2008年1月中国南方地区经历了历史上罕见的大范围低温、 雨雪和冰冻灾害(王凌等，2008; 陶诗言和卫捷，2008; 卫捷和陶诗言，2008; 李崇银和顾薇，2010)。2009/2010年冬季，包括我国在内的北半球多个国家和地区遭受大范围低温冰雪的袭击(陈洪滨和范学花，2011; 孙诚和李建平，2012)。2011年1月，我国发生了近年来极为罕见的一次全国性极端低温事件，其影响范围之广、 持续时间之长是1977年以来最重大的一次事件(陈洪滨和范学花，2012; 封国林等，2012)。随着全球变暖，极端事件的强度增加、 频率增大，极端气候事件对人类社会、 经济和自然生态系统的影响也越来越重要(翟盘茂和任福民，1997; 丁裕国和江志红，1999; 任福民和翟盘茂，1998; 陈隆勋等，1998; 严中伟和杨赤等，2000; 潘晓华，2002; 翟盘茂和潘晓华，2003; 唐红玉等，2005)，做好极端事件的预测不仅关系到国计民生，还对提高气候预测准确率有着较为重要的作用。

随着科学的发展，国际上许多发达国家开始了以全球模式为主的动力气候预测业务。但是，目前全球模式的分辨率一般较低，区域尺度偏差较大(郎咸梅等，2003)。我国处于地形复杂的东亚季风区，更需要高分辨率模式信息。动力降尺度方法，需要计算资源，物理过程和耦合技术相当耗时并有一定的技术难度。而统计降尺度方法，相对简便易行，且其精度并不亚于动力方法。利用统计降尺度模型SDSM(Statistical DownScaling Model)，对全球气候模式结果进行降尺度应用，开展动力统计相结合的方法，可提高对冬季最低气温、 夏季最高气温、 夏季热浪指数和极端降水的预测准确率(范丽军等，2005; 王冀等，2008; 江志红等，1999; 胡宜昌等，2007; Lang and Wang，2010)，是一个非常简便易行的方法，可以在短期气候预测中进行试验和推广。

所用的资料有三类: 第一类为基准台站资料，是由中国气象局气象信息中心所提供的中国区域752个台站19512011年的日最低气温数据集。该数据集经过了一定的均一性检验，具有较好的质量(Li et al，2004)。图 1是台站分布。第二类为19512011年逐月的NCEP/NCAR(简称NCEPI)再分析资料，包括500 hPa高度场、 海平面气压场、 200 hPa纬向和经向风场、 850 hPa纬向和经向风场、 850 hPa温度场等(Kalnay et al，1996; Kistler et al，2001)。第三类为国家气候中心第一代海气耦合模式(下称BCC_CGCM1.0)19832010年的月、 季预测结果数据。BCC_CGCM1.0由全球大气环流模式(T63L16 AGCM_1.0)与全球海洋环流模式(L30T63)通过日通量距平耦合方案在开洋面上逐日耦合而形成的。该模式在2005年正式业务化，每月初进行未来11个月的积分预测。大气初始场为前一个月最后8天逐日NCEPI再分析资料，海洋初始场为国家气候中心第一代海洋资料同化模式(BCC_GODAS)生成的6个海洋资料。模式结果为48个样本的集合平均。该模式的预测结果，不仅在国家气候中心的短期气候业务预测中发挥作用，还在以中国、 韩国和日本为主的东亚季风预测中起着重要的预测参考作用。本文以该模式10月份预测的未来冬季预测结果为依托，进行冬季极端低温日数的降尺度统计预测。

图 1(Figure 1)

图 1 中国752个基准站点的地理分布 Figure 1 The distribution of the 752 observation station over China

冬季极端低温日数的确定，是根据世界气象组织(WMO)气候委员会(CCI)/全球气候研究计划(WCRP)气候变化与可预测性计划(CLIVAR)气候变化检测、 监测和指标专家组(ETCCDMI)的定义(Karl et al，1999; Peterson et al，2001)(http://etccdi.pacificclimate.org/list_27_indices.shtml)，将逐日最低气温历史序列中第10%对应的值确定为极端气候指标。将前一年12月和当年1月、 2月共3个月的月尺度极端低温日数累加记为冬季极端低温日数。

利用旋转EOF将全国冬季极端低温日数划分为7个区域(图 2)，区域中站点的极端低温日数加权平均值作为区域平均极端低温日数。针对每个区域，分别计算该区域冬季极端低温日数的历史时间序列与NCEPI资料和BCC_CGCM1.0模式结果的500 hPa高度场、海平面气压场、200 hPa纬向和经向风场、850 hPa纬向和经向风场、850 hPa温度场的相关系数。对每个区域(7个区域)普查影响该区域冬季极端低温日数的关键因子，然后综合考虑，选取至少3个气象要素共同通过95%或90%显著性水平的区域，确定为关键影响区。

图 2(Figure 2)

图 2 冬季极端低温日数分区 Figure 2 Sub-regions of extreme winter cold days(EWCD)over China

逐步回归法是从可供挑选的变量中，根据一定的显著性标准，每步只选一个变量进入回归方程，并要求当步选出的变量是所有可供挑选的变量中能使剩余方差下降最多的一个。逐步回归时，由于新变量的引进，可使已进入回归方程的变量变得不显著，从而在下一步给以剔除。因此逐步回归能使最后组成的方程只包含重要的变量。由于逐步回归时根据一定的标准引进变量的，因此一些不重要的变量，可能完全没有机会引进回归方程。这就提高了筛选因子的效率。

针对冬季极端低温日数的7个区域，利用前期选取的关键影响区，用逐步回归法分别进行建模，建模时段为19832010年共28年。图 3为19832010年逐步回归SDSM法对我国冬季极端低温日数的预测结果与实况的时间距平相关系数(ACC)相关。从ACC分析来看，除新疆和东北部分地区外，全国大部分地区的相关都通过了99%的显著性水平(r ＞49区域)。

图 3(Figure 3)

图 3 1983-2010年逐步回归SDSM法对冬季极端低温日数预测与实况的时间相关系数(单位: %)阴影区值32%、 38%、 49%、 60%分别代表相关系数达到90%、 95%、 99%和99.9%显著性水平的阈值 Figure 3 The correlation coefficient of EWCD between hindcasts by the stepwise regression SDSM and observations during 1983-2010.Unit: %.The shaded area value 32%，38%， 49%，60% represent the 90%，95%，99% and 99.9%significance level threshold，respectively

图 4是一些个例年份回报结果与实况的比较，用以检验逐步回归SDSM方法对我国冬季极端低温日数的预测效果。从图 4中可以看到，不论是冷冬年(1983年)、 暖冬年(1990年)还是正常年(2005年)，对BCC_CGCM1.0模式动力预测结果进行统计降尺度所建立的预测模型，均能较好地预测出全国大部地区冬季极端低温日数的分布形势，对全国大部分地区的低温日数的预测也与实况比较接近。

图 4(Figure 4)

图 4 1983(a, b), 1990(c, d), 2005(e, f)年逐步回归SDSM法对冬季极端低温日数的预测(a, c, e)与实况(b, d, f)的对比 Figure 4 Forecasts(a, c, e)by the stepwise regression SDSM and observations(b, d, f)of EWCD in 1983(a, b), 1990(c, d)and 2005(e, f)

一个预测方法的历史回报效果好，不一定代表该方法的实时预测效果也会好。在2011年10月年度会商之际，基于BCC_CGCM1.0当时发布的10月初的预测结果，用逐步回归SDSM法开展了一次冬季低温日数的实时预测试验。图 5a为当时逐步回归SDSM法对2011/2012年冬季极端低温日数的预测结果，图 5b为该年冬季极端低温日数的实况。对比图 5a和5b可以看出，逐步回归SDSM法预测出了该年冬季东北、 西北地区等北方大部地区低温日数偏多的形势，也预测出了该年冬季长江中下游和华南地区低温日数偏多的形势，但是也存在部分偏差，例如对我国中部地区的低温日数预测偏多。

图 5(Figure 5)

图 5 逐步回归SDSM法对2011/2012年冬季极端低温日数的预测(a)和实况(b) Figure 5 The realtime forecast(a)and observation(b)of EWCD in 2011/2012 winter by the stepwise regression SDSM

考虑到东亚地形的复杂性，以及全球气候模式对东亚地区气候特征的模拟性能均较差，利用统计降尺度模型，对全球气候模式结果在东亚地区进行降尺度应用，可提高对东亚以及中国地区极端事件的预测准确率，是一个非常简便易行的方法。

本文以国家气候中心第一代海气耦合模式的季节预测结果数据为基础，利用逐步回归统计学方法对其全球模式数据结果在中国地区进行统计降尺度解释应用，开展我国冬季极端低温日数的预测。不论是19832010年的历史回算结果，还是2011/2012年冬季的实时预测结果，均显示: 该统计降尺度方法，可以基本正确地预测出我国冬季极端低温日数趋势，建议在气候预测业务中推广应用。