CMIP5模式对AMO与PDO模拟评估及未来预估

宋晗 刘鹏 陶丽

摘要 利用1880—2009年海表温度（Sea Surface Temperature，SST）观测资料以及耦合模式比较计划第五阶段（Coupled Model Intercomparison Project phase 5，CMIP5）中4种情景（piControl、historical、RCP2.6、RCP4.5）下的模拟资料，通过资料对比，评估了CMIP5模式对两个最为重要年代际尺度模态——北大西洋年代际振荡（Atlantic Multidecadal Oscillation，AMO）和太平洋年代际振荡（Pacific Decadal Oscillation，PDO）的模拟性能，并分析了在不同增暖情景下，这两个海洋年代际模态的变化特征。结果表明：在historical和piControl情景下，多模式集合可以再现北太平洋、东太平洋和北大西洋海表温度的年代际变化中心，但模拟的AMO和PDO模态的振幅都偏弱，特别是PDO模态在东太平洋强度的再现能力较弱。与观测资料相比，在historical情景下对AMO和PDO时空特征模拟较好的模式有：CESM1-CAM5、FGOALS-g2、GISS-E2-H-CC、MIROC5和NorESM1-ME，多模式集合则有更好的模拟效果。在不同增暖情景下，AMO与PDO的空间特征基本一致且振幅差随增暖变化不明显，但是伴随全球增暖加强，两模态都呈现方差贡献减小的特征，尤其AMO模态。

关键词CMIP5;AMO;PDO;SST;全球增暖

在全球增暖背景下，由于大气环流的变化过程相对较快，对于年际以上时间尺度的气候变化的研究，需要通过海洋的年代际变化来进行进一步研究（刘鹏等，2014）。对于海洋的年代际变化最直观就是对SST进行研究，在众多年代际信号中最显著的信号有AMO和PDO。Bjerknes（1964）、Folland and Parker（1990）发现1920—1960年，北大西洋海表温度存在增暖趋势，1960—1980年则逐渐进入变冷的阶段。从1990年开始，北大西洋海表温度又进入暖期。Kerr（2000）将上述海表温度的年代际变化正式定义为北大西洋年代际振荡（the Atlantic Multidecadal Oscillation，AMO），它存在65～80 a周期性冷暖位相交替的现象，振幅为0.4 ℃（李双林等，2009）。Mantua et al.（1997）用海表温度月资料的异常去掉全球增暖趋势后，对北太平洋地区做经验正交分解（Empirical Orthogonal Function，EOF）分析，将第一模态定义为PDO模态，PDO存在多周期现象，并与厄尔尼诺和南方涛动（El Nio-Southern Oscillation，ENSO）存在密切关系（Minobe，1997）。AMO与PDO信号对全球增暖停滞事件产生重要的影响，胡研究发现全球海洋变暖和AMO可以相互影响，认为北大西洋增暖以及深层热量传输导致环流异常从而影响赤道太平洋信风，通过数值模拟以及模式试验发现信风增强导致赤道太平洋变冷是全球增暖停滞的重要原因，在全球变暖停滞期的空间分布与PDO类似，并与PDO负位相存在相关性，因此一般认为AMO與PDO共同影响是造成全球增暖停滞的重要原因（Kosaka and Xie，2013;Chen and Tung，2014;England et al.，2014;Liu and Sui，2014;McGregor et al.，2014;Wu et al.，2018;杨韵等，2018）。

AMO与PDO除了对全球气候产生影响，还会对区域气候有影响。AMO对于东亚夏季风、降水、气温变化、大西洋飓风的强度及频率以及ENSO强度均产生影响，而PDO的主要影响中纬度，当PDO正位相时，中国东部、韩国、日本美国东南部、堪察加半岛等地区温度明显降低;澳大利亚西北部、北美西北部等地区温度偏高;澳大利亚东部、日本、北美中部等地区降水明显减少（李双林等，2009;Newman et al.，2016）。当AMO是正位相，PDO为负位相时，两者都有利于东亚夏季风增强北推，否则出现相反的情况（丁一汇等，2020）。华南春季降水与PDO指数存在正相关关系，前期秋季PDO处于负位相时，华南春季降水偏少，反之亦然（孙照渤等，2017）。PDO正位相可以激发出负的太平洋-日本型遥相关波列，导致长江中下游地区降水偏多，华北降水偏少（任永建等，2016）。PDO对北半球冬季两大洋风暴轴强度和位置的变化有影响（朱伟军等，2019）。AMO与PDO形成机制都较为复杂，AMO普遍被认为是气候系统内部的自然变率，它会对气候变化产生较大影响;而PDO形成机制主要分成气候系统外部强迫与气候系统的内部作用两部分，而气候系统内因主要分为5种，包括大气的随机强迫、大气遥相关、中纬度局地海气相互作用、热带与中纬度相互作用以及海洋非线性过程（Dima and Lohmann，2007;方长芳，2010）。

本文采用的CMIP5模式在气候变化研究方面提供了较好的资料，较以前几个阶段它在模式的参数化方案、通量处理方法以及耦合器技术等方面均得到了很大改进，并且输出要素增多（Meehl et al.，2005，2007;辛晓歌等，2012;陈晓晨等，2014）。有学者在采用CMIP5模式对不同要素的模拟能力进行评估中，发现其均存在一定的模拟能力，但在单一要素的模拟中发现，由于模式敏感度、动力框架等不同，导致模拟结果存在较大差异，因此需要进一步完善（Reichler and Kim，2008;Taylor et al.，2012;郭彦等，2013）。其他学者进一步研究发现CMIP5模式可以再现北大西洋以外的SST异常，但难以重现某些与AMO有关的区域影响，并且在piControl情景下AMO与海气相互作用有关，而在historical情景下则认为与自然以及人为强迫有关（Han et al.，2016;Lyu and Yu，2017;Murphy et al.，2017）。并且CMIP5模式对PDO模拟存在一定缺陷（孙龚，2013），这可能与PDO几十年的基本模态有关（Newman，2013），Kim et al.（2016）指出无论是CMIP5还是CMIP3，在模拟ENSO和PDO的空间模态、降水等方面与观测都存在一定差异，并且CMIP5模式集合较CMIP3模式集合具有更好的模拟能力（孙龚，2013）。

以上研究均是对AMO与PDO的模拟能力进行分析，在观测中发现了AMO与PDO存在一定相关性（Delworth and Mann，2000;Wu et al.，2011;Chen et al.，2014;McGregor et al.，2014），因此是否可以将AMO与PDO模拟能力进行联合评价，挑选出既对PDO有较好的模拟，又对AMO有较好模拟的模式是本文待解决的问题。本文分析评估CMIP5中不同模式对AMO与PDO的模拟性能以及未来情景下这两个海洋年代际模态对于全球增暖的响应。由于工业化革命前期参照试验（piControl）主要用于研究气候系统内部自然变率，历史情景试验（historical）主要是研究自然和人为驱动下的气候变化，未来典型浓度路径情景试验主要是未来气候变化预估，因此将各个模式的historical试验结果与观测进行对比，作为评估模式的标准，分析AMO与PDO未加强迫下的基本特征，进而找出对AMO与PDO都模拟效果较好的模式，并对模式的模拟能力进行排序，并且分析这两个海洋年代际模态在增暖情景下的变化，这对于今后研究年代际变化的模式挑选具有重要意义。

1 数据和方法

使用了CMIP5模式中historical、piControl、RCP2.6、RCP4.5情景下不同模式模拟的SST资料。其中historical试验选取1850—2005年共156 a的SST资料，piControl试验选取了结果较为稳定的连续400 a的SST资料。为了保证足够多样本数，RCP2.6和RCP4.5未来情景试验选取了2006—2100年共95 a的SST资料。模式资料均通过线性插值成水平分辨率为1°×1°。相关模式基本信息见表1。historical、piControl、RCP2.6以及RCP4.5试验模式个数分别为24、11、11以及16，模式个数不同，一方面由于piControl所选取时间长度较长，因此符合模式较少，另一方面RCP2.6以及RCP4.5本身的模式个数较少。为了评估模式的模拟能力，本文采用Hadley中心提供的SST资料，时间长度为1880-2009年共130 a，水平分辨率为1°×1°（模式数据下载地址：http：//data.ceda.ac.uk/badc/cmip5/data/）。

本文提取AMO和PDO年代际信号及其集合的方法如下：首先对各个模式的SST分别求全球平均，然后运用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD;薛春芳等，2013）得到各个模式全球平均的SST增暖趋势，并回归到每个格点上，每个格点SST减去这个回归趋势，然后利用Lanczos滤波器（姚菊香等，2005）滤掉13 a以下的波（去除太阳黑子影响），只保留年代际信号，再通过EOF方法提取不同模式AMO模态和PDO模态，并将不同模式得到的时间序列分别进行功率谱分析，然后对于同一情景下不同模式得到的方差、AMO模态和PDO模态分别求平均作为模式集合，功率谱集合平均是对得到的功率谱曲线以及检验线的同一周期做平均作为模式集合结果。首先对比分析观测与historical资料，并且将historical与piControl进行比较，然后再把historical的各个模式对两个模态（AMO、PDO）的模拟能力进行排序，最后在不同增暖情景下分析两模态随增暖的变化情况。其中使用了Xu et al.（2016）提出的矢量场评估（Vector Field Evaluation，VFE）泰勒图方法，对AMO与PDO的模拟能力进行联合评价。

2 historical試验中AMO与PDO的特征分析

2.1 年代际变化主要区域

研究气候年代际变化首先要对于年代际变化大值区有所了解，进而对得到年代际信号明显区域进行进一步分析。首先对观测以及各个模式输出的SST年资料去趋势。由图1可以看出SST增暖趋势并非是线性趋势，且EEMD方法得到的趋势基本上可以代表SST趋势，因此利用EEMD方法去除CMIP5各个情景下各个模式的SST趋势变化是比较合理的。对去趋势后SST进行13 a低通滤波，计算每一格点的年代际均方差，并与未滤波SST的均方差进行比较（图2）。由图2a、2b可以看出无论是滤波还是未滤波下SST均方差均在北太平洋、东太平洋以及北大西洋地区出现大值，说明SST年际以及年代际信号在这三个地区均较强。图2b、2d分别为historical试验多模式的均方差集合结果，多模式总均方差集合与年代际尺度均方差集合的大值区位置与观测大致相同，不同在于多模式均方差更大，北太平洋大值区偏西，东太平洋大值区向西延伸，北大西洋大值区扩大。

热带中东太平洋未滤波时在三个区域中信号强度最强，但滤波后信号在三个区域中强度最弱，说明年代际信号主要存在于北大西洋以及北太平洋地区，热带中东太平洋地区主要为年际信号，并存在年代际信号。

为更加清晰地分析年代际信号明显的区域，将图2a、2b中SST总均方差大于0.35部分区域挑选出来，再用年代际尺度均方差除以总均方差得到图2e和图2f表示年代际信号在总信号中所占比重。由图2e观测结果可见北太平洋以及北大西洋地区贡献率达到60%以上，热带中东太平洋地区贡献率仅为30%左右，并且热带中东太平洋大值区出现在Nio3区（150°～90°W，5°S～5°N）南侧。由图2f historical模式结果可见SST年代际信号在北太平洋、北大西洋区域更强，并且所占比重更大。由此可得出在北太平洋、热带中东太平洋以及北大西洋地区年代际信号显著且年代际贡献率较大。

2.2 historical和piControl试验中AMO、PDO时空特征分析

选取年代际信号显著区域，即北太平洋以及北大西洋地区（0°～60°N的北大西洋，20°N以北的太平洋）。对这两个地区的SST进行EOF分解，将标准化后PDO、AMO的时间序列定义为观测和各个模式的PDO指数和AMO指数，然后得到观测和各个模式SST的PDO和AMO指数回归场，并对多模式回归场进行平均（图3）。由图3可以看到historical情景下多模式集合与观测相比，AMO模态在北大西洋地区大值区向高纬度移动，热带大西洋信号强度小于观测，但在东太平洋地区信号强于观测;在观测中，PDO模态在热带中东太平洋地区、热带印度洋地区存在很强的信号，而在模式集合中热带中东太平洋地区信号偏弱、热带印度洋地区信号消失，在北太平洋地区大值区位置偏西。historical情景与piControl情景比较，可以看到piControl情景下AMO模态，在热带大西洋、热带太平洋海表温度异常不明显。但是historical无论是与观测还是piControl比较，空间场分布基本一致，强度略有差异，因此historical 试验能够模拟AMO和PDO的基本空间特征。观测中AMO模态方差贡献为53%，贡献远大于piControl与historical两种试验，其方差贡献（VAR，下同）分别为34%和30%，而观测中PDO模态方差为38%，方差贡献略小于其他两种情景，其方差贡献分别为42%和41%，但无论是AMO还是PDO模态historical情景下方差贡献均略大于piControl情景下。

下面分析historical 试验对PDO和AMO周期的模拟能力。对各个模式的AMO与PDO指数进行功率谱分析，然后将功率谱进行多模式集合并与观测进行对比（图4）。图4a中可以看到AMO在观测中只存在明显的60 a左右周期，并不存在双周期现象;而在historical多模式集合中可以看到除60～70 a周期外，还存在20 a左右明显周期的双周期现象;但是在piControl情景下短周期较长周期更为显著，可能是由于长周期在不同模式中较为分散，平均后振幅并不显著，也可能是由于piControl的时间较长，导致周期离散度增大。在图4b中观测PDO存在20～30 a以及50～60 a显著周期;在historical多模式集合中可以看到PDO在20～40 a左右均有明显周期，较长周期变长，达到70 a左右;而piControl情景下较短周期的主周期增多，长周期更长达到80 a左右，可以在60 a左右发现一个次要周期。进一步发现AMO主周期振幅略大于PDO主周期振幅，并且无论是AMO还是PDO，长周期在观测中振幅均大于piControl情景下多模式集合振幅，可能是由于一方面模式模拟不出这种长周期的变化，另一方面不同模式主周期较为分散，平均后振幅降低。historical情景下与观测相比，AMO与PDO时空基本特征一致，在强度、中心位置与主周期长度上略有差异。由于piControl试验主要研究气候系统内部变率，不包含增暖信息，AMO和PDO一般认为是一种气候系统内部变率，增暖对它们也有一定的影响，因此这里有必要将piControl与historical情景下AMO、PDO进行对比分析。各个模式AMO与PDO空间特征在两个情景下基本对应一致（图略），但振荡周期不太一样，例如ACCESS1-3模式（图5），historical情景下AMO表现为有一个70 a左右的长周期和20 a左右的短周期，而piControl情景下只有短周期振荡比较明显;historical情景下PDO的长周期振荡相对于piControl情景下的长周期振荡较弱，但总体上两种情景下，PDO的振荡周期较接近。

为了更好地研究模式模拟能力，将各个模式的AMO和PDO模态与功率谱曲线分别用VFE泰勒图方法进行分析（图6），将AMO作为矢量场的一维，将PDO作為另一维，通过计算得到VFE图。其中标号1～24分别为ACCESS1-0、ACCESS1-3、bcc-csm1-1、bcc-csm1-1-m 、CanESM2、CCSM4、CESM1-BGC、CESM1-CAM5、CESM1-FASTCHEM、CESM1-WACCM、CMCC-CESM、CNRM-CM5、FGOALS-g2、FGOALS-s2、GISS-E2-H、GISS-E2-H-CC、inmcm4、IPSL-CM5A-LR、IPSL-CM5A-MR、MIROC5、MPI-ESM-LR、MRI-CGCM3、NorESM1-M、NorESM1-ME，25表示模式的集合平均，红色圈圆心处为观测资料，当所求点越接近于红色圈圆心，则该模式与观测越接近。矢量长度是指一个矢量的模的长度，横纵坐标代表归一化矢量长度（模式场矢量长度除以观测场矢量长度），扇形坐标代表观测与各个模式的矢量相似系数，图6a是将AMO与PDO的EOF区域分别插值成2°×2°以及2.5°×2.5°的格点，同时选取了573个格点，对各个模式的AMO、PDO空间结构的进行联合评估的VFE泰勒图。图6b显示了各个模式AMO与PDO周期联合评估的VFE泰勒图。

由图6a可以看到编号25距离红色圆心最近，表示historical多模式集合在空间场模拟上与观测最为接近，并且大多数模式的矢量长度大于观测，表示模拟的PDO和AMO的振幅较观测强，相似系数为0.5～0.9，模拟较好模式有CESM1-CAM5、FGOALS-g2、IPSL-CM5A-MR、MIROC5。图6b中CESM1-CAM5的周期与观测最为接近，MME与ACCESS1-3、GISS-E2-H-CC、MPI-ESM-LR模式模拟较好，大多数模式的矢量长度小于观测，表示模拟的PDO和AMO的年代际周期不显著，相似系数为0.3～0.8。表2为计算得到归一化的矢量偏差均方根。表中红色标注为空间场与周期模拟能力均较好的模式。将空间排序和周期排序相加，并重新排名得到对historical试验中空间结构和周期都模拟的比较好的模式：CESM1-CAM5、FGOALS-g2、GISS-E2-H-CC、MIROC5、NorESM1-ME，多模式集合也具有较好模拟能力。

3 不同增暖情景下AMO与PDO特征分析

3.1 空间特征分析

多模式集合较大多数模式而言具有较好的模拟效果，因此进一步研究了在不同增暖情景下AMO与PDO的特征，可以从多模式集合进行研究。图7中各个情景下模式集合所选模式为表1中对应情景下所给出有资料的模式，图7中可以看出在各个情景下AMO、PDO空间特征基本保持一致，振幅大小差异不明显。与观测中情况相反，AMO模态在各个情景下的方差贡献率要小于PDO的方差贡献。对AMO模态，各个情景下均存在太平洋海表温度异常，RCP4.5情景下太平洋海表温度异常更为显著，并且在该情景下印度洋海表温度异常较为显著;对PDO模态，各情景均在热带中东太平洋模拟出较小的海表温度异常，在印度洋基本看不到明显的海表温度异常。综上所述，在各情景下AMO与PDO空间模态的基本特征大致相同，其空间分布随增暖的加强在各自的区域内未有明显的变化，但集合后AMO与PDO模态的方差贡献随增暖加强略有减小的趋势。

3.2 方差贡献率随增暖的变化

为了研究方差贡献随增暖的变化，进一步利用散点图分析不同情景下各个模式方差贡献大小随全球平均SST的变化（图8）。由图8a可见，各个情景下AMO模态的方差贡献率随全球平均SST的增大而有逐渐减小的趋势，而且增暖幅度越强，其方差贡献率随全球平均SST增大而减小得越明显，在图8a中表现为散点图斜率piControl

4 討论与结论

基于观测SST以及CMIP5试验中的上述4种情景下耦合模式输出SST资料，提取AMO与PDO信号，并分析这两种年代际模态的时空特征，进行CMIP5耦合模式对这两种年代际模态模拟能力的联合评估，客观定量地找出模拟能力较好的模式，并分析未来情景下这两个海洋年代际变化模态对于全球增暖的响应，得到如下结论：

观测与historical情景资料中均发现北太平洋、热带中东太平洋和北大西洋地区年代际信号较为显著。对于AMO和PDO的模拟，多模式集合与观测的空间分布基本相同，多模式集合在两种模态的振幅稍有偏弱，在PDO模态北太平洋中心位置向西侧偏移。在周期模拟方面，观测中AMO与PDO具有明显50～60 a长周期，并且PDO存在20 a左右较短周期，而多模式集合对两模态的长周期模拟能力很有限。CESM1-CAM5、FGOALS-g2、GISS-E2-H-CC、MIROC5、NorESM1-ME以及多模式集合对AMO和PDO的模拟能力较好，而模式ACCESS1-0、bcc-csm1-1-m、CESM1-WACCM、GISS-E2-H、IPSL-CM5A-LR的模拟能力较差。

4种不同情景（piControl、historical、RCP2.6、RCP4.5）下的AMO与PDO的振幅未随增暖加强出现一致性变化，空间基本特征一致，并且在piControl情景下AMO只是相对独立的大西洋SST异常，而在其他情景下，AMO模态在太平洋均有异常;PDO模态在不同情景下基本保持一致，均表现为相对独立的太平洋SST异常，热带中东太平洋地区信号较弱。

在不同增暖情景下，AMO与PDO模式集合的方差贡献率均存在随增暖的加强而略有减小的趋势。进一步研究同一情景下方差贡献随增暖变化，可以看出AMO模态的这一特征更为明显，而PDO模态虽然有类似现象但略不明显，具体物理机制有待探讨。

本文对于CMIP5各个耦合模式中AMO空间模态、周期与PDO空间模态、周期进行联合定量评估，得到模拟能力较好的模式，这对于模式挑选具有重要的意义。

参考文献（References）

Bjerknes J，1964.Atlantic air-sea interaction[J].Adv Geophys，10：1-82.doi：10.1016/S0065-2687（08）60005-9.

Chen W，Lu R Y，Dong B W，2014.Intensified anticyclonic anomaly over the western North Pacific during El Nio decaying summer under a weakened Atlantic thermohaline circulation[J].J Geophys Res：Atmos，119（24）：13637-13650.doi：10.1002/2014JD022199.

Chen X，Tung K K，2014.Varying planetary heat sink led to global-warming slowdown and acceleration[J].Science，345（6199）：897-903.doi：10.1126/science.1254937.

陈晓晨，徐影，许崇海，等，2014.CMIP5全球气候模式对中国地区降水模拟能力的评估[J].气候变化研究进展，10（3）：217-225. Chen X C，Xu Y，Xu C H，et al.，2014.Assessment of precipitation simulations in China by CMIP5 multi-models[J].Adv Climate Change Res，10（3）：217-225.doi：10.3969/j.issn.1673-1719.2014.03.011.（in Chinese）.

Cheng J，Liu Z Y，Zhang S Q，et al.，2016.Reduced interdecadal variability of Atlantic Meridional Overturning Circulation under global warming[J].PNAS，113（12）：3175-3178.doi：10.1073/pnas.1519827113.

Delworth T L，Mann M E，2000.Observed and simulated multidecadal variability in the Northern Hemisphere[J].Clim Dyn，16（9）：661-676.doi：10.1007/s003820000075.

Dima M H，Lohmann G，2007.A hemispheric mechanism for the Atlantic multidecadal oscillation[J].J Climate，20（11）：2706-2719.doi：10.1175/jcli4174.1.

丁一汇，李怡，王遵娅，等，2020.亚非夏季风的年代际变化：大西洋多年代际振荡与太平洋年代际振荡的协同作用[J].大气科学学报，43（1）：20-32. Ding Y H，Li Y，Wang Z Y，et al.，2020.Interdecadal variation of Afro-Asian summer monsoon：coordinated effects of AMO and PDO oceanic modes[J].Trans Atmos Sci，43（1）：20-32.doi：10.13878/j.cnki.dqkxxb.20191011007.（in Chinese）.

England M H，McGregorS，SpenceP，et al.，2014.Recent intensification of wind-driven circulation in the Pacific and the ongoing warming hiatus[J].Nat Clim Chang，4（3）：222-227.doi：10.1038/nclimate2106.

方长芳，2010.全球变暖对北太平洋年代际变化的影响及可能机制研究[D].青岛：中国海洋大学. Fang C F，.2010.The effect of global warming on North Pacific decadal variability and the possible mechanism[D].Qingdao：Ocean University of China.（in Chinese）.

Folland C K，Parker D E，1990.Observed variations of sea surface temperature[M]//Climate-Ocean Interaction.Dordrecht：Springer Netherlands：21-52.doi：10.1007/978-94-009-2093-4_2.

郭彥，董文杰，任福民，等，2013.CMIP5模式对中国年平均气温模拟及其与CMIP3模式的比较[J].气候变化研究进展，9（3）：181-186. Guo Y，Dong W J，Ren F M，et al.，2013.Assessment of CMIP5 simulations for China annual average surface temperature and its comparison with CMIP3 simulations[J].Adv Climate Change Res，9（3）：181-186.doi：10.3969/j.issn.1673-1719.2013.03.004.（in Chinese）.

Han Z，Luo F F，Li S L，et al.，2016.Simulation by CMIP5 models of the Atlantic multidecadal oscillation and its climate impacts[J].Adv Atmos Sci，33（12）：1329-1342.doi：10.1007/s00376-016-5270-4.

Kerr R A，2000.A north Atlantic climate pacemaker for the centuries[J].Science，288（5473）：1984-1985.doi：10.1126/science.288.5473.1984.

Kim H，Yeh S W，Kwon M，2016.Marginal changes in the linear relationship of ENSO-PDO in the CMIP5 RCP4.5 scenario[J].Int J Climatol，36（15）：4667-4678.doi：10.1002/joc.4655.

KosakaY，Xie S P，2013.Recent global-warming hiatus tied to equatorial Pacific surface cooling[J].Nature，501（7467）：403-407.doi：10.1038/nature12534.

李双林，王彦明，郜永祺，2009.北大西洋年代际振荡（AMO）气候影响的研究评述[J].大气科学学报，32（3）：458-465. Li S L，Wang Y M，Gao Y Q，2009.A review of the researches on the Atlantic multidecadal oscillation（AMO） and its climate influence[J].Trans Atmos Sci，32（3）：458-465.doi：10.13878/j.cnki.dqkxxb.2009.03.006.（in Chinese）.

Liu P，Sui C H，2014.An observational analysis of the oceanic and atmospheric structure of global-scale multi-decadal variability[J].Adv Atmos Sci，31（2）：316-330.doi：10.1007/s00376-013-2305-y.

刘鹏，江志红，于华英，等，2014.全球海表温度在不同时间尺度的主模态对比分析[J].地球科学进展，29（7）：844-853. Liu P，Jiang Z H，Yu H Y，et al.，2014.A comparative analysis of main modes of global-scale sea surface temperature on multiple time scale[J].Adv Earth Sci，29（7）：844-853.doi：10.11867/j.issn.1001-8166.2014.07.0844.（in Chinese）.

Lyu K W，Yu J Y，2017.Climate impacts of the Atlantic Multidecadal Oscillation simulated in the CMIP5 models：a re-evaluation based on a revised index[J].Geophys Res Lett，44（8）：3867-3876.doi：10.1002/2017GL072681.

Mantua N J，Hare S R，Zhang Y，et al.，1997.A Pacific interdecadal climate oscillation with impacts on salmon production[J].Bull Amer Meteor Soc，78（6）：1069-1079.doi：10.1175/1520-0477（1997）078<1069：apicow>2.0.co;2.

McGregor S，Timmermann A，Stuecker M F，et al.，2014.Recent Walker circulation strengthening and Pacific cooling amplified by Atlantic warming[J].Nat Clim Chang，4（10）：888-892.doi：10.1038/nclimate2330.

Meehl G A，Covey C，McAvaney B，et al.，2005.Overview of the coupled model intercomparison project[J].Bull the Amer Meteor Soc，86（1）：89-93.

Meehl G A，Covey C，Delworth T，et al.，2007.THE WCRP CMIP3 multimodeldataset：a new era in climate change research[J].Bull Am Meteor Soc，88（9）：1383-1394.doi：10.1175/bams-88-9-1383.

Minobe S，1997.A 50—70 year climatic oscillation over the North Pacific and North America[J].Geophys Res Lett，24（6）：683-686.doi：10.1029/97GL00504.

Murphy L N，Bellomo K，Cane M，et al.，2017.The role of historical forcings in simulating the observed Atlantic multidecadal oscillation[J].Geophys Res Lett，44（5）：2472-2480.doi：10.1002/2016GL071337.

Newman M，2013.An empirical benchmark for decadal forecasts of global surface temperature anomalies[J].J Climate，26（14）：5260-5269.doi：10.1175/jcli-d-12-00590.1.

Newman M，Alexander M A，Ault T R，et al.，2016.The Pacific decadal oscillation，revisited[J].J Climate，29（12）：4399-4427.doi：10.1175/jcli-d-15-0508.1.

Reichler T，Kim J，2008.Supplement to how well do coupled models simulate todays climate？[J].Bull Amer Meteor Soc，89（3）：S1-S6.doi：10.1175/bams-89-3-reichler.

任永建，宋连春，肖莺，2016.1880—2010年中国东部夏季降水年代际变化特征[J].大气科学学报，39（4）：445-454. Ren Y J，Song L C，Xiao Y，2016.Interdecadal change of summer precipitation in Eastern China during 1880—2010[J].Trans Atmos Sci，39（4）：445-454.doi：10.13878/j.cnki.dqkxxb.20160101033.（in Chinese）.

孙，2013.气候模式对北太平洋海温变率主导模态的评估及其预估[D].兰州：兰州大学. Sun G，2013.Evaluation and projection of the leading modes of sea surface temoerature anomalies over the north Pacific in climate models[D].Lanzhou：Lanzhou University.（in Chinese）.

孫照渤，徐青竹，倪东鸿，2017.华南春季降水的年代际变化及其与大气环流和海温的关系[J].大气科学学报，40（4）：433-442. Sun Z B，Xu Q Z，Ni D H，2017.Interdecadal variation of spring precipitation in South China and its relationships with atmospheric circulation and SST[J].Trans Atmos Sci，40（4）：433-442.doi：10.13878/j.cnki.dqkxxb.20150325001.（in Chinese）.

Taylor K E，Stouffer R J，Meehl G A，2012.An overview of CMIP5 and the experiment design[J].Bull Am Meteor Soc，93（4）：485-498.doi：10.1175/bams-d-11-00094.1.

Wu S，Liu Z Y，Zhang R，et al.，2011.On the observed relationship between the Pacific decadal oscillation and the Atlantic Multi-decadal oscillation[J].J Oceanogr，67（1）：27-35.doi：10.1007/s10872-011-0003-x.

Wu S，Liu Z Y，Cheng J，et al.，2018.Response of North Pacific and North Atlantic decadal variability to weak global warming[J].Adv Clim Chang Res，9（2）：95-101.doi：10.1016/j.accre.2018.03.001.

辛晓歌，吴统文，张洁，2012.BCC气候系统模式开展的CMIP5试验介绍[J].气候变化研究进展，8（5）：378-382. Xin X G，Wu T W，Zhang J，2012.Introduction of CMIP5 experiments carried out by BCC climate system model[J].Adv Climate Chang Res，8（5）：378-382.doi：10.3969/j.issn.1673-1719.2012.05.010.（in Chinese）.

Xu Z F，Hou Z L，HanY，et al.，2016.A diagram for evaluating multiple aspects of model performance in simulating vector fields[J].Geosci Model Dev，9（12）：4365-4380.doi：10.5194/gmd-9-4365-2016.

薛春芳，侯威，赵俊虎，等，2013.集合经验模态分解在区域降水变化多尺度分析及气候变化响应研究中的应用[J].物理学报，62（10）：496-503.Xue C F，HouW，Zhao J H，et al.，2013.The application of ensemble empirical mode decomposition method in multiscale analysis of region precipitation and its response to the climate change？[J].Acta Phys Sin，62（10）：496-503.doi：10.7498/aps.62.109203.（in Chinese）.

楊韵，李建平，谢飞，等，2018.热带北大西洋模态年际变率的研究进展与展望[J].地球科学进展，33（8）：808-817. Yang Y，Li J P，XieF，et al.，2018.Progresses and prospects for north tropical Atlantic mode interannual variability[J].Adv Earth Sci，33（8）：808-817.doi：10.11867/j.issn.1001-8166.2018.08.0808.（in Chinese）.

姚菊香，王盘兴，李丽平，2005.季节内振荡研究中两种数字滤波器的性能对比[J].南京气象学院学报，28（2）：248-253. Yao J X，Wang P X，Li L P，2005.Performance contrast between two filters in madden-Julian oscillations analysis[J].J Nanjing Inst Meteor，28（2）：248-253.doi：10.13878/j.cnki.dqkxxb.2005.02.014.（in Chinese）.

朱伟军，曹煜晨，李天宇，等，2019.太平洋年代际振荡对冬季北半球两大洋风暴轴协同变化的可能影响[J].大气科学学报，42（6）：892-901.Zhu W J，Cao Y C，Li T Y，et al.，2019.Possible influence of the Pacific Decadal Oscillation on the concurrent variations of the northern Atlantic and Pacific storm tracks during boreal winter[J].Trans Atmos Sci，42（6）：892-901.doi：10.13878/j.cnki.dqkxxb.20181015001.（in Chinese）.

Evaluation and future projection of AMO and PDO in CMIP5 models

SONG Han，LIU Peng，TAO Li

Key Laboratory of Meteorological Disaster，Ministry of Education （KLME）/Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters （CIC-FEMD）/Joint International Research Laboratory of Climate and Environment Change （ILCEC），Nanjing University of Information Science and Technology，Nanjing 210044，China

Based on the observed sea surface temperature （SST） data from 1880 to 2009 and the simulated SST datasets under four scenarios （piControl，historical，RCP2.6 and RCP4.5） in the CMIP5 （Coupled Model Intercomparison Project phase 5） models，this paper evaluated the simulation performance of CMIP5 models for two most important interdecadal scale modes （Atlantic Multidecadal Oscillation （AMO） and Pacific Decadal Oscillation （PDO）），and further investigated their future projection under different warming scenarios.Results show that the multi-model ensemble can reproduce the interdecadal variation centers of sea surface temperature in North Pacific，East Pacific and North Atlantic under historical and piControl scenarios，but the simulatedamplitudes of AMO mode and PDO mode are weak，especially PDO mode in East Pacific.By evaluating the spatial and temporal characteristics of AMO mode and PDO mode under historical scenario，this paper ranks the ability of models that simulate AMO mode and PDO mode，and suggeststhat CESM1-CAM5，FGOALS-g2，GISS-E2-H-CC，MIROC5 and NorESM1-ME are five better models and the multi-model ensemble is best.Under different warming scenarios，the spatial characteristics of AMO mode and PDO mode are basically consistent and the amplitude differencesamong different warming scenarios are not obvious.However，with the increase of global warming，AMO modeand PDOmode are characterized by the decrease of variance contribution，especially AMO mode.

CMIP5;AMO;PDO;SST;global warming

doi：10.13878/j.cnki.dqkxxb.20190227001

（責任编辑：袁东敏）