耦合气候模式对亚澳季风年际变化主要模态的预测效果如何?外文翻译资料

 2022-11-10 02:11

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

耦合气候模式对亚澳季风年际变化主要模态的预测效果如何?

Bin Wang·June-Yi Lee· I.-S. Kang·J. Shukla·

J.-S. Kug·A. Kumar·J. Schemm·J.-J. Luo·

T. Yamagata·C.-K. Park

摘要：准确预测亚澳季风（A-AM）季节变化是气候预测中最重要和最具挑战性的任务之一。为了理解当前A-AM降水预测低精度的原因, 本研究致力于确定十种最先进的大气-海洋-陆地耦合气候模式及其多模式集合(MME)在多大程度上能够模拟出观测的A-AM降水变率的两个主要模态，这两个模态占到年际总方差贡献的43%，回报时段为1980-2001。第一个模态与厄尔尼诺-南方涛动(ENSO)冷暖位相的转变相关，而第二个模态超前于冷暖事件约1年，是ENSO的发生先导条件。第一种模态具有较强的准两年振荡，反映了热带准两年振荡(Meehl，1993)。我们发现MME超前1个月的季节性降水异常预报可以很好的模拟出前两个主要模态的季节性空间模态和年际变化，以及其与ENSO的联系。MME的第二模态超前于厄尔尼诺成熟期五个季度，可作为ENSO发生的先导信号。然而，MME低估了两个模态的总方差和第一模态的准两年振荡。该模式在模拟海洋大陆降水和ENSO衰减阶段的沃克型遥相关方面存在困难，这可能在一定程度上造成季风“春季预测障碍”(SPB)。NCEP/ CFS模式的预测结果表明，随着超前时间的增加，第一模态的方差占比增大，说明A-AM降水的长期预测技巧主要来自ENSO的可预测性。在CFS模式中，第一个主成分的相关系数在快速下降前的6个月保持在0.9左右，但对于空间模态，它在整个北方春季呈现下降趋势。研究中有两个意外的发现，首先，耦合模式的MME模拟降水变率前两个模态的能力比ERA-40 和NCEP-2再分析数据更好，表明将大气视作被动响应者可能无法模拟强降水区夏季风降水变化 (Wang 等，2004)。因此今后应以海气耦合模式进行再分析。第二，总体而言MME的预测效果优于任何单个模式，因此CFS的集合回报在准两年振荡和异常振幅的预测方面都很优秀，这表明MME预测技术的提高是以高估主要模态的方差贡献为代价的。本文还讨论了一些其他有待解决的问题。

关键词：亚澳季风；大气-海洋-陆地耦合气候模式；降水异常的主要模态；MME超前一个月的预测；NCEP CFS；准两年振荡；ENSO可预测性

1引言

虽然由于大气内部无序的运动，天气事件的详细演变可能不能预测到超出几天到2周的跨度( Lorenz 1965)，由于大气之间的相互作用和缓慢变化的海陆的原因，大气变量的时间平均和空间平均，或天气的统计现象，可能在一个季的时间尺度或更长时间里是可预测的。因此，气候的可预测性很大程度上依赖于自然的缓慢耦合物理过程的性质。在热带太平洋，海面温度、海面风和降水是紧密耦合的(Bjerknes 1969)；在很大程度上，该地区的气候变化是由缓慢的海洋动力过程决定的(Cane et al. 1986;Zebiak和Cane 1987)。出于这个原因， 在地球的气候系统中，厄尔尼诺-南方涛动(ENSO)及其全球影响也许是最可预测的现象。

与热带太平洋气候相比，亚洲季风年际降雨量变化的动力模式模拟和季节预测一直是一项重大挑战(Sperber和Palmer 1996;Goswami 1998;Gadgil和Sajani 1998)。Sperber和Palmer(1996)评价了参与大气模式比较项目(AMIP)的32个大气环流模式(AGCMs)的性能。除了在1987年厄尔尼诺和1988 拉尼娜，从1979年到1988年，这些模式对于全印度的降水的预测准确性很低或不准确。Wang等(2004) 从1996年9月到1998年8月在前所未有的El Niño期间对具有11个模式的亚洲夏季降水异常集合模式模拟亚澳季风(A-AM)异常的性能进行了评估。具有11个模式的亚洲夏季降水异常集合模式在A-AM地区(30°S-30°N,40°E – 160°E)显示一个约为0.45的地图相关系数，远远低于其对应厄尔尼诺地区(地图相关系数是0.8)。5个AGCMs多模式的潜在可预测性检验经过时段为21年的回报的综合预测结果证实，当模式受到观测海面温度(SST)的影响时，无法有效预测亚太夏季季风降水(Wang 等. 2005)。

亚洲夏季风季节性降雨的模拟和预测之所以困难，部分原因在于对季风固有的内在动力的预测存在局限性。Goswami(1998)利用地球物理流体动力学实验室AGCM，假设ENSO对印度季风地区年际变化的贡献相当于由与海温异常无关的内部振荡引起的区域尺度波动。因此，该模式在亚洲夏季季风区的预测能力较低，可能是由于与季节内天气波动和/或与陆地或海洋过程相互作用的不可预测部分相关的混沌动力学有关。但是，还有其他潜在的来源可能会阻碍季风的实际可预测性。其他低频(LF)边界强迫的作用，如欧亚和喜马拉雅的积雪，仍然不清楚。

限制预测的因素之一与AGCM单独模拟的方法和所谓的“两层”预测有关。Sperber和Palmer(1996)指出，正确的平均状态更有可能准确地模拟热带降水的年际变化。Turner 等.(2005)的研究表明，ENSO相关的大气遥相关模式预测精度的提高需要对气候平均状态进行准确预测。但是，海气耦合模式在再现良好气候学方面往往存在不足。为了更好地预测与ENSO遥相关模式相关的气候异常，Bengtsson等(1993)提出了一种双层方法，首先利用耦合模式预测海温，然后利用预测海温作用下的大气模式预测大气异常。最近使用海气耦合模式的研究表明，夏季季风降水的预测需要研究者考虑当地季风-暖池海洋相互作用(Wang 等. 2003, 2004;Wu和Kirtman 2005;Kumar 等. 2005)。已经表明，受观测海温强迫的大气模式模拟亚洲夏季风的变化效果不佳部分归因于实验设计，大气被迫对特定的海温作出响应，在自然条件下，海温导致部分的大气强迫(Wang 等 . 2004年)。在没有季风-海洋相互作用的情况下，所有模式都产生了正的海温-降雨相关性，这与在强降水的夏季季风地区的观测结果不一致(Wang et al. 2005)。因此，要评估季风的可预测性，它希望使用海气耦合模式或单层预测系统。

季节预报的准确性可能受到观测误差和确定大气和海洋初始状态误差的限制，也可能受到模式物理准物质化中未解决过程对未解决尺度影响的不确定性的限制。一个预测从不同的初始条件出发进行集合预测，可以区分与气候信号相关的集合平均，并确定与集合平均的偏差，后者被视为内部混沌动力学噪声和不确定性的度量(Shukla 1981;Rowell 等. 1995;Shukla 等. 2000)造成的。为了进一步减少一个模式物理参数化中与不确定性相关的误差，本研究采用了多个模式，假设不同模式解中的异常误差是随机分布的。虽然气候平均态的系统误差，如冷舌偏置、偏强的信风和双ITCZ，在许多模式中是相似的，但我们最近的分析发现，不同模式的异常误差是相当不同的。为了对CGCMs的现状有一个统一的认识，我们采用了一种简单的组合方法来计算MME，MME是一种对多模式预测进行汇总和综合的有效方法。已经认识到，在MME中，集合平均降低了单个预测中存在的噪声，增加了相关性，并减少了系统误差(Krish-namurti 等. 1999;Doblas-Reyes等，2000;Palmer 等. 2000)。在接下来的夏季季风预测评估中，我们将对MME的结果进行分析，以便更好地评估实际可预测性。

确定夏季季风的可预测性并且识别可预测性的来源在季节预测和预测与预测有关的潜在不确定性方面具有重要性。如何在耦合模式预测中确定气候可预测性仍是一个难题。我们提出，A- AM年际变化的主要模式可以表示或提供可控性变化的可预测部分。此外，模式模拟这些主要模式的性能可能与它们的季节预测技巧有关。因此，重要的是(1)确定A-AM年际变化的主要模态是什么(2)对最先进的耦合气候模式模拟A-AM年际变化的主要模态的性能进行评估，和(3)确定模式模拟这些主要模态的性能如何与季节预测技巧有关。这些都是本研究的主要目的。

我们的分析将主要集中在降水上，因为降水是季节预测中最重要的变量，而且它也是季节预测中最难预测的变量。降水预报的检验是对气候模式最严格的检验。回报使用更新的初始条件。与以往的耦合长期集合模拟相比，初始条件的影响可以使CGCM更真实地预测A-AM异常。

2模式、数据和分析过程

2.1模式和数据

本研究所研究的模式是十个完全耦合的大气-海洋-陆地季节性预测系统，来自以下两个国际项目：“发展欧洲季节性年际预测多模式集合系统”(DEMETER)(Palmer 等. 2004年)和亚太经济合作组织气候中心/气候预测及其对社会应用程序(APCC / CliPAS)(Wang 等 . 2007 b)。表1给出了每个模式的简要总结。关于模式的更多细节，请参考表1中引用的相关文献。这些模式包括七个来自DEMETER的模式，这些模式来自欧洲的科学计算研究和高级培训中心(CERFACS)，欧洲中期天气预报中心(ECMWF)，意大利地球物理研究所(INGV) ，LODYC实验室，国家气象研究中心(Meteor-France)，英国气象局，马克斯普朗克气象研究所(MPI)。另外还包括APCC/CliPAS的三个耦合模式：全球变化前沿研究中心(FRCGC)、国家环境预测中心(NCEP)和首尔国立大学(SNU)。

所有入选的模式都对1981-2001年21年进行了回报，其中6-15个成员从不同的初始条件开始，对4个季节进行了6- 9个月的整合。除了CFS模式，回报初始化是在2月1日，5月1日，8月1日和11月1日，其中15个大气初始条件是由目标月前一个月的9号，10号，11号，12号，13号，19号，20号，21号，22号和23号,前一个月的倒数第二天,以及目标月的前三天起报(Saha等. 2006年)。

在本研究中，我们主要评估超前一个月季节预测。假设预测在2月1日初始化，超前1个月的季节预测意味着预测3月、4月和5月的平均值。CFS的预测结果每个月发布一次时间为9个月的集合。因此，CFS数据可以作为超前时间和初始条件影响的函数来评估可预测性。在这个从每个月开始的预测中，预测的第一个月平均值被定义为超前0个月，因为在目标月的前3天中初始化了3个集合成员。同样，第二个月平均值被定义为超前1个月。剩余的超前时间的定义类似。

表 1描述了本研究中使用的10个耦合模式

2.2数据

气候降水预测中心(CMAP)数据集(Xie 和 Arkin 1997)与全球降水气候学项目(GPCP)数据(Adler 等. 2003)合并分析作为验证数据集。为了进行比较，我们还使用了两个再分析数据集——NCEP/DOE AMIP II再分析(“NCEP-2”)数据(Kanamitsu 等. 2002)和ECMWF 40年再分析(“ERA-40”)数据(Uppala 等. 2005)——来评估它们在A-AM季风地区的主要降水模式。观测到的850 hPa风场来源于NCEP-2，观测海表温度数据来源于改良的扩展重建海表温度2 (ERSST V2)数据(Smith and Reynolds 2004)。

2.3分析过程

广阔的A-AM区域的年度变化显示出巨大的区域差异，并强烈依赖于年度周期的阶段(Meehl 1987)。基于这一物理考虑，Wang和An(2005)提出了一种基于季节的经验正交函数(S-EOF)分析方法，用以区分随季节变化的变化模式。他们对印度洋-太平洋海温异常的S-EOF分析得到了传统EOF分析无法得到的两种具有统计学意义的主导模式。两种主导模式分别为LF模式和准两年模式（QB），它们在季节演化、空间结构的部分差异、年代际变化和趋势上存在差异。Wang和An(2005)讨论了S-EOF与扩展EOF (Weare和Nasstrom 1982)和循环平稳EOF (Kim 2002)分析的区别。Wang 等 (2007a)详细讨论了S-EOF与传统EOF分析的优点以及为什么使用S-EOF来推导主要模态。

S-EOF的目的是描述整年的季节变率。在这里，我们采用了“季风年”(Yasunari 1991)的概念，它从0年或”JJA(0)”的夏季(6月、7月和8月)到下一年或“MMA(1)”(第1年)春季(3月，4月，5月)。为此，利用每年四个连续的季节平均异常构建协方差矩阵；也就是说，将JJA(0)、SON(0)、DJF(0/1)、MAM(1)的异常视为一个“年块”，标记为0年——异常序列开始的年份。EOF分解完成后，将年区块划分为四个连续的季节异常，得到每个特征向量在每个季风年季风异常的季节性演化规律。

S-EOFs/降水时间序列(a)

图 1CMAP观测得到的季节降水变率模式a第一模态和b第二模态S-EOF的主成分(实心)、MME(虚线)和各模式分别预测(虚线)。图例中括号内的数字，如上方的MME(0.95)和下方的MME(0.89)，表示观测到的主成分与MME之间的时间相关系数

我们将S-EOF分析应用于观测和预测的季节平均降水异常，这些异常为1981-2001年期间的年平均周期偏差。在本研究中，我们认为A-AM区域是从40°E到 160 °E，从30°S到40°N，它几乎覆盖了整个印度-太平洋暖池地区。

3 .观测了亚澳季风系统的主导模式

CMAP降水季节异常(1981-2002)的S-EOF分析得到了两种具有统计学差异的主要模态，分别占降水异常总方差的30.1％和13.1%。图1显示了主体的第一时间序列和第二S-EOF模式的组件(PC)。根据NINO 3.4海温异常测量，两个主要模态的PCs与ENSO密切相关。为了检验两者与ENSO的关系，图2给出了两个PCs与季节性NINO 3.4海温异常的超前滞后相关系数。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19188]，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