基于CFS模式的中国站点夏季降水统计降尺度预测

本研究针对中国夏季站点降水,研制建立了基于Climate Forecast System(CFS)实时预测数值产品及观测资料的统计降尺度预测系统。此预测系统选取了CFS模式中当年夏季500 hPa高度场和观测资料中前一年秋、冬季海表面温度场作为预测因子,两因子的关键区分别为泛东亚地区和热带太平洋地区。统计降尺度模型对1982~2011年中国夏季降水的回报效果较CFS模式原始结果显著提高,空间距平相关系数由0.03提高到0.31,时间相关系数在中国大部分地区显著提高,最大可达0.6。均方根误差较CFS模式原始结果明显降低,同时,此降尺度模型较好的回报出2011年汛期降水的距平百分率的空间分布型。     

非齐次隐马尔可夫降尺度方法对江淮流域夏季逐日降水的模拟及其评估

引入非齐次隐马尔可夫模型(Nonhomogeneous hidden Markov model,NHMM)统计降尺度方法,利用1961—2002年江淮流域夏季逐日降水资料、欧洲中期天气预报中心(ECMWF)的ERA-40再分析资料建立模型,检验其对东部季风区(以江淮流域为代表)夏季日降水的模拟能力,并对比BCC-CSM1.1(m)模式NHMM降尺度前后的模拟效果。结果表明,NHMM降尺度方法通过建立降水概率分布态间转移参数与大尺度环流变量的联系,对江淮流域逐日降水量具有较好的降尺度效果。模拟的各站日降水量概率分布函数(PDF)曲线与观测非常接近,布赖尔评分(Brier Score,S_B)均小于0.11%,显著性评分(Significance Score,Ss)均大于0.84;夏季总降水量、降水日数、中雨日数、降水强度和95%分位降水量指数的多年平均场偏差百分率绝对值低于10%,前3个指数的空间相关系数高于0.9;该方法对各降水指数的年际变率也有一定的模拟能力,模拟得到的各指数的区域平均年际序列与观测序列的相关系数为0.62—0.87。对BCC-CSM1.1(m)模式的模拟结果进行降尺度后,SB较降尺度前平均减小0.57%,Ss平均增大0.23,皆表明降尺度后的概率分布函数曲线更接近于观测;各降水指数在多数台站的偏差百分率绝对值由大于40%降至10%以内,空间相关系数普遍提高至0.8以上。NHMM降尺度方法能够有效提高BCC-CSM1.1(m)模式对江淮流域夏季日降水的模拟能力,相对气候模式具有显著的"增值",未来可进一步利用该方法进行气候变暖背景下的日降水变化预估。     

一种分离时间尺度的统计降尺度模型的建立和应用——以华北汛期降水为例

针对预报量变化中存在受不同物理因子控制的不同时间尺度变率特征, 本文提出了分离时间尺度的统计降尺度模型。应用滤波方法, 将不同尺度的变率分量分开, 在各自对应的时间尺度上利用不同的大尺度气候因子分别建立降尺度模型。华北汛期 (7～8月) 降水具有年际变率和年代际变率, 本文以华北汛期降水为例利用分离时间尺度的统计降尺度模型进行预测研究。采用的预报因子来自海平面气压场、 500 hPa位势高度场、 850 hPa经向风场和海表温度场以及一些已知的大尺度气候指数。利用基于交叉检验的逐步回归法建立模型。结果表明, 年际尺度上, 华北汛期降水与前期6月赤道中东太平洋海温以及同期中国东部的低层经向风密切相关; 年代际尺度上, 在东印度洋—西太平洋暖池海温的作用下, 华北降水与前期6月西南印度洋海平面气压有同步变化关系。年际模型和年代际模型的结果相加得到对总降水量的降尺度结果。1991～2008年的独立检验中, 模型估计的降水和观测降水的相关系数是0.82, 平均均方根误差是14.8%。结合模式的回报资料, 利用降尺度模型对1991～2001年的华北汛期降水进行回报试验。相比于模式直接预测的降水, 降尺度模型预测的结果有明显改进。改进了模式预测中年际变率过小的问题, 与观测降水的相关系数由0.12提高到0.45。     

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。     

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...     

江淮流域夏季降水的准两年振荡特征及其关联因子分析

利用1951—2010年我国江淮流域11个测站夏季(6—8月)降水资料和NCAR提供的北半球月平均海平面气压场资料以及相关的西太平洋副高指数资料,采用Morlet小波变换、交叉小波变换及相关分析等方法讨论了降水准两年振荡现象的年际变化规律及其与东亚夏季风、副高的关系。结果表明,准两年振荡分量在江淮地区夏季降水场的年际振荡中十分重要,且经历了由强到弱再到强的变化过程;同时降水与夏季风强度及副高脊线位置的准两年变化均存在较好的同期相关,彼此间的相互影响还体现在年际尺度上,并分别在4 a和1 a时间尺度上有明显的滞后、超前关系。     

夏季中国华北与印度降水之间的关联及其成因分析

本文基于1951~2012年的再分析资料以及站点观测资料,针对中国华北夏季降水和印度夏季风降水的协同变化(正相关)关系,利用集合经验模态分解法(EEMD)对两个降水序列进行时间尺度分解,并在年际尺度上分别考察了对两者正相关关系形成的有利和不利环流形势.结果表明,印度夏季风降水和华北夏季降水序列的较好正相关关系主要来自周期为2~3年的年际尺度分量,两者在该时间尺度上的相关系数为0.34,达到99%的信度水平.在年际尺度上,与印度夏季风降水异常有关的对流层中高层环半球遥相关型(CGT)波列能够衔接伊朗高原和环渤海地区上空的同位相环流异常(反气旋式或气旋式),从而有利于华北夏季降水和印度夏季风降水之间的协同变化.然而,这一协同变化关系并不总是成立.当伊朗高原上空异常中心的位置偏西时,CGT波列无法形成.这时,即使印度夏季风降水出现显著异常,华北地区却易受东亚—太平洋型或西太平洋型遥相关型的影响而其降水形势可能与印度夏季风降水形势相反.这些结论有助于进一步理解印度夏季风降水与华北夏季降水的正相关关系,从而对华北夏季降水的预测具有参考意义.     

S2S模式对四川汛期候尺度降水预测技巧评估和误差订正

针对四川汛期候降水距平百分率（PAP）,采用距平相关系数（ACC）、时间相关系数（TCC）、符号一致率（SCR）和趋势异常综合评分（PS）4种预测评分方法对S2S计划中10个模式的预测技巧进行检验评估,并在误差分析的基础上提出“正负概率异常订正”方案对各模式候降水距平百分率预测结果进行订正。结果表明,随着预测时效延长,多数模式的预测技巧快速降低,模式间预测技巧的差距缩小。至第10天左右,各模式进入低技巧时段,预测技巧随时效变化的幅度减小,各模式仅对降水趋势异常有一定预测能力,其中BoM模式明显高于其他模式。除BoM模式外的其他模式对降水年际变化幅度都存在低估,降水距平百分率异常偏差为?33%—?18%,不随预测时效发生太大变化,但空间分布不均。经过误差订正各模式的距平相关系数和符号一致率有所提高,趋势异常综合评分有效提高,并且对次季节尺度的订正效果优于天气尺度。订正后,各模式在次季节尺度的平均趋势异常综合评分均高于76.8, 66.7%的模式评分为79.2—80.2,超过业务评分标准（72.0）近8分。订正效果在4 a独立样本检验中也得到验证。      

不同空间型的El Ni?o对江淮流域夏季降水的影响

利用江淮流域1979—2010年夏季降水资料和海温资料等,研究了不同空间型的El Ni?o对江淮流域夏季降水的影响。结果表明,El Ni?o年江淮流域夏季降水异常为东部偏多西部偏少,El Ni?o Modok年为全区偏少,这与用江淮流域夏季降水和同期热带太平洋海温进行SVD分析的模态几乎一致。对东亚夏季风和环流场的分析结果表明其原因可能为:El Ni?o年东亚夏季风稍偏弱,长江中下游有异常上升运动,我国东北至西北太平洋海盆及江淮流域为负位势高度距平,华南至菲律宾海为正位势高度距平,江淮流域从低层到高层均为气旋性环流异常控制;而El Ni?o Modoki年为强东亚夏季风,且江淮流域有强烈的异常下沉运动,菲律宾、我国南海以及孟加拉湾北部均为显著的负位势高度距平,正距平中心位于日本及我国东海地区,菲律宾海地区及我国江淮流域低层的异常气旋式环流中心比El Ni?o年偏西且强度偏强,高层的异常反气旋环流中心也比El Ni?o年偏西、偏北,同时西太平洋副热带高压位置也较偏北。      

时间尺度分离在华南夏季极端高温预测中的应用

基于高温日数存在受不同物理因子影响不同时间尺度变率的特征,应用滤波对华南夏季高温日数进行时间尺度分离,得到高温日数的年代际分量和年际分量。统计分析高温日数总量、年代际分量和年际分量在各自对应时间尺度上的影响因子,采用"向前"交叉检验逐步回归法,分别建立高温日数总量、年代际分量和年际分量的回归模型。高温日数总量的回归模型即为高温日数不区分时间尺度的直接回归模型,而两个分量回归模型拟合结果的叠加,即为高温日数时间尺度分离统计模型对总量的拟合。利用十折交叉检验法,对高温日数直接回归模型和时间尺度分离统计模型的拟合结果进行比较:相比高温日数直接回归模型,时间尺度分离统计模型的年代际分量均方根误差由2.6降低到2.3,与观测数据的相关系数由0.69提高到0.73（显著性水平α=0.01）;年际分量均方根误差由3.2降低到2.9,与观测数据的相关系数由0.4（α=0.1）提高到0.48（α=0.01）;高温日数总量均方根误差由4.1降低到3.7,与观测数据的相关系数由0.48提高到0.62（α=0.01）。1979~2010年拟合时段华南夏季高温日数的回报结果表明:两模型回报结果与观测数据均存在明显相关（α=0.01）,直接回归模型的相关系数为0.57,时间尺度分离统计模型提高到0.72。2011~2013年独立检验时段的预测结果表明:直接回归模型预测结果的平均均方根误差为26.4%,时间尺度分离统计模型降低到12.3%。初步结果表明,两模型对华南夏季高温日数均有一定的预测能力,而时间尺度分离统计模型的预测结果有所改进。     

An Approach for Improving Short-Term Prediction of Summer Rainfall over North China by Decomposing Interannual and Decadal Variability简

A statistical downscaling approach was developed to improve seasonal-to-interannual prediction of summer rainfall over North China by considering the effect of decadal variability based on observational datasets and dynamical model outputs.Both predictands and predictors were first decomposed into interannual and decadal components.Two predictive equations were then built separately for the two distinct timescales by using multivariate linear regressions based on independent sample validation.For the interannual timescale,850-hPa meridional wind and 500-hPa geopotential heights from multiple dynamical models＇ hindcasts and SSTs from observational datasets were used to construct predictors.For the decadal timescale,two well-known basin-scale SST decadal oscillation （the Atlantic Multidecadal Oscillation and the Pacific Decadal Oscillation） indices were used as predictors.Then,the downscaled predictands were combined to represent the predicted/hindcasted total rainfall.The prediction was compared with the models＇ raw hindcasts and those from a similar approach but without timescale decomposition.In comparison to hindcasts from individual models or their multi-model ensemble mean,the skill of the present scheme was found to be significantly higher,with anomaly correlation coefficients increasing from nearly neutral to over 0.4 and with RMSE decreasing by up to 0.6 mm d-1.The improvements were also seen in the station-based temporal correlation of the predictions with observed rainfall,with the coefficients ranging from-0.1 to 0.87,obviously higher than the models＇ raw hindcasted rainfall results.Thus,the present approach exhibits a great advantage and may be appropriate for use in operational predictions.     

西北偏湿背景下青海省夏季降水的统计降尺度方法研究

本文研制建立了一个预测青海省夏季降水的动力—统计相结合的组合降尺度预测方法(Hybrid Statistical Downscaling Prediction,HSDP),该方法综合利用了 气候模式 Climate Forecast System 2.0版本(CFSv2)实时预测的高可预报性环流信息及前期观测的与青海夏...     

Improve the prediction of summer precipitation in the Southeastern China by a hybrid statistical downscaling model

We attempt to apply year-to-year increment prediction to develop an effective statistical downscaling scheme for summer (JJA, June–July–August) rainfall prediction at the station-to-station scale in Southeastern China (SEC). The year-to-year increment in a variable was defined as the difference between the current year and the previous year. This difference is related to the quasi-biennial oscillation in interannual variations in precipitation. Three predictors from observations and six from three general circulation models (GCMs) outputs of the development of a European multi-model ensemble system for seasonal to interannual prediction (DEMETER) project were used to establish this downscaling model. The independent sample test and the cross-validation test show that the downscaling scheme yields better predicted skill for summer precipitation at most stations over SEC than the original DEMETER GCM outputs, with greater temporal correlation coefficients and spatial anomaly correlation coefficients, as well as lower root-mean-square errors.     

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。     

Downscaling large-scale NCEP CFS to resolve fine-scale seasonal precipitation and extremes for the crop growing seasons over the southeastern United States

Seasonally predicted precipitation at a resolution of 2.5° was statistically downscaled to a fine spatial scale of ~20 km over the southeastern United States. The downscaling was conducted for spring and summer, when the fine-scale prediction of precipitation is typically very challenging in this region. We obtained the global model precipitation for downscaling from the National Center for Environmental Prediction/Climate Forecast System (NCEP/CFS) retrospective forecasts. Ten member integration data with time-lagged initial conditions centered on mid- or late February each year were used for downscaling, covering the period from 1987 to 2005. The primary techniques involved in downscaling are Cyclostationary Empirical Orthogonal Function (CSEOF) analysis, multiple regression, and stochastic time series generation. Trained with observations and CFS data, CSEOF and multiple regression facilitated the identification of the statistical relationship between coarse-scale and fine-scale climate variability, leading to improved prediction of climate at a fine resolution. Downscaled precipitation produced seasonal and annual patterns that closely resemble the fine resolution observations. Prediction of long-term variation within two decades was improved by the downscaling in terms of variance, root mean square error, and correlation. Relative to the coarsely resolved unskillful CFS forecasts, the proposed downscaling drove a significant reduction in wet biases, and correlation increased by 0.1–0.5. Categorical predictability of seasonal precipitation and extremes (frequency of heavy rainfall days), measured with the Heidke skill score (HSS), was also improved by the downscaling. For instance, domain averaged HSS for two category predictability by the downscaling are at least 0.20, while the scores by the CFS are near zero and never exceed 0.1. On the other hand, prediction of the frequency of subseasonal dry spells showed limited improvement over half of the Georgia and Alabama region.     

Evaluation of summer temperature and precipitation predictions from NCEP CFSv2 retrospective forecast over China

National Centers for Environmental Prediction recently upgraded its operational seasonal forecast system to the fully coupled climate modeling system referred to as CFSv2. CFSv2 has been used to make seasonal climate forecast retrospectively between 1982 and 2009 before it became operational. In this study, we evaluate the model’s ability to predict the summer temperature and precipitation over China using the 120 9-month reforecast runs initialized between January 1 and May 26 during each year of the reforecast period. These 120 reforecast runs are evaluated as an ensemble forecast using both deterministic and probabilistic metrics. The overall forecast skill for summer temperature is high while that for summer precipitation is much lower. The ensemble mean reforecasts have reduced spatial variability of the climatology. For temperature, the reforecast bias is lead time-dependent, i.e., reforecast JJA temperature become warmer when lead time is shorter. The lead time dependent bias suggests that the initial condition of temperature is somehow biased towards a warmer condition. CFSv2 is able to predict the summer temperature anomaly in China, although there is an obvious upward trend in both the observation and the reforecast. Forecasts of summer precipitation with dynamical models like CFSv2 at the seasonal time scale and a catchment scale still remain challenge, so it is necessary to improve the model physics and parameterizations for better prediction of Asian monsoon rainfall. The probabilistic skills of temperature and precipitation are quite limited. Only the spatially averaged quantities such as averaged summer temperature over the Northeast China of CFSv2 show higher forecast skill, of which is able to discriminate between event and non-event for three categorical forecasts. The potential forecast skill shows that the above and below normal events can be better forecasted than normal events. Although the shorter the forecast lead time is, the higher deterministic prediction skill appears, the probabilistic prediction skill does not increase with decreased lead time. The ensemble size does not play a significant role in affecting the overall probabilistic forecast skill although adding more members improves the probabilistic forecast skill slightly.     

1999年中国夏季气候的预测和检验

利用改进的中国科学院大气物理研究所短期气候预测系统（IAPPSSCA）,结合IAPENSO预测系统所预测的1999年热带太平洋地区的海温异常,对1999年中国夏季气候进行了适时集合预测。预测结果表明：IAPPSSCA较好地预测出了1999年夏季北半球大尺度环流场的异常情况,并较好地预测出1999年中国南涝北旱的大范围降水形势。IAPPSSCA对长江下游的强降水中心、中国南方大部夏季多雨的特征以及中国北方大部的干旱少雨形势的预测,与实测较相符。但IAPPSSCA预测的南方大范围雨带的北界比实测的略为偏北,北方的小范围的降水正距平区域也没有能预报出来。另外,对于月平均降水距平的预测亦存在较大的不确定性。这说明我们的预测系统还有待于进一步的改进和完善。     

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。