2015/2016年极强厄尔尼诺事件下我国动力和统计结合实时气候预测研究

范可,田宝强,刘颖

① 中国科学院 大气物理研究所竺可桢—南森国际研究中心,北京 100029;② 南京信息工程大学 气象灾害预报预警与评估协同创新中心,江苏 南京 210044;③ 国家气候中心 气候研究开放实验室,北京 100081

2015/2016年极强厄尔尼诺事件下我国动力和统计结合实时气候预测研究

范可①②*,田宝强①②,刘颖②③

① 中国科学院 大气物理研究所竺可桢—南森国际研究中心,北京 100029;② 南京信息工程大学 气象灾害预报预警与评估协同创新中心,江苏 南京 210044;③ 国家气候中心 气候研究开放实验室,北京 100081

2016-08-14收稿，2016-09-26接受

创新科学基金群体(41421004);国家杰出青年科学基金(41325018);国家自然科学基金面上项目(41575079);中国科学院国际创新团队

本文研究建立2015/2016年极强厄尔尼诺事件下我国动力和统计结合的气候预测模型,并开展2015年夏季和2016年冬季气候我国160个站点和主要区域实时气候预测。夏季降水的实时预测起报于2月,冬季气温的预测起报于10月。研究结果表明,尽管NCEP-CFSv2耦合气候模式能较好预测2015/2016年极强厄尔尼诺事件中海温异常的演变,但对我国160个站点夏季降水和冬季气温预测仍有较大的偏差。因此,基于NCEP-CFSv2耦合模式预测结果,分别建立我国160个站点冬季气温和夏季降水异常的动力和统计结合气候预测模型。同时,利用年际增量预测方法开展我国长江中下游夏季降水和华北冬季气温的区域气候预测。研究结果表明以上预测模型在2015/2016年的实时预测中较NCEP-CFSv2有更好的预测效能。相对于NCEP-CFSv2耦合模式的预测结果,2015年夏季降水距平空间相关系数ACC从0.21提高到0.31(超过0.01信度的显著性水平),距平同号率提高到60%,2016年冬季气温ACC从0.19提高到0.32(超过0.01信度的显著性水平),距平同号率提高到75%。

2015/2016极强厄尔尼诺事件

NCEP-CFSv2耦合气候统计

动力和统计结合年际增量

实时预测

2015/2016年厄尔尼诺(El Niño)事件始于2014年9月,2016年5月结束,共持续21个月;峰值强度为2.9 ℃,出现在2015年11月;相比于1982/1983和1997/1998年El Niño事件,这次事件持续时间最长,累计强度最强、峰值强度最大,是1951年以来最强的El Niño事件。与此同时,2015年全球地表气温和中国陆面气温创有观测以来的最高记录,中国夏季华北、河套地区,内蒙古中部和环渤海湾地区降水显著减少,中国南方地区降水显著增多(翟盘茂等,2016)。因此,2015/2016年我国气候预测的准确率对我国减灾和防灾有非常重要的意义。ENSO是全球中最显著的海气相互作用的现象和气候年际变化最强的信号,它不仅影响热带地区的气候,也通过遥相关方式影响热带外的气候,因此ENSO是我国短期气候预测中极其重要的气候系统。我国科学家在ENSO机理及预测(李崇银等,2008)、ENSO与季风的相互作用(黄荣辉等,2003)等方面取得许多重要的成果。研究结果表明ENSO循环对我国冬、夏季降水的多寡及时空变化有密切的关系。ENSO发展年的夏季我国东部以雨量偏少为主,多雨带位于江淮之间,ENSO恢复年的夏季长江及江南雨量偏多,南北两侧偏少。在ENSO准常态年夏季,长江以北为正偏差(金祖辉和陶诗言,1999)。当发生El Niño时,Walker环流的上升支东移,西太平洋副高偏强偏南,东亚夏季风减弱,我国南方地区降水偏多,北方偏少(Wang et al.,2000)。然而,由于ENSO与东亚夏季风的关系具有不稳定性(Wang,2002),在20世纪80年代之后,ENSO与我国夏季降水的关系显著减弱(高辉和王永光,2007),由此加大我国短期气候预测的难度。

统计和动力数值模式气候预测是国际上两种主要的方法。统计气候预测研究与业务应用在我国已经有多年的历史,包括各种时间序列和空间场的预测方法等，并针对我国汛期降水建立了一些有效统计预测模型(王绍武和赵宗慈,1987;严华生和王学仁,1991;张邦林和丑纪范,1991;林振山,1992;施能和曹鸿兴,1992;丁裕国等,1999;陈兴芳和赵振国,2000;马开玉,2003;魏凤英,2007)。动力数值模式气候预测始于20世纪90年代(曾庆存等,1990),经历了分别预报海温和大气的“两步法”和同时预测海温和大气的“一步法”(俞永强等,2007;马洁华和王会军,2014;吴统文等,2014),并取得了一系列研究和业务应用方面的进展。但是由于气候数值模式可预测性主要在热带地区,尤其对东亚季风降水的预测准确度较低。一方面可通过多模式集合结果提高预测技巧。另一方面则是发展有效的气候预测方法，如热带相似的思想(Wang and Fan,2009)和年际增量预测方法(范可等,2007)等，有效改进了针对东亚夏季风(Fan et al.,2012)、季风降水(Fan and Wang,2009)、台风(Fan and Wang,2009)、北大西洋涛动(Fan et al.,2015;Tian and Fan,2015)等气候预测。此外,通过利用气候模式历史相似信息对动力模式的误差场进行预测,改进气候预测(王启光等,2012)。如何将动力气候数值模式和统计气候模式有效的结合,发展高效能的动力—统计集合预测方法和预测模型,这是未来短期气候预测研究发展方向之一。其中一个尝试就是将气候变量的统计规律和模式高预测效能信息结合，并据此建立动力和统计结合的预测系统(Lang,2008;Fan et al.,2012;Liu and Fan,2014;Liu and Ren,2015)。

然而,在2015/2016极强的ENSO事件背景下,气候模式对我国降水和气温是否具有高效的实时预测能力?通常,国家气象局在每年3月进行夏季气候预测会商,11月进行冬季气候预测会商,我国160个站点气候预测和华北和长江流域的区域气候是气候预测主要内容之一。本文将从2015年夏季和2016年冬季气候业务实时预测角度,首先研究在2015/2016年极强厄尔尼诺事件下美国NCEP-CFSv2耦合气候模式自2015年2月和2016年10月起报对2015/2016我国气候预测效能。然后基于NCEP-CFSv2耦合模式的2月起报的实时预测结果,研制我国160个站点2015年夏季降水和2016年冬季气温动力和统计结合的预测模型并开展实时预测。同时,利用年际增量预测方法开展2015年夏季长江中下游夏季降水和2016年华北冬季气温的预测。

1 资料和方法

本文的降水和温度资料来自国家气候中心的160个站点逐月观测资料,时间跨度为1951—2016年。大气资料来源于美国国家环境预测中心—国家大气中心(简称:NCEP/NCAR)再分析资料,包括逐月海平面气压场,850 hPa水平风场,500 hPa位势高度场,其分辨率为2.5°×2.5°(Kalnay et al.,1996)。海平面温度资料为美国国家海洋和大气局(NOAA)气候诊断中心的海温扩展资料V4,水平网格分辨率为2.0°×2.0°(Huang et al.,2015)。月平均北极海冰密集度资料来自英国大气中心,水平网格分辨率为1.0°×1.0°(Rayner et al.,2003)。

美国预报中心的第二代气候预报系统(简称CFSv2),该模式是一个海洋—陆地—大气全耦合的动力实时预测系统。从1982年开始至今,模式每个月回报当月数据并对未来1～9个月的每月前28 d进行预测,模式数据的分辨率为1°×1°(Saha et al.,2014)。本文选取1982—2015年CFSv2预测结果,并将一天4个时次,一个月28 d的结果进行了集合。由于国家气候中心每年3月初进行夏季气候会商,10月进行冬季会商,因此CFSv2模式夏季气候预测结果是从2月起报预测6—8月,冬季气候预测是从10月起报预测12月—次年2月。利用双线性插值的方法将模式预测结果插值到2.5°×2.5°水平网格上。观测距平相对于1981—2010年的差值,CFSV2模式距平相对于模式气候态1982—2015年的差值。

场信息耦合型统计降尺度方法(刘颖等,2013;Liu and Fan,2014)是针对预测因子和预测量的空间场的主要信息,通过提取两变量场的最优耦合变化型建立模型。首先,在建模的拟合时段t内,利用经验正交函数分别对预测因子和预测量变量场进行分解并保留主模态,再将预测因子和预测量回算到原始变量场形式,如公式(1)所示:

(1)

其中:λm表示保留的EOF特征值;sk,k为所分解变量的第k个方差;T为阈值参数,这里取T=0.7。其次,将预测因子和预测量利用奇异值分解,提取两变量场之间的耦合变化型。最后,利用预测因子和预测量的奇异值模态对应的时间系数以及预测时间段t+1预测因子场,通过多元线性回归方法进行统计降尺度预测。

文中夏季是6—8月的季节平均,冬季是12—2月季节平均。利用交叉检验检验预测模型。数据逐年去掉一年建模预测,减少建模对样本长度的依赖。

图1 2014—2016年Nio3.4区逐月海温距平的演变(红色柱为观测值,蓝绿色线为CFSv2模式提前4个月的预测值;单位:℃)Fig.1 Observed(red) and CFSv2-predicted monthly SST anomaly over the Nio3.4 region(5°N—5°S,170—120°W) during 2014—2016(the prediction leadtime is 4 months;units:℃)

2 CFSv2气候模式对2015/2016气候预测性能

2.1 2015年夏季和2016年冬季CFSv2气候预测

首先,从业务应用角度,评估CFSv2模式提前4个月对2014—2016年逐月Nio3.4区(170～120°W,5°N～5°S,)海温距平演变的预测能力,即2月预测6月海温距平,3月预测7月,依次类推。图1显示了CFSv2模式能较好预测Nio3.4区海温距平演变,与观测海温距平演变一致,并能很好预测Nio3.4在2015年11月出现的峰值,但模式预测Nio3.4区海温逐月的距平值明显强于观测值。对于2015年我国160站点夏季降水预测,2015年夏季我国东部降水距平百分率空间分布的实况特征是“南正北负”形势,长江流域以北(包含长江中上游)是负异常而长江流域以南降水为正异常,主要正异常区在长江中下游(图2a)。与观测相比,CFSv2模式在降水异常的空间分布预测有较大的偏差(图2b),没有预测出“南正北负”降水异常型,预测长江流域上游降水负异常,中下游正异常,我国东部和北部大部分降水正异常。其预测与观测的空间相关系数(ACC)是0.21,显著性通过95%,距平同号率是50%。2016年我国160站点冬季气温实况是内蒙,东北部分区域,西南和华南区域气温距平负异常,我国其它大部分区域气温距平正异常,而CFSv2模式预测全国气温距平一致偏暖,其预测气温距平值也显著高于观测,预测ACC为0.19,显著性通过95%,距平同号率63%。

图2 2015年全国(160站)夏季降水距平百分率(a—c,单位:%)和2015/2016年冬季2 m气温距平(d—f,单位:℃)空间分布 a,d.观测;b,e.模式预测;c,f.降尺度预测Fig.2 (a—c)The percentage of the summer rainfall anomaly at 160 stations in China in 2015(units:%) and (d—f)the winter temperature anomaly at 2 m(units:℃):(a,d) observation;(b,e) CFSv2 prediction;(c,f) downscaling prediction

图3 2015/2016年海平面气压异常场(单位:hPa) a.2015年夏季观测;b.2015年夏季CFSv2模式预测;c.2016年冬季观测;d.2016年冬季CFSv2模式预测Fig.3 SLP anomaly in 2015/2016(units:hPa):(a,b)summer;(c,d)winter;(a,c)observation;(b,d)CFsv2prediction

再分析资料显示,2015夏季海平面气压(SLP)距平场显示从巴伦支海到东西伯利亚海显著负异常,欧亚大陆至白令海是正异常,北太平洋中部是负异常(图3a),西北太平洋区域是正异常。表明:东亚纬向的海陆热力差异较弱,东亚夏季风随之减弱。与此对应,850 hPa风场,从西伯利亚到贝加尔湖区域是反气旋性环流异常,北太平洋中部是气旋性环流异常,进而加强东亚沿岸偏北风气流异常。同时,西太平洋反气旋性环流位于菲律宾及以东区域,较常年位置偏西和偏强,不利于其西北外围的暖湿气流北上。我国南方及长江中下游区域正好处于偏北干冷气流和偏南暖湿气流辐合的区域造成该地多雨(图4a)。CFSv2模式对欧亚中高纬环流SLP距平环流预测与观测符号相反,对北太平洋SLP距平环流的预测与观测符号一致,但数值明显偏小(图3b)。CFSv2预测东亚纬向的海陆热力差异和东亚夏季风明显加强。在850 hPa风场上,可以看到CFSv2预测东亚沿岸盛行偏南风异常(图4b)。由此,不难理解CFSv2模式为什么会预测我国大部分区域降水异常多,特别是北方地区夏季降水正异常,其预测结果与实际相反。

图4 2015/2016年850 hPa水平风场异常场(单位:m/s) a.2015年夏季观测;b.2015年夏季CFSv2模式预测;c.2016年冬季观测;d.2016年冬季CFSv2模式预测Fig.4 Wind anomaly at 850 hPa in 2015/2016(units:m·s-1):(a,b) summer;(c,d) winter;(a,c) observation;(b,d) CFsv2 prediction

再分析资料显示,在2016年冬季SLP异常场上,SLP正异常区域在巴尔喀什湖和贝加尔湖之间,以及东亚和北太平洋中高纬度。SLP负异常在贝加尔湖以东到白令海,表明阿留申低压加强并主体偏东(图3c)。并且,2016年冬季东亚大陆和北太平洋间海陆热力差异减弱,冬季风减弱。与此对应,850 hPa风场(图4c),我国大部分区域盛行弱的偏北风异常。CFSv2模式预测结果显示欧亚中高纬以及欧亚大陆为SLP负异常,与观测结果相反,但能较好地预测北太平洋高压加强。CFSv2预测东亚沿岸和我国大部分地区是强盛的偏南气流。显然,CFSv2模式预测2016年冬季是显著弱的冬季风形势(图3d、4d)。由此,也不难理解CFSv2模式为什么会预测出2016年冬季我国一致地偏暖,预测的气温正异常值高于观测(图2e)。

2.2 ENSO遥相关的气候预测

虽然CFSv2模式能很好预测2014—2016年极强ENSO演变,但对2015/2016年夏季和冬季环流形势,特别是欧亚大陆和中高纬气候系统有误差,但CFSv2模式对北太平洋和热带环流仍有较好的预测效能,特别是西北太平洋副高异常(图3b、3d、4b、4d)。因为这些区域是海气相互作用较强区域,受ENSO直接影响(Wang et al.,2000)。将Nio3.4区指数分别回归到夏季和冬季850 hPa的风场(图5),结果显示当El Nio发生时,冬、夏季西北太平洋反气旋性环流显著加强,东亚沿岸盛行偏南的暖湿气流,对应夏季西北太平洋副高偏强偏西,从而易造成我国南方降水增多。当冬季西北太平洋高压偏强偏北时,其西北外围的暖湿气流在我国东部地区盛行,有利于我国东部气温增加。CFSv2气候模式正确地预测2015年夏季西太平洋副高偏强和偏西(图略)。主要由于ENSO与西太平洋副高的变化联系密切,在2015/2016极强ENSO事件下,CFSv2气候模式对西北太平洋副高和北太平洋环流的预测也较ENSO常态下更为准确。NZC-CCSM4耦合模式(马洁华和王会军,2014)也成功地预测出2015/2016西太平洋副高的变化。

然而,CFSv2模式对我国160个站点的降水和气温预测存在很大偏差,甚至与观测相反。因此,要提高我国站点降水和气温的预测的准确度,一方面改进气候模式对热带外的气候预测效能,一方面结合模式现有的预测效能,发展新的预测方法,将动力模式和统计模式结合进行预测。

3 基于年际增量的气候预测

3.1 2015年长江中下游夏季降水的预测

赵振国和刘海波(2003)分析长江中下游夏季洪涝预测失败的一个原因是东亚阻塞高压很难预测,其次长江流域的年际和年代际变化的预测信号不一致,预测难以决断,如1999年和1954年。范可等(2007)提出年际增量的预测方法并利用冬季和春季关键大气环流建立长江中下游夏季降水的物理统计预测模型,包含南极涛动,欧亚型大气遥相关,印尼—澳大利亚附近的850和200 hPa的经向风垂直切变等,这个模型很好地回报长江中下游夏季降水的逐年变化,1997—2006回报预测误差是18%,对1999年回报的相对误差百分率仅10%,并能再现长江中下游在1984—1998年年代际上升趋势和1998—2006年年代际下降趋势。预测模型具有较好的效能主要是由于年际增量方法可以放大预测信号,特别是中高纬系统,并且对年际和年代际趋势有较好的预测。

图6 1982—2014年长江中下游夏季降水百分率年际增量与预测因子之间相关场(打点部分表示通过了0.05信度的显著性t检验) a.前冬海平面气压场;b.前冬海温;c.前冬1 000 hPa气温场;d.前冬海冰密集度Fig.6 Correlation coefficients between the year-to-year increment percentage of summer rainfall over the Yangtze River valley and the year-to-year increment of the winter atmospheric circulation in the year-to-year increment form,for (a)winter SLP,(b)winter SST,(c)air temperature at 1 000 hPa,and (d)winter sea-ice intensity(dots denote significance at the 95% level)

在1982—2014年交叉检验得到的长江中下游夏季降水与观测之间相关系数为0.56,显著性超过99%水平,均方根误差为17%;同时,利用该预测模型实时预测2015年长江中下游夏季距平百分率为38.6%,实际观测为31%(图7a),预测结果与观测非常接近。预测模型也很好再现长江中下游夏季降水20世纪80年代至1999年的年代际上升趋势和2000年后的年代际的下降趋势。

3.2 2016年华北冬季气温的预测

相对于降水预测而言,气温总体上有较高的预测水平,主要的一个原因是随着全球变暖背景下气温正异常事件增多,预测准确率有所提高,并且气候模式对气温的高预测技巧有很大一部分依赖于气温变暖的趋势。然而,在实际预测中,很难把握气温距平正、负异常的幅度和冷暖转折。根据Fan(2011)

利用年际增量方法建立华北区域冬季气温预测模型,开展2016年冬季华北的实时预测。其中预测因子是前一年夏季和冬季的北太平洋涛动和北大西洋涛动及南极涛动等。这个模型在1967—2015年交叉检验得到的华北冬季气温与观测之间相关系数为0.69,显著性高于99%,均方根误差为0.91 ℃;较好再现华北冬季气温自20世纪70年代以来上升的趋势以及1998年后缓慢下降的趋势。2016年实时预测华北冬季气温距平为1.20 ℃,实际观测为0.51 ℃(图7b)。距平符号正确但预测值高于观测,由此气温异常幅度的准确预测还是非常困难,以后仍需要进一步改进模式。

以上两个预测模型均显示了年际增量方法在实时预测中的有效性,未来将考虑不同年代下的预测因子的有效性，并结合数值气候模式结果进一步改进预测模型。

图7 1982—2014年长江中下游夏季降水距平百分率(a;单位:%)和1967—2015年华北冬季气温距平(b;单位:℃)的预测模型(观测(红色柱);交叉检验(蓝色柱),2015夏季、2016年冬季预测结果(蓝绿色柱);黑色实线为观测值的11 a滑动平均结果)Fig.7 The (a)observed and predicted percentage of summer rainfall over the Yangtze River valley during 1982—2014(units:%),and the (b)observed and predicted winter temperature anomaly over North China(units:℃),wherein the observation is denoted red,the cross-validation prediction blue,the forecasting of 2015/2016 green,and the 11-year sliding window black

4 基于CFSv2的动力和统计结合的预测

考虑到CFSv2模式的主要气候预测效能在热带地区,虽然对我国160站点的降水和气温预测效能有限(图2),但对东亚地区环流预测有一定的预测能力。基于刘颖等(2013)建立的基于CFSv2实时预测数值产品及观测资料的统计降尺度的预测系统的思路，分别开展我国160个站点2015年夏季和2016年冬季的气温预测。一方面选取CFSv2模式的同期高预测效能的气候场,另一方面选取具有物理过程的前期气候场作为预测场,结合两者开展预测。

选取前期秋季热带太平洋海温(160°E～90°W,10°S～10°N)、CFSv2夏季东亚地区SLP场(60°E～180°,5～55°N)作为预测因子场,采用场耦合预测的方法,开展2015年夏季我国160站点夏季降水的实时预测(图2c)。降尺度后的结果较原始模式结果有显著提高,尤其是我国北方区域降水的预测,较好地再现了“北旱南涝”降水异常型,其预测结果更接近观测。降尺度后的预测ACC从0.21提高到0.31,预测距平同号率从50%提高到60%。

近几十年,北极海冰异常对欧亚冬季异常有着重要的作用。随着北极海冰的减少,欧亚中高纬环流更具有波浪状,经向环流加大,欧亚冬季极端事件更易发生。20世纪80年代中期之后,9月北极海冰对我国冬季气温的影响显著增强(李维京等,2013)。选取前期夏季北极海冰(0°～360°,60～90°N)和CFSv2冬季东亚地区2 m温度(70～140°E,15～55°N)的预测结果,采用场耦合预测的方法建立预测系统,开展2016年我国160站点冬季的气温预测(图2f)。显然,降尺度预测结果较CFSv2原始模式结果有加大改进,预测ACC从0.19提高到0.32,距平同号率从63%提高到75%。

作为伊利集团掌舵人，他攻克了“乳糖不耐受”的行业难题，通过奥运、世博契机推动了中国乳业升级，打造中国母乳数据库，以创新引领未来；他不断推动“创新”和“国际化”两个轮子，实施“反式创新”，提高“实验室经济”效能，带动中国乳业品牌登上世界新高度。

5 结论和讨论

本文研究了2015/2016年极强ENSO异常下CFSv2气候模式对我国冬、夏季的业务实时预测能力,并基于CFSv2耦合模式有效的预测效能,结合我国夏季降水和气温变化规律,研制动力和统计结合的我国160个站点降尺度预测模型并开展2015/2016实时预测。此外,利用年际增量的预测方法,开展2015/2016我国长江中下游区域夏季降水和华北区域冬季气温的实时预测。研究结果表明:CFSv2模式较成功地预测了2014—2016年逐月ENSO的演变,包括2015年11月ENSO峰值的预测。并且,CFSv2模式能成功地预测2015年夏季西北太平洋副热带高压和冬季的北太平洋高压的变化,由此说明极强的ENSO事件的确有利于耦合模式正确地预测ENSO时间演变及其ENSO密切相关的气候系统,但对欧亚中高纬环流系统的预测效能不高,进而影响对我国160站点的降水和气温预测的准确度。

年际增量的气候预测方法可放大中高纬的气候预测信息,能有效地应用于2015/2016长江中下游夏季降水和华北冬季气温的实时预测。基于范可等(2007)的预测模型和前人工作的基础上,本文采用4个冬季(2月以前)的预测因子建立长江中下游夏季降水的预测模型,在1982—2014年交叉检验下,相关系数达到0.69,均方根误差是17%,并能很好再现20世纪80年代的降水多雨的变化趋势和2000年后的少雨变化趋势,对2015年长江中下游夏季降水距平百分率的实时预测是38.6%,观测是31%,预测值与观测值非常接近。根据Fan(2011)建立华北冬季气温的预测模型进行2016年冬季气温预测,其结果显示模型能很好地再现20世纪70年代变暖的趋势和1998年后气温降低的趋势,2016华北冬季气温距平预测是1.20 ℃,高于观测值0.51 ℃。

最后,考虑前期热带太平洋海温和北极海冰的变化,以及CFSv2较好的预测效能,研制并开展2015/2016我国160站动力和统计结合的降尺度气候预测,其降尺度气温和降水预测结果(ACC,同号率等)显著高于CFSv2模式直接预测的结果。

然而,我国短期气候预测研究是世界难题之一,我国气候变异规律极其复杂,要提高我国短期气候预测准确度,要不断改进耦合模式对热带外气候的预测效能,发展地球系统模式,深入研究我国气候变异的规律,探索研究适合我国气候预测的创新的理论、方法和预测系统。其中,探索如何有效地将统计和动力气候模式结合是未来提高我国气候预测准确度的有效方法之一。

References)

陈兴芳,赵振国,2000.中国汛期降水预测研究及其应用[M].北京:气象出版社. Chen X F,Zhao Z G,2000.The research and application of the rainfall prediction in the flood period of China[M].Beijing:China Meteorological Press.(in Chinese).

丁裕国,江志红,施能,等,1999.奇异交叉谱分析及其在气诊断中的应用[J].大气科学,23(1):91-100. Ding Y G,Jiang Z H,Shi N,et al.,1999.Singular cross-spectrum analysis and its applicability in climatic diagnosis[J].Chin J Atmos Sci,23(1):91-100.(in Chinese).

Fan K,2011.A statistical scheme for seasonal forecasting of North China winter temperature[J].Atmos Oceanic Sci Lett,4:81-85.

Fan K,Wang H J,2009.A new approach to forecasting typhoon frequency over the western North Pacific[J].Wea Forecasting,24(4):974-978.doi:10.1175/2009WAF2222194.1.

范可,王会军,Choi Young-Jean,2007.一个长江中下游夏季降水的物理统计预测模型[J].科学通报,52(24):2900-2905. Fan K,Wang H J,Choi Y J,2007.A physically-based statistical forecast model for the middle-lower reaches of the Yangtze River Valley summer rainfall[J].Chin Sci Bull,52(24):2900-2905.(in Chinese).

Fan K,Liu Y,Chen H P,2012.Improving the prediction of the East Asian summer monsoon:New approaches[J].Wea Forecasting,27:1017-1030.doi:10.1175/WAF-d-11-000921.

Fan K,Tian B Q,Wang H J,2015.New approaches for the skillful prediction of the winter North Atlantic Oscillation based on coupled dynamic climate models[J].Int J Climatol,36:82-94.doi:10.1002/joc.4330.

高辉,王永光,2007.ENSO对中国夏季降水可预测性变化的研究[J].气象学报,65(1):131-137. Gao H,Wang Y G,2007.On the weakening relationship between summer precipitation in China and ENSO[J].Acta Meteorologica Sinica,65(1):131-137.(in Chinese).

Huang B,Freeman E,Lawrimore J H,et al.,2015.Extended reconstructed sea surface temperature version 4(ERSST.v4),Part I.Upgrades and intercomparisons[J].J Climate,28(3):911-930.

黄荣辉,陈文,丁一汇,等,2003.关于季风动力学以及季风与ENSO循环相互作用的研究[J].大气科学,27(4):484-502. Huang R H,Chen W,Ding Y H,et al.,2003.Studies on the monsoon dynamics and the interaction between monsoon and ENSO cycle[J].Chin J Atmos Sci,27(4):484-502.(in Chinese).

金祖辉,陶诗言,1999.ENSO循环与中国东部夏季和冬季降水关系的研究[J].大气科学,23(6):663-672. Jin Z H,Tao S Y,1999.A study on the relationships between ENSO cycle and rainfalls during summer and winter in the Eastern China[J].Chin J Atmos Sci,23(6):663-672.(in Chinese).

Kalnay E,Kanamitsu M,Kistler R,et al.,1996.The NCEP/NCAR 40-year reanalysis project[J].Bull Amer Meteor Soc,77(3):437-471.

Lang X M,2008.Prediction model for spring dust weather frequency in North China[J].Science in China,Series D,51:709-720.

李崇银,穆穆,周广庆,等,2008.ENSO机理及其预测研究[J].大气科学,32(4):761-780. Li C Y,Mu M,Zhou G Q,et al.,2008.Mechanism and prediction studies of the ENSO[J].Chin J Atmos Sci,32(4):761-780.(in Chinese).

李维京,李怡,陈丽娟,等,2013.我国冬季气温与影响因子关系的年代际变化[J].应用气象学报,24(4):385-396. Li W J,Li Y,Chen L J,et al.,2013.Inter decadal variability of the relationship between winter temperature in China and its impact factors[J].J Appl Meteor Sci,24(4):385-396.(in Chinese).

林振山,1992.长期预报的相空间近邻等距法[J].大气科学,16(5):530-537. Lin Z S,1992.The model of equal distance of near neighborhood in the phase space for long-term forecast[J].Scientia Atmospherica Scinica,16(5):530-537.(in Chinese).

刘舸,张庆云,孙淑清,2008.澳大利亚东侧环流及海温异常与长江中下游夏季旱涝的关系[J].大气科学,32(2):231-240. Liu G,Zhang Q Y,Sun S Q,2008.The relationship between circulation and SST anomaly east of Australia and the summer rainfall in the middle and lower reaches of the Yangtze River[J].Chin J Atmos Sci,32(2):231-240.(in Chinese).

Liu Y,Fan K,2014.An application of hybrid downscaling model to forecast summer precipitation at stations in China[J].Atmos Res,143:17-30.doi:10.1016/j.atmosres.2014.01.024.

Liu Y,Ren H L,2015.A hybrid statistical downscaling model for prediction of winter precipitation in China[J].Int J Climatol,35:1309-1321.doi:10.1002/joc.4058.

刘颖,范可,张颖,2013.基于CFS模式的中国站点夏季降水的统计降尺度预测[J].大气科学,37(6):1287-1299. Liu Y,Fan K,Zhang Y,2013.A statistical downscaling model for summer rainfall over China stations based on the Climate Forecast System[J].Chin J Atmos Sci,37(6):1287-1299.(in Chinese).

马洁华,王会军,2014.一个基于耦合气候系统模式的气候预测系统的研制[J].中国科学:地球科学,44:1689-1700. Ma J H,Wang H J,2014.Design and testing of a global climate prediction system based on a coupled climate model[J].Science China:Earth Sciences,44:1689-1700.(in Chinese).

马开玉,2003.统计预测技术的回顾和展望[J].热带气象学报,19(4):436-441. Ma K Y,2003.Reviewing the statistical techniques of climatic forecasting[J].J Trop Meteor,19(4):436-441.(in Chinese).

Rayner N A,Parker D E,Horton E B,et al.,2003.Global analyses of sea surface temperature,sea ice,and night marine air temperature since the late nineteenth century[J].J Geophys Res,108(D14):1063-1082.

Saha S,Moorthi S,Wu X,et al.,2014.The NCEP climate forecast system version 2[J].J Climate,27(6):2185-2208.

施能,曹鸿兴,1992.基于所有可能回归的最优气候预测模型[J].南京气象学院学报,4(15):21-26. Shi N,Cao H X,1992.The optimum climate forecasting model based on all possible regressions[J].J Nanjing Inst Meteor,4(15):21-26.(in Chinese).

Tian B Q,Fan K,2015.A skillful prediction model for winter NAO based on Atlantic sea surface temperature and Eurasian snow cover[J].Wea Forecasting,30:197-205.doi:10.1175/WAF-D-14-00100.1.

Wang B,Wu R,Fu X,2000.Pacific-East Asian teleconnection:How does ENSO affect East Asian climate?[J].J Climate,13:1517-1536.

Wang H J,2002.Instability of the East Asian Summer monsoon-ENSO relations[J].Adv Atmos Sci,19(1):1-11.

Wang H J,Fan K,2009.A new scheme for improving the seasonal prediction of summer precipitation anomalies[J].Wea Forecasting,24:548-554.doi:10.1175/2008WAF2222171.1.

王启光,封国林,支蓉,等,2012.长江中下游汛期降水数值预报业务模式误差场预报研究[J].气象学报,70(4):789-796. Wang Q G,Feng G L,Zhi R,et al.,2012.A study of the error field of the flood period precipitation of the mid-lower reaches of the Yangtze River as predicted by an operational numerical prediction model[J].Acta Meteorologica Sinica,70(4):789-796.(in Chinese).

王绍武,赵宗慈,1987.长期天气预报基础[M].上海:上海科学技术出版社. Wang S W,Zhao Z C,1987.The basis of long-term weather forecast[M].Shanghai:Shanghai Scientific and Technical Publishers.(in Chinese).

魏凤英,2007.现代气候统计诊断预测技术[M].2版.北京:气象出版社. Wei F Y,2007.Modern climate diagnostic and statistical forecasting techniques [M].2nd Edition.Beijing:China Meteorology Press.(in Chinese).

武炳义,黄荣辉,1999.冬季北大西洋涛动极端异常变化与东亚冬季风[J].大气科学,23(6):641-651. Wu B Y,Huang R H,1999.Effects of the extremes in the North Atlantic Oscillation on East Asia winter monsoon[J].Chin J Atmos Sci,23(6):641-651.(in Chinese).

吴统文,宋连春,李伟平,等,2014.北京气候中心气候系统模式研发进展—在气候变化研究中的应用[J].气象学报,72(1):12-29. Wu T W,Song L C,Li W P,et al.,2014.An overview on progress in Beijing Climate Center Climate System Model—Its development and application to climate change studies[J].Acta Meteorologica Sinica,72(1):12-29.(in Chinese).

徐康,何金海,祝从文,2011.近50年中国东部夏季降水与贝加尔湖地表气温年代际变化的关系[J].气象学报,69(4):570-580. Xu K,He J H,Zhu C W,2001.The interdecadal linkage of the summer precipitation in eastern China with the surface air temperature over Lake Baikal in the past 50 years[J].Acta Meteorologica Sinica,69(4):570-580.(in Chinese).

徐志清,范可,2012.冬季和春季印度洋海温异常年际变率模态对中国东部夏季降水的可能影响过程[J].大气科学,36(5):879-888. Xu Z Q,Fan K,2012.Possible process for influences of winter and spring Indian Ocean SST anomalies interannual variability mode on summer rainfall over eastern China[J].Chin J Atmos Sci,36(5):879-888.(in Chinese).

严华生,王学仁,1991.多因变量及要素场的统计预报[M].北京:气象出版社. Yan H S,Wang X R,1991.Multi-variable factors and statistic forecast of elements field[M].Beijing:China Meteorological Press.(in Chinese).

俞永强,郑伟鹏,张学洪,等,2007.LASG耦合气候系统模式FGCM-1.0[J].地球物理学报,50(6):1677-1687. Yu Y Q,Zheng W P,Zhang X H,et al.,2007.LASG coupled climate system model FGCM-1.0[J].Chin J Geophys,50(6):1677-1687.(in Chinese).

曾庆存,袁重光,王万秋,等,1990.跨季度气候距平气候数值预测试验[J].大气科学,14(1):10-25. Zeng Q C,Yuan C G,Wang W Q,et al.,1990.Experiments in numerical extraseasonal prediction of climate anomalies[J].Scientia Atmospherica Scinica,14(1):10-25.(in Chinese).

翟盘茂,余荣,郭艳君,等,2016.2015/2016 年厄尔尼诺过程及其对全球和中国气候的主要影响[J].气象学报,74(3):309-321. Zhai P M,Yu R,Guo Y J,et al.,2016.The strong El Nio in 2015/2016 and its dominant impacts on global and China’s climate.Acta Meteorologica Sinica,74(3):309-321.(in Chinese).

张邦林,丑纪范,1991.经验正交函数在数值模拟中的应用[J].中国科学B,4:442-448. Zhang B L,Chou J F,1991.Application of EOF in the climate numerical simulation[J].Science in China(Series B),4:442-448.(in Chinese).

赵振国,刘海波,2003.我国短期气候预测的业务技术发展[J].浙江气象,24(3):1-6. Zhao Z G,Liu H B,2003.The development on the operational technique for short term climate forecast[J].Journal of Zhejiang Meteorology,24(3):1-6.(in Chinese).

周波涛,2011.冬季澳大利亚东侧海温与长江流域夏季降水的联系及可能物理机制[J].科学通报,56(16):1301-1307. Zhou B T,2011.Linkage between winter sea surface temperature east of Australia and summer precipitation in the Yangtze River valley and a possible physical mechanism[J].Chin Sci Bull,56(16):1301-1307.(in Chinese).

Hybrid dynamical and statistical climate prediction in China during the extremely strong El Nio of 2015/2016

FAN Ke1,2,TIAN Baoqiang1,2,LIU Ying2,3

1Nansen-ZhuInternationalResearchCentre,InstituteofAtmosphericPhysics,ChineseAcademyofSciences,Beijing100029,China;

2CollaborativeInnovationCenteronForecastandEvaluationofMeteorologicalDisasters,NanjingUniversityofInformationScience&Technology(CIC-FEMD),Nanjing210044,China;

3LaboratoryforClimateStudies,NationalClimateCenter,ChinaMeteorologicalAdministration,Beijing100081,China

Real-time seasonal climate prediction was performed in China during the extremely strong El Nio event of 2015/2016,through a combination of dynamical and statistical climate prediction.Generally,real-time summer(winter) climate prediction in China starts in February(October) in every year.The results showed that,although the NCEP-CFSv2 coupled model predicted the evolution of the extremely strong El Nio event in 2015/2016 well,its performance in predicting the summer rainfall anomaly of 2015 and the winter temperature of 2016 at 160 stations in China was limited.Compared to observation,CFSv2 predicted a stronger East Asian summer monsoon and weaker East Asian winter monsoon.One of the reasons for this is that CFSv2 is poor at predicting the extratropical climate system.Thus,based on the climate prediction direct outputs of the NCEP-CFSv2 model,we created a hybrid dynamical and statistical prediction model for forecasting the precipitation anomaly and temperature anomaly at 160 stations in China in 2015/2016.The skill of the hybrid of statistical and dynamical prediction model was higher than that of the direct prediction results of the NCEP-CFSv2 model.The spatial anomaly correlation coefficient(ACC) of summer rainfall at 160 stations in China in 2015 increased from 0.21 to 0.31(exceeding the 99% significance level),along with the percentage of the same sign of the rainfall anomaly improving to 60% from 50%.The model reproducedthe observed flood pattern in southern China,as well as the drought pattern in summer 2015.Meanwhile,the prediction ACC of winter temperature in China in 2016 increased to 0.32 from 0.19,and the percentage of the same sign of the temperature anomaly increased to 75% from 62%.Moreover,the year-to-year increment prediction method proposed by Fan et al.(2007) was applied successfully to predict summer rainfall over the Yangtze River valley in 2015,and winter temperature over North China in 2016.The year-to-year increment method predicts the year-to-year increment of the climate variable instead of the climate anomaly,in which the year-to-year increment of the climate is defined as the climate variable of the current year minus that of the previous year.The year-to-year increment of the climate variable was firstly predicted by the statistical or dynamical model,and then the predicted climate anomaly or climate variable of the current year could be obtained by adding the predicted year-to-year increment to the observed one of the previous year.The advantage of the year-to-year increment is that it can amplify the prediction signal,especially the extra tropical climate signal.Furthermore,as the observed climate in the previous year is an accurate value containing the interannual and interdecadal signals,it further promotes the level of accuracy in predicting the interannual and interdecadal climate variable.The results showed that the summer rainfall anomaly over the middle and lower reaches of the Yangtze River valley in 2015 could be predicted successfully by the year-to-year increment;the predicted(observed) value in 2015 was 38.6%(31%).Meanwhile,the upward trend of the summer rainfall anomaly over the middle and lower reaches of the Yangtze River valley since the 1980s,and the downward trend since 2000,were also reproduced.The model reproduced the warming trend since the 1970s,and the slowly cooling trend since 1998,with the predicted(observed) winter temperature anomaly over North China being 1.20 ℃(0.51 ℃).However,there is still a long way to go in terms of improving the prediction skill level in China to a sufficiently high level.The extratropical climate prediction skill should be improved by improvement to thedynamical model.It is necessary to explore how to combine the dynamical climate model with the statistical climate model more effectively.Importantly,climate theory,methods and techniques,models,as well as climate dynamics suited for climate variability in China,should be further developed.

(责任编辑：张福颖)

范可,田宝强,刘颖,2016.2015/2016年极强厄尔尼诺事件下我国动力和统计结合实时气候预测研究[J].大气科学学报,39(6):744-755. Fan K,Tian B Q,Liu Y,2016.Hybrid dynamical and statistical climate prediction in China during the extremely strong El Nio of 2015/2016[J].Trans Atmos Sci,39(6):744-755.

10.13878/j.cnki.dqkxxb.20160814003.(in Chinese).

10.13878/j.cnki.dqkxxb.20160814003

*联系人，E-mail:fanke@mail.iap.ac.cn