Page 113 - 2022年第53卷第8期

P. 113

的自相关系数迅速衰减，而ＤＡＲＭＡ模型更适合于模拟ＡＣＦ衰减缓慢的长持续性降水序列。因而西北
内陆误差较东南沿海大，与降水量从东南沿海向西北内陆递减有较大关联；（３）新疆、西藏和内蒙古
等部分少降水地区ｒ误差较为明显。分析结果显示，ＤＡＲＭＡ（１，１）模型能保持各站点日降水量的统
１
计特征值及自相关性，适用于中国日降水量的随机模拟，且在东南沿海效果更好。
按多年平均日降水量大小对站点进行划分，讨论模型ＤＡＲＭＡ适用性。其中，０～１ｍｍ有１３０个
站点、１～２ｍｍ有２７０个站点、２～３ｍｍ有１３４个站点、３～４ｍｍ有１４２个站点、４～５ｍｍ有９９个站
点、大于５ｍｍ的站点有３６个。计算不同多年平均日降水量区间内，ＤＡＲＭＡ（１，１）和ＤＡＲ（１）模型
各１００组模拟日降水量的ｘ、Ｃ、Ｃ、Ｒ和ｒ的平均误差，并统计拟合更优的站点占比情况，计算
ｍｅａｎｖｓｍ１１
结果如表３所示。
表３不同降水区间日降水量模拟平均误差及拟合更优占比统计表

平均误差拟合更优占比平均误差拟合更优占比
ＤＡＲＭＡＤＡＲＤＡＲＭＡＤＡＲＤＡＲＭＡＤＡＲＤＡＲＭＡＤＡＲ
０．０５５０．０５４０．４３８０．５６２０．０５４０．０５１０．４１５０．５８５
ｘｍｅａｎ
１．４５６１．４６９０．６５４０．３４６０．５６９０．５８５０．７２６０．２７４
Ｃｖ
０～１ｍｍ４．８００４．８５４０．５６９０．４３１１～２ｍｍ１．９００１．９７７０．７４１０．２５９
Ｃｓ
２８．１１４２８．７５６０．５２３０．４７７４５．７１１４７．８３６０．６７４０．３２６
Ｒｍ１
ｒ０．１４１０．１４４０．６０８０．３９２０．０７１０．０８００．８３７０．１６３
１
０．０７１０．０５８０．３８１０．６１９０．０６６０．０４９０．３３８０．６６２
ｘｍｅａｎ
０．５１１０．５２００．７０９０．２９１０．４５９０．４６４０．６８３０．３１７
Ｃｖ
２～３ｍｍ１．７７９１．８２２０．６９４０．３０６３～４ｍｍ１．７９２１．８１１０．６６９０．３３１
Ｃｓ
６５．２９４６７．４８２０．５９００．４１０８９．２２７９０．４５６０．５７７０．４２３
Ｒｍ１
ｒ０．０６９０．０７７０．８６６０．１３４０．０７８０．０８５０．９５１０．０４９
１
０．１０９０．０８３０．３３３０．６６７０．１９８０．２０３０．５２８０．４７２
ｘｍｅａｎ
０．３２２０．３３００．６７７０．３２３０．３９８０．４０５０．７５００．２５０
Ｃｖ
４～５ｍｍ１．３００１．３２３０．６７７０．３２３＞５ｍｍ１．６４７１．６６１０．６３９０．３６１
Ｃｓ
９０．０１６９２．７３５０．７０７０．２９３１２６．１７３１３０．８６８０．７２２０．２７８
Ｒｍ１
ｒ０．１０１０．１１２１００．１３７０．１４５１０
１
从表３可以发现：（１）降水量较小区域均值误差在０．０５ｍｍ以内，降水量较大区域误差为０．１ｍｍ
以内，在多年日平均降水量大于５ｍｍ地区误差为０．２ｍｍ以内，ＤＡＲＭＡ（１，１）模型的ｒ平均误差为
１
０．０９９，ＤＡＲ（１）为０．１０７，模拟效果较好；（２）由于序列中存在大量无降水日，使得原序列的Ｃ和Ｃ值
ｖｓ
较大，且最大一日降水量出现的不确定性高，在随机抽样的过程中产生一定误差；（３）ＤＡＲＭＡ（１，１）
模型的Ｃ、Ｃ、Ｒ和ｒ平均误差小于ＤＡＲ（１）模型，拟合更优站点占较多比重，更好的保持了实测日
１
ｖ
ｍ１
ｓ
降水量的统计特征值，模拟的序列具有实用性；（４）在多年平均日降水量小于５ｍｍ的地区，采用
ＤＡＲ（１）模型模拟所得日降水量均值的误差更小，随着降水量的增加，具有长持续性特点的ＤＡＲＭＡ
（１，１）模型在日降水量均值的模拟上，逐渐优于ＤＡＲ（１）模型，在多年平均日降水量大于５ｍｍ的地
区，ＤＡＲＭＡ（１，１）模拟的均值误差为０．１９８，小于ＤＡＲＡ（１）的误差０．２０３，且有５２．８％的站点都是
ＤＡＲＭＡ（１，１）更优；（５）随着多年平均日降水量的增加，ＤＡＲＭＡ（１，１）模型的优势更加明显，均值
更优站点占比从０．４３８增加到０．５２８，Ｃ更优占比从０．６５４增加到０．７５，Ｃ从０．５６９增加到０．６３９，Ｒ从
ｖｓｍ１
０．５２３增加到０．７２２，ｒ更优占比变化最为明显，从０．６０８增加到１。
１
选取的５个评价指标中，若同一模型有大于等于３个指标与原序列更为接近，则认为该模型为该
站点的最优拟合模型，统计发现８１１个气象站点中，有５１８个站点为ＤＡＲＭＡ更优，占比６４％，绘制
最优拟合模型分布图如图６，黄色为ＤＡＲ模型最优，绿色为ＤＡＲＭＡ模型最优。由图６可知，在云

— １００ —
０

108 109 110 111 112 113 114 115 116 117 118