实证模型

最后更新于2022年11月3日星期四|raybet雷竞技最新气候系统

到20世纪80年代末，MJO的许多特征都得到了很好的记录，很明显，它是一种很明确的现象，从一个事件到另一个事件，以及从一年到下一年的事件，都有许多可重复的特征。考虑到这一点，以及研究已经表明MJO与我们天气和气候系统的其他特征之间有许多重要的相互作用，开始更认真地考虑MJO预测是一个明显的步骤。raybet雷竞技最新由于数值天气和气候模型通常对当时的MJO的表现相对较差，raybet雷竞技最新自然要考虑的途径是开发经验模型。除了可能提供比当时可用的数值方法更熟练的预测之外，这一途径还提供了一种方法来建立MJO可预测性极限的初步估计——至少可以仅从观测中确定。

von Storch和Xu(1990)在这方面进行了第一次研究，他们从一个5年数据集的2年子区间检验了赤道200 mb速度势异常的主要振荡模式(POPs)。在对整个数据集(以及其余三年的数据)进行验证后，他们发现基于第一对持久性持久性的预测——倾向于强调南方夏季的可变性(例如，图4.5和5.8)——产生的预测优于持久性，并且似乎在大约15天内具有有用的技能(图12.1)。虽然这是一个多少令人鼓舞的结果——至少相对于“天气”而言，使用的数据长度有限，加上MJO在年际时间尺度上的非平稳特征(例如，Salby和Hendon, 1994;Hendon et al.， 1999)需要在过度解释时保持谨慎。此外，考虑到200 hpa速度势的平稳变化性质，以及它仅与近地表气象变量(例如降水)有松散关系的事实，也建议谨慎地将这一结果推广到其他年份、变量和/或不同的技术。在这方面，人们可能希望，鉴于MJO的大约50天的时间尺度，有可能将有用的技能扩展到一半

图12.1。测量(a)相关性和(b)均方根误差预测能力为持久性和von Storch和Xu(1990)开发的基于pop的预测方案。这些技能来自1984年5月至1989年4月期间的每日预测实验。请注意，模型本身是根据1986年5月至1988年4月之间的数据开发的。

图12.1。(a)相关性和(b)持久性的均方根误差预测技巧和von Storch和Xu(1990)开发的基于pop的预测方案的度量。这些技能来自1984年5月至1989年4月期间的每日预测实验。请注意，模型本身是根据1986年5月至1988年4月之间的数据开发的。

时期(van den Dool和Saha, 2002) -特别是对于上层气流(例如，200 hpa速度势)。随后，Kousky和Kayano(1993)提出，可以通过将许多场的异常、传出长波辐射(OLR) (200 hpa速度势、地表压力等)投射到它们的主要组合扩展上来实现MJO的实时监测

图12.2。(左列)Waliser等人(1999b)为北半球冬季开发的基于奇异值分解(SVD)的MJO预报方案的模式1和一个三支导预报。上面的面板显示了“PentadO”(当前候)和“PentadO - 1”(前一候)的预测模式。底部面板显示了“PentadO + 3”(即未来有3个PentadO)的相关预测模式。(右栏)除了北半球的夏季外，都一样。这里冬(夏)定义为11月17日至5月15日(5月16日至11月16日)。注意，每个季节的模式2看起来与模式1相似，但在空间上趋于正交。

经验正交函数模式，可以显示热带大气中MJO的当前阶段和强度及其可能的演变。事实证明，经验MJO预测领域的许多后来的发展都倾向于以一种或另一种形式遵循这一建议。

在这一领域经历了相对较长时间的中断后，Waliser等人(1999b)开发了一种经验MJO预测方法，以使用技能结果作为基准来判断数值长期预测的预测技能，并开始探索使用这种模型来增强操作长期预测程序的可行性。该模型基于场到场奇异值分解(field-to-field Singular Value Decomposition)，该分解使用OLR以前和现在的候数来预测OLR的未来候数(图12.2)。分别针对南方和北方夏季条件(如图4.5和4.1O)开发了单独的模型，使用1979年至1989年的3o - 7o日过滤OLR数据，并对199O - 1996年的数据进行验证。在验证期，该模型在15天至20天的领先时间内与东半球一个重要区域的过滤观测数据显示出约0.5-0.9的时间相关性，之后相关性随着领先时间的增加而迅速下降。在东半球一个较小的区域内，与观测到的总异常的相关性为0.3至0.5。虽然这是一个与上面讨论的von Storch和Xu(1990)的结果同样(如果不是更令人鼓舞的话)令人鼓舞的结果，但该模型使用过滤数据的事实限制了其实时适用性，在这种情况下，需要谨慎考虑结果过于乐观。在总结他们的研究时，作者提供了一些解决这一过滤问题的途径(即能够将MJO信号从“天气”和年际气候变化中分离出来)。raybet雷竞技最新例如，有人建议，低频变化(即ENSO变化)可以使用较粗的数据(如月数据)对低阶经验正交函数的投影来去除，高频信号可以使用较长的时间平均值来去除，甚至可以重叠以保留高时间分辨率的某些方面(例如，每5天重叠10天平均值)。此外，研究人员指出，一旦低频变异性被去除，低通空间滤波可能成为低通时间滤波的有用机制，因为MJO变异性往往与波数1-3和周期约为40-60天隔离。

在上述研究之后，有许多实证MJO预测工作，每一个都产生了一个独特而有用的方法来解决这个问题。Lo和Hendon(2000)开发了一个滞后回归模型，分别使用空间过滤后的OLR和200 hpa流函数(Y)的前两个和前三个主成分(pc)作为预测因子，来预测与南方夏季MJO相关的OLR和200 hpa流函数异常的演变。为了解决上述在实时应用中讨论的滤波问题，数据分别去除了年周期、年际和高频(即< 30天)成分。通过逐点减去前三个年度谐波来去除年度周期。通过建立OLR(和Y)异常与来自热带海温异常(SSTAs)前两个EOFs的PC时间序列之间的回归方程，消除了年际(例如ENSO)变化。基于这些回归和每日SST值(从每周数据插值)，删除了OLR(和Y)可能归因于ENSO的低频分量。在此之后，通过对数据进行T12频谱截断来去除数据的高频时间成分——利用高频时间和高波数空间变化倾向于同时发生的概念。对得到的经季节内过滤的OLR和Y异常进行EOF分解，然后建立滞后回归方程，在给定的领先条件下预测定义MJO的EOF模式的PC值(例如，模式1和2)。在独立数据上进行测试时，该模型表现出有用的技能(相关性~ 0.5)，用于预测这些PC持续约15天(图12.3)，在MJO活跃时期和静止时期的技能更高。与过滤后的OLR观测数据相比，该模型在赤道印度洋和海洋大陆相当广泛的区域显示了约0.3-0.4的相关值。

0 5 10 15

图12.3。(上)Lo和Hendon(2000)开发的MJO预测方案的预测技能测量，根据预测值和与模式1相关的PC值的验证值之间的相关性(PC 1;左)和与模式2相关的PC值(pc2;右)。使用PC 1和PC 2预测OLR异常(星号)，200 hpa流功能异常的3个主导PC, OLR异常的2个主导PC(星号)进行预测。持久性以虚线曲线表示。(下)在依赖数据的五个冬季中，初始条件下MJO活跃(方形)和静止(圆形)时，OLR异常PC 1(实线)和PC 2(虚线)的预测值与验证值之间的相关性。使用200 hpa流功能异常的3个主导pc和OLR异常的2个主导pc进行预测。在所有数字中，相关性显示为预测提前时间的函数，并且验证是针对独立数据的五个冬季(1984/1985-1989/1990)。

Mo(2001)采取了一种有点不同的方法，他在预测过程中及时利用了经验基函数。这是通过使用奇异谱分析(SSA) (Vautard和Ghil, 1989)来过滤和识别变异的主模态，并使用最大熵法(MEM) (Keppenne和Ghil, 1992)来预测成分来完成的。应用该程序进行监测和预测发出的长波辐射印度洋-太平洋区域和泛美区域的季内带异常。这包括MJO等变率，与亚洲季风相关的更高频率的季内模态(见第2章和第3章)，以及发生在美国西海岸的与这两种变率相关的变率(见第4章)。例如，在太平洋和泛美地区，有三种领先模态(T-EOFs)，其周期分别接近40天、22天和18天。在这种方法中，主要SSA模式(T-EOFs)是由一个训练周期确定的。然后将OLRA时间序列投影到T-EOFs上，以获得主成分(T-PCs)。为了获得感兴趣的给定频带中的波动(即进行滤波)，将t - eof的子集和与该频带相关的t - pc进行求和。这种基于SSA模式的滤波过程是数据自适应的，不会丢失端点。这方面使它特别适合于实时监控。为了进行预测，MEM用于确定训练期间的自回归系数。这些系数用于预测未来领先的t - pc。在滤波过程中使用的与三种保留模式相关的t - eof和t - pc的总和给出了预测的OLRAs。 When tested on 8 years of independent December-February and June-August OLRA data, the averaged correlation over the tropics between the predicted and the observed anomalies was 0.65 (range 0.48-0.78) at the lead times of four pentads (20 days). An example of the forecast skill for the赤道地区1992/1993年冬季的气象资料载于图12.4。这一记录中的主要活动发生在1993年2月之前，并延伸到印度洋和中太平洋之间。虽然模式振幅比观测值弱，这在经验模式中并不少见，但空间-时间结构很好地捕捉到了候4预测。

Wheeler和Weickmann(2001)采用了一种完全不同的方法，利用热带波理论(Matsuno, 1966)作为过滤和预测技术的基础。从本质上讲，对热带地区感兴趣的给定时间-经度剖面的每日OLR数据进行时空傅里叶分析。在之前的一项研究中，Wheeler和Kiladis(1999)表明，从这种分析中得到的频谱显示出与理论考虑中预期的模式相关的可变性(例如，开尔文波和混合罗斯比引力波)，以及与MJO相关的波号1-3天和40-60天的预期变率峰值。为了监测和预测给定感兴趣模态的演化，保留与感兴趣模态相关的特定带状波数和频率，然后对修改后的频谱进行反傅里叶分析。图12.5显示了如何在数据集结束之前多次获得的过滤值可用于监测给定模式的活动，而在结束之后多次获得的过滤字段可用于预测。这个想法类似于海洋潮汐预测，在这种情况下，它是基于时间的谐波分析，当然，更尖锐的变化频率。对于预测，该方法对15-20天的MJO表现出有用的技巧。该方法的一个优点是易于提供

1DCCÎ992 6DtC)99Z 11 DEC1992 16K0992 21QCCI992 2GDEC1992 I JAN1993 6JAN1993 11JAN1993 16JAN1993 21 JAN1993 26 JAN1993 1FES1993 6FEB1993 11FÉB1993 16FEB1993 21F£B1993

26 feb1993 IUAR1993

60所以100 120 140 160 iso

(c)预测候3

1 dec1992 6dcc1992 11dec1992 16dec1992 21dÍc1992 26dcc3992

&jAN1993 1 IJAÍU393 ISJUHISS^ 21JAHI993 2ÉJAH1993 1FEB1993 6FEB1993 1 IFEÛ'SgJ 1SFE6'993 21 FEB f J

26fe9199j 1 mas 1993

1 dec1992 6dcc1992 11dec1992 16dec1992 21dÍc1992 26dcc3992

(c)预测候3

&jAN1993 1 IJAÍU393 ISJUHISS^ 21JAHI993 2ÉJAH1993 1FEB1993 6FEB1993 1 IFEÛ'SgJ 1SFE6'993 21 FEB f J

26fe9199j 1 mas 1993

(b)预测候2

1 dec1992 CDEC。I99Í 11 ok 1992 16dec1992 210ec1992 2(0ec1s92

21 jafc 993

6 fe81933

JSfEBIWi 3 MAR !993

WECI99Z 6德。Ci992 i1kc1s92 1603:1992 21de。CI992 2 icecis9 !1果酱993 5jwjh

11 jam 393 1 ejan1993

(d)预测候5

I6FEB1993

21 feb1993

26 fe61993 MAFI1993

我是1F-S1993

(b)预测候2

(d)预测候5

iireBiaw

I6FEB1993

21 feb1993

26 fe61993 MAFI1993

1 dec1992 CDEC。I99Í 11 ok 1992 16dec1992 210ec1992 2(0ec1s92

21 jafc 993

6 fe81933

JSfEBIWi 3 MAR !993

我是1F-S1993

WECI99Z 6德。Ci992 i1kc1s92 1603:1992 21de。CI992 2 icecis9 !1果酱993 5jwjh

11 jam 393 1 ejan1993

图12.4。(a)根据1992/1993年冬季观测的最小偏置窗口，10-90天经过滤的OLRAs从10oS到10oN的平均值。等高线间距为10Wm~2。添加轮廓25和5Wmare。负值被遮蔽，零轮廓被省略。(b)与(a)相同，但适用于基于Mo(2001)开发的实证模型的10天(悬案2)预测。(c)与(b)相同，但适用于15天预报(候3)。等高线间隔为5w m~3。(d)与(c)相同，但适用于20天(候4)预测。

(a) 10月至12月的诊断筛选(b) 1996年12月5日的实时筛选

图12.5。(a) 1996年底至1997年初，总OLR的时间-经度图(R21空间截断，并在时间上应用12-1滤波器)和过滤后的olra在10oS和5°N之间的平均值。阴影为总OLR，轮廓为诊断过滤异常的MJO和n - 1赤道罗斯比(ER)波。实线为负olra，虚线为正异常，两个滤波带的轮廓间隔均为10Wm~2，省略零轮廓。(b)与第(a)段相同，不同之处是数据的最后一天为1996年12月5日。12月5日以后，将实时滤波后的异常延续到未来作为预测，等高线间隔减半。惠勒和威克曼(2001)。

对其他明确的，通常是较高频率的大规模热带变率模式的预测。

Goswami和Xavier(2003)在一项专注于印度夏季风的活跃和中断条件的研究中指出，大约15-20天后，所有的活跃(中断)条件都会过渡到中断(活跃)阶段(见图2.3)。如果从活动到中断(反之亦然)的转换完全相同，那么事件将是高度可预测的。然而，转换的速率、下一个最小值(或最大值)的大小以及实现下一个阶段最小值(最大值)的时间因事件而异。Goswami和Xavier使用图2.3中所示的基于降雨的指数以及他们对活跃和中断条件的定义(见第2章)，计算了典型的(即集合平均值)从活跃到中断(以及中断到活跃)条件的转变作为提前时间的函数。这些转换的典型大小(称为“信号”)及其相关的集成内部方差(称为(集成))“蔓延”，都显示在

12日10

/ x

(一)

- - -r -

s -

/ /

10 15 20 25天

- s 6
		(b)
一个	一个	«/
一个	一个/
(A t	H /我
房颤	w	v ^
V
		2000年8月图12.6。粗虚线(实线)是季风ISO从指数的波谷(峰值)开始的“信号”(见图2.3)。细虚线(实线)是集成成员的方差(或扩展)，是与表示从中断到活跃(从活跃到中断)转换的索引的所有波谷(峰值)对应的初始日期的天数函数。(b) 2000年6 - 9月季风雨槽区平均降雨量(mmday-1)的18天预测(细线)和观测(粗线)的时间序列。摘自Goswami和Xavier(2003)。图12.6 (a)。虽然中断到活动跃迁之间的变化在不到10天的时间内变得与相关信号一样大，但活动中断跃迁之间的变化需要超过20天才能变得与信号一样大。诸如季风槽地区850 hpa相对涡度等环流参数也得出了同样的结论(未显示)。这些结果表明，季风断裂本质上比活跃季风条件更可预测。Waliser等人(2003c)使用双可预测性GCM实验集合(见12.4节)发现了类似的结果。为了探索这些结果的实际后果，Goswami和Xavier利用过滤后的降雨数据的前四个pc和过滤后的地面压力的前两个pc作为预测因子，为10-90天过滤后的CMAP的前四个pc构建了一个经验多元回归模型，并表明可以提前18天对季风中断进行有用的预测，而对活跃条件的有用预测只需提前10天左右。图12.6的下半部分显示了2000年6月至9月印度中部和孟加拉湾北部(70°E-85°E, 10°N-22°N)平均18天过滤降水的预报。上面的讨论介绍了迄今为止开发的经验MJO建模类型及其相关的预测技能水平。然而，目前有许多与实时工作相关的额外的经验建模研究值得描述，这些研究将在第12.5节中讨论。关于上述研究，在这一点上有必要强调的是，在几乎所有情况下，与上述技术相关的技能尚未通过数值预测技术得到证明(例如，Waliser等人，1999b;琼斯等人，2000年;洛和亨顿，2000年;Wheeler和Weickmann, 2001)。此外，值得强调的是，这些方案在任何情况下都不是物理性质的，也不是基于非常复杂的技术，它们都是基于线性方法。因此，我们可能还没有开发和演示模型，这些模型已经饱和了经验预测方法的技能潜力。此外，还值得强调的是，MJO事件在本质上充其量是准周期性的，这意味着在MJO事件突然发展的变化方面，大气可能相对平静。上述每个模型在预测这种初始发展时表现相对较差，因为它们都倾向于依赖MJO的周期性来预测它的演变。 For these scenarios, as well as for dealing with the heterogeneity of MJO events, it will be vital to improve our dynamic models, as they are likely to be the best means to deal with these sorts of issues. In any case, the above sorts of studies provide a useful benchmark in forecast skill for our dynamical models and suggest, based on the observations alone, that the MJO should be predictable with lead times of at least 2-3 weeks.

这篇文章有用吗?

实证模型

相关的帖子