短期气候预测对现代社会经济活动具有重大应用价值，近20年其科学研究和业务应用方面发展迅速。传统上气候预测技术主要分为统计方法和模式方法两类, 但随着模式技术的迅速发展，目前气候模式动力预测技术是世界各大气候预测业务部门的主要预测工具^[1-2]。

在单一模式预测能力有限的情况下，集合技术被用来提高模式对气温和降水的预测能力。集合技术从单模式多初始场集合逐渐发展到采用多样本和多模式进行综合预测来减小模式预测的不确定性^[3-9]。多初始值集合可以减小动力模式初值条件不确定带来的误差，而多模式集合通过对不同来源的模式结果进行集合，可将某些模式误差和随机误差减少，通常较单模式具有更高的预测技巧^[10]。近10年来，以DEMETER^[11]和CLiPAS^[7]两个项目为标志，多模式集合技术得到日益广泛的研究和业务应用。目前, 亚太经济合作组织气候中心 (APCC)、美国国际气候预测研究所 (IRI)、欧洲中期天气预报中心 (ECMWF) 和美国国家环境预报中心 (NCEP) 等先后利用多模式集合技术发布季节预测业务产品。

降尺度解释应用技术是提高模式气温、降水预测水平的常用方法之一。在模式中对云-辐射、对流性降水等复杂小尺度物理过程通常用参数化方案做近似描述，从而导致气温和降水难以完全准确模拟和预测。大气环流主要受海陆差异、海表温度、积雪等空间和时间上连续性较强的大尺度要素影响，其模拟和预测能力较高。对月和季节时间尺度而言，大尺度气温和降水特征往往与大尺度环流特征有关。东亚季风区副热带高压变化和夏季雨带移动关系密切，西伯利亚高压和北极涛动位相对冬季气温具有指示作用，从而通过大气环流场间接预测降水温度通常具有更高技巧。因此，对模式预测进行降尺度解释应用是世界气象组织推荐并在国内外较多使用的一类气候预测技术。在具体应用方面，主要通过区域模式嵌套或统计方法间接提高与环流场密切相关的气温和降水的预测准确性^[12-13]。这两类方法在国内也有一系列的研究^[14-20]，并在国家气候中心得到应用。孙林海等^[21-22]评估了采用国家气候中心区域气候模式 (Regcm_NCC) 进行动力降尺度对我国季节气温和降水的预测能力。在统计降尺度方面，陈丽娟等^[23-24]建立了基于简化环流场-降水动力方程的局地动力统计降尺度方法，艾孑兑秀等^[25]发展了EOF迭代法，柯宗建等^[26]发展了最优子集回归 (OSR) 方法，贾小龙等^[27]发展了变形典型相关分析 (BP-CCA) 方法。

为了促进短期气候预测业务向客观定量化发展，国家气候中心推动基于国内外先进气候业务模式数据解释应用集成预测技术的研发和业务应用，建立了相应业务系统MODES，该系统目前发展到1.1版本。本文对MODES 1.1版本中4种降尺度方法以及2种降尺度集成方法进行介绍，并给出夏季后报历史检验以及MODES初步建成以来冬季、夏季和月平均气温及降水业务应用效果评估，以展示MODES初步的预测能力。

MODES所用数据主要包含模式数据和台站观测数据两种。ECMWF，NCEP，东京气候中心 (TCC) 和中国气象局国家气候中心 (NCC) 为世界气象组织4个长期预报全球产品中心 (LRF-GPC), 代表了目前国内外先进的短期气候预测业务水平。MODES从2012年开始能够业务性获取以上4个气候业务单位实时发布的季节预测模式输出场 (表 1)。在业务应用中，MODES将所有模式数据统一处理成水平分辨率为2.5°×2.5°的NetCDF格式数据，与NCEP再分析数据一致。MODES主要针对500 hPa位势高度、200 hPa纬向风和经向风、850 hPa气温4个要素的异常场进行降尺度。本文采用原始的模式输出场，基于各模式历史回报时段的平均值计算模式环流场异常值，并进行统计降尺度。

表 1

表 1 国家气候中心MODES现有业务气候模式数据 Table 1 The accessible data of operational climate models at NCC 机构 模式 预测时间长度 业务应用起始时间 模式数据原始分辨率 历史回报时间 ECMWF System4 7个月 2011年 1.5°×1.5° 1981—2010年 NCEP CFS V2 9个月 2011年 1°×1° 1982—2010年 TCC MRI-CGCM 3~7个月 2009年 2.5°×2.5° 1979—2008年 NCC CGCM V1 11个月 2005年 2.5°×2.5° 1983—2003年

表 1 国家气候中心MODES现有业务气候模式数据 Table 1 The accessible data of operational climate models at NCC

MODES采用的台站数据有我国326个站、160个站等多种。为了与国家气候中心历史预测业务接轨，本文采用160个站月平均气温和月降水量观测数据，数据从1951年1月开始，在业务中每月月初实时更新。

MODES中，首先分别对各个模式利用各个方法进行降尺度，而后对模式-降尺度方法进行集成，最终对模式-降尺度方法、各集成方法进行挑选，选择历史同期预测效果最佳的一种作为系统预测进行输出。由于MODES直接面向气候预测业务，在交叉检验基础上，采用独立预报检验预测效果。

MODES采用了数种有物理意义的统计降尺度预测方法。我国主要处于东亚季风区，在季节尺度上，通常我国不同的降水分布对应东亚地区从高纬度到低纬度不同的环流场距平分布形态。比如，我国夏季主要多雨带偏南 (长江流域或江南)，对应东亚地区500 hPa高度场南北向“+-+”的波列分布；而主要多雨带偏北 (黄河流域及其以北地区)^[28]常对应“-+-”波列分布。因此，用环流场分布预测降水分布有很好的气候统计分析基础，EOF迭代方法和BP-CCA方法均能将环流异常场模态和气温、降水模态分别建模，对我国气温、降水异常分布直接预测。此外，由于单站气温、降水与环流场1个或数个因子关系密切，选用最佳的因子组合对单站进行预测也是可行的，MODES为此采用了OSR和HCRE方法。

MODES具有等权平均、经典超级集合、区域最优和加权平均等多种集成方法，由于等权平均和经典超级集合是国际上多模式集合最常用的两类集合方法，并且应用效果较好。本文采用等权平均和经典超级集合两种方法对各模式-降尺度方法预测结果进行集成，并采用国家气候中心的经典PS评分、异常相关系数 (ACC) 和距平符号一致率检验MODES的预测效果。

迭代EOF方法通过构造包含预报场和预报对象的矩阵并进行多次EOF展开和重构，进而得到预测结果。该方法的思路为建立一个同时包含历史和实时预报场和预报对象场的矩阵，并将其分解为空间函数场和时间函数，空间函数场反映预报场和预报对象场之间自然协调的多重关系，而时间系数反映年代际和年际变化，通过EOF分析和迭代，预报场和预报对象场之间多重信息进行交融，就可以得到包涵了复杂关系在内的预报。这种方法计算量小，易于实现。与其他统计方法相比，它直接应用了预报因子场和实况资料场的对应关系。

EOF迭代方法最初是一种统计预测方法，张邦林等最早根据该方法用前期大气环流预测我国夏季降水^[29]。2008年艾孑兑秀等^[25]和沈愈^[30]将该方法用于降尺度，从而成为国家气候中心一种降尺度预测方法。根据业务应用经验，采用5°S~9°N, 7.5°E~175°W近似东北半球范围的500 hPa高度场作为预报场。

BP-CCA，又称EOF-CCA，是一种既考虑现象联系又考虑成因特征的预测方法，首先对预报量和预报因子场分别进行主成分分析，利用这两个变量场的主分量进行典型相关分析 (canonical correlation analysis)，而后进行建模和预测。

BP-CCA早期是一种统计预测方法^[31-33]，贾小龙等^[27]将BP-CCA方法应用于我国冬季气温和降水降尺度预测研究，首先利用NCEP再分析数据500 hPa环流场和我国160个站观测数据进行降尺度试验，用交叉检验方法确定EOF模态最优的截断阶数，最终确定选取前10个模态。试验表明，大多数站气温可预测性高，而降水可预测性明显低于气温，但也表现出较高的可预测性。MODES中BP-CCA方法基于贾小龙等^[27]的研究而设计，但去除了对NCEP再分析数据的应用，直接利用模式历史环流预报场进行经验正交分解和建模。

OSR方法从所有可能的回归组合中确定出一个效果最优的子集进行回归预测。假设考虑有m个自变量的回归，除去空集，实际有2^m-1个变量子集。选定一种变量选择准则S，每1个子集回归都对应1个S值。本研究中，S越小，对应的回归方程效果就越好。在2^m-1个子集中，最小值对应的回归即为最优子集回归。选择合适的最优子集回归的识别准则，是建立最优回归预测模型的关键。

OSR方法最早是由Garside^[34]和Furnival等^[35-36]发展起来的一种统计预测方法。柯宗建等^[26]将该方法改造为我国气温和降水预测的降尺度方法。该方法选取模式模拟性能较好的气象变量来表征大尺度气候状况, 针对中国区域每个格点的气温或降水序列，利用OSR方法选取变量场中一组最优预报因子, 建立相应的回归预报方程并进行预报。针对气候预测的特点，利用同时考虑数量和趋势效果的双评分准则 (CSC) 来筛选预报因子。MODES中，该方法利用500 hPa高度场、850 hPa气温、200 hPa经向风和纬向风4个变量进行降尺度预测。

高相关回归集成 (HCRE) 方法是2009年国家气候中心刘长征制作的一种多因子统计预测方法，该方法利用国家气候中心发布的74项环流特征量对后期月平均降水进行分组预测。由于业务试用表明该方法对降水有较好的预测能力，2011年刘长征将其改造为降尺度方法。具体预测流程如图 1所示，首先利用国家气候中心环流特征量计算程序对模式历史同期和当前预测的500 hPa环流场计算71项环流特征量，而后挑选高相关的单特征量因子进行一元回归建模和预测结果，并进行集成得到最终预测。该方法选用更具有指示意义的环流特征因子，而非环流场空间分布。在选取预报因子时，兼顾相关系数和异常信号一致率，以保证因子具有真正的预报价值；利用各因子分别进行回归预测，并对预测降水偏多/偏少进行分组，选取更可靠的一组，对多因子预测结果进行集成。

图 1

图 1. HCRE方法预报流程图 Fig 1. Diagram of the downscaling method of regress ensemble of high correlation factors

等权平均 (EE) 和经典超级集合 (SE) 都是对所用模式-降尺度方法预测进行平均的集成方法。对等权平均方法而言，各方法权重相等，为模式-降尺度方法数量的倒数。而对超级集合平均而言，根据Krishnamurti等^[4]的工作，权重系数由多元线性回归计算得到。需要指出的是，由于降尺度方法需要20年左右的训练期，其历史后报长度有限，经过试验，采用临近7年时间长度作为训练期，建立预测模型，从而能够得到最近5年的集成预测。

MODES用时间检验和空间检验两种方式进行预测效果评估。时间检验采用PS评分和ACC评估每次预测的效果。PS评分采用陈丽娟等^[24]对降尺度技术进行评估的方法，该方法为短期气候预测业务常用方法，在距平符号预报准确百分率的基础上增加异常级加权得分, 能够较好地反映整体趋势预测能力。ACC能够反映气温和降水空间异常分布预测的技巧，对于160个站而言，ACC分别在0.13，0.16，0.20时达到0.1，0.05，0.01显著性水平。对于预测效果的空间分布，MODES给出各台站历史后报与观测值之间的距平符号一致率进行评估。距平符号一致率是国家气候中心预测业务中经典的评估办法，在小样本情况下较相关系数评估更为实用。

月和季节气温、降水趋势预测是国家气候中心主要的预测业务。分别在每年3月和10月制作夏季 (6—8月平均) 和冬季 (12月—次年2月平均) 气温、降水预测产品，在每月下旬制作未来月气温、降水预测。MODES 2011年开始制作季节气温、降水预测产品，2012年开始业务化发布季节预测产品。2012年8月MODES开始发布全国月业务预测产品，并参加每月预测技术总结会商。

采用3月起报的模式数据对夏季气温、降水进行解释应用集成预测历史后报检验评估。由于后报仅采用起报月份之前的模式输出场和台站数据，其预测难度等同于正常预测业务，从而能够真实反映短期气候预测的能力。MODES采用2003—2012年后报的平均效果对单个模式-降尺度方法进行评估。由于超级集合方法采用各模式-降尺度方法前期一定年份的实时后报进行集合，使得其后报检验评估年份明显少于各模式-降尺度方法，为统一起见，对两种集成方法用2008—2012年后报的平均效果进行检验。

PS评分展示了预测方法对气候趋势的把握能力，图 2给出了各模式-降尺度方法以及两种集成方法对夏季气温预测的平均PS评分。图 2表明，MODES对夏季气温有较高的预测能力，且集合方法有明显的优势。16个模式-降尺度方法平均PS评分为52~82，采用NCEP模式数据的HCRE方法具有最高的平均PS评分 (82)。简单的等权平均集成方法PS评分为78，在各个模式-降尺度方法中仅次于利用NCEP模式数据采用HCRE方法预测结果，而超级集合平均PS评分为87，远远高于最佳的降尺度方法。值得注意的是，随着预测时间和预测对象的不同，等权平均通常表现出高于绝大多数模式-降尺度方法的预测效果，而最佳的模式-降尺度方法有很大变化。从而对多模式-降尺度方法做简单的集合预报有明显的应用价值。超级集合方法通常表现出MODES最佳的气温预测能力，其平均PS评分和ACC (图略) 均明显高于模式-降尺度方法和等权平均集成方法，即其趋势预测和空间形态预测都体现出具有最大的可信度。

MODES最优夏季气温方法 (超级集合方法) 历史后报预测各台站距平符号一致率的空间分布如图 3a所示。由图 3a可以看到，对我国大部地区预测的距平符号一致率在70%以上，尤其在西北部分地区、青藏高原西部和北部，距平符号一致率不低于90%，具有很好的可信度。在东北南部、华北等地PS评分约为50，预测可信度较低。

季节降水预测是世界性的难题。夏季降水受大尺度环流影响，同时局地对流性特征很强，使其可预测能力明显低于气温，MODES对夏季降水预测的技巧也明显低于气温。后报试验表明，MODES最佳预测方法为采用TCC模式的EOF迭代方法，平均PS评分为67，平均ACC为0.05，体现了一定的预测技巧。从降水距平符号一致率分布 (图 3b) 可知，MODES目前对我国大部地区降水预测技巧不高，因此空间异常分布的参考价值明显低于气温预测。

由于现有MODES中各模式-降尺度方法之间预测技巧差异过大，对所有模式-降尺度方法进行集合的预测效果反而低于最佳模式-降尺度方法。因此，增加新的或改进已有的降尺度方法是改进MODES季节降水预测的主要途径。

图 2

图 2. MODES夏季气温后报平均PS评分 (起报时间为3月，其中降尺度方法后报时间为2003—2012年；集成方法后报时间为2008—2012年) Fig 2. The mean PS skill of the reforecast of summer temperature of MODES (forecast start reference is March, the reforecast period is 2003—2012 for the downscaling methods and 2008—2012 for the ensemble one, respectively)

图 3

图 3. MODES最优夏季气温 (a) 和降水 (b) 后报距平符号一致率空间分布 Fig 3. The spatial distribution of the same sign rate of prediction anomalies of temperature (a) and precipitation (b) in summer

MODES于2011年秋季初步建成，并开始提供季节预测业务产品。图 4~图 6分别给出了2011—2012年冬季、2012年夏季、2012—2013年冬季的气温、降水实况及相应的MODES预测结果，其中图 4和图 5预测和实况均以1971—2000年平均为基准，而2012—2013年冬季以1981—2010年平均为基准。可以看出，在气温预测方面，MODES对2011—2012年冬季预测与实况基本一致，对2012年夏季趋势预测也比较吻合；而2012—2013年前冬全国大部明显偏冷，后冬回温非常快，导致气温异常形态前后发生了巨大变化，MODES全国偏冷的预测只与前冬一致，对整个季节平均的形式预测不够准确。从降水预测来看，对2011—2012年冬降水偏少的趋势把握较好，但对雨带预测错误，对2012年夏季和2012—2013年冬季主雨带预测基本准确，尤其在我国东部地区。可以看出，由于降水预测的复杂性，MODES对降水的预测技巧明显低于气温。

图 4

图 4. 2011—2012年冬季气温距平与降水距平百分率实况与预测 (a) 气温实况，(b) 气温预测, (c) 降水实况, (d) 降水预测 Fig 4. The observation and prediction of temperature anomaly and precipitation anomaly percentage during the winter of 2011—2012 (a) temperature observation, (b) temperature prediction, (c) precipitation observation, (d) precipitation prediction

图 5

图 5. 同图 4，但为2012年夏季 Fig 5. The same as in Fig. 4, but for the summer of 2012

图 6

图 6. 同图 4，但为2012—2013年冬季 Fig 6. The same as in Fig. 4, but for the winter of 2012—2013

2012年春季国家气候中心开始利用MODES对月和季节气温、降水进行预测业务应用。表 2为2012年8月—2013年7月MODES发布的全国月平均气温、降水预测的PS评分。MODES通常有较好的月气温预测能力 (平均PS评分为76，中位数为81)，但预测能力不稳定，尤其在气温连续偏暖突然向偏冷转折的情况下预报效果不理想。MODES月降水预测平均PS评分和中位数均为68，高于国家气候中心业务发布平均评分，在月降水预测业务中有一定的参考价值。

表 2

表 2 MODES在2012年9月—2013年7月月预测业务应用PS评分 Table 2 PS skill of the monthly operational prediction of MODES from September 2012 to July 2013 时间 PS评分 气温 降水 2012-09 69 44 2012-10 70 69 2012-11 44 77 2012-12 95 60 2013-01 56 65 2013-02 95 84 2013-03 90 64 2013-04 73 73 2013-05 83 68 2013-06 85 73 2013-07 81 68

表 2 MODES在2012年9月—2013年7月月预测业务应用PS评分 Table 2 PS skill of the monthly operational prediction of MODES from September 2012 to July 2013

采用单一动力模式进行气候预测是国际上短期气候预测业务的主要工具，但在目前及可预测的未来一段时间内，模式直接预测水平有限，不能满足社会经济对气候预测准确性的需求。采用更多的技术手段提高短期气候预测能力是必要且可行的，多模式集合和降尺度方法是两种常用的模式预测改进手段。国家气候中心将多模式集合和多降尺度方法相结合，推动多模式解释应用集成预测技术和业务系统 (MODES) 的研发和应用。利用ECMWF，TCC，NCEP和NCC 4个气候业务模式数据，结合EOF迭代方法、BP-CCA方法、OSR方法和HCRE方法4种降尺度解释应用方法，以及等权平均和经典超级集合等集成方法，初步建立了多模式解释应用集成预测系统，并进行了夏季回报检验和近1年的实时预测业务应用，结论如下：

1) MODES对气温有较好的预测能力。在季节和月尺度，MODES对气温变化趋势和空间异常分布形态方面预测可信度较高，在气候预测业务应用中具有参考价值。

2) MODES对降水趋势预测有一定的预测技巧。月降水预测业务应用效果平均PS评分为68，高于国家气候中心发布预测业务产品平均评分。

3) 目前，MODES对降水空间异常分布的预测能力较低。月和季节降水预测是最有应用价值的气候预测内容，提供高质量的降水预测产品是MODES的核心任务。从后报以及业务应用效果评估来看，虽然当前MODES趋势预测和空间异常分布都明显高于模式直接预测，但其预测能力仍有限，不能满足业务需求。在今后的工作中，将从对观测数据更有效的预处理、改进已有的并增加新的降尺度方法与集成方法3个途径，对MODES进行业务应用并持续改进。