海洋模式初始化同化方案对IAP近期气候预测系统回报试验技巧的影响
吴波1, 周天军1,2, 孙倩3
1. 中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室,北京 100029
2.中国科学院大学,北京 100049
3.成都信息工程大学大气科学学院,四川 成都 610225

作者简介:吴波(1982-),男,安徽合肥人,副研究员,主要从事气候动力学研究.E-mail:wubo@mail.iap.ac.cn

摘要

基于耦合气候系统模式FGOALS-s2的中国科学院大气物理研究所(IAP)近期气候预测系统(以下简称IAP DecPreS系统)发展了2种初始化方法:第一种采用Incremental Analysis Update(IAU)方案同化格点化的海洋温度和盐度客观分析资料EN3;第二种采用集合最优差值(EnOI)结合IAU(EnOI-IAU)的方案同化原始海洋温度和盐度观测廓线资料EN4。主要目的是比较基于2种初始化方案开展的年代际预测试验的技巧。时间相关系数、均方根技巧评分等指标均表明,基于EnOI-IAU方案的回报试验对与太平洋年代际振荡(PDO)有关的北太平洋海表面温度(SST)的回报技巧显著高于基于IAU方案的回报试验。而对于大西洋多年代际振荡(AMO),EnOI-IAU方案回报试验的技巧低于IAU方案回报试验。AMO存在副极地和热带北大西洋2个活动中心,EnOI-IAU方案在热带中心的技巧仅略低于IAU方案,但是它在热带外区域模拟出了虚假的降温趋势,因此技巧远低于后者。

关键词: 年代际预测; 耦合气候系统模式; 太平洋年代际振荡; 大西洋多年代际振荡
中图分类号:P467 文献标志码:A 文章编号:1001-8166(2017)04-0342-11
Impacts of Initialization Schemes of Oceanic States on the Predictive Skills of the IAP Near-Term Climate Prediction System
Wu Bo1, Zhou Tianjun1,2, Sun Qian3
1.LASG, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029,China
2.University of Chinese Academy of Sciences, Beijing 100049, China
3.College of Atmospheric Science,Chengdu University of Information Technology, Chengdu 610225,China

First author:Wu Bo (1982-), male,Hefei City, Anhui Province, Associate professor, Research areas include climate dynamics and climate modeling.E-mail:wubo@mail.iap.ac.cn

Abstract

Based on the near-term climate prediction system of the Institute of Atmospheric Physics (hereafter IAP-DecPreS), we developed two distinct initialization schemes for the Coupled Global Climate Models (CGCM), FGOALS-s2. The first scheme used the Incremental Analysis Update (IAU) to assimilate gridded oceanic temperature and salinity data derived from the EN3 dataset. The second scheme used the merge of the ensemble optimal interpolation (EnOI) and IAU scheme (hereafter EnOI-IAU) to assimilate raw observational oceanic temperature and salinity profiles. The predictive skills of the decadal prediction experiments based on the two schemes were compared. Several metrics including temporal correlation and root mean square skills score indicate that the experiment based on the EnOI-IAU shows significantly higher predictive skills in the Sea Surface Temperature (SST) anomalies in the North Pacific associated with the Pacific Decadal Oscillation (PDO), than the experiment based on the IAU. In contrast, for the Atlantic Multi-Decadal Oscillation (AMO), the predictive skills of the experiment based on the EnOI-IAU are lower than that based on the IAU. The AMO has two activity centers, located in the subpolar and tropical North Atlantic. The skills of the experiment based on the EnOI are close to that based on the IAU in the tropical North Atlantic, while much lower than the latter in the extratropical region due to a false simulation of the warming trend in the region.

Keyword: Decadal prediction; Coupled GCM; PDO; AMO.
1 引言

近期(near-term)气候变化指未来10~30年的气候变化, 是“ 政府间气候变化专门委员会” IPCC(Intergovernmental Panel on Climate Change)第5次评估报告(AR5)相对于此前4次评估报告新增加的内容[1]。相对于长期气候变化, 近期气候变化对社会政治、经济有更紧迫的影响, 因此广受关注。

预测近期气候变化的主要难点是, 在该时间尺度上, 气候变化不仅受到人类活动导致的外强迫和自然强迫的影响, 也受到气候系统固有的内部变率的影响[2]。传统的典型浓度路径(Representative Concentration Pathway, RCP)下的气候预估试验中, 模式的内部变率模态的位相与真实世界没有对应关系。因此, 该类试验无法用于近期气候预测。预测气候系统内部变率的演变本质上是一个初值问题, 需要对模式进行初始化, 以得到气候系统的初始状态[2]

由于海洋巨大的热容量和稳定的层结, 气候系统主要的记忆存储在海洋中, 因此初始化主要针对模式的海洋分量。理想情况下, 初始化能够使模式的初始状态与真实世界一致, 从而使之能够在预测积分过程中真实地模拟内部变率模态的演变过程。当然, 在预测实践中, 由于初始条件的误差、模式对气候系统内部变率模态的模拟偏差、内部变率本身可预测性等的限制, 年代际预测试验的技巧仍然较低, 亟待投入更多的研究力量[3]

气候系统固有的年代际变率的主导模态是太平洋年代际振荡(Pacific Decadal Oscillation, PDO)和大西洋多年代际振荡(Atlantic Multidecadal Oscillation, AMO)[4]。因此, 年代际预测试验的主要目标是预测PDO和AMO的演变[3]。目前, 很多模式中心开展的年代际预测试验对AMO及其与之相关的气候异常现象具有相当高的回报技巧[5, 6]。而对于PDO, 据我们所知, 只有个别模式的年代际预测试验对其某次位相转变(即个例)有回报技巧, 例如, 美国国家大气研究中心(National Center for Atmospheric Research, NCAR)的CCSM4[7]和日本海洋— 地球科学和研究机构(Japan Agencyfor Marine-Earth Science and Technology, JAMEST)的CFES模式[8]

为了给IPCC AR5提供科学支撑, 耦合模式比较计划第5阶段(CMIP5)专门设计了一套年代际预测试验, 并将其作为与长期(long term)气候预估试验并列的核心试验[9]。年代际预测试验与长期气候预估试验最主要的区别是引入了对模式的初始化。国际上共有来自16个模式中心的18个模式向CMIP5提交了年代际预测试验[1], 其中包括来自中国的3个模式。它们分别是:中国气象局国家气候中心发展的BCC_CSM1.1[10], 中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室(IAP/LASG)开发的2个耦合气候系统模式FGOALS-g2和FGOALS-s2。其中, BCC_CSM1.1采用的初始化方案是Nudging方案[11]。FGOALS-g2采用的是改进的三维变分方案[12], FGOALS-s2采用的是Incremental Analysis Update(IAU)方案[13]

为了进一步推动近期气候变化的预测研究, 相关研究团体在CMIP6框架下发起了年代际气候预测计划(Decadal Climate Prediction Project, DCPP), 继续开展年代际预测试验的多模式比较研究。IAP/LASG新一代耦合气候系统模式拟参加DCPP计划。为了给基于新版本模式的年代际预测试验奠定基础, 发展了新的初始化方法, 并将其应用在FGOALS-s2(CMIP5版本)上, 以检验新方法的稳定性和性能。

本文的主要目的是, 系统比较基于2代初始化方案的年代际预测试验的回报技巧, 为未来进一步改进IAP/LASG年代际预测系统提供参考。

2 模式、初始化方案和年代际预测试验
2.1 模式

FGOALS-s2(The Flexible Global Ocean-Atmosphere-Land system model, Spectral Version 2)是IAP/LASG发展的耦合气候系统模式[14], 它包含大气、海洋、海冰和陆面等4个分量模式。这4个分量模式通过NCAR开发的耦合器cpl6耦合在一起[15]。大气分量是IAP/LASG开发的SAMIL(Spectral Atmospheric Model of IAP LASG Version 2), 其水平分辨率是菱形截断42波, 约等同于2.81° (经度)× 1.66° (纬度), 垂直方向26层。海洋分量是IAP/LASG开发的LICOM(LASG/IAP Climate System Ocean Model), 其水平分辨率约为1° × 1° , 其中赤道区域加密到0.5° × 0.5° , 垂直方向30层[16, 17]。陆面和海冰分量分别是NCAR开发的CLM3[18]和CSIM5[10]

2.2 IAU初始化方案

IAU方案同化的观测资料来自于英国哈德来中心(Hadley Centre)提供的格点化的海洋次表层温度和盐度客观分析资料EN3_v2a[19], 其水平分辨率为1° × 1° , 垂直方向40层。同化区域设为70° S~70° N(其中高纬度60° ~70° 为缓冲区), 上层1 000 m。同化循环窗口宽度设为1个月。为了方便读者, 这里简单介绍该方案的主要步骤, 详细流程见参考文献[20]。在一个同化循环内, 首先由模式自由积分得到预报场; 然后计算模式预报场与线性插值到模式网格的观测场之差, 作为分析增量; 最后将模式回到同化循环的起始点, 重新积分, 并在积分过程中逐步引入分析增量。相对于Nudging方案, IAU方案能够保证在一个同化循环内, 引入观测的过程中保持增量不随时间变化, 因此抑制短波噪音的形成[21]

2.3 EnOI-IAU初始化方案

新发展的EnOI-IAU方案同化的观测资料来自哈德来中心提供的、经过质量控制的原始海洋温度和盐度廓线资料EN4_v1.1[22]和格点化SST资料HadISST1.1[23]。同化区域和同化循环窗口宽度的设置与IAU方案基本一致, 但只同化海洋上层700 m的资料。在一个同化循环内, 首先由模式自由积分得到预报场(背景场); 然后使用集合最优差值(EnOI)方法, 结合预报场和观测资料, 计算得到分析增量; 最后, 将模式回到同化循环的起始点, 重新积分, 并在积分过程中逐步引入分析增量。其中, 步骤2中的EnOI方法是基于集合卡尔曼滤波(EnKF)理论发展而来, 可以视为EnKF的次优解, 其优点是不需要进行集合模拟[24, 25]。本研究中, 构造EnOI背景误差协方差矩阵所需的集合成员来自历史气候模拟试验。

显然, EnOI-IAU与IAU方案的主要区别是得到分析增量的方法(步骤2)。EnOI的主要优势有2点:首先它同时考虑了观测和模式误差, 因此得到的分析增量与模式更匹配; 另一方面, 它能够同化原始廓线资料, 不依赖于格点化资料。此外, 2套方案的另外一个重要区别是, EnOI-IAU方案采用的是全场同化策略, IAU方案采用的则是异常场同化策略, 即只同化观测的距平场[26]

2.4 年代际预测试验

基于EnOI-IAU和IAU初始化方案, 分别开展了3组初始化试验。每个初始化方案中, 3组初始化试验的初始条件分别来自3组历史气候模拟试验1950年1月的输出结果。利用2个方案各3组的初始化试验提供的初始条件, 开展了CMIP5设计的标准的年代际预测试验[3]。1960— 2005年, 每隔5年开始1组10年回报/预报试验(共计10组)。回报/预报试验的初始条件来自于初始化试验。如介绍所述, 除了气候系统内部变率, 辐射外强迫对近期气候变化也有贡献, 因此必须在回报/预报试验中引入辐射外强迫。模式时间2005年之前, 辐射外强迫场与历史气候模拟试验一致, 而在2005年之后则与RCP4.5一致。以下, 基于IAU(EnOI-IAU)方案的年代际预测试验记为DP-IAU(DP-EnOI-IAU)试验。DP-IAU和DP-EnOI-IAU试验均包含3个集合成员。重点是分析集合平均的结果。

如2.3节所述, 在EnOI-IAU初始化方案中, 采用全场同化策略。因此在该初始化过程中, 模式无法避免地偏离自身固有的气候态, 而趋向观测气候态。但是在预测试验的自由积分过程中, 模式将迅速漂移向自身固有的气候态。这种漂移现象对预测技巧有极大影响, 因此采用CMIP5推荐的方法进行了后处理, 对此漂移现象进行订正[27]。简单来说, 根据如下公式计算预测的异常场:

Y'jt=Yjt-1N·k=1NYkt(1)

式中:Yjt代表第j组回报, 超前t年的回报场; Y'jt代表对应的异常场; N=10代表回报样本数。为了得到一致的结果, 我们对观测数据和基于IAU初始化方案的年代际预测试验也进行了相同的后处理。本文主要分析回报时段6~9年平均的结果。

3 评估指标

主要采用时间相关系数(COR), 均方根误差(RMSE), 均方根技巧评分(RMSSS)等几种统计指标评估预测技巧。其中, RMSSS定义如下[28]:

RMSSS=(1-RMSE(DP)RMSE(CLIM))×100(2)

式中:RMSE(DP)和RMSE(CLIM)分别代表年代际预测试验和气候态预测的均方根误差。其中, 气候态预测假设距平场总是0, 把其作为衡量年代际预测技巧的基线。当RMSSS为正值时, 代表预测有技巧, 正值越大, 技巧越高。

由于每隔5年开始1组回报试验, 总计只有10个回报样本。过小样本数导致无法使用常规的t(F)检验来检验相关系数(RMSSS)的显著性。采用非参数的bootstrap方法进行显著性检验[29]。以相关系数为例, 该方法的主要步骤为:首先, 通过调整目标时间序列T的顺序, 构造1 000个随机序列; 然后计算随机序列与观测序列的相关系数, 得到相关系数的概率分布; 最后估计T与观测序列的相关系数r在此概率分布中的位置。如果r小于或者大于2.5%的随机序列得到的相关系数, 表明r通过了5%显著性检验。

使用如下几种观测资料用于评估预测技巧:格点化的SST资料HadISST1.1[18], 水平分辨率1° × 1° ; 格点化的全球表面温度资料HadCRUT4[30], 水平分辨率5° × 5° ; 所有观测资料均插值到模式分辨率上。

4 结果分析

首先比较2套年代际预测试验对SST异常预测技巧的空间分布, 然后分析对全球平均表面温度和气候系统2个主导内部变率模态(PDO和AMO)的预测技巧。

4.1 SST预测技巧的全球分布

图1给出了2套年代际预测试验回报的SST异常的RMSSS评分。得分越高代表技巧越高。DP-EnOI-IAU试验具有显著回报技巧的区域主要包括:印度洋— 太平洋暖池区、中纬度北太平洋部分区域和热带大西洋(图1a)。DP-IAU试验具有显著回报技巧的区域则是印度洋— 太平洋暖池区和热带— 中纬度北大西洋(图1b)。2套试验的RMSSS之差更直接地显示了其预测技巧的差别(图1c)。DP-EnOI-IAU试验对全球大部分海域的SST的预测技巧低于DP-IAU试验, 但其在中纬度北太平洋区域具有显著优势。值得注意的是, DP-EnOI-IAU和DP-IAU与CMIP5模式年代际预测的技巧基本处于同一水平[5]

图2以时间相关系数为指标衡量对SST异常的回报技巧。总的来说, DP-EnOI-IAU和DP-IAU试验对印度洋— 太平洋暖池区、中纬度南太平洋和热带印度洋区域都具有显著的预测技巧(图2a, b)。2套回报试验与观测的相关系数之差表明, DP-EnOI-IAU试验在中纬度北太平洋和热带中东太平洋区域的技巧高于DP-IAU试验, 在副热带和高纬度北太平洋、热带外北大西洋区域的技巧则低于后者。在全球其他大部分海区, 两者差异不显著(图2c)。

值得注意的是, 过去50年全球气候呈显著增暖趋势。图2a, b中显著的正相关可能仅仅表明, 回报试验能够抓住增暖趋势, 而非气候系统内部的年代际振荡。因此, 计算了2套试验回报的趋势SST异常与对应观测结果的相关系数(图2d, e)。2套试验在印度洋— 太平洋暖池区域的相关系数技巧大幅降低, 其中, DP-EnOI-IAU试验仅在热带南印度洋海区有显著的正相关系数(图2d), 而DP-IAU试验仅在赤道西太平洋存在很小范围的正相关(图2e)。对于去趋势SST异常, DP-EnOI-IAU试验在北太平洋的相关系数显著大于DP-IAU试验, 而在北大西洋则低于后者, 虽然没有通过显著性检验(图2e)。

总的来说, 上述几种评估指标均表明, DP-EnOI-IAU试验在北太平洋优于DP-IAU试验, 而在北大西洋则差于后者。

图1 基于均方根误差的FGOALS-s2 2组年代际预测试验的技巧评估
(a)DP-EnOI-IAU试验回报的年平均SST异常(回报时间段6~9年平均)的RMSSS, 白点代表通过5%显著性检验; (b)同(a), 但为DP-IAU试验结果; (c)DP-EnOI-IAU与DP-IAU试验RMSE的比较, 计算公式:[1- RMSE(DP-EnOI-IAU)RMSE(DP-IAU)]× 100
Fig.1 Skill evaluations of two decadal prediction experiments by FGOALS-s2 based on root mean square error
(a) RMSSS of the annual mean SST anomalies in the DP-EnOI-IAU experiments for the predictions averaged over the hindcate years 6~9, white dots denote the values reaching the 5% significance level; (b) as in (a), but for the DP-IAU experiments; (c) Comparison of the RMSE between the DP-EnOI-IAU and DP-IAU experiments calculated as[1- RMSE(DP-EnOI-IAU)RMSE(DP-IAU)]× 100

图2 基于时间相关系数的FGOALS-s2 2组年代际预测试验的技巧评估
(a)DP-EnOI-IAU试验回报的年平均SST异常(回报时间段6~9年平均)与对应观测的时间相关系数的空间分布, 白点代表通过5%显著性检验; (b)同(a), 但为DP-IAU试验结果; (c)为(a)与(b)之差; (d)~(f)同(a)~(c), 但为去趋势的SST异常
Fig.2 Skill evaluations of two decadal prediction experiments by FGOALS-s2 based on temporal correlation
(a) Spatial distributions of the temporal correlations of the annual mean SST anomalies for the predictions averaged over the hindcate years 6~9 derived from the DP-EnOI-IAU and corresponding observations, white dots denote the values reaching the 5% significance level; (b) as in (a), but for the temporal correlation; (c) Differences between (a) and (b); (d)~(f) as (a)~(c), but for the detrended SST anomalies

4.2 全球平均表面温度

全球平均表面温度指数定义为60° N~60° S内面积加权平均的表面温度异常。DP-EnOI-IAU(DP-IAU)回报的全球平均表面温度指数与对应观测的相关系数为0.88(0.97), RMSE为0.12(0.12)(图3)。总的来说, DP-IAU的技巧略高于DP-EnOI-IAU, 但差异未通过5%的显著性检验。值得注意的是, 观测中全球平均表面温度指数在2000年之后停止升高, 即出现了全球增暖停滞(hiatus)现象[31, 32]。DP-EnOI-IAU和DP-IAU试验都未能完美回报出这种现象。虽然2套试验回报的全球平均表面温度指数都存在增暖放缓的现象, 但在2015年附近, 它们的值均远大于对应观测参照值。

图3 全球平均(60° N~60° S)表面温度随时间的演变
红线和蓝线分别为DP-EnOI-IAU和DP-IAU试验结果; 阴影代表不同集合成员的离散度; 黑线为对应观测的结果; 所有点在时间轴上的位置是回报年的第7年, 代表回报年6~9年的平均
Fig.3 Time series of the nearly global mean surface temperature (60° N~60° S)
Red and blue lines are derived from the DP-EnOI-IAU and DP-IAU experiments, respectively. Shadings represent the spreads of the ens-emble members; Black line is corresponding observational references.All the points on the lines are marked on the hindcast year 7 and represent the averages over the hindcast years 6~9

4.3 太平洋年代际振荡

PDO是气候系统年代际变率主导模态之一[33]。对20° N以北太平洋区域4年滑动平均的SST异常做经验正交分析(EOF)[34], 第一模态呈现PDO空间型, 即北太平洋和北美沿岸SST异常的反号特征, 它解释总方差的37%(图4a)。该模态对应的主成分时间序列定义为PDO指数(图4b)。为了方便评估年代际预测试验的回报技巧, 根据PDO在中纬度北太平洋的异常中心定义了北太平洋SST异常(NP)指数。4年滑动的NP指数与PDO指数的相关系数达到了0.86, 表明NP指数能够代表PDO的时间演变。

图5给出了2套年代际预测试验回报的NP指数的时间演变。DP-EnOI-IAU(DP-IAU)试验回报的NP指数与观测的相关系数为0.44(0.25), RMSE为0.28(0.51)。DP-EnOI-IAU试验在这2种指标上均显著优于DP-IAU试验, 差异通过了5%显著性检验。

图4 观测中提取的太平洋年代际振荡模态
(a)对20° N以北太平洋区域4年滑动平均SST异常做EOF分析得到的第一模态的空间型, 左上角括号内为该模态的方差贡献; (b)红线为EOF1对应的标准化的主成分时间序列; 黑线为标准化的中纬度北太平洋PDO关键区(30° ~42° N, 150° E~155° W, (a)中黑框区域)区域平均SST异常
Fig.4 Pacific decadal oscillation mode derived from the observation
(a) The spatial pattern of the first EOF mode of the 4 year-running averaged SST anomalies in the North Pacific to the north of the 20° N; The value at the upper left corner is the variance contribution of the mode; (b) Red line is the normalized principal component time series of the EOF1 mode; Black line is the normalized area-averaged SST anomalies in the 30° ~42° N, 150° E~155° W (black box in (a))

DP-EnOI-IAU试验回报出了21世纪初PDO的位相转变, 但没有报出20世纪70年代末发生的那次位相转变。值得注意的是, DP-EnOI-IAU 3组集合成员之间的离散度在1970s之前远大于之后(图5)。考虑到海洋观测数据在那个时代的稀缺性, 推测在初始化试验中, 同化的观测数据可能不足以完全约束模式模拟的太平洋年代际变率。初始条件的不确定性导致了回报试验巨大的离散性。

图5 30° ~42° N, 150° E~155° W区域平均海表面温度异常(图4a中黑框)随时间的演变
红线和蓝线分别为DP-EnOI-IAU和DP-IAU试验结果; 阴影代表不同集合成员的离散度; 黑线为对应观测的结果; 所有点在时间轴上的位置是回报年的第7年, 代表回报年6~9年的平均
Fig.5 Time series of the SST anomalies in 30° ~42° N, 150° E~155° W (black box in Fig.4a)
Red and blue lines are derived from the DP-EnOI-IAU and DP-IAUexperiments, respectively; Shadings represent the spreads of the ensemble members. Black line is corresponding observational references; All the points on the lines are marked on the hindcast year 7 and represent the averages over the hindcast years 6~9

4.4 大西洋多年代际振荡

大西洋AMO是气候系统年代际变率的另一主导模态, 表现为北大西洋SST异常洋盆尺度的交替增暖或变冷[35, 36]。AMO指数定义为北大西洋(0° ~60° N, 80° W~0° )洋盆平均SST异常减去全球平均(60° S~60° N)SST异常[37](图6a)。对应该指数的AMO空间型呈现马蹄形的结构, 热带外和热带分量的中心分别位于副极地拉布拉多海和热带北大西洋, 其中热带外分量的强度更大[38](图6b)。为了方便评估年代际预测试验的技巧, 分别用这2个中心区域平均的SST异常定义了2个指数, 即副极地北大西洋SST异常(XNA)指数和热带北大西洋SST异常(TNA)指数。4年滑动平均的XNA和TNA指数与4年滑动平均AMO指数的相关系数分别为0.93和0.94(图6a), 表明这2个指数也能够代表AMO的演变。

图7a给出了2套年代际预测试验回报的TNA指数的演变。DP-EnOI-IAU(DP-IAU)试验回报的TNA指数与观测值的相关系数为0.72(0.76), RMSE为0.20(0.18)。2套试验在相关和RMSE 2个指标上的差异均没有通过5%显著性检验, 表明2套试验在热带北大西洋的技巧相当。相反, 在热带外区域, 2套试验的表现截然不同(图7b)。DP-EnOI-IAU试验回报的XNA指数呈现很强的变冷趋势, 与观测中的增暖趋势完全相反。而DP-IAU则表现出较高的回报技巧, 它模拟的XNA指数与观测值的相关系数为0.91, RMSE为0.17。

FGOALS-s2模拟的大西洋经圈翻转环流(At- lantic Meridional Overturning Circulation, AMOC)的下沉支没有如观测中一样延伸到高纬度地区, 该模式对北大西洋的气候平均态模拟存在较大偏差[5]。由于DP-EnOI-IAU试验的初始化采用的是全场同化策略, 这种较大的气候态模拟偏差必然导致初始化过程中, 模式远离其自身固有的气候态。而在预测试验中, 模式不再受到观测的约束时, 会偏移向其自身固有气候态。虽然对预测结果进行了后处理, 但当偏移现象严重时, 可能无法消除这一问题。DP-IAU试验的初始化采用的是异常场同化策略, 则不存在这种气候偏移问题。

图6 观测中提取的大西洋多年代际振荡模态
(a)将SST异常向4年滑动平均AMO指数回归, 代表AMO的空间型; AMO指数定义为北太平洋区域平均(0° ~60° N, 80° W~0° )SST异常减去全球平均(60° S~60° N)SST异常; (b)红线为标准化的4年滑动平均AMO指数; 黑线为标准化的4年滑动平均的热带北大西洋区域平均SST异常(0° ~25° N, 80~10° W, (a)中黑框区域); 蓝线为标准化的4年滑动平均的副极地北大西洋区域平均SST异常(40° ~65° N, 70° ~30° W, (a)中蓝框区域)
Fig.6 Atlantic multidecadal oscillation mode derived from the observation
(a) SST anomalies regressed against the four years running averaged AMO index. The AMO is defined as the area-averaged SST anomalies in the North Atlantic(0° ~60° N, 40° W~0° ) minus nearly global mean SST anomalies; (b) Red line is normalized four years running averaged AMO index; Black line is the normalized four years running averaged area-averaged SST anomalies in the tropical Atlantic (0° ~25° N, 80° ~10° W, black box in (a)); Blue line is the normalized four years running averaged area-averaged SST anomalies in thesubpolar gyre Atlantic (40° ~65° N, 70° ~30° W, blue box in (a))

图7 大西洋区域预报技巧
(a)0° ~25° N, 80° ~10° W(图6a中黑框)区域平均海表面温度异常随时间的演变; (b)40° ~65° N, 70° ~30° W(图6a中蓝框)区域平均海表面温度异常随时间的演变; 红线和蓝线分别为DP-EnOI-IAU和DP-IAU试验结果; 阴影代表不同集合成员的离散度; 黑线为对应观测的结果; 所有点在时间轴上的位置是回报年的第7年, 代表回报年6~9年的平均
Fig.7 Predictive skills in Atlantic
(a)Time series of the SST anomalies in 0° ~25° N, 80° ~10° W (black box in Fig. 6a); (b) Time series of the SST anomalies in 40° ~65° N, 70° ~30° W (blue box in Fig. 6a); Red and blue lines are derived from the DP-EnOI-IAU and DP-IAU experiments, respectively; Shadings represent the spreads of the ensemble members; Black line is corresponding observational references; All the points on the lines aremarked on the hindcast year 7 and represent the averages over the hindcast years 6~9

新发展的EnOI-IAU初始化方案尚需要进一步改进。EnOI-IAU方案采用的是全场同化策略, 而原IAU方案采用的则是异常场同化策略。异常场同化的一个优势是能有效抑制预测试验中的模式气候漂移现象, 而这可能是导致DP-EnOI-IAU试验中热带外北大西洋虚假变冷趋势的一个原因。下一步, 将在EnOI-IAU方案中引入异常场同化, 考察其是否能够解决年代际预测试验在热带外北大西洋的虚假变冷现象。

5 结语
5.1 结论

基于气候系统模式FGOALS的中国科学院大气物理研究所近期气候预测系统IAP DecPreS拥有2种海洋初始化方案:一种基于EnOI-IAU同化方法, 另一种基于IAU同化方法。本文的主要目的是, 将基于新的初始化方法的年代际预测试验(DP-EnOI-IAU试验)与原有的、提交CMIP5的年代际预测试验(DP-IAU试验)进行比较, 客观评估新的试验结果的技巧, 为未来继续改进该初始化系统提供线索。主要内容总结如下:

(1) 新发展的初始化方案采用的是EnOI-IAU同化方案, 其中EnOI用于计算分析增量, IAU用于将分析增量引入模式。相对于老版本的IAU方案, EnOI-IAU能够直接同化原始的海洋温度和盐度廓线资料(IAU方案只能同化格点化的客观分析资料), 同时考虑观测误差和模式误差的影响, 因此, 理论上EnOI-IAU方案应该优于IAU方案。

(2) 基于不同初始化方案的2套年代际预测试验均严格按照CMIP5标准实验设计进行, 因此预测技巧的差异可以归因于初始化方案的差异。2套预测试验对气候系统的2个主导的年代际变率模态, PDO和AMO的预测技巧具有显著差异。

(3) PDO的关键区是中纬度北太平洋。DP-EnOI-IAU试验对该区域SST异常的回报技巧从相关系数、RMSE等指标上均显著优于DP-IAU试验。DP-EnOI-IAU试验对PDO具有一定的回报技巧, 能够回报出PDO 21世纪初的位相转变。相反, 基于IAU初始化方案的年代际预测试验DP-IAU试验对PDO几乎没有预报技巧。

(4) AMO存在2个大值中心, 分别位于热带和副极地北大西洋。2套年代际预测试验对热带北大西洋SST异常均具有一定的回报技巧, 且在相关系数和RMSE这2个评价指标上差异不显著。对于副极地北大西洋, DP-EnOI-IAU试验模拟出了虚假的变冷趋势, 与观测的变暖趋势完全相反; DP-IAU方案对该区域SST异常则具有相当高的回报技巧。

5.2 讨论

DP-EnOI-IAU试验在副极地北大西洋存在虚假的变冷趋势, 这可能由以下2个原因导致:①FGOALS-s2固有的模式偏差; ②EnOI-IAU初始化方案的缺陷。为了验证EnOI-IAU同化方案的可靠性, 将该方案应用在NCAR开发的CESM模式中, 发现副极地北大西洋并不存在虚假变冷趋势。因此排除了EnOI-IAU初始化方案存在缺陷的可能性。FGOALS-s2对大西洋经圈翻转环流(AMOC)的固有模拟偏差[20], 可能是导致DP-EnOI-IAU试验在副极地北大西洋存在虚假变冷趋势的原因。值得注意的是, DP-IAU试验中并不存在副极地北大西洋的虚假变冷趋势。推测这可能与IAU初始化方案采用的是异常场同化策略, 而DP-EnOI-IAU采用的是全场同化策略有关。异常场同化策略不改变模式固有的气候态, 因此在预测阶段不存在显著的模式漂移现象。

新发展的初始化方案EnOI-IAU采用全场同化策略是基于以下2个原因:①Smith等[39]基于哈德来中心模式, 比较了异常场和全场同化策略, 发现对于年代际预测2种策略的差别不显著; ②EnOI-IAU方案同化的是EN4的原始廓线观测资料。由于廓线资料在时间和空间上的非均匀特征, 怎样求得异常场仍然是一个待解决的问题。

The authors have declared that no competing interests exist.

参考文献
[1] Kirtman B, Power S B, Adedoyin J A, et al. Near-term climate change: Projections and predictability[C]∥Climate Change 2013: The Physical Science Basis, Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, 2013. [本文引用:2]
[2] Meehl G A, Goddard L, Murphy J, et al. Decadal prediction: Can it be skillful?[J]. Bulletin of the American Meteorological Society, 2009, 90(10): 1 467-1 485. [本文引用:2]
[3] Meehl G A, Goddard L, Boer G, et al. Decadal climate prediction: An update from the trenches[J]. Bulletin of the American Meteorological Society, 2014, 95(2): 243-267. [本文引用:3]
[4] Liu Z. Dynamics of interdecadal climate variability: A historical perspective[J]. Journal of Climate, 2012, 25(6): 1 963-1 995. [本文引用:1]
[5] Doblas-Reyes F J, Andreuburillo I, Chikamoto Y, et al. Initialized near-term regional climate change prediction[J]. Nature Communication, 2013, 4(7): 1 078-1 090. [本文引用:3]
[6] García-Serrano J, Guemas V, Doblas-Reyes F J. Added-value from initialization in predictions of Atlantic multi-decadal variability[J]. Climate Dynamics, 2015, 44(9/10): 25-30. [本文引用:1]
[7] Meehl G A, Teng H. Case studies for initialization decadal hindcasts and predictions for the Pacific region[J]. Geophysical Research Letters, 2012, 39(22): 20 813-20 821. [本文引用:1]
[8] Mochizuki T, Masuda S, Ishikawa Y, et al. Multi-year climate prediction with initialization based on 4D-Var data assimilation[J]. Geophysical Research Letters, 2016, 43(8): 3 903-3 910. [本文引用:1]
[9] Taylor K E, Stouffer R J, Meehl G A. An overview of CMIP5 and the experiment design[J]. Bulletin of the American Meteorological Society, 2012, 93(4): 485-498. [本文引用:1]
[10] Xin X G, Wu T W, Zhang J. Introduction of CMIP5 experiments carried out with the Climate system models of Beijing Climate Center[J]. Advances in Climate Change Research, 2013, 4(1): 41-49. [本文引用:2]
[11] Gao Feng, Xin Xiaoge, Wu Tongwen. A study of the prediction of regional and global temperature on decadal time scale with BCC_CSM1. 1 Model[J]. Chinese Journal of Atmospheric Sciences, 2012, 36(6): 1 165-1 179.
[高峰, 辛晓歌, 吴统文. BCC_CSM1. 1对10年尺度全球及区域温度的预测研究[J]. 大气科学, 2012, 36(6): 1 165-1 179. ] [本文引用:1]
[12] Wang B, Liu M, Yu Y, et al. Preliminary evaluations of FGOALS-g2 for decadal predictions[J]. Advances in Atmospheric Sciences, 2013, 30(3): 674-683. [本文引用:1]
[13] Wu B, Zhou T J. Prediction of decadal variability of sea surface temperature by a coupled global climate model FGOALS_gl developed in LASG/IAP[J]. Chinese Science Bulletin, 2012, 57(19): 2 453-2 459. [本文引用:1]
[14] Bao Q, Lin P F, Zhou T J, et al. The flexible global Ocean-Atmosphere-Land System model Version: FGOALS-s2[J]. Advances in Atmospheric Sciences, 2013, 30(3): 561-576. [本文引用:1]
[15] Collins W D, Bitz C M, Blackmon M L, et al. The Community Climate System Model version 3 (CCSM3)[J]. Journal of Climate, 2006, 19(11): 2 122-2 143. [本文引用:1]
[16] Liu H L, Lin P F, Yu Y Q, et al. The baseline evaluation of LASG/IAP Climate system Ocean Model (LICOM) version 2. 0[J]. Journal of Meteorological Research, 2012, 26(3): 318-329. [本文引用:1]
[17] Lin P F, Yu Y Q, Liu H L. The mean state of oceanic circulation simulated by the Coupled Model FGOALS-s2[J]. Advances in Atmospheric Sciences, 2013, 30(3): 175-192. [本文引用:1]
[18] Oleson K W, Dai Y J, Bonan G B, et al. Technical Description of the Community Land Model (CLM)[M]∥Colorado: National Center for Boulder, Atmospheric Research, 2004: 256-265. [本文引用:2]
[19] Guinehut S, Coatanoan C, Dhomps A L, et al. On the use of satellite altimeter data in Argo quality control[J]. Journal of Atmospheric and Oceanic Technology, 2009, 26(2): 395-402. [本文引用:1]
[20] Wu B, Chen X L, Song F F, et al. Initialized decadal predictions by LASG/IAP climate system model FGOALS-s2: Evaluations of strengths and weaknesses[J]. Advances in Meteorology, 2015, (6): 1-12. [本文引用:1]
[21] Bloom S C. Data assimilation using incremental analysis updates[J]. Monthly Weather Review, 1996, 124(6): 1 256. [本文引用:1]
[22] Good S A, Martin M J, Rayner N A. EN4: Quality controlled ocean temperature and salinity profiles and monthly objective analyses with uncertainty estimates[J]. Journal of Geophysical Research: Oceans, 2013, 118(12): 6 704-6 716. [本文引用:1]
[23] Rayner N A, Parker D E, Horton E B, et al. Global analyses of SST, sea ice and night marine air temperature since the late nineteenth century[J]. Journal of Geophysical Research Atmospheres, 2003, 108(D14): 1 063-1 082. [本文引用:1]
[24] Evensen G. The ensemble Kalman filter: Theoretical formulation and practical implementation[J]. Ocean Dynamics, 2003, 53(4): 343-367. [本文引用:1]
[25] Oke P R, Allen J S, Miller R N, et al. Assimilation of surface velocity data into a primitive equation coastal ocean model[J]. Journal of Geophysical Research Oceans, 2002, 107(C9): 5-1-5-25. [本文引用:1]
[26] Eifuku R, Yoshino I, Pohlmann I S. A comparison of full-field and anomaly initialization for seasonal to decadal climate prediction[J]. Climate Dynamics, 2013, 41(11/12): 3 325-3 338. [本文引用:1]
[27] CLIVAR. Data and Bias Correction for Decadal Climate Predictions[R]. Qingdao: International CLIVAR Project Office, 2011. [本文引用:1]
[28] Doblas-Reyes F J, Andreuburillo I, Chikamoto Y, et al. Initialized near-term regional climate change prediction[J]. Nature Communications, 2013, 4(7): 1 078-1 090. [本文引用:1]
[29] Wilks D S. Statistical methods in the atmospheric sciences[M]∥Statistical Methods in the Atmospheric Sciences. Elsevier, 2011: 183-197. [本文引用:1]
[30] Morice C P, K ennedy J J, Rayner N A, et al. Quantifying uncertainties in global and regional temperature change using an ensemble of observational estimates: The HadCRUT4 dataset[J]. Journal of Geophysical Research Atmospheres, 2012, 117(D8): 393-407. [本文引用:1]
[31] Easterling D R, Wehner M F. Is the climate warming or cooling?[J]. Geophysical Research Letters, 2009, 36(8): 262-275. [本文引用:1]
[32] Kosaka Y, Xie S P. Recent global-warming hiatus tied to equatorial Pacific surface cooling[J]. Nature, 2013, 501(7 467): 403-407. [本文引用:1]
[33] Newman M, Alexand er M A, Ault T R, et al. The Pacific decadal oscillation, Revisited[J]. Journal of Climate, 2016, 29(12): 4 399-4 427. [本文引用:1]
[34] Mantua N J, Hare S R, Zhang Y, et al. A Pacific interdecadal climate oscillation with impacts on salmon production[J]. Bulletin of the American Meteorological Society, 1997, 78(6): 1 069-1 079. [本文引用:1]
[35] Delworth T, Zhang L R, Mann M E. Decadal to centennial variability of the Atlantic from observations and models. Ocean circulation: Mechanisms and impacts[J]. Geophysical Monograph Series, 2007, 173: 131-148. [本文引用:1]
[36] Kilbourne K H, Quinn T M, Webb R, et al. Paleoclimate proxy perspective on Caribbean climate since the year 1751: Evidence of cooler temperatures and multidecadal variability[J]. Paleoceanography, 2008, 23(3): 764-767. [本文引用:1]
[37] Trenberth K E, Shea D J. Atlantic hurricanes and natural variability in 2005[J]. Geophysical Research Letters, 2006, 33(33): 285-293. [本文引用:1]
[38] Gastineau G, Frankignoul C. Influence of the North Atlantic SST Variability on the Atmospheric Circulation during the Twentieth Century[J]. Journal of Climate, 2015, 28(4): 1 396-1 416. [本文引用:1]
[39] Smith D, Eade R, Pohlmann H. A comparison of full-field and anomaly initialization for seasonal to decadal climate prediction[J]. Climate Dynamics, 2013, 40: 3 325-3 338. [本文引用:1]