申紅艷，溫婷婷，趙仙榮，馮曉莉

（1.陜西省氣象局秦嶺和黃土高原生態(tài)環(huán)境氣象重點實驗室，陜西 西安 710014；2.青海省氣候中心，青海 西寧 810001；3.陜西省大氣探測技術(shù)保障中心，陜西 西安 710014）

青藏高原被稱作地球“第三極”和“亞洲水塔”［1］，受東亞季風(fēng)、南亞季風(fēng)［2］和西風(fēng)帶［3］的共同影響。高原冬季降水占年總量比例雖小，但極端性強且年際和季內(nèi)變率大，在高原東麓及巴彥喀拉山南緣易出現(xiàn)嚴(yán)重雪災(zāi)［4］，如2018年冬季，青藏高原降雪量級大且持續(xù)時間長形成歷史破紀(jì)錄事件，遭遇近60 a來最嚴(yán)重雪災(zāi)，對高寒牧區(qū)畜牧業(yè)生產(chǎn)、交通運輸帶來很大影響。Zhou 等［5］基于國際大氣-海洋耦合模式第5階段比較計劃（CMIP5）預(yù)估了北半球未來降雪變化，結(jié)果表明2021—2050 年和2070—2100年青藏高原日降雪量和強降雪事件頻率將會增加，這對青藏高原地區(qū)未來雪災(zāi)防御提出新的挑戰(zhàn)。

在天氣尺度上，青藏高原東部冬春降雪的典型環(huán)流形勢有北脊南槽型、烏山脊型、階梯槽型等［6-7］。董文杰等［8］研究發(fā)現(xiàn)，造成青藏高原東部強降雪事件年際變化的主要原因是不穩(wěn)定的波槽氣流發(fā)展，與歐亞中高緯大型天氣系統(tǒng)的活動和環(huán)流調(diào)整有關(guān)。Cuo 等［9］將青藏高原北部冬季降雪變化歸因于北大西洋濤動（NAO）、北極濤動（AO）、東亞西風(fēng)急流（WJ）和El Ni?o-Southern Oscillation（ENSO）的共同影響。Gao 等［10］研究指出，水汽通量中的動力分量對青藏高原冬季降雪發(fā)揮重要作用。Yuan 等［11］研究指出印度洋偶極子（IOD）和厄爾尼諾-南方濤動（ENSO）對青藏高原初冬積雪具有重要指示意義，Jiang 等［12］研究表明IOD 異?？梢鹩《妊笪鞑繉α骰顒硬⑼ㄟ^激發(fā)波列在青藏高原中部產(chǎn)生氣旋性環(huán)流異常，有利于引導(dǎo)來自熱帶的水汽輸送至高原中部引起積雪異常。Shen 等［13］進一步驗證IOD和ENSO對青藏高原前冬降雪異常的獨立和共同作用，IOD 和ENSO 正位相時通過影響歐亞南部型遙相關(guān)型（SEA）波列，在高原上空出現(xiàn)異常上升運動且對流層中低層氣溫下降，為高原前冬降雪異常提供動力和熱力條件。關(guān)于青藏高原冬季降水（雪）方面的研究，多側(cè)重針對其極端特征變化及機理歸因研究，但模式評估或數(shù)值模擬方面的工作相對較少。

近年來伴隨氣候數(shù)值模式的快速發(fā)展，模式已成為短期氣候預(yù)測的有力工具之一。由中國發(fā)展的BCC模式對雪蓋參數(shù)化等物理過程進行改進［14］，發(fā)展了第二代全球大氣環(huán)流譜模式BCC_AGCM 2.0.1，在極端氣溫事件［15］、夏季雨帶的年代際變化［16］、季節(jié)大氣環(huán)流異常［17］等方面在中國區(qū)域展現(xiàn)出較好的預(yù)測性能，基于BCC_AGCM 2.2 所建立的第二代月動力延伸期預(yù)測模式業(yè)務(wù)系統(tǒng)（DERF 2.0）對我國月尺度氣溫和降水的預(yù)測能力也明顯提升［18］。在此基礎(chǔ)上，國家氣候中心進一步建立了包含全球碳循環(huán)和動態(tài)植被在內(nèi)的海-陸-氣-冰多圈層耦合的氣候系統(tǒng)模式BCC_CSM 1.1，并基于全球110 km 中等分辨率的BCC_CSM 1.1 m 研發(fā)了第二代短期氣候預(yù)測模式系統(tǒng)［19］，有效提升了東亞夏季風(fēng)環(huán)流和降水預(yù)報的能力［20-22］。歐洲中期天氣預(yù)報中心（ECMWF）在上世紀(jì)90年代初就建立了基于持續(xù)性海溫異常強迫、高分辨率的氣候預(yù)測系統(tǒng)，并于2004年發(fā)展集合成員多達51個的海氣耦合集合預(yù)測系統(tǒng)。美國氣候預(yù)測中心（NCEP/CPC）2011年推出第二代模式系統(tǒng)CFSv2，包含了新的云-氣溶膠-輻射、陸面、海洋和海冰過程以及新的海陸氣資料同化系統(tǒng)，是大氣-海洋-陸面全耦合的系統(tǒng)，該模式對于ENSO 年際變率有較好的模擬能力，對全球熱帶地區(qū)降水和表面氣溫的預(yù)測較上一版本有一定提升。日本氣象廳（JMA）的MRI-CGCM 模式，該模式由大氣環(huán)流模式AGCM 和海洋環(huán)流模式OGCM 耦合而成。目前，基于模式針對北半球中高緯地區(qū)研究仍然較少，尤其對青藏高原的模擬性能如何尚未可知。

青藏高原氣候嚴(yán)寒，進入11月地表氣溫已普遍降至零度以下，以固態(tài)降水（降雪）為主，極易出現(xiàn)極端強降雪事件且降雪不易融化造成雪災(zāi)，因而，前冬是高原雪災(zāi)高發(fā)期，因此，本文中青藏高原前冬是指11—12月這個時段，利用目前國內(nèi)外主流的季節(jié)氣候預(yù)測模式的歷史回報試驗數(shù)據(jù)，探究多模式能否模擬再現(xiàn)青藏高原前冬降水的主要時空變化特征，通過誤差指標(biāo)評估模式間的預(yù)測性能優(yōu)劣，并從可預(yù)報性角度分析預(yù)報技巧來源，以期為高原地區(qū)冬季氣候預(yù)測及雪災(zāi)防御提供科學(xué)參考。

1 資料與方法

1.1 資料說明

采用目前國內(nèi)外主流的氣候模式，包括來自國家氣候中心（BCC）實時發(fā)布的季節(jié)氣候預(yù)測模式（CSM 1.1），歐洲中期天氣預(yù)報中心（ECMWF）的海氣耦合模式集合預(yù)測系統(tǒng)（System 5），美國國家環(huán)境預(yù)報中心（NCEP）發(fā)展的第二代全耦合系統(tǒng)（CFSv 2），以及東京氣候中心（TCC）推出的大氣-海洋環(huán)流耦合模式（MRI-CGCM 3）（表1）。統(tǒng)一選取各模式歷年9月起報的青藏高原前冬回報試驗數(shù)據(jù)進行檢驗，基于模式原始輸出場，利用各模式歷史回報時段的平均值計算模式預(yù)報的環(huán)流異常場。模式場多年平均值計算時段：1983—2010年（BCC）、1981—2010 年（ECMWF）、1982—2010 年（NCEP）和1981—2010年（TCC）。通過雙線性插值方法將模式資料從格點插值到站點，同實況場進行對比。驗證資料包括中國氣象局國家信息中心的逐月降水站點觀測數(shù)據(jù)，從中提取青藏高原觀測序列連續(xù)的86個站點資料（圖1），由于青藏高原西部觀測站網(wǎng)稀疏，文中主要討論其中東部的檢驗結(jié)果，資料時段為1961—2020年；再分析資料來自美國國家環(huán)境預(yù)報中心和大氣研究中心（National Centers for Enviromental Prediction/National Center for Atmospheric Research，NCEP/NCAR）的逐月位勢高度場和海表溫度場，水平分辨率為2.5°×2.5°，時間范圍自1979—2020年。前冬降水為11—12月的累計降水量，觀測資料氣候態(tài)為1981—2010年的平均值。

圖1 青藏高原氣象觀測站點分布Fig.1 The meteorological stations distribution on the Tibetan Plateau

表1 氣候模式信息列表Tab.1 The information list of climate models

1.2 研究方法

1.2.1 檢驗評估方法 采用距平相關(guān)系數(shù)（Anomaly Correlation Coefficient，ACC）、時間相關(guān)系數(shù)（Temporal Correlation Coefficient，TCC）和均方根誤差（Root Mean Square Error，RMSE）［23］三項評估指標(biāo)，從確定性預(yù)報的角度客觀定量評估模式的預(yù)測性能。

距平相關(guān)系數(shù)（ACC），用來反映預(yù)測場同實況場的空間相似程度，計算公式如下：

時間相關(guān)系數(shù)（TCC）能夠表征模式在每個格點的預(yù)報能力，可得到預(yù)報技巧空間分布，計算公式如下：

ACC 和TCC 的取值范圍均在-1～1，越接近于1則表示預(yù)報技巧越高。

為比較多套資料的效果，文中采用公式（3）計算模式場相對實況觀測場的均方根誤差（RMSE），計算如下：

式中：x和y為參與對比的兩套資料。

1.2.3 氣候指數(shù)計算方法 歐亞型（Eurasian pattern，EU）遙相關(guān)型指數(shù)，反映西歐上空位勢高度與西伯利亞之間反相關(guān)，而與中國東北和日本一帶則為正相關(guān)［23］。EU指數(shù)計算如下：

式中：Z為500 hPa位勢高度場。

1.2.2 統(tǒng)計方法 文中所用統(tǒng)計方法包括趨勢分析、相關(guān)分析和經(jīng)驗正交函數(shù)分解（EOF）法［24］。

2 結(jié)果與分析

2.1 多模式的歷史回報能力對比分析

青藏高原前冬降水量自西北向東南遞增（圖2a），其西北部大范圍地區(qū)前冬降水量不足3 mm，東南部為高值區(qū)可達10 mm 以上，是冬季雪災(zāi)比較頻發(fā)的地區(qū)。青藏高原前冬降水均方差同樣也呈現(xiàn)出西北少-東南多的分布格局（圖2b），在降水量級大的區(qū)域?qū)?yīng)均方差偏大，相反量級小的區(qū)域均方差則較小，高值區(qū)位于橫斷山脈東西兩側(cè)，表明上述地區(qū)的前冬降水年際變率較大，這一特征從前冬降水歷年變化（圖略）中也可得以印證，尤其自上世紀(jì)70年代中期至90年代末，年際振蕩頻繁且幅度較大。

圖2 青藏高原前冬氣候態(tài)平均降水量(a)和均方差(b)空間分布Fig.2 The distribution of climate mean precipitation(a)and mean square deviation(b)in early winter over the Tibetan Plateau

在此根據(jù)BCC_CSM 1.1、EC_System 5、NCEP_CFSV 2、TCC_ MRI-CGCM 3 模式（分別簡稱BCC、EC、NCEP、TCC）的歷史回報結(jié)果，分析模式對青藏高原前冬降水基本特征的刻畫能力，包括氣候態(tài)和空間變率主模態(tài)特征。圖3為青藏高原前冬多年平均降水量的歷史回報結(jié)果，同圖2的降水實況相比，四個模式均能預(yù)測出青藏高原前冬降水西北少-東南多的分布格局，但對降水量級有所高估，尤其在降水量級較大的東南部，模式和實況的偏差均較大，來自BCC 和TCC 的模式預(yù)測結(jié)果均為正偏差，其中，BCC在橫斷山脈以西、昆侖山脈-柴達木盆地一帶的偏差較大，TCC在橫斷山脈西側(cè)的偏差較大，EC 和NCEP 兩種模式在高原大部分區(qū)域高估實際觀測值，但分別存在小范圍的低估區(qū)，這兩個模式和實況的偏差整體較小。

圖3 基于多模式回報的青藏高原前冬氣候態(tài)降水量（左）及其差值場（右）Fig.3 The distribution of climate mean precipitation(left)and its deviation(right)based on models hindcasting in early winter over the Tibetan Plateau

降水主模態(tài)的模擬刻畫能力是反映模式預(yù)測性能的重要方面，這里對青藏高原前冬降水實況進行EOF 分解（圖4），前三模態(tài)累積方差貢獻率為51.4%（表2），經(jīng)North檢驗［25］各模態(tài)間相互獨立，可代表青藏高原前冬降水的主要特征，第一模態(tài)方差貢獻率為32.7%，在空間上幾乎呈全區(qū)一致型分布，僅高原東南側(cè)的橫斷山脈出現(xiàn)小范圍反相荷載區(qū)；第二模態(tài)為南北反向型，祁連山區(qū)—柴達木盆地同青藏高原其他區(qū)域呈反相分布特征；第三模態(tài)表現(xiàn)為三極型分布，在青藏高原東部地區(qū)自北向南呈“正-負-正”型分布，位于青藏高原腹地的三江源區(qū)（黃河、長江、瀾滄江）同其他區(qū)域呈反相分布。根據(jù)四種模式歷年9 月起報的前冬降水，同樣通過EOF 分解提取主模態(tài)，發(fā)現(xiàn)模式可以體現(xiàn)出前兩個主模態(tài)空間分布型（圖4），對于第一模態(tài)，TCC、EC和BCC 三種模式同實況的第一載荷向量場空間相關(guān)系數(shù)顯著通過0.10顯著性檢驗，模式方差貢獻率在30%左右，其中，BCC 最接近實況（33.7%），EC 最高（42.9%），明顯高估第一模態(tài)的主導(dǎo)作用；除EC外，其余模式和實況場的第一模態(tài)時間系數(shù)相關(guān)性通過0.05 顯著性檢驗，BCC 最高（0.409），顯著通過0.01信度水平檢驗，TCC次之，EC最低（表3）。各模式對第二模態(tài)（南北反向型）的空間描述能力最佳，空間相關(guān)系數(shù)顯著通過0.05 信度水平檢驗，其中BCC、EC 和NCEP 通過0.01 的顯著性檢驗，BCC 最優(yōu)，空間相關(guān)系數(shù)高達0.755。對于第三模態(tài)，模式的刻畫能力明顯減弱，三極型分布特征在模式中均未得到體現(xiàn)，模式在青藏高原西部的載荷向量同實況一致，但在其東部的模擬能力較弱。模式中第二和第三模態(tài)的時間系數(shù)相關(guān)性均較弱，表明各模式對這兩類空間型年際變化特征的刻畫能力較弱。

圖4 基于觀測和多模式回報的青藏高原前冬降水EOF前三模態(tài)空間型Fig.4 The first three EOF modes of TP precipitation during early winter over the Tibetan Plateau based on observation and multi-model hindcasting

表2 觀測和模式回報的前三模態(tài)方差貢獻率Tab.2 The variance contribution rates of the first three modes based on the observation and model hindcasting

表3 觀測值與模式空間型及其時間系數(shù)的相關(guān)對照表Tab.3 The correlation coefficients between the observation and model hindcasting on patterns and time series

綜上所述，BCC 模式對青藏高原前冬降水主模態(tài)的模擬性能最優(yōu)，較準(zhǔn)確刻畫出全區(qū)一致型和南北反向型的主模態(tài)特征，且時間系數(shù)的演變和實況也比較相符，因此，BCC 能更好把握青藏高原前冬降水主模態(tài)的時空演變特征。TCC 和EC 模式對前兩個主模態(tài)空間型的刻畫均較好，但EC 夸大了第一模態(tài)的方差貢獻，CFS 則對全區(qū)一致型和三極型分布具有一定的模擬能力。

2.2 歷史回報技巧評估

RMSE是通過衡量模式預(yù)測值和觀測值的偏差來反映模式性能的優(yōu)劣，由多模式歷史回報的均方根誤差（RMSE）結(jié)果可知（圖5），在青藏高原南部RMSE 值普遍高于北部，印證了上節(jié)得出的青藏高原北部的預(yù)測技巧高于南部，青藏高原南部邊緣地帶的RMSE異常偏大，對應(yīng)降水量級較大的區(qū)域；與此同時，BCC 相比其他模式的均方根誤差偏高，尤其在青藏高原南部和西北部地區(qū)，這同圖3 中的結(jié)果相對應(yīng)，TCC模式次之，EC模式最??；除BCC模式外，其余模式的RMSE量級和空間分布都比較類似。

圖5 多模式回報的青藏高原前冬降水均方根誤差（RMSE）分布Fig.5 RMSE skill for precipitation during early winter over the Tibetan Plateau based on multi-model hindcasting

由模式歷史回報場同實況場的時間相關(guān)系數(shù)（TCC）分布可知（圖6），模式對青藏高原前冬降水預(yù)報以正技巧為主，其中，來自BCC 模式的顯著正相關(guān)區(qū)覆蓋范圍較大，表明該模式預(yù)報正技巧較高，已有研究表明BCC模式主要對ENSO的遙相關(guān)影響區(qū)域具有較高的預(yù)報能力［26］，青藏高原正好位于該遙相關(guān)沿南支路徑所影響到的區(qū)域，有助于提升模式在該區(qū)域的預(yù)報技巧。EC 在青藏高原中西部為顯著正相關(guān)區(qū)，說明對這些區(qū)域具有較好的預(yù)測技巧，青藏高原東部的黃河源區(qū)和西南部出現(xiàn)負技巧。NCEP 和EC 的分布類似，正負技巧落區(qū)較一致，EC模式的顯著相關(guān)區(qū)范圍更大。來自TCC模式的顯著正相關(guān)區(qū)位于青藏高原北部，高原南部則呈負相關(guān)，橫斷山脈附近為顯著負相關(guān)區(qū)，這同EC模式正好相反，因而在實際應(yīng)用中對于該區(qū)域兩家模式可進行互補性參考。就時間相關(guān)系數(shù)這一評估標(biāo)準(zhǔn)而言，BCC 模式的預(yù)報技巧最優(yōu)，EC 優(yōu)于NECP，而TCC僅對高原北部具有一定的技巧。

圖6 多模式回報的青藏高原前冬降水時間相關(guān)系數(shù)（TCC）Fig.6 Temporal correlation coefficient(TCC)skill for precipitation during early winter over the Tibetan Plateau based on multi-model hindcasting

印度洋和太平洋海溫年際變率異常是氣候預(yù)測的重要信號，ENSO 事件是季節(jié)預(yù)測最重要的可預(yù)報性來源，已有研究表明，BCC二代模式對ENSO預(yù)報的相關(guān)技巧與一代模式相比有顯著提升［26-27］。那么模式預(yù)測性能同海溫異常背景是否存在關(guān)聯(lián)？選用Ni?o 3.4 海溫指數(shù)和印度洋偶極子（IOD）指數(shù)分別代表太平洋和印度洋海溫狀況，由BCC和TCC 模式預(yù)測的ACC 分別同秋季（9—10 月）Ni?o 3.4 和IOD指數(shù)的散點關(guān)系圖可以發(fā)現(xiàn)（圖7），當(dāng)Ni?o 3.4 和IOD 為正位相時，對應(yīng)模式預(yù)測結(jié)果以正技巧為主，其中BCC 模式表現(xiàn)最優(yōu)，相反二者為負位相時，則模式出現(xiàn)正技巧和負技巧的概率相當(dāng)，表明模式預(yù)測的不確定性增大，尤其當(dāng)IOD為負位相時，TCC 模式的ACC 以負值為主，說明此時模式已不具備預(yù)測能力，可見Ni?o 3.4 和IOD 的位相對BCC、TCC模式的預(yù)報技巧具有指示作用，二者正位相均有利于這兩種模式呈現(xiàn)出正技巧，而負位相時預(yù)測不確定性增大，預(yù)測性能隨之降低，且TCC模式更依賴于IOD 位相變化，IOD 負位相時該模式易出現(xiàn)負技巧。

圖7 BCC和TCC模式的距平相關(guān)系數(shù)（ACC）同Ni?o 3.4、IOD指數(shù)的散點關(guān)系Fig.7 Scatter plot of the Ni?o 3.4,IOD indices and ACC in early winter during 1961-2018 by BCC and TCC models

2.3 歷史典型年檢驗評估

青藏高原2018 年前冬降水突破有歷史記錄以來的歷史極值，造成嚴(yán)重雪災(zāi)，由2018 年前冬降水量及其距平百分率可知（圖8），降水高值區(qū)位于青藏高原東南部，且大部分地區(qū)降水較氣候值偏多1倍以上，模式對如此典型的降水異常年的模擬能力如何？對2018年歷史典型異常年，檢驗多模式對極端降水的預(yù)測效果，進而評估模式對極端性的預(yù)測能力。

圖8 2018年青藏高原前冬降水量和降水距平百分率Fig.8 The precipitation and its anomalous percentage during early winter 2018 over the Tibetan Plateau

從2018 年10 月模式起報的青藏高原前冬降水量及距平百分率分布可知（圖9），BCC、EC 和NCEP模式存在對青藏高原西北部降水一致高估、東南部低估現(xiàn)象，而TCC 模式則對整個青藏高原地區(qū)高估，且在西南側(cè)高估最明顯。比較來看，BCC 同實況最接近，偏差可控制在10%以內(nèi)，對降水分布型及大值中心具有預(yù)測能力；TCC次之，在青藏高原西南側(cè)偏差較大（高于20%），其余地區(qū)的偏差在10%左右；EC和NCEP同實測的偏差比較明顯。根據(jù)降水距平百分率分布，BCC 模式預(yù)測結(jié)果除在青藏高原東側(cè)和南側(cè)與實況相反，其余大部分地區(qū)同實況場相一致，可預(yù)測出降水異常偏多，但其異常程度同實況存在差異；EC和NCEP僅在青藏高原西北部預(yù)測出偏多的特征，而在2018年雪災(zāi)異常嚴(yán)重的高原東南部出現(xiàn)預(yù)報失誤；TCC 模式結(jié)果顯示在青藏高原大部地區(qū)前冬降水偏多為主，但異常量級遠不及實況。綜合而言，BCC 和TCC 模式可較好預(yù)測出2018年青藏高原降水偏多的趨勢，但其異常量級和落區(qū)同實況存在一定差異，EC和NCEP模式對青藏高原西北部偏多趨勢預(yù)測準(zhǔn)確，但在其東南部出現(xiàn)明顯誤判。

環(huán)流是直接影響降水異常的主要因素，2018年前冬500 hPa位勢高度距平場顯示（圖10a），自北大西洋北部-歐洲西部-亞洲區(qū)域呈“負-正-負”波列式分布，歐洲高壓脊明顯偏強，在斯堪的納維亞上空出現(xiàn)明顯正高度異常中心，同時在東北亞地區(qū)存在一個正異常中心，有利于鄂霍茨克海阻塞高壓的發(fā)展，而極地—西伯利亞為負異常并向南延伸至我國西南地區(qū)，東亞大槽偏強，青藏高原位于負高度距平控制區(qū)，這種水平環(huán)流異常特征正好對應(yīng)歐亞遙相關(guān)型（EU）的負位相特征［28］。遙相關(guān)指數(shù)計算結(jié)果顯示（圖10b），2018 年前冬EU 指數(shù)為-129.4，為近58 a來歷史第三低值，僅次于2011 年（151.9）和1968 年（-129.1），可見2018年前冬EU型遙相關(guān)負位相特征異常顯著。分析不同模式對2018年前冬環(huán)流場的預(yù)測能力，在此利用NCEP 再分析資料進行對比，BCC模式可預(yù)測出中緯度的波列結(jié)構(gòu)（圖11），從北大西洋至東亞地區(qū)的“負-正-負”波列式分布，大西洋東北部為負異常、斯堪的納維亞半島—東歐平原的正異常、貝加爾湖及其以南的負異常，高技巧區(qū)與歐亞遙相關(guān)型（EU）波列分布類似。BCC 模式預(yù)測的北半球高度距平場同實況場相似系數(shù)為0.533，顯著通過0.01 信度水平檢驗，同實況較吻合，對提升降水預(yù)測性能具有直接作用，但對巴爾喀什湖—貝加爾湖地區(qū)的預(yù)測技巧為負，對冬季高原高度場異常會產(chǎn)生直接影響，從而削弱對降水的預(yù)報性能，而其他模式對中緯度的波列也有所體現(xiàn)，但強度和中心位置存在明顯差異，在該區(qū)域的預(yù)測性能也為負或明顯減弱，進一步說明改善模式對冬季中緯度地區(qū)的預(yù)測性能至關(guān)重要，同時也為重點改進區(qū)域提供一定思路。

圖10 基于NCEP再分析資料的2018年前冬500 hPa位勢高度距平場(a)和前冬歐亞遙相關(guān)型指數(shù)（EU）的演變曲線(b)Fig.10 The anomalous field of 500 hPa geopotential height in early winter 2018(a)and the temporal variation of EU index based on NCEP dataset(b)

圖11 多模式預(yù)測的2018年前冬500 hPa位勢高度距平場Fig.11 The anomalous field of 500 hPa geopotential height in early winter 2018 based on multi-model prediction

2018年海溫異常監(jiān)測顯示（圖12），赤道中東太平洋海溫異常偏暖，白令海附近為顯著正異常，北大西洋地區(qū)為北大西洋三極子（NAT）正位相特征，北印度洋一致偏暖，南印度洋具有西正東負型分布特征；多模式較一致地預(yù)測出赤道太平洋地區(qū)海溫正異常的特征（圖13），同時對于北大西洋海溫三極型（NAT）正位相結(jié)構(gòu)也均有體現(xiàn)，尤其是BCC和EC模式對關(guān)鍵區(qū)海溫的模擬同實況較接近，以BCC模式表現(xiàn)最突出，表現(xiàn)在對南印度洋偶極型海溫、北大西洋海溫、ENSO暖位相特征均和實況最接近，綜合上述分析結(jié)果，BCC模式對2018年青藏高原前冬降水和中高緯波列結(jié)構(gòu)的預(yù)測技巧均比較高，由此推測模式可通過提高對關(guān)鍵區(qū)海溫的預(yù)報技巧并準(zhǔn)確把握海溫對熱帶以外地區(qū)的遙相關(guān)影響，從而提升整體預(yù)測性能。

圖12 2018年前冬海表溫度距平場Fig.12 The SSTA in early winter 2018

圖13 2018年前冬海溫預(yù)報場Fig.13 The SSTA prediction in early winter 2018 from models

3 結(jié)論

采用國內(nèi)外主流推廣的4 種業(yè)務(wù)模式，評估多模式對青藏高原前冬降水變化特征及其異常的預(yù)測性能。主要結(jié)論如下：

（1）多模式能體現(xiàn)出降水西北多-東南少的整體分布格局，但一致高估了降水量級；多模式對全區(qū)一致型降水主模態(tài)的模擬能力較好，來自BCC的模式可較好模擬出降水主模態(tài)的時空變化特征。

（2）多模式對低緯熱帶環(huán)流的預(yù)報技巧一致較好，而在中緯度地區(qū)，各模式的預(yù)報技巧較低，以負技巧為主，夏秋季出現(xiàn)ENSO 或印度洋海溫正位相時模式的預(yù)報技巧會顯著提高，且預(yù)報技巧對IOD指數(shù)的依賴性更高，初秋IOD 正異常有利于提升BCC和TCC模式的預(yù)測性能。

（3）對于2018 年歷史典型異常年，BCC 模式預(yù)測結(jié)果更接近實況，偏差可控制在10%以內(nèi)，是由于BCC 模式對2018 年中高緯波列結(jié)構(gòu)的預(yù)測技巧較高，對關(guān)鍵區(qū)海溫的預(yù)測同實況較接近，由此推測模式是通過提高對關(guān)鍵區(qū)海溫的預(yù)報技巧并準(zhǔn)確把握海溫對熱帶外地區(qū)的遙相關(guān)影響，從而提升整體預(yù)測性能。