为了加深研究气候变化对区域水文水资源的影响，有必要使GCM与流域水文模型耦合。通过耦合可以增加对土壤—植被—大气系统之间相互联系的了解，从而进一步认识大气系统与水文水资源之间的关系。

由于GCM的水平网格分辨率一般在104～105km，缺少足够的区域尺度下的气候过程，地形情况以及海陆分布情况等因素，所以将其直接应用到区域尺度上是非常困难的。对GCM与流域水文模型耦合，首先要解决如何将GCM的输出降解到区域尺度上，与流域水文模型相匹配。这就需要发展能将GCM模型给出大尺度气象信息降解到区域尺度的方法，然后将其作为区域水文模型的输入，利用水文模型计算区域内的水资源变化情况。图10.1-1给出了GCM与流域水文模型耦合的流程。

降尺度方法有4种，即：①简单降尺度法；②动力降尺度法；③统计降尺度法；④动力与统计相结合的降尺度法。传统的简单降尺度法是利用GCM邻近几个网格点的输出进行线性或非线性插值（Carter等，1992），但是由于地形等原因，插值往往没有意义，误差很大，应用比较少。近年来在此基础上发展了基于Delta的插值方法。Delta方法是美国国家评价中心推荐应用的未来气候情景生成方法。应用Delta方法降解GCM输出信息反映的气候变化是相对变化而不是绝对变化（Hay等，2000）。郝振纯等（2009）以Delta方法为基础，通过双三次多项式曲面插值方法（Dualistic Cubic Surface Interpolation，DCSI）来考虑气候要素变化率在GCM大尺度网格内的空间不均匀性，以增强降尺度处理后的气候降水情景的空间描述能力，提出了气候情景Delta-DCSI降尺度方法。

图10.1-1　GCM与流域水文模型耦合流程图

10.1.2.1 动力降尺度方法

动力降尺度法最早于20世纪80年代末由美国的Giorgi和Dickinson（Giorgi等，1989；Giorgi，1990；Dickinson等，1989）提出，其主要思想是通过建立与GCM耦合的高分辨率的有限区域模型（LAM）或区域气候模型（RCM）来预估未来区域的气温、降雨等气候因素的变化情景。经过近二十几年的发展，各国均发展与GCM耦合的区域气候模型RCM，如由美国国家大气研究中心将中尺度模式LAM与GCM耦合，建立区域气候模式RegCM1（Giorgi和Bates，1993），后来又发展其改进版RegCM2和RegCM3；意大利国际理论物理中心的区域气候模式RegCM_ICTP；美国西北太平洋国家实验室区域气候模式PNNL-RCM；中国气象局国家气候中心的区域气候模式RegCM_NCC；中国科学院大气物理研究所的区域环境系统集成模式RIEMS等。

由于动力降尺度法具有物理意义明确，不受观测资料的影响，可以应用不同的分辨率，反映影响局地气候的地面特征量及其气候本身未来的波动规律等特点，在国内外研究气候变化对水文水资源的影响中得到广泛应用。

Dickinson等（1989）将全球气候模式GCM1作为区域气候模式MM4的边界，模拟美国西部的气候，使气候模型输出的空间尺度由500km降解到60km；Leavesley等（1992）将GCM与地形降水模型耦合，分别输出空间尺度为2.5km、5km和10km的降雨，研究气候变化对山地区域的影响；Jones等（1995，1996）在CO 2加倍的情形下，用GCM和RCM模拟欧洲10年的气候；Jacob等（1997）研究了区域气候模型REMO在模拟区域的面积、水平分辨率、初始条件和边界条件等方面对模拟结果的影响；Christensen等（1998）将全球环流模式ECHAM4/OPYC3与分辨率分别为57km和19km的区域气候模式进行双层耦合，用来模拟北欧Scandinavian地区当代区域气候情景；Leung等（2004）将全球环流模式NCAR/DOE PCM与区域气候模式MM5耦合，用来模拟21世纪美国西部沿海和山区地区的气候变化；Blenkinsop等（2007）将欧洲PRUDENCE计划中的6种区域气候模式与4种GCM进行耦合，研究气候变化对英国未来干旱事件发生频率、强度、持续时间的影响；Dankers等（2007）利用GCM驱动的区域气候模型HIRHAM将GCM的分辨率降解到12km，并与流域水文模型LISFLOOD耦合，研究气候变化对洪水极值事件的影响；Hans（2007）将区域气候模型与流域水文模型NAM耦合，研究气候变化对丹麦河川径流的影响；Leander等（2007）分别利用与全球环流模式Had AM3 H和ERA40耦合的区域气候模型RACMO，研究其对洪水极值事件模拟效果；Seth等（2007）利用NCEP再分析资料和全球环流模式ECHAM驱动的区域气候模型RegCM3，研究气候变化对南美洲热带地区的影响。

李维亮等（1996）用其通过改进RegCM2而得到的区域气候模式，对中国地区在CO2倍增后的气候变化进行模拟；中国气象局国家气候中心使用与澳大利亚全球环流模式CSIRO AOGCM R21L9耦合的区域气候模型ReCM2，对中国大陆及周边地区在分辨率为60km的条件下进行气候模拟（高学杰等，2003a，2003b，2003c）；袁飞等（2005）利用区域气候模式系统PRECIS驱动流域水文模型VIC，研究气候变化对海河流域水文特性的影响；许吟隆等（2006）利用Hadley气候预测与研究中心的区域气候模式系统PRECIS与全球环流模式Had AM3P耦合，分析PRECIS对中国区域当代气候的模拟能力以及SRESB2情景下，2071—2100年相对于气候基准时期（1961—1990年）中国区域的气候变化响应；陈楠等（2007）利用区域气候模式系统PRECIS，研究气候变化对宁夏回族自治区的影响。

动力降尺度法存在的主要缺点是计算量很大、费机时，而且模拟效果受GCM提供的边界条件影响大，兼容性差，在不同区域使用时需要重新调整参数。这些不足都限制了动力降尺度法的发展。

10.1.2.2 统计降尺度方法

1.统计降尺度法的基本原理

区域气候是以大尺度气候为背景的，并且受区域下垫面特征，如地形、离海岸的距离、植被等的影响。在某个给定的范围内，大尺度和中小尺度气候变量之间应该是相关的，也就是说统计降尺度法是基于3条假设条件（Xu，1999；Fowler，2007）：①大尺度气候场和区域气候要素场之间具有显著的统计关系；②大尺度气候场能被GCM很好模拟；③在变化的气候情景下，建立的统计关系是有效的。所以应用统计降尺度法时，就是利用多年观测气候资料建立大尺度气候因子（主要为大气环流因子）和区域气候要素（区域内的气温，降水等）之间建立统计关系，并用独立的观测资料检验这种关系，最后应用这种关系将未来气候变化情景的GCM输出大尺度信息转化为区域气候变化情景。(www.daowen.com)

统计降尺度由Kim等（1984）首先提出，其中利用了气温、降水季节循环的空间分布，后经Wigley（1990），Karl（1990），Wilby等人的研究，获得了进一步的发展。统计降尺度法可以将GCM中物理意义较好、模拟较准确的气候信息应用于统计模式，从而纠正GCM的系统误差，并且不用考虑边界条件对预测结果的影响。与动力降尺度法相比，有以下特点（范丽军等，2005）：计算量非常小，节省机时，可以很快地模拟出百年尺度的区域气候信息，同时很容易应用于不同的GCM模式，还能将大尺度气候信息降尺度到站点。统计降尺度方法较多，概括起来主要有以下3类：①转换函数法；②环流分型技术；③天气发生器。

2.转换函数法

转换函数法是统计降尺度法中应用最多的一种。根据建立统计函数的不同类型，分为线性转换函数法和非线性转换函数法。最常用的线性转化函数法是线性回归法。Murphy（2000）用多元线性回归方程模拟了欧洲的月平均气温和降水；Hellström等（2001）利用它估计了瑞士的降水；陈华等（2008）利用它研究了汉江流域的降水变化；Fan（2009）也应用其模拟了中国的月气温变化情况；还有一些回归方法，如逐步线性回归方法（Chen等，1999；刘吉峰，2008），主成分分析与多元线性回归相结合的方法（Bergant，2001），主成分分析与逐步线性回归相结合的方法（Ruping等，2002），典型相关分析法（CCA）和奇异值分解法（SVD）等，也应用到统计降尺度方法中。Busuioc等（1999）应用EOF-CCA方法估计Sweden的降水；Oshima等（2002）分别应用PCA-CCA和SVD方法预测日本的降水，并对两种方法做了比较研究。

Wilby等（1999，2002a，2003）研制的SDSM（Statistical Downscaling Model）是目前国内外应用最广泛的统计降尺度方法。SDSM结合了多元线性回归和天气发生器特点。Harpham和Wilby（2005）应用SDSM研究英国西北和东南部降水变化，并与ANN方法进行比较。Dibike和Coulibaly（2005）应用SDSM和LASR-WG降尺度方法和水文模型耦合，研究了加拿大Saguenay流域对气候变化的响应。Wilby等（2006）应用SDSM和水量模型（CATCHMOD）及水质模型（INCA）耦合，研究气候变化对英国Kennet河流域水量水质的影响。Chu等（2010）将SDSM应用到国内的海河流域，进行降尺度研究。

人工神经网络（ANN）法是统计降尺度研究中常用一种非线性方法，其具有并行处理、容错性、自学习等功能。Mpelasoka等（2001）用ANN模拟了新西兰的月平均气温和降水；Coulibaly等（2005）用时间神经网络（Temporal Neural Network）对日降水和日气温进行降尺度研究；郭靖等（2010）用BP神经网络研究了汉江流域的降水变化情况。近些年，支持向量机（SVM）（Tripathi等，2006）、相关向量机（RVM）（Ghosh等，2008；Chen等，2008）、光滑支持向量机（陈华等，2008b）也被用来进行统计降尺度分析。

3.环流分型技术

环流分型技术是对和区域气候变化有关的大尺度大气环流因子进行分类，常用的大尺度大气环流信息有海平面气压场、位势场、气流指数场、风向场、风速场、云量场等。应用环流分型方法对降水、气温等区域气候变量进行统计降尺度时，首先，应用已有的大尺度大气环流和区域气候变量的观测资料，对与区域气候变量相关的大气环流因子进行分型；其次，计算各环流型平均值、发生的频率和方差分布，以及在各天气型发生情况下，区域气候变量的平均值、发生频率和方差分布；最后，通过把未来环流型的相对频率加权到区域气候状态，得到未来区域气候变量值。分型方法主要有两种，即主观分型法和客观分型法。由于主观分型法依赖于气象工作者的经验，并且无法重建，因此客观分型技术应用较多。客观分型技术多利用统计方法进行分型，如相似方法（Zorita等，1995），PCA、CCA、平均权重串组法（Chen，2000），PCA—平均权重串组相结合法（Wilson等，1992），人工神经网络分类法（Michaelides等，2001）和模糊规则为基础的分类方法（Bárdossy等，2002）等。

4.天气发生器

天气发生器是一系列可以构建气候要素随机过程的统计模型，它们可以被看作复杂的随机数发生器。天气发生器通过直接拟合气候要素的观测值，得到统计模型的拟合参数，然后用统计模型模拟生成随机的气候要素的时间序列。它的优点之一，就是不仅能产生气候平均值，而且可以任意调整气候变率，生成任意长度的时间序列。对于模拟日降水的发生，有两种基本的发生器：马尔可夫链方法和有雨或无雨延续天数计算方法。马尔可夫链方法就是某站某天的天气状况发生与否仅与该站前一天的天气状况有关。如果某天确定有降水发生，那么就可以用概率分布函数来计算该天日降水量了。无雨延续天数的计算指的是前一天是无雨的情况下，无雨延续的天数；有雨延续天数的计算指的是前一天有雨情况下，有雨延续的天数。

随着人们对气候变化可能影响未来水文极值事件发生频率的关心，以及GCM模拟能力的提高，天气发生器在统计降尺度研究中得到广泛应用。Wilby（1998）利用马尔可夫链和多元线性回归法，建立日降水模型进行降尺度研究。Wilks等（1999）应用干旱或降水延续天数计算方法，对日降水系列进行了降尺度研究。Robertson等（2004）利用非均匀隐马尔可夫链模型，对巴西东北部的降水进行了降尺度研究。吴金栋和王馥棠（2000）利用天气发生器WGEN研究中国东北地区气候变化情况。陈喜（2001）和Chen等（2006）利用马尔可夫链，对东江流域的日降水系列进行了降尺度研究。

5.统计降尺度法比较

许多学者比较研究了各种统计降尺度法的优缺点以及不确定性。Zorita等（1999）比较了相似法、典型相关分析方法CCA、基于人工神经网路的非线性转换函数法以及环流分型法，结果表明相似法在很多方面要优于其他方法。Wetterhall等（2006，2007）将基于主成分分析的相似方法，基于Teweles-Wobus Scores的相似方法，模糊聚类为基础的环流分型，以及多元线性回归和马尔可夫链相结合法等4种统计降尺度方法，分别应用到Sweden和中国的3个流域，进行日降水系列的降尺度研究，并比较这4种方法的优缺点和适应性；Chen等（2010）比较光滑支持向量机（SSVM）和人工神经网络（ANN）对汉江流域降水的模拟能力。

10.1.2.3 动力与统计结合降尺度方法

统计降尺度和区域气候模式RCM相结合的方法就称为统计动力降尺度法。这种方法集合了统计降尺度法和动力降尺度法的优点。与动力降尺度法相比，减少机时；与统计降尺度法相比，不再依赖于长期的观测数据，有广泛的发展前景。例如Hellström等（2003）比较了多元线性回归与区域气候模式RCA1耦合，多元线性回归与GCM直接耦合在瑞典的应用效果，得出统计动力降尺度法更优的结果。目前该方法还存在空间分辨率受区域模式限制的缺点。