CFSv2模式对淮河流域夏季气温降水预测能力的评估

程智，徐敏，段春锋

（安徽省气候中心，合肥230031）

CFSv2模式对淮河流域夏季气温降水预测能力的评估

程智，徐敏，段春锋

（安徽省气候中心，合肥230031）

基于美国环境预测中心提供的CFSv2模式回报数据以及淮河流域172个气象台站的气温降水观测数据，评估了该模式对淮河流域夏季气温降水的预测能力。结果表明：模式对气温气候平均态的模拟与实况较为接近，降水虽然能够反映出南多北少的分布特征，但气候平均值明显偏小。模式对于气温和降水均方差的模拟均偏小。从频率分布来看，回报气温的频率分布与实况较为接近，回报降水不仅存在很大的负偏差，出现异常降水的频率也比实况明显偏低。对ROC曲线的分析进一步表明模式预测高温事件的能力明显好于低温事件，预测降水异常事件的能力在不同起报月有差异。从主要模态的时空结构来看，模式能够反映出其空间结构，对于增暖的趋势模拟也相当不错，但增暖的速率高于实况，虽然模式没有能够反映出降水主要模态的年代际变化特征，但对于年际变化有较高的预测技巧。这些评估为短期气候预测和模式解释应用提供了参考。

模式评估；CFSv2；淮河流域；气候预测

程智，徐敏，段春锋.CFSv2模式对淮河流域夏季气温降水预测能力的评估［J］.暴雨灾害，2016，35（4）：351-358

CHENG Zhi，XU Min，DUAN Chunfeng.Evaluation on summer temperature and precipitation predictions in Huai River Basin by CFSv2 model［J］.Torrential Rain and Disaster，2016，35（4）：351-358

引言

淮河流域地处中国南北气候过渡带，受东亚季风强弱、雨带早晚以及年际、年代际变化影响，洪涝、干旱和高温等气象灾害频发，气候预测对于防灾减灾有极大的价值，一直受到我国科学界的高度关注，取得了一系列有应用价值的研究成果［1-5］。除传统的统计诊断方法，气候模式目前正发挥着越来越大的作用，许多国家和研究机构均发展了自己的季节气候预测系统，如中国国家气候中心（NCC）、美国国际气候预测研究所（IRI）、欧洲中期天气预报中心（ECMWF）、美国国家环境预报中心（NCEP）和东京气候中心（TCC）等。近年来，美国NCEP将其气候预测系统升级到了第二代CFSv2），包含了新的云-气溶胶-辐射，陆面，海洋和海冰过程以及新的海陆气资料同化系统，一些研究者将其应用于气候预测和水文预测中［6-7］。从效果来看，该模式对于ENSO年际变率有较好的模拟能力［8］，对全球热带地区降水和表面气温的预测较上一版本有一定提升［9］。在亚洲区域，该模式能够模拟出气候场上印度季风和东亚季风降水中心、季风环流子系统的位置，在超前1个月时间尺度上对于季风指数预测的相关系数可以达到0.7，在季节内尺度上也能够模拟出季风爆发和撤退的进程［10］，Lang［11］计算了中国区域不同季节、不同起报月模式与实况降水的相关系数，发现对于夏季降水的预测技巧在4个季节中是最低的，其中3月起报模式的相关系数相对最高，约为0.5。以上研究侧重于分析CFSv2模式对于大范围降水中心、季风系统主要成员位置和强度模拟以及对ENSO这一强信号的响应能力，范围上也主要集中在低纬地区，对于中高纬度的地区研究较少，尤其是对于淮河流域这一气象灾害频发的地区关注较少，而这对于汛期气候预测以及模式解释应用都是一项基础性工作，其对于淮河流域气候态的回报效果如何？气温降水回报的概率分布是否与实况基本相符？对于流域时空分布的主要模态是否能够模拟出来？这些都是本文需要研究的问题。

1　资料和方法

1.1资料

模式为美国国家环境预报中心（NCEP）开发的Climate Forecast System Version 2（CFSv2）气候预测模式［12］，它是一个大气-海洋-陆面全耦合的系统，本文分析了CFSv2输出的回报数据（1982—2010年），为每5 d输出的未来9个月的逐月平均要素预测。在比较模式和实况夏季气候态差异时，采用1月1日—5月26日的各起报日结果的平均；在比较逐月预测效果时，采用各月相应的6个起报日结果的平均。利用模式输出的逐月平均气温（℃）和降水率（mm·d-1），得到夏季平均的气温和降水率（以下降水均表示降水率），由于模式输出值为格点场，用双线性插值将其插值到172个站点。实况资料由河南、安徽、江苏和山东省气象局提供，包含了淮河流域172个气象台站建站以来的日平均气温和降水量资料，空间分布均匀，适合应用于模式评估工作，进一步处理成夏季、月的平均气温和降水率。

1.2评估方法

通过对回报年（1982—2010年）平均值预测效果的评估，分析模式对气候平均态的预测效果；通过对均方差预测效果的评估，考察模式对气候变率的反映能力。

采用频率分布图、ROC曲线分析了模拟与观测的概率分布之间的差异，其中ROC曲线（Relative operating characteristics curve）［13，14］又称为接收者操作特性曲线，是根据一系列不同的分界值，以真阳性率（灵敏度）为纵坐标，假阳性率（1-特异度）为横坐标绘制的曲线，曲线下面积越大，即高于45°参考线之上越明显，则实验样本的准确性越高。该方法直观地反映了实验的特异性和敏感性的关系，可以从概率角度评估模式对于异常级的预测能力，对实况标准化气温/降水数据首先按照三分法进行分类（分成从小到大样本量相同的3个区间），如气温包含低温事件、正常事件和高温事件，降水包含少雨事件、正常事件和多雨事件，分别利用ROC曲线分析模式对于低温、高温、少雨和多雨事件的预测能力。

为分离序列当中包含的不同时间尺度信息，利用Vondrak滤波器对年平均资料进行了滤波处理，保留了7 a以上的年代际信号和7 a以下的年际信号，该滤波器可以利用有限长度序列对信号进行一定程度防畸变提取，具体原理见［15］。

2　基本气候状态的模拟效果评估

图1为1982—2010年平均淮河流域夏季平均气温和降水率的实况、模式回报以及回报与实况之差。由图1a、c、e可以看出，CFSv2模式对气温气候态的模拟与实况较为接近，实况场上流域大部平均气温25～27℃，西部高东部低，回报场也呈西高东低的分布特征，与实况相比在流域西北部偏高0～1℃，其余大部地区偏低0～1℃。由图1b、d、f可以看出，降水回报与实况相比差异较大，实况降水率为流域大部4～6 mm·d-1，北部少南部多，模式能够预测出北少南多的分布特征，但降水率明显偏少，大部地区仅2～4 mm·d-1，与实况相比偏少2～4 mm·d-1。

图2为回报年淮河流域夏季平均气温（a）和降水率（b）的实况和模式回报序列。由图2a可以看出，流域气温序列呈较明显的增暖趋势，达到95%显著水平，模式较好的模拟出了增暖趋势，虽然还存在弱的冷偏差，但其系统偏差远没有降水那么明显，降水率实况大部分年份4～7 mm·d-1，而模式序列基本在3 mm·d-1附近。此外从年际变率来看，模式降水的变率非常弱，量级与实况有很大的差异，而气温则很接近。经过计算（表略），观测气温的均方差为0.59℃，回报平均气温的均方差为0.44℃，观测降水的均方差为1.24 mm·d-1，回报降水率的均方差明显偏小，仅0.23 mm·d-1。

图3为观测和1—5月起报的淮河流域夏季以及分月气温（a）、降水率（b）回报的气候平均，可以看出对于夏季气温的回报与实况差异不大，5个起报月中4、5月起报的预测最接近实况，1—3月略偏小，这些特征在对夏季分月气温的预测中也基本都存在。对于降水的预测，不同起报月之间差异不大，只是随着提前时间的接近略有增加，但均比实况明显偏少，这与前文分析是一致的；此外还可看出，对7、8月降水的预测，回报值明显偏小，仅约为实况的1/2，而预测6月降水的误差则相对不明显，表明模式对夏季降水预测的误差主要来源于对7、8月降水的低估，这一点与Jiang［10］对东亚夏季雨带推进模拟的检验较为一致，CFSv2模式对江淮梅雨雨带位置模拟较实况偏南，不能反映地处30°—36°N的淮河流域在7—8月降水迅速增加这一季节进程，模拟的逐日降水随时间变化在该纬度带比较平缓，从而导致对7、8月降水预测误差很大。

3　模拟结果与观测的概率分布之间的差异

图4为实况和各起报月模式预测气温和降水率的频率分布。回报气温的频率分布与实况较为接近，1—3月的结果存在弱的冷偏差，而4—5月则差别不明显，此外回报的结果比实况略为分散一些，表现在实况的曲线在平均值附近的频率更大。与气温相比，回报与实况降水的频率分布则有明显的差异，各起报月模式降水不仅存在很大的负偏差，其频率分布曲线也过于集中，基本在2～5 mm·d-1，没有出现7 mm·d-1以上的值，表明对于异常降水的量级预测能力较弱，这与图2中均方差的分析是一致的。以上分析都表明，该模式无论是气候平均还是均方差均存在一定误差，尤其是降水明显偏弱。受制于目前模式整体水平，这一现象普遍存在于对东亚地区的气候预测，因此以下为避免气候态的差异，基于标准化的气温降水进行分析。

对于气候预测来说，非常关注的是一些异常事件，如高温事件、低温事件以及旱涝事件。为此采用受试者操作特征曲线（ROC）进一步进行了分析，按照三分法将实况标准化气温数据分为低温事件、正常事件和高温事件，标准化降水数据分为少雨事件、正常事件和多雨事件，这些异常事件中模式对应实况的ROC曲线如图5所示，为了便于进行比较分析，图中还绘制了1—5月起报结果的曲线，其中斜直线为参考线，若预测曲线位于其上部则表明预测效果较好，反之较差。可以看出在高温事件图中，除1月起报的曲线外均在参考线之上，表明对于高温事件的预测技巧较高；但对于低温事件的预测技巧较差，所有起报月的曲线都在参考线之下。利用合成分析，比较高、低温年份实况和模式距平符号一致率也得出了类似的结果，同样按照三分法，提取出了9个高温年（1994、1997、2006、2002、2010、1990、2000、2001和2005年）和9个低温年（1989、1993、1982、2003、1987、2008、1984、1983和1991年），高温年的符号一致率达0.76，明显高于低温年的0.60。

从降水的结果来看，多雨和少雨事件预测效果的差异没有气温那么大，主要为不同月份之间的差异，多雨和少雨事件各自有一些起报月份的结果位于参考线之上，对于多雨事件，3、4月份的预测效果较好，对于少雨事件，1、2、5月的预测结果较好。

4　主要模态时空结构模拟评估

对区域主要模态时空结构的预测能力是反映模式预报性能的重要方面。对逐年标准化气温实况数据进行EOF分解，其前三个模态的方差贡献分别为78.6%、8.9%和3.5%，第一模态占了绝大部分贡献，同样对标准化模式气温序列进行了EOF分解，其前三个模态的方差贡献分别为93.4%、3.2%和2.4%，因此模式结果中第一模态的优势更明显，其余模态可以忽略不计。从第一模态的空间分布型来看（图略），两者都为全流域一致型，因此模式对于气温主要模态的空间结构把握能力很好。同样对标准化逐年降水观测序列进行了EOF分解，前三个模态的方差贡献分别为41.2%、17.1%和9.3%，模式降水前三个模态的方差贡献分别为76.7%、9.3%和7.9%，因此模式同样放大了第一模态的贡献，这三个模态的空间分布如图6所示，可以看出实况和回报第一模态相当一致，均为全省符号一致型分布，中心都位于流域中部地区，实况的第二模态为南北差异型，分界位于流域中部自西向东的“驻马店—淮北—连云港”一线，第三模态为东西差异型，分界位于自北向南的“开封—商丘—淮北—蚌埠—淮南”一线，模式EOF分解的第二、三模态与之类似，只不过次序正好相反，第二模态空间分布反映了东西差异，零线位置与实况EOF第三模态对应，第三模态空间分布反映了南北差异，零线位置与实况EOF第二模态对应。因此不难看出，模式虽然一定程度上夸大了气温和降水EOF第一模态的方差贡献，但主要的空间型与实况较为一致，即能够把握主要模态的空间结构。

EOF模态时间序列反映了模式对主要时间结构的把握能力，为此比较了标准化实况和模式气温EOF主要模态的时间序列，由于第一模态占据了大部分方差贡献，因此只绘制了EOF1的结果，如图7所示，无论是实况还是模式序列都显示出显著的增暖趋势，并且趋势均达到95%显著水平，表明模式能够反映气候变暖的影响，这可能与CFSv2加入了全球二氧化碳浓度的变化有关，与CFSv1相比有明显的提升［16］，但增暖速度有所夸大，此外将它们去除线性趋势后，相关系数并不显著（仅0.01），表明对流域气温年际变化的反映能力仍然较弱，可能还需要改进二氧化碳浓度、海冰或高纬环流系统等环节。

图8a为实况和模式标准化降水EOF1时间序列，其序列显示为不同尺度信号叠加的特征，为清晰起见，采用Vondrak滤波器进行滤波，分别提取出了7 a以上的年代际分量和7 a以下的年际分量，从图8b可以看出在2000年之前主要为少雨阶段，之后转为多雨阶段，图8a中的高值年份如2000、2003、2005和2007年都为流域典型的洪涝年份，模式不仅没有把握住这一由少转多的年代际特征，甚至与实况相反，显示出前期多雨而后期少雨的特征。当然，中国东部夏季降水年代际变化的原因非常复杂，已有的研究表明北太平洋海温年代际振荡、积雪、海冰、温室气体、太阳活动等外强迫信号都有可能起到一定作用［17-20］，具体机制目前尚不明确，因此这对于气候模式来说是很难把握的，对此模拟能力普遍不高［21］。但模式与实况的年际分量序列非常相似（图8c），相关系数高达0.38，达95%显著水平，进一步从年际分量序列的一些异常年份，如1999、2002、1997、1992、1988和2001年这些异常低值年，2003、2000、1998、1984、1995和2007年这些异常高值年，模式和实况距平符号不一致的仅有1992、200和1988年，准确率达82%。不难看出，在去除年代际变化的影响后，CFSv2对于降水主要模态年际变化预测具有不错的技巧，对气候预测有一定参考价值。

5　结论

本文评估了CFSv2模式回报数据对于淮河流域气温和降水的预测能力。分析结果如下：

（1）模式对气温气候平均态的模拟与实况较为接近，降水虽然能够反映出南多北少的分布特征，但气候平均值明显偏小，这主要是由于对于7、8月降水的低估。此外模式对于气温和降水均方差的模拟均偏小。

（2）从频率分布来看，回报气温的频率分布与实况较为接近，回报降水不仅存在很大的负偏差，出现异常降水的频率也比实况明显偏低，其预测高温事件的能力明显好于低温事件，预测降水异常事件的能力在不同起报月有差异。

（3）从主要模态的时空结构来看，模式能够反映出其空间结构，但EOF1的方差贡献明显高于实况；对于增暖趋势的模拟相当不错，但增暖速率高于实况；虽然模式没有能够反映出主要模态的年代际变化特征，但对年际变化的预测具有较高的技巧。

近年来随着同化技术、计算能力和物理框架等方面的进步，气候模式又得到了进一步发展，一些机构也纷纷对其模式进行了升级，虽然在系统偏差、中高纬环流和季风模拟等许多方面仍有较多的提升空间，但在短期气候预测和水文预测方面已展现出一定的应用价值，因此针对不同区域开展性能评估有助于更合理的应用模式，需要尽可能挖掘模式可利用信息特别是所关注时间、空间尺度信息的预测能力，本研究表明虽然CFSv2模式对于淮河流域气温降水预测仍有较大的系统性误差，但对一些异常事件、主要模态时空结构有一定的预测技巧，可以为短期气候预测提供参考，当然考虑到还存在的误差，进行针对性的订正是下一步需要开展的工作。

［1］陶诗言，徐淑英.夏季江淮流域持久性旱涝现象的环流特征［J］.气象学报，1962，32（1）：1-10

［2］张一平，乔春贵，梁俊平.淮河上游短时强降水天气学分型与物理诊断量阈值初探［J］.暴雨灾害，2014，33（2）：129-138

［3］谢五三，王胜.近40 a淮河流域暴雨特征分析［J］.暴雨灾害，2010，29（4）：83-86

［4］许建玉，王艳杰.基于ERA Interim资料的2003年淮河流域梅雨期水汽收支分析［J］.暴雨灾害，2013，34（4）：324-329

［5］刘静，叶金印，张晓红，等.淮河流域汛期面雨量多模式预报检验评估［J］.暴雨灾害，2014，33（1）：58-64

［6］Pokhrel S，Rahaman H，Parekh A，et al.Evaporation-precipitation variability over Indian Ocean and its assessment in NCEP climate forecast system（CFSv2）［J］.Climate Dynamics，2012，39（9-10）：2 585-2 608

［7］Silva G A M，Mendes D.Comparison results for the CFSv2 hindcasts and statistical downscaling over the northeast of Brazil［J］.Advances in Geosciences，2013，35（79）：79-88

［8］Kim Hye-Mi，Webster Peter J，Curry Judith A.Asian summer monsoon prediction in ECMWF System 4 and NCEP CFSv2 retrospective seasonal forecasts［J］.Climate Dynamics，2012，39（12）：2 975-2 991

9］Yuan X，Wood E F，Roundy J K，et al.CFSv2-based seasonal hydroclimatic forecasts over conterminous United States［J］.Journal of Climate，2013，26（13）：4 828-4 847

10］JIANG Xingwen，YANG Song，LI Yueqing.Seasonal-to-interannual prediction of the Asian summer monsoon in the NCEP climate forecast system version 2［J］.Journal of Climate，2013，26（3）：3 708-3 727

11］LANG Yang，YE Aizhong，GONG Wei，et al.Evaluating skill of seasonal precipitation and temperature predictions of NCEP CFSv2 forecasts over 17 hydroclimatic regions in China［J］.Journal of Hydrometeorology，2014，15（4）：1 546-1 559

［12］Saha S，Moorthi S，Wu X，et al.The NCEP climate forecast system version 2［J］.Journal of Climate，2014，27（6）：2 185-2 208

［13］Centor RM，Schwartz J S.An evaluation of methods for estimating the area under the receiver operating statistic（ROC）curve［J］.Med Decis Making，1985，5（2）：149-156

［14］LUO Lifeng，TANG Wei，LIN Zhaohui，et al.Evaluation of summer temperature and precipitation predictions from NCEP CFSv2 retrospective forecast over China［J］.Clim Dyn，2013，41（7-8）：2 213-2 230

［15］郑大伟，董大南.用多级滤波期实现极移序列的窄带滤波［J］.天文学报，1986，27（4）：369-375

［16］Peng P，Barnston AG，Kumar A.A comparison of skill between two versions of NCEP climate forecast system（CFS）and CPC's operational short-lead seasonal outlooks［J］.Wea Forecasting，2013，28（2）：445-462

［17］魏凤英，张婷.淮河流域夏季降水的振荡特征及其与气候背景的联系［J］.中国科学（D辑），2009，39（10）：1 360-1 374

［18］高辉.淮河夏季降水与赤道东太平洋海温对应关系的年代际变化［J］.应用气象学报，2006，17（1）：1-9

［19］朱益民，杨修群.太平洋年代际振荡与中国气候变率的联系［J］.气象学报，2003，61（6）：641-654

［20］朱玉祥，丁一汇，徐怀刚.青藏高原大气热源和冬春积雪与中国东部降水的年代际变化关系［J］.气象学报，2007，65（6）：946-958

［21］陈红.CMIP5气候模式对中国东部夏季降水年代际变化的模拟性能评估［J］.气候与环境研究，2014，19（6）：773-786

（责任编辑：邓雯）

Evaluation on summer temperature and precipitation predictions in Huai River Basin by CFSv2 model

CHENG Zhi，XU Min，DUAN Chunfeng

（Anhui Climate Centre，Hefei 230031）

Based on CFSv2 model reforested data supplied by the National Climate Center and observed temperature and precipitation data at 172 stations in the Huai River Basin，the skills of model prediction for summer temperature and precipitation are evaluated.Results show that simulated climatological mean temperature is similar to observation，while simulated precipitation is clearly less than observation mainly due to the underestimation in July and August，despite of the similar northern dry and southern wet spatial distribution.The negative bias is also found in root mean square deviation.From the view of frequency distribution，reforested temperature is similar to observation，but there are great differences for precipitation both in a negative bias and a low frequency of extreme events.Analysis of ROC further indicates that the skill of predicting high-temperature events is better than that of predicting low-temperature events，while the skill of predicting abnormal precipitation depends on leading months.The main spatial structures are well displayed in the main modes.The warming trend is well simulated but with a positive bias in warming speed.There is some skill in predicting annual variability of the main precipitation EOF mode，though the decadal change cannot be embodied.The results from this article can serve as a reference to climate prediction and model interpretation and application.

model evaluation；CFSv2；Huai River Basin；climate prediction

P435

A

10.3969/j.issn.1004-9045.2016.04.007

2015-11-23；定稿日期：2016-03-01

公益性行业（气象）科研专项（GYHY201406021）；安徽省自然科学基金项目（1408085MD73）

程智，主要从事气候学研究。E-mail：alexclimate@sina.com