印度洋偶极子预报技巧在多模式中的对比研究

2020-08-06雷蕾伍艳玲唐佑民

海洋学报 2020年7期

雷蕾，伍艳玲*，唐佑民,2

( 1. 自然资源部第二海洋研究所卫星海洋环境动力学国家重点实验室，浙江杭州 310012；2. 北不列颠哥伦比亚大学环境科学与工程学院，加拿大不列颠哥伦比亚省乔治王子城 V2N4Z9)

1 引言

热带印度洋区域大气海洋相互耦合，对于周边区域以及我国的气候都有着明显影响。在热带印度洋存在两个明显的年际变率模态：印度洋海盆模态（Indian Ocean Basin-wide Mode，IOBM）和印度洋偶极子模态（Indian Ocean Dipole Mode，IODM）。IOBM 表现为整个区域一致增暖的模态，该模态一般认为是热带印度洋对热带太平洋的厄尔尼诺-南方涛动（El Niño-Southern Oscillation, ENSO）的响应[1-2]。第二模态表现为东西部海表温度（Sea Surface Temperature, SST）异常符号相反的印度洋偶极子模态[3]。印度洋偶极子正位相表现为热带西印度洋（10°S～10°N，50°～70°E）的SST正异常（简称西极子），而热带东南印度洋（10°S～0°，90°～110°E）的 SST 负异常（简称东极子），两极子之间SST距平的区域平均之差定义为印度洋偶极子指数（Indian Ocean Dipole（IOD）Mode Index，DMI）。负位相的IOD具有相同的空间模态，但各变量符号和方向相反。IOD的东西向偶极子模态不仅仅表现在SST一个物理量，实际上大气的降雨[4]、大气向外长波辐射、海平面气压、海平面高度[5]、次表层温跃层[6]、海表面盐度[6]等也存在类似的偶极子结构。IOD事件具有显著的季节锁相特征。它一般发生于初夏5-6月，在7-8月的时候迅速发展，秋季9-11月达到鼎盛期[7]，冬季12月迅速消亡。IOD事件的产生和消亡不会跨年[3,8]，翌年夏、秋季节通常会出现反IOD事件[3]。在年际时间尺度上，IOD的周期一般为 3～5 年[9]。

IOD事件的整个过程与热带印度洋的背景场息息相关。以IOD正事件为例，通常在5月、6月，即IOD发展的初期，在热带印度洋夏季风的作用下，苏门答腊-爪哇岛沿岸的东南风加强，边界流引起的Ek-man输运增强，离岸流造成上升流也增强，使得局地的温跃层变浅；当温跃层抬升到一定的深度后，上升流的作用使得苏门答腊-爪哇岛沿岸的SST变冷；东印度洋的SST负异常将进一步加强热带印度洋东西向的SST梯度，SST的梯度反过来导致大气对流向西流动，从而进一步增强苏门答腊-爪哇岛沿岸和赤道印度洋的东风异常，而这个东风异常进一步有利于苏门答腊沿岸的SST变冷，这个过程也称为Bjerknes正反馈[10]，而在接下来的冬季，由于季风转换，背景风场转向，热带东南印度洋的东南风转为西北风，不再利于上升流的产生，从而关闭利于产生IOD事件的时间窗口，使得IOD事件迅速消亡。到目前为止，IOD事件与ENSO的关系存在争议。更多的研究认为，IOD是印度洋海气耦合系统的一个固有模态，既可以由外界激发，也可以当东极附近的温跃层浅到足以激发Bjerknes反馈时由自身产生[11]。因此IOD事件可以分为两类，一类IOD与厄尔尼诺有密切关系，另一类与印度洋局地海气系统紧密联系[12-13]。

在IOD盛期，东西反相的异常变化会迫使大气作相应调整，从而导致印度洋周边地区、南美中部、非洲南端、澳大利亚东南部、东北亚等区域出现气候异常，并使印度季风发生变化[14-16]。IOD还能通过调节亚洲冬季风影响我国多个地区的气温和降雨[17]。因此正确认识IOD的结构特征、触发和演变机制，准确模拟和预报IOD，对提高上述地区的气候预报水平有重要意义。

预报研究可分为评价模式实际预报技巧和估算潜在可预报性两部分[18]。相较于ENSO预报，关于IOD的实际预报及可预报分析都相对较少。实际预报技巧方面，如果以观测和预报之间相关系数达到0.5作为有效预报的标准，则IOD西极SST距平的预报时效通常为6～9个月，而东极的预报时效为5～6个月。至于DMI的预报时效仅有3～4个月，少数的强IOD事件的预报时效可以达到6个月左右[19-21]。潜在可预报性方面，IOD西极SST距平的潜在预报时效在11个月以上，东极的潜在预报时效也有5～10个月。DMI本身的潜在预报时效也可达6个月以上[7]。

一般来说，不同模式中的预报时效存在很大差异，正确了解这一差异状况、原因及相关的物理动力过程对于我们改善模式及提高预报技巧意义重大。虽已有一些工作利用模式预报产品来分析和研究IOD的预报技巧，但对它系统地进行模式之间的比较还不多见。本文利用最近发布的北美多模式预报产品，分析、比较了不同气候模式的IOD预报技巧，包括实际预报技巧和潜在可预报性。并进一步讨论了模式之间IOD预报技巧差异性的来源。

表 1 NMME中10个模式的介绍Table 1 The introduction of 10 models in NMME

2 数据来源

本文集合预报产品为北美多模式集合（the North American Multi-Model Ensemble，NMME；https://www.cpc.ncep.noaa.gov/products/NMME/）[22]。NMME 包括一系列耦合模式的季节预报产品，其提供下载的模式数据已经经过统一处理，所有数据的水平分辨率都为1°×1°。我们使用了NMME其中10个模式的预报（表1）。下载提供的预报数据是5维的，分别为经度维、纬度维、时间维、不同成员、超前时间。在这个研究中，1个月的超前时间，我们定义为以这个月作为初始时间对下一个月进行的预测。例如，以6月作为初始时间，对7月份进行的预报即为超前时间为1个月的预报，6月它本身的状态是超前时间为0。由于IOD本身预报时效有限，为了统一，我们只关注超前时间为0～6个月的预报。同时我们选择了所有模式都有的1982年1月至2010年12月这一时间段来进行分析。

我们利用Optimum Interpolation SST version 2(OISSTv2)[23]作为观测资料，用于验证海表温度的预测结果。观测数据与模式数据均为月平均数据。

3 计算方法

在本文中，DMI的实际预报技巧使用均方根误差（Root Mean Square Error, RMSE）和距平相关系数（Anomaly Correlation Coefficient, ACC）来衡量，其具体表达为

式中，fi和ai分别表示预报及观测的时间序列，具体来说，在本文中为模式集合平均以及观测值；n表示时间长度；上划线表明时间平均。ACC表明预报与观测之间在位相上的相关性，而RMSE则表明两者之间在幅度上的差异。ACC越大，以及RMSE越小表明预报越好。

除了实际预报技巧，我们也估算潜在可预报性，所用的方法有信噪比和信息熵两种方法。信噪比法将不同初始条件引起的结果差异视为信号的影响，而将初值的微小扰动造成的结果差异视为噪声的作用，比较两者的相对大小来衡量预报对象的潜在可预报性（详见附录）。而信息熵法则用集合预报产品的熵（即混乱程度）来估算潜在可预报性。当不区分初始条件而把所有预报放在一起时，预报结果较为混乱。而同一初始条件所作的预报相互之间一般差别不大，明显更为有序。它们的熵差可以反映出初始条件在预报中的有效性，也就客观度量了上述不可消除的随机误差的大小，用以估算潜在可预报性（详见附录）。

图 1 1982-2010年观测（黑线）和模式预报（红线）的DMI时间序列Fig. 1 Evolution of observed (black) and predicted (red) DMI from 1982 to 2010

4 预报和观测的DMI指数

图1为1982-2010年观测和模式预报的DMI时间序列。由于我们关注季节时间尺度的可预报性，而季节可预报性通常由年际气候变率提供，所以我们将时间序列进行带通滤波处理，以去掉季节内和7年以上频率的信号。可以看到，在提前1～3个月的预报中，多数模式的预报结果和观测非常相似。在29年中强IOD事件基本已预报出来，例如，1994年、1997年以及2006年的正IOD事件，1996年、1998年和2010年的负IOD事件。

其中，CCSM3模式的可预报性较低，观察其时间序列，CCSM3模式可以预报出IOD极端事件，但该模式将正常年份也预报为极端事件。预报效果最好的是GFDL-CM2.5以及GFDL-CM2.1模式，这两个模式都精确描述了强IOD事件发生时DMI的发展。这两个模式都描绘出了1994年、1997年的正IOD事件和1998年、2010年的负IOD事件，但未能正确预报出1996年的负IOD事件。CanCM4模式对1994年和1997年的正IOD极端事件预报效果较好，但也是在1982-1992年期间的很多正常年份预报为负IOD事件。模式对IOD的预报技巧过低有多种原因，包括集合模式成员数较少，或模式未能有效模拟印度洋内部的海气动力过程，或未能正确反映IOD和ENSO的关系等[24]。

与超前时间为1～3个月的DMI时间序列相比，超前时间为4～6个月的DMI时间序列预报效果较差(图2)，与观测值有较大出入。之前预报效果最好的GFDL-CM2.5模式只预报出1997年和2006年的正IOD事件，而错误地遗漏了1994年的IOD极端事件，而另一个表现相对较好的GFDL-CM2.1模式只预报出1997年的正IOD事件。ECHAM-DC模式虽然预报出1994年和1997年正IOD事件，但是明显该模式也将许多正常年份错误预报为IOD年份。CESM1模式可以较好地预报出DMI变化的趋势，却无法准确预报出IOD极端事件。成员数最少的CCSM3模式几乎没有正确地预报出任何的IOD事件。总的来说，在超前时间为4～6个月时，大多数模式无法准确预报IOD事件，这也与前人研究结果一致，NMME中各模式对DMI的总的预报时效大约是3～4个月。

图 2 1982-2010年观测（黑线）和模式预报（红线）的DMI时间序列Fig. 2 Evolution of observed (black) and predicted (red) DMI from 1982 to 2010

5 IOD预报技巧

5.1 实际预报技巧

为了进一步量化各个模式的预报技巧，我们计算了各个模式集合平均和观测之间的RMSE和ACC。图3分别给出DMI以及东、西极子指数在模式中的实际预报技巧，随着预报超前时间的增加，DMI的RMSE和ACC分别增加和减少。东、西极子的预报技巧也呈现类似的规律。若以ACC等于0.5作为有效预报的评判标准，NMME中多数模式对DMI指数的有效预报时效仅有3～4个月。图3也看出东极子与西极子都比偶极子模态本身呈现更高的预报技巧。其中西极子有效预报时效能够达到6个月以上，这可能是由于跟ENSO相关的印度洋海盆模态对此区域影响很大。印度洋海盆模态本身具有的高预报技巧（6个月以上）为西极子区域提供了更高的可预报性[25]。东极子的预报时效相比较西极子较短，NMME中多数气候模式在这一区域有4～5个月的预报时效[26-27]。总的来说，西极子的实际预报技巧要比东极子的好，尤其在预报超前时间不断增加时，这个特征更加明显。

在图3中，我们可以看到各个模式之间的实际预报技巧也存在明显差异。对DMI，预报表现最好的是GFDL-CM2.1以及GFDL-CM2.5模式，其有效预报时效能够达到4个月，而最差的CCSM3模式预报时效仅有2个月；而ECHAM-DC模式中DMI指数在超前时间为6个月时的RMSE超过0.67，而CCSM4模式仅有0.56左右。这说明关于DMI的预报，无论是幅度还是位相上，各个模式的差别都很明显。通过比较东、西极子指数，我们可以看到西极子的实际预报技巧，无论是RMSE和ACC，随着超前时间的增加，各模式之间差异不大，稳定性较好；而东极子，各模式的预报技巧差异较大，反映出不同模式之间IOD预报技巧的差别可能更多的是来自东极区域预报技巧的差别。

一般来说，不同模式中预报技巧的差异可能来源于模式物理过程、初始化方法以及模式集合成员个数的差异。为了减少这些不确定性的影响，我们也计算了多模式集合（Multi-model Ensemble, MME）的实际预报技巧（图3黑线）。由于单个模式中一些物理过程的缺失可以通过多模式方法相互抵消，多模式集合作为一种减少模式不确定性的方法，被广泛运用于天气预报和季节性气候预测[28-29]。我们可以看到MME比单个模式的预报效果要好很多。RMSE图中MME的值要低于单个模式，而MME关于DMI以及东、西极子的ACC都超过了所有的单个模式。

图 3 NMME 中 10 个模式和多模式集合（MEE）对印度洋偶极子指数（a，b）、西极子（c，d）和东极子（e，f）的模式预报与观测之间的均方根误差以及距平相关系数Fig. 3 The root mean square error and anomaly correlation coefficient for the DMI (a, b), the west pole (c, d), and the east pole (e, f) for the 10 models in the NMME and the MME

5.2 潜在可预报性

潜在可预报性（又称潜在预报技巧）的研究是基于完美模式假设：假设模式是完美的，不存在模式误差，并且集合成员的离散度足够大，包含了所有可能的不确定性。潜在可预报性代表了模式可以达到的最理想的预报水平。深入考察分析潜在可预报性，了解提高预报能力的空间有多大，才能在发展预报系统、设计预报目标、选择可预报性时限等方面有坚实的科学指导和理论基础。

具体来说，对于DMI的潜在可预报性，我们采用信噪比法和信息熵法来进行研究（图4）。根据两种方法的结果可以看出，潜在可预报性随着预报超前时间增加而降低。这也是短期预报效果比长期预报好的原因。我们也可以看出两种方法得到的CFSv2模式的潜在可预报性最低，即模式预报技巧的上限最低。对比前面讨论的实际预报技巧，发现CFSv2模式的实际预报技巧的确不高。然而，潜在可预报性和实际预报技巧也不总是有这样的对应关系，比如CCSM3模式，它的潜在可预报性很高但实际很差，这说明CCSM3模式的误差很大，有很大的提升空间。多模式集合平均的潜在可预报性位于10个主要模式的平均水平。另外，我们可以看到各个模式的潜在可预报性也存在很大的差别。

由图4可以发现，信噪比和信息熵两种方法计算的潜在相关系数与互信息距平相关系数在短时间内的区别并不是很明显，但是随着时间发展，二者的区别越来越大，考察这种区别是如何造成的也是有意义的。正如附录所提到的，信息熵考虑了预报集合平均与集合样本（“假定观测”）之间的统计关系，包含线性和非线性的关系，而信噪比框架下的潜在可预报性只考虑它们之间的线性关系。如果预报集合平均、假定观测满足联合正态分布，那么它们之间统计关系只包含线性关系，两种方法计算所得到的结果没有区别，反之，信息熵计算得到的潜在可预报性将高于信噪比的计算结果。由于信噪比方法得到的潜在相关系数忽略了集合平均预报与集合成员的非线性统计关系，因此信息熵方法得到的互信息距平相关系数更接近真实的潜在可预报性。

图 4 NMME中10个模式和多模式集合的潜在可预报性Fig. 4 The DMI potential predictability of 10 models in NMME and MME

6 模式之间预报技巧差异的可能原因

6.1 实际预报技巧的差异

模式误差和初始误差对预报技巧都有显著影响，集合成员数也对预报技巧有影响，为考察它的影响，我们进行了Bootstrap试验[30]，即每次在每个模式中抽取6个成员数，连续进行10次，得到6个成员的每次预报技巧和它们的平均（图5）。从图5中可以看出，所有集合成员平均的ACC值（蓝实线）一般都要稍微高于6个成员的ACC平均值（黑实线），但差别不是特别明显。说明不同模式预报技巧的差别主要还是由于模式和初始误差造成的，集合成员数的差异影响较小。

6.2 潜在可预报性的差异

图 5 集合成员数对模式实际预报技巧的影响Fig. 5 The influences of ensemble members on the actual prediction skills

潜在可预报性给出了不同模式的可预报性的上限，大气海洋系统的可预报性主要受限于两种因素：一种是因非线性和随机因素造成的影响，这种预报误差和不确定性是耦合系统固有的，客观存在而不可消除；另一种是当前的预报能力，如因耦合过程认识的局限性、模式和观测的不确定性以及计算资源的局限性等造成的预报不确定性，这种限制因素随着预报能力的提高可以减少，甚至消除。潜在可预报性研究正是为了区分这两种预报误差。系统地评价潜在可预报性，客观度量第一种误差，定量估计不同时间尺度气候变率的最大可预报时效是发展模式预报系统的重要理论基础之一。

我们来考察模式潜在可预报性与实际预报技巧的关系。前人工作指出，在预报目标月份为IOD盛期时，关于IOD预报的预报技巧最高，但RMSE反而达到最大，说明对于IOD事件而言，RMSE并不是一个很好的衡量指标[31-32]。所以我们在本文中选择ACC作为实际预报技巧的衡量指标。模式成员与观测之间的相关系数（即ACC）代表实际预报技巧，每个模式成员与集合平均的相关系数表示模式各个成员的潜在可预报性。需要说明的是，此文中选取了超前时间0～6个月的ACC平均值（图6），我们也计算了超前时间0～3个月的ACC平均值，不过最后结果相似。因为CCSM3模式的实际预报技巧不够好，我们剔除了CCSM3模式。在图6中，虽然单个模式间两者关系存在差别，但就多模式集合而言二者基本呈线性关系，线性相关系数为0.75，通过了95%的信度检验（t检验），表明在潜在可预报性较大的模式中，其对应的实际预报技巧也较大。这可能是由于模式的潜在可预报性高表明模式能够更好地解析可预报性信号，而这个信号另一方面又能贡献实际预报技巧，所以潜在可预报性与实际预报技巧出现一致。

从图6中可以看出，同一模式的数据点一般聚集在一起成片出现，不同模式间的线性关系不同。例如，模式CanCM3和CanCM4的数据点基本分布在两条平行的直线周围，模式ECHAM-AC和ECHAM-DC的数据点内部的线性关系大致相等，而GFDL-CM2.1和GFDL-CM2.5模式的内部线性关系也相似。图中有些模式呈横向分布，例如GFDL-CM2.1和ECHAMDC模式，这两个模式不同数据点的潜在可预报性变化不大，说明同一个模式的预报上限基本稳定，但是不同成员间实际预报技巧变化范围很大。造成这种结果的原因可能是模式未能有效模拟印度洋内部的海气动力过程，或未能正确反映IOD和ENSO的关系等。斜线顶端的CanCM4模式代表高潜在预报技巧和高实际预报技巧，而在一定意义上底端的CFSv2模式代表低潜在预报技巧和低实际预报技巧。不同模式内部的线性关系（斜率）存在差异，可能是由于模式本身的物理过程的差异性导致。分析不同模式内部线性关系时，因为代表不同成员的数据点太少，所以计算结果存在较大不确定性，只有部分模式内数据点具有显著的线性关系。

图 6 NMME中去除CCSM3模式后剩余的模式成员关于IOD的实际预报技巧和潜在可预报性的散点图Fig. 6 Scatterplot of the actual prediction skills against potential predictability (PCORR) of the DMI (without CCSM3)

7 ENSO/IOD关系对于IOD预报的影响

一些研究表明ENSO能够显著影响IOD的变率，我们考察了不同模式中IOD强度及ENSO强度的模拟对于IOD实际预报技巧的影响，发现它们没有显著的联系。这说明IOD和ENSO变率的强度不是影响模式IOD实际预报技巧好坏的主要因素。但另一方面，我们发现模式中ENSO/IOD关系的模拟对于实际预报技巧影响明显。图7是ENSO/IOD关系和预报技巧的散点图，技巧由每个模式的每个成员来计算。总体上，实际预报技巧与ENSO和IOD二者关系呈现显著正相关，相关系数约为0.3，通过了95%的信度检验（t检验）。这说明模式如能正确反映ENSO与IOD的关系，有利于提高模式的实际预报技巧。

为了进一步理解ENSO/IOD关系影响IOD预报技巧的物理过程，根据前文结论，我们挑选出不同的两对模式：一对是预报技巧较低且ENSO/IOD关系均较弱的模式 CCSM3 和 ECHAM-AC（图 8a，图 9a）；另一对是预报技巧较高且ENSO/IOD关系均较强的模式 GFDL-CM2.1 和 GFDL-CM2.5（图 8b，图 9b）。图 8和图9显示了两对模式的降水异常和SSTA对Niño3.4指数同期回归系数的空间分布。我们取IOD的盛期即9-11月，图中所有颜色区域均通过了信度检验。

众所周知，在将ENSO信号从太平洋传输到印度洋的过程中，沃克环流起着重要的作用[1,33]。在海洋性大陆和西太平洋的降水通常由沃克环流的上升支产生，可以用于衡量西太平洋对ENSO事件的响应[34-35]。图8显示了分别在两对模式中，海洋性大陆上的降水响应在El Niño期间受到抑制。这两对模式降水响应差异最大的区域在西太平洋。在强ENSO/IOD关系的模式中，西太平洋的降水响应在秋季被显著抑制，说明大气对El Niño的响应为沃克环流上升支被强烈抑制。在秋季，IOD预报好的模式比预报差的模式主要表现差异为：热带中东太平洋区域产生上升的环流异常，降水增加，但是前者模拟的正的降水异常更强；东印度洋和西太平洋区域产生下沉的环流异常支，降水减少，不过前者对应东印度洋和我国南海降水异常减少更加明显（图8）。说明在IOD预报效果更好的模式中，热带太平洋对于热带印度洋经由环流产生更加明显的作用，这些特征也反映出ENSO对IOD预报技巧存在影响。

图 7 所有模式成员IOD的实际预报技巧以及ENSO/IOD关系的散点图Fig. 7 Scatterplot of the DMI actual prediction skills at lead time 0-6 months against the strength of ENSO/IOD link

图 8 IOD预报时效最短（CCSM3/ECHAM-AC, a）及最长（GFDL-CM2.1/GFDL-CM2.5，b）的两对模式降水异常与Niño 3.4指数的同期回归系数（9-11月）Fig. 8 The regression patterns for the total precipitation anomaly (mm/d) onto the Niño3.4 index during Sptember to November in the worst performance models (CCSM3/ECHAM-AC, a) and the best performance models (GFDL-CM2.1/GFDL-CM2.5, b)

图9是SST异常对Niño3.4指数同期回归系数的空间分布。从图9可看出El Niño的变化会很大地影响印度洋，Niño3.4区域海表面温度异常平均每升高1℃，印度洋东南部SSTA降低0.5℃，这与赤道东印度洋东风异常下产生的离岸流造成下层冷海水上涌的原理一致。在Gill型响应的框架下[36]，低层大气将在海洋性大陆上空形成一个反气旋，进一步地加强中赤道印度洋响应出的东风异常，导致东南印度洋温跃层上翻。在北半球秋季，这一上翻的温跃层能够造成东南印度洋海表温度变冷，增强了东西温度梯度，有利于IOD事件发展到成熟位相。在南海区域，IOD预报好的模式比预报差的模式受ENSO影响更大，ENSO/IOD关系更强的模式中南海随Niño3.4区域平均海表面温度异常升高1℃而降低0.2℃。前人研究也表明，正是ENSO所引起的预报信号影响IOD事件的可预报性[37]。而能够将这一影响过程模拟较好的模式也能够较好地预报IOD事件。

图 9 IOD 预报时效最短（CCSM3/ECHAM-AC，a）及最长（GFDL-CM2.1/GFDL-CM2.5，b）的两对模式 SSTA与Niño3.4指数的同期回归系数（9-11月）Fig. 9 The regression patterns for SSTA onto the Niño3.4 index during Sptember to November in the worst performance models(CCSM3/ECHAM-AC, a) and the best performance models (GFDL-CM2.1/GFDL-CM2.5, b)

8 结论与展望

本文采用NMME中1982-2010年的SST和降水预报产品，诊断了IOD的实际预报技巧和潜在可预报性，并分析了各模式中预报技巧差异的原因。

NMME中多数模式中，DMI指数的有效预报时效仅有3～4个月，东极子与西极子比偶极子模态本身呈现更高的可预报性，各模式之间的实际预报技巧存在明显差异。关于DMI指数，预报表现最好的GFDL-CM2.1以及GFDL-CM2.5模式的有效预报时效能够达到4个月，而最差的CCSM3模式仅有2个月。通过比较东、西极子指数，我们可以看到西极子的实际预报技巧，随着超前时间的增加，RMSE和ACC变化都不大，而不同模式的实际预报技巧在东一极差异较大，说明不同模式IOD可预报性中东一极区域的海气物理过程值得特别的关注。模式的潜在可预报性与实际预报技巧基本呈线性关系，线性相关系数为0.75，通过了显著性水平为95%的显著性检验，表明在潜在可预报性较大的模式集合中，通常其对应的实际预报技巧也较大。

我们分析了对IOD实际预报技巧有重要影响的因素，排除了ENSO强度、IOD强度这两个因素的贡献，发现ENSO与IOD之间的关系的模拟能力显著影响模式的实际预报技巧的好坏。而这与IOD现象发生时赤道印度洋产生东风异常的机制紧密相关。El Niño事件发生时会通过大气的沃克环流在西太平洋产生下沉异常支，从而抑制降水，并在南海出现冷异常，产生反气旋异常，进一步在赤道印度洋产生东风异常，造成该区域上升流增强，使得局地的温跃层变浅。当温跃层抬升到一定的深度后，上升流的作用使得苏门答腊-爪哇岛沿岸的SST变冷；东印度洋的SST负异常将进一步加强热带印度洋东西向的SST梯度，SST的梯度反过来导致大气对流向西流动，从而进一步增强苏门答腊-爪哇岛沿岸和赤道印度洋的东风异常，而这个东风异常进一步有利于苏门答腊沿岸的SST变冷，形成Bjerknes正反馈过程。所以，更好地描述ENSO和IOD事件之间的物理关系的信号更具可预报性，预报时效也更长。最后我们使用两对模式的降水异常和SSTA对其相应Niño3.4指数进行回归分析的方法，验证出模式对IOD预报能力受到ENSO提供的预报信号的影响，能够更好模拟ENSO影响的模式通常关于IOD事件的预报技巧也更高。需要说明的是，ENSO/IOD关系是一个复杂的非线性物理过程，仍存在其他可以有效提高IOD预报技巧的因素，这有待之后进一步地探索和研究。

分析制约预报技巧背后的物理机制对提高预报准确率，改善模式有着重要的现实意义。本文的结论表示，通过改进ENSO对IOD的影响这一重要的物理过程，特别是与之相关的大气环流、风场变化以及热带印度洋区域的温跃层反应，能够有效提高IOD事件的预报能力。

附录

1 信噪比法

前提假设模式是完美的，即模式值与观测值一致，没有误差。