周 林潘 婕張 鐳許吟?。?/p>

1）（中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)環(huán)境與可持續(xù)發(fā)展研究所農(nóng)業(yè)部農(nóng)業(yè)環(huán)境與氣候變化重點(diǎn)開(kāi)放實(shí)驗(yàn)室，北京100081）

2）（蘭州大學(xué)大氣科學(xué)學(xué)院半干旱氣候變化教育部重點(diǎn)實(shí)驗(yàn)室，蘭州730000）

概率調(diào)整法在氣候模式模擬降水量訂正中的應(yīng)用

周 林1）2）潘 婕1）張 鐳2）許吟隆1）2）＊

1）（中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)環(huán)境與可持續(xù)發(fā)展研究所農(nóng)業(yè)部農(nóng)業(yè)環(huán)境與氣候變化重點(diǎn)開(kāi)放實(shí)驗(yàn)室，北京100081）

2）（蘭州大學(xué)大氣科學(xué)學(xué)院半干旱氣候變化教育部重點(diǎn)實(shí)驗(yàn)室，蘭州730000）

應(yīng)用概率調(diào)整法訂正區(qū)域氣候模式系統(tǒng)PRECIS在SRES A1B情景下模擬的各季節(jié)全國(guó)日降水量。以第95百分位降水量為閾值，利用Γ分布分段擬合1962年12月—1972年11月的模擬值，構(gòu)建傳遞函數(shù)，得到1991年12月—2001年11月的訂正值。結(jié)果表明：全國(guó)平均日降水量空間分布的模擬改善明顯，偏差百分率高于100%的格點(diǎn)比例從23.5%降低到1.0%；對(duì)各地區(qū)平均降水月循環(huán)的模擬結(jié)果改善，冷季降水較暖季更接近觀測(cè)，提高擬合優(yōu)度是改進(jìn)訂正方法的關(guān)鍵；多數(shù)地區(qū)連續(xù)干日數(shù)、連續(xù)5d最大降水量及極端降水貢獻(xiàn)率的空間強(qiáng)度、概率分布與空間相關(guān)性的訂正效果顯著?？傮w來(lái)說(shuō)，該方法對(duì)模擬中國(guó)區(qū)域降水的平均態(tài)與極端降水均有明顯改善，有助于氣候評(píng)估工作的展開(kāi)。

訂正；分段擬合；傳遞函數(shù)；極端降水指標(biāo)

引 言

氣候模式是氣候模擬研究以及氣候變化影響評(píng)估的一種有效工具。全球氣候模式的分辨率一般較低，無(wú)法準(zhǔn)確描述局地氣候特征，需要進(jìn)行統(tǒng)計(jì)和動(dòng)力降尺度。區(qū)域氣候模式屬于動(dòng)力降尺度，是目前較為常用的區(qū)域化手段。通常利用區(qū)域氣候模式的輸出結(jié)果作為初始和邊界條件驅(qū)動(dòng)區(qū)域氣候模式，輸出具有較高分辨率的結(jié)果，從而改善全球氣候模式預(yù)估未來(lái)排放情景下的區(qū)域氣候響應(yīng)。研究表明［16］，較高分辨率的區(qū)域氣候模式對(duì)于較好地模擬區(qū)域降水非常重要。

模式模擬和觀測(cè)之間或多或少地存在系統(tǒng)偏差。模式偏差有許多來(lái)源，如利用有限變量表征實(shí)際大氣運(yùn)動(dòng)、物理和次網(wǎng)格尺度參數(shù)方案以及模式參數(shù)選取均會(huì)帶來(lái)不確定性。區(qū)域氣候模式的模式系統(tǒng)偏差主要來(lái)源于其本身以及驅(qū)動(dòng)的全球氣候模式的模式偏差，而驅(qū)動(dòng)的全球氣候模式所帶來(lái)的偏差可能是區(qū)域氣候模式不確定性的主要來(lái)源［7］。

應(yīng)用經(jīng)驗(yàn)性方法減小模式偏差是一項(xiàng)必不可少的工作，特別是將模式輸出變量應(yīng)用于氣候變化影響評(píng)估工作中，這與直接改進(jìn)氣候模式并不矛盾［8－9］，是在當(dāng)前氣候模式模擬效果還不十分理想情況下的一種可行選擇。如果使用未經(jīng)訂正的模式輸出值，則得到的評(píng)估結(jié)果可能偏離實(shí)際［10－12］。

當(dāng)前偏差后驗(yàn)訂正方法主要通過(guò)模擬值與觀測(cè)值建立傳遞函數(shù)。構(gòu)建傳遞函數(shù)的方法很多［13］，常用的且最為簡(jiǎn)單的一種訂正方法是擾動(dòng)法（perturbation method），即將模擬得到的氣候變化信號(hào)，累加到觀測(cè)值上，作為未來(lái)的氣候變化情景。如石英等［14］使用這種方法給出了未來(lái)華北地區(qū)高溫事件的分布。擾動(dòng)法能夠改善模擬的平均態(tài)，但較難用于日尺度資料訂正。而氣候預(yù)估工作多基于變量分布，因此統(tǒng)計(jì)訂正方法得到了重視與發(fā)展。Piani等［15］提出基于概率分布的經(jīng)驗(yàn)估計(jì)傳遞函數(shù)的訂正方法，之后又提出利用模擬值與觀測(cè)值之間的線性或指數(shù)關(guān)系構(gòu)建參數(shù)化傳遞函數(shù)［16］；Dosio等［7］將Piani等［15］的參數(shù)化擬合訂正方法應(yīng)用于一系列高分辨率模式對(duì)氣候變化的預(yù)測(cè)，發(fā)現(xiàn)與經(jīng)驗(yàn)訂正法相比，參數(shù)化概率擬合偏差訂正的結(jié)果同樣非常有效；Yang等［17］基于變量的概率分布調(diào)整構(gòu)建傳遞函數(shù)，用于訂正RCA區(qū)域氣候模式輸出的氣溫與降水（分別用正態(tài)分布、Γ分布擬合），發(fā)現(xiàn)歐洲大部分地區(qū)各季節(jié)不同變量的訂正效果都令人滿意，改善了氣溫和降水的平均態(tài)、氣候變率以及極端降水指標(biāo)。

本文應(yīng)用Yang等［17］基于變量概率分布調(diào)整的訂正方法，訂正PRECIS（Providing Regional Climate for Impacts Studies）模式系統(tǒng)［18］輸出的日降水量。之前已將這種方法應(yīng)用于單個(gè)格點(diǎn)（上海地區(qū)），并對(duì)該格點(diǎn)的訂正效果進(jìn)行驗(yàn)證［19］，本文將這一訂正方法應(yīng)用于全國(guó)，同時(shí)進(jìn)一步分析訂正值極端指標(biāo)的表現(xiàn)，以驗(yàn)證方法的可行性與適用范圍。

1 模式模擬結(jié)果

本文使用的區(qū)域氣候模式模擬數(shù)據(jù)來(lái)自英國(guó)Hadley氣候預(yù)測(cè)與研究中心的PRECIS模式系統(tǒng)，是在中國(guó)應(yīng)用較為廣泛的區(qū)域氣候模式之一。已有研究驗(yàn)證了PRECIS模式系統(tǒng)對(duì)中國(guó)區(qū)域氣候的數(shù)值模擬能力［20－23］。PRECIS模式系統(tǒng)的水平分辨率為0.44°×0.44°，在中緯度地區(qū)水平格點(diǎn)間距約為50km；其初始場(chǎng)和邊界條件是由低分辨率全球氣候模式HadCM3（水平分辨率為緯向3.75°×經(jīng)向2.5°）提供的。利用溫室氣體、氣溶膠、太陽(yáng)輻射、火山噴發(fā)以及臭氧的歷史外在驅(qū)動(dòng)以及IPCC SRES A1B情景的未來(lái)溫室氣體濃度來(lái)驅(qū)動(dòng)HadCM3，再以其輸出場(chǎng)驅(qū)動(dòng)PRECIS。因此，PRECIS變量輸出的偏差不僅包括了其本身的模式偏差、參數(shù)化過(guò)程所帶來(lái)的偏差，還包括了HadCM3的偏差。

這里僅以中國(guó)區(qū)域日降水量的模擬值為例，討論訂正方法的應(yīng)用。使用的觀測(cè)資料來(lái)自Xie等［24］的1962—2002年?yáng)|亞日降水觀測(cè)格點(diǎn)化數(shù)據(jù)，分辨率為0.5°×0.5°。利用鄰近點(diǎn)插值法將模式格點(diǎn)插值到觀測(cè)數(shù)據(jù)的格點(diǎn)場(chǎng)，由于本文討論的是訂正方法對(duì)模擬值的作用，在此忽略插值所帶來(lái)的偏差。選取1962年12月—1972年11月為控制時(shí)段，1991年12月—2001年11月為訂正時(shí)段，各10年，兩個(gè)時(shí)段的間隔時(shí)間盡可能長(zhǎng)，以檢驗(yàn)訂正方法的有效性。

2 訂正與分析方法

對(duì)每個(gè)格點(diǎn)的日降水量按季節(jié)進(jìn)行訂正，12月—次年2月為冬季，3—5月為春季，6—8月為夏季，9—11月為秋季，并將秋、冬季統(tǒng)稱為冷季，春夏季統(tǒng)稱為暖季。首先，分別將各季節(jié)觀測(cè)值與模擬值按降水強(qiáng)度從小到大進(jìn)行升序排列，得到如下兩組數(shù)據(jù)：

其中，xOBS和xMOD分別為觀測(cè)和模擬的日降水量，φ和θ分別為格點(diǎn)的經(jīng)緯度，s表示季節(jié)。x（φ，θ，s，i）≤x（φ，θ，s，i＋1），i包括了控制時(shí)段或訂正時(shí)段每個(gè)季節(jié)的所有日數(shù)，大約為900d。對(duì)于多數(shù)格點(diǎn)模擬降水量，存在一定量的極小偏差降水，將觀測(cè)的降水日數(shù)比例與模擬的總?cè)諗?shù)相乘即得到訂正的降水日數(shù)［19］。經(jīng)降水日數(shù)訂正后，為構(gòu)建傳遞函數(shù)形如fφ，θ，s（x（φ，θ，s，i））＝x′（φ，θ，s，i）（x為 模擬值，x′為訂正值），本文選擇Γ分布分別擬合各季節(jié)控制時(shí)段觀測(cè)與模擬降水量的概率分布（式（3）［25］）。

其中，x為日降水量，α為形狀參數(shù)，β為尺度參數(shù)，xp為某一特定的日降水量。Γ分布是目前常用來(lái)描述日降水量的概率分布，這是因?yàn)槠鋵?duì)日降水量的 描 述 有 較 高 的 穩(wěn) 定 性［25］。 經(jīng) Kolmogorov－Smirnov檢驗(yàn)［26］，Γ分布對(duì)全國(guó)半數(shù)格點(diǎn)四季日降水量的分布擬合達(dá)到0.01顯著性水平?？紤]到日降水量概率分布的強(qiáng)偏斜于小降水值，選取第95百分位降水量為極端降水閾值，采用分段擬合的方法。

閾值確定采用Bonsal等［27］的方法，即將具有n個(gè)值的某氣象要素按升序排列x1，x2，…，xm，…，xn后，某個(gè)值不大于xm的概率為

其中，m為xm的序號(hào)。如有30個(gè)值，第95個(gè)百分位上的值為排序后的x29（P＝94.4%）和x30（P＝97.7%）的線性插值。

通過(guò)兩個(gè)數(shù)據(jù)段檢驗(yàn)（顯著性水平為0.01）的格點(diǎn)數(shù)相較于整體擬合均顯著提高（遠(yuǎn)超過(guò)半數(shù)），同時(shí)，超過(guò)90%的格點(diǎn)通過(guò)極端降水?dāng)M合檢驗(yàn)。因此，分布分段擬合能夠顯著提高對(duì)中小降水值以及極端降水的分布擬合能力。

根據(jù)極大似然估計(jì)法，Γ分布的形狀參數(shù)α和尺度參數(shù)β的似然方程［25］為

Thom 等［28］推得的估算式為

其中，αOBS，βOBS與αCTL，βCTL分別為控制時(shí)段第95百分位以下觀測(cè)值和模擬值的參數(shù)估算，αOBS，95th，βOBS，95th與αCTL，95th，βCTL，95th則為第95百分位以上觀測(cè)值與模擬值的參數(shù)估計(jì)，x和x′分別為日降水量的模擬值和訂正值，x95th為控制時(shí)段第95百分位的模擬值。

前面的研究工作已經(jīng)證明該訂正方法對(duì)上海單格點(diǎn)的訂正效果比較有效［19］，這里將訂正方法應(yīng)用到全國(guó)區(qū)域，以檢驗(yàn)其有效性。本文不僅檢驗(yàn)訂正方法對(duì)平均態(tài)的訂正能力，同時(shí)還檢驗(yàn)其對(duì)極端降水的訂正能力，選取了3個(gè)極端降水指標(biāo)，分別為連續(xù)干日數(shù)、連續(xù)5d最大降水量以及極端降水貢獻(xiàn)率。連續(xù)干日數(shù)指一年中日降水量小于1mm的最大連續(xù)日數(shù)；連續(xù)5d最大降水量指一年中連續(xù)5d降水量之和的最大值；極端降水貢獻(xiàn)率指一年中極端日降水量（訂正時(shí)段每年第95百分位降水量的10年平均值作為極端降水閾值，大于該閾值的日降水量定為極端日降水量）之和與該年年降水量的比值。同時(shí)，利用空間相關(guān)系數(shù)R來(lái)定量比較模擬與訂正的區(qū)域極端降水指標(biāo)與觀測(cè)的相似程度［25］：

其中，n為格點(diǎn)數(shù)，X′i是第i個(gè)格點(diǎn)的模擬或訂正距平值，Y′i則為相應(yīng)的觀測(cè)距平值。R越接近1，說(shuō)明區(qū)域極端降水指標(biāo)的模擬值或訂正值越接近觀測(cè)值。

3 訂正效果

3.1 平均態(tài)訂正能力

［29］本研究將全國(guó)劃分為8個(gè)區(qū)域（圖1）。PRECIS模式系統(tǒng)基本模擬出了日平均降水量西北小、東南大的空間分布，同時(shí)在青藏高原東南地區(qū)存在一個(gè)降水大值區(qū)（圖2a）。但模擬值存在較大偏差（圖2b～2c），其主要特征為濕偏差（全國(guó)平均偏差為0.58mm），主要集中在東北、內(nèi)蒙古北部至青藏高原，呈東北—西南分布，嚴(yán)重濕偏差區(qū)位于青藏高原西部及其與新疆交界地區(qū)，偏差百分率最大可達(dá)1720%；干偏差主要位于新疆大部分地區(qū)、華東以及華南地區(qū)，嚴(yán)重干偏差區(qū)位于準(zhǔn)噶爾盆地和吐魯番盆地，偏差百分率最大可達(dá)90%。可以看出，降水的大偏差區(qū)主要位于地形環(huán)境比較復(fù)雜的地區(qū)，且在地勢(shì)高區(qū)容易出現(xiàn)濕偏差，地勢(shì)低區(qū)容易出現(xiàn)干偏差。僅四川盆地出現(xiàn)了濕偏差。

圖1 本研究中區(qū)域劃分Fig.1 Classification in this study

Γ分布分段擬合訂正法對(duì)平均降水空間分布的訂正非常顯著（圖2d～2e），特別是對(duì)偏差大值的訂正。嚴(yán)重偏差的區(qū)域不變，但范圍減小，且濕、干偏差百分率最大分別減小到270%，40%。訂正后，全國(guó)平均降水偏差從0.58mm減小到0，偏差百分率小于10%的格點(diǎn)數(shù)占全國(guó)總格點(diǎn)數(shù)的比例從12.3% 提高到44.9%，高于100%的格點(diǎn)比例從23.5%降低到1.0%。

由于所用方法基于季節(jié)進(jìn)行訂正，訂正值對(duì)平均降水的逐月分布有非常顯著的改善（圖3）。8個(gè)區(qū)域的訂正值均更接近觀測(cè)值，特別是西南與青藏高原地區(qū)。冷季訂正值均較暖季更接近于觀測(cè)值，暖季訂正值改善顯著，但仍存在一定偏差，如華東、華南以及中部地區(qū)6月訂正后的平均降水量雖然有所改善，但仍然存在較大的干偏差；東北與西北地區(qū)6月訂正后的平均降水量甚至存在過(guò)訂正。這是由于暖季強(qiáng)降水更多，降水強(qiáng)度變化較大，這給概率分布擬合帶來(lái)一定的不確定性，而暖季降水的概率分布擬合是改進(jìn)暖季降水訂正的關(guān)鍵。

總體來(lái)說(shuō)，Γ分布分段擬合訂正法可以顯著改善模擬的全國(guó)區(qū)域平均降水量的空間分布，以及各區(qū)域平均的降水量變化。因此，該方法對(duì)模式模擬降水平均態(tài)的訂正能力值得肯定。

圖2 訂正時(shí)段觀測(cè)、模擬及訂正的中國(guó)區(qū)域日平均降水量的空間分布及其偏差百分率（a）觀測(cè)值的空間分布，（b）模擬值的空間分布，（c）模擬值的偏差百分率，（d）訂正值的空間分布，（e）訂正值的偏差百分率Fig.2 Spatial distribution of observed，simulated and corrected mean precipitation and the bias percentage over China in correction period（a）spatial distribution of the observed，（b）spatial distribution of the simulated，（c）the bias percentages of the simulated，（d）spatial distribution of the corrected，（e）the bias percentages of the corrected

3.2 極端降水訂正能力

圖3 訂正時(shí)段觀測(cè)、模擬及訂正的各區(qū)域平均降水量Fig.3 The observed，the simulated and the corrected region－averaged precipitation in correction period

在本節(jié)的討論中，只關(guān)注不小于1.0mm的日降水量。圖4～圖6分別給出了訂正時(shí)段觀測(cè)、模擬及訂正的連續(xù)干日數(shù)、連續(xù)5d最大降水量及極端降水貢獻(xiàn)率在中國(guó)區(qū)域的空間強(qiáng)度分布，且圖7給出了其概率分布，為清晰起見(jiàn)，圖7中沒(méi)有顯示出連續(xù)干日數(shù)與連續(xù)5d最大降水量低概率的大值部分。表1給出了模擬及訂正的與觀測(cè)的各區(qū)域平均極端指標(biāo)空間相關(guān)系數(shù)。

圖5 同圖4，但為連續(xù)5d最大降水量的空間分布Fig.5 The same as in Fig.4，but for the spatial distribution of maximum 5－day precipitation amount

中國(guó)區(qū)域10年平均的連續(xù)干日數(shù)觀測(cè)值為68d，模擬值略偏小，為63d，訂正值反而增大到74d。從空間分布來(lái)看（圖4），模擬值更接近觀測(cè)的空間分布，特別是對(duì)青藏高原、華北北部的負(fù)偏差以及西南、西南北部的正偏差的改善。同時(shí)從概率分布（圖7）來(lái)看，訂正后，概率分布與觀測(cè)非常接近，而模擬的概率分布主要表現(xiàn)為低值與高值偏多，特別是小于50d的連續(xù)干日數(shù)值概率顯著偏大，觀測(cè)、模擬及訂正的最大值分別為213d，362d，227d。此外，從各區(qū)域的空間相關(guān)系數(shù)（表1）來(lái)看，模擬的連續(xù)干日數(shù)空間分布相關(guān)性以華北地區(qū)最高，中部地區(qū)最低；訂正后各地區(qū)的空間相關(guān)性顯著提高，其中相關(guān)性改善程度中部地區(qū)最大，華北地區(qū)最小。

中國(guó)區(qū)域10年平均的連續(xù)5d最大降水量觀測(cè)值為77mm，模擬值顯著偏大，為96mm，訂正后減小到87mm。同時(shí)對(duì)空間分布也有較大改善（圖5），特別是對(duì)青藏高原與華南地區(qū)連續(xù)5d最大降水量偏差的改善。然而也應(yīng)注意到西北地區(qū)存在一定范圍的過(guò)訂正。訂正后，全國(guó)概率分布上相較于模擬值更加接近觀測(cè)（圖7）。20mm以下的連續(xù)5d最大降水量模擬值偏大，訂正值接近于觀測(cè)值；20～50mm的連續(xù)5d最大降水量存在過(guò)訂正，模擬值較接近于觀測(cè)值；50mm以上的連續(xù)5d最大降水量訂正值更接近于觀測(cè)值，但仍具有一定的正偏差?？傮w來(lái)說(shuō)，該訂正方法能夠有效改善模擬連續(xù)5d最大降水量偏大的特征。模擬值的空間相關(guān)性以西北地區(qū)最高，中部地區(qū)最低；訂正后除華東地區(qū)外均有顯著提高，其中相關(guān)性改善程度西南地區(qū)最大，東北地區(qū)最小（表1）。

中國(guó)區(qū)域10年平均的極端降水貢獻(xiàn)率觀測(cè)值為21%，模擬值與訂正值均為22%?？臻g分布上（圖6），極端降水貢獻(xiàn)率基本呈現(xiàn)西部低、東部高的趨勢(shì)。模擬值基本表現(xiàn)出了這一分布特征，訂正后西北地區(qū)的負(fù)偏差以及東部地區(qū)（特別是東北、華北）的正偏差有所減小，不過(guò)對(duì)青藏高原西部以及西北部分地區(qū)存在過(guò)訂正。觀測(cè)、模擬及訂正的概率分布均呈正態(tài)分布，且模擬值本身已經(jīng)比較接近觀測(cè)值，訂正后除在23%～25%之間存在明顯的過(guò)大訂正外，有不同程度的訂正（圖7）。模擬值的空間相關(guān)性普遍較差；訂正后除東北與青藏高原地區(qū)外均有提高，其中西南地區(qū)相關(guān)性改善程度最大，華北地區(qū)改善最小，但相關(guān)性相較前兩個(gè)指標(biāo)更差（表1）。

圖6 同圖4，但為極端降水貢獻(xiàn)率的空間分布Fig.6 The same as in Fig.4，but for the spatial distribution of extreme precipitation contribution

圖7 訂正時(shí)段中國(guó)區(qū)域連續(xù)干日數(shù)、連續(xù)5d最大降水量及極端降水貢獻(xiàn)率的概率分布Fig.7 The observed，the simulated and the corrected probability density distributions of consecutive dry days，maximum 5－day precipitation amount and contribution of extreme precipitation over China in correction period

表1 訂正時(shí)段模擬及訂正與觀測(cè)的各區(qū)域平均極端指標(biāo)空間相關(guān)系數(shù)Table 1 Spatial correlation coefficient of region－averaged extreme index derived from the simulated and the corrected to the observed precipitation in correction period

綜上，模擬的3種極端降水指標(biāo)與觀測(cè)較為接近，但仍存在一定偏差。Γ分布分段擬合訂正法對(duì)3種指標(biāo)的訂正能力均得到驗(yàn)證，無(wú)論是從空間強(qiáng)度分布、概率分布以及各地區(qū)的空間相關(guān)系數(shù)上，均有顯著改善。因此，該方法對(duì)模式模擬極端降水的訂正能力值得肯定。

4 結(jié)論與討論

本文在前面研究工作［19］的基礎(chǔ)上，將基于Γ分布分段擬合的偏差訂正方法應(yīng)用于PRECIS模式系統(tǒng)在A1B排放情景下的日平均降水量模擬結(jié)果，按季節(jié)構(gòu)建傳遞函數(shù)進(jìn)行訂正。與整體擬合相比，分段擬合能夠有效改善對(duì)中、小降水量以及極端日降水值的擬合能力。對(duì)降水平均態(tài)以及極端降水指標(biāo)連續(xù)干日數(shù)、連續(xù)5d最大降水量、極端降水貢獻(xiàn)率的分析表明：

1）模式基本模擬出了降水平均態(tài)以及極端降水指標(biāo)的空間分布，但存在一定偏差，偏差大值區(qū)主要位于地形復(fù)雜地區(qū)，地勢(shì)高區(qū)易出現(xiàn)濕偏差，地勢(shì)低區(qū)易出現(xiàn)干偏差，四川盆地為濕偏差大值區(qū)。

2）訂正方法對(duì)全國(guó)區(qū)域平均降水量的空間分布有顯著改善，特別是對(duì)偏差大值的訂正。偏差百分率小于10%的格點(diǎn)數(shù)占全國(guó)總格點(diǎn)數(shù)的比例從12.3% 提高到44.9%，高于100%的格點(diǎn)比例從23.5%降低到1.0%。

3）全國(guó)各地區(qū)平均的降水量得到有效訂正，其中，西南與青藏高原地區(qū)訂正后與觀測(cè)幾乎一致。冷季訂正的降水比暖季更接近于觀測(cè)，6月平均降水量在華東、華南以及中部地區(qū)仍有較干偏差，而東北與西北地區(qū)甚至存在過(guò)大訂正，這是由于暖季降水強(qiáng)度變化較大且強(qiáng)降水頻數(shù)與強(qiáng)度更大，給概率分布擬合帶來(lái)一定的不確定性。因此，如何更好地?cái)M合暖季降水的概率分布是改進(jìn)暖季、甚至全年降水訂正的關(guān)鍵環(huán)節(jié)。

4）訂正方法可顯著改善模擬的全國(guó)區(qū)域極端降水指標(biāo)。無(wú)論從空間強(qiáng)度、概率分布以及空間相關(guān)性上，模擬的3個(gè)指標(biāo)均有顯著改善。訂正后除華東地區(qū)的連續(xù)5d最大降水量、東北與青藏高原地區(qū)的極端降水貢獻(xiàn)率相關(guān)性出現(xiàn)過(guò)訂正外，其余地區(qū)3個(gè)指標(biāo)的相關(guān)性均有提高。

本文所用訂正方法基于模式與觀測(cè)變量的概率分布偏差不隨時(shí)間變化的假設(shè)前提下，Ho等［30］將這種訂正思路歸為偏差訂正，同時(shí)提出另一種訂正思路，即變率訂正，是基于模式完美模擬出觀測(cè)變量的變化的假設(shè)，并以HadRM3對(duì)歐洲的溫度輸出為例討論了兩種不同訂正方法得出的增暖空間分布有所不同，但無(wú)法確定哪種訂正方法應(yīng)用于影響評(píng)估更有效。Hawkins等［31］認(rèn)為變率訂正方法較偏差訂正方法更穩(wěn)健，同時(shí)指出這一結(jié)論需要得到歐洲以外區(qū)域、不同氣候變量以及不同模式的證明。這兩種訂正思路在本質(zhì)上一致，差別在于模式的模擬能力更偏向于哪一種假設(shè)，不同的模式可能會(huì)有不同的結(jié)果。但可以肯定的是，無(wú)論哪種方式，都能夠?qū)δＪ浇Y(jié)果有明顯改善。哪種方法更適用于PRECIS模式系統(tǒng)輸出的氣候情景，需要更多的研究工作。

致 謝：感謝英國(guó)Hadley氣候中心提供PRECIS模式系統(tǒng)，同時(shí)感謝中國(guó)科學(xué)院大氣物理研究所涂鍇博士在本論文完成過(guò)程中給予的幫助。

參考文獻(xiàn)

［1］ 劉永強(qiáng)，丁一匯.區(qū)域氣候模擬研究.應(yīng)用氣象學(xué)報(bào)，1995，6（2）：228－239.

［2］ 高學(xué)杰，趙宗慈，丁一匯，等.溫室效應(yīng)引起的中國(guó)區(qū)域氣候變化的數(shù)值模擬.第一部分：模式對(duì)中國(guó)氣候模擬能力的檢驗(yàn).氣象學(xué)報(bào)，2003，61（1）：20－28.

［3］ 李維京，張培群，李清泉，等.動(dòng)力氣候模式預(yù)測(cè)系統(tǒng)業(yè)務(wù)化及其應(yīng)用.應(yīng)用氣象學(xué)報(bào)，2005，6（3）：1－11.

［4］ 劉一鳴，丁一匯，李清泉，等.區(qū)域氣候模式對(duì)中國(guó)夏季降水的10年回報(bào)試驗(yàn)及其評(píng)估分析.應(yīng)用氣象學(xué)報(bào)，2005，16（3）：41－47.

［5］ 高學(xué)杰，徐影，趙宗慈，等.數(shù)值模式不同分辨率和地形對(duì)東亞降水模擬影響的試驗(yàn).大氣科學(xué)，2006，30（2）：185－192.

［6］ Yu E T，Wang H J，Sun J Q.A quick report on a dynamical downscaling simulation over china using the nested model.Atmos Oceanic Sci Lett，2010，3（6）：325－329.

［7］ Dosio A，Paruolo P.Bias correction of the ENSEMBLES highresolution climate change projections for use by impact models：Evaluation on the present climate.J Geophys Res，2011，116，D16106.

［8］ 李莉，朱躍建.T213降水預(yù)報(bào)訂正系統(tǒng)的建立與研究.應(yīng)用氣象學(xué)報(bào)，2006，17（2）：130－134.

［9］ 任宏利，丑紀(jì)范.數(shù)值模式的預(yù)報(bào)策略和方法研究進(jìn)展.地球科學(xué)進(jìn)展，2007，22（4）：376－385.

［10］ Wood A W，Leung L R，Sridhar V，et al.Hydrologic implications of dynamical and statistical approaches to downscaling climate model outputs.Climatic Change，2004，62（1－3）：189－216.

［11］ Baigorria G A，Jones J W，Shin D W，et al.Assessing uncertainties in crop model simulations using daily bias－corrected regional climate model projections.Climate Research，2007，34：211－222.

［12］ Ghose S，Mujumdar P P.Climate change impact assessment：Uncertainty modeling with imprecise probability.J Geophys Res，2009，114，D18113.

［13］ 宋超輝.不同數(shù)學(xué)模型在降水量資料序列訂正中適用性探討.應(yīng)用氣象學(xué)報(bào)，1998，9（2）：213－218.

［14］ 石英，高學(xué)杰，吳佳，等.華北地區(qū)未來(lái)氣候變化的高分辨率數(shù)值模擬.應(yīng)用氣象學(xué)報(bào)，2010，21（5）：580－589.

［15］ Piani C，Haerter J O，Coppola E.Statistical bias correction for daily precipitation in regional climate models over Europe.Theor Appl Climatol，2010，99（1－2）：187－192.

［16］ Piani C，Weedon G P，Best M，et al.Statistical bias correction of global simulated daily precipitation and temperature for the application of hydrological models.J Hydrol，2010，395（3－4）：199－215.

［17］ Yang W，Johan A，Phil G L，et al.Distribution－based scaling to improve usability of regional climate model projections for hydrological climate change impact studies.Hydrology Research，2010，41（3－4）：211－229.

［18］ Jones R G，Noguer M，Hassell D C，et al.Generating High Resolution Climate Change Scenarios Using PRECIS.Met Office Hadley Centre，2004.

［19］ 周林，潘婕，張鐳，等.氣候模擬日降水量的統(tǒng)計(jì)誤差訂正分析——以上海為例.熱帶氣象學(xué)報(bào)，2014，30（1）：137－144.

［20］ 許吟隆，Richard Jones.利用ECMWF再分析數(shù)據(jù)驗(yàn)證PRECIS對(duì)中國(guó)區(qū)域氣候的模擬能力.中國(guó)農(nóng)業(yè)氣象，2004，25（1）：5－9.

［21］ 許吟隆，黃曉瑩，張勇，等.PRECIS對(duì)華南地區(qū)氣候模擬能力的驗(yàn)證.中山大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，46（5）：93－97.

［22］ 田紅，許吟隆，林而達(dá).溫室效應(yīng)引起的江淮流域氣候變化預(yù)估.氣候變化研究進(jìn)展，2008，4（6）：357－362.

［23］ 王芳棟，許吟隆，李濤.區(qū)域氣候模式PRECIS對(duì)中國(guó)氣候的長(zhǎng)期數(shù)值模擬試驗(yàn).中國(guó)農(nóng)業(yè)氣象，2010，31（3）：327－332.

［24］ Xie P P，Chen M Y，Song Y，et al.A gauge－based analysis of daily precipitation over east Asia.J Hydrometeorology，2007，8：607－626.

［25］ 么枕生，丁裕國(guó).氣候統(tǒng)計(jì).北京：氣象出版社，1990：68－170.

［26］ Durbin J.Distribution Theory for Tests based on the Sample Distribution Function.Society for India and Applied Mathematics，1973.

［27］ Bonsal B R，Zhang X，Vincent L A，et al.Characteristics of daily and extreme temperature over Canada.American Metrological Society，2001，5（14）：1959－1976.

［28］ Thom H S.A note on the Gamma distribution.Mon Wea Rev，1958，86（4）：117－122.

［29］ 姜彤.適應(yīng)行動(dòng)：數(shù)據(jù)及風(fēng)險(xiǎn)分析.專題研討一：適應(yīng)氣候變化的共性問(wèn)題∥適應(yīng)氣候變化——東亞峰會(huì)成員國(guó)的戰(zhàn)略、政策與行動(dòng).北京：科學(xué)出版社，2009.

［30］ Ho C K，Stephenson D B，Collins M，et al.Calibration strategy：A source of additional uncertainty in climate change projections.Bull Amer Meteor Soc，2012，93：21－26.

［31］ Hawkins E，Osborne T M，Ho C K，et al.Calibration and Bias Correction of Climate Projections for Crop Modelling：An Idealised Case Study Over Europe.Agricultural and Forest Meteorology，2012.http：∥dx.doi.org／10.1016／j.agrformet.2012.04.007.

Correction Based on Distribution Scaling for Precipitation Simulated by Climate Model

Zhou Lin1）2）Pan Jie1）Zhang Lei2）Xu Yinlong1）2）

1）（Institute of Environment and Sustainable Development in Agriculture，Chinese Academy of Agricultural Sciences，Beijing100081）
2）（Key Laboratory or Semi－arid Climate Change of the Ministry of Education，College of Atmospheric Sciences，Lanzhou University，Lanzhou730000）

A statistical bias correction based on piecewiseΓdistribution fitting to construct seasonal transfer function is applied to the precipitation simulated by a regional climate model PRECIS under the SRES－A1B emission scenario over China.The transfer function（TF）is derived from the control period of December 1962—November 1972，fitting the cumulative probability density function of both simulated and observed precipitation withΓdistribution.The 95th percentile precipitation is chosen to be the threshold and precipitation below and upon the threshold are fitted，respectively.When compared with wholesale fitting，this method can better fit the distributions of both small／medium precipitation and extreme precipitation.Then the TF is applied for the validation period of December 1991－November 2001.The correction strategy is based on the assumption that discrepancies between model and observation stay constant with time.

Results show that PRECIS can reproduce the spatial distribution of mean and extreme precipitation，while the biases exist.The biases are larger if the topography is more complex.If the region is high or low in altitudes，the bias tends to be positive or negative，while Sichuan Basin is the exception，where large positive biases occur.

The correction based on the piecewiseΓdistribution fitting can well correct the spatial distribution of the mean precipitation over China，especially over the original large－bias regions，and the grids in which the bias percentages used to be larger than 100%are reduced from 23.5%down to 1.0%.Simulation of region－averaged monthly precipitation is significantly improved，especially over Southwest China and the Tibet Plateau regions.Precipitation in cold seasons is better corrected，while it has relatively larger biases in warm seasons especially in June due to a wide range of precipitation，which may bring difficulties during fitting.So，it’s crucial to improve the fitting probability in warm seasons.

The piecewiseΓdistribution fitting correction also does a quite good job in correcting the extreme precipitation.The spatial distribution，probability density distribution and spatial correlation coefficient of consecutive dry days，the maximum 5－day precipitation amount and the contribution of extreme precipitation are corrected significantly，except for maximum 5－day preciptiation amount in East China，contribution of extreme precipitation in Northwest China and the Tibet Plateau are overcorrected.These show that the technique has the ability to correct the extreme precipitation.

In general，the correction results are satisfying，which implies that the piecewiseΓdistribution fitting correction is capable of improving the reproduction of both mean and extreme precipitation simulated by regional climate model PRECIS over China，which is useful for assessment research.

correction；piecewise fitting；transfer function（TF）；extreme precipitation index

周林，潘婕，張鐳，等.概率調(diào)整法在氣候模式模擬降水量訂正中的應(yīng)用.應(yīng)用氣象學(xué)報(bào)，2014，25（3）：302－311.

2013－10－26收到，2014－02－18收到再改稿。

國(guó)家科技支撐計(jì)劃項(xiàng)目（2013BAC09B04，2012BAC19B10），中－英－瑞（士）中國(guó)適應(yīng)氣候變化項(xiàng)目之國(guó)家水平的氣候變化自然影響和風(fēng)險(xiǎn)評(píng)估課題

＊通信作者，email：xuyl＠ami.ac.cn