东亚夏季风对我国东部、朝鲜半岛以及日本等东亚地区的天气和气候有直接作用(Tao and Chen, 1987)，季风异常引发的旱涝严重影响着该地区的经济发展(黄荣辉等，2006)。做好东亚夏季风的预测是提高我国夏季降水预测水平的关键问题之一(陈丽娟等，2013)。目前，动力气候模式是世界各大气候预测业务部门的主要工具(贾小龙等，2013)，评估和检验气候模式对东亚夏季风的预测能力，对于提高模式产品的业务应用水平具有重要意义。

目前已有很多动力气候模式对东亚夏季风模拟能力进行评估和检验的研究。例如CMIP3和CMIP5的多个海气耦合模式。研究表明CMIP3的多个海气耦合模式基本上都能模拟出东亚夏季风降水的气候态，但多数模式对东亚夏季风降水年际变化的预测能力有待于提高，且普遍存在模拟值变幅偏小的缺点(姜大膀等，2004；张莉等，2008；孙颖和丁一汇，2008)。He and Zhou (2014)、何超等(2012)系统分析了中国科学院大气物理研究所气候系统模式FGOALS和CMIP5气候模式对西太平洋副热带高压(简称西太副高)及其年际变率的模拟能力，研究表明模式能够很好地模拟出西太副高年际变率第一模态及相应的海温强迫，但对第二模态的模拟能力明显下降，且模拟的第二模态年际变幅偏小和位置偏南，对第二模态模拟不好的原因在于模式低估了西太副高与西太平洋地区海温(SST)之间的局地海气相互作用。Song and Zhou (2014a, 2014b)通过对CMIP5单独大气模式和海气耦合模式的比较，表明海气耦合模式对东亚夏季风气候态、年际变率和梅雨锋区雨带的模拟能力好于大气模式，指出了海气耦合过程在模拟东亚夏季风年际变率中的重要作用。Zou and Zhou (2013)借助区域海气耦合模式也证明了海气耦合过程在模拟东亚夏季风年际变率中的重要作用。Song et al.(2014)研究表明CMIP5模式能够合理再现东亚夏季风的年代际变化。上述研究也表明多模式集合平均预报效果普遍好于单个模式。

虽然多模式集合预报是目前公认的提高模式预测能力的有效方法，但前提是参加多模式集合的各气候模式要有较好的预测性能(丁一汇，2011)。因此必须要充分了解气候业务中应用的各个气候模式的预测性能。目前世界几大气候业务单位各自研发的海气耦合模式，如国家气候中心的BCC_ CM1.0、NCEP的CFSv2和日本气象厅的MRI-CGCM广泛应用于我国短期气候预测业务。研究表明这三个海气耦合模式基本上能模拟出东亚夏季风的气候态，对东亚夏季风降水年际变化也要一定的预测能力(Rajendran et al., 2004; 司东等，2009；Gao et al., 2011；董敏等，2013；吴统文等，2013；Jiang et al., 2013)，其中MRI-CGCM模式能较好地再现印度和西北太平洋地区季风进程。多数学者主要评估了BCC_CM1.0模式和CFSv2模式对东亚夏季风的模拟能力，而对MRI-CGCM模式评估较少。因此，有必要开展MRI-CGCM模式对东亚夏季风的预报性能的评估，给出该模式作为夏季预测的可靠性程度，有利于该模式在夏季预测中更好地使用。本文通过对比分析实况和MRI-CGCM模式模拟的东亚夏季风降水的主要模态及其年际变化，评估模式对东亚夏季风的模拟能力，在此基础上，探讨东亚夏季风模式预测订正的可能性，希望能够为东亚夏季风的预测提供有用的信息。

本文所用的气候模式是日本气象厅海气耦合模式MRI-CGCM (Yukimoto et al., 2001)，由全球大气环流模式(AGCM)和全球海洋环流模式(OGCM)耦合形成。AGCM模式水平方向采用三角形截断(TL95)，水平分辨率近似于1.875°× 1.875°，垂直方向分成40层(模式顶层为0.4 hPa)。OGCM模式是日本气象研究所区域海洋模式(MRI.COM)，在75°S~75°N地区水平分辨率在经向为1.0°、纬向为0.3°~1.0°，垂直方向分成50层。模式输出产品统一处理成网格点数据，水平分辨率为2.5°×2.5°。本文利用模式以3月为初始场来回报的3~9月数据，文中用到夏季(6~8月)的数据，回报时段为1979~2010年，共有10个成员，文中提到的模拟场均为10个成员的平均。

用来评估模式模拟能力的对比资料有：(1) CMAP月降水资料(Xie and Arkin, 1997)，水平分辨率为2.5°×2.5°；(2) GPCP月降水资料(Adler et al., 2003)，水平分辨率为2.5°×2.5°；(3) NCEP/ NCAR再分析资料，水平分辨率为2.5°×2.5°(Kistler et al., 1996)；(4) NOAA月平均的ERSST海温资料，水平分辨率为2°×2°(Smith et al., 2008)；(5) Niño3.4指数，即(5°S~5°N，120°~170°W)范围内海表面温度异常(SSTA)的区域平均值，由ERSST海温资料计算得到。所有资料均使用1979~2010年时段进行分析，为了便于讨论，本文将再分析资料和观测资料统称为“观测资料”。为了便于分析，将CMAP、GPCP和ERSST插值到全球144×73个(2.5°×2.5°)网格上。夏季数据均由月数据处理得到。文中冬季指的是前一年12月到当年2月。

本文所用的东亚季风区为10°N~50°N、110°E~150°E，区域内总格点数为289。文中评估用到的我国东部地区为(20°N~45°N，110°E~120°E)，区域内总格点数为55；华南地区为(20°N~27.5°N，110°E~120°E)，区域内总格点数为20；江淮流域为(27.5°N~35°N，110°E~120°E)，区域内格点数为20。

本文用来评估模式的模拟性能指标有距平符号一致率、时间相关系数TCC、空间相关系数ACC和国家气候中心的预测技巧评分(简称PS评分)。

文中采用的PS评分为短期气候预测业务常用方法(刘长征等，2013)，在距平符号预报准确百分率的基础上增加异常级加权得分，能够较好地反映整体趋势预测能力。

本文用经验正交函数(EOF)分解方法得到模拟和观测的东亚地区夏季降水主要模态。

能够合理地模拟出观测气候态的特征是衡量模式性能的重要条件。由于观测降水资料本身有很大的不确定性，尤其是在海洋上(Collins et al., 2013; He and Zhou, 2015)，因此本文利用CMAP和GPCP两种不同观测降水资料来评估模式对东亚地区降水的预测性能。图 1是东亚季风区1979~2010年32年平均的观测和模拟的夏季平均日降水量的比较。CMAP观测降水量在东亚季风区从北到南呈纬向递增，在40°N以南大部地区降水量大于4 mm d^-1，大值中心位于热带地区(图 1a)。GPCP观测降水量也表现出与CMAP相似的特征(图 1b)，两者在大陆上差异不大，但在海洋上差异较大，尤其在热带西太平洋地区，CMAP降水量比GPCP偏大1~5 mm d^-1，与Zhou et al.(2008)分析结果一致。模式较好地模拟出了东亚夏季风降水的分布特征(图 1c)。从模拟降水量与CMAP (图 1d)和GPCP观测降水量(图 1e)的差值来看，也是在热带西太平洋地区差异最大，模拟降水量与CMAP观测降水量差值明显小于与GPCP观测降水量的差值，模式在海洋上模拟的降水量与CMAP观测更为接近，因此本文以下分析用到的实况降水资料均为CMAP降水资料。从模拟降水量与实况降水量的差值来看(图 1d)，东亚大部分地区降水量差异在1 mm d^-1范围内，而且东亚地区降水量差值大致呈“-+ -”纬向分布，我国华南地区、菲律宾附近及其以东热带西太平洋地区和我国黄淮地区到韩国、日本南部模拟降水量偏小1~5 mm d^-1，而我国江南和20°N附近西太平洋地区模拟值偏大1~3 mm d^-1。观测850 hPa风场在南海盛行偏西风，西北太平洋为反气旋控制，我国东部主要受该反气旋西北侧西南气流控制。模式较好地模拟出了低层风场的上述主要特征(图 1c)。在西北太平洋地区，模拟850 hPa风场与实况差值场上表现为气旋差异，即模拟的西北太平洋反气旋偏东、偏弱，导致我国大陆到朝鲜半岛、日本一带水汽输送偏弱，降水量偏少，同时，南海和西太平洋这些降水量偏多的区域均位于气旋性差异的南侧。

图 1 1979~2010年平均的夏季日降水量(阴影，单位：mm d-1)与850 hPa风场(箭头，单位：m s-1)：(a) CMAP资料；(b) GPCP资料；(c) MRI-CGCM模式模拟；(d) MRI-CGCM模式模拟与CMAP资料差值；(e) MRI-CGCM模式模拟与GPCP资料差值 Figure 1 Climatological summer mean precipitation (shaded, units: mm d-1) and 850-hPa winds (arrows, units: m s-1) during 1979-2010: (a) CMAP data; (b) GPCP data; (c) the MRI-CGCM (Meteorological Research Institute Coupled Ocean-Atmosphere General Circulation Model) simulation; (d) the difference between the MRI-CGCM simulation and CMAP data; (e) the difference between the MRI-CGCM simulation and GPCP data

由以上分析可知，MRI-CGCM模式能较好地再现东亚夏季风降水和低层风场的气候态特征。

对东亚季风区1979~2010年观测夏季降水进行EOF分析，前2个模态的方差贡献分别为37.7%和10.2%，占总方差贡献47.9%。其中第一模态(EOF1)的空间分布特征是在西太平洋地区和副热带地区(25°N~40°N)夏季降水为反位相变化，当西太平洋夏季降水量偏少(多)时，从长江中下游到韩国及日本一带副热带地区降水量偏多(少)(图 2a)。这两个地区降水是东亚夏季风降水年际变率主要模态即偶极子模态降水的中心(Wang et al., 2008)。EOF1对应的时间系数表现为明显的年际变化特征(图 2e虚线)，其中准5年周期最为明显，其次是准2年周期，均通过了红噪音谱的95%置信上限(图 2g)。第二模态(EOF2)的特点是东亚地区从南到北大致为“+-+”三极子分布，当15°N以南热带地区和南海、我国华南降水量偏多(少)时，同时我国江淮、黄淮到韩国、日本一带副热带地区降水量也偏多(少)，而这两个多雨区中间的西北太平洋大部及我国江南降水量偏少(多)(图 2c)。EOF2对应的时间系数也呈现出明显的年际变化(图 2f虚线)，也是准5年和准2年振荡明显(图 2h)。本文EOF分析结果与Wu et al.(2009)对东亚夏季降水进行季节EOF得到的模态基本一致。

图 2 1979~2010年(a、b)观测东亚季风区夏季降水量与(c、d)模拟的夏季降水量EOF分解的前2个模态EOF1、EOF2及其(e、f)对应的时间系数PC1、PC2和(g、h)相应的功率谱。图g、h中虚线为红噪音的95%信度上限 Figure 2 Spatial distributions of the first two leading EOF modes (EOF1, EOF2) of East Asian summer rainfall from (a, b) the observation and (c, d) the simulation, (e, f) the associated principal components (PC1、PC2) and (g, h) the spectrum analysis corresponding to principal components (PCs) of the observation during 1979-2010.The dotted lines in Fig.g and Fig.h indicate the 95% confidence level upper limit of red noise spectrum

同样对同一时段模式模拟东亚夏季降水进行EOF分析，前2个模态的方差贡献分别为39%和19%，占总方差贡献58%，模式模拟的EOF1方差贡献与实况几乎一样，EOF2方差贡献比实况大9%。模式能够较好地抓住东亚夏季降水第一个模态的空间分布特征，模拟的EOF1与观测之间的空间相关系数为0.72，通过了0.01的显著水平t检验。在CMIP5的34个海气耦合模式中，MRI-CGCM对东亚夏季降水EOF1的模拟能力排在前6名(Song and Zhou, 2014b)。模式很好地模拟出EOF1我国梅雨锋区雨带的位置和强度，只是我国以东梅雨锋区雨带偏窄和位置偏南(图 2c)。模式能较好地模拟出EOF1对应的年际变率，对应的时间系数PC1与观测之间的相关系数为0.41(图 2e)，通过了0.05的显著水平t检验，且能较好地再现出观测EOF1的5 a和2 a主导周期(图略)。相对于EOF1，模式对EOF2的模拟能力明显下降，模拟的EOF2与观测之间的ACC降到0.36，其对应PC2与观测之间的相关系数为0.35，通过了0.05的显著水平t检验，但模式仅能再现出观测EOF2的2 a主导周期，未能模拟出5 a主导周期，表明模式对EOF2的年际变率模拟能力也差于EOF1。模式模拟的EOF2三极子模态明显变窄且偏南，西北太平洋雨带和副热带地区雨带位置比观测偏南，模拟的梅雨锋区雨带位置南移到江南，与观测场上江南降水量偏少正好相反，即模拟的雨带位置与观测差异较大(图 2b、d)。模式模拟的东亚副热带地区雨带偏南是目前大部分海气耦合模式普遍存在的缺点(Song and Zhou, 2014a)。

为了分析东亚夏季降水前两个模态对应的环流和SST分布，文中对模拟和观测降水EOF分解对应的时间系数PC1、PC2与同期低层850 hPa风场及SST做了相关分析，空间分布见图 3。观测场EOF1在热带印度洋和西太平洋低层夏季盛行东风，东亚地区低层风场表现为西北太平洋、日本中部和鄂霍次克海附近的“反气旋-气旋-反气旋”经向波列(图 3a)，这正是典型的东亚-太平洋(EAP)遥相关型波列(黄荣辉，1990)。其中西北太平洋反气旋决定了东亚夏季降水的雨带分布，该反气旋偏强导致梅雨锋区夏季降水量偏多、西北太平洋地区降水量偏少。西北太平洋反气旋异常是联系ENSO与东亚季风环流的重要纽带。在夏季观测海温场上，印度洋和西太平洋SST偏暖，而中东太平洋海温趋于变冷。已有研究表明冬季El Niño事件对印度洋SST有增暖作用，印度洋是联系冬季ENSO与夏季西北太平洋反气旋异常的桥梁(Xie et al., 2009)。本文分析了观测PC1与Niño3.4指数的超前滞后相关(图 4a虚线)，图 4中横坐标(-1)、(0)和(1)分别表示前一年、当年和后一年，由图可见，PC1与前一年夏秋季以及前期冬春季Niño3.4指数的相关系数均超过0.4，通过了0.05的显著水平t检验，然而与同期夏季及后期秋冬季Niño3.4指数为弱负相关(未通过信度检验)，表明EOF1模态出现在El Niño事件峰值之后，也就是说EOF1模态反映的是El Niño衰减年东亚夏季风环流的情况，这与Wu et al.(2009)等分析结果是一致的。夏季热带印度洋海温增暖激发的大气Kelvin波导致了西北太平洋反气旋的产生，从而影响东亚夏季风降水的雨带分布(Wu et al., 2009; Song and Zhou, 2014a, 2014b)。

图 3 图 2中的PC1、PC2与(a、b)同期观测的、(c、d)模拟的850 hPa风场和SST的相关。箭头表示850 hPa风场异常，阴影区表示与SST的相关系数(通过了0.1的显著水平t检验)，字母“C”、“A”分别表示“气旋”、“反气旋” Figure 3 The correlation maps of PC1, PC2 in Fig. 2 with the simultaneous (a, b) observed and (c, d) simulated 850-hPa wind and SST.The arrows indicate 850-hPa wind anomalies.The shaded areas indicate the correlation coefficients between the PCs and SST that passes the 0.1 significance level."C" and "A" represent "cyclone" and "anticyclone", respectively

图 4 图 2中的(a) PC1和(b) PC2与Niño3.4指数超前滞后相关系数。横坐标中(-1)、(0)和(1)分别表示前一年、当年和后一年，两条水平虚线表示95%信度水平线，JJA、SON、DJF、MAM分别表示6、7、8月，9、10、11月，12、1、2月，3、4、5月 Figure 4 Lead and lag correlation coefficients of PC1, PC2 with the Niño3.4 index.Labels (-1), (0), and (1) on the x-axis indicate the previous year, the current year, and the next year.The two horizontal dotted lines represent the 95% confidence level using the t test.JJA represents June, July, and August.SON indicates September, October, and November.DJF denotes December, January, and February.MAM represents March, April, and May

模式能较好地模拟EOF1低层风场EAP波列特征，但模拟的西北太平洋和日本中部的反气旋-气旋位置偏南(图 3c)，导致模拟的我国以东梅雨锋区雨带位置偏南。模式能合理地再现EOF1在印度洋和太平洋SST分布(图 3c)，模拟PC1与Niño3.4相关曲线变化与观测PC1基本一致(图 4)，只是模拟相关曲线变幅大于观测，表明模式对SST的模拟更为理想化，模拟的夏季中东太平洋海温变冷幅度大于实况(图 3c)。

观测EOF2在赤道太平洋低层盛行西风，东亚地区从南到北在南海、西北太平洋和日本海附近为“气旋-反气旋-气旋”经向配置，南海气旋导致华南地区夏季降水量偏多，同时看出西北太平洋反气旋位置比EOF1偏北偏东，中心位置位于27°N附近，控制我国江南地区，使得梅雨锋区雨带位于我国江淮、黄淮及其以东地区，雨带西边界比EOF1偏东，位置也比EOF1偏北，而江南降水量偏少(图 2b)。在夏季观测海温场上最明显的特征是热带中东太平洋SST偏暖(图 3b)。从观测PC2与Niño3.4指数的相关来看(图 4)，PC2与前期秋冬季为弱负相关，到前期春季转为正相关，但未通过显著性检验，到同期夏季相关系数陡升到0.58，与后期秋冬季及下一年春季均为明显的正相关，最大相关系数出现在同期夏季，表明EOF2对应的是El Niño发展位相，这与黄荣辉和陈文(2002)指出在El Niño发展阶段我国江淮流域到韩国日本一带夏季降水量偏多而江南降水量偏少的结论相一致。研究表明对应东亚夏季风年际变率EOF分解第二模态，赤道中东太平洋正的加热异常在热带西太平洋激发出异常气旋性环流(Wu el al., 2009)，从而导致西北太平洋反气旋位置比EOF1模态偏北，使得我国江淮流域到韩国、日本一带降水量偏多，而江南降水量偏少。

模式基本能模拟出了EOF2在热带太平洋和东亚地区的低层风场特征(图 3d)，但模拟的西北太平洋反气旋位置比观测明显偏南，使得模拟的华南雨带南移到南海地区，相应地模拟的梅雨锋区雨带南移到江南地区。模式能较好地再现夏季热带中东太平洋海温偏暖的特征(图 3d)，模拟PC2与Niño3.4相关变化曲线与观测基本一致(图 4b)，只是前期冬春季相关系数明显大于观测，即模拟夏季热带中东太平洋海温偏暖幅度大于观测(图 3d)。

从1979~2010年观测与模拟的夏季降水量的时间相关系数(TCC)分布(图 5a)来看，在东亚热带地区TCC大于0.2，大部分地区通过了0.1的显著水平t检验，而副热带地区TCC明显小于热带地区，模式对热带地区的预报能力明显高于副热带地区。在我国东部地区，黄河以南大部地区TCC为正值，其中黄淮南部地区通过了0.1的显著水平t检验。MRI-CGCM模式在我国东部的TCC分布与4个海气耦合模式(CFSv2、GFDL CM2.1、ABOM POAMA2.4、FRCGC SINTEX-F)集合平均回报同一时段夏季降水在我国东部的TCC分布(Wang et al., 2015)基本一致，表明MRI-CGCM模式在我国东部夏季降水的预报能力与多模式集合平均预报能力相当。从1979~2010年观测与模拟的夏季气温的TCC分布(图 5b)来看，东亚地区TCC均为正值，其中热带地区大部大于0.3，通过了0.1的显著水平t检验；在副热带地区，120°E以东大部TCC也通过了0.1的显著水平t检验，表明模式对东亚地区夏季气温具有较好的预测能力。由图 5也可看出，MRI-CGCM对东亚地区夏季气温的模拟能力明显好于夏季降水。

图 5 模拟的1979~2010年夏季(a)降水量、(b)气温与观测的降水量、气温之间的时间相关系数分布。阴影区表示通过了0.1的显著水平t检验 Figure 5 Temporal correlation coefficients between simulated and observed summer (a) rainfall and (b) mean temperature during 1979-2010.Areas passing 0.1 significance level using the t test are shaded

我国东部1979~2010年观测与模拟的夏季降水量的ACC多年平均为0.74(图 6)，通过了0.01的显著水平t检验，高于目前国家气候中心预测业务上应用的多模式解释应用集成方法(包含BCC_CM1.0、CFSv2、MRI-CGCM和欧洲中期天气预报中心的System4等4个气候业务模式)回报2003~2012年我国夏季降水最佳ACC (0.05)(刘长征等，2013)。从每年降水ACC变化来看，每年ACC均通过了0.01的显著水平t检验，其中最小值为0.58(2003年)，最大值为0.89(1999年)。模式模拟我国东部夏季气温与观测之间的32年平均ACC为0.68(图 6)，通过了0.01的显著水平t检验，其中ACC最小是0.48(2007年)，最大是0.79(1979年)。表明模式对我国东部夏季降水和气温的空间异常分布型具有较好的模拟能力。

图 6 模拟的1979~2010年我国东部夏季降水量、气温与观测之间的空间相关系数，图中虚线表示99%信度水平线 Figure 6 Spatial correlation coefficients (ACC) between simulated and observed summer rainfall and summer mean temperature over eastern China from 1979 to 2010.The dashed line represents the 99% confidence level using the t test

我国东部、华南地区和江淮流域模拟与观测降水多年平均距平符号一致率分别为53%、53%和58%(图 7a)，其中模式对江淮流域的预报技巧最高。1979~2010年中江淮流域距平符号一致率大于75%有9年(图 7a)，分别为：1981、1985、1986、1993、1996、1997、1998、2002和2007年，这9年中除了1981年和1985年为正常年外，其他年份均为ENSO年，也就是说ENSO年模式对江淮流域夏季降水的预测能力较强。我国东部、华南地区和江淮流域模拟夏季降水32年平均PS评分分别为69、68和70分(图 7b)，略高于我国夏季降水业务预测多年平均(65分)(艾秀等，2008；2015年国家气候中心气象现代化实施方案)。从各年PS评分来看，我国东部、华南地区和江淮流域PS评分超过70分的分别有16年、20年和19年，即各个区域32年中有一半以上年份预测评分超过70分，MRI-CGCM模式对我国各区域夏季降水年际变化具有较好的预测能力。模式模拟的1979~2010年我国东部夏季气温平均符号一致率和PS评分为62%和74分(图略)。从各年PS评分来看，PS评分超过70分的有22年，即32年中有三分之二的年份预测评分超过70分(图略)，模式对我国东部夏季气温年际变化也具有较好的预测能力。

图 7 模式模拟中国各区域夏季降水量和观测降水量的(a)距平符号一致率和(b) PS评分 Figure 7 The (a) anomaly sign consistency rate and (b) predict score (PS) between simulated and observed summer rainfall

Wang et al.(2008)对目前25种东亚夏季风指数进行了评估，指出Wang定义的东亚夏季风指数(Wang and Fan, 1999)和张庆云定义的东亚夏季风指数(张庆云等，2003)与东亚夏季风的多变量EOF分解PC1的相关系数分别为-0.97和-0.93，是25种指数中相关系数最高的前两种。这两个指数定义相似，均用东亚热带地区和副热带地区的纬向风南北梯度来定义，反映东亚热带辐合带(季风槽)与副热带辐合带(梅雨锋)的强度存在反位相变化特征。两者的差异只是选取的区域不同而已。这两个指数物理意义明确且计算简单，两者1979~2010年相关系数达0.93。我国短期气候预测业务中普遍采用张庆云定义的指数(简称EASMI)来表征东亚夏季风强弱，因此本文也采用EASMI来评估模式对东亚夏季风年际变化的模拟能力。EASMI是用东亚热带地区(10°~20°N，100°~150°E)与副热带地区(25°~35°N，100°~150°E)夏季平均的850 hPa风场的纬向风距平之差来表示。当指数小(大)表明东亚夏季风弱(强)，东亚热带季风槽区夏季降水量偏少(多)，而梅雨锋区降水量偏多(少)。

从观测EASMI与同期降水和850 hPa风场的相关分布来看，当东亚夏季风偏弱(强)时，西太平洋地区为异常反气旋(气旋)，受其影响，东亚夏季降水从南到北为偶极子经向分布，西太平洋地区夏季降水量偏少(多)，而我国江淮流域到韩国、日本一带梅雨锋区降水量偏多(少)(图 8a)。比较图 8a和图 2a可见，观测EASMI强弱对应的东亚夏季降水分布与观测东亚夏季降水EOF1模态基本一致，1979~2010年观测EASMI与PC1相关系数为0.84，即EASMI反映的是东亚夏季降水的EOF1模态。

图 8 1979~2010年(a)观测的EASMI与观测的夏季降水量、(b)模拟的EASMI与模拟的降水量、(c)订正的EASMI与观测的夏季降水量和850 hPa风场异常(箭头，单位：m s-1)的相关关系分布。阴影区表示通过0.1的显著水平t检验 Figure 8 Distributions of correlation coefficients (a) between the observed EASMI (East Asian Summer Monsoon Index), observed summer rainfall and 850-hPa wind anomalies (arrows, units: m s-1), (b) between the simulated EASMI, simulated summer rainfall and 850-hPa wind anomalies, (c) between the corrected EASMI, observed summer rainfall and 850-hPa wind anomalies.Areas passing 0.1 significance level using the t test are shaded

1979~2010年模拟和观测的EASMI变化曲线基本一致(图 9)，相关系数为0.51，通过了0.01的显著水平t检验，表明MRI-CGCM模式对东亚夏季风预测技巧较高，较好地模拟出东亚夏季风的年际变化，但模拟的东亚夏季风指数变幅偏小。模式EASMI能模拟出西太平洋反气旋和东亚夏季风降水偶极子经向分布型，当模拟东亚夏季风偏弱(强)时，西太平洋地区降水量偏少(多)，而梅雨锋区降水量偏多(少)，但是模拟的西太平洋反气旋比实况偏南，导致模拟的梅雨锋区雨带位置偏南(图 8b)。

模拟EASMI对应的梅雨锋区雨带位置偏南，那么是否可以对模拟的EASMI进行订正，使得模拟的梅雨锋区雨带位置与实况更为接近呢。本文尝试利用观测的EASMI与模拟模态对应的PC建立多元回归方程来订正EASMI。把观测的EASMI作为预报变量，东亚夏季降水前4个模态对应的PC作为预报因子，建立多元线性回归方程，文中把这种订正方法称为PC订正法。文中选前4个PC的原因是前4个PC与观测的EASMI相关性较好，相关系数分别为0.57、-0.16、0.22和-0.28，而第5模态之后的PC与观测的EASMI的相关性明显下降。根据PC订正方法利用交叉检验计算出1979~2010年订正的EASMI。下面简要介绍订正方案：例如，要订正第j年的EASMI，通过多元线性回归方程：

其中，$I_{1 \times (N - 1)}^{{\rm{Obs}}}$为去掉第j年后的(N-1)年的观测EASMI，$P_{k \times \left({N - 1} \right)}^{{\rm{Mod}}}$为去掉第j年后的(N-1)年模式模拟PC，${\varepsilon _{1 \times \left({N - 1} \right)}}$为去掉第j年后的(N-1)年残差序列，k=4。这样计算出多元回归系数${C_{1 \times k}} $，然后把多元回归系数乘以第j年模式模拟前4个PC即可得到第j年的订正EASMI，即$I_j^{{\rm{adj}}} = {C_{1 \times k}}{(P_j^{{\rm{Mod}}})_{k \times 1}}$。依次类推，可得到1979~2010年订正的EASMI。

表 1是1979~2010年订正前后EASMI与观测EASMI的比较，订正指数与实况相关系数明显增大，由订正前0.51增到0.65。订正EASMI变幅也明显增大，标准差从订正前0.75增大到订正后1.4，增幅为87%；大于1个标准差年数从6年升到12年，偏多了一倍(表 1和图 9)。订正EASMI与观测距平符号一致率也从订正前84%升到91%，上升了7%，订正EASMI年际波动与实况更为吻合(表 1和图 9)。订正EASMI有1980年、1982年、1988年和2000年等4年，由订正前与观测符号相反变为符号一致，但是订正后EASMI在1996年和2008年，由订正前与观测符号一致转为符号相反。订正后EASMI变幅明显增大的年份有14年，分别为1981、1982、1986、1988、1989、1992、1995、1996、1998、1999、2003、2008、2009和2010年，这14年中除了1981年外，其他13年都是ENSO年，表明利用PC订正法对ENSO年订正效果更好，也就是说海温信号较强年订正效果更显著。

表 1(Table 1)

表 1 1979~2010年观测的和订正前、后的EASMI比较 Table 1 Comparison of simulated and corrected EASMI with the observed EASMI during 1979-2010 与观测的相关系数 标准差 与观测距平符号一致率 大于1个标准差年数 观测EASMI 1 2.08 100% 13 订正前EASMI 0.51 0.75 84% 6 订正后EASMI 0.65 1.40 91% 12

表 1 1979~2010年观测的和订正前、后的EASMI比较 Table 1 Comparison of simulated and corrected EASMI with the observed EASMI during 1979-2010

图 9 1979~2010年观测、模拟和订正的EASMI Figure 9 The time series of observed, simulated, and corrected EASMI during 1979-2010

从订正EASMI与观测夏季降水量和850 hPa风场的相关分布(图 8b)来，订正后对应西太平洋反气旋位置比订正前偏北，与实况较为接近，使得订正后我国梅雨锋区雨带位置也偏北，与实况更为吻合，表明订正EASMI对模拟梅雨锋区雨带偏南的缺点也有一定的改善。

本文利用日本气象厅海气耦合模式MRI-CGCM的输出结果和观测资料进行比较，从东亚夏季风气候态、主模态和年际变化等三个方面，来评估模式对东亚夏季风的预测性能，在此基础上，利用PC订正法对东亚夏季风指数进行了订正，得到以下结论：

(1) MRI-CGCM模式对东亚夏季风气候态有较好的模拟能力，能模拟出东亚地区夏季降水从北到南递增、西北太平洋反气旋以及我国东部受该气旋的西北侧西南气流控制的特征。但模拟的西北太平洋反气旋偏弱、偏东，导致模拟的副热带地区降水量偏小。

(2)模式能够较好地模拟出东亚夏季风降水的第一模态空间分布特征，模拟的EOF1与观测之间的ACC为0.72，通过了0.01的显著水平t检验；模式也能较好地再现其对应的年际变率，其时间系数PC1与观测之间的相关系数为0.41，能模拟出观测EOF1的2 a和5 a主导周期；但模拟的降水量年际变率幅度偏小和我国以东梅雨锋区雨带位置偏南，这与模拟的西北太平洋反气旋位置偏南偏弱有关。MRI-CGCM较好地再现出EOF1对应El Niño衰减位相，热带印度洋和西太平洋夏季SST偏暖，而热带中东太平洋夏季SST偏冷，与观测相符。

(3)模式对降水EOF2的模拟能力明显差于EOF1，模拟的EOF2与观测之间的ACC为0.36，相应的模拟PC2与观测之间的相关系数为0.35，模式能再现观测EOF2的2 a主导周期，但未能模拟出EOF2的5 a主导周期。模式能再现出EOF2对应El Niño发展位相，但模拟的西太平洋反气旋明显偏南，导致模拟的雨带位置偏南，模拟的梅雨锋区雨带位置位于江南，与观测场上江南降水量偏少相反，模拟的EOF2雨带位置与观测差异较大。

(4) MRI-CGCM较好地模拟出我国夏季降水和气温的空间异常分布和年际变化。模拟与观测夏季降水和气温多年平均ACC分别为0.74和0.68，均通过了0.01的显著水平t检验，其中降水平均ACC高于目前国家气候中心预测业务上应用的多模式解释应用集成预测。模式模拟我国东部、江淮流域和华南地区夏季降水多年平均PS评分分别为69、70和68分，略高于我国夏季降水业务多年平均(65分)。模拟的我国东部夏季气温与观测多年平均符号一致率和PS评分分别为62%和74分。

(5)利用观测EASMI与模拟PC的关系建立多元线性回归方程来订正EASMI，订正后EASMI在相关系数、符号一致率、模拟EASMI变幅偏小和我国梅雨锋区雨带偏南等方面均有一定的改善。订正EASMI与实况的相关系数由0.51提高到0.65，符号一致率由84%升到91%；订正后EASMI标准差从0.75增大到1.4，大于1个标准差年数由6年变为12年；订正后对应西太平洋反气旋位置和我国梅雨锋区雨带位置与实况更为吻合；PC订正法对ENSO年的订正效果更为明显。订正EASMI在夏季预测业务中应该具有实际的应用价值。