高分辨率区域海-气耦合模式:短期气候预测新的春天

马 浩 雷 媛 毛燕军 张小伟

(浙江省气候中心，浙江杭州310017)

0 引言

短期气候预测是气象部门开展的核心业务之一，它以月、季、年时间尺度上的气象要素平均变化趋势为预测对象，着重研究气温和降水的变化趋势。短期气候预测对经济社会发展具有重要意义，这是由于气象灾害预报的提前量与灾害损失之间具有显著的反比关系。对重大气象灾害而言，预报提前得越早，则采取的应对措施就会越充分，从而灾损越小。与短期天气预报相比，短期气候预测具有较大的提前量，因此往往在气象防灾减灾中发挥着重要的指导作用。据国内外气象部门统计，气象灾害平均每年导致的损失约占GDP的3% ～6%;短期气候预测如果报准，可使受灾损失减少1% ～2%，这是一个相当惊人的数字［1］。因此，对国民经济生产各部门而言，短期气候预测与短期天气预报处于同等重要的地位。

当前，开展短期气候预测主要有经验统计、动力模式和动力统计相结合3种方法。经验统计方法注重考察天气气候的相似性，通过寻找持续性较好的预报指标来进行气候预测。当前，短期气候预测中使用的统计方法主要有多元分析、时间序列分析、经验正交函数(Empirical Orthogonal Function，EOF)分解、灰色系统、聚类分析等几类，其中的逐步回归、EOF分解、相似方法等是短期气候预测中应用最广、效果最好的方法［2］。动力模式预报始于20世纪70年代［3］，近年来取得了蓬勃的发展。它以数值模式结果为依托，通过研究模式积分输出的要素场和环流场来进行气候预测。动力统计相结合是一种主观见之于客观的方法，其核心是怎样利用模式结果产生更为可信的预测结论。具体来说，动力统计结合法主要有模式输出统计量(Model Output Statics，MOS)和完全预报(Perfect Prognosis，PP)两种方法。MOS方法是利用模式回报资料与气象要素建立统计模型，在此基础上利用模式预报产品进行预测;PP方法是利用历史资料与气象要素建立统计模型，进而利用模式预报产品进行预测［3］。

尽管短期气候预测方法众多，然而目前来看，预测效果总体上并不尽如人意，“报不准”的情况时有发生。在我国实际业务中，降水的短期气候预测水平仅保持在60% ～70%(采用国家气候中心的实况解释检验结果的准确率(PS)评分)，长江流域降水的预测准确率仅达到50%以上［4］，失败的例子相当多(如 1999、2003 年等)［5］。这一现象是值得深思的。概括而言，短期气候预测效果欠佳，既有问题本身的困难性，也有方法的问题。从机理上来说，我国处于东亚季风区，而基于模式预报的降水可预测性基本上局限在热带地区，热带外总体上是很难预测的，在东亚气候区更是如此［6］。从方法上来说，经验统计方法常常演变为单纯的数学游戏，缺乏物理内涵的相关系数用得过多过滥，使预测失去了科学基础;数值模式对地球气候系统中的重要物理过程刻画过于粗糙，使模拟结果时好时坏，导致预报员在模式结果的使用上游移不定、把握不足;没有好的数值模式，动力统计结合法也就成了无源之水、无本之木，这也是动力统计结合法未必能取得良好预测效果的关键原因所在。面临着如此之多的困难，我们不禁要问:“短期气候预测的出路在哪里?未来的发展道路在何方?”

1 短期气候预测的未来发展道路

关于短期气候预测未来的发展道路，其实涉及的是以经验统计方法为主还是以动力模式方法为主的问题，这是两条不同的道路。为了阐述这一问题，我们首先来讨论一下两种方法各自的优缺点。

1.1 经验统计方法

经验统计方法最大的优势在于其易操作性。目前，几乎所有的统计方法都可以用计算机程序方便地实现，与动力模式方法相比，经验统计方法容易上手，可以在短时间内作出预报结果，从而保证了短期气候预测的时效性。同时，预报员通过自身的经验对统计结果进行调整，又可以在一定程度上保证预报的准确性。因此，经验统计方法长期以来一直是我国各级气象部门进行短期气候预测的主流方法。然而，该方法也存在很多问题。

首先，面对着具体的预测问题，我们并不知道哪些统计方法是真正有效的。在统计工具众多的今天，在何种情境下应该采用何种方法?我们并无把握。各种方法似乎都有效果，又都没有足够的可信度，这正是短期气候预测的困难之处。那么，我们应该如何取舍?这仍然是一个没有解决的问题。

其次，经验统计方法的成败取决于所选取预报指标的好坏。丑纪范院士指出，前苏联在开展长期天气预报时，通过历史资料分析找到了一些预报关系非常好的指标，可是应用于预报实践效果不行;于是重新寻找预报指标，在实践中预报效果仍然不好［7］。长期重复这一过程，预报水平就很难提高。为何在历史资料分析中效果很好的指标却无法应用于实际预报呢?这实质上反映了一个问题，历史在多大程度上能够指示未来?一旦气候系统中出现了以往从未发生过的气候变异现象，历史经验分析就失去了作用。预报指标的可靠性与其所处的时间段密不可分，当气候系统发生转型或者突变、进入新的气候阶段，则预报指标的失灵在所难免。在全球变暖的背景下，一些原本非常牢固的统计关系纷纷“失效”，就是这种现象的一个鲜活例证。

第三，预报员的经验在多大程度上能够保证预报的准确率?预报员的经验是进行气候预测的重要基石，然而客观来说，预报员的经验仅仅是局部经验、而非全局经验，即预报员往往仅对某些气候异常现象有深入研究(这与预报员的知识结构和研究兴趣有关)、而不可能对气候系统的各种变异行为都有精深的把握，从而导致有时报得准、有时报得差。由于预报员的经验并不总是能够有效地修正统计结果，有时还可能使预报效果进一步恶化，因此，如何合理使用预报员的经验，也是一个十分困难的问题。

最后，经验统计方法的客观化程度不高。经验统计方法归根结底是一种主观方法，预报员的取舍和判断在进行预测时发挥了重要作用，人为订正与人为修改实际上是预测中的重要环节，这种业务流程在很大程度上影响了短期气候预测的制作效率。

1.2 动力模式方法

动力模式方法是一种客观化方法，它通过对描述大气运动的方程组进行数值积分，以获得未来时段的气候状况。简洁性、直观性和客观性是动力模式方法的突出优点，同时，由于模式预报不受历史经验的制约，对于历史上从未发生过的特殊气候现象，模式的预报能力往往优于经验统计方法，这在短期气候预测实践中已经得到多次验证。然而目前来看，动力模式方法的预报效果不够理想，甚至弱于经验统计方法的预报水平。究其原因主要有以下几点。

第一，问题本身的复杂性。如前所述，目前，短期气候预测理论尚不成熟，而我国气候又受到青藏高原、东亚季风、热带太平洋、热带印度洋和中高纬度大气环流的综合影响，气候成因极其复杂和特殊［1］，很多气候现象形成的机理尚不清楚，从而给数值模拟带来了极大的挑战。

第二，模式动力框架的缺陷。我国由于受到青藏高原大地形的影响，因此，适用于中国的气候预测模式应当突出青藏高原的作用。然而令人遗憾的是，目前国外大多数先进的气候模式均未充分考虑青藏高原的影响，因此直接用来对中国气候进行预测有着天然的缺陷。中国科学院大气物理研究所和国家气候中心研制的动力模式开发伊始即注重考虑青藏高原，从动力框架而言更适用于进行东亚和中国气候的预测［1］，有着较好的发展前景。

第三，模式性能的制约。模式方程组能在多大程度上描述客观真实的物理世界，很大程度上决定了模式的预测效果。在模式研究中，一个简洁的判定模式性能的方法是“平均态法”，即模式模拟的气候平均态与真实的气候平均态之间存在多少偏差。如果模式连气候平均态都模拟不好，则进行气候预测只能是一种奢望。目前，就气候模式的发展水平而言，几乎所有的模式仅能“大致合理”地模拟出基本气候态，区域偏差十分显著，这是模式预测的一大瓶颈。此外，模式对气候系统其它因子(如海洋、冰雪圈、生物圈等)的作用考虑不够全面、分辨率过于粗糙、参数化方案不够合理等也是预测效果不够理想的重要原因。

综上所述，经验统计方法与动力模式方法各有优缺点，预报效果都不够稳定，在这种情况下，我们应当走什么样的道路呢?从长远来看，如果以经验统计方法为主，则预报员经验的建立需要经历较长的时间，随着年代际气候转型的出现，经验的“失效”也会发生，因此又会经历新经验的重建过程，因此经验统计方法是一种经验建立—经验失效—经验重建的循环往复过程，且因人而异，传承性很差;如果以动力模式方法为主，尽管目前动力模式的预报效果并不理想，然而随着模式框架的不断改进、模式性能的不断提高，模式预报效果也会得到稳定的提高，这种提高建立在牢固的物理基础之上、且具有较强的继承性和沿用性，在业务实践中有着巨大的发展潜力。国家气候中心也认为短期气候预测应当从以物理统计方法为主的阶段逐步过渡到以动力数值方法为主的阶段［8-9］。无疑，动力模式方法有着强大的生命力，将会成为未来短期气候预测的主流方法。只要我们摒弃急功近利的思想、经得起时间的等待，动力模式方法一定会大有作为，为最终实现准确度较高的客观化预测奠定坚实的基础。下面，我们针对动力模式方法进一步展开论述，着重分析在各种数值模式中，什么样的模式才真正切合短期气候预测的业务需求?我们应该如何选择?选择的依据在哪里?

2 高分辨率区域海-气耦合模式对于短期气候预测的重要意义

2.1 为何要选择海-气耦合模式?

谈到气候模式，我们先要澄清一个问题，即什么叫气候模式?在国外，习惯于把耦合模式(Coupled General Circulation Model，CGCM)称为气候模式(Climate Model)，其余的气候分析和诊断模式一般统称为大气环流模式(Atmospheric General Circulation Model，AGCM)。这种界定是十分科学的，即气候模式应当是气候系统模式(至少包括大气和海洋两个成员，更为完善的气候模式还应当考虑冰雪圈、陆面过程、天文强迫和生物圈的作用)，而不仅仅是单纯的大气环流模式。这是由于气候变异往往受制于外强迫的作用，即气候变异(特别是低频变异)的原因来自于大气圈之外［10］，而不是来源于大气环流自身，这就是为什么用AGCM来进行气候预测效果往往不佳的重要原因。我们以海洋-大气相互作用为例来简要说明这个问题。在海洋-大气相互作用中，海表温度(Sea Surface Temperature，SST)变异是大气环流调整的重要原因。在AGCM中，SST预先给定，之后在积分时段内保持不变，相当于用定常的海温来强迫大气环流;而在CGCM中，海洋和大气之间通过通量交换发生相互作用，从而导致SST也随时间发生变化。显而易见，“变化的海洋”比“不变的海洋”更加接近物理真实，耦合模式中的各种动力学和热力学过程更加符合实际，因此是进行短期气候预测的理想选择。正如王绍武［11］所指出的，开展气候预测必须使用海-气耦合模式。在条件尚不成熟的情况下，可以先用AGCM进行预测;然而从长远来看，真正可靠的预测必须借助于CGCM。事实上，在发达国家的短期气候预测业务实践中，海-气耦合模式已经日益成为核心预测工具［12］。

2.2 为何要选择区域模式?

相较于全球模式，区域模式有两个突出的优点。第一，同等分辨率条件下，区域模式的运算效率比全球模式高。气候预测对时效性的要求极高，如果模式运行缓慢，迟迟无法得到运算结果，则模式预测也就失去了意义。事实上，在当前各种全球海-气耦合模式中，运行效率最高的是由美国威斯康星大学和美国阿拉贡国家实验室联合开发的快速海-气耦合模式(Fast Ocean-Atmosphere Model，FOAM)［13］，在 32 个CPU并行的情况下，FOAM的运算效率一般为24 h积分80 a。这是全球海-气耦合模式中的一个特例，在FOAM之外的诸多模式运行效率远不能与其相比。以举世公认的优秀耦合模式——美国普林斯顿大学地球物理流体动力学实验室(Geophysical Fluid Dynamics Laboratory，GFDL)开发的气候模式(Climate Model)2.1版(CM2.1)［14］为例，同样是 32 个 CPU 并行，CM2.1的运算效率一般为24 h积分10 a左右，如果将分辨率提高(GFDL已经研发出最新的高分辨率耦合模式CM2.4)，则运算效率往往呈指数下降，CM2.4的运算效率仅为24 h积分几个月。如果考虑到需要开展集合预报以保证模式预测结果的可靠性，则如果没有大量CPU支持，借助全球模式开展集合预测将要花费更多的时间，从而使气候预测的时效性得不到保障，难以满足业务需求。与全球模式相比，在同样的分辨率条件下，由于运算区域相对较小，区域模式的运算效率大大提高:在同样的运算时间内，如果全球模式仅能达到低分辨率运算，区域模式却有可能达到高分辨率运算，其优势显而易见。对具体的预测问题而言，气象部门一般不需要对全球气候作出预测，而仅仅关心某个区域内的气候演变情况，在此意义上，区域模式已经足以满足需要。

第二，相对于全球模式而言，区域模式的调整与改进显得相对容易。这是由于，从物理上来说，全球模式具有“牵一发而动全身”的特性，即某个区域内某个物理参数的微小调整可能导致远程气候出现显著变化，这也为全球模式的物理归因带来了困难:如果某区域的气候要素预测效果不好，应当如何采取措施来加以改进?在全球模式中，区域气候要素的变化往往是由多个因子在不同时间尺度上发生相互作用而导致的，调整单因子难以取得理想的效果。因此，区域模拟效果的改进在全球模式中是一个十分棘手的问题，也是气候学界共同面临的难题。举例来说，当前大多数全球气候模式对季风区降水的模拟效果很差［15-16］，其原因极其复杂，尽管气候学家针对这一问题开展了大量研究、也取得了显著的学术成果，然而究竟应当如何改进全球模式来提高模拟效果，我们仍然难以给出明确的回答。根本性的困难在于，季风降水是一个海洋-大气耦合问题，而区域耦合问题的偏差往往来自于区域以外的多尺度相互作用。问题本身的复杂性以及模式框架和机理的复杂性使得模拟效果的改进殊为不易，往往花费了很大力气却收效甚微。然而，区域模式的物理归因却相对容易。对区域模式而言，边界强迫至关重要。边界条件的调整可以使区域模式性能获得显著的提高［17-18］;换言之，如果在区域模式中，模拟区域内气象要素预测效果不佳，往往可以规避复杂的物理归因，通过边界条件的调节来达到目的，这种“任尔几处来，我只一处去”的处理思路为区域模式的调试带来了极大的便利。因此，考虑到短期气候预测的业务需求，区域气候模式是较为实用的一种选择。

2.3 高分辨率的重要性

自从20世纪60年代末Manabe和Bryan［19］研发出人类历史上第一个海-气耦合模式以来，气候模式的发展已经经历了四十多年的漫长岁月，模拟能力不断增强，模拟效率日益提高。在气候模式的发展历程中，曾有很多学者指出:模式的改进应当注重内部动力学框架的完善，而不是一味提高分辨率。这种说法无疑是正确的。然而，我们断然不能将模式分辨率置于无足轻重的位置。这是因为，如果模式分辨率长期没有提高，我们就无法获得区域气候特征的精细结构，我们对区域气候的认识也会长期停留在“雾里看花”的模糊水平。在全球变暖的气候背景下，区域响应是一个至关重要的问题，如果没有高分辨率的模拟结果，我们就无法知晓区域响应的具体型态和内在动力学过程，进而为区域气候变化评估带来巨大的障碍。从某种意义上说，模式分辨率的提高推动着气候认识水平不断提高。今天，几乎所有的气候模式研发人员都相信，就气候模式本身而言，高分辨率是未来的发展方向。模式分辨率的提高不仅意味着网格加密，更重要的是模式内部次网格参数化方案的调整，大量原先适用于大尺度问题的参数化方案将进一步细化，从而使模拟能力得到提升。当模式分辨率提高到一定水平，则有可能将原先的大尺度海-气耦合模式升级为中尺度海-气耦合模式，从而展现出崭新的模拟能力。世界气象泰斗松野太郎(Taroh Matsuno)曾经指出，日本的地球模拟器将热带地区的水平分辨率提高到10 km×10 km，这一分辨率的诞生意味着热带气象学进入了一个新的时代。从气候学的研究现状来看，今天，气候学家们已经认识到海洋中尺度涡旋和大气中尺度涡旋在气候系统中扮演着非常重要的角色［20-21］，中尺度波动过程在相当程度上决定着气候平均态、调制着气候变率，而大尺度气候模式无法刻画中尺度过程，从而容易产生较大的气候偏差。从大尺度模式走向中尺度模式，既是科学发展的必然，也是精细化气候预测的需要。如果我们选择大尺度海-气耦合模式，则很可能在较短的时间内被时代淘汰;着眼于未来，我们必须顺应时代潮流，选择能够刻画和表达中尺度过程的高分辨率气候模式，在更高的精度上进行短期气候预测。

3 结语:现状与前景——机遇与挑战并存

尽管高分辨率区域海-气耦合模式为短期气候预测带来了新的希望，然而由于这种模式对计算平台的要求较高(至少需要几百甚至上千个CPU)，且研制过程中涉及的参数化方案和算法十分庞杂、模式运行的稳定性不易得到保证，目前在世界上成功的范例并不多。值得一提的是，美国得克萨斯农工大学(Texas A＆M U-niversity)张平教授领衔的研究小组已经成功构建了高分辨率大西洋区域海-气耦合模式［22］，该模式在大西洋展现出惊人的模拟性能，不仅能够较为准确地模拟出海温等要素的空间分布(精度较大尺度模式大大提高)，且对一系列区域尺度的海-气相互作用现象(如台风在海洋上的移动和发展)都有相当水平的模拟能力。

张平教授研究小组的成功让学术界感到鼓舞，目前，中国海洋大学已经开始构建太平洋区域海-气耦合模式，其它研究机构也开始着手构建印度洋区域海-气耦合模式。从大尺度走向中小尺度，从全球走向区域，海-气耦合模式展现出日益旺盛的生命力，在气候学研究的各个领域，气候动力学、气候预测、气候变化、气候评估等，发挥着不可替代的作用。对于气象部门特别是省级气象部门而言，引进高分辨率区域海-气耦合模式，是一件机遇与风险并存的事情。从机遇而言，此类模式针对性强，可以有效地提供区域尺度的高分辨率预测结果，对于精细化预测大有裨益;不仅如此，面对气候预测并无灵丹妙药的现状，高分辨率区域模式的物理框架贴近客观实际，可靠性较大尺度模式而言也有一定保证;此外，模式运行结果对于区域尺度的气候分析也是良好的素材，可以有效地弥补观测资料时间长度的不足。从风险而言，高分辨率模式对计算平台的要求很高，运行和计算成本也很高;同时，由于高分辨率模式的物理架构复杂，模式的选择、性能判别、移植与调试需要经历相对较长的时间，我们能否经得起时间的等待?此外，边界强迫是决定高分辨率模式预报性能的重要因素，如何处理边界强迫考验着我们的智慧和能力。当前，气候预测的很多机理性问题还没有得到很好的解决:影响因子和预测对象之间究竟存在怎样的物理联系?影响因子之间的相互作用对预测结果的不确定性影响如何?在气候系统演变规律尚未得到完全揭示的前提下，边界强迫的处理就显得更加困难和复杂，需要我们结合海洋-大气相互作用和气候动力学的基本原理进行仔细甄别、推定和改进，在大量样本实验的基础上得到最优化的边界强迫方案。良好的机遇伴随着较高的风险，但也蕴含着巨大的收益。对省级气象部门而言，谁掌握了高分辨率区域海-气耦合模式，谁就攻占了短期气候预测的桥头堡，谁就在新世纪的气候预测创新中领先一步。跨越这一步，需要巨大的勇气，需要非凡的魄力，更需要艰苦的探索。

高分辨率区域海-气耦合模式研制成功为最终实现客观化气候预测带来了信心和力量，它昭示着短期气候预测新的春天即将到来，让我们张开双臂去迎接这个春天，做勇于开拓、与时俱进的气象人，将气候预测水平不断推向前进。

［1］ 丁一汇.我国短期气候预测业务系统［J］.气象，2004，30(12):11-16.

［2］ 杨舵.短期气候预测方法综述［J］.新疆气象，1996，19(5):1-6.

［3］ 魏凤英.我国短期气候预测的物理基础及其预测思路［J］.应用气象学报，2011，22(1):1-11.

［4］ 赵振国.我国短期气候预测的业务技术发展［J］.山东气象，2001，21(3):4-7.

［5］ 王会军，张颖，郎咸梅.论短期气候预测的对象问题［J］.气候与环境研究，2010，15(3):225-228.

［6］ 王会军.试论短期气候预测的不确定性［J］.气候与环境研究，1997，2(4):333-338.

［7］ 丑纪范.短期气候预测的现状、问题与出路(一)［J］.新疆气象，2003，26(1):1-4.

［8］ 赵振国，刘海波.我国短期气候预测的业务技术发展［J］.浙江气象，2003，24(3):1-6.

［9］ 李维京.现代气候业务［M］.北京:气象出版社，2012:480.

［10］ 周家斌.关于短期气候预测的几个问题［J］.甘肃气象，1998，16(4):1-13.

［11］ 王绍武.短期气候预测的可预报性与不确定性［J］.地球科学进展，1998，13(1):8-14.

［12］ Saha S，Moorthi S，Pan H-L，et al.The NCEP climate forecast system reanalysis［J］.Bulletin of the American Meteorological Society，2010，91(8):1015-1057.

［13］ Jacob R.Low frequency variability in a simulated atmosphere-ocean system［D］.Ph.D.dissertation of Department of Atmospheric and Oceanic Sciences at University of Wisconsin-Madison，Madison，USA，1997:155.

［14］ Delworth T L，Broccoli A J，Rosati A，et al.GFDL's CM2 global coupled climate models.Part I:Formulation and simulation characteristics［J］.Journal of Climate，2006，19(5):643-674.

［15］ Wang B，Kang I-S，Lee J-Y.Ensemble simulation of Asian-Australian monsoon variability by 11 GCMs［J］.Journal of Climate，2004，17(4):803-818.

［16］ 张莉，丁一汇，孙颖.全球海气耦合模式对东亚季风降水模拟的检验［J］.大气科学，2008，32(2):261-276.

［17］ Lynch A H，Cullather R I.An investigation of boundaryforcing sensitivities in a regional climate model［J］.Journal of Geophysical Research-Atmospheres，2000，105(D21):26603-26617.

［18］ Køltzow M A Ø，Iversen T，Haugen JE.The importance of lateral boundaries，surface forcing and choice of domain size for dynamical downscaling of global climate simulations［J］.Atmosphere，2011，2(2):67-95.

［19］ Manabe S，Bryan K.Climate calculations with a combined ocean-atmosphere model［J］.Journal of the Atmospheric Sciences，1969，26(4):786-789.

［20］ Seo H，Jochum M，Murtugudde R，et al.Effect of ocean mesoscale variability on the mean state of tropical Atlantic climate［J］.Geophysical Research Letters，2006，33，L09606，doi:10.1029/2005GL025651.

［21］ Kug J-S，Choi D-H，Jin F-F，et al.Role of synoptic eddy feedback on polar climate responses to the anthropogenic forcing［J］.Geophysical Research Letters，2010，37，L14704，doi:10.1029/2010GL043673.

［22］ Patricola C M，Li M K，Xu Z，et al.An investigation of tropical Atlantic bias in a high-resolution coupled regional climate model［J］.Climate Dynamics，2012，39(9-10):2443-2463.