原创研究文章

前面。对。水珠。2023年1月6日
第二章火灾与森林
https://doi.org/10.3389/ffgc.2022.1073554

云南林区区域气候模式的评价

Xiaofan邓 ¹，

哲张^{2 *}，

风扇赵 ^{1 *}，

郑朱¹而且

Qiuhua王^3.

¹西南林业大学大数据与智能工程学院，中国昆明
²西南林业大学园林与园艺学院，中国昆明
^3.西南林业大学建筑与建设学院，中国昆明

气候变化正变得越来越严重。今天，一些研究发现，气候变化在很大程度上影响着森林火灾的增加。区域气候模式是目前森林火灾防治研究中气候预测的重要工具。云南省是中国森林火灾的重灾区，森林火灾频发，损失重大，是中国森林防火的重点地区。为此，本研究利用云南省25个台站2004-2018年的气象观测资料，对区域气候预报模式(RegCM)和天气研究预报模式(WRF)进行多维度比较和评价。在此基础上，确定了云南林区的最优RCM。结果表明:RegCM预报与实际气温空间均值的偏差均小于3℃，WRF预报与实际气温空间均值的偏差均大于3℃;此外，RegCM相关系数超过0.8,WRF相关系数超过0.75。降水量方面，RegCM预报的全域偏差小于2 mm, WRF预报的总体偏差较大。RegCM与WRF的相关系数均小于0.5，但RegCM的相关系数大于WRF。 We thus conclude that RegCM is more suitable for predicting the climate of the forest area of Yunnan. This study also provides references for related climate forecasting and research into forest fire dynamics in general.

1.简介

森林火灾动态是森林火灾中长期预报的主要内容之一。它主要取决于气候、植被和人类活动之间的相互作用。从长期来看，气候是决定森林火灾动态的主要因素(费尔德曼等人，2009；Dupuy等人，2020年；Goss等人，2020年)．近年来，气候变化剧烈，气候预报的准确性已成为森林火灾研究的重要课题。

气候预测模式是目前气候预测的有效工具(Boer等人，2016；史密斯等人，2020年；Ban等人，2021年)．区域气候模式(RCM)从全球气候模式(GCM)产生区域气候预测，但这些预测是不准确的，因为后者的水平分辨率约为全球气候模式的250-600公里(Deser等人，2012年；Giorgi和Gutowski, 2015年；Giorgi 2019)．常用的区域气候预报模型包括:(1)国际理论物理中心的区域气候预报模型(RegCM)，(2)国家环境预测中心的天气研究与预报(WRF)，(3)马里兰大学的气候-天气研究与预报(CWRF);(4)英国气象局哈德利中心的区域气候影响研究(PRECIS)，(5)丹麦气象研究所的高分辨率有限区域模型(HIRHAM)。以往研究表明，RegCM不适用于高纬度地区(马雷特等，2017；Shi等，2018；Da Silva等，2019)、WRF及CWRF适用于大部分地区(Raghavan等人，2016；加里多等人，2020年；Kuo等人，2020)， PRECIS适用于赤道地区(Centella-Artola等人，2015)， HIRHAM适用于极地地区(多恩等人，2018年)．然而，其他研究也发现了许多例外情况，特别是在具有独特地形和气候特征的地区，如云南林区，rcm的选择仍然需要借助当地特征数据进行评估。

本研究将2004 - 2018年云南各台站的气象观测资料与所选RCM同期的预测进行了比较。然后，我们分析了预测与观测在多个维度上的偏差程度，以确定哪种RCM适用于云南林区。本研究可为森林火灾动态研究及相关区域气候预测研究提供参考。

2.数据与方法

2.1.感兴趣地区

云南位于中国西南部(北纬21°8′-29°15′，东经97°31′-106°11′)，属高原地区(图1)．地形独特;西北高，东南低，由北向南逐步下降，平均海拔6 m/km。该地区属亚热带高原季风气候，年温差小，日温差大。干湿季节分明，地形对气温影响显著，三维气候特征显著。云南林区是中国森林火灾发生率最高的地区(Hong等，2007)．森林火灾危险期一般为12月至次年6月，火灾高险期为3月至5月(云南省人民政府，2022年)．

图1

图1所示。云南林区气象站分布

2.2.型号选择与配置

区域气候预报模式由国际理论物理中心开发，是目前最常用的RCM (Giorgi和Bates, 1989年；Giorgi等人，1993年；塞斯和乔吉，1998年）;不同版本RegCM的仿真结果证明了其在中国的适用性(薛杰等，2001；卢等人，2019；Dong和Shi, 2022年)．WRF最初是一个中尺度天气预报模式，由美国国家环境预报中心、国家大气研究中心和几所大学和研究机构(Heikkilä等，2011)．大量研究证实，WRF准确地模拟了中国的气候(Gao等，2013；向辉、训强，2015；陈等，2018；Entao 2019)．这些研究大多集中在平均气候上，然而，RegCM与WRF之间的比较很少(高,2020)，尤其是在云南的林区。因此，本研究利用云南林区的本地数据对RegCM和WRF进行评价和比较(RegCM版本为4.6,WRF版本为4.2)。RegCM和WRF的运行需要在运行过程中对模拟区域的几个参数进行自适应配置。模拟区域位于云南省行政区划的中心(25°30′n, 101°36′e)。水平分辨率为10公里，缓冲区划分为10个网格。它的动力和物理配置主要包括动力框架、垂直层等动力方案和积云对流方案、地表设置、行星边界层、微物理参数化和辐射方案等物理方案。这些方案的配置是基于CORDEX-EA-I的实验数据，已证明适合东亚地区(郭等，2018；Yu等，2020年；Li等，2022)．这些构型已经给出表1我们使用ERA-Interim作为两个rcm的初始和边界条件，并使用来自国家海洋和大气管理局的最佳内插海表温度作为海表温度(Kanamitsu等人，2002年)．模拟周期为2003年1月1日至2018年12月31日连续15年(2003年为启动期)。

表1

表1。区域气候预报模式(RegCM4)和天气研究预报模式(WRF)的动态和物理配置。

2.3.观测数据集

利用云南省25个台站2004-2018年的逐日气象观测资料(图1)，由中国国家气象信息中心提供¹．数据给出了气温(即日平均气温、日最高气温、日最低气温)、降水(20:00-08:00降水、08:00-20:00降水、20:00-20:00总降水量)、相对湿度(平均相对湿度、最小相对湿度)、风速(平均风速、最大风速、最大风速)以及日照时数等因素。

2.4.评价方法

利用RegCM和WRF计算了每年的日气象模拟数据。然后对气象模拟数据与气象观测数据的偏差(1)5年平均值、(2)火险期的年平均值、(3)火险高发期的月平均值以及(4)其他维度逐次逐次细化分析。最后，根据偏差程度确定了适合云南林区的最优RCM。这两个rcm的日气象模拟数据分别为最低气温、最高气温、平均降水量、总降水量、最低相对湿度、最大风速和平均风速。然而，先前的研究(Zhu等，2022)表明，最高气温和总降水量是该地区森林火灾发生的主要驱动因素，这两个因素的共同作用在很大程度上决定了一个地区的森林火灾动态。因此，我们选取模拟输出数据中的最高温度(Tmax)和总降水量(Preci)作为评估的依据。

为了量化偏差的程度，我们使用四个统计指标分类为时间或空间。第一个时间统计指标是均方根误差(RMSE)，它反映了预测数据和观测数据之间的总体差异。RMSE由

R 米 年代 E ＝ \sqrt{\frac{\sum {（ {一个}_{我} - b_{我} ）}^{2}}{N_{我}}}

在哪里一个_我是观测数据，b_我是模拟输出数据，还是N_我是总年数。第二个时间统计指标是相关系数R，它衡量预测与观测数据的线性关系。R是由

R ＝ \frac{\sum_{我 ＝ 1}^{n} （ {一个}_{我} - - \bar{一个} ） （ b_{我} - - \bar{b} ）}{\sqrt{\sum_{我 ＝ 1}^{n} {（ {一个}_{我} - - \bar{一个} ）}^{2}} \sqrt{\sum_{我 ＝ 1}^{n} {（ b_{我} - - \bar{b} ）}^{2}}}

在哪里 $\bar{一个}$ 是观测数据的平均值， $\bar{b}$ 是模拟输出数据的平均值，和n是数据集的数量。第三个时间统计指标是显著性系数p，由Pearson相关分析得到，它反映了事件发生的可能性(一般为p< 0.05表示存在相关性，p< 0.01表示存在显著相关性，且p< 0.001表示存在极其显著的相关性)。

空间统计指标主要基于克里格插值形成的栅格图像，克里格插值是利用区域变化和变异函数作为基本工具对未知样本点进行线性无偏估计。我们使用Arcgis 10.8软件进行插值。

3.结果与分析

3.1.空间统计比较

3.1.1.温度

以2004 - 2018年各气象站日观测最高气温为真实数据，数据来源于(1)5年年平均气温，(2)火险期年平均气温，(3)火险高发期年平均月气温。将这些数据与RegCM和WRF结果进行比较，评价RCM预测云南林区日最高气温的准确性。

3.1.1.1.五年平均气温

为了阐明RegCM和WRF如何模拟温度，我们将2004-2018年分为三个5年的区间。我们比较了三个时间段RegCM、WRF和真实数据的年平均温差的空间分布。图2显示每五年期间模拟年平均气温与实际年平均气温之差的空间分布。RegCM和WRF预报的气温与实际气温一样，从南向北呈递减趋势。RegCM的结果比WRF的结果更接近真实温度，而WRF的结果与真实温度有很大的偏差。RegCM结果在三个时间段的空间分布均能准确预测全区气温，负偏差一般小于2℃。只有滇西北地区负偏差较大(高达5℃)。WRF温度仅在滇东南地区较为准确，负偏差小于1℃。在其他大部分地区，负偏差超过4℃，尤以滇东北为甚，达到7℃。然而，2009年至2013年的偏差超过了其他两个时期。此外，WRF也得出了类似的结果，2009-2013年的偏差最大。

图2

图2。5年年平均气温差异的空间分布。

3.1.1.2.火灾危险期的年平均温度

云南林区火灾危险期一般为12月至次年6月。因此，我们分析了这一时期的RCM结果。图3显示了火灾危险期年平均气温差异的空间分布。RegCM和WRF结果与实际结果相似。RegCM结果对云南南部、西南部、东南部和东北部是准确的，但在西北、中部和北部有负偏差，最多偏差5°C。WRF结果仅在滇东南地区较为准确，其余地区偏差均超过5℃。

图3

图3。火灾危险期年平均温度差的空间分布。

3.1.1.3.火灾高发期的年平均月气温

3 - 5月是云南林区火灾高发期，绝大多数森林火灾发生在这一时期。为了澄清RegCM和WRF对高火灾危险期的模拟，我们比较了每年3月、4月和5月的实际结果的差异。图4表明两种rcm都能准确预测真实温度。RegCM的结果与实际温度的偏差最小。图5结果表明，3月份RegCM结果主要在滇西和滇西北偏离，但在滇西和滇西北大部分地区偏离，4月份RegCM结果集中在滇西和滇西北的零散地区。5月零星地区扩大到滇西南部分地区，最大偏差10℃。WRF的总体结果较差，在4-7°C范围内存在负偏差。

图4

图4。火灾高危期年平均月气温变化趋势(单位:℃)。

图5

图5。火灾高险期年平均月气温差异的空间分布。

3.1.2.降水

利用2004 - 2018年各气象站逐日观测降水资料作为真实数据，计算了5年平均降水量、火灾危险期年平均降水量和火灾危险期月平均降水量。将这些结果与RegCM和WRF的结果进行了比较，评价了两种rcm预测云南林区日总降水量的准确性。

3.1.2.1.五年平均降水量

为了分析RegCM和WRF的降水结果，我们将2004-2018年分为3个5年周期，并将RegCM和WRF分别与这3个时间段的实际年平均降水数据进行比较。图6显示了每5年期间年平均降水量差异的空间分布。RegCM的结果与真实降水量接近，而WRF的结果偏离了9倍以上。三个时段RegCM结果的空间分布较好地预测了全区的降水，总体偏差小于3 mm。WRF结果与实际降水量的偏差仅在云南西南部小于3 mm。其余地区偏差均超过3 mm，尤以滇西北地区偏差超过7 mm为主。

图6

图6。5年年平均降水量的空间分布差异。

3.1.2.2.火灾危险期的年平均降水量

本文分析了RegCM和WRF在火灾危险期间的模拟能力。首先，我们将RegCM和WRF的日模拟降水结果与2004-2018年火灾危险期的真实结果进行了比较图7)．图7显示了火灾危险期年平均降水量差异的空间分布。RegCM和WRF的结果总体上与实际结果相似。RegCM结果在整个区域都是准确的，偏差小于3毫米。对于WRF结果，整个区域的偏差超过14 mm，最大偏差为20 mm。

图7

图7。火灾危险期年平均降水量差异的空间分布。

3.1.2.3.火灾高险期的年平均月降水量

通过对比每年3月、4月和5月的差异，进一步分析了火灾高发期RegCM和WRF的模拟细节。图8结果表明，RegCM结果与真实结果的偏差很小，而WRF结果与真实结果的偏差超过10倍。图9结果表明，RegCM结果在整个区域都是准确的，而WRF结果普遍较差，大部分区域偏差在4 ~ 20 mm。

图8

图8。火灾高险期年平均日月降水量分布(单位:mm)。

图9

图9。高火险期年平均月降水量差异的空间分布。

3.2.时间统计数据比较

3.2.1.温度

利用泰勒图和相关系数RMSE等统计指标，对RegCM和WRF结果与实际温度结果进行了统计比较R,自信p，和标准差(STD)。回想一下，RMSE或STD越接近零R趋近1时，结果越好，且相关性显著时p< 0.01。表2显示统计指标。对于温度，RegCM的RMSE小于WRF的RMSE。的系数RRegCM比WRF更接近统一，并且pRegCM和WRF均< 0.01，表明RegCM和WRF在各维度上均与真实温度显著相关，RegCM相关性更强。

表2

表2。温度统计指标。

对于泰勒图的基准点RMSE = 0，R= 1, STD = 0。对于泰勒图，预测点与参考点越接近，模拟效果越好。根据中给出的数据表2、RMSE、R、STD可整合为极值图，得到温度泰勒图(图10)．在Taylor图的所有维度上，RegCM结果比WRF更接近基准点。温度泰勒图是通过对极值坐标图(图10)．在每个维度上，RegCM结果比WRF结果更接近泰勒图的参考点。

图10

图10。温度泰勒图。(一)每5年温度泰勒图;(B)火灾危险期温度泰勒图;(C)火灾高险期温度泰勒图。

3.2.2.降水

我们还将RegCM和WRF结果与实际降水结果进行了统计比较。如表3， RegCM结果的RMSE小于WR，即系数RRegCM的结果大于WRF的结果，RegCM和WRF都有p< 0.01，说明两种rcm在各维度上均与实际降水量显著相关。尽管RegCM的结果比WRF的结果与真实降水的相关性更强，R< 0.5表示RCM均不随真实降水变化。根据降水的泰勒图(图11)时，各维的RegCM点比WRF点更接近参考点。

表3

表3。降水统计指标。

图11

图11。降水泰勒图。(一)每5年降水泰勒图;(B)火灾危险期降水泰勒图;(C)火灾高险期月降水泰勒图。

4.讨论与结论

区域气候预报模型对整个区域的温度和降水的预测比WRF更准确。温度方面，除滇西北外，大部分地区RegCM结果与实际温度偏差较小，且在火灾高发期偏差减小，特别是5月;对于降水，RegCM预报结果虽然与实际降水量不符，但预测的全时段、全区域平均降水量均可接受，满足森林火灾预报的需要。

结果也清楚显示RegCM模拟温度与降水之间的相关性，这主要归因于地表模式(林奇等人，1997年)，物理参数化(洛兰特等人，2006年)、模拟地形的选择(莱彻和明德，2015年)，以及选择全球气候模式或再分析数据(Rummukainen等人，2001；Landgren等人，2014)．利用对流允许尺度区域气候模式(斯特拉顿等人，2018)、边界缩减(安达和富田，2020年)， RCM耦合(王等，2016)、多rcm集合平均(Sørland等人，2021)．

森林火灾动态是预测中长期森林火险的重要工具，研究结果的准确性直接关系到当地森林管理的政策制定和有效性。基于本研究结果，由于地形和气候的特殊性，直接使用经典RCM仍不能完全满足准确预测森林火灾动态的要求。因此，只有在研究区特征数据的基础上，研究和构建区域资源cms才能满足要求。开发合适的RCM的一般步骤是:(1)通过求解三维网络的数学方程，建立一个集成的物理模型;(2)将综合物理模型获得的高分辨率信息加入GCM，降低GCM较粗水平分辨率的尺度;(3)基于气候系统代表性成分之间的相互作用及其反馈，确定边界条件;最后，(4)为感兴趣的领域生成综合输出。

数据可用性声明

本研究中提出的原始贡献已包含在文章/补充材料中，进一步查询可向相应作者咨询。

作者的贡献

XD, zha, FZ:概念化和写作-审稿和编辑。FZ:资金获取。XD, ZZhu, QW:实地调查，实验，数据分析。所有作者都阅读并同意该手稿的出版版本。

资金

国家自然科学基金项目(No. 32160374、31860234)、云南省基础研究计划项目(No. 202101AT070045)、西南林业大学国家林业和草原局林业生态大数据重点实验室基金(No. 202 - bgd -01)资助。

利益冲突

作者声明，这项研究是在没有任何商业或财务关系的情况下进行的，这些关系可能被解释为潜在的利益冲突。

出版商的注意

本文中所表达的所有主张仅代表作者，并不代表他们的附属组织，也不代表出版商、编辑和审稿人。任何可能在本文中评估的产品，或可能由其制造商提出的声明，都不得到出版商的保证或认可。

脚注

＾http://data.cma.cn

参考文献

Adachi, s.a，和Tomita, H.(2020)。区域气候动态降尺度评价的约束条件方法综述。j .地球物理学。研究大气压。125: e2019JD032166。jd032166 doi: 10.1029/2019