高分辨率模式对中国地表短波辐射季节预测

刘 波 马利斌 容新尧 苏京志 鄢钰函 华莉娟 唐彦丽

1)(中国气象局地球系统数值预报中心， 北京 100081)2)(中国气象科学研究院灾害天气国家重点实验室， 北京 100081)

引 言

工业革命以来，煤炭、石油等传统化石能源的大量消耗是造成全球变暖的主要原因之一[1-3]。与传统化石能源相比，可再生资源具有低碳环保等特性，同时也能有效减少温室气体排放，缓解气候恶化。为应对气候变化，中国提出二氧化碳排放力争于2030年前达到峰值、2060年前实现碳中和的目标[4](简称双碳)。在双碳战略目标下，发展绿色清洁能源是未来的主流趋势。因此，大规模开发利用可再生资源已得到世界各国能源部门和组织的广泛关注。太阳能是可再生和绿色能源的一种，具有广阔应用前景[5-7]。

中国太阳能资源分布具有明显地域特征。受太阳总辐射量等因子影响，中国西南和北方地区(包括青藏高原和内蒙古中西部地区)的太阳能尤为丰富，适合大规模光电开发利用；中国东南地区(包括湖南、重庆和贵州)太阳能资源缺乏，可开发利用规模较小[7-9]。国内学者已研究了中国地表太阳辐射(downward short-wave radiation flux，DSWRF)的变化规律及成因[10-17]，郑有飞等[12]指出，20世纪90年代前后中国南方中东部地区地面太阳总辐射存在明显年代际变化。齐月等[13]发现该变化受人类活动影响显著，大气中气溶胶(颗粒物)浓度增加是导致到达地面太阳辐射减少的重要原因。中国省会城市太阳辐射受气溶胶浓度的影响更为显著[16-17]。在全球气候变暖背景下，中国太阳能资源变化具有显著的时空特征。RCP85排放情景下，2006—2049年中国DSWRF呈南增北减的变化趋势[18]。因此，建立中国太阳能资源短期预测及预估系统，对超前部署开发利用太阳能资源具有重要战略指导意义。

因此，采用高分辨率全球气候系统模式准确进行中国太阳能资源分布短期预测和未来情景预估，对优化电力能源结构尤为重要。本文通过构建合理的同化系统，客观评估中国气象科学院发展的T255全球高分辨率气候系统模式(CAMS-CSM)历史回报结果对中国区域DSWRF的预报技巧及预测能力，一方面检验高分辨率气候模式在可再生能源方面预测的适用性，另一方面也可为气候模式的发展及预测性能改进提供参考。

1 模式、数据和方法

1.1 高分辨率CAMS-CSM气候模式、回报试验及验证数据

中国气象科学研究院T255全球高分辨率(约50 km)气候系统模式(CAMS-CSM)包含大气、海洋、海冰和陆面等分量模式，该模式参加CMIP6模式比较计划[30]，模式详情参见文献[31]。该模式在Madden-Julian振荡、印度洋偶极子以及ENSO等主要气候变率有较高模拟技巧[32-34]。通过三维松弛逼近同化方案，发展了高分辨率耦合模式的耦合资料同化系统。该同化系统与文献[34]研究类似，大气同化6 h的中国全球大气再分析产品CRA40再分析数据[35]，海洋同化候平均的GODAS(Global Ocean Data Assimilation System)再分析数据[36]，通过耦合数据同化系统，构建2011—2020年海洋、大气模式分量的初始场。回报试验采用集合预报方法，每个月最后1日00:00，06:00，12:00和18:00(世界时，下同)起报，连续预报3个月，完成2011—2020年的历史回报试验。本文评估回报试验结果时，将4个集合样本进行算术平均以减少不确定性。

DSWRF和总云量观测数据均来自于中国气象局CRA40再分析数据[36]，时段为2011—2020年，水平分辨率为0.25°×0.25°，时间分辨率为6 h。本文DSWRF指净地表短波辐射，即到达地表的向下短波辐射与反射向上的短波辐射之差。另外，本文提到的月平均预报超前0个月(LM0)指预报下个月的月平均结果，超前1个月(LM1)、2个月(LM2)分别指预报第2个月、第3个月的月平均结果。考虑到中国地表短波辐射存在地理差异，本文评估分析中国区域以及3个太阳能资源较丰富的重点区域(图1)：内蒙古地区(40°～45°N，100°～120°E)、京津冀部分地区(35°～42°N，115°～120°E)以及西北地区(31°～40°N，89°～104°E)。

本文插图中所涉及的中国国界基于审图号为GS(2018)2512号标准地图制作，底图无修改。

1.2 方 法

本文基于4个样本集合平均，从月平均角度评估模式的多年回报结果。主要评估方法包括气候态偏差、距平相关系数(ACC)、时间相关系数(TCC)及趋势异常综合评分指数(P指数)等。ACC主要表征预报场与观测场空间的相似程度，即空间相似系数。TCC能较好表征模式对各格点异常的预测能力，取值范围为-1～1，值越接近于1，技巧越高，通常以0.5为有预报意义的标准。

趋势异常综合评分指数(P指数)主要考虑模式预报变量的趋势项、异常项和漏报项。参考中国气象局降水和气温业务预测PS评分标准，本文将该方法用于DSWRF评估，主要差别体现在步骤④。趋势项以预报和实况的距平符号是否一致为判断依据，逐格点进行评判。当预报和实况(距平百分率)符号一致时认为该格点预报正确。本文针对DSWRF的P指数计算步骤包括：①逐格点判定预报的趋势是否正确，统计出趋势预报正确的总格点数N0；②逐格点判定一级异常预报是否正确，统计出一级异常预报正确的总格点数N1；③逐格点判定二级异常预报是否正确，统计出二级异常预报正确的总格点数N2；④统计未预报二级异常而实况出现DSWRF超过1.5倍标准差的格点数(记为M)；⑤统计实际参加评估的格点数N；⑥使用公式

图1 重点区域Fig.1 Key areas

P=

(1)

式(1)中，a，b和c分别为气候趋势项、一级异常项和二级异常项的权重系数，取a=2，b=2，c=4。

2 结果分析

2.1 气候态评估

图2为观测DSWRF不同季节的气候态分布。由图2可见，DSWRF存在明显的季节变化特征，且空间分布存在较大差异。受太阳高度角影响，春季、夏季中国DSWRF明显高于秋季、冬季。春季、夏季中国中高纬度地区的DSWRF大多在275 W·m-2以上，青藏高原、新疆等西部地区存在大于350 W·m-2的高值区；受海拔高度影响，西北地区尤其是青藏高原常年处于高值区，即使在秋季、冬季DSWRF也较大。内蒙古以及华北地区春季、夏季的DSWRF较强，大部分区域高于250 W·m-2，秋季、冬季则较弱，普遍低于150 W·m-2。

DSWRF不同超前时间预报的气候态空间分布特征与观测接近，预报大值区与观测非常吻合(图略)。图3是DSWRF气候态预报与观测差异。由图3可见，DSWRF预报强度存在明显系统偏差。春季、夏季偏差类似，表现为整体偏弱，尤其是西南至青藏高原，大部分地区预报偏低20～40 W·m-2，对内蒙古地区的DSWRF气候态预报偏差不大。在秋季、冬季，除内蒙古部分地区模拟偏高以外，中国区域整体模拟相对较好。由于模式系统性偏差在模式积分初期已基本稳定形成，不同超前时间预报系统性偏差结果相差不大(图略)。这与国家气候中心气候模式对气温、降水等变量预报的结论类似[37-39]。

图4为各季节DSWRF观测标准差。由图4可以看到，华南各季节DSWRF观测均为高值区，大部分地区超过14 W·m-2，其他地区DSWRF年际变率较小，大部分地区低于6 W·m-2。与观测相比，整体上LM0预报反映了DSWRF年际变率呈南高北低的偶极子分布特征(图略)。图5为各季节DSWRF LM0预报与观测标准差的差异。由图5可以看到，春季、夏季模式低估了华南的年际变率，高估了青藏高原及东北地区的年际变率，秋季、冬季高估了华南地区的年际变率，其他地区偏差较小。不同超前时间预报的DSWRF年际变率偏差与LM0类似。除冬季内蒙古及华北等部分地区外，大部分地区对DSWRF预报的年际变率随超前时间增加降低(图略)。总体上，高分辨率模式对中国及华北地区、内蒙古地区和西北地区3个典型区域DSWRF的气候态和年际变率的空间分布及季节演变均可较好再现，但在强度上存在明显依赖季节的系统性偏差。

图2 各季节DSWRF观测气候态Fig.2 Seasonal distribution of the observed DSWRF

图3 各季节DSWRF LM0预报与观测气候态差异Fig.3 Difference of seasonal DSWRF between the prediction at LM0 and the observation

图4 各季节DSWRF观测标准差Fig.4 Seasonal standard deviation of the observed DSWRF

图5 各季节DSWRF LM0预报与观测标准差的差异Fig.5 Differences of seasonal DSWRF standard deviation between the prediction at LM0 and the observation

2.2 异常场预报技巧

2.2.1 时间相关系数(TCC)

除气候态评估指标，异常态也是评估模式预报是否准确的重要考量因素。图6是DSWRF LM0预报与观测时间相关系数(TCC)。TCC正值偏多偏强表明预报场与观测场具有较好时间相关性，正值越大时间相关性越高。由图6可以看到，对西北地区各季节DSWRF的预报技巧均较高，大部分地区达到0.1显著性水平，东北地区秋季也展现出较高预报技巧，内蒙古及京津冀地区秋季、冬季预报技巧均达到0.1显著性水平。但随着超前时间的增加，TCC明显下降(图略)。

中国及3个重点区域DSWRF预报区域平均与观测的TCC(图7)表明：对中国区域，DSWRF LM0预报与观测的TCC均为正值，除秋季外，其他季节TCC均超过0.3，冬季TCC可超过0.55，达到0.1显著性水平。春季和冬季DSWRF的LM1预报与观测TCC均超过0.3。各季节DSWRF的LM2预报与观测TCC均较低。对京津冀部分地区，LM0预报与观测的TCC最高，秋季和冬季的TCC超过0.35，冬季TCC接近0.5。夏季和冬季的LM1预报较好。春季和冬季DSWRF的LM2预报与观测的TCC仍在0.2以上。对内蒙古地区，LM0预报在各个季节均有较好技巧，TCC在夏季最低(约为0.2)，其他季节均高于0.4，秋季接近0.6。不同超前时间预报在不同季节TCC差别较大，LM1预报在春季和冬季技巧较高，LM2预报在春季和秋季技巧较高，均在0.4以上。对西北地区， 4个季节LM0预报和LM1预报与观测TCC较高，其中LM0预报在夏季和冬季与观测的TCC最高(0.6以上)，达到0.1显著性水平，LM1预报与观测的TCC除夏季较低以外，其他季节均在0.2以上。

图6 DSWRF LM0预报异常与观测时间相关系数(黑色打点表示达到0.1显著性水平)Fig.6 TCC of DSWRF between the prediction at LM0 and the observation(black dots denote passing the test of 0.1 level)

图7 各季节DSWRF不同超前时间预报区域平均与观测的时间相关系数Fig.7 TCC of DSWRF between regional averaged prediction at different lead months and the observation in different seasons

2.2.2 距平相关系数(ACC)

图8是DSWRF预报与观测整体空间相似程度。对中国区域，LM0预报与观测的ACC从春季到冬季逐渐增大，冬季最高，约为0.55。LM1和LM2预报与观测的ACC随季节变化趋势与LM0预报类似，但数值偏低。3个重点区域的情况稍有不同：对京津冀部分地区，春季和冬季ACC最高，LM0预报为0.3～0.4，冬季LM1预报与观测ACC下降较快，且仅在春季超过0.2(图8b)。对内蒙古区域，综合看秋季的ACC最高，LM0预报与观测的ACC约为0.5，LM1预报和LM2预报与观测的ACC约为0.3。对西北区域，综合看秋季的ACC最高，LM0预报和LM1预报与观测的ACC分别为0.4和0.2。夏季和冬季LM0预报与观测的ACC均高于0.2，仍具备一定预测能力。

图8 各季节DSWRF不同超前时间预报区域平均与观测的距平相关系数Fig.8 ACC of DSWRF between regional averaged prediction at different lead months and observation in different seasons

2.2.3 趋势异常综合评分指数(P指数)

P指数是评估模式对变量趋势、异常和漏报情况的综合指标，DSWRF预报的P指数如图9所示。由图9可见，对中国区域，4个季节LM0预报的P指数均集中在70～80分，最高在秋季(82分)。LM1预报和LM2预报的P指数虽低于LM0，但仍高于65分，整体秋季最高，平均值约为75分；对京津冀部分地区，P指数整体低于中国区域，其中春季最高，LM0预报大于75分，LM0，LM1预报和LM2预报的平均值高于70分。夏季和秋季的P指数稍低于春季，LM0预报均在70分以上。冬季LM0，LM1预报和LM2预报较其他季节低；对内蒙古地区，春季、夏季、秋季3个季节P指数较高，其中秋季LM0预报的P指数最高，为88分。LM1预报和LM2预报的春季、夏季、秋季3个季节的P指数接近，LM1预报均在70分以上，LM2预报有所增加。内蒙古地区冬季LM0，LM1预报和LM2预报的P指数相当，平均为65分。与上述两个典型区域类似，西北地区LM0预报的P指数最高，尤其在夏季和秋季，二者P指数均超过80分，春季和冬季相当，约为70分。LM1预报和LM2预报的P指数较LM0预报偏低。LM1预报四季接近，均能达到70分左右，LM2预报在秋季最高，保持在70分左右。整体上，3个典型区域在LM0预报和LM1预报各季节的P指数大多为65分以上，说明模式超前0～1个月对DSWRF预报具备一定可信度。

图9 各季节DSWRF不同超前时间预报区域平均的P指数Fig.9 Regional averaged P index of DSWRF predicted at different lead months in different seasons

2.3 模式预报偏差可能原因

大气中云、气溶胶等吸收、反射以及散射多重作用均会影响到达地表的短波辐射通量。为了探讨模式对DSWRF预报偏差产生的可能原因，下面分析模式整层大气总云量预报偏差对DSWRF预测的影响。图10是模式LM0预报的不同季节整层大气云量预报偏差与DSWRF预报偏差的相关关系空间分布。由图10可以看到，春季和夏季DSWRF预报偏差与总云量预报偏差在中国区域为一致负相关，且大部分地区达到0.1显著性水平，说明春季、夏季模式总云量的预报偏差是造成DSWRF预报偏差的主要原因，因为总云量预测偏高时，通过云的反射等效应，到达地表的短波辐射通量减小，造成DSWRF预报偏小。秋季和冬季DSWRF预报偏差与总云量预报偏差相关关系的空间分布与春季和夏季不同。秋季、冬季显著负相关主要分布在中国南方地区。而中高纬度部分地区出现正相关，尽管上述地区未通过显著性检验，但从侧面反映影响中国北部地区秋季、冬季DSWRF预报偏差的因子发生了明显变化，可能是北方冬季气溶胶的作用。但CAMS-CSM尚未考虑气溶胶的影响，因此预报结果未能体现其作用。需要指出的是，模式中云量与短波辐射紧密相关，相互影响，而云微物理过程是造成气候模式模拟不确定性最大的因素，因而DSWRF预报偏差还与模式物理过程有关，需要进一步分析。另外，由于到达地表的短波辐射还受下垫面的反射作用，陆面过程也是造成净短波辐射预报偏差的可能因子。

图10 模式LM0预报的不同季节DSWRF预报偏差与总云量预报偏差相关分布(黑色打点表示达到0.1显著性水平)Fig.10 Correlation coefficients between DSWRF biases and total cloud cover biases at LM0(black dots denote passing the test of 0.1 level)

3 结论和讨论

本文使用中国气象科学研究院发展的全球高分辨率气候模式CAMS-CSM，通过三维松弛逼近同化方案发展了高分辨率耦合模式的耦合资料同化系统，并开展2010—2020年历史回报试验。针对中国及3个典型区域的DSWRF气候态及异常场的季节预测进行了系统性评估，得到以下结论：

1) 不同起报时间DSWRF气候态预报的空间分布与观测接近，季节变化特征再现合理，但模式预报结果存在明显的系统性偏差。春季、夏季表现为预报整体偏弱，尤其是西南至青藏高原一带，整体偏低20～40 W·m-2。秋季、冬季除内蒙古部分地区外均有不同程度的偏高。不同超前时间预报的气候态偏差相差不大。

2) DSWRF的LM0预报年际变率呈南高北低的偶极子分布特征，与观测一致，但明显低估了华南春季、夏季的年际变率，高估了青藏高原及东北地区的年际变率，华南地区秋季、冬季有所高估，其他地区偏差相对较小。不同超前时间预报的DSWRF年际变率偏差型态与LM0预报类似，部分地区DSWRF预报的年际变率存在不同程度的偏低。

3) 预报技巧存在明显的空间差异。模式对内蒙古及西北地区各季节的预报技巧较高，大部分地区达到0.1显著性水平。秋季东北地区TCC也较高。随着预报超前时间的增加，TCC呈显著下降趋势。从趋势异常综合评估角度看，LM1预报对中国地区各季节的P指数均超过70分，对西北地区夏季、秋季表现最好，均超过80分。

总体而言，CAMS-CSM对中国DSWRF的气候态、异常态空间分布及年际变化在超前0～1个月预报存在一定预报技巧，可为未来短波辐射预报及太阳能清洁能源选址等提供参考。此外，模式的DSWRF预报偏差与云量预报偏差存在明显负相关关系，说明模式对云量的预报偏差是造成DSWRF预报偏差的主要原因，尤其是中国春季、夏季以及华南地区的秋季和冬季。值得注意的是，气溶胶、水汽以及陆面过程也是影响DSWRF预报偏差的因子[6,15-16,22]，但CAMS-CSM未充分考虑上述影响，因此还需进一步研究，可从提高模式对云微物理过程描述的准确性或减小不确定性角度提高其对DSWRF预报的准确性。同时，未来还可通过对预报结果进行区域模式动力降尺度处理[40]，即利用全球模式的模拟结果作为边界条件直接驱动区域模式，从而获得高分辨率气候信息。