一种考虑逐日数据波动特征的GCM校正方法

摘要

本发明公开了一种考虑逐日数据波动特征的GCM校正方法，以月为计算单元，提取某一种气象因子的历史时期逐日实测数据和同历史时期GCM逐日数据以及待矫正的未来时期GCM逐日数据，计算历史实测数据和历史GCM数据多年月均值，构建均值矫正因子，从而对未来气象数据进行逐日均值矫正，并构建方差矫正因子，对均值矫正后的未来气象数据进行方差矫正，以矫正后的方差为约束条件，得到一个新的未来GCM气象序列。本发明考虑了未来GCM数据的分布特征和实测数据的分布特征一致性，对未来GCM数据进行偏差矫正，从而使得采用GCM数据的模型模拟的结果更趋于准确。

说明书

技术领域

本发明涉及一种考虑逐日数据波动特征的GCM校正方法，属于气候分析统计技术领域。

技术背景

全球气候模式是评估气候变化对人类社会及自然系统影响的重要数据基础。然而，大气环流模式(GCM)普遍分辨率较低，且存在着区域系统性误差。因此，需根据气象站点实测数据对气候模式数据进行降尺度，以实现大气环流模式数据与气象站点数据的尺度匹配。然而，传统的降尺度或偏差校正方法仅从月均值的角度来进行气候模式数据的校正处理，没有对逐日数据的准确性进行分析判断。事实上，在很多研究领域，如农业生长耗水模拟、水文循环模拟领域，逐日数据的准确性将直接关系到研究结果的有效性，因此需对气候模式数据进行逐日校正。

偏差校正的基本思想是通过某种转换函数使得GCM历史时期的气象要素尽可能地接近于实测气象序列，然后将这种转换函数应用至未来气候模式数据，以获得更加可靠的未来气象序列。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种考虑逐日数据波动特征的GCM校正方法，以月为计算单元，以多年月均值和多年月均方差为约束条件，重新构造气象序列，使得重新构造后的气象序列不仅在均值上得到校正，同时使得逐日数据在更加合理的范围内波动。

为解决上述技术问题，本发明提供一种考虑逐日数据波动特征的GCM校正方法，包括以下步骤：

1)提取某一种气象因子的历史时期逐日实测数据和同历史时期GCM逐日数据以及待矫正的未来时期GCM逐日数据；

2)计算所述气象因子历史逐日实测数据和历史GCM逐日数据各月均值，并计算二者多年月均值；

3)基于历史逐日实测数据多年月均值与历史GCM逐日数据多年月均值，构建均值校正因子；

4)待矫正的未来GCM逐日数据分别乘以所述均值校正因子得到均值校正后的气象序列；

5)基于所述步骤1)提取的气象因子的原始数据，分别计算该气象因子历史逐日实测数据和历史GCM逐日数据各月方差，并计算多年月方差均值；

6)构建方差校正因子；

7)构建逐日气象因子转换函数。

前述的步骤2)中，气象因子历史逐日实测数据多年月均值的计算式如下：

其中，M_o,i为历史逐日实测数据的第i月多年均值，i＝1,2,3…12；X_o,i,k,j历史时期第i月第k年第j天实测值，k＝1,2,3…s，j＝1,2,3…,n，n＝28/29/30/31，具体n的值以该月的实际天数为准，s为年数；

所述历史GCM逐日数据多年月均值的计算式如下：

其中，M_m,i为历史GCM逐日数据的第i月多年均值，i＝1,2,3…12；X_m,i,k,j历史时期第i月第k年第j天GCM值，k＝1,2,3…s；j＝1,2,3…,n，n＝28/29/30/31，具体n的值以该月的实际天数为准，s为年数。

前述的步骤3)中，均值校正因子为：

其中，θ_i为第i月均值校正因子。

前述的步骤5)中，气象因子历史逐日实测数据多年月方差均值的计算式为：

其中，σ_o,i为历史逐日实测数据的第i月的多年方差均值，σ_o,k,j为历史实测第k年第i月方差；

所述历史GCM逐日数据的多年月方差均值计算式为：

其中，σ_m,i为历史GCM逐日数据的第i月的多年方差均值，σ_m,k,i为历史GCM第k年第i月方差。

前述的步骤6)中，方差校正因子为：

其中，β_i为第i月方差校正因子。

前述的逐日气象因子转换函数：

X_d,i,j＝X_i,j-(X_i,j-M_f,i)×(1-β_i)

其中，X_i,j为均值校正后的第i月第j天的未来GCM逐日数据，j＝1,2,3…,n，n＝28/29/30/31，具体n的值以该月的实际天数为准，M_f,i是均值矫正后的未来GCM逐日数据气象序列的逐月均值，X_d,i,j为方差校正后的第i月第j天的未来GCM逐日数据。

有益效果：本发明基于历史实测数据和历史GCM数据，从气象因子分布特征出发，构建均值矫正因子和方差矫正因子矫正未来GCM数据，矫正后的未来的GCM数据序列的特征，包括均值和波动程度特征更接近于实测值，从而使得基于未来GCM数据的模型模拟的结果更加准确。

附图说明

图1为本发明的考虑逐日数据波动特征的GCM校正方法流程图；

图2为历史实测辐射及偏差矫正前GCM辐射图；

图3为校正后GCM辐射数据历史实测数据。

具体实施方式

下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明的考虑逐日数据波动特征的GCM校正方法，包括以下步骤：

(1)以月为计算单元，提取某一种气象因子的历史时期逐日实测数据和同历史时期GCM逐日数据以及待矫正的未来时期GCM逐日数据，待矫正的未来时期GCM逐日数据由某些科研机构提供。基于此数据，分别采用算术平均法计算该气象因子历史逐日实测数据和历史GCM逐日数据各月均值，并计算二者多年月均值，计算方法如下：

其中，M_o,i为历史逐日实测数据的第i月多年均值，i＝1,2,3…12；X_o,i,k,j历史时期第i月第k年第j天实测值，k＝1,2,3…s，j＝1,2,3…,n，n＝28/29/30/31，具体n的值以该月的实际天数为准；s为年数，一般取年限为30年以上，精确度高。

历史GCM逐日数据的多年月均值(M_m,i)计算方法与历史逐日实测数据的计算方法相同，可表示为：

其中，M_m,i为历史GCM逐日数据的第i月多年均值，i＝1,2,3…12；X_m,i,k,j历史时期第i月第k年第j天GCM值，k＝1,2,3…s；j＝1,2,3…,n，n＝28/29/30/31，具体n的值以该月的实际天数为准。

(2)基于历史逐日实测数据多年月均值与历史GCM逐日数据多年月均值，构建均值校正因子：

其中，θ_i为第i月均值校正因子。

待矫正的未来GCM逐日数据分别乘以该均值校正因子得到均值校正后的气象序列。

(3)基于步骤(1)中提取的某一种气象因子的原始数据，分别计算该气象因子历史逐日实测数据和历史GCM逐日数据各月方差，并计算多年月方差均值：

其中，σ_o,i为历史逐日实测数据的第i月的多年方差均值，σ_o,k,i为历史实测第k年第i月方差。

历史GCM逐日数据的多年月方差均值(σ_m,i)计算方法与历史逐日实测数据计算方法相同，计算式为：

其中，σ_m,i为历史GCM逐日数据的第i月的多年方差均值，σ_m,k,i为历史GCM第k年第i月方差。

(4)基于该气象因子实测数据的多年月方差均值与GCM逐日数据的多年月方差均值，构建方差校正因子：

其中，β_i为第i月方差校正因子。

(5)计算经均值校正后的未来GCM逐日数据气象序列的逐月均值(M_f,i)，构建逐日气象因子转换函数：

X_d,i,j＝X_i,j-(X_i,j-M_f,i)×(1-β_i)

其中，X_i,j为均值校正后的第i月第j天的未来GCM逐日数据，M_f,i是均值矫正后的未来GCM逐日数据气象序列的逐月均值，X_d,i,j为方差校正后的第i月第j天的未来GCM逐日数据。

以矫正后的方差为约束条件，得到一个新的未来GCM气候序列。

实施例

对BCC-CSM1.1(m)2030年昆山地区辐射数据进行偏差校正。具体步骤如下：

(1)提取昆山地区1961-2000年逐日实测和GCM辐射数据以及待进行偏差校正的2030年逐日辐射数据。基于此数据，分别计算历史实测和GCM历史时期辐射数据各月均值，并采用算术平均方法计算实测辐射数据多年月均值，计算方法如下：

其中，M_o,i为历史观测值的第i月多年均值，i＝1,2,3…12；R_o,i,k,j历史时期第i月第k年第j天实测辐射值，k＝1,2,3…40，j＝1,2,3…28/29/30/31。

GCM历史时期辐射数据多年月均值的计算式如下：

其中，M_m,i为历史逐日GCM数据的第i月多年均值，i＝1,2,3…12；X_m,i,k,j历史时期第i月第k年第j天GCM值，k＝1,2,3…40，j＝1,2,3…,n，n＝28/29/30/31，具体n的值以该月的实际天数为准。该实施例历史基准期取40年。

(2)基于实测辐射数据多年月均值与GCM历史辐射数据多年月均值，构建均值校正因子：

θ_i为第i月均值校正因子，2030年逐日辐射数据分别乘以该校正因子得到均值校正后的辐射数据序列。

(3)基于步骤(1)中提取的原始数据，分别计算历史实测辐射数据和GCM历史辐射数据各月方差，并计算辐射数据的多年月方差均值：

其中，σ_o,i为历史实测辐射数据的第i月多年方差均值，σ_o,k,i历史实测第k年第i月方差。

历史GCM逐日数据的多年月方差均值(σ_m,i)计算方法与历史逐日实测数据计算方法相同，

其中，σ_m,i为历史GCM逐日数据的第i月的多年方差均值，σ_m,k,i为历史GCM第k年第i月方差。

(4)基于实测辐射数据多年月方差均值与GCM历史辐射数据多年月方差均值，构建方差校正因子：

(5)计算经均值校正后的未来辐射序列的逐月均值(M_f,i)，构建逐日辐射数据转换函数：

R_d,i,j＝R_i,j-(R_i,j-M_f,i)×(1-β_i)

其中，M_f,i是均值矫正后的未来GCM逐日辐射数据的逐月均值，R_i,j为均值校正后的第i月第j天的未来GCM逐日辐射数据，j＝1,2,3…,n，n＝28/29/30/31，具体n的值以该月的实际天数为准；R_d,i,j为方差校正后的逐日未来辐射数据。

图2将历史实测的辐射数据和同历史时期GCM的辐射数据进行对比，表明GCM数据波动幅度较大，与实测数据偏差较大。

图3将矫正后的未来GCM数据和和原始的未来GCM数据进行对比，表明矫正后的未来GCM数据波动幅度变小，更接近实际情况。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。