IAP／CAS的短期气候距平数值预测研究

本文介绍了中国科学院在气物理研究所（ＩＡＰ／ＣＡＳ）近十年来在短期气候距平数值预测研究方面的一些进展情况,首先介绍了近十年来准业务跨季度汛期降水预测的结果及评分,对预测的物理基础、预测可能性、集合预测方法、订正的必要性与方案进行了初步探讨,提出了我们的看法,发现预测中可能出现多平衡态,可以应用来改进不同区域的预测,并对些方法所作预测的特点、与经验半经验统计的相互配合、不同地区预测效果的差异、如何选     

短期气候数值预报中的集合个数问题

利用中国科学院大气物理研究所IAP L2 AGCM1.1模式18年(1980～1997年,每年包含28个积分)的集合后报试验结果,讨论了数值预测中的最小集合个数问题.研究表明预测结果达到稳定所需的最小集合数随区域和年份而变化,对于我国汛期降水跨季度预测,最小集合数在全国范围为19～20个,对于东南区域为10个左右,东北、华北地区不应少于20个.当出现多平衡态时,最小集合数增大,这时应对各平衡态分别进行集合.研究结果同时还显示,对于有预报能力的地区,集合方法可以提高预测技巧及其可信度,而在负技巧区域,集台反使得预测效果更差,因而有必要进行系统性订正.     

汛期预测的集合预告模拟研究

本文介绍一个跨季度汛期降水预测的集合预测模拟试验，以1987年为例，用2月1日～26日每隔5天的观测资料作初值进行了6个积分，取其平均作为集合预测，共有7个预测结果，计算了7个预测与观测场的同号率，计算了6个预测的标准差，结果表明:集合预测比个别试验更为合理，这6个试验的结果在大尺度分布上是相近的，其差别也是不大的。集合预测值得继续进行试验。文中也讨论了一些由于大气运动固有的动力学特性，其集合预测与经典的数学考虑有所区别，对集合预测提出了一些新的看法，许多问题还需要继续深入探讨，以期能对该方法作出恰当的评     

欧洲多个耦合气候模式对东亚冬季气候的预测性能研究

在短期气候预测方法中,多模式集合预测作为一种实用方法得到了广泛的研究。利用DEMETER多模式集合预测系统1980—2001年的回报试验,研究了欧洲7个耦合模式对东亚地区(0°—60°N,70°—140°E)冬季大气环流和气候异常的预测效能。研究的气候要素是冬季500hPa高度场、850hPa风场、表面气温场和降水场。集合平均(EM)是最基本的多模式集合构建方法。为了进一步订正模式预测的误差,基于经验正交函数分解进行订正,产生"合成数据集",并利用该数据集进行合成集合平均或合成超级集合(SEM/SSE)。研究表明,东亚地区冬季气候异常的模式预测效能热带高于中高纬度地区,海洋高于内陆。多模式集合平均和合成集合平均或合成超级集合均从整体上对东亚地区冬季气候异常的预测效能有一定程度的提高,体现了其相对于7个单一模式的优势。两类不同的多模式集合方法对预测结果也有一定的影响,其中,合成集合平均或合成超级集合对冬季500hPa高度场、850hPa风场和降水场异常的预测效能优于集合平均;但是对于冬季表面气温场异常的预测,集合平均优于合成集合平均或合成超级集合。     

新疆夏季降水和冬季气温预测方法及效果评估

本文利用4个国内外先进的气候模式（国家气候中心、ECMWF、NCEP和JMA）业务预测数据,采用2种多模式集合方法（等权平均和超级集合）、3种降尺度方法（BP-CCA、EOF迭代、高相关回归集成）和3种统计方法（CCA、最优气候值、高相关回归集成）以及降尺度集成和降尺度-统计方法集成,分析了目前季节模式、多模式集合、降尺度、统计方法、降尺度-统计集合等目前常用气候预测技术对新疆夏季降水和冬季气温的业务预测能力。 研究表明,以上技术方法对新疆夏季降水和冬季气温的预测预测能力有较大差别。目前先进的气候业务模式的预测技巧普遍很低,多模式超级集合和降尺度方法的技巧常高于单个模式,并且最佳的降尺度方法通常技巧高于最佳多模式集合方法。同时,统计方法和降尺度方法的预测技巧通常较为接近,而对二者进行超级集合可以具有相对很高的预测技巧。此外,现有常用气候预测技术方法对新疆夏季降水和冬季气温的趋势有一定的预测能力,但对气候异常的空间分布基本无预测能力。建议新疆气候预测技术围绕统计和降尺度方法集合发展。     

跨季度气候距平数值预测研究小结

中国科学院大气物理研究所发展了一个准业务跨季度气候距平数值预测系统,包括气候模式、大气和海洋初始条件同化、年际气候异常信号的提取、集合积分与概率计算、预测值系统误差的订正方法以及预测评分技术等方面,以东亚夏季风降水和太平洋海温异常为主要预测对象。本文主要报告５年来中国夏季降水跨季度预测准业务试验的结果。１９８９～１９９５年夏季降水跨季度实时预测试验的结果表明：对于导致气候灾害的夏季降水异常,例如中国东部的严重旱涝,我们能够作出很好的预测;对于比较弱的夏季降水异常,预测技巧较低。另外,预测效果有明显的地区差异,比如,中国东部比西部好,东部又以长江中下游为最佳。本文还介绍了一些由西太平洋海温异常影响大气的物理过程及机理,提出了一个“持续异常区假说”。进而讨论了集合预测的理论和方法,并通过一个实例来说明如何使用集合积分技术来识别持续异常区。最后对短期气候预测的几个基本问题以及改进的途径进行了讨论     

舍入误差对大气环流模式模拟结果的影响

此文旨在研究气候数值模式的长期计算时受舍入误差的影响。通过对大气环流谱模式SAMIL采用不同CPU数计算时获得的长时间积分结果进行分析,发现使用不同CPU数进行单精度计算时,其十年平均月平均500 hPa高度场随机误差在正负6～8 gpm范围内,而使用双精度计算时相应的误差为正负3～4 gpm。对于气候平均场而言,作者的试验表明SAMIL在并行计算时由于计算顺序改变而引起的误差在可接受范围之内。然而,虽然舍入误差的全球平均值不大,但其误差分布的差别范围并不小。数值试验得到的不同模拟结果之间误差大小与模拟结果的自身年际变化大小在同样的量级,因此对于“年际变化”这样的问题来说,其影响是不可忽略的,必须要使用集合预报的办法来减小误差的影响。文中列出了3种研究复杂数值模式舍入误差的实验方法,指出其一定条件下的等效性和不同适用范围,对于其他模式的舍入误差影响研究有一定的参考价值。在舍入误差分析的基础上,介绍了一种新型的专门针对舍入误差的集合预报方法（舍入误差平均集合,RME）,指出了其在气候模拟研究中的应用价值。     

中国气候预测研究与业务发展的回顾

天气预报是指一周内至两周时间尺度的气象预报,而月季及以上时间尺度的预报则属于气候预测范畴。中国的气候预测起步很早,无论在研究工作中还是在业务应用上都取得了显著成就。文中扼要回顾了这些研究和业务发展成就,重点包括:对于季风和梅雨、寒潮的早期认知和后期研究发现、早期气候预测业务发展概况、动力气候预测的早期探索、动力-统计气候预测方法的研制和应用、气候预测模式的发展以及初始化和多模式集合预测、东亚气候系统变异的全方位探索、气候预测范畴的不断拓展和气候预测研究的不断创新。也对未来气候预测研究和业务发展提出了几个重大挑战性课题,涉及不同时间尺度气候变异过程之间的相互作用、季节内至年代际气候预测、气候系统模式及初始化、动力-统计相结合的气候预测方法等方面。      

集合样本数影响月平均500 hPa高度场预测技巧分析

气候系统模式输出结果是当前开展气候预测业务的重要参考依据之一,如何提高气候系统模式输出结果的可信度是改进气候业务预测能力的关键之一。利用1999—2010年NCEP CFSv2模式每日四次预测未来45天的回算数据,分析了集合样本数对模式预测能力的影响。分析结果表明,模式对月平均500 hPa位势高度的预测技巧在热带地区较高,而中高纬度地区较低;模式对500 hPa位势高度时间异常的预测能力优于空间异常。无论是空间异常还是时间异常,随着模式超前时间的增加,预测技巧均逐渐降低,但是在不同区域和不同月份,模式预测技巧随超前时间的变化存在差异。此外,模式预测技巧存在非常大的年际变率。增加集合样本数,对不同月份和不同起报时间预测技巧的稳定度和预测技巧值均有明显正效果,特别是对亚洲中纬度地区改善度较大。增加集合样本数也可以在一定程度上降低模式预测技巧年际变率。集合样本数增加对于500 hPa位势高度空间异常的改进优于时间异常。      

基于EMD 和集合预报技术的气候预测方法

气候系统是典型的非平稳性系统,然而对于气候观测数据的处理通常是在时间序列平稳的假定下完成的,比如气温和降水的多步预报,这通常会导致预报准确度较低。为改进该缺陷,首先将非平稳数据序列分解成平稳的、多尺度特征的本征模态函数分量(IMF),再使用数值集合预报与逐步回归分析相结合的方式对每一个IMF 分量构建不同的预报模型,最后线性拟合成预报结果。通过Visual Studio 2008 开发平台使用上述方法建立了一个短期气候预报系统,采用广西区88 个气象站1957—2005 年的2 月距平气温数据进行实际验证。结果表明,相对于普通预测和单一预测方法,加入了EMD 和集合预报技术的方法在仅用历史资料进行多步预测的情况下,对于气候的变化趋势以及突发性气候具有更好的预报能力。      

A Climate Prediction Method Based on EMD and Ensemble Prediction Technique

Observed climate data are processed under the assumption that their time series are stationary, as in multi-step temperature and precipitation prediction, which usually leads to low prediction accuracy. If a climate system model is based on a single prediction model, the prediction results contain significant uncertainty. In order to overcome this drawback, this study uses a method that integrates ensemble prediction and a stepwise regression model based on a mean-valued generation function. In addition, it utilizes empirical mode decomposition (EMD), which is a new method of handling time series. First, a non-stationary time series is decomposed into a series of intrinsic mode functions (IMFs), which are stationary and multi-scale. Then, a different prediction model is constructed for each component of the IMF using numerical ensemble prediction combined with stepwise regression analysis. Finally, the results are fit to a linear regression model, and a short-term climate prediction system is established using the Visual Studio development platform. The model is validated using temperature data from February 1957 to 2005 from 88 weather stations in Guangxi, China. The results show that compared to single-model prediction methods, the EMD and ensemble prediction model is more effective for forecasting climate change and abrupt climate shifts when using historical data for multi-step prediction.     

基于多种集合的中国冬季气温逐月滚动预测

利用1979—2015年中国国家气候中心整编的160站月平均气温和NCEP/NCAR全球大气再分析资料,从1979/1980—2008/2009年冬季前期500 h Pa高度场、200 h Pa势函数和850 h Pa势函数场选择预测因子,考虑不同时效因子的组合及其独立性,综合应用多因子回归集合、交叉检验集合、逐月滚动集合,建立了针对中国冬季气温的逐月滚动预测模型,并利用该模型对2010/2011—2014/2015年冬季气温进行了独立预测试验和检验。结果表明,综合运用多种集合可提高短期气候客观定量预测的可行性和稳定性。多因子回归集合能增加可预测站点数,交叉检验集合可减少因统计关系不稳定而产生的对预报效果的影响,逐月滚动集合的应用不仅增加了可预测站点数,而且使预测效果更加稳定。本文建立的预测模型可对中国冬季气温进行长时效的预测,且有一定的预报技巧,对实际的季节预测业务有重要应用价值。     

IAP短期气候距平预测系统的定量评估及订正技术的改进研究

采用一套多指标的评估方法, 对中国科学院大气物理所研制的短期气候距平数值预测系统（ＩＡＰＰＳＳＣＡ） 方案１ 的预测性能进行了定量的、系统的评估。评估表明： ＩＡＰＰＳＳＣＡ 对中国汛期大尺度的、重大的降水异常预报较好; 在不同区域,ＩＡＰＰＳＳＣＡ 的预测能力不同, 对中国东南区域显示出较高的预报准确度和可信度; 与单个预报相比, 集合预测水平稳定, 能提高总体预测水平。另外, 还对订正技术进行了改进研究, 距平百分率订正较距平订正效果为佳。     

Assessing the robustness of projected precipitation changes over central Africa on the basis of a multitude of global and regional climate projections

It is well accepted within the scientific community that a large ensemble of different projections is required to achieve robust climate change information for a specific region. For this purpose we have compiled a state-of-the-art multi-model multi-scenario ensemble of global and regional precipitation projections. This ensemble combines several global projections from the CMIP3 and CMIP5 databases, along with some recently downscaled regional CORDEX-Africa projections. Altogether daily precipitation data from 77 different climate change projections is analysed; separated into 31 projections for a high and 46 for a low emission scenario. We find a robust indication that, independent of the underlying emission scenario, annual total precipitation amounts over the central African region are not likely to change severely in the future. However some robust changes in precipitation characteristics, like the intensification of heavy rainfall events as well as an increase in the number of dry spells during the rainy season are projected for the future. Further analysis shows that over some regions the results of the climate change assessment clearly depend on the size of the analyzed ensemble. This indicates the need of a “large-enough” ensemble of independent climate projections to allow for a reliable climate change assessment.     

广西夏季降水量潜在可预报性估计

研究和评价短期气候预测方法必须了解月或季平均量的年际变率有多少是可以被预报出来的。通常认为, 总的年际变率能够被划分为主要来源于大气下边界条件持续性强迫的可预报成分和来源于“天气噪声”的不可预报成分, 这两个成分的方差之比给出潜在预报性的测度。文章用低频白噪声延伸法及日降水量独立和相关假设下的方差分析方法估计了广西夏季降水量潜在可预报的气候信号方差和天气噪声方差。结果表明:全区都存在潜在可预报信号, 在中部和东部气候信号最强, 南部最弱。以绝对误差小于均方差0.68倍作为预报正确的标准, 则预报正确率上限在自治区中部和东部约为72 %, 南部约为59 %, 北部和西部约为62 %。     

On the estimation of systematic error in regression-based predictions of climate sensitivity

An extension of a regression-based methodology for constraining climate forecasts using a multi-thousand member ensemble of perturbed climate models is presented, using the multi-model CMIP-3 ensemble to estimate the systematic model uncertainty in the prediction, with the caveat that systematic biases common to all models are not accounted for. It is shown that previous methodologies for estimating the systematic uncertainty in predictions of climate sensitivity are dependent on arbitrary choices relating to ensemble sampling strategy. Using a constrained regression approach, a multivariate predictor may be derived based upon the mean climatic state of each ensemble member, but components of this predictor are excluded if they cannot be validated within the CMIP-3 ensemble. It is found that the application of the CMIP-3 constraint serves to decrease the upper bound of likelihood for climate sensitivity when compared with previous studies, with 10th and 90th percentiles of probability at 1.5 K and 4.3 K respectively.