引用本文
韩振宇, 吴波, 辛晓歌. BCC_CSM1.1气候模式对全球海表温度年代际变化的回报能力评估.地球科学进展, 2017, 32(4): 396-408
Han Zhenyu, Wu Bo, Xin Xiaoge. Decadal Prediction Skill of the Global Sea Surface Temperature in the BCC_CSM1.1 Climate Model. Advances in Earth Science, 2017, 32(4): 396-408  
Doi:10.11867/j. issn. 1001-8166.2017.04.0396
Permissions
Copyright©2017, 地球科学进展 编辑部
BCC_CSM1.1气候模式对全球海表温度年代际变化的回报能力评估
韩振宇1, 吴波2, 辛晓歌1
1.中国气象局 国家气候中心,北京 100081
2.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

作者简介:韩振宇(1987-),男,山西原平人,副研究员,主要从事气候模拟和季风变率研究.E-mail:hanzy@cma.gov.cn

基金:公益性行业(气象)科研专项项目“基于FGOALS-s、CMA和CESM气候系统模式的年代际集合预测系统的建立与研究”(编号:GYHY201506012); 中国气象局LCS气候研究开放课题青年基金2016年度资助项目“BCC_CSM1.1模式对中国近期气候的预测能力研究”资助
摘要

通过与观测资料和20世纪历史气候模拟试验结果(NoINT)的对比分析,评估了BCC_CSM1.1年代际预测试验(INT)中对全球海表温度(SST)年代际变化的回报能力。分析结果显示:①INT试验模拟的全球平均SST增暖趋势比NoINT的更加接近观测;②其在热带大西洋、热带西太平洋和热带印度洋有较高的预测技巧;③对于太平洋年代际振荡2个关键区——北太平洋和热带中东太平洋,模式的预测技巧较低,且海洋初始化的作用也很小;④在热带南印度洋,INT的预测技巧普遍高于NoINT,在提前3~6年和4~7年时技巧最高。这些结论与基于其他模式得到的已有研究结果类似,但是BCC模式对北大西洋,特别是其副极地区域的预测技巧明显低于其他模式。BCC模式无法合理模拟出北大西洋SST与热盐环流间的交替变化规律,可能是其预测技巧偏低的原因。

关键词: 年代际预测; BCC_CSM1.1; 全球海表温度; 热盐环流
中图分类号:P467 文献标志码:A 文章编号:1001-8166(2017)04-0396-13
Decadal Prediction Skill of the Global Sea Surface Temperature in the BCC_CSM1.1 Climate Model
Han Zhenyu1, Wu Bo2, Xin Xiaoge1
1. National Climate Center, China Meteorological Administration, Beijing 100081, China
2. State Key Laboratory of Numerical Modeling for Atmospheric Sciences and Geophysical Fluid Dynamics,Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China

First author:Han Zhenyu(1987-),male,Yuanping City,Shanxi Province,Associate professor. Research areas include climate modelling, East Asian climate change and climate variability.E-mail:hanzy@cma.gov.cn

Fund:Foundation item:Project supported by the R&D Special Fund for Public Welfare Industry (Meteorology) “Development and research of ensemble decadal climate prediction system based on global climate models FGOALS-s, CAMS and CESM”(No.GYHY201506012); The LCS Open Funds for Young Scholars (2016) “Study on near-term climate prediction in China by BCC_CSM1.1 model”
Abstract

This study assesses retrospective decadal prediction skill of Sea Surface Temperature (SST) variability in initialized climate prediction experiments (INT) with the Beijing Climate Center Climate System Model (BCC_CSM1.1). Ensemble forecasts were evaluated using observations, and compared to an ensemble of uninitialized simulations (NoINT). The results show as follows: ①The warming trend of global mean SST simulated by the INT runs is closer to the observation than that in the NoINT runs.②The INT runs show high SST prediction skills over broad regions of tropical Atlantic, western tropical Pacific and tropical Indian Oceans. ③ In the North Pacific and the east-central tropical Pacific Ocean, the prediction skills are very weak, and there are few improvements coming from the initialization in the INT runs. ④ In the southern Indian Ocean, the prediction skills of the INT runs are significantly larger than that of the NoINT runs, with the maximum skill at the 3~6 and 4~7 years lead time. The above-mentioned conclusions are similar to the results of other climate models. However, the prediction skill in the North Atlantic Ocean is much lower than that of other models, especially in the subpolar region. The low skills in the Atlantic Ocean may be attributed to the misrepresentation of the lead-lag relationship between the Atlantic meridional heat transport and the SST in the BCC_CSM1.1.

Keyword: Decadal prediction; BCC_CSM1.1; Global sea surface temperature; Thermohaline circulation.
1 引 言

相对于未来远期(约100年), 未来近期(10~30年)的气候变化受到公众和政府更广泛的关注, 涉及到应对气候变化的适应和减缓方案制定等各种社会和经济问题[1, 2]。年代际尺度的预测需要同时考虑气候系统的初值、内部自然变率和外强迫的影响, 目前建立可靠的年代际预测系统仍是一大难题。近些年, 特别是第五次耦合模式国际比较计划(Coupled Model Intercomparison Project, CMIP5)[3]开展以来, 进行了大量利用全球气候模式进行年代际预测的研究工作[4~12]。气候模式对年代际变化信号的模拟能力, 很大一部分来自对外强迫的响应, 包括温室气体、气溶胶、火山喷发等。研究显示, 在年代际预测试验中, 海洋初值条件的引入能够提高模式对部分海域, 特别是北大西洋海表温度的预测能力[7~9, 11~13]。

在中国, 中国气象局国家气候中心的BCC_CSM1.1和中国科学院大气物理研究所的FGOALS模式都开展了CMIP5计划中的年代际预测试验[4~7]。已有研究评估了BCC模式在每5年起报的预测试验中对10年平均全球地表温度的回报能力, 发现年代际试验对全球地表温度变化趋势的回报比历史试验的模拟更加接近观测[4]。也有研究工作基于预测试验结果, 对中国区域气温和降水的模式回报进行评估[14~16], 或者预测未来的年代际变化[17]。应CMIP5要求, BCC模式补充完成了1960— 2005年逐年起报的预测时间为10年的试验(简称为10年预测试验), 本文旨在评估在该试验中BCC_CSM1.1气候模式对全球海表温度(Sea Surface Temperature, SST)年代际变化的回报能力。与观测比较, 评估模式的预测技巧; 与历史试验(无海洋初始化)比较, 分析海洋初始化对预测技巧的影响。重点关注年代际变化信号较强的几个关键海域的预测技巧, 以及不同预测时效对预测技巧的影响。

2 模式简介、方案设计及观测数据使用
2.1 试验和观测资料

本研究所用的气候系统模式是由国家气候中心研发的全球气候系统模式BCC_CSM1.1, 其海洋分量模式是MOM4_L40, 水平分辨率为1° × 1° , 经向在热带地区加密到1/3° , 模式更详细信息参见参考文献[18]。模式的年代际预测试验采用CMIP5的设计方案, 除了已有研究分析用到的1960— 2005年每隔5年进行的10年预测试验[4, 16], 该模式在1960— 2005年其余年份都新增加了10年预测试验。这样, 模式在1960— 2005年完成了逐年起报的10年预测试验。预测试验之前, 模式进行了向SODA(Simple Ocean Data Assimilation)[19]海温逼近的长期恢复试验, 为年代际预测试验提供初始场。每组预测试验选用不同的预测起始时刻来生成多个集合样本, 本研究选取3个集合样本, 文中简称为INT试验(示意图参见参考文献[4]的图1)。CMIP5历史模式试验仅有外强迫场的作用, 而无初始场的影响, 因而简称为NoINT试验, 也有3个集合样本, 模拟时段为1850— 2005年。INT和NoINT试验采用相同的外强迫场数据, 试验更详细信息参见参考文献[3, 4, 18]。

本文应用了如下观测资料:①HadISST全球月平均海表温度数据[20], 水平分辨率为1° × 1° , 时段为1870— 2015年; ②用于INT试验初始场生成的SODA 2.02/2.04海洋再分析资料月平均数据[19], 水平分辨率为0.5° × 0.5° , 时段为1961— 2006年。评估分析时模式和观测资料全部双线性插值到相同的1° × 1° 网格。

2.2 数据处理和分析方法

INT试验结果按照预测时效进行重新排列, 例如, 所有10年预测试验的第1年输出结果被整合在一起(包括1960年起报试验中1961年的预测结果, 1961年起报试验中1962年的预测结果, ……, 1995年起报试验中1996年的预测结果), 作为提前1年起报的预测结果。2005年后的辐射强迫数据不是来自观测, 会加大外强迫不确定性对预测结果的影响[21], 因此本文仅分析2005年之前的预测结果。最终, 基于预测时效得到的每组序列长度为36。然后将相邻预测时效的序列求平均, 分别得到1~4年、2~5年、3~6年、4~7年、5~8年、6~9年的预测序列。为了便于比较, NoINT试验结果以及所有的观测数据都按照对应年份进行整合, 形成与INT试验相对应的不同预测时效的序列, 也仅分析2005年之前的模拟和观测结果。

已有研究表明BCC_CSM1.1模拟的海温存在一定系统误差, 导致模式回报结果随预报时间的延长逐步由观测初值向模式气候态漂移[4]。图1a显示, INT试验中全球平均SST的模拟误差在预测第1年只有不到0.2 ℃, 之后快速增加, 5年之后增速减缓, 误差浮动在0.5 ℃附近, 这与以往基于逐5年预测得到的结果类似[4]。相对比, NoINT试验的误差并不随预测时效发生显著变化, 稳定在0.3 ℃附近。同时各预测时效的序列显示(图1b), SST模拟误差随着年份变化只是稳定的年际波动, 没有显著的趋势或者年代际变化特征。不同起报年份的10年预测试验在同一年会有不同的误差值, 其分布特征可以用盒须图表示出来(图1a, 盒子下端表示第25百分位数, 上端表示第75百分位数), 结果显示离差在各年都只有0.1~0.2 ℃(25th~75th)。这些特征都说明预测结果的系统误差与预测时效高度相关, 且在同一预测时效的序列中误差值较为稳定。

系统误差的存在会极大地影响对模拟预测技巧的评估[22]。为了扣除这种随预测时效显著变化的系统误差, 将INT试验结果基于不同预测时效的序列进行距平化(公式(1))。这种误差扣除方法被广泛用于年代际预测结果的评估中, 也是气候变率与可预测性研究计划(Climate Variability and Predictability, CLIVAR)的推荐方法之一[22, 23]。

Y'jt=Yjt-1N·∑k=1NYkt（1）

式中:Yjt和Y'jt分别是第j组10年预测试验中提前t年预测得到的原始值和距平值, N表示10年预测试验的总个数, N=36。按照年代际回报的常用评估方法[21, 22], 文中主要分析提前2~5年、6~9年的预测结果, 以及各预测时效的模拟技巧。

图1 全球平均SST的模拟误差
(a)INT(红色)和NoINT(蓝色)试验中各起报时间合成序列的平均误差, 以及INT试验的误差统计分布的盒须图; (a)中虚线表示单样本试验结果, 实线表示样本集合结果; (b)INT试验中各起报时间的合成序列(如lead 1a表示提前1年起报)Fig.1 Biases on global averaged SST
(a) Mean biases and boxplots along the forecast lead time from the INT (red) and NoINT (blue) runs, the dashed (solid) lines denote ensemble members (means); (b) Series of the biases from the INT runs over different forecast lead time (“ lead 1 a” means that the lead time is one year)

用于表征预测技巧的统计量包括相关系数COR, 均方根误差RMSE和均方根技巧评分RMSSS。RMSSS与MSSS评分类似, 只是把MSSS计算公式中的均方误差替换为均方根误差[9], 当RMSSS大于零时, 数值越大表示预测技巧越高, 而RMSSS小于零, 表示无预测技巧。相关系数的显著性检验采用t检验方法。

2.3 评估区域选取

本文选择年代际变率较强的区域来对预测结果进行评估, 同时区域平均也可以滤除与年代际预测无关的小尺度变率[22]。依据参考文献[11]的方法, 利用NoINT试验结果分析了模式中SST年代际变率VARdecad(滤除8~100年尺度以外的信号)占其总变率VARall的比值Rdecad(公式(2))。

Rdecad=VARdecadVARall(2)

计算基于NoINT试验和观测的共同时段:1870— 2005年。其中, 计算VARdecad时, 序列的年际变率由8年滑动平均滤除, 100年以上的长期趋势由Butterworth滤波器滤除。为了与2.2节中数据处理方法相统一, 计算VARall前先进行了4年滑动平均[11]。为了避免模拟的年代际变率在集合平均时被削弱, NoINT试验中Rdecad是3组样本分别计算比值后的算术平均, 而不是基于样本集合后的SST[11]。观测中, 大西洋、太平洋、印度洋的热带及中高纬地区均存在较强的年代际变率, 比值普遍超过30%, 部分中心的比值超过50%。而在模式中, 大部分地区的比率在30%以内, 较强的年代际变率仅存在50° S以南的南大洋以及太平洋和大西洋的中高纬地区, 且后者的数值远低于观测。比值偏低说明模式的变率容易偏向年际或者长期趋势的时间尺度, 无法模拟出合理的年代际变化信号(图2)。

选择的海域包括副极地大西洋(50° ~65° N, 60° ~10° W)、热带大西洋(5° ~25° N, 75° ~20° W)、北太平洋(25° ~46° N, 160° E~140° W)、热带中东太平洋(10° S~10° N, 170° W~120° E)和热带南印度洋(10° ~30° S, 50° ~100° E)。由于南大洋的观测数据存在较大的不确定性, 该区域的回报技巧不予评估。在北大西洋区域, 还计算了海盆尺度的区域平均(0° ~65° N, 80° W~0° ), 作为北大西洋年代际振荡(Atlantic Multi-decadal Oscillation, AMO)指数。本研究用面积加权的方法计算区域平均, 且为了削减全球变暖等长期趋势的影响, 计算区域平均的同时也扣除了全球平均SST。

图2 SST年代际时间尺度变率与总变率的比值
比值计算采用1870— 2005年的数据, NoINT的比值是3组样本分别计算比值后的平均, 而不是基于样本集合后的SST; 方框所示区域分别是副极地大西洋、热带大西洋、北太平洋、热带中太平洋、热带南印度洋Fig.2 Ratio of the decadal time-scale variance to the total variance in SST
The calculation is based on the time series of 1870-2005; The ratio in the NoINT SST is the average of three variance ratios, not the variance ratio of the average of the ensemble members. Boxes correspond to the subpolar Atlantic, the tropical Atlantic, the North Pacific, the central tropical Pacific and the southern tropical Indian Ocean

3 结果分析
3.1 全球

图3a给出INT预测的6~9年SST与历史观测数据的相关系数的空间分布。显著的正相关区主要分布在热带大西洋、热带西太平洋和热带印度洋, 而在中高纬度几乎没有显著的相关信号, 这与FGOALS-gl模式的预测结果类似[6]。大西洋和太平洋区域相关系数的空间分布受预测时效的影响较小, 其数值和通过显著性检验的区域范围都不会随预测时效有较大变化; 而在印度洋, 时效短于4~7年时显著的高相关区域会增多。RMSSS评分反映的预报技巧分布与相关系数类似(图3b), 且其随预测时效的变化也与相关系数相似。与CMIP5多模式集合[8, 9]以及FGOALS-s2模式[7]的评估结果相比, BCC模式在北大西洋中高纬地区的技巧明显偏低。把INT回报的RMSE与NoINT的相比较, 就可以得到初始化对预测技巧的影响(图3c)。除热带印度洋和部分南大洋外, 在南半球多数海域, 初始化可以降低模拟结果的RMSE, 但比率低于80%的区域较少; 在COR和RMSSS较低的北半球中高纬区域, 仅在西北太平洋和北大西洋的少数区域RMSE会降低。对于其他预测时效, RMSE比率的数值没有明显变化, 且空间分布也类似。这种空间分布也与CMIP5多模式集合[9]以及FGOALS-s2[7]得到的预测结果类似。

图3 INT试验对历史SST回报技巧的空间分布
(a)INT回报与观测相关系数; (b)INT回报的RMSSS(乘以100)评分; (c)相对于观测, INT试验的RMSE与NoINT的RMSE的比值。回报技巧全部基于提前6~9年的回报序列计算, 相关系数0.32表示通过95%显著性检验Fig.3 Spatial patterns of the hindcast skills of the SST predicted by the INT runs
(a) Correlation skills and (b) RMSSS (multiplied by 100) of the ensemble mean of the INT runs for predictions averaged over the hindcast years 6~9; (c) Ratio of RMSE between the ensemble mean of the INT runs and that of the NoINT runs for predictions averaged over the hindcast years 6~9. Correlation coefficient of 0.32 represents passing the 95% significance level

图4对全球平均SST的预测技巧进行评估。从序列图来看(图4a, b), 2套观测有较好的一致性, INT和NoINT试验结果与观测的增暖趋势和年代际变化都符合较好。这一时段内有4次较强的火山喷发影响, 分别发生在1963年、1974年、1982年和1991年, 其降温效应达到全球尺度, 可以看出2种试验均可模拟出这种温度变化。从相关系数来看(图4c), 不管是单一样本还是集合平均, INT和NoINT模拟的时间序列都与观测的相关性很高, 全部大于0.70, 超过95%的信度检验。较高的相关性主要源于外强迫对温度变化趋势的贡献。INT的相关系数要低于NoINT, 且随预测时效有一定的降低, 到4~7年之后维持稳定。但是从增暖幅度来看, INT(0.08 ℃/decade)要低于NoINT(0.13 ℃/decade), 与观测(0.09 ℃/decade)更加接近, 这点与前人的研究成果一致[4]。2组试验的RMSE大都分布在0.1 ℃以内, 且集合结果的RMSE差异很小, 误差值随预测时效有微弱的增大(图4d)。对比各样本的RMSE, INT试验中误差分布离散度较小, 远低于NoINT, 推测初始化的约束可能对各样本之间离散度有一定影响。

图4 INT试验对全球平均SST的回报技巧
(a)提前2~5年回报的全球平均SST距平随时间的演变(℃); (b)同(a), 但基于提前6~9年回报结果; (c)INT和NoINT与观测的时间相关系数随预测时效的变化; (d)相对于观测, INT和NoINT的RMSE随预测时效的变化; 红线为INT试验结果, 蓝线为NoINT试验结果, 黑线为观测, 图中虚线为单样本试验结果, 实线为样本集合结果。(a), (b)中右下角数字表示各序列的线性趋势(℃/decade), 箭头指示4次火山喷发的年份Fig.4 Hindcast skills of the global averaged SST predicted by the INT runs
(a) Time series of the global averaged SST anomalies predicted by the ensemble mean of the INT (NoINT) runs for predictions averaged over the hindcast years 2~5 and corresponding observational reference (℃); (b) As in (a) but for hindcast years 6~9; (c) Correlations between the model runs and the observational references along the forecast time for 4-year averages; (d) RMSE of the model runs along the forecast time for 4-year averages. The red (blue) lines denote INT (NoINT) runs. The black lines denote the observation. The dashed (solid) lines denote ensemble members (means). In (a), (b), the numbers at the bottom-right corner denote the linear trend of the time series (℃/decade), and arrows indicate the volcanic eruption years

3.2 大西洋

AMO是发生在北大西洋区域空间上具有海盆尺度、时间上具有数十年尺度的SST准周期性暖冷异常变化。已有研究多显示初始化会使模式在北大西洋区域的预测技巧提高, 包括多模式集合[8, 9]和单一模式[7, 11~13], 但从图3的分析可以看出BCC模式的预测技巧并不理想。图5a, e分别给出提前2~5年预测的北大西洋副极地和热带区域平均SST的演变情况。从观测中可以看出, 2个区域都存在1960s后半段持续变冷以及1990s持续变暖的现象, 这是洋盆尺度AMO的位相转变(图5i)。NoINT试验在副极地区域能模拟出2个时段的变化趋势, 但位相明显与观测不符; 在热带地区能模拟出1960s的变冷信号, 但在1990s没有明显变暖趋势。INT试验仅能模拟出副极地区域1960s的变冷信号, 其在1990s没有明显变暖趋势; 而在热带地区对2个时段的变化都有较好模拟。此外, 观测中热带大西洋区域在1980年附近还有1个显著峰值, 但副极地区域的振幅较弱。相比NoINT试验, INT试验能够较好模拟出热带大西洋区域的这一变化特征。

从相关系数可以看出, 预测时效较短时, 在副极地区域INT的模拟技巧明显高于NoINT, 但相关系数未能通过90%信度检验(图5c)。而在热带区域INT的相关系数与NoINT的差异不大, 相关性都能通过95%信度检验(图5g)。随着预测时效增加, INT试验的预测技巧明显下降, 相关系数降低同时RMSE也在增加, 到6~9年时相关系数明显低于NoINT。从提前6~9年预测的序列演变(图5b, f)也可以看出, INT模拟的副极地SST呈现明显的下降趋势, 而热带SST也仅能表现1990s的微弱变暖, 与观测的年代际变化完全不符。与其他4个CMIP5模式(GFDL-CM2p1, HadCM3, MIROC5和MPI-ESM-LR)结果进行比较发现, BCC模式的INT试验对AMO的预测技巧低于这4个模式, 副极地区域的技巧偏低为主要贡献。另外需要注意的是, 对比各样本得到的相关系数和RMSE, INT试验中离散度较小, 且大都低于NoINT, 与全球平均的情况类似。

多数研究认为AMO的形成可能与热盐环流的准周期性振荡有关[24~27], 下面进一步评估模式对这种相关关系的模拟能力, 及其对北大西洋海温预测的影响。这里用经向热输送(Meridional Heat Transport, MHT)表征大西洋热盐环流对热量的输送作用, 其在各个纬度上的数值用公式(3)计算。

MHTlat=ρ·Cp∫o-D∫westeastV(T-Tr)dxdz（3）

式中:V是逐层经向速度, T是逐层海温, Tr=0 ℃是参考温度值, ρ =1 026 kg/m3是海水密度, Cp=3 996 J/(kg· K)是海水比热容, D表示海洋深度, east和west表示大西洋海盆东西边界。图6给出MHT与北大西洋副极地平均SST在各纬度的超前滞后相关, 表示热盐环流与AMO间的变化规律。观测中(图6a), 60° N附近局地热输送与SST存在显著的同时相关。MHT超前SST的显著正相关位于30° ~35° N附近, 超前时间约8年, 反映了副极地SST在经向热输送影响下的缓慢响应。相关系数向赤道递减, 超前时间减少至5年附近, 这种经向差异可能与热盐环流在不同纬度变化的时滞性有关[28]。当SST超前MHT时, 也存在显著的相关, 50° N附近超前时间为6~9年, 到45° ~35° N超前时间增加到约10年, 到更低纬度时超前时间增加到超过10年, 反映了AMO变化之后热盐环流的滞后响应。而在NoINT试验中(图6b), 30° ~50° N MHT与副极地SST的相关主要分布在超前或者滞后1~2年, 与SODA资料显示的超前滞后关系显著不同。基于更长时段(1850— 2012年)的CMIP5模式评估也曾发现[27], BCC_CSM1.1模式中AMO与热盐环流的时滞关系与其他模式显著不同。对应于INT试验(图6c), 2~5年的预测结果中MHT与副极地SST在超前或者滞后4年之内都有几乎经向一致的显著正相关, 之后的预测时效也表现出类似的特征。这种现象在1年预测中已有出现(图6d), 可能是模式中MHT与副极地SST的同时正相关, 叠加上两者的周期性变化, 使得预测时效增加后正相关扩大到超前或者滞后4年。需要说明, 如果把MHT和北大西洋副极地平均SST分别替换为AMOC指数(流函数在各纬度的500 m以下垂直最大值)和AMO指数, 也能得到类似的结论。BCC模式无法合理模拟出AMO与热盐环流间的交替变化规律, 因此虽然INT试验中逐年有海洋初始场加入, 模式仍无法合理预测北大西洋副极地或者热带地区的SST变化。

图5 INT试验对副极地大西洋和热带大西洋平均SST的回报技巧
(a)提前2~5年回报的副极地大西洋地区平均SST距平随时间的演变(℃); (b)同(a), 但基于提前6~9年回报结果; (c)INT和NoINT与观测的时间相关系数随预测时效的变化; (d)相对于观测, INT和NoINT的RMSE随预测时效的变化。红线为INT试验结果, 蓝线为NoINT试验结果, 黑线为观测, 图中虚线为单样本试验结果, 实线为样本集合结果; (e)~(h)同图(a)~(d), 但是热带大西洋; (i), (j)同图(a), (b), 但是AMO指数Fig.5 Hindcast skills of the SST averaged over the subpolar Atlantic and the tropical Atlantic Ocean predicted by the INT runs
(a) Time series of the averaged SST anomalies over the subpolar Atlantic Ocean predicted by the ensemble mean of the INT (NoINT) runs for predictions averaged over the hindcast years 2~5 and corresponding observational reference (℃); (b) As in (a) but for hindcast years 6~9; (c) Correlations between the model runs and the observational references along the forecast time for 4-year averages; (d) RMSE of the model runs along the forecast time for 4-year averages. The red (blue) lines denote INT (NoINT) runs. The black lines denote the observation. The dashed (solid) lines denote ensemble members (means); (e)~(h) same as (a)~(d), but for the tropical Atlantic Ocean; (i), (j) same as (a), (b), but for the AMO index

3.3 太平洋

太平洋年代际振荡(Pacific Decadal Oscillation, PDO)是一种类似于ENSO型的具有长生命史的太平洋气候变率, 存在15~25年以及50~70年2种主导周期。在PDO暖位相时, 热带中东太平洋异常暖, 北太平洋中部异常冷, 而沿北美西岸却异常暖; 反之, 为PDO冷位相。研究显示, NoINT试验模拟的PDO模态与观测的空间相关系数为0.48, 超过99%的信度检验, 能够反映出PDO模态的基本特征。但观测中“ 东部三角形, 西部K形” 的空间分布特征在NoINT试验中并不明显(参考文献[29]中的图6b), 因此本文没有采用两区域差值得到的指数来评估PDO的预测能力, 而是对两区域的SST变化分别评估。图7a和图7e分别给出提前2~5年预测的北太平洋和热带太平洋区域平均SST的演变情况。在观测中, 这一时段内有明显的约20年周期年代际变化, 北太平洋存在1970s和1990s前半段持续变冷的信号, 而在热带太平洋变化相反。NoINT和INT试验分别可以模拟出1970s前半段和后半段的变冷趋势, 且在提前1~4年的预测结果中与观测更加接近, 但无法模拟出1990s的变冷趋势。在热带太平洋区域, 2组试验得到的SST变率明显低于观测, 没有表现出明显的年代际变化特征, 这与图2b得到的变率空间分布较为一致。当预测时效增加到6~9年时, INT完全无法模拟出1970s的变冷, 反而能模拟出1990s的趋势特征。

图6 大西洋经向热输送与副极地大西洋SST的超前滞后相关
(a)SODA; (b)NoINT试验结果; (c)INT试验提前2~5年预测结果; (d)INT试验提前1年预测结果, 相关系数0.32和0.42分别表示通过95%和99%显著性检验Fig.6 Lead-lag correlation between the Atlantic MHT and the SST averaged over the subpolar Atlantic at each latitude
(a) SODA; (b) NoINT; (c) INT runs over the hindcast years 2~5; (d) INT runs over the hindcast year 1, correlation coefficientof 0.32 and 0.42 represent passing the 95% and 99% significance level respectively

从相关系数可以看出, 在北太平洋区域INT的模拟技巧只在1~4年时明显高于NoINT, 且通过了95%信度检验。随着预测时效增加, INT试验的预测技巧明显下降, 相关系数降低同时RMSE也在增加(图7c, d)。对于热带太平洋, 虽然INT试验的预测技巧在除3~6年、4~7年以外的其他预测时效都高于NoINT, 但是都未通过90%信度检验, 无法体现初始化对预测能力的影响(图7g, h)。这一结果与图3的预测技巧分布图相吻合, 北太平洋多数区域没有预测技巧, 而热带太平洋有较低的技巧, 太平洋区域低预测技巧的现象与多模式集合结果一致[8, 9]。此外, 与大西洋区域类似, INT试验中得到的相关系数和RMSE在各样本间离散度较小, 大都低于NoINT。

图7 INT试验对北太平洋和热带中东太平洋平均SST的回报技巧
(a)提前2~5年回报的北太平洋地区平均SST距平随时间的演变(℃); (b)同(a), 但基于提前6~9年回报结果; (c)INT和NoINT与观测的时间相关系数随预测时效的变化; (d)相对于观测, INT和NoINT的RMSE随预测时效的变化; 红线为INT试验结果, 蓝线为NoINT试验结果, 黑线为观测, 图中虚线为单样本试验结果, 实线为样本集合结果; (e)~(h)同图(a)~(d), 但是热带中东太平洋Fig.7 Hindcast skills of the SST averaged over the North Pacific and the east-central tropical Pacific Ocean predicted by the INT runs
(a) Time series of the averaged SST anomalies over the North Pacific Ocean predicted by the ensemble mean of the INT (NoINT) runs for predictions averaged over the hindcast years 2~5 and corresponding observational reference (℃); (b) as in (a) but for hindcast years 6~9; (c) Correlations between the model runs and the observational references along the forecast time for 4-year averages; (d) RMSE of the model runs along the forecast time for 4-year averages; The red (blue) lines denote INT (NoINT) runs; The black lines denote the observation; The dashed (solid) lines denote ensemble members (means); (e)~(h) same as (a)~(d), but for the east-central tropical Pacific Ocean

3.4 印度洋

多数年代际预测的研究工作都聚焦大西洋和太平洋, 关于印度洋年代际预测的研究工作仍较少。观测数据表明, 印度洋区域存在洋盆尺度的年代际变化信号[30], 其中约50年周期尺度的变化可能与PDO有关[31]。已有的模式预测研究显示, 该地区提前2~9年的SST预测有显著的技巧, 其信号主要来自外强迫驱动, 如火山气溶胶、长期变暖趋势等[10]。图8a给出提前2~5年预测的热带南印度洋区域平均SST的演变情况。虽然数据处理时已经部分去除了全球变暖趋势的影响, 在观测中1980年前仍然存在显著的增暖趋势, 此外序列中还有显著的约10年尺度年代际变化。与NoINT相比, INT试验能够较好地模拟这一时段的增暖趋势, 但无法重现约10年尺度的年代际变化。1980年前的增暖趋势可能与PDO的50~70年周期的位相转换有关[31], 因此推测INT回报对这一趋势的再现, 与INT试验对北太平洋1970s变冷趋势的再现是相关联的。

图8 INT试验对热带南印度洋平均SST的回报技巧
(a)提前2~5年回报的热带南印度洋地区平均SST距平随时间的演变(℃); (b)同(a), 但基于提前6~9年回报结果; (c)INT和NoINT与 观测的时间相关系数随预测时效的变化; (d)相对于观测, INT和NoINT的RMSE随预测时效的变化; 红线为INT试验结果, 蓝线为NoINT试验结果, 黑线为观测, 图中虚线为单样本试验结果, 实线为样本集合结果Fig.8 Hindcast skills of the SST averaged over the southern tropical Indian Ocean predicted by the INT runs
(a) Time series of the averaged SST anomalies over the southern tropical Indian Ocean predicted by the ensemble mean of the INT (NoINT) runs for predictions averaged over the hindcast years 2~5 and corresponding observational reference (℃); (b) as in (a) but for hindcast years 6~9; (c) Correlations between the model runs and the observational references along the forecast time for 4-year averages; (d) RMSE of the model runs along the forecast time for 4-year averages; The red (blue) lines denote INT (NoINT) runs; The black lines denote the observation; The dashed (solid) lines denote ensemble members (means)

从相关系数可以看出(图8c), 除6~9年外, INT的模拟技巧普遍高于NoINT试验。INT的模拟技巧在3~6年和4~7年时达到最大, 相关系数大于0.4, 全部通过了95%信度检验, 随着预测时效的增加, INT试验的预测技巧明显下降。RMSE也表现出类似的特征(图8d)。从提前6~9年预测的序列演变(图8b)也可以看出, INT模拟的SST呈现出变率较低的年际波动, 没有显著的年代际变化, 与观测差异较大。另外需要注意的是, 对比各样本得到的相关系数和RMSE, INT试验中的离散度并没有显著低于NoINT, 与全球平均和其他海域的表现不同, 初始化在该海域的作用可能较弱, 这与图3c表现的RMSE比率的空间分布相吻合。

4 结论

本文采用相关系数、RMSE和RMSSS等统计方法, 将BCC_CSM1.1年代际预测试验与观测资料和20世纪历史气候模拟试验相对比, 对模式中SST年代际变化的回报能力进行了评估。主要结论如下:

(1) INT试验中, SST的系统误差与预测时效高度相关, 且在同一预测时效的序列中误差值较为稳定, 距平化扣除系统误差的方法适用于BCC模式。

(2) 从全球分布来看, 模式在热带大西洋、热带西太平洋和热带印度洋有较高的预测技巧。INT试验模拟的全球平均SST增暖趋势比NoINT的更加接近观测。

(3) 对于北大西洋副极地区域, 虽然INT试验的预测技巧高于NoINT试验, 但相关系数都无法通过信度检验。且INT的预测技巧随预测时效增加而显著下降, 到6~9年时其技巧显著低于NoINT。在北大西洋热带地区, INT试验预测技巧较高, 可以通过信度检验, 但与NoINT差异不大; 其技巧也随预测时效增加而显著下降。分析发现, BCC模式无法合理模拟出AMO与热盐环流间的交替变化规律, 因此虽然INT试验中逐年有海洋初始场加入, 模式仍无法合理预测北大西洋副极地或者热带地区的SST变化。

(4) 对于太平洋年代际振荡2个关键区— — 北太平洋和热带中东太平洋, 模式的预测技巧较低, 且海洋初始化的作用也很小。在北太平洋区域, INT的模拟技巧只在1~4年时明显高于NoINT; 对于热带区域, 模式的SST变率明显低于观测, 没有明显的年代际变化特征。对于热带南印度洋区域, INT的模拟技巧在3~6年和4~7年最大, 且普遍高于NoINT, 其预测技巧主要来自模式对1980年前的增暖趋势的较好模拟。

(5) 此外, 对比评估各样本分别得到的相关系数和RMSE, 除热带印度洋外, 在全球平均和其他海域的区域平均SST预测序列中, INT试验中的离散度显著低于NoINT, 推测初始化的约束可能对各样本之间离散度有一定影响。

本文的研究主要对BCC_CSM1.1年代际预测试验中SST回报能力进行评估, 初步分析了模式在北大西洋区域预测技巧偏低的原因。目前, 中国气象局和中国科学院大气物理研究所正在联合建立一套新的多模式预测系统。在下一步研究工作中, 还需要结合多模式的比较评估, 深入分析预测模式对AMO, PDO和印度洋洋盆模态等年代际振荡模态的模拟能力如何影响其预测技巧。此外, BCC模式无法合理模拟出AMO与热盐环流间交替变化规律的原因目前还不清楚, 有待未来继续深入研究。

The authors have declared that no competing interests exist.

参考文献
[1] Xiong Wei, Feng Lingzhi, Ju Hui, et al. Possible impacts of high temperatures on China’s rice yield under climate change[J] . Advances in Earth Science, 2016, 31(5): 515-528.
[熊伟, 冯灵芝, 居辉, 等. 未来气候变化背景下高温热害对中国水稻产量的可能影响分析[J]. 地球科学进展, 2016, 31(5): 515-528. ] [本文引用:1]
[2] Shi Peijun, Wang Aihui, Sun Fubao, et al. A study of global change population and economic system risk forming mechanism and assessment[J]. Advances in Earth Science, 2016, 31(8): 775-781.
[史培军, 王爱慧, 孙福宝, 等. 全球变化人口与经济系统风险形成机制及评估研究[J]. 地球科学进展, 2016, 31(8): 775-781. ] [本文引用:1]
[3] 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]
[4] 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:7]
[5] Wang Bin, Liu Mimi, Yu Yongqiang, 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]
[6] Wu Bo, Zhou Tianjun. 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]
[7] Wu Bo, Chen Xiaolong, Song Fengfei, et al. Initialized decadal predictions by LASG/IAP climate system model FGOALS-s2: Evaluations of strengths and weaknesses[J]. Advances in Meteorology, 2015, doi: 10.1155/2015/904826. [本文引用:5]
[8] Kim H, Webster P J, Curry J A. Evaluation of short-term climate change prediction in multi-model CMIP5 decadal hindcasts[J]. Geophysical Research Letters, 2012, 39(10): L10701, doi: 10.1029/2012GL051644. [本文引用:3]
[9] Doblas-Reyes F J, Andreu-Burillo I, Chikamoto Y, et al. Initialized near-term regional climate change prediction[J]. Nature communications, 2013, 4: 1 715, doi: 10.1038/ncomms2704. [本文引用:6]
[10] Guemas V, Corti S, García-Serrano J, et al. The Indian Ocean: The region of highest skill worldwide in decadal climate prediction[J]. Journal of Climate, 2013, 26(3): 726-739. [本文引用:1]
[11] Karspeck A, Yeager S, Danabasoglu G, et al. An evaluation of experimental decadal predictions using CCSM4[J]. Climate Dynamics, 2015, 44(3/4): 907-923. [本文引用:4]
[12] Mignot J, García-Serrano J, Swingedouw D, et al. Decadal prediction skill in the ocean with surface nudging in the IPSL-CM5A-LR climate model[J]. Climate Dynamics, 2016, 47(3): 1 225-1 246. [本文引用:1]
[13] Shaffrey L C, Hodson D, Robson J, et al. Decadal predictions with the HiGEM high resolution global coupled climate model: Description and basic evaluation[J]. Climate Dynamics, 2016, doi: 10.1007/s00382-016-3075-x. [本文引用:2]
[14] Chen Weilin, Jiang Zhihong. Evaluation of the decadal prediction skill over China based on four global atmosphere-ocean coupled climate models[J]. Climatic and Environmental Research, 2012, 17(1): 81-91.
[陈威霖, 江志红. 全球海气耦合模式对中国区域年代际气候变化预测能力的评估[J]. 气候与环境研究, 2012, 17(1): 81-91. ] [本文引用:1]
[15] Zhou Xin, Li Qingquan, Sun Xiubo, et al. Simulation and projection of temperature in China with BCC_CSM1. 1 model[J]. Journal of Applied Meterological Science, 2014, 25(1): 95-106.
[周鑫, 李清泉, 孙秀博, 等. BCC_CSM1. 1模式对我国气温的模拟和预估[J]. 应用气象学报, 2014, 25(1): 95-106. ] [本文引用:1]
[16] Wei Linxiao, Xin Xiaoge, Cheng Bingyan, et al. Hindcast of China climate with decadal experiment by BCC_CSM1. 1 climate model[J]. Advances in Climate Change Research, 2016, 12(4): 294-302.
[魏麟骁, 辛晓歌, 程炳岩, 等. BCC_CSM1. 1气候模式年代际试验对中国气候的回报能力评估[J]. 气候变化研究进展, 2016, 12(4): 294-302. ] [本文引用:2]
[17] Luo Feifei, Li Shuanglin. Joint statistical-dynamical approach to decadal prediction of East Asian surface air temperature[J]. Science in China(Series D), 2014, 57(12): 3 062-3 072, doi: 101007/s11430-014-4984-3.
[罗菲菲, 李双林. 动力统计相结合的未来30年东亚气温年代际预测[J]. 中国科学: D辑, 2015, 45(4): 402-413. ] [本文引用:1]
[18] Xin Xiaoge, Wu Tongwen, Zhang Jie. 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.
[辛晓歌, 吴统文, 张洁. BCC气候系统模式开展的CMIP5试验介绍[J]. 气候变化研究进展, 2012, 8(5): 378-382. ] [本文引用:1]
[19] Carton J A, Giese B S. A reanalysis of ocean climate using Simple Ocean Data Assimilation (SODA)[J]. Monthly Weather Review, 2008, 136(8): 2 999-3 017. [本文引用:2]
[20] Rayner N A, Parker D E, Horton E B, et al. Global analyses of sea surface temperature, sea ice, and night marine air temperature since the late nineteenth century[J]. Journal of Geophysical Research: Atmospheres, 2003, 108(D14): 4 407, doi: 10.1029/2002JD002670. [本文引用:1]
[21] lato G, Marotzke J, Abiodun B, et al. Evaluation of climate models[M]∥Stocker T F, et al, eds. Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, United Kingdom and New York, NY, USA: Cambridge University Press, 2013: 741-866. [本文引用:2]
[22] Goddard L, Kumar A, Solomon A, et al. A verification framework for interannual-to-decadal predictions experiments[J]. Climate Dynamics, 2013, 40(1/2): 245-272. [本文引用:4]
[23] ICPO (International CLIVAR Project Office). Decadal and Bias Correction for Decadal Climate Predictions[R/OL]. International CLIVAR Project Office, 2011, CLIVAR Publication Series No. 150. [2016-12-20]. http://eprints.soton.ac.uk/171975/1/ICPO150_Bias.pdf. [本文引用:1]
[24] Knight J R, Allan R J, Folland C K, et al. A signature of persistent natural thermohaline circulation cycles in observed climate[J]. Geophysical Research Letters, 2005, 32(20): L20708, doi: 10.1029/2005GL024233. [本文引用:1]
[25] Msadek R, Frankignoul C. Atlantic multidecadal oceanic variability and its influence on the atmosphere in a climate model[J]. Climate Dynamics, 2009, 33(1): 45-62. [本文引用:1]
[26] Cheng Wei, Chiang J C H, Zhang Dongxiao. Atlantic Meridional Overturning Circulation (AMOC) in CMIP5 models: RCP and historical simulations[J]. Journal of Climate, 2013, 26(18): 7 187-7 197. [本文引用:1]
[27] Zhang Liping, Wang Chunzai. Multidecadal North Atlantic sea surface temperature and Atlantic meridional overturning circulation variability in CMIP5 historical simulations[J]. Journal of Geophysical Research: Oceans, 2013, 118(10): 5 772-5 791. [本文引用:2]
[28] Zhang Rong. Latitudinal dependence of Atlantic Meridional Overturning Circulation (AMOC) variations[J]. Geophysical Research Letters, 2010, 37(16): L16703, doi: 10.1029/2010GL044474. [本文引用:1]
[29] Zhou Tianjun, Chen Xiaolong, Dong Lu, et al. Chinese contribution to CMIP5: An overview of five Chinese models’ performances[J]. Journal of Meteorological Research, 2014, 28(4): 481-509. [本文引用:1]
[30] Han W, Vialard J, McPhaden M J, et al. Indian Ocean decadal variability: A review[J]. Bulletin of the American Meteorological Society, 2014, 95(11): 1 679-1 703. [本文引用:1]
[31] Dong Lu, Zhou Tianjun, Dai Aiguo, et al. The footprint of the inter-decadal pacific oscillation in Indian Ocean sea surface temperatures[J]. Scientific Reports, 2016, 6: 21 251, doi: 10.1038/srep21251. [本文引用:2]