IPCC原文地址

随机天气发生器（WG）产生基于某地观测天气的统计特征的当地无限长度的天气数据的时序合成。产生随机天气的模型通常由两步开发（Hutchinson，1987）。第一步是模拟日降水，第二步是模拟其他感兴趣的变量，诸如：日最大和最小温度、太阳辐射、湿润度和降水产生的风力条件。每月都需要不同的模型参数，反应这些变量数值和他们的交叉关系的季节性变化。

也许最为知名的开发的WG手段是Richardson（1981）综述的，基于方法的WG通常视为“Richardson类型”。第一步，降水量的估算包含利用Markov过程模拟干、湿天数的发生，然后利用降水量频度分布函数估计模拟降水量在湿天数的发生数量。然后，其余的变量基于他们之间的关系和每日的干、湿状态进行计算。发生器的“Richardson类型”已经广泛地成功用于水文、农业和环境管理。

Richardson类型WG的不足之一是不能适当地描述干和湿序列的长度（例如：持续事件如干旱和长期的降水）。在一些应用中，这些都是非常重要的（如农业影响）。因此，出现了“序列方法”（Racsko et al.，1991），它第一步应用在干、湿序列的天数继起，而后模拟其他的变量如降水总量和依赖于干、湿序列的温度。

影响评估中采用何种WG需要参考以下一个或多个要求：

Ø  日天气的产期序列，它不能由观测记录得到

Ø  数据稀疏区域的日天气数据

Ø  空间分析的栅格日天气数据（比如：风险分析）

Ø  探究气候均值和日交叉变动变化的能力

一旦决定已下，接下来选择一个适合的WG。选择的原则将取决于模型的可及性以及模型的特点是否适合影响评估中的需求。有必要测试一些模型来评估他们的适宜性。选择模型后，分析的几个步骤将WG参数化和测试是必需的。

       1.           数据收集——收集感兴趣的变量和地点的观测日气候学数据，并控制质量和正确的格式。如果WG将为1961~1990基准线时期参数化，那么这段时间的数据则越多越好。另一方面，如果数据对模拟低频率和高范围事件很重要，则需要最长可能的观测时间序列的数据。对于空间分析，观测时段在样地之间的一致性可能很重要。

      2.           参数化——模型的参数采用WG文件中的方法估算。如果还要进行空间分析，这将要求在许多站点及其后来的参量插值向栅格或其他空间类型的参数估算。部分WG项目已经实现参数估算的自动化过程。

      3.           模型测试——模型产生的天气时间序列和他们的统计特征与基于的观测数据进行分析和对比。WF产生的和观测时序之间的任何差别的显著性将在一个影响模型中对比两个序列评估。再次，自动模型测试程序在部分公共WG项目中已经建立。

      4.           气候情景——如果WG被用于创建一个天气时间序列来代表一个变化的气候，那么此过程也要求应用气候变化信息调整WG的参数（例如：在GCM得出的气候变异性变化方面）。部分WG软件掌握了气候情景。

采用不同方法的WG已经在气候影响评估中被测试和应用，而且方法之间也进行了比较。然而，他们都普遍在站点应用，发展出来的方法用于空间站点的WG参数的插值，有助于空间分析（比如：风险）。然而，因为WG时间序列通常是站点独立的，并忽视了气候观测空间相关性，这就限制了部分空间影响评价的值域。

例如，一个WG可能仿真A地3个长期干旱在30年时间序列的发生，它也可以仿真临近B地干旱的相同数量，但在不同的年份。另一方面，两地的观测气候也显示3个干旱年，但很可能是相同的年份，因为干旱是共同且广泛的现象。因此，WG可能为每一站点提供一个精确地统计特征，一并考虑，干旱不是同时发生和集成的影响（例如：在水资源和农业）可能并相比真实情况没有那么严重，广泛的干旱会影响很大的地区。

以上问题和开发随机时空天气模型努力的进一步讨论可以参考Hutchinson（1995），气候情景发展中WG的作用请看Mearns et al.（2001）。