2020, Vol. 63
2. 清华大学地球系统科学系地球系统数值模拟教育部重点实验室, 北京 100084;
3. 河北省气候中心, 石家庄 050021;
4. 全球变化与中国绿色发展协同创新中心, 北京 100875;
5. 中国科学院大学地球与行星科学学院, 北京 100049
2. Ministry of Education Key Laboratory for Earth System Modeling, Department of Earth System Science, Tsinghua University, Beijing 100084, China;
3. Hebei Climate Center, Shijiazhuang 050021, China;
4. Joint Center for Global Change Studies, Beijing 100875, China;
5. College of Earth and Planetary Sciences, University of Chinese Academy of Sciences, Beijing 100049, China
气候变化在全球和区域范围内表现出明显的年代际尺度特征，IPCC第五次评估报告(Hartmann et al., 2013)指出，全球年平均近地面气温、太平洋和大西洋海表温度(SST)以及它们上空的大气环流都存在年代际变化.
太平洋SST存在显著的年代际变化，即太平洋年代际振荡(PDO)(Mantua et al., 2007)，是北太平洋中纬度SST与热带中东太平洋和北美洲西海岸SST在年代际尺度上的反位相变化.它会影响北美冬季气候(Mantua et al., 2007)、亚洲季风(Mochizuki et al., 2010)、澳大利亚的降水和气温(Power et al., 1999)，也会影响我国气候变化(朱益民和杨修群，2003).太平洋上方的大气环流也表现出年代际变化，即北太平洋涛动(NPO)，是北太平洋中高纬和低纬地区海平面气压的跷跷板式的变化(Rogers，1981).它会影响北美气温和降水(Rogers，1981)、东亚冬季风与我国冬季气候变化(郭冬和孙照渤，2004).
大西洋SST也存在显著的年代际变化，即大西洋多年代际振荡(AMO)，其变化主要与大西洋经向翻转流(AMOC)有关(Delworth et al., 2008).AMO会影响大西洋飓风(Zhang and Delworth, 2006)、北美和西欧夏季气候(Sutton and Hodson, 2005)、非洲和巴西降水(Knight et al., 2006)、印度夏季季风降水(Goswami et al., 2006)、亚洲夏季风(Lu et al., 2006)和我国冬季气候(Li and Bates, 2007).大西洋上方的大气环流也表现出年代际变化，即北大西洋涛动(NAO)，是北大西洋副热带高压和极地低压的跷跷板式的变化(Hurrell et al., 2003).它会影响北非、中东和北美气温(Hurrell，2005)、欧洲冬季气候(Hurrell and Van Loon，1997)和我国气候(王永波和施能，2001).
可见，上述年代际现象会对太平洋和大西洋附近地区的气候产生影响，这样的气候变化会影响到周边国家的人民生命财产安全.一个典型例子是东亚夏季风在20世纪70年代末明显减弱(Ding et al., 2008)，表现为低层(850 hPa)西南风减弱，高层(200 hPa)急流轴南侧西风增强(Yu and Zhou, 2007)，长江流域降水增多，华北地区降水减少，形成了我国东部“南涝北旱”的局面，造成了大量人员伤亡和巨大经济损失(黄荣辉等，2002).
因此对年代际气候变化的预测是非常重要的，有助于保护人民的生命财产安全.年代际预测可为农业、渔业、水利水电、航运、旅游业等领域的计划制定和决策提供科学依据，与人们生活息息相关.在农业方面，Nyamwanza等(2017)指出未来1~10年的温度和降水预测对非洲农业的计划和决策十分重要，有助于规划土地利用和选择农作物种类，并且可以帮助农民提前计划应对灾害对策，减少经济损失.在渔业方面，年代际尺度的海洋环流变化会影响鱼类物种数量和种群分布(Osgood，2008)，做好该时间尺度的预测可以估计这种影响带来的损失，并且提前做好准备工作.在水利水电方面，Vera等(2010)指出对温度、降水、风以及辐射的未来1~5年的可靠预测有利于热电站冷却能力以及可再生能源(水力发电、风能、太阳能)的规划.Crawford等(2006)指出对风暴轴的预测有利于某些地区对风能的有效利用.气候预测信息还有助于更好地规划水资源的管理和利用，比如通过规划建立水库来调节当地的降水分布.在北极航运方面，对北极变暖的预测有利于制定航线、建造和调度破冰船.在旅游业方面，准确的年代际预测有利于沿海、干旱以及位于飓风路径线上等地区旅游业的规划.在人类健康方面，更暖更湿的气候条件会助长疟疾等疾病的传播和加重，对温度和降水的年代际预测有助于医疗机构加强对疾病的治疗和缓解.在人类生存方面，对海平面高度的有效预测有利于沿海居民提前规划海岸线甚至进行提早撤离.
在国家层面上，年代际预测是重要的国家需求.它是国家制订经济建设和重大基础设施等中长期规划的重要依据，比如我国国家能源中长期发展规划(2004—2020年)、国家重大科技基础设施建设中长期规划(2012—2030年)、国家防灾减灾人才发展中长期规划(2010—2020年).
年代际预测的研究起步较晚，直到20世纪90年代才逐渐成为气候变化领域关注的重要科学问题和挑战性问题.世界气候研究计划(WCRP)在1995年建立了“气候变率与可预测性研究计划”(CLIVAR)，其中年代际尺度的气候变率、气候变化以及可预测性是研究的重要内容之一.年代际预测最初是将季节预测进行更长时间尺度的推广(Troccoli and Palmer, 2007)，第五次耦合模式比较计划(CMIP5)首次将年代际预测试验列入两类气候变化模拟核心试验之一(Taylor et al., 2012)，另一类试验是百年尺度的长期气候模拟与预估，目前正在进行的第六次耦合模式比较计划(CMIP6)将年代际预测列为其中一个子计划——年代际气候预测计划(DCPP)(Eyring et al., 2016).
从数学上讲，年代际预测既是初值问题，也是边值问题(图 1).初值问题指预报或预测主要受到初值的影响，初值是否准确直接影响预报或预测的技巧，例如天气预报和季节预测.边值问题指主要受到外强迫边界条件的影响，包括人为引起的外强迫(人类活动引起的温室气体和气溶胶的变化)和自然引起的外强迫(火山喷发和太阳常数的变化)，例如20世纪气候历史模拟和百年尺度的气候预估.年代际预测介于这二者之间，其时间尺度为10~30年(Meehl et al., 2009)，因此既受到初值的影响，也受到外强迫的影响(Lee et al., 2006)，在预测第1~10年，外强迫相比于初值的影响较小，超过10年后，初值的影响逐渐减小，外强迫的影响逐渐增大(Cox and Stephenson, 2007).
|
图 1 天气预报、季节至年际预测、年代际预测和气候预估的时间尺度(修改自Boer et al., 2016, 图 1) Fig. 1 Time scales of weather predictions, seasonal to interannual predictions, decadal predictions and long term climate change projections (modified from Boer et al., 2016, Fig. 1) |
由于年代际预测依赖于初值，因此初值的质量会直接影响年代际预测的效果.初始化是年代际预测的首要步骤，产生的初值能使模式变率在初始时刻在位相上尽可能与观测同步，在强度上尽可能与观测接近，即初值中包含观测的变率信息.初始化方法要求效果好且省时，是年代际预测的重大挑战之一(Meehl et al., 2014a).目前国际上的年代际预测水平仍处于初级阶段，影响因子包括初始化方法的性能、模式的性能和观测资料的质量(Taylor et al., 2012).在不断改进模式性能和提高观测质量的同时，通过先进的初始化方法来提高初值的质量是年代际预测的当务之急，也是提高年代际预测水平的关键和不可或缺的环节.
1 初始化方法的研究现状目前国际上的初始化方法根据初始化是否在耦合模式框架下进行可以分为耦合资料同化(简称“耦合同化”)和非耦合资料同化(简称“非耦合同化”)，其中耦合同化通常可分为弱耦合资料同化(简称“弱耦合同化”)和强耦合资料同化(简称“强耦合同化”)两大类；还可以根据初始化时是否采用观测值本身、初始化的资料和初始化的分量等角度进行划分.
1.1 耦合同化和非耦合同化 1.1.1 耦合同化耦合同化是初始化采用的主流方法，是将同化应用于耦合模式的单个或多个分量并在耦合模式框架下(运行耦合模式)进行长期循环同化.常见的耦合同化方法包括：向观测恢复的松弛逼近(nudging)、基于nudging的增量分析更新(IAU)、三维变分(3DVar)、四维变分(4DVar)、集合同化和混合同化方法.
(1) 松弛逼近
Nudging方法最早由Hoke和Anthes(1976)在大气资料同化中提出，原理是在模式预报方程的右端加入一个强迫项，该项使模式状态向观测状态进行恢复，其数学表达见式(1)，其中x表示模式变量，xobs表示对应的观测变量，α表示nudging系数，α(xobs-x)为加入的强迫项.该方法的优点是简单易行，计算量小.缺点包括：在模式方程之外加入了强迫项，与模式不协调，易造成积分不稳定；nudging系数的确定存在一定的人为性；nudging的变量存在局限，不能nudging模式变量以外的观测资料；观测和模式变量的时间频率和空间分辨率需一致，如果不一致，通常需要进行线性插值处理，产生一定的误差.鉴于nudging方法的简便性，很容易将其推广到耦合模式的海洋等其他分量的初始化中.
|
(1) |
例如，采用nudging方法，Keenlyside等(2008)在德国ECHAM5/MPI-OM模式中同化了HadISST分析资料，Pohlmann等(2009)同化了GECCO海温和盐度再分析资料，Matei等(2012)同化了单独海洋分量模式在大气再分析资料的迭代强迫下得到的海温和盐度；Swingedouw等(2013)在法国IPSL-CM5A-LR模式中同化了ERSST分析资料；Sanchez-Gomez等(2016)在法国CNRM-CM5模式中同化了NEMOVAR-COMBINE海温和盐度再分析资料；Smith等(2007)在英国HadCM3模式中同化了大气水平风场、温度和地表气压的再分析资料以及海温和盐度分析资料；Merryfield等(2013)在加拿大CanCM4模式中同化了ERSST和OISST分析资料、海表盐度观测气候值和HadISST海冰密集度格点分析资料；Saha等(2010)在美国气候预测系统CFSv2-2011中同化了OISST分析资料和观测海表盐度的气候态；Xin等(2013)在我国BCC-CSM1.1模式中同化了SODA海温再分析资料，Wei等(2017)同化了在单独海洋分量模式中通过集合最优插值(EnOI)同化HadISST分析资料得到的海温.
(2) 分析增量更新
IAU方法最早由Bloom等(1996)在大气资料同化中提出，原理是将同化窗口中间时刻的分析增量作为模式预报方程的恒定强迫从窗口始端到末端逐渐融合进模式，其数学表达见式(2)，其中x表示模式变量，Δxa为同化窗口中间时刻的分析增量，τ为窗口长度，α为可调参数，
|
(2) |
IAU与nudging方法的共同点是在预报方程右端加入1个强迫项，在模式积分过程中不断向观测逼近，在单次同化产生分析初值的过程中未考虑模式约束，分析初值与模式不协调.不同点是强迫项在IAU方法的1个时间窗口内是不变的，而在nudging方法中是变化的，因此IAU比nudging的模式积分更加稳定，能有效抑制同化时的短波过程.IAU比nudging耗时长，前者需要对时间窗口积分两次，第1次积分的目的是计算该时间窗口的分析增量，第2次积分时根据分析增量计算出强迫项放入模式预报方程右端，进行IAU同化.
例如，Merryfield等(2013)在CanCM4模式中同化了气温、水平风场和比湿的大气再分析资料，采用IAU的变种——CIN(Constant Increment Nudging)方法，将式(2)中的分析增量Δxa进行了T21低通空间滤波，α取为1，时间窗口τ设为24 h，大于大气6 h的时间窗口.Tatebe等(2012)采用IAU方法在日本MIROC3m、MIROC4h、MIROC5和MRI-CGCM3模式中同化了海温和盐度分析资料，时间窗口τ为1天，分析增量为窗口始端分析场与模式背景场的差.Wu等(Wu and Zhou, 2012；Wu et al., 2015)采用IAU方法在我国FGOALS-g1和FGOALS-s2模式中同化了EN3_v2a月平均海温和盐度分析资料，时间窗口τ为1个月，分析增量为模式第1次自由积分得到的月平均距平值与观测月平均距平值的差.
(3) 三维变分
3DVar的实质是找到使目标函数J(x)最小的最优分析初值(Parrish and Derber, 1992)，
|
(3) |
式(3)中x为模式变量，xb为模式背景场，B为模式背景误差协方差矩阵，yobs为观测，H为观测算子，R为观测误差协方差矩阵.式(3)由两项组成：第一项为分析场与背景场的距离，权重为B-1，提取模式先验估计的信息，第二项为实际观测与将模式变量投影到观测空间的距离，权重为R-1，提取观测的信息.最小化式(3)，即令
|
(4) |
3DVar的优点是在三维空间进行全局分析，所有观测资料能同时被使用.缺点包括：没有时间维度，只能同化一个时刻的观测资料，通常把一个时刻邻域里的观测资料都当成该时刻的观测进行同化，这样会产生有一定的误差；背景误差协方差矩阵不随时间变化；在单次同化产生分析初值的过程中未考虑模式约束，仅能考虑一些简单的平衡关系.
例如，Saha等(2010)利用3DVar方法在美国CFSv2-2011中同化了大气原始观测资料、海温原始观测资料、由海温廓线通过温盐关系得到的盐度廓线和海冰密集度分析资料.Wang等(2013)在我国FGOALS-g2模式中同化了海温和盐度分析资料，对3DVar进行了简化：假设背景误差协方差矩阵B和观测误差协方差矩阵R都为对角元素都相同的对角矩阵，即B=αb2I，R=αo2I，其中αb2和αo2分别为背景误差方差和观测误差方差的平均值；将分析资料线性插值到模式格点上，即yobs=xobs，观测算子H为单位矩阵I.因此，3DVar的目标函数可以简化为：
|
(5) |
最小化式(5)，可得同化后的分析初值为：
|
(6) |
式(6)中
(4) 四维变分
4DVar是在3DVar的基础上考虑了时间维，考虑了观测资料在时间窗口内的分布.定义一个时间窗口[t0，tnt]，在j=0，1，2，…，nt时刻共有nt+1个观测，那么4DVar的代价函数为：
|
(7) |
式(7)中x、xb和B分别表示t0时刻模式的状态量、背景场和背景误差协方差矩阵，Hj表示第j时刻的观测算子，Mt0→tj表示非线性模式从第t0时刻积分到第tj时刻，yobsj、HjMt0→tjx和Rj分别表示第j时刻的观测、模拟观测和观测误差协方差矩阵.极小化J(x)得到最优分析初值，即令
|
(8) |
式(8)中M′t0→tj表示切线性模式，(M′t0→tj)T表示伴随模式，H′j表示切线性观测算子，(H′j)T表示伴随观测算子.
4DVar的优点是考虑了时间维，可以同化一个时间窗口内所有时次多种类型的观测资料；分析时刻之后的观测可对分析时刻的结果产生影响；可以同化累积量或平均量，比如累积降水，这是只有4DVar才具备的优点；在单次同化产生分析初值的过程中考虑了模式约束，分析初值与模式协调性好，能在一个时间窗口内沿着模式轨迹最佳地拟合观测；B矩阵为隐式流依赖，即在一个时间窗口内是变化的，而在窗口之间是不变的.缺点是B矩阵隐式发展到同化窗口末端后无法显式表达出来；需要开发和求解伴随模式，非常困难，且计算量很大.
例如，Mochizuki等(2016)采用4DVar方法在日本CFES模式中同化了气温、相对湿度和风场的大气原始观测资料以及海表高度、海温和盐度的海洋原始观测资料，采用简化的耦合模式求解伴随模式.
(5) 集合同化
集合同化方法采用集合估计背景误差协方差矩阵B，如式(9)，
|
(9) |
集合包括动态和静态两种.动态集合中集合的每个成员都随模式积分变化，背景误差协方差矩阵是显式流依赖的，比如集合卡尔曼滤波(EnKF)(Houtekamer and Mitchell, 1998)和集合调整卡尔曼滤波(EAKF)(Anderson，2001)，在单次同化产生分析初值的过程中通过集合的更新发展(即流依赖)考虑了部分模式约束，分析初值与模式协调，但是协调性不如4DVar.静态集合中集合的每个成员都不随模式积分，计算代价大大降低，比如EnOI(Oke et al., 2010)，由于集合不更新发展，分析初值与模式的协调性不如EnKF.
当集合成员数较少时，一方面由于集合离散度小会低估背景误差方差，从而模式背景场的权重增大，观测的权重减小，随着循环同化的不断进行，模式背景场的权重会越来越大，观测的权重会越来越小，即产生滤波发散(Anderson and Anderson, 1999；Hunt et al., 2007)，可采用covariance inflation对每个集合成员进行膨胀缓解该问题(Anderson and Anderson, 1999; Anderson，2009)，见式(10).另一方面会在模式格点之间、观测格点之间、模式与观测格点之间产生远距离的虚假相关，且B矩阵是不满秩的，无法求逆矩阵，可采用局地化缓解该问题，局地化的实质是将观测资料的影响控制在一定范围内，方法一是采用截断半径(cutoff radius)选择观测资料(Houtekamer and Mitchell, 1998)，方法二是将B矩阵与相关系数矩阵进行Schur乘积(Houtekamer and Mitchell, 2001).但是局地化会破坏分析场中的平衡关系(Mitchell et al., 2002；Lorenc，2003).
|
(10) |
例如，Zhang等(2007)采用集合同化方法在美国CM2.1模式中同化了海温和盐度的原始观测资料，Ham等(2014)在美国GEOS-5模式中同化了海温和盐度的原始观测资料、SST的分析资料、海表高度的卫星资料和海冰密集度的原始观测资料.Wu等(2018)在FGOALS-s2模式中同化了HadISST分析资料和EN4.1.1海温观测资料，采用EnOI和IAU结合的方法，分析增量由EnOI方法得到.
(6) 混合同化
混合同化方法是目前同化领域发展的前沿和趋势，是集合和变分相结合的同化方法.Hamil等(2000)将3DVar和EnKF相结合，B矩阵由静态的3DVar的B矩阵B3DVar和流依赖的B矩阵BEnKF进行线性组合得到，见式(11).Lorenc(2003)通过替换控制变量的方式将3DVar和EnKF进行混合.Wang等(2007)证明了上面两种混合方法是等价的.这类方法被资料同化和观测系统工作组(DAOS WG)正式命名为En3DVar.Zhang等(2009)仿照式(11)通过B矩阵的加权形式将4DVar和EnKF混合，仍然需要求解伴随模式，计算量非常大，见式(12)；Tian等(2008, 2011)提出POD-E4DVar和POD-En4DVar.这类方法被该工作组命名为En4DVar.还有一种利用集合样本的统计关系替代4DVar伴随模式的方法，能够大大降低4DVar的开发难度和计算量.Qiu等(2007)提出SVD-4DVar；Liu等(2008, 2009)提出结合4DVar和EnKF的En4DVar；Wang等(2010)提出DRP-4DVar，采用历史集合样本估计B矩阵，能大大降低计算量.这类方法被DAOS工作组统一命名为4DEnVar.
|
(11) |
|
(12) |
目前在耦合同化方法中极少有混合同化方法.考虑到计算代价和同化效果，混合同化方法中以历史集合样本的统计关系替代4DVar伴随模式的方法更加具有优势，比如DRP-4DVar，该方法已应用于FGOALS-g2模式新的初始化系统中(He et al., 2017).
1.1.2 非耦合同化非耦合同化是在单独分量模式中进行资料同化，未运行耦合模式，即未在耦合模式框架下进行同化，各分量的初值主要来自在观测或再分析强迫场下运行单独分量模式的结果或直接采用再分析资料，相比于耦合同化而言各个分量的初值之间是不协调的，在预测刚开始时误差会加速增长，从而降低预测技巧(Mulholland et al., 2015).
例如，欧洲ECMWF集成预报系统(IFS)的大气分量采用ERA-40再分析资料，海洋分量采用在ERA-40再分析资料的强迫下运行单独海洋模式的结果(Troccoli and Palmer, 2007).欧洲EC-EARTH模式的大气和陆面分量采用ERA-40和ERA-Interim再分析资料，海洋分量采用NEMOVAR-ORAS4再分析资料，海冰分量采用海洋-海冰模式受大气资料强迫的结果(Du et al., 2012).意大利CMCC-CM模式的海洋分量采用再分析资料(Bellucci et al., 2013).美国海洋陆地大气中心(COLA)的CFSv2-2011的大气、海冰和陆面分量采用CFSR再分析资料，海洋分量采用NEMOVAR再分析资料(Meehl et al., 2014a).美国CCSM4模式提交了两种初始化方法的预测结果，第一种方法中海洋和海冰分量采用海洋-海冰模式受大气资料强迫的结果(Yeager et al., 2012)；第二种方法中大气分量采用单独大气模式受观测SST和海冰强迫的结果，海洋分量采用在单独海洋模式利用EAKF方法同化原始海温和盐度观测并在EAKF同化得到的大气分析资料强迫下的结果，海冰分量采用海洋-海冰模式受大气资料强迫的结果(Karspeck et al., 2013, 2015).
1.2 弱耦合同化和强耦合同化耦合同化分为弱耦合同化和强耦合同化两大类.弱耦合同化是将同化独立地应用于耦合模式中的分量模式，在单次同化产生分析初值时未考虑跨圈层背景误差协方差，使得一个圈层的观测只能影响自身圈层，无法同时影响其他圈层，只能通过运行耦合模式即在耦合模式的约束下各分量之间相互影响.强耦合同化是将耦合模式作为一个整体，在单次同化产生分析初值时考虑了跨圈层背景误差协方差，使得一个圈层的观测能同时影响其他圈层(Penny et al., 2017；Lu et al., 2015a；Sluka et al., 2016).弱耦合同化中各圈层之间的信息传递只能通过耦合模式积分时的通量交换，而强耦合同化还可以通过同化分析时的跨圈层背景误差协方差实现传递.强耦合同化相比于弱耦合同化而言在同化相同观测资料时能提取更多的观测信息，更充分地利用观测资料，各个分量的分析初值之间更加平衡.
目前在年代际预测中普遍采用弱耦合同化，2.1.1小节中介绍的nudging、基于nudging的IAU、3DVar和集合同化方法的应用由于均未考虑跨圈层背景误差协方差都属于弱耦合同化，4DVar在日本CFES模式中的应用由于同化时将耦合模式作为了一个整体属于强耦合同化.nudging和基于nudging的IAU由于无法考虑跨圈层协方差不适用于强耦合同化.变分方法包含了背景误差协方差，集合同化方法可由集合样本估计背景误差协方差，当它们的背景误差协方差考虑跨圈层协方差时，即为强耦合同化，其中4DVar即使在同化窗口的初始时刻未考虑跨圈层背景误差协方差，通过耦合模式的切线性和伴随模式也能隐式产生跨圈层背景误差协方差(Penny et al., 2017).因此集合和变分方法既可适用于弱耦合同化，也可适用于强耦合同化，集合和变分结合的混合同化方法也都适用于二者.
在年代际预测中几乎还未采用强耦合同化，仅在日本的CFES模式中应用了基于4DVar的强耦合同化方法(Mochizuki et al., 2016)，这是因为强耦合同化在应用过程中非常具有挑战性(Lu et al., 2015a)，跨圈层背景误差协方差难以估计.由于地球各个圈层的时间尺度存在巨大差异，跨圈层背景误差协方差会被快过程变量的噪声所主导，尤其在集合同化方法中，有限个集合样本难以准确估计跨圈层背景误差协方差，协方差往往较小且噪声多，圈层之间易产生虚假相关而掩盖真实的观测信号，破坏分析场的质量.此外，由于在慢过程变量的观测中未包含快过程的变率信息，通过跨圈层背景误差协方差很难提高快过程变量的分析初值质量(Han et al., 2013).不同圈层之间的相关性在时间和空间上分布不均匀(Penny et al., 2017)，也增加了跨圈层背景误差协方差的估计难度.在跨圈层背景误差协方差的构建中已有少量研究，Liu等(2013)和Han等(2013)采用EAKF的集合样本直接构建大气和海洋分量之间的背景误差协方差，这种协方差是同时性的，Lu等(2015a)采用EnKF的集合样本构建时进一步提出不同分量的超前滞后相关和对观测进行时间方向上平均相结合的方法能更准确地估计跨圈层背景误差协方差，并提出跨分量局地化滤除圈层之间的虚假相关.
强耦合同化方法首先在一些简化的耦合模式中进行了尝试，例如Liu等(2013)、Han等(2013)和Lu等(2015a)基于简化耦合模式，采用集合同化方法，根据集合样本构建跨分量背景误差协方差；Smith等(2015)在简化耦合模式中采用4DVar，在内循环极小化代价函数过程中求解耦合模式的切线性和伴随模式.其后在完全耦合模式中也进行了探索，Lu等(2015b)将在简化耦合模式的应用(Lu et al., 2015a)扩展到完全耦合模式；Sluka等(2016)在中间复杂程度的耦合模式中采用局部集合变换卡尔曼滤波(LETKF)，根据集合样本构建跨圈层背景误差协方差，并将该方法扩展到了CFSv2业务系统中(Penny et al., 2017)；Laloyaux等(2016)在ECMWF耦合模式中采用4DVar方法进行了两次迭代，外循环为原耦合模式积分，内循环在求解切线性和伴随模式时并未将耦合模式作为一个整体，而是大气分量采用4DVar求解简化的单独大气分量模式的切线性和伴随模式、海洋分量采用3DVar得到各自的分析增量，在内循环中各分量仅考虑了自身的背景误差协方差，通过外循环实现圈层间的信息传递，属于准强耦合同化；Frolov等(2016)提出一种界面求解方法，认为海洋和大气之间的误差协方差在大部分区域(比如深海和自由大气之间)近似为0，仅考虑大气边界层和海洋混合层部分变量之间的协方差，在大气同化系统中同化大气以及与大气相关的海洋观测更新大气状态，在海洋同化系统中同化海洋以及与海洋相关的大气观测更新海洋状态，而这两个分量的同化系统是独立运行的，他们将该方法应用到了一个区域耦合模式中，采用En3DVar混合同化方法，背景误差协方差根据3DVar和集合估计的背景误差协方差进行线性组合，并在集合估计的背景误差协方差中提出一种跨圈层局地化方法；Sugiura等(2008)采用日本CFES模式建立了基于4DVar的强耦合同化系统，并应用到了年代际预测中(Mochizuki et al., 2016)，外循环为原耦合模式积分，内循环在计算切线性和伴随模式时将耦合模式作为了一个整体，但采用的是低分辨率的耦合模式.
1.3 按照其他角度划分 1.3.1 根据是否采用观测值本身划分根据在初始化时是否采用观测值本身可以分为完整观测初始化(full-field初始化)和观测距平初始化(anomaly初始化).full-field初始化指采用完整观测值进行初始化，anomaly初始化指采用观测距平值与模式气候态之和进行初始化(Schneider et al., 1999；Pierce et al., 2004).
目前国际上大约有三分之二的模式采用full-field初始化，包括BCC-CSM1.1、CanCM4、CCSM4、CFES、CFSv2-2011、CM2.1、CMCC-CM、CNRM-CM5、EC-EARTH、ECMWF-IFS、FGOALS-g2、GEOS-5、HadCM3模式，有三分之一的模式采用anomaly初始化，包括ECHAM5/MPI-OM、FGOALS-s2、HadCM3、IPSL-CM5A-LR、MIROC3m、MIROC4h、MIROC5、MPI-ESM-LR、MPI-ESM-MR、MRI-CGCM3模式.
1.3.2 根据初始化的资料划分根据初始化的资料可以分为采用原始观测资料和分析或再分析资料.大多数模式初始化时采用分析或再分析资料，虽然使用方便，但这些资料通常也包含模式运行的结果，如果产生这些资料的分量模式与耦合模式的对应分量模式不一致时，可能会产生不协调，对初始化效果产生一定的影响.少数模式初始化时采用原始观测资料，比如CFSv2-2011、CM2.1和GEOS-5模式.采用原始观测资料是最合理的，但是获取长时间全球完整原始观测资料非常困难，且处理起来非常繁琐.
1.3.3 根据初始化的分量划分根据初始化的分量可以分为海洋、海气、海气冰和海陆气冰初始化.
海洋初始化在年代际预测中必不可少.由于海水比热容大于陆地和大气，海洋温度变化比大气和陆地慢，上层海洋滞后于大气和陆地的时间大约为年代际尺度，深层海洋可达1000多年(Meehl et al., 2009)，因此大量热量会贮存在海洋里，并长期通过海气相互作用影响气候变化(Levitus et al., 2000).因此海洋初始化能将海洋的变率信息贮存在初值中，在预测时再慢慢释放出来，从而提高年代际预测的技巧.
海冰初始化也非常重要，一方面由于存在海冰区域的大气和海洋观测非常稀少，另一方面由于模式在预测时对海洋-海冰-大气之间状态的不协调非常敏感(Penny et al., 2017).然而目前国际上在年代际预测中对海冰分量进行初始化的模式非常少，仅CanCM4、CCSM4、CFSv2-2011、EC-EARTH和GEOS-5模式，而这些模式中仅CanCM4、CFSv2-2011和GEOS-5模式采用同化方法进行海冰初始化，CCSM4和EC-EARTH模式采用非同化方法.海冰同化存在很大的挑战性.首先是海冰同化和海洋同化对存在海冰的区域需要进行处理，比如CanCM4模式(Merryfield et al., 2013)对存在海冰的区域的海表盐度每3天(其他区域为180天)向观测气候值恢复1次，抑制由于海冰和SST同化带来的虚假盐度.CFSv2-2011(Saha et al., 2010)设定当观测SST高于275.3 K时，则海冰不存在；当观测海冰密集度大于15%时，则海冰密集度的背景场设为观测值；当观测海冰密集度小于15%时，则去除海冰密集度的背景场；当海冰密集度的观测资料有严重问题时(比如2009年5月1—13日)，则不进行海冰同化.其次是海冰观测资料非常稀少，尤其是海冰厚度和海冰移动(Merryfield et al., 2013; Saha et al., 2010)，海冰密集度从1979年开始有卫星观测资料，而海冰厚度从2003年以后才有卫星观测资料(例如CryoSat-2)，因此目前的海冰同化中仅同化了海冰密集度，能使得海冰密集度和海冰面积更接近观测，并能改进极地地区对主要气候型态和趋势的模拟(Saha et al., 2010)，而海冰厚度是未来进行海冰同化需要考虑的变量之一(Merryfield et al., 2013).
目前大多数模式仅进行了海洋初始化，部分模式进行了海气初始化(海洋和大气分量初始化)(CFES、CM2.1、ECMWF-IFS和HadCM3模式)、海气冰初始化(海洋、大气和海冰分量初始化)(CanCM4、CCSM4、GEOS-5模式)和海陆气冰初始化(海洋、陆面、大气和海冰分量初始化)(CFSv2-2011和EC-EARTH模式).Eyring等(2016)期待CMIP6中除了海洋分量之外有更多的分量参与初始化.
2 年代际预测的研究现状 2.1 年代际预测试验设计年代际预测试验是年代际预测的第二步，即采用第一步初始化产生的各分量初值起报耦合模式.在CMIP5的年代际预测试验中，2006年之前采用观测的外强迫，属于后报试验；2005年以后采用Representative Concentration Pathway 4.5(RCP4.5)估计的外强迫，属于预测试验.CMIP5的年代际预测试验包括两类(Taylor et al., 2012)：第1类是10年后报及预测试验，从1960年附近开始每5年起报1次，直到2005年；第2类是30年后报及预测试验，从1960、1980和2005年附近分别起报30年.CMIP5规定每组后报及预测试验的集合成员数至少为3个(Taylor et al., 2012)，集合产生方法主要有滞后平均预报(Lagged Average Forecast，简称LAF)、扰动方法、多组同化试验和同一月份的不同天.
LAF方法是指集合成员从预测起始年之前的不同状态进行起报，再对所有成员的预测结果进行集合平均(Hoffman and Kalnay, 1983).比如BCC-CSM1.1模式每5年起报的试验中有4个集合成员，分别从预测起始前1年的9月1日、11月1日、12月1日和预测起始年的1月1日起报；每年起报的试验有3个集合成员，分别从预测起始前1年的9月1日、11月1日和预测起始年的1月1日起报(Xin et al., 2013)；CFES模式有3个集合成员，分别从预测起始前1年的12月28日、12月30日和预测起始年的1月1日起报(Mochizuki et al., 2016)；HadCM3模式有4个集合成员，分别从每年3月1日、6月1日、9月1日和12月1日起报(Smith et al., 2007)；MIROC4h和MIROC5模式有3个集合成员，分别从预测起始前1年的7月1日、10月1日和预测起始年的1月1日起报(Tatebe et al., 2012)；FGOLAS-g2模式有3个集合成员，分别从预测起始前1年的9月1日、11月1日和预测起始年的1月1日起报(Wang et al., 2013).
扰动方法是指通过对初值扰动得到多个集合成员.比如EC-EARTH模式有5个集合成员，通过对大气和海洋的初值扰动得到(Du et al., 2012)；ECHAM5/MPI-OM模式的集合成员通过扰动大气水平混合系数得到(Matei et al., 2012)；GEOS-5模式有3个集合成员，其中1个集合成员来自同化试验，其他2个集合成员通过扰动第1个集合成员得到(Ham et al., 2014)；IPSL-CM5A-LR模式有3个集合成员，通过对初值无海冰覆盖格点的SST进行扰动得到(Swingedouw et al., 2013).
多组同化试验是指基于不同的背景场做多组同化试验，后报及预测试验的初值均来自这些同化试验.比如ECHAM5/MPI-OM模式的3个集合成员(Keenlyside et al., 2008)、MIROC3m模式的10个集合成员(Tatebe et al., 2012)、FGOALS-s2模式的3个集合成员(Wu et al., 2015)、CM2.1模式的10个集合成员(Yang et al., 2013)、CanCM4模式的10个集合成员(Merryfield et al., 2013).
也有模式在同一月份的不同天起报.比如CCSM4模式有10个集合成员，通过选取大气和陆面分量预测起始年1月份的不同天或者不同的20世纪历史模拟成员得到(Yeager et al., 2012)；CNRM-CM5模式有10个集合成员，通过随机选取大气分量预测起始年1月份的10天得到(Sanchez-Gomez et al., 2016).
CMIP5中大部分模式每隔5年起报，有3个集合成员，但是这样产生的样本数较少，存在取样误差，为了增加样本数，当时已经有部分模式每年起报、集合成员数大于3.CMIP6规定需要每年起报且至少有10个集合成员(Boer et al., 2016).不少研究指出增加样本数可以提高年代际预测水平(Wu et al., 2015；Kim et al., 2012；Hazeleger et al., 2013；Smith et al., 2013).
2.2 初始冲击问题初始冲击是年代际预测领域久未有效解决的挑战性问题，是指在预测前几年的模式迅速调整过程(Balmaseda et al., 2009)，通常由于模式气候态与观测气候态之间存在一定的偏差以及初始化方法性能限制引起的初值与模式之间不协调导致.当采用full-field初始化时，即在初始化时采用完整观测值，初值一般接近观测态，在预测时由于没有观测资料的束缚，在积分过程中会迅速向模式气候态漂移，即产生初始冲击.初始冲击会带来观测信息的衰减并破坏其有效传递，在一定程度上降低年代际预测技巧(Meehl et al., 2014a).目前缓解初始冲击问题有以下几种方法：
方法一是改进耦合模式，减少模式的系统偏差(Meehl et al., 2014a).该方法较难，开发周期长.
方法二是通量调整.将观测信息同化进模式后，对大气和海洋的热量传输分别进行垂直积分来诊断表面热通量不匹配的地方，通过人为添加热源和热汇使二者匹配.该方法的不足是这些人造的热源和热汇会对未来气候变化产生影响(Pierce et al., 2004).
方法三是偏差订正.传统方法是仿照季节预测进行经验性的后处理，认为偏差是预测时间的函数(ICPO，2011)，Kharin等(2012)发现当观测与预测趋势差别较大时，传统方法并不能有效消除偏差，提出在传统订正方法后再进一步订正趋势.Wang等(2013)提出一种动态偏差订正方法，在预测过程中根据同化试验的多年月平均分析增量进行订正.偏差订正方法存在以下缺陷：大多数采取后处理方式，订正不准确很容易抹去本来并不强的预测信号(Smith et al., 2007)；往往是线性去除偏差，未考虑气候态与异常之间的非线性关系(Kirtman，2013)；偏差是由过去有观测资料时段的后报试验计算得到，是否适用于未来还是一件很难确定的事情.
方法四是采用anomaly初始化方法，这样产生的初值往往接近模式的气候态，可以有效缓解初始冲击.该方法也有一定的缺陷：观测距平值与模式气候态在某些地区会存在不匹配(Meehl et al., 2014a；Magnusson et al., 2013)，仍然存在一定程度的初始冲击，需要进行偏差订正(Boer et al., 2016；Chikamoto et al., 2012).
方法五是发展初值与模式协调的初始化方法.目前国际上大部分初始化方法在单次同化产生分析初值的过程中未考虑模式约束，产生的分析初值与模式的协调性差，极少数模式采用4DVar方法产生的分析初值与模式的协调性好，但是耦合模式的伴随模式开发非常困难且计算量很大.He等(2017)采用DRP-4DVar这种既与模式协调又省时的四维集合变分混合同化方法，在预测时相比于FGOALS-g2模式原有简化3DVar的nudging初始化方法能有效缓解初始冲击(图 2)，这是因为DRP-4DVar初始化产生的分析初值与耦合模式更协调.
|
图 2 全球年平均近地面气温距平的时间序列(单位：℃).FGOALS-g2模式采用(a)基于简化3DVar的nudging初始化方法和(b)基于DRP-4DVar初始化方法的3个集合成员平均的后报试验.气候平均态为1961—1990年，黑线表示HadCRUT4观测，彩线表示10年后报试验(He et al., 2017) Fig. 2 Time series of annual global mean surface air temperature anomalies (Unit:℃). Three-member ensemble mean hindcasts by FGOALS-g2 initialized by(a)simplified 3DVar-based nudging method and (b) DRP-4DVar method. Climatology is 1961—1990. Black line stands for HadCRUT4 observation. Colored curves represent hindcasts (He et al., 2017) |
可预报性(predictability)是指物理系统可被预测出来的能力(ability to be predicted)，是物理系统自身的一种特点.可预报性一般采用预报(prognostic)的可预报性和诊断(diagnostic)的可预报性进行研究.预报的可预报性一般采用“理想模式”或者“理想集合”的方法，对耦合模式的初值进行扰动，从集合成员之间的离散度来判断，如果初值相差很小而经过一段时间模式积分后集合成员的离散度较大，则可预报性较低.诊断的可预报性研究一般采用统计方法分析观测或者模式输出结果，相比于预报的可预报性方法可以大大降低计算量(Boer et al., 2016; Kirtman，2013).
在太平洋，Grötzner等(1999)采用ECHAM3-LSG模式发现ENSO的可预报性可达2~3年.Newman(2007)和Alexander等(2008)采用多元经验模型发现ENSO和PDO的可预报性主要为1年左右.Branstator等(2012)将类比和多元线性回归方法应用于6个耦合模式，发现北太平洋的可预报性在4~10年.Meehl等(2010)采用CCSM3模式发现太平洋SST的年代际可预报性在20年以后外强迫的贡献占主导地位.Branstator等(2012)分析了CMIP5中12个耦合模式的结果，发现北太平洋初值的可预报性可达5年，外强迫的可预报性在6.5年后占主导地位.
在大西洋，Griffies和Bryan(1997)采用GFDL的耦合模式发现北大西洋SST的多年代际振荡、Collins和Sinha(2003)采用HadCM3模式发现温盐环流的可预报性可达10~20年.Collins等(2006)采用5个耦合模式发现AMOC和北大西洋上方气温的可预报性均为年际到年代际尺度.Persechino等(2013)采用IPSL-CM5A-LR模式发现AMOC的可预报性达到8年.Grötzner等(1999)采用ECHAM3-LSG模式发现北大西洋SST的可预报性达到10年.Pohlmann等(2004)采用ECHAM5/MPI-OM模式发现北大西洋SST的可预报性可达年代际至多年代际尺度，对流层低层的气温和降水的可预报性达到年代际尺度，然而海平面气压不存在年代际可预报性.Tziperman等(2008)将线性逆模型应用于CM2.1模式中发现北大西洋温盐环流的可预报性为5~10年.Branstator等(2012)将类比和多元线性回归方法应用于6个耦合模式，发现北大西洋的可预报性为5~19年.Teng等(2011)采用CCSM3模式发现AMOC来自初值的可预报性为10年左右，超过10年后，来自外强迫的可预报性起主导作用.Branstator等(2012)分析了CMIP5中12个耦合模式的结果，发现北大西洋初值的可预报性可达9年，外强迫的可预报性在8年后占主导地位.
2.4 年代际预测技巧预测技巧(skill)是通过后报试验(对过去有观测时段的预测)和在实时预测中与观测进行对比来进行评判，是指预测气候系统演变的能力(ability to predict)，主要依赖于模式性能、初值和外强迫的准确性(Boer et al., 2016；Kirtman，2013).预测技巧一般通过与参考试验相比来衡量预测的相对准确性，参考试验可以为20世纪历史模拟和持续性预报等(Wilks，2011)，20世纪历史模拟与后报试验的外强迫条件完全相同，但是20世纪历史模拟未经过初始化，持续性预报是一种统计预报，是指预测结果始终为初值的预测.下面主要阐述对全球平均近地面气温以及太平洋、大西洋和印度洋地区的年代际预测技巧的研究进展.
2.4.1 全球平均近地面气温的年代际预测技巧全球平均近地面气温的预测技巧主要来自外强迫(Van Oldenborgh et al., 2012)，主要原因是长期趋势的信号主要来自外强迫，但初值对叠加在趋势上的气候变率也有影响.Smith等(2007)采用HadCM3模式预测第1~9年每年的全球年平均近地面气温距平的后报水平都好于20世纪历史模拟，Doblas-Reyes等(2013)采用多模式集合平均预测第2~5年全球年平均近地面气温距平相比于20世纪历史模拟与观测更加接近(图 3a)，预测技巧来自外强迫和初始化.然而，Keenlyside等(2008)采用ECHAM5/MPI-OM模式发现全球10年平均近地面气温的后报相关系数不如20世纪历史模拟，高峰等(2012)采用BCC-CSM1.1模式、Wang等(2013)采用FGOALS-g2模式也得出类似的结论.这种考虑初值反而使全球平均近地面气温预测技巧降低的问题，其原因可能比较复杂，其中有一种可能就是其趋势因初值的影响反而变差.
|
图 3 预测第2~5年多模式集合平均的全球年平均近地面气温距平(a)和AMO指数(b)的时间序列(红色实线)和相应的未初始化试验的结果(红色虚线)，深灰和浅灰的垂直条分别表示观测正距平和负距平，其中观测进行了4年滑动平均(Doblas-Reyes et al., 2013) Fig. 3 Time series of multi-model ensemble mean predictions (red solid line) averaged over forecast lead times of 2—5 years and the corresponding uninitialized simulation of global mean surface air temperature anomalies (a) and AMO index (b). Observations are 4-year running means and are represented by dark (positive anomalies) and light (negative anomalies) grey vertical bars (Doblas-Reye et al., 2013) |
1998—2012年是全球平均近地面气温增暖的停滞时期，称为global warming hiatus(Medhaug et al., 2017)，而对hiatus的预测并不一致，Smith等(2007)认为在2009年以后会继续增暖，但是Keenlyside等(2008)认为并不会增暖，这是由于AMOC减弱能在一定程度上抑制全球变暖.Meehl和Teng(2012)采用CCSM4模式的后报试验相比于未初始化试验能更好地预测出hiatus，并与IPO(PDO扩展到整个太平洋)的负位相相对应.Guemas等(2013)采用EC-EARTH模式提前5年预测出了hiatus，认为是由于海洋吸收的热量增加导致.Meehl和Teng(2014)、Meehl等(2014b)采用CMIP5模式的后报试验的集合平均相比于其未初始化试验的集合平均也能较好地预测出hiatus.
2.4.2 太平洋的年代际预测技巧Keenlyside等(2008)采用ECHAM5/MPI-OM模式和Smith等(2010)采用HadCM3模式均发现热带东太平洋10年平均SST的后报水平好于20世纪历史模拟.Kim等(2012)分析了7个耦合模式以及多模式集合平均、Doblas-Reyes等(2013)分析了多模式集合平均发现副热带和热带西太平洋SST的后报水平高，Chikamoto等(2012)采用MIROC模式、Wu等(2015)采用FGOALS-s2模式也有类似的结论，预测技巧主要来自外强迫.Van Oldenborgh等(2012)采用多模式集合平均发现预测第2~5年和6~9年热带东西太平洋SST的预测水平较高，去除线性趋势后，热带东太平洋在预测第6~9年相比于持续性预报仍有预测技巧，说明热带东太平洋的预测技巧主要来自初始化，而热带西太平洋主要来自外强迫.因此目前对热带和副热带东西太平洋的SST有一定的预测技巧，但是对北太平洋SST的预测水平普遍较差.Ho等(2013)采用统计模式发现在西太平洋SST的预测技巧主要来自外强迫.Guemas等(2012)分析了几个模式对北太平洋SST预测变差的原因很可能是未预测出1963和1968年的两次SST暖事件.
在PDO的预测方面，Doblas-Reyes等(2013)发现预测第2~5年多模式集合平均的IPO指数与20世纪历史模拟差不多，4年平均的相关系数未通过显著性检验.Kim等(2012)发现7个耦合模式平均的预测4年平均的PDO指数的相关系数不如持续性预报，且后4个4年平均的相关系数未通过显著性检验(图 4b).Mochizuki等(2010, 2012)采用MIROC模式能较好预测出PDO，这是因为对北太平洋上层海温，尤其对黑潮-亲潮延伸体和副热带海洋锋面这两个PDO信号最强的区域有较好的预测水平.因此目前对PDO的预测水平普遍较差，只有极个别模式能较好地预测.
|
图 4 CMIP5单个模式集合平均(彩色实线)、多模式集合平均(带空心圆圈的黑色实线)和持续性预报(黑色长虚线)的预测4年平均的AMO指数(a)和PDO指数(b)与观测的相关系数.水平实(虚)线表示95%(90%)的置信水平(Kim et al., 2012) Fig. 4 Correlations of AMO (a) and PDO (b) index predicted by the ensemble mean of each CMIP5 model (colored line), multi-model ensemble mean (black solid line with hollow circle) and persistence (long black dashed line) as a function of lead time with observations. Solid (dashed) horizontal line represents 95% (90%) confidence level (Kim et al., 2012) |
Smith等(2010)采用HadCM3模式发现北大西洋5年平均SST的后报水平好于20世纪历史模拟.ECHAM5/MPI-OM模式对北大西洋10年平均SST的后报水平好于20世纪历史模拟，预测技巧主要来自AMOC的初始化(Keenlyside et al., 2008；Pohlmann et al., 2009；Matei et al., 2012)，Swingedouw等(2013)采用IPSL-CM5A-LR模式也得出类似的结论，但在热带大西洋后报变差，这主要是由于模式自身的缺陷(Keenlyside et al., 2008)，而20世纪历史模拟无法模拟出AMOC(Smith et al., 2012).Van Oldenborgh等(2012)采用多模式集合平均发现北大西洋SST在预测第2~5年和6~9年的后报水平较高，Ham等(2014)采用GEOS-5模式、Kim等(2012)分析了7个耦合模式也得出类似的结论，去除线性趋势后，北大西洋北部SST在预测第2~5年的后报水平相比于持续性预报仍有预测技巧，说明其预测技巧主要来自初始化.Wu等(2015)指出北大西洋SST的部分预测技巧来自AMO的初始化.Ho等(2013)采用统计模式发现在热带和中纬度大西洋部分地区的SST的预测技巧主要来自外强迫，而在北大西洋北部和南大西洋SST的预测技巧主要来自初值.
在AMO的预测方面，Doblas-Reyes等(2013)发现预测第2~5年多模式集合平均的后报AMO指数相比于20世纪历史模拟更加接近观测(图 3b)，预测技巧来自外强迫和初始化.Kim等(2012)发现多模式集合平均的预测4年平均的AMO指数的相关系数基本大于持续性预报，并大部分通过了显著性检验(图 4a).
2.4.4 印度洋的年代际预测技巧Keenlyside等(2008)采用ECHAM5/MPI-OM模式发现热带印度洋10年平均SST的后报水平好于20世纪历史模拟.Kim等(2012)发现7个耦合模式以及多模式集合平均在预测第2~5年和6~9年对印度洋SST的后报水平高，Van Oldenborgh等(2012)采用多模式集合平均发现印度洋SST在预测第2~5年和6~9年的后报水平比持续性预报高，但是去除线性趋势后，后报水平与持续性预报差不多，说明印度洋SST的预测技巧主要来自外强迫，Doblas-Reyes等(2013)、Guemas等(2012)和Wu等(2015)也得出类似的结论.在印度洋区域，Ho等(2013)采用统计模式发现印度洋SST的预测技巧主要来自外强迫.
3 总结与展望本文全面回顾了初始化方法和年代际预测的发展现状，前人已经进行了大量研究，取得了丰硕的成果，但是仍然存在一定的问题，针对这些问题，我们提出未来的发展趋势和挑战.
3.1 初始化问题在初始化方法上，大多数模式采用耦合同化方法，少数模式采用非耦合同化方法，存在的主要问题如下：
(1) 非耦合同化方法产生或提供的各圈层的初值之间存在不协调，会降低预测技巧；
(2) 用于年代际预测的耦合同化方法中，弱耦合同化为主流同化方法，没有考虑跨圈层的背景误差协方差，使得一个圈层的观测无法同时使其他圈层得益，观测资料得不到充分利用；
(3) 极个别模式采用强耦合同化，但其中跨圈层背景误差协方差的估计仍然存在问题，如何构造物理上合理的跨圈层背景误差协方差矩阵仍然是具有挑战性的课题；
(4) Nudging、IAU和3DVar是年代际预测中常用的弱耦合同化方法，其缺陷是在单次同化产生分析初值的过程中未考虑模式约束，分析初值与模式协调性差；
(5) 集合同化方法也是弱耦合同化方法之一.EnKF的背景误差协方差矩阵是流依赖的，分析初值与模式协调性好，但协调性不如4DVar；而EnOI采用静态集合，背景误差协方差矩阵不具有流依赖特征，分析初值与模式的协调性不如EnKF；
(6) 4DVar是极少采用的耦合同化方法，在单次同化产生分析初值的过程中考虑了模式约束，分析初值与模式协调性好，但是耦合模式的伴随模式开发非常困难且计算量很大；
(7) 四维集合变分混合同化方法能结合集合同化和4DVar的优势，分析初值与模式协调性好且计算量小，优势显著，近两年才得到了应用.
在初始化效果上，即使类似的初始化方法产生的结果会不一致.例如，Swingedouw等(2013)与Keenlyside等(2008)都只nudging了海洋SST，但在北大西洋0~700 m的海水热容量在初始化试验中表现截然不同，前者在近50年呈现与观测一致的上升趋势，而后者呈现下降趋势，这可能是因为后者对SST的恢复过强导致出现了非物理的热通量.
3.2 初始冲击问题大多数初始化方法产生的分析初值与模式协调性差，在预测时易产生初始冲击，采用full-field初始化方法时更加明显，目前的几种缓解方法都存在各自的问题：
(1) 改进耦合模式的方法难度大且开发周期长；
(2) 通量调整方法中人为添加的热源和热汇会对未来的气候变化产生影响；
(3) 偏差订正方法易抹去预测信号，往往未考虑气候态与异常之间的非线性关系，根据过去有观测资料时段的后报试验计算的偏差不能确定是否适用于未来；
(4) anomaly初始化方法中观测距平值与模式气候态在某些地区会存在不匹配；
(5) 采用四维集合变分混合同化方法产生的分析初值与模式协调性好，有效缓解了初始冲击.但是该方法目前仅应用到了耦合模式的海洋分量中，当对海洋分量的同化方法进一步改进或者考虑多圈层的耦合同化时，初始冲击问题是否依然缓解是需要继续研究的问题.
3.3 年代际预测问题(1) 采用不同模式和方法得出的可预报性差别较大，但是也有共性的结论.大西洋SST和AMOC的来自初值的可预报性主要在10年左右，太平洋SST、ENSO和PDO的来自初值的可预报性小于10年.
(2) 全球近地面气温的预测技巧主要来自外强迫，也有部分来自初始化，部分模式的年代际预测技巧不如20世纪历史模拟；对hiatus的预测存在不一致，部分模式和CMIP5模式集合平均能较好地预测出hiatus.大部分模式对北太平洋SST、PDO的预测水平差.北大西洋SST和AMO的预测技巧较高，主要来自外强迫和AMOC的初始化.印度洋SST的预测技巧较高，主要来自外强迫.
3.4 展望在初始化方面，大部分方法不能同时做到分析初值与模式协调性好且计算量小，而四维集合变分混合同化是目前唯一能同时做到的初始化方法，有较好的发展前景.耦合同化方法中大多数只进行了海洋分量的初始化，海冰分量的初始化存在较大的挑战性，即使进行了多圈层的初始化也只是将同化方法独立地应用于耦合模式的各个分量，属于弱耦合同化，而实际上地球系统的各个圈层之间是相互作用的，这在初值中体现为分量之间的协方差，考虑圈层之间协方差的强耦合同化来实现各分量初值之间的协调是未来初始化方法的重要发展方向.
在初始冲击方面，大多数缓解方法都存在一定的缺陷.当初值与模式协调时，初始冲击问题能有效缓解，然而考虑多圈层的弱耦合以及强耦合同化方法中的初始冲击问题需要进一步研究.
在年代际预测方面，由于PDO是海气相互作用的产物(Latif and Barnett, 1994，1996；Trenberth and Hurrell, 1994；Gu and Philander, 1997)，考虑海气之间协方差的强耦合同化方法在年代际预测中的应用将有可能提升对北太平洋年代际预测的水平.
Alexander M A, Matrosova L, Penland C, et al. 2008. Forecasting Pacific SSTs:Linear inverse model predictions of the PDO. Journal of Climate, 21(2): 385-402. |
Anderson J L, Anderson S L. 1999. A Monte Carlo implementation of the nonlinear filtering problem to produce ensemble assimilations and forecasts. Monthly Weather Review, 127(12): 2741-2758. DOI:10.1175/1520-0493(1999)127<2741:AMCIOT>2.0.CO;2 |
Anderson J L. 2001. An ensemble adjustment Kalman filter for data assimilation. Monthly Weather Review, 129(12): 2884-2903. DOI:10.1175/1520-0493(2001)129<2884:AEAKFF>2.0.CO;2 |
Anderson J L. 2009. Spatially and temporally varying adaptive covariance inflation for ensemble filters. Tellus A, 61(1): 72-83. DOI:10.1111/j.1600-0870.2008.00361.x |
Balmaseda M A, Alves O J, Arribas A, et al. 2009. Ocean initialization for seasonal forecasts. Oceanography, 22(3): 154-159. DOI:10.5670/oceanog.2009.73 |
Bellucci A, Gualdi S, Masina S, et al. 2013. Decadal climate predictions with a coupled OAGCM initialized with oceanic reanalyses. Climate Dynamics, 40(5-6): 1483-1497. DOI:10.1007/s00382-012-1468-z |
Bloom S C, Takacs L L, Da Silva A M, et al. 1996. Data assimilation using incremental analysis updates. Monthly Weather Review, 124(6): 1256-1271. DOI:10.1175/1520-0493(1996)124<1256:DAUIAU>2.0.CO;2 |
Boer G J, Smith D M, Cassou C, et al. 2016. The Decadal Climate Prediction Project (DCPP) contribution to CMIP6. Geoscientific Model Development, 9(10): 3751-3777. DOI:10.5194/gmd-9-3751-2016 |
Branstator G, Teng H Y, Meehl G A, et al. 2012. Systematic estimates of initial-value decadal predictability for six AOGCMs. Journal of Climate, 25(6): 1827-1846. DOI:10.1175/JCLI-D-11-00227.1 |
Chikamoto Y, Kimoto M, Ishii M, et al. 2012. Predictability of a stepwise shift in Pacific climate during the late 1990s in hindcast experiments using MIROC. Journal of the Meteorological Society of Japan. Ser. II, 90A: 1-21. DOI:10.2151/jmsj.2012-A01 |
Collins M, Sinha B. 2003. Predictability of decadal variations in the thermohaline circulation and climate. Geophysical Research Letters, 30(6): 1306. DOI:10.1029/2002GL016504 |
Collins M, Botzet M, Carril A F, et al. 2006. Interannual to decadal climate predictability in the North Atlantic:a multimodel-ensemble study. Journal of Climate, 19(7): 1195-1203. DOI:10.1175/JCLI3654.1 |
Cox P, Stephenson D. 2007. A changing climate for prediction. Science, 317(5835): 207-208. DOI:10.1126/science.1145956 |
Crawford B, Martinez R, Suga T. 2006. List of possible applications of decadal prediction. http://www.clivar.org/sites/default/files/documents/BenefitsDecadalPredictions.pdf
|
Delworth T L, Clark P U, Holland M, et al. 2008. The potential for abrupt change in the Atlantic Meridional Overturning Circulation.//Abrupt Climate Change. A report by the U.S. Climate Change Science Program and the Subcommittee on Global Change Research. Reston, VA: U.S. Geological Survey
|
Ding Y H, Wang Z Y, Sun Y. 2008. Inter-decadal variation of the summer precipitation in East China and its association with decreasing Asian summer monsoon. Part Ⅰ:Observed evidences. International Journal of Climatology, 28(9): 1139-1161. DOI:10.1002/joc.1615 |
Doblas-Reyes F J, Andreu-Burillo I, Chikamoto Y, et al. 2013. Initialized near-term regional climate change prediction. Nature Communications, 4: 1715. DOI:10.1038/ncomms2704 |
Du H, Doblas-Reyes F J, García-Serrano J, et al. 2012. Sensitivity of decadal predictions to the initial atmospheric and oceanic perturbations. Climate Dynamics, 39(7-8): 2013-2023. DOI:10.1007/s00382-011-1285-9 |
Eyring V, Bony S, Meehl G A, et al. 2016. Overview of the coupled model intercomparison project phase 6 (CMIP6) experimental design and organization. Geoscientific Model Development, 9(5): 1937-1958. DOI:10.5194/gmd-9-1937-2016 |
Frolov S, Bishop C H, Holt T, et al. 2016. Facilitating strongly coupled ocean-atmosphere data assimilation with an interface solver. Monthly Weather Review, 144(1): 3-20. DOI:10.1175/MWR-D-15-0041.1 |
Gao F, Xin X G, Wu T W. 2012. A study of the prediction of regional and global temperature on decadal time scale with BCC_CSM1.1 model. Chinese Journal of Atmospheric Sciences (in Chinese), 36(6): 1165-1179. |
Goswami B N, Madhusoodanan M S, Neema C P, et al. 2006. A physical mechanism for North Atlantic SST influence on the Indian summer monsoon. Geophysical Research Letters, 33(2): L02706. DOI:10.1029/2005GL024803 |
Griffies S M, Bryan K. 1997. Predictability of North Atlantic multidecadal climate variability. Science, 275(5297): 181-184. DOI:10.1126/science.275.5297.181 |
Grötzner A, Latif M, Timmermann A, et al. 1999. Interannual to decadal predictability in a coupled ocean-atmosphere general circulation model. Journal of Climate, 12(8): 2607-2624. DOI:10.1175/1520-0442(1999)012<2607:ITDPIA>2.0.CO;2 |
Gu D F, Philander S G H. 1997. Interdecadal climate fluctuations that depend on exchanges between the tropics and extratropics. Science, 275(5301): 805-807. DOI:10.1126/science.275.5301.805 |
Guemas V, Doblas-Reyes F J, Lienert F, et al. 2012. Identifying the causes of the poor decadal climate prediction skill over the North Pacific. Journal of Geophysical Research:Atmospheres, 117(D20): D20111. DOI:10.1029/2012JD018004 |
Guemas V, Doblas-Reyes F J, Andreu-Burillo I, et al. 2013. Retrospective prediction of the global warming slowdown in the past decade. Nature Climate Change, 3(7): 649-653. DOI:10.1038/nclimate1863 |
Guo D, Sun Z B. 2004. Relationships of winter North Pacific Oscillation anomalies with the East Asian winter monsoon and the weather and climate in China. Journal of Nanjing Institute of Meteorology (in Chinese), 27(4): 461-470. |
Ham Y G, Rienecker M M, Suarez M J, et al. 2014. Decadal prediction skill in the GEOS-5 forecast system. Climate Dynamics, 42(1-2): 1-20. DOI:10.1007/s00382-013-1858-x |
Hamill T M, Snyder C. 2000. A hybrid ensemble Kalman filter-3D variational analysis scheme. Monthly Weather Review, 128(8): 2905-2919. DOI:10.1175/1520-0493(2000)128<2905:AHEKFV>2.0.CO;2 |
Han G J, Wu X R, Zhang S Q, et al. 2013. Error covariance estimation for coupled data assimilation using a Lorenz atmosphere and a simple pycnocline ocean model. Journal of Climate, 26(24): 10218-10231. DOI:10.1175/JCLI-D-13-00236.1 |
Hartmann D L, Tank A M G K, Rusicucci M, et al. 2013. Observations: atmosphere and surface.//Climate Change 2013-the Physical Science Basis: Working Group I Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press.
|
Hazeleger W, Wouters B, Van Oldenborgh G J, et al. 2013. Predicting multiyear North Atlantic Ocean variability. Journal of Geophysical Research:Oceans, 118(3): 1087-1098. DOI:10.1002/jgrc.20117 |
He Y J, Wang B, Liu M M, et al. 2017. Reduction of initial shock in decadal predictions using a new initialization strategy. Geophysical Research Letters, 44(16): 8538-8547. DOI:10.1002/2017GL074028 |
Ho C K, Hawkins E, Shaffrey L, et al. 2013. Statistical decadal predictions for sea surface temperatures:a benchmark for dynamical GCM predictions. Climate Dynamics, 41(3-4): 917-935. DOI:10.1007/s00382-012-1531-9 |
Hoffman R N, Kalnay E. 1983. Lagged average forecasting, an alternative to Monte Carlo forecasting. Tellus A:Dynamic Meteorology and Oceanography, 35(2): 100-118. DOI:10.3402/tellusa.v35i2.11425 |
Hoke J E, Anthes R A. 1976. The initialization of numerical models by a dynamic-initialization technique. Monthly Weather Review, 104(12): 1551-1556. DOI:10.1175/1520-0493(1976)104<1551:TIONMB>2.0.CO;2 |
Houtekamer P L, Mitchell H L. 1998. Data assimilation using an ensemble Kalman filter technique. Monthly Weather Review, 126(3): 796-811. DOI:10.1175/1520-0493(1998)126<0796:DAUAEK>2.0.CO;2 |
Houtekamer P L, Mitchell H L. 2001. A sequential ensemble Kalman filter for atmospheric data assimilation. Monthly Weather Review, 129(1): 123-137. DOI:10.1175/1520-0493(2001)129<0123:ASEKFF>2.0.CO;2 |
Huang R H, Zhou L T. 2002. Research on the characteristics, formation mechanism and prediction of severe climatic disasters in China. Journal of Natural Disasters (in Chinese), 11(1): 1-9. |
Hunt B R, Kostelich E J, Szunyogh I. 2007. Efficient data assimilation for spatiotemporal chaos:A local ensemble transform Kalman filter. Physica D:Nonlinear Phenomena, 230(1-2): 112-126. DOI:10.1016/j.physd.2006.11.008 |
Hurrell J W, Van Loon H. 1997. Decadal variations in climate associated with the North Atlantic Oscillation.//Climatic Change at High Elevation Sites. Netherlands: Springer, 69-94.
|
Hurrell J W, Kushnir Y, Ottersen G, et al. 2003. The North Atlantic Oscillation: climatic significance and environmental impact. Geophysical Monograph Series, 134. Washington DC: American Geophysical Union.
|
Hurrell J W. 2005. North Atlantic oscillation.//Encyclopedia of World Climatology. Dordrecht: Springer, 536-539.
|
ICPO (International CLIVAR Project Office). 2011. Data and bias correction for decadal climate predictions, International CLIVAR Project Office, CLIVAR Publication Series No.150, p.6.http://eprints.soton.ac.uk/171975/1/ICPO150_Bias.pdf.
|
Karspeck A, Yeager S, Danabasoglu G, et al. 2015. An evaluation of experimental decadal predictions using CCSM4. Climate Dynamics, 44(3-4): 907-923. DOI:10.1007/s00382-014-2212-7 |
Karspeck A R, Yeager S, Danabasoglu G, et al. 2013. An ensemble adjustment Kalman filter for the CCSM4 ocean component. Journal of Climate, 26(19): 7392-7413. DOI:10.1175/JCLI-D-12-00402.1 |
Keenlyside N S, Latif M, Jungclaus J, et al. 2008. Advancing decadal-scale climate prediction in the North Atlantic sector. Nature, 453(7191): 84-88. DOI:10.1038/nature06921 |
Kharin V V, Boer G J, Merryfield W J, et al. 2012. Statistical adjustment of decadal predictions in a changing climate. Geophysical Research Letters, 39(19): L19705. DOI:10.1029/2012GL052647 |
Kim H M, Webster P J, Curry J A. 2012. Evaluation of short-term climate change prediction in multi-model CMIP5 decadal hindcasts. Geophysical Research Letters, 39(10): L10701. DOI:10.1029/2012GL051644 |
Kirtman B. 2013. Near-term climate change: projections and predictability.//Intergovernmental Panel on Climate Change. Climate Change 2013-the Physical Science Basis: Working Group I Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press, 953-1028.
|
Knight J R, Folland C K, Scaife A A. 2006. Climate impacts of the Atlantic multidecadal oscillation. Geophysical Research Letters, 33(17): L17706. DOI:10.1029/2006GL026242 |
Laloyaux P, Balmaseda M, Dee D, et al. 2016. A coupled data assimilation system for climate reanalysis. Quarterly Journal of the Royal Meteorological Society, 142(694): 65-78. DOI:10.1002/qj.2629 |
Latif M, Barnett T P. 1994. Causes of decadal climate variability over the North Pacific and North America. Science, 266(5185): 634-637. DOI:10.1126/science.266.5185.634 |
Latif M, Barnett T P. 1996. Decadal climate variability over the North Pacific and North America:Dynamics and predictability. Journal of Climate, 9(10): 2407-2423. DOI:10.1175/1520-0442(1996)009<2407:DCVOTN>2.0.CO;2 |
Lee T C K, Zwiers F W, Zhang X B, et al. 2006. Evidence of decadal climate prediction skill resulting from changes in anthropogenic forcing. Journal of Climate, 19(20): 5305-5318. DOI:10.1175/JCLI3912.1 |
Levitus S, Antonov J I, Boye T P, et al. 2000. Warming of the World Ocean. Science, 287(5461): 2225-2229. DOI:10.1126/science.287.5461.2225 |
Li S L, Bates G T. 2007. Influence of the Atlantic multidecadal oscillation on the winter climate of East China. Advances in Atmospheric Sciences, 24(1): 126-135. DOI:10.1007/s00376-007-0126-6 |
Liu C S, Xiao Q N, Wang B. 2008. An ensemble-based four-dimensional variational data assimilation scheme. Part Ⅰ:Technical formulation and preliminary test. Monthly Weather Review, 136(9): 3363-3373. DOI:10.1175/2008MWR2312.1 |
Liu C S, Xiao Q N, Wang B. 2009. An ensemble-based four-dimensional variational data assimilation scheme. Part Ⅱ:Observing system simulation experiments with Advanced Research WRF (ARW). Monthly Weather Review, 137(5): 1687-1704. DOI:10.1175/2008MWR2699.1 |
Liu Z Y, Wu S, Zhang S Q, et al. 2013. Ensemble data assimilation in a simple coupled climate model:The role of ocean-atmosphere interaction. Advances in Atmospheric Sciences, 30(5): 1235-1248. DOI:10.1007/s00376-013-2268-z |
Lorenc A C. 2003. The potential of the ensemble Kalman filter for NWP-a comparison with 4D-Var. Quarterly Journal of the Royal Meteorological Society, 129(595): 3183-3203. DOI:10.1256/qj.02.132 |
Lu F Y, Liu Z Y, Zhang S Q, et al. 2015a. Strongly coupled data assimilation using leading averaged coupled covariance (LACC). Part Ⅰ:Simple model study. Monthly Weather Review, 143(9): 3823-3837. DOI:10.1175/MWR-D-14-00322.1 |
Lu F Y, Liu Z Y, Zhang S Q, et al. 2015b. Strongly coupled data assimilation using leading averaged coupled covariance (LACC). Part Ⅱ:CGCM experiments. Monthly Weather Review, 143(11): 4645-4659. DOI:10.1175/MWR-D-15-0088.1 |
Lu R Y, Dong B W, Ding H. 2006. Impact of the Atlantic multidecadal oscillation on the Asian summer monsoon. Geophysical Research Letters, 33(24): L24701. DOI:10.1029/2006GL027655 |
Magnusson L, Alonso-Balmaseda M, Corti S, et al. 2013. Evaluation of forecast strategies for seasonal and decadal forecasts in presence of systematic model errors. Climate Dynamics, 41(9-10): 2393-2409. DOI:10.1007/s00382-012-1599-2 |
Mantua N J, Hare S R, Zhang Y, et al. 1997. A Pacific interdecadal climate oscillation with impacts on salmon production. Bulletin of the American Meteorological Society, 78(6): 1069-1080. DOI:10.1175/1520-0477(1997)078<1069:APICOW>2.0.CO;2 |
Matei D, Pohlmann H, Jungclaus J, et al. 2012. Two tales of initializing decadal climate prediction experiments with the ECHAM5/MPI-OM model. Journal of Climate, 25(24): 8502-8523. DOI:10.1175/JCLI-D-11-00633.1 |
Medhaug I, Stolpe M B, Fischer E M, et al. 2017. Reconciling controversies about the 'global warming hiatus'. Nature, 545(7652): 41-47. DOI:10.1038/nature22315 |
Meehl G A, Goddard L, Murphy J, et al. 2009. Decadal prediction:can it be skillful?. Bulletin of the American Meteorological Society, 90(10): 1467-1486. DOI:10.1175/2009BAMS2778.1 |
Meehl G A, Hu A X, Tebaldi C. 2010. Decadal prediction in the Pacific region. Journal of Climate, 23(11): 2959-2973. DOI:10.1175/2010JCLI3296.1 |
Meehl G A, Teng H Y. 2012. Case studies for initialized decadal hindcasts and predictions for the Pacific region. Geophysical Research Letters, 39(22): L22705. DOI:10.1029/2012GL053423 |
Meehl G A, Teng H Y. 2014. CMIP5 multi-model hindcasts for the mid-1970s shift and early 2000s hiatus and predictions for 2016-2035. Geophysical Research Letters, 41(5): 1711-1716. DOI:10.1002/2014GL059256 |
Meehl G A, Goddard L, Boer G, et al. 2014a. Decadal climate prediction:an update from the trenches. Bulletin of the American Meteorological Society, 95(2): 243-267. DOI:10.1175/BAMS-D-12-00241.1 |
Meehl G A, Teng H Y, Arblaster J M. 2014b. Climate model simulations of the observed early-2000s hiatus of global warming. Nature Climate Change, 4(10): 898-902. DOI:10.1038/nclimate2357 |
Merryfield W J, Lee W S, Boer G J, et al. 2013. The Canadian seasonal to interannual prediction system. Part Ⅰ:Models and initialization. Monthly Weather Review, 141(8): 2910-2945. DOI:10.1175/MWR-D-12-00216.1 |
Mitchell H L, Houtekamer P L, Pellerin G. 2002. Ensemble size, balance, and model-error representation in an ensemble Kalman filter. Monthly Weather Review, 130(11): 2791-2808. DOI:10.1175/1520-0493(2002)130<2791:ESBAME>2.0.CO;2 |
Mochizuki T, Ishii M, Kimoto M, et al. 2010. Pacific decadal oscillation hindcasts relevant to near-term climate prediction. Proceedings of the National Academy of Sciences of the United States of America, 107(5): 1833-1837. DOI:10.1073/pnas.0906531107 |
Mochizuki T, Chikamoto Y, Kimoto M, et al. 2012. Decadal prediction using a recent series of MIROC global climate models. Journal of the Meteorological Society of Japan. Ser. II, 90A: 373-383. DOI:10.2151/jmsj.2012-A22 |
Mochizuki T, Masuda S, Ishikawa Y, et al. 2016. Multiyear climate prediction with initialization based on 4D-Var data assimilation. Geophysical Research Letters, 43(8): 3903-3910. DOI:10.1002/2016GL067895 |
Mulholland D P, Laloyaux P, Haines K, et al. 2015. Origin and impact of initialization shocks in coupled atmosphere-ocean forecasts. Monthly Weather Review, 143(11): 4631-4644. DOI:10.1175/MWR-D-15-0076.1 |
Newman M. 2007. Interannual to decadal predictability of tropical and North Pacific sea surface temperatures. Journal of Climate, 20(11): 2333-2356. DOI:10.1175/JCLI4165.1 |
Nyamwanza A M, New M G, Fujisawa M, et al. 2017. Contributions of decadal climate information in agriculture and food systems in east and southern Africa. Climatic Change, 143(1-2): 115-128. DOI:10.1007/s10584-017-1990-4 |
Oke P R, Brassington G B, Griffin D A, et al. 2010. Ocean data assimilation:a case for ensemble optimal interpolation. Australian Meteorological and Oceanographic Journal, 59: 67-76. DOI:10.22499/2.5901.008 |
Osgood K E. 2008. Climate impacts on U.S. living marine resources: national marine fisheries service concerns, activities and needs. U.S. Department of Commerce, NOAA Technical Memorandum, NMFS-F/SPO-89, 118. https://repository.library.noaa.gov/view/noaa/488/noaa_488_DS1.pdf.
|
Parrish D F, Derber J C. 1992. The National Meteorological Center's spectral statistical-interpolation analysis system. Monthly Weather Review, 120(8): 1747-1763. DOI:10.1175/1520-0493(1992)120<1747:TNMCSS>2.0.CO;2 |
Penny S G, Akella S, Alves O, et al. 2017. Coupled data assimilation for integrated earth system analysis and prediction: goals, challenges, and recommendations. Geneva: World Meteorological Organization.
|
Persechino A, Mignot J, Swingedouw D, et al. 2013. Decadal predictability of the Atlantic meridional overturning circulation and climate in the IPSL-CM5A-LR model. Climate Dynamics, 40(9-10): 2359-2380. DOI:10.1007/s00382-012-1466-1 |
Pierce D W, Barnett T P, Tokmakian R, et al. 2004. The ACPI project, element 1:initializing a coupled climate model from observed conditions. Climatic Change, 62(1-3): 13-28. DOI:10.1023/B:CLIM.0000013676.42672.23 |
Pohlmann H, Botzet M, Latif M, et al. 2004. Estimating the decadal predictability of a coupled AOGCM. Journal of Climate, 17(22): 4463-4472. DOI:10.1175/3209.1 |
Pohlmann H, Jungclaus J H, Köhl A, et al. 2009. Initializing decadal climate predictions with the GECCO oceanic synthesis:effects on the North Atlantic. Journal of Climate, 22(14): 3926-3938. DOI:10.1175/2009JCLI2535.1 |
Power S, Tseitkin F, Mehta V, et al. 1999. Decadal climate variability in Australia during the twentieth century. International Journal of Climatology, 19(2): 169-184. DOI:10.1002/(SICI)1097-0088(199902)19:2<169::AID-JOC356>3.0.CO;2-Y |
Qiu C J, Zhang L, Shao A M. 2007. An explicit four-dimensional variational data assimilation method. Science in China Series D:Earth Sciences, 50(8): 1232-1240. DOI:10.1007/s11430-007-0050-8 |
Rogers J C. 1981. The north Pacific oscillation. Journal of Climatology, 1(1): 39-57. |
Saha S, Moorthi S, Pan H L, et al. 2010. The NCEP climate forecast system reanalysis. Bulletin of the American Meteorological Society, 91(8): 1015-1058. DOI:10.1175/2010BAMS3001.1 |
Sanchez-Gomez E, Cassou C, Ruprich-Robert Y, et al. 2016. Drift dynamics in a coupled model initialized for decadal forecasts. Climate Dynamics, 46(5-6): 1819-1840. DOI:10.1007/s00382-015-2678-y |
Schneider E K, Huang B H, Zhu Z X, et al. 1999. Ocean data assimilation, initialization, and predictions of ENSO with a coupled GCM. Monthly Weather Review, 127(6): 1187-1207. DOI:10.1175/1520-0493(1999)127<1187:ODAIAP>2.0.CO;2 |
Sluka T C, Penny S G, Kalnay E, et al. 2016. Assimilating atmospheric observations into the ocean using strongly coupled ensemble data assimilation. Geophysical Research Letters, 43(2): 752-759. DOI:10.1002/2015GL067238 |
Smith D M, Cusack S, Colman A W, et al. 2007. Improved surface temperature prediction for the coming decade from a global climate model. Science, 317(5839): 796-799. DOI:10.1126/science.1139540 |
Smith D M, Eade R, Dunstone N J, et al. 2010. Skilful multi-year predictions of Atlantic hurricane frequency. Nature Geoscience, 3(12): 846-849. DOI:10.1038/ngeo1004 |
Smith D M, Eade R, Pohlmann H. 2013. A comparison of full-field and anomaly initialization for seasonal to decadal climate prediction. Climate Dynamics, 41(11-12): 3325-3338. DOI:10.1007/s00382-013-1683-2 |
Smith D M, Scaife A A, Kirtman B P. 2012. What is the current state of scientific knowledge with regard to seasonal and decadal forecasting?. Environmental Research Letters, 7(1): 015602. DOI:10.1088/1748-9326/7/1/015602 |
Smith P J, Fowler A M, Lawless A S. 2015. Exploring strategies for coupled 4D-Var data assimilation using an idealised atmosphere-ocean model. Tellus A:Dynamic Meteorology and Oceanography, 67(1): 27025. DOI:10.3402/tellusa.v67.27025 |
Sugiura N, Awaji T, Masuda S, et al. 2008. Development of a four-dimensional variational coupled data assimilation system for enhanced analysis and prediction of seasonal to interannual climate variations. Journal of Geophysical Research:Oceans, 113(C10): C10017. DOI:10.1029/2008JC004741 |
Sutton R T, Hodson D L R. 2005. Atlantic Ocean forcing of North American and European summer climate. Science, 309(5731): 115-118. DOI:10.1126/science.1109496 |
Swingedouw D, Mignot J, Labetoulle S, et al. 2013. Initialisation and predictability of the AMOC over the last 50 years in a climate model. Climate Dynamics, 40(9-10): 2381-2399. DOI:10.1007/s00382-012-1516-8 |
Tatebe H, Ishii M, Mochizuki T, et al. 2012. The initialization of the MIROC climate models with hydrographic data assimilation for decadal prediction. Journal of the Meteorological Society of Japan. Ser. II, 90A: 275-294. DOI:10.2151/jmsj.2012-A14 |
Taylor K E, Stouffer R J, Meehl G A. 2012. An overview of CMIP5 and the experiment design. Bulletin of the American Meteorological Society, 93(4): 485-498. DOI:10.1175/BAMS-D-11-00094.1 |
Teng H Y, Branstator G, Meehl G A. 2011. Predictability of the Atlantic overturning circulation and associated surface patterns in two CCSM3 climate change ensemble experiments. Journal of Climate, 24(23): 6054-6076. DOI:10.1175/2011JCLI4207.1 |
Tian X J, Xie Z H, Dai A G. 2008. An ensemble-based explicit four-dimensional variational assimilation method. Journal of Geophysical Research:Atmospheres, 113(D21): D21124. DOI:10.1029/2008JD010358 |
Tian X J, Xie Z H, Sun Q. 2011. A POD-based ensemble four-dimensional variational assimilation method. Tellus A:Dynamic Meteorology and Oceanograph, 63(4): 805-816. DOI:10.1111/j.1600-0870.2011.00529.x |
Trenberth K E, Hurrell J W. 1994. Decadal atmosphere-ocean variations in the Pacific. Climate Dynamics, 9(6): 303-319. DOI:10.1007/BF00204745 |
Troccoli A, Palmer T N. 2007. Ensemble decadal predictions from analysed initial conditions. Philosophical Transactions of the Royal Society A:Mathematical, Physical and Engineering Sciences, 365(1857): 2179-2191. DOI:10.1098/rsta.2007.2079 |
Tziperman E, Zanna L, Penland C. 2008. Nonnormal thermohaline circulation dynamics in a coupled ocean-atmosphere GCM. Journal of Physical Oceanography, 38(3): 588-604. DOI:10.1175/2007JPO3769.1 |
Van Oldenborgh G J, Doblas-Reyes F J, Wouters B, et al. 2012. Decadal prediction skill in a multi-model ensemble. Climate Dynamics, 38(7-8): 1263-1280. DOI:10.1007/s00382-012-1313-4 |
Vera C, Barange M, Dube O P, et al. 2010. Needs assessment for climate information on decadal timescales and longer. Procedia Environmental Sciences, 1: 275-286. DOI:10.1016/j.proenv.2010.09.017 |
Wang B, Liu J J, Wang S D, et al. 2010. An economical approach to four-dimensional variational data assimilation. Advances in Atmospheric Sciences, 27(4): 715-727. DOI:10.1007/s00376-009-9122-3 |
Wang B, Liu M M, Yu Y Q, et al. 2013. Preliminary evaluations of FGOALS-g2 for decadal predictions. Advances in Atmospheric Sciences, 30(3): 674-683. DOI:10.1007/s00376-012-2084-x |
Wang X G, Snyder C, Hamill T M. 2007. On the theoretical equivalence of differently proposed ensemble-3DVAR hybrid analysis schemes. Monthly Weather Review, 135(1): 222-227. DOI:10.1175/MWR3282.1 |
Wang Y B, Shi N. 2001. Relation of North Atlantic Oscillation anomaly to China climate during 1951-1995. Journal of Nanjing Institute of Meteorology (in Chinese), 24(3): 315-322. |
Wei M, Li Q Q, Xin X G, et al. 2017. Improved decadal climate prediction in the North Atlantic using EnOI-assimilated initial condition. Science Bulletin, 62(16): 1142-1147. DOI:10.1016/j.scib.2017.08.012 |
Wilks D S. 2011. Statistical Methods in the Atmospheric Sciences. 3rd ed. Oxford: Elsevier: 183-197.
|
Wu B, Zhou T J. 2012. Prediction of decadal variability of sea surface temperature by a coupled global climate model FGOALS_gl developed in LASG/IAP. Chinese Science Bulletin, 57(19): 2453-2459. DOI:10.1007/s11434-012-5134-y |
Wu B, Chen X L, Song F F, et al. 2015. Initialized decadal predictions by LASG/IAP climate system model FGOALS-s2:evaluations of strengths and weaknesses. Advances in Meteorology, 2015: 904826. |
Wu B, Zhou T J, Zheng F. 2018. EnOI-IAU Initialization scheme designed for decadal climate prediction system IAP-DecPreS. Journal of Advances in Modeling Earth Systems, 10(2): 342-356. DOI:10.1002/2017MS001132 |
Xin X G, Wu T W, Zhang J. 2013. Introduction of CMIP5 experiments carried out with the climate system models of Beijing Climate Center. Advances in Climate Change Research, 4(1): 41-49. |
Yang X S, Rosati A, Zhang S Q, et al. 2013. A predictable AMO-like pattern in the GFDL fully coupled ensemble initialization and decadal forecasting system. Journal of Climate, 26(2): 650-661. |
Yeager S, Karspeck A, Danabasoglu G, et al. 2012. A decadal prediction case study:Late twentieth-century North Atlantic Ocean heat content. Journal of Climate, 25(15): 5173-5189. DOI:10.1175/JCLI-D-11-00595.1 |
Yu R C, Zhou T J. 2007. Seasonality and three-dimensional structure of interdecadal change in the East Asian monsoon. Journal of Climate, 20(21): 5344-5355. DOI:10.1175/2007JCLI1559.1 |
Zhang F Q, Zhang M, Hansen J A. 2009. Coupling ensemble Kalman filter with four-dimensional variational data assimilation. Advances in Atmospheric Sciences, 26(1): 1-8. |
Zhang R, Delworth T L. 2006. Impact of Atlantic multidecadal oscillations on India/Sahel rainfall and Atlantic hurricanes. Geophysical Research Letters, 33(17): L17712. DOI:10.1029/2006GL026267 |
Zhang S, Harrison M J, Rosati A, et al. 2007. System design and evaluation of coupled ensemble data assimilation for global oceanic climate studies. Monthly Weather Review, 135(10): 3541-3564. DOI:10.1175/MWR3466.1 |
Zhu Y M, Yang X Q. 2003. Relationships between Pacific Decadal Oscillation (PDO) and climate variabilities in China. Acta Meteorologica Sinica (in Chinese), 61(6): 641-654. |
高峰, 辛晓歌, 吴统文. 2012. BCC_CSM1.1对10年尺度全球及区域温度的预测研究. 大气科学, 36(6): 1165-1179. |
郭冬, 孙照渤. 2004. 冬季北太平洋涛动异常与东亚冬季风和我国天气气候的关系. 南京气象学院学报, 27(4): 461-470. DOI:10.3969/j.issn.1674-7097.2004.04.004 |
黄荣辉, 周连童. 2002. 我国重大气候灾害特征、形成机理和预测研究. 自然灾害学报, 11(1): 1-9. DOI:10.3969/j.issn.1004-4574.2002.01.001 |
王永波, 施能. 2001. 近45a冬季北大西洋涛动异常与我国气候的关系. 南京气象学院学报, 24(3): 315-322. DOI:10.3969/j.issn.1674-7097.2001.03.003 |
朱益民, 杨修群. 2003. 太平洋年代际振荡与中国气候变率的联系. 气象学报, 61(6): 641-654. |