S2S氣候模式產(chǎn)品在黃河流域徑流預(yù)測中的應(yīng)用*

劉綠柳 王國復(fù) 肖 潺

國家氣候中心,北京 100081

提 要：次季節(jié)氣候和徑流預(yù)測是主動減災(zāi)的一個關(guān)鍵?；趪覛夂蛑行牡谌鷼夂蚰Ｊ较到y(tǒng)的次季節(jié)到季節(jié)模式(CMA-CPS v3 S2S)的氣候預(yù)測信息和HBV水文模型,應(yīng)用集合預(yù)測技術(shù)研發(fā)了未來40 d時段平均徑流量和時段內(nèi)極端干旱概率預(yù)測模型,應(yīng)用平均方差技巧評分、距平相關(guān)系數(shù)、相對操作特征曲線面積、布賴爾技巧評分開展了回報檢驗,并檢驗了2021年黃河流域徑流異常預(yù)測效果。結(jié)果表明,所建模型能夠以較高技巧預(yù)測黃河流域未來40 d時段平均的徑流量,且表現(xiàn)出枯季預(yù)測技巧高、濕季技巧低的季節(jié)差異;對秋末11月和冬季3個月(12月、1月、2月)的極端干旱概率預(yù)測也有較高技巧。對于2021年5—8月黃河上中游干旱和9—10月的秋汛,該方法正確預(yù)測了除6月、9月外的其他4個月的徑流異常方向,但異常程度與實況存在差異。對徑流預(yù)測水平影響因素的進一步分析表明,S2S降水預(yù)測能力影響徑流預(yù)測水平,特別是豐水期的徑流預(yù)測,但還有降水之外的其他因素影響徑流預(yù)測技巧。

引 言

近年來,具有次季節(jié)尺度特征的極端氣候和水文事件,如熱帶氣旋、高溫?zé)崂艘约皬娊邓土饔蚝闈车鹊膹姸群陀绊懛秶找鏀U大(任宏利等,2015;李曉嵐,2020)。由于缺乏足夠早的預(yù)警信息,導(dǎo)致應(yīng)對極端事件的準(zhǔn)備和采取措施不充分,全球每年都會因此造成重大人員和財產(chǎn)損失(周佰銓和翟盤茂,2023)。例如,2008年1月我國南方地區(qū)歷史罕見的低溫雨雪低溫冰凍過程,2019年8月臺風(fēng)利奇馬,2021年山西罕見秋汛等均造成了巨大的社會經(jīng)濟損失(丁一匯等,2008;李健等,2021);2003年歐洲高溫?zé)崂嗽斐?.5萬人死亡(Mitton,2008),2015年巴基斯坦高溫?zé)崂艘恢軆?nèi)造成200多人死亡(Nasim et al,2018)。對于許多管理決策層來說,次季節(jié)預(yù)測是主動減災(zāi)的一個關(guān)鍵,可為有效防災(zāi)減災(zāi)、科學(xué)風(fēng)險管理決策提供重要信息,具有潛在的社會和經(jīng)濟價值(齊艷軍和容新堯,2014;Vitart et al,2017)。2013年世界氣象組織(WMO)制定的次季節(jié)到季節(jié)(sub-seasonal to seasonal,S2S)氣候預(yù)測計劃(Robertson et al,2015)有效促進了次季節(jié)氣候預(yù)測的發(fā)展,也為S2S水文預(yù)測的發(fā)展提供了契機。

次季節(jié)尺度河川徑流可預(yù)測性主要來源于氣候異常的可預(yù)測性和預(yù)測開始時刻的陸地水分條件(Mahanama et al,2008),將氣候模式預(yù)測的氣候異常和土壤濕度信息帶入流域水文模型有助于提高次季節(jié)尺度的徑流預(yù)測能力(Ying et al,2016),但兩者對徑流預(yù)測技巧的貢獻具有時變特征(Wood and Lettenmaier,2008;Yuan et al,2016;Liu et al,2019;2021)。已有研究表明,基于國家氣候中心第二代氣候預(yù)測模式與水文模型耦合的延伸期、季節(jié)尺度的流域徑流預(yù)測具有一定預(yù)測技巧,且干旱半干旱區(qū)的黃河流域預(yù)測技巧高于南方濕潤區(qū)的長江、珠江(Liu et al,2019;2021)。目前,涵蓋次季節(jié)、季節(jié)和年際氣候預(yù)測的國家氣候中心氣候預(yù)測模式系統(tǒng)(China Meteorological Administration-Climate Prediction System version 3,CMA-CPS v3,原BCC-CPS v3)已投入業(yè)務(wù)試運行階段。與第二代相比,模式的物理過程參數(shù)化方案、動力框架等多個方面得以改進優(yōu)化,水平和垂直分辨率進一步提高(Li et al,2019;Wu et al,2019;2020;Lu et al,2020)。本文將探討CMA-CPS v3的S2S模式與水文模型耦合的黃河流域未來40 d內(nèi)的徑流及枯水期干旱預(yù)測能力,并嘗試分析S2S降水預(yù)測能力對徑流預(yù)測精度的影響。

1 數(shù)據(jù)與方法

1.1 基礎(chǔ)數(shù)據(jù)

觀測氣候數(shù)據(jù)為2004年以來降水和氣溫逐日序列,該套數(shù)據(jù)來源于國家氣象信息中心整編的2000多個國家級一般氣象站和基準(zhǔn)氣候站逐日氣候觀測數(shù)據(jù)集。

國家氣候中心研發(fā)的CMA-CPS v3氣候模式預(yù)測業(yè)務(wù)系統(tǒng)基于高分辨率氣候模式BCC-CSM2-HR(大氣水平分辨率:約45 km,海洋水平分辨率:0.25°),發(fā)展了耦合同化和集合預(yù)測方法,包含S2S、季節(jié)、年際氣候預(yù)測。其中,S2S預(yù)測子系統(tǒng)提供未來60 d的次季節(jié)尺度氣候預(yù)測,季節(jié)預(yù)測子系統(tǒng)提供未來7個月的季節(jié)-年際尺度氣候預(yù)測。受計算資源限制,S2S歷史回報只開展了2006—2020年部分起報日的氣候回報,每次模擬包含4個成員。從2021年起的實時預(yù)測則每天運行,于當(dāng)天北京時間18:10定時啟動4個并行作業(yè),構(gòu)成4個集合成員。本研究所用的氣候模式數(shù)據(jù)來自S2S氣候預(yù)測子系統(tǒng)2006年以來的回報和實時預(yù)測數(shù)據(jù)集中的降水、氣溫數(shù)據(jù),取離預(yù)測月第一天最近的前一個月最后6 d的逐日降水量和日平均氣溫。表1列出了每月1日徑流回報所使用的氣候驅(qū)動數(shù)據(jù)的起報日期及對應(yīng)預(yù)測時段起止日期。

1.2 水文模型與徑流回報

HBV最初由瑞典國家水文氣象局開發(fā),之后不斷改進,已經(jīng)在幾十個國家得到廣泛應(yīng)用(徐宗學(xué),2009),包括在中國不同氣候、不同地質(zhì)地貌地區(qū)的應(yīng)用(趙彥增等,2007;董立凡等,2016;米瑪次仁等,2019)。本研究采用針對大尺度流域水文模擬開發(fā)的HBV-D模型(Krysanova et al,1999)模擬黃河流域花園口站的逐日徑流,模擬過程中不考慮水庫調(diào)度和人類取用水問題。前期研究表明該模型能夠較好地模擬花園口站的月天然徑流過程,率定期(1961—1980年)和驗證期(1981—1998年)的納什效率系數(shù)分別為0.76和0.73,徑流量模擬偏差均為3.7%,相關(guān)系數(shù)分別為0.88和0.86(Liu et al,2021)。在此基礎(chǔ)上,進一步分析了該模型對1961—1998年枯水段11—3月的月徑流模擬能力,逐月模擬徑流與觀測徑流的相關(guān)系數(shù)分別為0.91、0.71、0.70、0.64、0.76,表明能較好地模擬枯水期月徑流過程。因此用2006—2020年每月1日起1～40 d的S2S模擬氣候和提前2年的觀測氣候驅(qū)動該水文模型開展徑流回報,然后提取預(yù)測時段內(nèi)的逐日徑流建立徑流回報數(shù)據(jù)集和徑流異常預(yù)測模型,并開展檢驗評估。

從表1可以看出,徑流集合回報成員對應(yīng)的大氣初值日期相差很大。考慮到預(yù)測時效和成員個數(shù)對集合預(yù)測技巧均有影響,按照預(yù)測時效由短到長、預(yù)測成員由少到多的順序設(shè)計了不同的徑流集合預(yù)測方案,對應(yīng)的成員個數(shù)分別為4、8、12、16、20、24個,用以分析預(yù)測時效和集合成員個數(shù)對集合預(yù)測技巧的影響。圖1給出了以7月1日為起報日的徑流回報集合成員的構(gòu)成方式。

表1 CMA-CPS v3 S2S氣候模式回報起報日及徑流預(yù)測時段Table 1 Start date of hindcasts by CMA-CPS v3 S2S climate model and periods of runoff prediction

1.3 徑流預(yù)測模型

徑流異常包括時段平均的確定性預(yù)測、集合概率預(yù)測,以及時段內(nèi)干旱發(fā)生概率預(yù)測。確定性預(yù)測是指預(yù)測時段內(nèi)集合平均值與歷史同期多年平均值的距平百分率。時段平均的集合概率預(yù)測為三分類預(yù)測,指預(yù)測時段內(nèi)累計徑流量落在同期第33.3%分位閾值以內(nèi)、第33.3%～第66.7%分位閾值和超過第66.7%分位閾值的成員個數(shù)百分比。多年平均值為2006—2020年平均的預(yù)測時段平均徑流量,三分位閾值為2006—2020年預(yù)測時段內(nèi)所有集合成員時段平均徑流量樣本序列的第33.3%、第66.7%分位閾值。

考慮到11月至次年3月黃河流域徑流偏枯,用該時段歷史回報的逐日徑流序列定義干旱閾值。首先對所有集合成員2006—2020年11月至次年3月每個月1日起報的1～40 d的逐日徑流進行10 d滑動平均,然后對滑動平均值按從小到大排序,計算第15%、第10%分位數(shù)值,分別對應(yīng)1級干旱閾值、2級干旱閾值。在此基礎(chǔ)上,基于實時預(yù)測的1～40 d 逐日徑流計算10 d滑動平均值,通過式(1)計算1、2級干旱發(fā)生概率。

(1)

式中:p為極端徑流發(fā)生概率;Threshlddrought為干旱閾值;N為預(yù)測時段內(nèi)的10 d滑動平均值個數(shù),40 d的預(yù)測共得到30個滑動平均值;M為集合預(yù)測成員個數(shù),這里用6 d初始場、每天4個樣本,共構(gòu)成24個集合成員。

圖1 以7月1日起報為例的CMA-CPS v3氣候模式耦合HBV水文模型的徑流集合預(yù)測成員構(gòu)成示意圖Fig.1 An example of ensemble member of runoff prediction from 1 July by the CMA-CPS v3 S2S climate model and the HBV hydrological model

1.4 徑流預(yù)測能力評估及其變化原因分析

用平均方差技巧評分(mean square skill score,MSSS)、距平相關(guān)系數(shù)(anomaly correlation coefficient,ACC)評估徑流確定性預(yù)測技巧,相對操作特征曲線面積(area under the relative operating characteristic curve,AUC)評估三分類概率預(yù)測技巧。MSSS越接近1預(yù)測技巧越高,小于0表示預(yù)測技巧低于多年平均值預(yù)測;ACC正值表明預(yù)測偏差與觀測偏差正相關(guān),越接近1表示相關(guān)程度越高;AUC在[-1,1],值越接近1預(yù)測技巧越高, 0.5表明無技巧。用這3個指標(biāo)檢驗評估每個月1～40 d逐日徑流,1～30 d、11～40 d時段平均徑流的預(yù)測技巧。在此基礎(chǔ)上,用12個月1～40 d逐日徑流預(yù)測技巧評分的算術(shù)平均值直觀反映預(yù)測技巧隨預(yù)測時效的變化。

用布賴爾技巧評分(Brier score,BSS)評估干旱預(yù)測技巧。BSS在[-1,1],值越大預(yù)測技巧越高,大于0表示預(yù)測技巧高于多年平均值預(yù)測。為了保證較多的極端事件樣本,只評估由24個成員構(gòu)成的集合預(yù)測性能,不評估2、4、8、12、20個成員的集合預(yù)測性能。考慮到干旱的時間持續(xù)性,用10 d滑動平均流量計算干旱概率。

在徑流預(yù)測技巧評估基礎(chǔ)上,通過對比觀測降水和觀測徑流相關(guān)性、S2S降水預(yù)測技巧和徑流預(yù)測技巧的同期變化,進一步分析S2S模式降水預(yù)測能力對徑流預(yù)測技巧的影響。

2 結(jié)果分析

2.1 徑流回報能力評估

圖2展示了黃河流域每月1日起報的MSSS、ACC、AUC隨預(yù)測時效的逐日變化。由圖可見,12月1日和1月1日起報的未來40 d內(nèi)的預(yù)測技巧隨時間變化不明顯,所有值接近1.0;7、8、9月25 d之后的MSSS、ACC預(yù)測技巧出現(xiàn)較多負值,AUC低于0.5;4、6、9、11月時段內(nèi)波動較大;其他月份下降趨勢明顯,但MSSS、ACC基本為正值,AUC高于0.5?？傮w呈現(xiàn)出預(yù)測技巧隨預(yù)測時效延長逐漸降低的變化特征,1～30 d預(yù)測技巧高于11～40 d。冬季3個月(12、1、2月)的預(yù)測技巧相對高,7、8、9月的預(yù)測技巧相對低,其他月份處于中間(圖3)。對于三分類概率預(yù)測,1～30 d的所有月份正異常級、負異常級、正常級的AUC平均值分別為0.94、0.85、0.77,11～40 d內(nèi)的值分別為0.89、0.81、0.66,表明異常級預(yù)測技巧通常高于正常級,正異常級預(yù)測技巧高于負異常級(圖3)。

圖4展示了4、8、12、16、20個成員與24個成員的徑流集合預(yù)測技巧之差?？梢钥闯? 9月16個成員的ACC值最高,10月8個成員的集合預(yù)測MSSS和ACC值最高,其余多數(shù)月份MSSS和ACC值通常隨集合成員增多而增高,即24個成員時集合預(yù)測技巧最高,4個成員時集合預(yù)測技巧最低。

對于干旱概率預(yù)測,表2列出了11月至次年3月干旱概率預(yù)測的BSS評分。其中,11月至次年2月的預(yù)測技巧在0.774～0.998,明顯高于3月的預(yù)測技巧,且發(fā)生頻率較高的1級干旱預(yù)測技巧通常高于較少發(fā)生的2級干旱預(yù)測。

注:AUC-B、AUC-N、AUC-A分別表示負異常級、正常級、 正異常級,其后的1、2分別表示1～30 d和11～40 d。圖3 CMA-CPS v3氣候模式耦合HBV水文模型的 2006—2020年24個成員的黃河流域逐月 集合徑流回報1～30 d和11～40 d技巧評分Fig.3 The 1-30 d和11-40 d skill scores for the monthly ensemble runoff hindcast with 24 members in the Yellow River Basin during 2006-2020 by the CMA-CPS v3 S2S climate model and the HBV hydrological model

圖4 CMA-CPS v3氣候模式耦合HBV水文模型的2006—2020年4、8、12、16、20個 成員與24個集合成員的黃河流域逐月集合徑流回報之差 (a)MSSS,(b)ACCFig.4 The difference of (a) MSSS and (b) ACC of the monthly ensemble runoff hindcast with 4, 8, 12, 16, 20 members relative to the 24 members in the Yellow River Basin during 2006-2020 by the CMA-CPS v3 S2S climate model and the HBV hydrological model

表2 CMA-CPS v3氣候模式耦合HBV水文模型的2006—2020年24個成員的黃河流域干旱回報檢驗BSS值Table 2 BSS of droughts hindcast with 24 members in the Yellow River Basin during 2006-2020 by the CMA-CPS v3 S2S climate model and the HBV hydrological model

2.2 2021年月徑流異常預(yù)測檢驗

2.2.1 2021年流域水資源異常實況

2021年黃河經(jīng)歷了中上游的嚴(yán)重夏旱和中游的嚴(yán)重秋汛。5月下旬至8月中旬,中等程度的氣象干旱從甘肅南部局地逐步擴展到甘肅南部、寧夏、陜西中北部等地,部分地區(qū)出現(xiàn)了重旱甚至極旱,至9月底氣象干旱基本解除(圖5)。持續(xù)干旱給當(dāng)?shù)氐霓r(nóng)業(yè)和水資源等帶來了較大影響。上游的唐乃亥水文站在7月、8月連續(xù)2個月出現(xiàn)流量偏枯,分別較1956—2015年同期均值偏少14.4%和11.3%。9月和10月受多次降水過程影響,黃河流域平均降水達264.6 mm,較常年同期偏多1.6倍,為1961年以來歷史同期最多,中下游出現(xiàn)嚴(yán)重秋汛,支流渭河、伊洛河、沁河發(fā)生有實測資料以來同期最大洪水。

2.2.2 2021年地表水資源異常預(yù)測及與實況對比

圖6給出了2021年5—10月黃河流域花園口以上集水區(qū)觀測降水、預(yù)測降水、觀測降水驅(qū)動的模擬徑流、預(yù)測降水驅(qū)動的預(yù)測徑流的逐月異常變化。圖中顯示,2021年5—10月花園口以上集水區(qū)實況降水(實況模擬徑流)在5月、7月、8月分別偏少14.5%(13.7%)、26.7%(59.4%)、14.3%(52.5%),6月、9月、10月依次偏多2.2%(34.7%)、89.5%(29.3%)、172.4%(145.8%),二者均基本反映了5—8月氣象干旱以及9月和10月水資源豐富、秋汛嚴(yán)重的情況。氣候模式預(yù)測出了5月、7月和10月的降水異常方向,但與6月、8月、9月實況降水異常方向相反。

圖5 2021年5月16日至10月10日黃河流域氣象干旱站數(shù)逐日變化Fig.5 Daily number of meteorological drought stations in the Yellow River Basin from 16 May to 10 October 2021

注:預(yù)測降水量指CMA-CPS v3 S2S預(yù)測的降水量,模擬徑流為 觀測氣候驅(qū)動HBV水文模型的模擬結(jié)果,預(yù)測徑流為 CMA-CPS v3 S2S預(yù)測氣候驅(qū)動HBV水文模型的模擬結(jié)果。圖6 2021年5—10月黃河花園口以上流域逐月觀測降水 量、預(yù)測降水量及模擬徑流、預(yù)測徑流的距平百分率Fig.6 Observed and predicted monthly precipitation in the upper-reach watershed of Huayuankou Station, as well as simulated and predicted runoff through Huayuankou Station from May to October 2021

5—10月花園口站預(yù)測徑流異常百分率分別為-0.2%、-7.0%、-9.2%、-16.5%、-20.3%、9.5%,成功預(yù)測出了除6月、9月外的其他4個月的徑流異常方向,但異常程度存在差異。也就是說,氣候模式和水文模型都沒能成功預(yù)測6月和9月的降水和徑流異常,但是盡管氣候模式?jīng)]能預(yù)測出8月降水異常方向,水文模型卻提供了正確的徑流異常預(yù)測方向。表明除了降水,徑流預(yù)測技巧還受其他因素的影響(Yuan et al,2016;Liu et al,2021)。

2.3 徑流預(yù)測技巧變化原因分析

圖7展示了2006—2020年每月1日起未來40 d的觀測徑流量和觀測降水量的相關(guān)系數(shù)(以下簡稱降水徑流系數(shù)),以及24個集合成員的徑流回報預(yù)測技巧逐月變化,可以看出枯水期的徑流預(yù)測技巧高于豐水期,徑流預(yù)測技巧年內(nèi)變化與降水-徑流相關(guān)系數(shù)變化互為反位相,即徑流預(yù)測技巧低時降水-徑流相關(guān)程度高,反之相關(guān)程度低。表明當(dāng)降水對徑流影響大時,S2S模式預(yù)測降水偏差易導(dǎo)致徑流預(yù)測技巧降低;而降水影響小時,預(yù)測技巧相對要高。

圖8展示了2006—2020年24個集合成員的每月1日起未來40 d的徑流量和降水量逐日預(yù)測技巧, 可以看出徑流量和降水量的預(yù)測技巧均隨預(yù)測時效延長而下降,但降水量的三分類概率預(yù)測技巧在2個星期后幾乎沒有趨勢性的變化。與降水相比,徑流的預(yù)測技巧評分更高,其三分類預(yù)測技巧向下變化趨勢更明顯。表3給出了逐月回報的1～30 d 的徑流和降水回報預(yù)測技巧之差(11～40 d圖略),可以看出徑流預(yù)測技巧明顯高于降水預(yù)測技巧。這些均表明,還有降水之外的其他因素在影響徑流預(yù)測技巧。

郝立生等(2020)和彭陽等(2021)認為水文初值和大氣驅(qū)動是影響徑流預(yù)測的主要因素,水文初始狀態(tài)在枯水期對徑流影響的持續(xù)時間比豐水期長,基于流量的干旱預(yù)測技巧可長達1個月。另外,預(yù)測時間為冬季且起報時MJO為強信號的情況下,多數(shù)S2S模式的MJO具有高預(yù)測技巧,而MJO可影響東亞副熱帶和中緯度地區(qū)的降水。結(jié)合這幾方面的分析,在水文模型能夠較好地模擬徑流過程從而得到較好的水文初值的情況下,有理由認為S2S降水預(yù)測精度是影響豐水期徑流預(yù)測水平的一個重要因素。

注:AUC-B-0.5、AUC-N-0.5、AUC-A-0.5分別表示負異常級、正常級、正異常級的AUC值減去0.5。圖7 2006—2020年每月1日起未來40 d黃河流域觀測徑流量和觀測降水量相關(guān)系數(shù), 以及CMA-CPS v3 S2S氣候模式耦合HBV水文模型的24個集合成員的徑流回報預(yù)測技巧逐月變化Fig.7 Correlation coefficient between observed runoff and observed precipitation in the period of 1-40 d starting from the first day of each month and MSSS, ACC and AUC of the monthly runoff hindcast with 24 members in the Yellow River Basin during 2006-2020 by the CMA-CPS v3 S2S climate model and the HBV hydrological model

表3 CMA-CPS v3 S2S氣候模式耦合HBV水文模型的2006—2020年黃河流域24個 集合成員的每月1日初起報的1～30 d徑流預(yù)測技巧與降水回報預(yù)測技巧之差Table 3 The skill difference between runoff and precipitation hindcasts for the period of 1-30 d starting from the first day of each month with 24 members in the Yellow River Basin during 2006-2020 by the CMA-CPS v3 S2S climate model and the HBV hydrological model

3 結(jié)論與討論

基于CMA-CPS v3 S2S氣候模式和HBV水文模型,嘗試開展了黃河流域花園口站1～40 d的徑流確定性預(yù)測、概率預(yù)測以及極端干旱概率預(yù)測,應(yīng)用WMO推薦的幾個指標(biāo)定量評估了所建模型的預(yù)測技巧,得到如下結(jié)論:

(1)模型能夠以較高的技巧提供未來40 d的時段平均的黃河流域徑流預(yù)測信息。預(yù)測技巧總體上呈現(xiàn)隨預(yù)測時效延長而下降的趨勢,1～30 d的預(yù)測技巧高于11～40 d預(yù)測,但逐日預(yù)測技巧不確定性高。

(2)集合成員個數(shù)對徑流集合預(yù)測技巧有一定影響。在幾個設(shè)計方案中,4個成員的集合預(yù)測方案技巧低,24個成員的集合預(yù)測方案技巧高。

(3)冬季預(yù)測技巧高于夏季預(yù)測技巧,異常級預(yù)測技巧高于正常級,正異常級預(yù)測技巧高于負異常級預(yù)測。S2S降水模擬精度是影響豐水期徑流預(yù)測準(zhǔn)確性的一個重要因素。

(4)秋末和冬季各月干旱概率預(yù)測有一定預(yù)測技巧,出現(xiàn)頻率高的1級干旱預(yù)測技巧高于出現(xiàn)頻率較低的2級干旱預(yù)測。

本研究嘗試分析了40 d內(nèi)降水和徑流日預(yù)測技巧的變化以及模式降水對徑流預(yù)測能力的影響,豐富了S2S尺度上水文初值、大氣驅(qū)動對徑流預(yù)測影響的相關(guān)研究內(nèi)容。預(yù)測技巧的逐日變化反映了當(dāng)前S2S氣候模式的預(yù)測水平,2周特別是3周之后的逐日氣候預(yù)測不確定性高,但時段平均的氣候異常預(yù)測具有一定技巧 。雖然BSS對于小樣本和罕見極端事件的檢驗評估具有一定局限性,但在預(yù)測用戶能夠根據(jù)預(yù)測干旱意見采取預(yù)防措施的情景下,集合預(yù)測的經(jīng)濟價值可達60% (Fundel et al,2013)。篩選更為合適的指標(biāo)開展干旱預(yù)測和檢驗評估,以及改進氣候預(yù)測模式,都有望提高徑流異常預(yù)測的可靠性。