2017, Vol. 22
2 南京信息工程大学气象灾害预报预警与评估协同创新中心, 南京 210044;
3 中国科学院大学, 北京 100049;
4 中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室, 北京 100029
2 Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science and Technology, Nanjing 210044;
3 University of Chinese Academy of Sciences, Beijing 100049;
4 State Key Laboratory of Numerical Modeling for Atmospheric Sciences and Geophysical Fluid Dynamics (LASG), Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029
20世纪70年代初Madden和Julian首先发现季节内振荡存在于热带地区，并指出热带低频振荡（MJO）以热带地区对流的向东传播为主要特征，周期为40~50天，具有纬向1波的全球尺度特征，但在印度洋及西太平洋季风区表现得更为明显（Madden and Julian, 1971, 1972; Zhang, 2005）。诸多研究表明，MJO与亚洲季风活动（Zhang, 2005; Lau and Waliser, 2012）、ENSO（Waliser et al., 2001）等存在显著关系，对中国尤其是中国东部地区冬、夏季降水都有显著影响（李崇银，2004; Zhang et al., 2009; 丁一汇和梁萍, 2010; He et al., 2011; Jia et al., 2011; 冯俊阳和肖子牛, 2012, 2013）。作为连接数值天气预报和季节预测的桥梁，MJO的预报可填补中期预报与短期气候预测之间的时段缝隙，对延伸期预报有重要的应用价值（Zhang, 2005, 2013; Waliser et al., 2009; Gottschalck et al., 2010; Ding et al., 2011; Tung et al., 2011; Madden and Julian, 2012; 李崇银等，2013）。
数值模式模拟大气季节内振荡的能力对MJO的预报技巧有十分重要的影响，受限于模式对MJO的模拟能力，现阶段气候模式对MJO的预报技巧均无法达到MJO潜在可预报性的时限（Vitart et al., 2007; Seo et al., 2009; Gottschalck et al., 2010; Lau et al., 2012）。总体说来，现有气候模式对MJO模拟的偏差主要体现在对MJO强度的低估，特别是在赤道印度洋地区MJO的模拟强度明显偏弱；此外，模式大都未能很好地再现MJO的季节差异性，模拟的季节内振荡的周期较短，且在30天以内的高频信号比观测有更强的功率谱等（Slingo et al., 1996; Waliser et al., 1999; Wang and Schlesinger, 1999; Inness et al., 2001; Maloney and Hartmann, 2001; Lin et al., 2006; Benedict and Randall, 2011; Zhao et al., 2015）。已有分析表明，气候模式中积云对流参数方案的不足（Maloney and Hartmann, 2001; Vitart et al., 2007）、模式分辨率过低（Slingo et al., 1996; Inness et al., 2001）以及海气耦合作用的缺失等（Hendon, 2000; Fu et al., 2007; Woolnough et al., 2007），都会在不同程度上影响模式对MJO的模拟能力（Slingo et al., 1996; Lin et al., 2006; Kim et al., 2009; Zhang, 2013），其中积云参数化方案的不足所导致的热量和水汽垂直再分布的模拟误差是现有大气环流模式对MJO模拟存在较大偏差的重要原因（Slingo et al., 1996; Maloney and Hartman, 2001）。李崇银 (1983)通过理论研究指出，对流凝结加热垂直廓线对所激发的大气扰动的结构和性质都有重要影响，模式能否准确地描述热带大气非绝热加热廓线是模式模拟MJO成功与否的关键之一。只有当加热廓线在对流层中低层有最大加热时，模式才能得到与观测大体一致的MJO及其活动特征（贾小龙，2006; Li et al., 2009; Ling et al., 2009; Ling and Zhang, 2011; 李崇银等, 2013）。
近年来，中国科学院大气物理研究所发展了第四代大气环流模式IAP AGCM4.0（Institute of Atmospheric Physics, Atmospheric General Circulation Model Version 4.0）（张贺等, 2009, 2011），并已成为中国科学院地球系统模式（CAS-ESM）的大气分量（曾庆存和林朝晖，2010）。已有的模式性能评估结果表明，该模式对全球观测气候态和东亚季风的基本特征有较好的模拟能力（张贺, 2009; 孙泓川等, 2012; Zhang et al., 2013; Yan et al., 2014; 晏正滨等, 2015）. Su et al.(2014)在评估模式对东亚夏季风季节内振荡模拟能力时，也指出模式对北半球夏半年热带低频振荡的模拟存在周期偏短、传播特征较弱的缺点，但并未分析模式对MJO特征最为显著的北半球冬半年的模拟结果，也未对模式模拟MJO的偏差及其可能原因进行探讨。为了更全面系统地评估IAP AGCM4.0对MJO的模拟能力，探讨模拟偏差的可能原因，以便实现该模式在MJO预报中的应用，本文利用IAP AGCM4.0模式的30年数值模拟结果，系统考察了模式对冬、夏半年MJO的模拟能力，并通过敏感性试验探讨了积云对流参数化方案中关键参数的选取对模式模拟MJO性能的影响。
2 模式、资料和诊断方法本研究中采用的IAP AGCM4.0大气环流模式的水平分辨率约为1.4°×1.4°，动力框架采用的是均匀经纬格点的有限差分数值方法，其垂直方向为26层，采用σ坐标，模式顶为2.2 hPa。模式的物理过程大部分引自美国国家大气研究中心（NCAR）发展的CAM3.1的物理参数化方案，其中积云对流参数化方案采用的是修改后的Zhang-McFarlane方案（Zhang and McFarlane, 1995; Neale et al., 2008; Richter and Rasch, 2008；后简称“MZM方案”）。本文数值模拟的下垫面海温采用的是HadISST海温（Hurrell et al., 2008），其水平分辨率为1°×1°。文章选取1979~2008年总共30年的模式模拟结果进行分析。
本研究采用的验证资料有：1979~2008年NOAA逐日OLR（Outgoing Longwave Radiation）资料，分辨率为1°×1°（Liebmann and Smith, 1996）；1979~2008年NCEP/NCAR Reanalysis 2的850 hPa和200 hPa逐日及月平均风场，分辨率为2.5°×2.5°（Kanamitsu et al., 2002）；1979~2008年MERRA（Modern-Era Retrospective Analysis for Research and Applications）再分析资料的总非绝热加热（Qt）资料，其分辨率为1.25°×1.25°，垂直为23层（Rienecker et al., 2011）。
本文选取美国气候变率及变化MJO工作组（U.S. Climate Variability and Predictability-MJO working group-MJOWG）制订的MJO诊断评估方法（Waliser et al., 2009）对模式模拟MJO的能力进行评估，主要分析方法包括：带通滤波、时空谱分析、超前滞后回归分析、基于RMM指数（The Real-time Multivariate MJO Index; Wheeler and Hendon, 2004）的合成分析等。这里RMM指数由赤道地区（15°S~15°N）20~80天季节内带通滤波和标准化处理后的OLR、200 hPa和850 hPa纬向风的多元EOF分析的前两个主分量构成，相应的前两个主分量分别定义为RMM1和RMM2。由于RMM指数之间存在超前滞后的特性，MJO的二维位相空间分布特征可以用RMM1和RMM2进行定义，并将 (RMM12+RMM22)1/2定义为MJO的强度，大于1时为强MJO状态，MJO的不同位相则取决于RMM2和RMM1比值的反正切数值。
3 IAP AGCM4.0对MJO的模拟评估 3.1 时空谱分析为了定量分析MJO时间和空间上的谱特征，需将模式要素场在时空上进行傅里叶变换而获得时空谱。在计算时空谱时，首先需要去除要素场的年循环（减去逐日相应的气候平均），并在10°S~10°N间进行平均，随后对得到的每一年的时间序列进行时空谱分析，最后对30年的结果进行平均，其中频率为正表示东移波，负值表示西移波。在本文的分析中，我们分别计算了赤道地区（10°S~10°N间）850 hPa纬向风和OLR夏、冬半年的时空谱。
图 1为北半球冬半年（11~4月）和夏半年（5~10月）850 hPa纬向风场的功率谱（计算之前，需要去除850 hPa纬向风的季节循环），图中不同的颜色分别代表各个波数和频率对应的谱能量。从图 1a、c可以发现，再分析资料中850 hPa纬向风场的谱能量在0.016~0.024处最为集中，且波数为1，即周期为42~63天的东传波动有最大的能量，而西传波动的能量则相对小得多。北半球冬半年（图 1a）和夏半年（图 1c）的谱特征基本保持不变，只是风场的东向传播在北半球冬半年更为显著。图 1b为冬半年850 hPa纬向风的模式模拟结果，从图中可以发现IAP AGCM4.0模拟的850 hPa纬向风场主要能量中心分布在波数为1~2、周期为125~200天的振荡；在季节内振荡周期范围内，最强的季节内振荡为80天的1波，比再分析资料中的主周期要长；与再分析资料结果类似，模式模拟的东传谱值明显大于西传谱值，但模式模拟的西传波要强于观测，东、西传谱值之间的差异较再分析资料要弱。图 1d为夏半年850 hPa纬向风的模拟结果，从图中可以发现，模式模拟的最强季节内振荡周期为46天左右，与观测的主周期一致，能量中心对应于波数为1，但模式在高频和低频部分均可发现强于观测的虚假功率谱大值，对应的周期分别为26天和200天。总体看来，模式模拟的1波结构特征与观测相似，但表现出宽波谱周期特征，特别是低频部分谱能量均要大于观测值，模式模拟的西移波和观测相比也更强。
|
图 1 10°S~10°N平均的850 hPa纬向风逐日距平场功率谱：北半球冬半年（11~4月）（a）观测结果和（b）IAP AGCM4.0模式结果；北半球夏半年（5~10月）（c）观测结果和（d）IAP AGCM4.0模式结果。带宽为180 d-1 Fig. 1 Wavenumber-frequency spectra of 10°S-10°N averaged 850-hPa zonal wind daily anomalies for (a) observations and (b) IAP AGCM4.0 simulation during boreal winter half year (November-April), (c) observations and (d) IAP AGCM4.0 simulation during boreal summer half year (May-October). The band width is 180 d-1 |
图 2为北半球冬半年（11~4月）和夏半年（5~10月）OLR的功率谱（计算之前，需要去除OLR的季节循环）。与850 hPa纬向风结果不同，观测的OLR时空谱在冬、夏半年有较大差异。北半球冬半年（图 2a）除波数为1处存在谱能量中心外，在波数2~3处也存在谱能量大值，振荡周期主要集中在40~130天。从图 2b可以发现，模式模拟的冬半年季节内振荡与观测差异较大，对应于波数为1、周期为37天处可发现存在主要能量中心，但模式模拟的低频振荡周期较短、波数范围小于观测；此外IAP AGCM4.0模式模拟的西传能量谱值远强于观测，且模拟出一个周期约为200天的虚假驻波振荡。
|
图 2 10°S~10°N平均的OLR逐日距平场功率谱：北半球冬半年（11~4月）（a）观测结果和（b）IAP AGCM4.0模式结果；北半球夏半年（5月~10月）（c）观测结果和（d）IAP AGCM4.0模式结果。带宽为180 d-1 Fig. 2 Wavenumber-frequency spectra of 10°S-10°N averaged OLR (outgoing longwave radiation) daily anomalies for (a) observations and (b) IAP AGCM4.0 simulation during boreal winter half year (November-April), (c) observations and (d) IAP AGCM4.0 simulation during boreal summer half year (May-October). The bandwidth is 180 d-1 |
对北半球夏半年（图 2c），再分析资料表明能量主要集中于波数为1处，周期为45天的东传波动有最大的能量，西传波动的能量相对而言小得多。图 2d为夏半年模拟结果，模式基本上可以模拟出与观测相似的季节内振荡，主要能量中心分布在波数为1、周期为30天和46天的振荡，其中模式模拟的46天周期的振荡与观测的主周期一致，但模拟的30天周期的能量中心在观测中并不存在。此外，模式模拟的东传谱值明显大于西传谱值，与观测类似；与冬季类似，模式也模拟出一个周期为200天的虚假驻波振荡，但其幅值要小于冬季。
3.2 传播特征分析为进一步分析850 hPa纬向风沿赤道的传播以及随时间变化的特征，图 3给出了模式模拟以及再分析资料得到的赤道地区850 hPa纬向风与参考区域平均850 hPa纬向风的时间滞后—经度回归分析。我们首先对850 hPa纬向风进行20~100天带通滤波处理，随后选取（10°S~10°N, 120°E~150°E）为参考区域，将带通滤波处理后的850 hPa纬向风在该区域进行平均，最终对赤道地区（10°S~10°N）纬向平均的850 hPa纬向风与上述参考区域平均的850 hPa纬向风进行超前—滞后回归分析。
|
图 3 10°S~10°N纬向平均的850 hPa纬向风场距平与参考区域（10°S~10°N, 120°E~150°E）平均的850 hPa纬向风距平的滞后时间—经度回归分析：北半球冬半年（11~4月）（a）再分析资料和（b）IAP AGCM4.0模式结果；北半球夏半年（5月~10月）（c）再分析资料和（d）IAP AGCM4.0模式结果。850 hPa纬向风均进行了20~100 d季节内带通滤波处理 Fig. 3 Lagged-time-longitude diagrams of regression coefficients between 850-hPa zonal wind anomolies (20-100 d band-pass filtered) averaged over 10°S-10°N and 850-hPa zonal wind anomolies (20-100 d band-pass filtered) averaged over the reference region (10°S-10°N, 120°E-150°E): (a) Reanalysis data and (b) IAP AGCM4.0 simulation during boreal winter half year (November-April); (c) reanalysis data and (d) IAP AGCM4.0 simulation during boreal summer half year (May-October) |
从图 3a、图 3c的观测结果可以看到，在季节内尺度，850 hPa纬向风低频信号在印度洋生成，连续东传至太平洋地区，周期约为50天，与时空谱分析结果基本一致；低频信号在东半球传播速度较慢，西半球传播速度较快，且冬半年（图 3a）传播周期和范围均大于夏半年（图 3c）。从图 3b的模拟结果可以发现，模式可以较好地模拟出冬半年850 hPa纬向风的东传特征，但传播周期偏短，为35天左右，模拟的低频振荡传播速度约为观测的1.5倍，且在西半球模式模拟的传播速度与观测相比偏大更多。相对于冬半年而言，模式对夏半年（图 3d）MJO传播特征的模拟结果较差，从图 3d可以发现850 hPa纬向风在海洋大陆地区西传特征较为明显，但在印度洋地区东传特征不连续，东传周期也明显短于观测。
3.3 分布特征分析图 4给出了基于RMM指数对模式模拟赤道地区MJO结构特征的分析结果。从图 4a、b中可以看到观测MJO的主要特征包括：对流层高层和低层纬向风距平相位相反，对流层低层风场异常位于对流活跃区域的附近或其西侧，对流活动在东半球更强，纬向风异常在东、西半球均有大值区存在。IAP AGCM4.0（图 4d、e）的结果与观测类似，风场的分布与观测基本一致，但对流活跃区最大值位于90°E附近，相比观测偏西；模式模拟的RMM1和RMM2的方差贡献率也低于观测。图 4c给出了观测的RMM1和RMM2的超前—滞后相关，结果表明RMM1超前RMM2约为10天时，最大相关系数为约0.8，从图 4f可以发现IAP AGCM4.0模拟的RMM1与RMM2最大相关系数约为0.7，对应于RMM1超前RMM2约为7天，表明模式模拟的MJO周期要短于观测。
|
图 4 15°S~15°N平均的OLR、850 hPa纬向风场（U850）和200 hPa纬向风场（U200）多元EOF的第一、第二模态的空间分布：（a）、（b）观测结果；（d）、（e）IAP AGCM4.0模式结果。所使用的变量均进行了20~100 d季节内带通滤波和标准化处理。（c）观测、（f）IAP AGCM4.0模式模拟的前两个主分量超前—滞后的相关系数 Fig. 4 The first mode (EOF1) and second mode (EOF2) of EOF of 15°S-15°N averaged OLR, 850-hPa zonal winds (U850), and 200-hPa zonal winds (U200) obtained from (a), (b) observations, (d), (e) IAP AGCM4.0 simulations. All variables are normalized and 20-100 d band-pass filtered. The lagged correlation coefficients of the first two leading PCs (principal components) are shown form (c) observation and (f) IAP AGCM4.0 simulation |
图 5给出了15°S~15°N范围内OLR和850 hPa风场距平的不同位相合成分布图，不同位相的天数在图右下角给出，这里填色图为OLR结果，矢量图则为850 hPa风场结果。图 5a为北半球冬半年（11~4月）的情形，从图中可以看到，在第一位相，减弱的MJO对流中心出现在中太平洋，而位于非洲和西印度洋的对流则在加强；与此同时，在太平洋区域可发现存在西风距平，印度洋则呈现东风距平。在随后的位相，位于印度洋的对流逐渐建立并东移，通过澳大利亚后转向南移动至15°S（位相5），此后继续东移，并逐渐减弱消失。图 5b为北半球夏半年（5~10月）的模式模拟结果，分析结果表明模式可以在一定程度上模拟出MJO的传播特征，但相比观测整体较弱。
|
图 5 MJO不同位相的OLR距平（填色）和850 hPa风场距平（矢量）合成：北半球冬半年（11~4月）（a）观测结果和（b）IAP AGCM4.0模式结果；北半球夏半年（5月~10月）（c）观测结果和（d）IAP AGCM4.0模式结果。所使用的变量均进行了20~100 d季节内带通滤波处理，每图的右下角数字为合成该位相的天数 Fig. 5 Composites of OLR anomalies (shaded) and 850-hPa wind anomalies (vectors) as a function of MJO phase: (a) Observation and (b) IAP AGCM4.0 simulation during boreal winter (November-April); (c) observation and (d) IAP AGCM4.0 simulation during boreal summer (May-October). All variables are 20-100 d band-pass filtered, the number of days used to generate the composite for each phase is shown at the bottom right of each panel |
对应于观测的位相1，在印度洋对流开始生成，位相2时对流已经较为显著，而在模式模拟结果中，在位相2开始才有较弱的对流出现，相应的风场气旋式异常中心也相比观测偏北偏弱；位相4和5时，观测中的对流主要出现在海洋大陆地区，模式模拟的对流活跃区域则主要集中在印度洋和西太平洋区域，在海洋大陆地区模拟的对流偏弱、偏北，此外模式也未能模拟出海洋大陆地区显著的西风异常；位相6到8时，观测的对流区域从海洋大陆地区向南、向东传到赤道南太平洋区域，但模式模拟的对流传播范围偏小、位置偏北，强度也小于观测。
图 5c为北半球夏半年（5~10月）观测结果，从图中可以清楚看到位于印度洋的对流向东和向北传播的现象，还可发现东风距平在对流中心之前向东、向北传入印度洋和孟加拉（位相1至3），随后西风距平在印度洋出现（位相3至5）。IAP AGCM4.0大致可以模拟出MJO循环周期的主要特征，其中风场的模拟与观测更为相似，但对流（OLR）分布的模拟则与观测有较大差异（图 5d）。比较图 5c、图 5d可以发现，对应于夏半年观测的位相1，在印度南部可以发现对流开始生成，位相2时已经较为显著，但模式在位相2开始才有较弱的对流出现，相应的风场气旋式异常中心也相比观测偏西偏南；对应于位相3和4时，观测在印度地区出现了对流较为旺盛的区域，并有一定的东移现象，相对而言模式模拟的强度偏弱，位置也偏南。此外，观测中风场在位相3已转变为反气旋异常，而模式在位相4才有相应的变化，且在海洋大陆地区东风异常相比观测较大。位相4和5时，对流主要出现在海洋大陆地区，模式中的对流活跃区域则主要集中在印度洋和西太平洋区域，且东传速度较慢，西传特征相比观测更为明显，此外模式也没有模拟出夏半年海洋大陆地区显著的西风异常；位相6到7时，观测的对流区域从海洋大陆地区向东北移到赤道北太平洋区域，但模式中的对流活跃区域相比观测偏南偏弱；位相8时，观测的对流活动主要出现在中美洲地区，但模式中对流活动仍出现在太平洋地区。
总体看来，模式可以较好地模拟出MJO在北半球夏半年北传、冬半年南传的特征，说明模式可以模拟出MJO传播特征的冬、夏季节差异；但相比于观测，无论冬夏，模式模拟的对流在赤道两侧均存在虚假的中心，这也是现阶段大多数气候模式共同存在的问题。
3.4 非绝热加热廓线比较李崇银 (1983)的理论研究指出，对流凝结加热垂直廓线对所激发的大气扰动的结构和性质都有重要影响，当对流层中低层有最大加热时激发出的不稳定模比较接近观测的热带大气30~60天振荡。基于气候模式敏感性试验的结果表明，当模式中大气非绝热加热廓线的最大加热位于对流层中低层时，有利于模式模拟出类似于真实大气中的MJO信号；而当非绝热加热廓线的最大加热位于对流层上层的时候，对流层低层的水汽辐合基本上被限制在850 hPa以下地区，从而不利于深对流的发生和发展，最终导致在MJO活动位相的东部不能产生新的深对流，不利于MJO活动的东传，而易激发出明显的向西传播的扰动，从而导致模式难于模拟出真实的MJO信号（贾小龙，2006；Ling et al., 2009）。基于再分析和TRMM卫星资料的分析，Ling and Zhang (2011)的研究表明，MJO产生时，热带大气非绝热加热基本上处于中低层；当MJO发展起来并且开始向东传播的时候，大气非绝热加热的最大加热高度大约处于400 hPa；当MJO近于消亡时，大气非绝热加热廓线的最大加热高度大致位于300 hPa，并且在低层没有显著加热。
为分析模式对MJO活跃位相期间非绝热加热廓线的模拟能力，我们针对MJO活跃区域（15°S~15°N, 60°E~180°），选择RMM指数大于1作为MJO活跃期，分别给出模式和再分析资料合成的垂直非绝热加热廓线。图 6为MJO活跃时期对应的非绝热加热垂直廓线，实线为MERRA再分析资料的结果，虚线为IAP AGCM4.0模式的模拟结果。从图中可以发现，在赤道地区MERRA再分析资料的主要加热位于300~600 hPa之间，其中最大加热峰值分别位于500~600 hPa和300~400 hPa；模式模拟的非绝热加热则基本上都位于400~600 hPa的对流层中层，对应的最大加热位于500 hPa，幅值为2.8 K d-1。和再分析资料相比，在对MJO有显著影响的300~600 hPa范围内，模式模拟的非绝热加热相对偏弱，导致模式模拟的MJO强度偏弱；此外，在700~1000 hPa之间模式模拟的非绝热加热过强，这会导致模式在小于30天的周期上也存在相对较强的谱值。
|
图 6 MJO活跃位相对应的区域（15°S~15°N, 60°E~180°）平均的非绝热加热垂直廓线。实线为MERRA再分析资料的结果，虚线为IAP AGCM4.0的模拟结果 Fig. 6 The diabatic heating profiles averaged over (15°S-15°N, 60°E-180°) from MERRA reanalysis data (solid line) and IAP AGCM4.0 simulation (dashed line) during the strong phase of MJO |
为了更好地分析非绝热加热中心与MJO不同位相间的关系，我们选择90°E（代表印度洋区域）、120°E（代表海洋大陆区域）和150°E（代表西太平洋区域）作为参考经度，对15°S~15°N范围内进行平均，并根据RMM指数分为8个位相进行合成分析。图 7给出了非绝热加热距平在90°E、120°E、150°E的位相—高度合成分布图，从再分析资料的结果（图 7a-c）可以看出，非绝热加热场有明显的向西倾斜的特征，浅对流（700 hPa以下）加热最早出现，随后在MJO活跃位相出现深对流加热和层状加热（400 hPa以上），其中在90°E非绝热加热的距平最早出现在位相1之前，在120°E则出现在位相1~2之间，150°E出现位相2~3之间。IAP AGCM4.0基本可以模拟出观测的主要特征，但也有一定的差异：在90°E，模式模拟的非绝热加热正距平出现在位相1之后（图 7d）；120°E处则是在位相5时出现负异常，相比观测提前，且加热强度相比观测也较弱（图 7e）；150°E处最大加热高度位于400~500 hPa之间，与观测相比显著偏低（图 7f）。总的说来，模式模拟的非绝热加热正距平在印度洋地区出现的位相较晚，在西太平洋地区出现的位相较早，这对应了模式模拟的MJO周期较短、东传速度较快。
|
图 7 非绝热加热距平（单位：K d-1）在90°E（左）、120°E（中）、150°E（右）的合成分布：（a-c）MERRA再分析资料的结果；（d-f）IAP AGCM4.0模式模拟结果。MJO位相由RMM指数（Wheeler and Hendon, 2004）定义，下同。粗实线为零值线，实（虚）线代表正（负）值，等值线间隔均为0.01 K d-1 Fig. 7 Composites of diabatic heating anomalies (units: K d-1) at 90°E (left), 120°E (middle), and 150°E (right) for (a-c) MERRA reanalysis data and (d-f) IAP AGCM4.0 simulations. The MJO phase is defined by the RMM (Real-time Multivariate MJO) index (Wheeler and Hendon, 2004), the same below. Heavy lines are zero contours, solid (dashed) lines indicate positive (negative) anomalies, and the contour interval is 0.01 K d-1 |
对流触发相对湿度阈值（RHc）是现有积云对流参数化方案，如Arakawa-Shubert方案（Arakawa and Schubert, 1974）、Tiedtke方案（Tiedtke，1989）和Zhang-McFarlane方案（Zhang and Mu, 2005）判断对流触发的相对湿度判据，较低的RHc意味着对流更容易被触发，相应的对流强度较弱，因此RHc与大尺度辐合产生的对流非绝热加热间存在着紧密的关系（Itoh，1989）。已有针对模式对RHc的敏感性试验表明，模式模拟的MJO显著依赖于对流参数化方案中RHc阈值的选取，但不同模式、不同参数化方案的结论也各不相同，如Wang and Schlesinger (1999)针对Arakawa-Shubert等对流参数化方案中的RHc进行了敏感性试验，发现随着RHc的增大，模拟的MJO逐渐加强；但Maloney and Hartmann (2001)在CCM3模式（Community Climate Model version 3）中使用改进的Arakawa-Schubert方案时却得到了相反的结论，他们发现当RHc取值最高时，得到的MJO强度反而最弱；Zhang and Mu (2005)在CCM3中使用Zhang-McFarlane方案，探讨了RHc取值为0时对MJO模拟的影响，结果表明此时模式不能模拟出MJO的东传特征，模拟的MJO强度也较弱。
前面的分析表明，IAP AGCM4.0虽然可以模拟出MJO的基本特征，但是在传播特征等方面与观测相比均存在一定的偏差。为此，本文将针对IAP AGCM4.0中的对流参数化方案，探讨其中触发对流的相对湿度阈值（RHc）的选取对模式模拟MJO的影响，以期为改进模式对MJO的模拟能力提供依据。
IAP AGCM4.0中积云对流参数化方案采用的是修改后的Zhang-McFarlane方案（简称MZM），其中RHc的缺省值取为100%。在敏感性试验中，我们分别将RHc值取为85%、90%和95%（分别记为IAP4_RHc=85%试验、IAP4_RHc=90%试验和IAP4_RHc=95%试验），并进行了1979~1989年总共11年的模拟积分。
图 8给出了全年MJO的不同位相，模式敏感性试验和再分析资料中不同经度（90°E、120°E、150°E）的非绝热加热距平合成分布图。从图 8的比较分析可以看到，RHc取值为90%（图 8g-i）时，模式模拟的非绝热加热距平与MERRA再分析结果最为接近，此时模式基本上可以模拟出与观测一致的非绝热加热的传播特征，模拟结果也优于RHc取值为100%的模拟结果（图 7d-f）；不过在90°E处，模式模拟的最大加热的高度范围小于观测，且持续时间较长。
|
图 8 非绝热加热距平（单位：K d-1）在90°E（左）、120°E（中）、150°E（右）的合成分布：（a-c）MERRA再分析资料的结果；（d-l）不同RHc取值的敏感性试验的结果。（d-f）IAP4_RHc=85%试验，（g-i）IAP4_RHc=90%试验，（j-l）IAP4_RHc=95%试验。粗实线为零线，实（虚）线代表正（负）值，等值线间隔均为0.01 K d-1 Fig. 8 Composites of diabatic heating anomalies (units: K d-1) at 90°E (left), 120°E (middle) and 150°E (right) for (a-c) MERRA reanalysis data, (d-f) RHc (relative humidity criterion)=85% experiment, (g-i) RHc=90% experiment, and (j-l) RHc=95% experiment with IAP AGCM4.0. Heavy lines are zero contours, solid (dashed) lines indicate positive (negative) anomalies, and the contour interval is 0.01 K d-1 |
对于RHc取值为85%的情形（图 8d-f），可以发现在90°E、对应MJO处于位相6、7时，非绝热加热在400 hPa以下为正距平，非绝热加热最大加热出现在300~400 hPa处，相比观测而言位置偏高；在120°E，非绝热加热在MJO位相1、2时于300~500 hPa为正距平，负距平在位相5时出现，与观测相比提前一个位相左右；对应150°E处，加热负距平则在位相7出现，落后观测一个位相，最大非绝热加热正距平的高度也高于观测。
当RHc取值为95%时（图 8j-l），模式虽然也在一定程度上模拟出了MJO传播的特征，但在90°E处，非绝热加热正距平出现在位相1之后，低层加热正距平出现位相落后于观测1~3个位相，最大加热出现的位相和高度都与观测差异较大，加热强度也弱于观测；在120°E差异最大，最大加热中心低于观测，高层出现加热正距平时间也落后于观测1个位相左右；150°E，在位相4~6则在低层出现加热负距平，在位相6~8加热正距平出现高度也高于观测。
图 9给出了三组敏感性试验模拟的北半球冬半年（11~4月）OLR的功率谱（在计算之前，需要去除OLR的季节循环和时间平均的分量），以及基于NOAA OLR资料的结果。比较图 9可以发现，三组敏感性试验中，模式模拟的OLR主要周期均大于80天，低频驻波振荡也较再分析资料更为显著。对应IAP4_RHc=85%试验（图 9b），模式模拟的主要谱能量集中在2波和4波，周期为200天；最强的季节内振荡对应于周期为36天、55~88天的1波，周期短于观测。
|
图 9 北半球冬半年（11~4月）10°S~10°N平均的OLR逐日距平场功率谱：（a）观测；（b）IAP4_RHc=85%试验；（c）IAP4_RHc=90%试验；（d）IAP4_RHc=95%试验。带宽为180 d-1 Fig. 9 The wavenumber-frequency spectra of 10°S-10°N averaged OLR daily anomalies during winter half year (November-April) for (a) observations, (b) RHc=85% experiment, (c) RHc=90% experiment, and (d) RHc=95% experiment with IAP AGCM4.0. The bandwidth is 180 d-1 |
对应于RHc取值为90%的敏感性试验（图 9c），从图中可以发现主要谱能量集中在2波，对应周期为200天；最强的季节内振荡同样对应于周期为36天、55~88天的1波，但相比RHc取值为100%的缺省方案（见图 2b），模式模拟的季节内振荡的周期与观测更为接近。图 9d给出了RHc取值为95%的敏感性试验结果，从图中可以发现，模式模拟的谱能量主要集中于2~4波，周期为200天；模式在季节内振荡周期的谱值则较弱，仅在周期为36天的1波处存在较弱的谱能量大值。
图 10为相应的北半球夏半年（5~10月）的OLR时空谱。从图中可以发现，敏感性试验结果同样与观测间存在较大差别，三组敏感性试验及MZM原方案（图 2d）的主要周期都小于80天。对于IAP4_RHc=85%试验（图 10b），模式模拟的主要谱能量集中在1波、周期为40~67天和25~30天的振荡；最强的季节内振荡周期为30天，短于观测。对于IAP4_RHc=90%试验（图 10c），主要谱能量集中在1波、周期为30~40天和22天的振荡，最强的季节内振荡周期为35~40天，也较观测显著偏短。当RHc取为95%时，从图 10d可以发现，模式模拟的主要谱能量集中于周期为33天、57天和23天的1波，最强的季节内振荡周期为35天和57天。
|
图 10 同图 9，但为北半球夏半年（5~10月）的OLR逐日距平场功率谱 Fig. 10 As in Fig. 9, but for OLR daily anomalies during the summer half year (May-October) |
图 11给出了不同敏感性试验模拟的北半球冬半年（11~4月）赤道地区850 hPa纬向风与参考区域（10°S~10°N, 120°E~150°E）的时间滞后—经度回归分析及其与观测的比较，分析中所用的变量均进行了20~100天的季节内带通滤波处理。与RHc取值为100%的模拟结果（图 3b）相比，可以发现三组敏感性试验模拟的冬半年MJO传播特征均相对较差。其中对于IAP4_RHc=85%试验结果（图 11b），模式模拟的850 hPa纬向风东传周期约为50天左右，传播范围小于观测，且在60°W以东存在虚假的西传特征；对于IAP4_RHc=90%试验（图 11c），模式模拟的850 hPa纬向风东传周期约为35天左右，传播速度快于观测，且海洋大陆地区西传强于观测；但RHc取值为95%时，模式模拟的风场在印度洋和海洋大陆地区西传较强（图 11d）。
|
图 11 北半球冬半年（11~4月）10°S~10°N平均的850 hPa纬向风距平与参考区域（10°S~10°N, 120°E~150°E）平均的滞后时间—经度回归分析：（a）再分析资料；（b）IAP4_RHc=85%试验；（c）IAP4_RHc=90%试验；（d）IAP4_RHc=95%试验结果。所使用的变量均进行了20~100 d季节内带通滤波处理 Fig. 11 Lagged-time-longitude diagrams of regression coefficients between 850-hPa zonal wind anomolies (20-100 d band-pass filtered) averaged over 10°S-10°N and 850-hPa zonal wind anomolies (20-100 d band-pass filtered) averaged over the reference region (10°S-10°N, 120°E-150°E) during boreal winter half year (November-April): (a) Reanalysis data; (b) RHc=85% experiment; (c) RHc=90% experiment; (d) RHc=95% experiment |
图 12则为相应的北半球夏半年（5~10月）的情形，与RHc取值为100%的模拟结果（图 3d）相比，三组敏感性试验的模拟结果均有所改善。对应于IAP4_RHc=85%试验（图 12b），模式模拟的850 hPa纬向风东传具有良好的连续性，但传播持续时间短于观测结果，约为30天，且传播范围也小于观测。当RHc取值为90%（图 12c）时，模式模拟的850 hPa纬向风东传特征连续性也较好，传播持续时间约为33天，但也短于观测结果。对于IAP4_RHc=95%试验（图 12d），模式模拟的风场传播东传连续性则较差，传播持续时间明显短于观测，仅为20天左右。
|
图 12 同图 11，但为北半球夏半年（5~10月）的时间滞后—经度回归分析 Fig. 12 As in Fig. 11, but for lagged-time-longitude diagrams of regression coefficients during boreal summer half year (May-October) |
总体说来，当对流触发相对湿度阈值降低时（从100%降为95%、90%和85%），对流触发更为频繁，对流出现的区域也随之增大，导致非绝热加热正距平的范围扩大、持续时间延长，进而影响MJO的模拟能力。从敏感性试验结果的比较可以发现，就IAP AGCM4.0而言，当RHc取值为90%时，模式对MJO基本特征的模拟结果相对较好，特别对夏半年MJO传播特征的改进最为显著。
5 结论和讨论本文基于中国科学院大气物理研究所大气环流模式（IAP AGCM4.0）的数值模拟试验结果，选取850 hPa和200 hPa风场、OLR以及非绝热加热场为分析变量，系统评估了IAP AGCM4.0对热带大气季节内振荡的时空谱、空间分布及传播特征的模拟能力。结果表明，模式可以相对较好地模拟出MJO的主要时空谱结构特征，如在周期为30~80 d处模拟出明显的谱能量中心，模式模拟的东移波的能量远大于西移波等，但模式模拟的MJO谱能量与观测相比显著偏弱，且在高频和低频周期都有一定的虚假谱能量存在。就传播特征而言，IAP AGCM4.0可以较好地模拟出观测的MJO信号东传的主要特征，但模式模拟的MJO东传的速度与观测相比偏快，且虚假的西传特征过强。此外，模式模拟的季节内850 hPa和200 hPa风场和对流活跃区域在赤道地区的分布与观测基本一致，但也存在模拟的对流活跃区域范围较小、强度较弱的偏差，特别是海洋大陆地区的模拟结果与观测相比偏差较大。基于非绝热加热垂直廓线的比较分析表明，IAP AGCM4.0模拟的非绝热加热在对流程低层偏强，在中高层相对偏弱，可能是导致模式模拟的MJO强度偏弱的主要原因；而模式模拟的非绝热加热正距平在印度洋地区出现的位相较早，在西太平洋地区出现的位相较晚，则导致模式模拟的MJO周期较短、东传速度较快。
通过选取积云对流参数化方案中影响对流触发的相对湿度判据（RHc）的不同阈值，本文探讨了积云对流方案中关键参数的选取对模式模拟MJO的可能影响。比较结果表明，不同的RHc将直接影响对流触发的频繁程度，使得模式模拟的热带对流出现区域、持续时间和高度发生变化，非绝热加热垂直廓线也有较大差异，最终影响到模式对MJO的模拟。对于IAP AGCM4.0而言，当RHc取为90%时，非绝热加热垂直廓线不同位相的分布特征与再分析资料最为接近，对MJO模拟的能力也相对最好，特别是对夏半年MJO东传特征模拟的改进最为显著，这与其他模式的敏感性结果并不完全相同（Wang and Schlesinger, 1999; Maloney and Hartmann, 2001）。这说明模式对流参数化方案中关键参数的合适选取，可以改进模式对热带大气季节内振荡的模拟能力，但模式对参数的敏感性及参数的最优取值，则存在模式依赖性。
尽管IAP AGCM4.0总体上能较好地模拟出热带大气季节内振荡的基本特征，但还存在诸多有待改进和提高之处，其中很重要的一个原因，可能是由于我们分析的仅是大气环流模式的结果，因此未能充分考虑海气相互作用的影响。诸多研究表明，海气耦合作用可以显著提高气候模式对MJO的模拟和预报能力（Fu et al., 2003; Fu and Wang, 2004; Woolnough et al., 2007; Pegion and Kirtman, 2008），因此采用包含了海洋环流模式的全耦合中科院地球系统模式（CAS-ESM）开展热带低频振荡的模拟和评估研究，是下一步要开展的工作。
就CAS-ESM模式而言，不同物理、化学过程在模式中表述的不断改进和改善，以及空间分辨率的不但提高，是模式未来的发展方向。已有研究表明，采用全显式云微物理方案对MJO进行超高分辨率模拟，可以显著提高模式对MJO的能力（Holloway et al., 2013; Kodama et al., 2015; Murakami et al., 2015）。因此，未来我们将进一步比较分析具有更高分辨率、更完善物理和化学过程参数化方案的耦合地球系统模式对热带低频振荡的模拟能力，进而探讨CAS-ESM中热带低频振荡的可预报性及其对次季节—季节气候预报的影响。
| [] | Arakawa A, Schubert W H. 1974. Interaction of a cumulus cloud ensemble with the large-scale environment, Part Ⅰ[J]. J. Atmos. Sci., 31(3): 674–701. DOI:10.1175/1520-0469(1974)031<0674:ioacce>2.0.co;2 |
| [] | Benedict J J, Randall D A. 2011. Impacts of idealized air-sea coupling on Madden-Julian oscillation structure in the super parameterized CAM[J]. J. Atmos. Sci., 68(9): 1990–2008. DOI:10.1175/JAS-D-11-04.1 |
| [] | Ding R Q, Li J P, Seo K H. 2011. Estimate of the predictability of boreal summer and winter intraseasonal oscillations from observations[J]. Mon. Wea. Rev., 139(8): 2421–2438. DOI:10.1175/2011MWR3571.1 |
| [] | 丁一汇, 梁萍. 2010. 基于MJO的延伸预报[J]. 气象, 36(7): 111–122. Ding Yihui, Liang Ping. 2010. Extended range forecast basing on MJO[J]. Meteorological Monthly (in Chinese), 36(7): 111–122. |
| [] | 冯俊阳, 肖子牛. 2012. 热带低频振荡的强度和相位对中国南方冬季降水的影响[J]. 气象, 38(11): 1355–1366. Feng Junyang, Xiao Ziniu. 2012. Impact of low-frequency oscillation intensity and phases in tropics on the winter precipitation in southern China[J]. Meteorological Monthly (in Chinese), 38(11): 1355–1366. |
| [] | 冯俊阳, 肖子牛. 2013. 热带大气低频振荡强度年际异常对中国东部冬季降水的影响[J]. 热带气象学报, 29(4): 559–569. Feng Junyang, Xiao Ziniu. 2013. Impact of the interannual variability of the low-frequency oscillation intensity in the tropics on the wintertime rainfall in East China[J]. Journal of Tropical Meteorology (in Chinese), 29(4): 559–569. DOI:10.3969/j.issn.1004-4965.2013.04.004 |
| [] | Fu X H, Wang B. 2004. Differences of boreal summer intraseasonal oscillations simulated in an atmosphere-ocean coupled model and an atmosphere-only model[J]. J. Climate, 17(6): 1263–1271. DOI:10.1175/1520-0442(2004)017<1263:dobsio>2.0.co;2 |
| [] | Fu X H, Wang B, Li T, et al. 2003. Coupling between northward-propagating, intraseasonal oscillations and sea surface temperature in the Indian Ocean[J]. J. Atmos. Sci., 60(15): 1733–1753. DOI:10.1175/1520-0469(2003)060<1733:cbnioa>2.0.co;2 |
| [] | Fu X H, Wang B, Waliser D E, et al. 2007. Impact of atmosphere-ocean coupling on the predictability of monsoon intraseasonal oscillations[J]. J. Atmos. Sci., 64(1): 157–174. DOI:10.1175/JAS3830.1 |
| [] | Gottschalck J, Wheeler M, Weickmann K, et al. 2010. A framework for assessing operational Madden-Julian oscillation forecasts:A CLIVAR MJO working group project[J]. Bull. Amer. Meteor. Soc., 91(9): 1247–1258. DOI:10.1175/2010bams2816.1 |
| [] | He J H, Lin H, Wu Z W. 2011. Another look at influences of the Madden-Julian oscillation on the wintertime East Asian weather[J]. J. Geophys. Res., 116(D3): D03109. DOI:10.1029/2010JD014787 |
| [] | Hendon H H. 2000. Impact of air-sea coupling on the Madden-Julian oscillation in a general circulation model[J]. J. Atmos. Sci., 57(24): 3939–3952. DOI:10.1175/1520-0469(2001)058<3939:ioasco>2.0.co;2 |
| [] | Holloway C E, Woolnough S J, Lister G M S. 2013. The effects of explicit versus parameterized convection on the MJO in a large-domain high-resolution tropical case study[J]. Part Ⅰ:Characterization of large-scale organization and propagation[J]. J. Atmos. Sci., 70(5): 1342–1369. DOI:10.1175/JAS-D-12-0227.1 |
| [] | Hurrell J W, Hack J J, Shea D, et al. 2008. A new sea surface temperature and sea ice boundary dataset for the community atmosphere model[J]. J. Climate, 21(19): 5145–5153. DOI:10.1175/2008jcli2292.1 |
| [] | Inness P M, Slingo J M, Woolnough S J, et al. 2001. Organization of tropical convection in a GCM with varying vertical resolution; implications for the simulation of the Madden-Julian oscillation[J]. Climate Dyn., 17(10): 777–793. DOI:10.1007/s003820000148 |
| [] | Itoh H. 1989. The mechanism for the scale selection of tropical intraseasonal oscillations[J]. Part Ⅰ:Selection of wavenumber 1 and the three-scale structure[J]. J. Atmos. Sci., 46(12): 1779–1798. DOI:10.1175/1520-0469(1989)046<1779:tmftss>2.0.co;2 |
| [] | 贾小龙. 2006. 热带大气季节内振荡的数值模拟研究[D]. 中国科学院大气物理研究所博士学位论文, 85-88. Jia Xiaolong. 2006. Numerical simulations of the tropical intraseasonal oscillation[D]. Ph. D. dissertation (in Chinese), Institute of Atmospheric Physics, Chinese Academy of Sciences, 85-88. |
| [] | Jia X L, Chen L J, Ren F M, et al. 2011. Impacts of the MJO on winter rainfall and circulation in China[J]. Advances in Atmospheric Sciences, 28(3): 521–533. DOI:10.1007/s00376-010-9118-z |
| [] | Kanamitsu M, Ebisuzaki W, Woollen J, et al. 2002. NCEP-DOE AMIP-Ⅱ reanalysis (R-2)[J]. Bull. Amer. Meteor. Soc., 83(11): 1631–1643. DOI:10.1175/bams-83-11-1631 |
| [] | Kim D, Sperber K, Stern W, et al. 2009. Application of MJO simulation diagnostics to climate models[J]. J. Climate, 22(23): 6413–6436. DOI:10.1175/2009jcli3063.1 |
| [] | Kodama C, Yamada Y, Noda A T, et al. 2015. A 20-year climatology of a NICAM AMIP-type simulation[J]. J. Meteor. Soc. Japan, 93(4): 393–424. DOI:10.2151/jmsj.2015-024 |
| [] | Lau W K M, Waliser D E. 2012. Intraseasonal Variability in the Atmosphere-Ocean Climate System[M]. Berlin Heidelberg: Springer. |
| [] | Lau W K M, Waliser D E, Waliser D. 2012. Predictability and forecasting[M]. Intraseasonal Variability in the Atmosphere-Ocean Climate System. Berlin Heidelberg: Springer. |
| [] | 李崇银. 1983. 对流凝结加热与不稳定波[J]. 大气科学, 7(3): 260–268. Li Chongyin. 1983. Convective condensation heating and unstable mode[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 7(3): 260–268. DOI:10.3878/j.issn.1006-9895.1983.03.03 |
| [] | 李崇银. 2004. 大气季节内振荡研究的新进展[J]. 自然科学进展, 14(7): 734–741. Li Chongyin. 2004. Progress on the study of intraseasonal oscillation[J]. Progress in Natural Science (in Chinese), 14(7): 734–741. DOI:10.3321/j.issn:1002-008X.2004.07.003 |
| [] | Li C Y, Jia X L, Ling J, et al. 2009. Sensitivity of MJO simulations to diabatic heating profiles[J]. Climate Dyn., 32(2-3): 167–187. DOI:10.1007/s00382-008-0455-x |
| [] | 李崇银, 潘静, 宋洁. 2013. MJO研究新进展[J]. 大气科学, 37(2): 229–252. Li Chongyin, Pan Jing, Song Jie. 2013. Progress on the MJO research in recent years[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 37(2): 229–252. DOI:10.3878/j.issn.1006-9895.2012.12318 |
| [] | Liebmann B, Simth C A. 1996. Description of a complete (interpolated) outgoing longwave radiation dataset[J]. Bull. Amer. Meteor. Soc., 77(6): 1275–1277. |
| [] | Lin J L, Kiladis G N, Mapes B E, et al. 2006. Tropical intraseasonal variability in 14 IPCC AR4 climate models[J]. Part Ⅰ:Convective signals[J]. J. Climate, 19(12): 2665–2690. DOI:10.1175/jcli3735.1 |
| [] | Ling J, Li C Y, Jia X L. 2009. Impacts of cumulus momentum transport on MJO simulation[J]. Advances in Atmospheric Sciences, 26(5): 864–876. DOI:10.1007/s00376-009-8016-8 |
| [] | Ling J, Zhang C D. 2011. Structural evolution in heating profiles of the MJO in global reanalyses and TRMM retrievals[J]. J. Climate, 24(3): 825–842. DOI:10.1175/2010jcli3826.1 |
| [] | Madden R A, Julian P R. 1971. Detection of a 40-50 day oscillation in the zonal wind in the tropical Pacific[J]. J. Atmos. Sci., 28(5): 702–708. DOI:10.1175/1520-0469(1971)028<0702:doadoi>2.0.co;2 |
| [] | Madden R A, Julian P R. 1972. Description of global-scale circulation cells in the tropics with a 40-50 day period[J]. J. Atmos. Sci., 29(6): 1109–1123. DOI:10.1175/1520-0469(1972)029<1109:dogscc>2.0.co;2 |
| [] | Madden R A, Julian P R. 2012. Historical perspective[M]//Lau W K M, Waliser D E. Intraseasonal Variability in the Atmosphere-Ocean Climate System. Berlin Heidelberg:Springer, 1-18, doi:10.1007/3-540-27250-X_1. |
| [] | Maloney E D, Hartmann D L. 2001. The sensitivity of intraseasonal variability in the NCAR CCM3 to changes in convective parameterization[J]. J. Climate, 14(9): 2015–2034. DOI:10.1175/1520-0442(2001)014<2015:tsoivi>2.0.co;2 |
| [] | Murakami H, Vecchi G A, Underwood S, et al. 2015. Simulation and prediction of category 4 and 5 hurricanes in the high-resolution GFDL HiFLOR coupled climate model[J]. J. Climate, 28(23): 9058–9079. DOI:10.1175/jcli-d-15-0216.1 |
| [] | Neale R B, Richter J H, Jochum M. 2008. The impact of convection on ENSO:From a delayed oscillator to a series of events[J]. J. Climate, 21(22): 5904–5924. DOI:10.1175/2008jcli2244.1 |
| [] | Pegion K, Kirtman B P. 2008. The impact of air-sea interactions on the predictability of the tropical intraseasonal oscillation[J]. J. Climate, 21(22): 5870–5886. DOI:10.1175/2008jcli2209.1 |
| [] | Richter J H, Rasch P J. 2008. Effects of convective momentum transport on the atmospheric circulation in the community atmosphere model, version 3[J]. J. Climate, 21(7): 1487–1499. DOI:10.1175/2007jcli1789.1 |
| [] | Rienecker M M, Suarez M J, Gelaro R, et al. 2011. MERRA:NASA's modern-era retrospective analysis for research and applications[J]. J. Climate, 24(14): 3624–3648. DOI:10.1175/jcli-d-11-00015.1 |
| [] | Seo K H, Wang W Q, Gottschalck J, et al. 2009. Evaluation of MJO forecast skill from several statistical and dynamical forecast models[J]. J. Climate, 22(9): 2372–2388. DOI:10.1175/2008jcli2421.1 |
| [] | Slingo J M, Sperber K R, Boyle J S, et al. 1996. Intraseasonal oscillations in 15 atmospheric general circulation models:Results from an AMIP diagnostic subproject[J]. Climate Dyn., 12(5): 325–357. DOI:10.1007/bf00231106 |
| [] | Su T H, Xue F, Zhang H. 2014. Simulating the intraseasonal variation of the East Asian summer monsoon by IAP AGCM4[J]. 0[J]. Advances in Atmospheric Sciences, 31(3): 570–580. DOI:10.1007/s00376-013-3029-8 |
| [] | 孙泓川, 周广庆, 曾庆存. 2012. IAP第四代大气环流模式的耦合气候系统模式模拟性能评估[J]. 大气科学, 36(2): 215–233. Sun Hongchuan, Zhou Guangqing, Zeng Qingcun. 2012. Assessments of the climate system model (CAS-ESM-C) using IAP AGCM 4 as its atmospheric component[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 36(2): 215–233. DOI:10.3878/j.issn.1006-9895.2011.11062 |
| [] | Tiedtke M. 1989. A comprehensive mass flux scheme for cumulus parameterization in large-scale models[J]. Mon. Wea. Rev., 117(8): 1779–1800. DOI:10.1175/1520-0493(1989)117<1779:acmfsf>2.0.co;2 |
| [] | Tung W W, Gao J B, Hu J, et al. 2011. Detecting chaos in heavy-noise environments[J]. Physical Review E, 83(4): 046210. DOI:10.1103/physreve.83.046210 |
| [] | Vitart F, Woolnough S, Balmaseda M A, et al. 2007. Monthly forecast of the Madden-Julian oscillation using a coupled GCM[J]. Mon. Wea. Rev., 135(7): 2700–2715. DOI:10.1175/mwr3415.1 |
| [] | Waliser D, Sperber K, Hendon H, et al. 2009. MJO simulation diagnostics[J]. J. Climate, 22(11): 3006–3030. DOI:10.1175/2008jcli2731.1 |
| [] | Waliser D E, Lau K M, Kim J H. 1999. The influence of coupled sea surface temperatures on the Madden-Julian oscillation:A model perturbation experiment[J]. J. Atmos. Sci., 56(3): 333–358. DOI:10.1175/1520-0469(1999)056<0333:tiocss>2.0.co;2 |
| [] | Waliser D E, Zhang Z Z, Lau K M, et al. 2001. Interannual sea surface temperature variability and the predictability of tropical intraseasonal variability[J]. J. Atmos. Sci., 58(17): 2596–2615. DOI:10.1175/1520-0469(2001)058<2596:isstva>2.0.co;2 |
| [] | Wang W Q, Schlesinger M E. 1999. The dependence on convection parameterization of the tropical intraseasonal oscillation simulated by the UIUC 11-layer atmospheric GCM[J]. J. Climate, 12(5): 1423–1457. DOI:10.1175/1520-0442(1999)012<1423:tdocpo>2.0.co;2 |
| [] | Wheeler M C, Hendon H H. 2004. An all-season real-time multivariate MJO index:Development of an index for monitoring and prediction[J]. Mon. Wea. Rev., 132(8): 1917–1932. DOI:10.1175/1520-0493(2004)132<1917:aarmmi>2.0.co;2 |
| [] | Woolnough S J, Vitart F, Balmaseda M A. 2007. The role of the ocean in the Madden-Julian oscillation:Implications for MJO prediction[J]. Quart. J. Roy. Meteor. Soc., 133(622): 117–128. DOI:10.1002/qj.4 |
| [] | Yan Z B, Lin Z H, Zhang H. 2014. The relationship between the East Asian subtropical westerly jet and summer precipitation over East Asia as simulated by the IAP AGCM4[J]. 0[J]. Atmospheric and Oceanic Science Letters, 7(6): 487–492. DOI:10.3878/AOSL20140048 |
| [] | 晏正滨, 林朝晖, 张贺. 2015. 大气环流模式IAP AGCM4[J]. 0对东亚高空副热带西风急流的模拟及偏差原因分析[J].气候与环境研究, 20(4): 393–410. Yan Zhengbin, Lin Zhaohui, Zhang He. 2015. Evaluation and bias analysis for the performance of IAP AGCM4[J]. 0 in simulating the East Asian subtropical westerly jet[J]. Climatic and Environmental Research (in Chinese), 20(4): 393–410. DOI:10.3878/j.issn.1006-9585.2015.14095 |
| [] | 曾庆存, 林朝晖. 2010. 地球系统动力学模式和模拟研究的进展[J]. 地球科学进展, 25(1): 1–6. Zeng Qingcun, Lin Zhaohui. 2010. Recent progress on the earth system dynamical model and its numerical simulations[J]. Advances in Earth Science (in Chinese), 25(1): 1–6. DOI:10.11867/j.issn.1001-8166.2010.01.0001 |
| [] | Zhang C D. 2005. Madden-Julian oscillation[J]. Rev. Geophys., 43(2). DOI:10.1029/2004rg000158 |
| [] | Zhang C D. 2013. Madden-Julian oscillation:Bridging weather and climate[J]. Bull. Amer. Meteor. Soc., 94(12): 1849–1870. DOI:10.1175/bams-d-12-00026.1 |
| [] | Zhang G J, Mu M Q. 2005. Simulation of the Madden-Julian oscillation in the NCAR CCM3 using a revised Zhang-McFarlane convection parameterization scheme[J]. J. Climate, 18(19): 4046–4064. DOI:10.1175/jcli3508.1 |
| [] | Zhang G J, McFarlane N A. 1995. Sensitivity of climate simulations to the parameterization of cumulus convection in the Canadian Climate Centre general circulation model[J]. Atmos.-Ocean, 33(3): 407–446. DOI:10.1080/07055900.1995.9649539 |
| [] | 张贺. 2009. 大气环流模式IAP AGCM4. 0的设计及其数值模拟[D]. 中国科学院大气物理研究所博士学位论文, 194pp. Zhang He. 2009. Development of IAP atmospheric general circulation model version 4.0 and its climate simulations[D]. Ph. D. dissertation (in Chinese), Institute of Atmospheric Physics, Chinese Academy of Sciences, 194pp. |
| [] | 张贺, 林朝晖, 曾庆存. 2009. IAP AGCM-4动力框架的积分方案及模式检验[J]. 大气科学, 33(6): 1267–1285. Zhang He, Lin Zhaohui, Zeng Qingcun. 2009. The computational scheme and the test for dynamical framework of IAP AGCM-4[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 33(6): 1267–1285. DOI:10.3878/j.issn.1006-9895.2009.06.13 |
| [] | 张贺, 林朝晖, 曾庆存. 2011. 大气环流模式中动力框架与物理过程的相互响应[J]. 气候与环境研究, 16(1): 15–30. Zhang He, Lin Zhaohui, Zeng Qingcun. 2011. The mutual response between dynamical core and physical parameterizations in atmospheric general circulation models[J]. Climatic and Environmental Research (in Chinese), 16(1): 15–30. DOI:10.3878/j.issn.1006-9585.2011.01.02 |
| [] | Zhang H, Zhang M H, Zeng Q C. 2013. Sensitivity of simulated climate to two atmospheric models:Interpretation of differences between dry models and moist models[J]. Mon. Wea. Rev., 141(5): 1558–1576. DOI:10.1175/mwr-d-11-00367.1 |
| [] | Zhang L N, Wang B Z, Zeng Q C. 2009. Impact of the Madden-Julian oscillation on summer rainfall in southeast China[J]. J. Climate, 22(2): 201–216. DOI:10.1175/2008jcli1959.1 |
| [] | Zhao C B, Ren H L, Song L C, et al. 2015. Madden-Julian oscillation simulated in BCC climate models[J]. Dyn. Atmos. Oceans, 72: 88–101. DOI:10.1016/j.dynatmoce.2015.10.004 |