劉景鵬 陳麗娟 李維京 張培群 左金清

1)(中國氣象科學(xué)研究院，北京 100081) 2)(中國科學(xué)院大學(xué)，北京 100049)3)(國家氣候中心 中國氣象局氣候研究開放實(shí)驗(yàn)室，北京 100081)

?

月尺度氣溫可預(yù)報(bào)性對資料長度的依賴及可信度

劉景鵬1)2)3)陳麗娟3)*李維京3)張培群3)左金清3)

1)(中國氣象科學(xué)研究院，北京 100081)2)(中國科學(xué)院大學(xué)，北京 100049)3)(國家氣候中心 中國氣象局氣候研究開放實(shí)驗(yàn)室，北京 100081)

利用全國518個(gè)站1960—2011年逐日氣溫觀測資料和160個(gè)站1983—2012年月尺度氣溫客觀預(yù)測數(shù)據(jù)，基于非線性局部Lyapunov指數(shù)和非線性誤差增長理論，研究中國區(qū)域月尺度氣溫可預(yù)報(bào)性期限對資料序列長度的依賴性。結(jié)果表明：氣溫可預(yù)報(bào)性期限對資料序列的長度有一定程度的依賴性，在西北、東北及華中地區(qū)尤為明顯。平均而言，45年的資料序列長度才能夠得到穩(wěn)定合理的可預(yù)報(bào)性期限。為了驗(yàn)證氣溫可預(yù)報(bào)期限計(jì)算結(jié)果的可信度，將月尺度氣溫的可預(yù)報(bào)性期限與客觀氣候預(yù)測方法的預(yù)報(bào)評(píng)分技巧進(jìn)行對比，發(fā)現(xiàn)兩者結(jié)果非常一致。其中，由觀測資料得到的1月氣溫的可預(yù)報(bào)性期限明顯低于7月，1月客觀氣候預(yù)測方法的預(yù)報(bào)評(píng)分技巧也明顯低于7月，且1月(7月)預(yù)報(bào)評(píng)分的空間分布型與1月(7月)氣溫可預(yù)報(bào)性期限的空間分布型較為一致。因此，利用非線性局部Lyapunov指數(shù)和臺(tái)站逐日觀測資料分析氣溫的可預(yù)報(bào)性期限結(jié)果是可信的。

月尺度氣溫； 非線性局部Lyapunov指數(shù)； 可預(yù)報(bào)性期限； 預(yù)報(bào)準(zhǔn)確率

引 言

在全球變暖背景下，近年我國氣溫極端事件頻發(fā)[1-3]，如2008年1月我國南方的持續(xù)性低溫凍雨事件[4]和2013年夏季我國南方的持續(xù)性高溫?zé)崂耸录5-6]。氣溫極端事件頻發(fā)給社會(huì)經(jīng)濟(jì)和人民生活造成了極大影響，也給我國短期氣候預(yù)測業(yè)務(wù)帶來了巨大挑戰(zhàn)[7],不僅對極端氣溫的預(yù)測能力有限，即使是月尺度平均氣溫的預(yù)測在空間上也有很大差異[8-9]。由于月尺度氣溫演變受到初始條件和邊界條件的共同作用[10]，其變化規(guī)律更復(fù)雜。因此，如何正確認(rèn)識(shí)月尺度氣溫的預(yù)測能力及其可預(yù)報(bào)性期限既是業(yè)務(wù)需求問題，又是科學(xué)問題。認(rèn)識(shí)氣溫的可預(yù)報(bào)性期限及其對預(yù)報(bào)技巧的指示意義，可以更好地為用戶決策提供確定性和不確定性信息，從而在氣候預(yù)測業(yè)務(wù)中發(fā)揮重要的參考作用。

自Lorenz[11]提出不穩(wěn)定系統(tǒng)的可預(yù)報(bào)性有一定限度以來，普遍認(rèn)為天氣尺度可預(yù)報(bào)性的上限大約為兩周[12]。然而，慢變的大氣外部強(qiáng)迫因子作用，可使大氣擾動(dòng)趨于特定狀態(tài)，從而在更長時(shí)間尺度上具有潛在的可預(yù)報(bào)性[13-15]。李建平等[16]采用NCEP再分析資料，給出全球區(qū)域500 hPa氣溫的月尺度可預(yù)報(bào)性期限為2～9個(gè)月。此外，500 hPa 氣溫及850 hPa氣溫的可預(yù)報(bào)性均具有明顯的季節(jié)差異。850 hPa氣溫可預(yù)報(bào)性在夏季較高，冬季較低[17]。中國地域遼闊，且地形復(fù)雜，月平均氣溫變率較大[18]，中國區(qū)域的月尺度氣溫可預(yù)報(bào)性期限的空間分布及季節(jié)變化特征相對復(fù)雜，值得深入研究。

陳寶花等[19]、Li等[20]提出非線性局部Lyapunov指數(shù)分析可預(yù)報(bào)性期限。該方法的優(yōu)點(diǎn)在于可以定量估計(jì)實(shí)際觀測資料的可預(yù)報(bào)性期限。李維京等[21]依據(jù)地面518個(gè)站的逐日觀測資料，采用非線性局部Lyapunov指數(shù)定量分析了中國區(qū)域月尺度氣溫可預(yù)報(bào)性期限，給出了中國區(qū)域月尺度氣溫可預(yù)報(bào)性期限的空間分布特征。對非線性局部Lyapunov指數(shù)的計(jì)算，要求資料序列足夠長[20,22]。因此，資料序列長度對可預(yù)報(bào)性期限計(jì)算結(jié)果的影響及計(jì)算的可預(yù)報(bào)性期限結(jié)果的可信度均需加以分析說明。對于氣溫可預(yù)報(bào)性期限較高的區(qū)域或月份，采用動(dòng)力模式對氣溫作出的預(yù)測結(jié)果應(yīng)具有較高的預(yù)報(bào)技巧；反之，可預(yù)報(bào)性低的區(qū)域或月份對應(yīng)的動(dòng)力模式氣溫預(yù)報(bào)技巧也較低。那么動(dòng)力模式的預(yù)測結(jié)果及其他客觀預(yù)測方法的預(yù)測結(jié)果中能否反映可預(yù)報(bào)性期限的空間分布特征，需要進(jìn)一步加以驗(yàn)證。

本文在前期定量估計(jì)月尺度氣溫可預(yù)報(bào)性期限的空間分布的基礎(chǔ)上[21]，進(jìn)一步分析了中國區(qū)域氣溫月尺度可預(yù)報(bào)性期限的計(jì)算對資料序列長度的依賴性，同時(shí)為了檢驗(yàn)在該計(jì)算方法和資料條件下，所獲得的月尺度氣溫可預(yù)報(bào)性期限空間分布的可信度，采用國家氣候中心的氣溫月動(dòng)力延伸預(yù)報(bào)及氣溫持續(xù)性預(yù)報(bào)結(jié)果，從客觀方法反映預(yù)測能力的角度，驗(yàn)證可預(yù)報(bào)性期限空間分布計(jì)算的合理性，從另一個(gè)角度證明月尺度氣溫可預(yù)報(bào)性對資料的依賴分析是合理的。

1 資料和方法

本文所用資料包括：①國家氣象信息中心提供的全國518個(gè)站1960—2011年日平均地面氣溫資料。為研究月尺度氣溫的可預(yù)報(bào)性問題，對逐日氣溫進(jìn)行預(yù)處理。首先，去除站點(diǎn)氣溫觀測資料的線性趨勢項(xiàng)和季節(jié)循環(huán)(采用1960—2011年資料計(jì)算得到逐日氣溫的平均值)；其次，對逐日觀測資料序列進(jìn)行31 d的滑動(dòng)平均處理，通過濾去序列的高頻部分，獲得月尺度的資料序列。②國家氣候中心提供的全國160個(gè)站1983—2012年的月平均溫度資料，取1983—2012年月平均氣溫作為氣候場。 ③國家氣候中心第1代氣候模式系統(tǒng)提供的月動(dòng)力延伸預(yù)報(bào)的回算和實(shí)時(shí)月平均氣溫資料[23]，取1983—2012年模式輸出月平均氣溫作為氣候場，該組數(shù)據(jù)作為有技巧客觀預(yù)報(bào)方法的代表。 ④以1983—2012年某月的氣溫觀測距平值作為次月氣溫距平的預(yù)測值，即月尺度氣溫的持續(xù)性預(yù)報(bào)，作為無技巧預(yù)報(bào)方法的代表。

2 月尺度氣溫可預(yù)報(bào)性期限對序列長度的依賴性

前期工作已采用非線性局部Lyapunov指數(shù)和非線性誤差增長理論，計(jì)算得到了中國區(qū)域月尺度氣溫可預(yù)報(bào)性期限(M)的空間分布特征[21]。但是Lyapunov指數(shù)計(jì)算要求足夠長的觀測序列[20,22]，否則由觀測樣本估計(jì)的Lyapunov指數(shù)將與其理論值有較大偏差。因此，需要進(jìn)一步分析氣溫資料序列長度對非線性局部Lyapunov指數(shù)計(jì)算的影響。由于觀測序列的長度有限，一個(gè)可行的辦法是觀察隨著序列長度的縮短，可預(yù)報(bào)性期限是否發(fā)生變化[20]。該方法可以分析月尺度氣溫可預(yù)報(bào)性期限對序列長度的依賴性。

對站點(diǎn)序列取1960—2011年52年的逐日觀測數(shù)據(jù)，從1960年開始，逐年減少序列長度(l=1，2，…，52)，將縮短后序列求得的M記為M(l)，l=1，2，…，52。分析l縮短為何值時(shí)，全年平均的M將出現(xiàn)明顯下降。此時(shí)的l為計(jì)算該站點(diǎn)全年平均的非線性局部Lyapunov指數(shù)所需最短序列長度。M(l)初始值定義為

(1)

l取值由49依次遞減，當(dāng)

(2)

1960年以來，氣溫有連續(xù)逐日觀測記錄的共535個(gè)站，將該方法應(yīng)用于535個(gè)站。由于式(1)使用3年的資料長度，因此，lmin的上界不能超過49年，為保證52年的資料長度符合要求，留出5年的穩(wěn)定期，規(guī)定lmin的上界為47年，即選取lmin<47年的站點(diǎn)，得到518個(gè)站。由此條件可知，民勤站在篩選過程中將被保留。

圖1 甘肅省民勤站月尺度氣溫可預(yù)報(bào)性期限隨資料序列長度的變化Fig.1 Monthly temperature predictability limit under different lengths of data at Minqin Station of Gansu Province

由518個(gè)站lmin的空間分布(圖2a)可知，西北地區(qū)西部、內(nèi)蒙古中東部、長江中游、東北地區(qū)東部的站點(diǎn)在月尺度氣溫可預(yù)報(bào)性期限的計(jì)算過程中對序列長度的依賴性較大，lmin均超過30年，內(nèi)蒙古東部及東北地區(qū)東部的lmin超過40年，即在這些地區(qū)至少需要長達(dá)40年的資料序列才能得到穩(wěn)定合理的月尺度可預(yù)報(bào)性期限。而內(nèi)蒙古西部、江南和華南地區(qū)在月尺度氣溫可預(yù)報(bào)性期限的計(jì)算過程中對序列長度的依賴性相對較小，在上述地區(qū)只需要大約30年的資料序列，即可得到穩(wěn)定合理的月尺度可預(yù)報(bào)性期限。平均而言，45年的資料序列才能夠得到比較穩(wěn)定、合理的月尺度可預(yù)報(bào)性期限。

由圖2a可知，不同區(qū)域?qū)Y料長度的依賴性不同。為分析其原因，計(jì)算了518個(gè)站季節(jié)內(nèi)尺度氣溫資料序列的標(biāo)準(zhǔn)差(圖 2b)。季節(jié)內(nèi)尺度氣溫由Lanczos濾波器[24-25]對原始?xì)鉁匦蛄羞M(jìn)行30～90 d的濾波獲得。由圖2b可知，季節(jié)內(nèi)尺度氣溫的變率在黃河以北地區(qū)較大，在長江以南地區(qū)較?。欢鴏min也是在黃河以北地區(qū)較高，在長江以南地區(qū)較低(圖2a),表明若某站點(diǎn)資料季節(jié)內(nèi)變率較大，lmin也較高。當(dāng)季節(jié)內(nèi)變率較大時(shí)，若觀測資料縮短到一定程度，很難尋找較好的動(dòng)力相似，月尺度氣溫可預(yù)報(bào)性期限會(huì)迅速下降。因此，不同站點(diǎn)季節(jié)內(nèi)變率的差異性導(dǎo)致了每個(gè)站點(diǎn)的lmin有所不同。

圖2 穩(wěn)定的月尺度氣溫可預(yù)報(bào)性期限計(jì)算結(jié)果所需最短序列長度(a)及季節(jié)內(nèi)尺度氣溫的標(biāo)準(zhǔn)差分布(b)Fig.2 The shortest length of data needed to get the robust estimation of monthly temperature predictability limit(a) and the standard deviation of intraseasonal temperature data series(b)

3 月尺度氣溫可預(yù)報(bào)性期限與客觀月氣溫預(yù)報(bào)準(zhǔn)確率的對比

前期工作表明，1月和7月的月尺度氣溫可預(yù)報(bào)性期限具有較大差異[21]。 1月和7月可預(yù)報(bào)性期限差值圖(圖3)表明：長江流域和黃淮流域1月和7月可預(yù)報(bào)性期限較為接近，而在中國其他區(qū)域，7月月尺度氣溫可預(yù)報(bào)性明顯高于1月,在華南地區(qū)差值可達(dá)1個(gè)月。

圖3 1月與7月地面氣溫月尺度可預(yù)報(bào)期限差值(單位：d)Fig.3 The difference between the monthly temperature predictability limit in January and July(unit:d)

月平均的月尺度氣溫可預(yù)報(bào)性期限反映該月進(jìn)行月尺度氣溫預(yù)測的有效時(shí)間期限，有效時(shí)間期限越長，在該月進(jìn)行月尺度氣溫預(yù)測的準(zhǔn)確率越高。而圖3表明，全國大部分地區(qū)7月的氣溫可預(yù)報(bào)性期限比1月高，這意味著在7月可以做出更為準(zhǔn)確的月氣溫預(yù)測。故分別采用1983—2012年的月動(dòng)力延伸氣溫預(yù)報(bào)結(jié)果和持續(xù)性預(yù)報(bào)結(jié)果進(jìn)行驗(yàn)證。對月動(dòng)力延伸預(yù)報(bào)和持續(xù)性預(yù)報(bào)的評(píng)估采用國家氣候中心氣候預(yù)測業(yè)務(wù)常用的預(yù)報(bào)評(píng)分(圖4)和距平相關(guān)系數(shù)(圖5)兩種方法[26]。

分析表明，月動(dòng)力延伸預(yù)報(bào)對7月平均氣溫的預(yù)報(bào)評(píng)分明顯高于1月[21]。除西北地區(qū)外，全國大部分地區(qū)持續(xù)性預(yù)報(bào)對7月平均氣溫的預(yù)報(bào)評(píng)分(圖4b)也明顯高于1月(圖4a)。月動(dòng)力延伸預(yù)報(bào)和持續(xù)性預(yù)報(bào)對7月平均氣溫預(yù)報(bào)技巧均比1月高，這與7月可預(yù)報(bào)性期限明顯高于1月相一致。

比較全國其他地區(qū)，無論冬夏，青藏高原東部和云南大部地區(qū)預(yù)報(bào)評(píng)分均比較高，達(dá)80分以上，而在上述地區(qū)，氣溫可預(yù)報(bào)性期限在1月和7月也為高值區(qū)[21]。1月月動(dòng)力延伸預(yù)報(bào)[21]和持續(xù)性預(yù)報(bào)(圖4a)在長江中游及華南地區(qū)的預(yù)報(bào)技巧較低。在上述地區(qū)可預(yù)報(bào)性期限也為低值區(qū)[21]。7月月動(dòng)力延伸預(yù)報(bào)[21]和持續(xù)性預(yù)報(bào)(圖4b)在新疆西部﹑黃淮和江淮流域的氣溫預(yù)報(bào)評(píng)分均較低，該月氣溫可預(yù)報(bào)性期限在上述地區(qū)也為低值中心[21]。上述結(jié)果表明：月尺度氣溫可預(yù)報(bào)性期限較高的區(qū)域，預(yù)報(bào)技巧較好，反之，則預(yù)報(bào)技巧較差，即有技巧的客觀預(yù)報(bào)方法的預(yù)測技巧與可預(yù)報(bào)性期限密切相關(guān)。從另外一個(gè)角度也證明了可預(yù)報(bào)性期限的計(jì)算是合理的。

持續(xù)性預(yù)報(bào)的距平相關(guān)系數(shù)的評(píng)估結(jié)果(圖5c、圖5d)與采用預(yù)報(bào)評(píng)分得出的評(píng)估結(jié)果(圖4a、圖4b)的空間型十分吻合，表明對持續(xù)性預(yù)報(bào)的評(píng)估不受評(píng)估方法的影響。月動(dòng)力延伸預(yù)報(bào)和持續(xù)性預(yù)報(bào)在7月的距平相關(guān)系數(shù)(圖5b、圖5d)明顯高于1月(圖5a、圖5c)。兩種預(yù)報(bào)方法的距平相關(guān)系數(shù)達(dá)到0.1顯著性水平的區(qū)域在7月也明顯大于1月，即無技巧的客觀預(yù)報(bào)方法的預(yù)測效果分布特征與可預(yù)報(bào)性期限也密切相關(guān)。

圖4 中國區(qū)域1983—2012年1月(a)和7月(b)平均氣溫持續(xù)性預(yù)報(bào)的預(yù)報(bào)評(píng)分Fig.4 The prediction score of persistent temperature prediction in January(a) and July(b) from 1983 to 2012 in China

圖5 中國區(qū)域1983—2012年觀測氣溫與客觀預(yù)報(bào)結(jié)果的時(shí)間相關(guān)系數(shù)(粗線表示達(dá)到 0.1顯著性水平)(a)與1月的月動(dòng)力延伸預(yù)報(bào)，(b)與7月的月動(dòng)力延伸預(yù)報(bào)，(c)與1月的持續(xù)性預(yù)報(bào), (d)與7月的持續(xù)性預(yù)報(bào)Fig.5 The temporal correlation coefficient between monthly observed temperature and monthly predicted temperature given by objective prediction methods in China from 1983 to 2012(thick contour denotes passing the test of 0.1 level) (a)with monthly dynamic extended range forecast in January,(b)with monthly dynamic extended range forecast in July, (c)with persistent prediction in January,(d)with persistent prediction in July

表1給出采用預(yù)報(bào)評(píng)分和距平相關(guān)系數(shù)方法對月動(dòng)力延伸預(yù)報(bào)和持續(xù)性預(yù)報(bào)的評(píng)估結(jié)果中(時(shí)間段為1983—2012年)1月占優(yōu)的站數(shù)和7月占優(yōu)的站數(shù)。月動(dòng)力延伸預(yù)報(bào)結(jié)果[21]和持續(xù)性預(yù)報(bào)(圖4)的預(yù)報(bào)評(píng)分在1月較高的分別為14個(gè)站和48個(gè)站，站點(diǎn)比率分別為9%和30%；而在7月較高的分別有146個(gè)站和112個(gè)站，站點(diǎn)比率分別為91%和70%。上述統(tǒng)計(jì)結(jié)果表明：全國大部分地區(qū)在1983—2012年，對7月氣溫的預(yù)報(bào)評(píng)分明顯高于1月。采用距平相關(guān)系數(shù)評(píng)估各預(yù)報(bào)結(jié)果，7月距平相關(guān)系數(shù)相對較高的站點(diǎn)數(shù)也明顯多于1月。

表1 月動(dòng)力延伸預(yù)報(bào)和持續(xù)性預(yù)報(bào)對月平均溫度的預(yù)測在1983—2012年的評(píng)估中1月和7月占優(yōu)的站數(shù)比率(單位：%)Table 1 The percentage of stations in which the monthly temperature prediction skill of monthly dynamic extended range forecast or persistent prediction is higher in January and July from 1983 to 2012(unit:%)

圖6給出月動(dòng)力延伸預(yù)報(bào)(圖6a、圖6c)和持續(xù)性預(yù)報(bào)(圖6b、圖6d)對中國區(qū)域1月和7月平均氣溫預(yù)測的預(yù)報(bào)評(píng)分(圖6a、圖6b)和距平相關(guān)系數(shù)(圖6c、圖6d)的時(shí)間變化。圖6a和圖6b均表明， 無論是月動(dòng)力延伸預(yù)報(bào)還是持續(xù)性預(yù)報(bào)，7月的預(yù)報(bào)評(píng)分均高于1月。圖6c和圖6d也表明，對月動(dòng)力延伸預(yù)報(bào)(圖6c)和持續(xù)性預(yù)報(bào)(圖6d)，7月的距平相關(guān)系數(shù)均高于1月。圖6中月動(dòng)力延伸預(yù)報(bào)和持續(xù)性預(yù)報(bào)的預(yù)報(bào)評(píng)分和距平相關(guān)系數(shù)在1983—2012年的滑動(dòng)平均也表明，預(yù)報(bào)評(píng)分和距平相關(guān)系數(shù)的多年平均值均為7月高于1月。圖6從時(shí)間上表明，1983—2012年7月的預(yù)報(bào)技巧好于1月，即月尺度氣溫可預(yù)報(bào)性期限較高的月份，預(yù)報(bào)技巧較好，反之，則預(yù)報(bào)技巧較差。

圖6 1983—2012年客觀預(yù)報(bào)對中國區(qū)域1月和7月平均氣溫的預(yù)報(bào)技巧(a)月動(dòng)力延伸預(yù)報(bào)的預(yù)報(bào)評(píng)分，(b)持續(xù)性預(yù)報(bào)的預(yù)報(bào)評(píng)分，(c)月動(dòng)力延伸預(yù)報(bào)的距平相關(guān)系數(shù)，(d)持續(xù)性預(yù)報(bào)的距平相關(guān)系數(shù)(曲線為5年平滑結(jié)果)Fig.6 The monthly temperature prediction skill of objective prediction methods in January and July from 1983 to 2012 in China(a)prediction score of monthly dynamic extended range forecast,(b)prediction score of persistent prediction,(c)anomaly correlation coefficient of monthly dynamic extended range forecast,(d)anomaly correlation coefficient of persistent prediction (solid line denotes five-year running mean series)

續(xù)圖6

表2對月動(dòng)力延伸預(yù)報(bào)和持續(xù)性預(yù)報(bào)對月平均氣溫的預(yù)測在1983—2012年的評(píng)估中1月占優(yōu)的年數(shù)和7月占優(yōu)的年數(shù)進(jìn)行統(tǒng)計(jì)。由表2可知，月動(dòng)力延伸預(yù)報(bào)結(jié)果和持續(xù)性預(yù)報(bào)結(jié)果的預(yù)報(bào)評(píng)分在1月占優(yōu)的年數(shù)分別為9年和11年，年數(shù)比率為30%和37%；而在7月占優(yōu)的年數(shù)分別為21年和19年，年數(shù)比率為70%和63%。上述結(jié)果也表明，全國大部分地區(qū)在1983—2012年，對7月氣溫的預(yù)報(bào)評(píng)分明顯高于1月。采用距平相關(guān)系數(shù)評(píng)估兩種預(yù)報(bào)結(jié)果，7月距平相關(guān)系數(shù)占優(yōu)的年份也明顯多于1月(表2)。

表2 月動(dòng)力延伸預(yù)報(bào)和持續(xù)性預(yù)報(bào)對月平均氣溫預(yù)測1983—2012年評(píng)估中1月和7月占優(yōu)的年數(shù)比率(單位：%)Table 2 The percentage of years in which the monthly temperature prediction skill of monthly dynamic extended range forecast or persistent prediction is higher in January and July from 1983 to 2012(unit:%)

綜上所述，無論是月動(dòng)力延伸集合預(yù)報(bào)還是月持續(xù)性預(yù)報(bào)，空間分布和時(shí)間變化方面均表明:7月的預(yù)報(bào)技巧高于1月，與月尺度氣溫可預(yù)報(bào)性期限在7月明顯高于1月有較好的對應(yīng)關(guān)系。同時(shí)，在可預(yù)報(bào)性較高的地區(qū)，預(yù)報(bào)技巧較高，在可預(yù)報(bào)性較低的區(qū)域，預(yù)報(bào)技巧較低。因此，基于有限的資料序列計(jì)算獲得的可預(yù)報(bào)性期限的季節(jié)差異和空間分布的差異性，可由月動(dòng)力延伸預(yù)報(bào)和持續(xù)性預(yù)報(bào)的評(píng)估結(jié)果加以驗(yàn)證。從另一個(gè)角度證明,定量估計(jì)的中國區(qū)域月尺度氣溫可預(yù)報(bào)性期限是科學(xué)可信的，也便于在氣候預(yù)測業(yè)務(wù)中應(yīng)用。

4 結(jié)論和討論

在前期分析中國區(qū)域月尺度氣溫可預(yù)報(bào)性期限空間分布特征的基礎(chǔ)上，探討了可預(yù)報(bào)性期限的計(jì)算對資料序列長度的依賴性及可預(yù)報(bào)性期限計(jì)算結(jié)果的可信度。得到以下主要結(jié)果：

1) 采用站點(diǎn)資料計(jì)算月尺度氣溫可預(yù)報(bào)性期限時(shí)，我國西北地區(qū)西部、內(nèi)蒙古中東部、長江中游地區(qū)、東北地區(qū)東部的站點(diǎn)在可預(yù)報(bào)性的計(jì)算過程中對序列長度的依賴性較大，至少需要長達(dá)40年的資料序列才能得到較為穩(wěn)定合理的月尺度可預(yù)報(bào)性期限。而內(nèi)蒙古西部、江南和華南地區(qū)在月尺度氣溫可預(yù)報(bào)性的計(jì)算過程中對序列長度的依賴性相對較小。

2) 通過月動(dòng)力延伸預(yù)報(bào)和持續(xù)性預(yù)報(bào)對1月和7月氣溫的預(yù)報(bào)技巧分析發(fā)現(xiàn)，在可預(yù)報(bào)性較高的月份預(yù)報(bào)技巧較高，可預(yù)報(bào)性較低的月份預(yù)報(bào)技巧較低，且預(yù)報(bào)評(píng)分和距平相關(guān)系數(shù)的空間分布型與可預(yù)報(bào)性的空間分布型十分一致，即可預(yù)報(bào)性的高低與預(yù)報(bào)技巧的高低有較好的對應(yīng)關(guān)系。從客觀方法預(yù)測能力分析角度證明了根據(jù)有限的資料和局部動(dòng)力類比計(jì)算的可預(yù)報(bào)性的空間分布特征是科學(xué)可信的。

可預(yù)報(bào)期限對資料長度的依賴性存在空間差異，一方面與氣溫的季節(jié)內(nèi)變率空間分布密切相關(guān)，季節(jié)內(nèi)變率較大的區(qū)域，若資料縮短到一定程度，很難尋找較好的動(dòng)力相似，可預(yù)報(bào)性迅速下降；另一方面可能與站點(diǎn)地形有關(guān)，山地環(huán)境下的可預(yù)報(bào)期限小于平坦區(qū)域，有關(guān)原因還需深入研究。

[1] Zhai P,Pan X.Trends in temperature extremes during 1951-1999 in China.GeophysResLett,2003,30(17):1913.

[2] Gao X J,Zhao Z C,Filippo G.Changes of extreme events in regional climate simulations over East Asia.AdvAtmosSci,2002,19(5):927-942.

[3] 楊萍,劉偉東,王啟光,等.近40年我國極端溫度變化趨勢和季節(jié)特征.應(yīng)用氣象學(xué)報(bào)，2010,21(1):29-36.

[4] 丁一匯,王遵婭,宋亞芳,等.中國南方2008年1月罕見低溫雨雪冰凍災(zāi)害發(fā)生的原因及其與氣候變暖的關(guān)系.氣象學(xué)報(bào),2008,66(5):808-825.

[5] 林玉成,徐珺,張芳華.2013年7月大氣環(huán)流和天氣分析.氣象,2013,39(10):1379-1384.

[6] 楊舒楠,何立富.2013年8月大氣環(huán)流和天氣分析.氣象,2013,39(11):1521-1528.

[7] 賈小龍,陳麗娟,高輝,等.我國短期氣候預(yù)測技術(shù)進(jìn)展.應(yīng)用氣象學(xué)報(bào),2013,24(6):641-655.

[8] 王會(huì)軍,陳麗娟,李維京,等.中國區(qū)域月平均溫度和降水的模式可預(yù)報(bào)性分析.氣象學(xué)報(bào)，2007,65(5):725-732.

[9] 陳麗娟,李維京,劉綠柳,等.中國區(qū)域月氣候預(yù)測方法和預(yù)測能力評(píng)估.高原氣象,2008,27(4):838-843.

[10] Reichler T, Roads J.The role of boundary and initial conditions for dynamical seasonal predictability.NonlinearProcGeoph,2003,10(3):211-232.

[11] Lorenz E N.Deterministic nonperiodic flow.JAtmosSci, 1963,20(2):130-141.

[12] Lorenz E N.Atmospheric predictability as revealed by naturally occurring analogues.JAtmosSci,1969,26(4):636-646.

[13] Reichler T,Roads J O.Time-space distribution of long-range atmospheric predictability.JAtmosSci,2004,61(3):249-263.

[14] Shukla J.Predictability in the midst of chaos:A scientific basis for climate forecasting.Science,1998,282(5389):728-731.

[15] 范曉青,李維京.模式大氣月尺度可預(yù)報(bào)性的對比研究.應(yīng)用氣象學(xué)報(bào),2003,14(1):49-60.

[16] 李建平,丁瑞強(qiáng).短期氣候可預(yù)報(bào)期限的時(shí)空分布.大氣科學(xué),2008,32(4):975-986.

[17] Yang X Q,Anderson J L,Stern W F.Reproducible forced modes in AGCM ensemble integrations and potential predictability of atmospheric seasonal variations in the extratropics.JClimate,1998,11(11):2942-2959.

[18] 樂群,曹俊武.中國月平均溫度的氣候噪聲和潛在可預(yù)報(bào)性.氣象學(xué)報(bào),1999,57(5):605-612.

[19] 陳寶花,李建平,丁瑞強(qiáng),等.非線性局部Lyapunov指數(shù)與大氣可預(yù)報(bào)性研究.中國科學(xué)D輯：地球科學(xué),2006,36(11):1068-1076.

[20] Li J,Ding R.Temporal-spatial distribution of atmospheric predictability limit by local dynamical analogs.MonWeaRev,2011,139(10):3265-3283.

[21] 李維京,劉景鵬,陳麗娟,等.中國月平均氣溫可預(yù)報(bào)性的時(shí)空特征及其年代際變化.科學(xué)通報(bào),2014,59(25):2520-2527.

[22] 楊培才,陳烈庭.埃爾尼諾/南方濤動(dòng)的可預(yù)報(bào)性.大氣科學(xué),1990,14(1):64-71.

[23] 李維京,張培群,李清泉,等.動(dòng)力氣候模式預(yù)測系統(tǒng)業(yè)務(wù)化及其應(yīng)用.應(yīng)用氣象學(xué)報(bào),2005,16(3):1-11.

[24] 姚菊香,王盤興,李麗平.季節(jié)內(nèi)振蕩研究中兩種數(shù)字濾波器的性能對比.南京氣象學(xué)院學(xué)報(bào),2005,28(2):248-253.

[25] 紀(jì)忠萍,谷德軍,吳乃庚,等.廣東省前汛期暴雨與500 hPa關(guān)鍵區(qū)準(zhǔn)雙周振蕩.應(yīng)用氣象學(xué)報(bào),2010,21(6):671-684.

[26] 陳桂英,趙振國.短期氣候預(yù)測評(píng)估方法和業(yè)務(wù)初估.應(yīng)用氣象學(xué)報(bào),1998,9(2):178-185.

Credibility of Monthly Temperature Predictability Limit and Its Dependence on Length of Data

Liu Jingpeng1)2)3)Chen Lijuan3)Li Weijing3)Zhang Peiqun3)Zuo Jinqing3)

1)(ChineseAcademyofMeteorologicalSciences,Beijing100081)2)(UniversityofChineseAcademyofSciences,Beijing100049)3)(LaboratoryofClimateStudies,NationalClimateCenter,CMA,Beijing100081)

Under the background of global warming, extreme temperature events in China are frequent in recent years, which cause serious influence on economic development and daily life of people. For the evolution of monthly temperature is influenced by initial forcing and boundary forcing, its variation is complex, and brings great challenge to climate prediction. A quantitative investigation is carried out on the monthly temperature predictability limit based on the nonlinear local Lyapunov exponent and daily temperature from 1960 to 2011 at 518 stations in China. But to get robust nonlinear local Lyapunov exponent, there should be enough observations. How much can the length of data series affect the robustness of monthly temperature predictability limit? And what about the credibility of monthly temperature predictability limit? These two questions need to be further analyzed.

Based on the nonlinear local Lyapunov exponent and nonlinear error growth dynamics, quantitative analysis is carried out, and it shows that the robustness of monthly temperature predictability limit depends on the length of data series, especially in Northwest China, Northeast China and Central China. In western Inner Mongolia, south of the Yangtze River and South China, data series need to be more than 30 years long. On average, 45-year data series can ensure the stable monthly temperature predictability limit. The length of data series of 518 meteorological stations chosen in this study is 52 years, i.e., they all fit the basic need to evaluate monthly temperature predictability limit. To verify the credibility of monthly temperature predictability limit, the spatial pattern of monthly temperature predictability limit and two objective monthly temperature prediction results are compared. One method is persistent prediction, and the other is monthly dynamic extended range forecast based on climate models. It shows that the spatial distribution of monthly temperature predictability limit and prediction skill is very consistent. The monthly temperature predictability limit evaluated by observation in January is lower than that in July. Similarly, the prediction skill in January is also lower than that in July. What’s more, the spatial pattern of objective climate prediction skill in January (July) is similar to the spatial pattern of monthly temperature predictability limit in the respective month. Thus, the monthly temperature predictability limit estimated by nonlinear local Lyapunov exponent and daily temperature from 1960 to 2011 at 518 stations is scientific and credible. And it provides important reference for improvement of monthly temperature prediction.

monthly temperature; nonlinear local Lyapunov exponent; predictability limit; prediction skill

10.11898/1001-7313.20150203

國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(2013CB430203)，國家自然科學(xué)基金項(xiàng)目(41275073，41205039)

劉景鵬，陳麗娟，李維京,等. 月尺度氣溫可預(yù)報(bào)性對資料長度的依賴及可信度. 應(yīng)用氣象學(xué)報(bào)，2015，26(2)：151-159.

2014-12-08收到， 2014-12-29收到再改稿。

* 通信作者，email: chenlj@cma.gov.cn