逐日降水量统计降尺度的混合模型外文翻译资料

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

逐日降水量统计降尺度的混合模型

摘要

RF在分类上的鲁棒性和高度适应非线性数据的SVM的优越性被用来发展对逐日降水统计降尺度的一种混合模型。RF被用来预测降水是否会在这一天发生，SVM被用来预测雨天中的降水量。被提出的混合模型的能力可以通过对马来西亚半岛东岸三个雨量位置的逐日降水进行降尺度来验证。得到的结果显示混合模型可以对降水量进行降尺度的Nash-Sutcliff效率在0.90-0.93范围之内，比起RF和SVM降尺度模型的效率更高。混合模型也能重现连续雨天的易变性、天数、每个月里百分之九十五的降水量以及实测降水的分布。

1、引言

气候变化的弱点评估和适应性规划需要局地或区域尺度上的气候变化预测信息。被广泛用于气候预测的大气环流模型的分辨率是相当粗糙的，因此它们不能用于局地或区域尺度上的气候变化影响评估。气候降尺度技术被用来解决这个问题，主要是通过将粗分辨率大气环流模型降尺度到更高的分辨率[1]。两种主要的降尺度方法，即动力降尺度法和统计降尺度法被普遍地使用。然而，基于一些已建立的大尺度大气变量和局地大气变量的统计学关系的统计降尺度法被更普遍地使用。因为它们计算上更加简单并且能达到动力降尺度法的效果[2-4]。

统计降尺度法的成功在很大程度上取决于所使用的降尺度模型的类型。各种各样的统计方法已经被用于统计降尺度模型的发展，其中包括多元线性回归[2]，主成分分析[3-4]和复杂的数据挖掘方法比如人工神经网络[5-7]，支持向量机[8-10]，随机森林[11-12]，等等。其中SVM和RF在机器学习中是相对较新的发展，并且可有效地用于回归或分类问题。随机森林（RF）已经越来越受欢迎，因为它能够有效地分类噪声数据[13]。另一方面，SVM考虑了基于内核的人工神经网络去克服传统的人工神经网络的缺点，因此能够建立高度非线性变量之间的关系[8]。最近这些年，RF和SVM已经被广泛用于气候降尺度[11-17]。

一种由RF和SVM组合的新的方法已经被提出用来做逐日降水的统计降尺度。RF在分类上的鲁棒性被用来预测降水是否会在某一天发生。另一方面，SVM的高度适应非线性数据的能力被用来预测通过RF模型预测出的雨天的降水量。预计两种数据驱动模型的良好的分类或回归能力的组合将会提高降尺度模型的能力。

2、数据和方法

2.1数据以及数据来源

马来西亚半岛东岸的Besut, Dungun 和 Kemaman这三个测站的雨量资料被用来证明提出的混合降尺度模型的能力。三个测站的1961-2000年的逐日雨量资料来自于马来西亚水利部。降尺度模型的预测值来自于国家环境中心的再分析数据资料。通常被用来作为GCM变量的实测值的代替的26个大尺度大气再分析NCEP变量从加拿大气候变化情景网络上获得。许多质量控制检查被实施去评价降水时间序列的均匀性。作出数据直方图去显示整个数据集中的问题并且用t检验来测试数据集两段之间的方法区别从而确保数据的均匀性。据发现在三个测站的降水时间序列是均匀的。

2.2方法

建立降尺度模型的步骤如下所述：

1.预测集从来自于多重网格点的NCEP变量中选出，使用逐步回归方法预测降水发生的可能性和雨天的降水量。

2.建立RF模型用于预测一天内降水的发生率。

3.最小二乘SVM模型被建立用于预测被RF模型预测的雨天里的降水量。

4.两种模型的输出被整合从而得到降尺度日降水量时间序列。

关于RF和SVM的细节可以分别被发现在Breiman [18] and Vapnik 和 Vapnik [19]中。在本研究中，1961-1990期间的RF和SVM模型被校准，1991-2001的实测降水量被用于验证。这种导致马来西亚异常降水模式的区域大气环流模式在每个代表42个NCEP网格点的预测成员空间域的选择中被考虑。在预测降水发生率和降水量的逐步回归模型中，在研究区域中的42个NCEP网格点上的26个NCEP变量被作为独立的变量，从而选择两个最终的预测集。在调查区域内，降水量有很大的季节性变化。降水量上的这些变化对降尺度的结果有很大的影响。为了解决上述问题，每月的降水被分别的降尺度，然后再被组合从而产生降水时间序列。

3、结果

通过比较时间序列，在校准和验证期间的实测降水和降尺度降水的概率密度函数以及重现标准偏差的能力、连续湿天的天数和每月实测雨量的百分之九十五的降雨量来分析降尺度模型的性能，以位于Basut测站的雨量计上获得的结果作为一个例子。

从RF、SVM以及混合模型中得到的逐日实测和降尺度降水量被转换为逐月时间序列并且被呈现在图1中用于对比。这张图显示了模型校准与验证期间的时间序列数据。逐月时间序列图的检查显示了所有的模型都能够可靠地重现实测降水时间序列。甚至在模型校准与检验期间所有的模型都能够重建雨峰。然而，混合模型比起RF和SVM模型能够更准确地重现实测降水，包括极端降水值。

在模型校准和验证期间，降尺度模型的性能也可以被分析通过使用标准降尺度方法，比如百分比偏差，均方根误差，Nash-Sutcliff效率。在三个测站的雨量计中获得的结果被呈现在表1中。这个表显示了在模型校准与检验期间混合模型就所有统计来看相比于RF和SVM模型性能更好。在模型验证期间NSE值大于0.9，表明混合模型在模拟降水上优良的性能。然而，在模型验证期间，RF和SVM模型的NSE分别在0.85-0.89和0.83-0.88范围内。混合模型的RMSE和PBIAS相比于RF和SVM模型更小。

实测降水量和降尺度降水量来自于1961-2000这40年的年平均降水量，去展示实测和降尺度降水量的可能性。出于这个目的，可以从每一年的逐日降水量估计。Besut 测站的实测和降尺度年降水量的概率密度函数被使用Weibull概率标绘法绘制在图2中用于对比。

对比发现，不同模型得出的降尺度降水量的概率密度函数类似于实测降水量的概率密度函数。这个表明了所有降尺度模型有重现相似的降水量均值、方差、分布的能力。然而，使用混合模型降尺度降水的概率密度函数更接近实测降水的概率密度函数。混合模型降尺度的降水量和实测降水量的概率密度函数的峰谷很是接近。这个表明混合模型更能确定地模拟年降水量的分布。

混合模型的性能可以通过显示它重现季节性降水的方差，连续湿天的数量以及每个月百分之九十五的降水量而被进一步地分析。在Besut 测站模型验证期间获得的结果如图3所示。结果显示混合模型能够准确地重现逐月实测降水的标准偏差（图3（a））。从一个月内连续湿天的数量天数来看，混合模型能够轻微地预测东北季风盛行月里的连续湿天的天数。然而，它能够准确地模拟其它月份里连续湿天的天数（图3（b））。这表明RF作为强大分类器的能力。图3（c）显示每个月实测和混合模型降尺度降水的百分之九十五的降水量。图中两条线几乎重合意味着混合模型对百分之九十五降水量近乎准确地模拟。这表明SVM优越的回归能力。

Figure 3: Performance of hybrid model in replicating (a) standard deviation; (b) consecutive wet days; and (c) 95-percentile rainfall amount for each month during model validation at Besut

4、结论

RF和SVM组合成的混合模型的性能在这篇文章中已经被分析。结果清晰地显示混合模型相对于RF模型和SVM模型的优越性。混合模型的优点是它包括了RF模型在分类能力上和SVM在回归上的优越性。预计这种具有更好性能的混合模型将更确定地对降水进行降尺度。在将来，混合模型的性能可以更严格地被测试从而去分析降尺度降水的不确定性。而且这个模型可以在降尺度其它气候区降水中被测试，尤其是在一些降水非常稀少和不稳定的的区域。

致谢

作者们非常感谢马来西亚工艺大学为这篇研究提供资金支持！

参考文献

• 1. S. A. Solman, Regional climate modeling over South America: a review, Advances in Meteorolog ( 2013) 1-13.

1. K. Ahmed, S. Shahid, S. Harun, Statistical Downscaling of Rainfall in an Arid Coastal Region: A Radial Basis Function Neural Network Approach. In Applied Mechanics and Materials 735(2015) 190-194.
2. J. L. Chu, H. Kang, C. Y. Tam, C. K. Park, C. T. Chen, Seasonal forecast for local precipitation over northern Taiwan using statistical downscaling. Journal of Geophysical Research: Atmospheres (1984–2012) (2008) 113(D12).
3. L. Menzel, G. Buuml;rger, Climate change scenarios and runoff response in the Mulde catchment (Southern Elbe, Germany). Journal of hydrology 267(1) (2002) 53-64.
4. B. Hewitson, R. Crane, Climate downscaling: techniques and application. Climate Research 7 (2) (1996) 85–95.
5. J. Olsson, , C. B. Uvo, K. Jinno, Statistical atmospheric downscaling of short-term extreme rainfall by neural networks. Physics and Chemistry of the Earth, Part B: Hydrology. Oceans and Atmosphere 26(9)(2001) 695-700.
6. Y. B. Dibike, P. Coulibaly, Temporal neural networks for downscaling climate variability and extremes. Neural Networks 19(2)(2006) 135-144.
7. S. Tripathi, V. V. Srinivas, R. S. Nanjundiah, Downscaling of precipitation for climate change scenarios: a support vector machine approach. Journal of Hydrology 330(3) (2006) 621-640.
8. A. Anandhi, V. V. Srinivas, R. S. Nanjundiah, D. Nagesh Kumar, Downscaling precipitation to river basin in India for IPCC SRES scenarios using support vector machine. International Journal of Climatology 28(3) (2008) 401-420.
9. S. T. Chen, P. S. Yu, Y. H. Tang, Statistical downscaling of daily precipitation using support vector machines and multivariate analysis. Journal of Hydrology 385(1) (2010) 13-22.
10. Y. Shi, L. Song, Spatial Downscaling of Monthly TRMM Precipitation Based on EVI and Other Geospatial Variables Over the Tibetan Plateau From 2001 to 2012. Mountain Research and Development 35(2) (2015)180-194.
11. W. Shi, N. Schaller, D. MacLeod, T. N. Palmer, A. Weisheimer, Impact of hindcast length on estimates of seasonal climate predictability.Geophysical research letters 42(5) (2015) 1554-1559.
12. G. Ibarra Berastegui, J. Saacute;enz Ag

    剩余内容已隐藏，支付完成后下载完整资料

    ---

    资料编号：[25802]，资料为PDF文档或Word文档，PDF文档可免费转换为Word