基于模式误差修正的安徽省沿江地区降水变化特征预估

康海迪, 程先富

(1.安徽师范大学 国土资源与旅游学院, 安徽 芜湖241003;2.安徽自然灾害过程与防控研究省级实验室, 安徽 芜湖 241003)

基于模式误差修正的安徽省沿江地区降水变化特征预估

康海迪1,2, 程先富1,2

(1.安徽师范大学 国土资源与旅游学院, 安徽 芜湖241003;2.安徽自然灾害过程与防控研究省级实验室, 安徽 芜湖 241003)

[目的] 模拟未来降水的变化特征，为安徽省沿江地区的农业生产及防洪减灾等提供理论依据。 [方法] 基于RCP4.5温室气体排放情景，应用MRI-CGCM3模式误差修正数据模拟安徽省沿江地区1960—2065年的降水变化。[结果] 误差修正模式数据对安徽省沿江地区降水变化特征模拟性能较好。未来不同时间段降水差异较大，春夏降水多，秋冬降水少。2036—2065年四季和年均日降水量的增加幅度大于2006—2035年，秋季差异最大。就数据波动幅度而言，不同时段夏季降水波动均较大，春季均较小。2006—2035年秋冬波动较小，2036—2065年秋冬波动偏大。从区域降水变化特征来看，2006—2065年安徽省沿江地区日降水量呈现由北向南逐渐增加的条带性地理特征和春夏降水多，秋冬降水少季节特征。较于2006—2035，2036—2065年区域的降水地理变化特征会更加明显而且季节性变化速率增加，降水距平地理变化条带性趋势及方向因季节而异。[结论] 安徽省沿江地区未来降水波动幅度变大，降雨量增加。

MRI-CGCM3模式; 优化模式; 降水变化; 地理特征

文献参数： 康海迪, 程先富.基于模式误差修正的安徽省沿江地区降水变化特征预估[J].水土保持通报，2017,37(1)：188-195.DOI:10.13961/j.cnki.stbctb.2017.01.034； Kang Haidi, Cheng Xianfu. Prediction of regional precipitation along Yangtze River in Anhui Province based on model error correction[J]. Bulletin of Soil and Water Conservation, 2017,37(1)：188-195.DOI:10.13961/j.cnki.stbctb.2017.01.034

近些年来，由于气候变化引起的极端气候事件数量在不断增加，强度在提高，发生的区域越来越多。中国众多专家和学者积极投身于这一气候研究当中，开展了大量气候变化预估工作[1-2]。王国庆等[3]利用在3种RCPs排放情景下的7个气候模式的资料，分析了未来30 a海河流域气候变化趋势，指出未来降水可能呈上升趋势。吴晶等[4]基于西北干旱区78个站点数据，评估CMIP5的39个模式对降水、平均温度模拟能力，得出中国西北干旱区年、季降水量模拟值与观测值的相关系数很差，均不到0.1。Xu等[5]和Sillmann等[6]利用多个模式对中国区域极端降水模拟能力进行评估，指出模式能较好的模拟出极端降水的空间分布及线性变化趋势。

目前，基于RCPs情景下(IPCC利用单位面积的辐射强迫强度来表示未来100 a稳定浓度的新情景，即RCPs情景)降水特征的研究相对较少，而且主要集中在全国尺度[7-12]，以及珠江流域[13]、淮河流域、长江中下游区域[14]等，而针对安徽省沿江地区的研究较少。为了避免模式数据的不稳定性和减小误差，过去大多采用多模式集合平均的方法。

在过去的几十年里，安徽省沿江地区气候已经发生明显变化，流域气温升高，降水增加，出现极端天气的次数增加，特别是2016年安徽省宣城市、芜湖市等沿江区域发生了洪涝灾害。基于IPCC5模型的安徽省沿江地区降水特征研究，将有助于专家、学者对该地区降水特征的理解和认识，帮助政府决策部门制定更加合理有效地相关管理措施。本文拟利用1960—2005年安徽省沿江地区县级降水资料对MRI-CGCM3模式在RCP 4.5情景下的模拟能力进行检验，再对模型模拟2006—2065年安徽省沿江地区的降水特征进行分析和预估，以期为安徽省沿江地区的农业生产及防洪减灾等提供理论依据。

1 研究区概况与研究方法

1.1 研究区概况

安徽省位于中国东南部，是一个襟江近海的内陆省份，属于暖温带和亚热带过渡区，南方温度高于北方，常年平均气温14～17 ℃。安徽省沿江地区地处长江流域中下游，包括合肥，芜湖，巢湖，滁州，宣城，马鞍山，铜陵，安庆，池州9个市以及六安的金安区和舒城县，共59个县(市、区)。该区域以丘陵地区为主，北部为暖温带半湿润季风气候，南部为亚热带湿润性季风气候，距海较近，受季风影响显著，气候温暖湿润，四季分明，梅雨显著，夏雨集中，秋高气爽，冷暖气团交会频繁，天气多变，加之水系发达，使安徽省沿江地区成为长江中下游地区洪涝灾害最频繁、最严重的地区之一。

1.2 数据来源

观测数据为1960—2005年县级逐日降水量数据。模式数据是MRI-CGCM3在RCP4.5情景下的历史时期(1960—2005年)和预估时期(2006—2065)的降水量模拟数据。数据分辨率为1.125°×1.125°,数据的时间跨度为1960—2065年。借鉴前人研究经验，以及检验模式对历史气候的模拟能力，本文中选定的历史验证时期为1960—2005年，模拟预估时段为2006—2065年。

1.3 研究方法

1.3.1 空间相关系数

标准差：D(x)=E〔x-E(x)〕2

(1)

式中:E(x)——图像像素的均值；D(x)——图像像素值的标准差。

协方差公式：

COV(x,y)=E{〔x-E(x)〕〔y-E(y)〕}

(2)

式中:COV(x,y)——待比较两幅图像的协方差；x,y——待比较的两幅图像的像素灰度值。

(3)

式中:R(x,y)——待比较两幅图像的空间相关系数。

1.3.2 相对误差 空间相关系数只能反映出两者之间的相似趋势变化，而不能反映模式模拟的准确度，相对误差反映的是模拟数据与观测数据之间的偏离程度，即数据结果的可信度。

(4)

式中:Xj，Yj——1960—2005年实测站点数据，模式数据或优化模式数据；δ——观测数据和模式数据之间的平均相对误差。

1.3.3 优化模式方法 由于MRI-CGCM3模式数据相对于实测站点数据系统性偏低，本文在参考大量气候领域和其他领域论文的误差改进方法的基础上，以相对误差为基础，进行模式数据的系统偏差校正的同时减小误差率,这有助于消除误差异常区域，减少数据异常波动产生的频率。

(5)

若λ≥90%，

Oj=(1+δ)Yj
(单位为mm/d,j=1,2，…，46)

(6)

若λ≤10%

Oj=(1-δ)Yj(单位为mm/d,j=1,2，…，46)

(7)

若90%<λ<10%，则需更换优化方法。

式中:u——实测站点数据与模式数据误差的正负号数；λ——正负号占总体数量的比例;Yj——降水量;Oj——优化后的1960—2005年MRI-CGCM3模式数据，此后简称修正数据。

由于本文选用模式数据系统性偏低，并且符合λ≥90%的要求，所以采用(6)式。

1.3.4 降水距平百分率 降水距平百分率反映的是该数据精密度，数据偏离数据中心的程度。

(8)

由于国际上关于气候变化分析一贯的做法是取30 a的统计数据作为分析的对比数据，所以选择Z(i),i=1,2，…，30代表1976,1977，…，2005年的观测的降水资料，Z是1976—2005年的实际降水的平均值(mm/d)。

Mj=Oj-Z

(9)

(10)

式中：Oj——1960—2005年的模式数据或修正数据；Mj——1960—2005年降水距平；Q——1960—2005年降水距平百分率； (j=1,2，…，46)。

2 结果与分析

2.1 模式验证

2.1.1 年季日降水量的时间序列验证 如图1所示，安徽省沿江地区模式数据的年均日降水量比实际数据明显偏低，平均小0.7 mm。

模式数据和实际数据均没有明显的上升和下降趋势，模式数据较好的模拟出实测数据时间趋势变化特征。

图1 1960—2005年研究区实际、模式、 修正数据年均日降水量

针对模式年平均日降水量数据系统性偏低这一问题，本文采用相对误差修正的方法进行模式数据修正，修正数据不仅保留了模式数据时间趋势变化特征，而且更加接近实测年均日降水量，两者相差0.08 mm，故消除了系统性偏低的这一问题。修正数据年均日降水量与实测数据的相对误差由修正前的16%，下降为8%，模式模拟效果得到了很大的提高。

1960—2005年降水季节性特征明显,模式数据对四季的实测数据时间趋势变化特征模拟能力较好，但夏季与年均日降水量出现了类似的系统性偏低的现象。修正数据将系统性偏差由2.4 mm减小为0.9 mm。修正数据对四季降水的时间趋势模拟能力与模式数据相同，能够较好的反映实测数据的变化特征。

总体来说，修正数据不仅保留了模式数据的变化特征，而且能够有效的减小模式数据的系统性偏差。所以，本文采用修正数据代替模式数据进行分析。

除异常值外，春、夏、秋、冬日降水量的修正数据和实测数据的分别为:2～5.8，3～8，0.5～3.6，0.5～2.5 mm。由此可见，修正数据的季节特征明显，春夏降水多，秋冬降水少。

2.1.2 年季日降水量的空间分布验证 如图2所示，由安徽省沿江地区1960—2000年年均日降水量模式数据相对误差分布图可以看出，除岳西县外，其他区域相对误差均低于20%，介于10%～20%的区域大于1/2，而修正数据的相对误差明显得到改善，大部分区域相对误差均低于10%。模式数据相对误差存在偏大区域，修正数据消除了误差异常区域，区域平均相对误差减少了4%。

图2 1960—2000年研究区年均日降水量模式数据、修正数据相对误差分布

利用1960—2000年改进指标修正2000—2005年模式数据，得到2000—2005年修正数据。如图3所示，2000—2005年模式数据的相对误差大部分区域位于10%～25%，其中北部的滁州市所辖区域相对误差大于20%。2000—2005年修正数据相对误差低于10%的区域约占3/5，区域平均相对误差为8.4%，而模式数据为15.2%，优化后相对误差减小了7%。在2000—2005年这一验证改进指标时段，利用修正数据不仅使相对误差减少，而且消除了异常

区域，区域所有相对误差均低于18%，这与1960—2000年改进指标训练阶段优化效果一致。

由表1可知，1960—2005年修正数据的相对误差均有所减小，其中夏季减小最明显为24.65%。2000—2005年四季优化降水数据，除秋季与模式数据相对误差接近外，其他季节均有明显的减小，其中夏季减小最大为21.4%。部分季节和时间段的模式数据的相对误差大于20%，而修正数据的相对误差大多在15%以下，以修正数据预测未来降水可信度较高。

图3 2000—2005年研究区年均日降水量模式数据及修正数据相对误差分布

表1 模式及修正研究区1960—2005年平均日降水量与实测数据相对误差 %

根据表2，以年均日降水量空间分布的相似性为例，模式数据、修正数据与实测数据空间相关系数为0.94，模拟、修正数据的空间分布与实测数据紧密相关。修正数据降低了相对误差，减少了误差异常区域，而且未改变数据时间趋势特征，故四季、年均日降水量的模式数据、修正数据与实测数据空间相关系数相同。四季日均降水量除夏季外，其他季节的空间相关性呈现出强相关特征，均大于0.94，其中春季最高可达0.99。

表2 研究区模拟、实测、修正1960—2005年平均日降水量空间分布比较

1960—2005年实测数据年均日降水量为2.5～3 mm，分布于研究区北部,1/6的南部区域为4～4.4 mm，中间区域介于3～4 mm，呈现由北向南逐渐增加的条带性日均降水量分布特征，修正数据很好的模拟出实测数据日降水量的这种地理特征，同时使日降水量低值区域面积减小，高值区域面积增加，条带方向性更加接近实测数据。除了春季外，其他季节修正数据与实测数据差异均低于模式数据与实测数据均值差异，其中修正数据将夏季均值差异由2.42 mm减小为1.03 mm。

总体来说，修正数据能够有效减小模式数据空间分布的系统偏差和相对误差，使异常误差区域出现频率减小，从而有助于降低模式数据的不确定性，而且修正数据能够保留模式数据的时间趋势特征，所以修正数据代替模式数据更加准确预测未来降水的空间分布特征和时间趋势特征。

2.2 安徽省沿江地区降水变化预估

2.2.1 安徽省沿江地区年季降水时间序列变化预估 在RCP4.5排放情景下(图4)，2006—2065年修正数据年均日降水量年际间波动较大，呈现微弱的增长趋势，日降水量增长速度为0.043 mm/10 a。

图4 安徽省沿江地区2006—2065年均日降水量

从表3可知2036—2065年较于2006—2035年，除了春季日降水量无明显变化外，其他季节均呈现增长的趋势。秋季增长最大为0.3 mm，夏季和冬季增长了0.13 mm，年均日降水量增加0.12 mm。

表3 研究区2006—2065年各季日降水量

较于基准期(1976—2005年)，21世纪初期年降水距平减小，说明此阶段年均日降水量呈减小趋势，而在2016年出现降水极高值，2016年安徽省沿江地区爆发洪涝灾害使修正数据的得到了验证(图5)。2006—2065年年降水距平百分率相对于基准期呈现较大的波动性，但总体呈现增长趋势，增长速度为1.55 mm/10 a。随着时间推移，降水波动性则越大，旱涝急转的现象可能会增加。2006—2035年，年均日降水量极高值和年降水距平百分率均在2026年出现极高值，而2036—2065年，极高值则为2058年。这意味着21世纪20年代后期、50年代后期的出现偏涝现象的频率可能会增加，但降水较多的前后年份一般降水明显低于平均水平，所以发生洪涝灾害的前后年份可能会较旱。2010年前后、30年代前期降水距平低于平均水平，这一时期以偏旱现象为主。

由表4可知，2006—2035,2036—2065年春季日降水距平均为负值，其他季节偏大，其中夏季最大，易发生洪涝灾害，春季变化特征不明显。较于2006—2035，2036—2065年春季日降水减少趋势变弱，其他季节增加幅度变大，秋季增加最大为13.47%，年均增加为4.47%，2006—2035年呈现的趋湿特征，2036—2065年趋湿特征更加明显。

图5 安徽省沿江地区2006—2065年年降水距平百分率

安徽省沿江地区日降水量自身有明显的波动，较于基准期也有较大的波动特征。总体来说，2006—2065年日降水量呈增加趋势，且随着时间推移，趋湿特征更加明显，偏涝和旱涝急转现象也会增加。

表4 2006—2065年年季降水距平百分率

2.2.2 安徽省沿江地区降水空间分布预估 2006—2065年，安徽省沿江地区降水自北向南呈条带性递增。这种地理分布特征受季节影响，但也表现出局部差异。春季降水最大值区域位于宿松县、东至县等研究区最南部，其他季节的日降水量最大值则在东南部的宣城市所辖区域内，这可能与东南部靠近黄山市有关，黄山市四季都是安徽省降水的最大值中心。

四季日降水量最小值位于北部滁州市所辖区域，长江沿岸是降水中值区域。此外，安徽省沿江地区日降水量的多寡也与季节相关，春夏降水多，秋冬降水少。春季、夏季日降水量分别约4，4.9 mm，秋冬日降水量分别约2.2，1.5 mm。

图6 2006—2035年研究区相对于1976—2005年降水距平空间分布

由图6可知，安徽省沿江区域2006—2035年的降水距平表现出一定的季节和区域变化特征，相较于基准期，春季降水距平减小0.24 mm，增加最多的夏季为1.4 mm。秋、冬两季日降水距平和年均日降水距平在整个研究区变化不大，除极少区域外，年均减少0.2～0.36 mm,秋季增加0～0.2 mm，冬季在0左右附近有微弱的波动。夏季日降水量区域变化特征丰富，日降水量增4.87 mm,由西北向东南降水距平增加幅度逐渐明显，降水距平增加最多东南部约为1.7 mm，马鞍山、池州、芜湖次之，夏季东南部日降水量增加约为1.5 mm，这意味这一时段夏季，特别是东南部出现涝灾可能性较大。

由图7可知，2036—2065年秋季、年均日降水量分别为2.37，3.18 mm,两者距平相近，距平值为0.24～0.56 mm，并呈现由西北向东南逐渐增加的特征。春季、夏季日降水量为4，5 mm，相对于1976—2005年，安徽省沿江地区春季降水距平减少0.16～0.51 mm，夏季增加为1.16～1.92 mm/d。冬季日降水量为1.55 mm，长江沿岸北部大于1/2的区域的降水距平在0左右波动，长江沿岸南部降水距平在0.2～0.42 mm，冬季日降水量总体呈微弱的增加趋势。与研究区冬季日降水量相比，绩溪县最南端的极小地区增加较明显，这可能与绩溪县临界的南部区域降水增加偏多有关。

降水不仅地理性变化特征明显，而且季节性变化也大于2006—2035年。在四季中，除春季与2006—2035年相近外，其他季节性的降水变化相对较大，秋季降水距平比2006—2035年大0.3 mm，夏季、冬季均大0.13 mm，这意味着研究区2036—2065年会呈更加趋湿倾向。

图7 研究区2036—2065年相对于1976—2005年降水距平空间分布

总体来说，多年平均降水空间分布的模拟结果表明，安徽省沿江地区日降水量具有明显的由北向南逐渐增加条带性地理特征和春夏降水多，秋冬降水少季节特征。2036—2065年相比于2006—2035年，区域的降水地理变化特征会更加明显而且季节性变化速率增加，夏季日降水量变化最大，冬季日降水量变化最小，降水距平地理变化条带性趋势及方向因季节而异。

3 结果与讨论

(1) 在RCP4.5情景下，应用修正数据对于安徽省沿江地区日降水进行了效果检验，检验结果表明该修正数据对降水的预估有一定的可靠性。

(2) 从时间序列来看，较于2006—2035，2036—2065年降水呈现更明显的趋湿化特征，波动性也是相对较大。较于基准期，2006—2065年夏季降水波动幅度大于40%,这意味着未来阶段夏季更易出现洪涝灾害。除春季降水距平均较小外，2036—2065年秋冬季节降水距平明显大于2006—2035年，这一阶段秋冬季节出现降水异常现象可能多于2006—2035年。

(3) 从区域降水变化特征来看，安徽省沿江地区日降水量具有明显的由北向南逐渐增加条带性地理特征和春夏降水多，秋冬降水少季节特征。较于2006—2035，2036—2065年区域的降水地理变化特征会更加明显而且季节性变化速率增加。2006—2065年降水距平地理变化条带性趋势及方向因季节而异。夏季降水变化最快，2006—2035年，研究区东南部以及2036—2065年中东部都是发生洪涝灾害频率较大的重点区域。新一代的CMIP5模式较于CMIP4及更早的气候模式有了较大的发展和进步，模拟能力也有了进一步的提高，但也存在着一些现在还没有解决的问题。虽然MRI-CGCM3对于降水空间分布的模拟与实际数据之间的空间相关系数较高，但存在着系统误差，这将增加未来降水预估的不确定性。考虑到模式的可靠性和排放情景的合理性，本文对MRI-CGCM3模式进行相对误差的修正，以实测站点数据对修正数据进行验证，不仅保留空间相关系数较高的优点，而且明显的减小了相对误差，提高了降水预测研究的可信度。今后仍需要开展更多误差修正工作和多模式单独模拟与集成模拟的分析工作，以进一步减少模拟结果的误差和不确定性。

致谢：感谢中山大学肖明忠博士提供的气候情景数据，感谢国家气候中心高学杰老师、CMIP耦合模式比较工程的Torsten Rathmann给予的帮助。

[1] 姜彤,苏布达,王艳君,等.四十年来长江流域气温、降水与径流变化趋势[J].气候变化研究进展,2005,1(2):65-68.

[2] 富元海. CMIP3模式预估的21世纪东亚夏季降水年际变率变化过程[J].中国科学:地球科学,2012,42(12):1937-1950.

[3] 王国庆,张建云,李岩,等.海河流域基于多模式的未来气候变化趋势[J].资源科学,2014,36(5)：1043-1050.

[4] 吴晶,罗毅,李佳,等. CMIP5模式对中国西北干旱区模拟能力评价[J].干旱区地理,2014,37(3):499-508.

[5] Xu Ying, Xu Chonghai, Gao Xuejie, et al. Projected changes in temperature and precipitation extremes over the Yangtze River basin of China in the 21st century[J]. Quaternary International, 2009,208(1):44-52.

[6] Sillmann J, Kharin V V, Zhang X, ex al. Climate extremes indices in the CMIP5 multi-model ensemble(Part1): Model evaluation in the present climate[J]. Journal of Geophysical Research:Atmospheres,2013,118(4)：1-18.

[7] 姜大膀, 富元海. 2 ℃ 全球变暖背景下中国未来气候变化预估[J]. 大气科学,2012,36(2):234-246.

[8] 江志红,陈威霖,宋洁,等.7个IPCC AR4模式对中国地区极端降水指数模拟能力的评估及其未来情景预估[J].大气科学,2009,33(1):109-120.

[9] 陈晓晨,徐影,许崇海,等. CMIP5全球气候模式对中国地区降水模拟能力的评估[J].气候变化研究进展,2014,10(3):217-225.

[10] Xie Pingping, Chen Mingyue, Yang Song, et al. A gauge-based analysis of daily precipitation over East Asia[J]. Journal of Hydrometeorology, 2007,8(3):607-626.

[11] Xu Ying, Xu Chonghai. Preliminary assessment of simulations of climate changes over China by CMIP5 multi-models[J]. Atmospheric and Oceanic Science Letters, 2012,5(6):489-494.

[12] 陈活泼. CMIP5模式对21世纪末中国极端降水事件变化的预估[J].科学通报,2013,58(8):743-752.

[13] 彭俊台,张强,陈晓宏,等.珠江流域极端降雨时空演变特征分析[J].灾害学,2011,26(4):24-28.

[14] 韩乐琼,韩哲,李双林.不同代表性浓度路径(RCPs)下21世纪长江中下游强降水预估[J].大气科学学报,2014,37(5):529-540.

Prediction of Regional Precipitation Along Yangtze River in Anhui Province Based on Model Error Correction

KANG Haidi1,2, CHENG Xianfu1,2

(1.CollegeofTerritorialResourcesandTourism,AnhuiNormalUniversity,Wuhu,Anhui241003,China; 2.AnhuiKeyLaboratoryofNaturalDisasterProcessandPrevention,Wuhu,Anhui241003,China)

[Objective] The objective of this paper is to simulate the characteristics of precipitation in the future, in order to provide a theoretical basis for agricultural production and flood control and disaster mitigation in the region along the Yangtze River in Anhui Province. [Methods] Based on scenario of RCP4.5 greenhouse gas emissions, regional precipitation along the Yangtze River in Anhui Province during 1960—2065 was simulated using the MRI-CGCM3 model error correction data. [Results] The error correction model data can well simulate the variation characteristics of precipitation along the Yangtze River in Anhui Province. There were big differences in precipitation in different periods of the future, and more precipitation in spring and summer, less precipitation in autumn and winter. The increase of daily precipitation in the four seasons and the average annual precipitation of 2036—2065 was higher than that in 2006—2035, and the biggest difference in autumn. In terms of the data fluctuations, the precipitation fluctuations in different periods were larger in summer, smaller in the spring. The smaller fluctuations occur in autumn and winter of 2006—2035, and higher fluctuations in autumn and winter in 2036—2065. As for regional precipitation variation characteristics, the daily precipitation increases gradually from north to south with the seasonal characteristics of more precipitation in autumn and winter than that in spring and summer in Anhui Province along the Yangtze River in 2006—2065. Compared to 2006—2035, the geographical features of the regional precipitation change in 2036—2065 were more obvious and the seasonal variation rate increased. The geographical change strip trends and direction of precipitation anomaly varies by seasons. [Conclusion] The regional future precipitation increases but with higher variability along the Yangtze River in Anhui Province.

MRI-CGCM3 model; optimization model; precipitation change; geographical characteristics

2016-06-01

2016-07-25

国家自然科学基金项目“流域尺度洪涝灾害风险评估方法研究:以巢湖流域为例”(41271516); 安徽师范大学研究生科研创新项目(2016yks068); 安徽师范大学研究生科研创新项目(2015cxsj163)

康海迪(1988—),女(汉族),安徽省亳州市人,硕士研究生,主要研究方向为洪涝灾害脆弱性动态评估。E-mail:1558729138@qq.com。

程先富(1967—),男(汉族),安徽省合肥市人,教授,博士生导师,主要从事区域环境与自然灾害方面的研究。E-mail:Xianfucheng@sina.com。

B

1000-288X(2017)01-0188-08

P954