李琳菲 楊穎 朱志偉 王蔚

摘要 基于1961—2000年逐月降水觀測資料和全球大氣再分析資料，分析了6—7月長江中下游（108°～123°E，27°～33°N）梅雨的時(shí)空分布特征。通過觀測診斷和數(shù)值試驗(yàn)確定了影響梅雨異常偏多的3個(gè)前期因子：4—5月平均的西北太平洋海平面氣壓正異常;3月至5月北大西洋海平面氣壓負(fù)變壓傾向;1月至4月西伯利亞的2 m溫度負(fù)傾向。利用這3個(gè)具有物理意義的影響因子構(gòu)建了梅雨季節(jié)預(yù)測模型，該模型在訓(xùn)練期（1961—2000年）和獨(dú)立預(yù)測期（2001—2022年）均具有顯著的預(yù)測技巧（相關(guān)系數(shù)分別為0.79和0.77，均方根誤差分別為0.59和0.68）。同時(shí)，基于相似的潛在預(yù)測因子，對比了利用偏最小二乘回歸方法和5種機(jī)器學(xué)習(xí)方法（隨機(jī)森林、輕量級梯度提升機(jī)、自適應(yīng)提升、類別型特征提升、極端梯度提升）建立的預(yù)測模型的技巧。雖然訓(xùn)練期（1961—2000年）偏最小二乘回歸和機(jī)器學(xué)習(xí)建模擬合效果更高，但在獨(dú)立預(yù)測期（2001—2022年）上述模型的預(yù)測技巧顯著降低（相關(guān)系數(shù)均低于0.44，均方根誤差均大于0.93），出現(xiàn)了明顯的過擬合問題。本研究強(qiáng)調(diào)梅雨的短期氣候預(yù)測應(yīng)建立在物理機(jī)制基礎(chǔ)之上，而使用機(jī)器學(xué)習(xí)方法需謹(jǐn)慎。

關(guān)鍵詞梅雨;季節(jié)預(yù)測;物理經(jīng)驗(yàn)預(yù)測模型;機(jī)器學(xué)習(xí)

梅雨期是東亞夏季風(fēng)雨帶由南向北推進(jìn)過程中的重要階段（Ding，1992;Ding et al.，2020）。梅雨降水多寡直接影響長江流域的旱澇狀況，尤其是梅雨異常帶來的旱澇災(zāi)害嚴(yán)重影響長江流域經(jīng)濟(jì)發(fā)展和人民生產(chǎn)生活。例如：1998年梅雨異常偏多導(dǎo)致長江中下游大洪水，造成3 000余人死亡，直接經(jīng)濟(jì)損失將近2 500億元（陶詩言等，1998;Lu，2000）;2020年超級暴力梅打破了1961年以來長江流域梅雨季降水紀(jì)錄，3 800余萬人受洪澇影響（劉蕓蕓和丁一匯，2020;Ding et al.，2021）;2022年梅雨歷史性極端偏少，長江流域出現(xiàn)大范圍干旱（張強(qiáng)，2022;孫博等，2023），導(dǎo)致64萬hm2耕地受災(zāi)、83萬人供水困難。因此，揭示梅雨變異規(guī)律、理解其物理成因、進(jìn)而提升梅雨季節(jié)預(yù)測水平，是國家防災(zāi)減災(zāi)的迫切需求。

作為熱帶暖濕空氣和中高緯度冷干氣流匯合的鋒面系統(tǒng)，梅雨降水多寡受到熱帶和中高緯度環(huán)流系統(tǒng)共同控制（Ding，1992;Wang and Lin，2002）。夏季對流層低層太平洋副熱帶高壓西北側(cè)的西南風(fēng)將水汽向北輸送至長江流域，提供梅雨主要水汽來源（張慶云和陶詩言，2003）;對流層高層南亞高壓的東伸通過抽吸作用增強(qiáng)梅雨降水（Ren et al.，2015）;歐亞大陸上阻塞高壓（張慶云和陶詩言，1998）和東北冷渦（王麗娟等，2010）引導(dǎo)干冷空氣南下，與北上的暖濕空氣在長江中下游交匯，形成梅雨環(huán)流形勢;此外，絲綢之路型遙相關(guān)（Lu et al.，2002）和太平洋-日本／東亞-太平洋型遙相關(guān)（Nitta，1986）均可通過影響東亞局地環(huán)流，進(jìn)而影響梅雨降水（Guan et al.，2019;陶麗等，2020）。調(diào)控梅雨降水的局地環(huán)流異常是更大尺度海陸氣相互作用的結(jié)果：ENSO作為全球最顯著的熱帶年際氣候模態(tài)，通過西北太平洋風(fēng)-蒸發(fā)-海溫反饋機(jī)制（Wang et al.，2000;Wu et al.，2017）、印度洋“電容器”效應(yīng)（Xie et al.，2016）影響西北太平洋反氣旋異常，進(jìn)而調(diào)控梅雨降水;而不同類型的ENSO事件也會(huì)對梅雨造成差異性影響（陳文等，2018;Zhou et al.，2019）;北大西洋海溫異?？梢酝ㄟ^熱帶和熱帶外兩條路徑調(diào)控東亞環(huán)流形勢，進(jìn)而影響梅雨降水（Yang et al.，2023;Zhu et al.，2023）;而北極海冰（Guo et al.，2014）、歐亞大陸積雪（Zhang et al.，2021）、局地土壤濕度（Zuo and Zhang，2016）等陸面因子也能直接或間接調(diào)控東亞環(huán)流，最終影響梅雨降水。

除梅雨變異機(jī)理研究，準(zhǔn)確預(yù)測梅雨也是國家防災(zāi)減災(zāi)的迫切需求（宋進(jìn)波等，2018）。范可等（2007）通過考察與梅雨年際增幅相關(guān)的環(huán)流異常，建立了統(tǒng)計(jì)預(yù)測模型，其在獨(dú)立預(yù)報(bào)時(shí)段平均均方根誤差控制在20％以內(nèi);Xing et al.（2016）結(jié)合經(jīng)驗(yàn)正交分解和偏最小二乘回歸方法建立了中國夏季降水統(tǒng)計(jì)預(yù)測模型，其提前4個(gè)月預(yù)測結(jié)果遠(yuǎn)優(yōu)于動(dòng)力模式提前1個(gè)月的預(yù)報(bào)技巧。除統(tǒng)計(jì)模型外，英國氣象局?jǐn)?shù)值預(yù)報(bào)業(yè)務(wù)模式（GloSea5）由于準(zhǔn)確預(yù)測海洋性大陸對流活動(dòng)及其向中國南方和長江流域的水汽輸送，所以對梅雨降水的回報(bào)技巧高于歐盟ENSEMBLES多模式集合系統(tǒng)（Li et al.，2016）;中國國家氣候中心全球海氣耦合模式第2代氣候預(yù)測模式相比第1代模式對環(huán)流和物理量場的預(yù)報(bào)性能明顯提升，但仍低估了中國東部夏季降水（張丹琦等，2019），其原因在于低估了西太平洋及印度洋海表溫度，導(dǎo)致預(yù)測的西太平洋副熱帶高壓及水汽輻合偏弱。綜上所述，統(tǒng)計(jì)模型預(yù)測和動(dòng)力模式在梅雨預(yù)測中均存在顯著不足。

近年來，基于物理機(jī)制的經(jīng)驗(yàn)預(yù)測模型（Physical-based Empirical Model，PE模型）被證明優(yōu)于傳統(tǒng)統(tǒng)計(jì)模型以及大部分?jǐn)?shù)值預(yù)報(bào)模式。PE模型強(qiáng)調(diào)預(yù)測因子與預(yù)報(bào)量間的物理聯(lián)系以及預(yù)測因子間的相互獨(dú)立性，保證了預(yù)測的穩(wěn)定性，同時(shí)避免了過擬合問題。比如：在印度夏季風(fēng)全區(qū)平均降水的季節(jié)預(yù)測中，PE模型在92 a（1921—2012年）回報(bào)中具有顯著的技巧（相關(guān)系數(shù)為0.64），獨(dú)立預(yù)測期技巧優(yōu)于動(dòng)力模式（Wang et al.，2015）和業(yè)務(wù)預(yù)測（Li et al.，2017）;針對中國東北夏季降水季節(jié)預(yù)測，PE模型獨(dú)立預(yù)測的2003—2019年降水序列與觀測的相關(guān)系數(shù)為0.70，顯著高于5個(gè)動(dòng)力模式集合平均的結(jié)果（0.24）（Zhao et al.，2022）;在中國南方夏季降水（Yim et al.，2014;Li et al.，2023）、東亞初夏副熱帶鋒面（Xing et al.，2017）的預(yù)測中，PE模型也具有穩(wěn)定而出色的獨(dú)立預(yù)測技巧。

隨著人工智能的興起，機(jī)器學(xué)習(xí)在天氣預(yù)報(bào)和氣候預(yù)測領(lǐng)域得到越來越多的運(yùn)用（楊淑賢，2022）。沈皓俊等（2020）利用長短期記憶網(wǎng)絡(luò)對中國夏季降水進(jìn)行了回報(bào)實(shí)驗(yàn)，所得PS評分高于同期全國會(huì)商和業(yè)務(wù)模式;苗春生等（2017）通過C4.5算法，基于前期春季因子建立了長江中下游地區(qū)夏季降水預(yù)測模型，其預(yù)測準(zhǔn)確率可達(dá)80％以上;Fan et al.（2023）基于自動(dòng)編碼器確定了中國東部夏季降水預(yù)測因子，并利用隨機(jī)森林（Random Forest）和梯度回歸算法建立了降水預(yù)測模型，其在華南地區(qū)的預(yù)測結(jié)果優(yōu)于主流模式10％以上。相比于動(dòng)力模式和傳統(tǒng)統(tǒng)計(jì)模型，在大樣本訓(xùn)練下的機(jī)器學(xué)習(xí)模型處理非線性問題具有更大優(yōu)勢。然而，由于過擬合問題，機(jī)器學(xué)習(xí)在獨(dú)立預(yù)報(bào)以及測試數(shù)據(jù)集中的技巧急速下降，實(shí)際業(yè)務(wù)預(yù)測中的表現(xiàn)常常不盡如人意。因此，機(jī)器學(xué)習(xí)方法能否應(yīng)用于梅雨季節(jié)預(yù)測還有待進(jìn)一步驗(yàn)證。

為了進(jìn)一步厘清梅雨異常機(jī)理、提升梅雨季節(jié)預(yù)測技巧，本文主要解決2個(gè)關(guān)鍵科學(xué)問題：影響梅雨降水的物理機(jī)制是什么？基于物理機(jī)制的經(jīng)驗(yàn)預(yù)測模型、傳統(tǒng)統(tǒng)計(jì)模型和機(jī)器學(xué)習(xí)模型3者對梅雨的季節(jié)預(yù)測水平究竟孰優(yōu)孰劣？本文將利用降水站點(diǎn)觀測資料和全球再分析數(shù)據(jù)，揭示6—7月長江中下游梅雨的相關(guān)物理機(jī)制，建立PE預(yù)測模型，并對比傳統(tǒng)統(tǒng)計(jì)模型和機(jī)器學(xué)習(xí)模型對梅雨的預(yù)測技巧，以期提升6—7月梅雨降水的季節(jié)預(yù)測水平，為業(yè)務(wù)部門預(yù)測提供參考。

1 資料、方法和模式

1.1 資料

1）國家氣象信息中心格點(diǎn)化數(shù)據(jù)集（CN05.1）中的逐月降水資料（吳佳和高學(xué)杰，2013），空間分辨率為0.25°×0.25°;2）歐洲中期天氣預(yù)報(bào)中心（ECMWF）第5代大氣再分析數(shù)據(jù)集（ERA5），空間分辨率為1.0°×1.0°（Hersbach et al.，2020）;3）美國國家海洋和大氣管理局第5套全球逐月海表溫度（SST）重構(gòu)資料（ERSSTv5），空間分辨率為2.0°×2.0°（Huang et al.，2017）;4）日本氣象臺(tái)逐月再分析降水?dāng)?shù)據(jù)，水平分辨率為1.25°×1.25°（Kobayashi et al.，2015）。本文將1961—2000年作為訓(xùn)練期，用于統(tǒng)計(jì)診斷分析以及預(yù)測模型建模;將2001—2022年作為獨(dú)立預(yù)測期，用于預(yù)測模型的獨(dú)立預(yù)測檢驗(yàn)。

1.2 方法

1）物理經(jīng)驗(yàn)預(yù)測模型。PE模型有別于傳統(tǒng)的統(tǒng)計(jì)模型，更注重預(yù)測因子與預(yù)測量之間的物理機(jī)制聯(lián)系，在東亞氣候季節(jié)預(yù)測中表現(xiàn)出良好技巧（Yim et al.，2014;Wang et al.，2015）。PE模型的建立有2個(gè)關(guān)鍵步驟：1）通過梅雨指數(shù)與前期下墊面異常進(jìn)行超前滯后相關(guān)分析，普查潛在的預(yù)測因子。下墊面異常包括海表溫度（SST）、2 m溫度（T2M）、海平面氣壓（SLP）、土壤濕度（SM）和積雪深度（SD）?？紤]到前期下墊面異常存在持續(xù)和變化2種態(tài)勢，我們將潛在預(yù)測因子分為2類：持續(xù)信號（如4—5月平均的下墊面異常）和趨勢信號（如5月減4月的下墊面異?；?—5月平均減前1年12月—當(dāng)年1月平均的下墊面異常）;2）逐步回歸篩選出最優(yōu)預(yù)測因子并建立統(tǒng)計(jì)預(yù)測模型方程。將所有潛在預(yù)測因子與預(yù)測量（梅雨指數(shù)）進(jìn)行逐步回歸分析，挑選出最顯著相關(guān)且相互獨(dú)立的預(yù)測因子，建立起PE預(yù)測模型。相比于多元回歸方法，逐步回歸方法同時(shí)兼顧預(yù)測因子與預(yù)測對象的顯著相關(guān)性和預(yù)測因子間的相對獨(dú)立性。

2）偏最小二乘回歸預(yù)測模型?；谄钚《耍≒artial Least Square，PLS）回歸方法（Wold et al.，1984;Wu and Yu，2016）的預(yù)測模型建立步驟如下：首先對所有預(yù)測因子X和預(yù)報(bào)量Y進(jìn)行相關(guān)分析，將預(yù)測因子X投影到相關(guān)系數(shù)上得到特征向量Z1，同時(shí)計(jì)算Z1對預(yù)報(bào)量Y的解釋方差。PLS方法的核心思想是提高對預(yù)報(bào)量Y的解釋方差，考慮到Z1只包含了預(yù)測場X的部分信息，因此對X和Y進(jìn)行殘差估計(jì)并提取新一輪的特征向量Z2，直到最終的Zk（k為特征向量的個(gè)數(shù)）能夠使對Y的解釋方差及X、Y之間的相關(guān)性最大化。最后，對Z1、Z2、…、Zk與預(yù)報(bào)量Y進(jìn)行多元回歸分析，建立起PLS預(yù)測模型。PLS預(yù)測模型中預(yù)測因子X包括了前期下墊面異常場中的所有統(tǒng)計(jì)相關(guān)區(qū)域，即包含了更多前期下墊面異常的可預(yù)測信息（Li et al.，2017）。

3）機(jī)器學(xué)習(xí)預(yù)測模型。為了對比不同機(jī)器學(xué)習(xí)預(yù)測模型對長江流域梅雨季節(jié)預(yù)測的技巧，本文采用了5種機(jī)器學(xué)習(xí)模型：基于Bagging方法的Random Forest模型和基于Boosting方法的LightGBM、Adaboost、Catboost、XGboost模型。在機(jī)器學(xué)習(xí)模型建模中，我們使用貝葉斯優(yōu)化來確定各個(gè)模型的最優(yōu)參數(shù)，以提高機(jī)器學(xué)習(xí)方法的預(yù)測性能（崔佳旭和楊博，2018）。

Bagging方法類似于多模式集合平均，即通過計(jì)算模型中所有學(xué)習(xí)器的預(yù)測結(jié)果平均值來減小模型的方差，在一定程度上能克服過擬合問題，但其缺點(diǎn)在于易被學(xué)習(xí)能力較差的模型影響。隨機(jī)森林（Random Forest）模型是典型的Bagging集成模型之一，通過對變量和數(shù)據(jù)的使用隨機(jī)化，生成很多分類樹，再匯總分類樹的結(jié)果（Breiman，2001）。

Boosting方法的核心思想是通過迭代訓(xùn)練多個(gè)“弱”學(xué)習(xí)器組裝成“強(qiáng)”學(xué)習(xí)器來改進(jìn)模型的預(yù)測能力。Boosting方法的眾多子算法區(qū)別在于在組合弱學(xué)習(xí)器的不同策略，例如：輕量級梯度提升機(jī)算法（light gradient boosting machine，LightGBM）使用直方圖分割方法（Ke et al.，2017）;自適應(yīng)提升算法（adaptive boosting，Adaboost）通過調(diào)整概率分布改變權(quán)重（Freund and Schapire，1997）;類別型特征提升算法（categorical boosting，Catboost）通過添加先驗(yàn)分布項(xiàng)來處理類別特征（Dorogush et al.，2018）;極端梯度提升算法（eXtreme gradient boosting，XGboost）采用前向分布方法且兼顧線性求解器和樹算法的特性（Chen and Guestrin，2016）。

4）評估指標(biāo)。為了定量評估模型的預(yù)測技巧，本文使用了以下指標(biāo)：平均絕對誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）、時(shí)間相關(guān)系數(shù)（Temporal Correlation Coefficient，TCC）、距平符號一致率（Predictive Consistent，PC）以及均方技巧得分（Mean Square Skill Score，MSSS）。MAE、RMSE、MSSS的計(jì)算公式如下：

其中：n代表序列長度；x代表觀測值；代表氣候態(tài)平均；f代表模型預(yù)測結(jié)果；MSE為預(yù)測序列的均方誤差；MSEc為氣候態(tài)預(yù)測的均方誤差。

1.3 數(shù)值模式

本文利用線性斜壓模式（Linear Baroclinic Model，LBM）（Watanabe and Kimoto，2000）來揭示長江中下游梅雨機(jī)理。LBM模式的水平分辨率為T42，垂直方向上從地面到10 hPa共分21層。文中加入觀測對應(yīng)的大氣異常熱源強(qiáng)迫或渦度強(qiáng)迫來驅(qū)動(dòng)模式積分35 d，取第21—25天平均代表大氣環(huán)流異常對給定外強(qiáng)迫的穩(wěn)定響應(yīng)（Huang et al.，2024）。

2 梅雨的時(shí)空特征及相關(guān)環(huán)流異常場

2.1 梅雨的時(shí)空分布特征

圖1a表明中國降水呈現(xiàn)南多北少的分布形勢，長江及以南地區(qū)降水偏多，最大值位于長江中下游（117.75°E，29.5°N）。降水標(biāo)準(zhǔn)差的大值區(qū)同樣位于長江中下游（圖1b），最大值點(diǎn)（117.5°E，30°N）的變率可達(dá)3 mm·d-1。對氣候態(tài)降水最大值點(diǎn)、標(biāo)準(zhǔn)差最大值點(diǎn)與每個(gè)格點(diǎn)做相關(guān)分析，結(jié)果顯示長江中下游降水變率具有區(qū)域一致性（圖1c、d）。因此，定義變率一致的長江中下游（108°～123°E，27°～33°N）平均降水標(biāo)準(zhǔn)化序列為梅雨指數(shù)（Meiyu Index，MYI）（圖1e）。

2.2 長江中下游梅雨相關(guān)的環(huán)流異常

梅雨偏多時(shí)，東亞沿岸的環(huán)流形勢表現(xiàn)為準(zhǔn)正壓的太平洋-日本型遙相關(guān)負(fù)位相（圖2）。對流層低層西太平洋反氣旋環(huán)流異常西側(cè)的西南風(fēng)將水汽向北輸送至長江流域（圖2c），而正壓的東北亞氣旋性環(huán)流異常西側(cè)的北風(fēng)阻止了水汽進(jìn)一步北傳，導(dǎo)致水汽在長江流域輻合、梅雨偏多。正壓的西太平洋反氣旋性環(huán)流異常同時(shí)帶來下沉運(yùn)動(dòng)，導(dǎo)致西太平洋降水偏少（圖2a）。此外，在中緯度存在位勢高度異常正負(fù)交替的顯著信號：俄羅斯中東部的反氣旋異常、青藏高原以西和白海上空的氣旋異常、法國以西的反氣旋異常、北大西洋的氣旋異常和加拿大東部的反氣旋異常（圖2a）。從對流層中層也能看到上述顯著的中緯度正負(fù)交替位勢高度異常（圖2b），表明梅雨與中高緯遙相關(guān)波列顯著相關(guān)。

梅雨異常偏多時(shí)，印度洋-西太平洋暖池地區(qū)、赤道東太平洋、熱帶大西洋海溫均顯著偏暖（圖2b）。印太暖池顯著的正海溫異常有利于局地蒸發(fā)及對流發(fā)展，產(chǎn)生的開爾文波響應(yīng)及東風(fēng)異常增強(qiáng)了西太平洋反氣旋異常，進(jìn)而激發(fā)東亞沿岸的太平洋-日本型遙相關(guān)（Xie et al.，2016）。赤道東太平洋正海溫異常也可通過風(fēng)-蒸發(fā)-海溫反饋機(jī)制增強(qiáng)西北太平洋反氣旋異常，進(jìn)而調(diào)控梅雨降水（Wu et al.，2017;Wang et al.，2000）。同時(shí)，活躍的熱帶大西洋對流活動(dòng)一方面通過開爾文波響應(yīng)增強(qiáng)西北太平洋反氣旋異常，另一方面抑制東太平洋對流并導(dǎo)致對流層低層輻散，增強(qiáng)了西北太平洋反氣旋異常;此外，熱帶大西洋正對流還能影響局地環(huán)流異常，擾動(dòng)歐亞大陸上空中緯度波列，增強(qiáng)長江流域以北的氣旋性環(huán)流異常，導(dǎo)致梅雨正異常（Yang et al.，2023;Zhu et al.，2023）。

3 梅雨季節(jié)預(yù)測模型

3.1 梅雨物理經(jīng)驗(yàn)預(yù)測模型

上述海表溫度異常及中緯度波列與梅雨之間的物理聯(lián)系具體如何？能否作為預(yù)測因子，建立6—7月長江流域梅雨的季節(jié)預(yù)測模型？下文將揭示預(yù)測因子調(diào)控梅雨的物理機(jī)制并建立預(yù)測梅雨的PE模型。

首先普查了訓(xùn)練期（1961—2000年）MYI與前期下墊面異常（SST、T2M、SLP、SD、SM）的超前滯后相關(guān)關(guān)系，并根據(jù)潛在的梅雨相關(guān)物理機(jī)制劃分顯著區(qū)域，通過相關(guān)系數(shù)加權(quán)計(jì)算出21個(gè)持續(xù)信號和64個(gè)趨勢信號，其中12—1月表示梅雨的前1年12月和當(dāng)年1月的平均。85個(gè)潛在預(yù)測因子的具體定義如表1所示，所有預(yù)測因子皆與梅雨指數(shù)顯著相關(guān)（通過90％置信度的顯著性檢驗(yàn)）。

通過逐步回歸分析篩選出3個(gè)預(yù)測因子：X17，4—5月平均的副熱帶西太平洋海平面氣壓正異常（positive SLP anomalies over subtropical western Pacific，SWP）;X54，3月至5月北大西洋海平面氣壓負(fù)變壓傾向（SLP negative tendency over North Atlantic，NAP）;X75，1月至4月西伯利亞的地表溫度負(fù)傾向（cooling tendency of T2M over East Siberian，EST）。

圖3給出了MYI與SWP、NAP、EST的相關(guān)性空間分布。MYI與SWP、NAP、EST的相關(guān)系數(shù)分別為0.67、0.43、0.47，通過置信度為99％的顯著性檢驗(yàn)（表2）。此外，上述3個(gè)預(yù)測因子之間的相關(guān)系數(shù)（0.04、-0.10、0.34）均未通過置信度為99％的顯著性檢驗(yàn)，說明3個(gè)預(yù)測因子均代表不同的物理過程。

3.1.1 梅雨相關(guān)機(jī)理

SWP、NAP和EST究竟如何影響梅雨？我們使用超前滯后回歸分析預(yù)測因子相關(guān)的物理過程，并利用LBM設(shè)計(jì)相應(yīng)的敏感性試驗(yàn)驗(yàn)證相關(guān)機(jī)理。

與西太平洋持續(xù)的海平面氣壓正異常（SWP）對應(yīng)的是局地持續(xù)的負(fù)降水異常（圖4a、d）和赤道東太平洋、印度洋持續(xù)的正海溫異常（圖4b、e）。春季印度洋顯著的正海溫異常增強(qiáng)局地對流活動(dòng)，通過吉爾響應(yīng)產(chǎn)生東傳的開爾文波，東風(fēng)異常增強(qiáng)了西北太平洋反氣旋，導(dǎo)致中國南方正降水異常。夏季，印度洋夏季風(fēng)爆發(fā)，西南風(fēng)強(qiáng)盛導(dǎo)致正降水異常向北至長江流域。同時(shí)，熱帶東太平洋活躍的對流（上升運(yùn)動(dòng)）導(dǎo)致菲律賓海及西太平洋的對流受到抑制（下沉運(yùn)動(dòng)），沃克環(huán)流增強(qiáng)使西太平洋反氣旋增強(qiáng)，其西側(cè)的南風(fēng)持續(xù)將水汽向北輸送至長江中下游地區(qū)，增加了6—7月的梅雨降水。綜上所述，SWP反映的是由春到夏持續(xù)的熱帶海氣耦合模態(tài)，即印度洋正海溫異常及對流一方面通過開爾文波產(chǎn)生東風(fēng)異常，另一方面增強(qiáng)沃克環(huán)流，影響菲律賓和西太平洋的下沉運(yùn)動(dòng)，進(jìn)一步增強(qiáng)西太平洋反氣旋，最終增加6—7月梅雨降水。

為了驗(yàn)證上述機(jī)理，我們設(shè)計(jì)了LBM敏感性試驗(yàn)（圖5）。在6—7月背景態(tài)下，給定SWP對應(yīng)的非絕熱加熱時(shí)（圖5a），對流層低層印度洋上有顯著的東風(fēng)異常，即開爾文波響應(yīng);熱帶東太平洋出現(xiàn)輻合而西太平洋呈現(xiàn)顯著輻散，即沃克環(huán)流（圖5c）;二者的共同作用增強(qiáng)了西太平洋反氣旋異常。反氣旋異常西側(cè)的西南風(fēng)將熱帶水汽向北輸送（圖5b），由于東北亞氣旋異常阻攔水汽的進(jìn)一步向北輸送（圖5a），導(dǎo)致梅雨降水增多。因此，觀測診斷和數(shù)值試驗(yàn)都證明：SWP代表從春到夏持續(xù)的熱帶海氣耦合模態(tài)能影響東亞沿岸的經(jīng)向環(huán)流異常，進(jìn)而增強(qiáng)梅雨降水。

圖6給出了NAP相關(guān)的超前滯后相關(guān)空間分布。2—3月大西洋上空位勢高度場表現(xiàn)為北大西洋濤動(dòng)（North Atlantic Oscillation，NAO）的正位相（圖6a—c）。中高緯度還存在顯著的位勢高度異常正負(fù)交替的形勢：北大西洋正壓氣旋異常、西歐反氣旋異常、俄羅斯中部氣旋異常和中國北方反氣旋異常。波活動(dòng)通量清晰地顯示能量從北大西洋向下游傳播至中國北方（圖6a），表明該中緯度準(zhǔn)正壓羅斯貝波列顯著影響東亞環(huán)流形勢。4—5月，NAO由正位相轉(zhuǎn)變?yōu)樨?fù)位相（圖6d—f），北半球中高緯度波列環(huán)流中心轉(zhuǎn)變?yōu)椋罕贝笪餮蠛蜌W亞大陸北部的反氣旋異常，位于歐洲西北部和中國北部的氣旋異常。6—7月上述波列向下游略微移動(dòng)（圖6g—i），東北亞氣旋異常西側(cè)北風(fēng)（圖6i）將中高緯干冷空氣向南輸送，干冷空氣與南方暖濕空氣在長江流域相遇，導(dǎo)致梅雨偏多。因此，NAP代表3月至5月NAO相關(guān)中緯度遙相關(guān)波列的變化，即NAO相關(guān)中緯度遙相關(guān)波列增強(qiáng)東北亞氣旋進(jìn)而增強(qiáng)長江中下游梅雨。

給定NAP對應(yīng)的北大西洋渦度強(qiáng)迫時(shí)，歐亞大陸上空大氣環(huán)流響應(yīng)表現(xiàn)為顯著的波列（圖7），且環(huán)流中心與觀測基本一致。長江流域北側(cè)為氣旋異常（圖7c），西側(cè)北風(fēng)將高緯冷空氣輸送至長江流域，持續(xù)影響梅雨。因此，NAP代表NAO相關(guān)的中緯度準(zhǔn)正壓羅斯貝波列的變化，波列位相轉(zhuǎn)變增強(qiáng)了東北亞氣旋異常，最終增加梅雨降水。

圖8給出了EST相關(guān)的超前滯后空間分布。1—2月準(zhǔn)正壓的北太平洋氣旋異?？刂茤|亞地區(qū)，而太平洋反氣旋異常則占據(jù)熱帶太平洋（圖8a—c）。3—4月西伯利亞地表溫度迅速降低，對應(yīng)局地低壓異常（EST）。西伯利亞與熱帶增大的溫度梯度增強(qiáng)副熱帶緯向西風(fēng)急流（圖8d—f），維持了東亞和太平洋上空的經(jīng)向環(huán)流形勢。東亞沿岸40°N以北受北太平洋氣旋異?？刂?，40°N以南受熱帶太平洋反氣旋異常控制。在5—6月，上述經(jīng)向偶極型環(huán)流異常仍然控制東亞地區(qū)（圖8g—i），反氣旋異常西側(cè)的北風(fēng)異常和氣旋異常西側(cè)的南風(fēng)異常導(dǎo)致水汽在長江流域輻合，增加了5—6月梅雨。綜上所述，EST代表了西風(fēng)急流增強(qiáng)的影響，即通過維持東亞沿岸經(jīng)向偶極型環(huán)流異常，導(dǎo)致水汽在長江流域輻合、梅雨增多。

在5—6月氣候態(tài)背景下，給定EST對應(yīng)的負(fù)非絕熱加熱強(qiáng)迫，中國北方大氣環(huán)流響應(yīng)表現(xiàn)為氣旋異常（圖9），40°N以南則為反氣旋異常，與觀測結(jié)果一致。盡管敏感性試驗(yàn)中的北太平洋氣旋異常相比于觀測偏西偏北，但東亞至太平洋的經(jīng)向偶極型環(huán)流形勢模擬效果較好，說明EST對東亞上空環(huán)流有顯著影響。綜上所述，觀測診斷和模式試驗(yàn)結(jié)果表明，1月至4月EST影響東亞沿岸大氣經(jīng)向溫度梯度，增強(qiáng)西風(fēng)急流，影響東亞沿岸經(jīng)向偶極型環(huán)流異常，最終增強(qiáng)梅雨降水。

3.1.2 梅雨的物理經(jīng)驗(yàn)預(yù)測模型

前文通過觀測診斷和數(shù)值試驗(yàn)分別驗(yàn)證了SWP、NAP和EST影響6—7月梅雨的機(jī)理，據(jù)此，6—7月梅雨P(guān)E模型方程建立如下：MYI=0.42×SWP+0.42×NAP+0.34×EST，PE模型在訓(xùn)練期和獨(dú)立預(yù)測期的預(yù)測結(jié)果如圖10所示。預(yù)測因子的系數(shù)能夠反映其貢獻(xiàn)率，因此熱帶強(qiáng)迫（SWP）與副熱帶強(qiáng)迫（NAP、EST）貢獻(xiàn)相當(dāng)，進(jìn)一步驗(yàn)證梅雨是熱帶和中高緯度強(qiáng)迫同時(shí)作用的結(jié)果。

在訓(xùn)練期（1961—2000年）和獨(dú)立預(yù)測期（2001—2022年），PE模型均展現(xiàn)了優(yōu)秀的預(yù)測技巧（圖10）。訓(xùn)練期PE模型回報(bào)的時(shí)間序列與觀測MYI的TCC為0.79，通過了置信度為95％的顯著性檢驗(yàn);MSSS達(dá)到0.62說明PE模型的預(yù)測結(jié)果接近于觀測。此外，PE模型對觀測中降水多寡的預(yù)測準(zhǔn)確率（PC）達(dá)到85％;RMSE和MAE分別為0.59和0.48，進(jìn)一步說明PE模型預(yù)測結(jié)果與觀測的誤差較小。在獨(dú)立預(yù)測期，PE模型TCC達(dá)到0.77，幾乎與訓(xùn)練期持平且通過了置信度為95％的顯著性檢驗(yàn);MSSS為0.57，表示PE模型在獨(dú)立預(yù)測期能準(zhǔn)確地預(yù)測梅雨降水多寡;PC雖然略有降低（72％），但PE模型準(zhǔn)確預(yù)報(bào)出了2013年的干旱、2016年的洪澇和2020年的超強(qiáng)梅雨事件;RMSE和MAE分別為0.68和0.50，略有提高。綜上所述，從訓(xùn)練期到獨(dú)立預(yù)測期，本文建立的PE模型對6—7月梅雨具有顯著且穩(wěn)定的預(yù)測技巧，能夠準(zhǔn)確預(yù)測出梅雨極端異常。

3.2 梅雨的偏最小二乘回歸預(yù)測模型

PE模型相比于傳統(tǒng)統(tǒng)計(jì)模型的優(yōu)勢究竟如何？本文選用PLS方法，基于相似的預(yù)測因子，即4—5月平均的海平面氣壓場、5月減3月的海平面氣壓場以及4月減1月的2 m氣溫場（SWP、NAP、EST同期的同類氣候要素場）進(jìn)行建模。相比于PE模型，PLS模型相對囊括了更多的預(yù)測信息，那么PLS模型在訓(xùn)練期和獨(dú)立預(yù)測期的預(yù)報(bào)技巧是否也優(yōu)于PE模型呢？

PLS模型在訓(xùn)練期技巧更高，但獨(dú)立預(yù)測的技巧不如PE模型（圖11）。在訓(xùn)練期PLS模型回報(bào)長江流域的降水多寡準(zhǔn)確率為90％，高于PE模型的85％;序列相關(guān)性為0.86，MSSS評分為0.74，均略高于PE模型;回報(bào)的誤差相比于PE模型更?。≧MSE=0.49，MAE=0.35）。上述結(jié)果證實(shí)，在包含更多預(yù)測信息的情況下，PLS模型的預(yù)測技巧確實(shí)更高。但在獨(dú)立預(yù)測期，PLS模型的技巧顯著降低（TCC=0.43，MSSS=0.18，PC=59％）且誤差更大（RMSE=0.94，MAE=0.73）;說明在PLS模型的建立中，為提高對預(yù)報(bào)量的解釋率忽視了過擬合問題。尤其是對極端事件（2016年洪澇、2020年超強(qiáng)梅雨）的預(yù)測中，PLS預(yù)測模型幾乎沒有預(yù)測技巧。在不考慮物理機(jī)制的情況下，傳統(tǒng)統(tǒng)計(jì)模型雖然在訓(xùn)練期具有較高的回報(bào)技巧，但在獨(dú)立預(yù)報(bào)中并不能提供可靠的預(yù)報(bào)結(jié)果。

3.3 梅雨的機(jī)器學(xué)習(xí)預(yù)測模型

為了保證模型技巧對比的公平性，本文根據(jù)挑選的85個(gè)潛在預(yù)測因子對5種機(jī)器學(xué)習(xí)方法進(jìn)行訓(xùn)練和建模。基于5種機(jī)器學(xué)習(xí)方法的季節(jié)預(yù)測模型在訓(xùn)練期和獨(dú)立預(yù)測期的預(yù)測技巧如圖12所示。

在訓(xùn)練期，5種機(jī)器學(xué)習(xí)模型均具有極高的回報(bào)技巧（TCC分別為0.99、1.00、0.99、1.00、1.00），基本達(dá)到“完美擬合”的效果。根據(jù)機(jī)器學(xué)習(xí)模型的建立過程可知，數(shù)據(jù)量越大則誤差越低（RMSE分別為0.24、0.03、0.16、0.05、0.07）。受到學(xué)習(xí)能力差模型的影響，Random Forest模型的誤差相比于其他機(jī)器學(xué)習(xí)模型更高。雖然機(jī)器學(xué)習(xí)模型在訓(xùn)練期的預(yù)測技巧極高，但由于過擬合問題，在獨(dú)立預(yù)測期的預(yù)測技巧則顯著降低。5種機(jī)器學(xué)習(xí)模型預(yù)測的序列與觀測的TCC分別是0.18、0.06、0.25、0.12、0.24，均未通過置信度為90％的顯著性檢驗(yàn);MSSS最高只有0.21，最低為0，說明與觀測中梅雨降水的誤差巨大。機(jī)器學(xué)習(xí)模型在2001—2022年的同號命中率均不超過50％，表明22 a的獨(dú)立預(yù)測中，有10 a的旱澇情況預(yù)測失準(zhǔn)。機(jī)器學(xué)習(xí)模型預(yù)測的RMSE均大于1.00，MAE均大于0.70，2013、2017年的異常負(fù)降水和2015、2020年的異常正降水在5種機(jī)器學(xué)習(xí)模型的獨(dú)立預(yù)測中均未得到體現(xiàn)。值得注意是，2003—2006年長江流域均為負(fù)降水異常，但所有機(jī)器學(xué)習(xí)模型均預(yù)測為正降水異常;2015—2020年梅雨降水變率異常增加，所有機(jī)器學(xué)習(xí)模型預(yù)測的梅雨降水變率均偏低，說明5種機(jī)器學(xué)習(xí)模型由于不考慮梅雨形成的物理機(jī)制，產(chǎn)生了相同的預(yù)測誤差。綜上所述，即使在多種集成方法的支持下，機(jī)器學(xué)習(xí)模型也不能獨(dú)立、準(zhǔn)確地預(yù)測梅雨期降水，機(jī)器學(xué)習(xí)在實(shí)際業(yè)務(wù)預(yù)報(bào)中的應(yīng)用仍需慎重考慮。

綜上所述，本文建立的PE模型雖然在訓(xùn)練期的技巧不如傳統(tǒng)統(tǒng)計(jì)模型和機(jī)器學(xué)習(xí)模型，但在獨(dú)立預(yù)測期表現(xiàn)出更加優(yōu)越、可靠的預(yù)測技巧（時(shí)間相關(guān)系數(shù)和均方技巧得分分別是0.77和0.57），同時(shí)對梅雨極端異常也保持一定的預(yù)測水平，可以為業(yè)務(wù)部門預(yù)測提供參考。

4 結(jié)論與討論

本文分析了1961—2000年6—7月長江中下游梅雨的時(shí)空變化特征，通過觀測診斷和數(shù)值模式試驗(yàn)驗(yàn)證3個(gè)預(yù)測因子影響梅雨的機(jī)理，并據(jù)此建立了梅雨的物理經(jīng)驗(yàn)預(yù)測模型，得到以下主要結(jié)論：

1）6—7月中國降水的氣候態(tài)大值區(qū)和變率大值區(qū)均集中在長江中下游（108°～123°E，27°～33°N），且長江中下游整體的降水變率一致。太平洋-日本型遙相關(guān)是影響梅雨降水的主要環(huán)流系統(tǒng)，同時(shí)赤道東太平洋、印度洋、赤道大西洋正海溫異常和中緯度遙相關(guān)波列也與梅雨降水顯著相關(guān)。

2）本文確定了3個(gè)影響梅雨的預(yù)測因子：4—5月平均的西北太平洋海平面氣壓正異常（SWP）、3月至5月的北大西洋海平面氣壓負(fù)變壓傾向（NAP）、1月至4月的西伯利亞2 m溫度負(fù)傾向（EST）。SWP代表持續(xù)的熱帶海氣耦合模態(tài)：印度洋和赤道東太平洋的正海溫異常影響局地的正對流活動(dòng)，并通過開爾文波響應(yīng)和沃克環(huán)流增強(qiáng)西北太平洋反氣旋異常，而反氣旋西側(cè)的西南風(fēng)將熱帶水汽向北輸送至長江中下游地區(qū)，最終增加梅雨降水;3月至5月的北大西洋海平面氣壓負(fù)變壓傾向（NAP）反映了春季至夏季北大西洋濤動(dòng)（NAO）位相轉(zhuǎn)換對東亞環(huán)流形勢的影響，NAO位相轉(zhuǎn)換影響了從北大西洋向下游傳播至中國的中緯度遙相關(guān)波列，最終增強(qiáng)江淮上空的氣旋異常，有助于梅雨鋒面的形成;1月至4月的西伯利亞2 m溫度負(fù)傾向（EST）增大了西伯利亞與熱帶的溫度梯度，導(dǎo)致東亞上空西風(fēng)急流增強(qiáng)，維持了東亞沿岸正壓的經(jīng)向偶極型環(huán)流（北太平洋氣旋異常和熱帶太平洋反氣旋異常），長江流域上空南風(fēng)異常和北風(fēng)異常帶來冷暖空氣相遇，導(dǎo)致梅雨偏多。

3）基于上述具有物理意義且相互獨(dú)立的預(yù)測因子，本文建立了6—7月梅雨P(guān)E預(yù)測模型。在1961—2000年訓(xùn)練期和2001—2022年獨(dú)立預(yù)測期間，TCC（MSSS）技巧分別達(dá)到了顯著的0.79（0.62）和0.77（0.57）;對梅雨極端異常也具有一定的預(yù)測水平。相對地，PLS預(yù)測模型和5種機(jī)器學(xué)習(xí)預(yù)測模型雖然在訓(xùn)練期具有極高的預(yù)測技巧，機(jī)器學(xué)習(xí)算法甚至能達(dá)到“完美擬合”效果，但在獨(dú)立預(yù)測期PLS預(yù)測模型和5種機(jī)器學(xué)習(xí)預(yù)測模型的預(yù)測技巧顯著降低（相關(guān)系數(shù)最高為0.43），且對梅雨極端異常幾乎沒有預(yù)測技巧。因此，相較于傳統(tǒng)的統(tǒng)計(jì)模型以及機(jī)器學(xué)習(xí)方法，強(qiáng)調(diào)物理機(jī)制的PE模型具有更穩(wěn)定、可靠的預(yù)測技巧，在業(yè)務(wù)應(yīng)用中具有更可靠的應(yīng)用前景。

本文建立的梅雨物理經(jīng)驗(yàn)預(yù)測模型雖然對6—7月長江中下游梅雨具有很高的預(yù)測技巧，但對于梅雨極端異常的預(yù)測水平偏低，如在2016和2020年，雖能預(yù)報(bào)出旱澇形勢，但預(yù)報(bào)不出超強(qiáng)梅雨異常，因此有待進(jìn)一步考慮次季節(jié)變率影響。本文雖然探討了3個(gè)預(yù)測因子影響梅雨的物理機(jī)制，但梅雨可預(yù)報(bào)性來源仍需進(jìn)一步探究，如NAO位相轉(zhuǎn)換的外強(qiáng)迫源及西伯利亞地表溫度負(fù)變壓傾向的來源。此外，近年來梅雨變率增強(qiáng)，而調(diào)控東亞夏季降水的熱帶海溫也存在年代際變化，因此預(yù)測因子和預(yù)報(bào)量之間的關(guān)系是否穩(wěn)定也是統(tǒng)計(jì)預(yù)測中需要考慮的重要問題。

參考文獻(xiàn)（References）

Breiman L，2001.Random forests［J］.Mach Learn，45（1）：5-32.

陳文，丁碩毅，馮娟，等，2018.不同類型ENSO對東亞季風(fēng)的影響和機(jī)理研究進(jìn)展［J］.大氣科學(xué)，42（3）：640-655. Chen W，Ding S Y，F(xiàn)eng J，et al.，2018.Progress in the study of impacts of different types of ENSO on the East Asian monsoon and their mechanisms［J］.Chin J Atmos Sci，42（3）：640-655.doi：10.3878／j.issn.1006-9895.1801.17248.（in Chinese）.

Chen T Q，Guestrin C，2016.XGBoost：a scalable tree boosting system［J］.arXiv：1603.02754.doi：10.48550／arXiv.1603.02754.

崔佳旭，楊博，2018.貝葉斯優(yōu)化方法和應(yīng)用綜述［J］.軟件學(xué)報(bào)，29（10）：3068-3090. Cui J X，Yang B，2018.Survey on Bayesian optimization methodology and applications［J］.J Softw，29（10）：3068-3090.doi：10.13328／j.cnki.jos.005607.（in Chinese）.

Ding Y H，1992.Summer monsoon rainfalls in China［J］.J Meteor Soc Jpn，70（1B）：373-396.doi：10.2151／jmsj1965.70.1b-373.

Ding Y H，Liang P，Liu Y J，et al.，2020.Multiscale variability of Meiyu and its prediction：a new review［J］.J Geophys Res：Atmos，125（7）：e2019jd031496.doi：10.1029／2019jd031496.

Ding Y H，Liu Y Y，Hu Z Z，2021.The record-breaking Mei-yu in 2020 and associated atmospheric circulation and tropical SST anomalies［J］.Adv Atmos Sci，38（12）：1980-1993.doi：10.1007／s00376-021-0361-2.

Dorogush A V，Ershov V，Gulin A，2018.CatBoost：gradient boosting with categorical features support［J］.arXiv：1810.11363.doi：10.48550／arXiv.1810.11363.

范可，王會(huì)軍，Choi Y J，2007.一個(gè)長江中下游夏季降水的物理統(tǒng)計(jì)預(yù)測模型［J］.科學(xué)通報(bào)，52（24）：2900-2905. Fan K，Wang H J，Choi Y J，2007.A physically-based statistical forecast model for summer rainfall in the middle-lower reaches of the Yangtze River［J］.Chin Sci Bull，52（24）：2900-2905.（in Chinese）.

Fan P Y，Yang J，Zhang Z P，et al.，2023.Summer precipitation prediction in eastern China based on machine learning［J］.Climate Dyn，60（9）：2645-2663.doi：10.1007／s00382-022-06464-1.

Freund Y，Schapire R E，1997.A decision-theoretic generalization of on-line learning and an application to boosting［J］.J Comput Syst Sci，55（1）：119-139.doi：10.1006／jcss.1997.1504.

Guan W N，Ren X J，Shang W，et al.，2018.Subseasonal zonal oscillation of the western Pacific subtropical high during early summer［J］.J Meteor Res，32（5）：768-780.doi：10.1007／s13351-018-8061-2.

Guo D，Gao Y Q，Bethke I，et al.，2014.Mechanism on how the spring Arctic sea ice impacts the East Asian summer monsoon［J］.Theor Appl Climatol，115（1／2）：107-119.doi：10.1007／s00704-013-0872-6.

Hersbach H，Bell B，Berrisford P，et al.，2020.The ERA5 global reanalysis［J］.Quart J Roy Meteor Soc，146（730）：1999-2049.doi：10.1002／qj.3803.

Huang B Y，Thorne P W，Banzon V F，et al.，2017.Extended reconstructed sea surface temperature，version 5 （ERSSTv5）：upgrades，validations，and intercomparisons［J］.J Climate，30（20）：8179-8205.doi：10.1175／JCLI-D-16-0836.1.

Huang H J，Zhu Z W，Li J，2024.Disentangling the unprecedented Yangtze River Basin extreme high temperatures in summer 2022：combined impacts of the reintensified La Nia and strong positive NAO［J］.J Climate，37（3）：927-942.doi：10.1175／jcli-d-23-0466.1.

Ke G L，Meng Q，F(xiàn)inley T，et al.，2017.LightGBM：a highly efficient gradient boosting decision tree［C］／／Proceedings of the 31st international conference on neural information processing systems，December 4—9，2017，Long Beach，California，USA.ACM：3149-3157.doi：10.5555／3294996.3295074.

Kobayashi S，Ota Y，Harada Y，et al.，2015.The JRA-55 reanalysis：general specifications and basic characteristics［J］.J Meteor Soc Jpn，93（1）：5-48.doi：10.2151／jmsj.2015-001.

Li C F，Scaife A A，Lu R Y，et al.，2016.Skillful seasonal prediction of Yangtze River valley summer rainfall［J］.Environ Res Lett，11（9）：094002.doi：10.1088／1748-9326／11／9／094002.

Li J，Wang B，Yang Y M，2017.Retrospective seasonal prediction of summer monsoon rainfall over West Central and Peninsular India in the past 142 years［J］.Climate Dyn，48（7）：2581-2596.doi：10.1007／s00382-016-3225-1.

Li J，Zheng C S，Yang Y，et al.，2023.Predictability of spatial distribution of pre-summer extreme precipitation days over southern China revealed by the physical-based empirical model［J］.Climate Dyn，61（5）：2299-2316.doi：10.1007／s00382-023-06681-2.

劉蕓蕓，丁一匯，2020.2020年超強(qiáng)梅雨特征及其成因分析［J］.氣象，46（11）：1393-1404. Liu Y Y，Ding Y H，2020.Characteristics and possible causes for the extreme Meiyu in 2020［J］.Meteor Mon，46（11）：1393-1404.doi：10.7519／j.issn.1000-0526.2020.11.001.（in Chinese）.

Lu R Y，2000.Anomalies in the tropics associated with the heavy rainfall in East Asia during the summer of 1998［J］.Adv Atmos Sci，17（2）：205-220.doi：10.1007／s00376-000-0004-y.

Lu R Y，Oh J H，Kim B J，2002.A teleconnection pattern in upper-level meridional wind over the North African and Eurasian continent in summer［J］.Tellus：Ser A，54（1）：44-55.doi：10.3402／tellusa.v54i1.12122.

苗春生，何東坡，王堅(jiān)紅，等，2017.基于C4.5算法的長江中下游地區(qū)夏季降水預(yù)測模型研究及應(yīng)用［J］.氣象科學(xué)，37（2）：256-264. Miao C S，He D P，Wang J H，et al.，2017.Research and application of summer rainfall prediction model in the middle and lower reaches of the Yangtze River based on C4.5 algorithm［J］.J Meteor Sci，37（2）：256-264.doi：10.3969／2016jms.0052.（in Chinese）.

Nitta T，1986.Long-term variations of cloud amount in the western Pacific region［J］.J Meteor Soc Jpn，64（3）：373-390.doi：10.2151／jmsj1965.64.3-373.

Ren X J，Yang D J，Yang X Q，2015.Characteristics and mechanisms of the subseasonal eastward extension of the South Asian high［J］.J Climate，28（17）：6799-6822.doi：10.1175／JCLI-D-14-00682.1.

沈皓俊，羅勇，趙宗慈，等，2020.基于LSTM網(wǎng)絡(luò)的中國夏季降水預(yù)測研究［J］.氣候變化研究進(jìn)展，16（3）：263-275. Shen H J，Luo Y，Zhao Z C，et al.，2020.Prediction of summer precipitation in China based on LSTM network［J］.Clim Change Res，16（3）：263-275.doi：10.12006／j.issn.1673-1719.2019.067.（in Chinese）.

宋進(jìn)波，陸爾，屠菊青，等，2018.長江中下游6—7月降水的降尺度模型［J］.大氣科學(xué)學(xué)報(bào)，41（1）：85-92. Song J B，Lu E，Tu J Q，et al.，2018.A statistical downscaling model for the summer rainfall over the middle and lower reaches of the Yangtze River Basin［J］.Trans Atmos Sci，41（1）：85-92.doi：10.13878／j.cnki.dqkxxb.20160120001.（in Chinese）.

孫博，王會(huì)軍，黃艷艷，等，2023.2022年夏季中國高溫干旱氣候特征及成因探討［J］.大氣科學(xué)學(xué)報(bào)，46（1）：1-8. Sun B，Wang H J，Huang Y Y，et al.，2023.Characteristics and causes of the hot-dry climate anomalies in China during summer of 2022［J］.Trans Atmos Sci，46（1）：1-8.（in Chinese）.

陶麗，于國強(qiáng)，王學(xué)兵，2020.PJ遙相關(guān)型對長江中下游夏季降水影響的不對稱性［J］.大氣科學(xué)學(xué)報(bào)，43（2）：299-309. Tao L，Yu G Q，Wang X B，2020.Asymmetric effect of Pacific-Japan teleconnection pattern on summer precipitation in middle and lower reaches of Yangtze River［J］.Trans Atmos Sci，43（2）：299-309.doi：10.13878／j.cnki.dqkxxb.20180315001.（in Chinese）.

陶詩言，張慶云，張順利，1998.1998年長江流域洪澇災(zāi)害的氣候背景和大尺度環(huán)流條件［J］.氣候與環(huán)境研究，3（4）：290-299. Tao S Y，Zhang Q Y，Zhang S L，1998.The great floods in the Changjiang River Valley in 1998［J］.Clim Environ Res，3（4）：290-299.doi：10.3878／j.issn.1006-9585.1998.04.01.（in Chinese）.

Wang B，Lin H，2002.Rainy season of the Asian—Pacific summer monsoon［J］.J Climate，15（4）：386-398.doi：10.1175／1520-0442（2002）015<0386：rsotap>2.0.co;2.

Wang B，Wu R G，F(xiàn)u X H，2000.Pacific-East Asian teleconnection：how does ENSO affect East Asian climate？［J］.J Climate，13（9）：1517-1536.doi：10.1175／1520-0442（2000）0131517：PEATHD>2.0.CO;2.

Wang B，Xiang B Q，Li J，et al.，2015.Rethinking Indian monsoon rainfall prediction in the context of recent global warming［J］.Nat Commun，6：7154.doi：10.1038／ncomms8154.

王麗娟，何金海，司東，等，2010.東北冷渦過程對江淮梅雨期降水的影響機(jī)制［J］.大氣科學(xué)學(xué)報(bào)，33（1）：89-97. Wang L J，He J H，Si D，et al.，2010.Analysis of impacts of northeast cold vortex processes on Meiyu rainfall period over Yangtze-Huaihe River basin［J］.Trans Atmos Sci，33（1）：89-97.doi：10.13878／j.cnki.dqkxxb.2010.01.013.（in Chinese）.

Watanabe M，Kimoto M，2000.Atmosphere-ocean thermal coupling in the North Atlantic：a positive feedback［J］.Quart J Roy Meteor Soc，126（570）：3343-3369.doi：10.1002／qj.49712657017.

Wold S，Ruhe A，Wold H，et al.，1984.The collinearity problem in linear regression：the partial least squares （PLS） approach to generalized inverses［J］.SIAM J Sci Stat Comput，5（3）：735-743.doi：10.1137／0905052.

Wu B，Zhou T J，Li T，2017.Atmospheric dynamic and thermodynamic processes driving the western North Pacific anomalous anticyclone during El Nio.Part Ⅱ：formation processes［J］.J Climate，30（23）：9637-9650.doi：10.1175／jcli-d-16-0495.1.

吳佳，高學(xué)杰，2013.一套格點(diǎn)化的中國區(qū)域逐日觀測資料及與其它資料的對比［J］.地球物理學(xué)報(bào)，56（4）：1102-1111. Wu J，Gao X J，2013.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chin J Geophys，56（4）：1102-1111.（in Chinese）.

Wu Z W，Yu L L，2016.Seasonal prediction of the East Asian summer monsoon with a partial-least square model［J］.Climate Dyn，46（9）：3067-3078.doi：10.1007／s00382-015-2753-4.

Xie S P，Kosaka Y，Du Y，et al.，2016.Indo-western Pacific Ocean capacitor and coherent climate anomalies in post-ENSO summer：a review［J］.Adv Atmos Sci，33（4）：411-432.doi：10.1007／s00376-015-5192-6.

Xing W，Wang B，Yim S Y，2016.Long-lead seasonal prediction of China summer rainfall using an EOF-PLS regression-based methodology［J］.J Climate，29（5）：1783-1796.doi：10.1175／jcli-d-15-0016.1.

Xing W，Wang B，Yim S Y，et al.，2017.Predictable patterns of the May—June rainfall anomaly over East Asia［J］.J Geophys Res：Atmos，122（4）：2203-2217.doi：10.1002／2016jd025856.

楊淑賢，零豐華，應(yīng)武杉，等，2022.人工智能技術(shù)氣候預(yù)測應(yīng)用簡介［J］.大氣科學(xué)學(xué)報(bào)，45（5）：641-659. Yang S X，Ling F H，Ying W S，et al.，2022.A brief overview of the application of artificial intelligence to climate prediction［J］.Trans Atmos Sci，45（5）：641-659.doi：10.13878／j.cnki.dqkxxb.20210623003.（in Chinese）.

Yang Y，Zhu Z W，Shen X Y，et al.，2023.The influences of Atlantic sea surface temperature anomalies on the ENSO-independent interannual variability of East Asian summer monsoon rainfall［J］.J Climate，36（2）：677-692.doi：10.1175／JCLI-D-22-0061.1.

Yim S Y，Wang B，Xing W，2014.Prediction of early summer rainfall over South China by a physical-empirical model［J］.Climate Dyn，43（7）：1883-1891.doi：10.1007／s00382-013-2014-3.

Zhang C，Jia X J，Wen Z P，2021.Increased impact of the Tibetan Plateau spring snow cover to the Mei-yu rainfall over the Yangtze River Valley after the 1990s［J］.J Climate，34（14）：5985-5997.doi：10.1175／jcli-d-21-0009.1.

張丹琦，孫鳳華，張耀存，2019.基于BCC第二代短期氣候預(yù)測模式系統(tǒng)的中國夏季降水季節(jié)預(yù)測評估［J］.高原氣象，38（6）：1229-1240. Zhang D Q，Sun F H，Zhang Y C，2019.Evaluation of seasonal prediction for summer rainfall in China based on BCC second-generation short-range climate forecast systerm［J］.Plateau Meteor，38（6）：1229-1240.doi：10.7522／j.issn.1000-0534.2018.00149.（in Chinese）.

張強(qiáng)，2022.科學(xué)解讀“2022年長江流域重大干旱”［J］.干旱氣象，40（4）：545-548. Zhang Q，2022.Scientific interpretation of severe drought in the Yangtze River Basin［J］.J Arid Meteor，40（4）：545-548.doi：10.11755／j.issn.1006-7639（2022）-04-0545.（in Chinese）.

張慶云，陶詩言，1998.亞洲中高緯度環(huán)流對東亞夏季降水的影響［J］.氣象學(xué)報(bào)，56（2）：199-211. Zhang Q Y，Tao S Y，1998.Influence of Asian mid-high latitude circulation on East Asian summer rainfall［J］.Acta Meteor Sin，56（2）：199-211.（in Chinese）.

張慶云，陶詩言，2003.夏季西太平洋副熱帶高壓異常時(shí)的東亞大氣環(huán)流特征［J］.大氣科學(xué)，27（3）：369-380. Zhang Q Y，Tao S Y，2003.The anomalous subtropical anticyclone in western Pacific and their association with circulation over East Asia during summer［J］.Chin J Atmos Sci，27（3）：369-380.（in Chinese）.

Zhao J H，Zhang H，Zuo J Q，et al.，2022.Oceanic drivers and empirical prediction of interannual rainfall variability in late summer over Northeast China［J］.Climate Dyn，58（3）：861-878.doi：10.1007／s00382-021-05945-z.

Zhou X Y，Liu F，Wang B，et al.，2019.Different responses of East Asian summer rainfall to El Nio decays［J］.Climate Dyn，53（3）：1497-1515.doi：10.1007／s00382-019-04684-6.

Zhu Z W，F(xiàn)eng Y N，Jiang W，et al.，2023.The compound impacts of sea surface temperature modes in the Indian and North Atlantic Oceans on the extreme precipitation days in the Yangtze River Basin［J］.Climate Dyn，61（7）：3327-3341.doi：10.1007／s00382-023-06733-7.

Zuo Z Y，Zhang R H，2016.Influence of soil moisture in eastern China on the East Asian summer monsoon［J］.Adv Atmos Sci，33（2）：151-163.doi：10.1007／s00376-015-5024-8.