[译文]极端降水的非平稳概率降尺度方法.pdf

极端降水的非平稳概率降尺度 M. Kallache,M. Vrac,P. Naveau,and P. ‐A. Michelangeli Received 10 August 2010; revised 17 December 2010; accepted 30 December 2010; published 10 March 2011. [1]再分析数据和大气环流模型输出通常提供一个信息空间分辨率低,不能直接用于局 部的影响研究。降尺度方法已经开发出来解决这个问题, 从大范围的大气变量获得局部范围 的信息。局部极端条件的消除仍然是一种挑战。这里提出了一种概率降尺度方法，大尺度和 局部尺度的累积分布函数（CDFs ）通过一个传递函数联系。通过这种方法，得到推断区间 的局部尺度极端值的CDF 和统计特征，例如回报水平。输入的数据假定服从一个极值分布， 广义帕雷托分布（GPD ）。GPD 分布的参数联系解释变量，因此来定义一个非平稳的模型。 方法论（XCDF-t)得到一个参数的CDF ，也是GPD 。从CDF 形成的实现提供了置信区间。 这个方法被提出来应用与NCEP 冬季降水在分析数据的降尺度。法国南部5 个站点的局部 日常降水已经获得。校正期间1951—1985 是用来推断验证期间 1986—1999 的降水。这种方 法的应用通过使用观察值，q-q 图和连续概率得分验证。固定的XCDF-t 方法显示了良好的 结果,在一些站点优于非参数 CDF-t 方法或者分位数映射。将协变量的信息只是有时改善结 果;因此,协变量的选择必须小心谨慎。 引用：Kallache, M., M. Vrac, P. Naveau, and P. ‐A. Michelangeli (2011), Nonstationary probabilistic downscaling of extreme precipitation, J. Geophys. Res., 116, D05113, doi:10.1029/2010JD014892. 1、介绍 [2]目前海气耦合环流模式(GCMs)在获取局部范围级别信息生成预测规模太粗略[Meehl et al.,2007]。例如水文过程,通常比 GCM 提供的输出有更好的尺度[Kundzewicz et al., 2007]。降尺度方法通常用的来从气候模拟模型推断局部范围预测。一般地区水文模型被局 部规模数据驱动,通常是气温和降水量数据。这意味着降水是影响水文研究最相关的变量[cf, e.g., Quintana Segui et al., 2010]。 [3]降水难以模型和简化,主要是由于其高时空变异性及其非线性特性。各种各样的降尺 度方法存在,他们可分为区域模型嵌套进GCM 的动力降尺度方法和概率降尺度方法。不存在 普遍的最好方法,因此许多研究已经进行了比较,例如 PRUDENCE 项目[Christensen et al.,2007]，或STARDEX 项目[Goodess et al., 2011]。在最近的一个概述当前的降尺度方 法是由Maraun et al .[2010b]提出。 [4]这里提出了一种概率降尺度方法,下面我们将专注于这个方法的分支。降尺度的技术 包括传递函数(例如,回归)[Wigley et al., 1990;Wilby et al., 1998]或天气类型[Vrac et al., 2007]。我们表示点数据作为局部尺度数据且数据有一个区域的支持,例如,网格细胞, 作为大尺度数据。完美的预知方法[cf. Rummukainen, 1997] 在大尺度与局部尺度观察值之 间建立一个联系。他们可以应用这种关系从数值模型简化输出[e.g.,Wilks, 2006]。为此, 该模型必须模拟实际大尺度变量。对于一些研究局部尺度和大尺度变量的天气序列在一些事 件能相互联系。更新的降尺度方法,称为模型输出统计方法,使用模拟中尺度天气 [Rummukainen, 1997]。他们建立一个由模型模拟的大规模的变量和局部范围的观察值之间 的直接联系。他们的目标是纠正模型的误差[see, e.g., Lenderink et al.，2007]。许多 降尺度方法是完美的预测和模型输出统计方法的结合。一个例子是随机天气生成器,它也可 以用于缩小规模。它们通过重现观察值的统计的特征形成局部尺度变量的时间序列(通常是 一个气候变量)[e.g., Wilks and Wilby, 199