中国气象学会主办。
文章信息
- 姜大膀, 司东, 郎咸梅. 2020.
- JIANG Dabang, SI Dong, LANG Xianmei. 2020.
- 大样本初始化十年际预测试验(CESM-DPLE)对东亚夏季气候预测的评估
- Evaluation of summer climate prediction over East Asia by Large Ensemble CESM Initialized Decadal Prediction(CESM-DPLE) Project
- 气象学报, 78(3): 379-390.
- Acta Meteorologica Sinica, 78(3): 379-390.
- http://dx.doi.org/10.11676/qxxb2020.033
文章历史
-
2019-09-06 收稿
2020-02-24 改回
2. 中国科学院青藏高原地球科学卓越创新中心,北京,100101;
3. 中国科学院大学,北京,100049
2. CAS Center for Excellence in Tibetan Plateau Earth Sciences,Beijing 100101,China;
3. University of Chinese Academy of Sciences,Beijing 100049,China
近期气候预测主要使用全球海-气耦合模式,对未来1—10年乃至30年的气候进行动力数值预测(Hurrell,et al,2009),这一研究方向在近十几年取得了长足发展。第5次耦合模式比较计划(CMIP5)的核心任务之一就是开展大规模的数值试验,系统评估初始化和外强迫在十年际和年代际气候预测中的作用。CMIP5多模式试验揭示,十年际和年代际气候预测同时受到初始场和外强迫条件的综合影响;动力预测系统对不同变量有一定的预测技巧,具备应用的潜力;但也突出了一些亟需解决的问题,例如构建更准确且高效的初始化方案,以便进一步提升预测水平(Smith,et al,2007;Keenlyside,et al,2008;Meehl,et al,2009,2014a;Pohlmann,et al,2009;Fyfe,et al,2011;Kirtman,et al,2013)。鉴于近期气候预测的重要性,世界气候研究计划(WCRP)将其列为气候研究领域面临的重大挑战之一,第6次耦合模式比较计划(CMIP6)亦专门设计了一系列近期气候预测试验(Boer,et al,2016)。
以往工作表明,采用观测资料初始化的气候模式在近期气候预测方面表现出比无初始化模式更高的预测性能。例如:包含海洋初始化的气候模式在温度预测上有更高的预测技巧,预测的1983—2002年全球温度变化与观测更加接近,尤其是更好地预测了20世纪90年代后期全球变暖趋缓(Smith,et al,2007);初始化后的气候模式对北大西洋和热带太平洋海表温度(SST)的预测技巧显著提高,能刻画近年来大西洋经向翻转环流的减弱(Keenlyside,et al,2008;Pohlmann,et al,2009);而且,初始化亦可以提高气候模式对太平洋和全球其他海域海表温度的预测性能(Karspeck,et al,2015),预测的太平洋海表温度变化与观测更为接近(Meehl,et al,2009,2014a)。
东亚气候复杂多变,影响因素众多,不同时间尺度上的气候预测工作一直是气象学前沿和难点(Wang,et al,2015)。例如,20世纪90年代以来,科研人员相继使用大气模式进行了季节尺度中国气候预测(曾庆存等,1990;王会军,1997;Zeng,et al,1997;郎咸梅等,2004),采用海-气耦合模式开展了厄尔尼诺-南方涛动(ENSO)短期预测(Zhou,et al,2001),利用通用气候系统模式(CCSM4)构建了一个动力预测系统并执行了短期气候预测试验(Ma,et al,2015)。与此同时,基于大气模式和海-气耦合模式的第一代国家级短期气候预测系统建成(丁一汇等,2004;李清泉等,2004;李维京等,2005);物理统计和动力降尺度预测方法在实际气候预测中亦得到广泛使用并取得了较好效果(Zhu,et al,2008;Lang,et al,2010,2011;Liu,et al,2013;任宏利等,2014;徐敏等,2018)。总体上,以往中国气候预测工作主要集中在季节尺度上,有关更长时间尺度的研究工作很少。在中国国家气候中心BCC_CSM1.1模式的十年际气候预测试验中,初始化使得预测的中低纬度海表温度和全球陆地气温更加准确(高峰等,2012);另外,不同的海洋初始化方案对中国科学院大气物理研究所FGOALS模式预测的全球海表温度技巧有影响(吴波等,2017)。
需要指出的是,十年际和年代际气候预测试验需要大量计算资源,相应的试验样本数总体有限。例如,CMIP6十年际气候预测计划(DCPP)第1阶段试验包含了一组10个样本的初始化集合回报试验,1960—2019年(60 a)每年起报,每次预测5 a,试验共计3000模式年(Boer,et al,2016)。如果想进一步检验模式十年际尺度的预测技巧,就至少再延长回报时间至10 a,那么需要的计算资源就要加倍,达6000模式年。另外,回报试验需要更多的样本数,这样才可以通过集合平均的方法将不同样本的共有信息提取出来(Boer,et al,2013)。事实上,通常标准的10个试验样本数是不够的(Sienz,et al,2016),但是考虑到计算资源的实际限制,一般选取10个样本。
最近,美国国家大气研究中心(NCAR)使用通用地球系统模式(CESM),完成了一套包含海洋初始化的大样本集合十年际气候预测试验(CESM-DPLE)。该试验包含40个集合样本,涵盖1954—2015年共计62 a,从每一年的11月1日起报,预测122个月。CESM-DPLE提供每日4次、逐日、逐月、逐年多时间尺度的预测资料,包含大气、海洋、陆面、海冰4个分量模式多个要素的预测产品,并于2018年正式发布了试验数据。CESM-DPLE试验集合样本数的增加使得基于概率密度分布方法的样本统计更加精确,事实上该试验的目的之一就是确定CESM能否预测出高温热浪、寒潮、洪涝等极端事件的概率分布变化;同时,集合样本数的增加进一步提高了以天气和气候过程为研究对象的采样精度,能更加深入地理解近期气候预测中的关键机制。另外,CESM-DPLE大样本试验还适于研究外强迫的驱动作用和气候内部变率对十年际气候预测的影响,评估初始化的作用(Yeager,et al,2018)。近期,已有科研工作检验了CESM-DPLE对全球海表温度和热带纬向风场的预测能力(Yeager,et al,2018)。鉴于这套全新的大样本预测试验对东亚夏季气候的预测技巧还不清楚,有必要对其进行系统的评估,量化给出预测的性能,以便为气候预测研究和实际业务提供科学参考。
2 模式、试验和资料 2.1 CESM1.1模式通用地球系统模式CESM1.1由大气、海洋、海冰和陆面4个模块组成,通过耦合器实现分量模式间的耦合(Hurrell,et al,2013)。大气模式是CAM5.2,水平分辨率近1°,垂直方向有30层。海洋模式是POP2,水平分辨率平均约为1°,越靠近赤道越精细;垂直方向有60层。海冰模式为CICE4,分辨率与POP2相同。陆面模式是CLM4,水平分辨率与大气模式一致。CESM1.1是通用气候系统模式(CCSM4)的后续版本,两者对东亚冬季和夏季气候的基本态、年际(田芝平等,2012,2013;张冬峰等,2015)和年代际变化(赵天保等,2018;王欢等,2019)均有合理的模拟能力。
2.2 CESM-DPLE试验在CESM-DPLE试验中,海洋和海冰的初值源自海洋模式FOSI模拟的海洋和海冰场。FOSI在观测的海洋和海冰数据CORE(Coordinated Ocean-Ice Reference Experiment)驱动下,模拟1954—2015年的海洋和海冰场,供CESM-DPLE初始化使用。第一代CORE驱动数据存在一个缺陷,即热带太平洋纬向海温梯度明显弱于观测,导致FOSI模拟的热带太平洋海气系统出现偏差。为改进这一缺陷,CESM-DPLE采用了第二代CORE数据来驱动FOSI,用其模拟的海洋和海冰场作为初值进行预测试验(Yeager,et al,2018)。大气和陆面的初值来自CESM1.1的20世纪历史试验数据,模拟时段为1850—2015年,其中1850—2005年采用观测的CO2、CH4、太阳辐射和火山爆发等外强迫来驱动模式,2006—2015年采用RCP8.5 (Representative Concentration Pathway 8.5)排放情景来驱动模式。
CESM-DPLE试验针对1954—2015年,从每一年的11月1日起报,预测122个月,每一次预测通过增加大气初始场的小扰动产生40个样本,但都使用相同的观测外强迫以及海洋和海冰初值来驱动模式。在研究过程中,参照以往相关工作(Meehl,et al,2014b),将每一年预测的第3年至第7年的平均值来代表第5年的预测,而后与相应年份的观测进行比较,例如:如果从1954年11月起报,那么就用预测的1957—1961年的5 a平均值作为1959年测报结果;另外,考虑到观测数据的可利用性,下文分析了1959—2016年的预测数据。
2.3 观测和再分析资料所用的观测和再分析资料(以下简称观测资料)包括美国国家海洋和大气管理局(NOAA)的全球陆地PREC/L(Precipitation Reconstruction over Land)降水资料;美国特拉华大学的全球气温资料;美国国家环境预报中心/国家大气研究中心(NCEP/NCAR)的大气再分析资料,要素包括500 hPa位势高度场、850 hPa风场和850 hPa比湿场。
3 CESM-DPLE对东亚夏季气候基本态的模拟观测的1959—2016年东亚夏季气温总体上从南向北降低,青藏高原由于受高海拔地形作用而表现为一个大范围的低温区,其多年平均一般低于12℃;蒙古国西部和新疆北部夏季气温亦低于12℃;中国东南部、新疆南部等地气温较高,普遍达24℃以上(图1a)。CESM-DPLE较好地模拟了东亚夏季气温从低纬度向高纬度降低的分布型、中国东南部和新疆南部的高温中心以及青藏高原、蒙古国西部和新疆北部的低温中心(图1b)。与观测相比,模拟的夏季气温在东亚大部分地区存在明显的冷偏差,其中中国东南部、东北、朝鲜半岛、日本南部的气温偏低0—3℃,华北、西南和新疆南部局部偏低3—5℃;另一方面,模拟的新疆气温偏高3—5℃,局部偏高5℃以上(图1c)。定量化检验显示,CESM-DPLE模拟的东亚地区夏季气温的均方根误差为3.24℃,空间相关系数达0.88,表明CESM-DPLE能较好地模拟出东亚地区夏季气温的空间分布特征(表1)。
气温 | 降水 | 500 hPa位势高度 | 850 hPa经向风场 | 850 hPa纬向风场 | |
空间相关系数 | 0.88 | 0.67 | 0.99 | 0.72 | 0.67 |
均方根误差 | 3.24℃ | 284.82 mm | 16.99 gpm | 1.94 m/s | 1.11 m/s |
注:表中空间相关系数值均超过了99%的置信度水平t检验。 |
1959—2016年观测的夏季降水气候态显示,主雨带位于中国东南沿海、朝鲜半岛和日本南部,降水量大于540 mm的高值区在中国江南东部、华南和东北南部、朝鲜半岛和日本南部(图2a)。CESM-DPLE能模拟出东亚夏季降水从中国东南沿海至西北内陆逐渐减少的大尺度格局,模拟的540 mm以上降水高值区位于青藏高原东南侧、华南南部、长江中下游、华北、东北南部和朝鲜半岛,连成一条西南至东北向的雨带(图2b)。与观测相比,模拟的夏季主雨带偏北,对应着长江以南降水相对偏少,长江以北降水偏多,朝鲜半岛和日本南部降水偏少,中国东北降水偏多。另外,模拟的青藏高原东部和四川盆地降水明显偏多(图2c),这应该与全球气候模式长期存在的青藏高原东部降水高估、东亚夏季雨带模拟偏北的误差有关(姜大膀等,2004;张莉等,2008;司东等,2009;Jiang,et al,2016),至于高估的原因可能与模式水平分辨率较低有关(Jiang,et al,2005;高学杰等,2006;Xu,et al,2010)。由表1可见,CESM-DPLE模拟的东亚地区夏季降水的均方根误差为284.82 mm,空间相关系数达0.67,综合而言模式对降水空间分布的模拟技巧低于气温。
鉴于模式模拟的降水和气温通常与大尺度背景环流有关,为此分析了CESM-DPLE对东亚及其周边地区相关大气环流场的模拟能力。观测的东亚夏季500 hPa位势高度场(图3a)显示,亚洲中高纬度区是一槽一脊的环流型,低压槽位于巴尔喀什湖附近,高压脊在鄂霍次克海以东地区上空。中低纬度区为两高一低型,西太平洋副热带高压主要位于20°—30°N,西伸脊点在140°E附近;另一个高压位于阿拉伯半岛附近;两个高压之间倒Ω型的槽区位于印度上空。总体上,CESM-DPLE较好地模拟了亚洲中高纬度一槽一脊以及中低纬度两高一低的环流型(图3b)。与观测相比,模拟的巴尔喀什湖上空的低压槽和鄂霍次克海以东地区的高压脊偏强。与此同时,CESM-DPLE模拟的西太平洋副热带高压偏强、面积偏大、位置偏西,西伸脊点位于130°E(图3b)。图3c所示的模拟与观测之差表明,模拟的亚洲位势高度总体偏高。值得指出的是,模拟的青藏高原上空的位势高度偏低,加之西太平洋副热带高压偏强且偏西,共同导致青藏高原与西太平洋副热带高压之间的气压梯度偏大。鉴于气压梯度增大的地区为东亚夏季风盛行区,这会使得东亚夏季风环流偏强、季风向北推进的纬度更高,从而引起东亚夏季雨带位置偏北(司东等,2009;田芝平等,2012)。
在季风环流场上,CESM-DPLE模拟的印度洋上空西南季风气流要弱于观测(图4),这可能与模拟的印缅槽偏弱(图3)有关。另外,由于模拟的西太平洋副热带高压偏强偏西,导致东南季风气流明显偏强,其模拟与观测的差值场(图4c)进一步显示,CESM-DPLE模拟的中国东部、朝鲜半岛和日本上空的偏南季风气流偏强,南北气流的辐合区位于中国西南、华北和东北一带,引起夏季主雨带位置偏北、青藏高原东侧降水偏多。
由表1可知,CESM-DPLE模拟的东亚地区夏季500 hPa位势高度场、850 hPa纬向风场和850 hPa经向风场的均方根误差分别为16.99 gpm、1.94 m/s和1.11 m/s;空间相关系数的结果显示,CESM-DPLE对500 hPa位势高度场空间分布的模拟技巧最高,达到了0.99,而对850 hPa风场的技巧略低,但都超过了99%的置信度水平t检验。
4 CESM-DPLE对东亚夏季气候年际变化的预测检验为量化CESM-DPLE对东亚夏季气温和降水年际变化的预测能力,分别计算了预测与观测的均方根误差和相关系数。总体上,预测气温的均方根误差从南向北增大,在华南和西南较小,一般为0—0.3℃;长江中下游和日本南部等地均方根误差为0.4—0.7℃;内蒙古和朝鲜半岛等地超过0.7℃;蒙古国地区相对最大,超过了0.9℃(图5a)。以上高纬度地区均方根误差偏大可能与北方冷空气活动有关,因为虽然是夏季,北方中高纬度地区的冷空气活动依然频繁、气温变率大,而现有气候模式对气温变率的模拟仍存在着不足(Jiang,et al,2016)。图5b显示,CESM-DPLE非常好地预测出了东亚夏季气温的年际变化,除长江中游、黄淮南部、朝鲜半岛南部和日本南部等地以外,CESM-DPLE对东亚大部分地区夏季气温年际变化有非常高的预测技巧,超过了95%的置信度水平t检验(相关系数大于0.26)。其中,华南南部、西南、青藏高原和35°N以北的大部分地区的相关系数超过了0.6,局部接近0.9。
在CESM-DPLE预测的夏季降水年际变化的均方根误差中,200—400 mm地区主要位于华南南部、长江下游、华北、朝鲜半岛和日本南部等地;最大误差出现在青藏高原东侧和南侧,超过了400 mm(图6a),这应该与前文所述的全球气候模式长期存在的青藏高原东部降水模拟偏多、东亚夏季雨带位置模拟偏北有关。另外,尽管CESM-DPLE对东亚局部降水年际变化表现出一定的预测技巧,例如华南、西南东南部、黄河中下游、华北东部和东北西部等地,但总体上对1959—2016年东亚降水年际变化没有预测能力,远低于对气温的预测技巧,甚至在中国江南、四川盆地、西北和朝鲜半岛北部等地出现预测与观测相反的情形(图6b)。
在不包括2006年以来RCP8.5情景预测数据的情况下,进一步分析了只考虑1959—2005年观测外强迫驱动下的模式预测技巧。就气温而言,1959—2005年CESM-DPLE预测的均方根误差相较整个时段总体上会下降,但并不明显,下降最多的地区位于中国西南、内蒙古和蒙古国,而中国江南东部、华北,朝鲜半岛和贝加尔湖地区的误差会增大;与此同时,相关系数有所降低,尤其是在西南和青藏高原地区。相对于1959—2016年,CESM-DPLE预测1959—2005年夏季降水的均方根误差在东亚北部降低、南部升高,但数值都不明显;相应的相关系数总体略有增大,在中国北方和西南地区较为明显,但青藏高原东部却减小。
5 与北大西洋多年代际振荡(AMO)位相转变相联的东亚夏季气候年代际变化在CESM-DPLE中的体现东亚气候不仅与局地大气环流紧密相联,还受到更大范围如欧亚乃至整个北半球大气环流的影响。首先,亚洲季风的年际和年代际变化不仅与北半球对流层中高纬度大气环流异常有关(武炳义等,2011;黄艳艳等,2012;杨崧等,2018),还受到北半球平流层包括绕极西风环流的调制(刘晓东等,1991)。其次,欧亚中高纬度环流异常是导致欧亚气温和降水年代际变化的重要因子(蔡佳熙等,2011;田青等,2017)。
诊断分析和数值模拟研究显示,大西洋海表温度异常会显著影响冬季北半球中高纬度大气环流,其中包括冬季欧亚大气环流(杨修群等,1992;曲金华等,2006),还可以调整夏季青藏高原加热的气候效应(Lu,et al,2019);AMO暖位相对应着中国大部分地区气温偏高,而且这种关系在一年四季都存在(李双林等,2009);AMO亦可以调制东亚夏季风(Yang,et al,2017)和亚非夏季风(Li,et al,2017);AMO通过激发环球尺度的斜压性遥相关波列,不但可以改变东亚降水,还可以引起从大西洋、欧亚直至北美的整个北半球降水的年代际变化(Si,et al,2016)。
20世纪90年代末,AMO位相发生了一次年代际转变,从冷位相转为暖位相,下文专门分析了这次转变前后东亚气候变化以及CESM-DPLE对其的再现能力。20世纪90年代末之后,东亚夏季气温以偏高为主,尤其是长江中下游、青藏高原、新疆、朝鲜半岛和蒙古国气温异常偏高(图7a)。在CESM-DPLE试验中,20世纪90年代末东亚夏季偏暖在定性上得到了合理模拟,尽管在定量上还存在着不足(图7b)。
与此同时,20世纪90年代中期之后东亚夏季降水增多,尤其是在华南、长江以北地区、朝鲜半岛和日本南部等地,但长江中下游降水则减少(图8a)。总体上,CESM-DPLE合理再现了这次东亚夏季降水的年代际增多(图8b),特别是长江以北的江淮、黄淮、华北和东北南部、华南和朝鲜半岛北部的多雨,对长江中游降水偏少亦有一定的反映。
20世纪90年代末之后,在对流层中层从东欧经由亚洲至西北太平洋上空出现了一条自西向东传的波列(图9a),东亚主要受异常低压控制,引起夏季多雨。已有研究(Si,et al,2016)指出,AMO所引起的北半球遥相关波列具有5波结构,其中的主要8个活动中心分别位于大西洋、西欧、东欧、中亚、贝加尔湖、东亚、北太平洋和北美。图9a所示波列的5个主要活动中心正位于东欧、中亚、贝加尔湖、东亚和北太平洋,与AMO所引起的遥相关波列相对应。同时,该波列所表现出的特征与AMO暖位相所引起的波列位相一致(Si,et al,2016),鉴于90年代末正是AMO由冷位相向暖位相转换的时期,这也表明这条由西向东传的波列与AMO位相变化有关。CESM-DPLE再现了从东欧到西北太平洋的遥相关波列,包括东亚上空的低压中心(图9b);但模拟的值与观测相比要明显偏弱,这一方面与文中分析的是模式集合平均结果有关,样本集合平均之后会滤掉大量气候内部变率信号使得原本的信号减弱,另一方面应该与模式本身的性能有关。
在对流层低层风场上,同样可以看到从东欧向西北太平洋传播的波列。20世纪90年代末以后,受该波列影响东亚受异常南风控制(图10a),不利于冷空气南下影响东亚,导致东亚夏季气温偏高(图8a);南风异常会增强东亚夏季风,益于长江以北和朝鲜半岛北部降水偏多而长江流域少雨(图7a)。CESM-DPLE再现了对流层低层的遥相关波列,并且模拟出了20世纪90年代末之后东亚夏季风增强(图10b)。
6 结 论文中评估了大样本初始化十年际预测试验(CESM-DPLE)对1959—2016年东亚夏季气温和降水的模拟能力和年际变化预测技巧,得到以下主要结论:
(1)CESM-DPLE对东亚气候基本态具备较好的模拟能力;对1959—2016年东亚夏季气温年际变化有很高的预测技巧,预测的均方根误差均小于1℃;然而,虽然它对东亚夏季降水年际变化在局部地区有一定的预测能力,但总体上没有预测技巧。
(2)AMO位相在20世纪90年代末发生了一次年代际转变,东亚夏季气温、降水和主要大气环流系统均发生了相应变化。具体表现为90年代末后AMO进入暖位相,通过遥相关作用引起东亚地区夏季风增强并多雨、气温升高。总体上,CESM-DPLE对上述与AMO位相年代际变化有关的东亚气候变化有较好的再现能力。
综上所述,CESM-DPLE对东亚夏季气温年际变化有较好的预测能力,亦能模拟出与20世纪90年代末AMO年代际转变有关的东亚夏季气候变化,是支持后续相关科研工作的一套较好预测试验数据。最后需要指出的是,与以往的十年际和年代际初始化气候预测试验不同,CESM-DPLE是一套包含了40个样本的大集合预测试验,对应着较高的采样精度,适用于研究气候内部变率和外强迫对气候预测的影响。
致 谢:感谢美国国家大气研究中心Aixue Hu博士和Gary Strand博士提供CESM-DPLE预测数据及提供的帮助。
蔡佳熙, 管兆勇, 于田田等. 2011. 长江流域夏季气温变化型及其成因Ⅱ: 年代际变化. 气象学报, 69(1): 112-124. |
丁一汇, 李清泉, 李维京等. 2004. 中国业务动力季节预报的进展. 气象学报, 62(5): 598-612. DOI:10.3321/j.issn:0577-6619.2004.05.007 |
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. |
高学杰, 徐影, 赵宗慈等. 2006. 数值模式不同分辨率和地形对东亚降水模拟影响的试验. 大气科学, 30(2): 185-192. DOI:10.3878/j.issn.1006-9895.2006.02.01 |
黄艳艳, 王会军. 2012. 欧亚地区夏季大气环流年际变化的关键区及亚洲夏季风的关联信号. 地球物理学报, 55(7): 2227-2238. DOI:10.6038/j.issn.0001-5733.2012.07.009 |
姜大膀, 王会军, 郎咸梅. 2004. 全球变暖背景下东亚气候变化的最新情景预测. 地球物理学报, 47(4): 590-596. DOI:10.3321/j.issn:0001-5733.2004.04.007 |
郎咸梅, 王会军, 姜大膀. 2004. 应用九层全球大气格点模式进行跨季度短期气候预测系统性试验. 地球物理学报, 47(1): 19-24. DOI:10.3321/j.issn:0001-5733.2004.01.004 |
李清泉, 丁一汇, 张培群. 2004. 一个全球海-气耦合模式跨季度汛期预测能力的初步检验和评估. 气象学报, 62(6): 740-751. DOI:10.3321/j.issn:0577-6619.2004.06.003 |
李双林, 王彦明, 郜永祺. 2009. 北大西洋年代际振荡(AMO)气候影响的研究评述. 大气科学学报, 32(3): 458-465. DOI:10.3969/j.issn.1674-7097.2009.03.014 |
李维京, 张培群, 李清泉等. 2005. 动力气候模式预测系统业务化及其应用. 应用气象学报, 16(S1): 1-11. |
刘晓东, 瞿章. 1991. 北半球平流层环流与亚洲夏季风关系的初步分析. 气象学报, 49(2): 244-248. |
曲金华, 江志红, 谭桂容等. 2006. 冬季北大西洋海温年际、年代际变化与中国气温的关系. 地理科学, 26(5): 557-563. DOI:10.3969/j.issn.1000-0690.2006.05.007 |
任宏利, 张培群, 李维京等. 2014. 提高月预报业务水平的动力相似集合方法. 气象学报, 72(4): 723-730. |
司东, 丁一汇, 柳艳菊. 2009. 全球海气耦合模式(BCC_CM1.0)对江淮梅雨降水预报的检验. 气象学报, 67(6): 947-960. DOI:10.3321/j.issn:0577-6619.2009.06.005 |
田青, 温敏, 张人禾等. 2017. 中国南方冬季持续性温湿异常事件的分类和特征分析. 气象学报, 75(5): 729-743. |
田芝平, 姜大膀, 张冉等. 2012. CCSM4.0的长期积分试验及其对东亚和中国气候模拟的评估. 大气科学, 36(3): 619-632. |
田芝平, 姜大膀. 2013. 不同分辨率CCSM4对东亚和中国气候模拟能力分析. 大气科学, 37(1): 171-186. DOI:10.3878/j.issn.1006-9895.2012.12050 |
王欢, 李栋梁. 2019. 人类活动排放的CO2及气溶胶对20世纪70年代末中国东部夏季降水年代际转折的影响
. 气象学报, 77(2): 327-345. |
王会军. 1997. 试论短期气候预测的不确定性. 气候与环境研究, 2(4): 333-338. DOI:10.3878/j.issn.1006-9585.1997.04.02 |
吴波, 周天军, 孙倩. 2017. 海洋模式初始化同化方案对IAP近期气候预测系统回报试验技巧的影响. 地球科学进展, 32(4): 342-352. DOI:10.11867/j.issn.1001-8166.2017.04.0342 |
武炳义, 张人禾. 2011. 东亚夏季风年际变率及其与中、高纬度大气环流以及外强迫异常的联系. 气象学报, 69(2): 219-233. DOI:10.3969/j.issn.1004-4965.2011.02.010 |
徐敏, 罗连升, 程智等. 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. 气象学报, 76(1): 32-46. |
杨崧, 邓开强, 段晚锁. 2018. 季风与ENSO的选择性相互作用: 年循环和春季预报障碍的影响. 大气科学, 42(3): 570-589. |
杨修群, 谢倩, 黄士松. 1992. 大西洋海温异常对东亚夏季大气环流影响的数值试验. 气象学报, 50(3): 349-354. |
曾庆存, 袁重光, 王万秋等. 1990. 跨季度气候距平数值预测试验. 大气科学, 14(1): 10-25. DOI:10.3878/j.issn.1006-9895.1990.01.03 |
张冬峰, 高学杰, 马洁华. 2015. CCSM4.0模式及其驱动下RegCM4.4模式对中国夏季气候的回报分析. 气候与环境研究, 20(3): 307-318. |
张莉, 丁一汇, 孙颖. 2008. 全球海气耦合模式对东亚季风降水模拟的检验. 大气科学, 32(2): 261-276. DOI:10.3878/j.issn.1006-9895.2008.02.06 |
赵天保, 从靖. 2018. 基于CCSM4.0长期积分试验评估不同辐射强迫对中国干旱半干旱区降水的影响. 大气科学, 42(2): 311-322. |
Boer G J, Kharin V V, Merryfield W J. 2013. Decadal predictability and forecast skill. Climate Dyn, 41(7): 1817-1833. |
Boer G J, Smith D M, Cassou C, et al. 2016. The Decadal Climate Prediction Project(DCPP)contribution to CMIP6. Geosci Model Dev, 9(10): 3751-3777. DOI:10.5194/gmd-9-3751-2016 |
Fyfe J C, Merryfield W J, Kharin V, et al. 2011. Skillful predictions of decadal trends in global mean surface temperature. Geophys Res Lett, 38(22): L22801. DOI:10.1029/2011GL049508 |
Hurrell J, Meehl G A, Bader D, et al. 2009. A unified modeling approach to climate system prediction. Bull Amer Meteor Soc, 90(12): 1819-1832. DOI:10.1175/2009BAMS2752.1 |
Hurrell J W, Holland M M, Gent P R, et al. 2013. The community earth system model: A framework for collaborative research. Bull Amer Meteor Soc, 94(9): 1339-1360. DOI:10.1175/BAMS-D-12-00121.1 |
Jiang D B, Wang H J, Lang X M. 2005. Evaluation of East Asian climatology as simulated by seven coupled models. Adv Atmos Sci, 22(4): 479-495. DOI:10.1007/BF02918482 |
Jiang D B, Tian Z P, Lang X M. 2016. Reliability of climate models for China through the IPCC third to fifth assessment reports. Int J Climatol, 36(3): 1114-1133. DOI:10.1002/joc.4406 |
Karspeck A, Yeager S, Danabasoglu G, et al. 2015. An evaluation of experimental decadal predictions using CCSM4. Climate Dyn, 44(3): 907-923. |
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 |
Kirtman B, Power S B, Adedoyin J A, et al. 2013. Near-term climate change: Projections and predictability∥Stocker T F, Qin D, Plattner G K, et al. Climate Change 2013: The Physical Science Basis. Cambridge: Cambri-dge University Press, 953-1028
|
Lang X M, Wang H J. 2010. Improving extraseasonal summer rainfall prediction by merging information from GCMs and observations. Wea Forecasting, 25(4): 1263-1274. DOI:10.1175/2010WAF2222342.1 |
Lang X M, Zheng F. 2011. A statistical-dynamical scheme for the extraseasonal prediction of summer rainfall for 160 observation stations across China. Adv Atmos Sci, 28(6): 1291-1300. DOI:10.1007/s00376-011-0177-6 |
Li Y, Ding Y H, Li W J. 2017. Interdecadal variability of the Afro-Asian summer monsoon system. Adv Atmos Sci, 34(7): 833-846. DOI:10.1007/s00376-017-6247-7 |
Liu Y, Fan K. 2013. A new statistical downscaling model for autumn precipitation in China. Int J Climatol, 33(6): 1321-1336. DOI:10.1002/joc.3514 |
Lu M M, Huang B H, Li Z N, et al. 2019. Role of Atlantic air-sea interaction in modulating the effect of Tibetan Plateau heating on the upstream climate over Afro-Eurasia-Atlantic regions. Climate Dyn, 53(1): 509-519. |
Ma J H, Wang H J, Fan K. 2015. Dynamic downscaling of summer precipitation prediction over China in 1998 using WRF and CCSM4. Adv Atmos Sci, 32(5): 577-584. DOI:10.1007/s00376-014-4143-y |
Meehl G A, Goddard L, Murphy J, et al. 2009. Decadal prediction: Can it be skillful?. Bull Amer Meteor Soc, 90(10): 1467-1486. DOI:10.1175/2009BAMS2778.1 |
Meehl G A, Goddard L, Boer G, et al. 2014a. Decadal climate prediction: An update from the trenches. Bull Amer Meteor Soc, 95(2): 243-267. DOI:10.1175/BAMS-D-12-00241.1 |
Meehl G A, Teng H Y. 2014b. Regional precipitation simulations for the mid-1970s shift and early-2000s hiatus. Geophys Res Lett, 41(21): 7658-7665. DOI:10.1002/2014GL061778 |
Pohlmann H, Jungclaus J H, Köhl A, et al. 2009. Initializing decadal climate predictions with the GECCO oceanic synthesis: Effects on the North Atlantic. J Climate, 22(14): 3926-3938. DOI:10.1175/2009JCLI2535.1 |
Si D, Ding Y H. 2016. Oceanic forcings of the interdecadal variability in East Asian summer rainfall. J Climate, 29(21): 7633-7649. DOI:10.1175/JCLI-D-15-0792.1 |
Sienz F, Müller W A, Pohlmann H. 2016. Ensemble size impact on the decadal predictive skill assessment. Meteor Z, 25(6): 645-655. DOI:10.1127/metz/2016/0670 |
Smith D M, Cusack S, Colman A W, et al. 2007. Improved surface tempe-rature prediction for the coming decade from a global climate model. Science, 317(5839): 796-799. DOI:10.1126/science.1139540 |
Wang H J, Fan K, Sun J Q, et al. 2015. A review of seasonal climate prediction research in China. Adv Atmos Sci, 32(2): 149-168. DOI:10.1007/s00376-014-0016-7 |
Xu Y, Gao X J, Giorgi F. 2010. Upgrades to the reliability ensemble averaging method for producing probabilistic climate-change projections. Climate Res, 41: 61-81. DOI:10.3354/cr00835 |
Yang Q, Ma Z G, Fan X G, et al. 2017. Decadal modulation of precipitation patterns over eastern China by sea surface temperature anomalies. J Climate, 30(17): 7017-7033. DOI:10.1175/JCLI-D-16-0793.1 |
Yeager S G, Danabasoglu G, Rosenbloom N A, et al. 2018. Predicting near-term changes in the earth system: A large ensemble of initialized decadal prediction simulations using the Community Earth System Model. Bull Amer Meteor Soc, 99(9): 1867-1886. DOI:10.1175/BAMS-D-17-0098.1 |
Zeng Q C, Yuan C G, Li X, et al. 1997. Seasonal and extraseasonal predictions of summer monsoon precipitation by gems(1). Adv Atmos Sci, 14(2): 163-176. DOI:10.1007/s00376-997-0017-x |
Zhou G Q, Zeng Q C. 2001. Predictions of ENSO with a coupled atmosphere-ocean general circulation model. Adv Atmos Sci, 18(4): 587-603. DOI:10.1007/s00376-001-0047-8 |
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 |