RegCM3_IAP9L-AGCM对中国跨季度短期气候预测的回报试验研究

将区域气候模式RegCM3与中国科学院大气物理研究所全球大气环流模式IAP9L-AGCM进行单向嵌套,建立嵌套区域气候模式RegCM3_IAP9L-AGCM,并利用该嵌套模式对1982—2001年中国夏季短期气候进行了跨季度集合回报试验。结果表明,RegCM3_IAP9L-AGCM对高空气候变量(500hPa位势高度场、200和850hPa纬向风场)的回报结果与实况距平相关系数(ACC)基本为正,其回报效果好于单独使用IAP9L-AGCM的结果。除850hPa纬向风场外,其他两个变量场回报与实况正相关的区域基本呈纬向带状分布且通过90%信度检验。在中国大部分地区(除长江下游、东北北部和西北北部外),嵌套区域气候模式回报的降水距平百分率与实况基本为正相关。RegCM3_IAP9L-AGCM和IAP9L-AGCM对中国不同区域的夏季降水回报效果不同,前者对华南降水的回报效果明显好于后者。     

全球大气环流模式BCC_AGCM2.0.1对1998年夏季江淮流域强降水过程的回报试验研究

利用中国气象局北京气候中心全球大气环流模式(BCC_AGCM2.0.1) 对1998年6月24日～7月3日发生在我国江淮流域的强降水天气过程进行了回报试验。模式起报时间为1998年6月24日00时, 使用前10天NCEP-II再分析逐时温度、涡度和散度场进行预报前初始协调 (spin-up) 积分, 产生模式初值, 预报时段为1998年6月24日～7月10日, 回报试验结果表明: 模式对全球500 hPa位势高度的天气尺度演变过程具有4～7天的可预报性; BCC_AGCM2.0.1模式对中国区域的降水以及大气环流场具有3～4天的可预报性, 6月24日起报后3天内的预报降水区域位置与实况一致, 但中心强度有所差异。对起报后未来2天的5 mm和10 mm以上的降水预报能力相对较强, ETS评分值达到了0.25以上, HK评分超过了0.4, 降水区域范围预报较为准确, BIA评分趋于1.0。模式对20 mm以上的降水也具有一定的可预报性, 但模式对大于30 mm以上强降水的预报能力较差。     

黄淮地区夏季降水的统计降尺度预测

利用1991-2011年黄淮地区夏季降水、NCEP/NCAR再分析资料和国家气候中心第2代动力气候模式（BCC_CSM1.1m）夏季回报结果,研究黄淮地区夏季降水降尺度预测模型和可预报性来源。诊断发现,黄淮地区夏季降水与同期南亚高压、乌拉尔山附近阻塞高压、西风急流、西太平洋赤道上空200 hPa纬向风场呈明显正相关。分析BCC_CSM1.1m对夏季环流的回报结果发现,模式对200 hPa和500 hPa位势高度场、200 hPa纬向风场和850 hPa经向风场上影响黄淮地区夏季降水的部分关键区域有较好的模拟能力。利用模式预报技巧较高且对黄淮地区夏季降水的影响有物理含义的环流特征作为预测因子,对比预测因子进行独立性筛选前后分别建立的降尺度预测模型发现,黄淮地区夏季降水预测与实况的距平符号一致率由61%提高到72%。预测技巧来源分析发现,降尺度预测能力与BCC_CSM1.1m对影响黄淮地区夏季降水的3个关键因子乌拉尔山附近环流、南亚高压、西太平洋赤道上空西风强弱的预测技巧密切相关,尤其是模式对西太平洋赤道上空西风的模拟能力起到决定性作用。     

跨季度汛期气候数值预测试验

利用国家气候中心全球大气环流模式BCC_AGCM2.0.1开展季节预测,对模式预测与观测值进行相关分析。结果表明:该模式对夏季大尺度环流场、降水及气温等都有一定的跨季度预测能力,但对中国不同区域的要素预测能力有所不同。总体来说,夏季大气环流场的预测效果在海洋上优于陆地上,在低纬优于高纬,在新疆及蒙古也较好。从距平相关系数指标看,气温预测效果在中国西北部分地区较好,降水在中国北方及西南部分地区预测效果较好。由预测效果的年际变化看,在不同年份模式预测效果不同。另外,在不同海温情况下,该模式对不同区域的汛期气候预测效果不同,进而说明春季海温预测的正确性对汛期预测的重要性。     

基于T106L26全球大气环流模式的夏季集合预报

使用国家气候中心新一代大气环流模式BCC_AGCM2.0(T106L26)进行22 a夏季(6-8月)、11个成员的集合回报试验;针对500 hPa高度场、降水和气温的预测能力进行交叉检验,并计算其均方根误差.结果表明:模式对热带地区、海洋和欧亚大陆部分地区500 hPa高度场的模拟较好;对我国长江中下游、华南大部分地区降水的模拟具有一定可信度;2m温度距平在我国北方大部分地区呈现正相关且相关系数通过90％的信度检验,在南方地区则有待改善.集合预报效果好于单样本预报.模式分辨率的提高在一定程度上有助于改进预报效果.     

1981~2018年青海夏季极端降水时空演变及成因分析

采用青海省41个国家地面气象站6~8月逐日降水资料和ERA-Interim0.5°×0.5°逐月再分析资料,分析了1981~2018年青海夏季极端降水的时空变化特征及天气学成因。结果表明:8月和夏季极端降水频次均呈显著增加趋势,75%以上站次的最大日降水量、极端降水阈值和极端降水频次均呈增加趋势;极端降水频次与海拔高度之间、最大日降水量与500hPa比湿、500hPa位势高度、近地面温度之间均存在显著的正相关;以极端降水高发年8月的大气环流场为例,200hPa高空急流扩展到70°~100°E,100hPa高度正距平超过3.2hPa,高层冷高压发展异常偏强,500hPa青藏高原温度和高度距平异常偏高,上游区域扰动能量辐合强度达?1×10?6m/s2,高发年水汽异常增强,比湿最大正距平超过0.4g/kg,上升运动异常扰动和正涡度异常扰动强度均明显偏强,其特征有利于极端降水的产生。      

2002年北半球大气环流特征及其对中国气候异常的影响

2002年春末夏初一次新的厄尔尼诺事件形成；1～12月北半球大气环流的主要特征表现为：中纬度地区纬向环流盛行，西太平洋副热带高压持续偏强偏西，我国大部地区气温偏高，降水呈南多北少分布；欧亚地区夏季500hPa位势高度距平场上，中高纬从西到东呈现为“ - ”分布形式，贝加尔湖地区为正距平中心，7月在贝加尔湖地区出现典型阻高；东亚夏季风偏强，南亚夏季风及热带对流指数偏弱；夏季赤道辐合带偏弱等。在上述大气环流的影响下，我国的天气气候发生了异常。     

影响陕西夏季降水主要因子及增量预测方法

应用1959—2008年夏季（6—8月）NCEP/NCAR月平均500 hPa高度场、海表温度再分析资料及ERA-40气候指数、国家气候中心74项环流特征量等资料,经普查得到6个影响陕西夏季降水的主要因子,分别是西太平洋副热带高压强度指数、赤道平流层准两年振荡指数、低层越赤道气流指数、大气角动量指数、赤道太平洋海温、赤道500 hPa高度。将这些主要因子的年际增量、距平与陕西夏季降水的相关性及其所建立的预测模型进行对比分析,结果表明:因子年际增量具有明显的信号放大作用,增量因子的相关系数平均比距平相关系数高0.1左右;主要因子和夏季降水存在各自的长周期变化,造成其相关性不稳定,经过增量变换后,可以有效滤掉长周期变化,提高因子质量和预测模型的稳定性。前一年秋季赤道中东太平洋海温增量分布与陕西夏季降水相关密切,当该区域出现正增量分布时,当年夏季（6—8月）700 hPa西太平洋副热带高压位置偏北、偏西,形成陕西夏季多雨的环流形势;反之,当该区域出现负增量分布时,当年夏季700 hPa副热带高压位置异常偏东,形成陕西干旱少雨的环流形势。     

宝鸡市夏季旱涝变化与环流形势分析

利用宝鸡市1981—2013年11个气象站的夏季降水资料和美国NECP/NCAR分辨率为2.5°×2.5°的再分析资料,统计分析宝鸡市1981—2013年夏季旱涝变化特征及同期环流变化特征。结果表明:宝鸡市夏季降水量整体呈减少趋势,20世纪80年代为多雨期,90年代为少雨期,2000年以来宝鸡夏季降水有所增加。全市空间分布呈南多东少特征,太白最多,眉县扶风一带最少。宝鸡夏季涝年和旱年的环流形势存在明显差异,当100hPa上南亚高压较强,500hPa高度距平场上欧亚中高纬度地区自西向东呈"正负正"距平波列,副热带高压脊线偏南,陕西地区西南水汽输送加强,对应同期春季100hPa南亚高压增强、我国整体为东北向负距平、西南向正距平,500hPa乌拉尔山—贝加尔湖以北为负距平,东北到日本为正距平,这种环流形势配合有利于宝鸡地区夏季洪涝发生,旱年的环流形势则相反。     

EOF迭代方案恢复夏季大气环流场的试验

本文设计了一种恢复夏季大气环流场的EOF(经验正交函数)迭代方案,并利用1951～1984年中国夏季降水距平场和北半球500hPa夏季高度距平场作镢复试验,数值试验效果较好.此项工作表明:利用某些长时间序列的资料通过EOF迭代方案恢复历史时期大气环流是可行的.     

热带气旋频数的短期气候预测水平评估

热带气旋频数的实况是一确定的整数, 而预测仍具一定的不确定性, 其实质是一区间, 即待评估的问题是预测区间与一确定整数的接近程度。针对待评估对象的这种特征, 定义了d指数、绝对误差 (E) 和技巧水平 (S) 3个评估参数, 分别从趋势预测、定量预测、相对于气候概率预测的技巧等方面客观地标度待评估方法的预测性能, 并对“九五”攻关前10年 (1988~1997年) 的业务预测性能进行了再评估:对7月TCF预测的d指数和E分别为0.9和0.8个、相对于气候概率 (即无技巧) 预测的技巧水平为-0.06; 8月的d、E、S分别为0.7、0.75个和0.13; 9月的d、E、S分别为0.65、0.9个和0.01;台汛期的d、E、S分别为0.3、1.7个和0.06; 全年的d、E、S分别为0.3、2.2个和0.07。     

Thermodynamics and Microphysical Characteristics of an Extreme Rainfall Event Under the Influence of a Low-level Jet over the South China Coast

In this paper, the data of Automatic Weather Stations (AWSs), ERA5 reanalysis, sounding, wind profile radar, and dual-polarization radar are used to study an extreme rainfall event in the south China Coast on 11 to 12 May 2022 from the aspects of thermodynamics and microphysical characteristics under the influence of low-level jets (LLJs). Results show that: (1) The extreme rainfall event can be divided into two stages: the first stage (S1) from 0000 to 0600 LST on May 12 and the second stage (S2) from 0700 to 1700 LST on the same day. During S1, the rainfall is mainly caused by the upper-level shortwave trough and the boundary layer jet (BLJ), characterized by strong upward motion on the windward side of mountains. In S2, the combined influence of the BLJ and synoptic-system-related low-level jet (SLLJ) increases the vertical wind shear and vertical vorticity, strengthening the rainstorm. In combination with the effect of topography, a warm and humid southwest flow continuously transports water vapor to farther north, resulting in a significant increase in rainfall over the study area (on the terrain’s windward slope). From S1 to S2, the altitude of a divergence center in the upper air decreases obviously. (2) The rainfalls in the two stages are both associated with the mesoscale convergence line (MCL) on the surface, and the wind field from the mesoscale outflow boundary (MOB) in S1 is in the same direction as the environmental winds. Due to a small area of convergence that is left behind the MOB, convection moves eastward quickly and causes a short duration of heavy rainfall. In S2, the convergence along the MOB is enhanced, which strengthens the rainfall and leads to strong outflows, further enhancing the surface convergence near the MOB and forming a positive feedback mechanism. It results in a slow motion of convection and a long duration of heavy rainfall. (3) In terms of microphysics, the center of a strong echo in S1 is higher than in S2. The warm-rain process of the oceanic type characterizes both stages, but the convective intensity in S2 is significantly stronger than that in S1, featuring bigger drop sizes and lower concentrations. It is mainly due to the strengthening of LLJs, which makes small cloud droplets lift to melting levels, enhancing the ice phase process (riming process), producing large amounts of graupel particles and enhancing the melting and collision processes as they fall, resulting in the increase of liquid water content (LWC) and the formation of large raindrops near the surface.     

Cloud microphysical processes associated with the diurnal variations of tropical convection: A 2D cloud resolving modeling study

Summary Cloud microphysical processes associated with the diurnal variations of tropical convection are investigated based on hourly data from a 2D coupled ocean-cloud resolving atmosphere simulation. The model is forced by the large-scale vertical velocity and zonal wind derived from TOGA COARE for a 50-day period. The diurnal composites are carried out in weak diurnal SST variations (case W) and strong diurnal SST signals (case S). The ice water path is larger than the liquid water path in case W than it is in case S. The difference is enhanced in the morning in case W and in the early afternoon in case S when the surface rain rates reach their peaks. Further comparison of cloud microphysics budgets, associated with rainfall peaks, between cases S and W shows that solar heating in case S warms air to reduce the contribution of vapor deposition to cloud growth, which decreases ice water path compared to those in case W. While the collection of cloud water by rain is a major contributor to the surface precipitation in both cases, the melting of precipitation ice (sum of snow and graupel) contributes less to the rainfall in case S than in case W.     

中国气象局S2S数据归档中心设计及关键技术

中国气象局S2S（Sub-seasonal to Seasonal）数据归档中心建设是中国气象局承担世界气象组织（WMO）的世界天气研究计划（WWRP）和世界气候研究计划（WCRP）任务,由国家气象信息中心负责设计和实现。该文介绍了S2S数据归档中心建设中涉及的数据交换、数据检查及处理、数据归档存储及数据服务门户全流程系统设计和实现。针对各业务中心生产的S2S数据配置差异较大造成数据交换、同步较难这一问题,采用基于FTP（file transfer protocol）的数据推送和基于ECMWF（European Center for Medium-range Weather Forecasts）WebAPI主动数据下载相结合的方式,说明数据交换、同步方法和策略。由于S2S数据量巨大难以高效管理服务,已设计统一的数据组织形式和存储规则,实现根据数据检索条件解析获取数据存储位置,提供便捷的数据检索下载服务。自2015年11月15日中国气象局S2S数据门户系统对外开放,目前数据门户系统已有超过18个国家的300个用户注册并下载数据。     

南半球热带外准半年振荡及IAP 9L AGCM模拟检验

基于1979—2000年的NCEP/NCAR海平面气压和位势高度场资料分析了南半球大气环流的准半年振荡 (半年波) 现象。结果表明:这一现象主要出现在南半球对流层低层的中高纬度和中高层的热带地区。对南半球热带外大气而言, 40°S和65°S是低层大气环流准半年振荡最为显著的两个纬度带, 半年波的贡献都超过了70%, 低层南半球中高纬度海平面气压场季节变化的反位相也主要体现为各自半年波分量变化的反位相。在此基础上, 检验了IAP 9L AGCM (大气物理研究所9层大气环流模式) 对这一现象模拟的能力, 模拟结果显示, 模式成功模拟了65°S处海平面气压场的准半年振荡现象, 其振幅略低于观测结果, 但模式对40°S处气压场准半年振荡的模拟效果较差。     

11个S2S模式对MJO预报效果的评估分析

利用次季节—季节预报研究计划(Subseasonal to Seasonal Prediction Project, S2S)的多模式产品集,系统评估了产品集中11个模式对MJO的实际预报技巧。如果以距平相关系数ACC为0.5作为有效预报技巧的阈值,S2S各模式的MJO实际预报时效为8～32 d。S2S各模式预报普遍低估了MJO的振幅强度,且预报的MJO传播速度偏慢。通过分析发现,在一个集合预报系统中,集合离散度与均方根误差越接近,它的MJO预报技巧越高。此外,分析S2S各模式MJO预报技巧对起报时间、季节和起报时MJO信号强弱的敏感性发现,当起报时间为冬季且起报时MJO为强信号时,MJO的实际预报技巧较高。     

S2S气候模式产品在黄河流域径流预测中的应用

次季节气候和径流预测是主动减灾的一个关键。基于国家气候中心第三代气候模式系统的次季节到季节模式(CMA-CPS v3 S2S)的气候预测信息和HBV水文模型,应用集合预测技术研发了未来40 d时段平均径流量和时段内极端干旱概率预测模型,应用平均方差技巧评分、距平相关系数、相对操作特征曲线面积、布赖尔技巧评分开展了回报检验,并检验了2021年黄河流域径流异常预测效果。结果表明,所建模型能够以较高技巧预测黄河流域未来40 d时段平均的径流量,且表现出枯季预测技巧高、湿季技巧低的季节差异;对秋末11月和冬季3个月(12月、1月、2月)的极端干旱概率预测也有较高技巧。对于2021年5—8月黄河上中游干旱和9—10月的秋汛,该方法正确预测了除6月、9月外的其他4个月的径流异常方向,但异常程度与实况存在差异。对径流预测水平影响因素的进一步分析表明,S2S降水预测能力影响径流预测水平,特别是丰水期的径流预测,但还有降水之外的其他因素影响径流预测技巧。     

美国气候变化科学计划综述

简要回顾美国气候变化研究沿革,分析美国制定和实施气候变化科学计划(USCCSP)的背景,综述USCCSP的研究目标、研究领域和组织管理方式。首先重点阐述USCCSP的关键科学发现以及全球和美国气候变化的主要科学结论,介绍USCCSP综合评估产品。然后论述美国国家科学院研究理事会(NRC)对USCCSP进展的评估,评述未来美国气候变化研究的战略框架和领域。最后在归纳美国气候变化研究特色的基础上,阐述对我国制定长期战略规划、深化基础研究、强化模式创新、推进观测系统和资料系统建设、加强科学评估和应用服务、加快立法进程等方面的启示。     

BCC S2S模式对亚洲夏季风准双周振荡预报评估

利用1994-2013年ERA-Interim及NCEP/NCAR再分析数据,对国家气候中心（BCC）次季节到季节尺度模式（S2S）1994-2013年的回报试验数据进行亚洲季风区准双周振荡（QBWO）预报能力评估,并诊断模式预报误差来源。结果表明:BCC S2S模式对QBWO的预报能力随着预报提前时间的增长而降低,9 d后预报技巧明显减弱,其周期、传播特征和强度出现误差;在提前9 d预报中,印度洋地区QBWO对流-环流系统结构松散,信号偏弱,对流向东传播,这与印度洋平均态的预报误差有关,夏季对流平均态低层水汽场在西太平洋和阿拉伯海较强,而东印度洋、孟加拉湾一带偏弱;西北太平洋地区QBWO具有向西北传播的特征,但强度偏弱,可能原因是预报低估了QBWO对流西北侧低层涡度的超前信号,经涡度方程诊断发现,地转涡度平流正贡献微弱,相对涡度平流在对流西北侧引发负涡度,从而减弱了对流西北侧由低层正涡度引发的有利条件。     

Further analysis of singular vector and ENSO predictability in the Lamont model—Part II: singular value and predictability

This is the second part of the 148 years (1856–2003) singular vector analysis, as an extension of part I (Cheng et al. 2009 Clim Dyn, doi:), in which a fully physically based tangent linear model has been constructed for the Zebiak-Cane model LDEO5 version. In the present study, relationships between the singular values and prediction skill measures are investigated for the 148 years. Results show that at decadal/interdecadal time scales, an inverse relationship exists between the singular value (S1) and correlation-based skill measures whereas an in-phase relationship exists between the S1 and MSE-based skill measures. However, the S1 is not a good measure or predictor of prediction skill at shorter time scales such as the interannual time scale and for individual prediction. To explain these findings, S1 was decomposed into linear perturbation growth rate (L1) and linearized nonlinear perturbation growth rate (N1), which are controlled by the opposite underlying model dynamical processes (the linear warming and the nonlinear cooling). An offsetting effect was found between L1 and N1, which have opposite contributions to the S1 (i.e., S1 ≈ L1 − N1). The “negative” perturbation growth rate −N1 (denoted as NN1) probably is the consequence of the unrealistic nonlinear cooling in the LDEO5 model. Although the correlations of the actual prediction skill to both the L1 and the NN1 are good, their opposite signs lead to a weak relationship between S1 and actual prediction skill. Therefore, either L1 or N1/NN1 is better than S1 in measuring actual prediction skill for the LDEO5 model.