周源濤，高 原，劉峰貴，王靜愛,3

(1.青海師范大學(xué) 地理科學(xué)學(xué)院，青海 西寧 810008 ；2. 北京師范大學(xué) 地理科學(xué)學(xué)部，北京 100875；3.高原科學(xué)與可持續(xù)發(fā)展研究院，青海 西寧 810008)

在全球變暖的背景下，極端天氣和氣候事件的強度和頻率顯著增加[1]，引發(fā)頻繁的自然災(zāi)害，造成了巨大的人員傷亡和財產(chǎn)損失[2]。故對自然災(zāi)害風(fēng)險評價的研究也就愈益重要而迫切。對各種自然災(zāi)害事件時空模式的分析和預(yù)測，通常需要高分辨率且連續(xù)的氣象數(shù)據(jù)，然而在許多地方，數(shù)據(jù)的缺乏阻礙了評估工作。對氣象資料不連續(xù)或缺測地區(qū)，或?qū)ξ磥砜赡馨l(fā)生的自然災(zāi)害研究，則需要科學(xué)的代用資料。天氣生成器(Weather Generator，WG)，國內(nèi)也常譯為天氣發(fā)生器，是采用隨機過程論并結(jié)合概率論的方法生成氣象數(shù)據(jù)的一種模型，可在每日或月時間步長的實測數(shù)據(jù)基礎(chǔ)上產(chǎn)生高分辨率的代用氣象資料，包括降水、溫度、太陽輻射和風(fēng)速等。理想情況下，模擬數(shù)據(jù)具有與觀測數(shù)據(jù)[3]相同的統(tǒng)計特征。

盡管天氣生成器最初是為土壤侵蝕模型[4]或水文氣象模型[5-7]的應(yīng)用而開發(fā)，且多作為模型中的天氣數(shù)據(jù)發(fā)生模塊[8-9], 但近年來，它們已在各區(qū)域、流域或局地氣候的變化、農(nóng)作物估產(chǎn)方面和自然災(zāi)害研究領(lǐng)域提供了有力幫助[10-12]。本文首先梳理了5種主流天氣生成器的產(chǎn)生發(fā)展，進而結(jié)合天氣生成器在致災(zāi)因子危險性和災(zāi)害損失評估方面的研究，綜述了目前天氣生成器在災(zāi)害評估中的應(yīng)用的情況，以期為天氣生成器更好的應(yīng)用于相關(guān)研究提供思路。

1 天氣生成器的簡介

天氣生成器是一種以統(tǒng)計學(xué)方法生成氣象數(shù)據(jù)的一種數(shù)學(xué)模型，最初它的產(chǎn)生主要有兩個原因：一是生成具有統(tǒng)計學(xué)特性的氣象數(shù)據(jù)時間序列，以符合水文評估或農(nóng)業(yè)應(yīng)用中要求的時間分辨率；二是將已有氣象數(shù)據(jù)時間序列的模擬擴展到未觀測或者缺測的地點?，F(xiàn)天氣生成器已廣泛應(yīng)用于氣象數(shù)據(jù)模擬、土壤與農(nóng)作物模型和災(zāi)害風(fēng)險評價等相關(guān)研究中，為大量的工作提供了連續(xù)、高分辨率的氣象代用數(shù)據(jù)。

1.1 天氣生成器的產(chǎn)生與發(fā)展

天氣生成器的產(chǎn)生與發(fā)展大致情況如圖1所示。最早的相關(guān)研究可追溯到以色列科學(xué)家使用馬爾可夫鏈進行的干濕日預(yù)測[13]。1972年，JONES[14]在此基礎(chǔ)上，生成了日降水量，并基于氣溫、蒸發(fā)與降水天氣的高相關(guān)性，嘗試對日平均氣溫和蒸發(fā)量進行模擬。1980年，BRUHN[15]增加了對日最高、最低氣溫，相對濕度和太陽輻射的模擬。RICHARDSON等[16]于 1984 年將這一方法系統(tǒng)總結(jié)，并命名為WGEN(Weather Generator)天氣生成器。1990年，SHARPLEY等[17]將天氣生成器引入SWAT(Soil & Water Assessment Tool)模型，并命名為WXGEN(Weather Generator)；但WXGEN天氣生成器沒有單獨的交互界面，調(diào)用比較困難[18]，BAFFAULT[4]開發(fā)了具有視窗程序的天氣生成器CLIGEN(Climate Generator)。MODAWEC(Monthly to Daily Weather Converter)隨后也結(jié)合EPIC(Environmental Policy Integrated Climate)模型提出，以解決WXGEN不能直接被EPIC使用的問題[19]。

CLIGEN等[5]使用低階馬爾可夫鏈，在模擬極端降水時往往精度不高，因此擬合效果更好的高階馬爾可夫鏈被嘗試引用在WeaGETS(Weather Generator)天氣生成器中[20]?；隈R爾可夫鏈的天氣生成器發(fā)展的同時，半經(jīng)驗?zāi)Ｐ鸵脖粐L試引入。LARS-WG(Long Ashton Research Station Weather Generator)是對天氣生成器基本數(shù)理方法的新探索，專為氣候變化與影響的相關(guān)研究設(shè)計[21]，它基于半經(jīng)驗分布模型，有助于解決基于馬爾可夫鏈的天氣生成器對極端降水模擬準確度不高的問題[22-23]。目前，天氣生成器種類日漸多樣，多位學(xué)者為解決自己領(lǐng)域的相關(guān)問題，在基于經(jīng)典理論基礎(chǔ)上，開創(chuàng)了多種以研究問題為導(dǎo)向的新方法。天氣生成器正在朝向多種分布模型結(jié)合、多種數(shù)理方法探索、多用于針對性研究問題解決的方向發(fā)展。

1.2 典型天氣生成器的定義與原理

經(jīng)歷60多年的發(fā)展，天氣生成器現(xiàn)已廣泛應(yīng)用于河流水文學(xué)[24-26]、氣候變化[27-29]、農(nóng)業(yè)估產(chǎn)[30-32]和災(zāi)害風(fēng)險評估[55-57]等領(lǐng)域。本文選取五種常用的天氣生成器(表1)，重點介紹它們的定義與原理。

天氣生成器中，較早的WXGEN(1990)和CLIGEN(1995)都內(nèi)建于其他模型中。WXGEN內(nèi)建于SWAT模型，用于補白缺測地區(qū)的數(shù)據(jù)以全面分析流域土壤侵蝕情況[33]；CLIGEN是為WEPP(Water Erosion Prediction Project)模型而開發(fā)的隨機天氣生成器[4]；LARS-WG參考氣象站實測的干濕交替序列的長度，進而根據(jù)半經(jīng)驗?zāi)Ｐ蜕山邓亢推渌麣庀髷?shù)據(jù)[34]；MODAWEC(Monthly to Daily Weather Converter)為WXGEN在EPIC模型中的改進[19]；WeaGETS(Weather Generators)天氣生成器產(chǎn)生較晚，模型中綜合了多種數(shù)學(xué)模型和分布可供選擇，以達到產(chǎn)生更精確的降水量的目的[35]。

圖1 天氣生成器的發(fā)展時間軸

表1 五種主流天氣生成器的對比

1.3 天氣生成器的應(yīng)用領(lǐng)域

本文選擇56篇代表文獻，構(gòu)建了“研究區(qū)—類型—研究領(lǐng)域”的多維圖(圖2)，以展示天氣生成器的應(yīng)用情況。包括了2大類文獻，5種天氣生成器，8個研究區(qū)和4個研究領(lǐng)域。由圖2可知，天氣生成器研究的熱點區(qū)集中在東亞、南亞和北美，領(lǐng)域涉及氣象氣候的應(yīng)用，如在氣候變化情景下對氣溫降水的模擬和變化評價[36]，氣象數(shù)據(jù)降尺度[37-38]，補白缺測數(shù)據(jù)[39]；農(nóng)業(yè)的應(yīng)用，如糧食產(chǎn)量的預(yù)估[40]或生產(chǎn)潛力的評價[12]；水文的應(yīng)用，如氣候變化對徑流量的影響[41]；以及災(zāi)害學(xué)的研究，如暴雨、干旱等氣象致災(zāi)因子導(dǎo)致的農(nóng)作物產(chǎn)量損失風(fēng)險評估[42]，或者未來氣候變化情景下農(nóng)作物的估產(chǎn)研究等[43]。

可以看到：①天氣生成器類型增多，應(yīng)用日益廣泛。1975—1995年是天氣生成器的產(chǎn)生階段，研究集中于對降水概率模型的探討，并形成了WXGEN和CLIGEN，但應(yīng)用較少。1995年以來，特別是在2005年以后，天氣生成器的相關(guān)研究與使用進入高潮，新的模型被開發(fā)并廣泛運用，舊模型使用減少甚至被淘汰。②應(yīng)用區(qū)域漸向全球擴張。天氣生成器多數(shù)起源于北美，1975—2005年間的模型測試和運用基本在美國進行。后多國學(xué)者，特別是我國學(xué)者積極引入模型，并做了適用性評價，研究重點區(qū)域逐漸向農(nóng)業(yè)發(fā)達的東亞和南亞轉(zhuǎn)移。③應(yīng)用呈現(xiàn)多樣化、多學(xué)科交叉的趨勢。天氣生成器誕生之初僅作為模型當中的功能模塊，產(chǎn)生模型所需的氣象數(shù)據(jù)，后逐漸發(fā)展出現(xiàn)結(jié)合未來氣候變化情景的農(nóng)作物估產(chǎn)研究。至今，天氣生成器在氣候變化預(yù)估，大流域多站點河流徑流量的模擬和氣候變化情景下農(nóng)作物災(zāi)損評估和估產(chǎn)等領(lǐng)域都有廣泛的應(yīng)用。從一開始多用于農(nóng)業(yè)[44]氣象氣候[45]領(lǐng)域發(fā)展至水文氣象的結(jié)合[46]或水文、氣象、農(nóng)業(yè)與災(zāi)害的多領(lǐng)域結(jié)合研究[47-48]，天氣生成器的研究的面更寬，研究問題更深入，應(yīng)用范圍更廣。

2 天氣生成器在災(zāi)害評估中的應(yīng)用

災(zāi)害評估是研究災(zāi)害學(xué)的重要內(nèi)容和步驟，一般可概括為災(zāi)害風(fēng)險評估、損失評估等[72]。災(zāi)害風(fēng)險評估主要包括對致災(zāi)因子的危險性和承災(zāi)體脆弱性的評估[49]，涉及的氣候致災(zāi)因子主要包括干旱、暴雨等，承災(zāi)體主要包括人口、經(jīng)濟、基礎(chǔ)設(shè)施和農(nóng)作物等。災(zāi)害損失評估一般是指建立適當?shù)脑u估模型, 對災(zāi)害的破壞程度和造成的各種損失進行評估[72]。在未來全球變化面對諸多不確定性和人類生存環(huán)境面臨自然災(zāi)害巨大威脅的情況下，高分辨率的連續(xù)氣象數(shù)據(jù)在研究中尤為關(guān)鍵，天氣生成器由于可產(chǎn)生連續(xù)的高分辨率代用數(shù)據(jù)，因此可用于解決災(zāi)害評估環(huán)節(jié)中的數(shù)據(jù)問題。天氣生成器在災(zāi)害評估中的應(yīng)用流程如圖3所示，它的直接使用，或結(jié)合其他模型與未來氣候情景的綜合研究，對準確評價自然災(zāi)害風(fēng)險具有巨大的意義。

圖2 天氣生成器應(yīng)用情況三維圖注：ASIA-E東亞; ASIA-S南亞; ASIA-C中亞; NA北美; AFRICA-N撒哈拉以北的非洲; AFRICA-S撒哈拉以南的非洲; EU歐洲; AU澳洲; CLI氣象氣候?qū)W; HYD水文學(xué); AGR農(nóng)學(xué); DIS災(zāi)害學(xué)

圖3 天氣生成器在災(zāi)害評估中的應(yīng)用流程

2.1 致災(zāi)因子危險性評估

致災(zāi)因子危險性是對致災(zāi)因子的強度及其發(fā)生的可能性的刻畫[50]。對于致災(zāi)因子危險性的評估是天氣生成器的主要應(yīng)用之一，其功能是生成所需的時長、分辨率的氣象數(shù)據(jù)后，對干旱、暴雨等氣象災(zāi)害事件可能發(fā)生的強度或概率進行的評估。

干旱方面應(yīng)用，一般是通過模擬降水量的多寡和有效降水日數(shù)來體現(xiàn)的。比如，LIU[51]等使用MODAWEC天氣生成器，根據(jù)月數(shù)據(jù)補白撒哈拉以南的非洲的缺測氣象數(shù)據(jù)，重點關(guān)注了干旱可能發(fā)生的概率與對農(nóng)作物的致災(zāi)情況；肖涵[52]結(jié)合全球氣候模式未來時期氣象數(shù)據(jù)，運用SDSM模型，將新安江流域的低分辨率氣象數(shù)據(jù)進行降尺度，模擬了新安江流域未來降水和蒸發(fā)的變化情況，預(yù)測了流域內(nèi)可能發(fā)生干旱的強度；石小平[53]對比了天氣生成器中常用的四種降水概率分布模型，結(jié)合中國不同地區(qū)實際氣候情況，提出了中國不同氣候區(qū)適用的最優(yōu)模型，并對模擬不同地區(qū)的干旱概率與強度進行了研究。天氣生成器所評價的干旱多數(shù)指的是氣象干旱，但也有研究和干旱模型結(jié)合，從而作為氣象代用資料生產(chǎn)模型，對農(nóng)業(yè)干旱進行科學(xué)的評估和預(yù)測。

天氣生成器可以借助馬爾可夫鏈較好的預(yù)測降水發(fā)生情況與降水量，因此在暴雨作為致災(zāi)因子的暴雨洪水災(zāi)害評估上也有很廣泛的應(yīng)用。暴雨洪水方面，張徐杰[11]等根據(jù)HadCM3大氣環(huán)流模式，使用LARS-WG天氣生成器，對21世紀中葉錢塘江流域的暴雨造成的洪水情況進行了模擬、計算與分析；李志[54]等使用CLIGEN天氣生成器，將3種GCMs月模式數(shù)據(jù)降尺度到逐日，預(yù)測了2010—2039年黃土塬區(qū)暴雨發(fā)生的情況；田燁[55]引入IPCC第四次報告中的氣候情景，使用LARS-WG天氣生成器，預(yù)測了浙江省未來梅雨季、臺風(fēng)季降水量以及此期間洪水發(fā)生的可能性與情況。天氣生成器可產(chǎn)生具體的日降水量和降水日數(shù)，因此可以直接用于對暴雨事件的評估，但在洪水方面，一般會被集合到水文模型中，從而達成對洪水事件的評估與預(yù)測。

基于氣溫和降水事件的強相關(guān)性，天氣生成器也可根據(jù)不同的模型，產(chǎn)生溫度數(shù)據(jù)，進而對極端氣溫事件發(fā)生情況進行評估。在極端溫度方面，強慧婷[56]使用BCC/RCG-WG，模擬了江蘇省未來50年的逐日氣溫情況，預(yù)測了未來氣候變化下高溫?zé)岷赡茉斐傻乃镜臏p產(chǎn)狀況；郎許峰[57]使用BCC/RCG-WG，將氣象資料降尺度到逐日，預(yù)測了未來全國超過35℃與38℃的高溫事件的分布，制作了全國范圍內(nèi)高溫天數(shù)的分布圖；高淑新[58]等使用CLIGEN，模擬了東北三省內(nèi)15個氣象站點的逐日平均最高溫度、最低溫度，評估了極端溫度的日數(shù)且嘗試在空間上進行插值，對其在東北三省進行了適用性評價。天氣生成器可以直接模擬逐日乃至更高分辨率的溫度數(shù)據(jù)，對于極端溫度的評估，一般需要根據(jù)不同的承災(zāi)體厘定致災(zāi)極端溫度的閾值，再進行評價。

天氣生成器在致災(zāi)因子危險性方面的評估也不僅僅是對單個致災(zāi)因子的模擬，也有學(xué)者同時模擬多個致災(zāi)因子，分析了一個地區(qū)多個獨立氣象要素的致災(zāi)情況，以期對致災(zāi)因子危險性進行更全面的評估。BREINL[59]等使用MulGETS對美國西部日降水和氣溫進行模擬，評價了天氣生成器對歷史時期極端氣溫、降水事件的還原情況，并預(yù)測了這里未來可能發(fā)生的各種水文與氣象災(zāi)害。KIM[42]等使用WXGEN天氣生成器，結(jié)合氣候變化情景，模擬了漢江流域2001—2090年的逐日氣溫降水數(shù)據(jù)，預(yù)測了未來漢江流域可能發(fā)生的高溫以及暴雨事件，進而對干旱和洪澇災(zāi)害等進行評估。

利用天氣生成器，可以在致災(zāi)因子危險性評估領(lǐng)域模擬連續(xù)的、高分辨率的氣象數(shù)據(jù)，進而用于對多種不同的致災(zāi)因子導(dǎo)致的災(zāi)害事件的模擬，又可以直接模擬致災(zāi)因子的強度和發(fā)生頻率，結(jié)合致災(zāi)標準對災(zāi)害事件進行評估，也可以作為水文或農(nóng)業(yè)干旱模型的內(nèi)置天氣數(shù)據(jù)來源，為模型評估致災(zāi)因子的危險性提供數(shù)據(jù)基礎(chǔ)。但由于模型多產(chǎn)生于北美，參數(shù)經(jīng)過本地化修正，模型的使用具有區(qū)域性，對致災(zāi)因子特別是極端氣象事件的還原程度具有一定的局限性，所以在區(qū)域上進一步推廣受到限制，因此在不同地區(qū)使用前一般需要進行適用性評價。

2.2 災(zāi)害損失評估

天氣生成器在災(zāi)害損失評估方面的應(yīng)用，主要是對承災(zāi)體遭受氣象致災(zāi)因子打擊時的損失評價。此時天氣生成器在致災(zāi)-損失評價環(huán)節(jié)中主要功能是生成高分辨率氣象數(shù)據(jù)，結(jié)合承災(zāi)體的致災(zāi)閾值，從而對承災(zāi)體在某種災(zāi)害事件下產(chǎn)生的損失進行評價。如根據(jù)氣候變化模式數(shù)據(jù)，使用天氣生成器模擬出未來時期的高分辨率氣象數(shù)據(jù)，結(jié)合農(nóng)業(yè)模型，預(yù)估不同排放情景下的產(chǎn)量與損失，從而對風(fēng)險進行進一步分析與評價；亦或模擬災(zāi)害事件并預(yù)測其對經(jīng)濟的打擊，從而評估災(zāi)害損失。

基于不同的承災(zāi)體展開的災(zāi)害損失評估，最常運用于對農(nóng)作物在某種情景下的風(fēng)險損失評估。廖要明[60]等利用天氣生成器NCC/RCG-WG，模擬了研究區(qū)200年的逐日降水數(shù)據(jù)，并使用氣候統(tǒng)計學(xué)的方法，對棉花和小麥生長期內(nèi)的年內(nèi)各月風(fēng)險進行了分析研究；STEINSCHNEIDER[61]等基于全球尺度氣候特征的區(qū)域大氣流動模式和天氣生成器，模擬了美國西部逐日的天氣情況，并建立了基于氣候變化假設(shè)的水系統(tǒng)影響評價模型，進而對美國西部水系統(tǒng)的氣候脆弱性進行了評估；滕雅琦[62]等使用WGEN生成水稻生育期內(nèi)逐日氣象數(shù)據(jù)，結(jié)合氣象致災(zāi)因子評價了致災(zāi)因子危險性后，使用廣義線性模型評估水稻的脆弱性，進而評估了黑龍江農(nóng)墾區(qū)水稻的種植風(fēng)險；并基于此制作出黑龍江全省水稻種植風(fēng)險區(qū)劃[63]。農(nóng)作物作為承災(zāi)體時，天氣生成器一般作為中間工具，進而對損失進行評估，既可以補白缺測數(shù)據(jù)，對觀測缺失地區(qū)農(nóng)作物遭受災(zāi)害打擊后的損失與風(fēng)險進行評估，也可以根據(jù)氣候變化情景生產(chǎn)不同排放濃度下的模式數(shù)據(jù)，作為輸入導(dǎo)入估產(chǎn)模型中，產(chǎn)出未來不同情景下農(nóng)作物的產(chǎn)量，對未來可能的災(zāi)害損失與風(fēng)險進行評價與預(yù)測。

也有學(xué)者選擇經(jīng)濟作為承災(zāi)體，從災(zāi)害事件可能造成的經(jīng)濟損失出發(fā)，進行城市災(zāi)害風(fēng)險評估。張小瑩[64]使用WXGEN天氣生成器，生成了我國672個氣象站點的逐日模擬數(shù)據(jù)，并結(jié)合Pearson-Ⅲ型模型計算日最大降水的重現(xiàn)期，進而對我國各大城市及其經(jīng)濟發(fā)展在極端降水發(fā)生時的脆弱性進行了評價；潘潤澤[65]使用NCC/GU-WG天氣生成器對莊河地區(qū)100年天氣數(shù)據(jù)進行補充與預(yù)測，結(jié)合水文模型對研究區(qū)內(nèi)城市雨水系統(tǒng)排水能力進行模擬，評估了城市內(nèi)澇可能造成的經(jīng)濟損失和風(fēng)險；郭樹銀[66]使用LARS-WG天氣生成器，生成未來北京的氣溫序列，建立能源需求量與溫度、GDP間的關(guān)系，對北京未來的能源風(fēng)險進行預(yù)測。天氣生成器在對于災(zāi)害對經(jīng)濟的打擊與風(fēng)險的評估中，一般是作為災(zāi)害事件的模擬器，對最終的打擊損失或災(zāi)害風(fēng)險的評估，還需結(jié)合其他方法。

天氣生成器生成的高分辨率數(shù)據(jù)，既可以被廣泛應(yīng)用于農(nóng)作物估產(chǎn)模型，產(chǎn)生研究要求的氣象參數(shù)，作為損失評估和脆弱性構(gòu)建的基礎(chǔ)，又能被應(yīng)用于對未來高精度氣候數(shù)據(jù)的預(yù)測，作為氣候變化情景下的災(zāi)害事件模擬器。故天氣生成器成為了當今災(zāi)害研究的熱點，與不同的模型結(jié)合后，天氣生成器將在對致災(zāi)因子危險性、承災(zāi)體脆弱性評估和災(zāi)害損失評估方面，發(fā)揮重要的作用。

3 天氣生成器應(yīng)用的問題

一些學(xué)者指出：低階馬爾可夫鏈在生成自相關(guān)結(jié)構(gòu)和統(tǒng)計尺度的日降水量時往往效果不佳[19]，可能會產(chǎn)生并不切實際的日降水量[67]，同時也存在產(chǎn)生的月降水量和溫度普遍低于觀測數(shù)據(jù)[68]的問題，因此在使用低階馬爾可夫鏈的天氣生成器精確地模擬日降水量數(shù)據(jù)，并預(yù)測這種降水量的影響(如洪澇災(zāi)害)時，應(yīng)當謹慎。同時，天氣生成器也會低估月度和年際的天氣變化，一些較新的研究正在嘗試使用頻譜校正的方法來校正對這種低估的情況[69]。

基于半經(jīng)驗?zāi)Ｐ偷奶鞖馍善鞅热鏛ARS-WG最初的開發(fā)意圖是為了克服其他天氣生成器在生成降水時使用的馬爾可夫鏈的局限性[22]。經(jīng)驗證，模型產(chǎn)生的天氣數(shù)據(jù)與觀測值相比有較強的信度，特別是對極端氣溫降水的還原明顯優(yōu)于其他模型[23]，但對于實測日最高氣溫呈現(xiàn)偏態(tài)分布的站點，模擬效果卻不佳[70]。所以本模型在模擬日最高氣溫時需要考慮站點的實際情況。據(jù)研究，高階馬爾可夫鏈(二階和三階)對極端降水事件的模擬會更好[24]，因此在災(zāi)害風(fēng)險評價中使用基于高階馬爾可夫鏈的天氣生成器會更合理。

天氣生成器因開發(fā)的地區(qū)不同，參數(shù)的選擇和調(diào)整也具有一定的地域特色，適宜區(qū)的不同也成為模型使用的一大問題，因此對于天氣生成器的適用性評價也是熱點研究方向之一。如在我國黃河流域的適應(yīng)性評價中，張光輝[71]等人認為：CLIGEN 模型模擬結(jié)果的標準差基本上趨于偏低。同時作者也指出，天氣資料因為具有一定的統(tǒng)計特征相似性，可以選擇參證站對生成數(shù)據(jù)進行驗證，以期產(chǎn)生較為理想的未來隨機天氣序列。

4 結(jié)論與展望

4.1 結(jié)論

(1)天氣生成器是使用馬爾可夫鏈或半經(jīng)驗分布等模型生成降水事件發(fā)生的序列，再據(jù)此生成日所需氣象數(shù)據(jù)的模型，可以用于氣象數(shù)據(jù)降尺度與補白研究。作為直接、有效、低成本的模型，歷經(jīng)60年發(fā)展，已經(jīng)廣泛使用在氣象資料的構(gòu)建，流域河流徑流量的模擬和災(zāi)害評估等領(lǐng)域。隨著農(nóng)業(yè)估產(chǎn)、土壤侵蝕、災(zāi)害評價研究的發(fā)展和全球尺度氣候研究的興盛，越來越多的研究中使用到天氣生成器，天氣生成器有向著獨立化，集成化，智能化，與主流數(shù)學(xué)軟件計算機語言結(jié)合而深入發(fā)展的趨勢。

(2)天氣生成器的發(fā)展研究，是一個基于單一統(tǒng)計學(xué)模型而不斷地向多模型、多方法發(fā)展的過程?；诘碗A馬爾可夫鏈的天氣生成器出現(xiàn)最早，數(shù)理模型最簡單，應(yīng)用也為最廣泛。半經(jīng)驗?zāi)Ｐ褪菍μ鞖馍善鞯讓訖C理的創(chuàng)新，針對解決了馬爾可夫鏈存在的問題。綜合多種降水量分布模型的高階馬爾可夫鏈是天氣生成器的前沿。

(3)天氣生成器在災(zāi)害評估領(lǐng)域的研究，首先可以用于對致災(zāi)因子危險性方面的評價，模擬致災(zāi)因子的強度和發(fā)生頻率，結(jié)合致災(zāi)的標準對災(zāi)害事件進行評估；也可以作為水文或農(nóng)業(yè)干旱模型的內(nèi)置天氣數(shù)據(jù)來源，為模型評估致災(zāi)因子的危險性提供數(shù)據(jù)基礎(chǔ)。其次，天氣生成器可以運用于災(zāi)害損失評估，包括基于生成的高分辨率氣象數(shù)據(jù)，產(chǎn)生中間參數(shù)，應(yīng)用于農(nóng)作物估產(chǎn)模型，作為損失評估和脆弱性構(gòu)建的基礎(chǔ)；又可應(yīng)用于對未來高精度氣候數(shù)據(jù)的預(yù)測，作為氣候變化情景下的災(zāi)害事件模擬器。

4.2 災(zāi)害風(fēng)險評價中天氣生成器的應(yīng)用展望

目前，天氣生成器在災(zāi)害評估中的使用已經(jīng)積累了不少的經(jīng)驗，也有很多學(xué)者因地制宜嘗試對天氣生成器進行本土化，但研究中仍存在一些問題。比如單純使用馬爾可夫鏈的模型往往不能產(chǎn)生符合實際的降水序列，結(jié)合實際降水的半經(jīng)驗?zāi)Ｐ驮跇O端值的模擬上又顯得不完美，這些缺點在災(zāi)害風(fēng)險評價中往往是致命的。建議在天氣生成器的使用過程中，應(yīng)考慮針對不同的研究需求選擇不同類型的天氣生成器。針對災(zāi)害風(fēng)險評價的發(fā)展，天氣生成器也迫切的需要從兩個方面進行改進。首先是對于高階馬爾可夫鏈的進一步使用、驗證與探索，改進模型以產(chǎn)生更準確的極端氣象數(shù)據(jù)。氣象數(shù)據(jù)缺測區(qū)比如青藏高原、非洲等漸漸成為災(zāi)害評價關(guān)注的焦點，使用天氣生成器補白數(shù)據(jù)的特點將會使天氣生成器在災(zāi)害風(fēng)險評價中發(fā)揮更大的作用；其次，天氣生成器未來的發(fā)展也可以考慮結(jié)合區(qū)域氣候的相似性構(gòu)建自己的數(shù)據(jù)庫，計算每一種氣候的統(tǒng)計學(xué)特征，更準確的還原缺測數(shù)據(jù)；同時也可以結(jié)合多種氣候情景構(gòu)建未來不同地區(qū)的氣象數(shù)據(jù)序列，發(fā)生高分辨率的數(shù)據(jù)。天氣生成器也可以結(jié)合大數(shù)據(jù)深度學(xué)習(xí)的思想，基于不同區(qū)域的實測數(shù)據(jù)訓(xùn)練模型，調(diào)整經(jīng)驗公式與關(guān)鍵系數(shù)，以生成更符合這一地區(qū)的氣象數(shù)據(jù)。在此基礎(chǔ)上，天氣生成器產(chǎn)生的高分辨率數(shù)據(jù)就可以作為橋梁，更好的為全球不同地區(qū)的災(zāi)害風(fēng)險評價服務(wù)。

致謝：本文寫作的過程中，得到了北京師范大學(xué)江耀、青海師范大學(xué)馬偉東、賈偉、蘇鵬等人的幫助，在此一并表示感謝！