预测能力

如第20.2节所述，ENSO是季节性到年际时间尺度上最可预测的大规模现象，也是可预测的主要来源。因此，耦合季节预测模型的成功预测通常与模型再现ENSO缓慢耦合动态并准确预测其振幅、空间格局和详细的时间演化的能力有关(Wang et al. 2008a)。预测ENSO的技巧因季节、ENSO的阶段和强度而异。例如，与中性事件相比，通常在预测ENSO事件方面有更高的技能，并且与相应的衰减阶段相比，预测温暖和寒冷事件的成长期(例如，Jin等，2008年)。在季节方面，许多季节预报系统在北方春季期间经历了技能下降，通常被称为“春季可预测性障碍”。在每年的这个时候，海温异常特别多变，尽管动态预测模型的技能可能有所降低，但它们相对于持久性预测的优势是最大的(例如，van Olden-borgh等人，2005年;Jin et al. 2008;Wang等。2008a)。大型多模型项目，如DEMETER (Palmer et al. 2004)、ENSEMBLES (Weisheimer et al. 2009)和APCC/CliPAS (Wang et al. 2008a)，已经为相互比较耦合模型的技能和误差、对季节性预测技能进行基准测试和评估进展提供了基础。Weisheimer等人(2009)报告称，欧洲ENSEMBLES项目(使用5个欧洲耦合模式)的结果显示，与上一代项目DEMETER相比，系统海表温度误差(随着预报进展，太平洋海表温度漂移)显著降低。 For the NINO3 region (5°S-5°N; 150°W-90°W) the SST drift in DEMETER varied between +2°C and -7°C for up to 6 months lead, whereas the drift from the ENSEMBLES models was less than ±1.5°C (Weisheimer et al. 2009). They conclude that since DEMETER, the coupled models have improved significantly in terms of their physical parameterisations, resolution and initialisation. They also show that although probabilistic skill scores suggested increases in SST prediction skill in the 4-6 month forecast range in the ENSEMBLES multi-model ensemble (MME) compared to the DEMETER MME, the increases were not statistically significant, suggesting that substantially better models (perhaps with a higher resolution than available now) are required to improve upon the current skill of forecasting tropical Pacific SSTs. As an example of current skill levels, the anomaly correlation skill in predicting NINO3.4 SST anomalies (an area average over 5°N-5°S, 170°-120°W) from an ensemble of 10 coupled seasonal forecast models (for hindcasts performed over 1980-2001) is 0.86 after 6 months of the forecast (Jin et al. 2008). This level of skill from the MME is greater than from any single model, but at this lead time all models have skill greater than persistence and many of the models have anomaly correlation skills exceeding 0.8 (Jin et al. 2008).

印度洋海温异常的预测能力低于太平洋。从图20.3可以清楚地看出这一点，图20.3显示了从POAMA(预测海洋)预测海温异常提前6个月的异常相关技能大气模型(澳大利亚)季节预报模型。这是大多数季节预报模型的典型特征。IOD的预测目前仅限于大约一个季节，具有很强的北方冬春可预测性障碍(部分原因是IOD在6月之前没有很好地定义)(例如，Luo et al. 2007;Wajsowicz 2007;Zhao和Hendon 2009)。就热带大西洋海温异常而言，目前的季节预测模型显示出一两个月以外的预测技能非常少，而且技能往往不如持久性(例如，Stockdale等人，2006,2011)。

区域地表气温和降水异常的预报能力受季节和区域的影响较大。技能在热带地区最高，向中高纬度地区下降，通常温度高于降水(例如，Wang et al. 2008a;Doblas-Reyes et al. 2009)。在领先1个月时，在预测热带以外地区陆地上的季节性平均温度和降水异常方面的技能非常少(例如，Wang等人，2008a;Doblas-Reyes et al. 2009)。那些确实表现出一些技巧的热带外陆地区域(例如，非洲南部和美国南部的DJF降水)通常是模式从ENSO捕获大气遥相关的结果。因此，ENSO模拟中的模式偏差和漂移可能会降低区域降水和温度的全球远程连接。例如，大多数模式在赤道中部太平洋表现出冷偏，最大海温变率随着提前时间的增加向西漂移远离东太平洋(例如Jin等人)。

2008)。在POAMA季节预测模型中，大约一个季节后，这些偏差阻碍了模型辨别不同类型的ENSO事件(例如，经典的东太平洋事件与中太平洋事件)的能力，ENSO和澳大利亚气候之间的遥相关关系受到不利影响(Hendon et al. 2009;raybet雷竞技最新Lim等人。

20.4集成预测:表示不确定性

季节预测有相当大的不确定性，有些是自然的，有些是由于预测系统的缺陷。图20.4显示了1997/1998年厄尔尼诺发生的90次预测。每个预测都使用POAMA-1模型生成(Alves et al. 2003)。合奏是由制作产生的

图20.3 POAMA-1.5预报的6个月海温异常相关性(左)和持续性(右)。(摘自Wang et al. 2008b)

POAMA Nirio3.4 SST异常(Olv2 SST)

POAMA Nirio3.4 SST异常(Olv2 SST)

/。颗/
	f

七月98九月11一月9 7战争五月七月九月11一月98

图20.4预测1997/1998年厄尔尼诺开始时的NINO3.4海温异常。一个90个成员的集合，其中每个集合成员是通过对初始海表温度施加0.001C随机扰动而生成的。(摘自Shi et al. 2009)

七月98九月11一月9 7战争五月七月九月11一月98

图20.4预测1997/1998年厄尔尼诺开始时的NINO3.4海温异常。一个90个成员的集合，其中每个集合成员是通过对初始海表温度施加0.001C随机扰动而生成的。(摘自Shi et al. 2009)

0.001°C改变初始海温。这些变化在物理上是微不足道的，但由于气候系统，特别是大气，是混乱的，所以集合成员可以随着时间迅速传播。raybet雷竞技最新图表显示，虽然所有的预测都是厄尔尼诺现象，它们的范围从非常弱的厄尔尼诺(NINO3.4海温异常约0.5°C)到非常强的厄尔尼诺(NINO3.4异常超过2.5°C)。预报中的散布表明了气候模式的随机成分，即自然的不确定性，因此是可预测性的限制。raybet雷竞技最新

在季节预报系统中，集合价差应该与自然随机过程产生的不确定性相当，但由于预报系统中的误差，情况并不总是如此。由于实际原因，不确定性分为不完全初始状态(初始条件不确定性)和不完全模型(模型数据采样不确定性、模型参数不确定性、模型结构不确定性)引起的不确定性。在动态季节预测中，用集合来量化不确定性(例如，Stephenson 2008;Doblas-Reyes et al. 2009)。通过从略有不同的大气和/或海洋分析生成集合来考虑初始条件的不确定性，其中的差异旨在反映这些条件的不确定性(例如，Vialard等人，2005年)。模型制定中的不确定性已使用基于随机物理的集合来解决(Jin等人，2007年;Berner et al. 2008)，摄动参数(Murphy et al. 2004;Stainforth等，2005;Collins et al. 2006)和多模型方法(Palmer et al. 2004;Weisheimer et al. 2009)。 Doblas-Reyes et al. (2009) assessed the relative merits of these three approaches using sets of seasonal and decadal hindcasts (done under the auspices of the European ENSEMBLES project; see van der Linden and Mitchell 2009). In general, they concluded that the three methods had comparable overall skill (the multi-model was slightly better for lead times up to 4 months, and the perturbed physics slightly better at longer leads). The perturbed physics and stochastic parameter methods are promising methods of sampling model uncertainty within a single model system.

概率预测是通过使用前面提到的预测集合从动态季节预测系统中产生的。这些预测遵循不同的演变，因为它们是由扰动初始条件或模型公式产生的。在第一周之后，集合传播很大，需要以概率的方式交付和评估预测。Stephenson(2008)和Mason and Stephen-son(2008)对季节背景下的概率预测进行了很好的回顾，包括基本概念、重新校准和验证。集合成员的分布应该表明预测中的不确定性:如果来自集合成员的预测差异很大，推断的概率分布也很大，预测是不确定的，而如果集合成员非常一致，则可能表明不确定性较小。然而，在实践中，动态季节预测模型的预测往往过于自信，即其散布太窄，无法匹配观测结果的范围，而且集合散布与预测误差之间往往没有什么关系。主要原因被认为是模型误差(Vial-ard et al. 2005;Stockdale et al. 2010)。多模型方法是将不同的最先进的模型组合在一起，从而隐含地平均掉一些模型误差，通常比单一模型的结果产生更有技巧的预测(Palmer et al. 2004;王等。2008a; Weisheimer et al. 2009). A counter example of the limitation of the multi-model approach is provided by Balmaseda et al. (2010b), showing that for a given SST index, the skill of a single model can be superior to that of the multi-model product. But this is not yet the case for useful atmospheric variables such as precipitation, where reliable seasonal forecasts benefit from the multi-model approach. Multi-model forecast systems are becoming increasingly apparent in operational seasonal forecasting. For example, the APECraybet雷竞技最新气候中心(APCC)基于一个经过充分验证的多模式多机构集成系统(raybet雷竞技最新http://www.apcc21.org)和欧洲中期天气预报中心与法国及英国合作，推出一套名为EUROSIP的多模式季节预报系统(http://www.ecmwf.int/products/forecasts/seasonal/文档/ eurosip /)。

20.5数据同化和初始化

动态季节预测本质上是一个初值问题，其中预测技能来自耦合系统(海洋、大气、陆地和海冰)初始状态中包含的信息。大部分技能来自上层海洋的初始条件，特别是那些与ENSO和IOD等大尺度变化模式相关的条件。同化海洋观测资料以在季节预报中进行海洋初始化已成为一种普遍做法，世界各地有几家机构进行例行海洋再分析，以初始化其业务季节预报。Balmaseda et al.(2009)的表20.1提供了用于初始化业务或准业务季节预报系统的海洋分析的摘要。在所有这些系统中，海洋和大气的初始化是分开进行的，目的是通过综合数据同化方案产生对大气和海洋的最佳分析。

对热带海洋进行初始化的最简单方法是运行一个海洋模型，该模型受到大气通量的强迫，并对观测结果进行强烈的SST松弛。热带海洋的年际变率在很大程度上是由地表风场的变率驱动的。在强迫场和海洋模型误差较小的情况下，这种方法是令人满意的。然而，表面通量产品和海洋模型都已知有很大的误差。然后利用海洋观测的同化来限制海洋状态的估计。

在海洋同化中，海洋次表面观测被吸收到海洋模型中，并受到规定的大气通量的强迫。重点是上层海洋热结构的初始化，特别是在热带地区，海温异常对大气环流有很强的影响。大多数初始化系统使用观察地下温度(来自XBT, TAO/TRITON/ PIRATA和Argo)。一些较新的系统也使用盐度(主要来自

表20.1用于业务和准业务季节预报初始化的不同海洋同化系统摘要。(基于Balmaseda et al. 2009) MRI-JMAhttp://ds.data.jma.go.jp/tcc/tcc/products/elnino/index.html多变量三维变分(3D-VAR)。臼井等，2006

ORA-S3 (ECMWF系统3)http://www.ecmwf.int/products/forecasts/d/charts/ocean/real_time/多元优化插值(OI)。Balmaseda等，2008

POAMA -PEODAS (CAWCR，墨尔本)http://poama.bom.gov.au/research/assim/index.htm多元集成OI。Yin等，2011

行政总裁(摘要)http://www.cpc.ncep.noaa.gov/products/GODAS/3 d-var。百灵达2007

墨卡托(Meteo France)http://bulletin.mercator-ocean.fr/html/welcome_en.jsp多元降阶卡尔曼滤波器。Pham et al. 1998 MO (metofoffice)http://www.metoffice.gov.uk/research/seasonal/多元OI。马丁等，2007年

GMAO ODAS-1http://gmao.gsfc.nasa.gov/research/oceanassim/ODA_vis.php

GMAO季节预测:http://gmao.gsfc.nasa.gov/cgi-bin/products/raybet雷竞技最新climateforecasts/index.cgi

OI和集合卡尔曼滤波Keppenne等，2008

Argo)，以及由高度计推导出的海平面异常。后者通常需要外部平均动态地形的规定，这可能是一个问题，而且通常是从模型积分而不是观测中得出的。从长远来看，人们希望它可以间接地从GRACE和GOCE等重力任务中获得。

一些研究已经证明了同化海洋数据对ENSO预测的好处(例如，Alves et al. 2004;Dommenget等人，2004;Cazes-Boezio et al. 2008;斯托克代尔等人。2011)。在其他地区，比如赤道大西洋，模型误差很大，这种好处就不那么明显了。Balmaseda和Anderson(2009)评估了三种不同的初始化策略，每种策略都使用了不同的观测信息。他们表明，在季节时间尺度上，海洋初始化对耦合预报的平均状态、变率和技巧有重大影响。他们还表明，使用他们的模型，最全面地利用可用观测的初始化策略会带来最好的技能。

由于海洋同化对季节预测很重要，一个有趣的问题是:来自海洋同化系统的海洋分析有多准确?图20.5显示了太平洋和印度洋赤道沿线厄尔尼诺热含量的复合演变。复合图包括每个30个月厄尔尼诺事件从-9个月(暖事件发生前一年)、12个月(暖事件发生后一年)到+9个月(暖事件发生后一年)，分别记为-1年、0年和+1年。El Niño/La Niña事件的选择标准定义为1982 - 2006年期间至少连续5个月每月Niño3海温异常达到或超过±0.5°C。

来自两个最先进的国际分析的组合显示了它们的不同之处，并给出了分析中的误差水平的指示。用于生成每次分析的同化系统是完全不同的，在重新分析阶段用于驱动海洋模型的强迫场也是完全不同的。复合厄尔尼诺演变显示，厄尔尼诺在年底达到峰值，在东太平洋出现最大的热含量异常。同时，西太平洋存在热含量异常，在东西太平洋之间形成强烈的梯度，这是由异常西风驱动的(图中未显示)。正常情况下，在厄尔尼诺的高峰期也有东风在印度洋，这导致了一个东西向的格局，与太平洋的格局相反。复合图还显示了厄尔尼诺发展的年初西太平洋正向热含量异常的演变，通过赤道的作用向东太平洋发展开尔文波．两次重新分析之间有相当大的一致性，这可能是由于一个合理的观测网络，特别是在太平洋与TOGA-TAO阵列和这十年与Argo。

盐的含量却不是这样。图20.6比较了同一厄尔尼诺复合现象下沿赤道的盐含量演变情况。一项重新分析显示，在厄尔尼诺现象期间，整个赤道太平洋的盐分出现了明显的异常，而另一项分析则显示出较弱的异常。例如，第一次重新分析显示，在厄尔尼诺高峰时，太平洋中部/西部的海水强烈变暖，仅略高于0.1个百分点，

复合材料T300 Anom (5S-5N) EINino PEODAS

复合材料T300 Anom (5S-5N) EINino GODAS

复合材料T300 Anom (5S-5N) EINino PEODAS

复合材料T300 Anom (5S-5N) EINino GODAS

40e 60e 120e 100e120e 140e 160e 180160w 140w120w100w 80w

i-1-1 -1 'i-"i1™i-1-r

40e 60e 80e 100e120e 140e160e 180 160w 140w120w 100w 80w

40e 60e 120e 100e120e 140e 160e 180160w 140w120w100w 80w

i-1-1 -1 'i-"i1™i-1-r

40e 60e 80e 100e120e 140e160e 180 160w 140w120w 100w 80w

图20.5在两种不同技术水平的海洋再分析中复合厄尔尼诺的演变。每个图显示了复合厄尔尼诺沿赤道的热含量异常(300米以上)的演变。该图涵盖了厄尔尼诺现象发生前一年的4月至厄尔尼诺现象发生后一年的9月。同样的厄尔尼诺事件被包括在这两种复合材料中

图20.6图20.5除上部300 m含盐量外

复合材料S300 Anom (5S-5N) EINino GODAS

-0.16 -0.14 -0.12 -0.1 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16

可能是由于与异常西风带有关的淡水向东平流。但第二次再分析并没有出现如此强烈的异常，一般小于0.04ppt。这清楚地表明，至少在目前，在最先进的海洋再分析如何表示盐度的年际变化方面存在重大差异。已有研究表明(Balmaseda和Weaver 2006)，在缺乏盐度数据的情况下，温度观测的同化会增加盐度场的不确定性。盐度场可以通过影响屏障层来影响季节预报，屏障层是温水的储层(28°C以上)，并在西风向东传播时有助于El Niño的发展(Fujii et al. 2011)。

有趣的是，两次重新分析都显示了印度洋中相似的盐含量模式。这大概是由于缺乏盐度和温度印度洋的数据，至少在阿尔戈之前。由于没有大量的温度和盐度数据，重新分析只是由表面强迫驱动的海洋模拟，这可能会导致类似的模式。

评估数据同化系统产生的海洋分析有三种主要方法:(1)分析与同化观测值的拟合程度，(2)分析与独立观测值的拟合程度，以及(3)分析是否能改善预测。方法(3)可能不是一个可靠的方法，因为如果模型有很大的误差，一个更好的初始状态可能会导致一个更差的预测。方法(1)也不完全令人满意，因为它只是反映了分析与观测的拟合程度，而这主要是背景和观测误差方差的函数。方法(2)是最理想的方法，但由于同化通常使用所有的温度和盐度观测数据，因此方法比较困难。迄今为止，没有同化系统利用洋流数据。这是独立数据的一个来源，图20.7说明了洋流数据用于评估不同的再分析。图20.7显示了重分析与伪观测的相关性海洋表层流(电流来源于高度计数据:OSCAR;Bonjean和Lagerloef 2002)。根据OSCAR当前数据评估了三次重新分析。图20.7a使用了PEODAS再分析(Yin et al. 2011)，它代表了当前一代的海洋再分析。它根据温度和盐度的修正对水流进行动态平衡修正。当前的修正是基于从时间演化集合中得到的交叉协方差，参见Yin等人(2011)了解更多细节。图20.7b显示了对照再分析的相关性，即与PEODAS相同，只是没有同化观测值。这本质上是一个重新分析表面通量的海洋模式，它将合理地表示年际变化，至少就其在强迫场中的表示而言。图20.7c使用了来自较老一代海洋同化系统的重新分析，在这种情况下来自POAMA-1季节预测系统(Alves et al. 2003)。典型的这一代，只有温度观测(而不是盐度)被同化。 However, corrections to currents are made based on the temperature corrections by assuming地转平衡，如Burgers et al.(2002)。三次再分析均未同化高度计数据。这些数字表明，PEODAS再分析与热带太平洋和印度的观测数据产生了最好的相关性

图20.7来自OSCAR的纬向表面速度与PEODAS的相关性。b Control, c POAMA-1。注意非线性相关尺度。(摘自Yin et al. 2011)

海洋。有趣的是，上一代POAMA-1系统与观测结果进行了最差的比较，甚至比不使用数据的对照还要差。这可能有两个原因。首先，POAMA-1中没有同化盐度数据，这可能导致不正确的密度分布，因为密度校正仅基于温度，这反过来又可能导致使用地转关系时错误的电流增量。其次，地转关系可能不合适，特别是对于具有显著Ekman分量的表面流。虽然控制再分析不使用任何观测数据，但它确实维持了表面电流，使其与表面力和压力场保持动态平衡。这些结果说明了过去十年中取得的进展，这些进展导致了目前海洋数据同化的最先进水平。

基于集成的数据同化方案，如集成卡尔曼滤波器，提供了分析的集成。集合成员的分布表示估计海况的不确定性，集合分布关于集合平均值的标准差可以被认为是分析误差的度量。来自PEODAS海洋同化方案(Yin et al. 2011)的集合扩散如图20.8所示。海温的最高扩散(图20.8a)发生在赤道东太平洋和西部边界流沿线，正如人们可能预期的那样，这些地区是变异性最高的地区。地表盐度的最高分布(图20.8b)发生在降雨量最高的地区，如沿热带辐合带、南太平洋辐合区和西太平洋暖池高降水区。图20.8c显示了沿赤道深度的温度集合分布。最大的扩散发生在温跃层，温度变化最大的区域。最大盐度分布(图20.8d)出现在地表。

20.6海洋观测的影响

的海洋观测系统在过去的几十年里发生了重大变化。在20世纪90年代早期，热带太平洋的TOGA-TAO阵列被引入。这样就可以每天监测赤道上层海洋的热含量。在20世纪90年代初，虽然不是所有的海洋数据同化系统都使用高度计的数据，但卫星高度计的海平面测量已经成为常规。在2000年代Argo浮标被引入，这可能是海洋气候观测中最大的革命。raybet雷竞技最新以前未观测到的大片海域现在都被自主的阿尔戈浮标覆盖了。图20.9a为Argo前印度洋温度观测密度。作为机会之船计划(SOOP)的一部分，观测主要是沿着主要航道进行的。整个印度洋仍然存在巨大的缺口。在Argo期间(图20.9c)，温度分布发生了巨大变化，几乎每个网格方格都经历了至少一次观测。

也许Argo最大的影响是它也测量盐度。这是第一次有足够的盐度剖面来进行盐度数据同化。

图20.8同化前的集成在重新分析期间的分布，显示了一个海温(C)的场。b沿赤道C'C的温度剖面。c海面盐度(psu)和d赤道盐度剖面(psu)。(来自Yin et al. 2011)。集成扩展是相对于中心分析计算的。(详见Yin et al. 2011)

图20.8同化前的集成在重新分析期间的分布，显示了一个海温(C)的场。b沿赤道C'C的温度剖面。c海面盐度(psu)和d赤道盐度剖面(psu)。(来自Yin et al. 2011)。集成扩展是相对于中心分析计算的。(详见Yin et al. 2011)

C 30°e so " e 70" e 90°e 1 10se 1 jo * e 15q " e

图20.9海洋次表层观测密度每lxl度平方每年，a和c为温度，b和d为盐度，a和b为Argo前，c和d为Argo期间

图20.10 TAO/TRITON和Argo数据对季节预报技能的影响。条形图显示了在初始化不同海域的JMA季节预报时，由于保留TAO/TRITON和Argo数据，导致1-7个月的月海温异常预报均方根误差的相对增加。(摘自Fuji et al. 2008，其中定义了区域)

图20.9b为Argo前的盐度观测密度，图20.9d为Argo期间的盐度观测密度。变化是巨大的。在“阿尔戈”号之前，印度洋的大部分地区都没有被观测到。Argo期间的盐度观测密度与温度观测密度相似。Fujii等人(2011)讨论了盐度观测的重要性。Usui et al.(2006)的结果表明，只有同化盐度观测，才有可能表示强经向盐度梯度西赤道太平洋，赤道以北海水盐度较低。结果还表明，如果没有温度和盐度的平衡关系，就不可能代表南太平洋热带水域的高盐度，从而导致垂直分层的侵蚀，最终导致屏障层的退化。

季节预报技术也可用于海洋观测系统的评价。Fujii等人(2011)通过进行数据保留实验，评估了TAO/TRITON阵列和Argo浮标数据对日本气象厅季节预报系统的影响。他们的结果(图20.10)表明，TAO/TRITON数据改善了赤道东太平洋(NINO3, NINO4)海温的预测，Argo浮标是预测热带太平洋和印度洋海温的重要观测资料。欧洲中期天气预报中心(ECMWF)的季节预报系统也得到了类似的结果(Bal-maseda等人，2007,2009)。

20.7澳大利亚的季节预测

自20世纪80年代末以来，澳大利亚气象局就开始编制季节预报。目前季节性降雨澳大利亚的温度前景是根据热带sst和当地气候之间的统计联系实际生成的(Chambers和Drosdowsky 1999)。raybet雷竞技最新然而，人们认为统计学上的差异

□			《逃离德黑兰》
	NINO3外祖母
NINO12		JO34 N	4 . no now wtio

图20.10 TAO/TRITON和Argo数据对季节预报技能的影响。条形图显示了在初始化不同海域的JMA季节预报时，由于保留TAO/TRITON和Argo数据，导致1-7个月的月海温异常预报均方根误差的相对增加。(摘自Fuji et al. 2008，其中定义了区域)

图20.11 2009年12月1日发布的官方展望中2009年12月至2010年5月的POAMA月GBR指数(图插入图中红色框所示的区域平均海温异常)，以及由过去30个每日预报组成的集合的四分位数分布。叠加的是整体均值(黑色)。阴影表示POAMA v1.5后剖面的上、下气候地力。（http://www.bom.gov.au/oceanography/oceantemp/GBR_SST.shtml）

图20.11 2009年12月1日发布的官方展望中2009年12月至2010年5月的POAMA月GBR指数(图插入图中红色框所示的区域平均海温异常)，以及由过去30个每日预报组成的集合的四分位数分布。叠加的是整体均值(黑色)。阴影表示POAMA v1.5后剖面的上、下气候地力。（http://www.bom.gov.au/oceanography/oceantemp/GBR_SST.shtml）

探索者基本上已经达到了他们预测能力的极限，特别是在气候变化正在使静态假设失效的情况下，静态假设是统计方法的基础。raybet雷竞技最新该局与CSIRO合作，一直在开发一个称为POAMA(澳大利亚预测海洋大气模型;http://poama.bom．gov.au)。第一个版本于2002年在局内实施，并生成与enso有关的海表温度指数的预测。POAMA系统于2007年升级为1.5版本，业务产品扩展到包括赤道印度洋海温预报(Zhao和Hendon 2009)。最近，该产品已扩展到对大堡礁珊瑚在未来季节可能发生白化发出警告(例如，图20.11;Spillman和Alves 2009)。POAMA-1.5不仅在预测ENSO和IOD方面有很高的技能，而且在预测ENSO的“味道”方面也有很高的技能，即经典模式与Modoki模式的对比(Hendon et al. 2009;Lim et al. 2009)。POAMA可以提前两到三个季节熟练地预测与ENSO相关的热带海温异常(Wang et al. 2008b)，并可以描述与澳大利亚降雨的遥相关(Lim et al. 2009)。POAMA可以预测南半球春季(SON) IOD发生的高峰期，提前约4个月(Zhao and Hendon 2009)。

POAMA在预测澳大利亚降雨方面最熟练的季节是春季(SON)，此时ENSO和澳大利亚降雨之间的关系很强。图20.12显示，在澳大利亚东南部，预测中位数以上降雨量的技能(正确比例)较高，在大多数地区优于气候学

图20.12采用(a) LTO的POAMA (b) LT3的POAMA和(c)当前运行统计模型(NCC模型)正确预测中位数以上降水的集合成员比例。等高线间距为10%。正确比例大于60%的部分用阴影表示。(摘自Lim et al. 2009)

领先时间为0的国家(LT0，即1980-2006年期间在9月初初始化并在SON中验证的预测)(Lim et al. 2009)。这个技能区域是降雨和热带海温之间遥相关很强的地方(Lim et al. 2009)。不过，本局现时的区域雨量及气温预报仍是基于统计系统，而非基于POAMA。来自POAMA的实验降雨产品，如中位数以上降雨的概率，已被证明比基于技能度量(如ROC分数或命中率)的统计系统的产品更有技巧(例如，图20.12)，但预测可靠性较低，即预测过于强调(过度自信)，通常显示概率超过90%。有关工作正在进行中，以解决这一可靠性问题，以便POAMA降雨可以成为气象局季节性气候展望的基础，包括在短期内进行务实的统计校正和重新校准，以及在长期内研究增加集合传播的方法。raybet雷竞技最新

一个新版本，POAMA-2已经开发了改进的物理和一个新的海洋数据同化系统，POAMA集成海洋数据同化系统(PEODAS)，在第20.5节中提到。目前正在生成一套全面的后置数据，该系统将于2010年底投入使用。初步结果表明，与POAMA-1.5相比，POAMA-2在太平洋的SST技能显著提高。POAMA-3系统的开发也在进行中，其中包括一个基于UKMO统一大气模型和GFDL MOM4的新耦合模型，该模型将以比当前系统更高的分辨率运行。海洋数据同化系统也正在扩展到大气和陆地表面，这将形成一个多元系综耦合同化系统。

新的海洋数据同化系统PEODAS (Yin et al. 2011)是POAMA的一个重大新发展。该系统基于多元集成优化插值(Oke et al. 2005)，其中背景误差协方差是从海洋状态的集成中计算出来的。然而，与Oke等人(2005)使用静态集成不同，PEODAS使用时间演化集成来计算时间相关的多变量误差协方差矩阵。使用Alves和Robert(2005)开发的方法，通过扰动海洋模型，迫使主要分析运行并行进行集成。从1977年到2007年进行了一次海洋再分析，吸收了ENACT/ENSEMBLE项目的温度和盐度观测数据。同化过程中，温度和盐度通过水柱放宽为月气候，e-fold时间尺度为2年。模式海表温度被强烈推入NCEP再分析的海表温度产物，时间尺度为1天。

在第20.5节中表明，与以前的POAMA版本相比，PEODAS海洋再分析是一种改进。初步结果还表明，这些改进可以提高海温在季节时间尺度上的预测能力。对于每一次重新分析，从1980年到2001年的每个月都产生了一组后报。对于PEODAS再分析，使用主要PEODAS再分析生成了一个10成员集成。对于旧的POAMA重新分析，也生成了一个10人的集合，但这一次是使用相同的海洋初始条件

图20.13 NINO3.4 SST NINO3.4 Corr ALL 82-06

图20.13 NINO3.4 SST NINO3.4 Corr ALL 82-06

(因为不存在扰动状态)，并将大气初始条件间隔6小时。

图20.13显示了NINO3.4预测技能和每组再分析预测的提前时间，并基于10成员集合均值。使用PEODAS初始条件的预测比使用旧POAMA同化初始条件的预测显示出更大的技巧。虽然旧的再分析与新的再分析对观测温度的拟合程度相似，但旧的再分析对盐度和纬向流的拟合程度要差得多。这一结果表明，同化要提高预测能力，保持变量之间的动态和物理平衡是很重要的，因此所有变量，而不仅仅是那些直接受观测约束的变量，都应该表现出持续的改善。

20.8十年预测

十年气候预测在很raybet雷竞技最新大程度上还处于起步阶段，但有可能提供信息，使人们能够更好地适应气候变化。人为气候变化信号受到raybet雷竞技最新自然气候变化raybet雷竞技最新，特别是十年时间尺度上由海洋缓慢过程驱动的变率(hurl -rell et al. 2010)。越来越多的证据表明，像季节预测一样，年代际预测是一个初值问题，ensemble项目的最近结果表明(Smith et al. 2007;van der Linden和Mitchell 2009)的研究表明，与传统的气候变化预测相比，初始的十年预测有可能提供更好的信息。raybet雷竞技最新年代际的可预测性主要来源于辐射强迫的变化，包括人为温室气体和气溶胶，以及海洋中的长期变化。后面的例子包括与太平洋年代际振荡(PDO;例如，Mantua et al. 1997)， Inter-decadal太平洋振荡(上市;例如，Power et al. 1999)和大西洋多年代际振荡(AMO;例如，Knight et al. 2005)。因此，预测这些长期气候变化的能力在一定程度上取决于准确的海洋初始条件。raybet雷竞技最新然而，与季节预测相比，年代际预测依赖于观测较少的深海。最近海洋观测系统的改进，特别是Argo数据的出现，为提高十年预测技能提供了潜力(Balmaseda et al. 2010a)。Argo的数据(自2003年以来可用)可能是至关重要的，例如，对气候变化做出巧妙的预测大西洋经向翻转环流(MOC) (Balmaseda et al. 2010a)。但是，十年代际预测的一个主要挑战是如何评估后结果和预测，特别是考虑到稀少的历史海洋观测(Balmaseda et al. 2010a;Hurrell et al. 2010)。此外，由于我们的观测记录较短，年代际变化的机制还没有得到很好的理解，而且这种变化的表示在不同模式之间存在很大差异(Hurrell et al. 2010)。这意味着我们在十年时间尺度上预测技能的理论上限也没有很好地确定(Hurrell et al. 2010)。十年预测面临的另一个挑战是如何初始化预测。当前系统(Smith et al. 2007;基恩赛德等人，2008;Pohlmann et al. 2009)使用异常初始化，而不是完全初始化，这样模型初始化时将观测到的异常添加到模型气候中。raybet雷竞技最新该方法是一种处理模型偏差和减小初始化冲击的方法。 However, the best approach for initialising decadal forecasts remains unclear (Hurrell et al. 2010).

20.9总结

当今复杂的可操作季节预报系统依赖于许多相互关联的组件:数据同化和初始化、海洋-大气环流耦合模式、集合生成和预报校准。海洋在每个组成部分中都起着关键作用。季节预报的预测能力来自耦合系统的初始状态，特别是上层海洋。正确地初始化季节和年际变化的重要模式，如ENSO和IOD，是至关重要的。随着海洋观测网络的改进，特别是TAO/TRITON阵列和Argo浮标的改进，海洋初始状态的实时估计在过去二十年中有了显著改善。

然而，季节性预报需要对过去的海洋进行再分析，以便初始化预报系统技能评估和预报校准所需的回顾性预报。海洋观测系统的非平稳性给季节、年代际、后影和预报的初始化和验证带来了巨大的挑战。结果表明，海洋初始化方法对预测的平均状态、可变性和技巧有重大影响(Balmaseda和Anderson 2009)。由于耦合模型的缺陷，产生最接近观测到的最佳初始状态的目标可能无法产生最佳预测。在使用观测到的初始条件时，可能存在模型自旋上升或初始化冲击的长期影响。最近的研究表明，最充分利用观测数据的初始化方案将产生最有技巧的预测，即使在耦合状态中产生初始不平衡(Balmaseda和Anderson 2009)。显然，初始化方案的影响很大程度上取决于耦合模型的质量。目前的研究正在解决“耦合同化”的前景，其中大气和海洋的数据同化由耦合模式完成，导致一个良好的平衡初始状态。

季节预测是一个复杂而具有挑战性的研究和应用领域。本文讨论了利用海洋-大气耦合模式进行动态季节预测，特别关注数据同化和初始化。季节预报的交付、价值和使用尚未讨论。后者将继续推动耦合模型、数据同化、集成技术和海洋观测系统的未来发展。

作者要感谢恩帕林、克莱尔斯皮尔曼、王国民和尹永红，他们提供了本文中使用的一些数据。

参考文献

Alves O, Robert C(2005)来自蒙特卡罗模拟的热带太平洋模式误差协方差。Alves O, Wang O, Zhong A, Smith N, Tseitkin F, Warren G, Schiller A, Godfrey JS, Meyers G (2003) POAMA:气象局业务耦合模式预报系统。Alves O, Balmaseda M, Anderson D, Stockdale T(2004)海洋初始条件对动态季节预报的敏感性。Baldwin MP, Dunkerton TJ(2001)异常天气状况的平流层前兆。科学294:581。doi: 10.1126 / science.1063315(2006)温度、盐度和海平面变化:来自海洋再分析的气候变率。raybet雷竞技最新在CLIVAR/GODAE海洋综合评价会议上发表的论文，2006年8月31日至9月1日，欧洲中期天气预报中心，英国雷丁。http://www.clivar.org/orga-电离作用/ gsop /合成/团体/ Items3_4.ppt。Balmaseda MA, Anderson D(2009)初始化策略和观察对季节性预测技能的影响。地球物理研究36:L01701。Balmaseda MA, Anderson DLT, Vidard A (2007) Argo对全球海洋分析的影响。地球物理研究34:L16605。gl030452 doi: 10.1029/2007

Balmaseda MA, Vidard A, Anderson D (2008) ECMWF ORA-S3海洋分析系统。我的

Balmaseda MA, Alves O, Arribas A, Awaji T, Behringer D, Ferry N, Fujii Y, Lee T, Rienecker M, Rosati T, Stammer D(2009)季节预报的海洋初始化。海洋学22:154 - 159

Balmaseda MA, Fujii Y, Alves O等(2010a)季节和十年预测的初始化。见:Hall J, Harrison DE,Stammer D(编)OceanObs'09:持续的海洋观测和社会信息，第2卷，欧空局出版物WPP-306，威尼斯，2009年9月21-25日

Balmaseda MA, Fujii Y, Alves O等(2010b)海洋观测系统在端到端季节预报系统中的作用。全体文件，2009年9月21日至25日，威尼斯。http://www.oceanobs09.net/plenary/index.phpBehringer DW (2007) NCEP的全球海洋数据同化系统。大气、海洋和陆地表面综合观测和同化系统第11次研讨会，AMS第87届年会，圣安东尼奥，第12页Bell CJ, Gray LJ, charton - perez AJ, Scaife AA (2009) ENSO的平流层通信

与欧洲冬季的遥相关。王志强，王志强，王志强，王志强，等(2008)基于后向散射的准随机元胞自动机模式对全球气候模式系统误差和季节预测能力的影响。地球科学进展，21 (4)raybet雷竞技最新Bjerknes J(1969)来自赤道太平洋的大气遥相关。monwea Rev 97:163-172

邦让F, Lagerloef GSE(2002)热带表面流的诊断模型和分析

太平洋。伯格斯G, Balmaseda MA, Vossepoel FC, van Oldenborgh GJ, van Leeuwen PJ(2002)平衡

赤道附近的海洋数据同化。张志刚，张志刚，张志刚(2009)平流层对冬季对流层遥视场的影响。海洋科学进展，32 (2):366 - 366

ENSO与北大西洋和欧洲区域之间的关系。王晓明，王晓明，王晓明(2008)ECCO海洋状态估算对季节气候预报初始化的影响。raybet雷竞技最新钱伯斯LE, Drosdowsky W(1999)澳大利亚季节性降雨预测利用近全球海面温度。张鹏，张志刚，谢世平，谢世平(2006)热带耦合系统的气候变化及其对海洋动力学的影响。raybet雷竞技最新Collins M, Booth BBB, Harris GR, Murphy JM, Sexton DMH, Webb MJ(2006)对瞬态气候变化的不确定性进行量化。raybet雷竞技最新Doblas-Reyes FJ, Weisheimer A, Deque M等(2009)解决季节和年度动态集成预报的模型不确定性。Dommenget D, Stammer D(2004)评估ENSO模拟和预测使用伴随海洋状态估计。王晓明，王晓明，王晓明，等(1999)土壤初始湿度对大气季节预报的影响。

李志强，李志强，李志强(2009)大气GCM积分对积雪扰动的响应。地球科学进展，29(4):366 - 366。Folland CK, Colman AW, Rowell DP, Davey MK(2001)巴西东北部降雨的可预测性和实时预报技能。藤井勇，松本勇，石崎勇(2011)利用海洋数据同化系统估算赤道太平洋盐度场。Adv geoosci (In Press) Goddard L, Graham NE(1999)印度洋对模拟非洲东部和南部降水异常的重要性。王国强，王国强，王国强(2009)地球物理学报，地球物理学报，104:1999 -19116。地球物理Res Lett。gl040100 doi: 10.1029/2009

王刚(2010)大气初始化对热带太平洋海温季节预报的影响。Hurrell J, Delworth TL, Danabasoglu G等(2010)十年气候预测:机遇与挑战。raybet雷竞技最新见:Hall J, Harrison DE, Stammer D(编)0cean0bs'09:持续的海洋观测和社会信息，第2卷。欧空局出版物WPP-306，威尼斯，2009年9月21-25日

伊内森，斯凯夫AA(2008)平流层在厄尔尼诺对欧洲气候响应中的作用raybet雷竞技最新

尼诺。金芳芳，林林，赵军(2007)ENSO充能振荡器的整体平均动力学随机强迫．地球物理研究34:L03807。金ek, Kinter JL III，王波等(2008)海洋-大气耦合模式ENSO预测技术现状。Clim Dyn 31:647-664。Keenlyside N, Latif M, Jungclaus J, Kornblueh L, Roeckner E(2008)推进北大西洋区10年尺度气候预测。raybet雷竞技最新Keppenne CL, Rienecker MM, Jacob JP, Kovach R (2008) GMAO海洋集合卡尔曼滤波器的误差协方差建模。monwea Rev 136:2964-2982。Kirtman BP, Pirani A(2009)季节预测技术的现状:第一届世界气候研究项目季节预测研讨会的结果和建议。raybet雷竞技最新Knight JR, Allan RJ, Folland CK等(2005)观测到的气候中持续的自然温盐环流循环的特征。raybet雷竞技最新地球物理研究32:L20708。 doi:1029/2005GL024233 Koster RD, Suarez MJ (2003) Impact of land surface initialisation on seasonal precipitation and temperature prediction. J Hydrometeor 4:408-423 Koster RD, Suarez MJ, Liu P et al (2004) Realistic initialisation of land surface states: impacts on subseasonal forecast skill. J Hydrometeor 5:1049-1063 Koster RD,Guo Z, Dirmeyer PA et al (2006) GLACE: The global land-atmosphere coupling experiment. Part I: overview. J Hydrometeor 7:590-610 Koster RD, Mahanama SPP, Yamada TJ et al (2010) Contribution of land surface initialisation to subseasonal forecast skill: first results from a multi-model experiment. Geophys Res Lett 37:L02402. doi:10.1029/2009GL041677 Kushnir Y, Robinson WA, Chang P, Robertson AW (2006) The physical basis for predicting Atlantic sector seasonal-to-interannual climate variability. J Clim 19:5949-5970 Lim E-P, Hendon HH, Hudson H, Wang G, Alves O (2009) Dynamical forecasts of inter-El Niño variations of tropical SST and Australian spring rainfall. Mon Wea Rev 137:3796-3810 Luo JJ, Masson S, Behera S, Yamagata T (2007) Experimental forecasts of the Indian ocean dipole using a coupled OAGCM. J Clim 20:2178-2190 Mantua NM, Hare SR, Zhang Y, Wallace JM, Francis RC (1997) A Pacific interdecadal climate oscillation with impacts on salmon production. Bull Am Meteor Soc 78:1069-1079 Marshall AG, Scaife AA (2009) Impact of the QBO on surface winter climate. J Geophys Res

114: D18110。Mason SJ, Stephenson D(2008)我们如何知道季节性气候预报是否有用?raybet雷竞技最新见:特罗科利A，哈里森M，安德森DLT，梅森SJ(编)季节气候:预测和管理风险。raybet雷竞技最新北约科学系列。马丁·MJ，海恩斯·A，贝尔·MJ (2007) FOAM操作近程数据同化海洋预报系统:对方案及其影响的描述。夸脱J R流星Soc 133:981-995

陈晓明，王晓明，王晓明(2009)季节预报模式对平流层环流的影响。Clim动态。doi:10.1007/ s00382-009-0665-x

Murphy JM, Sexton DMH, Barnett DN, Jones GS, Webb MJ,Collins M, Stainforth DA(2004)气候变化模拟大集合中建模不确定性的量化。raybet雷竞技最新自然430:768 - 772

Neelin D, Battisti DS, Hirst AC, Jin F-F, Wakata Y, Yamagata T, Zebiak S (1998) ENSO理论。J

杨晓东，王晓东，王晓东，等(2005)大气涡场的综合数据同化

解析澳大利亚地区的海洋模式。Oldenborgh GJ van, Balmaseda MA, Ferranti L, Stockdale TN, Anderson DLT (2005) ECMWF的季节预报模型在过去15年中是否优于统计模型?J Clim 18:2960-2969

Palmer TN, alessandra A, Andersen U等人(2004)欧洲多模型集成系统的季节性到年际预测(DEMETER)的发展。布尔Am流星社85:853-872

范志强，王志强，王志强(1998)一种基于广义卡尔曼滤波的海洋数据同化方法。Philander SG(2004)我们与厄尔尼诺现象的关系。普林斯顿大学出版社，普林斯顿，pp 275 Pohlmann H, Jungclaus J, Marotzke J, Köhl A, Stammer D(2009)通过全球海洋再分析耦合气候模型初始化提高可预测性。raybet雷竞技最新J Clim 22:3926-3938

Power S, Casey T, Folland C, Colman A, Mehta V (1999) ENSO对澳大利亚影响的年代际调制。Rasmusson EM, Carpenter TH(1983)东赤道太平洋sst与印度和斯里兰卡降雨之间的关系。Rodwell MJ, 雷竞技csgoFolland CK(2002)大西洋海气相互作用和季节可预测性。夸脱J R

流星Soc 127:1413-1443 Ropelewski CF, Halpert MS(1987)与El相关的全球和区域尺度降水模式Niño/南方涛动。Saji NH, Yamagata T(2003)印度洋偶极子模式事件对全球气候的可能影响。raybet雷竞技最新Saji, NH, Goswami BN, Vinayachandran PN, Yamagata T(1999)热带的偶极子模式

印度洋。郭震等(2006)agcm模拟的土壤水分记忆:GLACE数据的分析。石磊，欧伟，洪洪东，王刚，安德森(2009雷竞技csgo)随机强迫在1997/98年El集合预报中的作用Niño。刘志强，李志强，李志强，李志强，李志强(2007)青藏高原近10年地表温度预报方法的改进全球环流模式．史丕曼，李文杰，李文杰(2009)大堡礁夏季海面温度的动态季节预测。珊瑚礁。Stainforth DA, Aina T, Christensen C, Collins M, Faull N, Frame DJ, Kettleborough JA, Knight S, Martin A, Murphy JM, Piani C, Sexton D, Smith LA, Spicer RA, Thorpe AJ, Allen MR(2005)温室气体水平上升对气候响应预测的不确定性。raybet雷竞技最新自然433:403 - 406

Stephenson D(2008)概率预测导论。见:Troccoli A, Harrison M, Anderson DLT和Mason SJ(编)季节气候:预测和管理风险。raybet雷竞技最新北约科学系列。施普林格，Dordrecht, pp 467 Stockdale TN(1997)存在气候漂移的海洋-大气耦合预报。raybet雷竞技最新monwea Rev 125:809-818

斯托克代尔TN, Balmaseda MA, Vidard A(2006)热带大西洋海温预报与海洋-大气GCMS耦合。斯托克代尔TN, Alves O, Boer G等(2010)理解和预测季节与年际气候变化——生产者的视角。raybet雷竞技最新WCC3白皮书。汇票。http://www．wcc3.org/sessions.php?session_list=WS-3 Stockdale TN, Anderson DLT, Balmaseda MA, Doblas-Reyes F, Ferranti L, Mogensen K, Palmer TN, Molteni F, Vitart F(2011)。ECMWF季节预报系统3及其对海面温度的预测。克利姆·戴恩(新闻出版)

Ummenhofer CC, England MH, McIntosh PC, Meyers GA, Pook MJ, Risbey JS, Gupta AS, Taschetto AS(2009)是什么导致了澳大利亚东南部最严重的干旱?地球物理Res Lett。臼井N, Ishizaki S, Fujii Y, Tsujino H, Yasuda T, Kamachi M(2006)气象研究所多元海洋变分估计(MOVE)系统:一些早期结果。Adv Space Res 37:806-822

van der Linden P, Mitchell JFB (eds) (2009) ENSEMBLES:气raybet雷竞技最新候变化及其影响:ENSEMBLES项目的研究总结和结果。哈德利中心，埃克塞特，第160页

杨晓东，李志强，李志强，杨志强(2005)基于海洋-大气耦合模式的季节预报集合生成方法。Wajsowicz RC(2007)热带印度洋海面温度异常的季节到年际预测:潜在的可预测性和障碍。Walker G(1923)天气季节变化的相关性对世界天气的初步研究。Mem Indian Meteorol Dept 24(4):75-131 Walker GT(1924)天气季节变化的相关性中国气象杂志24(9):275-332

王波，李建勇，康一生等(2008a) APCC/CliPAS 14模式集回溯季节预测研究进展与概述。王刚，Alves O, Hudson D, Hendon H, Liu G, Tseitkin F (2008b)基于新的POAMA-1.5系统的SST技能评估。Webster PJ, Moore AM, Loschnigg JP, Leben RR(1999) 1997-1998年印度洋海洋-大气耦合动力学。Weisheimer A, Doblas-Reyes FJ, Palmer TN et al . (2009) ensemble:一种新的多模式集合，用于季节-年度预测- DEMETER以外的热带太平洋sst预测技能和进展。尹永华，李志强，李志强(2011)基于海洋数据同化的季节预报系统。monwea Rev. doi:10.1175/2010MWR3419.1 Zebiak SE, Cane MA(1987)厄尔尼诺-南方涛动模型。赵敏，Hendon HH (2009) POAMA季节预报模型中印度洋偶极子的表示和预测。夸脱J R流星学报135(639):337-352

第七部分评价

继续阅读:海洋模式的动力评价——以墨西哥湾流为例

这篇文章有用吗?

0 0