基于BCC_CSM模式的中国东部夏季降水预测检验及订正

基于国家气候中心第二代季节预测模式的历史回报试验数据,检验了模式对我国东部夏季降水的预测能力,探讨了预测误差形成的可能原因,并应用降尺度方法提高了模式的降水预测技巧。分析表明:（1）模式能在一定程度上把握我国东部夏季降水时空变率的两个主要模态（偶极子型模态和全区一致型模态）,但是不同超前时间的预测在刻画模态方差贡献、异常空间分布特征、时间系数的年际变化等方面存在明显误差;（2）模式能够合理预测大尺度环流和海表温度（SST）的变化特征,但是对中国东部夏季降水的总体预测技巧有限,这与模式不能准确刻画西太平洋副热带高压、大陆高压、中高纬阻塞高压等环流系统以及热带太平洋、印度洋SST变率对中国东部降水模态的影响有关;（3）针对1991~2003年回报试验数据中的500 hPa位势高度、850 hPa纬向风和经向风、SST变量,在全球范围内寻找并定位与中国东部站点降水关系最密切的预报因子,进而建立针对降水预测的单因子线性回归、多因子逐步和多元回归模型。采用2004~2013年回报试验对所建立的降水预测模型进行了独立检验,结果表明:所建立的降尺度预测模型能显著提高中国东部地区夏季降水的预报技巧。以6月1日起报试验为例,预测的第一模态（第二模态）与观测的空间相关系数由原始的0.12（0.48）提高到了0.58（0.80）,时间相关系数则从0.47（0.15）提高到0.80（0.67）;其它超前时间的预测试验中,降尺度预测模型的降水预测技巧相比模式原始预测技巧也同样明显提高。     

中国夏季降水预测因子潜在技巧分布图及应用

影响我国夏季汛期降水异常的因子繁多,不同因子之间复杂的相互作用制约我国夏季降水季节预测水平。目前动力模式对降水预测技巧水平较低,如何开发客观统计预报方法,提高我国夏季降水预报技巧依然存在挑战。该文基于最小二乘法拟合和交叉检验方法,提出一种搜索预测因子潜在预测技巧的方法（潜在技巧分布图）,并基于该方法开发预测因子自动选择器,建立中国夏季降水异常自动统计预测模型。与传统线性相关分析相比,潜在技巧分布图不受极端气候事件影响,可直观展现具有显著预测技巧的前兆信号,而预测因子自动选择器则能从潜在技巧分布图中自动筛选最优预测因子,获得逐年不同的预测因子,更符合中国夏季降水异常影响因子多样性的客观事实。在完全剔除预测当年信息的回报试验中,该预测模型对1999—2019年中国夏季汛期降水异常的历史回报技巧明显高于动力模式。通过方差订正,历史回报降水的PS评分从71.00分提高到82.10分,显示了该模型的潜在预报潜力。     

黑龙江省夏季降水主模态异常型前兆信号分析

基于主成分回归法,利用1981—2010年黑龙江省15个地面气象站夏季降水观测资料、1980—2015年NCEP/NCAR(National Centers for Environmental Prediction/National Center for Atmospheric Research)再分析资料和NOAA(National Oceanic and Atmospheric Administration)月平均海表温度资料,建立了黑龙江省夏季降水统计预测模型,并分析了影响黑龙江省夏季降水主模态的前兆信号。结果表明:影响黑龙江省夏季降水主模态异常型前兆信号为前一年11月新地岛和喀拉海以南地区的高度场、前冬北太平洋中部海温和加利福尼亚附近区域海温的反相变化、南印度洋的异常海温。1981—2010年逐年交叉回报检验和4 a独立样本预测检验均表明,建立的降水预测模型对黑龙江省夏季降水具有较好的预报能力,并在2015年实现业务化,对2015年黑龙江省夏季降水的预测效果较好,具有一定的参考价值。     

夏季亚洲对流层中上层温度年际变率的预测水平评估及其在我国东部降水预测中的应用

夏季亚洲对流层温度异常与中国东部夏季降水紧密相关并可能作为降水的有效预报因子。基于欧盟ENSEMBLES计划的季节预测试验耦合模式每年5月1日开始的回报试验，分析了其对1960～2005年夏季亚洲对流层中上层温度（以200～500 hPa厚度替代，简称对流层温度）年际变率的预测结果，发现模式集合平均对夏季亚洲对流层温度年际变率具有较高的预报技巧，可以合理回报其前两个EOF（Empirical Orthogonal Function）主导模态（EOF1、EOF2），只是未能回报出EOF2高纬度的温度异常，模式集合平均预测的第一模态主成分（PC1）和第二模态主成分（PC2）与再分析资料的时间相关系数分别达到0.63和0.77。再分析资料中前两个EOF模态分别由ENSO（El Ni?o–Southern Oscillation）发展年印度夏季降水异常所激发的丝绸之路遥相关波列和ENSO衰减年西北太平洋夏季降水异常对应的太平洋—日本遥相关波列导致。ENSEMBLES计划可以合理预测出相应的海温异常及遥相关波列，进而合理预测出前两个EOF模态。对流层温度PC1和PC2分别表征了欧亚大陆与周围海洋之间的纬向和经向热力对比异常，模式对由PC1的预报技巧远高于前人定义的纬向热力对比的东亚夏季风指数，对前人定义的经向热力对比指数的预测技巧与PC2相当。将PC1和前人定义的经向热力对比指数作为预报因子，建立了中国夏季降水的动力—统计降尺度预测模型，交叉检验的结果表明该预报模型显著提高了东北和长江流域上游夏季降水的预报技巧。本文提出的亚洲对流层温度年际变率的EOF1及PC1，既能较好表征纬向热力对比与中国东部夏季降水显著相关，又能被模式合理预测，可以作为我国中高纬度地区，特别是东北地区降水的重要预测因子之一。     

云南夏季降水异常的影响因子及物理统计预测方法

云南夏季降水年际变化较大,影响因子众多,夏季降水的预测较为困难。使用1965—2017年云南省122个气象观测站的逐日降水资料和NCEP大气环流资料,采用年际增量的方法来预测云南夏季降水。文中基于云南夏季降水年际增量变化规律和影响夏季降水的环流形势及物理过程,选取了6个具有物理意义的预测因子,包括:前期2月南太平洋海温异常、前期2月东亚北部海平面气压异常、前期4月北美500hPa位势高度异常、前期5月太平洋北部海平面气压异常、前期1月印度半岛北部500hPa位势高度异常及前期2月澳洲以南地区200hPa高度场偶极子异常,来建立云南夏季降水预测模型。并对预测模型进行逐年交叉检验和1998—2017年逐年独立样本检验。交叉检验中夏季降水年际增量预测值和观测值的相关系数为0.85,相对均方根误差为8.0%。回报检验中夏季降水年际增量的相对均方根误差为9.1%,63.0%的异常年份预测值能够准确地预报出夏季降水异常。该预测模型有较好的预测能力。     

中国夏季月际—季节平均降水动力和统计结合实时预测模型

中国夏季降水大幅度月际尺度变化往往造成极端旱涝事件交替或转折,但其月际异常会被季节平均掩盖,影响季节尺度气候预测准确度,因此亟需考虑月际气候预测,提升月际—季节尺度气候预测准确度。本文首先采用年际增量和场信息耦合型预测方法研制中国夏季6～8月月际尺度降水动力和统计结合气候预测模型,之后根据月际尺度降水预测,开展季节平均降水预测。首先,基于前期观测信息和美国第二代气候预测系统（CFSv2）预测结果,选取前期12月观测的南太平洋中高纬关键区海温、1月北极关键区海冰密集度以及CFSv2预测系统2月起报的夏季同期关键区海温作为月际尺度降水预测因子,分别研制以上具有物理意义的单预测因子预测模型,并采用奇异值分解（SVD）误差订正方法对其改进;之后,利用多因子择优集合方案,研制预测效能较高且稳定的中国160站夏季月际尺度降水动力和统计结合预测模型,进而基于月际尺度预测开展夏季季节平均气候预测。1983～2022年夏季（6～8月）中国160站逐月降水预测模型的交叉检验结果表明：逐月回报与观测降水距平百分率的时间相关系数通过90%置信水平的站点占比分别为90%,88%,82%,多年平均的空间相关系数分...     

中国夏季降水的组合统计降尺度模型预测研究

现阶段的动力气候模式尚不能满足东亚区域气候预测的实际需求,这就需要动力和统计相结合的方法,将动力模式中具有较高预测技巧的大尺度环流信息应用到降水等气象要素的统计预测模型当中,以改善后者预测效果。本文中所介绍的组合统计降尺度模型,可将动力气候模式预测的大尺度环流变量和前期观测的外强迫信号作为预测因子来预测中国夏季降水异常。交叉检验结果显示,组合统计降尺度预测模型的距平相关系数较原始模式结果有较大提高。在实时夏季降水预测中,2013～2018年平均的预测技巧相对较高,趋势异常综合检验（PS）评分平均为71.5分,特别是2015～2018年平均的PS评分预测技巧达到72.7分,总体上高于业务模式原始预测和业务发布预测的技巧。该组合统计降尺度模型预测性能稳定,为我国季节预测业务提供了一种有效参考。     

基于印度洋海温信号的我国西北地区东部夏季降水组合降尺度预测方法研究

利用国家气候中心第二代气候模式预测业务系统(BCC-CPSv2)预测产品,引入印度洋海温信号,采用组合降尺度方法建立了西北地区东部汛期降水预测模型。该预测模型对1991—2017年西北地区东部夏季降水的回报技巧较BCC-CPSv2预测技巧显著提高,空间相关系数由0.42提高到0.75,均方根误差明显减小,最多下降达80%。预测模型对降水空间分布型的预测能力较好,很好地回报了典型年份（1987年和2010年）夏季的降水距平百分率分布。通过抓住气象变量的空间分布特征,组合降尺度方法可以修正动力模式产品的预测误差,为西北地区东部夏季降水预测提供科学依据和技术支持,具有较好的应用前景。     

基于降水遥相关型的夏季降水模式预测改进研究

我国月—季降水分布在空间上存在类似于大气环流遥相关的空间遥相关型。本文基于中国近57年夏季降水资料研究了我国夏季降水空间遥相关型的主要空间模态特征及其年代际变化,评估并改进了BCC_CSM模式、ECMWF_SYSTEM4模式以及NCEP_CFSV2模式对中国夏季降水的预测能力。研究结果显示,中国夏季降水实况中存在华北—长江下游、华东—中国中北部、华南—长江流域、西南—东北中部等4类显著的空间遥相关型。动力模式可以预测大尺度的降水分布,而对于不同区域之间降水遥相关这种雨带细节特征的预测能力则较为薄弱,存在着较多虚假相关。为改善模式降水预测技巧,以实况中的降水遥相关型作为约束条件构建了修正方案,以此来修正模式中的降水遥相关型分布。结果显示,经过修正能够有效地改善模式对东北中部、长江下游的预测能力,4年的回报检验结果显示,模式预测的平均距平一致率从47%提高为58%;平均均方根误差从153 mm减小为120 mm;平均趋势异常综合检验（PS）评分从64提高为73。     

基于海气耦合模式的山西省夏季降水统计降尺度预测研究

基于中国气象局国国家气候中心海气耦合模式(CGCM/NCC)预测产品和山西省50站夏季降水资料,利用典型因子回归的方法(CCA),建立了山西省夏季降水的统计降尺度预测模型。该预测模型选取了CGCM/NCC模式夏季500 h Pa高度场和海平面气压作为预测因子,分别选取了长江中下游地区和热带中东太平洋作为预报关键区。统计降尺度模型对2007~2014年山西省夏季降水的回算较模式原始结果有显著提高,除2008年外,空间距平相似系数(ACC)均通过了0.01的显著性检验,时间相关系数(TCC)在山西省大部分地区都有显著提高,最大可达0.6,降水预测(PS)评分在70分以上。检验结果显示,基于CCA降尺度方法建立的预测模型对山西省夏季降水模态预测的准确率较高且比较稳定,其预测效果远高于CGCM/NCC直接输出降水结果。     

年际增量方法在西南夏季降水预测中的应用

利用中国西南地区80站逐月降水资料及NCEP/NCAR再分析资料等,采用降水预测新方法——年际增量法,考察影响中国西南地区夏季降水年际增量的前期冬、春季大气环流年际增量状况,并选取5个关键影响因子,采用多元回归法建立中国西南夏季降水年际增量预测模型。对降水年际增量进行预测,在1971—2010年的建模阶段,预测模型的拟合率为0.78,在2011—2017的后报检验7年中,有6年与实况值同位相。后报检验2011—2017年的降水距平百分率,均方根误差为16%。为考察对降水异常分布型的预报效果,逐站建立回归方程,并进行趋势预报检验,近5年的趋势异常综合评分高于发布预测,预报效果较好。因此,该方法的应用及模型的建立对提高西南地区夏季降水预测水平有重要意义。      

MRI-CGCM模式对东亚夏季风的模拟评估及订正

本文利用CMAP月降水资料、NCEP再分析资料、NOAA的ERSST资料和日本气象厅海气耦合模式（MRI-CGCM）的输出结果,从东亚夏季风气候态、主模态和年际变率等方面分析了MRI-CGCM模式对东亚夏季风的预测性能,并且利用观测的东亚夏季风指数（EASMI）与模拟PC（principal component）的关系建立多元线性回归方程来订正EASMI（简称PC订正法）。结果表明:MRI-CGCM模式能够较好再现东亚夏季风降水和低层风场的气候态,但模拟的西北太平洋反气旋偏弱、偏东,使得模拟的副热带地区降水量偏小。模式较好地模拟出东亚夏季风降水第一模态（EOF1）及相应的低层风场,能够较好再现出EOF1对应El Ni?o衰减位相;模拟降水的EOF1与观测之间的空间相关系数（ACC）为0.72,且能较好地再现其对应的年际变率,其时间系数PC1与观测之间的相关系数为0.41,能模拟出观测EOF1的2 a和5 a主导周期;但模拟的我国以东梅雨锋区雨带位置偏南,这与模拟的西北太平洋反气旋位置偏南有关。模式对降水第二模态EOF2的模拟能力比EOF1明显下降,模拟EOF2与观测之间的ACC降到0.36;虽然模式能较好地再现出EOF2对应El Ni?o发展位相,但模拟的西太平洋反气旋位置偏南,使得雨带位置偏南,模拟的我国梅雨锋区雨带位于江南,与观测场上江南少雨相反。模式较好地模拟出我国东部夏季降水和气温空间异常分布和年际变化,模拟与观测夏季降水和气温的多年平均ACC分别为0.74和0.68。模式模拟我国东部、江淮流域和华南地区夏季降水多年平均PS评分分别为69、70和68分,略高于我国夏季降水业务预测多年平均评分（65分）。模拟的我国东部夏季气温与观测多年平均PS评分为74分。PC订正后EASMI与实况的相关系数由0.51提高到0.65、符号一致率由84%升到91%、标准差由0.75增大到1.4、大于1个标准差年数由6年变为12年,订正后在模拟变幅偏小和梅雨锋区雨带偏南等方面均有一定的改善,对应西太平洋反气旋位置和梅雨锋区雨带位置与实况较为吻合。     

PREDICTION OF FLOOD SEASON PRECIPITATION IN SOUTHWEST CHINA BASED ON IMPROVED PSO-PLS

In order to achieve the best predictive effect of the Partial Least Squares (PLS) regression model, Particle Swarm Optimization (PSO) algorithm is applied to automatically filter the optimal subset of a set of candidate factors of PLS regression model in this study. An improved version of the Particle Swarm Optimization-Partial Least Squares (PSO-PLS) regression model is applied to the station data of precipitation in Southwest China during flood season. Using the PSO-PLS regression method, the prediction of flood season precipitation in Southwest China has been studied. By introducing the precipitation period series of the mean generating function (MGF) extension as an alternative factor, the MGF improved PSO-PLS regression model was also build up to improve the prediction results. Randomly selected 10%, 20%, 30% of the modeling samples were used as a test trial; random cross validation was conducted on the MGF improved PSO-PLS regression model. The results show that the accuracy of PSO-PLS regression model and the MGF improved PSO-PLS regression model are better than that of the traditional PLS regression model. The training results of the three prediction models with regard to the regional and single station precipitation are considerable, whereas the forecast results indicate that the PSO-PLS regression method and the MGF improved PSO-PLS regression method are much better than the traditional PLS regression method. The MGF improved PSO-PLS regression model has the best forecast performance on precipitation anomaly during the flood season in the southwest of China among three models. The average precipitation (PS score) of 36 stations is 74.7. With the increase of the number of modeling samples, the PS score remained stable. This shows that the PSO algorithm is objective and stable. The MGF improved PSO-PLS regression prediction model is also showed to have good prediction stability and ability.     

Spatial and temporal variability of winter and summer precipitation over Serbia and Montenegro

Summary The main characteristics of the spatial and temporal variability of winter and summer precipitation observed at 30 stations in Serbia and Montenegro were analysed for the period 1951–2000. The rainfall series were examined spatially by means of Empirical Orthogonal Functions (EOF) and temporally by means of the Mann-Kendall test and spectral analysis. The Alexandersson test was used to detect the inhomogeneity of the data set.The EOF analysis gave three winter and summer dominant modes of variations, which explained 89.7% and 70.4% of the variance, respectively. The time series associated with the first pattern showed a decreasing trend in winter precipitation. The spectral analysis showed a 16-year oscillation for the dominant winter pattern, around a 3-year oscillation for the dominant summer pattern, and a quasi-cycle of 2.5 years for the winter third pattern.     

How predictable is the northern hemisphere summer upper-tropospheric circulation?

The retrospective forecast skill of three coupled climate models (NCEP CFS, GFDL CM2.1, and CAWCR POAMA 1.5) and their multi-model ensemble (MME) is evaluated, focusing on the Northern Hemisphere (NH) summer upper-tropospheric circulation along with surface temperature and precipitation for the 25-year period of 1981–2005. The seasonal prediction skill for the NH 200-hPa geopotential height basically comes from the coupled models’ ability in predicting the first two empirical orthogonal function (EOF) modes of interannual variability, because the models cannot replicate the residual higher modes. The first two leading EOF modes of the summer 200-hPa circulation account for about 84% (35.4%) of the total variability over the NH tropics (extratropics) and offer a hint of realizable potential predictability. The MME is able to predict both spatial and temporal characteristics of the first EOF mode (EOF1) even at a 5-month lead (January initial condition) with a pattern correlation coefficient (PCC) skill of 0.96 and a temporal correlation coefficient (TCC) skill of 0.62. This long-lead predictability of the EOF1 comes mainly from the prolonged impacts of El Niño-Southern Oscillation (ENSO) as the EOF1 tends to occur during the summer after the mature phase of ENSO. The second EOF mode (EOF2), on the other hand, is related to the developing ENSO and also the interdecadal variability of the sea surface temperature over the North Pacific and North Atlantic Ocean. The MME also captures the EOF2 at a 5-month lead with a PCC skill of 0.87 and a TCC skill of 0.67, but these skills are mainly obtained from the zonally symmetric component of the EOF2, not the prominent wavelike structure, the so-called circumglobal teleconnection (CGT) pattern. In both observation and the 1-month lead MME prediction, the first two leading modes are accompanied by significant rainfall and surface air temperature anomalies in the continental regions of the NH extratropics. The MME’s success in predicting the EOF1 (EOF2) is likely to lead to a better prediction of JJA precipitation anomalies over East Asia and the North Pacific (central and southern Europe and western North America).     

利用深度神经网络和先兆信号的江苏夏季降水客观预测方法

利用1961—2019年江苏省67个站降水量和气候指数数据集等资料,选取大气环流、海温和积雪等先兆信号的不同组合作为预测因子方案,通过对比不同机器学习方法对江苏省夏季降水开展预测试验。结果表明,深度神经网络（Deep Neural Network,DNN）较传统统计方法和其他机器学习方法有一定优势,深度神经网络结合动态权重集合因子方案对江苏省夏季降水的预测技巧最高,其独立样本检验结果稳定,2015—2019年的平均PS评分为76.0,距平符号一致率为0.62,距平相关系数达0.35,尤其对江苏省中南部的预测技巧更高,具有业务应用价值。不同预测因子方案对比分析表明,大气环流因子在江苏省夏季降水预测中做主要贡献,而海温因子和积雪等其他因子也有正贡献,说明使用综合性预测因子以及集合方案有助于提升季节预测准确率。      

广东省降水的多尺度时空投影预测方法

采用多尺度时空投影(MSTP)预测思路建立广东月降水和季节降水预测方法。通过EOF分解、小波分析和Lanczos滤波方法进行周期分解, 采用MSTP方法进行预测。借鉴年际增量法, 对预报结果用最小二乘法进行误差订正, 得到降水预测结果。PS预测评分和均方根误差10年独立样本检验(2006—2015年)结果显示:订正后, PS预测评分起伏较小, 68.8%的月降水和季节降水PS预测评分明显提高的年份超过6年, 且有87.5%的月降水和季节降水PS预测平均分达到70以上; 在±0.5个标准差范围内, 订正后均方根误差在40%以上的概率分布明显高于订正前, 订正后的月和季节降水占81.3%, 订正前占31.3%;在±1个标准差范围内, 概率分布在70%以上的月季降水订正前后相差不多, 订正后占56.3%, 订正前占50%。     

基于年际增量法的卷积神经网络模型对中国夏季降水的预测研究

将前冬的500 hPa位势高度、向外长波辐射和海表温度的年际增量作为预测因子,建立基于卷积神经网络(Convolutional Neural Network, CNN)的非线性预测模型,对中国160个测站夏季降水展开预测研究,并与基于线性奇异值分解(Singular Value Decomposition, SVD)的预测模型进行效果对比。结果表明：CNN在1981—2020年的交叉检验中所回报的降水平均PS评分和距平相关系数(ACC)分别为74.33和0.12,比SVD高2.15和0.06,说明CNN比SVD在整体上对夏季降水具有更好的预测能力。其中,CNN对SVD预测较好年份的预测效果提升较为明显,对SVD预测较差的年份则改进不大。CNN对中国降水预测存在一定的系统性偏差,订正后CNN对拉尼娜年的降水预测改进较大。结果表明,基于年际增量法的CNN预测模型展示出较好的潜在应用价值。     

西南季风期间斯里兰卡降水的年代际、年际变化及其与热带印度洋的联系

本文主要研究了1979—2016期间斯里兰卡在西南季风期间降水的年代际、年际变化以及与印度洋海温的联系.首先用经验正交的方法分析了斯里兰卡以及周边地区降水的时空分布,发现前两个模态能够解释超过70%的方差.其中第一模态为均一模态,且其PC1以及斯里兰卡7 a滑动平均降水序列都有年代际变化,降水异常在2000年前后异常偏多和偏少.通过合成分析发现2000年之后降水的异常减少与热带西部、中部印度洋的暖海温异常有关.暖海温异常通过调整经向环流引起了斯里兰卡上空的下沉运动,抑制了降水.在第二模态中,负的信号出现在斯里兰卡大部分地区,只有在斯里兰卡北部海角很小地区出现了正的信号.PC2表现出了年际变化,且与热带东南印度洋海温异常有显著的关系.通过Gill-Matsuno响应,热带东南印度洋海温异常造成热带北印度洋上空的气旋性环流异常,引起了水汽的辐合,从而利于降水.