2019, 30 (4): 416-430
10~30 d延伸期(简称延伸期)预报填补了中期天气预报和短期气候预测之间的缝隙，在防灾减灾决策服务中起着重要作用，一直是科学研究和业务预报关注的重点和难点。世界气象组织(World Meteorological Organization, WMO)下属的世界天气研究计划(World Weather Research Programme, WWRP)和世界气候研究计划(World Climate Research Programme, WCRP)于2013年联合发起了次季节到季节(Sub-seasonal to Seasonal, S2S)预测计划[1]，目前已经完成项目第1阶段的主要研究任务，并开始为期5年的第2阶段计划研究。欧洲中期天气预报中心(European Centre for Mediumra-nge Weather Forecasts, ECMWF)在其发布的“2025路线图”中提出，在10年内将高影响天气事件的有效预报时效提升至2周，大尺度环流形势及转折的预报时效提升至超前4周[2]。美国国家科学院(National Academy of Sciences, NAS)发布了未来2周至12个月的预测研究计划[3]，目标是在10年内将次季节至季节尺度预测应用的广度和深度提升至目前天气预报的水平。美国国家海洋大气局(National Oceanic and Atmospheric Administration, NOAA)计划在已有的北美多模式集合预报系统(North American Multi-Model Ensemble, NMME)基础上发展次季节到年际尺度的预报系统，并提供未来3~4周的预报服务[4]。中国气象局在印发的“全面推进气象现代化行动计划(2018—2020年)”和“智能网格预报行动计划(2018—2020年)”中，明确提出将气象要素和重要天气过程的延伸期预报列为重点任务和着力攻关的关键核心技术之一。
延伸期预报比逐日天气预报的时效更长，大气初始信息的贡献持续衰减；较以月和季节为代表的短期气候预测的时效更短，海温、积雪、土壤湿度等下垫面信号的作用还显现得不够充分，这使得延伸期的可预报性与天气预报和短期气候预测的可预报性存在显著不同，它的可预报信号既来自于初始条件，也与下垫面条件有关[5]。大量研究表明：该预报时段存在一些潜在的可预报源，如热带低频振荡(Madden-Julian Oscillation, MJO)和北半球夏季大气季节内振荡(Boreal Summer Intra-seasonal Oscillation, BSISO)[6-8]、热带海洋大气相互作用、平流层和对流层相互作用[9-11]、土壤湿度[12]、积雪和海冰[13-14]以及热带-热带外遥相关等，都为该时段的预报提供了科学基础。同时，大量的数值模式和预报方法被广泛应用，旨在提高延伸期时段的预报技巧。
1 延伸期的可预报性来源初始条件、边界条件的误差和数值模式中的各种近似导致预报结果不可避免地存在不确定性，这种不确定性与预报时效密切相关，一直是天气和气候可预报性研究的重要内容之一[15-20]。根据预报时效的不同，大气可预报性通常可分为两类:第1类与初值有关，强调初始条件的重要性，逐日的天气预报属于该类，依赖于初值信息记忆的逐日天气可预报上限约为2~3周[21-22]；第2类与边值有关，强调边界条件的作用，它依赖于大气系统对边界条件的响应。气候系统中一些缓慢变化的下垫面异常(如海温、积雪、土壤湿度等)特征能提供持续时间更长的信息，这些缓变信号对大气系统有重要作用，是短期气候(月到季节尺度)预测的基础。
延伸期预报处于天气预报和短期气候预测之间，其可预报性来源既与初值有关，也与下垫面的异常密切相关。在这一时间尺度，虽然大气初始信息的贡献在不断衰减，但它仍然对延伸期时段的大气环流演变有着重要影响。首先，大气的可预报性不是固定不变的，它与初始条件所处的状态有关，如初始条件靠近于天气型转换时，可预报时效往往较短；而处于稳定的环流型时，可预报时效相对较长。但很难识别哪类初值在延伸期的潜在可预报性更高[23]。其次，不同尺度的波具有不同的预报时效，天气尺度的不稳定性和慢变的行星尺度的波非线性相互作用后可能产生不同的可预报性特征，如热带大气低频振荡、平流层和对流层的相互作用等具有较长生命周期的气候现象，是延伸期预报的重要可预报性来源[24-25]。此外，对不同区域而言，可预报性对初始条件的依赖性也有所不同[26-28]，并导致我国不同地区可预报性的差异[29-30]。
海气相互作用，尤其是热带海温，是延伸期预报的重要信息源，它对大气低频流型的建立和维持均有影响。以厄尔尼诺和南方涛动(El Niño-Southern Oscillation, ENSO)为代表的热带太平洋海气耦合现象对全球气候有重要影响[31]，是已知的季节到年际气候变率最重要的可预报源[32-33]，它通过大气环流以遥相关形式影响东亚季风系统，尤其是ENSO的位相和强度与东亚地区的气候密切相关。对2015/2016年超强El Niño事件背景下我国月预测的技巧差异分析表明：在El Niño发展位相，降水预报和环流预报技巧较高且稳定，而在El Niño衰减位相，月预报技巧总体偏低[34]。进一步分析表明：亚洲-太平洋涛动(Asian-Pacific Oscillation, APO)[35]可能是造成这种差别的重要影响因素，即当El Niño和APO对西北太平洋环流的影响不一致时，将直接影响东亚环流的可预报性高低以及动力模式的预报技巧。除热带太平洋的影响外，其他海区的海温对区域大气低频流型同样有着重要影响。对欧亚尤其是东亚地区而言，印度洋和大西洋海温异常有着明显的影响，如印度洋热力状况的改变会通过海气相互作用影响到东亚地区的天气气候异常，它也是东亚等地环流异常的信号来源之一[36]。而作为重要桥梁联系春季北大西洋涛动(North Atlantic Oscillation, NAO)和东亚夏季风的北大西洋海温，也与欧亚中高纬度环流异常密切相关[37]，数值试验结果也证实了北大西洋海温与东亚环流异常的联系[38]。海气相互作用不仅在热带地区对延伸期预报有贡献，Wang等[39]在完美模式的假定下，将其中一个集合预报成员作为实际观测，而将其他成员作为预报，即不考虑模式误差影响的情况下，发现海气耦合过程对北半球热带外地区的延伸期潜在可预报性也有重要贡献。
延伸期的可预报性既依赖于大气初始条件，也依赖于下垫面异常，因此，大气环流模式和耦合模式(主要是海气耦合)是目前延伸期预报的主要工具。二者的优劣目前尚无定论，一方面，耦合模式在反映下垫面异常的演变特征及其与大气的相互作用方面具有优势，尤其是在大气初始信息快速衰减后；另一方面，除了大气环流模式本身的误差外，海气耦合模式还会由于海洋模式本身以及海气耦合过程的缺陷使误差增加，即海气耦合模式增加了可预报的信息源，同时也引入了新的误差。因此，增加的可预报信号和新增的误差之间的相对贡献大小是海气耦合模式较之大气环流模式是否更有优势的关键。鉴于此，国际上主要的业务预报中心在延伸期动力模式预报方案的选择上存在明显不同，如美国气候预报中心(Climate Prediction Center, CPC)采用耦合模式[40]，日本东京气候中心(Tokyo Climate Center, TCC)和中国气象局国家气候中心则采用大气环流模式，海温异常给定为初始海温异常的持续，而ECMWF采用了不同的方案，前10 d采用分辨率较高的大气模式，10 d则采用降低分辨率后的耦合模式[41]。各家模式采用的不同延伸期预报方案表明：不同的动力模式中海气相互作用的贡献与误差增加之间的相对大小表现并不一致，因而对初始条件和海气相互作用在延伸期预报中的贡献认识也存在差异。对热带季节内低频信号尤其是MJO在触发、传播和消亡过程中大气内部动力和海气相互作用的贡献已有大量研究工作，但在北半球中高纬度地区，大气初值和海气相互作用的贡献需进一步研究。近年来，一些研究讨论了延伸期预报中大气初值与下垫面异常的贡献，如Reichler等[42-43]利用完美模式方法比较了大气初值、陆面以及海洋异常对热带地区月平均预测的作用，发现当ENSO现象较弱时，初值对东半球的影响最强，3周以后边界强迫是热带可预报性的主要因子；DeMott等[44]通过比较不同版本的海气耦合模式与大气模式，证明了耦合模式对季节内振荡具有更高模拟能力；Fu等[45-46]通过分析初始条件对季节内预测技巧的影响和海气相互作用对季风季节内振荡的贡献，表明海气相互作用能显著提高整个亚洲-西太平洋区域的可预报性，耦合模式对季风季节内振荡的预报时效较大气环流模式能延长1周。汪栩加等[47]利用中国气象局国家气候中心大气环流模式，设计4组不同大气初值与海温的配置关系构成对比试验，分析了大气初值与海温边值对延伸期预报的相对贡献。初始条件记忆和海气相互作用在不同时段、不同区域的相对作用存在明显差异。初始条件的影响随着预报时效延长，衰减速度在不同时段和区域也不相同。同时，慢变的海表温度影响不同区域的大气环流所需要的时间也存在明显的区域差异。对比大气初值、海温边值均采用观测值(IOBO方案)及大气初值采用观测值、海温边值采用气候值(IOBC方案)两种方案结果(图 1)可知，海温异常最先影响的是海气相互作用显著的低纬度地区，且从低层到高层逐渐呈现。第3候以后，海温异常对大气环流的影响逐渐扩展到中高纬度地区，但影响的范围和程度均小于低纬度地区，低纬度海洋上的影响仍然最为明显。
|
|
| 图1 1991—2000年IOBO方案与IOBC方案500 hPa高度场逐候MSSS评分分布[47] Fig.1 MSSS of pentad mean 500 hPa geopotential height between scheme IOBO and scheme IOBC from 1991 to 2000(from Reference [47]) | |
2 延伸期预报相关的次季节气候现象及预报技巧
根据非线性可预报性理论，逐日天气预报存在2周左右的可预报性上限[16, 48]，但这并不意味着延伸期大气运动没有可预报的分量[49]。首先，大气运动的可预报性与其时空尺度有关，如局地雷暴、冰雹、龙卷等强对流天气的可预报性上限为小时量级，天气尺度系统的可预报时效通常在2周以内，而一些行星尺度的大气活动中心(如副热带高压、极涡等)的特征时间尺度则远长于天气尺度。其次，许多长生命周期的气候现象，如平流层爆发性增温、大气遥相关等，以及大气中存在的准双周、10~30 d和30~60 d等多种时间尺度的季节内振荡[50]，均为延伸期预报提供了重要的可预报信号来源。此外，一些大气外强迫系统，如海温、积雪和海冰、土壤湿度等具有较长时间尺度的记忆性特征，逐周到月时间尺度上的海气、陆气耦合作用及大气响应也是延伸期可预报性的重要来源。近年来，对延伸期可预报信号源及相关气候现象的研究已取得一定成果，特别是对MJO等具有低频振荡特征的次季节尺度现象的监测预测取得了较大进展。
2.1 MJOMJO作为热带大气季节内变率的主模态，不但对热带区域气候影响显著，对中高纬度次季节气候变率也有重要影响，因而被认为是次季节尺度最重要的可预报性来源[51]。基于信噪比等指标的检验评估结果显示，数值模式中MJO的实时多变量(Real-time Multivariate, RMM)指数[52]潜在可预报时效为35~45 d，且可预报上限与MJO的位相以及强度有关[53-54]。近期参加S2S预测计划的各家模式对MJO的RMM指数预报技巧上限为10~38 d，其中美国地球物理流体力学实验室(Geophysical Fluid Dynamics Laboratory, GFDL)和日本东京大学全球对流解析模式(Nonhydrostatic Icosahedral Atmospheric Model, NICAM)对冬季MJO的预报技巧时效可达4周[55]，英国气象局(United Kingdom Met Office, UKMO)模式[56]、中国北京气候中心气候系统模式(Beijing Climate Center Climate System Model, BCC_CSM)[57]和美国耦合混合网格模式(atmospheric Flow-following Icosahedral Model coupled with the icosahedral-grid version of the Hybrid Coordinate Ocean Model, FIM-iHYCOM)[58]预报技巧时效在3周左右。
MJO有显著的季节变化，冬季MJO主要表现为自西向东传播，而夏季在印度季风区以北传和东北传播分量为主，西太平洋-东亚区域以北传和西北传播分量为主。针对这一特征，Lee等[59]采用与MJO指数相似的方法定义了东亚季风区BSISO指数。BSISO指数根据定义分为BSISO1和BSISO2指数，分别代表周期为30~60 d和10~30 d的振荡。大气季节内变率预报试验(Intraseasonal Variability Hindcast Experiment, ISVHE)[60]结果表明:强BSISO事件的可预报上限和预报技巧时效可达6周和3周，与冬季MJO的可预报性相当。S2S计划模式数据[1]分析结果显示：目前数值模式对BSISO1指数逐日预报技巧上限约为3周，BSISO2指数上限约为2周，但不同强度和位相状态下的BSISO指数预报技巧差异较大，如ECMWF模式对强BSISO事件第6、第7位相的预报技巧可达30 d左右[61]。
强MJO信号可以改变热带及副热带地区大尺度环流形势，并对热带气旋活动[62]、南海季风爆发[63]、季节进程以及降水等要素的时空分布[64]产生重要影响。BSISO在不同位相的演变也会影响到东亚夏季风进程[65]。吴捷等[66]基于国内外研究成果，发展了MJO实时监测预测方法，建立了ISV/MJO监测预测业务系统(ISV/MJO Monitoring and Prediction System, IMPRESS)，投入实时业务运行，其监测预测和影响信息有效地支撑了延伸期-月预测业务。2016年6—7月受超强厄尔尼诺事件的影响，西北太平洋为异常反气旋性环流，长江流域降水异常偏多。2016年8月有较强的MJO东传至西太平洋并持续长达25 d，激发了异常活跃的热带气旋活动，从而导致西太平洋副热带高压断裂，西北太平洋为异常气旋性环流控制，水汽输送条件转差，我国长江流域降水由前期异常偏多转为偏少[67]。2018年春夏季发生3次显著的热带低频振荡活动，分别影响了华南前汛期、南海夏季风的爆发时间，造成了季节进程的滞后，而一般在拉尼娜事件发生后，有利于亚洲夏季风季节进程提前[68]，MJO的活动对次季节尺度的雨季进程起到调制作用。次季节尺度气候现象监测预测业务系统的建设，使预报员能及时获取相关预报和可能的影响信息，从而获得较高技巧的季节内预测和服务效果[69-70]。
2.2 ENSOENSO不仅是年际尺度海气系统中最强信号，在次季节到季节尺度预测中也十分重要。首先，热带太平洋海温的持续性和转折特征为次季节尺度可预报性提供了重要来源。ENSO事件的空间型变化[71]可能影响到次季节到季节尺度气候特征[72-73]。2018年秋季发生一次弱的El Niño事件，季节内El Niño状态由中部型向东部型发展，热带印度洋海温偶极子正位相持续，秋季后期El Niño影响增强，东亚副热带大气环流也发生明显的季节内响应，西太平洋副热带高压由前期的偏强偏北转为偏强偏南，加上欧亚中高纬环流异常的季节内调整，二者共同导致了我国南方地区降水由初秋的东少西多转变为秋末的东多西少的季节内变化特征[74]。
其次，不同ENSO背景下MJO具有不同的发生发展特征[75]，与MJO相联系的西风爆发也与ENSO有着密切联系[76-77]。在El Niño期间，MJO强度减弱，且结构趋于正压性。积云对流加热反馈是热带大气季节内振荡(Intra-seasonal Oscillation, ISO)的主要动力学机制，ENSO能通过海表温度异常和对流加热对MJO的传播及其影响产生作用[78]。不同分布型El Niño事件的盛期和衰减位相，MJO活动特征也存在显著差异。与传统东部型El Niño盛期MJO明显减弱不同，中部型El Niño盛期至次年春季，热带中西太平洋MJO强度再次加强，从热带印度洋向赤道中东太平洋持续东传的特征更为显著[72]。ENSO与MJO的相互作用关系为延伸期预报提供了重要的时间窗口，当与之联系的遥相关较强且对气象要素异常的影响较为显著时，可以利用这种关系提升延伸期预报技巧[79]。
2.3 平流层与对流层相互作用平流层与对流层相互作用是次季节尺度另一可预报性来源[10]，研究表明：在平流层爆发性增温(Stratospheric Sudden Warming, SSW)事件中，在平流层下传信号的影响下，对流层大气往往呈现出长达数周的持续性环流异常[80-81]，特别是北半球环状模(Northern Hemisphere Annular Mode, NAM)在SSW事件发生后通常处于负位相，北极地区海平面气压偏高，欧亚北部和北美地区的低温事件发生频次上升[82]。研究显示，这些时段的延伸期预报往往具有更高的预报技巧。需要指出的是，尽管SSW事件对对流层的作用在统计上是显著的，但并非所有SSW事件信号都能够下传并影响对流层大气[83]，同时SSW事件的可预报性与极涡的空间结构有关，分裂型的SSW事件的可预报性通常低于移动型[84]。
多家模式预报的评估结果表明：SSW事件的预报时效上限通常约为10 d，但不同强度等级SSW事件的可预报时效存在较大差异，部分SSW事件的可预报时效可达20 d[85-88]。目前还不清楚这些可预报性分析结果仅仅是反映了模式系统的预报技巧，还是SSW事件自身的潜在可预报性。因此，还需要结合不同模式系统对这些结果作进一步诊断分析，以提升对SSW事件可预报性的认识。
2017年12月—2018年2月我国气温变化呈现出前冬暖、隆冬和后冬偏冷的阶段性特征[89]。这种季节内变化特征与2018年2月中旬北半球极地平流层发生的SSW事件有密切关系。北极地区的平流层中上层气温在短时间内快速升高了20℃左右，突发性升温造成极区平流层大气环流发生了强烈变化，位势高度升高，纬向西风转变为东风，平流层环流异常伴随着北极涛动信号下传到对流层，从而对低层大气和东亚天气气候产生重要影响。2018年2月下旬—3月中旬北极涛动指数持续异常负位相，500 hPa东亚大槽加深西移，我国东北和华北北部等地气温持续偏低。预报员及时监测到SSW事件，并根据动力气候模式的预测和监测诊断信息，预测到2月下旬—3月中旬的强冷空气活动和对我国的影响，取得较好的预测服务效果。
2.4 土壤湿度土壤湿度记忆可达数周，可通过改变蒸发和表面能量收支影响区域的气温和降水变率[90-91]。已有研究指出，考虑陆面初值对延伸期要素预报技巧具有改进作用[92]。对比大气和陆面初值对模式延伸期要素预报技巧的贡献结果显示：大气初值信号在预报的前2周占主导地位，但在预报第3~4周，两种信号对预报技巧的贡献可达到同一量级。不同区域陆面初值信息对模式要素预报技巧的影响也有显著差异，如在湿润和干旱地区的过渡带，考虑土壤湿度初值对气温预报技巧的提升最为明显[93]。对2003年欧洲和2010年俄罗斯西部夏季高温热浪的分析结果显示，区域土壤湿度异常对大尺度环流异常的维持起重要作用[94-95]。大气对土壤湿度偏低异常信号的响应表现为低层为热低压，对流层中上层为反气旋式高压脊。2003年夏季，该正反馈机制加强了欧洲上空的反气旋式环流异常，并进一步造成地表气温以及土壤湿度的异常。另一方面，同期降水的缺乏和与之相关的土壤湿度偏低，削弱了潜热冷却作用，放大了高温热浪事件的极端性。陆气耦合模式数值试验结果表明，土壤湿度异常和大气的相互作用显著增加了高温热浪的持续日数[96]。
2.5 积雪积雪是气候系统中的另一个缓变分量，大范围积雪的辐射和热力效应可对次季节到季节尺度的气候异常产生重要影响[97]。分析积雪信号对全球大气环流模式(Community Atmosphere Model Version3, CAM3)冬半年次季节气温预测技巧影响的结果表明，考虑积雪深度初值可以有效改进模式对北半球中纬度地区气温的预报能力[98]。Orsolini等[99]利用ECMWF模式对秋冬季积雪的气候效应进行分析，结果显示：在预报前15 d，大范围雪盖导致欧亚和北美的地表气温下降，而在预报30 d的时间尺度上，雪盖引起西伯利亚高压加强西伸，北极变暖而欧亚中高纬度地区变冷。这种由积雪造成的“暖北极-冷大陆”变化使模式预报的地表气温和实况更为接近。研究发现，欧亚积雪异常偏多有利于北大西洋涛动负位相的建立和维持[100]。
青藏高原积雪是东亚气候重要的陆面影响因子，其变化的时间尺度长于大气而比海洋短。高原冬春积雪由于其较高的反照率，能降低冬春高原的地表温度，减少地表向大气的感热和潜热输送，削弱青藏高原的热源作用；而在积雪融化时又会吸收大量潜热，同时融雪使土壤湿度增大，土壤热容量上升，造成地表能量平衡和水分交换异常，因此，不同的物理过程对东亚季风的影响也有所不同[101]。另一方面，我国东部降水从春季到夏季是逐渐推进的过程，在季风推进过程中降水性质也存在锋面降水和季风降水的变化，而青藏高原积雪异常对东亚地区的环流影响也存在季节内差异。冬春转换季节青藏高原积雪对数值模式延伸期预报技巧影响的分析显示，在青藏高原积雪显著影响的青藏高原地区、贝加尔湖地区和北太平洋地区，青藏高原积雪异常年动力模式的预报技巧明显高于正常年份。随着预报时效的延长，预报技巧在青藏高原积雪偏多年衰减最慢，其次为积雪偏少年，而在积雪正常年衰减最快。结果表明：青藏高原积雪的异常对延伸期预报技巧有重要贡献，即其为东亚地区延伸期预报的潜在可预报源[102]。
2.6 热带-热带外遥相关大气遥相关是短期气候预测的重要因子之一。已有研究工作大多集中在季节尺度大气遥相关的形成机理及其气候影响，而部分大气遥相关模态还存在次季节尺度变率[103-104]，如热带和中纬度次季节尺度相互作用和遥相关是热带和热带外环流以及天气气候异常的重要影响因子。季节内遥相关也被认为是尚未得到充分研究和利用的次季节可预报性来源[105]，然而季节内遥相关机理的复杂性和多样性以及相关概念模型研究的缺乏，阻碍了这种潜在可预报性向实际预报技巧的转化。
总体而言，目前对延伸期可预报信号源及相关气候现象的研究已取得一定成果，特别是对MJO等次季节尺度现象的研究和预测取得了较大进展，但对延伸期可预报信号源与天气气候异常的联系及其物理机制的研究还相对薄弱，在充分利用和实现延伸期潜在可预报性方面还有许多物理过程和方法问题需要解决。在可预报信号源影响比较显著的时间窗口，延伸期环流和要素的预报技巧可能相对较高，但是目前对于延伸期较强可预报性时段的成因和判定方法还不清楚。尽管如此，一些次季节尺度强信号的监测和预测能力的提升(如MJO，SSW等)在业务中获得广泛应用，推动了服务效果的提高。
3 延伸期预报方法和预报技巧20世纪80年代在Miyakoda等[106]利用大气环流模式对1977年1月的阻塞高压成功预测后，全球各大预报中心相继利用数值模式开展延伸期预报试验。美国国家气象中心开展了1986/1987年冬春每月30 d的逐日数值预报试验[107]。Deque等[108]利用法国T42全球模式预报了月平均500 hPa高度场。ECMWF开展了1985年4月—1989年1月逐月的延伸期预报[109]。加拿大、日本也进行了类似的试验[110-111]。各数值预报中心对大气环流模式的检验评估显示，模式对第1周或前10 d环流形势的预报能力决定了后面预报效果的优劣。丑纪范等[25]指出，仅依赖初值信息的大气环流模式的有技巧预报主要位于前10 d，10 d后模式预报技巧迅速下降。近年来，尽管数值模式性能有了很大提升，但10 d以上的预报技巧改善并不明显。
针对依赖初值信息的大气模式的可预报性上限问题，考虑海温等外强迫的耦合模式逐步成为改进延伸期预报技巧的重要研究方向。UKMO的数值试验结果[112]表明：在考虑海洋外强迫影响后，模式对热带大气环流的预报技巧在不同预报时效上均有提升，对中高纬度环流形势的预报技巧在30 d及以上时间尺度提升较为显著，而对10 d以内预报技巧的改善不明显。月平均环流预报中由海表面温度产生的预报技巧与由初值产生的预报技巧差异相当[113]。在大气环流对海温外强迫信号的响应时间研究方面，数值试验结果显示：大气对海温强迫信号响应的时间约为10 d，实时海温对10 d以内的预报结果影响较小，但对月时间尺度的影响十分明显[114-115]，特别是当预报时效超过3周时，在热带地区下边界强迫是可预报性的主要来源。
目前国际上主要业务预报中心延伸期预报已由大气环流模式逐步过渡到耦合模式，如美国CPC业务预报模式(Climate Forecast System version 2, CFSv2)，即为包括大气、海洋、海冰、陆面模式的全耦合气候系统模式，逐日滚动发布未来4周的环流和要素距平预报，每个时次的预报包含16个集合样本。CPC还提供未来6~10 d和8~14 d的气候趋势概率预报产品，包括气温偏高(低)、降水偏多(少)和接近正常的发生概率，采用的主要预报方法包括对各种动力和统计客观方法预报结果的综合集成。ECMWF延伸期预报业务中采用了两种预报方案：一种是将中期预报进行延伸，并在预报开始的10 d之后考虑海气耦合作用；另一种延伸期预报和季节预报类似，直接采用全耦合方案，并给出未来4周逐周平均的要素预报[116]。加拿大环境和气候变化中心(Environment and Climate Change Canada, ECCC)的全球集合预报系统每周四提供至未来32 d的预报结果，并处理为第5~11天、第12~18天、第19~25天和第26~32天以及30 d(月)平均的预报产品。日本气象厅(Japanese Meteorological Agency, JMA)的延伸期预报也称月预报，模式集合预报提供未来第1周和第2周、第3周、第4周以及28 d平均的预报结果。模式每周三提供1次预报结果，产品形式包括不同高度层环流场、降水、气温以及海表温度异常的预报。中国气象局国家气候中心第2代月动力延伸预测模式系统(Dynamic Extended Range Forecast operational system version 2.0, DERF2.0)基于大气环流谱模式建立，提供未来40 d逐旬和月平均环流形势和要素的预报[117]，2014年开始在第2代气候系统模式的基础上研发了BCC_CSM1.2模式用于延伸期预报，并提交了模式回算数据参加国际S2S预测计划。此外，中国气象局国家气候中心每旬第1天滚动发布未来10~30 d延伸期预报产品，产品内容包括延伸期气候趋势和强降水、强降温等重要天气过程预报。总体而言，与主要发达国家相比，我国延伸期预报业务还处于起步阶段，产品形式相对单一，现有数值模式集合预报系统还无法满足延伸期预报业务的需求。
3.1 数值模式延伸期预报技巧在延伸期降水、气温等要素的预报对象方面，目前国际主流数值预报中心的预报产品形式大多以逐周平均的距平异常为主。逐周预报一方面考虑到逐日天气预报的理论上限[118]，另一方面通过平均滤除了逐日天气噪音，提升了气候信号的可预报性[119-120]。对ECMWF、美国CFSv2和日本TCC模式延伸期逐周降水集合预报性能评估结果显示，除了太平洋、大西洋的热带辐合带(Intertropical Convergence Zone, ITCZ)以及海洋性大陆区域，各模式对延伸期降水的预报技巧在第2~4周均明显衰减。其中ECMWF模式对延伸期降水的预报能力明显高于其他两家，尤其是未来第3~4周[121]。对比分析CFSv2模式对大气环流和气象要素的延伸期预报能力发现[122]，模式对500 hPa高度场的预报技巧最高，850 hPa纬向风场次之，降水最低，同时模式对延伸期气候要素的预报技巧与MJO特别是BSISO的强度密切相关。而将降水等气候要素分解为一系列正交的空间模态后，其中许多分量也都具有显著的预报技巧[123-124]。ECCC月预报系统的评估结果显示，模式对中国东部的气温和500 hPa位势高度预报技巧可达4周，降水的预报技巧相对较低，仅约5~11 d，同时模式对东亚地区气候要素次季节变率的预报技巧受到MJO和ENSO的共同影响[125]。大量研究结果表明：模式对延伸期第3~4周的有技巧预报仍局限在热带地区，部分高层变量如位势高度场[126]，以及某些气候因子[127]，而对中纬度陆地上的延伸期时段气温和降水等气候要素的预报技巧的影响几乎可以忽略不计。
中国气象局国家气候中心第2代月动力延伸模式对月平均环流及气温和降水具有一定预测能力，但对延伸期时段环流和要素以及强降水、强降温等重要天气过程的预测技巧相对较低[128-129]。评估结果显示：模式对延伸期逐候降水空间相关系数大于0.1的预报约能持续2~3候，即约10~15 d，之后技巧迅速下降。模式对东亚和南亚地区延伸期降水的预报技巧较低，仅能持续不到2候，技巧相对较高的区域主要位于在热带太平洋和大西洋地区。
3.2 动力统计相结合的延伸期预报方法由于直接利用数值模式结果进行延伸期预报与实际业务需求还存在一定距离，因此，基于动力模式有效预测信息和物理统计方法的动力统计相结合预测方案在业务中发挥着重要作用。陈丽娟等[130]针对传统的统计降尺度方法中预报因子和预报对象之间统计关系稳定性较差这一问题，利用简化的大气动力学方程组推导局地月平均降水距平和大气环流场之间的关系[131]，构建了一种新的月降水降尺度预测模型。该降尺度模型既有明确的动力学意义，又充分利用了历史气候数据，实现了动力和统计的有机结合。任宏利等[132]提出了一种能有效减少月平均和逐日大气环流预报误差的动力相似集合预报方法[133]，该方法在模式积分过程中通过提取大气环流历史相似信息，对模式误差进行参数化处理，形成多个时变的相似强迫量来扰动生成预报的集合成员，从而实现了动力模式与统计经验的内在结合。
近年来，从延伸期可预报性的角度，中国气象局国家气候中心发展了一系列基于数值模式可预报分量的误差订正和集合预报方法[134-137]。对数值模式的可预报分量和随机分量分别采用不同的集合预报方案，通过在各个模式可预报分量误差订正的基础上，从考虑模式不确定性的角度进行集合，随机分量部分则直接采用预报量的气候概率分布，以避免模式误差对随机分量概率分布的影响(图 2)。预报检验结果表明：该方法对环流形势预报技巧有一定提高，对不同空间尺度的波也有不同尺度的改进，显示出潜在的业务应用前景[138]。章大全等[139]利用要素历史观测和模式回报数据的概率密度分布特征，采用非参数百分位映射法订正了DERF2.0模式月平均温度预报，有效降低了模式预报的均方根误差，同时对温度距平分布预报也有不同程度改善。
|
|
| 图2 基于可预报分量的延伸期数值模式集合预报方法原理 Fig.2 Scheme of extended-range numerical ensemble forecast based on predictable components | |
3.3 基于物理统计的延伸期预报方法
基于延伸期时段存在一些可预报的信号源，如热带的大气低频变率(特别是MJO)、大气韵律周期关系等，近年来一些基于物理统计的延伸期预报方法得到广泛应用，取得了较好的预报效果[140-141]。如中国气象局国家气候中心发展的IMPRESS1.0版本，提供了基于MJO降尺度模型的我国未来6候的平均气温和降水异常预报[66]；上海市气候中心利用大气低频振荡及其传播与延伸期降水、气温之间的关系，基于低频天气图等方法开发了月内重要天气过程与气候趋势预测系统(Monthly/extended-range Anomaly and Process Forecast System, MAPFS)[142-144]；福建省气候中心根据热带ISO制作了华南持续性暴雨过程的延伸期预报[145]；西北区域气候中心[146]根据大气的准周期运动规律，提出用150 d韵律方法对月内过程进行预报；钱维宏等[147]提出任何一个大气变量的瞬时观测场都可以物理分解成逐日气候分量、行星尺度瞬变扰动分量和天气尺度瞬变扰动分量，而极端天气事件的预报可用瞬变涡扰动法，为延伸期极端天气气候事件的预报提供了新的思路。
除了上述利用大气低频信号、韵律周期关系或者物理量分解的预测方法之外，还有一些基于线性或非线性方法建模的延伸期预报方法，如中国气象局国家气候中心和美国夏威夷大学合作研发的非滤波时空投影(Spatial-Temporal Projection Models, STPM)方法。该方法利用奇异值分解建立起预报量与前期因子的关系，并用长期历史数据对模型进行训练，并将前期环流场投影到预报因子上得到随时间演变的预报量，有效提取和利用了观测数据中的低频分量和历史信息，被广泛应用于强降水[148]、热带对流活动[149]、南海夏季风爆发[150]和热带气旋[151]等的延伸期预报中。陈丽娟等[152]基于非线性时空序列预测理论，利用局域近似法对延伸期逐候纬向平均高度场进行预测，发现非线性时空序列预测方法对纬向平均高度距平场的预报优于持续性预报和模式动力延伸预报，体现了一定的改进延伸期环流预报的能力。杨秋明[153-154]通过提取气候要素和大尺度环流的低频主成分分量，分别构建了扩展复数自回归模型(Extended Complex Autoregressive model, ECAR)和主成分复数回归模型(Principal Component-Complex Autoregressive model, PC-CAR)以及多变量时滞回归模型(Multivariate Lagged Regressive model, MLR)等预报模型，对夏季长江下游低频降水、气温和高温天气进行预测试验，显示出较好的预测效果和应用前景。
上述方法模型和预测系统极大支撑了延伸期预报业务和服务，尤其是在一些重大气象保障活动中发挥了决策作用。中国气象局国家气候中心综合IMPRESS系统对MJO指数的监测和预测信息，重建的延伸期时段候平均气温和降水异常预测，以及延伸期逐日变温过程概率预测结果，对首届中国国际进口博览会期间上海地区气温偏高、中后期有明显降温过程并伴有降水的天气形势进行成功预测，取得了良好的服务效果。在上海市气候中心开展的梅雨相关延伸期预报业务中，利用关键区低频信号建立的回归模型，较好预报出梅雨区延伸期降水的峰值出现时段和逐候降水量增加或减少的演变，同时对逐候降水量异常也有一定的预报能力[155]。
4 小结延伸期预报填补了传统中短期天气预报和短期气候预测之间的空隙，是构建无缝隙预报体系的必然要求，对防御重大气象灾害、服务国民经济具有重要意义。本文从延伸期的可预报性及其来源、预报的主要方法几个方面回顾了延伸期预报的相关科研和业务实践情况，重点分析了近年来可预报性研究进展和应用，以及预报水平现状。整体而言，延伸期预报作为当前科研和业务服务的重点和难点，需要解决的科学问题、方法以及业务标准规范仍然很多，概括起来主要有以下几个方面：
1) 延伸期时段的预报和检验对象及方法问题。根据大气可预报性及非线性误差增长理论，逐日确定性天气预报的可预报性上限一般为2周左右。直接借鉴月、季尺度短期气候预测的做法，针对延伸期时段要素平均值及其距平进行预报，可能在预测结果的针对性和指导意义上存在局限性。延伸期时段重要天气过程(包括持续性异常天气事件特别是极端天气事件)的准确预报[156]是延伸期预报的核心问题，如何针对预报对象制定兼顾科学性和实用性的预测对象和检验标准，是首先需要解决的问题。目前国外主流数值预报中心普遍将延伸期逐周平均的气象要素和环流距平作为预报对象，并对逐周技巧进行评估。这种处理方式比较简单，但不适合过程预测及服务，需要研究针对用户服务需求的更好的方案。
2) 针对MJO等低纬度地区的大气季节内低频振荡已有大量研究工作，然而中高纬度地区低频振荡的活动规律和传播特征以及与我国气象要素之间的联系还缺乏深入研究。如何综合考虑低纬度和中高纬度的低频信息，建立与要素预报的物理联系仍然是难点。此外，如何充分利用模式对次季节尺度主要气候现象的预测能力，有效改进我国延伸期时段要素特别是重要天气过程的预测，也值得深入研究。
3) 已有研究表明：延伸期时段的大尺度环流形势以及重要天气过程的有效预报时效和预报技巧与大气的初始状态、海温等外强迫信号密切相关，而目前对不同海温及大气初始条件下影响我国天气气候的关键环流系统以及主要的极端天气气候事件延伸期时段的可预报性研究还相对较少。充分利用海温等外强迫信号在延伸期时段的预报技巧及其大气响应特征，提取耦合数值模式有效预报信息改进延伸期预报，可能是改进延伸期预报的途径之一。
延伸期预报目前还处于研究和业务试用阶段，数值模式预报的发展被认为是从根本上解决天气气候预测问题的途径，但目前数值模式的预报时效和性能还远不能满足延伸期业务的需求。对数值模式延伸期预报中大气初值和下垫面异常的贡献研究表明，海气、陆气等耦合作用能够提升延伸期时段大气环流和要素的可预报性。此外，许多次季节尺度气候现象，如MJO、平流层爆发性增温以及大气遥相关等，都为延伸期预报提供了重要的可预报信号来源。但对延伸期可预报信号源与天气气候异常的联系及其物理机制的研究还相对薄弱，在充分挖掘延伸期潜在可预报性，改进延伸期环流和要素的预报技巧方面，还有许多物理过程和关键技术问题需要解决。因此，深入研究大气季节内振荡以及海气、陆气相互作用机理，不断完善和改进气候系统耦合模式的物理过程和参数化方案，将潜在可预报性转化为实际的预报技巧，提升数值模式延伸期时段的预报预测性能方面仍需进行大量探索。
| [1] |
Vitart F, Ardilouze C, Bonet A, et al. The subseasonal to seasonal (S2S) prediction project database. Mon Wea Rev, 2017, 99(1): 163-173. |
| [2] |
ECWMF.A Roadmap to 2025: The Strength of a Common Goal.Reading: ECWMF, 2016: 1-10.
|
| [3] |
Black J, Johnson N C, Baxter S, et al. The prediction and forecast skill of northern hemisphere teleconnection patterns for lead times of 3-4 weeks. Mon Wea Rev, 2017, 145(7): 2855-2877. DOI:10.1175/MWR-D-16-0394.1 |
| [4] |
Zhu Y, Zhou X, Pea M, et al. Impact of sea surface temperature forcing on weeks 3 and 4 forecast skill in the NCEP global ensemble forecasting system. Wea Forecasting, 2017, 32(6): 2159-2174. DOI:10.1175/WAF-D-17-0093.1 |
| [5] |
Vitart F. Monthly forecasting at ECMWF. Mon Wea Rev, 2004, 132(12): 2761-2779. DOI:10.1175/MWR2826.1 |
| [6] |
Waliser D, Weickmann K, Dole R, et al. The Experimental MJO Prediction Project. Bull Amer Meteor Soc, 2006, 87(4): 425-431. DOI:10.1175/BAMS-87-4-425 |
| [7] |
贾小龙, 陈丽娟, 高辉, 等. 我国短期气候预测技术进展. 应用气象学报, 2013, 24(6): 641-655. DOI:10.3969/j.issn.1001-7313.2013.06.001 |
| [8] |
任宏利, 吴捷, 赵崇博, 等. MJO预报研究进展. 应用气象学报, 2015, 26(6): 658-668. |
| [9] |
Baldwin M P, Dunkerton T J. Propagation of the Arctic Oscillation from the stratosphere to the troposphere. J Geophys Res, 1999, 104(D24): 30937-30946. DOI:10.1029/1999JD900445 |
| [10] |
Baldwin M P, Stephenson D B, Thompson D W, et al. Stratospheric memory and skill of extended-range weather forecast. Science, 2003, 301(5633): 636-640. DOI:10.1126/science.1087143 |
| [11] |
Polvani L M, Kushner P J. Tropospheric response to stratospheric perturbations in a relatively simple general circulation model. Geophy Res Lett, 2002, 29(7): 1-4. |
| [12] |
Koster R D, Suarez M J. Impact of land surface initialization on seasonal precipitation and temperature prediction. J Hydrometeorol, 2003, 4(2): 408-423. DOI:10.1175/1525-7541(2003)4<408:IOLSIO>2.0.CO;2 |
| [13] |
Cohen J, Entekhabi D. Eurasian snow cover variability and Northern Hemisphere climate variability. Geophy Res Lett, 1999, 26(3): 345-348. DOI:10.1029/1998GL900321 |
| [14] |
Holland M M, Blanchard-Wrigglesworth E, Kay J, et al. Initial-value predictability of Antarctic ice in the Community Climate System Model 3. Geophys Res Lett, 2013, 40(10): 2121-2124. DOI:10.1002/grl.50410 |
| [15] |
Thompson P D. Uncertainty of initial state as a factor in the predictability of large-scale atmospheric flow patterns. Tellus, 1957, 9(3): 275-295. DOI:10.3402/tellusa.v9i3.9111 |
| [16] |
Lorenz E N. Deterministic nonperiodic flow. J Atmos Sci, 1963, 20(2): 130-141. DOI:10.1175/1520-0469(1963)020<0130:DNF>2.0.CO;2 |
| [17] |
丑纪范. 长期数值天气预报. 北京: 气象出版社, 1986.
|
| [18] |
李崇银. 气候变化及可预报性(CLIVAR)——气候研究的国际新计划. 气候与环境研究, 1996, 1(1): 87-95. DOI:10.3878/j.issn.1006-9585.1996.01.09 |
| [19] |
穆穆, 李建平, 丑纪范, 等. 气候系统可预报性理论研究. 气候与环境研究, 2002, 7(2): 227-235. |
| [20] |
Li J, Ding R. Temporal-spatial distribution of atmospheric predictability limit by local dynamical analogs. Mon Wea Rev, 2011, 139(10): 3265-3283. DOI:10.1175/MWR-D-10-05020.1 |
| [21] |
Molteni F, Buzzia R, Palmer T N, et al. The ECMWF ensemble prediction system:Methodology and validation. Q J Roy Meteor Soc, 1996, 122(52): 73-119. |
| [22] |
丁瑞强, 李建平. 天气可预报性的时空分布. 气象学报, 2009, 67(3): 343-354. |
| [23] |
Kalnay E.大气模式、资料同化和可预报性.蒲朝霞, 杨福全, 邓北胜, 等译.北京: 气象出版社, 2005.
|
| [24] |
丑纪范. 大气科学中的非线性与复杂性. 北京: 气象出版社, 2002.
|
| [25] |
丑纪范, 郑志海, 孙树鹏. 10-30 d延伸期数值天气预报的策略思考——直面混沌. 气象科学, 2010, 30(5): 569-573. DOI:10.3969/j.issn.1009-0827.2010.05.001 |
| [26] |
Reichler T J, Roads J O. The role of boundary and initial conditions for dynamical seasonal predictability. Nonlinear Proc Geoph, 2003, 10(3): 211-232. DOI:10.5194/npg-10-211-2003 |
| [27] |
郑志海, 任宏利, 黄建平. 基于季节气候可预报分量的相似误差订正方法和数值实验. 物理学报, 2009, 58(10): 7359-7367. |
| [28] |
郑志海, 封国林, 丑纪范, 等. 数值预报中自由度的压缩及误差相似性规律. 应用气象学报, 2010, 21(2): 139-148. DOI:10.3969/j.issn.1001-7313.2010.02.002 |
| [29] |
刘景鹏, 陈丽娟, 李维京, 等. 月尺度气温可预报性对资料长度的依赖及可信度. 应用气象学报, 2015, 26(2): 151-159. |
| [30] |
Liu J, Li W, Chen L, et al. Estimation of the monthly precipitation predictability limit in China using the nonlinear local Lyapunov exponent. J Meteor Res, 2016, 30(1): 93-102. DOI:10.1007/s13351-015-5049-z |
| [31] |
Sarachik E S, Cane M A. The El Niño-Southern Oscillation Phenomenon. Cambridge: Cambridge University Press, 2010.
|
| [32] |
张人禾, 周广庆, 巢纪平. ENSO动力学与预测. 大气科学, 2003, 27(4): 674-688. DOI:10.3878/j.issn.1006-9895.2003.04.16 |
| [33] |
王会军, 孙建奇, 郎咸梅, 等. 几年来我国气候年际变异和短期气候预测研究的一些新成果. 大气科学, 2008, 32(4): 806-814. DOI:10.3878/j.issn.1006-9895.2008.04.09 |
| [34] |
陈丽娟, 李想, 李维京, 等. 2015/2016年超强El Niño事件背景下我国月预测技巧差异分析. 大气科学学报, 2016, 39(6): 756-765. |
| [35] |
Zhao P, Zhu Y N, Zhang R H. An Asian-Pacific teleconnection in summer tropospheric temperature and associated Asian climate variability. Climate Dyn, 2007, 29(2-3): 293-303. DOI:10.1007/s00382-007-0236-y |
| [36] |
晏红明, 肖子牛. 印度洋海温异常对亚洲季风区天气气候影响的数值模拟研究. 热带气象学报, 2000, 16(1): 18-27. DOI:10.3969/j.issn.1004-4965.2000.01.003 |
| [37] |
Zuo J, Li W, Sun C, et al. Impact of the North Atlantic sea surface temperature tripole on the East Asian summer monsoon. Adv Atmos Sci, 2013, 30(4): 1173-1186. DOI:10.1007/s00376-012-2125-5 |
| [38] |
杨修群, 谢倩, 黄士松. 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, 1992, 50(3): 349-354. |
| [39] |
Wang X, Zheng Z, Feng G. Effects of air-sea interaction on extended-range prediction of geopotential height at 500 hPa over the northern extratropical region. Theor Appl Climatol, 2018, 132(1-2): 31-40. DOI:10.1007/s00704-017-2071-3 |
| [40] |
Saha S, Moorthi S, Wu X, et al. The NCEP Climate Forecast System version 2. J Climate, 2014, 27(6): 2185-2208. DOI:10.1175/JCLI-D-12-00823.1 |
| [41] |
Vitart F, Molteni F. Dynamical extended-range prediction of early monsoon rainfall over India. Mon Wea Rev, 2009, 137(4): 1480-1492. DOI:10.1175/2008MWR2761.1 |
| [42] |
Reichler T J, Roads J O. Long-range predictability in the tropics.Part Ⅰ:Monthly averages. J Climate, 2005, 18(5): 619-633. DOI:10.1175/JCLI-3294.1 |
| [43] |
Reichler T J, Roads J O. Long-range predictability in the tropics.Part Ⅱ:30-60-day variability. J Climate, 2005, 18(5): 634-650. DOI:10.1175/JCLI-3295.1 |
| [44] |
DeMott C A, Stan C, Randall D A, et al. Intraseasonal variability in coupled GCMs:The roles of ocean feedbacks and model physics. J Climate, 2014, 7(13): 4970-4995. |
| [45] |
Fu X, Wang B, Waliser D E, et al. Impact of atmosphere-ocean coupling on the predictability of monsoon intraseasonal oscillations. J Atmos Sci, 2007, 64(1): 157-174. DOI:10.1175/JAS3830.1 |
| [46] |
Fu X, Wang B, Lee J Y, et al. Sensitivity of dynamical intraseasonal prediction skills to different initial conditions. Mon Wea Rev, 2011, 139(8): 2572-2592. DOI:10.1175/2011MWR3584.1 |
| [47] |
汪栩加, 郑志海, 封国林, 等. 延伸期预报中大气初值与海温边值的相对作用. 气象学报, 2017, 75(1): 111-122. |
| [48] |
Charney J G, Shukla J.Predictability of Monsoons//Monsoon Dynamics.Cambridge: Cambridge University Press, 1981: 99-109.
|
| [49] |
Zhu H, Wheeler M C, Sobel A H, et al. Seamless precipitation prediction skill in the tropics and extratropics from a global model. Mon Wea Rev, 2014, 142(4): 1556-1569. DOI:10.1175/MWR-D-13-00222.1 |
| [50] |
Zhang C. Madden-Julian oscillation:Bridging weather and climate. Bull Amer Meteor Soc, 2013, 94(12): 1849-1870. DOI:10.1175/BAMS-D-12-00026.1 |
| [51] |
Robertson A W, Kumar A, Pena M, et al. Improving and promoting subseasonal to seasonal prediction. Bull Amer Meteor Soc, 2015, 96(3): ES49-ES53. DOI:10.1175/BAMS-D-14-00139.1 |
| [52] |
Wheeler M, Hendon H H. An all-season real-time multivariate MJO index:Development of the index for monitoring and prediction in Australia. Mon Wea Rev, 2004, 132(8): 1917-1932. DOI:10.1175/1520-0493(2004)132<1917:AARMMI>2.0.CO;2 |
| [53] |
Neena J M, Lee J Y, Waliser B, et al. Predictability of the Madden-Julian oscillation in the Intraseasonal Variability Hindcast Experiment (ISVHE). J Climate, 2014, 27(27): 4531-4543. |
| [54] |
Wu J, Ren H L, Zuo J Q, et al. MJO prediction skill, predictability, and teleconnection impacts in the Beijing Climate Center Atmospheric General Circulation Model. Dynam Atmos Oceans, 2016, 75(9): 78-90. |
| [55] |
Miyakawa T, Satoh M, Miura H, et al. Madden-Julian oscillation prediction skill of a new generation global model demonstrated using a supercomputer. Nature Communications, 2014, 5: 3769. DOI:10.1038/ncomms4769 |
| [56] |
MacLachlan C, Arribas A, Peterson K A, et al. Global Seasonal forecast system version 5(GloSea5):A high-resolution seasonal forecast system. Q J Roy Meteor Soc, 2015, 141(689): 1072-1084. DOI:10.1002/qj.2396 |
| [57] |
Liu X, Wu T, Yang S, et al. MJO prediction using the sub-seasonal to seasonal forecast model of Beijing Climate Center. Climate Dyn, 2017, 48(9-10): 3283-3307. DOI:10.1007/s00382-016-3264-7 |
| [58] |
Green B W, Sun S, Bleck R, et al. Evaluation of MJO predictive skill in multiphysics and multimodel global ensembles. Mon Wea Rev, 2017, 145(7): 2555-2574. DOI:10.1175/MWR-D-16-0419.1 |
| [59] |
Lee J Y, Wang B, Wheeler M C, et al. Real-time multivariate indices for the boreal summer intra-seasonal oscillation over the Asian summer monsoon region. Climate Dyn, 2013, 40(1-2): 493-509. DOI:10.1007/s00382-012-1544-4 |
| [60] |
Lee S S, Wang B, Waliser D, et al. Predictability and prediction skill of the boreal summer intra-seasonal oscillation in the Intra-seasonal Variability Hindcast Experiment. Climate Dyn, 2015, 45(7-8): 2123-2135. DOI:10.1007/s00382-014-2461-5 |
| [61] |
Jie W, Vitart F, Wu T, et al. Simulations of the Asian summer monsoon in the sub-seasonal to seasonal prediction project (S2S) database. Q J Roy Meteor Soc, 2017, 143(706): 2282-2295. DOI:10.1002/qj.2017.143.issue-706 |
| [62] |
Liebmann B, Hendon H H, Glick J D. The relationship between the tropical cyclones of the western Pacific and Indian Oceans and the Madden-Julian Oscillation. J Meteor Soc Japan, 1994, 72(3): 401-412. DOI:10.2151/jmsj1965.72.3_401 |
| [63] |
Zhou W, Chan J C. Intraseasonal oscillations and the South China Sea summer monsoon onset. Int J Climatol, 2005, 25(12): 1585-1609. DOI:10.1002/(ISSN)1097-0088 |
| [64] |
李崇银, 潘静, 宋洁. MJO研究新进展. 大气科学, 2013, 37(2): 229-252. DOI:10.3969/j.issn.1674-7097.2013.02.011 |
| [65] |
Ren P, Ren H, Fu X, et al. Impact of boreal summer intraseasonal oscillation on rainfall extremes in southeastern China and its predictability in CFSv2. J Geophys Res, 2018, 123(9): 4423-4442. |
| [66] |
吴捷, 任宏利, 赵崇博, 等. 国家气候中心MJO监测预测业务产品研发与应用. 应用气象学报, 2016, 27(6): 641-653. |
| [67] |
袁媛, 高辉, 柳艳菊. 2016年夏季我国东部降水异常特征及其成因简析. 气象, 2017, 43(1): 115-121. |
| [68] |
Zhou W, Chan J C L. ENSO and South China Sea summer monsoon onset. Int J Climatol, 2007, 27(2): 157-167. DOI:10.1002/(ISSN)1097-0088 |
| [69] |
高辉, 袁媛, 洪洁莉, 等. 2016年汛期气候预测效果评述及主要先兆信号与应用. 气象, 2017, 43(4): 486-494. |
| [70] |
陈丽娟, 顾薇, 龚振淞, 等. 影响2018年汛期气候的先兆信号和预测效果评估. 气象, 2019, 45(4): 553-564. |
| [71] |
Ashok K, Behera S K, Rao S A, et al. El Niño Modoki and its possible teleconnection. J Geophys Res, 2007, 112: C11007. DOI:10.1029/2006JC003798 |
| [72] |
袁媛, 李崇银, 凌健. 不同分布型El Niño期间MJO活动的差异. 中国科学(地球科学), 2015, 45(3): 318-334. |
| [73] |
陈丽娟, 顾薇, 丁婷, 等. 2015年汛期气候预测先兆信号的综合分析. 气象, 2016, 42(4): 496-506. |
| [74] |
赵俊虎, 王永光. 2018年秋季我国气候异常及成因分析. 气象, 2019, 45(4): 565-576. |
| [75] |
Yoo J H, Robertson A W, Kang I S. Analysis of intraseasonal and interannual variability of the Asian summer monsoon using a hidden Markov model. J Climate, 2010, 23(20): 5498-5515. DOI:10.1175/2010JCLI3473.1 |
| [76] |
Kessler W S, McPhaden M J, Weickmann K M. Forcing of intraseasonal Kelvin waves in the equatorial Pacific. J Geophys Res, 1995, 100(C6): 10613-10631. DOI:10.1029/95JC00382 |
| [77] |
Vitart F, Balmaseda M A, Ferranti L, et al. Westerly wind events and the 1997/98 El-Niño event in the ECMWF seasonal forecasting system. J Climate, 2003, 16(19): 3153-3170. DOI:10.1175/1520-0442(2003)016<3153:WWEATE>2.0.CO;2 |
| [78] |
Riddle E E, Stoner M, Johnson N, et al. The impact of the MJO on clusters of wintertime circulation anomalies over the North American region. Climate Dyn, 2013, 40(7-8): 1749-1766. DOI:10.1007/s00382-012-1493-y |
| [79] |
Johnson N C, Collins D C, Feldstein S B, et al. Skillful wintertime North American temperature forecasts out to 4 weeks based on the state of ENSO and MJO. Wea Forecasting, 2014, 29(1): 23-38. DOI:10.1175/WAF-D-13-00102.1 |
| [80] |
Thompson D W J, Baldwin M P, Wallace J M. Stratospheric connection to Northern Hemisphere winter-time weather:Implications for prediction. J Climate, 2002, 15(12): 1421-1428. DOI:10.1175/1520-0442(2002)015<1421:SCTNHW>2.0.CO;2 |
| [81] |
Lehtonen I, Karpechko A Y. Observed and modeled tropospheric cold anomalies associated with sudden stratospheric warmings. J Geophys Res, 2016, 121(4): 1591-1610. |
| [82] |
Kolstad E W, Breiteig T, Scaife A A. The association between stratospheric weak polar vortex events and cold air outbreaks in the Northern Hemisphere. Q J Roy Meteor Soc, 2010, 136(649): 886-893. DOI:10.1002/qj.v136:649 |
| [83] |
Karpechko A Y, Hitchcock P, Peters D H W, et al. Predictability of downward propagation of major sudden stratospheric warmings. Q J Roy Meteor Soc, 2017, 143(704): 1459-1470. DOI:10.1002/qj.2017.143.issue-704 |
| [84] |
Taguchi M. Predictability of major stratospheric sudden warmings:Analysis results from JMA operational 1-month ensemble predictions from 2001/02 to 2012/13. J Atmos Sci, 2015, 73(2): 789-806. |
| [85] |
Marshall A G, Scaife A A. Improved predictability of stratospheric sudden warming in an atmospheric general circulation model with enhanced stratospheric resolution. J Geophys Res, 2010, 115: D16114. DOI:10.1029/2009JD012643 |
| [86] |
Tripathi O P, Charlton-Perez A, Sigmond M, et al. Enhanced long-range forecast skill in boreal winter following stratospheric strong vortex conditions. Environ Res Lett, 2015, 10: 104007. DOI:10.1088/1748-9326/10/10/104007 |
| [87] |
Tripathi O P, Baldwin M, Charlton-Perez A, et al. Examining the predictability of the stratospheric sudden warming of January 2013 using multiple NWP systems. Mon Wea Rev, 2016, 144(5): 1935-1960. DOI:10.1175/MWR-D-15-0010.1 |
| [88] |
Karpechko A Y. Predictability of sudden stratospheric warmings in the ECMWF extended-range forecast system. Mon Wea Rev, 2018, 146(4): 1063-1075. DOI:10.1175/MWR-D-17-0317.1 |
| [89] |
章大全, 宋文玲. 2017/2018年冬季北半球大气环流特征及对我国天气气候的影响. 气象, 2018, 44(7): 969-976. |
| [90] |
Vinnikov K Y, Yeserkepova I B. Soil moisture:Empirical data and model results. J Climate, 1991, 4(1): 66-79. DOI:10.1175/1520-0442(1991)004<0066:SMEDAM>2.0.CO;2 |
| [91] |
Entin J K, Robock A, Vinnikov K Y, et al. Temporal and spatial scales of observed soil moisture variations in the extratropics. J Geophys Res, 2000, 105(D9): 11865-11877. DOI:10.1029/2000JD900051 |
| [92] |
Koster R D, Suarez M J, Liu P, et al. Realistic initialization of land surface states:Impacts of subseasonal forecast skill. J Hydrometeor, 2004, 5(6): 1049-1063. DOI:10.1175/JHM-387.1 |
| [93] |
Koster R D, Mahanama S P P, Yamada T J, et al. The second phase of the Global Land-Atmosphere Coupling Experiment:Soil moisture contribution to subseasonal forecast skill. J Hydrometeor, 2011, 12(5): 805-822. DOI:10.1175/2011JHM1365.1 |
| [94] |
Seneviratne S I, Corti T, Davin E L, et al. Investigating soil moisture-climate interactions in a changing climate:A review. Earth-Sci Rev, 2010, 99(3-4): 125-161. DOI:10.1016/j.earscirev.2010.02.004 |
| [95] |
Seo E, Lee M, Jeong J, et al. Impact of soil moisture initialization on boreal summer subseasonal forecasts:Mid-latitude surface air temperature and heat wave events. Climate Dyn, 2018, 52(3-4): 1695-1709. |
| [96] |
Fischer E M, Seneviratne S I, Vidale P L, et al. Soil moisture-atmosphere interactions during 2003 European summer heat wave. J Climate, 2007, 20(20): 5081-5099. DOI:10.1175/JCLI4288.1 |
| [97] |
Yang F, Kumar A, Wang H M, et al. Snow-albedo feedback and seasonal climate variability over North America. J Climate, 2001, 14(22): 4245-4248. DOI:10.1175/1520-0442(2001)014<4245:SAFASC>2.0.CO;2 |
| [98] |
Jeong J H, Linderholm H W, Woo S H, et al. Impacts of snow initialization on subseasonal forecasts of surface air temperature for the cold season. J Climate, 2013, 26(6): 1956-1972. DOI:10.1175/JCLI-D-12-00159.1 |
| [99] |
Orsolini Y J, Senan R, Balsamo G, et al. Impact of snow initialization on sub-seasonal forecasts. Climate Dyn, 2013, 41(7-8): 1969-1982. DOI:10.1007/s00382-013-1782-0 |
| [100] |
Orsolini Y J, Senan R, Vitart F, et al. Influence of the Eurasian snow on the negative North Atlantic Oscillation in subseasonal forecasts of the cold winter 2009/2010. Climate Dyn, 2016, 47(3-4): 1325-1334. DOI:10.1007/s00382-015-2903-8 |
| [101] |
段安民, 肖志祥, 吴国雄, 等. 青藏高原冬春积雪影响亚洲夏季风的研究进展. 气候与环境科学, 2014, 7(3): 94-101. |
| [102] |
韩世茹, 郑志海, 周须文, 等. 青藏高原积雪深度对延伸期预报技巧的影响. 大气科学, 2019, 43(1): 119-130. |
| [103] |
Frederiksen J S, Lin H. Tropical-extratropical interactions of intraseasonal oscillations. J Atmos Sci, 2013, 70(10): 3180-3197. DOI:10.1175/JAS-D-12-0302.1 |
| [104] |
Wang J, Wen Z, Wu R, et al. The mechanism of growth of the low-frequency East Asia-Pacific teleconnection and the triggering role of tropical intraseasonal oscillation. Climate Dyn, 2016, 46(11-12): 3965-3977. DOI:10.1007/s00382-015-2815-7 |
| [105] |
Stan C, Straus D M, Frederiksen J S, et al. Review of tropical-extratropical teleconnections on intraseasonal time scales. Rev Geophys, 2017, 55(4): 902-937. DOI:10.1002/rog.v55.4 |
| [106] |
Miyakoda K, Gordon T, Carerly R, et al. Simulation of a blocking event in January 1977. Mon Wea Rev, 1983, 111(4): 846-869. DOI:10.1175/1520-0493(1983)111<0846:SOABEI>2.0.CO;2 |
| [107] |
Tracton M S, Mo K, Chen W, et al. Dynamical extended range forecasting (DERF) at the National Meteorological Center. Mon Wea Rev, 1989, 117(7): 1604-1635. DOI:10.1175/1520-0493(1989)117<1604:DERFAT>2.0.CO;2 |
| [108] |
Deque M, Royer J F. The skill of extended-range extratropical winter dynamical forecasts. J Climate, 1992, 5(11): 1346-1356. DOI:10.1175/1520-0442(1992)005<1346:TSOERE>2.0.CO;2 |
| [109] |
Palmer T N. Extended-range atmospheric prediction and the Lorenz model. Bull Amer Meteor Soc, 1993, 74(1): 49-65. DOI:10.1175/1520-0477(1993)074<0049:ERAPAT>2.0.CO;2 |
| [110] |
Boer G J.Dynamical Extended Range Forecasting at the Canadian Climate Centre.Reading: ECMWF, 1988: 135-152.
|
| [111] |
Yamada S, Maeda S, Nakamura K.Time Lagged Ensemble Forecast Experiments in the Extended Range the JMA Global Prediction Model//WMO Training Workshop.Diagnosis and Prediction of Monthly and Seasonal Atmospheric Variations.Geneva: WMO, 1991: 231-234.
|
| [112] |
Owen J A, Palmer T N. The Impact of El Niño on an ensemble of extended-range forecasts. Mon Wea Rev, 1987, 115(9): 2103-2117. DOI:10.1175/1520-0493(1987)115<2103:TIOENO>2.0.CO;2 |
| [113] |
Mo K C, Kalnay E. Impact of sea surface temperature anomalies on the skill of monthly forecasts. Mon Wea Rev, 1991, 119(12): 2771-2793. DOI:10.1175/1520-0493(1991)119<2771:IOSSTA>2.0.CO;2 |
| [114] |
骆美霞, 张道民. 实时海温对动力延伸(月)预报影响的数值试验研究. 应用气象学报, 2002, 13(6): 727-733. DOI:10.3969/j.issn.1001-7313.2002.06.011 |
| [115] |
王秋良, 张立凤, 关吉平. 不同海温强迫的月动力延伸集合预报试验. 气候与环境研究, 2013, 18(4): 517-523. |
| [116] |
Vitart F. Evolution of ECMWF sub-seasonal forecast skill scores. Q J Roy Meteor Soc, 2014, 140(683): 1889-1899. DOI:10.1002/qj.2014.140.issue-683 |
| [117] |
吴统文, 宋连春, 刘向文, 等. 国家气候中心短期气候预测模式系统业务化进展. 应用气象学报, 2013, 24(5): 533-543. DOI:10.3969/j.issn.1001-7313.2013.05.003 |
| [118] |
Lorenz E N.Climate Predictability//The Physical Basis of Climate and Climate Modeling.GARP Publication Series.Geneva: WMO, 1975: 133-136.
|
| [119] |
Palmer T N, Anderson D L T. The prospects for seasonal forecasting-A review paper. Q J Roy Meteor Soc, 1994, 120(518): 755-793. |
| [120] |
Mason S, Goddard L, Graham N E, et al. The IRI seasonal climate prediction system and the 1997/98 El Niño event. Bull Amer Meteor Soc, 1999, 80(9): 1853-1873. DOI:10.1175/1520-0477(1999)080<1853:TISCPS>2.0.CO;2 |
| [121] |
Li S, Robertson A W. Evaluation of submonthly precipitation forecast skill from global ensemble prediction systems. Mon Wea Rev, 2015, 143(7): 2871-2889. DOI:10.1175/MWR-D-14-00277.1 |
| [122] |
Liu R F, Wang W. Multi-week prediction of South-East Asia rainfall variability during boreal summer in CFSv2. Climate Dyn, 2015, 45(1-2): 493-509. DOI:10.1007/s00382-014-2401-4 |
| [123] |
DelSole T, Trenary L. Predictability of week 3-4 average temperature and precipitation over the Contiguous United States. J Climate, 2017, 30(10): 3499-3512. DOI:10.1175/JCLI-D-16-0567.1 |
| [124] |
DelSole T, Tippett M K. Laplacian eigenfunctions for climate analysis. J Climate, 2015, 28(18): 7420-7436. DOI:10.1175/JCLI-D-15-0049.1 |
| [125] |
Liang P, Lin H. Sub-seasonal prediction over East Asia during boreal summer using the ECCC monthly forecasting system. Climate Dyn, 2018, 50(3-4): 1007-1022. DOI:10.1007/s00382-017-3658-1 |
| [126] |
Pegion K, Sardeshmukh P D. Prospects for improving subseasonal predictions. Mon Wea Rev, 2011, 139(11): 3648-3666. DOI:10.1175/MWR-D-11-00004.1 |
| [127] |
Wang W, Hung M P, Weaver S J, et al. MJO prediction in the NCEP Climate Forecast System version 2. Climate Dyn, 2014, 42(9-10): 2509-2520. DOI:10.1007/s00382-013-1806-9 |
| [128] |
何慧根, 李巧萍, 吴统文, 等. 月动力延伸预测模式业务系统DERF2.0对中国气温和降水的预测性能评估. 大气科学, 2014, 38(5): 950-964. |
| [129] |
白慧, 黄晨然, 李忠燕. DERF2.0模式对贵州延伸期、月预测质量对比分析. 中低纬山地气象, 2018, 42(5): 1-5. DOI:10.3969/j.issn.1003-6598.2018.05.001 |
| [130] |
陈丽娟, 李维京, 张培群, 等. 降尺度技术在月降水预报中的应用. 应用气象学报, 2003, 14(6): 648-655. DOI:10.3969/j.issn.1001-7313.2003.06.002 |
| [131] |
李维京, 陈丽娟. 动力延伸预报产品释用方法的研究. 气象学报, 1999, 57(3): 338-344. |
| [132] |
任宏利, 张培群, 李维京, 等. 提高月预报业务水平的动力相似集合方法. 气象学报, 2014, 72(4): 723-730. |
| [133] |
李维京, 郑志海, 孙丞虎. 近年来我国短期气候预测中动力相似预测方法研究与应用进展. 大气科学, 2013, 37(2): 341-350. |
| [134] |
丑纪范. 天气和气候的可预报性. 气象科技进展, 2011, 1(2): 11-14. |
| [135] |
王阔, 封国林, 孙树鹏, 等. 基于2008年1月南方低温雨雪冰冻事件10~30天延伸期稳定分量的研究. 物理学报, 2012, 61(10): 1-10. |
| [136] |
王启光, 丑纪范, 封国林. 数值模式延伸期可预报分量提取及预报技术研究. 中国科学(地球科学), 2014, 44(2): 343-354. |
| [137] |
Zheng Z, Hu Z, L Heureux M. Predictable components of ENSO evolution in real-time multi-model predictions. Scientific Reports, 2016, 6: 35909. DOI:10.1038/srep35909 |
| [138] |
郑志海, 黄建平, 封国林, 等. 延伸期可预报分量的预报方案和策略. 中国科学(地球科学), 2013, 43(4): 594-605. |
| [139] |
章大全, 陈丽娟. 基于DERF2.0的月平均温度概率订正预报. 大气科学, 2016, 40(5): 1022-1032. |
| [140] |
金荣花, 马杰, 毕宝贵. 10~30 d延伸期预报研究进展的业务现状. 沙漠与绿洲气象, 2010, 4(2): 1-5. DOI:10.3969/j.issn.1002-0799.2010.02.001 |
| [141] |
何金海, 梁萍, 孙国武. 延伸期预报的思考及其应用研究进展. 气象科技进展, 2013, 3(1): 11-17. |
| [142] |
梁萍, 何金海, 穆海振. MJO在延伸期预报中的应用进展. 气象科技进展, 2013, 3(1): 31-38. |
| [143] |
孙国武, 李震坤, 信飞, 等. 延伸期天气过程预报的一种新方法——低频天气图. 大气科学, 2013, 37(4): 945-954. |
| [144] |
陈伯民, 梁萍, 信飞, 等. 延伸期过程预报预测技术及应用. 气象科技进展, 2017, 7(6): 82-91. DOI:10.3969/j.issn.2095-1973.2017.06.010 |
| [145] |
高建芸, 陈彩珠, 周信禹, 等. 2010年福建前汛期典型持续性暴雨过程的低频特征分析. 气象科技进展, 2013, 3(1): 39-45. |
| [146] |
林纾, 惠志红, 郭俊琴, 等. 150天韵律方法月内过程预测系统简介及应用检验. 气象科技进展, 2013, 3(5): 48-51. |
| [147] |
钱维宏. 瞬变涡扰动法在极端天气事件预报中的应用. 气象科技进展, 2012, 2(5): 44-48. |
| [148] |
Hsu P-C, Li T, You L, et al. A spatial-temporal projection method for 10-30-day forecast of heavy rainfall in Southern China. Climate Dyn, 2015, 44(5-6): 1227-1244. DOI:10.1007/s00382-014-2215-4 |
| [149] |
Zhu Z, Li T, Hsu P-C, et al. A spatial-temporal projection model for extended-range forecast in the tropics. Climate Dyn, 2015, 45(3-4): 1085-1098. DOI:10.1007/s00382-014-2353-8 |
| [150] |
Zhu Z, Li T. Empirical prediction of the onset dates of South China Sea summer monsoon. Climate Dyn, 2017, 48(5-6): 1633-1645. DOI:10.1007/s00382-016-3164-x |
| [151] |
Zhu Z, Li T, Bai L, et al. Extended-range forecast for the temporal distribution of clustering tropical cyclogenesis over the western North Pacific. Theor Appl Climatol, 2017, 130(3-4): 865-877. DOI:10.1007/s00704-016-1925-4 |
| [152] |
陈丽娟, 陈伯民, 李维京, 等. T63模式月动力延伸预报高度场的改进实验. 应用气象学报, 2005, 16(增刊Ⅰ): 92-96. |
| [153] |
杨秋明. 基于20~30 d振荡的长江下游地区夏季低频降水延伸期预报方法研究. 气象学报, 2014, 72(3): 494-507. |
| [154] |
杨秋明. 长江下游夏季低频温度和高温天气的延伸期预报研究. 地球科学进展, 2018, 33(4): 385-395. |
| [155] |
梁萍, 丁一汇. 基于季节内振荡的延伸预报试验. 大气科学, 2012, 36(1): 102-116. DOI:10.3878/j.issn.1006-9895.2012.01.09 |
| [156] |
杜良敏, 柯宗建. 一种适用于延伸期过程事件预报的检验方法. 应用气象学报, 2013, 24(6): 686-694. DOI:10.3969/j.issn.1001-7313.2013.06.005 |