天气发生器、回归模型、机器学习算法等几类统计降尺度方法被广泛用于校正气候模型输出的区域降水数据。为探讨各类方法在我国不同气候背景下的适用性,以Weather GENerator(WEGN)、Long Ashton Research Station Weather Generator(LARS...天气发生器、回归模型、机器学习算法等几类统计降尺度方法被广泛用于校正气候模型输出的区域降水数据。为探讨各类方法在我国不同气候背景下的适用性,以Weather GENerator(WEGN)、Long Ashton Research Station Weather Generator(LARS-WG)、Statistical Downscaling Model(SDSM)、支持向量机(support vector machine,SVM)为例,利用中国十大一级流域50个国家气象站点1961—2000年的逐日降水数据与美国国家环境预报中心/国家大气研究中心再分析数据,分别构建了逐月的日降水降尺度模型。结果显示,SVM、SDSM与LARS-WG分别在中国干旱、半干旱与湿润地区表现出更好的整体适用性。其中,SDSM利用添加了随机项的多元回归模型,可较好地反映降水发生概率与降水量的变异特征;LARS-WG通过在半经验分布函数中设置特定分位数而优化了对极端降水的模拟,尤其在湿润地区效果良好;SVM凭借灵活的非线性拟合能力能够较好地模拟降水均值,但因缺少对降水过程随机性的描述而难以反映年际演变特征。展开更多
