应用气象学报  2008, 19 (3): 276-286   PDF    
引用本文
任宏利. 动力季节预测中预报误差与物理因子的关系[J]. 应用气象学报, 2008, 19(3): 276-286.
Ren Hongli. Relationships Between Prediction Errors and Physical Predictors in Dynamical Seasonal Prediction[J]. Journal of Applied Meteorological Science, 2008, 19(3): 276-286  
动力季节预测中预报误差与物理因子的关系
任宏利     
国家气候中心 中国气象局气候研究开放实验室, 北京 100081
2007-07-03 收到, 2008-01-18 收到修改稿.
资助项目: 国家科技支撑计划项目 (2006BAC02B04, 2007BAC29B03) 和国家自然科学基金项目 (40675039, 40575036) 共同资助    
摘要: 为了在动力季节预测中更好地运用统计经验来改进预报, 从研究气候系统物理因子影响模式预报误差的角度入手, 探讨了与气候模式有关的统计经验获取问题, 并利用国家气候中心海-气耦合模式的历史回报数据, 考察了动力季节预测中夏季环流和降水的预报误差与主要物理因子, 包括Niño3区海温指数、太平洋年代际振荡指数、南北半球环状模指数以及北大西洋涛动指数相关关系。分析结果显示:上述物理因子与模式预报的夏季环流和降水误差之间存在前期或同期的某种显著相关关系, 并且显著关系分布随因子的不同而表现出明显不同的区域性特征, 这为发展一种基于预报因子的误差订正新方法提供了新思路。
关键词: 动力季节预测    预报误差    物理因子    
Relationships Between Prediction Errors and Physical Predictors in Dynamical Seasonal Prediction
Ren Hongli     
Laboratory for Climate Studies, National Climate Center, China Meteorological Administration, Beijing 100081
Abstract: In order to better improve dynamical seasonal prediction by utilizing statistical experiences, the problem of capturing statistical experiences associated with climate model is discussed from the point of view of studying the impacts of physical predictors in climate system on model prediction errors. As model errors objectively exist in climate model and vary with the sate of climate system, the prediction errors of model change with state. Thus, deeply examining the characteristics that how the prediction errors of model are influenced by climate system state has important values to capture the statistical experiences associated with model and improve dynamical prediction in terms of the combination of dynamical and statistical methods. Problems and their meanings related with above characteristics are primarily proposed. Based on hindcast data of air-ocean coupled general circulation model in National Climate Center, China Meteorological Administration, the relationship between the prediction errors of summer mean circulation and total precipitation in dynamical seasonal prediction, and some primary physical predictors are comprehensively examined. These physical predictors selected include the sea surface temperature index in Niño3 region, the Pacific decadal oscillation index, the southern hemispheric annular mode index, the northern hemispheric annular mode index, and the North Atlantic oscillation index, which reflects the prevailing modes of interannual variability in climate system over tropics and extratropics. Results of correlation analyses show that there are some significant early or simultaneous relationships between the above-mentioned physical predictors and the model prediction errors of summer circulation and precipitation. In the five selected physical predictors, the sea surface temperature index in Niño3 region mainly correlates with the prediction errors of low-latitude circulation and precipitation. The correlationship between the Pacific decadal oscillation index and prediction errors is mostly characterized by simultaneous correlations and is significant not only over some low-latitude but also mid-and high-latitude areas. The southern and northern hemispheric annular mode indices standing for the leading modes over two extratropics are not corresponding to the evident early correlation with only some significant correlations over partial extratropics, whereas the simultaneous correlations are relatively evident and characterized by the distribution patterns similar to spatial modes of the two extratropical indices. The correlation situations between the North Atlantic oscillation index and circulation errors are very analogical to those corresponding to the northern hemispheric annular mode index, whereas the early and simultaneous correlations between it and precipitation errors are much better than those corresponding to circulation errors. By examining the physical processes that physical predictor influences the distribution of model prediction errors, investigating the relationship between predictor and prediction errors will not only help to evaluate the performance of model and provide reference for improving model, but also benefit the development of the new prediction strategy and methodology for correcting prediction errors. Thereby, physical basis and practical reference are provided to develop new method of predictor-based error correction, which will be studied and verified in further work.
Key words: dynamical seasonal prediction     prediction error     physical predictor    
引言

气候异常所引发的自然灾害给人类社会和经济生活造成了巨大损失, 短期气候预测特别是季节尺度的预测已成为广泛关注的重要课题[1]。在过去的十几年中, 国际上许多研究中心纷纷建立了短期气候预测系统。总体上, 季节预测主要依据两种基本方法, 一是物理统计预测方法, 另一是基于数值模式的动力季节预测方法[2]。我国早在1958年就开始了针对夏季旱涝形势的季节预测, 但20世纪90年代中期以前主要依靠前期物理因子和统计方法[3]。目前, 国家气候中心已经建立了包含季节尺度在内的短期气候预测业务系统[4-5], 但实际预测技巧依然不高, 这也是当前国际上普遍存在的难题, 迫切需要探索新的预测思路[1-2]。

物理统计预报和动力模式预测都有各自的优势和缺陷, 前者能够利用大量历史资料的信息, 后者则善于运用物理规律, 因此, 可利用动力-统计相结合做预报来取长补短[2, 6-29]。当前, 在气候模式预报基础上运用统计经验加以修正, 是很有应用前景并倍受关注的研究方向[22-29]。与模式有关的统计经验获取最为直接的办法便是提取模式预报的系统性偏差, 其应用也极为广泛。实际上, 模式预报误差与气候系统状态的变化密切联系, 即误差是随状态而变的, 这与模式内在误差依赖于状态变量有很大关系。近期, 一些研究工作[18-22, 29]通过考虑模式预报误差的时变特性来对传统系统误差订正思路进行了改进, 显示出较好的预报效果。

如果能够发掘出模式预报误差受气候系统状态影响的时空变化特征和规律, 对于获取与模式有关的统计经验并改进预报大有益处, 也有助于评估模式的模拟性能、为改进模式提供依据。因此, 本文利用表征气候系统主要模态变化的特征量, 深入考察动力季节预测中预报误差与物理因子的关系问题。

1 资料和研究方案

本研究采用国家气候中心海-气耦合模式预测系统生成的1983—2005年共23年回报和预报数据, 选取从2月底起报 (预测在3月初完成) 的每年6—8月集合平均结果。大气模式初值采用2月最后8 d 00:00 (世界时, 下同) 的NCEP/NCAR再分析资料; 海洋初值场为海洋资料同化系统经过扰动得到 (1个控制场和5个扰动场) 的海洋同化场; 海洋和大气初始场经组合构成季节预报的48个成员初值集合。有关CGCM的详细情况参见文献[4-5]。

数据分析方案的设计: ①从23年回报数据中提取夏季平均500 hPa高度场和总降水量; ②从NCEP/NCAR数据集中提取23年夏季平均的500 hPa高度场, 总降水量使用CMAP资料, 用于计算季节预报误差场; ③为了进行较为全面的分析研究, 选取的主要物理因子包括Niño3区海温指数 (NINO3I, 取自美国NOAA/CPC)、太平洋年代际振荡指数 (PDOI) [30]、南、北半球环状模指数 (SAMI和NAMI)[31-32]以及北大西洋涛动指数 (NAOI)[33]。

这里所选用的物理因子是气候系统中海洋和大气分量主要变率模态的特征量, 其中, NINO3I反映了ENSO循环这一低纬地区乃至全球年际变率的最主要信号, 而PDOI反映了太平洋年代际振荡信号, SAMI和NAMI分别代表了南北半球热带外地区具有半球尺度大气变率的首要模态, NAOI则反映了北大西洋地区大气振荡信号。这些物理因子能够在一定程度上综合反映气候系统状态在不同时空尺度上的主要变化特征。在下面的诊断研究中, 将分别利用前期秋季、冬季和春季以及同期夏季的这些物理因子, 针对夏季平均500 hPa高度场和总降水量的预报误差, 通过计算时间相关系数 (TCC) 进行诊断分析。

2 夏季环流预报误差与物理因子的关系

诊断分析表明:当物理因子与预报误差呈正相关时, 随着因子指数的增大 (代表气候系统的某种主要模态的正位相在逐渐增强), 模式所对应的预报误差也呈增大趋势, 反之亦然; 当预报因子与预报误差呈负相关时, 随着因子指数的减小 (代表气候系统的某种主要模态的负位相在逐渐增强), 模式所对应的预报误差也会呈现增大趋势, 反之亦然。由此可见, 气候模式对于因子指数处于较大振幅时的模拟能力逐渐变差, 这反映出模式可能对于此类气候模态的物理机制刻画不足。当然, 如果相关系数接近于0或者不能通过显著性检验, 只能说明预报误差受到物理因子的影响很小, 并不能据此来评判气候模式在该因子所对应模态下的模拟能力。

2.1 基于NINO3I的相关分析

图 1给出了NINO3I与夏季环流预报误差的相关分布图。从图 1可以看到, 前期NINO3I与500 hPa高度预报误差的显著正相关覆盖了整个低纬热带区域, 这表明NINO3I变大时, 低纬环流预报误差也会变大, 反映出耦合模式对于ENSO事件的模拟能力欠佳。总体来看, 处于前期冬季的相关最强, 特别是亚澳季风区和西太平洋地区达到了0.001的显著性水平, 这在前期相关图上均很明显, 反映出这些地区环流预报误差受到ENSO变化影响显著。在中高纬地区的相关较弱, 很少有达到统计显著性水平的。相比之下, 同期的相关关系没有前期相关明显, 赤道太平洋地区的相关显著性明显偏弱, 覆盖区域也略有减小, 而低纬度其他地区则很显著, 中高纬度地区除了南北太平洋上有局部显著相关以外, 大部分区域相关很低的。由此可见, 热带外地区夏季环流预报误差与低纬ENSO循环的关系并不显著。

图 1. 前期秋季 (a)、冬季 (b)、春季 (c) 和同期夏季 (d) 的Niño3区海温指数与夏季500 hPa高度预报误差相关分析 (阴影层次的相关系数0.35, 0.41, 0.52和0.64, 分别对应着0.1, 0.05, 0.01, 0.001的t检验显著性水平, 下同) Fig 1. TCCs between the prediction errors of summer mean 500 hPa geopotential height and the early autumn (a), winter (b), spring (c) and simultaneous summer (d) NINO3Is respectively (where numbers 0.35, 0.41, 0.52 and 0.64 stand for levels of 0.1, 0.05, 0.01, 0.001 based on Student's t-test, respectively)

2.2 基于PDOI的相关分析

图 2给出了PDOI与夏季环流预报误差的相关分布图。可以看到, 前期PDOI与500 hPa高度预报误差的相关性明显没有图 1中前期NINO3I显著, 低纬地区几乎不存在成片的显著相关分布区。与之相反, 在中高纬度的欧亚大陆以及南极附近地区存在显著相关分布, 这一特征在前期秋季和前期春季要比前期冬季明显得多, 表明就当前模式而言, 上述地区的预报误差对PDOI的年际变率更敏感。当然, PDOI本身反映的是太平洋海温的年代际振荡, 其如何对欧亚大陆乃至南极的模拟情况产生影响, 已超出了本文研究范畴。如果在实际观测中PDOI确实对这些地区气候有显著影响, 那么, 这里的结果就表明模式对该地区PDOI影响机制的模拟不理想。另一方面, PDOI与预报误差的同期相关图上显著性区域明显变大, 覆盖了几乎整个低纬度地区、北半球中纬度很多地区以及南极大陆, 显示出这些地区环流模拟能力受到同期太平洋年代际振荡 (PDO) 的影响很大。

图 2. 前期秋季 (a)、冬季 (b)、春季 (c) 和同期夏季 (d) 太平洋年代际振荡指数与夏季500 hPa高度预报误差相关分析 Fig 2. Same as in Fig.1, but for the Pacific decadal oscillation index

2.3 基于SAMI的相关分析

图 3给出了SAMI与夏季环流预报误差的相关分布图。从图 3可以看到, 前期秋季的SAMI与500 hPa高度预报误差的显著负相关主要位于热带太平洋区域, 此外南极存在一块显著正相关区。相比之下, 前期冬季SAMI与预报误差的显著正相关位于南极大陆和北半球中纬度部分地区, 而春季相关特征不明显, 只在南北半球中纬度地区存在小范围显著区域。在同期图上, 南半球高纬度地区存在显著的绕极负相关分布区, 中纬度则基本被显著的正相关带环绕, 这与南半球环状模 (SAM) 的空间型极为相似。由于SAM在南半球中高纬度地区是气候变率最主要模态, 相关图上该地区呈现的显著相关分布, 表明当前模式对于SAM的模拟不足。此外, 在北半球中高纬度地区特别是极地区域呈现显著正相关分布。

图 3. 前期秋季 (a)、冬季 (b)、春季 (c) 和同期夏季 (d) 的南半球环状模指数与夏季500 hPa高度预报误差相关分析 Fig 3. Same as in Fig.1, but for the Southern Hemispheric annular mode index

2.4 基于NAMI的相关分析

图 4给出了NAMI与夏季环流预报误差的相关分布图。由图 4可以看到, 前期NAMI与500 hPa高度预报误差的相关并不好, 仅是前期秋季和前期春季NAMI与西半球热带外部分地区的预报误差存在显著相关。在同期图上, 北半球高纬极地为显著绕极负相关区, 中纬度存在近似环状的正相关带, 特别是位于北太平洋和北大西洋的显著正负相关型, 与北太平洋涛动和北大西洋涛动极为相似, 这与北半球环状模 (NAM) 的空间型特点较为一致。由于NAM在北半球中高纬度地区是气候变率最主要模态, 上述两区域呈现的显著相关分布, 也表明模式对于NAM的模拟存在不足。另外, 在南极地区存在显著正相关分布。

图 4. 前期秋季 (a)、冬季 (b)、春季 (c) 和同期夏季 (d) 的南半球环状模指数与夏季500 hPa高度预报误差相关分析 Fig 4. Same as in Fig.1, but for the Southern Hemispheric annular mode index

2.5 基于NAOI的相关分析

对于NAOI, 前期相关情况与图 4中极为相似, 特别是主要显著正负相关中心位置对应的非常一致, 唯一明显的差别是前期秋季NAOI图上在南极大陆存在显著负相关分布 (图略)。在同期相关图上, 主要相关中心的位置仍与NAMI同期图上对应得很好, 最主要的差别表现在北太平洋区域的显著相关分布要比图 4中减弱很多, 而北大西洋涛动型的显著相关分布则非常一致, 此外, 在南极地区也几乎不存在显著正相关区。由此可见, 无论前期还是同期, NAMI和NAOI分布与夏季环流预报误差的相关关系具有较好的一致性。

总体来看, 不同物理因子由于所代表含义的差别, 使得与预报误差的相关关系存在明显不同。NINO3I与夏季500 hPa高度预报误差的显著正相关覆盖了整个低纬热带区域, 中高纬度地区相关较弱, 同期相关关系与前期的类似, 但低纬度太平洋地区要偏弱一些。PDOI在前期与预报误差的相关性较差, 但同期相关显示出与NINO3I类似特征, 低纬度地区为显著正相关, 而北太平洋和南极地区为显著负相关。SAMI, NAMI和NAOI在前期与预报误差的相关信号不明显, 仅在个别区域有显著相关性; 但同期的相关关系要好一些, SAMI对应着南半球中纬度地区正相关和南极负相关, 北极附近也有大片正相关区, 而NAMI对应的负相关区在北极、正相关区分别在北太平洋和北大西洋地区以及南极区域, NAOI则对应着类似于北大西洋涛动 (NAO) 振荡的相关分布型, 并且NAMI和NAOI与预报误差的相关分布有较好一致性。

3 夏季降水预报误差与物理因子的关系

降水受到大气环流等因素的综合作用, 一直是季节预测的重点和难点。对夏季环流的分析表明, 海温指数对于环流误差的影响主要在低纬度地区, 环流指数的影响则相对复杂一些, 多位于中高纬地区、区域性较强。而且, 模式对于物理因子所表征的主要气候模态的模拟能力并不理想。

3.1 基于NINO3I的相关分析

图 5给出了NINO3I与夏季降水预报误差的相关分布。从图 5可以看到, NINO3I与降水预报误差的显著相关主要位于海洋上, 陆地上的相关区比较零乱, 达到显著性的区域较少。前期最明显的特征是位于热带太平洋的显著正负相关区, 这也反映出该耦合模式对于ENSO事件的模拟能力欠佳。此外, 前期秋季和前期冬季的显著相关还存在于低纬度印度洋、西北和南太平洋部分区域, 在春季则主要位于北太平洋、大西洋和南印度洋等区域。相比之下, 同期相关关系要比前期明显, 太平洋、大西洋以及东印度洋存在几条纬向带状显著相关区, 但热带印度洋西部例外。同时也看到, 即便是同期相关, 中高纬度地区陆地上的显著相关区仍旧范围很小, 甚至不如前期春季的相关, 仅在北美西部和南美东南相关显著。

图 5. 前期秋季 (a)、冬季 (b)、春季 (c) 和同期夏季 (d) 的Niño3区海温指数与夏季降水预报误差相关分析 Fig 5. TCCs between the prediction erros of summer total precipitation and the early autumn (a), winter (b), spring (c) and simultaneous summer (d) NINO3Is respectively

3.2 基于PDOI的相关分析

图 6给出了PDOI与夏季环流预报误差的相关分布图。从图 6可以看到, 前期PDOI与降水预报误差的相关性与图 1中前期NINO3I的相比明显变差, 低纬度地区的显著相关区很小。相反, 在前期秋季相关图上南北半球的中高纬度地区存在很多大面积显著区域, 特别是北欧、南亚西部、东亚北部以及澳洲东部等地区, 这一特征在前期秋季和前期春季比前期冬季明显, 反映出上述地区的降水预报误差对PDOI的年际变率更敏感。对于PDOI与预报误差的同期相关, 达到统计显著性的区域明显变大, 而且这些区域的分布特征与NINO3I同期相关图极为相似, 只是显著程度有所下降, 这可能隐含着二者的某种内在联系。另外, 通过与图 2对比发现, PDOI与夏季环流和降水的显著相关分布特征具有很好的一致性。

图 6. 前期秋季 (a)、冬季 (b)、春季 (c) 和同期夏季 (d) 的太平洋年代际振荡指数与夏季降水预报误差相关分析 Fig 6. Same as in Fig.5, but for the Pacific decadal oscillation index

3.3 基于SAMI的相关分析

图 7给出了SAMI与夏季降水预报误差的相关分布。从图 7可以看到, 无论是前期还是同期相关分布都是比较零乱的、显著区域不多。前期秋季的SAMI与预报误差的显著相关主要位于北印度洋、西太平洋暖池、北美东部等区域; 前期冬季相关图上显著相关区很少, 仅分布在东西伯利亚北部、北非等区域; 春季相关性略好一些, 显著相关主要位于赤道非洲和南非、西太平洋、东亚副热带陆地以及赤道大西洋等区域。相比之下, 同期图上最显著的相关区位于欧洲地区, 此外, 在中国中西部、菲律宾以东以及南大西洋等区域也有显著相关分布。由于所用的CMAP降水资料在两极附近地区缺测, 因此在图 7中无法找到类似于图 3中SAM空间型的相关分布。

图 7. 前期秋季 (a)、冬季 (b)、春季 (c) 和同期夏季 (d) 的南半球环状模指数与夏季降水预报误差相关分析 Fig 7. Same as in Fig.5, but for the Southern Hemispheric annular mode index

3.4 基于NAMI的相关分析

图 8给出了NAMI与夏季降水预报误差的相关分布。从图 8可以看到, 前期NAMI与降水预报误差的相关性并不好:在前期秋季图上仅有北美洲北部的正相关区较为显著; 而在前期冬季图上也只有赤道非洲、乌拉尔山以东和澳洲存在显著相关区; 前期春季的NAMI与预报误差的显著相关主要在北大西洋、赤道以北的热带大西洋以及南美洲东部地区, 此外在赤道以北的热带太平洋也有大片正相关区。在同期图上, 大片显著相关分布在太平洋和印度洋上, 与图 4中类似, 在北太平洋和北大西洋地区存在显著相关, 这也是对NAM空间型特征的一个反映, 当然这也表明模式对于NAM的模拟存在不足。

图 8. 前期秋季 (a)、冬季 (b)、春季 (c) 和同期夏季 (d) 的北半球环状模指数与夏季降水预报误差相关分析 Fig 8. Same as in Fig.5, but for the Northern Hemispheric annular mode index

3.5 基于NAOI的相关分析

NAOI与夏季降水预报误差的相关分布图与图 8较为相似 (图略)。其中, 前期冬季的相关情况几乎不存在显著相关信号; 春季图上的正负相关分布与图 8最明显的差别在于北太平洋和南大西洋以及非洲南部出现显著相关区域。相比之下, 前期秋季的相关图也呈现出显著相关分布:在北太平洋、赤道太平洋、南太平洋、赤道印度洋、南印度洋、北美东北部以及南大西洋等区域存在显著相关分布。对于同期相关图, 主要相关中心与NAMI同期图对应较好, 最明显的差别表现在北大西洋-欧洲区域的显著相关分布比图 8中有所减弱, 在南大西洋也出现显著负相关。可见, NAMI和NAOI与夏季降水预报误差的相关分布具有一致性, 但其程度没有环流显著。

总体来看, 无论是前期还是同期相关, NINO3I与降水预报误差的大片显著相关区基本位于海洋上, 陆地上仅有零散分布, 最主要特征就是热带太平洋上类似于ENSO模态的相关分布型, 这在同期图上更为明显。PDOI在同期与NINO3I的相关情形很相似, 对于前期秋季和春季对应的相关关系而言, 在欧亚大陆上存在许多显著相关区。SAMI与预报误差的显著相关在前期和同期都只限于部分区域, NAMI的前期相关情况类似, 但同期相关在太平洋和印度洋以及北大西洋存在大范围显著区域, 在NAOI的同期图上也有着极为相似的情形, 并且NAOI在前期秋季和前期春季对应着显著相关关系。由于NAMI和NAOI所反映的都是北半球热带外地区的主要环流变化模态, 这使得二者与预报误差的相关关系具有一致性, 仅在降水对应的前期相关中存在一些差异。

4 物理因子对模式预报误差影响过程探讨

综上可知, 作为气候系统状态变化特征量的物理因子与模式预报误差之间存在某种显著的相关关系, 这随物理因子和模式输出变量的不同有所差异。按照这样的相关关系, 当前期或者同期物理因子发生变化, 所对应的气候系统状态亦发生变化, 并直接或间接影响到模式内部误差的形态和演变, 进而反映到预报误差的变化上, 这就形成了物理因子对模式预报误差分布状况的影响过程。当然, 这种影响必然与所使用的模式性能密不可分。本文结论基于国家气候中心气候模式, 深入考察这种相关特征的内在成因和物理机制, 对于利用其改进模式性能和预报能力有一定帮助。由于不同气候模式的物理过程存在差异, 所对应的预报误差与物理因子的相关关系也会存在差异, 还需要分别加以具体研究。

值得关注的是, 在前述相关分析中, NINO3I, PDOI和SAMI与我国部分地区的夏季降水预报误差之间存在显著相关关系, 这一方面表明上述物理因子在观测上与我国夏季降水关系密切, 由于模式自身对其物理机制刻画的不足引起了预报误差, 它依赖于物理因子所代表的气候系统状态。另一方面, 上述显著关系的存在, 为夏季降水预报的修正提供了与模式有关的统计经验, 同时也为发展有针对性的预报误差订正方法提供了依据。由此可见, 基于上述物理因子与模式预报误差的显著相关关系, 可考虑利用物理因子信息来估计和订正预报误差, 这就为发展一种基于预报因子的误差订正新方法提供了物理基础和事实依据[34], ①。

①任宏利.一种基于预报因子的误差订正新方法及试验.气候预测评论, 2007, 13: 72-76.

5 结论

由于模式误差的客观存在, 并且随着气候系统状态而不断变化, 使得预报误差是依赖于状态而变的。深入考察模式预报误差受气候系统状态影响的特征和规律, 对于获取与模式有关的统计经验、并动力-统计相结合来改进模式预报无疑具有重要价值。为此, 本文提出了模式预报误差受气候系统状态影响特征和规律的研究问题和意义所在, 并利用国家气候中心海-气耦合模式的回报和预报数据, 考察了动力季节预测中气候模式预报误差与作为表征气候系统主要模态特征量的主要物理因子之间的关系问题。

分析结果显示, 在所选取的5个主要物理因子中, NiÖo3区海温指数主要与低纬度环流和降水的预报误差存在显著相关, 而太平洋年代际振荡指数与误差的关系主要体现在同期相关, 低纬度地区和中高纬度地区都存在显著区域; 作为衡量热带外大气环流最主要模态的南、北半球环状模指数对应的前期相关不明显, 只在中、高纬度部分地区相关显著, 同期相关表现出与二者空间型类似的相关分布; 北大西洋涛动指数与环流误差的相关分布与北半球环状模指数非常相似, 而其与降水误差的前期和同期相关效果则要好得多。

通过进一步探讨物理因子对模式预报误差的影响过程表明, 开展因子与预报误差相关关系的研究, 不但有助于评估模式的模拟性能、为改进模式提供依据, 更重要的是为预报策略的创新、发展新的误差订正方法提供了新思路。另外, 本文所选用的物理因子是气候系统中海洋和大气分量的主要变率模态特征量, 这是为了与所用动力季节预报结果来源于海-气耦合模式系统相匹配的。对于更为复杂的包含更多圈层的气候系统模式, 就应该选用能反映气候系统其他分量变化的特征量, 便于更好地考察其与预报误差之间的相关特征。

参考文献
[1] 王绍武. 现代气候学研究进展. 北京: 气象出版社, 2001: 306-311.
[2] 陈兴芳, 赵振国. 中国汛期降水预测研究及应用. 北京: 气象出版社, 2000: 1-241.
[3] 丑纪范, 徐明. 短期气候数值预测的进展和前景. 科学通报, 2001, 46, (11): 890–895.
[4] 丁一汇, 刘一鸣, 宋永加, 等. 我国短期气候动力预测模式系统的研究及试验. 气候与环境研究, 2002, 7, (2): 236–246.
[5] 李维京, 张培群, 李清泉, 等. 动力气候模式预测系统业务化及其应用. 应用气象学报, 2005, 16, (增刊): 1–11.
[6] 丑纪范. 为什么要动力-统计相结合?———兼论如何结合. 高原气象, 1986, 5, (4): 367–372.
[7] 顾震潮. 天气数值预报中过去资料的使用问题. 气象学报, 1958, 29, (3): 176–184.
[8] 丑纪范. 天气数值预报中使用过去资料的问题. 中国科学, 1974, 17, (6): 635–644.
[9] 郑庆林, 杜行远. 使用多时刻观测资料的数值天气预报新模式. 中国科学, 1973, 16, (2): 289–297.
[10] 曹鸿兴. 大气运动的自忆性方程. 中国科学 (B辑), 1993, 23, (1): 104–112.
[11] 邱崇践, 丑纪范. 天气预报的相似-动力方法. 大气科学, 1989, 13, (1): 22–28.
[12] 黄建平, 王绍武. 相似-动力模式的季节预报试验. 中国科学 (B辑), 1991, 21, (2): 216–224.
[13] 张培群, 丑纪范. 改进月延伸预报的一种方法. 高原气象, 1997, 16, (4): 376–388.
[14] 谷湘潜. 一个基于大气自忆原理的谱模式. 科学通报, 1998, 43, (1): 1–9.
[15] 曹鸿兴, 谷湘潜. 自忆谱模式制作中期天气预报的试验. 应用气象学报, 2000, 11, (4): 455–466.
[16] 封国林, 曹鸿兴, 谷湘潜, 等. 一种提高数值模式时间差分计算精度的新格式———回溯时间积分格式. 应用气象学报, 2002, 13, (2): 207–217.
[17] 鲍名, 倪允琪, 丑纪范. 相似-动力模式的月平均环流预报试验. 科学通报, 2004, 49, (11): 1112–1115.
[18] 任宏利, 丑纪范. 统计-动力相结合的相似误差订正法. 气象学报, 2005, 63, (6): 988–993.
[19] 任宏利, 丑纪范. 在动力相似预报中引入多个参考态的更新. 气象学报, 2006, 64, (3): 315–324.
[20] 丑纪范, 任宏利. 数值天气预报———另类途径的必要性和可行性. 应用气象学报, 2006, 10, (2): 240–244.
[21] 任宏利, 张培群, 李维京, 等. 基于多个参考态更新的动力相似预报方法及应用. 物理学报, 2006, 55, (8): 4388–4396.
[22] 任宏利, 丑纪范. 动力相似预报的策略和方法研究. 中国科学 (D辑), 2007, 37, (8): 1101–1109.
[23] Barnett T P, Preisendorfer R, Origins and levels of monthly and seasonal forecast skill for United States surface air temperatures determined by canonical correlation analysis. Mon Wea Rev, 1987, 115: 1825–1850. DOI:10.1175/1520-0493(1987)115<1825:OALOMA>2.0.CO;2
[24] Zeng Q C, Zhang B L, Yuan C G, et al. A note on some methods suitable for verifying and correcting the prediction of climate anomaly. Adv Atmos Sci, 1994, 11, (2): 121–127. DOI:10.1007/BF02666540
[25] Feddersen H, Navarra A, Ward A N, Reduction of model systematic error by statistical correction for dynamical seasonal predictions. J Climate, 1999, 12: 1974–1989. DOI:10.1175/1520-0442(1999)012<1974:ROMSEB>2.0.CO;2
[26] Wang H J, Zhou G Q, Zhao Y, An effective method for correcting the seasonal-interannual prediction of summer climate anomaly. Adv Atmos Sci, 2000, 17: 234–240. DOI:10.1007/s00376-000-0006-9
[27] Kang I S, Lee J Y, Park C K, Potential predictability of summer mean precipitation in a dynamical seasonal prediction system with systematic error correction. J Climate, 2004, 17: 834–844. DOI:10.1175/1520-0442(2004)017<0834:PPOSMP>2.0.CO;2
[28] 郎咸梅, 王会军, 姜大膀. 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, 2004, 47, (1): 19–24.
[29] Chen H, Lin Z H, A correction method suitable for dynamical seasonal prediction. Adv Atmos Sci, 2006, 23, (3): 425–430. DOI:10.1007/s00376-006-0425-3
[30] Mantua N J, Hare S R, Zhang Y, et al. A Pacific interdecadal climate oscillation with impacts on salmon production. Bull Amer Meteor Soc, 1997, 78: 1069–1079. DOI:10.1175/1520-0477(1997)078<1069:APICOW>2.0.CO;2
[31] Li J, Wang J X L. A modified zonal index and its physical sense. Geophys Res Lett, 2003, 30(12), 1632, Doi: 10.1029/ 2003 GL017441
[32] Nan S, Li J. The relationship between summer precipitation in the Yangtze River valley and the previous Southern Hemisphere annular mode. Geophys Res Lett, 2003, 30(24), 2266 Doi: doi:10.1029/2003G L018381
[33] Li J, Wang J X L, A new North Atlantic Oscillation index and its variability. Adv Atmos Sci, 2003, 20, (5): 661–676. DOI:10.1007/BF02915394
[34] 任宏利. 短期气候预测中基于预报因子的误差订正方法研究. 自然科学进展, 2007, 17, (12): 1651–1656.