书书书

刘甲毅，邓丽姣，傅国斌，等．两种统计降尺度方法在秦岭山地的适用性．应用气象学报，２０１８，２９（６）：７３７７４７．

ＤＯＩ：１０．１１８９８／１００１７３１３．２０１８０６０９

两种统计降尺度方法在秦岭山地的适用性

刘甲毅１）２）　邓丽姣１）　傅国斌３

）　白红英１

）２）　王　俊１

）２）

１）（西北大学城市与环境学院，西安７１０１２７）

２）（陕西省地表系统与环境承载力重点实验室，西安７１０１２７）

３）（澳大利亚联邦科学与工业研究组织水土研究所，文布利 ＷＡ６９１３）

摘　　要

基于ＡＳＤ（ａｕｔｏｍａｔｅｄｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇ）统计降尺度模型提供的多元线性回归和岭回归两种统计降尺度

方法，采用ＲＣＰ４．５（ｒｅｐｒｅｓｅｎｔａｔｉｖｅｃｏｎｃｅｎｔｒａｔｉｏｎｐａｔｈｗａｙｓ４．５）和ＲＣＰ８．５情景下全球气候模式 ＭＰＩＥＳＭＬＲ输

出的预报因子数据、ＮＣＥＰ／ＮＣＡＲ再分析数据和秦岭山地周边１０个气象站观测数据，评估两种统计降尺度方法在

秦岭山地的适用性及预估秦岭山地未来３个时期（２００６—２０４０年、２０４１—２０７０年和２０７１—２１００年）的平均气温和

降水。结果表明：率定期和验证期内，两种统计降尺度方法均可以较好地模拟研究区域的平均气温和降水的变化

特征，且多元线性回归的模拟效果优于岭回归。在未来气候情景下，两种统计降尺度方法预估的研究区域平均气

温均呈明显上升趋势，气温增幅随辐射强迫增加而增大。降水方面，２１世纪未来３个时期降水均呈不明显减少趋

势，但季节分配发生变化。综合考虑两种统计降尺度方法在秦岭山地对平均气温和降水的模拟效果和情景预估结

果，认为多元线性回归降尺度方法更适用于秦岭山地气候变化的降尺度预估研究。

关键词：气候变化；未来情景；统计降尺度；秦岭山地

引　言

秦岭山地横贯我国中西部，是南北自然环境的

天然分界线，有着古老的地质演化历史和复杂的自

然环境。秦岭山地不仅源源不断为关中山地提供充

足的水源，还是南水北调中线工程的主要水源地，同

时也对全球气候变化较为敏感［１］。近几十年，在全

球气候以变暖为主要特征的大背景下［２］，秦岭山地

的生态环境也发生明显变化。

很多学者就秦岭山地气候特征及其变化趋势开

展了大量研究工作，傅抱璞等［３］研究表明：由于秦岭

山地明显的屏障作用，不仅使各种气象要素在同一

海拔高度上的水平分布呈明显南北差异，且垂直变

化也有一定差异。刘洪滨等［４］根据秦岭南坡几种特

征植被的树轮重建了陕西佛坪１７８９年以来１—４月

平均气温变化，并分析其变化特征。高翔等［５］用秦

岭山地近５０年的气温和降水数据分析了南北坡半

个世纪以来气温和降水的变化趋势和特征。然而对

于秦岭山地气候变化预估研究鲜见报道，开展秦岭

山地未来气候变化预估研究对于探究秦岭山地气候

变化规律具有重要的补充作用。

全球气候模式（ｇｌｏｂａｌｃｌｉｍａｔｅｍｏｄｅｌｓ，ＧＣＭｓ）

是由根据公认的物理定律确定气候系统中各个成分

的性状及其演变模式，由运用计算机实现程序化的

数学方程组成，不仅可用于当代气候模拟，还可用于

模拟预估因边界条件改变引起的气候变化［６］。ＧＣ

Ｍｓ是定量化研究气候系统行为和预估未来气候变

化的重要工具之一［７８］，其模拟能力已得到很多学者

的验证和认可［９１２］。ＩＰＣＣ第５次评估报告对参与

耦合模式相互比较计划第５阶段（ｔｈｅｆｉｆｔｈｐｈａｓｅｏｆ

ｔｈｅ Ｃｏｕｐｌｅｄ ｍｏｄｅｌ Ｉｎｔｅｒｃｏｍｐａｒｉｓｏｎ Ｐｒｏｊｅｃｔ，

ＣＭＩＰ５）的４０多个全球气候模式进行了全面评估，

指出相比于ＣＭＩＰ３（ｔｈｅｔｈｉｒｄｐｈａｓｅｏｆｔｈｅＣｏｕｐｌｅｄ

２０１８０５１１收到，２０１８０８２３收到再改稿。

资助项目：国家林业公益性行业科研专项（２０１３０４３０９）

邮箱：９４５９１０９０６＠ｑｑ．ｃｏｍ

第２９卷 第６期

２０１８年１１月 　　　 　　　　

应 用 气 象 学 报

ＪＯＵＲＮＡＬＯＦＡＰＰＬＩＥＤＭＥＴＥＯＲＯＬＯＧＩＣＡＬＳＣＩＥＮＣＥ　 　　 　　　

　 Ｖｏｌ．２９，Ｎｏ．６

Ｎｏｖｅｍｂｅｒ２０１８

ＭｏｄｅｌＩｎｔｅｒｃｏｍｐａｒｉｓｏｎＰｒｏｊｅｃｔ）模式，这些模式在

分辨率、外强迫和物理过程模拟等方面均有改

进［１３１６］。然而，由于空间分辨率较低，全球气候模式

数据在区域尺度气候变化研究中难以得到有效利

用，输出结果也不能直接应用于其他高分辨率模

型［１７］。降尺度是将大尺度、低分辨率的气候模式数

据通过动力或统计的方法转为到小尺度、高分辨率

气候因子数据的过程。常用的降尺度方法主要有统

计降尺度、动力降尺度两种。其中动力降尺度是利

用嵌套在全球气候模式中的区域气候模式生成高分

辨率气候因子的过程［８］。动力降尺度具有明确的物

理学和动力学意义，能够很好地描述地形、陆面特征

和海陆差异等［１８１９］。但动力降尺度依赖于全球气候

模式提供的边界条件，运算时需要大量、连续且有效

的数据，运算过程十分复杂，费时费力，而且在模拟

降水和气温的空间差异和系统误差时会出现较大偏

差。相比于动力降尺度，统计降尺度能有效将ＧＣ

Ｍｓ输出结果中物理意义明确、模拟效果较好的气

候信息经行处理从而应用于其他统计模式中去。同

时统计降尺度模型还具有计算量小、省时高效等优

点［２０２２］。

尽管经过统计降尺度模型处理的气候模式数据

可以得到广泛应用，但在降尺度过程中，不同的全球

气候模式，不同的预报因子选择以及不同的统计降

尺度方法都会对结果数据造成一些影响［２３］。对于

不同统计降尺度方法来说，所使用的数学模型不同，

对预报量平均值、极值、季节分配、年际波动和时空

关联信息等的模拟会有很大差异，且不同的统计降

尺度方法有各自的适用范围和优势功能［２４］，因此，

对于统计降尺度方法的比较与选择是目前区域气候

变化研究中的一个重要问题［２５］。本文基于ＡＳＤ统

计降尺度模型提供的多元线性回归和岭回归两种统

计降尺度方法，模拟和预估了研究区域１９６１—２１００

年的气温和降水，旨在探讨两种统计降尺度方法在

秦岭山地的适用性，从而得到研究区域未来气候变

化趋势，为秦岭山地应对气候变化的适应性研究提

供参考。

１　研究区域与研究方法

１．１　研究区域与数据来源

秦岭作为我国重要的南北自然分界线，是我国

１月０℃等温线、８００ｍｍ等降水线以及２０００ｈ日照

时数等值线［２６］。研究区域为陕西省境内的秦岭（图

１），又称陕西秦岭。陕西秦岭包含了秦岭山地的主

体，总面积为６１７２５．２８ｋｍ２，占整个秦岭山脉８０％

以上。受地形条件的影响，研究区域气候空间差异

较大：秦岭以南太阳辐射强、年均气温高、降水多、气

图１　秦岭山地高程

Ｆｉｇ．１　ＬｏｃａｔｉｏｎｏｆｍｅｔｅｏｒｏｌｏｇｉｃａｌｓｔａｔｉｏｎｓｉｎｔｈｅＱｉｎｌｉｎｇＭｏｕｎｔａｉｎｓ

８３７　　 　　　　　 　　　　　　　 　　　　　　应　用　气　象　学　报　　　　　　　 　　　 　　　　　　第２９卷　

候湿润，是典型的亚热带季风气候；而秦岭以北则相

反，太阳辐射较弱、年均气候较低、降水量也偏少，属

温带季风气候，植被多为暖温带针阔混交林与落叶

阔叶林，因长期的农业开发，现多为次生林。

本研究选取研究区域内数据完整的西安、宝鸡

等１０个气象站，使用１９６１—２００５年日平均气温和

日降水量观测数据及同期ＮＣＥＰ／ＮＣＡＲ再分析数

据（２．５°×２．５°）［２７］，分别采用两种统计降尺度方法

建立平均气温和降水的统计降尺度模型并进行验

证，其中１９６１—１９９０年为模型率定期，１９９１—２００５

年为模型验证期。而后选用参与耦合模式比较计划

第５阶段（ＣＭＩＰ５）的 ＭＰＩＥＳＭＬＲ 气候模式数

据［２８］对秦岭山区２００６—２１００年的日平均气温和降

水进行预估。由于预报因子组合模拟效果要优于任

何单一因子［２９３１］，因此，本文中所用预报因子不仅包

括环流因子（如风速分量、位势场），还包括温度、相

对湿度等要素（表１）。

表１　犖犆犈犘／犖犆犃犚和 犕犘犐犈犛犕犔犚预报因子

犜犪犫犾犲１　犘狉犲犱犻犮狋狅狉狊狌狊犲犱犳狅狉犖犆犈犘／犖犆犃犚

犪狀犱犕犘犐犈犛犕犔犚

序号 变量

１ ５００ｈＰａ相对湿度

２ ７００ｈＰａ相对湿度

３ ８５０ｈＰａ相对湿度

４ 海平面气压

５ ５００ｈＰａ温度

６ ７００ｈＰａ温度

７ ８５０ｈＰａ温度

８ 近地面温度

９ ５００ｈＰａ纬向风速

１０ ７００ｈＰａ纬向风速

１１ ８５０ｈＰａ纬向风速

１２ 近地面纬向风速

１３ ５００ｈＰａ经向风速

１４ ７００ｈＰａ经向风速

１５ ８５０ｈＰａ经向风速

１６ 近地面经向风速

１７ ５００ｈＰａ位势高度

１８ ７００ｈＰａ位势高度

１９ ８５０ｈＰａ位势高度

１．２　犃犛犇统计降尺度模型

ＡＳＤ模型是基于回归分析的统计降尺度模

型［３２］。该模型是在应用广泛的ＳＤＳＭ（ｓｔａｔｉｓｔｉｃａｌ

ｄｏｗｎｓｃａｌｉｎｇｍｏｄｅｌ）统计降尺度模型基础上开发

的，依托于 ＭＡＴＬＡＢ环境运行。

ＡＳＤ模型对于降水一般采用条件模拟，分两步

进行，降水发生概率和降水量：

犗犻＝α０＋∑狀

犼＝１

α犼犘犻犼， （１）

犚０．２５犻 ＝β０＋∑狀

犼＝１β犼犘犻犼＋犲犻。 （２）

其中，犗犻是日降水发生概率，犚犻 是日降水量，犘犻犼是

预报因子，狀是预报因子数量，α和β是模型参数，犲犻

是模型误差。

对于气温，一般采用无条件模拟，只需一步：

犜犻＝γ０＋∑狀

犼＝１

γ犻犼犘犻犼＋犲犻。 （３）

式（３）中，犜犻是日气温（最大、最小或平均），γ是模型

参数。

基于回归分析的统计降尺度方法通常利用多元

线性回归方法进行回归分析，然而预报量的非正交

性可能会使回归系数的最小二乘估计不稳定。ＡＳＤ

模型还提供了另外一种回归方法———岭回归。岭回

归方法可以消除预测量非正交性带来的影响。对于

线性模型狔＝犡犫＋犲，岭回归系数犫可用以下方程计

算：

犫＝ （犡Ｔ犡＋犽犐）－

１犡Ｔ狔。 （４）

其中，犐是一个恒等矩阵，犽是岭参数。当犽＝０时，犫

为最小二乘估计量。预测变量应首先标准化为零均

值和单位方差。

统计降尺度过程中预报因子的选择也十分重

要，其很大程度上决定了模拟结果。ＡＳＤ模型提供

了后向逐步回归和偏相关两种方法用于最优预报因

子选择，本研究使用后向逐步回归的方法进行预报

因子的选择，该方法逐步移除最不相关的因子，直到

剩余的因子均相关显著为止，这不仅有效避免了多

重共线性问题，而且能快速找到最相关的预报因子

组合。同时为了增加模拟序列的稳定性，本研究设

置的最大预报因子数设为５，模拟次数设为１００次。

２　结果分析

２．１　两种统计降尺度方法率定与验证效果评价

率定期（１９６１—１９９０年）评价指标主要描述两

种统计降尺度方法建立的统计关系对于预报量的模

拟效果，本研究选用解释方差（犚２）和均方根误差

（ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ，ＲＭＳＥ）两个评价指标。

解释方差表征建立的统计关系对预报量的方差解释

程度，犚２ 越接近１，表明建立的统计关系对于预报

９３７　第６期　　　　　　　　　　 　刘甲毅等：两种统计降尺度方法在秦岭山地的适用性　 　　　　　　　　　　　　　　

量的拟合效果越好；均方根误差越趋于０，说明模拟

结果越稳定。

　　从两种统计降尺度方法在各站点的解释方差和

均方根误差（表２、表３）可看到，两种统计降尺度方

法对气温解释方差均在０．９１以上，最高达０．９７，且

多元线性回归方法下各站点的均方根误差均控制在

０．０１以内，岭回归方法下大部分站点均方根误差可

控制在０．０２６以内。两种统计降尺度方法对降水解

释方差范围分别为０．１５３～０．２９７，０．１５５～０．２９７，

且两种统计降尺度方法对各站点降水均方根误差均

大于气温，鉴于降水本身的随机性和复杂性，使降水

的降尺度模拟更有挑战性，因此，获得这样的模拟结

果已属难得。比较两种统计降尺度方法在率定期对

各站点平均气温和降水的解释方差和均方根误差表

明，就大多数站点而言，无论是解释方差还是均方根

误差，多元线性回归模拟效果要优于岭回归。

表２　多元线性回归的解释方差和均方根误差

犜犪犫犾犲２　犈狓狆犾犪犻狀犲犱狏犪狉犻犪狀犮犲犪狀犱狉狅狅狋犿犲犪狀狊狇狌犪狉犲犲狉狉狅狉狅犳狋犺犲犿狌犾狋犻狆犾犲

犾犻狀犲犪狉狉犲犵狉犲狊狊犻狅狀犻狀犮犪犾犻犫狉犪狋犻狅狀狆犲狉犻狅犱

站点气温

解释方差 均方根误差

降水量

解释方差 均方根误差

宝鸡 ０．９６９ ０．００６０ ０．２０８ ０．６４８

西安 ０．９６８ ０．００６３ ０．１８２ ０．５６９

华山 ０．９１９ ０．００９３ ０．２４１ １．１４

略阳 ０．９６１ ０．００４３ ０．２６６ ２．３０

汉中 ０．９５８ ０．００５３ ０．２２７ ２．０８

佛坪 ０．９５６ ０．００５３ ０．１８４ ０．９５５

商县 ０．９７３ ０．００４０ ０．１９６ ０．８２６

镇安 ０．９６２ ０．００５９ ０．１５３ １．２４

石泉 ０．９６４ ０．００７５ ０．２９７ １．９５

安康 ０．９５７ ０．００８２ ０．２０４ １．２１

表３　岭回归的解释方差和均方根误差

犜犪犫犾犲３　犈狓狆犾犪犻狀犲犱狏犪狉犻犪狀犮犲犪狀犱狉狅狅狋犿犲犪狀狊狇狌犪狉犲犲狉狉狅狉狅犳

狋犺犲狉犻犱犵犲狉犲犵狉犲狊狊犻狅狀犻狀犮犪犾犻犫狉犪狋犻狅狀狆犲狉犻狅犱

站点气温

解释方差 均方根误差

降水量

解释方差 均方根误差

宝鸡 ０．９６９ ０．０１５７ ０．２０７ ０．８９９

西安 ０．９６８ ０．０１８８ ０．１７９ ０．７４９

华山 ０．９１９ ０．０１６４ ０．２４０ １．３５

略阳 ０．９６１ ０．０２２７ ０．２６７ ２．５５

汉中 ０．９５９ ０．０２５６ ０．２３４ ２．７３

佛坪 ０．９５６ ０．０１８０ ０．１８２ １．１８

商县 ０．９７３ ０．０１７５ ０．１９６ １．１２

镇安 ０．９６２ ０．０２１１ ０．１５５ １．６１

石泉 ０．９６２ ０．０２３１ ０．２９７ ２．０２

安康 ０．９５７ ０．０２５３ ０．２０４ １．９７

　　就秦岭整体区域而言，率定期两种统计降尺度

方法均可以很好地模拟平均气温（图２）和降水（图

３）。多元线性回归和岭回归模拟的平均气温平均值

和标准差基本与观测值重合。多元线性回归和岭回

归两种统计降尺度方法在率定期均不同程度的低估

了日降水量平均值、标准差和湿日概率，高估了最大

连续干旱日数。

　　验证期两种统计降尺度方法平均气温模拟值均

低于观测值（图４、图５），而标准差却高于观测气温

的标准差。多元线性回归模拟的平均气温平均值和

标准差与观测值的平均偏差分别是－０．２０８℃和

０．０１２６，岭回归模拟值与观测值的平均偏差分别是

－２．４３℃和０．０６２５。验证期多元线性回归模拟的

日降水量均值、标准差、最大连续干旱日数和湿日概

０４７　　 　　　　　 　　　　　　　 　　　　　　应　用　气　象　学　报　　　　　　　 　　　 　　　　　　第２９卷　

图２　率定期秦岭山地两种统计降尺度方法模拟与观测的月平均气温（ａ）和标准差（ｂ）比较

Ｆｉｇ．２　Ｃｏｍｐａｒｉｓｏｎｏｆｍｏｎｔｈｌｙｍｅａｎｖａｌｕｅ（ａ）ａｎｄｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ（ｂ）ｏｆｔｅｍｐｅｒａｔｕｒｅｂｅｔｗｅｅｎ

ｔｈｅｏｂｓｅｒｖｅｄａｎｄｔｈｅｓｉｍｕｌａｔｅｄｂｙｔｗｏｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇａｐｐｒｏａｃｈｅｓ

ｉｎｔｈｅＱｉｎｌｉｎｇＭｏｕｎｔａｉｎｓｄｕｒｉｎｇｃａｌｉｂｒａｔｉｏｎｐｅｒｉｏｄ

图３　率定期秦岭山地两种统计降尺度方法模拟与观测的降水量各特征量比较

Ｆｉｇ．３　Ｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔｃｌｉｍａｔｅｖａｒｉａｂｌｅｓｏｆｐｒｅｃｉｐｉｔａｔｉｏｎｂｅｔｗｅｅｎｔｈｅｏｂｓｅｒｖｅｄ

ａｎｄｔｈｅｓｉｍｕｌａｔｅｄｂｙｔｗｏｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇａｐｐｒｏａｃｈｅｓｉｎ

ｔｈｅＱｉｎｌｉｎｇＭｏｕｎｔａｉｎｓｄｕｒｉｎｇｃａｌｉｂｒａｔｉｏｎｐｅｒｉｏｄ

１４７　第６期　　　　　　　　　　 　刘甲毅等：两种统计降尺度方法在秦岭山地的适用性　 　　　　　　　　　　　　　　

图４　验证期秦岭山地两种统计降尺度方法模拟与观测的平均气温（ａ）和标准差（ｂ）的比较

Ｆｉｇ．４　Ｃｏｍｐａｒｉｓｏｎｏｆｍｅａｎｖａｌｕｅ（ａ）ａｎｄｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ（ｂ）ｏｆｔｅｍｐｅｒａｔｕｒｅｂｅｔｗｅｅｎ

ｔｈｅｏｂｓｅｒｖｅｄａｎｄｔｈｅｓｉｍｕｌａｔｅｄｂｙｔｗｏｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇａｐｐｒｏａｃｈｅｓｉｎ

ｔｈｅＱｉｎｌｉｎｇＭｏｕｎｔａｉｎｓｄｕｒｉｎｇｖａｌｉｄａｔｉｏｎｐｅｒｉｏｄ

图５　验证期秦岭山地两种统计降尺度方法模拟与观测的降水各特征量比较

Ｆｉｇ．５　Ｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔｃｌｉｍａｔｅｖａｒｉａｂｌｅｓｏｆｐｒｅｃｉｐｉｔａｔｉｏｎｂｅｔｗｅｅｎ

ｔｈｅｏｂｓｅｒｖｅｄａｎｄｔｈｅｓｉｍｕｌａｔｅｄｂｙｔｗｏｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇ

ａｐｐｒｏａｃｈｅｓｉｎｔｈｅＱｉｎｌｉｎｇＭｏｕｎｔａｉｎｓｄｕｒｉｎｇｖａｌｉｄａｔｉｏｎｐｅｒｉｏｄ

２４７　　 　　　　　 　　　　　　　 　　　　　　应　用　气　象　学　报　　　　　　　 　　　 　　　　　　第２９卷　

率与观测值平均偏差分别为０．０７１２ｍｍ，－０．１６１，

－１．７３ｄ和２．１０％，岭回归模拟值与观测值的平均

偏差分别是０．０３９１ｍｍ，－０．２３９，－１．７４ｄ 和

２．２２％。

　　从整个研究区来言，无论是率定期还是验证期，

两种统计降尺度方法均可较好地模拟平均气温平均

值，但对比两种降尺度方法模拟的平均气温和降水

与观测值的偏差，明显发现多元线性回归的模拟值

更接近观测值。

２．２　未来气候情景模拟

本研究使用 ＲＣＰ４．５，ＲＣＰ８．５排放情景下

ＭＰＩＥＳＭＬＲ大尺度气候预报因子，生成基准期

（１９６１—１９９０年）和未来３个时期（２００６—２０４０年

（早期）、２０４１—２０７０年（中期）和２０７１—２１００年（末

期））的秦岭山地气候变化情景。

与基准期相比，两种统计降尺度方法预估的两

种情景下，未来３个时期秦岭山地的平均气温增加

趋势均很明显（图６）。图６ａ为多元线性回归预估

的平均气温在２１世纪的变化情况，在年尺度上，

ＲＣＰ４．５ 情景，３ 个时期平均气温增幅分别是

０．９５２℃，１．８６℃和１．８０℃；ＲＣＰ８．５情景，３个时期

平均气温增幅更加明显，分别增高了 １．０１℃，

２．２５℃和３．７８℃。在季节尺度上，ＲＣＰ４．５情景，３

个时期夏、秋、冬季平均气温的最大增幅均发生在

２１世纪中期，分别增高了２．４５℃，２．１０℃和１．５３℃，

春季最大增幅发生在２１世纪末期，增高了１．４１℃；

ＲＣＰ８．５情景下，３个时期春、夏、秋、冬季的最大增

幅均发生在２１世纪末期，依次分别是２．８３℃，５．１４℃，

图６　两种统计降尺度方法预估的不同情景下秦岭山地未来３个时期平均气温变幅

（ａ）多元线性回归，（ｂ）岭回归

Ｆｉｇ．６　ＦｕｔｕｒｅｍｅａｎｔｅｍｐｅｒａｔｕｒｅｃｈａｎｇｅｉｎｔｈｅＱｉｎｌｉｎｇＭｏｕｎｔａｉｎｓｇｅｎｅｒａｔｅｄ

ｂｙｔｗｏｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇａｐｐｒｏａｃｈｅｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔ

ｓｃｅｎａｒｉｏｓｉｎｄｉｆｆｅｒｅｎｔｐｅｒｉｏｄｓ

（ａ）ｔｈｅｍｕｌｔｉｐｌｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎ，（ｂ）ｔｈｅｒｉｄｇｅｒｅｇｒｅｓｓｉｏｎ

３４７　第６期　　　　　　　　　　 　刘甲毅等：两种统计降尺度方法在秦岭山地的适用性　 　　　　　　　　　　　　　　

４．２２℃和２．９３℃。图６ｂ为岭回归预估的平均气温

增幅，在年尺度上，ＲＣＰ４．５情景，２１世纪３个时期，

最高气温分别增加了０．９９℃，１．８９℃和１．９２℃；

ＲＣＰ８．５情景下，３个时期平均气温分别增高了

１．０２℃，２．２８℃和３．８５℃。在季节尺度上，ＲＣＰ４．５

情景下，３个时期春、秋、冬季最大增幅发生在２１世

纪末期，分别增高了１．４８℃，２．１３℃和１．５３℃，夏季

最大增幅发生在２１世纪中期，增加了２．６５℃；

ＲＣＰ８．５情景，３个时期春、夏、秋、冬季的最大增幅

均发生在２１世纪末期，依次分别增加了２．８３℃，

５．５１℃，４．２２℃和２．８３℃。两种统计降尺度结果均

显示，两种情景下，２１世纪秦岭山地平均气温呈显

著增加趋势。

　　与基准期相比，两种统计降尺度方法预估的秦

岭山地降水在２１世纪均以轻微减少为主，趋势不明

显（图７）。图７ａ为多元线性回归预估的２１世纪降

水变幅，在年尺度上，ＲＣＰ４．５情景下，３个时期日降

水 量 变 化 分 别 是 ０．０７８１ ｍｍ，－２．２０ ｍｍ 和

－０．４４２ｍｍ；ＲＣＰ８．５情景下，３个时期日降水量变化

分别是－０．２６８ｍｍ，０．０８５３ｍｍ和－１．３７ｍｍ。在季

节尺度上，ＲＣＰ４．５情景，３个时期春、冬季日降水

量最大变幅发生于２１世纪末期，分别是１．３４ｍｍ和

图７　两种统计降尺度方法预估的不同情景下秦岭山地未来３个时期降水量变化

（ａ）多元线性回归，（ｂ）岭回归

Ｆｉｇ．７　ＦｕｔｕｒｅｐｒｅｃｉｐｉｔａｔｉｏｎｃｈａｎｇｅｉｎｔｈｅＱｉｎｌｉｎｇＭｏｕｎｔａｉｎｓｇｅｎｅｒａｔｅｄｂｙｔｗｏｓｔａｔｉｓｔｉｃａｌ

ｄｏｗｎｓｃａｌｉｎｇａｐｐｒｏａｃｈｅｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｓｃｅｎａｒｉｏｓｉｎｄｉｆｆｅｒｅｎｔｐｅｒｉｏｄｓ

（ａ）ｔｈｅｍｕｌｔｉｐｌｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎ，（ｂ）ｔｈｅｒｉｄｇｅｒｅｇｒｅｓｓｉｏｎ

４４７　　 　　　　　 　　　　　　　 　　　　　　应　用　气　象　学　报　　　　　　　 　　　 　　　　　　第２９卷　

－０．４０７ｍｍ；夏、秋季最大变幅发生在２１世纪中

期，分别是－５．０６ｍｍ 和－３．８１ｍｍ；ＲＣＰ８．５情

景，３个时期夏、冬季降水最大变幅发生于２１世纪

末期，分别是－４．５５ｍｍ和－０．６７３ｍｍ；春季日降

水量最大变幅发生在２１世纪早期，为２．７３ｍｍ；秋

季日降水量最 大变幅发生在 ２１世纪中 期，为

１．２１ｍｍ。图７ｂ是岭回归预估的２１世纪秦岭山地

降水变化情况，在年尺度上，ＲＣＰ４．５情景下，３个时

间段日降水量变化分别是０．０７１４ｍｍ，－１．７９ｍｍ和

－０．１６９ｍｍ；ＲＣＰ８．５情景下，３个时期的日降水量

变化分别是－０．２７７ｍｍ，１．８６ｍｍ和－０．９２８ｍｍ。

在季节尺度上，ＲＣＰ４．５情景下，３个时期夏、秋季最

大日降水量变幅出现在 ２１ 世纪中期，分别是

－３．６５ｍｍ 和－３．０９ｍｍ，春、冬季最大变幅出现

在２１世纪末期，分别为１．３２ｍｍ和－０．５９３ｍｍ；

ＲＣＰ８．５情景下，３个时期春、夏、秋季最大日降水量

变幅 出 现 在 ２１ 世 纪 中 期，分 别 是 ２．４１ ｍｍ，

－３．５４ｍｍ和２．８９ｍｍ，冬季最大变幅发生在２１

世纪后期，为－１．０２ｍｍ。综合两种统计降尺度方

法下的模拟结果可以发现，在未来两种气候情景下，

２１世纪秦岭山地的降水量呈不显著的减少趋势。

３　结　论

本研究基于ＡＳＤ模型提供的多元线性回归与

岭回归两种统计降尺度方法，采用秦岭山地及周边

１０个气象站观测的平均气温和降水量数据、ＮＣＥＰ／

ＮＣＡＲ再分析数据以及气候模式 ＭＰＩＥＳＭＬＲ输

出数据，对秦岭山地的气温和降水进行统计降尺度

模拟和预估研究。主要结论如下：

１）两种统计降尺度方法均能较好地模拟秦岭

山地平均气温和降水的变化特征，两种统计降尺度

方法模拟的各站平均气温解释方差均在０．９１以上，

降水解释方差均在０．１５以上。率定期和验证期内，

模拟的平均气温和降水各特征量与观测值相近。但

无论是解释方差、均方根误差还是模拟的各气候要

素与观测值偏差，多元线性回归的模拟效果要优于

岭回归。

２）在未来 ＲＣＰ４．５和ＲＣＰ８．５两种典型浓度

路径情景下，两种统计降尺度方法预估的研究区域

平均气温都将继续上升，气温增幅随着辐射强迫增

大而增大。ＲＣＰ４．５情景下，区域内年平均气温在

２１世纪前期快速升高，之后升温趋势减慢，２１世纪

后期趋于稳定，２１世纪末期，两种降尺度方法预估

的平均气温增幅分别为１．７９℃和１．９２℃；ＲＣＰ８．５

情景下，２１世纪年平均气温一直持续上升，２１世纪

末期年平均气温增幅分别是３．７８℃和３．８５℃。两

种统计降尺度方法预估的研究区年均降水以轻微减

少为主，趋势不显著，但季节分配发生变化，春季呈

微弱的增加趋势，夏、秋和冬季呈减少趋势，且夏季

减幅最大。

３）比较分析多元线性回归与岭回归两种统计

降尺度方法在秦岭山地对平均气温和降水的模拟效

果及情景预估结果，认为多元线性回归降尺度方法

更适用于秦岭气候变化预估研究。

参 考 文 献

［１］　白红英．秦巴地区森林植被对环境变化的响应．北京：科学出

版社，２０１４．

［２］　张莉，丁一汇，吴统文，等．ＣＭＩＰ５模式对２１世纪全球和中国

年平均地表气温变化和２℃升温阈值的预估．气象学报，

２０１３，７１（６）：１０４７１０６０．

［３］　傅抱璞，李兆元．秦岭山地的气候特点．陕西气象，１９８３（１）：１

１１．

［４］　刘洪滨，邵雪梅．秦岭南坡佛坪１７８９年以来１～４月平均温度

重建．应用气象学报，２００３，１４（２）：１８８１９６．

［５］　高翔，白红英，张善红，等．１９５９—２００９年秦岭山地气候变化

趋势研究．水土保持通报，２０１２，３２（１）：２０７２１１．

［６］　叶笃正，曾庆存，郭裕福．当代气候研究．北京：气象出版社，

１９９１．

［７］　董敏，吴统文，王在志，等．ＢＣＣ＿ＣＳＭ１．０模式对２０世纪降水

及其变率的模拟．应用气象学报，２０１３，２４（１）：１１１．

［８］　汪方，丁一汇．全球气候模式对东亚地区地表短波辐射的模拟

检验．应用气象学报，２００８，１９（６）：７４９７５９．

［９］　陈丽娟，顾伟宗，伯忠凯，等．黄淮地区夏季降水的统计降尺度

预测．应用气象学报，２０１７，２８（２）：１２９１４１．

［１０］　高超，张正涛，陈实，等．ＲＣＰ４．５情景下淮河流域气候变化的

高分辨率模拟．地理研究，２０１４，３１（３）：４６７４７７．

［１１］　周鑫，李清泉，孙秀博，等．ＢＣＣ＿ＣＳＭ１．１模式对我国气温的

模拟和预估．应用气象学报，２０１４，２５（１）：９５１０６．

［１２］　ＳｕｎＱＨ，ＭｉａｏＣＹ，ＤｕａｎＱＹ．Ｐｒｏｊｅｃｔｅｄｃｈａｎｇｅｓｉｎｔｅｍｐｅｒａ

ｔｕｒｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎｉｎｔｅｎｒｉｖｅｒｂａｓｉｎｓｏｖｅｒＣｈｉｎａｉｎ２１ｓｔ

ｃｅｎｔｕｒｙ．犐狀狋犑犆犾犻犿犪狋狅犾，２０１５，３５（６）：１１２５１１４１．

［１３］　ＩＰＣＣ．ＣｌｉｍａｔｅＣｈａｎｇｅ２０１４：ＴｈｅＰｈｙｓｉｃａｌＳｃｉｅｎｃｅＢａｓｉｓ．Ｃｏｎ

ｔｒｉｂｕｔｉｏｎｏｆＷｏｒｋｉｎｇＧｒｏｕｐⅢｔｏｔｈｅＦｉｆｔｈＡｓｓｅｓｓｍｅｎｔＲｅ

ｐｏｒｔｏｆｔｈｅＩｎｔｅｒｇｏｖｅｎｍｅｎｔａｌＰａｎｅｌｏｎＣｌｉｍａｔｅＣｈａｎｇｅ．Ｃａｍ

ｂｒｉｄｇｅ＆ＮｅｗＹｏｒｋ：ＣａｍｂｒｉｄｇｅＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，２０１４．

［１４］　赵宗慈，罗勇，黄建斌．评估４３个ＣＭＩＰ５模式模拟全球能量

平衡能力．气候变化研究进展，２０１５，１１（３）：２２７２３０．

［１５］　刘昌明，刘文彬，傅国斌，等．气候影响评价中统计降尺度若干

问题的探讨．水科学进展，２０１２，２３（３）：４２７４３７．

５４７　第６期　　　　　　　　　　 　刘甲毅等：两种统计降尺度方法在秦岭山地的适用性　 　　　　　　　　　　　　　　

［１６］　李巧萍，丁一汇，董文杰．ＳＲＥＳＡ２情景下未来３０年我国东

部夏季降水变化趋势．应用气象学报，２００８，１９（６）：７７０７８０．

［１７］　丁梅，江志红，陈威霖．非齐次隐马尔可夫降尺度方法对江淮

流域夏季逐日降水的模拟及其评估．气象学报，２０１６，７４（５）：

７５７７７１．

［１８］　ＭａｒａｕｎＤ，ＲｕｓｔＨ Ｗ，ＯｓｂｏｒｎＲＪ．ＳｙｎｏｐｔｉｃａｉｒｆｌｏｗａｎｄＵＫ

ｄａｉｌｙｐｒｅｃｉｐｉｔａｔｉｏｎｅｘｔｒｅｍｅｓ：Ｄｅｖｅｌｏｐｍｅｎｔａｎｄｖａｌｉｄａｔｉｏｎｏｆａ

ｖｅｃｔｏｒｇｅｎｅｒａｌｉｓｅｄｌｉｎｅａｒｍｏｄｅｌ．犈狓狋狉犲犿犲狊，２０１０，１３（２）：１３３

１５３．

［１９］　ＣｈｒｉｓｔｅｎｓｅｎＪＨ，ＣｈｒｉｓｔｅｎｓｅｎＯＢ．ＡｓｕｍｍａｒｙｏｆＰＲＵＤＥＮＣＥ

ｍｏｄｅｌｐｒｏｊｅｃｔｉｏｎｓｏｆｃｈａｎｇｅｓｉｎＥｕｒｏｐｅａｎｃｌｉｍａｔｅｂｙｔｈｅｅｎｄｏｆ

ｔｈｉｓｃｅｎｔｕｒｙ．犆犾犻犿犆犺犪狀犵犲，２００７，８１（１）：７３０．

［２０］　陈丽娟，李维京，张培群，等．降尺度技术在月降水预报中的应

用．应用气象学报，２００３，１４（６）：６４８６５５．

［２１］　ＣｈｕＪＴ，ＸｉａＪ，ＸｕＣＹ．Ｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇｔｈｅｄａｉｌｙｐｒｅ

ｃｉｐｉｔａｔｉｏｎｆｏｒｃｌｉｍａｔｅｃｈａｎｇｅｓｃｅｎａｒｉｏｓｉｎＨａｉｈｅＲｉｖｅｒｂａｓｉｎｏｆ

Ｃｈｉｎａ．犑狅狌狉狀犪犾狅犳 犖犪狋狌狉犪犾犚犲狊狅狌狉犮犲狊，２００８，２３（６）：１０６８

１０７７．

［２２］　曾晓青，王式功，刘还珠，等．统计降尺度方法在青海省冬季最

低温度预测中的应用．高原气象，２００９，２９（６）：１４７１１４７７．

［２３］　ＧｉｏｒｇｉＦ，ＭｅａｒｎｓＬＯ．Ｃａｌｃｕｌａｔｉｏｎｏｆａｖｅｒａｇｅ，ｕｎｃｅｒｔａｉｎｔｙｒａｎｇｅ，

ａｎｄｒｅｌｉａｂｉｌｉｔｙｏｆｒｅｇｉｏｎａｌｃｌｉｍａｔｅｃｈａｎｇｅｓｆｒｏｍＡＯＧＣＭｓｉｍｕｌａ

ｔｉｏｎｓｖｉａｔｈｅ“ｒｅｌｉａｂｉｌｉｔｙｅｎｓｅｍｂｌｅａｖｅｒａｇｉｎｇ”（ＲＥＡ）ｍｅｔｈｏｄ．犑

犆犾犻犿犪狋犲，２００２，１５（１０）：１１４１１１５８．

［２４］　刘永和，郭维栋，冯锦明，等．气象资料的统计降尺度方法综

述．地球科学进展，２０１１，２６（８）：８３７８４７．

［２５］　ＭａｒａｕｎＤ，ＷｅｔｔｅｒｈａｌｌＦ，ＩｅｓｏｎＡＭ，ｅｔａ１．Ｐｒｅｃｉｐｉｔａｔｉｏｎｄｏｗｎｓｃａｌ

ｉｎｇｕｎｄｅｒｃｌｉｍａｔｅｃｈａｎｇｅ：Ｒｅｃｅｎｔｄｅｖｅｌｏｐｍｅｎｔｓｔｏｂｒｉｄｇｅｔｈｅｇａｐ

ｂｅｔｗｅｅｎｄｙｎａｍｉｃａｌｍｏｄｅｌｓａｎｄｔｈｅｅｎｄｕｓｅｒ．犚犲狏犌犲狅狆犺狔狊，２０１０，

４８（３）：６３３６５０．

［２６］　白红英，马新萍，高翔，等．基于ＤＥＭ 的秦岭山地１月气温及

０℃等温线变化．地理学报，２０１２，６７（１１）：１４４３１４５０．

［２７］　ＴａｌｌａｐｒａｇａｄａＶ．ＯｖｅｒｖｉｅｗｏｆｔｈｅＮＯＡＡ／ＮＣＥＰＯｐｅｒａｔｉｏｎａｌ

ＨｕｒｒｉｃａｎｅＷｅａｔｈｅｒＲｅｓｅａｒｃｈａｎｄＦｏｒｅｃａｓｔ（ＨＷＲＦ）Ｍｏｄｅｌ

ｌｉｎｇＳｙｓｔｅｍ．ＡｄｖａｎｃｅｄＮｕｍｅｒｉｃａｌＭｏｄｅｌｉｎｇａｎｄＤａｔａＡｓｓｉｍｉ

ｌａｔｉｏｎＴｅｃｈｎｉｑｕｅｓｆｏｒＴｒｏｐｉｃａｌＣｙｃｌｏｎｅＰｒｅｄｉｃｔｉｏｎ．Ｓｐｒｉｎｇｅｒ

Ｎｅｔｈｅｒｌａｎｄｓ，２０１６．

［２８］　陈晓晨，徐影，许崇海，等．ＣＭＩＰ５全球气候模式对中国地区

降水模拟能力的评估．气候变化研究进展，２０１４，１０（３）：２１７

２２５．

［２９］　唐慧琴，曾刚，黄悦．ＢＣＣ＿ＣＳＭ１．１（ｍ）模式对热带太平洋潜

热通量的评估．应用气象学报，２０１６，２７（４）：４６３４７２．

［３０］　ＨｕｔｈＲ．Ｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇｏｆｄａｉｌｙｔｅｍｐｅｒａｔｕｒｅｉｎｃｅｎ

ｔｒａｌＥｕｒｏｐｅａｎ．犑犆犾犻犿犪狋犲，２００２，１５（１３）：１７３１１７４２．

［３１］　ＨｕｔｈＲ．Ｓｅｎｓｉｔｉｖｉｔｙｏｆｌｏｃａｌｄａｉｌｙｔｅｍｐｅｒａｔｕｒｅｃｈａｎｇｅｅｓｔｉｍａｔｅｓｔｏ

ｔｈｅｓｅｌｅｃｔｉｏｎｏｆｄｏｗｎｓｃａｌｉｎｇｍｏｄｅｌｓａｎｄｐｒｅｄｉｃｔｏｒｓ．犑犆犾犻犿犪狋犲，

２００４，１７（３）：６４０６５２．

［３２］　ＨｅｓｓａｍｉＭ，ＧａｃｈｏｎＰ，ＯｕａｒｄａＴＢ，ｅｔａｌ．Ａｕｔｏｍａｔｅｄｒｅｇｒｅｓ

ｓｉｏｎｂａｓｅｄｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇｔｏｏｌ．犈狀狏犻狉狅狀犿犲狀狋犪犾犕狅犱犲犾

犻狀犵犪狀犱犛狅犳狋狑犪狉犲，２００８，２３（６）：８１３８３４．

６４７　　 　　　　　 　　　　　　　 　　　　　　应　用　气　象　学　报　　　　　　　 　　　 　　　　　　第２９卷　

犜犺犲犃狆狆犾犻犮犪犫犻犾犻狋狔狅犳犜狑狅犛狋犪狋犻狊狋犻犮犪犾犇狅狑狀狊犮犪犾犻狀犵犕犲狋犺狅犱狊

狋狅狋犺犲犙犻狀犾犻狀犵犕狅狌狀狋犪犻狀狊

ＬｉｕＪｉａｙｉ１）２）　ＤｅｎｇＬｉｊｉａｏ

１）　ＦｕＧｕｏｂｉｎ

３）　ＢａｉＨｏｎｇｙｉｎｇ

１）２）　ＷａｎｇＪｕｎ

１）２）

１）（犆狅犾犾犲犵犲狅犳犝狉犫犪狀犪狀犱犈狀狏犻狉狅狀犿犲狀狋犪犾犛犮犻犲狀犮犲，犖狅狉狋犺狑犲狊狋犝狀犻狏犲狉狊犻狋狔，犡犻犪狀７１０１２７）

２）（犛犺犪犪狀狓犻犓犲狔犔犪犫狅狉犪狋狅狉狔狅犳犈犪狉狋犺犛狌狉犳犪犮犲犛狔狊狋犲犿犪狀犱犈狀狏犻狉狅狀犿犲狀狋犪犾犆犪狉狉狔犻狀犵犆犪狆犪犮犻狋狔，犡犻犪狀７１０１２７）

３）（犆犛犐犚犗犔犪狀犱犪狀犱犠犪狋犲狉，犠犲犿犫犾犲狔犠犃６９１３，犃狌狊狋狉犪犾犻犪）

犃犫狊狋狉犪犮狋

ＴｈｅＱｉｎｌｉｎｇＭｏｕｎｔａｉｎｓｉｓｎｏｔｏｎｌｙｔｈｅｄｉｖｉｄｉｎｇｌｉｎｅｏｆｎｏｒｔｈｅｒｎＣｈｉｎａａｎｄｓｏｕｔｈｅｒｎＣｈｉｎａ，ｂｕｔａｌｓｏ

ｔｈｅｄｉｖｉｄｉｎｇｌｉｎｅｂｅｔｗｅｅｎｍｏｎｓｏｏｎｃｌｉｍａｔｅｏｆｍｅｄｉｕｍｌａｔｉｔｕｄｅｓａｎｄｓｕｂｔｒｏｐｉｃａｌｍｏｎｓｏｏｎｃｌｉｍａｔｅｉｎＣｈｉｎａ，

ｉ．ｅ．，ｔｈｅｄｉｖｉｄｉｎｇｌｉｎｅｂｅｔｗｅｅｎＣｈｉｎａｓｗａｒｍｔｅｍｐｅｒａｔｅａｎｄｓｕｂｔｒｏｐｉｃａｌｒｅｇｉｏｎｓ．Ｉｔａｌｓｏｈａｓａｂｕｎｄａｎｔｎａｔｕ

ｒａｌｒｅｓｏｕｒｃｅｓｂｅｃａｕｓｅｏｆｉｔｓｓｐｅｃｉａｌｇｅｏｇｒａｐｈｉｃａｌｌｏｃａｔｉｏｎａｎｄｃｏｍｐｌｅｘｃｌｉｍａｔｅｅｎｖｉｒｏｎｍｅｎｔ．Ｉｎｔｈｅｃｏｎｔｅｘｔ

ｏｆｇｌｏｂａｌｗａｒｍｉｎｇ，ｉｍｐａｃｔｓｏｆｃｌｉｍａｔｅｃｈａｎｇｅｏｎｆｏｒｅｓｔｅｃｏｓｙｓｔｅｍｓｉｎｔｈｅＱｉｎｌｉｎｇＭｏｕｎｔａｉｎｓａｒｅｏｆｇｒｅａｔ

ｓｉｇｎｉｆｉｃａｎｃｅ．Ｇｌｏｂａｌｃｌｉｍａｔｅｍｏｄｅｌｗｈｉｃｈｉｓｗｉｄｅｌｙｕｓｅｄｉｎｌａｒｇｅｓｃａｌｅｃｌｉｍａｔｅｓｉｍｕｌａｔｉｏｎｓｔｕｄｉｅｓ，ｃａｎｎｏｔｂｅ

ａｐｐｌｉｅｄｉｎｔｈｉｓｒｅｇｉｏｎｄｕｅｔｏｌｏｗｒｅｓｏｌｕｔｉｏｎ．Ｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇｍｏｄｅｌｃａｎｂｅｕｓｅｄｔｏｐｒｏｖｉｄｅｌｏｃａｌｓｃａｌｅ

ｄａｉｌｙｔｅｍｐｅｒａｔｕｒｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｓｔｕｄｙｉｎｇｃｌｉｍａｔｅｃｈａｎｇｅｉｍｐａｃｔｓｏｆｔｈｉｓｒｅｇｉｏｎ．Ｄｉｆｆｅｒｅｎｔｓｔａｔｉｓｔｉｃａｌ

ｄｏｗｎｓｃａｌｉｎｇｍｏｄｅｌｓｈａｖｅｄｉｆｆｅｒｅｎｔｐｒｉｎｃｉｐａｌｓ，ａｓｗｅｌｌａｓｄｉｆｆｅｒｅｎｔｐｒｅｄｉｃｔｏｒｓ．Ｔｈｅｒｅｆｏｒｅ，ｉｔｉｓｎｅｃｅｓｓａｒｙｔｏ

ｃｏｍｐａｒｅｄｉｆｆｅｒｅｎｔｄｏｗｎｓｃａｌｉｎｇｍｏｄｅｌｓａｎｄｔｏｓｅｌｅｃｔｍｏｒｅａｐｐｒｏｐｒｉａｔｅｄｏｗｎｓｃａｌｉｎｇｍｏｄｅｌｔｏｏｂｔａｉｎｒｅａｓｏｎａ

ｂｌｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓ．ＦｏｃｕｓｉｎｇｏｎｔｈｅｆｕｔｕｒｅｄａｉｌｙｍｅａｎｔｅｍｐｅｒａｔｕｒｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｔｈｅＱｉｎｌｉｎｇ

Ｍｏｕｎｔａｉｎｓ，ｔｈｅｍｕｌｔｉｐｌｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎａｎｄｔｈｅｒｉｄｇｅｒｅｇｒｅｓｓｉｏｎｄｏｗｎｓｃａｌｉｎｇａｐｐｒｏａｃｈｅｓｂａｓｅｄｏｎＡＳＤ

（ａｕｔｏｍａｔｅｄｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇ）ｍｏｄｅｌａｒｅｉｍｐｌｅｍｅｎｔｅｄ．Ｏｕｔｐｕｔｓｆｒｏｍｔｈｅｇｅｎｅｒａｌｃｉｒｃｕｌａｔｉｏｎｍｏｄｅｌ

（ＭＰＩＥＳＭＬＲ）ｕｎｄｅｒＲＣＰ４．５ａｎｄＲＣＰ８．５ｓｃｅｎａｒｉｏｓａｒｅａｎａｌｙｚｅｄ．Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｗｏｓｔａｔｉｓｔｉｃａｌ

ｄｏｗｎｓｃａｌｉｎｇａｐｐｒｏａｃｈｅｓｄｕｒｉｎｇｃａｌｉｂｒａｔｉｏｎａｎｄｖａｌｉｄａｔｉｏｎｐｅｒｉｏｄｓａｒｅａｎａｌｙｚｅｄａｎｄｆｕｔｕｒｅｃｌｉｍａｔｅｃｈａｎｇｅ

ｐｒｏｊｅｃｔｉｏｎｓｉｎｐｅｒｉｏｄｓｏｆ２００６－２０４０，２０４１－２０７０ａｎｄ２０７１－２１００ａｒｅｇｅｎｅｒａｔｅｄ．Ｄｕｒｉｎｇｔｈｅｃａｌｉｂｒａｔｉｏｎ

ａｎｄｖａｌｉｄａｔｉｏｎｐｅｒｉｏｄｓ，ｂｏｔｈｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇａｐｐｒｏａｃｈｅｓｐｅｒｆｏｒｍｗｅｌｌｉｎｓｉｍｕｌａｔｉｎｇｔｈｅｍｅａｎｔｅｍ

ｐｅｒａｔｕｒｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎ．Ｈｏｗｅｖｅｒ，ｔｈｅｍｕｌｔｉｐｌｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｐｅｒｆｏｒｍｂｅｔｔｅｒｔｈａｎｔｈｅｒｉｄｇｅｒｅｇｒｅｓ

ｓｉｏｎ，ａｎｄｔｈｅｍｅａｎｏｆｓｉｍｕｌａｔｅｄｔｅｍｐｅｒａｔｕｒｅｉｓｂｅｔｔｅｒｔｈａｎｔｈａｔｏｆｐｒｅｃｉｐｉｔａｔｉｏｎ．Ｂｏｔｈｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌ

ｉｎｇａｐｐｒｏａｃｈｅｓｐｒｏｊｅｃｔａｎｉｎｃｒｅａｓｅｆｏｒｔｈｅｍｅａｎｔｅｍｐｅｒａｔｕｒｅａｎｄｉｔｓｍａｇｎｉｔｕｄｅｓｄｅｐｅｎｄｉｎｇｏｎｔｈｅｅｍｉｓｓｉｏｎ

ｓｃｅｎａｒｉｏｓ，ｉ．ｅ．，ＲＣＰ８．５ｒｅｓｕｌｔｉｎｇｉｎａｈｉｇｈｅｒｔｅｍｐｅｒａｔｕｒｅｔｈａｎＲＣＰ４．５．Ｔｈｅａｎｎｕａｌｐｒｅｃｉｐｉｔａｔｉｏｎｗｏｕｌｄ

ｓｌｉｇｈｔｌｙｄｅｃｒｅａｓｅｂｕｔｎｏｔｓｔａｔｉｓｔｉｃａｌｌｙｓｉｇｎｉｆｉｃａｎｔｌｙ，ｗｈｉｌｅｔｈｅｓｅａｓｏｎａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆａｎｎｕａｌｐｒｅｃｉｐｉｔａｔｉｏｎ

ｗｉｌｌｃｈａｎｇｅ，ａｓｌｉｇｈｔｌｙｉｎｃｒｅａｓｅｉｎｓｐｒｉｎｇａｎｄａｄｅｃｒｅａｓｅｉｎｏｔｈｅｒｓｅａｓｏｎｓ，ｅｓｐｅｃｉａｌｌｙｉｎｓｕｍｍｅｒ．Ｉｎｓｕｍｍａ

ｒｙ，ｔｈｅｍｕｌｔｉｐｌｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｉｓｍｏｒｅｓｕｉｔａｂｌｅｆｏｒｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇｒｅｓｅａｒｃｈｉｎｔｈｅＱｉｎｌｉｎｇ

Ｍｏｕｎｔａｉｎｓ．

犓犲狔狑狅狉犱狊：ｃｌｉｍａｔｅｃｈａｎｇｅ；ｆｕｔｕｒｅｓｃｅｎａｒｉｏｓ；ｓｔａｔｉｓｔｉｃａｌｄｏｗｎｓｃａｌｉｎｇ；ｔｈｅＱｉｎｌｉｎｇＭｏｕｎｔａｉｎｓ

７４７　第６期　　　　　　　　　　 　刘甲毅等：两种统计降尺度方法在秦岭山地的适用性