基于监测指数的贵州省4 月气温预测模型及检验

李忠燕 ,谭 文 ,段 莹 ,王 烁 ,严小冬

（1.贵州省气候中心，贵阳 550002；2.贵州省山地气候与资源重点实验室，贵阳 550002；3.贵州省生态气象和卫星遥感中心，贵阳 550002）

引言

气候异常往往与大气环流、海温异常有关[1−7]，因此在气候统计预报业务中通常会基于大气环流特征指数和海温指数建立统计预测模型[8−12]，甚至利用这些特征指数开展农业年景预测[13]或病虫害预测[14−15]。4 月是冬季风向夏季风的过渡时期，同时也是贵州省夏收作物和部分水果的关键生育期、春播作物移栽期、春茶采摘期等，若出现低温天气过程将会对农业生产造成严重的危害[16−18]。2020 年4 月贵州省发生了3 次降温天气过程，其中4 月18 日～4 月25 日的降温幅度最大，4 月23 日全省平均气温甚至降至9.8℃。此次低温过程造成部分水稻、高粱幼苗出现叶片枯黄或死苗，辣椒、烤烟幼苗生长受阻，春茶减产30%，对全省春季农业生产带来了严重影响，因此提高该时段气温的预测准确率对农业生产尤为重要。由于大气海洋等因子对气候预测对象有一定的指标意义且有线性关系，因此利用监测指数建立预测模型成为常见的预测方法。在贵州短期气候预测中虽也常用该方法，但对于不同统计预测模型间的对比分析及回算检验开展的工作较少，因此本文基于中国气象局国家气候中心的130 项大气、海温监测指数与同期贵州省4 月平均气温的相关分析建立不同的统计预测模型，并利用趋势异常综合评分（Ps）评估方法对预测模型回报结果进行检验，以探究气候预测业务中采用怎样的异常等级预测能够提高预测技巧，同时研究传统统计方法预测模型能否把握住4 月贵州省平均气温趋势，提高贵州省4 月气温的预测准确率。通过某月的统计预测模型构建不断完善月气候预测系统的功能模块，进而提高月预测准确率，为地方经济建设提供高质量气候预测服务。

1 资料与方法

研究资料包括：（1）1981～2020 年4 月贵州省各县站气温资料；（2）同期中国气象局国家气候中心的130 项监测指数（包括88 项大气环流指数、26 项海温指数以及16 项其它监测指数）。根据1981～2019 年气温与监测指数的相关系数分布及显著性检验建立贵州省4 月气温的固定监测指数、最优监测指数、逐步回归的统计预测模型，并利用国家气候中心趋势异常综合评分（Ps）对1981～2020 年预测模型回报结果进行检验。

在短期气候预测质量评估常规业务中，采用趋势异常综合评分（Ps）对预测质量进行评估，该方法主要用于评定预测异常等级与实况的接近程度。首先将气温距平的等级划分为6 级（表1），按照公式1 分别对预测的气候趋势（N0 ）、一级异常（N1）、二级异常（N2 ）以及漏报的超异常（M）（气温距平的绝对值≥3℃）的站数进行统计并计算Ps评 分。式中N为总站数，a、b、c为三类趋势异常的权重系数，分别为2、2、4。

表1 气温距平异常等级划分标准

在短期气候趋势预测业务工作中，为探究采用何种异常等级能取得更高评分，将异常等级设定为正常级（±0.8℃）、一级异常（±1.1℃）以及二级异常（±2.1℃）进行预测并计算其Ps评分。具体作法是计算1981～2019 年各站4 月平均气温与同期130 项监测指数的相关系数，按每站监测指数与4 月气温相关性最好的监测指数对1981～2019 年各站气温趋势进行三种等级的预测并计算其Ps评分。统计逐年4 月各站平均Ps评分（图1）可知，三种等级的预测变化趋势相差不大，但从近39 年平均值来看，一级异常（74.8 分）评分最高，二级异常（74.4 分）次之，而正常级（72.3 分）最低，一级异常相对正常级提高2.5 分。因此在短期气候趋势预测业务工作中，应按照一级异常进行预测。因此，后文中的不同统计预测模型均采用一级异常进行预测回报检验。

图1 1981～2019 年三种不同等级趋势预测评分

2 结果与分析

2.1 固定监测指数预测模型对比分析

根据1981～2019 年贵州省各县站4 月平均气温与同期130 项监测指数的相关系数绝对值大小进行排序，统计出在所有站点中前9 位出现次数最多的9 个监测指数（图2），这9 个监测指数即为影响贵州省4月平均气温的关键因子。按照1、3、5、7、9 个固定监测指数建立趋势预测模型（表2），即当相同的趋势预测的监测指数大于1、2、3、4、5 时按该趋势进行预测。统计不同方案的预测评分结果（表3）可知，5个固定监测指数预测模型方案的预测稳定性较差，均出现了预测Ps评分为0 的情况；其中方案一和方案二的预测结果相同，是5 个方案中预测质量最好的方案，其Ps评分等于100 和大于等于90 的年份最多，其中Ps评 分等于100 的年份共计出现7 年，而Ps评分等于0 和小于60 的年份最少，且近39a 的预测Ps评分平均分最高；方案四的预测质量最差，其Ps评分等于0、小于60 的年份最多，Ps评分大于90 的年份最少，且近39a 和2011 年以后的近9a 的预测Ps评分平均分最低。如图3 所示，5 个方案中除方案四外，近9a 的预测Ps评分均明显高于省级预报产品（85.3 分）和国家级指导预报产品（73.9 分）；2016～2019 年，省级和国家级指导产品预测质量较好，评分均稳定在90 以上。5 个方案的回报结果与之相比，5 个方案的4 年平均Ps评分高于省级指导产品，5 个方案中除方案一外，均略低于国家级指导产品（图略）。

表2 固定监测指数的预测模型

表3 不同预测模型方案的Ps 评分结果

图2 贵州省各县站4 月平均气温与9 个监测指数的相关系数分布（a.东大西洋遥相关型指数，b.北美区极涡面积指数，c.亚洲纬向环流指数，d.印度副高面积指数，e.全球综合角动量指数，f.黑潮区海温指数，g.斯堪的纳维亚遥相关型指数，h.北非副高强度指数，i.印度副高北界位置指数）

2.2 最优监测指数预测模型对比分析

同样根据2.1 节中计算的相关系数绝对值排序，统计出各站与气温的相关系数值最优的前9 个监测指数。按照1、3、5、7、9 个最优监测指数建立趋势预测，即当相同的趋势预测的监测指数大于1、2、3、4、5 时按该趋势进行预测。统计不同方案的预测评分结果（表4）可以看出，最优监测指数预测模型的预测稳定性明显好于固定监测指数预测模型，5 个方案在近39a 的回报结果中均没有出现Ps评分为0 的情况，近39a 的预测Ps评分平均分均在74 以上，明显高于固定监测指数预测模型；其中方案三、方案四是5个方案中预测质量相对较好的方案，两个方案Ps评分不低于70 的年份最多，均达28 年；方案三Ps评分低于60 的年份最少（6 年），方案四近39a 的预测Ps评分均值最高（78.6 分）。而方案一效果最差，其Ps评分低于60 的年份最多，Ps评分不低于70 的年份最少，近39a 和1981～2010 年的预测Ps评分相对最低。如图3所示，5 个方案中2011～2019 年的预测Ps评分均值均高于同期省级预报产品均值和2013～2019 年国家气候中心指导预报产品均值。与省级和国家级指导产品最稳定的4 年（2016～2019 年）相比，5 个方案的4 年平均Ps评分均高于省级指导产品，5 个方案中除方案二外，均高于国家级指导产品（图略）。

表4 最优监测指数预测模型方案的Ps 评分结果

2.3 逐步回归预测模型对比分析

鉴于最优指数预测模型的预测稳定性和预测质量均优于相对固定监测指数预测模型，且5 和7 个最优指数的预测效果最好，因此利用贵州省各站前5 个和7 个最优指数建立逐步回归预测模型。统计其预测评分结果（表5）可以看出，逐步回归预测模型的预测稳定较最优监测指数预测模型更好，2 个方案近39a 的回报结果中Ps评分低于60 的年份明显偏少，且最小值均在57 以上；其中5 个最优指数的逐步回归方案预测效果最好，该方案Ps评分不低于70 的年份最多，且近39a 的预测Ps评分平均值（83.4 分）、1981～2010 年平均值（80.7 分）以及2011～2019 年平均值（93.4 分）均大于方案二。如图3 所示，方案一中2011～2019 年预测评分平均值均高于同期省级预报产品均值和2013～2019 年国家气候中心指导预报产品均值；方案二的预测评分略低于省级预报产品，但高于国家气候中心指导预报产品。与省级和国家级指导产品最稳定的4 年（2016～2019 年）相比，逐步回归方案一的4 年平均Ps评分高于省级和国家级指导产品，逐步回归方案二的评分略低于省级和国家级指导产品（图略）。

表5 逐步回归预测模型方案的Ps 评分结果

图3 2011～2019 年4 月省级预测与国家级指导预测Ps 评分（粉色虚线表示省级9 年平均值；绿色虚线表示国家级7 年平均值；注：2011～2012 年国家级指导产品缺测）

2.4 2020 年4 月气温预测检验

2020 年4 月贵州省平均气温14.6℃，较常年同期偏低1.7℃（图4a），是1981 年以来历史同期第四低值，这一低温阴雨寡照天气过程给春季农业生产带来了明显影响。从各地的气温距平分布（图4b）来看，省内各地区偏低0.7（松桃）～3.8℃（盘州），其中除遵义市和铜仁市部分地区偏低0.7～1.0℃外，其余大部地区偏低1.0℃以上，西部和南部部分地区偏低2℃以上。2020 年3 月底，基于国内外各家模式产品和客观统计方法的预测结果指出，中高纬度以纬向环流为主，我国大部分地区受正高度距平控制，东亚槽偏弱，西太平洋副热带高压偏大偏强，贵州省除东北部和西南局部地区气温略偏低0.1～1.1℃外（图4c），其余大部地区偏高0.1～1.1℃。

图4 1981～2020 年贵州省4 月气温距平时间序列（a）、2020 年4 月贵州省气温距平空间分布（b）以及2020 年4 月趋势预测（c）

利用固定监测指数、最优监测指数以及逐步回归统计预测模型对2020 年4 月贵州省气温进行回报（表6），结果表明：固定监测指数中的5 个方案Ps评分均为0，该模型完全没有把握住2020 年4 月全省平均气温的一致偏低；最优监测指数预测模型对气温一致偏低把握较差，5 个方案中1 个最优指数模型Ps评分最高，但也只为33.3 分；逐步回归预测模型预测结果最好，其中以7 个最优指数建立的回归模型Ps评分最高，为66.7 分，较省级预报Ps评分提高14.1 分，相对国家指导预报提高66.7 分。

表6 不同预测模型对2020 年4 月气温回报的Ps 评分

3 结论

基于1981～2019 年4 月贵州省气温与同期130 项监测指数的相关分析建立了固定监测指数、最优监测指数、逐步回归的统计预测模型，并对1981～2020年预测模型回报结果进行检验，得到以下结论：

（1）在短期气候趋势预测业务工作中，按照一级或二级异常进行预测可较正常级平均提高2.5 分或2.1 分。

（2）固定监测指数、最优监测指数、逐步回归这三种统计预测模型中逐步回归的预测效果最好，其次是最优监测指数，而固定监测指数效果最差。其中5个最优指数的逐步回归方案预测效果最好，近39a 的Ps评分均值达83.4，2011～2019 年评分均值达93.4，与省级和国家级预测产品相比，统计预测模型在近9a的回报效果也表现出一定的优势。

（3）利用三种统计预测模型对2020 年4 月全省一致偏低的气温进行回报检验，结果表明逐步回归预测模型的预测效果最好，其中以7 个最优指数建立的回归模型Ps评 分最高，为66.7 分，较省级预报Ps评分提高14.1 分，相对国家指导预报提高66.7 分。