用年际增量方法改进对夏季亚洲—太平洋涛动的预报外文翻译资料

 2022-11-24 15:37:10

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

用年际增量方法改进对夏季亚洲—太平洋涛动的预报

黄艳艳 王会军 范可

摘 要 夏季APO是北半球中高纬的主要遥相关型，它和亚洲北太平洋地区的大尺度大气环流异常有关。欧洲多模式集合短期气候预测计划(DEMETER)模式的直接输出结果在预测夏季亚洲对流层上部气温的年际和年代际变化上有局限，本次研究使用年际增量方法把从1960至2001年的DEMETER模式输出结果应用到改进夏季APO的预报中。通过把年际增量作为预报量，年际增量方法显著的改进了模式对夏季亚洲对流层上部气温的年际和年代际变化的预测能力。相比于原始方案，年际增量方法对夏季APO的年际和年代际变化的预报改进是十分显著的。和模式直接输出结果相比，把APO和大西洋海表温度距平作为两个预测因子的统计模型对预报长江中下游流域夏季降水量的年际变化有很大的改进。因此本次研究描述了一个更有效的方法来预报APO和SRYR。

1. 引言

目前用于预测亚洲夏季风的气候模式仍然处于较低水平，特别是对季风降水的预测。他们的局限性主要表现在与ENSO的不稳定关系（Wang 2002；Feng et al.2011；X. Wang et al. 2012），模式本身的系统偏差（Ma et al. 2012），无法很好模拟和环流相关的年代际变化（Fan et al. 2012）。

最近，赵等（2007）研究表明，亚太地区的夏季上部对流层温度与北太平洋上的温度存在遥相关，这一现象称为亚洲-太平洋振荡（APO）。已有研究表明，夏季APO的年际变率与亚洲夏季气候异常（如南亚高压，西太平洋副热带高压，热带东风急流与亚洲夏季风和降水）密切相关（Zhao et al. 2007; Zhou and Zhao 2010; Zhao et al.2012）。基于APO与亚洲夏季风之间的密切关系，Huang et al.（2013）研究了APO年际变率的可预测性，以获得对亚洲夏季风预测的新进展。他们使用了欧洲多模式集合短期气候预测计划(DEMETER) (Palmer et al. 2004)的三个海洋大气相耦合的子模式。结果表明，DEMETER大气循环模式（GCMs）可以合理预测APO年际变率。但是GCMs在北太平洋地区比亚洲上部对流层温度有更好的预测技巧，也未能预测出其年代际变化。

与侧重于预测变量相对于气候态的距平值的传统预测方法，采用新的年际增量方法来处理变量的年均增量（即，变量当年和前一年的差值，称为DY）作为预测量，该方法最近被应用于短期气候预测研究（H. Wang et al. 2012）。这个年际增量方法通过将变量的预测DY与前一年的观测值相加来得到最终预测量。该方法的合理性是基于气候变量的对流层准两年振荡（TBO）的特征，如亚洲季风，华东降水和气温等气候因素。考虑到TBO对气候变量的贡献，如果代表当年变量的异常，同样的是前一年的变量，则和，其中和代表C中的扰动，而，，表明年际增量形式变量的幅度是距平值的两倍。因此，将变量的年际增量作为预测量，可以放大预测信号（Wang et al. 2010）。另一方面，由于上一年变量的观测值本来就是真实的，并且包含变量的年代际变化，所以年际增量方法在捕获变量的年代际变化方面是有利的（Fan et al. 2012）。已经表明，年际增量方法可以显著改善中国东部夏季降水（Fan et al. 2008），中国东北部气温（Fan 2009），西太平洋台风活动（Fan，Wang 2009）的预测，大西洋飓风（Fan 2010）和东亚夏季风（Fan et al. 2012）的预测。

考虑到DEMETER GCMs在预测亚洲上部对流层温度和其年代际变化上的局限性，对 APO的预测还有待进步。在本研究中，我们将年际增量方法应用于对DEMETER的回报，以改善对亚洲上层对流层温度的预测，并进一步提高APO预测。此外，根据APO与东亚季风降水之间的密切关系，利用改进后的APO回报结果，来改善长江中下游地区夏季降水（SRYR）的预报。

本文的其余部分组织如下：在第2节中介绍数据和分析方法的应用。第3节描述了DEMETER GCMs在夏季APO变化方面的预测能力。在第4节中，我们将年际增量方法应用于DEMETER的回报以改进APO预测。第5节介绍了对DEMETER GCMs预测SRYR结果的进一步改进。最后，第6节给出了年际增量方法改进能力的总结和可能的原因。

2. 资料和方法

根据Huang等（2013）的研究，本研究分析了1959-2001年期间三个耦合海洋大气DEMETER GCMs自3月1日起报的回报数据。耦合的海洋大气模式是由欧洲中中期天气预报中心（ECMWF），法国中央国家航空航天中心（CNRM），英国的Met Office（UKMO）（Palmer et al. 2004年）开发的。多模式集合（MME）是ECMWF，CNRM和UKMO回报结果的简单平均值。此外，40年月平均的ECMWF再分析（ERA-40）数据（Uppala et al. 2005）被用作验证数据集。 观测的降水资料来自CN05.1数据集，是基于中国超过2400站的观测资料（Wu and Gao 2013）。 我们分析仅在6月至8月的夏季（JJA）。

该模型的预测效果用观测和模型预测结果之间的时间相关系数（CC）以及均方根误差（RMSE）来检验。 此外，多元回归方法用于构建统计模型来预测SRYR。统计模型的预测能力使用剔除一年的交叉验证法(one-year-out cross-validation)（Michaelsen，1987）进行评估。交叉验证方法是使用剔除掉1961-2001年期间某一年数据的其余年份构建统计模型，随后使用该模型预测剔除年份的数据。本文使用Students t检验评估统计学的显著性。

3. DEMETER模式的预测能力

根据Zhao等（2007）的研究，涡流温度用于计算APO指数，其中， T是总空气温度（total air temperature），是纬向平均（对称）温度。 特别是，我们把()和()上部对流层（500-200hPa）的区域平均分别定义为亚洲对流层温度指数（AI）和北太平洋对流层温度指数（PI）。APO指数定义为AI和PI之间的算术差。

图1显示了1960年至2001年期间ERA-40和GCMs的夏季AI和AI的DY。CNRM和UKMO和多模式集合（MME）模式预测的AI和观测AI之间的CC分别为0.23，0.06和0.27（见表1）。没有一个CC具有统计学意义，这表明DEMETER GCMs预测AI的能力很差。同时，ECWMF的AI和观测的CC有0.31，通过95％置信水平检验，显示出ECWMF预测AI的技能。此外，所有的DEMETER GCMs和MME都不能预测AI观测到的下降趋势，趋势下降可能导致东亚夏季风的弱化（Wang 2001）（图1a）。CNRM，UKMO和ECMWF模式和MME预报AI的DY和观测的CCs分别为0.41（99％显著性水平），0.29（94％显著性水平），0.41（99％显著性水平）和0.49（99.9％显著性）（表1），明显高于原始AI形式的CC，表明DEMETER GCMs在预测AI的DY方面比原始形式有更好的技能（图1b）。

UKMO模型和MME中PI（PI的DY）的CCs为0.60（0.72）和0.63（0.67），均通过99.9％显著性检验。这些结果表明，模式具有比预测原始的PI形式更好地预测PI的DY形式的能力。同时，CNRM和ECMWF模式在PI和PI的DY预测中显示出良好的相似预测能力。（表1；图未示出）。此外，DEMETER GCMs对ERA-40中PI的变强的年代际趋势（未显示）的预测能力非常差。

1960-2001年APO和APO的DY的预测和观察结果如图2所示。对于CNRM，UKMO，ECMWF和MME，APO（APY的DY）的CCs分别为0.43（0.51），0.46（0.66），0.49（0.51）和0.52（0.64）（表1）。尤其是前者，相比于原始的APO形式，使用DY形式使得DEMETER GCMs展现出更高的预报技巧，这意味着使用年际增量的方法对于进一步改善APO的预报是可行的。然而，DEMETER GCMs也没能够模拟出观测到的APO减弱的趋势。

  1. 使用年际增量的方法来预测AI、PI、APO

除了DEMETER GCMs能够对于年际增量形式有更高的预报技巧（尤其是是对AI）之外，小波分析也显示，对于1960-2001年AI（图3）和PI（未展示）而言，一个显著的特征就是TBO。因此，在本小节，年际增量的方法就被应用到AI和PI上来了。预测的AI和PI的算数差将被作为APO指数。特别的，通过把模式当年的AI的年际增量值与前一年AI的观测值相加就能得到预测的AI指数。也就是，其中是用各个模式预报的AI值，是每个模式直接输出AI值的年际增量值，是观测所得的前年AI值。预测的PI值是用相同的方式计算的。

使用年际增量方式获得预测的AI值如图4a所示，AI值年际增量方案（简称CCs-DY）的CCs对于CNRM、UKMO、ECMWF以及MME分别为0.51、0.53、0.58和0.63，都超过了99.9%的信度检验，并且这些数值都显著的高于原有计算方案的CCs（分别是0.23、0.06、0.31和0.27）见表2 。对于年际增量的方法来说，在RMSEs中预报改进的百分比对应于CNRM、UKMO、ECMWF以及MME分别是21%、29%、22%、30%（表2）。这意味着当在DEMETER GCMs后报中使用年际增量的方法时，预测AI能有更好的效果。另外，所有的DEMETER GCMs都能够预报出AI在1975年之前的正位相、1975年之后的负位相以及其减弱的线性趋势。

图4b展示了使用年际增量的方法预测1960-2001年的PI指数。UKMO、ECMWF和MME的CCs-DY（CCs）的值分别为0.75（0.60）、0.59（0.55）、0.71（0.63）。在RMSE中，UKMO、ECMWF和MME模式对于改进预报PI的百分比分别为22%、6%、11%（表2）。这些结果有一次说明了相较于旧的方案，年际增量方案可以改进PI的预报。然而使用年际增量的方案改进PI的预报在CNRM模式结果中并不显著。CNRM模式结果对于CCs-DY相对较小为0.53（原始方案为0.56），对于RSME稍微偏高为0.97（原始方案为0.94）。更进一步地，所有的DEMETER GCMs模式在使用年际增量方案之后都能够成功地捕获PI在年代际时间尺度上的线性增长趋势。

图4c展示了，通过在GCMs模式中将使用年际增量方案所得到的AI和PI做算术差从而得到预测的APO指数。相比之下，CNRM、UKMO、ECMWF和MME使用旧方案对应的CCs的值为0.43、0.45、0.49和0.52，而使用CCs-DY得到的值分别为0.57、0.72、0.63和0.72。APO年际增量方案的RMSEs对应以上模式分别减少了13%、29%、15%和23%（表2）。年际增量方案对于改进APO的预报能力是显著的。更进一步地，如图4c所示，所有的GCMs模式在使用年际增量方案之后都能很好地再现观测值APO年代际时间尺度减弱的线性趋势。

  1. 对于SRYR区域夏季降水的预报改进

夏季长江流域降水的的一个主要特征就是发生极端洪涝、干旱有很大的变率（如,Zhao 1999; Zhu et al. 2011; Li et al. 2012）。因此预报长江流域夏季降水就和中国的社会经济紧密地联系起来了。然而，当前许多的模式对于该区域的预报技巧都很低（如Sun and Chen 2012; Chen at al. 2012）。由于APO与SRYR有密切的关系（查阅赵等，2007图12a），因此在第4部分讨论的改进APO的预报将被用来改进SRYR。

图5a展示了1960-2001年长江流域夏季降水的观测值和GCMs的模拟值，其中SRYR的值被定义为27.58–32.58N, 1108–122.58E区域内夏季降水值的平均。对于观测与CNRM、UKMO、ECMWF和MME结果的CCs值分别为：0.21、-0.03、0.23和0.14（表3）。这些结果并不统计显著，表明DEMETER GCMs在预报SRYR时有较低的预报技巧。

为了改进SRYR的预报，我们构建了一个统计上的二元线性回归模型来预报SRYR

这里，APO表示在DEMETER GCMs中使用年际增量的方案获得的改进的APO值。是模式预测的在大西洋区域（）夏季平均的海表温度异常（SSTA）。系数a和b是使用观测资料通过多元回归分析得到的回归系数。之所以选这些变量是因为，这些变量和SRYR有典型的CCs关系（与APO是0.40，与是0.52），并且都能很好地被DEMETER GCMs预测出来（表2和表3）。从物理上看，除了APO，大西洋区域的海温异常能够通过激发异常的波列影响东亚夏季的气候（Gu 等. 2009; Sun 等. 2009; Bothe 等. 2011; Gao等. 2013）和影响ENSO和季风的关系（(Rong 等. 2010）。统计模型的预报能力是经过1-year-out的方法交叉检验的。图5b展示了使用交叉检验步骤得到的SRYR。对于CNRM、UKMO、ECMWF和MME模式，SRYR的观测值和交叉检验值的CCs分别为0.42（99%的信度）、0.33（95%的信度）、0.34（95%的信度）和0.38（95%的信度）（表4）。同时，与原始方案相比，交叉检验的SRYR的RMSEs对应

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26420]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章