孙傲涵，李建柱，冯 平

(天津大学 水利工程仿真与安全国家重点实验室，天津 300072)

1 研究背景

统计降尺度方法[1-2]是目前研究气候变化过程中提高全球气候模式(global climate models, GCM)分辨率的常用方法，具有简单、效果明显、计算量少等优点。目前常用的统计降尺度方法有随机天气发生器[3]、天气分型方法[4]、回归方法[5-7]等。也有一些耦合了不同类别技术的统计降尺度方法，例如SDSM(statistical downscaling model)模型[8]、ASD(automated statistical downscaling)模型[9]等。

支持向量机(support vector machine, SVM)回归已在径流预测[10-11]、降水-径流模拟[12]等多个水文研究领域取得了良好的效果，也被广泛应用于统计降尺度的研究。姚艺[13]比较了SVM模型及SDSM模型对于香溪河流域降雨降尺度的模拟效果，发现SVM模型的R2、RMSE等评价指标均优于SDSM模型；段凯[14]采用SDSM、SVM及LARS-WG等3种模型对淮河流域降水进行降尺度，结果表明SVM模型对干旱及半干旱半湿润站点的降水模拟具有优势。考虑到变量之间可能存在相关性，刘向培等[6]将主成分分析与支持向量机相结合，建立了江淮流域降水的统计降尺度模型，该模型对于降水在月、年尺度的变化有良好的描述能力。但支持向量机在极端降雨的模拟方面存在不足，会出现低估极端降雨量的情况。Anandhi等[15]应用SVM模型对印度河流域进行降水降尺度，结果表明该模型无法模拟实测降水中95%及以上分位数的极端降水事件；Okkan等[16]利用SVM模型对爱琴海地区格尼兹河进行降雨降尺度时，也有类似的发现。使用基于降雨模式分类的混合统计降尺度方法可以较好地解决这一问题，即先将降雨分为不同的模式，再估计降雨。……