范可 田寶強 戴海霞

1 中山大學大氣科學學院/南方海洋科學與工程廣東省實驗室(珠海), 珠海 519082

2 中國科學院大氣物理研究所竺可楨—南森國際研究中心, 北京 100029

3 南京信息工程大學氣象災害預報預警與評估協(xié)同創(chuàng)新中心, 南京 210044

4 國防科技大學氣象海洋學院, 長沙 410073

1 引言

隨著極端天氣氣候事件造成的氣象災害日益嚴重，對其科學預測是國際氣候預測研究面臨的挑戰(zhàn)。近些年，我國出現大幅度的月際間氣候異常，如冬季不同月份之間極端冷暖事件交替和轉折、夏季不同月份或不同階段極端干旱和洪澇交替和轉折等，造成嚴重氣象災害，同時也影響季節(jié)尺度氣候預測準確率。由于月際氣候異常往往被季節(jié)平均氣候掩蓋，因此亟需考慮月際尺度氣候異常，提升月際—季節(jié)尺度氣候預測。

國內外氣候動力模式對月際—季節(jié)尺度氣候預測效能仍需要提升。中國第二代月動力延伸預測模式系統(tǒng)（DERF2.0）對中國月際氣溫的預測效能總體高于月際降水，但仍有待改進（吳統(tǒng)文等, 2013;何慧根等, 2014）。美國國家環(huán)境預報中心（NCEP）的第二代氣候預測系統(tǒng)（CFSv2）對中國夏季月際尺度降水的預測效能存在顯著月際和區(qū)域差異。如圖1 所示，1983～2022 年CFSv2 預測系統(tǒng)2 月起報的中國6 月降水距平百分率具有顯著預測效能的區(qū)域主要集中在長江以南部分地區(qū)，CFSv2 預測的6 月降水距平百分率與觀測之間的時間相關系數（TCC）僅有6.3%（11/160）的站點通過95%置信水平的顯著性檢驗；對7 月和8 月降水百分率預測TCC 通過95%置信水平的顯著性檢驗的站點占比分別為4.4%（7/160）和2.5%（4/160）。但相對于降水距平百分率的預測，CFSv2 對中國夏季6、7、8 月降水年際增量（當年降水量減去前一年降水量）預測準確率略高，6～8 月逐月TCC 通過95%置信水平的站點占比分別為8.1%（13/160）、7.5%（12/160）和5.0%（8/160）。

圖1 1983～2022 年觀測與CFSv2（2 月起報）預測的（a、d）6 月、（b、e）7 月和（c，f）8 月降水距平百分率（PAP，第一行）、降水距平百分率年際增量（PAP-DYs，第二行）之間的時間相關系數（TCC），黑點表示TCC 通過95%置信水平顯著性檢驗的站點。Fig.1 Time correlation coefficients (TCCs) of precipitation anomaly percentage (PAP, top line) and its interannual increments (DYs, bottom line is PAP-DYs) in (a, d) June, (b, e) July, and (c, f) August between observations and CFSv2 outputs released in February from 1983 to 2022.The black dots represent stations which TCCs reach 95% confidence level.

雖然大多數全球氣候模式AGCMs/OGCMs 對區(qū)域降水預測效能有限，但對一些大尺度環(huán)流和系統(tǒng)具有較好的預測效能。由此，通過統(tǒng)計降尺度方法將氣候模式的大尺度環(huán)流信息與區(qū)域降水建立統(tǒng)計降尺度模型，可有效提高區(qū)域尺度降水氣候預測（von Storch et al., 1993; Feddersen and Andersen,2005; Wang and Fan, 2009）。統(tǒng)計降尺度的方法被有效應用于中國月際—季節(jié)尺度氣候預測（顧偉宗等, 2009; 魏鳳英和黃嘉佑, 2010; Martin et al., 2020），其中，基于大尺度環(huán)流和緩變的下墊面因子（如海溫、海冰等）發(fā)展的中國月際尺度統(tǒng)計降尺度模型在業(yè)務應用中取得較好的預測效果（陳麗娟等,2003; Zhang and Yan, 2015; Su et al., 2019; Liu et al.,2021; Ma and Sun, 2021）。研究結果表明最優(yōu)子集回歸和隨機天氣發(fā)生器兩種統(tǒng)計降尺度方法（劉綠柳等, 2011）、基于歷史相似誤差訂正的相似—動力月際尺度預測方法（李維京等, 2013）能夠提高中國月際尺度降水的預測準確率。

此外，大多數氣候動力模式預測效能主要在熱帶，對中高緯氣候預測效能總體較弱。如何將中高緯過程應用到氣候預測中？一方面需要提高中高緯氣候可預測性，另一方面需要考慮將中高緯與熱帶過程結合應用于氣候預測中。年際增量的氣候預測方法（Fan et al., 2008）將氣候量的年際增量（氣候量當年值減去前一年值）作為預測對象，基于氣候量的年際增量變化規(guī)律進行預測，可以有效放大氣候量和預測因子的信號包括中高緯系統(tǒng)，進而提高氣候預測效能；此外，基于氣候預測量的年際變異機制，選取來自觀測信息的預測因子和來自較高預測效能動力模式的預測結果，建立動力和統(tǒng)計結合預測模型，可以有效提高東亞夏季風和季節(jié)降水預測準確率（Fan et al., 2012; Liu and Fan, 2014; 王會軍等, 2020）。目前，基于年際增量的動力和統(tǒng)計相結合預測方法已經廣泛地應用于中國站點夏季季節(jié)平均降水、冬季月際—季節(jié)尺度氣溫、我國登陸臺風頻數和冬季北大西洋濤動等氣候預測，并在實時業(yè)務預測中取得較好預測效果（劉穎等, 2013;Fan et al., 2016; Tian and Fan, 2019; Dai and Fan,2020, 2021; Liu et al., 2021）。最近，Ma et al.（2022）利用多個氣候動力模式集合平均，研制了中國東北地區(qū)夏季月際尺度降水動力和統(tǒng)計結合實時預測模型，也顯示較好預測效能。

基于此，本文采用年際增量和場信息耦合型預測方法，基于中國夏季（6、7、8 月）逐月降水變化規(guī)律和機制，結合CFSv2 高預測效能和前期具有物理機制的預測因子，首先研制中國夏季月際尺度站點降水（2 月份起報）動力和統(tǒng)計結合實時預測模型；之后，結合月際尺度預測，開展中國夏季季節(jié)尺度降水的預測，期望能進一步改進中國夏季月際—季節(jié)尺度降水的預測準確度。

2 數據與方法

2.1 數據

本文所使用的中國夏季（6、7、8 月）降水觀測資料來源于中國氣象局國家氣候中心公開并能實時更新的160 站月平均降水數據集。月平均海表面溫度數據來源于美國國家海洋大氣局（NOAA）氣候診斷中心提供的海溫擴展重建資料，水平分辨率為2.0°×2.0°（Huang et al., 2017）。海冰密集度（SIC）數據來自NOAA 發(fā)布的最優(yōu)內插海表海冰數據集，其分辨率為1.0°×1.0°（Reynolds et al.,2002）。CFSv2 預測的月平均海表面溫度資料分辨率為1.0°×1.0°的經緯度格點。CFSv2 月平均數據自1982 年更新至今，其中1982～2010 年為回報試驗結果，2011 年之后的數據為實時預測結果（Saha et al., 2014）?？?慮 每 年3 月 初 需 要 提 交6～8 月實時汛期預測結果，本文選取CFSv2 2 月起報的預測結果和2 月及之前的觀測數據。

2.2 方法

本文的研究時段為1983～2022 年夏季。首先分別針對中國夏季月際尺度（6、7、8 月）降水距平百分率，在選取具有明確物理機制預測因子的基礎上，基于年際增量的場信息耦合型降尺度預測方法，構建中國夏季不同月份降水單因子預測模型，并進行誤差訂正，提高單因子模型預測準確率。之后，采用多因子擇優(yōu)集合，進而構建動力和統(tǒng)計結合預測模型并檢驗。具體實施方法介紹如下：

2.2.1 年際增量預測方法

本文所建立模型的預測量為降水距平百分率的年際增量，其定義為當年的距平百分率與前一年值之差。基于降水量的年際增量建立的中國夏季降水預測模型在中國汛期業(yè)務預測顯示較好預測效能（Dai and Fan, 2021），但考慮到通過降水量的年際增量預測值回算降水距平百分率會產生誤差，而降水距平百分率的年際增量與降水量的年際增量具有一致的年際變化（如公式1 所示），因此，本文采用降水距平百分率的年際增量作為預測量建立預測模型。

其中， Δ(yPA)i表示第i年降水距平百分率的年際增量， Δyi表示第i年降水量的年際增量，yˉ表示降水量多年平均值。

2.2.2 場信息耦合型降尺度預測方法

場信息耦合型降尺度預測方法主要分為以下三個步驟：（1）利用經驗正交函數（EOF）分解保留預測因子和預測量前90%解釋方差的模態(tài)進行場重建以達到濾波的目的；（2）利用奇異值分解（SVD）方法提取預測因子和預測量空間場的最優(yōu)耦合變化型；（3）針對提取的最優(yōu)耦合變化型所對應的時間系數，利用線性回歸方法建立降尺度預測模型（Chu et al., 2008; 劉穎等, 2013）。這樣的降尺度預測方法可以獲得大尺度環(huán)流系統(tǒng)與局地氣象要素間穩(wěn)定的統(tǒng)計關系，使建立的降尺度預測模型更穩(wěn)定。目前，場信息耦合型降尺度預測方法已經被應用到我國季節(jié)尺度的氣溫、降水、干旱和春季歐亞植被的預測中，并取得較好的預測效果（Liu and Fan, 2014; Liu and Ren, 2015; Ji and Fan,2019a; Dai and Fan, 2020, 2021; Tian and Fan,2022）。

2.2.3 預測因子關鍵區(qū)選取方法

為獲得預測場和預測因子更多耦合信息，本文基于中國夏季月際尺度降水距平百分率年際增量EOF 分析前90%解釋方差的模態(tài)選取預測因子的關鍵區(qū)，具體方法如下：

（1）計算月降水距平百分率年際增量EOF前90%解釋方差的N個模態(tài)中第i個時間系數（PCi）與預測因子各個格點之間時間相關系數（TCC）；

（2）將TCC 通過90%置信水平顯著性檢驗的格點賦值為第i個EOF 模態(tài)對應的解釋方差，未通過90%置信水平的格點賦值為0，獲得第i個模態(tài)對應的解釋方差空間場；

（3）將預測因子前N個模態(tài)對應的解釋方差場累積求和，選取累積解釋方差的高值區(qū)域作為預測因子的關鍵區(qū)。累積解釋方差高值區(qū)表示預測因子對中國月際尺度降水多個主模態(tài)影響最為顯著的區(qū)域。

2.2.4 模型的誤差訂正

本文采用了SVD 訂正方法來訂正所構建預測模型的偏差。SVD 訂正方法利用觀測場和預測場的協(xié)同關系，針對不同模態(tài)及其對應的時間系數來進行訂正，且直接利用觀測模態(tài)代替預測模態(tài)的訂正 效 果 最 佳（Feddersen et al., 1999; Kharin and Zwiers, 2001）。由于本文構建的降尺度預測模型保留了場重建后的降水場前99%的模態(tài)。因此，本文主要針對降尺度模型預測的降水場前99%的模態(tài)，利用SVD 訂正方法進行訂正。

2.2.5 多因子模型擇優(yōu)集合方案和模型的檢驗

由于不同站點的影響因子存在差異，本文在集合多因子預測結果時，針對逐個站點進行擇優(yōu)。利用各站點單因子預測模型誤差訂正后回報結果的TCC，選取通過顯著性檢驗的模型預測結果的均值作為該站點的回報結果。若無通過顯著性檢驗的單因子模型，則以所有單因子模型的等權重結果作為該站點的最終回報結果。本文采用剔除一年的交叉檢驗方法來檢驗預測模型的回報效能（Michaelsen,1987）。針對不同因子構建的預測模型的預測結果，通過計算空間距平相關系數（ACC）、TCC，并利用Student’ st-檢驗判別相關系數的顯著性來檢驗降水場的回報效果。此外，趨勢異常綜合檢驗（PS）評分也被應用于檢驗本文所構建模型對中國夏季月際尺度降水的實時預測水平。

3 預測因子

本文研制的中國夏季月際尺度降水動力和統(tǒng)計結合預測模型選取前期觀測的12 月南太平洋中高緯關鍵區(qū)海溫、1 月北極關鍵區(qū)海冰和CFSv2 預測系統(tǒng)2 月起報的6、7、8 月關鍵區(qū)海溫作為預測因子。

3.1 12 月南太平洋中高緯關鍵海溫區(qū)

南半球大氣環(huán)流包括南極濤動、澳大利亞高壓、馬斯克林高壓、越赤道氣流等是亞洲季風系統(tǒng)的重要成員，對東亞氣候和氣候預測有重要影響（Gao et al., 2003; Nan and Li, 2003; Fan and Wang, 2004;薛峰, 2005; Wang and Fan, 2005, 2007; 范可, 2006;Fan et al., 2008; 劉舸等, 2008; Sun et al., 2009; 孫丹等, 2013; 等等）。圖2 為夏季不同月份降水距平百分率年際增量EOF 分析前90%解釋方差的模態(tài)對應的時間系數與12 月海溫年際增量之間TCC 的累積解釋方差（通過90%置信水平顯著性檢驗）。結果顯示，12 月南太平洋中高緯關鍵區(qū)海溫分別與中國6、7、8 月的降水均存在顯著關系。其中，影響6 月和7 月中國降水的海溫關鍵區(qū)為（30°S～70°S，120°E～60°W），影響8 月降水的海溫關鍵區(qū)為（20°S～70°S，150°W～60°W；圖2）。當12 月（30°S～70°S，120°E～60°W）海溫年際增量呈南北“偶極子”型分布時，中國6 月降水華南、西南地區(qū)較前一年偏少，北方地區(qū)較前一年偏多（圖3a、b），且偶極型的海溫年際增量分布與6 月南極濤動相關（圖3c）。進一步分析顯示，該區(qū)域海溫年際增量偶極型分布，通過引起熱帶海洋性大陸對流，激發(fā)類東亞—太平洋遙相關，從而影響中國6月降水（圖3d、e）。南太平洋中高緯關鍵區(qū)海溫異?？梢詮?2 月持續(xù)到次年2 月，具有較好季節(jié)持續(xù)性。因此，本研究選取以上12 月觀測海溫場分別作為中國夏季6、7、8 月降水的預測因子之一（P1-SST-Dec）。

圖2 1983～2022 年夏季（a）6 月、（b）7 月和（c）8 月降水距平百分率的年際增量的經驗正交函數（EOF）分析前90%解釋方差的模態(tài)對應的時間系數與12 月海表溫度年際增量之間TCC 的累積解釋方差（通過90%置信水平的顯著性檢驗），藍色框為6、7、8 月降水距平百分率年際增量預測因子1（P1-SST-Dec）定義區(qū)域。Fig.2 The cumulative explained variance derived from the significant correlations larger than the 90% significant level calculated by the DYs of SST (Sea Surface Temperature) in previous December and the leading 90% modes of monthly PAP-DYs over China from the EOF analysis during 1983-2022: (a) June; (b) July; (c) August.The blue boxes indicate the domains of the first predictor (P1-SST-Dec).

圖3 1983～2022 年（a）6 月中國降水距平百分率的年際增量SVD 第一模態(tài)的空間場；（b）前期12 月南太平洋中高緯地區(qū)海溫年際增量空間分布；（c）12 月南極濤動指數（AAOI）年際增量與12 月海溫年際增量之間的TCC；12 月南太平洋中高緯地區(qū)海溫年際增量SVD 第一模態(tài)時間系數回歸的（d）6 月對外長波輻射（單位：W m-2）和（e）500 hPa 位勢高度場（單位：m）的空間分布。打點區(qū)域代表通過90%置信水平顯著性檢驗的區(qū)域。Fig.3 Spatial patterns of (a) the first SVD modes for the PAP-DYs over China in June and (b) the DYs of SST over the extratropical South Pacific in preceding December during 1983-2022.(c) TCCs between DYs of SST and the DYs of AAO (Antarctic oscillation) indices (AAOI) in December.Also shown are regression maps of (d) outgoing longwave radiations (units: W m-2) and (e) geopotential height at 500 hPa (units: m) in June onto the expansion coefficients corresponding to the first SVD mode for SST in December over the mid-high latitudes of the South Pacific.Statistically significant values at the 90% confidence level (Student’s t-test) are dotted.

3.2 1 月北極關鍵海冰區(qū)

近些年北極海冰快速減少，北極海冰年際變率強度顯著增強（Fan et al., 2018），北極海冰對東亞氣候的影響也越來越顯著，北極海冰是東亞氣候預測的重要預測因子之一（Li and Zeng, 2008; Wu et al., 2009; Gao et al., 2015; Fan et al., 2018; Ji and Fan, 2019b; Tian and Fan, 2022; 等等）。已有研究表明，前期冬春季巴倫支海海冰負（正）異?？杉ぐl(fā)類歐亞EU 型遙相關波列，造成夏季我國長江流域及其以北大部分地區(qū)降水偏少（多），南方地區(qū)降水偏多（少）（Wang and Guo, 2004; Lin and Li,2018）。Han et al.（2023）研究表明東西伯利亞海海冰年際變率在20 世紀90 年代之后增強，增強的海冰異常通過影響局地表面熱通量使得經向溫度梯度增加，進一步引起北太平洋地區(qū)波—流相互作用增強，使得北太平洋中部異常環(huán)流的增強和西伸，有利于夏季中國東北地區(qū)的水汽輸送和垂直運動。因此，東北夏季降水與同期東西伯利亞海冰的正相關關系也顯著增強。此外，2020 年春末夏初西伯利亞沿岸海冰偏少也是6～7 月的“暴力超級梅雨”發(fā)生的原因之一（Chen et al., 2021）。該地區(qū)海冰偏少引起局地對流層增溫，使得西伯利亞地區(qū)經向溫度梯度、緯向風和渦動動量通量減弱，有利于東西伯利亞地區(qū)阻高的維持和發(fā)展，進而有利于高緯冷空氣南下，使得梅雨鋒維持并產生極強的降水。前期秋季喀拉海—拉普捷夫海海冰與東亞夏季降水的關系在90 年代之后也呈現年代際增強。該地區(qū)海冰異常通過影響歐亞地區(qū)的土壤濕度和雪深，使海冰異常信號從前期秋季持續(xù)到春季，并影響夏季中國東北地區(qū)降水（Liu et al., 2020）。而春季波弗特海海冰異常通過引起夏季北極偶極子異常模態(tài)，影響東亞夏季西風急流和歐亞遙相關型，進而影響長江中下游極端降水頻次，該區(qū)域海冰已被應用于長江中下游夏季極端降水頻次的預測，并取得較好預測效果（Tian and Fan, 2020）。

基于以上研究，本文對中國6、7、8 月降水距平百分率的年際增量EOF 分析的前90%模態(tài)與前期1 月SIC 相關的累積解釋方差空間場（圖4）進行分析，結果顯示前期1 月北極海冰對中國夏季月際尺度降水影響最顯著，且1 月北極海冰與中國6、7、8 月降水的累積解釋方差高值區(qū)分別位于巴倫支海—喀拉海（69.5°～88.5°N，30.5°～100.5°E）、拉普捷夫海—東西伯利亞海（72.5°～85.5°N，80.5°～179.5°E）和波弗特海（69.5°～86.5°N，111.5°～150.5°W）三個關鍵區(qū)。因此，本研究擬將上述三個北極關鍵區(qū)SIC 年際增量分別作為中國6、7、8月降水距平百分率年際增量的預測因子（P2-SICJan）。

3.3 CFSv2 預測的夏季逐月關鍵海溫區(qū)

根據中國夏季不同月份降水距平百分率年際增量EOF 分析前90%解釋方差的模態(tài)對應的時間系數與觀測、CFSv2 預測（2 月起報）同期海溫年際增量之間TCC 的累積解釋方差（通過90%置信水平顯著性檢驗，圖5），本文選取了CFSv2 預測（2 月起報）的6 月北太平洋中高緯地區(qū)（40°～60°N，150°E～150°W），7 月赤道中東太平洋地區(qū)（5°S～5°N，180°～80°W）和8 月熱帶西太平洋地區(qū)（10°S～30°N，80°～160°E）的海溫分別作為中國夏季不同月份降水的同期預測因子（P3-SST-CFSv2）。此外，本文評估了CFSv2 對夏季逐月海溫的預測效能（圖6）。結果表明，CFSv2 預測系統(tǒng)2 月起報的夏季逐月海溫與觀測之間的TCC，在所選擇的北太平洋中高緯、赤道中東太平洋以及熱帶西太平洋等區(qū)域，均通過了90%的置信水平。因此，選取CFSv2 預測系統(tǒng)2月起報的6～8 月關鍵區(qū)海溫作為中國夏季月際尺度降水的預測因子具有較好的預測效能。

圖5 1983～2022 年夏季（a、b）6 月、（c、d）7 月和（e、f）8 月降水距平百分率的年際增量EOF 分析前90%解釋方差的模態(tài)對應的時間系數與觀測（左列）、CFSv2 預測（右列，2 月起報）同期海溫年際增量之間TCC 的累積解釋方差（通過90%置信水平顯著性檢驗），藍色框為6、7、8 月降水距平百分率年際增量預測因子3（P3-SST-CFSv2）定義區(qū)域。Fig.5 The cumulative explained variance derived from the significant correlations larger than the 90% significant level calculated by the DYs of simultaneous SST and the leading 90% modes of monthly PAP-DYs over China from the EOF analysis from 1983 to 2022: Observations (left column);CFSv2 (outputs released in February, right column).Panels (a, b), (c, d), and (e, f) represent June, July, and August, respectively.The blue boxes indicate the domains of third predictor (P3-SST-CFSv2).

圖6 1983～2022 年觀測與CFSv2（2 月起報）預測的（a）6 月、（b）7 月和（c）8 月海表溫度年際增量之間的TCC，打點區(qū)域表示通過90%置信水平顯著性檢驗的區(qū)域。Fig.6 TCCs of DYs of SST in June (a), July (b), and August (c)between observations and CFSv2 outputs in February from 1983 to 2022.Dotted areas indicate statistical significance at the 90% level.

觀測與CFSv2 預測的6 月海溫影響中國6 月降水最顯著的共同區(qū)域為北太平洋中高緯地區(qū)（40°N～60°N，150°E～150°W）。當該地區(qū)海溫年際增量呈南北向偶極型分布時（圖7a），一方面通過影響北太平洋中高緯地區(qū)的低槽和西太平洋副熱帶高壓（圖7e、f），另一方面通過影響ENSO（圖7d），使得中國東北地區(qū)6 月降水較去年偏少，華南及江淮大部分地區(qū)降水較前一年偏多（圖7b）。當該地區(qū)海溫年際增量呈全場一致型分布時，通過局地高壓異常和西太平洋副熱帶高壓異常影響我國的水汽輸送，使得中國6 月降水除華南地區(qū)和東北東部地區(qū)外，其余地區(qū)較前一年偏多（圖略）。這與已有研究一致，當北太平洋地區(qū)夏季的表層海溫偏低時，阿留申地區(qū)的大槽加深，西北太平洋副熱帶高壓西伸加強，有利于將西南暖濕氣流輸送到我國長江流域，造成長江流域降水偏多，華南、華北降水偏少（李麗平等, 2010）。而夏季北太平洋中緯度西風漂流區(qū)的海溫暖（冷）異常也可通過激發(fā)歐亞—太平洋型遙相關（影響鄂霍次克海地區(qū)阻高的建立和維持），使江淮流域、西南及華南地區(qū)降水偏少（偏多），華北北部及東北西部降水偏多（偏少）（朱乾根等, 2000）。

圖7 1983～2022 年（a）6 月北太平洋中高緯地區(qū)海溫年際增量與（b）6 月中國降水距平百分率的年際增量SVD 第一模態(tài)的空間場及其（c）對應的時間系數；6 月北太平洋中高緯地區(qū)海溫SVD 第一模態(tài)時間系數回歸的6 月異常（d）海表溫度場（單位：°C）、（e）500 hPa位勢高度場（單位：m）和（f）850 hPa 水汽通量場（填色；單位：kg m-1 s-1）疊加水平輻散場（矢量箭頭；單位：10-5 kg m-2 s-1）的空間分布。（d-f）中打點代表通過90%置信水平顯著性檢驗的區(qū)域，（f）中矢量場為達到0.1 顯著性水平的部分。Fig.7 Spatial patterns of (a) the first SVD modes for the DYs of SST over the mid-high latitudes of North Pacific in June and (b) the simultaneous PAP-DYs over China during 1983-2022, (c) also shown are the corresponding normalized expansion coefficients.The regression maps of anomalous(d) SST, (e) geopotential height at 500 hPa, and (f) water vapor transport flux (shading; units: kg m-1 s-1) and horizontal divergence (vectors; units:10-5 kg m-2 s-1) at 850 hPa in June onto the expansion coefficients corresponding to the first SVD mode for SST.Statistically significant values at the 90% confidence level (Student’s t-test) are dotted in (d-f), vectors below the 90% confidence level are not shown in (f).

圖5c-d 顯示，中國7 月降水的主要影響區(qū)域為熱帶中東太平洋地區(qū)（5°S～5°N，180°～80°W）。已有研究指出，ENSO 可通過影響赤道太平洋上空的沃克環(huán)流，引起熱帶西太平洋海洋性大陸區(qū)對流活動異常，并激發(fā)菲律賓異常反氣旋，引起西北太平洋副熱帶高壓的位置與強度的變化，進而影響我國夏季降水（Zhang et al., 1999; Wang et al., 2000）。在ENSO 的發(fā)展階段，我國江淮地區(qū)多雨，華南少雨（Huang and Wu, 1989; 金祖輝和陶詩言, 1999）。本文選取CFSv2 預測系統(tǒng)2 月起報的7 月熱帶中東太平洋地區(qū)（5°S～5°N，180°～80°W）的海溫作為中國7 月降水的預測因子。

與8 月中國降水相關的海溫累積解釋方差高值區(qū)（10°S～30°N，80°～160°E）包含了熱帶西太平洋暖池、海洋性大陸區(qū)域（圖5e-f）。熱帶西太平洋暖池海溫偏高（低），菲律賓附近對流活動增強（減弱），并激發(fā)東亞—太平洋遙相關，使得西北太平洋副熱帶高壓位置偏北偏東，江淮流域降水偏少，華北、黃河流域降水偏多（Huang and Sun,1992; Lu, 2001）。海洋性大陸區(qū)域是南北半球相互作用的重要區(qū)域，也是聯(lián)系熱帶和亞澳季風區(qū)的重要地區(qū)。海洋性大陸地區(qū)的海溫異常與澳大利亞高壓或前期澳洲東側的海溫異常有關，該地區(qū)的海溫異?？梢鹁值氐膶α骰顒赢惓?，并通過激發(fā)東亞—太平洋遙相關，影響中國夏季雨帶的分布（Zhou, 2011）。

基于以上分析本文選取CFSv2 預測的6 月北太平洋中高緯地區(qū)（40°N～60°N，150°E～150°W）、7 月熱帶中東太平洋地區(qū)（5°S～5°N，80°～180°W）以及8 月熱帶西太平洋暖池、海洋性大陸區(qū)域（10°S～30°N，80°～160°E）海溫作為預測因子。

4 預測模型的建立及實時預測檢驗

本文針對中國夏季不同月份降水，分別選取了前期12 月南太平洋中高緯海溫、前期1 月北極關鍵區(qū)海冰和同期CFSv2 預測關鍵區(qū)海溫作為預測因子。首先，為了確定不同因子對中國夏季月際尺度降水的預測效能及主要作用區(qū)域，本文分別建立中國6、7、8 月降水距平百分率的單因子預測模型（M-SST-Dec，M-SIC-Jan 和M-SST-CFSv2），并對1983～2022 年進行交叉回報檢驗（圖8）。其次，采用SVD 誤差訂正方法對以上單因子模型進行誤差訂正，并采取擇優(yōu)集合方案對單因子預測模型進行集合，進而建立合理權重的多因子動力和統(tǒng)計結合預測模型并檢驗其預測效能（圖9），并開展2020～2022 年中國6、7、8 月和夏季平均降水的實時預測檢驗（圖10、圖11）。

圖8 基于單個因子建立的降尺度預測模型（a-c）M-SST-Dec、（d-f）M-SIC-Jan 和（g-i）M-SST-CFS 回報的1983～2022 年6 月（第一行）、7 月（第二行）和8 月（第三行）站點降水距平百分率的年際增量與觀測值之間TCC 通過的置信水平，填色站點由淺至深分別代表通過90%、95%和99%置信水平檢驗的站點Fig.8 Confidence levels approved by TCCs of PAP-DYs at stations in June (top line), July (second line), and August (bottom line) between observations and the outputs of single-predictor models from 1983 to 2022: (a-c) M-SST-Dec model; (d-f) M-SIC-Jan model; (g-i) M-SST-CFS model.The shaded stations represent, from light to dark, those with a confidence level of 90%, 95%, and 99%, respectively.

圖9 （a-d）等權重集合方案（MME1）和（e-h）擇優(yōu)集合方案（MME2）回報的1983～2022 年（a、e）6 月、（b、f）7 月、（c、g）8月和（d、h）夏季平均的站點降水距平百分率與觀測值之間TCC 通過的置信水平，填色站點由淺至深分別代表通過90%、95%和99%置信水平檢驗的站點。Fig.9 Confidence levels approved by TCCs of PAP-DYs at stations in (a, e) June, (b, f) July, (c, g) August, and (d, h) JJA (June-July-August)between observations and the outputs of different ensemble schemes from 1983 to 2022: Equal-weight ensemble scheme (MME1, left column);optimized ensemble scheme (MME2, right column).The shaded stations represent, from light to dark, those with a confidence level of 90%, 95%, and 99%, respectively.

圖10 2020～2022 年中國夏季月際尺度降水動力和統(tǒng)計結合實時預測模型對夏季月際和季節(jié)尺度降水的PS 評分。Fig.10 PS scores of real-time predictions for monthly precipitation in June, July, August and seasonal precipitation averaged with predictions on monthly scale over China during 2020-2022.

圖11 2022 年（a-c）6 月、（d-f）7 月、（g-i）8 月和（j-l）夏季平均的中國降水距平百分率的空間分布：觀測結果（左列）；CFSv2 預測結果（2 月起報預測，中間列）；降尺度模型預測（右列）。PS 表示預測技巧評分。Fig.11 The spatial distributions of PAP in (a-c) June, (d-f) July, (g-i) August, and (j-l) JJA 2022 over China: Observations (left column), CFSv2 forecasts initialized from February (middle column), and downscaling model forecasts (right column).PS stands for the prediction skill score.

4.1 交叉檢驗回報結果

4.1.1 單因子模型

為檢驗本文提出的中國夏季不同月份降水預測模型的預測效能，首先評估了針對每個月降水距平百分率年際增量建立的單因子模型的交叉檢驗回報結果（圖8）。模型預測效能對比的主要指標是1983～2022 年模型交叉檢驗回報的降水距平百分率的年際增量的TCC 通過90%置信水平的站點數百分比和1983～2022 年平均的空間距平相關系數（MACC）。計算結果顯示，基于不同預測因子建立的夏季月際尺度預測模型對中國降水的預測效能存在空間區(qū)域和月際的差異。單因子模型M-SSTDec 預測的6、7、8 月中國160 站降水距平百分率年際增量TCC 通過90%置信水平顯著性檢驗的站點數占比分別為33%、36%和40%（表1），且站點主要集中在我國中東部地區(qū)（圖8a-c）；MACC為0.16、0.21 和0.22，均通過95%置信水平顯著性檢驗。且M-SST-Dec 模型對中國夏季不同月份降水預測效果均優(yōu)于基于1、2 月同關鍵區(qū)海溫建立的夏季月際尺度降水模型（表略）。M-SIC-Jan預測結果的TCC 通過90%置信水平檢驗的站點數占比為37%（6 月）、42%（7 月）和36%（8 月），主要集中在長江流域（圖8d-f），逐月的MACC均通過95%置信水平檢驗。相比于M-SST-Dec 和M-SIC-Jan 的預測效能，M-SST-CFSv2 的預測效能略低（圖8g-i），TCC 通過90%置信水平檢驗的站點數占比僅有25%左右，6～8 月的MACC 為0.15、0.16 和0.13，僅通過90%置信水平檢驗。

表1 基于單個預測因子建立的降尺度預測模型回報的1983～2022 年中國夏季月際尺度降水距平百分率年際增量的交叉檢驗結果Table 1 Cross-validation results of different single-predictor models in summer months during period 1983-2022

為了進一步提升中國北方和中部地區(qū)降水預測準確度，考慮每個因子的預測效能的區(qū)域差異性，本文采用了SVD 誤差訂正方法對單因子模型預測的降水距平百分率年際增量進行訂正。1983～2022 年交叉檢驗的TCC 和MACC 結果顯示：訂正后，MSST-Dec 預測的TCC 超過90%置信水平的站點數占比從35%左右提升至超過75%，且6～8 月MACC分別從0.16、0.21 和0.22 提升到0.43、0.42 和0.54，均通過99%置信水平檢驗（表1）。訂正后的MSIC-Jan 預測模型可進一步的提升我國北方降水的預測準確度，TCC 通過90%置信水平檢驗的站點數占比從40%左右提升至50%以上，逐月MACC也分別從0.19、0.22 和0.22 提升到0.26、0.27 和0.28，均通過95%置信水平檢驗。SVD 誤差訂正方法對M-SST-CFSv2 預測的中國6、7 月份降水距平百分率的年際增量改善效果顯著，TCC 通過90%置信水平檢驗的站點數百分比由25%左右提升到了80%以上，且MACC 由0.15 也提升到0.50 以上。

4.1.2 多因子擇優(yōu)集合方案

為提高預測模型的穩(wěn)定性，本文基于以上訂正后的單因子預測模型，進一步開展多因子集合預測，建立中國夏季160 站點月際尺度降水動力和統(tǒng)計結合預測模型。本文對比了兩種多因子集合方案，一種是傳統(tǒng)的等權重集合方案（MME1），另一種是擇優(yōu)集合方案（MME2）。MME2 針對160 站逐個站點，選取其TCC 通過顯著性檢驗的單因子模型結果的均值作為該站點的回報結果；若無通過顯著性檢驗的單因子模型，則以三個單因子模型的等權重結果作為該站點的最終回報結果。圖9 所示為兩種集合方案下，1983～2022 年觀測與多因子模型交叉檢驗回報的中國夏季月際—季節(jié)尺度160 站降水距平百分率之間的TCC。結果表明，MME1 方案對夏季逐月降水預測效能整體較好，6 月和7 月TCC 通過顯著性檢驗的站點數百分比分別為76%和73%，MACC 也均達到了0.34，通過99%置信水平檢驗，但對8 月降水的預測TCC 通過90%置信水平檢驗的站點數占比僅占57%，MACC 為0.32（表2）。與MME1 方案相比，MME2 方案對中國夏季逐月降水的預測準確率有所提升，TCC通過顯著性檢驗的站點數占比在6、7 月增加了15%，8 月增加了25%，逐月MACC 均提升到0.39 以上。MME2 方案對夏季季節(jié)平均降水預測效能也優(yōu)于MME1，TCC 通過顯著性檢驗的站點數百分比從73%提升到88%，MACC 從0.35 提升到0.41。由此可見，MME2 集合方案對我國夏季月際—季節(jié)尺度降水的預測能力優(yōu)于MME1。

表2 兩種集合方案回報的1983～2022 年中國夏季月際—季節(jié)尺度降水距平百分率的交叉檢驗結果Table 2 Cross-validation results of PAP in different summer months and seasonal averaged PAP from 1983 to 2022 for two ensemble averaging schemes

4.2 實時預測檢驗

2020～2022 年連續(xù)三年處于拉尼娜背景下，但海氣過程復雜，三年間我國月際和夏季平均降水形勢差異極大，給汛期降水的預測帶來新的挑戰(zhàn)。如2020 年6～7 月“超級暴力梅”、2021 年7 月河南特大暴雨、2022 年長江流域“汛期反枯”等。因此，本文針對2020～2022 年夏季月際—季節(jié)尺度降水開展了實時預測，進一步檢驗中國夏季月際—季節(jié)尺度降水動力和統(tǒng)計結合實時預測模型的效能。

圖10 為2020～2022 年中國夏季月際尺度降水動力和統(tǒng)計結合實時預測模型預測夏季逐月和季節(jié)平均降水的PS 評分。模型對近三年夏季逐月降水總體上展現了較好的預測效果，相對于1997～2016年我國夏季降水業(yè)務預測平均分66 分，2020 年夏季逐月降水PS 評分分別為76、72 和80 分；2021年7 月評分達到了78 分；2022 年6 月評分超過了80 分，7 月評分為76 分；2020～2022 年6、7、8月逐月降水Ps 平均分為75、75 和70 分。根據以上月際尺度降水預測結果計算的2020～2022 年夏季平均降水PS 評分分別為72、76 和73 分，均高于業(yè)務預測多年平均分。

2022 年中國夏季降水出現顯著月際變化和極端異常降水。如圖11 顯示，2022 年夏季中國降水整體呈現“北多南少”的分布，多雨區(qū)位于我國北方地區(qū)，少雨區(qū)位于長江及以南流域。2022 年夏季降水的月際差異非常顯著：6 月我國東北、華北和華南部分地區(qū)降水偏多，長江流域和中西部地區(qū)降水均偏少（圖11a）；7 月多雨區(qū)在華北和東北部分地區(qū)（圖11b）；8 月少雨區(qū)在西部、江淮、華南、西南地區(qū)，且長江流域的旱情嚴重，多雨區(qū)位于我國北方地區(qū)（圖11c）。CFSv2（2 月起報）雖然基本預測出了2022 年我國西部地區(qū)降水偏少的狀況，但未能再現我國中東部地區(qū)“北澇南旱”的降水異常形勢（圖11b、e、h、l）。相比CFSv2，MME2 方案不僅能較好地預測出2022 年夏季我國西部降水偏少的情況，而且對6、7 月我國中東部地區(qū)降水異常分布的預測與實況基本吻合（圖11c、f），Ps 評分分別可達80 和76 分。根據月際尺度降水預測結果，2022 年夏季平均降水PS 評分也達到73 分左右。8 月的預測結果也在一定程度上把握了我國北方地區(qū)降水偏多的異常情況（圖11i）。

5 結論和討論

極端氣候事件頻發(fā)給次季節(jié)—季節(jié)尺度氣候預測帶來了新的挑戰(zhàn)，其中大幅度月際尺度變化或轉折往往被季節(jié)平均尺度掩蓋，也影響季節(jié)尺度預測準確度。因此，亟需考慮月際尺度氣候異常，開展季節(jié)尺度氣候預測，進而提升月際—季節(jié)平均氣候預測準確度。

本文采用年際增量和場信息耦合型預測方法，基于前期觀測信息和美國第二代氣候預測系統(tǒng)（CFSv2）預測結果，選取前期12 月觀測的南太平洋中高緯關鍵區(qū)海溫、1 月北極關鍵區(qū)SIC 以及CFSv2 預測系統(tǒng)2 月起報的夏季同期關鍵區(qū)海溫作為月際尺度降水預測因子。通過對單子因子預測模型的改進，明確不同因子預測效能的區(qū)域差異性，之后采用多因子擇優(yōu)集合方案，研制了中國夏季月際尺度降水動力和統(tǒng)計結合的實時預測模型，開展系統(tǒng)回報檢驗和實時預測檢驗。研究結果表明，多因子擇優(yōu)集合的動力和統(tǒng)計結合預測模型對中國80%以上站點的夏季月際尺度降水具有較高預測準確率，且6、7、8 月逐月MACC 均超過了0.39，通過99%置信水平檢驗。之后，根據6、7、8 月際尺度降水預測，獲得6～8 月季節(jié)平均預測，結果表明中國88%站點的夏季季節(jié)平均降水具有較高預測準確率，并在2020～2022 年連續(xù)三年拉尼娜背景下中國區(qū)域差異迥異的降水預測中顯示較好效果。由此，考慮月際尺度預測開展季節(jié)平均預測，是有效提升月際—季節(jié)平均氣候預測的途徑之一。然而，中國月際尺度氣候預測非常困難，未來還需要深入理解關鍵?！憽獨膺^程和系統(tǒng)的影響機制及其可預測性。