【内容介绍】

       本研究基于年际增量预测方法建立了中国东北冬季气温的动力与统计相结合的降尺度预测模型。根据东北冬季气温的气候变化规律及其影响过程，选取了CFSv2模式预测的同期因子海平面气压场（SLP），前期8月观测的海表面气温（SST）和11月的海冰密集度（SIC）。本文建立了四种降尺度预测方案：SLP方案，SST方案，SIC方案以及包含三个因子的混合降尺度方案（HD方案）。通过检验空间距平相关系数，时间距平相关系数以及均方根误差降低百分率（降尺度方案的均方根误差相对于CFSv2模式结果均方根误差的降低百分率），四种降尺度预测方案均能提高中国东北冬季气温的预测水平，尤其是HD方案。经过HD方案的改进，预测的中国东北冬季气温33年平均的空间距平相关系数由CFSv2模式的-0.017提升到0.30，通过了99%显著性检验。且四个方案的均方根误差降低百分率均降低了超过30%。此外，HD方案能也很好地再现2013年中国东北冬季气温的空间分布情况。

【引用格式】

Dai, H., Fan, K. and Tian, B. (2017), A hybrid downscaling model for winter temperature over northeast China. Int. J. Climatol. doi:10.1002/joc.5376.

【全文链接】

http://onlinelibrary.wiley.com/doi/10.1002/joc.5376/epdf

【关键图表】





图1：1984-2016年冬季东北气温 (a, d ) SLP-方案，( b, e ) SST-方案，( c, f ) SIC-方案降尺度结果与观测的时间距平相关系数 ( a - c ) 及其相对CFSv2模式原始结果的均方根误差降低百分率 ( d – f ) 的空间分布态。填色部分由浅至深粉便表示90%，95%及99%的信度水平。

图2：1984-2016年冬季东北观测气温与CFSv2模式原始结果 (a) 及多因子方案降尺度结果 (b) 间的时间距平相关系数的空间分布态。(c) 为空间距平相关系数的时间序列，黑色线为90%置信水平。(d) 为降尺度结果相对CFSv2模式原始结果的均方根误差降低百分率。

图3：2013年冬季东北 (a) 观测，(b) CFSv2模式原始结果，(c) 降尺度结果的气温距平（单位：°C），(d) 为降尺度方案的均方根误差。