气象学报  2018, Vol. 76 Issue (1): 32-46   PDF    
http://dx.doi.org/10.11676/qxxb2017.085
中国气象学会主办。
0

文章信息

徐敏, 罗连升, 程智, 段春锋. 2018.
XU Min, LUO Liansheng, CHENG Zhi, DUAN Chunfeng. 2018.
MRI-CGCM模式气候预测回报试验在东亚夏季的检验和降尺度订正
Verification and correction of hindcast in summer over East Asia based on MRI Coupled Ocean-atmosphere General Circulation Model
气象学报, 76(1): 32-46.
Acta Meteorologica Sinica, 76(1): 32-46.
http://dx.doi.org/10.11676/qxxb2017.085

文章历史

2016-05-25 收稿
2017-03-11 改回
MRI-CGCM模式气候预测回报试验在东亚夏季的检验和降尺度订正
徐敏, 罗连升, 程智, 段春锋     
安徽省气候中心, 合肥, 230031
摘要: 应用1979—2010年MRI-CGCM模式回报、NCEP/NCAR再分析数据和中国东部降水观测资料检验了模式对东亚夏季风的模拟能力,并利用模式500 hPa高度场回报资料建立了中国东部夏季降水的奇异值分解(SVD)降尺度模型。模式较好地模拟了亚洲季风区夏季降水的气候态,但模拟的季风环流偏弱、偏南,导致降水偏弱。模拟降水的方差明显偏小,且模拟降水的外部、内部方差比值低,模拟降水受模式初值影响较大。模式对长江雨型的模拟能力最高,华南雨型次之,华北雨型最低。模式对东亚夏季风第1模态的模拟能力明显高于第2模态。对于东亚夏季风第1模态,模式模拟出了西太平洋异常反气旋,但强度偏弱,且未模拟出中高纬度的日本海气旋、鄂霍次克海反气旋,导致长江中下游至日本南部降水偏弱。各时次模拟环流均能反映但低估了ENSO衰减、印度洋偏暖对西太平洋反气旋的增强作用。对于东亚夏季风第2模态,模式对西太平洋的“气旋-反气旋”结构有一定的模拟能力,但未模拟出贝加尔湖异常反气旋和东亚沿海异常气旋,导致中国东部“北少南多”雨型在模拟中完全遗漏。仅超前时间小于4个月的模拟降水能够反映ENSO发展对降水分布的作用。通过交叉检验选取左场时间系数可以提高降尺度模型的预测技巧,SVD降尺度模型在华南、江南、淮河、华北4个区域平均距平相关系数分别为0.20、0.23、0.18、0.02,明显高于模式直接输出。
关键词: MRI-CGCM     东亚夏季风     中国东部夏季降水     降尺度     奇异值分解    
Verification and correction of hindcast in summer over East Asia based on MRI Coupled Ocean-atmosphere General Circulation Model
XU Min, LUO Liansheng, CHENG Zhi, DUAN Chunfeng     
Climate Center of Anhui Province, Hefei 230031, China
Abstract: Based on the hindcast data of MRI-CGCM of Japan Meteorological Agency, the NCEP/NCAR reanalysis data and precipitation observations in eastern China during 1979-2010, the ability of MRI-CGCM to simulate the East Asian summer monsoon (EASM) is examined. The SVD downscaling method for predicting summer rainfall in eastern China is proposed. The MRI-CGCM can reasonably reproduce the climatological summer rainfall in the Asian monsoon region. However, the simulated monsoon circulation is weaker than observations and shifts southward, which leads to underestimation of the simulated rainfall. The variance of simulated precipitation is smaller than that of observations and the ratio of its external to internal variance is lower than that of 500 hPa height, which indicates that the simulation is obviously affected by the initial condition. The simulation skill for the summer rainfall anomaly pattern over the Changjiang River valley is the highest, followed by that in South China, and the skill for simulation of North China anomaly pattern is the lowest. The model ability to simulate EOF1 of the EASM is considerably higher than that for the EOF2 simulation. The MRI-CGCM can well simulate the western North Pacific anticyclone, but underestimates its intensity. The model can reflect the effects of ENSO decaying and Indian Ocean warming on rainfall anomalies, but these effects are underestimated. For the EOF2 of EASM, the MRI-CGCM can to a certain degree realistically simulate the cyclone-anticyclone structure over the western Pacific. Only those simulations at a four-month leading time can partially reflect ENSO developing effects on rainfall. Choosing the time coefficients of the 500 hPa-heights modes through cross-validation can improve the prediction skill. The average ACCs of the SVD downscaling method are 0.20, 0.23, 0.18, and 0.02 over South China, Jiangnan, Huaihe and North China, respectively, which are significantly higher than that from the hindcast.
Key words: MRI-CGCM     East Asian summer monsoon     Summer rainfall in East China     Downscaling     SVD    
1 引言

东亚夏季风是造成中国夏季气候异常的关键因素,旱涝灾害无不与夏季风强弱、进退有关。随着模式对季风模拟能力的提高,气候模式已成为气候预测的重要工具(丁一汇,2011)。Sperber等(2013)研究认为,CMIP5(Coupled Model Intercomparison Project Phase 5)模式对于东亚夏季风主要模态的模拟能力较CMIP3(Coupled Model Intercomparison Project Phase 3)模式有明显提高,但由于西北太平洋副热带高压(副高)的模拟误差,模式明显低估了长江中下游到日本南部的梅雨锋降水。Song等(2014)研究表明,多数CMIP5模式模拟的副高比观测偏弱、偏南,导致西太平洋—中国长江中下游到日本南部降水异常偶极子分布亦偏弱、偏南,但相对于CMIP3模式,由季风指数表征的东亚夏季风第1模态的模拟有很大改善,原因在于模式对印度洋—西太平洋反气旋(IO-WNPA)遥相关的模拟能力提高,该遥相关型对副高有明显的增强作用。也有研究对目前气候预测业务常用的气候模式进行了检验,BCC_CM、CFS模式对反映东亚夏季风进程的梅雨均有一定的模拟能力(司东等,2009Gao,et al,2011)。MRI-CGCM模式在业务中有着广泛应用,Rajendran等(2004)研究表明,MRI-CGCM模式可以模拟出东亚夏季风季节循环的气候态,但模拟的中国大陆夏季风爆发和峰值时间均比观测偏早。近年来,还有研究分析了不同分辨率对MRI模式模拟能力的影响,提高模式分辨率可以显著提高区域气候异常和气候事件的模拟水平(冯蕾等,2015李普曦等,2017)。综上所述,气候模式对于东亚夏季风的气候态和主要模态均有较高的模拟能力,但东亚夏季风是由多种模态组成的复杂系统,除了第1模态异常外,其他模态也会对气候产生显著影响(Wang,et al,2008),模式对这些模态的模拟能力如何需要进一步检验,以为气候预测提供更加全面的参考信息。

由于气候系统的非线性特性以及气候模式的分辨率、初始条件、物理过程等因素影响,当前气候模式对东亚夏季风的预测技巧较为有限,选取模拟技巧较高的大尺度环流场进行统计降尺度预测仍是提高气候预测准确率的有效途径。很多研究表明气候与大气环流异常之间的联系并不是局地的,而是表现为一定空间结构的遥相关型,如东亚-太平洋型、太平洋-日本型(Nitta,1987)、全球遥相关型(Ding,et al,2005)等。因此,基于模式预测环流、降水场的统计降尺度、误差订正方法得到广泛应用(Feddersen,et al,1999李芳等,2005Zhu,et al,2008贾小龙等,2010秦正坤等,2011)。奇异值分解(SVD)是分析降水与环流场耦合关系的有效方法,但由于资料的空间自由度一般远大于时间自由度,往往产生“虚假”的耦合模态,如何选择环流场模态建立降尺度预测模型也需进一步研究。

本研究检验了MRI-CGCM模式对夏季降水的气候态、主要模态及东亚夏季风前2个模态的模拟能力,并给出了中国东部夏季降水的SVD降尺度模型及检验。

2 资料和方法 2.1 资料

本研究检验的气候模式为日本气象厅MRI-CGCM模式(Yukimoto,et al,2000),该模式由大气环流模式AGCM(TL95,水平分辨率1.875°×1.875°,垂直方向分成40层)和海洋环流模式OGCM(水平分辨率在经向为1.0°,纬向为0.3°—1.0°,垂直方向分成50层)耦合而成。考虑到业务应用,选取该预测系统1979—2010年超前2个月以上的夏季回报试验,起报依次为1月31日(LM5,超前5个月)、2月15日(LM4)、3月2日(LM4)、17日(LM3)、4月1日(LM3)和16日(LM2)6个时次,每次起报包含5个样本,预测集合方案采用滞后平均法(LAF),检验其集合平均的模拟能力。回报试验资料的空间分辨率为2.5°×2.5°。

位势高度、风场实况为NCEP/NCAR再分析资料,格点降水实况为CMAP(CPC Merged Analysis of Precipitation)资料,空间分辨率均为2.5°×2.5°。站点降水实况为中国东部41.5°N以南、112°E以东290个气象站点的观测资料,并划分为华南、江南、淮河、华北4个区域(Chen,et al,2009),分别有56、97、65、72个站点(图 1)。

图 1 中国东部站点分布 (区域:华南21.5°—26.5°N,江南26.5°—31.5°N,淮河31.5°—36.5°N,华北36.5°—41.5°N) Figure 1 Station locations over eastern China (regions: South China 21.5°-26.5°N, Jiangnan 26.5°-31.5°N, Huaihe river region 31.5°-36.5°N, North China 36.5°-41.5°N)
2.2 降尺度方案

SVD用来分离两个变量场的耦合模态,使得成对的耦合模态对应的时间系数之间的协方差达最大、次大……。SVD降尺度模型建立步骤如下:

步骤1:SVD分解提取左、右场的耦合模态

(1)
(2)

式中,Xn×m1Yn×m2分别为左、右场,n为样本数,m1、m2为空间格点数,Ln×m1Rn×m2为时间系数矩阵,UmkVmk为特征向量矩阵,上标T表示转置。

步骤2:建立右场和左场时间系数的多元线性回归方程

(3)

式中,Ck×m2为最小二乘法拟合得到的回归系数矩阵。

步骤3:计算第n+1年左场的时间系数,利用回归方程计算得到右场

(4)
(5)

文中右场为中国东部290个站点的观测降水,左场为模式1月31日时次(LM5)模拟的平均500 hPa高度场,空间范围为EQ—60°N、60°—150°E,共925个格点。降水预测通过交叉检验计算得到,先从所有样本中取出1年作为检验样本,用其他样本建立降尺度模型,再计算检验样本的降水预测值,取遍其他样本重复以上步骤得预测降水序列。采用距平相关系数、气候预测业务PS评分对降水预测进行检验,距平相关系数(ACC)计算式为

(6)

式中,m为站点数,aijbij分别为第j年、第i个站点预测、观测降水距平百分率。

3 MRI-CGCM模式的模拟能力检验 3.1 气候态

亚洲季风区夏季降水有两条雨带,一条为亚洲低纬度的热带季风雨带,包括印度季风区、中国南海季风区,另一条为从中国长江中下游延伸至朝鲜半岛、日本南部的副热带季风雨带,强度明显弱于热带季风降水,印度西部、孟加拉湾、中国南海、菲律宾以东等强降水中心均位于热带季风区(图 2a)。这些强降水中心的形成与西高止山脉、青藏高原大地形作用及孟加拉湾、中国南海季风槽等环流系统有关。模式能较好地模拟季风区降水的总体分布,但模拟的孟加拉湾、中国南海强降水中心的位置偏西,同时低估了东亚季风区降水(图 2b)。

图 2 1982—2010年平均夏季日降水量(色阶,单位:mm/d)和850 hPa风场(风矢,单位:m/s) (a.观测,b.6时次模拟平均;红色线为5860 gpm等值线)及模拟与观测差异(c.降水和850 hPa风场,d.200 hPa风场和散度,色阶为散度,单位:10-6 m/s) Figure 2 Summer mean precipitation (shaded, unit: mm/d), 850 hPa winds (vectors, unit: m/s) (a. observations, b. 6 time mean simulations, the red line is the isohypse of 5860 gpm) and the differences between simulations and observations (c. precipitation and 850 hPa wind, d. 200 hPa winds and divergence. Shaded areas indicate divergence, unit: 10-6 m/s) during 1982-2010

从模拟与观测的差值场可以看出,850 hPa印度洋为气旋性环流异常,模拟的索马里越赤道气流偏弱,孟加拉湾、中国南海季风槽位置偏西,强降水中心随之西移。西太平洋亦为气旋性环流异常,模拟的西太平洋反气旋偏弱、偏南,其南侧的东南气流及西侧的西南气流偏弱,从而低估了菲律宾以东的强降水中心和东亚副热带季风降水(图 2c)。200 hPa亚洲中纬度为东风异常,模拟的西风急流偏弱,且自西向东分布着气旋-反气旋-气旋性异常,有利于西太平洋反气旋偏南。亚洲低纬度为西风异常,东风急流偏弱且分布着辐合(散)中心,分别与降水偏少(多)中心对应(图 2d)。总的来看,模式模拟的季风环流和降水明显偏弱。

3.2 降水年际变化 3.2.1 方差

亚洲季风区CMAP降水方差均大于1 mm/d,降水量大的区域方差亦大,印度西部、孟加拉湾、中国南海、菲律宾等强降水中心超过4 mm/d(图 3a)。模拟降水的方差分布与观测接近,但方差明显偏小,其中西太平洋、东亚季风区方差偏小显著(图 3b)。

图 3 1982—2010年夏季降水方差(a.观测,b.1月31日模拟;单位:mm/d)及模拟外部与内部方差的比值(c.降水,d.500 hPa高度) Figure 3 Summer precipitation variance (a. observation, b. simulations on 31 Jan, unit: mm/d) and the ratio between external and internal variances of simulations (c. precipitation, d. 500 hPa heights) during 1982-2010

热带大气的年际变率主要受ENSO等大气外强迫支配,而在副热带地区,即使海温异常通过罗斯贝波传播等机制对其气候产生影响,但由于大气内部变率占主导地位,副热带大气的季节可预报性也是相当有限的。一般用模拟的外部、内部方差分别反映大气外强迫的缓变过程和大气内部的随机过程对气候年际变率的作用。外部方差为某时次模拟的集合平均相对于该时次多年模拟平均的方差,内部方差为某时次各成员相对该时次集合平均的方差,外部、内部方差的比值可用来衡量模式模拟性能和气候要素的可预报性(Yang,et al, 1998Kang,et al,2004)。图 3c为1月31日(LM5)模拟降水的外部、内部方差比值,仅赤道海洋、印度半岛外部方差大于内部方差(最大位于赤道中太平洋,比值大于6),其他地区的外部方差小于内部方差,且纬度越高外部方差所占比重越小,中国大陆仅为0.2—0.3。以上分析说明赤道太平洋降水主要受到海温强迫作用,可预报性较高,而其他地区大气内部过程占主导地位,不同成员的降水模拟离散度高,受初值影响大。降水的模拟技巧不仅取决于模式对环流的模拟能力,还要受到模式降水参数化方案及复杂地形的影响,因此降水的模拟难度远高于对环流的模拟。模拟500 hPa高度场的外部、内部方差比值明显扩大(图 3d),外部方差大于内部方差的范围扩展至15°S—25°N,说明模式对500 hPa高度场具有更高的模拟技巧,为利用大尺度环流进行降尺度降水预测提供了条件。

3.2.2 降水模态

将6个时次模拟、CMAP降水进行Common经验正交函数(EOF)分解(Barnett,1999Feng,et al,2014),本文简称为CEOF。之所以采用CEOF是因为当降水资料的空间自由度远大于时间自由度时,除了EOF分解第1模态(EOF1),很难确定模拟、观测降水各自EOF分解所得模态的对应关系。CEOF的做法是将6个时次模拟、CMAP降水资料按顺序排放扩大样本数,空间格点数不变,然后再进行EOF分解,这样模拟、CMAP降水的模态相同,而主成分CPCs(Common Principal Components)不同。

图 4可以看到,东亚季风区夏季降水EOF1为“偶极子”分布——西太平洋少雨、中国东部多雨,850 hPa风场西太平洋为强盛反气旋;EOF第2模态(EOF2)也是西太平洋少雨,但中国东部多雨范围缩小,西太平洋反气旋偏北、偏东,从日本海经中国东部延伸至华南为低槽,并在华南形成气旋性环流造成华南多雨;EOF分解第3模态(EOF3)为“三极子”分布——华南沿海及中国北方多雨、长江中下游少雨,主雨带位于华北,对应850 hPa风场华东沿海伸向长江中下游为异常反气旋。EOF1—3分别对应中国东部的长江、华南、华北雨型。

图 4 1982—2010年观测的夏季850 hPa风场、降水在观测降水CPCs上的回归(a.CMAP-CPC1,b.CMAP-CPC2,c.CMAP-CPC3;色阶、黑色风矢分别表示降水、风场达90%显著水平)及模拟、CMAP降水的CPCs(d.CPC1,e.CPC2,f.CPC3) Figure 4 Observed summer 850-hPa winds and precipitation regressed on the CPCs of CMAP data (a. CMAP-CPC1, b. CMAP-CPC2, c. CMAP-CPC3; Shaded and black vectors indicate the 90% confidence level for precipitation and winds, respectively) and CPCs (d. CPC1, e. CPC2, f. CPC3) of 6 time simulated precipitation and CMAP precipitation during 1982-2010

CMAP降水前3个模态累计方差贡献为35.8%,6个时次模拟降水的方差贡献与CMAP接近,为32%—37%。具体到各模态,除EOF1方差贡献接近外,模式明显低估了EOF2方差贡献,高估了EOF3方差贡献。从模拟、CMAP降水CPCs之间的相关来看,各时次模拟与CMAP降水CPC1的相关系数均超过了0.48,达99%显著水平;CPC2相关性降低,仅4月1日时次达90%显著水平;CPC3相关更弱,说明模式对长江雨型的模拟能力最高,华南雨型次之,华北雨型最低。

表 1 CMAP、模拟降水CPCs的方差贡献及相关系数 Table 1 Variances and correlation coefficients of CPCs
时次 CPC1 CPC2 CPC3
方差贡献 相关系数 方差贡献 相关系数 方差贡献 相关系数
CMAP 14.5 15.1 6.2
0131 18.4 0.59 4.3 -0.09 10.0 -0.03
0215 19.0 0.50 3.9 0.16 8.4 -0.22
0302 14.8 0.71 4.5 0.31 12.9 0.10
0317 17.9 0.64 2.7 0.21 9.9 0.37
0401 16.6 0.55 4.6 0.51 15.9 -0.12
0416 18.8 0.48 4.9 0.27 13.5 0.06
注:斜体表示达90%显著水平。
3.3 季风环流

东亚夏季风由不同的模态组成。除了大尺度环流因素以外,降水还要受到地形等局地因素的影响,因此,用降水模态表征夏季风模态是不全面的。采用多要素经验正交函数(MVEOF)(Wang,et al,2008)对降水、海平面气压、850 hPa纬(经)向风等4个要素进行分解,得到东亚夏季风的主要模态,再将观测、模拟的850 hPa风场、降水在前2个模态上投影得到主成分,然后计算主成分之间的相关(图 5)。东亚夏季风前2个模态的方差贡献分别为22.5%、10.6%。模式对东亚夏季风第1模态(MVEOF1)模拟能力较高,各时次模拟、观测纬向风PC之间的相关系数超过0.60,经向风、降水为0.50—0.60。模式对东亚夏季风第2模态(MVEOF2)的模拟能力明显下降,尤其是经向风、降水的相关和方差明显减小。选择模拟效果较好的3月17日时次(LM3)比较模拟、观测的东亚夏季风模态及对海温强迫的响应差异。

图 5 1982—2010年模拟、观测的850 hPa风场、降水在东亚夏季风前2个模态上主成分的相关系数 (a.PC1,b.PC2) Figure 5 The correlation coefficients between PCs of simulated and observed 850 hPa winds and precipitation over the first two leading EOFs of East Asia summer monsoon during 1982-2010 (a. PC1, b. PC2)
3.3.1 第1模态

图 6为观测和模拟的降水、环流、海温场在东亚夏季风PC1上的回归。观测MVEOF1最显著特征是850 hPa风场西太平洋为强盛反气旋,其南侧从赤道中太平洋延伸一直到印度半岛为异常东风,孟加拉湾、中国南海季风槽减弱,中高纬度乌拉尔山和鄂霍次克海为异常反气旋,日本海为异常气旋,东亚形成经向“+-+”遥相关型。冷暖空气频繁在中国长江中下游到日本南部交汇导致多雨,西太平洋热带对流活动受到抑制造成少雨(图 6a)。

图 6 1982—2010年观测(a、c、e)和3月17日时次模拟(b、d、f)的夏季降水、环流、海温在东亚夏季风PC1上的回归 (a、b.降水和850 hPa风场,“A”、“C”表示反气旋、气旋;c、d.200 hPa高度和风场;e、f.海温;色阶、风矢区表示达90%显著水平) Figure 6 Observed (a, c, e) and simulated on 17 Mar (b, d, f) summer precipitation, circulations and SST regressed on the leading PC of the East Asia summer monsoon during 1982-2010 (a, b. precipitation and 850 hPa winds, "A" and "C" represent anticyclone and cyclone; c, d. 200 hPa height and winds; e, f. SST; Shaded and black vectors indicate the 90% confidence level respectively)

MVEOF1对应的海温异常分布为印度洋偏暖、赤道中太平洋偏冷(图 6e)。Wang等(2000)研究认为,夏季西太平洋反气旋增强与厄尔尼诺事件衰减有关。可以看到,200 hPa高度场赤道印度洋两侧为显著正相关,与Matsuno-Gill型类似(图 6c),赤道印度洋为异常多雨。Yang等(2007)研究认为印度洋变暖、降水增多,降水潜热释放激发东传的开尔文波,从而形成Matsuno-Gill型。200 hPa风场亚洲低纬度为异常西风并在西太平洋沿20°N附近产生强烈辐合。由此可见,200 hPa风场异常实际上反映了印度洋变暖对西太平洋反气旋的增强作用。Song等(2014)将此过程称为印度洋-西太平洋反气旋遥相关(IO-WPAC)。以上分析表明,赤道中太平洋降温,印度洋变暖均有利于西太平洋反气旋增强,导致东亚夏季风第1模态异常。

模式较好地模拟了850 hPa西太平洋反气旋,但强度偏弱,也未能模拟出日本海异常气旋和鄂霍次克海异常反气旋,导致模拟的中国东部至日本南部的降水偏弱(图 6b)。模拟的200 hPa高度场与PC1正相关分布亦呈Matsuno-Gill型,西太平洋对流层高层为风速辐合,对西太平洋反气旋有增强作用(图 6d)。由此可见,模拟能够反映但低估了ENSO衰减、印度洋增暖对西太平洋反气旋的增强作用。观测降水在东亚夏季风第1模态上的分量与前期秋冬季Nino3.4海温指数呈显著正相关,春季相关减弱,夏季为负相关,而与IOBW(Indian Ocean Basin-Wide mode)海温指数为稳定的正相关,夏季相关达最大。各时次模拟的东亚夏季风第1模态降水与Nino3.4、IOBW海温指数相关的演变与观测接近,说明模式亦能模拟ENSO衰减、印度洋变暖对第1模态降水异常的作用(图 7)。

图 7 1982—2010年观测、模拟降水在东亚夏季风第1模态的分量与Nino3.4(a)、IOBW(b)海温指数的超前滞后相关 Figure 7 Lead-lag correlation coefficients of the leading PCs of the observed and simulated precipitation on the MVEOF1 with Nino3.4 (a) and IOBW (b) during 1982-2010

很多研究利用季风的热力、动力特征定义季风指数以反映季风强弱,如西北太平洋季风指数WNPMI(Wang,et al,2001)、东亚夏季风指数EASMI(张庆云等,2003)等。东亚夏季风PC1与WNPMI、EASMI的相关系数分别为0.96、0.92,说明WNPMI、EASMI均反映了东亚夏季风第1模态的变化。模式对季风指数有较高的模拟能力,6个时次模拟与观测的WNPMI的相关系数分别为0.68、0.73、0.76、0.77、0.77、0.74,EASMI为0.59、0.57、0.56、0.58、0.68、0.65,相关系数与模式超前时间的长短无明显关系。

3.3.2 第2模态

图 8为观测和模拟的降水、环流、海温在东亚夏季风PC2上的回归。MVEOF2对应海温异常为赤道中东太平洋明显变暖(图 8e),对流活动增强,西太平洋反气旋偏北(图 8a)。200 hPa亚洲低纬度为异常西风,强度明显弱于MVEOF1,同时200 hPa高度场无显著正相关,对流层高层对西太平洋反气旋增强不明显。对流层高层亚洲中纬度(30°—50°N)自西向东为“-+-”的距平波列,亚洲西部的异常气旋说明印度季风偏弱,为波作用之源,其向东传播导致东亚沿海异常气旋发展,有利于西太平洋反气旋偏东(图 8c)。这样在赤道中东太平洋异常加热和南亚季风的共同作用下,西太平洋反气旋偏北偏东、东亚沿海维持异常气旋(Wu,et al,2003),贝加尔湖南部异常反气旋东侧的东北气流向南延伸,中国东部为东北风异常,季风偏弱,造成华北(南)降水偏少(多)。

图 8 说明同图 6,但为东亚夏季风第2模态PC2 Figure 8 Same as Fig. 6 but for the second PC

模拟的赤道中太平洋变暖偏弱且位置偏西(图 8f)。模式较好地模拟出了赤道太平洋850 hPa异常西风,对西太平洋南北向的“气旋-反气旋”结构也有一定模拟能力,但对造成中国东部“北旱南涝”的主要环流系统——贝加尔湖异常反气旋和东亚沿海异常气旋的模拟效果较差(图 8b)。观测降水在东亚夏季风第2模态的分量与前期秋冬季Nino3.4海温指数相关很弱,春季起相关增强并在夏季达最高,而与IOBW海温指数相关一直较弱(图 9),说明东亚夏季风第2模态降水分布仅反映了ENSO发展对夏季降水的影响。不同时次模拟降水在东亚夏季风第2模态的降水分量与Nino3.4海温指数的相关系数演变差异较大,其中1月31日(LM5)、2月15日(LM4)、3月2日(LM4)时次相关很弱,即ENSO发展对夏季降水的作用仅在超前时间小于4个月的模拟中得到反映。

图 9 说明同图 7,但为第2模态 Figure 9 Same as Fig. 7 but for the second PC on the MVEOF2
4 中国东部夏季降水的SVD降尺度模型 4.1 SVD降尺度模型在夏季降水预测中的可行性

图 10为NCEP 500 hPa高度场与降水场SVD的前2对耦合模态(分解前先对高度场、降水场进行EOF滤波,保留前20个模态)。SVD1、2方差贡献分别为23.7%、14.8%,累积方差贡献为38.5%。可以看到,SVD1、2左场分别与东亚夏季风第1、2模态的环流特征相似(图 6a8a),左场时间系数与东亚夏季风PC1、PC2的相关系数分别为0.75、0.53,对应右场分别为江淮、华南多雨,与东亚夏季风第1、2模态的降水分布也较为接近。由此可见,SVD耦合模态反映了东亚夏季风前2个模态异常对中国东部降水分布的影响。

图 10 1979—2008年夏季500 hPa高度场与中国东部降水SVD1(a、c、e)、SVD2(b、d、f)耦合模态的异类相关 (a、b.500 hPa高度场,风矢为850 hPa风场在左场时间系数上的回归;c、d.降水;e、f.时间系数;色阶、风矢区表示达90%显著水平,右上角数字分别表示方差贡献和相关系数) Figure 10 Heterogeneous correlation patterns and time coefficients of the first (a, c, e) and second (b, d, f) pairs of SVD between summer precipitation and 500 hPa heights during 1979-2008 (a, b. 500 hPa heights, vectors represent 850 hPa winds regressed on the time coefficient of 500 hPa heights; c, d. precipitation; e, f. time coefficients. Shaded and black vectors indicate statistically significant at the 90% confidence level. The numbers on the top-right of the panels represent variance and correlation coefficient, respectively)

首先建立NCEP降尺度模型(左场为NCEP 500 hPa高度场)。需要注意的是,当资料的空间自由度远大于时间自由度时,SVD模态包含了大气的随机变化以使得耦合模态的解释方差最大(Feddersen,et al,1999),因此高估了左、右奇异向量之间的相关性。采用交叉检验方法对左、右场时间系数的相关性作进一步检验,先从样本中取出1年作为检验样本,对其他样本进行SVD分解得到左、右场的特征向量,再计算检验样本在特征向量上的投影得到该样本的时间系数,对其他样本重复上述过程,即得交叉检验的时间系数序列。交叉检验的左、右场时间系数的相关性明显减弱(图 11a),依次选取前1—20个模态的左场时间系数重复建立降尺度模型。可以看到,随着入选方程的左场时间系数增加,距平相关系数并不是一直增大。当交叉检验的时间系数为正(负)相关时,该模态对模型的预测技巧有正(负)贡献。按此标准,挑选8个左场时间系数建立降尺度模型,中国东部夏季降水30年平均距平相关系数接近0.20,明显高于未经交叉检验挑选左场时间系数的降尺度模型。

图 11 SVD模态左、右场时间系数的相关系数及截取不同左场时间系数个数时SVD降尺度模型1979—2008年平均距平相关系数(ACC) (a. NCEP,b. TCC;*表示选择的左场时间系数个数) Figure 11 Correlation coefficients between time coefficients of SVD modes and mean ACC of SVD downscaling by selecting different numbers of left time coefficients during 1979-2008 (a. NCEP, b. TCC; "*"represents the numbers of left time coefficients selected through cross-validated)

图 12ab分别为模拟降水、NCEP降尺度预测降水与观测的时间相关系数。可以看到,模拟降水仅在江南有显著正相关,其他地区的相关很弱。华南、江南、淮河、华北4个区域的相关系数分别为-0.13、0.36、0.16、-0.14,30年平均距平相关系数为-0.02、0.15、0.09,-0.04,中国东部平均距平相关系数为0.03。NCEP降尺度预测降水的相关系数明显提高,相关系数分别为0.60、0.10、0.52、0.09,平均距平相关系数为0.24、0.14、0.26、0.09。除了江南以外,其他区域的时间相关系数、距平相关系数均比模拟明显提高。由于耦合模态对各区域的影响显著程度不同,降尺度模型的预测技巧在不同区域有明显差异,例如SVD1、2左场对江南降水影响均不明显,异类相关在江南地区均未达显著水平(图 10cd),导致降尺度模型对江南降水的预测技巧较低。

图 12 1979—2008年模拟(a)、降尺度预测降水(b.NCEP,c.TCC)与观测的时间相关系数 (色阶表示相关系数达90%显著水平,红色等值线表示相关系数为0.2) Figure 12 Time correlation coefficients of observed summer precipitation with simulated (a) and downscaled (b. NCEP, c. TCC) precipitation during 1979-2008 (Shaded represents statistically significant at the 90% confidence level, and red line is the isohypse of 0.2)
4.2 降尺度模型及预报性来源

利用模拟500 hPa高度场建立降尺度模型(简称为TCC)。因为模拟高度场的方差贡献集中,EOF滤波时只保留前10个模态。依次选取1—10个左场时间系数重复建立降尺度模型,交叉检验得到的左、右场时间系数的相关性亦明显减弱(图 11b),挑选5个正相关的左场时间系数建立降尺度模型。TCC降尺度预测降水与观测的相关系数分布与NCEP降尺度模型相似(图 12c),中国东部30年平均距平相关系数达0.18,4个区域平均距平相关系数分别为0.20、0.23、0.18、0.02,比模拟提高了0.22、0.08、0.09、0.06,PS评分提高了11.2、3.8、5.5、5.4分。模拟耦合模态的左场PC1、PC2与观测PC1的相关系数分别为0.45、0.61,与EASMI的相关系数为-0.36、-0.27,说明模拟SVD1、2左场均反映了东亚夏季风第1模态对降水分布的影响。由此可见,SVD降尺度模型的降水预测技巧主要来源于模式对东亚夏季风第1模态的模拟能力。

2012—2014年独立检验结果表明,NCEP降尺度模型4个区域平均距平相关系数为0.29、0.15、0.08、0.46,仍有很高的预测技巧。而TCC降尺度模型的预测技巧明显下降,4个区域平均距平相关系数为0.08、0.16、0.09、-0.14。检验发现,模拟500 hPa高度场在亚洲中纬度有明显的线性升高趋势,与观测相差较大,去除线性趋势后模拟SVD1左场(图略)与观测更加接近,左场时间系数与观测PC1的相关系数达0.62。由此可见,模拟500 hPa高度场的线性趋势误差影响了左、右场耦合关系的稳定性,从而降低了模型的预测技巧。

5 结论和讨论

应用1979—2010年日本气象厅MRI-CGCM模式回报、NCEP/NCAR再分析数据、中国东部站点降水观测资料检验了MRI-CGCM模式对东亚夏季风的模拟能力,并利用模拟500 hPa高度场建立了中国东部夏季降水的SVD降尺度预测模型。

(1) 模式较好地模拟了亚洲季风区夏季降水的气候态,但由于模拟的季风环流偏弱,导致模拟的降水亦偏弱。

(2) 模拟降水方差明显小于观测。在东亚季风区,模拟降水的外部方差明显小于内部方差,模拟降水受模式初值的影响大,而500 hPa高度场外部方差大于内部方差的范围明显扩大,模拟技巧更高。

(3) 观测、模拟降水CEOF前3个模态分别对应长江、华南和华北雨型,模式对长江雨型的模拟能力最高,华南雨型次之,华北雨型最低。

(4) 模式对东亚夏季风第1模态有较高的模拟能力,模拟出了西太平洋异常反气旋,但强度偏弱,且未模拟出中高纬度的日本海气旋、鄂霍次克海反气旋,导致长江中下游到日本南部模拟降水偏弱。模拟环流能够反映但低估了ENSO衰减、印度洋偏暖对西太平洋反气旋的增强作用。各时次模拟降水均能反映ENSO衰减、印度洋变暖对第1模态降水异常的作用。

(5) 对于东亚夏季风第2模态,模式对西太平洋“气旋-反气旋”结构有一定模拟能力,反映了ENSO发展对西太平洋反气旋的作用。由于模式未模拟出贝加尔湖异常反气旋和东亚沿海异常气旋,导致中国东部“北少南多”降水分布在模拟中完全遗漏。ENSO发展对东亚夏季风第2模态降水异常分布的作用仅在超前时间小于4个月的模拟中得到反映。

(6) 通过交叉检验选取左场时间系数进入降尺度模型提高了降水预测技巧。SVD降尺度模型在华南、江南、淮河、华北区域平均距平相关系数为0.20、0.23、0.18、0.02,比模式提高了0.22、0.08、0.09、0.06,PS评分为73.2、73.8、72.4、66.9,比模式提高了4—12分。SVD降尺度模型的预测技巧主要来源于模式对东亚夏季风第1模态的模拟能力。

参考文献
丁一汇. 2011. 季节气候预测的进展和前景. 气象科技进展, 1(3): 14–27. Ding Y H. 2011. Progress and prospects of seasonal climate prediction. Adv Meteor Sci Technol, 1(3): 14–27. (in Chinese)
冯蕾, 周天军. 2015. 高分辨率MRI模式对青藏高原夏季降水及水汽输送通量的模拟. 大气科学, 39(2): 385–396. Feng L, Zhou T J. 2015. Simulation of summer precipitation and associated water vapor transport over the Tibetan Plateau by Meteorological Research Institute Model. Chinese J Atmos Sci, 39(2): 385–396. (in Chinese)
贾小龙, 陈丽娟, 李维京, 等. 2010. BP-CCA方法用于中国冬季温度和降水的可预报性研究和降尺度季节预测. 气象学报, 68(3): 398–410. Jia X L, Chen L J, Li W J, et al. 2010. Statistical downscaling based on BP-CCA:Predictability and application to the winter temperature and precipitation in China. Acta Meteor Sinica, 68(3): 398–410. DOI:10.11676/qxxb2010.039 (in Chinese)
李芳, 林中达, 左瑞亭, 等. 2005. 基于经验正交函数和奇异值分解对东亚季风区跨季度夏季降水距平的订正方法. 气候与环境研究, 10(3): 658–668. Li F, Lin Z D, Zuo R T, et al. 2005. The methods for correcting the summer precipitation anomaly predicted extraseasonally over East Asian monsoon region based on EOF and SVD. Climatic Environ Res, 10(3): 658–668. (in Chinese)
李普曦, 周天军, 邹立维, 等. 2017. MRI模式对华南春雨气候态及年际变率的模拟:不同模式分辨率的比较. 大气科学, 41(3): 515–532. Li P X, Zhou T J, Zou L W, et al. 2017. Simulation of climatology and interannual variability of spring persistent rains by MRI model:Comparison of different horizontal resolutions. Chinese J Atmos Sci, 41(3): 515–532. (in Chinese)
秦正坤, 林朝晖, 陈红, 等. 2011. 基于EOF/SVD的短期气候预测误差订正方法及其应用. 气象学报, 69(2): 289–296. Qin Z K, Lin Z H, Chen H, et al. 2011. The bias correction methods based on the EOF/SVD for short-term climate prediction and their applications. Acta Meteor Sinica, 69(2): 289–296. DOI:10.11676/qxxb2011.024 (in Chinese)
司东, 丁一汇, 柳艳菊. 2009. 全球海气耦合模式(BCC_CM10)对江淮梅雨降水预报的检验. 气象学报, 67(6): 947–960. Si D, Ding Y H, Liu Y J. 2009. Evaluation of Meiyu prediction in the Yangtze-Huaihe region by coupled Ocean-Atmosphere General Circulation Model (BCC_CM10). Acta Meteor Sinica, 67(6): 947–960. DOI:10.11676/qxxb2009.092 (in Chinese)
张庆云, 陶诗言, 陈烈庭. 2003. 东亚夏季风指数的年际变化与东亚大气环流. 气象学报, 61(4): 559–568. Zhang Q Y, Tao S Y, Chen L T. 2003. The inter-annual variability of East Asian summer monsoon indices and its association with the pattern of general circulation over East Asia. Acta Meteor Sinica, 61(4): 559–568. (in Chinese)
Barnett T P. 1999. Comparison of near-surface air temperature variability in 11 Coupled Global Climate Models. J Climate, 12(2): 511–518. DOI:10.1175/1520-0442(1999)012<0511:CONSAT>2.0.CO;2
Chen L J, Chen D L, Wang H J, et al. 2009. Regionalization of precipitation regimes in China. Atmos Oceanic Sci Lett, 2(5): 301–307. DOI:10.1080/16742834.2009.11446818
Ding Q H, Wang B. 2005. Circumglobal teleconnection in the Northern Hemisphere summer. J Climate, 18(17): 3483–3505. DOI:10.1175/JCLI3473.1
Feddersen H, Navarra A, Ward M N. 1999. Reduction of model systematic error by statistical correction for dynamical seasonal predictions. J Climate, 12(7): 1974–1989. DOI:10.1175/1520-0442(1999)012<1974:ROMSEB>2.0.CO;2
Feng J M, Wei T, Dong W J, et al. 2014. CMIP5/AMIP GCM simulations of East Asian summer monsoon. Adv Atmos Sci, 31(4): 836–850. DOI:10.1007/s00376-013-3131-y
Gao H, Yang S, Kumar A, et al. 2011. Variations of the East Asian Mei-Yu and simulation and prediction by the NCEP Climate Forecast System. J Climate, 24(1): 94–108. DOI:10.1175/2010JCLI3540.1
Kang I S, Lee J Y, Park C K. 2004. Potential predictability of summer mean precipitation in a dynamical seasonal prediction system with systematic error correction. J Climate, 17(4): 834–844. DOI:10.1175/1520-0442(2004)017<0834:PPOSMP>2.0.CO;2
Nitta T. 1987. Convective activities in the tropical western Pacific and their impact on the Northern Hemisphere summer circulation. J Meteor Soc Japan, 65(3): 373–390. DOI:10.2151/jmsj1965.65.3_373
Rajendran K, Kitoh A, Yukimoto S. 2004. South and East Asian summer monsoon climate and variation in the MRI Coupled Model (MRI-CGCM2). J Climate, 17(4): 763–782. DOI:10.1175/1520-0442(2004)017<0763:SAEASM>2.0.CO;2
Song F F, Zhou T J. 2014. Interannual variability of East Asian summer monsoon simulated by CMIP3 and CMIP5 AGCMs:Skill dependence on Indian Ocean-Western Pacific Anticyclone Teleconnection. J Climate, 27(4): 1679–1697. DOI:10.1175/JCLI-D-13-00248.1
Sperber K R, Annamalai H, Kang I S, et al. 2013. The Asian summer monsoon:An intercomparison of CMIP5 vs. CMIP3 simulations of the late 20th century. Climate Dyn, 41(9-10): 2711–2744.
Wang B, Wu R G, Fu X H. 2000. Pacific-East Asian Teleconnection:How does ENSO affect East Asian climate?. J Climate, 13(9): 1517–1536. DOI:10.1175/1520-0442(2000)013<1517:PEATHD>2.0.CO;2
Wang B, Wu R G, Lau K M. 2001. Interannual variability of the Asian summer monsoon:Contrasts between the Indian and the Western North Pacific-East Asian monsoon. J Climate, 14(20): 4073–4090. DOI:10.1175/1520-0442(2001)014<4073:IVOTAS>2.0.CO;2
Wang B, Wu Z W, Li J P, et al. 2008. How to measure the strength of the East Asian summer monsoon. J Climate, 21(17): 4449–4463. DOI:10.1175/2008JCLI2183.1
Wu R G, Hu Z Z, Kirtman B P. 2003. Evolution of ENSO-related rainfall anomalies in East Asia. J Climate, 16(22): 3742–3758. DOI:10.1175/1520-0442(2003)016<3742:EOERAI>2.0.CO;2
Yang J L, Liu Q Y, Xie S P, et al. 2007. Impact of the Indian Ocean SST basin mode on the Asian summer monsoon. Geophys Res Lett, 34(2): L02708.
Yang X Q, Anderson J L, Stern W F. 1998. Reproducible forced modes in AGCM ensemble integrations and potential predictability of atmospheric seasonal variations in the extratropics. J Climate, 11(11): 2942–2959. DOI:10.1175/1520-0442(1998)011<2942:RFMIAE>2.0.CO;2
Yukimoto S, Noda A, Kitoh A, et al. 2000. The new meteorological research institute coupled GCM (MRI-CGCM2):Model climate and variability. Papers Meteor Geophys, 51(2): 47–88.
Zhu C W, Park C K, Lee W S, et al. 2008. Statistical downscaling for Multi-Model Ensemble Prediction of summer monsoon rainfall in the Asia-Pacific region using geopotential height field. Adv Atmos Sci, 25(5): 867–884. DOI:10.1007/s00376-008-0867-x