ENSEMBLES耦合模式对全球陆地季风区夏季降水的年代际预测能力评估
张丽霞1,2, 张文霞1,3, 周天军1,3, 吴波1
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. 南京信息工程大学气象灾害预报预警与评估协同创新中心,江苏 南京 210044
3.中国科学院大学,北京 100049

作者简介:张丽霞(1982-),女,河北保定人,副研究员,主要从事季风区旱涝变化机理的研究.E-mail:lixiazhang@mail.iap.ac.cn

摘要

全球季风区降水对当地社会经济、全球大尺度环流及能量循环至关重要。采用欧洲联盟ENSEMBLES计划Stream 2的年代际回报试验,评估了其对1960—2015年全球陆地季风夏季降水年代际变化的回报能力,并探讨了北半球陆地季风区夏季(NHSM)降水年代际变化可预报性的可能来源。分析发现 ENSEMBLES对全球及南球陆地季风区夏季降水的年代际回报技巧不高,但其对NHSM降水具有一定的预报能力,能合理回报出观测中NHSM降水在1960年至1970s末期的减弱趋势和1990s之后的增强趋势,其缺陷在于模式中NHSM降水最小值出现在1970s末期,较之观测提前了近10年,未能回报出1980s中期至1990s初期NHSM的干旱期。mega-ENSO与大西洋多年代际振荡(AMO)是影响NHSM降水年代际变化的2个重要驱动因子。分析发现模式回报的NHSM降水与mega-ENSO、大西洋多年代际振荡(AMO)的正相关明显大于观测,能合理再现2个指数在1960年至1970s末期和1990s后的变化趋势,是模式对这2个时段内NHSM降水回报技巧的重要来源。虽然ENSEMBLES对AMO的年代际变化具有较高的回报能力(与观测的最大相关系数高达0.85),但是对mega-ENSO的回报技巧较弱,进而限制了模式1980s中期至1990s初NHSM的年代际预报技巧。因此,提高模式对mega-ENSO的预报能力,是提升NHSM降水年代际预报水平的重要途径。

关键词: 全球季风; 年代际预测; 可预报性; 耦合模式
中图分类号:P426.6 文献标志码:A 文章编号:1001-8166(2017)04-409-11
Assessment of the Decadal Prediction Skill on Global Land Summer Monsoon Precipitation in the Coupled Models of ENSEMBLES
Zhang Lixia1,2, Zhang Wenxia1,3, Zhou Tianjun1,3, Wu Bo1
1. LASG, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029,Chian
2. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044,China
3. University of Chinese Academy of Sciences, Beijing 100049,China

First author:Zhang Lixia(1982-),female,Baoding County, Hebei Province,Associate Professor.Research areas include changes of drought and flood over monsoon regions.E-mail:lixiazhang@mail.iap.ac.cn

Abstract

Global monsoon precipitation plays a crucial role in the local social economy and global large-scale circulation and energy cycle. Using the decadal prediction output for 1960-2015 from ENSEMBLES Stream 2, the decadal hindcast skill of climate models on global land monsoon precipitation and the potential source of predictability were examined in this paper. It is found that the decadal variation of global and southern hemispheric land monsoon precipitation is not well hindcasted by ENSEMBLES. However, the Northern Hemispheric land Summer Monsoon (NHSM) precipitation in hindcast is well predicted, including the observed downward trend from 1960 to the late 1970s and upward trend since the 1990s. The main deficiency is that the minimum NHSM precipitation occured in mid-1970s, which is 10-year earlier than the observation, leading to poor prediction of NHSM precipitation from the mid-1980s to early 1990s. Mega-ENSO and Atlantic Multi-decadal Oscillation (AMO) are the two main factored that modulate the decadal variation of NHSM precipitation. The result shows that the relationships of NHSM precipitation with mega-ENSO and AMO in ENSENBLES are higher than the observation. The climate models well predicted the increase from 1960 to the late 1970s and decrease trend since the 1990s of mega-ENSO and AMO. It is the primary source of the prediction skill on NHSM changes during the two periods. Although AMO is well predicted by ENSEMBLES (highest correlation coefficient with observation is 0.85), the prediction skill of mega-ENSO is limited, leading to poor performance in predicting NHSM precipitation from the mid-1980s to early 1990s. Thus, improving the prediction of mega-ENSO can be seen as one important method of better decadal prediction of NHSM precipitation.

Keyword: Global monsoon; Decadal prediction; Predictability; Coupled mode.
1 引言

季风区作为全球降水变率最大的区域, 居住着全球2/3的人口[1]。受全球质量守恒的制约, 全球辐合辐散环流之间相互联系, 不同季风系统彼此之间紧密关联, 进而气候学家提出全球季风的概念[1~5]。考虑到全球季风区降水多寡对当地居民生活、农业生产和经济发展至关重要, 与此同时, 全球季风区降水释放的巨大潜热可以影响到全球的能量循环和大尺度环流[6], 因此, 研究全球季风区降水变率及其可预报性具有重要的社会价值和科学意义。

愈来愈多的证据表明, 全球不同区域的季风系统在气候态、年际、年代际以及长期趋势等方面, 彼此之间存在着紧密联系[7~9]。就年代际变化而言, 过去百年, 全球季风区降水经历了明显的年代际变化, 主要体现为1900— 1950年全球陆地季风区降水显著增加, 之后至1980s末下降[9~12], 近30年海洋和陆地的全球季风区降水逐渐恢复[13, 14]。1970s末东亚夏季风“ 南涝北旱” 型的年代际转变, 可视作全球季风降水变化的局地体现[15]

关于全球季风降水的年代际变化, 有2个重要的自然驱动因子, 分别是太平洋海温异常(如mega-ENSO)和大西洋多年代际振荡(Atlantic Multidecadal Oscillation, AMO)[7]。mega-ENSO是一个多时间尺度指数, 在年际变率尺度, mega-ENSO与ENSO指数高度相关, 而在年代际变化尺度, mega-ENSO主要体现了太平洋年代际振荡(Pacific Decadal Oscillation, PDO)变率。当mega-ENSO处于正位相(PDO负位相)时, 全球陆地季风区降水增加。如1950s以来全球陆地季风区降水的年代际减弱趋势, 受PDO在1970s末由负位相向正位相转变影响, 在给定观测海温驱动下, 模式可以合理模拟出该趋势[11]。近30年来由于PDO在2000年左右由正位相转为负位相, 对应东太平洋变冷而西太平洋变暖的海温变化型, 导致季风区垂直上升运动增强, 垂直水汽输送增加, 季风区降水增加[14]。对于AMO而言, 其处于正位相时, 北大西洋增暖抑制了热带中太平洋地区降水, 造成西太平洋的东风异常和北半球其他区域的西风异常, 进而增强北半球夏季风环流及降水[7]

除了自然变率之外, 人类活动所导致的全球变化亦具有重要作用。温室气体强迫导致全球变暖, 由于北半球陆地面积大于南半球, 且陆地热容量小于海洋, 致使北半球增暖幅度大于南半球, 陆地增暖幅度大于海洋, 故北半球夏季风环流增强, 加之全球变暖增加了大气水汽含量, 二者共同作用导致北半球夏季季风降水增加[16, 17]。如工业革命以来人类排放的CO2增加导致全球变暖, 对过去30年全球季风降水增加亦具有不容忽视的贡献[13~17]。此外, 火山气溶胶及1950s以来人为气溶胶排放的增加, 气溶胶直接效应可能会通过减弱入射短波辐射和降低地表温度, 造成北半球季风区降水减弱[18~20]

近年来, 未来10~30年的近期气候预测逐渐得到气候学界的关注, 有效的年代际预测可以为应对气候变化的政府决策提供有利信息, 以便更有效地解决气候变化造成的各种经济和社会问题[21, 22]。虽然当前对全球季风降水年代际变率机理已具备一定的认识, 但实际观测的季风区降水年代际变化机理非常复杂, 可能是多种因子共同作用的结果, 当前模式对其年代际变化是否具有预测能力尚不清楚。年代际预测试验为研究模式对全球季风降水的年代际预测能力提供了重要工具。本文拟利用欧洲联盟ENSEMBLES计划Stream 2年代际回报试验, 重点考察如下问题:当前全球海气耦合模式对全球陆地季风降水是否具有年代际回报能力?如存在, 模式的年代际回报能力可能来源是什么?

2 资料和方法
2.1 ENSEMBLES年代际预测试验

本文采用欧洲联盟ENSEMBLES计划Stream 2年代际预测试验[23], 共包含4个耦合模式, 即欧洲中期预报中心IFS/HOPE模式、英国气象局的HadGEM2-AO模式、法国气象局的ARPEGE/OPA模式以及德国基尔大学莱布尼兹海洋科学研究所的ECHAM5/MPI-OM1模式。所有模式均采用观测的海温和海冰状况对模式进行初始化, 并加入观测的辐射强迫。这4个模式海洋初始化方案有所不同, 其中HadGEM2-AO, ARPEGE/IPA和ECHAM5/MPI-OM1等3个模式直接初始化观测的SST, IFS/HOPE将观测的SST距平和模式模拟的气候态之和作为模式初始化场, 此外, ENSEMBLES计划还包含一组物理参数化扰动试验, 该试验同时扰动影响HadGEM3海洋模式中SST和盐度偏差发展的物理参数, 采用不同物理参数组合开展年代际预测试验。

每个模式均从1960— 2005年的11月每隔5年(1960年、1965年、1970年, 以此类推)向后预测10年, 共包含10组10年回报试验。除了UKMO的HadGEM2-AO, 模式有9个成员外, 其他3个模式均有3个成员。本文重点关注多模式集合(Multi-Model Ensemble, MME)平均的结果, 同时给出各个模式成员作为参考。

2.2 模式验证资料与分析方法

本文使用的观测资料包括:①最新的CRU全球陆地逐月降水和地表温度资料(CRU TS v.3.23)[24], 分辨率为0.5° × 0.5° ; ②美国NOAA/NCDC的延伸重建海温资料(ERSST)[25]。所用资料时段均为1960— 2015年, 为了与模式结果进行比较, 采用距离权重插值, 将观测资料插值到与模式一致的2.5° × 2.5° 格点上。

由于年代际预测试验水平可能依赖于预测时段, 参照IPCC第五次评估报告中的分析方法, 本文分析了模式预测的滑动的4年平均季风区降水预测技巧, 即对每组试验回报的降水做连续4年平均, 再求得每个时段对应的观测降水, 共存在6个4年滑动平均时段, 分别为模式回报的第1~4年、2~5年、3~6年、4~7年、5~8年和6~9年, 每个4年平均都有10个时刻, 即10个样本。以模式回报的第1~4年平均为例, 指的是1960年起报的1961— 1964年平均, 1965年起报的1966— 1969年平均, 1970年起报的1971— 1974年平均, 以此类推, 一直到2005年起报的2006— 2009年平均, 共有10个样本。

本文主要采用时间相关系数和均方根误差技巧(RMSSS)2个指标来衡量年代际预测的水平。其中:

RMSSS=(1-RMSEpRMSEobs)×100(1)

RMSEp为预测相对于观测的均方根误差, RMSEobs为观测的标准差。当RMSSS> 0时, 表明存在预测技巧, 值越大表示技巧越高[26]

3 ENSEMBLES对全球陆地季风降水的年代际预测
3.1 ENSEMBLES年代际预测能力评估

因为本文关注的是全球陆地季风降水的变化, 因此季风区域亦从降水年变化角度来定义。参照参考文献[5], 季风区定义为为降水年较差与年平均降水之比大于0.5, 且降水年较差大于2 mm/d的区域, 其中北半球(南半球)降水年较差为5~9月(11~3月)降水与11~3月(5~9月)降水之差。图1给出全球陆地季风区范围内ENSEMBLES耦合模式MME回报的第1~4年和第6~9年平均夏季降水距平与观测之间的相关系数分布。根据参考文献[5]的定义, 本文中的北半球夏季降水为每年5~9月, 南半球夏季降水是11月到来年3月。从图1 可以看出, 大部分陆地季风区内相关系数小于0, 表明模式对陆地季风区夏季降水的时间演变整体回报水平有限。但是, 北非季风区、印度南部地区、中国华北地区和北美、南非南部等地区出现较显著的相关系数, 即使到了模式预测的第6~9年, 北非及南美南部季风区的显著相关仍存在且有所增强, 最大相关系数位于第6~9年平均的北非季风区(> 0.60)。

为了衡量模式回报的降水与观测之间在量值上的差异, 本文采用RMSSS将模式结果与观测进行了比较, MME回报的第1~4年和第6~9年平均降水与观测间RMSSS的水平分布如图2所示。与图1相关系数分布一致, 较大的RMSSS出现在北非季风区和中国华北地区, 但仅有少数格点通过了10%的显著性检验水平。比较而言, 第6~9年的RMSSS值大于第1~4年, 意味着随着模式回报的时长增加, 模式对全球陆地季风夏季降水的年代际回报能力有所提高。

为了更清楚地体现ENSEMBLES对全球陆地季风降水的回报能力, 图3给出了北半球、南半球和全球陆地季风区区域平均的4年平均夏季降水与观测之间的相关系数随预测时长的演变。全球陆地季风区夏季降水为北半球陆地季风区夏季和南半球陆地季风区夏季降水之和[5]。北半球陆地季风区夏季(Northern Hemispheric Summer Monsoon, NHSM)降水与观测之间的相关系数保持在0.4左右, 到了模式预测的第6~9年, 其相关系数达到最高(0.5), 通过10%显著性检验水平, 说明模式MME对观测中NHSM降水的年代际变化具有一定的预测能力。比较而言, MME回报的南半球和全球陆地季风区夏季降水与观测之间的相关系数均小于0.2, 2~5年之后, 相关系数甚至小于0, 表明模式对南半球和全球陆地季风区降水的年代际变化无回报能力。

由于ENSEMBLES年代际回报试验对NHSM降水具有较好的回报能力, 图4进一步给出观测和MME回报的NHSM降水的时间演变。观测中(图4中黑色实线), 北半球陆地季风区降水自1960s至1980s中期减少, 到1980s中期达到最小值, 并在此后恢复增强。MME(图4中灰色实线)合理回报出观测中1960年至1970s末期NHSM降水减弱趋势和1990s之后的增加趋势, 但是模式中NHSM降水最小值出现在1970s末期, 较之观测提前了近10年, 进而未能回报出1980s中期至1990s初期北半球陆地季风区的干旱期。

3.2 ENSEMBLES年代际预测技巧的可能来源

如引言部分介绍, mega-ENSO和AMO是调制NHSM降水年代际变化的最重要的2个自然驱动因子[7]。Wang等[7]定义了mega-ENSO指数, 即西太平洋“ K” 型区域平均的SST与东太平洋三角形区域平均的SST之差, 以代表全球海表面温度年际— 年代际尺度的主导模态, 并指出mega-ENSO与NHSM降水存在显著正相关, 相应的物理机制如下:mega-ENSO正位相时, 南北半球副热带高压及相应的信风增强, 导致向亚洲和非洲季风区的水汽输送增加, 季风区水汽异常辐合, 进而NHSM降水增加。对于第二个强迫因子AMO亦与NHSM降水年代际变化显著正相关, 原因在于AMO正位相时, 北大西洋增暖抑制了热带中太平洋地区降水, 造成西太平洋的东风异常和北半球其他区域的西风异常, 进而增强NHSM环流及降水[7]

图1 ENSEMBLES多模式集合(MME)平均预测的(a) 第1~4 年和(b)第6~9年平均夏季降水距平与观测的相关系数分布
打点区域通过了10%显著性检验水平; 其中北半球夏季是5~9月平均, 南半球夏季是11月到来年3月平均
Fig.1 The correlation coefficient of summer precipitation anomalies between MME prediction and observation averaged over the hindcast years (a) 1~4 years and (b) 6~9 years
The dotted areas are statistically significant at 10% level; The summer precipitation in northern hemisphere and southern hemisphere is that averaged from May to September and from November to March, respectively

图2 ENSEMBLES多模式集合(MME)平均预测的(a) 第1~4 年和(b)第6~9年平均夏季降水距平与观测之间的均方根技巧评分(RMSSS)的水平分布
打点区域通过了10%显著性检验水平; 其中北半球夏季是5~9月平均, 南半球夏季是11月到来年3月平均
Fig.2 The distribution of Root Mean Square Skill Score (RMSSS)of summer precipitation anomalies between MME prediction and observation averaged over the hindcast years (a) 1~4 years and (b) 6~9 years
The dotted areas are statistically significant at 10% level; The summer precipitation in northern hemisphere and southern hemisphere is that averaged from May to September and from Novermber to March, respectively

为了考察模式对NHSM降水年代际变化回报能力的可能来源, 本文首先给出观测和模式中NHSM降水与mega-ENSO和AMO的关系。图5给出观测和MME回报的mega-ENSO指数与北半球夏季陆地季风区之间的相关系数分布。在回报时段内, 对于模式回报的第1~4年和第6~9年, 观测中北半球季风区夏季降水与mega-ENSO正相关区域均主要位于非洲季风区、东南亚— 青藏高原季风区和南美季风区北部地区, 其中非洲中部和东南亚— 青藏高原地区的相关系数在0.5以上, 通过了10%显著性检验。就北半球陆地季风区而言, MME回报的第1~4年夏季平均降水与mega-ENSO的显著正相关(图5b)区域范围和强度均明显大于观测, 其中北非东部、印度季风区的相关系数可达0.8以上。模式中回报的第6~9年结果(图5d)与第1~4年相似, 只是强度有所减弱。比较图5b, d与图5a, c可以发现, 模式仅合理回报出回报时段内观测中mega-ENSO与非洲季风区、华北夏季降水的正相关关系, 尤其是无法合理再现观测中mega-ENSO与印度季风降水的相关。

图3 模式预测的陆地季风区区域平均的4年平均夏季降水距平与观测的相关系数随预报时长的变化
(a)北半球陆地季风区夏季降水; (b) 南半球陆地季风区夏季降水; (c)全球陆地季风区夏季降水。其中黑色实线和灰色虚线分别代表所有多模式集合(MME)平均和不同模式成员结果, 全球季风区夏季降水是(a)与(b)的平均
Fig.3 The evolution of correlation coefficient between model predicted 4 years summer mean precipitation and that of observation regional average
(a) Northern hemispheric land monsoon; (b) Southern hemispheric land monsoon; (c) Global land monsoon regions. The black and dashed lines show the MME and individual realization, respectively. The global land monsoon summer precipitation is the average of (a) and (b)

图6为观测和MME中AMO指数与北半球夏季季风区降水的相关系数, 观测中北半球季风区大部分地区夏季降水与AMO正相关, 其中北半球通过10%显著性检验的区域位于北非季风区、青藏高原季风区和北美季风区, 最大相关系数处于北美季风区, 高达0.80(图6a, c)。MME合理回报出观测中北非季风区和北美季风区降水与AMO的显著相关, 但是高估了印度南部和华北部分地区夏季降水与AMO的相关。这些高相关区域与图1中模式年代际预测技巧较高的区域一致。MME回报的第1~4年降水与AMO指数的相关系数分布与第6~9年空间分布一致。比较而言, 模式中AMO与NHSM降水的相关系数大于mega-ENSO, 说明模式中AMO对NHSM降水的调制作用大于mega-ENSO。

图5图6可以看出, 模式回报的NHSM降水与mega-ENSO及AMO的显著正相关, 说明模式中mega-ENSO与AMO是调制NHSM降水的主要因子, 当模式中mega-ENSO或AMO出现增加趋势时, NHSM降水亦增加。同时模式中NHSM降水与mega-ENSO, AMO的相关系数明显大于观测, 其可能原因在于观测中降水的年代际变化除了诸如mega-ENSO, AMO等年代际变化因子的调制作用之外, 还包括天气尺度扰动带来的大气噪音。图5图6给出的是21个模式成员集合平均的结果, 部分消除了大气噪音, 使得模式模拟的降水与年代际变化因子之间的关系更强, 因此相关系数比观测显著得多。

图7给出观测和模式回报的北半球夏季mega-ENSO与AMO的时间演变。对应1960年至1980s中期观测中NHSM降水的减弱趋势, 观测的mega-ENSO和AMO在1960年至1970s末期均存在下降趋势, 在观测中1970s初期至1990s初期的NHSM干旱期, mega-ENSO指数存在1970s末期由正到负的位相转变, 而AMO则一直维持在负位相。在1990s中期之后NHSM降水的增加时期, mega-ENSO与AMO均呈现增加趋势且发生位相由负到正的转变, mega-ENSO位相转变出现在2000年左右, 比AMO位相转变滞后5年左右。

图4 标准化之后模式预测的第(a) 1~4 年平均, (b)2~5年, (c)3~6年, (d)4~7年, (e)5~8年和(f)6~9年及相应年份观测的NHSM降水距平
黑色实线为观测, 灰色实线和虚线分别代表多模式集合平均和每个模式成员结果
Fig.4 The normalized precipitation anomalies evolution regional averaged over northern hemispheric land monsoon region (black and blue lines) and northern hemispheric summer monsoon circulation (red and green lines) in observation and MME hindcast for the (a) 1~4 years, (b) 2~5 years, (c) 3~6 years, (d) 4~7 years, (e) 5~8 years and (f) 6~9 years
The black line, grey line and grey dashed lines denote the observation, multimodel ensemble mean and each realization, respectively

图7可以看出, MME中mega-ENSO与AMO指数在1960年至1970s末期和1990s初期之后均存在减弱和增加趋势, 该特征与观测一致, 同时模式中2个指数均与NHSM降水显著正相关, 因此模式中模拟的NHSM降水在这2个时段分别呈现与观测一致的减弱和增加的特征(图4)。因此, 模式对这2个时段mega-ENSO和AMO演变的合理回报是NHSM降水回报技巧的重要来源。1980年到1990s中期, 模式回报模式的mega-ENSO与AMO最小值分别出现在1972年和1980年左右, 之后分别在1990s初期和1980s转为正位相, 1980s之后2个指数均为增加趋势, 较之观测的mega-ENSO增加趋势分别提前15年, 进而使得模式模拟的NHSM降水最小值出现1980s左右, 未能合理回报出从1980年至1990s的干旱期。比较模式对mega-ENSO和AMO指数的回报, 可以发现, 模式对AMO具有较高的回报技巧, 如1970年之前的减弱趋势, 1970— 1990年的负位相, 1970s初期和1990s中期的位相转变, 及1990s之后的增加趋势。MME仅能回报出mega-ENSO从1960年至1970s末的下降趋势和1990s中期之后的增加趋势, 无法合理再现mega-ENSO在1970s末和2000s初的位相转变。

图5 模式预测的第1~4年和第6~9年平均的北半球夏季降水与mega-ENSO指数的相关系数(a), (c) 观测, (b), (d) MME
划线区域通过10%显著性检验, mega-ENSO指数定义为西太平洋K型区域平均的SST与东太平洋三角形区域平均的SST之差(具体区域见参考文献[7])
Fig.5 The correlation coefficient between model predicted precipitation in boreal summer and the corresponding mega-ENSO index for the 1~4 years (left panel) and 6~9 years (right panel) derived from (a), (c) observation, (b), (d) MME
The dotted areas are statistically significant at 10% level. The mega-ENSO index is defined as the SST difference between the western Pacific K-shape area and eastern Pacific triangle (The regions where the mega-ENSO defined can be found in reference[7])

图6 模式预测的第1~4年(a), (b)和第6~9年(c), (d)平均的北半球夏季降水与AMO指数的相关系数(a), (c) 观测, (b), (d) MME
划线区域通过10%显著性检验, AMO指数定义为(0° ~60° N, 80° ~0° W)区域平均SST距平与(60° S~60° N)区域平均SST距平之差[27]
Fig.6 The correlation coefficient between model predicted precipitation in boreal summer and the corresponding AMO index for the 1~4 years(left panel) and 6~9 years (right panel) derived from (a), (c) observation, (b), (d) MME
The dotted areas are statistically significant at 10% level; The AMO index is defined as area-averaged SST anomalies in the (0° ~60° N, 80° ~0° W) minus the area-averaged near global SST anomalies in the (60° S~60° N)[27]

图7 标准化之后多模式集合平均预测的第(a) 1~4 年平均, (b)2~5年, (c)3~6年, (d)4~7年, (e)5~8年和(f)6~9年及相应年份观测的AMO指数和mega-ENSO指数距平Fig.7 The normalized AMO and mega-ENSO indices evolutions in MME hindcast and observation for (a) 1~4 years, (b) 2~5 years, (c) 3~6 years, (d) 4~7 years, (e) 5~8 years and (f) 6~9 years

为了更清楚地体现模式对mega-ENSO与AMO的回报技巧, 图8进一步给出模式回报的2个指数与观测之间的相关系数, 可以看出, 模式对mega-ENSO的回报技巧比较低, 最大相关系数出现在模式回报的第4~7年, 仅0.20, 未通过显著性检验。模式回报的任意4年平均的AMO指数与观测之间的相关系数均高于0.6, 通过10%显著性检验, 其中模式回报的第3~6年AMO指数与观测相关最大, 高达0.85。可见, ENSEMBLES对AMO具有较好的年代际回报技巧。

图8 模式预测的4年平均夏季(a) AMO指数与 (b)mega-ENSO指数与观测的相关系数随预报时长的变化Fig.8 The evolution of correlation coefficient between model predicted 4 years summer mean (a) AMO index and(b) mega-ENSO index and that of observation

上述分析表明, 模式回报的NHSM降水与mega-ENSO和AMO的年代际变化紧密相关, 其相关系数及范围明显大于观测, 且AMO对NHSM降水年代际变化的调制作用强于mega-ENSO。模式合理回报出mega-ENSO与AMO在1960年至1970s末期的下降趋势和1990s后的增加趋势, 进而合理回报出这2个时段NHSM降水的变化。比较而言, 模式对AMO的回报技巧显著高于mega-ENSO。虽然ENSEMBLES对AMO的模拟技巧很高, 但仍无法再现NHSM降水在1980s中期至1990s初期的干旱期, 表明模式对mega-ENSO的回报技巧对NHSM降水预测的重要作用。

4 结 语

本文采用欧洲联盟ENSEMBLES海气耦合模式对1960— 2005年的年代际回报试验结果, 评估了其对全球陆地季风降水年代际变化的回报能力, 并探讨了NHSM降水年代际变化可预报性的可能来源, 主要结论如下:

(1) 总体而言, ENSEMBLES回报对全球和南半球陆地季风区降水的年代际回报能力有限。全球陆地季风降水与观测之间的高相关区位于北非季风区、印度南部、中国华北地区和北美季风区南部地区, 且模式回报的第6~9年技巧略高于第1~4年, 说明随着模式回报时长的增加, 模式对全球陆地季风降水的年代际回报能力有所提高。

(2) ENSEMBLES可以合理回报出观测中NHSM降水在1960年至1970s末的减弱趋势和1990s中期之后的增强趋势, 但是模式中NHSM降水最小值出现在1970s末期, 较之观测的1980s末期提前了近10年, 未能回报出1980s中期至1990年代初期北半球陆地季风区的干旱期。

(3) mega-ENSO与AMO是调制NHSM降水的2个重要自然因子。分析发现, ENSEMBLES回报的NHSM降水与mega-ENSO和AMO的正相关系数明显大于观测。ENSEMBLES合理回报出mega-ENSO与AMO在1960年至1970s末期的下降趋势和1990s后的增加趋势, 进而合理回报出2个时段内NHSM降水的演变趋势。比较而言, ENSEMBLES对mega-ENSO的回报能力偏弱, 最大相关系数仅0.2, 但是模式能够合理回报AMO的年代际变化, 与观测之间的相关系数高达0.85。虽然ENSEMBLES对AMO的模拟技巧很高, 但仍无法再现NHSM降水在1980s中期至1990s初期的干旱期, 表明mega-ENSO的回报的重要作用。未来提高mega-ENSO年代际变化的预报能力, 是有效提高NHSM降水预报技巧的重要途径之一。

The authors have declared that no competing interests exist.

参考文献
[1] Wang Shaowu. Global monsoon[J]. Advances in Climate Change Research, 1997, 6(6): 473-474.
[王绍武. 全球季风[J]. 气候变化研究进展, 1997, 6(6): 473-474. ] [本文引用:2]
[2] Fu Congbin, Zeng Zhaomei. Monsoon—The region with the largest variability of precipitation in the word[J]. Chinese Science Bulletin, 1997, 42(21): 2 306-2 309.
[符淙斌, 曾昭美. 季风区——全球降水变化率最大的地区[J]. 科学通报, 1997, 42(21): 2 306-2 309. ] [本文引用:1]
[3] Zeng Qingcun, Zhang Banglin. On the seasonal variation of atmospheric general circulation and the monsoon[J]. Chinese Journal of Atmospheric Sciences, 1998, 22(6): 805-813.
[曾庆存, 张邦林. 大气环流的季节变化和季风[J]. 大气科学, 1998, 22(6): 805-813 ]. [本文引用:1]
[4] Qian W. Dry/wet alteration and global monsoon[J]. Geophysical Research Letters, 2000, 27(22): 3 679-3 682. [本文引用:1]
[5] Trenberth K, Stepaniak D, Caron J. The global monsoon as seen through the divergent atmospheric circulation[J]. Journal of Climate, 2000, 13(22): 3 969-3 993. [本文引用:2]
[6] Wang B, Ding Q. Global monsoon: Dominant mode of annual variation in the tropics[J]. Dynamics of Atmospheres and Oceans, 2008, 44(3): 165-183. [本文引用:1]
[7] Wang B, Liu J, Kim H, et al. Northern Hemisphere summer monsoon intensified by mega-El Niño/southern oscillation and Atlantic multidecadal oscillation[J]. Proceedings of the National Academy of Sciences, 2013, 110(14): 5 347-5 352. [本文引用:6]
[8] Zhang Lixia, Zhou Tianjun, Wu Bo, et al. The annual modes of tropical precipitation simulated by LASG/IAP ocean-atmosphere coupled model Fgoals_s1. 1[J]. Acta Meteorological Sinica, 2008, 66(6): 968-981.
[张丽霞, 周天军, 吴波, . 气候系统模式FGOALS_s1. 1 对热带降水年循环模态的模拟[J]. 气象学报, 2008, 66(6): 968-981. ] [本文引用:1]
[9] Zhang L, Zhou T. An assessment of monsoon precipitation changes during 1901-2001[J]. Climate Dynamics, 2011, 37(1/2): 279-296. [本文引用:2]
[10] Wang B, Ding Q. Changes in global monsoon precipitation over the past 56 years[J]. Geophysical Research Letters, 2006, 33(6), doi: 10.1029-2005G2025347. [本文引用:1]
[11] Zhou T, Yu R, Li H, et al. Ocean forcing to changes in global monsoon precipitation over the recent half-century[J]. Journal of Climate, 2008, 21(15): 3 833-3 852. [本文引用:1]
[12] Hsu P, Li T, Luo J, et al. Increase of global monsoon area and precipitation under global warming: A robust signal?[J]. Geophysical Research Letters, 2012, 39(6), doi: 10.1029/2012GL051037. [本文引用:1]
[13] Wang B, Liu J, Kim H, et al. Recent change of the global monsoon precipitation (1979-2008)[J]. Climate Dynamics, 2012, 39(5): 1-13. [本文引用:2]
[14] Lin R, Zhou T, Qian Y. Evaluation of global monsoon precipitation changes based on five reanalysis datasets[J]. Journal of Climate, 2014, 27(3): 1 271-1 289. [本文引用:2]
[15] Zhou T, Zhang L, Li H. Changes in global land monsoon area and total rainfall accumulation over the last half century[J]. Geophysical Research Letters, 2008, 35(16): doi: 10.1029/2008GL034881. [本文引用:1]
[16] Lee J, Wang B. Future change of global monsoon in the CMIP5[J]. Climate Dynamics, 2014, 42(1): 101-119. [本文引用:1]
[17] Zhang L, Zhou T. An assessment of improvements in global monsoon precipitation simulation in FGOALS-s2[J]. Advances in Atmospheric Sciences, 2014, 31(1): 165-178. [本文引用:2]
[18] Kim H J, Wang B, Ding Q. The global monsoon variability simulated by CMIP3 coupled climate models[J]. Jounnal of Climate, 2008, 21(20): 5 271-5 294. [本文引用:1]
[19] Polson D, Bollasina M, Hegerl G, et al. Decreased monsoon precipitation in the Northern Hemisphere due to anthropogenic aerosols[J]. Geophysical Research Letters, 2014, 41(16): 6 023-6 029, doi: 10.10021/2014GL060811. [本文引用:1]
[20] Liu F, Chai J, Wang B, et al. Global monsoon precipitation responses to large volcanic eruptions[J]. Scientific Reports, 2016, 6: 1-11, doi: 10.1038/Srep24331. [本文引用:1]
[21] Meehl G, 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:1]
[22] Wu B, Chen X, Song F, et al. Initialized decadal prediction 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:1]
[23] Weisheimer A, Doblas-Reyes F, Palmer T, et al. ENSEMBLES: A new multi-model ensemble for seasonal-to-annual predictions: Skill and progress beyond DEMETER in forecasting tropical Pacific SSTs[J]. Geophysical Research Letters, 2009, 36(21): 1-6. [本文引用:1]
[24] Horris I, Jones P, Osborn T, et al. Updated high-resolution grids of monthly climatic observantions-the Cru TS3. 10 Dataset[J]. International Journal of Climatology, 2014, 34(3): 623-642, doi: 10.1002/joc.3711. [本文引用:1]
[25] Smith T, Reynolds R, Peterson T, et al. Improvements NOAAs historical merged land -ocean temp analysis (1880-2006)[J]. Journal of Climate, 2008, 21(10): 2 283-2 296. [本文引用:1]
[26] Doblasreyes F, Andreuburillo I, Chikamoto Y, et al. Initialized near-term regional climate change prediction[J]. Nature Communications, 2013, 4: 1-9, doi: 10.1038/ncomms2704. [本文引用:1]
[27] Trenberth K, Shea D. Atlantic hurricanes and natural variability in 2005[J]. Geophysical Research Letters, 2006, 33(12): 1-4. [本文引用:1]