SEAS5模式对新疆月尺度气温和降水的预测性能评估

李雪洮，段春锋，杨智敏，陈 颖*

（1.新疆气候中心，新疆 乌鲁木齐 830002;2.安徽省气候中心，安徽 合肥 230031）

新疆是我国受自然灾害影响较严重的省区之一，新疆的气象灾害及其衍生灾害呈现出突发性强、种类多、强度大、频率高、灾害重、影响广的特点，给自治区经济社会持续发展带来了严峻挑战[1]。在这一背景下，新疆月尺度气候预测的重要性显得尤为突出，及时准确地提供灾害性、关键性短期气候预测，对于农业、能源、粮食安全、卫生健康、交通运输和应急管理等部门的决策具有重要意义和显著价值。

我国的短期气候预测业务经历了经验性统计、数理统计、动力模式和动力与统计相结合[2-3]几个发展阶段，目前已经建立起一套较为完备的“延伸期—月—季—年”多尺度气候预测业务系统[4-6]。其中，气候模式集合预测已经成为全国各气候预测业务中心的主要预测工具之一[7]，其作为月、季、年度气温降水趋势预测的一种客观方法和预测手段，为我们的短期气候预测业务工作提供了较为可信的参考依据。但模式初始条件、边界条件的误差和模式计算中各种近似处理引入的误差使预报结果不可避免地存在不确定性，进而导致模式预报技巧受到限制。根据国内外研究成果，模式可预报性存在海洋强于陆地，低纬优于高纬的分布特征[8]。新疆位于欧亚大陆腹地的干旱半干旱区，降水少且气温变率很大[9]，大气的内在变率很大，影响此地区气候变异的因素太多、太复杂[10]，这从根本上导致气候模式对新疆的气温和降水预测技巧并不高。而且由于地域辽阔，东西跨度约1 900 km、南北跨度约1 800 km，“三山夹两盆”的地形使得新疆气候也存在着明显的区域差异。因此对气候模式进行全面的检验评估，了解模式预报技巧在新疆的时空分布特征，有利于充分发挥这一客观预测产品在新疆短期气候预测业务中的应用效益，提高新疆月尺度气候预测能力。研究成果可在新疆月尺度气候预测业务中得到实际应用。

近年来，全国各省区气候中心在气候预测模式检验评估方面做了大量工作，何慧根等[7]基于国家气候中心第二代月动力延伸预测模式业务系统（DERF2.0）数据和全国台站观测资料综合评估了DERF2.0系统对中国的气温和降水的预测性能，表明DERF2.0模式对极端旱、涝个例年有一定的预测能力，且对气温的预测明显好于降水。重庆、广西、贵州、江西、新疆、宁夏和陕西也有学者[11-17]做了类似针对DERF2.0模式在本地适用性的检验工作。但是，对于在气候预测业务中经常使用的欧洲中心中长期模式，国内外的检验评估工作较少，主要有：Amulya Chevuturi等[18]利用GPCP降水数据和ERA5再分析数据检验了欧洲中心第五代季节预测系统SEAS5对于印度夏季风的预测技巧，发现该模式在提前一个月预测大尺度季风的动力学特征和局地尺度季风的爆发方面有显著技巧；Wang等[19]基于SEAS5模式36年的回报数据评估了该模式对澳大利亚降水和日最高气温、日最低气温的预测水平，表明SEAS5模式对未来一个月的预测效果很好，但超出一个月预报时效后，预测技巧显著下降；Stefanie Gubler等[20]检验评估了SEAS5模式在南美地区的预测水平，发现南半球夏季时该模式对热带地区气温的预测性能最优，准确率达70%，模式对南美的降水预测性能较气温稍差，且体现出更大的时空差异性。国内关于SEAS5模式的相关研究成果较少，郑嘉雯等[21]基于BCC_CSM1.1m，NCEP_CFSv2和SEAS5模式的历史回报和中国全球大气再分析系统资料，对500 hPa位势高度和西太平洋副热带高压进行了预报性能评估和可预报性分析，表明三个模式在热带地区均具有较高的预报能力，BCC模式表现最为突出，SEAS5模式预报稳定性最好。

纵观前人的研究成果，可见SEAS5模式的预测能力较强且稳定性好，但其在新疆这一中高纬度复杂地形地区的预测技巧还未可知。了解SEAS5模式预报技巧在新疆的时空分布特征，有利于充分发挥这一客观预测产品在新疆短期气候预测业务中的应用效果，进而提高新疆月尺度气候预测能力。

1 资料和方法

1.1 模式资料

SEAS5（Seasonal Forecasting System 5）是2017年11月投入运行的欧洲中期天气预报中心（ECMWF）第五代季节预测系统，也称ECv5。与其前身ECv4相比，SEAS5使用了更高分辨率的新版大气和海洋模块，添加了海冰模块。新版本模式减少了赤道太平洋冷舌的预报偏差，同时模拟的ENSO振幅更加真实准确，在中西部太平洋地区的ENSO预测技巧有所提高，而在热带太平洋地区，2 m温度的预测技巧也明显提升[22]。

模式数据为欧洲中期天气预报中心第五代季节预测系统（SEAS5）的气温和降水预测产品，来源于国家气候中心多模式解释应用集成预测系统[23]（MODES）提供的多模式数据集V2版本，评估时段为1993年1月—2019年12月（其中2017年模式数据缺失），起报日期为每月8日，水平分辨率为1°×1°。考虑到预报时效问题，本文使用SEAS5模式提前1个月对逐月气温、降水的预测结果进行检验。

1.2 观测资料

本研究的观测数据来源于新疆气候中心，包括新疆98个气候预测检验站点1993年1月—2019年12月的气温和降水观测数据。

1.3 检验方法

1.3.1Ps评分

根据中国气象局预报与网络司《月、季气候预测检验评分方法》业务规定，分别考虑预报的趋势项、异常项和漏报项，以短期气候趋势异常综合（Ps）检验作为气候预测的综合评定方法，Ps检验方法的计算公式：

其中，N0为气候趋势预测正确的站数；N1为一级异常预测正确的站数；N2为二级异常预测正确的站数；M为没有预报二级异常而实况出现降水距平百分率≥100%或等于-100%、气温距平≥3℃或≤-3℃的站数（下称漏报站）；a、b和c分别为气候趋势项、一级异常项和二级异常项的权重系数，为客观反映当前国家级和省级业务单位短期气候预测水平，促进气候预测业务由平均态趋势预测向异常气候趋势预测转变，中国气象局预报司于2013年颁布《月、季气候预测质量检验业务规定》规定各权重系数取值为a=2，b=2，c=4。

1.3.2Pc评分

Pc评分以预报和实况的距平符号是否一致为判据，逐站判断，计算公式如下：

式中，N0为预测与实况距平符号相同的站数，N为参加评分的总站数。

1.3.3ACC评分

ACC评分是WMO于1996年确定并建议使用的指标，其使用降水距平百分率和平均气温距平计算距平空间相关系数，主要反映的是预报值与实况值空间型的相似程度，也可称为空间相似系数。每次预报均可对预报场计算空间相似系数，需要首先计算各个格点的时间平均和异常：

式中，Xi，j代表观测值，fi，j代表预测值，i代表评价区域的格点数，j代表时间序列，N为评分总格点数或站点数，ΔXi，j和分别为观测的气温距平（降水距平百分率）和多年均值，Δfi，j和为预测的气温距平（降水距平百分率）和多年均值。

1.3.4TCC评分

TCC评分使用降水距平百分率和平均气温距平分别计算距平的时间相关系数，能够在统计意义上较好地表征模式对各个格点异常的预报能力，得到一个完整的相关技巧空间分布。TCC范围为-1～1，越接近于1表明技巧越高，通常取0.5的相关技巧作为有预报意义的标准。

2 月气温的预测质量评估

2.1 各月气温Ps、Pc、ACC评分的时间序列

利用SEAS5模式每月8日起报的气温月数据和新疆参与气候预测质量评分的98站点的气温月资料（除缺测较多的大西沟站）计算得到1993—2019年各月气温的Ps、Pc、ACC评分的时间序列图（图1）。1月ACC>0的年份最多，空间相关性较其他月份更优。三种评分的年际变化表现比较一致。

图1 SEAS5模式1—12月（a—l）气温Ps、Pc、ACC评分的时间序列

距平符号一致率Pc反映的是一定范围内预测值与实况值距平（距平百分率）符号一致的站点数占总站点数的比例，是以往模式检验常用的方法之一。只有当同号率＞50%，主要趋势被反映出来时，再考察强度预测才有意义。时间相关系数能够在统计意义上较好地表征模式对各个格点异常的预报能力，得到一个完整的相关技巧空间分布。TCC范围在-1～1，越接近于1表明技巧越高，通常取0.5的相关技巧作为有预报意义的标准。根据文献和气候学普遍使用的定义标准，分别统计了Pc评分≥50，Ps评分≥60，以及ACC评分≥0的年份数目在模式资料总年数（26年）中的占比。7月Pc和Ps评分具有指示意义的概率最大，分别达到70.4%和81.5%，1月空间相关系数ACC具有指示意义的年份最多。

为更直观地分析SEAS5模式对各月气温预测评分的情况，统计计算了1993—2019年平均的各月气温Pc、Ps和ACC评分（表1）。Pc评分≥50，Ps评分≥60，以及ACC评分≥0时，平均评分具有指示意义，可见SEAS5模式对新疆气温的预测评分较高，全年平均得分也都具有指示意义。4—9月，三项评分均大于评判指标，预测效果很好。4月气温的距平符号一致率评分Pc最高，为61.3分；12月的Pc评分最低，为50.2分。7月的趋势异常综合评分Ps评分最高，为74.4分；2月的Ps评分最低，为59.6分。6月的空间相关系数ACC最高，达到0.17；5月和11月的ACC评分最低，分别为0.01和-0.01。

表1 SEAS5模式1993—2019年平均各月气温评分

2.2 各月气温Pc评分的空间分布

图2为1993—2019年平均的各月气温Pc评分空间分布。4、8、10、11月全疆Pc评分均>50分，从空间一致率角度而言，模式的月气温预测质量较高。7、9月除南疆西部外的全疆大部地区Pc评分也＞50分，气温预测较成功。1、3、6、12月北疆大部、东疆大部的Pc评分＜50分，南疆地区的Pc评分高于北疆地区。2、5月全疆大部的Pc评分＜50分，模式预测的气温趋势可参考性较小。

图2 SEAS5模式1—12月（a～l）气温Pc评分的空间分布

2.3 各月气温TCC评分的空间分布

图3为1993—2019年平均的各月气温TCC评分空间分布。5、6、12月的南疆西部，4月的北疆东部和东疆北部以及8月的东疆大部TCC评分均为0.4～0.6，说明模式对相应时段各区域的气温异常具有较好的预测能力。1月的北疆沿天山东段，2月的北疆北部和3月的吐鲁番地区、东疆南部和巴州北部TCC评分均为-0.4～-0.6，时间负相关性较强。

图3 SEAS5模式1—12月（a～l）气温TCC评分的空间分布

3 月降水的预测质量评估

3.1 各月降水Ps、Pc、ACC评分的时间序列

计算1993—2019年平均的各月降水Ps、Pc、ACC评分时间序列（图4）。4月和6—8月的三项评分均较高，预测效果相较其他月份更好。根据文献和气候学普遍使用的定义标准，对各月评分中具有指示意义的年数占比进行了统计。分别统计了Pc评分≥50，Ps评分≥60，以及ACC评分≥0的年份数目在模式资料总年数（26 a）中的占比。12月Pc评分具有指示意义的概率最大，达到70.4%。

图4 SEAS5模式1—12月（a～l）降水Ps、Pc、ACC评分的时间序列

6月Ps评分具有指示意义的概率最大，为81.5%。4月空间相关系数ACC具有指示意义的年份最多，可达66.7%。

为更直观地分析SEAS5模式对各月降水模拟评分的情况，统计计算了1993—2019年平均的各月降水Pc、Ps和ACC评分，见表2。Pc评分≥50，Ps评分≥60，以及ACC评分≥0时，平均评分具有指示意义。可见SEAS5模式对新疆降水预测评分较好，基本所有月份的三项评分多年均值都大于评判标准，全年平均得分也都具有指示意义。4月、6—8月三项评分均大于评判指标，预测效果较好。4月降水的距平符号一致率评分Pc最高，为58.7分；9月的Pc评分最低，为48.4分。7月的趋势异常综合评分Ps评分最高，为72.1分；11月的Ps评分最低，为58.9分。4月降水的空间相关系数ACC最高，达到0.16；9月和11月的ACC评分最低，为0.01。

表2 SEAS5模式1993—2019年平均的各月降水评分

3.2 各月降水Pc评分的空间分布

由为1993—2019年平均的各月降水Pc评分空间分布图（图5）可知，4、7、8月SEAS5模式对全疆降水的距平符号一致率评分均>50分，参考性较好。模式对于南疆各月降水的预测水平普遍高于北疆，其中1、2、4、5月南疆大部的Pc评分>60分，预测效果很好。1、2、5、6、9、10、11月北疆大部的Pc评分为30～50分，其中9月除阿勒泰地区和阿克苏地区外的全疆大部Pc评分均＜50，预测水平较低。

图5 SEAS5模式1—12月（a～l）降水Pc评分的空间分布

3.3 各月降水TCC评分的空间分布

由1993—2019年平均的各月降水TCC评分空间分布图（图略）可知。1、9月的和田地区，3月的南疆西部，5月的巴州大部，7月的昌吉州、克州，8月的阿勒泰地区和12月的北疆沿天山一带TCC评分为0.4～0.6，说明模式对相应时段各区域的降水异常具有较好的预测能力。1月的吐鲁番地区，5月的南疆西部山区，6月的东疆北部，8月的东疆南部，10月的阿勒泰北部和12月的巴州北部TCC评分为-0.4～-0.6，说明相应时段各区域模式和观测的降水时间负相关性较强。

4 结论与讨论

基于国际先进气候模式SEAS5的历史回报数据和新疆98个气象站的观测资料，利用Pc、Ps、ACC、TCC评分计算方法，对1993—2019年模式在新疆的月尺度气候预测能力进行了全面的检验评估。主要结论如下：

在新疆月气温预测方面，4—9月的Pc、Ps和ACC三项评分均大于评判指标，预测效果很好。其中，7月Pc和Ps评分具有指示意义的概率最大，分别达到70.4%和81.5%；4月气温的Pc评分最高（61.3分），12月的Pc评分最低（50.2分）；7月的Ps评分最高（74.4分），2月的Ps评分最低（59.6分）；6月的空间相关系数ACC最高（0.17），5和11月的ACC系数最低（分别为0.01和-0.01）。从空间差异方面分析，SEAS5模式对7和9月南疆西部的Pc评分较其余地区低，而1、3、6、12月南疆地区的Pc评分高于北疆地区；从时间相关性TCC评分角度，5、6、12月的南疆西部，4月的北疆东部和东疆北部以及8月的东疆大部TCC评分均为0.4～0.6，1月的北疆沿天山东段，2月的北疆北部和3月的吐鲁番地区、东疆南部和巴州北部TCC评分均为-0.4～-0.6，说明模式对相应时段各区域的气温异常具有较好的预测能力。总体而言，SEAS5模式在夏秋季对全疆气温的预测水平较高。

在新疆月降水预测方面，4月、6—8月的Pc、Ps和ACC三项评分均大于评判指标，预测效果较好。其中，Pc、Ps和ACC评分具有指示意义概率最大的月份分别是12月（70.4%）、6月（81.5%）和4月（66.7%）；4月降水的Pc评分最高（58.7分），9月的Pc评分最低（48.4分）；7月的Ps评分最高（72.1分），11月的Ps评分最低（58.9分）；4月降水的空间相关系数ACC最高（0.16），9月和11月的ACC评分最低（0.01）。从空间差异方面分析，SEAS5模式对南疆各月降水的距平符号预测水平普遍高于北疆，1、2、5、6、9、10、11月北疆大部的Pc评分为30～50分，预测水平较低；从时间相关性TCC评分角度，1、9月的和田地区，3月的南疆西部，5月的巴州大部，7月的昌吉州、克州，8月的阿勒泰地区和12月的北疆沿天山一带TCC评分为0.4～0.6，1月的吐鲁番地区，5月的南疆西部山区，6月的东疆北部，8月的东疆南部，10月的阿勒泰北部和12月的巴州北部TCC评分为-0.4～-0.6，说明模式对相应时段各区域的降水异常具有较好的的预测能力。

SEAS5模式对南疆的降水预测水平高于北疆可能是由于降水预测受水汽输送、地形的影响极大，而“三山夹两盆”的地形使得南北疆存在着明显的区域差异。北疆多山地、丘陵地貌，海拔落差很大，地形和下垫面状况较南疆更为复杂，SEAS5模式水平分辨率为1°×1°，对北疆的复杂地形考虑不足。其次，新疆区域观测站点稀疏，在复杂地形上的观测数据代表性也具有一定的不确定性。从气候预测业务应用的角度，计算了2014—2019年新疆气候中心6—8月逐月降水的Ps评分，平均为66.9分，SEAS5模式预测的同期Ps评分平均为67.5分，SEAS5模式可为新疆6—8月降水预测提供一种可靠的客观精细化预测依据。在今后的月尺度气候趋势预测中可以着重参考SEAS5模式对新疆6—8月的气温、降水预测结果，同时应继续加强新疆冬、春季月尺度气候模式解释应用的研究。