长江流域年降水预测动力-统计降尺度方法及其应用

杨雅薇,陈丽娟,沈秉璐

摘要 基于站点资料、再分析数据和动力气候模式回报数据，利用经验正交函数分解（EOF，Empirical Orthogonal Function）迭代和年际增量方法，探讨了长江流域年尺度降水异常的动力-统计降尺度预测方法及其应用效果。结果表明，基于再分析数据的年尺度环流场，建立的长江流域年尺度降水异常增量的统计降尺度预测方案，其26 a回报检验的距平相关系数（ACC）平均达0.6，证明该方案具有较高的可预报性。进一步利用模式预测的年尺度环流场，建立了年降水异常增量的动力-统计降尺度预测方案，其ACC平均为0.42，显示了较高的回报技巧，远优于模式直接输出的年降水动力预报结果。通过分析调制年降水预报技巧高低的因素发现，赤道中东太平洋年平均海温距平为负值时，预报技巧更高，ACC平均达0.5以上。在拉尼娜发展年或拉尼娜持续年的冷水背景下，利用EOF迭代选取的特征向量偏多时，多尺度的大气环流信息被纳入预测模型中作为预测信号，预测技巧得到了提高。

关键词 年降水;EOF迭代;年际增量;动力-统计降尺度方法

长江作为亚洲和中国第一大河，流经区域地形复杂，天气气候复杂多变，且是中国最主要的人口居住区和经济产业发达区，旱涝灾害对生产生活的影响很大（Dou et al.，2020;Zhou et al.，2020），因此做好不同时间尺度的天气气候预测对流域防灾减灾和生产规划具有重要意义。在短期气候预测业务中，延伸期、月、季节尺度的降水预测和服务相对比较成熟，年尺度的降水预测一直是空白，而可靠的年降水预测可以为粮食安全、水资源管理和政府决策提供有价值的参考信息（Graham et al.，2011;Chen et al.，2016;Kushnir et al.，2019）。此外，年尺度预测弥补了季节-次季节尺度和年代际尺度预测之间的缝隙（Kushnir et al.，2019），也是国际上“near-term climate prediction”的起始时间尺度，年尺度预测能力的提高有助于建立无缝隙短期气候预测服务，提升气候适应和减缓能力。

年预测是一个比较复杂的过渡尺度，一方面受到海洋、陆面等年际变率的影响，另一方面也受到气候变暖的作用，从而更具有挑战性。在研究工具方面，主要借助于气候系统模式。涉及年尺度预测（Mochizuki et al.，2010;Kim et al.，2012;Chikamoto et al.，2013;Borchert et al.，2018;Liu et al.，2019）的研究，多集中在地表气温和海平面气温的分析。结果显示动力气候模式对气温的预测技巧相对较高，而对降水的预测性能较低（Lin，2007;Stephens et al.，2010）。尽管有研究发现模式对萨赫勒地区降水在年际和多年尺度上具有较好的预报技巧（Bellucci et al.，2015;Sheen et al.，2017;Dunstone et al.，2020;Ward and Conway，2020），但是世界气象组织年际至年代际气候预测中心（WMO Lead Centre for Annual-to-Decadal Climate Prediction）发布的2021—2025年预测中（https：//hadleyserver.metoffice.gov.uk/wmolc/），其基于CMIP5的多模式初始化的回报评估显示我国长江流域降水的预测性能不能令人满意。大量学者在长江流域的旱涝特征、影响系统、预测模型方面进行了尝试（周波涛，2011;王黎娟等，2014;张璟等，2014;朱连华等，2015;江志红等，2017;Li et al.，2017;宋进波等，2018;詹明月等，2020），取得一系列成果。多数研究以相对于气候态的年际变率作为研究对象，Wang et al.（2000）提出年际增量思想，即将预报对象由相对于气候态的偏差转变为年际变化信息，从而放大了年际异常信号而过滤掉其他更长时间尺度信息的干扰。范可等（2007）首先将此方法应用于长江流域中下游夏季降水预测，在东亚夏季风（Fan et al.，2012）、冬季北大西洋涛动（Fan et al.，2016）、北方春季沙尘频数（Ji and Fan，2019）、长江流域夏季极端降水频率（Tian and Fan，2019）、中国冬季地面气温（Dai and Fan，2020）等方面均取得了较好的预测效果。

水文和工程部门一般采用统计方法和机器学习方法进行年降水量的预测，包括经验模态分解（Empirical Mode Decomposition）、小波变换（Wavelet Transform）、神经元网络（Neural Network）等以及在其基础之上发展的算法（Qin et al.，2017;Iliopoulou et al.，2018;Song and Chen，2021）。这些方法将预报对象的历史观测序列进行分解，得到不同时间尺度的变化趋势，建立回归方程，对未来降水量进行预测。其在区域平均降水的量级预测上有一定的预报技巧，但缺乏降水异常分布的预测信息。

降尺度方法是气象学中常用的预测方法，有统计降尺度、动力降尺度、动力-统计相结合的降尺度（陈丽娟等，2003;Chen et al.，2006;顾伟宗等，2012）。统计降尺度方法一般是利用大尺度预报因子（环流、海温等）与历史观测的气象要素（预报对象）之间建立统计关系，利用该统计关系进行气象要素的预报（Maraun and Widmann，2017）。早期多用前期再分析资料的环流或海温等作为预报因子，随着气候模式的发展，模式预报性能大幅提高，尤其是环流和海温预测技巧远高于降水（Goddard et al.，2001;Zhu et al.，2008;Zhang and Zhou，2015），利用模式预测的环流和海温作为预报因子的研究工作越来越多，发展成动力-统计相结合的预测方法（Lang and Wang 2010;Chen et al.，2012;Fang et al.，2017）。常规的统计降尺度方法有经验正交函数分解迭代（Empirical Orthogonal Function，简称EOF）（Zhang et al.，1993）、奇异值分解（Singular Value Decomposition，简称SVD）（Widmann et al.，2003;Zhu et al.，2008;Liu and Li，2014）、多元线性回归（multiple linear regression-MLR）（Guo et al.，2014）、支持向量机（support vector machine-SVM）（Goly et al.，2014）等，这些研究多用于月、季尺度预测，可有效提高预报技巧。Cheng et al.（2021）利用美国国家海洋和大气管理局扩展重建的地表海温资料（NOAA Extended Reconstructed SSTv5），選取厄尔尼诺-南方涛动指数（El Nio-Southern Oscillation circulation，简称ENSO）和太平洋年代际涛动指数（Pacific Decadal Oscillation，简称PDO）建立多元线性回归模型，开展对加利福尼亚的年降水预测研究。Choudhury et al.（2019）利用CMIP5的多模式初始化预报的海温作为预报因子，将季节降水预测的统计降尺度方法应用于澳大利亚的年降水预测，显示出动力信息和统计降尺度方法相结合较模式直接预测降水有了较大改进。已有研究表明利用降尺度方法研究年降水预测具有可行性。

基于上述已有研究和长江流域气候的复杂性，本文拟利用经验正交分解迭代方法（EOF iteration）和年际增量的思想变换预报对象，基于动力气候模式高技巧的环流预测信息开展我国长江流域的年降水异常预测方法研究和应用。

1 资料和方法

1.1 资料

本文的预报区域为长江流域，年降水量资料来源于国家气象信息中心1991—2020年的672个无缺测记录的气象观测站，站点分布如图1所示。

动力气候模式数据来源于国家气候中心BCC_CSM1.1 m的回报和预报数据（Wu et al.，2014，2019），大气分辨率为T106L26，该模式系统基于滞后平均和奇异向量扰动完成多样本的集合预报作业，每月提供24个成员未来13个月的预测。基于该模式，已经有较多的研究工作（Zhang et al.，2016;Gong et al.，2018;Wang et al.，2019;Wei et al.，2019），分别显示模式对夏季亚洲太平洋涛动、我国夏季平均降水的前两个主要模态、北亚夏季降水及其主导模态和我国极端降水的空间特征方面具有预报技巧。该模式每个月输出未来13个月的预测，从而为开展年尺度预测提供改了条件。文中使用BCC_CSM1.1 m每年12月起报的下一年度1—12月的全年预测数据，对年尺度预测而言，超前时间为一个月。

用于与模式结果做对比的再分析数据来源于欧洲中期天气预报中心（ECMWF）发布的ERA-interim的全球再分析数据（https：//rda.ucar.edu/#！lfd？nb=y&b=proj&v=ECMWF%20Interim%20Reanalysis），分辨率为0.75°×0.75°，其空间分辨率与BCC_CSM1.1 m（约110 km）接近，适宜作对比分析。

本文研究的所有资料按照时间分为两段：第一段为1992—2017年，对样本进行回报交叉检验;第二段为2018—2020年，开展独立样本预报试验。

1.2 预测方法

1.2.1 经验正交函数分解迭代

经验正交函数分解迭代（Empirical Orthogonal Function iteration，简称EOF迭代）方法由经验正交分解发展而来，在不连续资料的重建方面有较多应用，如：卫星资料的不连续数据的插补（Zhang et al.，2007）、多种遥感潜热数据的融合（Feng et al.，2016）、GPS坐标时间间隔的重建（Xu，2016）等。张邦林等（1991）首先将此方法应用于中国夏季降水预测，利用前期冬春季北半球500 hPa环流作为预报因子，显示出一定的预报能力。应用于ENSO预测时（Zhang et al.，1993），提前24 mon的预报效果较好，具有较长的预报时效。还有其他在季节预测中使用该方法（段旭等，2001;艾秀等，2008;沈愈，2008;池俊成和史印山，2009）的研究，均取得较好效果。然而，已有研究的预报对象多为月、季尺度，如预报对象为年降水，其特征向量的选择和不同的累积方差对年尺度的预报技巧的影响，都需要进一步研究。

1.2.2 年际增量策略

根据年际增量策略（year-to-year increment method or the Difference between Years，简称DY），本文将长江流域年降水作为预报对象，预报因子和预报对象均进行年际增量（DY）变换，采用EOF迭代对1992—2017年进行回报，一方面考察大尺度环流对长江流域年降水的解释能力，另一方面分析BCC_CSM1.1 m模式的环流经DY-EOF降尺度之后对降水的预报能力。然后进行2018—2020年长江流域年降水的预测试验，并对技巧高低调制因素进行分析。使用气象常用的四种检验方法，分别为空间距平相关系数（ACC）、时间距平相关系数（TCC）、均方根误差（RMSE）和两组结果均方根误差之比（RATIO）（公式略）。ACC和TCC为-1～1，越接近于1，预报技巧越高。RMSE越小，预报误差越小。RATIO接近于1，则预报的量级接近于观测。

1.2.3 试验方案设计

设定预报因子为大尺度环流场，共针对两种数据进行EOF迭代的统计降尺度试验，预报对象均为长江流域年降水的年际增量百分率，预报因子为500和200 hPa高度场年际增量。试验方案设计为：1）利用1992—2017年欧洲中期天气预报中心（ECMWF）的ERA-interim的全球再分析数据500和200 hPa环流场完成可预报性分析试验，简称为DY_EC。2）利用1992—2020年BCC-CSM1.1 m回报的500和200 hPa环流场完成降尺度预报试验，简称为DY_CSM1.1 m。3）同时为了比较两种试验相对于模式直接输出年降水的预报技巧，将1992—2020年BCC-CSM1.1 m模式原始预报年降水年际增量百分率插值到长江流域站点对比分析，简称为DYM_CSM1.1 m。其中选取1992—2017年作为回报检验时段，2018—2020年作为独立预报时段，试验方案设计见表1。具体做法如下：

1）将DY_EC和DY_CSM1.1 m试验中500和200 hPa环流场处理为年际增量，作为预报因子，将长江流域气象站年降水转换为年際增量百分率，作为预报对象;将DYM_CSM1.1 m试验中BCC_CSM1.1 m模式直接预报的年降水量转换为年际增量百分率，插值至长江流域气象站点，获得气象站的模式降水年际增量预报。

2）预报因子和预报对象均进行标准化处理后，在DY_EC和DY_CSM1.1m方案中采用EOF迭代方法进行1992—2017年交叉回报，得到降水年际增量百分率的回报结果，利用ACC、TCC、RMSE检验，并绘制Taylor图对比分析。

3）将DY_EC、DY_CSM1.1 m和DYM_CSM1.1 m方案中的年际增量百分率转换为常年降水距平百分率，对应的方案简称DC_EC、DC_CSM1.1 m和DCM_CSM1.1m（DC代表常年距平百分率），同样进行ACC、RMSE检验，并进行对比分析。

2 可预报性分析和模式模拟性能评估

由于年际预测的时间尺度较长，全年的环流平均异常幅度较季节平均减弱，标准差可表现出大气较强的活动中心。图2为1992—2017年ERA-interim的全球500和200 hPa年际增量的标准差分布，可以看出，南北半球的高纬度地区标准差较中低纬地区偏高很多，尤其是200 hPa北半球北美-格陵兰岛、乌拉尔山-新地岛、阿留申群岛及南半球接近南极洲一带，而这些地区正是南北半球的永久或半永久性大气活动中心，年际振荡特征明显，在进行EOF正交分解时更容易获取其主要特征。

图3为BCC_CSM1.1 m与ERA-interim再分析资料的500和200 hPa的TCC分布，可见，BCC_CSM1.1 m在热带和副热带地区TCC达0.6以上，在北半球高纬的北美、乌拉尔山地区TCC达0.4以上，尤其是在北美地区达0.6～0.8。南半球中纬度马斯克林群岛TCC达到0.4以上，这是马斯克林高压活跃区;高纬45°～70°S一带也有高相关带，这一带处于南极涛动AAO的影响区域。为分析这些区域是否对长江流域降水有所影响，按照表2选取四个高相关区，分别定义为NA、UM、MH和SA。其中NA为北美地区极涡高发区，UM为乌拉尔山阻塞高发区，这两个地区气压异常通过西风带罗斯贝波的传导作用引发欧亚地区的气候异常（Luo et al.，2017;Yao et al.，2017）。南半球马斯克林高压通过调制索马里低空急流和西北太平洋的副热带高压影响到中国夏季降水（Xue et al.，2003）。SA正处于南极涛动AAO的影响区域，可能通过遥相关作用影响到北半球的大气环流。

从ERA-interim中提取4个区域500 hPa年际增量与长江流域区域平均年降水的年际增量进行相关分析，均存在明显的高相关（表3），相关系数通过了置信度为90%的显著性检验。NA、UM和MH区域500 hPa气压的正（负）增量会导致长江流域年降水的正（负）年际增量，SA的影响与此相反（图略），同时年平均AAO与NA的相关性达到0.46（图4;AAO指数数据来源于美国NCAR的网站，https：//www.cpc.ncep.noaa.gov/products/precip/CWlink/daily_ao_index/aao/aao.shtml）。Tachibana et al.（2018）研究认为，平流层的经向环流导致了南极涛动AAO和北极涛动AO的同步性。Lang and Wang（2010）利用南半球AAO作为预报因子之一，则长江流域南部降水的预测性能相对于模式本身有了较大提高。这表明除了北半球，南半球的大气异常会通过遥相关作用对长江流域夏季降水产生影响，故而在统计降尺度模型研发时，选择全球范围的预测因子有利于对长江流域年降水影响系统的刻画更全面。

3 结果分析

3.1 交叉样本回报和独立样本预报检验

EOF迭代方法中，截断解释方差为前若干个特

征向量的特征值与所有特征值之和的比值，其设定决定了预报建模选取的不同特征向量（即主成分）个数。一般基于EOF的分析研究仅选择前几个主成分进行分析。艾秀等（2008）的研究表明不同年份选取不同主成分个数时，预报效果不同。沈愈（2008）针对华东梅汛期的试验表明迭代次数和奇异值随着截断解释方差的增加而增加，但预报技巧在选取81%～84%截断解释方差时最高。由于EOF分析方法可能会丢失小尺度的信息，因此对EOF迭代的截断解释方差采用逐步递增的设计，以进一步分析其对预报效果的影响。

DY_EC和DY_CSM1.1 m试验中，为了更全面试验不同截断解释方差对回报效果的影响，设定EOF迭代中截断解释方差在40%～98%之间，由低到高按照2%递增，特征向量个数也依次逐步增多。针对每一个截断解释方差进行历史回报，1992—2017年长江流域降水年际增量百分率的历史回报结果显示，两种试验完成迭代的最高主成分个数不同（表4、表5）。DY_EC特征向量個数最高可取到18，截断解释方差达到98.4%;DY_CSM1.1 m特征向量个数最高可取到16，截断解释方差达到98.1%。

由图5的ACC结果看，随着特征向量个数的增加先增加后下降，在特征向量个数增加到最大时，下降至最低。RATIO随着主成分个数的增加而增加，在DY_EC和DY_CSM1.1 m中越来越趋近于1，这表明特征向量个数偏少时，预报的量级较小，与实况有较大差距，而随着特征向量数的增加，预报量级开始增加，与实况越来越接近。但经转换为常年距平后，叠加了上一年度的雨量，DC_EC和DC_CSM1.1 m的量级会偏大，越来越远离1。由上述分析可得，截断解释方差达98%左右时，特征向量个数取到最大，预报技巧最高。将DY_EC、DY_CSM1.1 m转换为常年距平DC_EC、DC_CSM1.1 m后，两者的26 a回报ACC平均分别为0.4和0.28，仍具有可预报性，但由于叠加了上一年的值，上一年如出现异常偏多或偏少情况，将会导致DC_EC和DC_CSM1.1 m的ACC评分有所下降。

图6为选取最优截断解释方差时，不同试验1992—2017年逐年回报的ACC评分序列，对于不同试验方案，DY的预报技巧高于DC，而DY_EC预报技巧最高，ACC平均达0.6，DY_CSM1.1 m的ACC平均为0.42，接近于DY_EC。这表明基于再分析数据的500 hPa和200 hPa环流进行统计降尺度时，可以解释长江流域的降水异常，具有较高的可预报性。由此基于气候模式的环流预报研发降尺度方案可行，从DY_CSM1.1 m的试验也可以看出，降尺度年降水预报技巧远高于模式直接输出的年降水预报。

按照国家气候中心气候业务评分标准《月、季气候趋势预测业务产品检验方法—趋势异常综合（Ps）检验》将降水气候趋势预测标准分为6级（表6），其中偏少、偏多的级别定义为一级异常，特多、特少的级别定义为二级异常，将不同特征向量的1992—2017年逐年回报的站点划分为这6个等级，得到降水不同异常级别的预测正确站点数，并计算26 a平均。随着主成分个数的增加，两种试验趋势预测正确的站点数同步增加，其中一级异常和二级异常的正确站数增加明显，说明随着截断解释方差的增加，预报技巧增加，且预报极端事件的可能性提高，这与RATIO的分析结论一致（图7）。

图8为选取最高截断解释方差的不同试验的泰勒图，可见，DY_EC的回报技巧很高，1992—2017年的回报试验中，仅有一年（2003年）的ACC小于0.3，22 a ACC为0.50～0.86，这表明利用200和500 hPa作为预报因子，对长江流域的年降水具有较好的预报技巧，该方案显示了对年降水的可预报性上限。DY_CSM1.1 m的回报效果虽然低于DY_EC，但仍有20 a ACC达到0.3以上，12 a ACC为0.5～0.84，远高于模式直接的年降水预测，这表明基于BCC_CSM1.1 m的200和500 hPa作为预报因子，进行长江流域的年降水预测是可行的。

图9为选取最高截断解释方差98%的1992—2017年的回报的TCC分布，可见，DY_EC在全流域的站点回报中，大部分站点的TCC通过了置信度为95%的显著性检验，80%的站点TCC达0.4以上（通过了置信度为95%的显著性检验）。DY_CSM1.1 m的TCC评分有所逊色，但有55%的站点TCC达到0.4以上，尤其是在长江上游、中游的支流和下游预报技巧较高，但在中游干流区预报技巧较低，这一区域也是逊色于DY_EC的最明显区域。

按照前述回报试验结果，对2018—2020年进行独立样本预报检验，预报对象为年降水年际增量百分率，再转换为常年距平百分率。选取16个特征向量2018—2020年的预报和实况结果（图10），这三年DC-CSM1.1 m的ACC评分分别为0.14、0.07、0.50，同期DCM-CSM1.1 m的评分分別为-0.01、0.21、0.02，而DY-CSM1.1 m的ACC评分分别为0.34、0.39和0.69，DY-CSM1.1 m的预报技巧高于DC-CSM1.1 m的预报技巧，且除2019年外，2018和2020年均高于模式原始预测。2020年长江流域性大洪水预报效果突出，较模式直接预报降水的技巧提升很多。由此可见，利用DY-EOF方法对长江流域进行年降水的预测在实际业务中是可行的。

3.2 影响年降水预测技巧高低的调制因素——ENSO循环

根据Ren et al.（2018）对ENSO事件的定义，选取中东太平洋Nio3.4区的海表温度SST进行分析（数据来源于美国NCEP/NCAR，网址为https：//psl.noaa.gov/data/climateindices/list/），将DY-CSM1.1 m预测的年降水的ACC评分与之进行对比分析发现，SSTA为负值的年份共14 a，其中1998—2001、2010—2013、2017、2020年共10 a的ACC评分在0.5以上。具体来看，1998、2010、2020年经历了年初厄尔尼诺衰减到年底拉尼娜事件的发展，而1999、2000、2001、2011、2012、2013、2017年均为拉尼娜持续年，这些年赤道中东太平洋年SSTA均为负值，多处于冷水状态。如图11a所示，BCC_CSM1.1 m的500 hPa环流场年际增量与观测年平均SSTA的ACC评分的相关系数达-0.334（通过了置信度为90%的显著性检验），与SST的年际增量相关系数更高，达-0.439（通过了置信度为95%的显著性检验），这表明在Nio3.4区出现负海温，并较上一年向拉尼娜事件转变时，BCC_CSM1.1 m的环流模拟技巧增加，从而经过降尺度之后进一步提升了年降水的预测技巧。

进一步的研究发现，观测的Nio3.4区SST的年际增量与SA区500 hPa高度场年际增量的相关系数为-0.428（通过了置信度为95%的显著性检验;图11b），与AAO指数的年际增量的相关关系为-0.333（通过了置信度为90%的显著性检验;图略），这表明中东太平洋地区SST与SA区500 hPa高度场和南半球南方涛动存在负反馈机制，即伴随着ENSO事件中冷事件的加剧，后两者正向变化，由前述NA地区高度场与AAO和UM地区高度场的相关关系（图4;相关系数分别为0.46，0.35，通过了置信度为90%的显著性检验）可见，这样的海温背景有利于北美地区和乌拉尔山地区高度场增强，形成阻塞高压现象，易导致经向环流频发。而欧亚地区的阻塞高压为1998、2016年长江流域夏季洪水的主要因素（Li et al.，2017;李崇银等，2019），这种中高纬度地区的经向振荡多为季节内振荡（Sun et al.，2016;Li et al.，2018），因此EOF迭代方案选取更多特征向量时，更容易抓住这些短时间尺度特征对年降水的贡献，从而增加了预测技巧。

进一步分析发现长江流域降水预报高技巧年的降水分布有较大差异，既有以1998、2016、2020年为代表的洪涝年，也有以2011年为代表的干旱年，这表明拉尼娜年长江流域的降水复杂多变，预测难度较大。

对比分析1998、2016和2020年长江流域洪涝年（表7）。DY-CSM1.1 m的98%截断解释方差的ACC评分分别为0.68、0.53和0.69。转换为常年距平后DC-CSM1.1m的ACC评分分别为0.3、0.81和0.5，而同期DCM-CSM1.1 m的评分分别为-0.09、0.63和0.02，由此可见，年际增量和EOF迭代相结合的方案可以预报出长江流域的流域性洪涝现象（图略）。此外，年际增量的预报经转换为常年距平时，受到上一年降水量的影响较大，如果上一年降水分布型与预测当年雨型分布相似时，如1998和1997年，会增加预测技巧;雨型分布相反，如2016和2015年，会降低预测技巧，即年际变化异常相反的年份会降低年际增量的预测效果。

对比分析2011年长江流域干旱年，从表7中可见，DYM-CSM1.1 m和DY-CSM1.1 m的ACC评分都在0.5以上，但由于DYM-CSM1.1 m预测的量级偏低（图略），上一年2010年的降水量值转换为常年距平百分率时，ACC评分大幅下降，变为-0.07;而DY-CSM1.1m预测量级更为接近实况，经转换后评分未有大幅下降。

将ACC评分在0.3以下的年份挑出共有5 a，其中1994、2005、2014和2015年共4 a的年平均SSTA为正值，将这些年份的不同特征向量的评分结果进行对比，发现并没有随着特征向量的增加而有较为稳步的提升，且500 hPa环流年际增量的ACC评分多为负值（图11），说明这些年份BCC_CSM1.1 m模式对环流特征预测技巧低，从而导致对降水的降尺度效果不佳。

4 结论与讨论

用DY-EOF方法，分别基于再分析资料和BCC_CSM1.1 m大气环流的回报结果，建立环流年平均与我国长江流域年降水异常的降尺度预测模型，通过交叉检验回报，显示我国长江流域年降水异常具有可预报性，揭示DY-EOF方法有利于提高长江流域的年降水量的预报性能。主要结论如下：

1）DY-EOF方法中截断解释方差值的设定决定了预报性能，随着解释方差的增加，预报性能随之增加，且对强旱涝事件的预报能力提高。这表明年际增量的方法会放大异常信号，当截断解释方差设为98%，特征向量的个数选择最多时，可得到最佳预测模型。

2）基于再分析资料200和500 hPa环流场获得的大尺度预报因子，通过DY-EOF方法可以较好地解释长江流域年降水异常，最佳模型中年际增量百分率的评估显示ACC平均达0.60，转换为常年距平百分率时，ACC仍可达0.40，表明年际增量可以作为预报对象，成为常年距平预报的补充。

3）由于BCC_CSM1.1 m模式对200和500 hPa高度场的年际增量模拟性能较好，将预报因子换为BCC_CSM1.1 m的200和500 hPa高度场之后，基于DY-EOF方法的动力-统计相结合降尺度预测模型对长江流域年降水同样具有较好的预报技巧。其交叉检验的回报低于DY_EC，但最佳模型中年际增量百分率的ACC平均達0.42，经转换为常年距平百分率后，ACC仍可达0.26，2018—2020年的独立预报也显示出较高的预报技巧，具有较好的业务应用价值。

4）赤道中东太平洋SSTA年际变化和平均海温特征对DY-EOF方法的预测技巧有调制作用。在厄尔尼诺转为拉尼娜年或者拉尼娜持续年，中东太平洋年平均SSTA为负值时，年降水预测技巧最高。试验显示在中东太平洋年平均SSTA偏低的年份，利用DY-EOF方法选取的特征向量偏多，最多达16个，可以纳入更多尺度的大气环流信息，从而提高了预测效果。

本文利用DY-EOF方法可以较好地对数值模式的预报产品进行降尺度应用，但在建立预测模型过程中仍存在值得探讨的问题。首先是预报因子的选择，研究发现南北半球的年际大气环流均与长江流域年降水有较强的遥相关关系，且拉尼娜年有更高的预报技巧。依据Dunstone et al.（2020）的研究，ENSO信号对季节-年际尺度的降水预测技巧有明显的调制作用，因此需要进一步分析遥相关的物理机制，筛选高相关因子，和ENSO信号相结合，来改进预报技巧。其次由于年尺度是较长的时间尺度，月-季节内的极端降水过程对年尺度将会产生多大的影响还有待分析。Wang et al.（2021）的研究表明BCC_CSM1.1 m对东亚夏季月降水的预报能力随着预报时效的增加迅速下降后呈现不稳定状态，Liu et al.（2021）指出基于BCC_CSM1.1 m的季节统计降尺度预测具有较高的预测技巧，因此季节降尺度之后再进行年降水异常的综合，将有可能提取出具有较高预报技巧的短时效预测而改善预报效果。此外EOF迭代在异常事件上有较好的预测技巧，因此值得进一步探讨利用此方法将年际异常趋势和极端性相结合开展研究，发展在极端降水事件方面的应用。

参考文献（References）

艾秀，董文杰，张培群，2008.一种基于EOF分析的迭代方法在业务预报中的应用[J].热带气象学报，24（4）：320-326. Ai W X，Dong W J，Zhang P Q，2008.A downscaling method based on the empirical orthogonal function（EOF） and its application in seasonal prediction[J].J Trop Meteor，24（4）：320-326.（in Chinese）.

Bellucci A，Haarsma R，Gualdi S，et al.，2015.An assessment of a multi-model ensemble of decadal climate predictions[J].Clim Dyn，44（9/10）：2787-2806.doi：10.1007/s00382-014-2164-y.

Borchert L F，Müller W A，Baehr J，2018.Atlantic ocean heat transport influences interannual-to-decadal surface temperature predictability in the North Atlantic region[J].J Climate，31（17）：6763-6782.doi：10.1175/jcli-d-17-0734.1.

Chen D L，Achberger C，Risnen J，et al.，2006.Using statistical downscaling to quantify the GCM-related uncertainty in regional climate change scenarios：a case study of Swedish precipitation[J].Adv Atmos Sci，23（1）：54-60.doi：10.1007/s00376-006-0006-5.

Chen H P，Sun J Q，Wang H J，2012.A statistical downscaling model for forecasting summer rainfall in China from DEMETER hindcast datasets[J].Wea Forecasting，27（3）：608-628.doi：10.1175/waf-d-11-00079.1.

陳丽娟，李维京，张培群，等，2003.降尺度技术在月降水预报中的应用[J].应用气象学报，14（6）：648-655. Chen L J，Li W J，Zhang P Q，et al.，2003.Application of a new downscaling model to monthly precipitation forecast[J].J Appl Meteor Sci，14（6）：648-655.doi：10.3969/j.issn.1001-7313.2003.06.002.（in Chinese）.

Chen Y N，Li B F，Li Z，et al.，2016.Water resource formation and conversion and water security in arid region of Northwest China[J].J Geogr Sci，26（7）：939-952.doi：10.1007/s11442-016-1308-x.

Cheng R，Novak L，Schneider T，2021.Predicting the interannual variability of Californias total annual precipitation[J].Geophys Res Lett，48（7）：e2020GL091465.doi：10.1029/2020GL091465.

池俊成，史印山，2009.EOF迭代模型的月动力延伸预报产品释用方法[J].应用气象学报，20（1）：124-128. Chi J C，Shi Y S，2009.Application method of monthly dynamics extended-range forecast based on EOF iteration scheme[J].J Appl Meteor Sci，20（1）：124-128.doi：10.3969/j.issn.1001-7313.2009.01.017.（in Chinese）.

Chikamoto Y，Kimoto M，Ishii M，et al.，2013.An overview of decadal climate predictability in a multi-model ensemble by climate model MIROC[J].Clim Dyn，40（5/6）：1201-1222.doi：10.1007/s00382-012-1351-y.

Choudhury D，Mehrotra R，Sharma A，et al.，2019.Effectiveness of CMIP5 decadal experiments for interannual rainfall prediction over Australia[J].Water Resour Res，55（8）：7400-7418.doi：10.1029/2018WR024462.

Dai H X，Fan K，2020.Skilful two-month-leading hybrid climate prediction for winter temperature over China[J].Int J Climatol，40（11）：4922-4943.doi：10.1002/joc.6497.

Dou J，Wu Z W，Li J P，2020.The strengthened relationship between the Yangtze River Valley summer rainfall and the Southern Hemisphere annular mode in recent decades[J].Clim Dyn，54（3/4）：1607-1624.doi：10.1007/s00382-019-05078-4.

段旭，尤卫红，李跃清，2001.多时次资料的EOF迭代在云南夏季气候预测中的应用[J].高原气象，20（2）：220-224. Duan X，You W H，Li Y Q，2001.EOF iteration scheme with multitime historical data and its application to summer climate prediction over Yunnan Province[J].Plateau Meteor，20（2）：220-224.doi：10.3321/j.issn：1000-0534.2001.02.018.（in Chinese）.

Dunstone N，Smith D，Yeager S，et al.，2020.Skilful interannual climate prediction from two large initialised model ensembles[J].Environ Res Lett，15（9）：094083.doi：10.1088/1748-9326/ab9f7d.

范可，王会军，Choi Y J，2007.一个长江中下游夏季降水的物理统计预测模型[J].科学通报，52（24）：2900-2905. Fan K，Wang H J，Choi Y J，2007.A physically-based statistical forecast model for the middle-lower reaches of the Yangtze River Valley summer rainfall[J].Chin Sci Bull，52（24）：2900-2905.（in Chinese）.

Fan K，Liu Y，Chen H P，2012.Improving the prediction of the East Asian summer monsoon：new approaches[J].Wea Forecasting，27（4）：1017-1030.doi：10.1175/waf-d-11-00092.1.

Fan K，Tian B Q，Wang H J，2016.New approaches for the skillful prediction of the winter North Atlantic Oscillation based on coupled dynamic climate models[J].Int J Climatol，36（1）：82-94.doi：10.1002/joc.4330.

Fang Y H，Chen H S，Gong Z Q，et al.，2017.Multi-scheme corrected dynamic-analogue prediction of summer precipitation in northeastern China based on BCC_CSM[J].J Meteorol Res，31（6）：1085-1095.doi：10.1007/s13351-017-7069-3.

Feng F，Li X L，Yao Y J，et al.，2016.An empirical orthogonal function-based algorithm for estimating terrestrial latent heat flux from eddy covariance，meteorological and satellite observations[J].PLoS One，11（7）：e0160150.doi：10.1371/journal.pone.0160150.

Goddard L，Mason S J，Zebiak S E，et al.，2001.Current approaches to seasonal to interannual climate predictions[J].Int J Climatol，21（9）：1111-1152.doi：10.1002/joc.636.

Goly A，Teegavarapu R S V，Mondal A，2014.Development and evaluation of statistical downscaling models for monthly precipitation[J].Earth Interact，18（18）：1-28.doi：10.1175/ei-d-14-0024.1.

Gong Z Q，Dogar M M，Qiao S B，et al.，2018.Assessment and correction of BCC_CSM’s performance in capturing leading modes of summer precipitation over North Asia[J].Int J Climatol，38（5）：2201-2214.doi：10.1002/joc.5327.

Graham R J，Yun W T，Kim J，et al.，2011.Long-range forecasting and the global framework for climate services[J].Clim Res，47（1）：47-55.doi：10.3354/cr00963.

顧伟宗，陈丽娟，李维京，等，2012.降尺度方法在中国不同区域夏季降水预测中的应用[J].气象学报，70（2）：202-212. Gu W Z，Chen L J，Li W J，et al.，2012.Development of a downscaling method in China regional summer precipitation prediction[J].Acta Meteorol Sin，70（2）：202-212.（in Chinese）.

Guo Y，Li J P，Li Y，2014.Seasonal forecasting of North China summer rainfall using a statistical downscaling model[J].J Appl Meteorol Climatol，53（7）：1739-1749.doi：10.1175/jamc-d-13-0207.1.

Iliopoulou T，Papalexiou S M，Markonis Y，et al.，2018.Revisiting long-range dependence in annual precipitation[J].J Hydrol，556：891-900.doi：10.1016/j.jhydrol.2016.04.015.

Ji L Q，Fan K，2019.Climate prediction of dust weather frequency over Northern China based on sea-ice cover and vegetation variability[J].Clim Dyn，53（1/2）：687-705.doi：10.1007/s00382-018-04608-w.

江志红，浦建，杨浩，等，2017.1998年长江流域特大洪涝期水汽输送过程的诊断分析[J].大气科学学报，40（3）：289-298. Jiang Z H，Pu J，Yang H，et al.，2017.Diagnostic analysis of water vapor transport process during the catastrophic flood period over Yangtze River Basin in 1998[J].Trans Atmos Sci，40（3）：289-298.doi：10.13878/j.cnki.dqkxxb.201503250113.（in Chinese）.

Kim H M，Webster P J，Curry J A，2012.Evaluation of short-term climate change prediction in multi-model CMIP5 decadal hindcasts[J].Geophys Res Lett，39（10）：L10701.doi：10.1029/2012GL051644.

Kushnir Y，Scaife A A，Arritt R，et al.，2019.Towards operational predictions of the near-term climate[J].Nat Clim Change，9（2）：94-101.doi：10.1038/s41558-018-0359-7.

Lang X M，Wang H J，2010.Improving extraseasonal summer rainfall prediction by merging information from GCMs and observations[J].Wea Forecasting，25（4）：1263-1274.doi：10.1175/2010waf2222342.1.

Li C F，Chen W，Hong X W，et al.，2017.Why was the strengthening of rainfall in summer over the Yangtze River valley in 2016 less pronounced than that in 1998 under similar preceding El Nio events？—role of midlatitude circulation in August[J].Adv Atmos Sci，34（11）：1290-1300.doi：10.1007/s00376-017-7003-8.

李崇銀，杨辉，赵晶晶，2019.大气环流系统组合性异常与极端天气气候事件发生[J].大气科学学报，42（3）：321-333. Li C Y，Yang H，Zhao J J，2019.Combinational anomalies of atmospheric circulation system and occurrences of extreme weather/climate events[J].Trans Atmos Sci，42（3）：321-333.doi：10.13878/j.cnki.dqkxxb.20190302001.（in Chinese）.

Li J Y，Mao J Y，2018.The impact of interactions between tropical and midlatitude intraseasonal oscillations around the Tibetan Plateau on the 1998 Yangtze floods[J].Quart J Roy Meteor Soc，144（713）：1123-1139.doi：10.1002/qj.3279.

Lin J L，2007.The double-ITCZ problem in IPCC AR4 coupled GCMs：ocean-atmosphere feedback analysis[J].J Climate，20（18）：4497-4525.doi：10.1175/jcli4272.1.

Liu N，Li S L，2014.Predicting summer rainfall over the Yangtze-Huai region based on time-scale decomposition statistical downscaling[J].Wea Forecasting，29（1）：162-176.doi：10.1175/waf-d-13-00045.1.

Liu Y，Ren H L，Klingaman N P，et al.，2021.Improving long-lead seasonal forecasts of precipitation over Southern China based on statistical downscaling using BCC_CSM1.1m[J].Dyn Atmos Oceans，94：101222.doi：10.1016/j.dynatmoce.2021.101222.

Liu Y L，Donat M G，Taschetto A S，et al.，2019.A framework to determine the limits of achievable skill for interannual to decadal climate predictions[J].J Geophys Res：Atmos，124（6）：2882-2896.doi：10.1029/2018JD029541.

Luo D H，Yao Y，Dai A G，et al.，2017.Increased quasi stationarity and persistence of winter Ural blocking and Eurasian extreme cold events in response to arctic warming.part Ⅱ：a theoretical explanation[J].J Climate，30（10）：3569-3587.doi：10.1175/jcli-d-16-0262.1.

Maraun D，Widmann M，2017.Statistical downscaling and bias correction for climate research[M].Cambridge：Cambridge University Press.doi：10.1017/9781107588783.

Mochizuki T，Ishii M，Kimoto M，et al.，2010.Pacific decadal oscillation hindcasts relevant to near-term climate prediction[J].PNAS，107（5）：1833-1837.doi：10.1073/pnas.0906531107.

Qin Y H，Li B F，Chen Z S，et al.，2018.Spatio-temporal variations of nonlinear trends of precipitation over an arid region of northwest China according to the extreme-point symmetric mode decomposition method[J].Int J Climatol，38（5）：2239-2249.doi：10.1002/joc.5330.

Ren H L，Lu B，Wan J H，et al.，2018.Identification standard for ENSO events and its application to climate monitoring and prediction in China[J].J Meteorol Res，32（6）：923-936.doi：10.1007/s13351-018-8078-6.

Sheen K L，Smith D M，Dunstone N J，et al.，2017.Skilful prediction of Sahel summer rainfall on inter-annual and multi-year timescales[J].Nat Commun，8：14966.doi：10.1038/ncomms14966.

沈愈，2008.EOF迭代降尺度方案及其在華东梅汛期降水预测中的应用[J].高原气象，27（S1）：52-63. Shen Y，2008.An EOF iteration downscale modeling scheme and its application to East China Meiyu season precipitation prediction[J].Plateau Meteor，27（S1）：52-63.（in Chinese）.

Song C，Chen X H，2021.Performance comparison of machine learning models for annual precipitation prediction using different decomposition methods[J].Remote Sens，13（5）：1018.doi：10.3390/rs13051018.

宋进波，陆尔，屠菊青，等，2018.长江中下游6—7月降水的降尺度模型[J].大气科学学报，41（1）：85-92. Song J B，Lu E，Tu J Q，et al.，2018.A statistical downscaling model for the summer rainfall over the middle and lower reaches of the Yangtze River Basin[J].Trans Atmos Sci，41（1）：85-92.doi：10.13878/j.cnki.dqkxxb.20160120001.（in Chinese）.

Stephens G L，LEcuyer T，Forbes R，et al.，2010.Dreary state of precipitation in global models[J].J Geophys Res：Atmos，115（D24）：D24211.doi：10.1029/2010JD014532.

Sun X G，Jiang G X，Ren X J，et al.，2016.Role of intraseasonal oscillation in the persistent extreme precipitation over the Yangtze River Basin during June 1998[J].J Geophys Res：Atmos，121（18）：10453-10469.doi：10.1002/2016JD025077.

Tachibana Y，Inoue Y，Komatsu K K，et al.，2018.Interhemispheric synchronization between the AO and the aao[J].Geophys Res Lett，45（24）：13477-13484.doi：10.1029/2018GL081002.

Tian B Q，Fan K，2020.Climate prediction of summer extreme precipitation frequency in the Yangtze River valley based on sea surface temperature in the southern Indian Ocean and ice concentration in the Beaufort Sea[J].Int J Climatol，40（9）：4117-4130.doi：10.1002/joc.6446.

Wang H J，Zhou G Q，Zhao Y，2000.An effective method for correcting the seasonal-interannual prediction of summer climate anomaly[J].Adv Atmos Sci，17（2）：234-240.doi：10.1007/s00376-000-0006-9.

王黎娟，黃青兰，李熠，等，2014.江淮流域梅雨期降水的空间非均匀分布与前期海温的关系[J].大气科学学报，37（3）：313-322. Wang L J，Huang Q L，Li Y，et al.，2014.Relationship between spatial inhomogeneous distribution of Meiyu rainfall over the Yangtze-Huaihe River Valley and previous SST[J].Trans Atmos Sci，37（3）：313-322.doi：10.13878/j.cnki.dqkxxb.2014.03.006.（in Chinese）.

Wang N，Ren H L，Deng Y，et al.，2021.Understanding the causes of rapidly declining prediction skill of the East Asian summer monsoon rainfall with lead time in BCC_CSM1.1m[J].Clim Dyn.doi：10.1007/s00382-021-05819-4.

Wang X J，Liu L，Hu P，et al.，2019.Improving the prediction skill for China summer rainfall through correcting leading modes in Beijing Climate Centers Climate System Model[J].Int J Climatol，39（11）：4329-4339.doi：10.1002/joc.6076.

Ward N，Conway D，2020.Applications of interannual-to-decadal climate prediction：an exploratory discussion on rainfall in the Sahel region of Africa[J].Clim Serv，18：100170.doi：10.1016/j.cliser.2020.100170.

Wei L X，Xin X G，Xiao C，et al.，2019.Performance of BCC-CSM models with different horizontal resolutions in simulating extreme climate events in China[J].J Meteorol Res，33（4）：720-733.doi：10.1007/s13351-019-8159-1.

Widmann M，Bretherton C S，Salathé E P Jr，2003.Statistical precipitation downscaling over the northwestern United States using numerically simulated precipitation as a predictor[J].J Climate，16（5）：799-816.doi：10.1175/1520-0442（2003）016<0799：spdotn>2.0.co;2.

Wu T W，Song L C，Li W P，et al.，2014.An overview of BCC climate system model development and application for climate change studies[J].J Meteorol Res，28（1）：34-56.doi：10.1007/s13351-014-3041-7.

Wu T W，Lu Y X，Fang Y J，et al.，2019.The Beijing Climate Center Climate System Model（BCC-CSM）：the main progress from CMIP5 to CMIP6[J].Geosci Model Dev，12：1573-1600.

Xu C，2016.Reconstruction of gappy GPS coordinate time series using empirical orthogonal functions[J].J Geophys Res：Solid Earth，121（12）：9020-9033.doi：10.1002/2016JB013188.

Xue F，Wang H J，He J H，2003.Interannual variability of Mascarene high and Australian high and their influences on summer rainfall over East Asia[J].Chin Sci Bull，48（5）：492-497.doi：10.1007/BF03183258.

Yao Y，Luo D H，Dai A G，et al.，2017.Increased quasi stationarity and persistence of winter Ural blocking and Eurasian extreme cold events in response to arctic warming.part I：insights from observational analyses[J].J Climate，30（10）：3549-3568.doi：10.1175/jcli-d-16-0261.1.

詹明月，王国杰，陆姣，等，2020.基于CMIP6多模式的长江流域蒸散发预估及影响因素[J].大气科学学报，43（6）：1115-1126. Zhan M Y，Wang G J，Lu J，et al.，2020.Projected evapotranspiration and the influencing factors in the Yangtze River Basin based on CMIP6 models[J].Trans Atmos Sci，43（6）：1115-1126.doi：10.13878/j.cnki.dqkxxb.20200927002.（in Chinese）.

张邦林，丑纪范，孙照渤，1991.用前期大气环流预报中国夏季降水的EOF迭代方案[J].科学通报，36（23）：1797-1798. Zhang B L，Chou J F，Sun Z B，1991.An EOF iteration scheme for the prediction of summer rainfall in CHINA in terms of previous-period atmospheric circulation patterns[J].Chin Sci Bull，36（23）：1797-1798.（in Chinese）.

Zhang B L，Liu J，Sun Z B，1993.A new multidimensional time series forecasting method based on the EOF iteration scheme[J].Adv Atmos Sci，10（2）：243-247.doi：10.1007/BF02919147.

Zhang B L，Pinker R T，Stackhouse P W Jr，2007.An empirical orthogonal function iteration approach for obtaining homogeneous radiative fluxes from satellite observations[J].J Appl Meteorol Climatol，46（4）：435-444.doi：10.1175/jam2478.1.

Zhang L X，Zhou T J，2015.Drought over East Asia：a review[J].J Climate，28（8）：3375-3399.doi：10.1175/jcli-d-14-00259.1.

张璟，智协飞，缪锴，等，2014.江淮流域夏季降水的准两年振荡特征及其关联因子分析[J].大气科学学报，37（5）：541-547. Zhang J，Zhi X F，Miao K，et al.，2014.Characteristics of the quasi-biennial oscillation of the summer precipitation over Yangtze-Huaihe Valley and its correlation factors[J].Trans Atmos Sci，37（5）：541-547.doi：10.13878/j.cnki.dqkxxb.20121030006.（in Chinese）.

Zhang Y Z，Liao Z J，Zhang Y C，et al.，2016.Characteristics of the Asian-Pacific oscillation in boreal summer simulated by BCC_CSM with different horizontal resolutions[J].Adv Atmos Sci，33（12）：1401-1412.doi：10.1007/s00376-016-5266-0.

周波濤，2011.冬季澳大利亚东侧海温与长江流域夏季降水的联系及可能物理机制[J].科学通报，56（16）：65-71. Zhou B T，2011.Linkage between winter sea surface temperature east of Australia and summer precipitation in the Yangtze River Valley and a possible physical mechanism[J].Chin Sci Bull，56（16）：65-71.（in Chinese）.

Zhou H，Zhou W，Liu Y B，et al.，2020.Meteorological drought migration in the Poyang lake basin，China：switching among different climate modes[J].J Hydrometeorol，21（3）：415-431.doi：10.1175/jhm-d-19-0183.1.

Zhu C W，Park C K，Lee W S，et al.，2008.Statistical downscaling for multi-model ensemble prediction of summer monsoon rainfall in the Asia-Pacific region using geopotential height field[J].Adv Atmos Sci，25（5）：867-884.doi：10.1007/s00376-008-0867-x.

朱连华，江志红，刘征宇，2015.春季陆面植被对长江流域夏季降水可预报性的影响分析[J].气象学报，73（5）：895-909. Zhu L H，Jiang Z H，Liu Z Y，2015.The impact analysis of spring vegetation on the summer precipitation predictability over the Yangtze River Basin[J].Acta Meteorol Sin，73（5）：895-909.doi：10.11676/qxxb2015.063.（in Chinese）.

Dynamic-statistical downscaling method for annual precipitation prediction in Yangtze River Basin and its application

YANG Yawei1，CHEN Lijuan2，3，SHEN Binglu4

1Shanghai Climate Center，Shanghai 200030，China;

2Laboratory for Climate Studies，China Meteorological Administration/National Climate Center，Beijing 100081，China;

3Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters，Nanjing University of Information Science and Technology，Nanjing 210044，China;

4School of Atmospheric Sciences/Plateau Atmosphereand Environment Key Laboratory of Sichuan Province，Chengdu University of Information Technology，Chengdu 610225，China

Based on the station data，reanalysis data and dynamic climate model hindcast data，a dynamic-statistical downscaling prediction method of annual precipitation anomaly in the Yangtze River Basin and its application skill are discussed by using the empirical orthogonal decomposition （EOF） iteration and interannual increment method.Results show that based on the annual scale circulation field of reanalysis data，a statistical downscaling prediction scheme for annual scale precipitation anomaly increment over the Yangtze River Basin is established.The average anomaly correlation coefficient （ACC） of 26-year hindcast test can reach 0.6，which proves that the scheme has high predictability.A dynamic-statistical downscaling prediction scheme of annual precipitation anomaly increment is furth erestablished by using the annual scale circulation predicted by the model.The average ACC is 0.42，showing a high hindcast skill.The skill is much better than that of the directly output precipitation of the model.By analyzing the factors affecting the skill of annual precipitation prediction，it shows that when the annual average SST anomaly in equatorial central and eastern Pacific is negative，the prediction skill is higher，and the average ACC is more than 0.5.Under the cold water background of La Nia development year or La Nia duration year，more eigenvectors are selected by EOF iteration，which are incorporated into the multi-scale atmospheric circulation information as the prediction signal，and the prediction skill of annual precipitation anomalyis improved.

annual precipitation;EOF iteration;interannual increment;dynamic-statistical downscaling method

doi：10.13878/j.cnki.dqkxxb.20210831002

（責任编辑：张福颖）