统计降尺度预测极端温度/降水日数

1.预测

包括趋势预测和极端事件日数预测

1.1定义：

（１）极端事件发生日数

根据WMO气候委员会（CCI）/全球气候研究计划（WCRP）气候变化与可预测性计划（CLIVAR）气候变化检测、监测和指标专家组（ETCCDMI）的定义(http://www.clivar.org/organization/etccd)，给出如下定义：

极端降水日数：给定时段内日降水量大于某百分位数（如95%）的所有天数

暖昼日数：给定时段内日最高气温大于某百分位数（如90%）的所有天数

冷昼日数：给定时段内日最高气温小于某百分位数（如10%）的所有天数

暖夜日数：给定时段内日最低气温大于某百分位数（如90%）的所有天数

冷夜日数：给定时段内日最低气温小于某百分位数（如10%）的所有天数

（２）极端气候指标

采用百分位数的方法，定义逐日历史序列中某个百分位数对应的值为极端气候指标。

极端降水指标：逐日降水序列的某百分位数值(如95%)

冷昼指标：逐日最高温度序列对应的某百分位数值(如10%)

暖昼指标：逐日最高温度序列对应的某百分位数值(如90%)

冷夜指标：逐日最低温度序列对应的某百分位数值(如10%)

暖夜指标：逐日最低温度序列对应的某百分位数值(如90%)

1.2 预测方法

综合动力预测与统计降尺度两种方法的优势，应用两步法预测极端温度或降水日数。（1）基于国家气候中心月动力延伸预测模式（DERF）提供的具有较高预测技巧的大尺度信息（不同层次位势高度和风场），首先应用最优子集回归(OSR)方法将DERF模式输出的时段平均的大尺度信息降尺度到各观测站点；（2）利用随机天气发生器模拟逐日随机序列，以OSR输出的信息作为控制条件对随机序列进行统计分析，计算预测时段内超过极端值指标的发生概率，并将其换算为暖昼、冷昼、暖夜、冷夜、极端降水可能发生日数，预测流程如下。

2.检验

包括：

2.1　OSR交叉检验

考虑到建模所用的DERF回报资料最早为1982年，建模所用序列较短，用交叉检验方法对OSR进行检验。首先选择一个年份的时段平均日最高温度作为观测样本，用其余N-1个样本建立统计降尺度模式，估计所选择的观测样本值，依此重复N次，得到N个样本的N个估计值。评估方法共６种，分别为预报评分（P）、相对于气候预报和随机预报的技巧评分（Cltc和Ratc）、针对异常级的评分（Ts）、距平相关系数（ACC）、时间倾向系数TCC。

2.2　WG交叉检验

以最优子集回归模型（OSR）交叉模拟结果作为WG的控制条件，应用WG模拟并计算各预测时段内的极端气候事件日数。以异常级评分作为检验指标，依据表１先将预报和实况的极端日数转化成为“六级”概念，然后计算实况与预报之差，依据表２依次计算每一个站的评分，最后计算所有站点评分的算术平均值得到该次预测的总评分。