JL-NZCv1.0短期气候预测系统对吉林省春、夏季气温、降水预测的初步检验评估

曲美慧 涂 钢 刘 洋 穆 佳

（1.吉林省气象科学研究所，吉林长春 130062；2.长白山气象与气候变化吉林省重点实验室，吉林长春 130062；3.吉林省气象灾害防御技术中心，吉林长春 130062）

1 引言

吉林省是中国最主要的产粮区之一，其气候异常直接影响农业丰歉。吉林省地处中纬度的欧亚大陆东端，东面为长白山山脉环绕，中部为平原，受中高纬度环流系统、中低纬度海—气系统、东北冷涡、副热带高压等多种环流系统影响，区域气候年际变率大，旱涝灾害频发[1]。因此开展该区域短期气候预测技术的研究是非常必要的，同时也对防灾减灾、粮食生产具有重要意义。多年来，国内外诸多学者从动力模式、统计分析方法等对气候预测开展了大量研究工作[2-5]。国家气候中心基于多个国内外耦合气候模式，设计了统一协调的初始化方案和后处理方案，以本地化运行和国外业务预测数据引进相结合方式，完成了面向月和季节预测的中国多模式集合预测系统CMMEv1.0，并开展了一系列的业务预测研发和应用工作。吴捷等[6]对国家气候中心（BCC）第二代季节预测模式系统的季节可预报性问题进行了探讨，结果表明BCC二代模式对我国冬季气温和夏季降水具备一定的预报能力。李菲等[7]从DERF2.0产品的降尺度解释应用角度建立了一套完整的东北地区月气温预测模型。可以看出通过集合平均、统计降尺度等客观方法对动力预测系统结果进行解释应用以期提高气候预测准确率是目前短期气候预测的主要发展方向，尤其是区域、省级及以下气候业务中较为现实的途径之一。

吉林省气象科学研究所于2016年引进中科院大气所竺可桢—南森国际研究中心开发的NZC-PCCSM4短期气候预测系统[2]，结合降尺度方法[4-5]和观测资料，经过不断地调试，初步建立了适用于本省气候特征的面向季节预测的动力与统计相结合的JL-NZCv1.0短期气候预测系统（简称为JL-NZCv1.0系统）[1]，该系统丰富了吉林省气候及气候变化业务应用的科学研究方法，自2018年开始试运行。

为了更好地应用JL-NZCv1.0系统，了解其预测性能，更好地服务于吉林省的短期气候预测业务，提高吉林省短期气候客观化预测水平，本文对JL-NZCv1.0系统2018—2021年吉林省春、夏季气温和降水的预测结果进行了检验，以期为后续系统优化和完善提供参考依据，为吉林省短期气候预测业务提供支撑。

2 资料与方法

2.1 JL-NZCv1.0系统运行及输出

JL-NZCv1.0系统的核心是CCSM4模式，由大气、海洋、陆面、海冰和耦合器5大模块组成，由耦合器实现物理子模块间的耦合。其中大气模式（Community Atmosphere Model version 4，CAM4）水平分辨率为2.5°×1.9°，垂直方向为混合σ-p坐标，共26层；陆面模式（Community Land Model version 4，CLM4）与CAM4使用相同的水平分辨率；海洋模式为混合层海洋模式（Slab Ocean Model，SOM），水平分辨率为1°×1°，旋转坐标系；海冰模式（Community Ice Code version 4，CICE4）使用与SOM相同的海陆分布配置与水平分辨率[1]。

该系统主要包括初始化运行、试验运行、后处理运行3部分。初始化运行部分用于创建积分试验所需要的初始场文件，目前提供了2种运行方式，其中逐年运行方式适用于实时预测试验，分模块运行方式适用于多年回报试验。大气模式初始场数据为NCEPFNL和Reanalysis 1数据；陆面模式初始场数据为NCEP Climate Forecast System Reanalysis（CFSR）资料中的0—2 m的土壤温度和土壤湿度数据；海洋模式初始场数据为美国NCEP全球海洋同化系统（GODAS）再分析资料中月平均0—115 m加权平均的盐度和温度、表层洋流速度数据；海冰模式初始场数据为模式的气候态海冰。试验运行部分负责实现积分试验并输出预测结果，积分试验运行脚本的起报时间、积分时间、运行节点、路径等参数已设置完毕，可以根据实际需求进行修改，且提供了每月1日起报的12个试验范例，并增加了500 hPa高度场、200 hPa V、850 hPa V、200 hPa U、850 hPa U输出变量。后处理运行部分主要用于对试验所产生的数据进行降尺度订正、输出预测结果及完成绘图等。更多详细内容见文献[1]。

本文研究资料包括吉林省50个自动气象观测站1981—2021年逐月气温和降水量观测资料，JL-NZCv1.0系统超前（lead time）1个月的春、夏季气温和降水的预测结果。如对春季而言，模式起报时间为每年2月1日；对夏季而言，模式起报时间为每年5月1日。积分时间为7个月，回报时间段为1981—2021年，气候态采用1981—2010年多年平均值。

2.2 检验方法

参考WMO（World Meteorological Organization）推荐的标准和方法[6，8]以及中国气象局于1999年7年执行的《短期气候预测质量评定暂行办法》，本文采用趋势异常综合检验（Ps）[7，9-11]、距平符号一致率（Pc）[9-12]和空间相似系数（ACC）[6，11，13]对JL-NZCv1.0系统的预测性能进行定量检验。

Ps是中国气象局制定的业务预测评分标准，主要考虑预报的趋势项、异常项和漏报项（异常量级漏报），其计算方法是将预测区域各站的降水、气温趋势预测分别按照降水距平百分率（ΔR%）、气温距平（ΔT，℃）实行6级评分制，具体的趋势预报用语和分级标准见表1，计算公式为：

表1 Ps评分6级评分制趋势预报用语和分级标准

式中，a、b、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本文取a=2、b=2、c=4；N为实际参加评估的站数；N0为趋势预测正确的总站数；N1为一级异常预测正确的总站数；N2为二级异常预测正确的总站数；M为没有预报二级异常而实况出现ΔR≥100%或ΔR=-100%、ΔT≥3℃或ΔT≤-3℃的站数（国家气象业务内网—气候业务：常规产品检验方法——趋势异常综合评分）。

Pc是距平符号预测正确的站点数与总站点数的百分比，计算公式为：

式中，N为预测与观测的降水距平百分率或气温距平的符号相同或距平为零的站点数；M为总站点数。只有当同号率大于50%，降水或气温的主要趋势被反映出来时，再考虑强度预测才有意义[11]。

空间相似系数（ACC）主要反映预测距平与观测距平空间型的相似程度，展示了模式预测的空间分布技巧，也称为距平相关系数，计算公式为：

式中，N代表评分的站点数；ΔRf，i和ΔRf，i分别代表第i个站点的降水距平百分率或者气温距平的预测值和多年平均值；ΔRo，i和为相应的观测值。ACC取值范围在-1到1之间，越趋近于1表示技巧越高[9]。

3 结果分析

3.1 春季气温和降水的预测结果检验

表2是JL-NZCv1.0系统预测2018—2021年春季吉林省气温和降水的Ps评分、距平符号一致率Pc、ACC技巧。可以看到2018—2021年春季气温的Ps评分平均达到84.9分，各年Ps评分均在73分以上，尤其是2019年春季气温的Ps评分高达96分，可见系统对春季气温异常的预测效果较高且预测性能稳定；春季气温预测的Pc平均为74.6%，其中2019年最高，为91.9%，但2020年仅58%；ACC技巧除2021年为负外，2018—2020年ACC技巧均为正，其中2018年ACC技巧最高，为0.34。

JL-NZCv1.0系统对2018—2021年春季降水预测的Ps评分均在63分以上，4年平均达到了74.2分，其中2021年最高，为83.5分；Pc除2019年为47%，其余均在60%以上，4年平均为59.9%；ACC技巧除2021年为负外，其余3年均为正，其中2020年ACC技巧最高，为0.39。

在不考虑特殊性的情况下，以2020年为例，对比吉林省2020年春季气温、降水的预测与观测的空间分布（图1、图2）。从表2的检验评分来看，2020年春季气温和降水的预测评分在4年中不属于特别突出的年份，Ps评分处于平均水平，温度的Pc属于4年最低，降水的ACC属于4年最高。

表2 2018—2021年春季吉林省气温和降水的Ps评分、Pc和ACC技巧

从图1、图2可以看出，JL-NZCv1.0系统预测2020年春季气温西部及东部略高，中部、东南部部分地区略低，西部、东部高于中部、南部的空间温度梯度分布，与观测相比预测成功，但距平绝对值较观测偏低，且观测最南部很小的负距平区没有预测出来（图1b），这应该是Pc评分较低的表现；系统对降水空间分布的预测与观测相比，系统准确地预测出吉林省西部地区降水偏多（图2a），具体来说白城、松原、四平地区多雨，辽源、通化、白山地区北多南少的形势，以及对延边南部少雨均预测正确，仅中部长春、吉林地区预测的距平反号，ACC评分为0.39。

图1 2020年春季吉林省气温距平的预测（a）和观测（b）

图2 2020年春季吉林省降水距平百分率的预测（a）和观测（b）

3.2 夏季气温和降水的预测结果检验

表3是JL-NZCv1.0系统对2018—2021年夏季吉林省气温和降水预测的Ps评分、距平符号一致率Pc和ACC技巧。可以看出，JL-NZCv1.0系统预测夏季吉林省气温Ps评分均在72分以上，4年平均分为81.7分；Pc均在57%以上，4年平均为69.9%，Ps、Pc均比春季略低；ACC技巧2019年较高，为0.42，其余年份ACC技巧均为负。

表3 2018—2021年夏季吉林省气温和降水的Ps评分、Pc和ACC技巧

夏季降水的Ps评分、Pc均低于春季，也低于夏季气温；Ps评分2020年只有50.1分，2019年最高为71.1分，4年平均为61.6分；Pc的4年平均仅44.6%，只有2019年分数在50%以上；ACC技巧只有2019年为正，为0.35，其余年份均为负。

同样不考虑特殊性，选取2021年的预测为例，图3、图4分别给出2021年夏季吉林省气温距平、降水距平百分率的预测和观测的空间分布。气温观测的空间分布呈自东向西的4阶梯变化（图3b），而预测的空间分布为从东部到中部的2阶梯变化。可认为是异常趋势预测正确，但西部地区气温距平符号预报正确，量级较观测偏高，而通榆地区反号，因此Ps评分和Pc较高，但ACC只有-0.03。降水空间分布的预测与观测相比，JL-NZCv1.0系统抓住了吉林省中部降水异常的空间分布趋势（图4a），但西部和东部差异较大（图4b），因此Pc只有46%，ACC只有-0.19，但Ps为64分，超过了60分。

图3 2021年夏季吉林省气温距平的预测（a）和观测（b）

图4 2021年夏季吉林省降水距平百分率的预测（a）和观测（b）

4 结语

（1）4年平均，春季气温的Ps平均可以达到84.9分、距平符号一致率Pc平均达到74.6%，夏季气温的Ps平均为81.7分、距平符号一致率Pc平均为69.9%；春季降水的Ps平均达到74分、距平符号一致率Pc平均为59.9%，夏季降水的Ps平均为61.6分，而距平符号一致率Pc平均只有44.6%，未超过50%。可见，JL-NZCv1.0系统对吉林省春、夏季气温和降水有一定的预测能力，对气温的预测能力高于降水，对春季的预测能力高于夏季。

（2）ACC技巧的检验结果显示，JL-NZCv1.0系统有能力较好地再现吉林省春、夏季气温、降水的空间分布，而且4年的检验结果发现春季ACC预测技巧优于夏季；比较而言该系统预测气温异常的空间型与观测比较一致，对降水的空间分布预测稍差。

（3）总体来说，通过对JL-NZCv1.0系统4年来春、夏季预测结果的初步检验，一方面可以肯定JL-NZCv1.0系统对吉林省春、夏季气温和降水有一定的预测能力，另一方面也看到对气温的预测效果高于降水，尤其对近几年春、夏季气温偏高趋势的预测较为准确；对春季的气温和降水的预测效果优于夏季，但预测技巧不稳定。同时，也发现该系统对气温距平和降水距平百分率预测的量级较观测偏低，可能由数值模式的系统误差引起的，是数值模式普遍存在的问题，需要进行更多数值模拟试验和统计分析来进行订正或去除。

（4）由于模式本身的积云对流参数化方案对降水空间分布有影响，云微物理过程对降水量的模拟也有影响。因此，在东北地区短期气候预测业务实践中，寻找影响东北初夏、盛夏及夏季降水的关键环流系统，遴选出对预报区域温度、降水综合模拟效果最好的参数化方案的组合，研发新的客观预测方法，引进新的统计降尺度方案等，都应该是未来努力的方向。