统计降尺度的方法的研究进展综述

统计降尺度的方法的研究进展综述

摘要：统计降尺度方法是将大气环流模式GCMs输出的低分辨率的气象资料转换为流域尺度的主要方法之一，现已发展成为气候学中较为完善的领域。简要介绍了统计降尺度方法的基本原理，包括基本假设条件及主要步骤和关键点；重点介绍统计降尺度方法，大致分为转换函数法、天气分析技术和天气发生器这三类，并对几种方法的国内外应用进展做了阐述；对统计降尺度方法的不确定性研究做了简要介绍。指出未来研究应重点研究统计降尺度模型的适用条件及范围、提高降水模拟的精度；统计降尺度与动力降尺度两种降尺度结合的方法将是降尺度主要发展方向之一。

关键词：统计降尺度；研究进展；统计降尺度方法；不确定性分析

中图分类号：P333文献标识码：A文章编号2013

近年来，气候变化及其对水文水资源的影响一直是研究热点。大气环流模式(Global atmospheric general circulation models，GCMs)为气候变化研究提供了全球尺度的信息，但其输出的分辨率较低，无法将GCMs提供的气候要素信息直接输入相应模型中。目前，应用较广的方法是通过降尺度技术将GCMs大气尺度或全球尺度信息转变为区域尺度，以提高GCMs输出的气候信息的分辨率。降尺度方法通常分为动力降尺度法、统计降尺度法以及动力统计降尺度相结合的方法。统计降尺度法是建立区域或流域变量与大尺度气候信息间的统计关系，并利用这种关系获得区域或流域未来气候变化情景，其计算量相对较小、省机时，应用较广[1]。

1统计降尺度法的原理

统计降尺度利用多年大气环流的观测资料建立大尺度气候要素和区域气候要素之间的统计关系，并用独立的观测资料检验这种关系的合理性，再把这种关系应用于GCMs中输出大尺度气候关系来预估区域未来的气候变化情景。其实质就是建立大尺度气候预报因子与区域气候变量的统计关系。一般地，统计降尺度法基于3个假设条件：大尺度气候场和区域气候观测场之间具有显著的统计关系；大尺度气候场能被GCM较好地模拟；在变化的气候情景下，建立的统计关系是有效的[2]。

对GCMs输出进行统计降尺度时，主要步骤及关键点如下。

(1)预报区域选择和预报因子筛选。这是统计降尺度法的第一步，其它预报因子的选择在很大程度上决定了未来气候情景的特征[3]。因此，选取的预报因子必须具备以下特点：对大尺度气候变化足够敏感；易于获取、连续且能被准确模拟；与水文气象变量有良好的相关性；与降尺度参数保持显著的相关性[4]。对于不同的降尺度模型，预报因子选择的方法也不同。如SDSM(Statistical Downscaling Model)模型运用迭代法筛选预报因子，有一定的人为主观判断性[3]。而ASD(Automated Statistical Downscaling)模型则采取向后逐步回归法和偏相关分析法筛选预报因子[5]。

(2)统计降尺度模型的选择。现有统计降尺度模型众多，各有其优缺点，对预报因子的模拟效果不尽相同。应选择最适宜当地条件的模型，准确地预测未来的气候情景。

(3)模型率定和检验。选定统计降尺度模型后，将长序列实测资料(如降水、气温等)输入模型并与已选定的预报因子确立统计关系。一般将长序列实测资料分为两段，前段用来模型率定，建立与预报因子的统计关系；后段用来模型检验，检验已建立的统计关系是否合理。

(4)未来气候情景生成。将建立的统计关系应用于GCMs输出，生成一系列天气序列。不同的气候模式有不同的时间序列长度，如HadCM2以360 d为一个年长度，而CGCM1以365 d为一个年长度。

2统计降尺度模型应用研究

统计降尺度研究方法较多，常用的主要包括3类：转换函数法、天气分类法和天气发生器。

转换函数法是最早的降尺度方法之一，其原理是运用线性或非线性模型建立大尺度气候信息与局域尺度变量之间函数关系，因此，转换函数法分为线性和非线性的转换函数法。最常用的是线性回归法，包括多元线性回归、逐步线性回归、主成分分析等。Sailor和Li[6]用多元线性回归法模拟了美国站点的气温。运用同样方法，Murphy[7]模拟了欧洲月平均气温和降水。Wilby等[8]运用逐步线性回归法对三种数据进行统计降尺度，并比较了三种数据不同的现在与未来降雨径流情景。非线性转换函数法中常见的有人工神经网络法(Artificial Neural Network，ANN)。Mpelasoka等[9]用ANN模型模拟了新西兰的日平均气温和降水。Tolika等[10]分析比较了多元ANN在希腊地区降水和气温极值的模拟效果。

天气分类法是根据不同的天气特征，如海平面气压、气流指数、风向、云量等，