基于WRF与统计方法的气温空间尺度分析.pdf

基于 WRF 和统计方法的气温空间尺度分析于灵雪 1 , 2 , 张树文 1 * , 刘廷祥 1 , 卜坤 1 , 杨久春 1 ( 1 . 中国科学院东北地理与农业生态研究所, 长春 130012 ; 2 . 中国科学院大学, 北京 100049 ) 摘要: WRF 模式作为一个中尺度气候模式,其分辨率从几米到几千公里,其自身的双向嵌套特征也为进行动力尺度下推提供了有力条件。本文利用 WRF 模式和传统的统计方法对研究区的气温进行尺度下推。首先,通过动力下推得到不同分辨率下的气温空间分布,并选取 15 个气象站点进行点对点验证,为了更明显观察不同尺度间的差异,对不同尺度的输出与 ANUSPLIN 插值结果进行比对,结果显示动力尺度下推中,分辨率越高模拟效果越好。其次,我们采用传统的统计下推方法, 从 27 km 下推到 3 km 分辨率,并与 WRF 和 ANUSPLIN 插值在该尺度的结果进行对比分析,结果显示统计下推结果的趋势与动力下推的插值结果是一致的,但具有明显的马赛克效果,通过分析认为,这与统计方法的尺度下推只考虑高程信息的变化对气温的影响,而未考虑其他因素有关,如若在下推时加入更多的变量,如对温度有较大影响的坡度、坡向、土地覆被类型等因素,综合分析不同尺度之间的关系,会使下推结果有所改善。关键词: 空间尺度分析; 统计方法; 天气预报模式; 气温; 尺度下推 D O I : 10 . 3724 /. 1047 . 2013 . 00 546 1 引言气候系统在其系统内的不同层次和不同运行周期上存在着明显的时空尺度,探讨不同尺度之间信息的传递规律,获取未知尺度信息的尺度推绎是地理学及气候学中的重要内容[ 1 ] 。尺度推译包括尺度上推和尺度下推,前者是根据小尺度的信息推测大尺度信息,是信息聚合过程[ 2 ] ,后者是利用高分辨率下获得的信息和知识来推测粗分辨率变为高分辨率时的变化[ 3 - 4 ] , 是信息分解的过程。尺度上推的方法包括空间分析法(如分维分析法和小波分析法)、相似性的尺度上推方法、局域动态模型的尺度上推方法、随机(模型)法等[ 5 ] 。一般来讲,我们将尺度下推分为两类:经验统计方法和基于过程的方法[ 6 - 8 ] 。经验统计方法是利用观测到的不同尺度变量之间的关系,来预测最终尺度变量的值[ 9 ] 。基于过程的方法则是利用嵌套的拥有动力内核和物理过程的气候模式来提供不同尺度的信息[ 10 ] 。基于统计的尺度下推方法,是目前应用较多的方法[11 ] 。Wilby 根据气流指数与水文气象参数之间的经验关系, 在 GCM 的输出结果基础上对每日的降水、气温、相对湿度、云盖、太阳辐射、蒸发量和风速 7 个水文气象参数进行尺度下推[ 12 ] ,Widmann 利用互协方差矩阵的奇异值分解来统计描述区域降水和预测因子(如气温、相对湿度)之间的关联,对美国东北部的降水情况进行统计下推[ 13 ] 。基于过程的方法—动力降尺度法,是利用大尺度模型的边界条件进行模型的嵌套实现下推[ 14 - 15 ] , 如 Druyan , Oh 等人将区域气候模型 REGCM 嵌套于大尺度气候模型如 GCM 中推测区域气候信息[ 10 , 16 ] , Caldwell 利用 WRF (Weather Research Forecast