陳 崢， 甘波瀾， 吳立新

(1.中國海洋大學(xué)物理海洋教育部重點實驗室，山東 青島 266003； 2.青島海洋科學(xué)與技術(shù)國家實驗室， 山東 青島 266200)

基于CMIP3與CMIP5模式對北太平洋大氣環(huán)流模態(tài)的評估分析?

陳 崢1,2， 甘波瀾1,2， 吳立新1,2

(1.中國海洋大學(xué)物理海洋教育部重點實驗室，山東 青島 266003； 2.青島海洋科學(xué)與技術(shù)國家實驗室， 山東 青島 266200)

以美國國家海洋和大氣局-環(huán)境科學(xué)協(xié)作研究所(NOAA-CIRES)二十世紀(jì)大氣再分析數(shù)據(jù)集第二套c版(Twentieth-Century Reanalysis Dataset Version 2c；20CR V2c)資料所提取的二十世紀(jì)北太平洋大氣環(huán)流模態(tài)作為觀測參考值，利用泰勒圖方法與譜分析方法，分別對太平洋北美型遙相關(guān)(Pacific-North America Teleconnection; PNA)與北太平洋濤動(North Pacific Oscillation; NPO)模態(tài)在國際耦合模式比較計劃第三階段(Coupled Model Intercomparison Project Phase 3；CMIP3)與CMIP5兩套多模式數(shù)據(jù)集合中的表現(xiàn)進行了從空間型到時間周期的綜合評估與對比分析工作，并對PNA的4個異常中心以及NPO的2個偶極子進行簡化命名。評估結(jié)果表明：整體上CMIP5模式對PNA與NPO的空間型模擬能力要優(yōu)于CMIP3模式，80%的CMIP5模式都能很好的體現(xiàn)與觀測PNA/NPO模態(tài)相近的空間分布與振幅，而CMIP3模式只能達(dá)到約60%。在模式模擬優(yōu)秀率上，CMIP5也遠(yuǎn)高CMIP3約10%。在使用譜分析方法對兩套資料對時間模擬能力評估結(jié)果表明：CMIP5相比于CMIP3并沒有太大的進步，整體合格率與CMIP3持平。其中大部分模式能夠很好的模擬出同觀測一致的PNA 1～2年和4～6年的年際周期，對其20～25年的年代際周期的模擬相對較差；而對NPO來說，更多模式的功率峰值都在1～2年周期上，而且只有約一半模式能夠體現(xiàn)與觀測相同的2～4年周期。

太平洋-北美型遙相關(guān)(PNA)；北太平洋濤動(NPO)；泰勒圖；譜分析

現(xiàn)有研究表明，聯(lián)合國政府間氣候變化專門委員會(Intergovernmental Panel on Climate Change；IPCC)多模式在大尺度范圍內(nèi)對于區(qū)域和全球氣候變化具有較強的模擬能力并能夠很好地模擬各個氣候要素，模式的不斷發(fā)展與完善，也在一定程度上降低了氣候預(yù)測的不確定性。全球氣候模式是氣候變化預(yù)估與機理研究的重要工具，但由于全球氣候系統(tǒng)的復(fù)雜性、氣候模式的可靠性與代表性等因素，模式對氣候變化的模擬能力仍然存在一些不足之處，并且模式本身的系統(tǒng)性誤差仍是不可避免的，而且由于模式在初始條件與參數(shù)化方案設(shè)置、空間分辨率以及機理等方面的差異，會導(dǎo)致不同模式間的模擬結(jié)果存在較大差異，這在一定程度上會影響氣候預(yù)測及預(yù)估水平[1-2]。

現(xiàn)如今，開展氣候變化預(yù)估與機理研究主要依賴全球氣候系統(tǒng)模式，通過數(shù)值模式構(gòu)建地球大氣環(huán)境，模擬人類的生活環(huán)境，在模式能夠較為準(zhǔn)確的模擬地球目前大氣環(huán)境的基礎(chǔ)上，通過改變模式參數(shù)(如溫室氣體濃度等)，以達(dá)到對未來氣候變化預(yù)估目的。其中準(zhǔn)確且合理的模擬歷史氣候是預(yù)估報未來氣候變化的基礎(chǔ)，從而解決人類可持續(xù)性發(fā)展的根本問題。而模式評估本身也是開展氣候模擬、趨勢預(yù)測與預(yù)估的基礎(chǔ)性工作，也是深入了解模式所存在不足的重要途徑，有利于對氣候變化影響、適應(yīng)和減緩等方面的研究，其中，對大氣低頻變率主模態(tài)的模擬為模式評估的重點對象[3-4]。

太平洋-北美型遙相關(guān)(Pacific-North America teleconnection；PNA)與北太平洋濤動(North Pacific Oscillation；NPO)在冬季北太平洋大氣環(huán)流模態(tài)中占據(jù)主導(dǎo)地位，并且與亞太急流和太平洋風(fēng)暴軸的位置與強度有密切聯(lián)系，同時對北美水文氣候有重要影響。正位相的PNA與西風(fēng)急流的增強以及向東延伸有關(guān)，而急流的北移以及其出口區(qū)的擴張則與正位相的NPO有關(guān)[5-6]。在渦旋平均流相互作用的框架下，PNA與NPO都對與流速異常的風(fēng)暴軸變化具有調(diào)制作用，如風(fēng)暴軸活動的緯向移動和下降流增強等都與其有關(guān)[6-8]。研究表明，這些大氣動力變化都對北美的氣候具有重要影響，尤其在冬季[9-10]，如PNA與北太平洋阻塞頻率[11]、北美降雪厚度[12]以及美國北部與中部地區(qū)的降水[13]有關(guān)，而NPO與冬季北美西部地區(qū)和白令海西部冰雪圈的氣溫與降水有關(guān)[5]。此外，PNA在阿留申低壓處的負(fù)異常信號與太平洋年代際振蕩(Pacific Decadal Oscillation；PDO)[3,14]有關(guān)，而NPO則為驅(qū)動北太平洋回旋振蕩(North Pacific Gyre Oscillation；NPGO)的大氣外強迫[4,15]。

PNA與NPO作為北太平洋大氣環(huán)流主模態(tài)，對環(huán)太平洋區(qū)域氣候變率具有深遠(yuǎn)影響，與人類所生存的氣候條件息息相關(guān)，因此有必要評估IPCC多模式對其模擬的能力。本文創(chuàng)新之處在于，之前從未有人使用IPCC兩次評估報告所評估的兩套國際耦合模式比較計劃(Coupled Model Intercomparison Project；CMIP)多模式數(shù)據(jù)集(CMIP3與CMIP5)進行對PNA/NPO空間型與時間周期的模擬能力的綜合評估與對比分析工作，因此本文的評估與分析是必要并且具備實際應(yīng)用價值的。對比評估可以反應(yīng)出IPCC兩套多模式數(shù)據(jù)集合模擬能力的異同，比較結(jié)果對改進模式有極為重要的啟示意義。

1 研究背景

PNA與NPO是冬季北太平洋區(qū)域變化的主要大氣環(huán)流結(jié)構(gòu)，是具有行星尺度的大氣異常模態(tài)，是對流層中上層、海平面氣壓層上大氣環(huán)流變化最顯著的模態(tài)，其演變不僅直接影響北太平洋附近地區(qū)的天氣和氣候，甚至對整個北半球的大氣環(huán)流異常及氣候突變都有重要影響。

PNA是北半球中緯度變化的主要環(huán)流結(jié)構(gòu)之一，是北太平洋對流層中上層大氣環(huán)流變化最顯著的模態(tài)，涉及了北太平洋和北美大陸區(qū)域大氣環(huán)流的異常狀態(tài)，具有4個異?；顒又行摹Ｒ哉幌酁槔浩渲?個為正異常結(jié)構(gòu)分別位于夏威夷群島(20°N, 160°W)與加拿大亞伯達(dá)(55°N, 115°W)，以及2個負(fù)異常結(jié)構(gòu)分別位于阿留申群島南部海區(qū)(45°N, 165°W)和美國墨西哥灣岸區(qū)(30°N, 85°W)；反之為 PNA 的負(fù)位相[16]。對于 PNA 的空間結(jié)構(gòu)，人們常采用經(jīng)驗正交函數(shù)(EOF)分解的方法來得到。對冬季北半球 500 hPa位勢高度異常場進行EOF分解后，第一模態(tài)的空間分布可以看做是PNA型遙相關(guān)。此外，正負(fù)位相的PNA模態(tài)所分別對應(yīng)的地表氣溫和降水異常，對研究環(huán)太平洋地區(qū)冬季旱澇災(zāi)害，以及暖冬冷冬的預(yù)測，具有重要意義。

NPO是在北太平洋海區(qū)經(jīng)向上的具有2個海平面氣壓異常中心的偶極子，以正位相為例，正異常結(jié)構(gòu)位于副熱帶夏威夷群島附近，負(fù)異常位于阿拉斯加附近[17]，是北半球大氣中一個顯著經(jīng)向的蹺蹺板式的低頻振蕩模態(tài)。Linkin和Nigam[5]指出，NPO在海平面氣壓場的異常信號在對流層中表現(xiàn)為西太平洋型遙相關(guān)(West Pacific Teleconnection；WP)[16]，為500 hPa位勢高度場中位于PNA之后的第二主模態(tài)。研究發(fā)現(xiàn)，當(dāng)北太平洋濤動增強時，活動中心之間的氣壓差增大，阿留申低壓較常年偏東，夏威夷高壓偏西；當(dāng)北太平洋濤動弱時，活動中心之間的氣壓差減小，阿留申低壓則較常年偏西，夏威夷高壓偏東。

根據(jù)PNA與NPO對北太與北美的水文氣候的影響，作者認(rèn)為對這兩個模態(tài)在IPCC多模式二十世紀(jì)的模擬中進行綜合評估十分必要。但至今為止，相關(guān)評估工作還不完善，如Stoner等[1]評估了CMIP3模式對PNA對模擬情況，發(fā)現(xiàn)大部分模式在冬季能夠抓住似PNA型的模態(tài)，但是高估了PNA在位勢高度異常上的方差貢獻率，并且忽略了對PNA周期的評估。Furtado等[2]使用CMIP3中20C3M與A1B情景，發(fā)現(xiàn)NPO與NPGO型海表溫度異常有關(guān)，但在全球變暖后空間型并無太大改變。而在IPCC第五次評估報告中所評估的CMIP5模式中，對PNA與NPO的模擬能力的評估工作尚不完整[18]。這也是本文進行CMIP3/CMIP5模式在二十世紀(jì)情景下對PNA/NPO的模擬能力進行綜合評估與對比分析工作的動力之所在。

2 數(shù)據(jù)與方法

2.1 觀測數(shù)據(jù)

本文作為觀測資料所采用的研究數(shù)據(jù)主要包括：位勢高度場(GPH)和海表面氣壓場(SLP)，數(shù)據(jù)均來自美國國家海洋和大氣局-環(huán)境科學(xué)協(xié)作研究所(NOAA-CIRES)二十世紀(jì)大氣再分析數(shù)據(jù)集第二套c版(Twentieth-Century Reanalysis Dataset Version 2c；20CR V2c)[19-20]。20CR V2c是目前國際上最新發(fā)展的一套具有創(chuàng)新性、綜合性的二十世紀(jì)全球大氣環(huán)流再分析數(shù)據(jù)集，該數(shù)據(jù)集與觀測模式相結(jié)合，可提供一套極為全面的氣候描述與分析。本文使用整個二十世紀(jì)的月平均數(shù)據(jù)，并將2°×2°網(wǎng)格差值到2.5°×2.5°網(wǎng)格，其中GPH場取500 hPa層。

本文選取此數(shù)據(jù)集作為觀測資料是因為20CR V2c中二十世紀(jì)中后期數(shù)據(jù)資料與其它大氣再分析數(shù)據(jù)(如ECMWF、NCEP/NCAR資料等)相比，結(jié)果表明20CR V2c具有較高的數(shù)據(jù)質(zhì)量，并且對北太平洋區(qū)域太平洋-北美型遙相關(guān)和北太平洋濤動的變率和趨勢評估具有較高可信度[19-23]。

2.2 模式數(shù)據(jù)

本文采用IPCC第四次評估報告(Forth Assessment Report，即AR4)中所評估的22個CMIP3全球海氣耦合模式的數(shù)值試驗輸出資料[24]；以及采用IPCC第五次評估報告(AR5)中所評估的隸屬于氣候模型診斷與比對項目(Program for Climate Model Diagnosis and Intercomparison；PCMDI)的35個CMIP5模式資料[25]；使用兩套IPCC多模式所輸出的GPH與SLP場分別研究各模式對二十世紀(jì)PNA與NPO的地理分布與時間周期的模擬結(jié)果；將各模式資料全部差值到2.5°×2.5°網(wǎng)格以便于比較。對于CMIP3(CMIP5)多模式，本文選取其對二十世紀(jì)模擬情景20C3M(Historical)進行評估分析，該情景使用二十世紀(jì)觀測資料的人為與自然變率對大氣的影響作為外強迫，此試驗中溫室氣體(二氧化碳)濃度為觀測值，該情景除了考慮了太陽常數(shù)和溫室氣體的影響外，還考慮了火山爆發(fā)、硫化物、臭氧、碳循環(huán)和氣溶膠等對氣候變化的影響，作者使用同觀測一致的1900—1999年作為實驗研究的時間長度。本文所采用的22(35)個CMIP3(CMIP5)模式均選取“run1”(“r1i1p1”)運行結(jié)果，各模式名稱參考泰勒圖例見(見圖3～圖6)。

2.3 主要方法介紹

2.3.1 北太平洋大氣環(huán)流主模態(tài)的獲取 針對PNA(NPO)模態(tài)，本文主要使用500 hPa GPH場(SLP場)進行提取，使用范圍為10N°～80°N，150°E～60°W(10N°～80°N，120°E～60°W)的區(qū)域，使用EOF及回歸等方法進行分析處理各模式的冬季資料。本文采用的獲取模態(tài)的具體方法如下：

(1)將500 hPa GPH場(SLP場)進行去趨勢以及去除逐月氣候態(tài)處理以得到異常場GPHa(SLPa)。

(2)將GPHa(SLPa)進行3個月的滑動平均以達(dá)到低通濾波的目的，并從中取出12、1和2(DJF)組成一個新的連續(xù)冬季場。

(3)再將冬季場乘以緯度權(quán)重后進行時空變換，將三維場變?yōu)闀r間-空間二維場之后進行EOF分解，得到其特征向量所表征PNA(NPO)正位相所對應(yīng)的第一(二)主成分PC1(PC2)。

(4)將PC1(PC2)進行標(biāo)準(zhǔn)化處理，再將步驟2中的冬季異常場回歸到標(biāo)準(zhǔn)化序列上，從而最終得到PNA(NPO)空間模態(tài)，單位：m(hPa)。

2.3.2 泰勒圖分析方法 泰勒圖[26]能夠?qū)⒍嗄Ｊ降南嚓P(guān)信息集中表示，是近年來被廣泛采用的應(yīng)用于模式評估與檢驗的有效方法，能夠?qū)⒍鄠€變量的標(biāo)準(zhǔn)差、與參考值的相關(guān)系數(shù)以及均方根偏差綜合顯示在一張二維圖上。在泰勒圖中，可以將多個模式的相關(guān)信息集中表示，全面清晰地反映多模式的模擬能力。標(biāo)準(zhǔn)差反映多變量自身的離散程度，相關(guān)系數(shù)表示變量值與參考值的相似性，均方根誤差表示變量與參考值之間的離散度，均方根誤差值越小，表明與參考值自身的離散程度越接近。

下面具體來說泰勒圖的三個組成部分：

(1)標(biāo)準(zhǔn)差公式(σ)：

(1)

上式：標(biāo)準(zhǔn)差為σ；N個變量x，其平均值為μ。標(biāo)準(zhǔn)差為一組數(shù)據(jù)與其平均值的分散程度，標(biāo)準(zhǔn)差越小，代表這些數(shù)值越接近平均值。

(2)相關(guān)系數(shù)(R)：

假設(shè)參考值(Reference)f與變量m，其相關(guān)系數(shù)R表達(dá)式為：

(2)

(3)均方根誤差(E)：

假設(shè)參考值f變量m，其均方根誤差E表達(dá)式為：

(3)

均方根誤差反映的是變量值與參考值之間的離散程度。

本文使用20CR V2c作為觀測資料作為參考值，各模式對PNA(單位：m)/NPO(單位：hPa)模態(tài)(單位：m)的模擬結(jié)果作為變量值，對兩套IPCC多模式集合進行泰勒圖分析，以評估其對北太平洋大氣環(huán)流主模態(tài)的模擬能力。值得注意的是，本文泰勒圖統(tǒng)一使用標(biāo)準(zhǔn)化泰勒圖，即對參考值與變量值的標(biāo)準(zhǔn)差與均方根誤差同除以參考值的標(biāo)準(zhǔn)差，令參考值=1，E=0，并消除其物理量單位。

2.3.3 譜分析方法 周期性連續(xù)信號的頻譜可表示為離散的非周期序列,它的幅度頻譜的平方所排成的序列即為其功率譜。利用譜分析方法能夠找到數(shù)據(jù)的相關(guān)特性。通常一個時間序列是以時間軸為參考基準(zhǔn)進行記錄的，直觀上并不能獲取數(shù)據(jù)內(nèi)部的基本特性與周期規(guī)律。本文通過譜分析的方法，將時域轉(zhuǎn)換到頻域上，通過分析頻域的特征來獲取數(shù)據(jù)的周期特性。

為研究PNA與NPO的功率譜周期特性，本文對其EC(Expansion Coefficient)時間序列進行了功率譜分析。參考Furtado等[2]工作中對低頻變率的北太平洋環(huán)流系統(tǒng)振蕩(North Pacific Gyre Oscillation)的譜分析研究。首先構(gòu)建出PNA與NPO各自的EC時間序列，使用EC時間序列的主要原因為PNA與NPO在冬季尤為顯著，因此從GPH與SLP場截取DJF組成冬季連續(xù)場進行分析，然而譜分析當(dāng)中，需要全年連續(xù)的時間序列，因此本文在做PNA與NPO的譜分析時，需要應(yīng)用到EC時間序列。譜分析具體方法如下：

(1)利用GPH/SLP異常場獲取PNA/NPO模態(tài)(模態(tài)獲取的具體方法參考2.3.1)。

(2)再次利用GPH/SLP原始異常場(三維場)除以PNA/NPO模態(tài)(二維場)得到該模態(tài)的EC時間序列(一維場)。

(3)對PNA/NPO的EC時間序列做功率譜分析，一般功率譜縱坐標(biāo)為功率，橫坐標(biāo)為頻率。將功率-頻率結(jié)果換算為功率-周期，取功率譜峰值超過90%信度的周期進行著色。

由于非負(fù)值的功率譜曲線所覆蓋的面積在數(shù)值上等于其總功率(能量)，考慮到每個IPCC模式總功率可能各不相同，因此本文所有功率譜均使用標(biāo)準(zhǔn)化的功率，即各周期的功率值除以總功率，消除物理量單位，從而得到功率百分比以方便多模式之間的對比。

在譜分析方法第三步驟當(dāng)中，使用的信度檢驗主要參考Torrence和Compo[27]的工作，其主要思想為先對PNA/NPO的EC時間序列構(gòu)建一個適合的背景譜，然后根據(jù)F檢驗當(dāng)中的90%信度的分布值乘以其背景譜，得到功率譜90%信度檢驗線。

3 對空間模態(tài)的模擬能力評估結(jié)果

本文選取20CR V2c再分析資料所提取的PNA/NPO模態(tài)作為泰勒圖的參考值，對CMIP3/CMIP5兩套多模式集合對其空間分布模擬能力進行綜合評估與對比分析。圖1表示觀測資料所提取的冬季PNA模態(tài)，其主成分方差貢獻率為29.8%，前人研究當(dāng)中往往將PNA作為一個整體，并沒有對其各異常中心進行分別命名。作為本文的創(chuàng)新點，本文分別統(tǒng)計其4個中心異常的變化情況，并對每個中心進行重新簡化命名，按照其4個異常中心地理位置分布，自西向東依次命名為PNAa，PNAb，PNAc和PNAd，具體對應(yīng)關(guān)系可參考圖1。其中PNAb為PNA最強異常中心。其中心異常值的變化往往決定著PNA的變化，PNAb經(jīng)常伴隨氣旋式海表面風(fēng)異常與風(fēng)應(yīng)力異常，當(dāng)中緯度西風(fēng)加強時，北太平洋在中緯度將失去熱量，而在北美西岸到阿拉斯加地區(qū)，由于受到?？寺搅髯饔盟斐傻难匕渡仙鞯挠绊?，海洋又將得到熱量，由此得到一個PNAb上空對流的正反饋機制，而其高空對應(yīng)西風(fēng)急流出口區(qū)域，為輻散區(qū)，這使得對流會異常的強，強對流所導(dǎo)致的局地降水的增多，也會在高空大氣釋放潛熱，通過非絕熱加熱來加熱大氣，會在北太平洋中緯度PNAb區(qū)形成一個較強的低壓異常，從而影響整個PNA的變化。

圖1 20CR V2c北太平洋500 hPa位勢高度異常場的冬季PC1回歸場(單位：m)Fig.1 Regression pattern of the 500 hPa GPHa onto the PC1 in wintertime at North Pacific from 20CR V2c

圖2表示觀測資料所提取的冬季NPO模態(tài)，其主成分方差貢獻率為20.0%。作為北太平洋大氣環(huán)流的第二主模態(tài)，同PNA一樣，本文對NPO偶極子也進行了簡化命名，根據(jù)其南北“蹺蹺板”式的偶極子異常的特殊結(jié)構(gòu)，由北向南，依次命名為NPOa與NPOb。NPO表現(xiàn)為從海平面到對流層高層相似的垂直結(jié)構(gòu)，NPOa對應(yīng)氣旋式的海表面風(fēng)應(yīng)力和風(fēng)速異常，NPOb對應(yīng)氣旋式的海表面風(fēng)應(yīng)力和風(fēng)速異常。

圖2 20CR V2c北太平洋海平面氣壓異常場的冬季PC2回歸場(單位：hPa)Fig.2 Regression pattern of the SLPa onto the PC2 in wintertime at North Pacific from 20CR V2c

為綜合反映兩套多模式集合的模擬效果，本文使用圖1、圖2所示的整個二十世紀(jì)的觀測PNA(NPO)模態(tài)作為泰勒圖中的參考值。兩套多模式也同樣使用對二十世紀(jì)大氣模擬的情景(CMIP3：20C3M；CMIP5：Historical)，使用相同的時間段，對CMIP3/CMIP5模式的空間模擬能力進行評估。

3.1 PNA空間型模擬能力評估結(jié)果

首先本文通過2.3.1小節(jié)的方法獲取CMIP3中21個模式與CMIP5中30個模式的PNA模態(tài)。因無特殊科學(xué)意義，這51個模態(tài)并未在本文附圖。本文分別計算CMIP3與CMIP5各模式與觀測PNA模態(tài)的相關(guān)系數(shù)，均方根誤差與各自的標(biāo)準(zhǔn)差，并分別繪制CMIP3(見圖3)與CMIP5(見圖4)的模擬結(jié)果泰勒圖。

(圖中黑色虛線代表標(biāo)準(zhǔn)差，刻度參考Y軸；藍(lán)色點劃線表示與觀測資料的相關(guān)系數(shù)，刻度參考弧上刻度值；綠實線表示各模式與參考值間的均方根誤差，刻度值位于X軸；REF為觀測資料參考值；帶序號紅點為各模式所提取的PNA模態(tài)，模式名稱及對應(yīng)序號見圖右列。Standard deviation and the centered pattern RMS difference are normalized by the observational standard deviation. Normalized standard deviation and spatial correlation coefficient of a model are given by the radial distance from the origin (black dashed line) and the azimuthal position of the model (blue dot-dashed line), respectively. The distance from the REF (i.e., observation) to a red point (i.e., a model) is the normalized CRMS (green solid line.).)

圖3 CMIP3多模式對PNA模態(tài)模擬結(jié)果泰勒圖
Fig.3 Taylor diagrams for displaying normalized pattern statistics of PNA in CMIP3 models

3.1.1 能力評估 利用圖3與4的結(jié)果，設(shè)計統(tǒng)計表(見表1)。根據(jù)相關(guān)性顯著原理，相關(guān)系數(shù)超過0.4則認(rèn)為具有相關(guān)關(guān)系，超過0.7則表示具有較高的相關(guān)程度。由于本文為空間相關(guān)，格點數(shù)較多，為更好的體現(xiàn)各模式與觀測間的關(guān)系，因此認(rèn)為相關(guān)系數(shù)超過0.5為具有空間相似關(guān)系，而本文泰勒圖全部進行了標(biāo)準(zhǔn)化以反映不同模式間的差異性，因此在觀測值自身標(biāo)準(zhǔn)差(σ=1)附近，R=0.5對應(yīng)E≈1，因此我們定義各模式模擬合格標(biāo)準(zhǔn)為R≥0.5，E≤1。同理良好標(biāo)準(zhǔn)為R≥0.8，E≤0.75；優(yōu)秀標(biāo)準(zhǔn)R≥0.9，E≤0.5。

如圖3所示，21個CMIP3模式名稱列于泰勒圖右側(cè)，所對應(yīng)的編號體現(xiàn)于泰勒圖結(jié)果中，其模擬能力見表1，其中CCR-BCM2.0(R=0.38)和INM-CM3.0(R=0.47)模式對PNA模擬失??；86%的模式具有與觀測相似的PNA幅度(標(biāo)準(zhǔn)差σ在1±25%范圍內(nèi))，IAP-FGOALS-1.0g(σ=1.31)，NCAR-CCSM3.0(σ=1.28)與NCAR-PCM1(σ=1.37)模式所模擬的PNA幅度皆過大。表現(xiàn)優(yōu)秀的6個模式為：CNRM-CM3，GFDL-CM2.1，MIROC-hires，MIROC-medres，MPI-ECHAM5，UKMO-HadGEM1。

圖4 同上圖，但是為CMIP5多模式對PNA模態(tài)模擬結(jié)果泰勒圖Fig.4 As in fig.3, but for PNA in CMIP5 models

/%

而圖4中，30個CMIP5模式有80%的模式能夠模擬出于觀測相似的空間結(jié)構(gòu)(Rgt;0.8)，所有模式都成功模擬出PNA模態(tài)(Rgt;0.5)；90%的模式具有與觀測相似的PNA幅度(σ在1±25%范圍內(nèi))，BNU-ESM(σ=1.31)，CESM1(BGC)(σ=1.37)與NorESM1-M(σ=1.32)模式所模擬的PNA幅度皆過大。表1中模擬優(yōu)秀的14個模式為ACCESS1.3，BNU-ESM，CanESM2，CESM1(CAM5)，CMCC-CESM，CMCC-CM，GFDL-CM3，GFDL-ESM2G，HadGEM2-AO，HadGEM2-ES，IPSL-CM5A-LR，MPI-ESM-LR，NorESM1-M，NorESM1-ME。

3.1.2 結(jié)果分析 就整體而言，CMIP3與CMIP5大部分模式能夠很好的模擬出PNA模態(tài)的地理分布及其幅度，其中CMIP3中UKMO-HadGEM1(R=0.97,E=0.28)模式的對空間形態(tài)的模擬結(jié)果最佳，而CMCC-CESM(R=0.97,E=0.33)模式在CMIP5中最佳但仍不如UKMO-HadGEM1模式，CCCMA-CGCM3.1-T47(σ=0.99)，IPSL-CM4(σ=0.99)與MIROC-medres(σ=1.02)模式對PNA幅度的模擬最佳。

與CMIP3相比，CMIP5各項指標(biāo)均更為優(yōu)越，但是不同模式間的差異仍舊比較大，其相關(guān)系數(shù)從0.52(INM-CM4)到0.97(CMCC-CESM)，均方根誤差從0.31(GFDL-CM3)到0.99(EC-EARTH)有57%的模式Elt;0.5。整體上，CMIP5各模式對PNA的模擬能力較好。

3.2 NPO空間型模擬能力評估結(jié)果

基本原理與步驟同上小節(jié)PNA模態(tài)相同，首先獲取CMIP3中22個模式與CMIP5中32個模式的NPO模態(tài)，并分別繪制CMIP3(見圖5)與CMIP5(見圖6)的模擬結(jié)果泰勒圖及其統(tǒng)計表(見表2)。

圖5 同圖3，但是為CMIP3多模式對NPO模態(tài)模擬結(jié)果泰勒圖Fig.5 As in fig.3, but for NPO in CMIP3 models

3.2.1 能力評估 如圖5所示，22個CMIP3模式中BCCR-BCM2.0(R=0.06)，GISS-EH(R=0.05)，INM-CM3.0(0.49)，UKMO-HadGEM1(0.01)模式對NPO模態(tài)模擬失?。?4%的模式具有與觀測相似的NPO幅度(標(biāo)準(zhǔn)差σ在1±25%范圍內(nèi))，BCCR-BCM2.0，(σ=0.66)CCCMA-CGCM3.1-T47(σ=0.72)，CCCMA-CGCM3.1-T63(σ=0.67)，GISS-AOM(σ=0.62)，GISS-EH(σ=0.74)，GISS-ER(σ=0.74)，UKMO-HadCM3(σ=0.69)，UKMO-HadGEM1(σ=0.64)8個模式所模擬的NPO幅度皆過小。表現(xiàn)優(yōu)秀的8個模式為：CSIRO-MK3.0，GFDL-CM2.1，IPSL-CM4，MIROC-hires，MIROC-medres，MIUB-ECHO-G，NCAR-CCSM3.0，NCAR-PCM1。

圖6 同圖3，但是為CMIP5多模式對NPO模態(tài)模擬結(jié)果泰勒圖Fig.6 As in fig.3, but for NPO in CMIP5 models

如圖6所示，32個CMIP5模式中BCC-CSM1.1，MIROC-ESM，MPI-ESM-MR三個模式?jīng)]能成功模擬出NPO模態(tài)(Rlt;0.5)；78%的模式具有與觀測相似的NPO幅度(σ在1±25%范圍內(nèi))，BNU-ESM(σ=1.43)，CCSM4(σ=1.47)，CESM1(BGC)(σ=1.37)，CMCC-CESM(σ=1.29)，GFDL-ESM2G(σ=1.34)，NorESM1-M(σ=1.26)，NorESM1-ME(σ=1.44)7個模式所模擬的NPO變率過大，表現(xiàn)優(yōu)秀的13個模式為：ACCESS1.0, CESM1(CAM5), CMCC-CESM, CMCC-CM, CSIRO-Mk3.6.0, FGOALS-g2, GFDL-CM3, GFDL-ESM2G, GISS-E2-R, HadGEM2-AO, IPSL-CM5A-LR, IPSL-CM5A-MR, MPI-ESM-LR。

以上模擬能力結(jié)果見統(tǒng)計表2。

表2 CMIP3/CMIP5模式評估結(jié)果統(tǒng)計表(NPO) /%

Note：①Excellent rate;②Good rate;③Failure rate

3.2.2 結(jié)果分析 就整體而言，CMIP3與CMIP5大部分模式能夠很好的模擬出NPO模態(tài)的地理分布及其幅度，其中CSIRO-MK3.0(R=0.95,E=0.34)，MIROC-hires(R=0.95, E=0.32)，NCAR-CCSM3.0(R=0.96,E=0.35)，模式在CMIP3多模式集合中的對空間形態(tài)的模擬結(jié)果最佳，GFDL-CM2.1(σ=1.00)模式對NPO幅度的模擬最佳。

而CMIP5中ACCESS1.0(R=0.96,E=0.28)，CMCC-CESM(R=0.96,E=0.44)，GFDL-ESM2G(R=0.97,E=0.46)，IPSL-CM5A-LR(R=0.97,E=0.30)，IPSL-CM5A-MR(R=0.96,E=0.31)5個模式的對空間形態(tài)的模擬結(jié)果最佳，數(shù)量上要多于CMIP3模式，同CMIP3多模式一樣，CMIP5不同模式間的差異也是比較大，其相關(guān)系數(shù)從0.29(MIROC-ESM)到0.97(IPSL-CM5A-LR)，均方根誤差從0.28(ACCESS1.0)到1.21(MIROC-ESM)有50%的模式Elt;0.5。總的來說，CMIP5模式對NPO的模擬能力相對較好，各項指標(biāo)均優(yōu)于CMIP3模式。

4 對時間周期的模擬能力評估結(jié)果

本文評估CMIP3/CMIP5模式對PNA/NPO的時間模擬能力，是基于譜分析方法綜合評估各模式對PNA/NPO的時間周期的模擬能力。

本文基于2.3.3節(jié)譜分析方法的內(nèi)容，獲得各模式所模擬的二十世紀(jì)PNA/NPO的EC時間序列，并對該序列進行功率譜分析。為綜合反映兩套多模式集合的模擬能力，本文設(shè)計了多模式標(biāo)準(zhǔn)化功率譜填色圖(見圖7)。從該圖中，可以清晰的看到每個模式所模擬的PNA/NPO的周期及其所對應(yīng)的標(biāo)準(zhǔn)化功率。將觀測資料的功率譜置于第一行以方便下面多模式與其對比分析，此外本文還對該功率譜填色圖做了進一步的統(tǒng)計分析，繪制與其對應(yīng)的統(tǒng)計直方圖(見圖8)，并對PNA與NPO進行CMIP3與CMIP5的綜合評估與對比分析。

4.1 對PNA周期的模擬評估

從圖7與9中可以看到，觀測資料與多模式的功率譜在一年周期內(nèi)的季節(jié)尺度上存在較多峰值，表明PNA具有較多的不同周期的季節(jié)信號。本文重點關(guān)注其一年以上的年際信號與年代際信號。從觀測資料中，可以看到PNA具有2個年際信號分別為1～2年周期與4～6年周期，以及一個廣域周期的年代際信號，其峰值位于20～25年。根據(jù)以上PNA的周期特點，本文分別對CMIP3與CMIP5的多模式進行評估分析。

4.1.1 CMIP3結(jié)果 如圖7，在21個CMIP3模式的功率譜中，可以看到UKMO-HadCM3與MRI-CGCM2.3.2兩個模式完整的抓住了同觀測相同的3個周期信號，其中UKMO-HadCM3剛好有3個同觀測相同的周期信號，不過在年代際信號的模擬上，其周期要短于觀測，峰值位于15年周期左右；而MRI-CGCM2.3.2模式在年際尺度上有4個周期信號，其中1～2年周期2個、3～5年周期1個、6～8年周期1個，其中對年代際信號的模擬其周期要長于觀測，并且其整體標(biāo)準(zhǔn)化功率要大于觀測，其峰值位于30年左右的周期上。除這兩個模式以外，有33%(7/21)的模式能夠抓到2個同觀測相同的周期信號；有38%(8/21)的模式能夠抓到一個周期信號且大部分抓住其1～2年的周期；而19%(4/21)的模式未能抓住任意一個同觀測相同的周期，其中MIROC-medres在年際與年代際尺度上均無過信度的周期信號，IAP-FGOALS-1.0g在2～4年的周期上所表現(xiàn)的功率過于高。

(橫坐標(biāo)為周期(單位：年)，縱坐標(biāo)表示各模式(第一行OBS為觀測值)，填色區(qū)代表其功率超過90%信度的部分，其標(biāo)準(zhǔn)化功率強度詳見色帶刻度。X-axis is for period (unit:year)；y-axis is for the models(first line shows the observation).Only significant power values(over 90% confidence level)are shaded.See colorbar for the normalized variance.)

圖7 觀測與CMIP3多模式中PNA的EC時間序列的標(biāo)準(zhǔn)化功率譜
Fig.7 Power spectra (% of total variance explained) of the EC time series of PNA for observations and CMIP3 historical simulations

從圖8對多模式功率譜統(tǒng)計直方圖來看，大部分的模式都能抓住其1～2年的周期，不過其平均功率峰值要小與觀測。而有大部分模式也表征出其與之相近的2～4年周期，若按照1～4年的周期尺度來看，多模式的平均峰值同觀測功率峰值一致，且90%(19/21)的模式能夠抓住這個周期信號。對于其4～6年周期，有33%(7個)模式存在峰值，不過其功率強度都整體偏大與觀測。峰值位于20～25年周期的模式僅有14%(3個)，不過具有年代際尺度的模式有33%(7個)，其功率強度都與觀測相似。

整體來說CMIP3多模式數(shù)據(jù)集合中，能夠完整體現(xiàn)同觀測一致的PNA周期信號的模式很少，大部分模式能夠正確表征PNA1～4年的周期，對4～6年的周期功率強度模擬的偏高，有一小部分模式正確模擬出PNA的年代際信號的周期與功率。

4.1.2 CMIP5結(jié)果 如圖9，在30個CMIP5模式的功率譜中，可以看到ACCESS1.3，F(xiàn)GOALS-g2和GFDL-CM33個模式完整的抓住了同觀測相同的3個周期信號，其中ACCESS1.3在2～4年周期上還存在一個信號，在年代際信號的模擬上，其周期為30～40年，要長于觀測；而FGOALS-g2模式比其在CMIP3當(dāng)中的FGOALS-1.0g模式有了長足的進步，在2～4年周期上，同樣也存在一個信號，其中對年代際信號的模擬其周期要長于觀測，并且其整體標(biāo)準(zhǔn)化功率要大于觀測，其峰值位于30年左右的周期上；GFDL-CM3在2～4年周期上有3個信號，其年代際周期長度較短，為15年左右的周期。除這3個模式以外，有33%(10/30)的模式能夠抓到兩個同觀測相同的周期信號；有43%(13/30)的模式能夠抓到一個周期信號且大部分抓住其1～2年的周期；而13%(4/30)的模式未能抓住任意一個同觀測相同的周期，其中MIROC5在4～10年的周期上所表現(xiàn)的功率過于高。

(橫坐標(biāo)為與上圖對應(yīng)的周期，縱坐標(biāo)表示標(biāo)準(zhǔn)化功率，藍(lán)條表示在觀測值在其周期上的功率峰值， “*”表示各模式在該周期上過信度的功率峰值，紅條表示所有“*”的平均值。Period in years is shown on the x-axis;normalized variance is shown on the y-axis;“*”denotes the model which has a peak in the specific bin;red bars are derived by averaging the “*”.)

圖8 直方圖為上圖通過信度的峰值平均的統(tǒng)計圖
Fig.8 Histograms of mean spectral peaks of the EC time series of PNA

從圖10對多模式功率譜統(tǒng)計直方圖來看，大部分的模式都能抓住其1～2年的周期，其平均功率峰值要小與觀測，而有大部分模式也表征出其與之相近的2～4年周期，若按照1～4年的周期尺度來看，多模式的平均峰值同觀測功率峰值一致，且87%(26/30)的模式能夠抓住這個周期信號。對于其4～6年周期，有50%(15個)模式存在峰值，此結(jié)果要優(yōu)于CMIP3，不過其功率強度都整體偏大與觀測。而峰值位于20～25年周期的模式僅有7%(2個)，具有年代際尺度的模式有27%(8個)，其功率強度都與觀測相似，雖然能夠表征PNA年代際尺度的模式增多，但因為CIMP5多模式基數(shù)大，因此在對年代際的模擬上，整體反而不如CMIP3。

圖9 同圖7，但是為CMIP5多模式模擬PNA的EC時間序列的標(biāo)準(zhǔn)化功率譜Fig. 9 As in fig.7, but for EC time series of PNA in CMIP5 historical simulations

圖10 同圖8，但是為為上圖通過信度的峰值平均的統(tǒng)計圖Fig. 10 As in fig.8, but for PNA in CMIP5 models

綜合來說CMIP5多模式數(shù)據(jù)集合中，能夠完整體現(xiàn)同觀測一致的PNA周期信號的模式很少，大部分模式能夠正確表征PNA1～4年的周期，對4～6年的周期功率強度模擬的偏高，有一小部分模式正確模擬出PNA的年代際信號的周期與功率。以上結(jié)論基本與CMIP3中一致。

4.2 對NPO周期的模擬評估

從圖11與13觀測資料中可以看到NPO僅有一個2～4年的年際信號，其峰值位于2～3年。根據(jù)以上NPO的周期特點，分別對CMIP3與CMIP5的多模式進行評估分析。

4.2.1 CMIP3結(jié)果 如圖11，在22個CMIP3模式的功率譜中，可以看到41%(9/22)的模式捕捉到其2～4年的信號，其中UKMO-HadCM3模式同觀測模式一樣有且僅有一個2～4年的年際周期，而有14%(3個)模式表現(xiàn)出15～25年的年代際信號，并且77%(17/22)的模式都表現(xiàn)出NPO1～2年的信號，少量模式反映其4～6與6～10年周期。

而從圖12對多模式功率譜統(tǒng)計直方圖來看，CMIP3模式對2～4年周期的模擬，在功率上還是要大于觀測一些，整體來說CMIP3多模式數(shù)據(jù)集合中，將近一半模式能夠體現(xiàn)同觀測相同的2～4年周期信號，但對其功率強度模擬偏高。

圖11 同圖7，但是為CMIP3多模式模擬NPO的EC時間序列的標(biāo)準(zhǔn)化功率譜Fig. 11 As in fig.7, but for EC time series of NPO in CMIP3 historical simulations

圖12 同圖8，但是為為上圖通過信度的峰值平均的統(tǒng)計圖Fig.12 As in fig.8, but for NPO in CMIP3 models

4.2.2 CMIP5結(jié)果 如圖13，在32個CMIP5模式的功率譜中，可以看到44%(14/32)的模式捕捉到其2～4年的信號，其中GISS-E2-R與INM-CM4模式同觀測模式一樣有且僅有一個2～4年的年際周期，而有13%(4個)模式表現(xiàn)出年代際信號，并且84%(27/32)的模式都表現(xiàn)出NPO1～2年的信號，部分模式反映其4～6與6～10年周期。

從圖14對多模式功率譜統(tǒng)計直方圖來看，CMIP5模式對2～4年周期的模擬，在功率上還是要大于觀測許多，整體來說CMIP3多模式數(shù)據(jù)集合中，將近一半模式能夠體現(xiàn)同觀測相同的2～4年周期信號，但對其功率強度模擬偏高。同CMIP3的結(jié)論類似，CMIP5多模式中，更多的模式表現(xiàn)出NPO在1～2年的年際周期信號。

5 總結(jié)與討論

本文以20CR V2c資料所提取的二十世紀(jì)北太平洋大氣環(huán)流模態(tài)作為觀測參考值，利用泰勒圖方法與譜分析方法，分別對PNA與NPO模態(tài)在CMIP3與CMIIP5兩套多模式數(shù)據(jù)集合中的表現(xiàn)進行了從空間型到時間周期的綜合評估與對比分析工作。因之前從未有人使用IPCC兩次評估報告所評估的兩套全球海氣耦合多模式數(shù)據(jù)集(CMIP3與CMIP5)進行對PNA/NPO的模擬能力的評估，因此這也是本文的創(chuàng)新之處并且也具備實際應(yīng)用價值的。本文另一個創(chuàng)新之處在于首次為PNA的4個異常中心以及NPO的2個偶極子進行簡化命名，令我們所要表達(dá)的某個異常中心的描述更加明確，不易產(chǎn)生混亂的理解。

圖13 同圖7，但是為CMIP5多模式模擬NPO的EC時間序列的標(biāo)準(zhǔn)化功率譜Fig. 13 As in fig.7, but for EC time series of NPO in CMIP5 historical simulations

圖14 同圖8，但是為為上圖通過信度的峰值平均的統(tǒng)計圖Fig. 14 As in fig.8, but for NPO in CMIP5 models

本文對CMIP3與CMIP5在二十世紀(jì)PNA與NPO模態(tài)的空間模擬能力進行系統(tǒng)的評估，其結(jié)果表明：整體上CMIP5模式對PNA與NPO的空間型模擬能力要優(yōu)于CMIP3模式，80%的CMIP5模式都能很好的體現(xiàn)與觀測資料相近的北太平洋大氣環(huán)流模態(tài)，而CMIP3模式只能達(dá)到約60%。在對PNA/NPO模擬優(yōu)秀的模式上，CMIP5的優(yōu)秀率也遠(yuǎn)高CMIP3約10%。若按照PNA與NPO進行劃分，CMIP5模式整體對PNA的模擬要優(yōu)于NPO，不過PNA作為北太平洋第一主模態(tài)，相對比較容易被模式捕捉到，而CMIP3模式對NPO對模擬兩極分化比較嚴(yán)重，模擬較好的模式與模擬失敗的模式都比模擬PNA模態(tài)的要多。兩套模式本身都對PNA模態(tài)標(biāo)準(zhǔn)差模擬的偏大，而對NPO模態(tài)，CMIP3標(biāo)準(zhǔn)差整體偏小，而CMIP5整體偏大。

在使用譜分析方法對兩套資料對時間模擬能力評估上，研究結(jié)果表明：在對時間的模擬能力方面，CMIP5相比于CMIP3并沒有太大的進步，雖然CMIP5表現(xiàn)優(yōu)異的模式數(shù)量比CMIP3的多，但是由于其基數(shù)大，從概率學(xué)講，其成功的數(shù)量也會相對多，不過整體合格率與CMIP3持平。其中大部分模式能夠很好的模擬出同觀測一致的PNA 1～2和4～6年的年際周期，對其20～25年的年代際周期的模擬相對較差，而對NPO來說，大部分模式也都能體現(xiàn)1～4年的年際周期，不過更多模式的功率峰值都在1～2年周期上，而且只有約一半模式能夠體現(xiàn)與觀測相同的2～4年周期。不過多模式整體對NPO周期的捕捉能力，要優(yōu)于PNA，不過NPO在觀測當(dāng)中僅有一段2～4年的年際周期，而PNA有3段周期，其中一個為年代際周期，而多模式對年代際周期的模擬通常不是太好，無疑加大了對PNA周期模擬的難度。

通過本文對CMIP3/CMIP5模式的模擬評估發(fā)現(xiàn)，IPCC兩套多模式對空間型的模擬明顯要優(yōu)于對時間周期的模擬。在空間型的模擬上，CMIP5模式比CMIP3模式有了很大的提高，而在時間周期的模擬上，二者相差不大。通過模式評估，本文找到了對PNA/NPO模擬優(yōu)秀的模式。使用這些模式對北太平洋大氣環(huán)流模態(tài)進行分析，能夠提高結(jié)果的可信度。對比評估可以反應(yīng)出IPCC兩套多模式數(shù)據(jù)集合模擬能力的異同，比較結(jié)果對改進模式有極為重要的啟示意義。

致謝：感謝WCRP耦合模式工作小組所提供的CMIP模式數(shù)據(jù)。

[1] Stoner K, Hayhoe K, Wuebbles D J. Assessing general circulation model simulations of atmospheric teleconnection patterns[J]. J Climate, 2009, 22(16): 4348-4372.

[2] Furtado J C, Lorenzo E D, Schneider N, et al. North Pacific decadal variability and climate change in the IPCC AR4 models[J]. J Climate, 2011, 24: 3049-3067.

[3] Latif M, Barnett T P. Decadal climate variability over the North Pacific and North America: Dynamics and predictability[J]. J Climate, 1996, 9: 2407-2423.

[4] Di Lorenzo E, Schneider N, Cobb K M, et al. North Pacific Gyre Oscillation links ocean climate and ecosystem change[J]. Geophys Res Lett, 2008, 35: L08607. doi: 10. 1029/2007GL032838.

[5] Linkin M E, Nigam S. The North Pacific Oscillation-West Pacific teleconnection pattern: mature-phase structure and winter impacts[J]. J Climate, 2008, 21: 1979-1997.

[6] Wettstein J J, Wallace J M. Observed patterns of month-tomonth storm track variability and their relationship to the background flow[J]. J Atmos Sci, 2010, 67: 1420-1437.

[7] Lau N C. Variability of the observed midlatitude storm tracks in relation to low-frequency changes in the circulation pattern[J]. J Atmos Sci, 1988, 45: 2718-2743.

[8] Rogers J C. Patterns of low-frequency monthly sea-level pressure variability (1899-1986) and associated wave cyclone frequencies[J]. J Climate, 1990, 3: 1364-1379.

[9] Leathers D J, Yarnal B, Palecki M A. The Pacific/North American teleconnection pattern and United States climate. Part I: Regional temperature and precipitation associations[J]. J Climate, 1991, 4: 517-528.

[10] Nigam S. Teleconnections[M].//Holton J R, Pyle J A, Curry J A, eds. Encyclopedia of Atmospheric Sciences. London: Academic, 2003: 2243-2269.

[11] Croci-Maspoli M, Schwierz C, Davies H C. Atmospheric blocking: space-time links to the NAO and PNA[J]. Clim Dyn, 2007, 29: 713-725.

[12] Ge Y, Gong G. North American snow depth and climate teleconne- ction patterns[J]. J Climate, 2009, 22: 217-233.

[13] Harding K J, Snyder P K. The relationship between the Pacific-North American teleconnection pattern, the great plains low-level ket, and North Central US heavy rainfall events[J]. J Climate, 2015, 28: 6729-6742.

[14] Deser C, Phillips A S, Hurrell J W. Pacific interdecadal climate variability: Linkages between the tropics and the North Pacific during boreal winter since 1900[J]. J Climate, 2004, 17: 3109-3124.

[15] Chhak K C, Lorenzo E D, Schneider N, et al. Forcing of low-frequency ocean variability in the Northeast Pacific[J]. Journal of Climate, 2009, 22(5): 1255-1276.

[16] Wallace J M, Gutzler D S. Teleconnections in the geopotential height field during the northern hemisphere winter[J]. Mon Weather Rev, 1981, 109: 784-812.

[17] Walker G T, Bliss E W. World weather V[J]. Mem Roy Meteor Soc, 1932, 4: 53-84.

[18] Christensen J H, Kanikicharla K K, Marshall G, et al. Climate phenomena and their relevance for future regional climate change[J]. ProgressusInquisitiones De Mutatione Climatis, 2013.

[19] Compo G P, Whitaker J S, Sardeshmukh P D, et al. The Twentieth Century Reanalysis Project[J]. Quarterly Journal of the Royal Meteorological Society, 2011, 137(654): 1-28.

[20] Compo G P, Whitaker J S, Sardeshmukh P D, et al. Intercom Parison of an Improved 20th Century Reanalysis Version 2c Dataset Spanning 1850 to 2012[C]. USA: AGU Fall Meeting, 2014.

[21] Baxter S, Nigam S. Key role of the North Pacific Oscillation-West Pacific Pattern in generating the extreme 2013/14 North American winter[J]. Journal of Climate, 2014, 28(20): 8109-8117.

[22] Khouakhi A, Villarini G. On the relationship between atmosph- eric rivers and high sea water levels along the U. S. West Coast[J]. Geophysical Research Letters, 2016,43(16): 8815-8822.

[23] Lou J, Zheng X, Frederiksen C S, et al. Simulated decadal modes of the NH atmospheric circulation arising from intra-decadal variability, external forcing and slow-decadal climate processes[J]. Climate Dynamics, 2107,48(7): 2635-2652.

[24] Solomon S. Climate Change 2007 : The physical science basis : contributionof Working Group I to the Fourth Assessment Report of theIntergovernmental Panel on Climate Change[C].USA: Intergovernmental Panel on Climate Change, 2007: 710-719.

[25] Taylor K E, Stouffer R J, Meehl G A. An overview of CMIP5 and the experiment design[J]. Bulletin of the American Meteorological Society, 2011, 93(4): 485-498.

[26] Taylor K E. Summarizing multiple aspects of model performance in a single diagram[J]. Journal of Geophysical Research Atmospheres, 2001, 106(D7): 7183-7192.

[27] Torrence C, Compo G P. A practical guide to wavelet analysis[J]. Bulletin of the American Meteorological Society, 1998, 79(79): 61-78.

責(zé)任編輯 龐 旻

TheAssessmentofNorthPacificAtmosphericCirculationPatternsBasedonCMIP3andCMIP5Models

CHEN Zheng1,2， GAN Bo-Lan1,2， WU Li-Xin,1,2

(1. The Key Laboratory of Physical Oceanography, Ministry of Education, Ocean University of China, Qingdao 266003, China; 2.Qingdao National Laboratory for Marine Science and Technology, Qingdao 266003, China)

Based onNOAA-CIRESTwentieth-Century Reanalysis dataset version 2c(20CR V2c) data, the North Pacific Atmospheric Circulation Patterns at twentieth century have been captured as for observational reference. By using Taylor diagram and spectrum analysis, thespatiotemporal features ofPacific-North American teleconnection (PNA) and North Pacific Oscillation (NPO) in twentieth century simulations are evaluated among Coupled Model Intercomparison Project Phase 3 (CMIP3)/CMIIP5 models, and also, the simpler name for each PNA (NPO) quadrupole (dipole) is defined.Analysis reveals that while the 80% of CMIP5 models and 60% of CMIP3 models reasonably simulate either the geographical distribution or the amplitude of PNA/NPO pattern. As for excellent models in spatial simulations, CMIP5 models are 10% more than CMIP3’s. As for the temporal featuresanalyzed by power spectrum,CMIP5 models show little improvement.Most models simulate the 1～2 years and 4～6 years interannualvariabilities of PNA, qualitatively consistent with the observation, whereas models generally lack the capability to reproduce the decadal (20～25 years) variability of PNA.And for NPO, most models show 1～2 years interannualperiod, only half of the models can simulate 2～4 years period which consistent with the observation.

Pacifical-North Ameaica Teleconnection(PNA)；North Pacific Oscillation(NPO)；Taylor diagram； spectrum analysis

P732.6

A

1672-5174(2018)01-001-11

10.16441/j.cnki.hdxb.20170085

陳崢， 甘波瀾， 吳立新.基于CMIP3與CMIP5模式對北太平洋大氣環(huán)流模態(tài)的評估分析[J].中國海洋大學(xué)學(xué)報(自然科學(xué)版), 2018, 48(1): 1-11.

CHEN Zheng， GAN Bo-Lan， WU Li-Xin.The assessment of North Pacific atmospheric circulation patterns based on CMIP3 and CMIP5 models[J].Periodical of Ocean University of China, 2018, 48(1): 1-11.

國家自然科學(xué)基金項目(41521091；41490643；41490640)資助

Supported by the National Natural Science Foundation of China(41521091; 41490643;41490640)

2017-02-29;

2017-03-29

陳 崢(1989-)，男，博士生。E-mail:chenzhengouc@163.com