1 引言

近几十年来，气候异常事件频发给社会和经济带来愈加严重的损失，短期气候预测成为科学界和社会共同关注的焦点问题。上世纪九十年代之后，动力季节预报得到了迅速发展，不少国家和业务中心都建立了自己的季节预报模式，并逐步成为季节预报的主要工具（Saha et al., 2006；Kug et al., 2008）。Bengtsson et al.（1993）首先提出“两步法”动力季节预测，即先利用统计模型或海洋模式对全球海表温度（SST）异常进行预报，再把提前预报的SST作为边界强迫驱动大气环流模式（AGCM）进行预报，相当于将慢变的边界强迫当作季节预测的可预报性来源（Shukla，1998）。但是，“两步法”无法反映真实的海气相互作用过程，而研究显示，东亚夏季风与西太平洋暖池的相互作用对季风降水的预报至关重要（Wang et al., 2000, 2003；Kumar et al., 2005）。因此，越来越多的耦合模式（CGCM）被用于气候预测研究和业务应用，这就是所谓的“一步法”（Saha et al., 2006, 2014；Merryfield et al., 2013）。在“一步法”中，慢变的大气下边界不再只是强迫，而是气候系统中多种要素相互作用的结果。气候的可预报性来源于缓变的耦合海—陆—气—冰动力学和海洋与陆面的的记忆（Palmer et al., 2004）。尽管CGCM仍然不同程度地存在系统性偏差，但在ENSO模态（Guilyardi et al., 2004）、亚洲季风（Wang et al., 2008；Kumar and Krishnamurti, 2012；Krishnamurti and Kumar, 2012；Zhu and Shukla, 2013）等的预报方面显示出长足的进步，已经成为季节预测最有力的工具之一（Wang et al., 2009）。

我国在动力气候预报方面起步较早，1988年中国科学院大气物理研究所（IAP）就开始利用两层大气环流模式开展跨季度预测，随后又建立了IAP跨季度数值气候预测系统，率先开展了对我国夏季旱涝形势的预测（曾庆存等，1990；Zeng et al., 1997）。“九五”期间，国家气候中心（BCC）将全球大气环流模式（T63L16 AGCM-1.0）与IAP的L30T63全球海洋环流模式进行耦合，研制出具有较高分辨率和较复杂物理过程的全球海气耦合模式（BCC_CM1.0），并在此基础上建立了第一代气候模式预测业务系统（董敏等，2000；丁一汇等，2004）。研究显示，BCC_CM1.0对气候态模拟能力良好，对我国汛期降水和温度、北半球大尺度环流场、ENSO模态、江淮梅雨等都具备一定预报能力（Li and Zhao, 2002；李清泉等，2004；司东等，2009）。

2005年起，国家气候中心通过改进雪盖参数化（Wu and Wu, 2004）、对流参数化（Wu et al., 2008；Wu，2012）等物理过程，发展了第二代全球大气环流谱模式BCC_AGCM2.0.1（Wu et al., 2010）。研究表明，BCC_AGCM2.0.1及其后续版本（BCC_ AGCM2.1和BCC_AGCM2.2）对大气季节内振荡（董敏等，2009；Zhao et al., 2014, 2015；Wu et al., 2016；Fang et al., 2017）、东亚区域垂直云量（孙国荣等，2016）、平流层环流变化特征（陆春晖等，2014）、极端温度事件（Dong et al., 2012）、夏季雨带的年代际变化（Chen et al., 2012）和季节大气环流异常（朱春子等，2013）均有一定的模拟和预报能力。基于BCC_AGCM2.2建立的第二代月动力延伸期预测模式业务系统（DERF2.0）对我国月尺度气温和降水的预测能力也明显优于DERF1.0（何慧根等，2014）。在此基础上国家气候中心进一步建立了包含全球碳循环和动态植被在内的海—陆—气—冰多圈层耦合的气候系统模式BCC_ CSM1.1和BCC_CSM1.1m，并基于全球110 km中等分辨率的BCC_CSM1.1m研发了第二代短期气候预测模式系统（吴统文等，2013），目前已经投入业务运行，并对东亚夏季风环流和降水表现出一定的预报能力（Liu et al., 2015；顾伯辉等，2017；郭渠等，2017）。因此，有必要从可预报性的角度全面检验该模式预报性能，分析预报技巧来源。

研究显示，建立在概率密度预报基础上的集合预报可以大大减少预报的不确定性，增加预报的可靠性，同时能够定量地评估气候预测的风险，这使预报员不仅从气象上能继续估计其预报技巧，而且可根据用户的经济参数估计预报的潜在经济价值，因此集合预报是未来季节气候预测重要方向（丁一汇，2011；Yang et al., 2016）。通过对大气和SST初值进行扰动，第二代短期气候预测模式系统生成了24个集合成员，具备了利用模式成员构造概率预报的条件，但其概率预报性能和优势还有待检验。本文将从确定性预报和概率预报两个方面，对BCC第二代季节气候预测模式系统的预报技巧进行系统评估，并与一代模式的预报技巧进行对比，重点分析可预报性来源，探讨概率预报检验的物理意义，为季节气候预测和模式发展提供参考依据。

2 模式和资料

BCC第二代季节气候预测模式系统（图中记为BCCv2）的大气分量模式采用BCC_AGCM2.2，水平分辨率为T106，垂直分为26层；陆面分量模式采用BCC_AVIM1.0，水平分辨率为T106；海洋分量模式为MOM_L40，其采用三极网格，水平分辨率为(1/3)°~1°，垂直方向有40层；海冰分量模式采用美国地球物理流体力学实验室（GFDL）发展的海冰模拟器（SIS）。各分量模式通过耦合器（CPL5.1）直接耦合在一起（吴统文等，2013）。在开展气候预测时，首先采用美国国家环境预报中心（NCEP）一日四次的大气再分析资料和NCEP全球海洋同化系统的海洋再分析资料（包括多层次的温度、盐度场）生成大气和海洋模式中部分控制变量的初始驱动场，进而使用滞后平均预报（LAF）和奇异向量扰动（SV）共产生24个集合样本，对未来13个月进行预报。

该季节气候预测模式系统从2014年12月1日正式投入准业务运行，并完成了从1991年开始的逐月回报试验。本文对1991~2013年共23年的模式回报结果进行检验，着重分析模式对全球2 m气温（T2m）、降水（PREC）、500 hPa位势高度（Z500）和我国台站气温、降水的预报效果。其中，全球格点2 m气温和位势高度的观测资料采取NCEP/第二套再分析资料（Kanamitsu et al., 2002）；降水观测数据使用美国气候预测中心融合降水（CMAP）的逐月降水资料（Xie and Arkin, 1997）；中国台站采用国家气象信息中心提供的2288个站的逐月气温降水资料。模式数据统一插值到2.5°×2.5°的网格和台站上。观测的Niño3.4海温指数从BCC网站下载（http://cmdp.ncc-cma.net/download/ENSO/Monitor/Nino-indices/month_ninoindex.txt[2017-01-10]）。本文针对不同预报超前时间（lead time）的结果进行分析，如对夏季平均而言（JJA），对6月1日预报结果的前3个月进行平均即得到预报超前时间为0个月的预报结果（记为LM0），对5月1日的第2~4个月的预报结果进行平均即得到预测超前时间为1个月的预报（记为LM1），依次类推。观测和模式的气候态均取1991~2010这20年的均值，需要注意的是，考虑到模式的系统误差，模式的气候态既是时间的函数，也是预报LM的函数。

此外，本文还对BCC一代季节模式（图中记为BCCv1）相同时段的资料进行了类似处理，与二代模式结果进行对比，分析预报技巧的差异及其来源。

3 检验评估方法

为更加全面地定量检验模式的预测性能，本文参考WMO（World Meteorological Organisation）推荐的标准和方法（WMO，2006），从确定性预报和概率预报两个方面对模式的预报性能进行评估。

3.1 确定性预报评估方法

对确定性预报而言，首先对24个样本进行简单集合平均。令x_{i, j}代表观测值，f_{i, j}代表预测值，其中，i＝1, 2, 3, …, M代表评价区域的格点数，j＝1, 2, 3, …, N代表时间序列。在进行区域平均时考虑权重系数W_i＝cos (φ_i)，其中，φ_i为格点所在纬度。

距平相关系数（Anomaly Correlation Coefficient，简称ACC），主要反映预报与观测异常场空间型的相似程度，也可称为空间相似系数，计算公式如下：

${\rm{AC}}{{\rm{C}}_j} = \frac{{\sum\limits_{i = 1}^M {(\Delta {x_{i,j}} - \overline {\Delta {x_j}} )} \times (\Delta {f_{i,j}} - \overline {\Delta {f_j}} )}}{{\sqrt {\sum\limits_{i = 1}^M {{{(\Delta {x_{i,j}} - \overline {\Delta {x_j}} )}^2}} \times \sum\limits_{i = 1}^M {{{(\Delta {f_{i,j}} - \overline {\Delta {f_j}} )}^2}} } }},$

(1)

其中，$\overline {\Delta {x_j}} $和$\overline {\Delta {f_j}} $分别代表观测和预测区域所有格点时间距平的空间平均值。

与ACC不同，时间相关系数（Temporal Correlation Coefficient，简称TCC）能够表征模式在每个格点的预报能力，得到预报技巧空间分布。其计算公式如下：

${\rm{TC}}{{\rm{C}}_i} = \frac{{\sum\limits_{j = 1}^N {{\rm{(}}{x_{i,j}} - \overline {{x_i}} {\rm{)}}} {\rm{(}}{f_{i,j}} - \overline {{f_i}} {\rm{)}}}}{{\sqrt {\sum\limits_{j = 1}^N {{{{\rm{(}}{x_{i,j}} - \overline {{x_i}} {\rm{)}}}^2}} } \times \sqrt {\sum\limits_{j = 1}^N {{{{\rm{(}}{f_{i,j}} - \overline {{f_i}} {\rm{)}}}^2}} } }}.$

(2)

ACC和TCC的取值范围均在－1到1之间，越接近于1表明技巧越高。

3.2 概率预报评估方法

对概率预报而言，通常根据观测的气候百分位将事件分为正异常（AN）、接近正常（NN）和负异常（BN）三类。BCCv2的每次预报均由24个集合成员构成，因此可根据对特定一类事件预报的集合成员的比例构建概率预报。本文主要使用了相对操作特征量（Relative Operating Characteristic，简称ROC）、可靠性图表（Reliability Diagrams，简称RD）和Brier技巧评分（Brier Skill Score，简称BSS）等方法（Richardson，2000；Wilks，2011）对概率预报技巧进行评估。首先，对任意一个事件可构造一个ROC列联表（Contingency table），如表 1所示。

WMO建议将概率总仓数控制在9~20个之间，BCC二代模式拥有24个集合成员，因此本文共取12个概率仓。由此可得到命中率（Hit Rate，简称HR）和误报率（False Alarm Rate，简称FAR）：

${\rm{H}}{{\rm{R}}_n} = \sum\limits_{i = n}^N {{O_i}/} \sum\limits_{i = 1}^N {{O_i}} ,$

(3)

${\rm{FA}}{{\rm{R}}_n} = \sum\limits_{i = n}^N {{\rm{N}}{{\rm{O}}_i}/} \sum\limits_{i = 1}^N {{\rm{N}}{{\rm{O}}_i}} .$

(4)

以误报率作为横坐标、命中率作为纵坐标即可得到ROC曲线，这条曲线必然通过（0, 0）和（1, 1）两点。对这条曲线进行积分即可得到ROC面积（ROC Area，简称ROCA），其值介于0到1之间：若命中率与误报率相当，即ROC曲线为对角线，此时ROCA等于0.5，代表无预报技巧；而命中率相较于误报率越大，ROC曲线越向上凸起，ROCA越大，预报技巧越高。为了更直观表示预报技巧，可进一步计算ROC技巧评分（ROCSS），如公式（5）所示，它的取值介于－1到1之间，ROCSS大于0代表模式具备预报技巧：

${\rm{ROCSS = 2}} \times {\rm{ROCA}} - {\rm{1}}{\rm{.}}$

(5)

另一种重要的概率预报评估方法为Brier评分（Brier Score，简称BS），它的定义为

${\rm{BS}} = \frac{1}{n}\sum\limits_{i = 1}^n {{{{\rm{(}}{f_i} - {o_i}{\rm{)}}}^2}} ,$

(6)

其中，n为预报次数，f_i为第i次预报的事件发生的概率，o_i为第i次观测到的概率，若事件发生则o_i为1，否则o_i为0。BS的范围在0到1之间，BS值越小表明模式预报技巧越高。

BS可进一步分解为不确定性项（BS_unc）、可靠性项（BS_rel）和辨析度项（BS_res），即：

$\begin{array}{*{20}{l}} {{\rm{BS}} = \bar o(1 - \bar o) + \frac{1}{n}\sum\limits_{k = 1}^m {{n_k}{{({f_k} - {{\bar o}_k})}^{\rm{2}}} - } }\\ {\frac{1}{n}\sum\limits_{k = 1}^m {{n_k}{{({{\bar o}_k} - \bar o)}^2}} = {\rm{B}}{{\rm{S}}_{{\rm{unc}}}} + {\rm{B}}{{\rm{S}}_{{\rm{rel}}}} - {\rm{B}}{{\rm{S}}_{{\rm{res}}}},} \end{array}$

(7)

其中，o代表事件发生的气候频率，m代表表 1中概率仓数，f_k代表第k个概率仓的预报概率，o_k代表预报概率为f_k时事件实际发生的概率，n_k代表预报落在第k个概率仓的总次数。由此可见，可靠性项代表预报概率与实际观测频率之差的平方和，此项越小预报的可靠性越高；辨析度项则考察预报是否能将事件的发生频率从气候观测频率中分离出来，强调预报提供的区别于气候概率的信息，因此该项越大越好；不确定项则代表预知信息，是一个常数。

由BS各项的定义可知，对于按照气候概率的预报而言，BS只有不确定项，即BS_cli＝BS_unc，因此可进一步定义Brier技巧评分（BSS）为

${\rm{BSS}} = 1\frac{{{\rm{BS}}}}{{{\rm{B}}{{\rm{S}}_{{\rm{cli}}}}}} = \frac{{{\rm{B}}{{\rm{S}}_{{\rm{res}}}}{\rm{B}}{{\rm{S}}_{{\rm{rel}}}}}}{{{\rm{B}}{{\rm{S}}_{{\rm{unc}}}}}} = {\rm{BS}}{{\rm{S}}_{{\rm{res}}}}{\rm{BS}}{{\rm{S}}_{{\rm{rel}}}},$

(8)

其中，BSS的取值范围为（－∞, 1），BSS越高代表概率预报技巧越高，BSS大于0代表存在预报技巧。对按照气候概率三分类的事件而言，BS_unc是一个定值，因此BS_res和BSS_rel分别相当于BS_res和BS_rel的4.5倍，只有当BSS_res大于BSS_rel才表明模式的预报技巧高于气候概率预报。

3.3 评估区域

综合模式预报技巧的空间分布特征和实际预测业务中重点关注的地区，主要对以下6个区域的预报技巧进行比较，区域范围如表 2所示。

4 确定性预报检验

首先对模式预报技巧的空间分布进行分析。以冬季（DJF）和夏季（JJA）为例，图 1给出BCC二代模式LM1时对2 m气温预报的TCC技巧以及二代与一代模式技巧差值的空间分布。如图所示，二代模式主要对热带海洋地区、特别是热带太平洋地区的预报技巧较高。这一方面与海表温度自身持续性较好有关，另一方面得益于热带海洋存在ENSO等具有较高可预报性的气候模态。在热带外模式具有较高预报技巧的地区则类似于马蹄形分布，从热带海洋大陆地区分别向东北太平洋和东南太平洋延伸，这主要受到ENSO激发的遥相关，如太平洋—北美型（PNA）等的影响。与一代模式相比，二代模式的预报技巧整体有明显提高，特别在冬季赤道中东太平洋的Niño海温区和北半球受ENSO遥相关影响的地区。需要注意的是，二代模式对冬季的东北亚地区气温的预报技巧较低，甚至低于一代模式，这将不利于冬季对我国东北地区的低温预测。

与气温相比，模式对降水异常的预报能力相对较弱，在北半球冬季略好于夏季。由图 2可知，二代模式对降水的预报技巧高值区主要位于热带中东太平洋、西印度洋、海洋大陆和美洲部分地区；在北半球热带外地区，模式主要对ENSO的遥相关影响区域具有较高的预报能力，如东北太平洋和北美东部地区。与一代模式相比，二代模式在Niño区、热带大西洋和印度洋预报技巧提升明显，对这些热带地区大尺度对流预报的改进通过遥相关波列进一步提升了热带外地区的预报技巧，如东北太平洋、北美、印度和西欧等地区。但模式对欧亚大陆降水预报能力的提升则相对有限。

与气温和降水相比，二代模式对以500 hPa位势高度场为代表的环流异常的预报能力相对较高。如图 3所示，从空间分布上看，模式同样在热带地区的预报技巧最高，这主要是由于热带的自然内部变率较低且大气能直接对SST的变化产生合理响应；在中纬度地区，模式的高预报技巧区成波列状分布，与欧亚（EU）型和PNA型等遥相关型类似；对东亚地区而言，模式在夏季对西太副高所在区域有较高的预报技巧，但在冬季对贝加尔湖以北到鄂霍茨克海地区等中高纬阻塞形势易发生地区的预报技巧偏低。与一代模式相比，二代模式对夏季热带印度洋和冬季热带太平洋地区的预报技巧改进明显，而对热带外地区预报技巧的改进则成同样通过遥相关波列与热带的高技巧区紧密相连，如夏季形成从热带印度洋和海洋大陆地区到鄂霍茨克海的类EAP型波列，冬季则存在类似PNA型波列，进一步说明改善模式对热带地区主要气候模态的预报能力对提升模式整体的季节预测性能至关重要。

图 4进一步给出二代模式对不同区域（见表 2）平均的TCC技巧随LM的变化，考察模式预报技巧在不同地区对初值的依赖性。总体而言，二代模式对热带地区的预报技巧明显高于热带外地区，对气温和环流的预报技巧高于降水，随着预报LM的延长（特别是前2个月）预报技巧整体下降，在热带地区的下降趋势尤为一致，说明初值信息是热带地区季节预报的重要预报技巧来源。对于东亚地区而言，模式的预报技巧低于北半球热带外整体平均水平，这可能与东亚季风区的复杂性有关，但随着LM的延长技巧下降并不明显，如对东亚夏季气温/降水和对冬季环流的预报，说明边值问题可能对东亚地区的季节预测更加重要。

Wang et al.（2009）研究指出，ENSO事件是季节预测最重要的可预报性来源。之前的研究表明，BCC二代模式对ENSO预报的相关技巧与一代模式相比有显著的提升（Ren et al., 2014, 2017；任宏利等，2016），对Niño3.4指数的预报在超前7个月时仍超过0.6，图 1c、d也反映出类似的特征。那么模式整体预报性能的改进是否直接与ENSO有关？图 5给出BCC一代和二代模式在热带地区气温和降水预报的历年ACC技巧与Niño3.4指数振幅的散点图和相关系数。由图可知，BCC一代和二代模式的预报技巧皆与Niño3.4指数的振幅存在的显著的正相关（自由度为21时0.05显著性检验相关系数临界值为0.44），即在ENSO事件发生时（无论El Niño事件还是La Niña事件）模式的预报技巧会显著提高。此外，二代模式与一代模式相比，预报技巧整体提高了0.2~0.3，特别是对冬季热带降水提升显著；而且除夏季气温以外，二代模式ACC技巧与Niño3.4指数振幅的相关均高于一代模式，表明ENSO是二代模式的重要可预报性来源，模式在热带预报技巧的提升主要源于对ENSO预报技巧的提高。

前文分析可知（图 1到图 3），模式对热带外地区的预报技巧也主要源自对热带预报技巧的改进，并通过遥相关波列影响到中高纬地区。图 6进一步分析了模式对北半球热带外（NET）降水预报技巧与ENSO的关系及其季节依赖性。如图所示，对二代模式而言，模式对NET地区降水的预报技巧与ENSO的关系在冬季最好，ACC技巧与Niño3.4指数振幅相关可达到0.61，春季和秋季分别达到0.55和0.45，均超过0.05显著性检验，在夏季则没有显著相关；而一代模式在各个季节的预报技巧与ENSO事件皆无明显的对应关系；从一代和二代模式的预报技巧上看，二代模式在冬季和春季预报技巧的提升更加明显，这也正是预报技巧与ENSO关系更好的两个季节，进一步说明ENSO也是热带外预报技巧的重要来源。

图 7进一步给出了冬季观测和二代模式中（LM1）气温、降水和大气环流与Niño3.4指数的回归系数分布。如图所示，以500 hPa位势高度场为例，模式基本能够把握观测中大气环流响应的主要特征和地理分布，如整个热带大气环流的一致变化、PNA遥相关波列等全球大气环流型特征，模式与观测的空间相关系数达到0.78，但对东亚地区环流的刻画还有待完善。在2 m温度和降水场上模式也能抓住主要的异常响应中心和热带外遥相关波列。这也印证了上文（图 2到图 4）的主要特征，即二代模式在热带外预报技巧的高值区大多对应ENSO的遥相关影响的关键区域，如北太平洋和北美地区，进一步表明模式是通过提高对ENSO的预报技巧并准确把握ENSO在热带外地区的遥相关影响，从而提升了整体预报性能。

5 我国台站概率预报检验评估

在这一部分中采用ROC和BSS等方法对BCC二代季节模式对我国台站的概率预报技巧进行评估，重点检验模式对实际预测业务中最为关注的冬季气温和夏季降水异常的预报能力，比较模式对正异常（AN）、正常（NN）和负异常（BN）三种事件预报技巧的异同。考虑到实际业务和会商的需求，下文给出的均是LM3时（即3月和9起报的当年夏季和冬季）模式的预报技巧检验。

图 8为模式对我国台站冬季气温和夏季降水距平百分率预报检验的ROCSS空间分布图，其中当ROCSS大于0时代表模式对该站具备预报技巧。总体而言，模式对正异常和负异常事件的预报技巧要高于正常事件，即较弱的异常信号是难以预报的，此时模式的可预报性也较低；从对不同要素的预报上看，模式对冬季气温的预报技巧明显高于对夏季降水异常的预报。对前者而言（图 8a、c、e），模式对我国东部大部分地区的正异常和负异常事件的概率预报技巧均较高，二者的空间分布也相对接近，它们的差异在于模式对东北地区负异常事件的预报技巧较高，而对西北地区正异常事件的预报技巧相对较高，对正常事件则仅在华北和西南部分地区具有一定的预报技巧；而对夏季降水而言（图 8b、d、f），模式对我国黄河中下游、长江流域及其以南地区的正异常和负异常事件均具备不错的预报能力，但对我国东北和西北地区的夏季降水预报技巧仍然有待提升。由此可见，通过概率预报检验能够分别把握模式对不同具体事件的预报能力，给出不同于确定性预报的更加丰富的信息，且在较长的预报超前时间（LM3）情况下，二代模式对我国冬季气温和夏季降水具有一定的预报能力，能够为实际业务提供有力的参考依据。

进一步以冬季气温预报为例，分析模式概率预报的ROC曲线图、可靠性图表和Brier技巧评分（图 9），诊断模式在各个概率区间的预报技巧。对ROC曲线而言，曲线上凸部分越明显，曲线下面积越大，预报技巧越高。由图 9a可见，模式对正异常事件的预报技巧略好于负异常事件，对正常事件的预报能力较弱，这基本反映了图 8中模式的整体预报技巧。

模式在每个概率区间的预报性能则可通过可靠性图表和锐度（sharpness）直方图来进行考察。如图 9b所示，可靠性曲线的横纵坐标分别由模式预报概率和实际观测频率确定，它与对角线越接近，代表预报的可靠性越高；它落在无技巧线（no-skill）和气候概率预报线（图中竖直线）之间的区域时表明模式在该概率区间具备预报技巧，其中无技巧线是平分对角线和观测的气候概率线之间的中线。图 9b右侧的锐度图代表预报落在每个概率区间的相对频率，两头高—中间低是最为合理的锐度分布。对图 9b分析可知，模式对冬季气温的正异常和负异常事件预报的可靠性曲线基本沿对角线倾斜，在各个概率区间的预报均落在了具备预报技巧的区间，表明模式预报的可靠性较高；但模式仍然存在一定程度的信心过度（over-confidence）现象，即当模式的预报概率低于事件出现的气候频率时，该事件实际发生的频率高于预报概率；而当模式的预报概率较高时，该事件的实际发生频率又低于预报概率。此外，锐度图显示预报概率略集中于气候频率上，这会导致预报的辨析度下降。

模式在可靠性图上所反映的特征能够定量通过BSS方程进行诊断。由公式（7）可知，BSS可靠性项反映了可靠性曲线与对角线的距离，它们越接近，对应BSS中的可靠性项就越小，预报的可靠性越高；而可靠性曲线距离观测气候概率线（no-resolution线）越远，BSS辨析度项越大，代表模式分辨能力越好，这也就解释了无技巧线为平分对角线和无辨析度线的中线。图 9c定量给出了对三类事件BSS各项的大小，结果表明，模式对我国冬季气温正异常和负异常事件的BSS均大于0，其中对正异常事件的预报技巧略好于负异常事件，这与ROC面积指数所反映的结果一致；从BSS方程（8）各项来看，模式对负异常事件预报的可靠性较高，而对正异常事件的分辨能力较强，对正常事件则基本不具备分辨能力。

6 结论和讨论

本文从确定性预报和概率预报两个方面，对BCC第二代季节预测模式系统对2 m气温、降水和环流的预报性能进行了全面检验，并与BCC一代模式的结果进行对比，重点分析模式可预报性的来源，并详细给出BSS和ROC等概率预报评估的物理意义，可初步得到以下主要结论：

（1）BCC二代模式对全球2 m气温、降水和环流的整体预报性能均明显优于BCC一代模式，这主要来源于模式在热带太平洋、印度洋和海洋大陆地区的预报性能的明显改进，并通过PNA、EAP等大气遥相关型提升了模式在中高纬地区的预报性能。从不同季节上看，模式的预报技巧在热带体现了随热赤道南北移动的特征；从变量上看，模式对气温和环流的预报技巧高于降水；在热带地区的预报技巧更加依赖于初值信息。

（2）无论热带地区还是中高纬地区，ENSO信号（包括El Niño和La Niña事件）是模式季节预报可预报性的最主要来源。二代模式通过提高对ENSO的预报技巧、并准确把握全球大气对ENSO的响应特征，从而提升了模式的整体预报性能。

（3）从概率预报上看，模式在较长的预测超前时间（提前3个月）仍然对我国冬季气温和夏季降水具备一定的预报能力，其中对正异常和负异常事件的预报技巧均明显高于正常事件。特别是对我国东部大部分地区冬季气温异常的预报可靠性和辨析度较高，对长江和黄河流域的夏季降水异常也有一定的预报技巧。

总体而言，BCC二代季节预测模式的预报性能与一代模式相比有了明显的提升，但仍然存在一些问题有待改进。例如二代模式对冬季西伯利亚到鄂霍茨克海南部上空500 hPa位势高度场的预报能力与一代模式相比不升反降（图 3d），这必然会导致冬季东亚中高纬环流阻塞形势预报水平下降，导致东亚北部冬季气温预报能力偏低（图 1b），而这一地区的可预报性问题也需要进一步讨论；此外，模式对我国夏季降水的预报能力仍然有待改进（图 8），且概率预报普遍存在“过度信心”的情况。

目前来看，热带地区大尺度异常强迫信号及其激发的遥相关波列仍是中高纬地区最重要的可预报性来源。二代季节模式已经显示出对重要的气候现象（ENSO、印度洋偶极子IOD、北大西洋三极子等）和大气主要模态（北极涛动AO、北大西洋涛动NAO等）的具备一定的预报能力（Ren et al., 2017）。因此，进一步改进模式对热带海洋和大气对流的模拟预报性能显得非常重要。此外，在现有的模式预报基础上，利用模式的历史回报结果建立动力相似模型（任宏利等，2014）和统计降尺度模型（Liu and Ren, 2015；郭渠等，2017；张岳军等，2016）对预报结果进行订正，也是能够迅速提高预报技巧的可行之道。Yang et al.（2016）研究指出，相比于确定性预报，多模式集合（MME）能够显著提高模式的概率预报水平，因此逐步建立基于多模式集合的概率预报、加强概率预报产品释用将是未来季节预测业务的一个重要发展方向。