近几十年来，随着动力季节预报的迅速发展，国内外的气候预测部门都发展和建立了各自的季节预报模式系统(Vitart，2004；Saha et al.,2010，2014；吴统文等，2013)，而且这些系统已逐渐在季节预报中发挥越来越重要的作用(Stockdale et al.,2010；丁一汇，2011)。围绕动力季节预报，研究人员对这些预报模式系统开展了大量的评估工作(Palmer and Hagedorn，2006；Wang et al.,2005；Bader et al.,2008；NRC/NRS，2010；Kumar and Krishinamuriti，2012；董敏等，2013)，在此基础上对当前的动力季节预报的水平和技巧有了更为深入的了解和认识。目前气候模式的季节预测技巧具有很大的空间分布差异：预测技巧主要集中在热带海洋区域，尤其是ENSO地区预测技巧最为显著，热带印度洋区域预测技巧次之，对于中高纬海洋的预测技巧普遍较低(Wang et al.,2009)；对于我国所在的东亚夏季风区以及汛期降水的预测技巧普遍偏低(Sun and Ding，2009；Krishinamuriti and Kumar，2012)，关键区海温预报不够准确以及东亚地区参数化方案不够完善是造成技巧偏低其中的重要原因(丁一汇，2011)。

季节气候可预测的信息源主要来自于气候系统中的缓变分量的作用，海洋的记忆是全球季节气候预测最重要的信号，因此动力模式对关键区海温的预测能力备受关注。厄尔尼诺和南方涛动(ENSO)是已知的年际气候变率最重要的可预测源(Bjerkness，1966，1969)，热带太平洋的海气耦合现象的尺度较大，对全球气候有着重要影响(Lau and Nath，1994；Alexander et al.,2002)。对东亚地区而言，ENSO也被认为是影响东亚夏季风年际异常的关键因子(Zhang et al.,1999；Chang et al.,2000；Zhou and Chan，2007；Zhou et al.,2009)，它通过大气环流以“遥相关”的形式来影响东亚季风系统。研究表明(Zhang et al.,1996；龚道溢和王绍武，1999；金祖辉和陶诗言，1999；Wu B et al.,2009；Zhou et al.,2009)，东亚夏季风的强弱与ENSO的位相和强度密切相关，且不同类型的ENSO事件对东亚季风系统的影响也有明显差异。因此，动力模式对ENSO循环的预测能力决定着它对东亚夏季风预测的可信度。除热带太平洋外，其他海域的海温对东亚地区季节气候变率同样存在重要影响，如北太平洋、北大西洋和热带印度洋。北太平洋是北半球气候系统的一个重要组成部分，它 包含了北太平洋涛动(North Pacific Oscillation，NPO)和太平洋年代际涛动(Pacific Decadal Oscillation，PDO)等气候模态，北太平洋海气耦合系统是对亚洲和北美等区域气候变化影响较大的信号源之一。北大西洋海温异常被认为是联系春季北大西洋涛动(North Atlantic Oscillation，NAO)和东亚夏季风的重要桥梁(Palmer and Sun，1985)，是造成东亚夏季大气环流尤其是中高纬度环流异常的重要原因之一(Wu Z W et al.,2009；左金清等，2012)，数值试验结果也揭示了北大西洋海温对东亚环流的重要影响(杨修群等，1992；Lu and Dong，2005)。印度洋是亚澳季风区下垫面的一个重要组成部分，其热力状况的改变会通过海气相互作用影响到亚澳季风及亚澳地区天气气候异常，是东亚等地区夏季环流异常的信号来源之一(晏红明和肖子牛，2000；Guan and Yamagata，2003)。

海温异常是季节预测的主要信息源，因此动力模式对海温的预测能力决定着它对东亚环流预测的能力，对模式预测海温的能力进行评估可以为模式对环流及降水的预测能力归因提供参考。目前，国家气候中心已建立了包括海—陆—冰—气多圈层相互作用的气候系统模式(BCC_CSM)，该模式在气候特征、年代际变化和季节内振荡等方面表现出较好的性能(Wu et al.,2010；董敏等，2009)，以该模式为基础国家气候中心建立了第二代季节预测模式系统(吴统文等，2013，2014)，本文利用该模式系统的历史回报资料，评估了对东亚夏 季环流系统有显著影响的太平洋、热带印度洋、北大西洋等关键海区夏季海温的预测技巧，并进一 步分析了前冬ENSO位相与夏季海温预测技巧的关系。

BCC_CSM是国家气候中心自2004年开始在NCAR-CCSM框架基础上，建立包括海—陆—冰—气多圈层相互作用的气候系统模式(Wu et al.,2013)，该模式能够对大气、陆面、海洋、海冰等多圈层进行月、季、年尺度的气候预测。BCC_CSM的大气模式和陆面模式水平分辨率为T106(106波三角截断)的中等分辨率耦合模式(颉卫华和吴统文，2010；董敏和叶正青，2005；王璐等，2009；Wu et al.,2008，2010；Wu，2012；Chen et al.,2012；郭准等，2011)；海洋分量模式为美国地球物理流体动力学实验室(GFDL)研发的模块化海洋模式(MOM)4.0 版本MOM4-L40(Murray，1996)，三极网格，近赤道地区水平分辨率约为1/3 纬度×1经度，中高纬约1纬度×1经度，垂直方向40 层。

本文所使用数据为由国家气候中心提供的第二代季节预测模式系统的历史回报数据，分析时间为1981～2007年，大气初始场采用NCEP(National Centers for Environmental Prediction)再分析资料同化产品的多层次温度、风场及地面气压场，海冰初始场采用NOAA(National Oceanic and Atmospheric Administration)最优插值的海冰密集度资料，海洋初值采用NOAA GODAS(Global Ocean Data Assimilation System)的多层次温度场；为实现气候系统多变量的整体协调性，使用松弛逼近方法完成初始化。初始场分别由每月最后4天日平均大气场及最后三天日平均海温场生成，积分时间6个月。模式输出结果为月平均数据，分辨率为160×320，约1.125°×1.125°。分析的目标季节为夏季(6～8月)，使用了分别从2月底(超前3个月预测时间)及5月初(超前1个月预测时间)起报的两组回报结果来进行对比。为了评估该模式的性能，所用海温再分析资料为ERRSST.v3b(Smith et al.,2008)，分辨率为2°×2°。为了与再分析数据进行比较，本文使用双线性插值将回报数据插值到再分析数据同样分辨率。

为了更好地反映该模式的预测性能，对各个 海区有代表性的海温指数进行评估，所用的海温指数有：Niño 3.4指数，定义为赤道中东太平洋海区(5°S～5°N，170°W～120°W)的海表温度距平值(Sea Surface Temperature Anomalies，SSTA)；IOBW指数，定义为热带印度洋(20°S～20°N，40°E～110°E)区域平均的SSTA(Klein et al.,1999；Lau and Nath，2000；Meyers，1996)；NAT指数，定义为北大西洋中纬度(34°N～44°N，72°W～62°W)与高纬度(44°N～56°N，44°W～24°W)和低纬度(0°～18°N，46°W～24°W)的平均的SSTA之差(Marshall et al.,2001；李建等，2007；Wu et al.,2009；左金清等，2012；Zuo et al.,2013)。

图 1给出了1981～2007年观测与模式回报的全球中低纬夏季气候海温及差值分布。由图 1a-c可见，观测与模式回报的夏季气候海温在总体上分布较一致，能较好地反映海温从热带到中高纬递减的分布特征。赤道东太平洋冷舌区海温变化是衡量气候系统年际变化的重要指标，从图中可以看到模式回报结果相对观测冷舌偏西偏强，这也是动力模式预测这些地区海温时常见的问题，如单独海洋模式(Stockdale et al.,1993)或是耦合模式(Mechoso et al.,1995；Latif et al.,2001；Lin，2007)中模拟的冷舌海温都偏低且西伸幅度较大。与冷舌相对应，模式回报的印度洋—太平洋暖池(以下简称“印太暖池”)范围偏小、强度偏弱。从超前1个月预测时间模式回报与观测的差值图(图 1d，阴影区域为99%信度)可见，海温差值从南到北纬向呈正负相间的分布特征，低纬地区海温预测误差较小，中纬度的海温误差相对较大，南半球的误差分布较北半球更为显著。不同海区的误差分布有所不同，印度洋的预测误差较小，误差较大的区域主要分布在大西洋、黑潮区、亲潮区及其延伸体区(Kuroshio-Oyashio extension，KOE，以下将黑潮、亲潮延伸体区简称为KOE)以及东太平洋中纬度附近等地区。模式在不同超前时间预测误差分布较为相似，但超前3个月时间预测的误差(图 1e)的较之超前1月时间预测更为显著，这说明超前预测时间增长，模式的误差增长明显。

图 1

Fig. 1

图 1 观测与模式回报1981～2007年夏季SST及偏差气候分布：(a)观测；(b)超前1个月预测；(c)超前3个月预测；(d)超前1个月预测偏差；(e)超前3个月预测偏差。图(d)、(e)阴影区表示99%的信度；单位：°C Fig. 1 Spatial distribution of the summer climatology SST and bias for 1981-2007(°C):(a)Observation;(b)1-month lead predictions;(c)3-month lead predictions;(d)1-month lead bias;(e)3-month lead. Shaded areas are above the 99% confidence level

图 2给出了1981～2007年观测与模式回报的全球中低纬夏季海温年际方差及方差比值(模式回报的海温年际方差与观测的海温年际方差比值)分布。观测(图 2a)中海温方差大值区(年际变率显著区)主要集中在赤道太平洋、北太平洋以及北大西洋。模式的回报结果在一定程度上反映出了夏季海温区域性年际变化特征，但模式回报结果(图 2b，c)在赤道太平洋区域年际变率偏强，中心位置偏西，这与气候平均中冷舌偏西的问题相对应；北太平洋区域除KOE区外年际变率偏小，KOE区附近年际变率明显偏大；北大西洋区域年际变率明显偏大，且随着模式在超前预测时间增长，年际变率的差异明显增大。且由方差比值图(图 2d，e)可见，北半球尤其是北太平洋区域大部分地区方差比分布较为一致且小于1，表明模式在这些区域的年际变率要小于观测；方差比值较大区域主要分布在南半球中纬度，其中南大西洋方差比大值分布较为明显，表明在这些区域模式回报结果年际变率相对于观测偏大。

图 2

Fig. 2

图 2 观测与模式回报1981～2007年夏季SST方差及方差比分布：(a)观测；(b)超前1个月预测；(c)超前3个月预测；(d)超前1个月预测方差比；(e)超前3个月预测方差比。图(a-c)单位：°C Fig. 2 Spatial distribution of the summer SST st and ard deviation and ratios for 1981-2007(°C):(a)Observation;(b)1-month lead predictions;(c)3-month lead predictions;(d)1-month lead ratios;(e)3-month lead ratios

为进一步评估BCC_CSM模式对于夏季SST的预测技巧，图 3为1981～2007年夏季观测与模式回报的全球中低纬海温相关系数分布，从图中来看，BCC_CSM模式在低纬地区都具有较高的预测技巧，且北半球的预测技巧明显高于南半球。由图 3a与图 3b对比可见，预测时间延长后，模式在大部分区域预测技巧有所下降。KOE区的预测技巧相对偏低，且超前3个月的预测技巧高于超前1个月的预测技巧，这与预测技巧KOE区具有的动力与热力、大气和海洋间复杂的相互作用特点有关(Kelly et al.,2010)，导致耦合系统很难预测该地区的海温，且大多数的气候模式的分辨率太低，难以预测出黑潮的位置和强度(Kwon et al.,2010)。另一个特点是模式对热带印度洋东部的预测技巧较低，这可能与模式回报的冷舌偏西偏强以及暖池区域较小有关，且预测时间变长后，模式的预测技巧有所下降，但分布型存在类似的结构特征。超前预测时间为1个月时，模式在北大西洋大部分地区都拥有一定的预测技巧，但随着预测时间的增长，预测技巧在中纬度地区下降的很快，仅在低纬以及少数地区表现出一定的预测技巧。从图 4a-b可以看出，模式在不同超前预测时间，均方根误差(RMSE，Root Mean Square Error)较大值主要分布在南半球区域以及北大西洋中高纬度与KOE区附近等区域，反映了模式在这些区域的预测误差相对较大，且随着超前预测时间增长而增长。

图 3

Fig. 3

图 3 模式回报与观测1981～2007年夏季海温相关分布：(a)超前1个月预测；(b)超前3个月预测。彩色阴影区表示95%的置信度 Fig. 3 Correlation skill of the BCC_CSM summer SST predictions during 1981 to 2007:(a)1-month lead predictions;(b)3-month lead predictions. Shaded areas are above the 95% confidence level

图 4

Fig. 4

图 4 模式回报与观测1981～2007年夏季海温RMSE分布：(a)超前1个月预测；(b)超前3个月预测。单位：°C Fig. 4 RMSE of the BCC_CSM summer SST predictions during 1981 to 2007(°C):(a)1-month lead predictions;(b)3-month lead predictions

前人大量关于ENSO关键区—热带太平洋的海温研究工作揭示了大部分耦合模式在热带太平洋地区拥有较好的预测技巧，前文的分析也同样证 实了这一点。BCC_CSM模式对热带外北太平洋 海温的预测技巧也同样是本文关注的重点。主模态的空间分布反映了北太平洋年际变率最显著的分布型特征，因此分析了观测和模式预测的EOF(Empirical Orthogonal Function)模态的空间分布，限于篇幅，这里仅给出了北太平洋第一模态的空间分布图(图 5)，从图 5a中可以看出，观测中夏季北太平洋海温第一模态是东西反位相的空间分布，图 5b和图 5c分别为超前1个月和超前3个月的预测，可以看出模式预测的海温第一模态分布特征与观测的分布型比较类似，空间分布型的相关系数分别为0.8和0.81(表 1)。同时，观测的夏季海温距平的第一模态的解释方差比例为27.2%，模式超前1个月和3个月预测的主模态分别占了总方差的33.7%和42.9%，这表明模式预测比观测更容易出现第一模态的空间分布型。模式的第二模态的空间分布与观测的第二模态仍有较好的一致性(图略)，超前1个月和超前3个月预测的空间相关系数分别为0.79和0.78，第三模态空间分布的差异明显变大，相关系数也仅为0.33和0.31。但第二模态的解释方差所占总方差的比重模式预测小于观测。

图 5

Fig. 5

图 5 观测与模式回报1981～2007年夏季北太平洋SST的EOF第一模态及对应时间系数：(a)观测；(b)超前1个月预测；(c)超前3个月预测；(d)时间系数(实线、长虚线和短虚线分别为观测值、超前1个月预测和超前3个月预测，下同)& Fig. 5 Spatial patterns and time series of the first EOF mode of the summer SST(1981-2007):(a)Observation;(b)1-month predictions;(c)3-month lead predictions;(d)time series. Solid line，long dashed line，and short dashed line indicate observations，1-month lead，and 3-month lead，respectively(the same hereinafter)

表 1(Table 1)

表 1 北太平洋海温EOF 分析前3 模态方差贡献百分率及模式与观测时间系数、空间模态相关系数 Table 1 Variance percentages and correlation coefficient of time series and spatial patterns of the first third modes in the EOF analysis of SST fields in the North Pacific

表 1 北太平洋海温EOF 分析前3 模态方差贡献百分率及模式与观测时间系数、空间模态相关系数 Table 1 Variance percentages and correlation coefficient of time series and spatial patterns of the first third modes in the EOF analysis of SST fields in the North Pacific

为了分析模式对观测的第一模态空间分布型的预测能力，将模式回报结果的时空矩阵投影到由观测时空矩阵进行EOF分解得到的特征向量上，得到模式回报相应的时间系数，图 5d给出了观测和模式预测的时间系数年际变化。可以看出，观测的时间系数和模式预测的投影系数年代际震荡特征十分明显且均具有一个逐渐下降的趋势，表明在这27年间，该海区夏季平均海温西部升高而东部降低，而模式很好的再现了这个特征及趋势，超前1个月预测和超前3个月预测的时间相关系数分别为0.78和0.80，都达到了99%的置信水平，且超前3个月的预测对第一模态空间分布型的年际变率预测能力更高。第二模态和第三模态超前1个月的预测均好于超前3个月的预测，超前1个月对第二模态和第三模态的时间系数相关分别为0.77和0.53，超前3个月则分别为0.64和0.19。可以看出，超前1个月预测技巧高于超前3个月的主要原因是对第二模态和第三模态预测性能的提高。通过不同时效的预测效果对比，我们初步估计，春季异常的影响可能体现在第二和和第三模态上，第一模态的变化可能主要来自于冬季的异常信号，具体的可能原因将另文进行详细讨论。

BCC_CSM模式对表征ENSO事件的Niño 3.4指数的预测技巧优劣，是本文研究夏季太平洋年际变率所关注的另一重点。图 6给出了1981～2007年观测与模式回报的夏季平均Niño 3.4指数及其差值图，结果(图 6a)显示超前1个月时间的预测在指数位相变化与指数强度上与观测更为接近，超前1个月和超前3个月预测的Niño 3.4指数与观测的相关系数分别为0.83和0.63，都达到了99%的置信水平，超前3个月的预测技巧明显低于超前1个月。从差值图(图 6b)中可以看出，超前1个月的预测与观测差值集中在0附近，变化幅度较小；超前3个月的预测与观测的差值位相变化基本与超前1个月的差值相同，但变化幅度更大。这表明BCC_CSM模式对于夏季Nino3.4区SST异常具有较高的预测技巧，但随着超前预测时间的增加，模式的预测技巧下降比较快。进一步分析了夏季发生发展ENSO事件的年份的预测技巧，实况中在夏季发生El Niño 现象的年份有1982、1987、1991、1997和2002年，其中强度较强是1982、1987和1997年，模式在超前1个月预测时间回报的指数都与观测基本吻合，其他海温强度偏弱的年份，模式的回报的Niño 3.4指数皆弱于观测；在夏季发生La Niña 现象的年份为1984、1985、1988、1999、2000和2007年，其中强度较强的1988和1999年，模式回报的指数皆与观测基本吻合，其他海温强度偏弱的年份，模式回报的Niño 3.4指数皆强于观测。

图 6

Fig. 6

图 6 观测与模式回报1981～2007年夏季Niño 3.4 指数和偏差：(a)Niño 3.4 指数；(b)偏差。单位：°C Fig. 6 (a)Summer Niño 3.4 index and (b)biases(1981-2007)

图 7a-c给出了观测和模式回报夏季热带印度洋海温EOF第一模态的空间分布。在图 7a中，观测的第一模态显示了热带印度洋海温在夏季的空间分布为总体为全区一致型，但这种分布型已经处于衰减状态，逐渐在向东西偶极型分布发展，图 7b和图 7c分别为超前1个月和超前3个月的预测，可以看出模式预测的海温第一模态分布特征与观测的分布型基本呈现一致，空间分布型的相关系数分别为0.84和0.76(表 2)，但预测结果在不同区域都出现了相反位相的分布。同时，观测的夏季海温距平的第一模态的解释方差比例为43.5%，模式超前1个月和3个月预测的主模态分别占了总方差的40.0%和36.0%，这表明模式预测的第一模态的空间分布型与观测基本相当。模式的第二、三模态的空间分布与观测的第二、三模态的一致性有所下降(图略)，超前1个月和超前3个月预测的空间相关系数分别为0.42和0.61，第三模态空间分布的差异明显变大，相关系数也仅为0.40和0.20。但第二模态的解释方差所占总方差的比重模式预测均大于观测，这表明模式预测出现第二模态的空间分布型的概率要大于观测。

图 7

Fig. 7

图 7 观测与模式回报1981～2007年夏季印度洋SST的EOF第一模态及对应的时间系数：(a)观测；(b)超前1个月预测；(c)超前3个月预测；(d)时间系数 Fig. 7 Spatial patterns and time series of the first EOF mode of the summer SST(1981-2007):(a)Observation;(b)1-month predictions;(c)3-month lead predictions;(d)time series

表 2(Table 2)

表 2 印度洋海温EOF分析前3模态方差贡献百分率及模式与观测时间系数、空间模态相关系数 Table 2 Variance percentages and correlation coefficient of time series and spatial patterns of the first third modes in the EOF analysis of SST fields in the Indian Ocean

表 2 印度洋海温EOF分析前3模态方差贡献百分率及模式与观测时间系数、空间模态相关系数 Table 2 Variance percentages and correlation coefficient of time series and spatial patterns of the first third modes in the EOF analysis of SST fields in the Indian Ocean

同样利用投影的方法得到了印度洋夏季海温模式回报相应的时间系数，图 7d给出了观测和模式预测的时间系数年际变化。可以看出，模式基本再现了夏季热带印度洋海温的变化特征，超前1个月预测和超前3个月预测的时间相关系数分别为0.74和0.71，都达到了99%的置信水平，且超前1个月的预测对第一模态空间分布型的年际变率预测能力更高。第二模态超前3个月的预测好于超前1个月的预测，第三模态超前1个月的预测好于超前3个月的预测，超前1个月对第二模态和第三模态的时间系数相关分别为0.44和0.36，超前3个月则分别为0.37和0.19。可以看出，模式对于印太暖池的预测误差使得模式对热带印度洋以及太平洋海温的主模态的空间分布误差增大，且该地区海温异常信号的持续性要弱于太平洋，主要体现在第二模态和第三模态，导致了预测误差增长。

图 8给出了1981～2007年观测与模式回报的夏季季节平均IOBW指数及其差值图，模式的预测结果的年际变化特征基本与观测一致，超前1个月时间预测和超前3个月的预测与观测指数的相关系数分别为0.75和0.69，均达到了99%的置信水平，但模式预测的强度与观测存在差异，在1996年之前表现为强度偏弱，在此之后表现为偏强。从图中(图 8a)可以看出，观测的IOBW指数振幅在随着时间减小，且负指数的绝对值在随着时间减小。模式回报的指数振幅比较平缓，在前期振幅较观测偏小，即指数强度小于观测；在后期模式回报的指数数值较之观测偏向冷位相，且对于负指数的上升趋势预测技巧偏低。结合差值图(图 8b)可见，模式虽然对夏季IOBW指数的变化趋势具有一定的技巧，但是对强度的预测还是存在一定的偏差。

图 8

Fig. 8

图 8 观测与模式回报1981～2007年夏季IOBW指数和偏差：(a)IOBW指数；(b)偏差。单位：°C Fig. 8 (a)Summer IOBW index and (b)biases(1981-2007)

图 9a-c给出了观测和模式回报夏季北大西洋海温EOF第一模态的空间分布。在图 9a中，观测的第一模态显示了北大西洋海温在夏季的空间分布为北高南低的分布型，图 9b和图 9c分别为超前1个月和超前3个月的预测，可以看出模式预测的海温第一模态分布特征与观测的分布型基本呈现一致，空间分布型的相关系数分别为0.73和0.67(表 3)，但预测结果的南北位相差异偏大。同时，观测的夏季海温距平的第一模态的解释方差比例为39.1%，模式超前1个月和3个月预测的主模态分别占了总方差的41.9%和63.7%，这表明模式预测尤其是超前3个月的预测更容易出现第一模态的空间分布型。模式的第二、三模态的空间分布与观测的第二、三模态的一致性下降很快(图略)，且除超前3个月预测的第三模态外基本表现为不相关，超前1个月和超前3个月预测的空间相关系数分别为－0.19和0.03，第三模态空间分布的差异明显变大，相关系数也仅为－0.10和0.42。且第二、三模态的解释方差所占总方差的比重模式预测均小于观测。

图 9

Fig. 9

图 9 观测与模式回报1981～2007年夏季北大西洋SST EOF第一模态及对应的时间系数：(a)观测；(b)超前1个月预测；(c)超前3个月预测；(d)时间系数 Fig. 9 Spatial patterns and time series of the first EOF mode of the summer SST(1981-2007):(a)Observation;(b)1-month predictions;(c)3-month lead predictions;(d)time series

表 3(Table 3)

表 3 北大西洋洋海温EOF分析前3 模态方差贡献百分率及模式与观测时间系数、空间模态相关系数 Table 3 Variance percentages and correlation coefficient of time series and spatial patterns of the first third modes in the EOF analysis of SST fields in the North Atlantic

表 3 北大西洋洋海温EOF分析前3 模态方差贡献百分率及模式与观测时间系数、空间模态相关系数 Table 3 Variance percentages and correlation coefficient of time series and spatial patterns of the first third modes in the EOF analysis of SST fields in the North Atlantic

图 9d给出了北大西洋观测和模式预测特征向量投影对应的时间系数年际变化。可以看出，模式总体表现为与观测一致上升趋势，这表明最近27年夏季北大西洋海温有明显的升高趋势，但模式回报的时间系数变化幅度小于观测，超前1个月预测和超前3个月预测的时间相关系数分别为0.88和0.70，都达到了99%的置信水平，且超前1个月的预测对第一模态空间分布型的年际变率预测能力更高。第二模态与第三模态超前1个月的预测皆好于超前3个月的预测，超前1个月对第二模态和第三模态的时间系数相关分别为0.59和0.45，超前3个月则分别为0.59和0.30。可以看出，北大西洋海温的春季海温异常信号明显强于冬季，第一模态的差异尤为明显，这使得超前1个月预测技巧高于超前3个月。

图 10给出了1981～2007年观测与模式回报的夏季季节平均NAT指数及其差值图，从图 10a可以看出，超前1个月预测时间与观测的指数相关系数为0.42，通过了95%的置信水平，超前3个月预测与观测的指数相关系数为0.20，这表明模式对NAT指数的预测技巧很低，尤其是超前3个月的预测。从差值图(图 10b)中可以看出，模式在不同超前预测时间对夏季NAT指数的预测技巧基本一致，且在NAT 高指数年1987、1993和1997年，指数的差值很大，模式回报的指数变化比较平缓，未能反映出指数强烈振荡的特征，在其他年份，模式超前1个月的预测对于NAT指数的回报结果大多偏高。总体来说，模式对NAT指数的预测技巧相对于Niño 3.4 指数与IOBW指数来说较低，仅在超前1个月的预测表现出一定的预测技巧。

图 10

Fig. 10

图 10 观测与模式回报1981～2007年夏季NAT指数和偏差：(a)NAT 指数；(b)偏差。单位：°C Fig. 10 (a)Summer NAT Index and (b)biases during 1981 to 2007

图 11 给出了模式采取不同初值时对三个海温指数逐月预测技巧随时间的演变特征。从图中可以看出，对于6至8月的各指数预测，5月的初值相对而言具有更高的预测技巧，即模式超前1个月的指数预测更具有技巧。各指数的预测技巧基本都随积分时间的增长而下降，大部分情形前期技巧下降比较明显。比较图 11中的各图可以看出，模式对Niño 3.4 指数(图 11a)一直保持了一个较高的预测技巧，而在模式使用5月作为初值时，后期的技巧在甚至要高于前期。IOBW指数(图 11b)从二月起报一直表现出一定的预测技巧，在8月份的预测技巧甚至略高于5月份初值；而5月份的海温初值在模式积分四个月之后到11月份表现出较弱的相关，这可能与热带印度洋全区一致海温模态春夏季较强而在秋季表现的不是很显著有关；模式对NAT(图 11c)的预测技巧一直较低，预测技巧下降趋势也较为明显，后期预测技巧虽有提升但技巧很低。

图 11

Fig. 11

图 11 模式对各指数的预测时效(长虚线和短虚线分别为2月和5月提供初值)：(a)Niño 3.4指数；(b)IOBW指数；(c)NAT指数。单位：°C Fig. 11 Correlation skill of three indices for BCC_CSM predictions(long dashed line and short dashed line indicate the months for initial conditions are February and May):(a)Niño 3.4 index;(b)IOBW index;(c)NAT index

众多研究表明，赤道中东太平洋年际变率最强信号ENSO 事件，它在大平洋、印度洋和北大西洋都存在着显著的相关，表明这些海区的海温变化受到来自热带太平洋的影响(Latif and Barnett，1995；Lau，1994；吴国雄和孟文，1998；Alexander et al.,2002)。由于ENSO的成熟期一般在冬季，本文 根据1981～2007年的前冬的尼诺三四区海温异常，将回报结果分为El Niño年、La Niña年和正常年 三种情况(表 4)，以此来分析前冬ENSO位于不 同位相时，对模式三个海区夏季海温预测技巧有何影响。

表 4(Table 4)

表 4 不同ENSO位相分类 Table 4 Sets of different ENSO phases

表 4 不同ENSO位相分类 Table 4 Sets of different ENSO phases

将模式回报与观测的夏季海温分别在ENSO不同位相下进行合成后进行差值分析，前冬不同ENSO位相模式回报与观测的夏季海温差值如图 12示。前冬ENSO处于不同位相时，模式回报的海温差值分布特征基本一致，差值从北到南为一个负正相间的排列，但其强度和通过显著性检验的区域范围有所不同：前冬处于ENSO正常位相时(图 12a)，海温的差异(通过99%的置信水平的区域)比前冬处于异常位相(图 12b-c)更为明显，这表明前冬的ENSO事件为夏季中低纬度的海温提供了可预报性来源；前冬处于El Niño位相(图 12b)与La Niña位相时(图 12c)两种情形除在南太平洋等少数地区有细微差异外基本一致。随着超前预测时间的增长，如图 13a-c示，海温差值的总体分布特征与图 12相似，但相对于超前1个月时间预测海温误差明显增大。

图 12

Fig. 12

图 12 不同ENSO位相模式SST偏差合成(超前1个月预测)：(a)中性年；(b)El Niño年；(c)La Niña年。单位：°C Fig. 12 Composite SST biases for different ENSO phases(1-month Lead):(a)Neutral;(b)El Niño;(c)La Niña

图 13

Fig. 13

图 13 同图 12，但为超前3个月回报结果 Fig. 13 Same as Fig. 12，but for 3-month lead

为了进一步分析ENSO对于模式对夏季关键区海温预测技巧的影响，本文对前冬ENSO处于不同位相下的模式回报各指数进行了分类，以便深入分析。如图所示，在前冬ENSO异常位相下(图 14a- b)观测的夏季Niño 3.4 指数数值总体低于ENSO正常位相下(图 14c)，模式的回报在一定程度上也反映了这个特点。本文计算了在前冬位于El Niño、La Niña及正常位相下模式回报的Niño 3.4 指数与观测值的差值B。计算公式如下：

图 14

Fig. 14

图 14 前冬ENSO处于不同位相对应的夏季Niño 3.4指数：(a)El Niño年；(b)La Niña年；(c)中性年。单位：°C，横坐标为挑选对应个例的年份，下同 Fig. 14 The summer Niño 3.4 index corresponding to different previous winter ENSO phases:(a)El Niño;(b)La Niña;(c)neutral

热带印度洋的IOBW指数滞后响应于赤道东太平洋ENSO 事件(Nigam and Shen，1993；Tourre and White，1995；Chambers et al.,1999)，前冬ENSO位相为El Niño时(图 15a)，IOBW指数较高且大多位于正位相；前冬ENSO位相为La Niña 时(图 15b)，IOBW指数较低且大多位于负位相；前冬ENSO位相为正常时(图 15c)，IOBW指数位于0附近波动，模式的回报在一定程度上反映了该指数对于ENSO滞后响应这一特点，其中前冬位于La Niña位相时(图 15b)，观测的IOBW指数逐渐由负位相向正位相变化的趋势，而模式未能反映出指数的这个变化特点。超前1个月预测时间与观测的差值依次为－0.11、0.13和0.12；超前3个月预测时间的差值依次为－0.14、0.15和0.11，表明前冬ENSO位相为El Niño时，模式超前1个月的预测对于IOBW 指数的回报与观测更为接近，且回报的指数总体偏低；正常位相时预测技巧次之，La Niña位相预测技巧再次之，且这两种位相回报的指数总体偏高。模式超前3个月的预测情形有所不同，模式在前冬位于正常位相时更具有预测技巧。

图 15

Fig. 15

图 15 前冬ENSO处于不同位相对应的夏季IOBW指数：(a)El Niño年；(b)La Niña年；(c)中性年。单位：°C Fig. 15 The summer IOBW index corresponding to different previous winter ENSO phases:(a)El Niño;(b)La Niña;(c)neutral

如图 16a-c所示，在前冬ENSO位相下的NAT指数的变率较小，而位于正常位相时变率较大。超前1个月时间的预测与观测的差值依次为0.48、0.49和－0.63；超前3个月时间预测的差值依次为0.63、0.37和－0.62。表明前冬ENSO位相为El Niño时，模式超前1个月的预测对于NAT 指数的回报与观测更为接近，La Niña位相时次之，正常位相预测技巧再次之，且正常位相回报的指数总体偏低。模式超前3个月的预测情形也有所不同，模式在前冬位于La Niña位相时更具有预测技巧，且预测技巧高于超前1个月的预测。

图 16

Fig. 16

图 16 前冬ENSO处于不同位相对应的夏季NAT指数：(a)El Niño年；(b)La Niña年；(c)中性年。单位：°C Fig. 16 The summer NAT index corresponding to different previous winter ENSO phases:(a)El Niño;(b)La Niña;(c)neutral

本文评估了国家气候中心BCC_CSM模式对夏季关键区海温的预测能力。首先对模式回报的夏季海温的气候态及年际变化等特征进行了整体分析；其次，对关键区海温进行了EOF分析，旨在了解模式对于夏季关键区海温的年际变率模态及其年际变化特征的刻画能力；再次，对关键区海温的代表性年际变化指数进行了分析，以此来了解模式对于关键区海温的年际变率的预测能力；最后，分析了前冬的ENSO位相对于模式预测夏季海温的影响，用来分析模式的预测技巧与前期外强迫的联系。结果表明：

(1)BCC_CSM的回报结果基本再现了全球夏季中低纬度海温的气候分布特征，但也存在一定的偏差，低纬地区如赤道太平洋的冷舌、暖池区，中纬地区误差较大的地区为KOE区、大西洋中纬度地区等；从不同超前时间来看，模式预测技巧在超前1个月预测的气候态特征更接近实际观测；

(2)从方差分析与相关分析来看，模式在南半球的海温预测技巧较低，预测技巧较高的区域主要分布在赤道附近，且随着超前预测时间的增长，低纬地区的可预测性有所增强，但绝大部分地区的预测技巧都有所降低；

(3)通过分析BCC_CSM对夏季回报关键海区海温的EOF分析可知，模式对于北太平洋、热带印度洋、北大西洋的夏季海温前三个模态的空间分布型及其时间系数的演变均具有一定的预测技巧，北太平洋区域技巧最高。海温不同模态的预测技巧来自于不同的超前时间的海温异常，导致了不同模态的预测技巧的差异；

(4)BCC_CSM对夏季Niño 3.4 指数、IOBW指数和NAT指数均具有一定的预测技巧，其中对超前1个月预测的Niño 3.4指数的预测技巧最高，但在超前3个月的预测中技巧有所下降；对IOBW指数也表现出一定的预测技巧；而对NAT指数的技巧稍逊一筹，尤其是在超前3个月的预测中，模式几乎表现的技巧很低；

(5)前冬ENSO位于不同位相时，BCC_CSM对夏季海温预测技巧的特征有所不同，前冬位于ENSO位相时模式对于三大洋夏季海温的预测技巧高于前冬位于正常位相，前冬处于El Niño位相与La Niña位相时模式的预测除在南太平洋等少数地区有些许差异外基本一致；

(6)NAT指数在前冬位于La Niña位相时，BCC_CSM模式在超前3个月的预测表现出最高的预测技巧；Niño 3.4指数与IOBW指数在前冬不同ENSO位相下，该模式的预测技巧差别不大。

国家气候中心在研发BCC_CSM模式的过程中，针对东亚区域的地形和气候特点，对提高和改进模式对东亚区域气候的模拟能力进行了大量的工作(吴统文等，2013)，对模式的物理参数化方案进行了调整(Zhang and Mu，2005；颜宏，1987；Wu and Wu，2004)，大量的试验表明，该模式对东亚气候具有一定的预测能力，且改进和发展了一新的积云对流参数化方案(Wu et al.,2010)，通过AMIP试验的初步检验评估，表明改进了BCC_ AGCM对印度和孟加拉湾地区夏季季风降水的模拟能力。通过本文对BCC_CSM模式对于夏季关键区海温的预测技巧进行了初步评估，进一步发现BCC_CSM模式对于夏季关键区海温的主要特征同样具有较好的预测能力，能为我国的汛期预测工作提供参考。同时BCC_CSM模式还是存在一定的不足，如模式中各子系统的研发工作同时进行，导致资料同化和预测模式子系统的衔接不够完善；且NCEP、TCC(Tokyo Climate Center)等预测中心使用的大气模式在水平分辨率上相差不大，但大气和海洋垂直分辨率与国际上主流业务机构相比还是略有差距(吴统文等，2013)。通过本文的评估工作，加深了对海温的预测能力的认识，而对于该模式对造成这些关键区域海温的预测技巧差异的原因还待有进一步的研究。同时，由于模式存在系统性误差，下一步工作还将结合误差特征研发动力统计预测方法来提高该模式预测水平。