties and topographic dynamic effects. The value of VCE usually reaches the largest in the morning and the smallest in the evening. This means that surface air temperature decreases the slowest or increases the fastest with increasing height in the morning, and decreases the fastest or increases the slowest in the evening. Spatial variability of VCE is the largest in winter and the smallest in summer. The VCE value is closely related to the distributions of topography, land-sea, and inland lakes. Large VCE values usually appear over large topography edges, daytime land-sea margins, and inland lake edges in the daytime in spring and the whole day in summer. VCE often varies more greatly in complex terrain areas. The DRD surface air temperature forecast is significantly better than the bilinear-interpolated value of model prediction (DMO), especially over complex terrain areas. For example, the mean absolute error (MAE) of DRD forecast is about 14.3%—52.5% smaller than that of DMO over the southern Qinghai-Tibet Plateau in spring. At the same time, DRD significantly improves the ability* 资助课题：国家重点研发计划项目（2021YFC3000903）、国家气象中心预报员专项（Y202132）、中国气象局重点创新团队项目（CMA2022ZD04）。

《气象资料的统计降尺度方法综述》篇一一、引言随着全球气候变化和人类对气象信息需求的日益增长，气象资料的准确性和精细度成为了重要的研究课题。

统计降尺度方法作为提高气象资料空间分辨率和时间分辨率的重要手段，得到了广泛的应用和深入的研究。

本文旨在综述气象资料的统计降尺度方法，为相关研究提供参考。

二、气象资料统计降尺度的基本概念统计降尺度方法是一种将大尺度气象资料降尺度至小尺度的技术手段。

其基本原理是通过建立大尺度气象要素与小尺度气象要素之间的统计关系，利用大尺度资料推算小尺度资料，从而提高气象资料的精细度和准确性。

统计降尺度方法在气象学、气候学、农业气象学等领域具有广泛的应用。

三、气象资料统计降尺度的常用方法1. 多元回归分析多元回归分析是一种常用的统计降尺度方法。

该方法通过建立大尺度气象要素与小尺度气象要素之间的多元线性回归模型，利用回归系数推算小尺度资料。

多元回归分析具有较高的预测精度和较好的解释性，但需要较多的样本数据和较强的统计学知识。

2. 人工神经网络人工神经网络是一种模拟人脑神经元结构的计算模型，具有强大的学习和自适应能力。

在气象资料的统计降尺度中，人工神经网络可以通过学习大尺度气象要素与小尺度气象要素之间的非线性关系，推算小尺度资料。

人工神经网络具有较高的预测精度和鲁棒性，但需要大量的训练数据和计算资源。

3. 空间插值法空间插值法是一种基于空间位置信息推算未知点气象资料的方法。

在统计降尺度中，空间插值法可以通过已知点的气象资料和空间位置信息，推算未知点的气象资料。

常见的空间插值法包括反距离加权法、克里金插值法等。

空间插值法具有简单易行、计算量小的优点，但需要考虑空间异质性和地形因素的影响。

四、气象资料统计降尺度的应用领域气象资料的统计降尺度方法在多个领域得到了广泛的应用。

在农业领域，统计降尺度方法可以帮助农民准确预测农作物生长环境和产量，提高农业生产效益。

在气候变化领域，统计降尺度方法可以推算未来气候变化的趋势和影响，为应对气候变化提供科学依据。

云南大学学报（自然科学版），2011，33（5）：563 568CN53－1045/N ISSN0258－7971 Journal of Yunnan University http：//www．yndxxb．ynu．edu．cn多层次降尺度方法对安徽省月降水量预测的研究*程智1，朱保林2，罗连升1，丁小俊1（1．安徽省气候中心，安徽合肥210044；2．云南省气象科技服务中心，云南昆明650034）摘要：利用1961 2004年多层次的NCEP环流资料初选出与台站月降水量的显著相关区，通过最优子集回归模型对各初选因子进行筛选和组合，形成了安徽省35个台站的月降水量回归模型，并分别利用NCEP资料和月动力延伸模式环流预报作为输入场对2005 2009年安徽省月降水量进行了回报．结果表明，该降尺度模型包含高低层的多种资料，各因子组合起来可以从统计上反映出一些影响降水的环流配置型，较传统的仅用500hPa资料的降尺度模型内容更为丰富．从回报的效果来看，预测值与实况值平均距平符号一致率为63%，PS 评分为75分，其中对涝月的预测效果要好于旱月．关键词：降尺度；月动力延伸模式；气候预测中图分类号：P426文献标识码：A文章编号：0258－7971（2011）05－0563－06由于传统的统计方法无法解释大气的物理机制，很多气象工作者尝试选用数值模式作为预测工具．很多研究表明，气候动力模式对于大尺度环流的预测效果较好，但限于网格分辨率较粗，对于气温、降水这些区域性要素的预测效果很不理想［1］．一种改善的途径是提高模式的分辨率；另一种途径是对大尺度模式环流场进行降尺度处理，即通过统计工具或动力方案，寻求利用模式环流场来预测局地降水的方程．由于提高模式分辨率所需的计算量非常大，涉及的物理过程更加复杂，会给模式带来很大的系统误差，因此降尺度技术得到越来越多的关注，它把大尺度、低分辨率的模式输出信息转化为区域尺度的地面要素信息，从而弥补了模式对区域气候要素预测的局限．李维京等［2］建立了一组大气动力学方程组，推导出局地月降水距平与月平均环流场距平的关系；陈丽娟等［3］在此基础上，设计了一种局地500hPa高度场上的降尺度模型，并对全国月降水量进行了业务预测，目前各省在业务气候预测中多采用这种方法［4］．其它方法还有利用天气系统特征定性判断与相似离度指数相结合的降尺度模型［5］，采用主分量和典型相关分析方法，建立500hPa旬平均高度场对月降水量的完全预测模型等［6］．张邦林等［7］利用EOF迭代方法对500hPa高度和降水资料进行了EOF迭代并建立了若干迭代次数下的预测模型，取得了一定的效果．但这些方法多是基于500hPa高度场与月降水量建立的预测模型，大气高层和低层的一些有用的信息没有考虑进来，而这对描述大尺度系统的移动以及低空水汽输送都是必要的，因此需要综合高低层资料来尽可能地提取模式中的有用信息，在此基础上选用回归方程建立起预测月降水的统计模型，这就是本文需要研究的内容．1资料和方法选取1961 2009年安徽省35个上报站的逐月降水量、NCEP/NCAR逐月再分析资料［8］，以及国家气候中心下发的1982 2009年的月动力延伸模式环流预测场，其中1961 2004年的NCEP环流资料用以建立回归模型，2005 2009年的NCEP 和模式环流资料用以进行2组回报实验．2种环流场的分辨率均为2．5ʎˑ2．5ʎ，空间范围为东北半球，包含8个要素，分别为海平面气压场，200，700 hPa纬向和经向风速，200，500，700hPa高度场．月动力延伸模式环流资料可以在国家气候中心网站*收稿日期：2011－04－18基金项目：安徽省气象局业务能力建设项目（ybyb2010007）．作者简介：程智（1980－），男，安徽人，硕士，工程师，研究方向：气候预测，E－mail：alexclimate@sina．com．cn．下载，预报时效为未来40d，每侯有1次更新，因此在业务上，预报员每月月底发布月预测产品时，可以采用20号更新的对未来11 40d预测的环流场，本文也是采用这样的输入场．由于选用了较多层次的资料，因此在因子普查时难免将一些自相关很大的因子都选进来，为减少这种因子之间自相关的影响，本文选取了最优子集回归［9］模型来筛选、组合因子并建立预测方程．为对预测效果进行评价，采用业务上常用的距平符号一致率（预测降水距平、观测降水距平两者符号的一致率）和中国气象局规定的《短期气候预测质量评定办法》评分办法［10］进行评价．2计算过程考虑到模式环流场具有一定的误差，文中在利用1961 2004年NCEP环流资料和同期降水资料建立起降水预测方程的基础上，进行了2组回报实验，其中第1组回报实验采用2005 2009年NCEP 环流资料作为方程的输入场，对同期降水进行回报，即采用实况环流资料预测实况降水，反映了模式框架的效果；第2组回报实验采用2005 2009年月动力延伸模式环流资料作为方程的输入场，对同期降水进行回报，即与实际业务预测一样利用模式环流资料预测未来降水，反映了实际预测的效果．具体为对各站循环执行以下步骤：（1）相关普查将1961 2004年标准化月降水量和上述8个要素的标准化NCEP月平均环流场求相关系数，在相关场中挑选成片的显著相关区；（2）组合因子对各相关区进行筛选，去除孤立的高相关区，选取成片的显著相关［9］区（大于20个格点），再对各显著相关区的环流进行区域平均，形成n个因子时间序列；（3）形成粗选因子针对这n个因子时间序列，计算相关系数绝对值ˑ格点数的值ai（i=1，2，…，n），将ai从大到小进行排序，挑选出前m个因子，考虑到最优子集回归模型的性质，m不应大于16，若n＜16，则这些因子都为粗选因子；（4）建立模型选用最优子集回归模型作为建模方法，将这些粗选出的因子序列代入最优子集回归模型运算，建立一个统计上的降水预测方程；（5）第1组回报实验将2005 2009年NCEP资料的环流观测场代入降水预测方程，可得到这5a的月降水回报值，比较其与实况降水的距平符号一致率来考察模型框架的效果；（6）整理模式环流由于模式环流与NCEP 资料具有一定的差异，为此利用1982 2004年的资料求取模式环流向NCEP环流的一元回归，并对2005 2009年的模式环流进行一元回归处理；（7）第2组回报实验若（5）的结果显示框架效果较好，将2005 2009年一元回归处理后的月动力延伸模式的环流输出场代入预测方程，即可得到这5a月降水的回报值；（8）检验效果利用目前气候业务预测中采用的PS方法，对回报值进行评分，将其与业务预测评分进行比较来考察该降尺度模型的预测效果．3结果与分析3．1用NCEP资料作为输入场的回报实验图1为安徽全省平均2005 2009年的各月降水回报值与实况降水的距平符号一致率，由图1可见，在采用NCEP资料作为输入场进行回报时，平均距平符号一致率为73%，表明该模型的框架合理，可以将模式环流预测场代入进行第2组回报实验；此外还可以看出，各月之间的预测效果有一定差异，其中代表性最好的是2、3月和11月，距平符号一致率都在80%以上，相对较差的有4月，在60%以下，这可能与安徽省地处江淮地区，4月南北冷暖势力摆动不定、月内大气变化剧烈有关，月平均环流可能对月内环流变化的代表性相对较小．3．2代表站因子选取举例以合肥站1，7月为例说明建模过程．图2为合肥站1月标准化NCEP环流与标准化降水量的相关系数，其中虚线框中的显著相关区为最终预测方程中的选取的因子，X1 X5为因子在方程中的序号，图3显示7月预测因子的位置．（1）1月经过最优子集回归模型的筛选和组合，合肥站1月降水预测模型的因子共5个，分别来自200hPa高度场、500hPa高度场、200hPa和700hPa经向风速场，从图2可以看出，在200hPa 和500hPa高度场上中亚中高纬为一个显著的负相关区，500hPa高度场上日本南部至15ʎN附近为显著的正相关区，200hPa经向风速场上内蒙东部至东北西部为显著的正相关，700hPa经向风场上120ʎ 160ʎE的高纬地区为显著的负相关．从各因子的配置来看，主要反映了东亚位势高度场西低东465云南大学学报（自然科学版）第33卷图12005 2009年各月降水回报值与观测降水的距平符号一致率Fig．1Accordance rate of monthly theoretical rainfall prediction anomaly and observation anomaly from 2005to2009图21月标准化NCEP 资料中200hPa 高度场（a ）、500hPa 高度场（b ）、200hPa 经向风速场（c ）、700hPa 经向风速场（d ）与标准化降水量的相关系数，虚线框中的高相关区为降水预测方程中的因子，X1 X5为在方程中的因子序号Fig．2Correlation coefficients of normalized NCEP data and precipitation in January．200hPa Height field （a ），500hPa heightfield （b ），200hPa meridional wind field （c ），700hPa meridional wind field （d ）．Areas where the high confidence level are boxed up by dotted line are Precipitation forecast factors ，X1—X5are sequence numbers．高、东亚槽偏弱、副高偏强的配置有利于合肥站1月降水偏多的环流型，其最终的预测方程如下式所示：R =－0．040－0．822X 1+0．586X 2－0．116X 3+0．312X 6－0．187X 8其中参与回归资料的年份（即1961 2004年）原始序列和拟合序列的相关系数为0．71，通过了95%的显著性检验．565第5期程智等：多层次降尺度方法对安徽省月降水量预测的研究（2）合肥站7月降水预测模型中选取的因子共5个，分别来自200，700hPa 高度场；200，700hPa 纬向风速场，从图3可以看出，200hPa 高度场上30ʎN 以南至赤道的大部区域为显著的正相关，700hPa 高度场上东西伯利亚鄂霍次克海北部为显著的正相关，200hPa 纬向风速场上我国东北至鄂霍次克海南部区域为显著的正相关，700hPa 纬向风场上20ʎN 和50ʎN 附近的东亚沿海分别有一处显著的负相关区．陶诗言、徐淑英［11］提出江淮流域持久干旱与东亚沿海从高纬到低纬“－+－”（洪涝为“+－+”）的距平波列配置有很大关系，即高纬鄂霍次克海阻高活跃、中纬度负距平、副高偏南有利于洪涝，反之有利于干旱，这与模型包含的因子配置是较为类似的，其最终的预测方程如下式所示．R =0．017+0．351X 3+0．365X 8－0．586X 11－0．423X 14－0．434X 16，其中1961 2004年原始序列和拟合序列的相关系数为0．73，通过了95%的显著性检验．3．3将模式资料作为输入场的回报实验将一元回归后的模式环流资料代入上述预测方程，这组回报实验即为模式降尺度后的对降水预测，表1为全省平均2005 2009年的各月降水回报值与观测降水的距平符号一致率，由表1可见：（1）各月平均距平符号一致率为63%，高于目前业务发布气候预测［12］（55% 60%），但与前面用NCEP 实况资料作为输入场得出的结果相比，还是有不小的差距，表明动力延伸模式的准确性还需进一步提高；而平均PS 评分为75分，不仅高于目前业务平均PS 评分（65分），也高于我省目前业务降尺度方法的评分［4］；（2）采用平均值ʃ5%（或ʃ5分）作为评价指标来比较各月间预测效果的差异，可以看出，距平符号一致率较高（高于68%）的月份有3，6，10月，而PS 评分较高（高于80分）的月份有3，6，10，11月；而1，9，12月的距平符号一致率和PS 评分都较低（低于58%或70分），比较前节可以看出，用NCEP 资料回算的结果在这3个月的效果较好，评分较低可能是由于模式本身的不确定因素．（3）为了考察该方法对异常的预测能力，挑选图37月标准化NCEP 资料中200hPa 高度场（a ）、500hPa 高度场（b ）、200hPa 纬向风速场（c ）、700hPa 纬向风速场（d ）与标准化降水量的相关系数，其中虚线框中的高相关区为降水预测方程中的因子，X1 X5为在方程中的因子序号Fig．3The same as fig．2but in July and 200hPa Height field （a ），500hPa height field （b ），200hPa latitudinal wind field（c ），700hPa latitudinal wind field （d ）．665云南大学学报（自然科学版）第33卷表12005 2009年各月降水回报值与观测降水值的距平符号一致率和PS评分Tab．1Accordance rate of monthly experimental rainfall prediction anomaly and observation anomaly and PS grading from2005 to2009月份距平符号一致率/%PS评分20052006200720082009平均20052006200720082009平均1月4357+6671+34－545660+8374+41－63 2月80+74743－91+6581+96873－94+72 3月7177－4697－77747777－56111－9383 4月666346463751838470596672 5月666671－575463818379－716977 6月91－77－86－715777100－89－90－806985 7月69+6371+74516686+7477+777478 8月74+37－5474+375583+51－6791+6772 9月37+604069－715546+864469－7664 10月9486－896691－859491－938194－91 11月6386+14－5486+6186143+26－8986+86 12月11377734－86+4917409334－99+57平均646561606563748172707775了这5a中降水异常偏多和异常偏少的月份，考虑到冬半年降水方差更大，因此降水异常偏多和偏少的标准为夏半年（4 9月）降水偏多/少3成以上，冬半年（10 3月）降水偏多/少5成或以上，一共可挑选出12个全省平均异常偏多月和14个异常偏少月．在表1中对降水异常偏多的月份用数字后的“+”表示，对降水异常偏少的月份以“－”表示，从这些异常年的预测结果来看，对降水异常偏多月的预测能力更好，平均距平符号一致率为74%，平均PS评分为85分，高于所有月份的平均值；对降水异常偏少月的预测能力低于平均值，平均一致率为62%，平均PS评分为68分，略低于所有月份的平均值，这可能与模式倾向于降水量放大有关系．4结果与讨论以动力延伸预报模式为基础，利用最优子集回归模型，本文设计了一种降尺度模型，通过综合使用模式多层次的资料，使得该方案对模式信息利用更加充分，各因子组合起来可以从统计上反映出一些影响降水的环流配置型．从模式资料代入进行回报的效果来看，平均距平符号一致率为63%，PS评分为75分，高于业务发布月预测的评分，也高于目前我省业务应用的降尺度方案的评分；从降水异常年的预测效果来看，该方案对涝月的预测效果优于旱月．该方法仍有进一步深入完善的空间，除动力延伸模式本身的不确定因素外，利用NCEP资料代入回报的结果表明，该方案在4月的效果与年平均值差距较大，而4月是冷暖气团在江淮地区进退不定的季节，月平均环流反映不出月内的剧烈变化，需要继续寻找环流月内变化的有效因子；此外对旱月的预测效果虽略高于业务发布预测的评分，但仍低于该方法所有年份的平均值，需要进一步寻找降水偏少的原因．参考文献：［1］肖子牛．我国短期气候监测预测业务进展［J］．气象，2010，36（7）：21-25．［2］李江萍，王式功．统计降尺度法在数值预报产品释用中的应用［J］．气象，2008，34（6）：41-45．［2］李维京，陈丽娟．动力延伸预报产品释用方法的研究［J］．气象学报，1999，57（3）：338-344．［3］陈丽娟，李维京，张培群，等．降尺度技术在月降水预报中的应用［J］．应用气象学报，2003，14（6）：648-765第5期程智等：多层次降尺度方法对安徽省月降水量预测的研究655．［4］罗连升，江双五，田红．降尺度方法在安徽省月降水量预测中的试用［J］．气象科学，2010，30（1）：15-20．［5］立祥，陈力强，刘文明，等．东北地区夏季月降水数值产品释用预报方法［J］．应用气象学报，2000，11（3）：348-354．［6］马振锋，陈洪．T63月延伸预报在西南区域短期气候预测中的应用研究［J］．应用气象学报，1999，10（3）：368-373．［7］张邦林，丑纪范，孙照渤．用前期大气环流预报中国夏季降水的EOF迭代方案［J］．科学通报，1991，36（23）：1797-1798．［8］KALNEY E，KANAMITSU M，KISTLER R，et al．The NCEP/NCAR40－year reanalysis project［J］．Bull A-mer Meteor Soc，77：437-471．［9］魏凤英．现代气候统计诊断与预测技术［M］．北京：气象出版社，1999：194-222．［10］李辑，金巍，赵连伟．辽宁省近10年短期气候预测质量评估检验［J］．气象，2007，33（4）：82-87．［11］陶诗言，徐淑英．夏季江淮流域持久性旱涝现象的环流特征［J］．气象学报，1962，32（1）：1-10．［12］王绍武，朱锦红．短期气候预测的评估问题［J］．应用气象学报，2000，11（增刊）：1-10．A research on multi－level downscaling techniques in prediction ofmonthly precipitationin in Anhui provinceCHENG Zhi1，ZHU Bao-lin2，LUO Lian-sheng1，DING Xiao-jun1（1．Anhui Climate Center，Hefei210044，China；2．Meteorological Science and Technology Service Cneter of Yunnan，Kunming650034，China）Abstract：Based on several levels data of monthly NCEP circulation data，the prominent correlative regions have been chosen．Through filtering and association with the optimal subset regression method，35stations of An-hui monthly precipitation regression models have been formed and2005－2009monthly precipitation in Anhui have been experimentally predicted with the incoming data of dynamic extended range forecast（DERF）model．The results show that the downscaling model contains multiple data of low－high levels，various factors have been assembled to show some allocation situations affecting precipitation，which are more comprehensive than the mod-el only using500hPa data．Seeing from experimental predication results，mean anomaly concordance rate is 63%，the PS score is75．The method is preponderant in waterlogged month．Key words：downscaling；DERF；climate prediction865云南大学学报（自然科学版）第33卷。