1. 引言
气候变化对社会以及经济的长远发展有着重要的影响，发展季节预测，提高季节预测的准确率已经显得越来越重要 [1]。在季节预测长期发展的过程中，学者们提出了不同的预测方法与工具。在预测季节气候变化研究这方面，气候系统模式是主要的科学工具 [2]。近年来，新版本的气候系统模式的发展与建立在研究气候变化的过程中发挥着一定的作用 [2]。国内外的研究学者应用气候系统模式对温度、降水以及环流场等进行了评估 [3]。自政府间气候变化专门委员会(IPCC)第一次评估报告以来，气候系统模式在研发与应用方面有了很大的提高，从IPCC 第五次评估报告(IPCC AR5)中可以看出，第四次评估报告到第五次评估报告，在再现历史气候方面，参与国际耦合模式比较计划第五阶段(CMIP5)的气候模式的预测能力在很多方面有了明显的提高 [4]。气候系统模式在再现历史气候变化，研究现在以及预测未来气候变化方面发挥的作用越来越大 [2]。
中国地处东亚季风区，青藏高原大地形、盆地以及平原交错，由于季风活动以及复杂地形的原因，气候异常对中国造成了不同程度的影响 [5] [6]，因此，研究降水、气温等要素的特征变化及评估气候系统模式模拟其变化规律的能力对防灾减灾具有重要参考价值。近年来气象学者们利用不同的全球气候模式对中国夏季降水进行了较为全面的研究，研究结果表明，CMIP5的10个模式降水预测误差小值区在夏半年位于东部季风区，而在青藏高原以及西北部分地区，误差偏多 [7]。刘等 [8] 研究发现，13个IPCC AR4模式对于中国地区地面气温的预测能力较好，然而预测值系统性偏低，模式的预测能力在中西部地区较低，在东部地区较高；模式高估了北方地区以及西北干旱少雨地区的降水量，多数模式对于中国东部季风区夏季雨带的北抬具有一定的预测能力，但是预测结果较观测的偏北。FGOALS-S2耦合模式具有再现1961~2005年中国区域夏季降水分布特征的预测能力，然而，在EOF空间场上，模式对于中国东部地区典型的模态分布型的预测能力较低 [3]。
中国地区冬季降水量偏小，南方为主雨区，并且降水年际变化明显，降水的异常可能会造成不同程度的影响 [9]。国内外的气象学者对中国冬季降水的研究相较于夏季降水少，因此，本研究评估了ENSEMBLES对中国地区冬季降水、2 m气温以及850 hPa风场的预测能力，为提高季节性预报的准确率和气象防灾减灾提供一定的科学依据。
2. 资料和方法
2.1. 资料
2.1.1. ENSEMBLES介绍
ENSEMBLES (Ensemble-Based Predictions of Climate Changes and Their Impacts)计划是由欧洲联盟发展的多模式集合系统，它利用欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts)的ECMWF模式，基尔大学莱布尼茨海洋科学研究所(Leibniz Institute of Marine Sciences at Kiel University)的IFM-GEOMAR模式，法国气象局(Météo-France)的MF模式，英国气象局(UK Met Office)的UKMO模式，以及欧洲–地中海气候变化中心(Euro-Mediterranean Center for Climate Change)的CMCC-INGV模式5个全球海气耦合模式，提供了1960~2005年的回报试验 [10] [11]。
本研究选取1980~2005年期间的5个模式的回报试验结果与观测结果作比较。5个全球海气耦合模式各自包含9个初始条件不同的成员，均从每年的2月1日、5月1日、8月1日和11月1日起报，其中2月、5月和8月起报的试验向后预测7个月，11月起报的试验(CMCC-INGV除外)向后预测14个月。因此，冬季(12月、1月和2月，DJF)可以分别从8月(超前四个月)和11月(超前一个月)起报的试验结果中获得。
2.1.2. 观测资料
本文中用于与模式对比的观测资料为：1) 1980~2005年全球降水气候计划(Global Precipitation Climatology Project, GPCP)提供的分辨率为2.5˚ × 2.5˚的逐月降水资料 [12]；2) 1980~2005年美国国家环境预报中心和美国能源部(National Centers for Environmental Prediction-U.S. Department of Energy, NCEP-DOE)提供的NCEP2逐月2 m气温和风场再分析资料，分辨率为2.5˚ × 2.5˚ [13]。
2.2. 方法
本研究在关注各个模式的模拟效果的同时也着重关注多模式集合平均(Multi-Model Ensemble, MME)的预测结果 [14] [15]。
本研究引入了Taylor图分析方法对气候态的预测效果进行评估 [16]。泰勒图提供了一种图形化的方法来总结预测场和观测场之间的对应程度，两个场之间的相似性通过相对标准差、均方根误差和相关系数来量化。
图1为泰勒图分析方法示意图，在图1中，REF所表示的点代表观测场的位置，图中的每一个字母表示不同的模式。预测场和观测之间的均方根误差用REF到字母间的距离表示，O点和字母间的长度代表预测场和观测场之间的相对标准差，OA延长线与最外圈圆弧的交点坐标值表示预测场与观测的相关系数。图中字母的位置离REF点越近，表明预测的结果与观测的结果相似度越好，位于虚线弧上的模式具有正确的标准差，表明模式的变化幅度是正确的 [16]。由图1可以看到，模式A的预测效果优于模式B。
本文中也使用了相关分析和EOF分析方法来评估模式预测的能力。
Figure 1. The schematic diagram of Taylor method
图1. Taylor图方法示意图
3. 中国冬季降水、2 m气温、850 hPa风场的评估
3.1. 气候场空间分布模拟能力的评估
图2中逐月对比了观测与ENSEMBLES中8月和11月起报的冬季多年平均降水与风场气候态。由观测场可以看出，从12月到2月，降水量在逐月增加，其中12月降水量较少，主要位于中东部地区，至2月，降水区域略微西伸，长江以南降水强度逐渐增大，降水大值中心出现在江西以及福建，其中福建东部沿海地区降水强度达到了4.9 mm/d。对于风场，由12月到2月的逐月观测结果可以看出，在青藏高原地区，偏西风强盛。内蒙古东部、东北以及华北地区维持着强盛的西北风。
从基于不同起报时间的多模式集合平均的结果来看，逐月降水与环流场同观测场的空间分布相似性较高，相关系数均大于0.91。在中国的大部地区，预测的逐月降水量及范围均高于观测。MME预测的降水区域较观测的偏西，降水大值中心略微偏北，这在2月尤为明显。对于风场，MME低估了青藏高原的偏西风。总体上看，MME较好地模拟出了冬季逐月降水、环流场的分布特征，超前一个月的MME的预测能力略高于超前四个月的预测能力。
从观测的(图3)和由8月起报的中国冬季平均降水以及850 hPa风场的气候态可以看出，MME (图3(b))以及各个模式(图3(c)~(g))对中国地区冬季降水强度、位置的预测效果较好，基本能预测出中东部地区雨水集中的特点。对比观测与ENSEMBLES预测结果，可以看出模式预测的降水范围均偏北且模式预测的青藏高原地区东部边缘的降水偏多。对于风场，MME以及各个模式能够较好地预测出环流场气候态，模式对于内蒙古东部、东北以及华北地区的西北风预测效果较好，然而对于青藏高原地区风场的预测结果偏弱。总体而言，模式对于内蒙古东部、东北以及华北地区风场的预测能力高于青藏高原地区。11月起报的结果(图略)与8月起报的结果类似。
Figure 2. Monthly precipitation (Unit: mm/d) and 850 hPa wind field (Unit: m/s) climatology in winter in China (1980~2005); (a), (d), (g) is the observation field, (b), (e), (h) is the MME for August initialization, (c), (f), (i) is the MME for November initialization; the values of Pr, U and V on the upper right represent the spatial correlation coefficients of precipitation, U and V between MME and observation field
图2. 中国冬季逐月降水(单位：mm/d)和850 hPa风场(单位：m/s)气候态(1980~2005)；(a)，(d)，(g)为观测场，(b)，(e)，(h)为8月起报的多模式集合平均，(c)，(f)，(i)为11月起报的多模式集合平均；右上Pr，U，V的值分别表示MME与观测场之间降水，U，V风的空间相关系数
Figure 3. Winter mean precipitation (mm/d), 850 hPa wind field (m/s) climatic state (1980~2005), model results reported from August; (a) is the observation field, (b) is the MME, and (c)~(g) is the prediction result of individual models respectively. The values of Pr, U and V in the upper right represent the spatial correlation coefficients of precipitation, U and V between the model and the observation field
图3. 中国冬季平均降水(mm/d)，850 hPa风场(m/s)气候态(1980~2005)，模式结果由8月起报；(a)为观测场，(b)为多模式集合平均，(c)~(g)分别为单个模式的预测结果；右上Pr，U，V的值分别表示模式与观测场之间降水，U，V风的空间相关系数
为了进一步直观明了地比较模式对中国地区冬季平均降水、2 m气温以及850 hPa风场气候态的预测效果，在图4中给出了各个模式以及MME预测的结果和相应观测资料对比的泰勒图。从图4可以看出，对于降水，各个模式预测与观测的相对标准差都大于1，表明模式预测结果偏强，各个模式预测场和观测场的相关系数均大于0.89，通过了95%显著性检验，两者相似性较高。各个模式预测场和观测场的均方根误差在0.25~0.6之间。由图4可以看出，MME及各个模式(MF模式除外)对中国冬季降水具有较好的预测效果，11月起报的预测效果优于8月起报。结合图5(a)由8月起报的MME冬季降水模拟与观测结果之间的差值场(11月起报的结果相似)可以看到，MME高估了中国大部地区的降水，且在青藏高原东部边缘地区存在一个虚假的大值中心，对比刘敏等 [8] 评估13个CMIP5模式以及陈晓晨等 [17] 评估43个CMIP5模式预测降水的能力时发现，相比于CMIP3模式，CMIP5模式同样存在对青藏高原地区降水系统性高估的特征，产生这个误差的原因可能是全球模式对于高原的动力热力作用的描述能力有限 [8]。从对中国地区冬季平均降水预测的5个模式间标准差可以看到(图5(b))，各个模式对于降水气候态预测的一致性有待于进一步的提高。模式对于北方大部地区预测的一致性高于南方地区，对于西南部分地区以及华东地区的降水，五个模式间预测存在较大的差异。
对于2 m气温，由图4可以看到，各个预测场与观测场的相关系数大于0.96，通过了95%显著性检验，均方根误差小于0.5，各模式与观测的相对标准差处于0.75~1.25之间。不难看出，UKMO模式的预测能力低于其他模式。图5(c)由8月起报的MME冬季2 m气温模拟与观测结果之间的差值场(11月起报的结果相似)可以看到，青藏高原地区、内蒙古中部地区以及东北东部地区存在虚假的高值中心，南疆和西南地区出现了冷偏差。预测所产生的误差可能是由于这些地区地形陡峭且变化较大，实际地形和模式地形之间不匹配而造成的 [8]。总体而言，MME能够较好地预测出中国地区2 m气温气候态的分布特征，但对大部地区有所高估。由图5(d)可以看到，对于北方地区，五个模式间预测差异较大，尤其在新疆地区，差异更为明显，而在东部沿海地区，五个模式预测的一致性较高。
Figure 4. Taylor diagram of the winter mean precipitation (Precip), 2 m air temperature (Temp), and 850 hPa wind (V, U) over the period of 1980~2005 in China (15˚~55˚N, 70˚~140˚E). REF is the position of the observed field in the Taylor diagram. Blue is for August initialization (AUG), and red is for November initialization (NOV)
图4. 1980~2005年中国地区(15˚~55˚N，70˚~140˚E)冬季平均降水(Precip)，2 m气温(Temp)和850 hPa风(V，U)的泰勒图。REF表示泰勒图中观测场的位置。蓝色表示8月起报(AUG)，红色表示11月起报(NOV)
Figure 5. The deviation between observation ((a), (c)) and the winter mean precipitation (mm/d; (a), (b)) and 2 m temperature (˚C; (c), (d)) predicted by MME from August, as well as standard deviation between 5 models ((b), (d))
图5. 观测((a)，(c))和由8月起报的MME冬季平均降水(mm/d；(a)，(b))和2 m气温(℃；(c)；(d))间的偏差以及5个模式间标准差((b)，(d))
对于850 hPa风场，由图4可以看到，各模式预测的中国冬季经向风场、纬向风场和观测场的相关系数处于0.82~0.96之间，通过了95%显著性检验，均方根误差处于0.25~0.75之间。对于纬向风场，相对标准差处于0.8~1.1之间；对于经向风场，相对标准差处于0.75~1之间。MME预测场与观测场之间的相关系数较高，标准差以及均方根误差较小，MME对于850 hPa风场的模拟能力较高。各个模式之间对于850 hPa风场的预测差异性比较大。
总体上看，各个模式都具备预测中国冬季降水、2 m气温以及850 hPa风场主要特征的能力，对比不同起报时间模拟的结果，不难发现，超前四个月起报的MME和各模式对于降水以及风场气候态的预测效果略逊于超前一个月起报的效果(MF模式除外)。模式对于2 m气温的预测效果是最优的，模式对冬季降水的预测效果低于对2 m气温的预测效果。贾小龙等 [18] 利用最优BP-CCA模型对中国冬季降水以及温度进行研究时，同样发现，模式对于降水的可预报性低于温度。此外，无论是8月还是11月起报，在模拟效果方面，MME都表现出了较好的预测能力。
3.2. 年际变化相关性检验
图6对观测和基于11月和8月起报的ENSEMBLES多模式集合平均预测的冬季降水和2 m气温年际变化的相关性进行了检验。对于降水，由11月(图6(a))和8月(图6(b))起报的MME与观测的相关系数通过95%显著性检验的区域位于南疆和长江中下游地区，而对于东北、内蒙古、华北地区，MME预测效果最差。对于2 m气温，由11月(图6(c))和8月(图6(d))起报的相关系数通过95%显著性检验的区域主要位于新疆西部，MME对于西藏预测效果最差。可以看到，不同时间起报的MME对于新疆大部地区的冬季降水和2 m气温都具有较高的预报技巧。
Figure 6. Correlation coefficients distribution of the annual variation between observation and the winter mean precipitation (mm/d; (a), (b)) and 2 m temperature (˚C; (c), (d)) predicted by MME from November ((a), (c)) and August ((b), (d)). The stippling area means passing 95% significance test
图6. 观测和由11月((a)，(c))和8月((b)，(d))起报的MME预测冬季平均降水(mm/d；(a)，(b))和2 m气温(℃；(c)，(d))的年际变化的相关系数分布。打点区域表示通过95%的显著性检验
3.3. EOF主要模态
图7中对观测和基于11月和8月起报的MME预测的中国地区冬季降水和2 m气温分别做EOF分析。
Figure 7. The first two modes (1980~2005) of winter mean precipitation (left) and 2 m temperature (right) EOF observed (a)~(d) and MME in China, the predicted results are based on (e)~(h) November and (i)~(l) August initialization, and the value in the upper right label is the spatial correlation coefficient between MME and observation results. The percentage above the spatial correlation coefficient is the variance contribution of each mode
图7. 中国地区观测(a)~(d)和MME的冬季平均降水(左)和2 m气温(右) EOF的前两个模态(1980~2005)，其中(e)~(h)为11月起报，(i)~(l)为8月起报，右上角标签内数值为MME与观测结果的空间相关系数，空间相关系数上方的百分数为各模态的方差贡献
对于降水，由观测可以看到(图7(a)，图7(b))，EOF1解释了总方差的43.9%，最主要的特征除西藏和西北地区中部外，其他地区表现为一致的正信号，正信号大值区位于华东、华中、华南地区；EOF2解释了总方差的13.5%，主要表现为中国大部地区为正信号。由MME预测的冬季降水前两个主要模态可以看到，基于11月起报和8月起报的MME的第一模态和观测的空间相关系数均高于0.87，通过了95%的显著性水平检验。11月起报的MME第一模态主要表现为内蒙古东部、黑龙江与其他地方呈反相位变化，第二模态在北疆、西北中部、内蒙古和华北地区表现为负信号。8月起报的MME第一模态表现为西北地区中部、内蒙古东部为负信号，第二模态正信号的大值区位于华东、华南地区。不论是11月起报还是8月起报的MME，对观测的第一模态的模拟能力均高于第二模态。不同时间起报的MME均能很好地表征出中国冬季东部地区的降水特征。
对于2 m气温，由观测(图7(c)，图7(d))可以看到，EOF1解释了总方差的42.8%，EOF2解释了总方差的17.6%，EOF1的主要特征为青藏高原地区以及云南为负信号，与其他地区呈反相位变化。EOF2的主要特征为内蒙古东部与东北地区表现为负信号。基于11月和8月起报的MME的第一模态与观测的空间系数均高于0.82，通过了95%的显著性水平检验。11月和8月起报的MME的第一模态均呈中国地区一致的变化特征，第二模态表现为青藏高原地区有一个负信号中心，华南地区为正信号中心。不同时间起报的MME在模拟空间分布变化特征方面具有一定的模拟能力，且对于观测的第一模态的模拟能力优于第二模态，然而，MME模拟的第一模态未能表现出中国地区反相位变化特征。
图8中评估了MME以及各模式对中国地区冬季平均降水和2 m气温EOF空间型和时间序列的预测效果。
Figure 8. Prediction effect of MME and individual models on EOF spatial pattern and time series of winter mean precipitation ((a), (b)) and 2 m temperature ((c), (d)) over China. On the left are the spatial correlation coefficients of the first and second modes of EOF observation and prediction results, and on the right are the correlation coefficients of time series. Pink is for November initialization (NOV), and blue is for August initialization (AUG)
图8. MME及单个模式对中国地区冬季平均降水((a)，(b))和2 m气温((c)，(d)) EOF空间型和时间序列的预测效果。左边为观测与预测结果的EOF第一、第二模态空间相关系数，右边为时间序列相关系数。粉色为11月起报的结果，蓝色为8月起报的结果
对于降水，由图8(a)可以看到，观测与预测的第一空间模态的相关系数大于0.7，通过了95%的显著性水平检验。可以看到，观测与预测的第二模态的空间相关系数并不高，模式对于第二模态的预测能力一致性的差。个别模式的预测能力受起报时间的影响较大，UKMO模式较为明显。由图8(b)可以看出，各个模式预测降水的第一时间序列与观测的相关系数均大于0.7，第二时间序列与观测的相关系数很低且个别模式呈负相关。
对于2 m气温，从图8(c)可以看到观测与各模式预测的第一模态的空间相关系数均大于0.7，与第二模态的空间相关系数基本在0.3~0.9之间(除UKMO模式)，表明各模式对第二模态预测能力差异性较大。其中MF模式和IFM-GEOMAR模式的预测技巧优于其他模式。由图8(d)可以看到，模式预测2 m气温的第一、第二时间序列与观测结果没有明显的相关性。
4. 总结
本文利用ENSEMBLES回报试验数据对1980~2005年期间模式预测中国地区冬季降水和2 m气温以及850 hPa风场的能力进行了评估，得出的结论如下：
1) ENSEMBLES海气耦合模式具有对中国地区冬季降水、2 m气温以及850 hPa风场的回报能力，能够较好地预测出三者的气候特征，且相比于降水和风场，模式对气温的预测效果是最好的。模式高估了中国大部分地区的降水，青藏高原东部边缘地区存在一个虚假的高值中心；对青藏高原北部偏西风的预测能力较弱；模式预测2 m气温在青藏高原、内蒙古中部以及东北东部地区存在虚假的高值中心。
2) MME的预测效果较好，MME具备预测中国地区冬季降水和2 m气温EOF主要模态空间分布型的能力，8月和11月起报的MME的预测技巧相当，但是强度和范围有一定的差异。